연합 다중 에이전트 딥러닝과 신경망을 활용한 차세대 무선 네트워크 분산 센싱

본 설문은 무선 네트워크가 5G‑Advanced와 6G 비전 아래 ‘감지‑통신‑컴퓨팅‑학습’이 하나의 통합 시스템으로 변모하고 있음을 전제로, 이러한 복합 환경을 효과적으로 제어·최적화하기 위한 최신 연구 동향을 포괄적으로 정리한다. 첫 번째 섹션에서는 무선 시스템의 기본 요소(노드, 채널, 트래픽, 이동성, 슬라이스, 센싱 측정)를 학습 요소(에이전트, 관측, 행동, 보상·손실, 협조 메커니즘)와 매핑함으로써, Markov 게임·Dec‑POMDP·CTDE와 같은 수학적 모델링이 왜 적합한지를 설명한다. 전역 시뮬레이터를 활용한 중앙집중식 훈련은 복잡한 상호작용(간섭·협조)을 포착하고, 실행 단계에서는 최소 신호 교환만으로 정책을 적용할 수 있어 실시간 제약을 충족한다. 두 번째 섹션에서는 무선 네트워크가 내재하는 그래프 구조를 활용한 GNN 기반 ‘Learning‑to‑Optimize’ 프레임워크를 상세히 소개한다. 메시지 패싱 GNN은 채널·간섭 그래프의 퍼미테이션 대칭성을 보존하면서, 정책·가치 함수의 스케일러빌리티와 토폴로지 일반화를 제공한다. 어텐션 메커니즘과 계층형 학습을 결합하면, 대규모 UAV·RIS·다중 안테나 시스템에서도 복합 목표(전력, 스펙트럼, 지연, 추적 정확도)를 동시에 최적화할 수 있다. 세 번째 섹션은 연합 학습(Federated Learning, FL)과 연합 강화학습(Federated Reinforcement Learning, FRL)의 무선 전용 설계 원칙을 다룬다. 클라이언트 선택, 전력·대역폭 할당, OTA 집계(AirComp) 등을 학습 목표와 공동 최적화함으로써, 통신 자원 제한 하에서도 빠른 수렴과 프라이버시 보호를 동시에 달성한다. 특히, 계층형 FL(클라이언트‑에지‑클라우드)과 OTA‑FL을 결합한 하이브리드 구조는 지연을 최소화하고, 대규모 에이전트 집합에서도 모델 동기화를 가능하게 한다. 네 번째 섹션에서는 서버리스 엣지 컴퓨팅을 학습 인프라와 결합한 ‘서버리스 엣지 오케스트레이션’ 개념을 제시한다. 함수 기반의 이벤트‑드리븐 배포는 학습·추론 파이프라인의 탄력성을 높이며, 콜드 스타트와 자원 파편화 문제를 최소화한다. 이는 변동적인 트래픽과 이질적인 디바이스 참여가 빈번한 6G 환경에서 학습·추론을 ‘필요할 때만’ 실행하도록 지원한다. 다섯 번째 섹션에서는 주요 응용 분야를 구체적으로 살펴본다. 1. **MEC 오프로드·네트워크 슬라이싱**: 동적 트래픽·무선 상태·엣지 자원을 동시에 고려한 TD3 기반 강화학습이 슬라이스‑인식 오프로드 정책을 구현한다. 2. **UAV‑기반 이종 네트워크**: UAV 궤적·빔포밍·전력 도메인 NOMA를 공동 최적화하는 다중 에이전트 DRL 및 연합 DRL이 제시된다. 3. **분산 센싱·ISAC**: 자원 제어와 협업 추론을 위한 두 단계 모델(스케줄링·파형 할당 + 협업 감지)에서 GNN·협업 강화학습이 활용된다. 4. **침입 탐지·보안**: 센서 네트워크의 IDS에 FL을 적용해 프라이버시를 보호하면서도 모델 정확도를 유지하되, 데이터·모델 중독·백도어 공격에 대한 방어 메커니즘을 논의한다. 각 응용마다 지연, 스펙트럼 효율, 에너지 소비, 프라이버시, 내구성 측면에서 장·단점을 비교표 형태로 정리하여, 연구자와 실무자가 시스템 요구사항에 맞는 학습·통신·오케스트레이션 전략을 선택하도록 돕는다. 마지막으로, 논문은 현재 남아 있는 주요 과제와 향후 연구 방향을 제시한다. 확장성(에이전트 수·네트워크 규모), 비정상성(환경 변화·동시 학습), 보안(중독·백도어 방어), 통신 오버헤드(전력·대역폭 효율), 실시간 안전성(제어 안정성·QoS 보장) 등이 핵심 도전 과제로 꼽힌다. 이를 해결하기 위해, (i) 메타‑학습·다중 태스크 학습을 통한 빠른 적응, (ii) 차등 프라이버시·보안 강화 학습 프로토콜, (iii) OTA‑FL·서버리스 오케스트레이션을 결합한 저지연 고신뢰 아키텍처, (iv) 6G‑네이티브 ‘감지‑통신‑컴퓨팅‑학습’ 통합 스택 설계가 제안된다. 전체적으로 이 설문은 차세대 무선 네트워크에서 다중 에이전트 딥러닝과 연합 학습이 차지하는 위치와 향후 발전 로드맵을 명확히 제시한다.