스케일러블 셀프리 ISAC를 위한 학습 기반 연관 최적화 ASSENT

초록

본 논문은 제한된 프론트홀 용량을 갖는 분산형 셀프리 ISAC 시스템에서 AP 클러스터링·사용자·목표 스케줄링·AP 모드 선택을 공동으로 최적화하는 MILP 모델을 제시한다. 최적 해의 계산 복잡성을 극복하기 위해, MILP 해를 지도학습 데이터로 활용한 그래프 신경망(GNN) 프레임워크 ASSENT을 설계하였다. ASSENT은 경량 링크 통계만을 입력으로 받아 단일 포워드 패스로 거의 최적에 근접한 연관 결정을 실시간으로 제공한다. 시뮬레이션 결과는 기존 중앙집중식 최적화 대비 지연이 크게 감소하면서도 95 % 이상의 유틸리티를 유지함을 보여준다. 또한 파이썬·PyTorch 기반의 오픈소스 구현과 데이터셋을 공개하여 재현성과 확장성을 보장한다.

상세 분석

본 연구는 6G 핵심 기술로 떠오르는 통합 sensing‑communication(ISAC) 환경에서, 특히 셀프리(cell‑free) 아키텍처가 갖는 분산 처리와 프론트홀 제약을 고려한 연관 최적화 문제를 체계적으로 다룬다. 먼저, AP‑CU 및 AP‑Target 간의 평균 채널 이득, 사용자 간 공간 상관관계, 목표의 RCS·거리·LoS 확률 등 경량 통계량을 정의하고, 이를 기반으로 CS가 전역 결정을 내릴 수 있도록 설계하였다. MILP는 이진 변수 xᵃᵤ(통신 연관), y_txᵃ,ₜ·y_rxᵃ,ₜ(조명·수신 연관), τᵃ(전송/수신 모드), sₜ(목표 스케줄링) 등을 포함한다. 목적함수는 통신 유틸리티와 sensing 유틸리티를 가중합(α)하고, 각 AP의 모드 선택 보상 μᵃ를 추가해 에너지·로드 밸런싱을 유도한다. 제약식은 (i) 전송·수신 모드 일치, (ii) RF 체인 제한, (iii) 사용자 간 상관 임계값 ρ_th에 따른 간섭 억제, (iv) 목표당 최소 하나의 전송·수신 AP 보장, (v) 목표당 전송·수신 AP 수 상한(K_tx, K_rx) 및 수신 AP당 목표 수 상한(C_rx) 등을 포함한다. 이러한 제약은 모두 선형화 변수(v, w, z)를 도입해 MILP 형태로 유지함으로써 표준 솔버(Gurobi 등)로 최적해를 구할 수 있게 한다. 그러나 변수 수가 AP·CU·Target 수의 곱에 비례해 급격히 증가하므로 실시간 적용은 불가능하다.

이를 해결하기 위해 저자들은 그래프 신경망 기반의 ASSENT을 제안한다. 네트워크를 이분 그래프(AP ↔ 엔티티)로 모델링하고, 각 노드에 평균 채널 이득·상관 행렬·RCS·거리 등 피처를 할당한다. GNN은 NNConv, GATv2, TransformerConv 등 세 가지 메시징 메커니즘을 실험했으며, 최종 출력은 위의 이진 변수들을 직접 예측하도록 설계된 다중 헤드 분류 레이어이다. 학습은 MILP에서 얻은 최적 라벨을 지도학습 데이터로 사용하며, 교차 엔트로피 손실과 함께 불균형 라벨을 보정하기 위해 가중치를 적용한다. 학습 후에는 한 번의 포워드 패스만으로 모든 연관 결정을 도출하므로, 전통적인 MILP 기반 스케줄링 대비 수십 배 이상의 지연 감소를 달성한다.

실험에서는 N=2040개의 AP, U=3060명의 CU, T=10~20개의 목표를 갖는 시나리오를 설정하고, 프론트홀 용량을 제한하는 다양한 비율을 테스트했다. 결과는 ASSENT이 α에 따른 유틸리티 트레이드오프를 정확히 재현하고, 특히 통신 유틸리티에서 97 % 수준, sensing 유틸리티에서 94 % 수준의 성능을 보이며, 전체 목표 달성률도 거의 최적과 동일함을 보여준다. 또한, GATv2 기반 모델이 가장 높은 정확도와 안정성을 제공했으며, 파라미터 수와 추론 시간도 적절히 균형을 이룬다.

논문의 또 다른 강점은 완전한 오픈소스 구현을 제공한다는 점이다. Python·PyTorch 코드와 함께 MILP 모델링 스크립트, 데이터 생성 파이프라인, 학습·평가 스크립트를 GitHub에 공개함으로써 연구자들이 손쉽게 재현하고, 새로운 시나리오(예: 전이 학습, 다중 프론트홀 레벨)로 확장할 수 있다. 다만, 현재는 정적 네트워크 환경을 가정하고 있으며, 빠른 채널 변동이나 이동 목표에 대한 적응성은 추가 연구가 필요하다. 또한, GNN이 학습된 환경과 크게 다른 통계 특성을 가질 경우 성능 저하가 예상되므로, 온라인 재학습 메커니즘이나 메타학습 기법 도입이 향후 과제로 보인다.