불확실성 하 무선 네트워크 스케줄링을 위한 그리디 프라임 듀얼 알고리즘

**1. 서론 및 연구 배경** 무선 네트워크에서는 링크 간 간섭, 채널 페이딩, 노드 이동 등 다양한 불확실성이 존재한다. 이러한 불확실성은 패킷 도착률, 채널 상태, 네트워크 토폴로지 등 여러 파라미터에 영향을 미치며, 전통적인 정적 스케줄링(예: 정해진 주기적 스케줄)에서는 파라미터 추정이 부정확하거나 변화가 빠를 경우 성능 저하가 발생한다. 반면, 큐 길이와 같은 실시간 관측값을 이용하는 온라인 알고리즘은 파라미터 추정에 의존하지 않아 더 견고하지만, 기존 연구는 주로 “instantaneous rates” 가 고정된 경우에만 안정성을 보장하였다. **2. 문제 정의** 논문은 n개의 링크와 M개의 네트워크 상태를 갖는 시간 슬롯 기반 시스템을 고려한다. 각 상태 m∈M 에 대해 가능한 자원 할당 모드 ξ(m)_k 가 정의되고, 이 모드가 선택되면 해당 링크들의 전송량 G(m)_k 가 발생한다. 불확실 파라미터 y는 누적 과정 Y(t) 로 모델링되며, 강법칙(SLLN)만 만족하면 y(t)=Y(t)/t → y 로 수렴한다. 목표는 파라미터 y 를 명시적으로 알지 못하더라도, 장기 평균 비용 f(x; y)를 최소화하고 제약 h(x; y)≤0 를 만족하는 자원 할당 비율 x 를 찾는 것이다. 여기서 x는 각 상태별 모드 선택 비율을 나타내는 확률분포이며, 단순체 제약 Σ_k x(m)_k =1, x(m)_k ≥0 를 만족한다. **3. 정적 최적화와 변형** 원문제 OPT 를 직접 풀기 어려우므로, 제약을 완화한 페널티 형태의 문제 PEN 으로 변형한다. 등식 제약 h(x; y)+z=0 와 구간 제약 ε≤z≤z_max 를 도입하고, 페널티 항 p(x, z; y)=‖h(x; y)+z‖_α^α (α>1) 에 큰 가중치 β 를 곱한다. Lemma 1, 2 에 의해 적절히 작은 ε와 충분히 큰 β 를 선택하면 PEN 의 최적값은 OPT 의 최적값에 임의로 가까워진다. **4. 동적 알고리즘 설계** Algorithm 1 은 다음과 같이 동작한다. - **경험적 변수 정의**: x(m)(t)=T_m(t)/Σ_τ T_m(τ) 로 현재까지 각 모드가 선택된 비율을 추정하고, y(t)=Y(t)/t, z(t)=Z(t)/t 로 파라미터와 페널티 변수를 추정한다. - **스케줄링 단계**: 현재 상태 m 에서 ∇_x f(t)+β∇_x p(t) 를 계산하고, 이를 최소화하는 모드 k* 를 선택한다. 이는 “가중치”가 큐 길이뿐 아니라 현재 추정된 파라미터와 제약 위반 정도를 반영한다는 점에서 기존 Max‑Weight 를 일반화한다. - **페널티 변수 업데이트**: ∇_z p(t) 의 부호에 따라 u_i(t)=ε 혹은 z_max 로 설정하고, z(t) 를 평균적으로 업데이트한다. - **경험적 변수 갱신**: 선택된 모드에 따라 x(m)(t) 를 점진적으로 이동 평균 형태로 업데이트하고, y(t), z(t) 도 동일하게 갱신한다. 이 과정은 확률적 그라디언트 하강법에 해당하며, 불확실 파라미터 y(t) 가 시간에 따라 변동해도 SLLN에 의해 y(t)→y 로 수렴하므로, 알고리즘은 “학습 + 최적화”를 동시에 수행한다. **5. 수렴 분석** 유체극한 기법을 사용해 t→∞ 로 스케일링한 연속 시간 시스템을 정의한다. (x(t), z(t), y(t)) 의 한계 궤적은 PEN 의 연속 동역학을 만족하고, Lyapunov 함수 g(x, z; y)=f+βp 를 이용해 g(t) 가 최적값 f*에 수렴함을 보인다. 구체적으로, 모든 샘플 경로에 대해 lim sup_{t→∞} g(t) ≤ f*+δ 가 성립한다. 여기서 δ는 ε와 β 에 의해 조정 가능하며, ε→0, β→∞ 로 설정하면 δ→0 이 된다. 따라서 알고리즘은 임의의 작은 오차 내에서 최적성을 보장한다. **6. 시뮬레이션 결과** 시뮬레이션은 10링크, 4상태 OFDM 네트워크를 대상으로 수행되었다. 도착률은 시간에 따라 마코프 체인으로 변동하고, 채널 페이딩도 마코프 모델을 따른다. 제안 알고리즘은 전통적인 Max‑Weight 와 비교해 평균 전력 소비를 약 15 % 절감하면서도 큐 길이 평균을 비슷하게 유지하였다. 또한 파라미터 추정이 느리게 수렴하거나 일시적으로 편향될 때도, 알고리즘이 자동으로 보정하여 안정적인 스케줄링을 제공한다. **7. 결론 및 향후 연구** 본 논문은 불확실 파라미터를 실시간으로 학습하고, 이를 프라임‑듀얼 구조에 통합한 일반화된 스케줄링 프레임워크를 제시한다. SLLN만을 가정함으로써 파라미터 수렴 속도에 대한 제한을 없애고, 다양한 무선 네트워크 환경에 적용 가능함을 보였다. 향후 연구에서는 비정형적인 비선형 제약, 다중 서비스 품질(QoS) 요구, 그리고 분산 구현을 위한 로컬 정보 기반 알고리즘 설계 등을 탐구할 수 있다.