분산 목표 커버리지 게임을 위한 자기구성 네트워크와 제한된 통신

본 연구는 제한된 통신 자원을 가진 센서 네트워크가 적대적 공격자에 의해 동적으로 재배치되는 목표들을 효과적으로 감시해야 하는 문제를 다룬다. 이를 위해 저자들은 방어측(센서 팀)과 공격자 사이의 상호작용을 제로섬 게임으로 모델링하고, 방어측의 효용 함수를 “정규화·비감소·서브모듈러” 및 “2차 서브모듈러” 특성을 갖는 집합 함수로 정의한다. 이러한 특성은 서브모듈러 최대화에 대한 근사 알고리즘 적용을 가능하게 하며, 특히 겹치는 감시 영역으로 인한 효용 감소를 자연스럽게 포착한다. 게임의 수학적 정의는 방어측이 센서들의 방위각 조합 A∈V^N 를 선택하고, 공격자가 목표 배치 b∈Y 를 선택하는 형태이며, 효용 f(A,b)는 커버된 목표 비율이다. 방어측은 f를 최대화하고, 공격자는 최소화한다. 전통적인 내시 균형을 구하려면 방어측의 조합 공간이 지수적으로 커져 계산이 불가능해진다. 따라서 저자들은 근사 ε‑NE를 목표로 하는 분산 알고리즘을 설계한다. 핵심 아이디어는 두 단계의 분산 의사결정을 동시에 수행하는 것이다. 첫 번째는 각 센서가 자신의 방위각을 선택하는 ActSel(Algorithm 2)이며, 두 번째는 제한된 대역폭 하에서 통신 이웃을 선택하는 NeiSel(Algorithm 3)이다. 각 센서는 사전에 정의된 후보 이웃 집합 M_i 와 최대 이웃 수 α_i 를 가지고 있으며, 실제 선택은 로컬 보상과 ‘협조 가치(Value of Coordination, VoC)’에 기반한다. VoC는 특정 센서의 방위와 이웃들의 방위가 겹치는 정도를 정량화한 값으로, f_t(a_i)−f_t(a_i|{a_j}_{j∈N_i}) 로 정의된다. VoC는 서브모듈러이므로, 이를 최대화하는 이웃 선택 문제는 밴딧‑서브모듈러 최적화로 해결 가능하다. 알고리즘 흐름은 다음과 같다. 매 라운드 t에서 공격자는 EXP3(밴딧 알고리즘)를 사용해 목표 배치 b_t 를 샘플링한다. 각 센서 i는 과거 보상 히스토리를 이용해 ActSel을 통해 방위 a_{i,t} 를 선택하고, NeiSel을 통해 이웃 N_{i,t} 를 결정한다. 선택된 이웃들과 방위 정보는 로컬 네트워크를 통해 교환되며, 센서는 자신이 관측한 로컬 효용을 기반으로 보상 r_{b,t}=f({a_{i,t}},b_t) 를 계산한다. 공격자는 관측된 보상의 역값을 이용해 가중치를 업데이트하고, 다음 라운드의 목표 배치를 다시 샘플링한다. 이 과정에서 저자들은 (1) 각 센서가 로컬 정보만으로도 전체 효용에 대한 근사값을 얻을 수 있음을, (2) VoC를 최적화하는 이웃 선택이 전체 게임 가치의 하한을 강화한다는 것을 정리와 정리증명으로 제시한다. 특히, 전체 시스템이 ε‑NE에 수렴한다는 정리는 제한된 통신 대역폭과 분산 실행에도 불구하고 근사 최적성을 보장한다는 점에서 중요한 기여이다. 실험 설정은 10~30개의 센서와 5~10개의 목표 배치를 가진 시나리오이며, 제안 알고리즘을 중앙집중식 서브모듈러 최적화, 무작위 이웃 선택, 단순 밴딧 기반 방위 선택 등과 비교하였다. 결과는 제안 방법이 게임 가치 측면에서 5~12% 향상을 달성하고, 목표 커버리지 비율에서도 일관된 우위를 보였다. 특히 네트워크 연결성이 낮거나 일부 센서가 고장나는 경우에도 알고리즘이 안정적으로 동작함을 확인했다. 결론적으로, 이 논문은 (1) 서브모듈러 구조를 활용한 분산 게임 이론 접근법, (2) 통신 제약을 명시적으로 모델링한 이웃 설계, (3) 밴딧‑서브모듈러 최적화를 결합한 새로운 프레임워크를 제시함으로써, 대규모 센서 네트워크가 적대적 환경에서도 실시간으로 근사 내시 균형을 달성할 수 있음을 입증한다.