입장 통계 기반 mmWave 초기 접속 스캔 최적화

본 논문은 5G mmWave 시스템에서 초기 접속(Initial Access, IA) 절차의 효율성을 향상시키기 위해 사용자 장비(UE)의 진입 방향과 진입 시각에 대한 통계적 정보를 활용한 스캔 전략을 제안한다. mmWave 대역은 높은 주파수 손실과 비직진 경로 차단으로 인해 빔포밍을 통해 신호를 집중시켜야 하며, 이에 따라 BS(Base Station)와 UE는 서로의 위치를 모르는 상태에서 적절한 빔을 찾아야 한다. 기존 연구들은 전수 탐색(Exhaustive Search)이나 단계적 스캔(Staged Search) 등으로 탐색 시간을 최소화하려 했지만, 실제 도시 환경에서는 UE가 도로를 따라 특정 방향에서만 진입하고, 진입 간격도 일정한 통계적 패턴을 보인다. 이러한 현실을 반영해 두 가지 새로운 IA 알고리즘을 설계하였다. 첫 번째 알고리즘은 메모리 없는 랜덤 일루미네이션(Memory‑Less Random Illumination, MLRI)이다. BS는 각 슬롯마다 섹터 i를 선택할 확률 q_i를 정하고, 이를 사전 확률 p_i(UE가 섹터 i에서 진입할 확률)와 일치하도록 최적화한다. 라그랑지안 최적화 과정을 통해 q_i = p_i임을 도출했으며, 이는 BS가 사전 확률에 비례해 무작위로 섹터를 스캔한다는 의미이다. 이 경우 평균 발견 시간은 \(\bar{\tau}_{MLRI}= \sum_{i=1}^{N} \frac{1-p_i}{p_i}\) 로 표현되며, p_i가 특정 섹터에 집중될수록(예: L→0) 평균 발견 시간이 거의 0에 수렴한다. 두 번째 알고리즘은 통계·메모리 기반 일루미네이션(Statistic and Memory‑Based Illumination, SMBI)이다. SMBI는 이전에 스캔한 섹터 정보를 기억하고, 현재 슬롯 k에서 아직 UE를 발견하지 못한 상황을 전제로 각 섹터 ℓ에 대한 발견 확률 v_k(ℓ)를 계산한다. 이 확률은 사전 확률 p_i와 시간 분포 w_k(UE가 슬롯 t에 진입할 확률)를 이용해 최대 사후 확률(Maximum A Posteriori) 기준으로 정의된다. 슬롯 k에서는 v_k(ℓ)값이 가장 큰 섹터를 선택함으로써 탐색 순서를 결정한다. 결과적으로 SMBI는 결정적인 스캔 순서를 생성하며, p_i와 w_k가 변하지 않는 한 동일한 순서를 반복한다. 이 방식은 메모리를 활용함으로써 이미 탐색한 섹터를 재방문할 확률을 최소화하고, 평균 발견 시간을 더욱 단축한다. 시뮬레이션 설정은 다음과 같다. 섹터 수 N=17, 진입 방향 확률 p_i는 삼각형 형태의 분포(p_i는 파라미터 L에 따라 폭이 조절)로 가정하였다. L이 작을수록 UE가 중앙 섹터에 집중해 진입하고, L이 커질수록 균등하게 분포한다. 진입 시각 분포 w_k는 평균 도착 간격 μ를 갖는 지수분포로 모델링하였다. 비교 대상으로는 전수 탐색(Exhaustive Search, EA) 알고리즘을 사용했으며, EA의 평균 발견 시간은 약 N/2≈8 슬롯으로 고정된다. 실험 결과, L이 작아 진입 확률이 집중된 경우 MLRI와 SMBI 모두 평균 발견 시간이 거의 0에 가깝게 나타났다. L이 증가해 p_i가 균등에 가까워질수록 두 알고리즘의 평균 발견 시간은 증가하지만, EA보다 항상 낮은 값을 유지한다. 특히 μ가 작아 UE가 자주 진입하는 상황에서는 SMBI가 메모리를 활용해 이미 탐색한 섹터를 피함으로써 MLRI보다 더 큰 이득을 보였다. 그래프(그림 2)에서 볼 수 있듯이, L이 6~12 구간에서는 SMBI가 MLRI보다 약 10~20% 정도 빠른 탐색을 제공한다. 논문의 주요 기여는 다음과 같다. (1) UE 진입 방향 및 시간 통계(p_i, w_k)를 IA 스캔에 직접 반영한 새로운 프레임워크 제시, (2) 메모리 없는 경우 최적 무작위 스캔 확률이 사전 확률과 동일함을 수학적으로 증명, (3) 메모리 기반 최적 스캔 순서를 최대 사후 확률 원칙으로 도출, (4) 다양한 p_i·w_k 설정에 대한 시뮬레이션을 통해 제안 알고리즘이 전통적 전수 탐색보다 현저히 우수함을 입증. 향후 연구 방향으로는 다중 UE 동시 진입 상황에서의 스케줄링, 실제 채널 잡음·간섭 및 탐지 오류를 포함한 보다 현실적인 모델링, 그리고 온라인으로 p_i·w_k를 학습·갱신하는 머신러닝 기반 적응형 스캔 전략이 있다. 이러한 확장은 5G·6G 네트워크에서 초기 접속 지연을 최소화하고, 에너지 효율성을 높이는 데 기여할 것으로 기대된다.