클라우드 라디오 액세스 네트워크 안전 영역 온라인 학습

초록

**
본 논문은 클라우드 RAN의 안전 운영 영역을 온라인으로 학습하는 새로운 방법인 COL(Causal Online Learning)을 제안한다. 관측 단계에서 인과 추론과 가우시안 프로세스를 이용해 초기 안전 영역을 추정하고, 개입 단계에서 불확실성을 최소화하는 실험적 개입을 통해 영역을 점진적으로 확장한다. 이론적 안전 보장과 수렴성을 증명하고 5G 테스트베드 실험을 통해 기존 방법 대비 10배 이상의 샘플 효율성을 확인하였다.

**

상세 분석

**
COL은 클라우드 라디오 액세스 네트워크(RAN)의 복잡한 인과 구조를 활용한다는 점에서 기존 안전 학습 기법과 차별화된다. 첫 번째 ‘관측 단계’에서는 시스템을 수동적으로 모니터링하면서 수집된 메트릭을 인과 그래프와 결합해 원인‑결과 관계를 식별한다. 이를 바탕으로 가우시안 프로세스(GP) 회귀 모델을 학습하고, 사전 확률 분포와 베이지안 업데이트를 통해 ‘안전 영역’의 초기 근사치를 도출한다. 여기서 중요한 것은 인과 그래프가 변수 간 직접적인 영향 경로를 명시함으로써, 단순 블랙박스 모델이 요구하는 대량의 데이터 요구량을 크게 감소시킨다.

두 번째 ‘개입 단계’에서는 GP가 제공하는 불확실성(예측 분산) 정보를 이용해 가장 정보량이 큰 제어 입력 조합을 선택한다. 선택된 입력을 실제 RAN에 적용하고, 사양(예: 지연, 처리량, 자원 활용도) 위반 여부를 즉시 검증한다. 위반이 발생하면 해당 데이터 포인트는 ‘불안전’으로 라벨링되고, GP는 이를 반영해 안전 영역의 경계를 재조정한다. 이 과정은 ‘베이지안 최적 실험 설계’와 유사하지만, 안전 제약을 명시적으로 포함한다는 점에서 차별적이다.

이론적 분석에서는 두 단계가 각각 확률적 안전 보장을 제공함을 증명한다. 관측 단계에서 추정된 초기 영역은 지정된 신뢰 수준(예: 95%) 이하의 위반 확률을 갖으며, 개입 단계에서의 베이지안 업데이트는 마르코프 연쇄 수렴 조건을 만족할 경우 최종적으로 전체 안전 영역에 수렴한다. 또한, 샘플 복잡도 분석을 통해 인과 구조를 활용했을 때 필요한 실험 횟수가 O(log N) 수준으로 감소함을 보인다.

실험은 5G 테스트베드에서 실제 가상 베이스밴드 유닛(vBBU)와 분산 유닛(DU)을 포함한 전체 O‑RAN 스택을 대상으로 수행되었다. COL은 초기 안전 영역을 몇 번의 패시브 관측만으로 빠르게 확보하고, 이후 10배 적은 개입으로 전체 안전 영역을 90% 이상 커버했다. 비교 대상인 기존 안전 베이지안 최적화 및 안전 강화 강화학습 기법은 동일한 정확도를 달성하는 데 훨씬 많은 샘플을 필요로 했으며, 일부 실험에서는 사양 위반이 발생하기도 했다.

결과적으로 COL은 (1) 인과 그래프 기반 사전 지식을 활용해 데이터 효율성을 극대화하고, (2) 베이지안 불확실성 관리를 통해 안전한 실험 설계를 수행하며, (3) 이론적 안전 보장과 수렴성을 제공한다는 세 가지 핵심 장점을 가진다. 이러한 특성은 클라우드 기반 네트워크 인프라가 동적으로 변하고, 서비스 수준 계약(SLA) 위반 위험이 큰 실제 운영 환경에 특히 유용하다.

**