[논문 리뷰] 6G Massive Radio Access Networks: Key Issues, Technologies, and Future Challenges

Ying Loong Lee, Donghong Qin외 3명|arXiv (Cornell University)|2019. 10. 23.

Advanced Wireless Communication Technologies참고 문헌 14인용 수 5

한 줄 요약

이 논문은 6G 대규모 무선접근망(RAN)의 핵심 과제와 enabling 기술을 조사하며, 유연성, 대규모 연결성, 에너지 효율성에 중점을 둔다. 초고밀도이자 고속 이동 환경에서 네트워크 슬라이싱, 빔포밍, 전력 할당, 에너지 수확 기술을 최적화하기 위해 인공지능 기반 솔루션—특히 딥 강화학습과 분산 엣지/클라우드 AI—을 제안한다.

ABSTRACT

Driven by the emerging use cases in massive access future networks, there is a need for technological advancements and evolutions for wireless communications beyond the fifth-generation (5G) networks. In particular, we envisage the upcoming sixth-generation (6G) networks to consist of numerous devices demanding extremely high-performance interconnections even under strenuous scenarios such as diverse mobility, extreme density, and dynamic environment. To cater for such a demand, investigation on flexible and sustainable radio access network (RAN) techniques capable of supporting highly diverse requirements and massive connectivity is of utmost importance. To this end, this paper first outlines the key driving applications for 6G, including smart city and factory, which trigger the transformation of existing RAN techniques. We then examine and provide in-depth discussions on several critical performance requirements (i.e., the level of flexibility, the support for massive interconnectivity, and energy efficiency), issues, enabling technologies, and challenges in designing 6G massive RANs. We conclude the article by providing several artificial-intelligence-based approaches to overcome future challenges.

연구 동기 및 목표

• 6G 무선접근망의 패러다임 전환을 필요로 하는 핵심 응용 분야—스마트 시티, 스마트 산업, 지구외 통신 등—을 특정하고 분석하기 위해.
• 6G RAN의 핵심 성능 요구사항인 유연성, 대규모 상호연결성, 에너지 효율성 등을 검토하고, 그 실현을 방해하는 기술적 문제를 규명하기 위해.
• 초고밀도 6G 네트워크 환경에서 네트워크 슬라이싱, 기지국 협업, NOMA, 대량 다중안테나(massive MIMO), RF 에너지 수확 기술 등의 enabling 기술을 조사하기 위해.
• 대규모 RAN 최적화 문제의 계산 복잡도를 다루고, 확장 가능하고 지속 가능한 6G RAN 설계를 위한 AI 기반 솔루션을 제안하기 위해.

제안 방법

• 클라우드 기반 및 엣지 기반 AI를 융합한 하이브리드 AI 아키텍처를 제안하여, 논리적 RAN 기능 배치 및 OFDM 넘버로지 선택을 포함한 네트워크 슬라이싱을 공동 최적화한다.
• 딥 강화학습을 적용하여 동적이고 고차원적인 RAN 환경에서 최적의 네트워크 슬라이스 할당 정책을 학습하며, 게으른 접근 방식보다 뛰어난 성능을 달성한다.
• 에너지 수확을 위한 분산 AI 프레임워크를 도입하여 각 네트워크 노드가 간섭과 에너지 수확을 균형 있게 조정할 수 있도록 자율적으로 전송 전력을 조절하도록 한다.
• AI를 활용해 mMIMO-NOMA 시스템의 복잡한 최적화 문제를 해결하며, 클라우드에서의 협업 기지국 선택과 엣지에서의 사용자 클러스터 내 전력 할당을 수행한다.
• SWIPT(Simultaneous Wireless Information and Power Transfer)에서의 전송률-간섭 간 상충 관계를 다목적 최적화 문제로 모델링하고, 분산형 비최적의 AI 기반 솔루션을 제안한다.
• 사용자 이동성, 채널 상태, 캐리어 주파수(mmWave/THz)와 같은 동적 네트워크 파라미터를 고려하여 현실적인 초고밀도 RAN 시나리오를 모델링한다.

실험 결과

연구 질문

• RQ1 대규모 6G RAN에서 다양한 QoS 요구사항을 충족시키기 위해 계산 오버헤드를 최소화하면서 네트워크 슬라이싱을 어떻게 최적화할 수 있는가?
• RQ2 초고밀도 6G 네트워크에서 대규모 연결성과 에너지 효율성을 달성하는 데 있어 핵심 과제는 무엇이며, 이를 어떻게 해결할 수 있는가?
• RQ3 대규모이고 동적인 RAN 최적화 문제를 해결하기 위해 클라우드와 엣지 노드에 AI를 효과적으로 배포하는 방법은 무엇인가?
• RQ4 SWIPT 기반 6G 네트워크에서의 전송률-간섭 간 상충 관계의 특성은 무엇이며, 고속 이동성과 고밀도 환경에서 이를 어떻게 관리할 수 있는가?
• RQ5 6G RAN에서 mMIMO-NOMA와 함께 기지국 협업을 어떻게 최적화하여 성능과 에너지 효율성을 향상시킬 수 있는가?

주요 결과

• 딥 강화학습은 대규모 RAN에서 네트워크 슬라이스 할당 최적화에 있어 게으른 알고리즘보다 더 빠른 수렴 속도와 뛰어난 성능을 제공한다.
• 분산 엣지 AI는 개별 노드가 간섭과 에너지 수확을 균형 있게 조정할 수 있도록 자율적으로 전송 전력을 조절함으로써 스펙트럼 및 에너지 효율성을 향상시킨다.
• 클라우드와 엣지 AI의 통합은 OFDM 넘버로지 선택 및 기지국 협업과 같은 복잡한 RAN 기능의 확장 가능한 최적화를 가능하게 한다.
• SWIPT 환경에서의 전송률-간섭 간 상충 관계는 초고밀도 네트워크에서는 전통적 방법으로는 계산이 불가능한 다목적 문제이며, 이에 따라 AI 기반 비최적 솔루션이 필수적이다.
• AI로 최적화된 빔포밍과 전력 할당을 갖춘 대량 다중안테나-NOMA는 스펙트럼 효율성을 크게 향상시키며, 6G RAN에서 고밀도 사용자 환경을 지원한다.
• 에너지 수확은 조밀하고 동적인 네트워크 구조에서 간섭과 에너지 수집을 균형 있게 조절할 수 있는 지능적인 분산 제어 메커니즘이 있어야만 6G 네트워크에서 실현 가능하다.