[논문 리뷰] A Comprehensive Survey of Spectrum Sharing Schemes from a Standardization and Implementation Perspective

Mohammad Parvini, Amir Hossein Zarif외 6명|arXiv (Cornell University)|2022. 03. 21.

Advanced MIMO Systems Optimization인용 수 10

한 줄 요약

이 논문은 5G 및 그 이상을 위한 라이선스된 대역과 비라이선스 대역에서의 스펙트럼 공유 기법에 대한 종합적인 설문 조사로, 표준화 노력과 실현 도전 과제를 분석한다. LSA, SAS, LTE-U, LAA, MulteFire, NR-U 등의 기술을 평가하고, 지능적인 공유를 가능하게 하는 AI/ML 통합을 강조하며, 구현을 방해하는 주요 기술적, 규제적, 경제적 장벽을 규명한다.

ABSTRACT

As the services and requirements of next-generation wireless networks become increasingly diversified, it is estimated that the current frequency bands of mobile network operators (MNOs) will be unable to cope with the immensity of anticipated demands. Due to spectrum scarcity, there has been a growing trend among stakeholders toward identifying practical solutions to make the most productive use of the exclusively allocated bands on a shared basis through spectrum sharing mechanisms. However, due to the technical complexities of these mechanisms, their design presents challenges, as it requires coordination among multiple entities. To address this challenge, in this paper, we begin with a detailed review of the recent literature on spectrum sharing methods, classifying them on the basis of their operational frequency regime that is, whether they are implemented to operate in licensed bands (e.g., licensed shared access (LSA), spectrum access system (SAS), and dynamic spectrum sharing (DSS)) or unlicensed bands (e.g., LTE-unlicensed (LTE-U), licensed assisted access (LAA), MulteFire, and new radio-unlicensed (NR-U)). Then, in order to narrow the gap between the standardization and vendor-specific implementations, we provide a detailed review of the potential implementation scenarios and necessary amendments to legacy cellular networks from the perspective of telecom vendors and regulatory bodies. Next, we analyze applications of artificial intelligence (AI) and machine learning (ML) techniques for facilitating spectrum sharing mechanisms and leveraging the full potential of autonomous sharing scenarios. Finally, we conclude the paper by presenting open research challenges, which aim to provide insights into prospective research endeavors.

연구 동기 및 목표

• 다음 세대 무선 네트워크를 위한 라이선스된 대역과 비라이선스 대역에서의 스펙트럼 공유 기술의 현재 상태를 분석하기 위해.
• 기술적 및 규제적 요구사항을 검토하여 표준화 프레임워크와 실제 벤더 구현 간 격차를 메우기 위해.
• AI 및 기계 학습이 자율적이고 효율적인 스펙트럼 공유 메커니즘을 가능하게 하는 역할을 평가하기 위해.
• 다양한 공유 체계 간 이질적 환경에서 간섭 관리, 이동성, 가격 모델, 네트워크 조율과 관련된 열린 연구 과제를 규명하기 위해.

제안 방법

• 주파수 영역 기반 스펙트럼 공유 체계 분류: 라이선스된(예: LSA, SAS, DSS) 및 비라이선스된(예: LTE-U, LAA, MulteFire, NR-U).
• 3GPP, IEEE 및 규제 기관(예: FCC, ISED)이 수행하는 표준화 활동을 검토하여 스펙트럼 접근 프레임워크를 분석한다.
• 기존 셀룰러 네트워크가 동적 스펙트럼 공유 및 비라이선스 대역 운영을 지원하기 위해 필요한 기술적 수정 사항을 분석한다.
• 비라이선스 대역에서 LBT(Listen-Before-Talk) 프로토콜의 구현 복잡성과 NR-U에서의 빔포밍 과제를 평가한다.
• AI/ML 응용 사례를 평가하여 간섭 관리, 전력 제어, 동적 자원 할당 등 지능형 솔루션을 분석한다.
• 기지국(eNB/gNB), 스펙트럼 접근 시스템(SAS), 기존 사용자 간의 상호운용성 및 조율 과제를 규명한다.

실험 결과

연구 질문

• RQ1 LSA, SAS, DSS 등의 표준화된 스펙트럼 공유 프레임워크는 기술적 타당성, 확장성, 규제 준수 측면에서 어떻게 비교될 수 있는가?
• RQ2 라이선스된 및 비라이선스된 대역에서 동적 스펙트럼 공유를 위한 기존 셀룰러 네트워크를 적응시키는 데 있어 핵심적인 구현 과제는 무엇인가?
• RQ3 AI 및 기계 학습이 스펙트럼 공유 메커니즘의 성능과 자율성 향상에 어느 정도 기여할 수 있는가?
• RQ4 이동성 관리, 가격 모델, 간섭 조율 등과 같은 해결되지 않은 기술적 및 경제적 장벽은 대규모 구현을 방해하는가?
• RQ5 실제 혼잡도 및 빔포밍 제약 조건 하에서 비라이선스 대역 공유 체계(LTE-U, NR-U 등)는 어떻게 성능을 발휘하는가?

주요 결과

• 라이선스된 대역에서의 스펙트럼 이용률은 약 10–20%로 추정되어 심각한 저활용도를 보이며, 공동 접근의 큰 잠재력이 있음을 시사한다.
• LSA 및 SAS 프레임워크는 기존 사용자 참여 문제, 정적 간섭 관리, 표준화된 이동성 프로토콜 부족으로 인해 도전 과제를 겪고 있다.
• 비라이선스 대역 공유(예: LTE-U, LAA, NR-U)는 Wi-Fi 혼잡도와 LBT 메커니즘으로 인해 제약을 받으며, 빔포밍은 숨겨진 노드 및 노출된 노드 문제를 야기한다.
• 동적 스펙트럼 공유(DSS)는 eNB와 gNB 간 소프트웨어 업그레이드 및 네트워크 동기화가 필요하여 CAPEX 및 신호 처리 오버헤드 과제를 야기한다.
• AI 및 ML은 간섭 관리 및 전력 제어 최적화에 유망한 성과를 보이지만, 그 잠재력은 아직 충분히 탐색되지 않았으며 향후 연구가 필요하다.
• 벤더 종속성과 상호운용성 부족은 신규 진입자 및 소규모 운영자에게 특히 중요한 채택 장벽으로 남아 있다.