[논문 리뷰] The Future is Unlicensed: Coexistence in the Unlicensed Spectrum for 5G

Suzan Bayhan, Gürkan Gür외 1명|arXiv (Cornell University)|2018. 01. 15.

Wireless Networks and Protocols참고 문헌 7인용 수 12

한 줄 요약

이 논문은 초밀도 및 이종 네트워크에서 5G가 확장성, 비용 효율성 및 용량 증대를 달성하기 위해 비면허 스펙트럼이 필수적이라고 제안한다. 기계학습 기반 공존 메커니즘을 통해 5G와 WiFi 간의 효율적 스펙트럼 공유를 가능하게 하여 이종성, 조율 부족, 동적 트래픽 등의 과제를 해결하며, 기계학습이 실시간 적응과 지능형 의사결정을 가능하게 한다.

ABSTRACT

5G has to fulfill the requirements of ultra-dense, scalable, and customizable networks such as IoT while increasing spectrum and energy efficiency. Given the diversity of envisaged applications and scenarios, one crucial property for 5G New Radio (NR) is flexibility: flexible UL/DL allocation, bandwidths, or scalable transmission time interval, and most importantly operation at different frequency bands. In particular, 5G should exploit the spectral opportunities in the unlicensed spectrum for expanding network capacity when and where needed. However, unlicensed bands pose the challenge of "coexisting networks", which mostly lack the means of communication for negotiation and coordination. This deficiency is further exacerbated by the heterogeneity, massive connectivity, and ubiquity of IoT systems and applications. Therefore, 5G needs to provide mechanisms to coexist and even converge in the unlicensed bands. In that regard, WiFi, as the most prominent wireless technology in the unlicensed bands, is both a key enabler for boosting 5G capacity and competitor of 5G cellular networks for the shared unlicensed spectrum. In this work, we describe spectrum sharing in 5G and present key coexistence solutions, mostly in the context of WiFi. We also highlight the role of machine learning which is envisaged to be critical for reaching coexistence and convergence goals by providing the necessary intelligence and adaptation mechanisms.

연구 동기 및 목표

• 비면허 스펙트럼을 활용해 5G 네트워크의 스펙트럼 부족 및 비효율 문제를 해결하고 동적 용량 증대를 달성한다.
• 다양한 이종 네트워크(예: 5G 및 WiFi)가 조율 없이 운영되는 비면허 대역에서의 공존 과제를 극복한다.
• 비면허 스펙트럼 접근과 지능형 적응 메커니즘을 통합해 영구적이고 확장 가능하며 비용 효율적인 5G 구축을 가능하게 한다.
• 기계학습이 실시간으로 맥락을 인식하는 스펙트럼 공유 및 동적 의사결정을 가능하게 하는 역할을 탐구한다.

제안 방법

• 비면허 대역에서 공존하는 네트워크와 그들의 운영 규칙을 식별하는 핵심 기술로 기계학습(ML)을 제안한다.
• 기계학습의 분류 기법을 활용해 신호 특성에 기반해 인접 네트워크(예: WiFi, LTE)를 탐지하고 분류한다.
• 보상 피드백 기반 최적화를 통해 비면허 환경에서의 행동 기반 의사결정을 위한 강화학습을 적용한다.
• 네트워크 트래픽 및 간섭의 시간적·공간적 동적 특성에 적응하는 맥락 기반 공존 전략을 도입한다.
• 지연, 계산 부담 및 시스템의 내구성 간 균형을 고려해 엣지, 코어 및 클라우드 계층에 걸쳐 분산된 기계학습 구현을 탐색한다.
• 실시간 적응성 확보를 위한 중앙집중식 대비 분산 아키텍처의 기술적 성과를 분석한다.

실험 결과

연구 질문

• RQ1 직접적인 조율이 없는 상황에서 5G 네트워크가 WiFi 및 기타 비면허 시스템과 효율적으로 공존할 수 있는 방법은 무엇인가?
• RQ2 기계학습이 이종적이고 동적인 비면허 환경에서 지능적이고 적응형 스펙트럼 공유를 가능하게 하는 데 어떤 역할을 할 수 있는가?
• RQ3 실제 5G 구현 환경에서 기계학습 기반 공존 메커니즘을 도입할 때 발생하는 주요 기술적 및 실무적 과제는 무엇인가?
• RQ4 네트워크 아키텍처 전반에서 기계학습 기능을 어디에, 어떻게 배치해야 실시간성과 고확장성을 확보할 수 있는가?
• RQ5 기계학습 기반 공존 기법이 매우 동적인 실시간 네트워크 조건에서 충분히 신속하게 수렴할 수 있는가?

주요 결과

• 비면허 스펙트럼은 5G가 필요한 1000배 용량 증대를 달성하고 대규모 이종 IoT 배포를 지원하기 위해 필수적이다.
• 기계학습은 사전 지식이나 교차 기술 신호 전송 없이도 공존 시스템과 그 접근 규칙을 식별하는 데 기여한다.
• 강화학습은 보상 기반 행동 기반 의사결정을 통해 동적 환경에서의 스펙트럼 접근 효율성을 향상시킨다.
• 기계학습 기반 공존 메커니즘의 실용적 구현은 수렴 시간, 복잡성, 학습 단계 동안의 행동 특성 등 여러 과제에 직면해 있다.
• 엣지, 코어 및 클라우드 계층에 걸친 분산된 기계학습 배포는 지연, 계산 비용 및 내구성 간의 타당한 균형을 제공한다.
• 비면허 대역에서 높은 스펙트럼 효율성과 확장성을 달성하기 위해 기계학습을 5G 공존 메커니즘에 통합하는 것이 필수적이다.