[논문 리뷰] Revolutionizing Future Connectivity: A Contemporary Survey on AI-empowered Satellite-based Non-Terrestrial Networks in 6G

Shadab Mahboob, Lingjia Liu|arXiv (Cornell University)|2023. 03. 02.

Satellite Communication Systems인용 수 4

한 줄 요약

이 논문은 6G을 위한 위성 기반 비지상 네트워크(NTN)의 핵심 과제를 극복하기 위해 인공지능 기반 솔루션을 제안한다. 기계학습 기법, 특히 지도학습과 강화학습을 활용하여 장거리 전파 지연, 높은 도플러 시프트, 동적 핸드오버, 자원 할당 문제를 해결한다. AI의 통합은 향후 6G 네트워크에서 성능, 확장성, 신뢰성을 향상시키는 지능적이고 적응형 NTN 시스템 운영을 가능하게 한다.

ABSTRACT

Non-Terrestrial Networks (NTN) are expected to be a critical component of 6th Generation (6G) networks, providing ubiquitous, continuous, and scalable services. Satellites emerge as the primary enabler for NTN, leveraging their extensive coverage, stable orbits, scalability, and adherence to international regulations. However, satellite-based NTN presents unique challenges, including long propagation delay, high Doppler shift, frequent handovers, spectrum sharing complexities, and intricate beam and resource allocation, among others. The integration of NTNs into existing terrestrial networks in 6G introduces a range of novel challenges, including task offloading, network routing, network slicing, and many more. To tackle all these obstacles, this paper proposes Artificial Intelligence (AI) as a promising solution, harnessing its ability to capture intricate correlations among diverse network parameters. We begin by providing a comprehensive background on NTN and AI, highlighting the potential of AI techniques in addressing various NTN challenges. Next, we present an overview of existing works, emphasizing AI as an enabling tool for satellite-based NTN, and explore potential research directions. Furthermore, we discuss ongoing research efforts that aim to enable AI in satellite-based NTN through software-defined implementations, while also discussing the associated challenges. Finally, we conclude by providing insights and recommendations for enabling AI-driven satellite-based NTN in future 6G networks.

연구 동기 및 목표

• 6G를 위한 위성 기반 비지상 네트워크(NTN)에서 장거리 전파 지연, 높은 도플러 시프트, 빈번한 핸드오버와 같은 핵심 과제를 해결한다.
• 통합된 공간-공중-지상 네트워크에서 스펙트럼 공유의 복잡성과 동적 자원 할당 문제를 해결한다.
• 하이브리드 지상-위성 6G 인fra에서 효율적인 작업 오프로딩, 네트워크 라우팅, 네트워크 슬라이싱을 가능하게 한다.
• 특히 지도학습과 강화학습을 포함한 AI 기법을 NTN에 통합하여 실시간, 적응형 네트워크 최적화를 달성한다.
• 자원 제약이 있는 위성 플랫폼에서 온보드 AI 구현을 위한 안정적이고 에너지 효율적이며 컴act한 시스템 설계를 발전시킨다.

제안 방법

• 채널 상태 추정 및 빔포밍 최적화와 같은 예측 및 추정 작업을 위해 지도학습(SL)을 활용한다.
• 동적 환경에서의 피드백 제어를 위해 강화학습(RL)을 활용하며, 이는 적응형 자원 할당 및 핸드오버 관리에 포함된다.
• NTN 테스트베드를 위한 융통성 있고 AI 통합된 프로토콜 스택을 가능하게 하기 위해 소프트웨어 정의 무선(SDR) 및 O-RAN 기반 프레임워크를 구현한다.
• 엄격한 전력 및 계산 제약 조건 하에서 위성 내부에서 실시간 AI 추론을 지원하기 위해 효율적인 피드백 메커니즘을 갖춘 저복잡도 분산 학습 아키텍처를 설계한다.
• 네트워크 슬라이싱 및 서비스 오케스트레이션을 위한 중심 집중형 지능을 가능하게 하기 위해 RAN 지능형 컨트롤러(RIC)를 AI 모델과 통합한다.
• 시간에 따라 변화하는 위성 채널 상태와 사용자 이동 패턴에서의 복잡한 비선형 관계를 모델링하기 위해 딥러닝 모델을 적용한다.

Figure 1 : Structure of the paper.

실험 결과

연구 질문

• RQ1 지도학습과 강화학습과 같은 AI 기법을 어떻게 효과적으로 활용하여 위성 기반 NTN에서의 장거리 전파 지연과 높은 도플러 시프트 문제를 완화할 수 있는가?
• RQ2 다중 빔 및 고속 이동성 위성 네트워크에서 동적 빔 및 자원 할당을 위한 최적의 AI 기반 전략은 무엇인가?
• RQ3 AI는 효율적인 작업 오프로딩, 네트워크 라우팅, 네트워크 슬라이싱을 통해 지상 네트워크와의 원활한 통합을 어떻게 가능하게 하는가?
• RQ4 자원 제약이 있는 위성 플랫폼에서 AI를 구현하기 위해 필수적인 시스템 수준 설계 원칙—특히 에너지 효율성, 보안성, 컴act함—은 무엇인가?
• RQ5 개방형 비지상 환경에서 발생하는 악성 공격 및 DoS 공격에 대응하기 위해 AI 기반 침입 탐지 및 대응 시스템을 어떻게 설계할 수 있는가?

주요 결과

• 특히 지도학습과 강화학습을 포함한 AI 기법은 도플러 시프트 및 핸드오버 관리와 같은 동적이고 시간에 따라 변화하는 과제에 강력한 잠재력을 보여준다.
• 소프트웨어 정의 및 O-RAN 기반 아키텍처와의 AI 통합은 융통성 있고 확장 가능하며 실시간 제어를 가능하게 한다.
• 엄격한 전력 및 계산 제약 조건 하에서 실시간 위성 내부 추론을 가능하게 하기 위해 저복잡도 및 분산 AI 학습 아키텍처가 필수적이다.
• 에너지 효율성과 컴act한 시스템 설계는 위성 내부에 AI를 구현하는 데 핵심적인 요소이며, AI 기반 NTN 운영의 실현 가능성을 직접적으로 영향을 미친다.
• 악성 공격 및 데이터 풀링 공격과 같은 새로운 위협에 대응하기 위해, 이상 탐지 및 침입 방지 기능을 갖춘 AI 기반 보안 메커니즘이 필요하다.
• AI와 NTN의 융합은 최대 1 Tbps의 피크 데이터 전송 속도와 사용자 경험 기반 10 Gbps 속도를 지원하는 지속 가능하고 고성능 6G 네트워크 기반을 마련한다.

Figure 2 : An illustration of different NTN components in 6G.