도시 환경에서 균일한 성능을 위한 AP 선택 알고리즘 UnifSrv

초록

본 논문은 현실적인 도시 전파 환경에서 셀프리 CF‑mMIMO 시스템의 균일한 고성능을 회복하기 위해, 총 데이터율, 사용자 간 공정성, 그리고 AP‑UE 연결 수를 동시에 최적화하는 다목적 AP 선택 문제를 정의하고, 이를 해결하는 DRL 기반 UnifSrv‑DRL과 저복잡도 휴리스틱 UnifSrv‑heu 두 알고리즘을 제안한다. 시뮬레이션 결과, 제안 알고리즘은 기존 베이스라인 대비 최소 2배 이상의 평균 스루풋을 달성하거나, 동일한 스루풋을 절반 수준의 AP 집합 크기로 구현한다.

상세 분석

이 연구는 기존 CF‑mMIMO 연구가 가정해 온 균일한 PPP 배치와 거리 기반 경로 손실 모델이 실제 도시 환경에서는 크게 어긋난다는 점을 실증적으로 보여준다. 건물 차폐와 비균일한 AP 배치로 인해 채널 품질이 크게 편차를 보이며, 기존의 ‘최대 스루풋’ 혹은 ‘제한된 AP 집합’ 중심 알고리즘은 각각 과도한 AP 연결 수 혹은 심각한 스루풋 저하를 초래한다. 이러한 문제를 해결하기 위해 저자는 세 가지 목표—(1) 총 데이터율 최대화, (2) Jain 공정성 지수 최대화, (3) AP‑UE 연결 수 최소화—를 동시에 고려한 다목적 최적화 문제를 수식화한다. 제약 조건으로는 각 UE당 최대 AP 수와 AP당 서비스 가능한 UE 수를 설정해 스케일러빌리티를 보장한다.

문제의 복합성 때문에 직접적인 정수 최적화는 계산량이 비현실적이므로, 저자는 먼저 목표를 가중합 형태의 단일 목표 함수로 변환하고, 이를 Deep Q‑Learning 기반의 DRL 프레임워크에 매핑한다. 상태는 현재 협력 매트릭스와 채널 통계, 행동은 특정 UE에 추가하거나 제거할 AP 선택이며, 보상은 가중합 목표 함수의 향상 정도와 연결 수 감소 효과를 동시에 반영한다. 학습 과정에서 ε‑greedy 탐색과 경험 재플레이를 활용해 안정적인 정책을 획득한다.

하지만 DRL 기반 방법은 학습 비용이 높고 구현 복잡도가 실시간 시스템에 부담이 될 수 있다. 이를 보완하기 위해 저자는 공정성 지수를 기반으로 동적 임계값을 설정하는 휴리스틱 알고리즘 UnifSrv‑heu를 설계한다. 초기에는 각 UE에 가장 강한 채널을 가진 AP를 할당하고, 공정성 지수가 목표값 이하로 떨어지면 임계값을 낮추어 추가 AP를 점진적으로 포함한다. 이 과정은 단순한 정렬과 임계값 비교만으로 이루어지므로 연산 복잡도가 DRL 대비 수십 배 낮다.

시뮬레이션은 서울과 프랑크푸르트의 실제 건물 데이터를 활용한 레이 트레이싱 채널을 사용했으며, 50명의 이동 UE와 다양한 속도·방향을 고려한 V‑Walk 모델을 적용했다. 결과는 기존 PUC, CUC, PUC‑const, PF‑DRL 등 7가지 베이스라인 대비 크게 우수했다. 특히 평균 스루풋은 최소 2배 향상됐으며, 동일 스루풋을 유지하면서도 평균 AP 집합 크기는 40% 이하로 감소했다. 공정성 지수(Jain) 역시 0.95 이상을 유지해 사용자 간 성능 격차를 최소화했다. 중요한 점은 UnifSrv‑heu가 UnifSrv‑DRL과 거의 동일한 성능을 보이면서도 학습 단계가 필요 없고 실행 시간도 실시간 요구사항을 충분히 만족한다는 것이다.

이 논문은 현실적인 도시 전파 모델을 최초로 정량적으로 도입하고, CF‑mMIMO 시스템이 직면한 ‘에지 효과’를 근본적으로 해소할 수 있는 실용적인 AP 선택 프레임워크를 제공한다는 점에서 학술적·산업적 의의가 크다. 또한 O‑RAN 기반 분산 CPU 구조와의 호환성을 고려해 설계했으며, 향후 핸드오버·프론트홀 제약을 포함한 종합적인 시스템 최적화 연구의 토대를 마련한다.