[논문 리뷰] AI based Service Management for 6G Green Communications

Bomin Mao, Fengxiao Tang외 2명|arXiv (Cornell University)|2021. 01. 05.

Energy Harvesting in Wireless Networks참고 문헌 260인용 수 13

한 줄 요약

이 논문은 6G 그린 통신을 위한 인공지능 기반 서비스 관리 프레임워크를 제안하며, 기계학습 및 딥러닝을 활용해 동적이고 고복잡도 네트워크에서 에너지 효율성을 최적화한다. 인공지능을 에너지 수확, 매크로 MIMO, 비정규 다중접근(NOMA), 그리고 테라헤르츠 통신과 융합하여 에너지 소비를 줄이고 QoS를 유지함으로써, AI가 지속 가능하고 지능적인 6G 네트워크를 가능하게 하는 핵심 역할을 수행함을 보여준다.

ABSTRACT

Green communications have always been a target for the information industry to alleviate energy overhead and reduce fossil fuel usage. In current 5G and future 6G era, there is no doubt that the volume of network infrastructure and the number of connected terminals will keep exponentially increasing, which results in the surging energy cost. It becomes growing important and urgent to drive the development of green communications. However, 6G will inevitably have increasingly stringent and diversified requirements for Quality of Service (QoS), security, flexibility, and even intelligence, all of which challenge the improvement of energy efficiency. Moreover, the dynamic energy harvesting process, which will be adopted widely in 6G, further complicates the power control and network management. To address these challenges and reduce human intervene, Artificial Intelligence (AI) has been widely recognized and acknowledged as the only solution. Academia and industry have conducted extensive research to alleviate energy demand, improve energy efficiency, and manage energy harvesting in various communication scenarios. In this paper, we present the main considerations for green communications and survey the related research on AI-based green communications. We focus on how AI techniques are adopted to manage the network and improve energy harvesting toward the green era. We analyze how state-of-the-art Machine Learning (ML) and Deep Learning (DL) techniques can cooperate with conventional AI methods and mathematical models to reduce the algorithm complexity and optimize the accuracy rate to accelerate the applications in 6G. Finally, we discuss the existing problems and envision the challenges for these emerging techniques in 6G.

연구 동기 및 목표

• 초기 인프라와 기기의 급격한 증가로 인해 6G 네트워크의 에너지 소비가 기하급수적으로 증가하고 있는 문제를 해결한다.
• 다양한 QoS 요구사항을 수반하는 고차원적이고 동적인 네트워크 환경에서 전통적인 최적화 방법의 한계를 극복한다.
• 인공지능 기술을 에너지 수확 및 고급 무선접근 기술과 융합하여 에너지 효율성을 향상시키고 화석 연료 의존도를 낮춘다.
• 네트워크 관리에서 인공지능 모델의 복잡도, 정확도, 에너지 소비 간의 상호 교환 관계를 체계적으로 평가한다.
• 안정적이고 지속 가능한 6G 운영을 위한 데이터 프라이버시, 하드웨어 효율성, 인공지능 모델의 강인성 분야에서의 열린 과제를 규명한다.

제안 방법

• 네트워크 최적화를 위한 최신 기술인 전통적 히우리스틱 알고리즘, 기계학습(ML), 딥러닝(DL)을 조사하고 분석한다.
• 특히 불확실하고 시간에 따라 변하는 조건에서 에너지 수확 네트워크의 동적 전력 제어 및 자원 할당을 위해 인공지능을 적용한다.
• 매크로 MIMO, 비정규 다중접근(NOMA), 테라헤르츠(THz) 통신과 같은 핵심 6G 기술과 인공지능을 융합하여 스펙트럼 및 에너지 효율성을 향상시킨다.
• 알고리즘 복잡도를 감소시키고 수렴 속도 및 정확도를 향상시키기 위해 기계학습/딥러닝을 수학적 모델과 협동적으로 활용한다.
• 지능형 반사 표면(IRS)과 RF 에너지 수확을 위한 인공지능 활용으로 신호 신뢰성을 향상시키고 네트워크 수명을 연장한다.
• 학습 데이터 요구량을 최소화하고 하드웨어 배포를 최적화하여 인공지능 자체의 에너지 소비를 줄이기 위해 인공지능 모델의 효율성을 높인다.

실험 결과

연구 질문

• RQ1 AI 기반 서비스 관리로 매크로 MIMO, NOMA, THz 통신을 갖춘 6G 네트워크에서 에너지 소비를 어떻게 줄일 수 있는가?
• RQ2 변동적이고 불확실한 환경 조건에서 AI는 에너지 수확 과정을 최적화하는 데 어떤 역할을 하는가?
• RQ3 실시간 6G 네트워크 관리에서 에너지 효율성, 계산 복잡도, 정확도를 균형 잡기 위해 인공지능 모델은 어떻게 설계할 수 있는가?
• RQ4 특히 악성 데이터 풀링 공격으로 인한 보안 위험은 무엇이며, 강인한 모델은 이를 어떻게 완화할 수 있는가?
• RQ5 경량 인공지능 모델과 에너지 효율적인 하드웨어의 공동 설계로 AI 기반 네트워크 운영의 총 에너지 비용을 어떻게 줄일 수 있는가?

주요 결과

• 인공지능 기술은 6G 네트워크 관리의 고차원적이고 동적인 복잡도를 다루는 데 있어 전통적인 히우리스틱 및 볼록 최적화 방법보다 뛰어난 성능을 보인다.
• 인공지능은 전력 제어, 자원 할당, 에너지 수확의 효과적인 공동 최적화를 가능하게 하여 MTC, COC, CNC를 포함한 다양한 6G 환경에서 에너지 효율성을 향상시킨다.
• 인공지능을 지능형 반사 표면(IRS) 및 RF 에너지 수확과 융합함으로써 신호 대 간섭 비율(SINR)을 향상시키고 기기 배터리 수명을 연장하여 지속 가능한 네트워크 운영을 지원한다.
• 딥러닝 및 기계학습 모델은 알고리즘 복잡도를 감소시키고 수렴 속도를 가속화하여 변화하는 네트워크 조건에 실시간으로 적응할 수 있게 한다.
• AI 기반 접근법은 네트워크 잡음원 및 보안 위협을 탐지하고 완화할 수 있어 6G 환경에서의 신뢰성과 내성 강화에 기여한다.
• 네트워크 수준의 에너지 절감 효과를 상쇄하지 않도록, 인공지능 모델 자체의 에너지 소비는 경량 아키텍처와 효율적인 하드웨어를 통해 최소화되어야 한다.