회전 안테나 기반 모바일 엣지 컴퓨팅 최적화

본 논문은 회전 안테나(RA)를 활용한 모바일 엣지 컴퓨팅(MEC) 시스템을 설계하고, 이를 최적화하기 위한 이론적·알고리즘적 프레임워크를 제시한다. 먼저, 시스템 모델을 정의한다. 베이스 스테이션(BS)에는 K_x × K_y 개의 회전 가능한 안테나가 균일 평면 배열(UPA) 형태로 배치되고, 각 안테나는 3차원 회전(zenith θ_z,k, azimuth φ_a,k)으로 보레시스 방향을 조정할 수 있다. 사용자는 단일 안테나를 가진 M개의 단말이며, TDMA 프로토콜에 따라 각 사용자에게 τ_m 초의 전용 시간 슬롯이 할당된다. 채널 모델은 대규모 감쇠 L(d_{k,m})와 Rician 소규모 페이딩을 포함하며, 안테나 이득은 G_{k,m}=G_0 cos^{2p}(ε_{k,m}) 로 표현된다. 여기서 ε_{k,m}=arccos(f_k^T q_{k,m})는 안테나 보레시스와 사용자 방향 사이의 각도이며, p는 안테나 직접ivity 지수이다. 연산 모델은 부분 오프로드 방식을 채택한다. 각 사용자 m은 로컬 CPU 주파수 f_m으로 로컬 연산을 수행하고, 로컬 처리된 데이터 양은 R_loc,m = T f_m / C 로, 에너지 소비는 E_loc,m = T r_c f_m^3 로 계산된다. 오프로드된 데이터는 전송 전력 p_m과 회로 전력 p_{c,m}을 사용해 τ_m 초 동안 전송되며, 전송 데이터량은 R_off,m = τ_m B v_m log_2(1 + p_m ‖h_m(F)‖^2 / σ^2) 로 정의된다. 목표는 가중합 계산률 Σ_m (R_loc,m + R_off,m) 를 최대화하면서, 각 사용자별 에너지 제한(E_loc+E_off ≤ E_max), 최소 데이터 요구(R_loc+R_off ≥ R_min), 시간 슬롯 총합 ≤ T, 그리고 안테나 회전 각도 제약(0 ≤ θ_z,k ≤ θ_max, ‖f_k‖=1) 등을 만족하도록 하는 것이다. 이를 (P1) 문제로 정식화한다. (P1)의 비볼록성은 주로 (i) 안테나 회전 벡터와 채널 이득 사이의 곱셈 형태, (ii) 단위 길이 제약, (iii) 로그 함수의 비선형성에서 비롯된다. 저자는 문제를 두 단계로 분리한다. 첫 단계는 RA 회전 최적화, 두 번째 단계는 오프로드 자원 할당이다. RA 회전 최적화는 동적 회전과 정적 회전 두 시나리오로 나뉜다. 1) 동적 회전 시, 각 시간 슬롯마다 RA가 자유롭게 재지향 가능하다고 가정한다. 이 경우, 각 RA k에 대해 사용자의 방향 벡터 q_{k,m}와의 내적을 최대화하는 문제(P2)를 풀면 된다. 이는 단위 구면 위의 선형 최적화이며, 해는 q_{k,m}가 회전 범위 내에 있으면 f_k = q_{k,m} 로, 범위를 초과하면 θ_max까지 회전하고 azimuth을 정렬하는 폐쇄형 식(4‑6)으로 얻어진다. 이 해는 계산 복잡도가 매우 낮아 실시간 적용이 가능하다. 2) 정적 회전 시, 기계적 관성으로 인해 전체 프레임 동안 하나의 통합된 안테나 방향만 설정한다. 여기서는 (P3) max_F Σ_m(R_loc,m+R_off,m) 를 풀어야 하는데, 이는 여전히 비볼록이다. 저자는 채널을 h_m(F)=β̃_{m,k}(f_k^T q_{k,m}) 형태로 재표현하고, 로그 항을 1차 테일러 전개하여 볼록 근사 Λ^{(i+1)}(F)를 만든다. 이후 (P5) max_F Λ^{(i+1)}(F) 를 ‖f_k‖≤1 로 완화해 (P6) 형태의 표준 볼록 최적화 문제로 변환한다. CVX를 이용해 최적 F^{(i+1)}를 구하고, 마지막에 ‖f_k‖=1 로 정규화한다. 이 과정은 SCA(연속 볼록 근사) 프레임워크에 기반하며, 수렴 보장이 있다. RA 회전이 고정된 후, 오프로드 자원 할당 문제는 τ, p, f에 대한 연속적 볼록 최적화로 변환된다. 전력과 시간은 로그식의 단조성으로 인해 전형적인 수학적 최적화 기법(라그랑주 승수법, KKT 조건)으로 풀 수 있다. 알고리즘 전체 흐름은 다음과 같다. (i) 초기 RA 회전 각도와 자원 할당을 무작위 혹은 휴리스틱하게 설정한다. (ii) 선택된 시나리오에 따라 동적 회전이면 폐쇄형 해를 적용하고, 정적 회전이면 SCA 기반 교대 최적화를 수행한다. (iii) 고정된 RA 회전 하에서 τ, p, f를 최적화한다. (iv) 수렴 기준(목표 함수 변화율)이 만족될 때까지 (ii)–(iii) 과정을 반복한다. 시뮬레이션에서는 K = 4×4 = 16개의 RA, M = 8명의 사용자를 가정하고, 다양한 직접ivity p(10~30 dB)와 최대 천정각 θ_max(30°)를 테스트했다. 결과는 다음과 같다. (1) RA‑MEC은 고정 안테나 기반 MEC 대비 평균 25%~45% 높은 가중합 계산률을 달성한다. (2) 직접ivity가 높을수록 고정 안테나의 빔 정렬 손실이 커지지만, RA는 회전으로 이를 보정해 성능 격차를 크게 줄인다. (3) 동적 회전 시 계산 복잡도가 매우 낮아 실시간 시스템에 적합하고, 정적 회전 시 SCA 알고리즘이 10~15번의 반복만에 수렴한다. (4) 에너지 제약이 엄격한 경우에도 RA‑MEC은 전력 효율성을 유지한다. 결론적으로, 회전 안테나는 기계적 회전을 통해 전파 환경에 대한 적응성을 제공함으로써, 고지향 안테나의 잠재 이득을 실제 시스템에 구현할 수 있다. 제안된 시나리오‑적응형 하이브리드 최적화(SAHO) 알고리즘은 동적·정적 회전 상황 모두에서 효율적인 자원 배분을 가능하게 하며, 향후 6G 및 초고밀도 IoT 환경에서 MEC의 핵심 기술로 활용될 전망이다.