6G 인바디 서브네트워크를 위한 지능형 라디오 자원 슬라이싱

본 논문은 6G 시대에 인간 신체 내부에 배치되는 In‑Body Subnetworks(IBS)가 기존 매크로 셀룰러 네트워크와 동일한 라디오 자원을 공유하면서 발생하는 복합적인 간섭 및 서비스 품질(QoS) 충돌 문제를 해결하고자 한다. IBS는 XR(Extended Reality) 애플리케이션을 주요 서비스 시나리오로 삼으며, 영상과 촉각 데이터를 동기화하여 사용자에게 몰입형 경험을 제공한다. 이러한 XR 서비스는 초저지연과 높은 데이터율을 동시에 요구하지만, 동시에 eMBB(Enhanced Mobile Broadband) 사용자는 대역폭 중심의 고속 데이터 전송을 필요로 한다. 두 서비스가 동일한 OFDMA 자원을 공유할 경우, 전송 전력 차이와 공간적 비대칭 간섭으로 인해 서로의 QoS가 크게 저하될 위험이 있다. 문제 정의 단계에서 저자는 전체 네트워크를 N개의 IBS와 M개의 eMBB 사용자가 존재하는 단일 매크로 BS 환경으로 모델링한다. 전체 대역폭은 100 MHz이며, 이를 272개의 RB로 나누고, RB를 다시 RBG(리소스 블록 그룹) 단위로 묶어 슬라이스 간 할당 단위로 사용한다. 슬라이스는 크게 두 종류, 즉 XR 슬라이스(s)와 eMBB 슬라이스(c)로 구분된다. 각 슬라이스는 자체 QoS 요구사항을 갖는데, XR 슬라이스는 데이터율, 패킷 손실률, 그리고 영상‑촉각 동기화 지연을, eMBB 슬라이스는 데이터율을 주로 고려한다. 이러한 복합 요구를 만족시키기 위해 저자는 Soft Actor‑Critic(SAC) 기반의 심층 강화학습(DRL) 프레임워크를 설계한다. SAC는 엔트로피 정규화 항을 포함한 정책 최적화 방법으로, 탐험과 활용 사이의 균형을 자동으로 조절한다. 액터와 두 개의 Critic 네트워크는 4개의 은닉층(400‑300‑200‑100 뉴런)으로 구성되며, 학습률은 1e‑4, 할인율 γ는 0.9, 엔트로피 계수 λ는 자동 튜닝된다. 상태(state) 벡터는 슬라이스별 평균 버퍼 점유율(βₒ), 평균 지연(τ), 패킷 손실률(ρ), 데이터율(r) 등 네 가지 핵심 지표를 포함한다. 행동(action)은 각 슬라이스에 할당될 RBG 수이며, 연속값을 출력한 뒤 이산화하여 실제 할당량으로 변환한다. 보상 함수는 세 가지 주요 구성 요소로 이루어진다. 첫째, 데이터율 보상 R_rk는 슬라이스별 최소 요구 데이터율 r₀k를 만족하지 못할 경우 비례 패널티를 부여한다. 둘째, 패킷 손실 보상 R_ρs는 허용 손실률 ρ₀s를 초과하면 비례 패널티를, 이하이면 0을 반환한다. 셋째, XR 슬라이스 전용 지연 보상 R_τs는 영상과 촉각 지연 차이(|τ_v − τ_h|)가 사전 정의된 동기화 임계값 τ_sync(50 ms)를 초과하면 차이값에 비례해 패널티를 부여하고, 촉각 버퍼 지연(τ̂)이 목표 버퍼 지연 τ_h₀을 초과할 경우에도 패널티를 적용한다. 최종 보상 R은 위 세 보상의 합으로 정의되어, 정책이 QoS 위반을 최소화하도록 유도한다. 학습 과정은 10개의 에피소드, 각 에피소드는 10 000 타임스텝(1 ms)으로 구성되며, 초기 200 프레임은 트래픽 변동성을 제거하기 위해 제외한다. 학습이 완료된 후 정책은 100개의 독립 에피소드에서 평가되며, 평가 지표는 사용자 만족도 비율이다. 만족도는 해당 사용자가 전체 에피소드 동안 QoS 요구를 모두 충족했는지를 기준으로 판단한다. 시뮬레이션 결과는 제안된 SAC 기반 슬라이싱이 기존 베이스라인