[논문 리뷰] Developing NOMA to Next Generation Multiple Access (NGMA): Future Vision and Research Opportunities

Yuanwei Liu, Wenqiang Yi외 4명|arXiv (Cornell University)|2021. 03. 03.

Advanced Wireless Communication Technologies인용 수 16

한 줄 요약

이 논문은 6G 네트워크를 위한 비직교 다중접근(NOMA)을 차세대 다중접근(NGMA)으로 진화시키기 위해 '한 가지 기본 원칙 + 네 가지 신규 요소' 프레임워크를 제안한다. 이 프레임워크는 채널 상태 정보(CSI)와 서비스 품질(QoS) 요구사항을 동시에 고려하는 하이브리드 순차 간섭 제거(SIC)를 도입하여 기존의 출력 확률 오차 평면을 제거함으로써, 탁월한 스펙트럼 효율성과 신뢰성을 실현한다. 이 프레임워크는 다량의 연결성, 재구성 가능한 지능형 표면(RIS) 및 ISaC와 같은 고급 물리계층 기술과의 통합, 새로운 응용 시나리오, 그리고 AI 기반 자원 할당을 추가로 탐색하여, NOMA가 6G의 다목적이고 고성능 비전의 핵심이 되도록 위치한다.

ABSTRACT

As a prominent member of the next generation multiple access (NGMA) family, non-orthogonal multiple access (NOMA) has been recognized as a promising multiple access candidate for the sixth-generation (6G) networks. This article focuses on applying NOMA in 6G networks, with an emphasis on proposing the so-called "One Basic Principle plus Four New" concept. Starting with the basic NOMA principle, the importance of successive interference cancellation (SIC) becomes evident. In particular, the advantages and drawbacks of both the channel state information based SIC and quality-of-service based SIC are discussed. Then, the application of NOMA to meet the new 6G performance requirements, especially for massive connectivity, is explored. Furthermore, the integration of NOMA with new physical layer techniques is considered, followed by introducing new application scenarios for NOMA towards 6G. Finally, the application of machine learning in NOMA networks is investigated, ushering in the machine learning empowered NGMA era.

연구 동기 및 목표

• 고밀도 및 동적인 6G 네트워크에서 고신호대역비(SNR) 조건에서도 피할 수 없는 출력 확률 오차 평면 문제를 야기하는 기존 NOMA SIC 기법의 한계를 해결하기 위해.
• 5G를 초월해 NOMA의 역할을 재정의함으로써, 다량의 연결성, 초고신뢰성, 저지연을 포함한 6G의 다양한 다목적 요구사항을 충족시키기 위한 핵심 원칙을 재정립하기 위해.
• 재구성 가능한 지능형 표면(RIS), 통합 감지 및 통신(ISaC), 직교 시간주파수공간(OTFS) 변조와 같은 신규 6G 물리계층 기술과의 통합 가능성을 탐색하기 위해.
• 강화학습 및 딥러닝과 같은 기계학습 기법을 활용해 NOMA 기반 NGMA 시스템에서 적응형 실시간 자원 할당 및 신호 처리를 가능하게 하기 위해.
• NOMA의 6G 응용을 위한 종합적인 연구 로드맵을 수립하고, 시스템 설계, 확장성, 지능화 측면에서의 핵심 과제와 기회를 규명하기 위해.

제안 방법

• 채널 상태 정보(CSI)와 사용자별 QoS 요구사항을 동시에 고려하여 최적의 신호 검출 순서를 결정하는 하이브리드 SIC 복원 전략을 제안하여 단일 지표 기반 SIC의 한계를 극복한다.
• CSI와 QoS 지표의 조합에 기반해 복원 순서를 동적으로 조정하는 일반화된 SIC 프레임워크를 도입하여, 기존 SIC가 실패하는 고신호대역비(SNR) 영역에서 성능 향상을 달성한다.
• 강화학습(RL)을 활용해 NOMA 네트워크에서 장기적 자원 할당과 동적 사용자 클러스터링을 최적화함으로써 환경 변화에 대응하는 적응형 의사결정을 가능하게 한다.
• 딥러닝(DL)을 활용해 자동으로 CSI 확보, 채널 추정 및 신호 검출을 수행함으로써 명시적 채널 피드백의 필요성을 줄이고 시간에 따라 변하는 환경에서의 강건성을 향상시킨다.
• 사용자 데이터의 기밀을 보존하기 위해 엣지 장치에서 국소 모델을 학습하고 기지국에서만 모델 파라미터를 집계하는 방식으로 분산형 NOMA 네트워크에서의 연합학습(FL)을 적용한다.
• 기존에 학습된 깊이 신경망을 재사용함으로써 새로운 또는 유사한 네트워크 환경에서 수렴 속도를 가속화하고, 훈련 시간과 데이터 요구량을 감소시키기 위해 전이학습을 활용한다.

실험 결과

연구 질문

• RQ1 기존의 CSI 기반 및 QoS 기반 SIC 기법에서 나타나는 본질적인 출력 확률 오차 평면을 제거하기 위해 NOMA의 순차 간섭 제거(SIC)는 어떻게 재정의될 수 있는가?
• RQ2 재구성 가능한 지능형 표면(RIS), 통합 감지 및 통신(ISaC), 직교 시간주파수공간(OTFS) 변조와 같은 신규 6G 물리계층 기술과의 통합은 어떤 성능 향상과 체계적 이점을 제공하는가?
• RQ3 강화학습 및 딥러닝과 같은 기계학습 기법은 어떻게 적응형, 저지연, 에너지 효율적인 자원 할당을 실현하는 데 효과적으로 적용될 수 있는가?
• RQ4 NOMA는 이질적이고 동적인 네트워크 환경에서 다량의 연결성, 초고신뢰성, 밀리초 이내의 지연을 충족시키기 위한 6G 비전을 어떻게 지원할 수 있는가?
• RQ5 모델 수렴, 개인정보 보호, 계산 복잡성 측면에서 AI 기반 NOMA 시스템을 구현할 때의 핵심 설계 상충관계와 과제는 무엇인가?

주요 결과

• CSI와 QoS 지표를 모두 통합한 하이브리드 SIC 기법은 기존의 출력 확률 오차 평면을 성공적으로 제거하여 고신호대역비 조건에서도 신뢰할 수 있는 통신을 가능하게 하였으며, 이는 이전 NOMA 시스템의 핵심 한계였다.
• 재구성 가능한 지능형 표면(RIS), 통합 감지 및 통신(ISaC), OTFS와 같은 고급 물리계층 기술과의 통합을 통해 6G 환경에서 스펙트럼 효율성과 신뢰성이 크게 향상되었다.
• 강화학습 기반 자원 할당은 네트워크 상태와의 상호작용을 통해 최적의 장기 정책을 학습함으로써 동적 환경에서 기존 방법보다 뛰어난 성능을 보였다.
• 딥러닝은 피드백 오버헤드를 줄이고 빠르게 변하는 채널 환경과 다량의 MIMO 환경에서 정확하고 저지연의 CSI 추정 및 신호 검출을 가능하게 하여 성능을 향상시켰다.
• 연합학습은 원시 사용자 데이터를 공유하지 않고도 분산 모델 학습을 가능하게 하여 NOMA 기반 네트워크의 데이터 기밀성을 향상시켰으며, NOMA의 다중접근 능력 덕분에 모델 집계 지연도 감소시켰다.
• 전이학습은 사전에 학습된 모델을 활용해 새로운 네트워크 배포 환경에서 수렴 속도를 가속화하고, 레이블이 부족한 환경에서 훈련 시간과 데이터 요구량을 감소시켰다.