재구성 가능한 디지털 채널라이저 설계: 팩터드 마코프 의사결정 프로세스 활용

** 본 논문은 재구성 가능한 디지털 채널라이저 설계를 위해 **시스템‑레벨 재구성 프레임워크(SLRF)** 를 제안한다. 기존 디지털 채널라이저는 고정된 파라미터와 설계 시점에 정의된 구조로 인해, 환경 변화(예: 무선 스펙트럼 사용 패턴, 전력 제한) 에 적절히 대응하지 못한다는 한계가 있었다. 이를 해결하고자 저자들은 채널라이저 자체와 외부 환경을 모두 마코프 모델로 표현하고, 두 모델을 결합한 **팩터드 마코프 의사결정 프로세스(Factored MDP)** 를 구축한다. **1. 모델링 및 팩터링** 채널라이저의 입력은 프레임 기반 복소수 벡터 \(x(n)\)와 채널화 요청 벡터 \(CR(n)\) 로 구성된다. 요청은 서브채널별 활성화 여부를 나타내는 이진 벡터이며, 시간에 따라 확률적으로 변한다. 시스템 상태는 (a) 현재 요청 패턴, (b) 현재 채널라이저 구성(예: DFTFB, Decimation Filter, Sleep Mode), (c) 전이 단계(구성 전환 중인 경우) 로 정의된다. 이러한 상태 요소들은 서로 독립적인 부분 집합을 형성하므로, **팩터 그래프**를 이용해 전체 상태 공간을 곱 형태로 분해한다. 팩터링을 통해 상태 수는 수백만에서 수천 수준으로 감소하고, 전이 확률 테이블도 희소 행렬 형태로 저장할 수 있다. **2. 전이 상태(Transition State) 도입** 채널라이저 구성 전환은 일반적으로 몇 프레임에 걸쳐 비생산적인 전이 기간을 만든다. 기존 MDP 기반 설계는 이러한 전이를 무시하거나 고정 비용으로 처리했지만, 본 연구는 전이 상태를 별도의 MDP 상태로 명시한다. 전이 상태는 “구성 A → 구성 B” 라는 구체적인 전이 경로와 전이 소요 시간(프레임 수)을 포함한다. 보상 함수에 전이 비용(전력 소모, 지연, 데이터 손실)을 반영함으로써, 정책이 전이 시점을 시스템 부하가 낮은 순간에 선택하도록 유도한다. **3. 보상 함수와 다중 목표 최적화** 채널라이저 설계는 **데이터 처리량, 지연, 에너지 소비**라는 세 가지 상충 목표를 동시에 고려해야 한다. 저자들은 각 목표에 가중치를 부여한 선형 보상 함수를 정의하고, 가중치는 설계 단계에서 지정하거나 런타임에 동적으로 조정할 수 있다. 이렇게 하면 하나의 정책으로 다양한 운영 시나리오에 대응할 수 있다. **4. 정책 생성 알고리즘** 팩터드 MDP에 값 반복(Value Iteration)과 정책 반복(Policy Iteration) 알고리즘을 적용한다. 팩터링 덕분에 각 반복 단계에서 필요한 연산은 부분 상태에 대한 기대값만 계산하면 되므로, 연산 복잡도가 크게 감소한다. 실험에서는 ARM Cortex‑M3 기반 EFM32G 마이크로컨트롤러에서 정책을 3 초 이내에 재계산할 수 있음을 보였다. 정책은 간단한 테이블 형태로 저장되며, 런타임에는 현재 요청 패턴과 시스템 상태를 인덱스로 사용해 즉시 구성 결정을 내린다. **5. 두 가지 사용 사례** - **Use Case A (Polyphase DFT Filter Bank)**: 입력 요청이 i.i.d. Bernoulli 형태이며, 모든 서브채널을 동시에 처리해야 한다. 여기서는 8‑채널 DFTFB를 기본 구성으로 두고, 필요 시 슬립 모드로 전환해 전력을 절감한다. DFTFB는 프로토타입 FIR 필터를 주파수 이동시켜 구현되며, 파라미터가 고정돼 있어 정책이 선택할 수 있는 옵션은 “활성”, “슬립” 두 가지뿐이다. - **Use Case B (Tunable Polyphase Decimation Filter)**: 요청이 시간적으로 희소하고, 한 번에 하나의 서브채널만 필요하다. 이 경우 입력 데이터를 디케이(감쇄)하여 원하는 서브채널만 남기는 튜너블 폴리페이즈 디케이 필터를 사용한다. 필터 차수와 디케이 비율을 런타임에 조정할 수 있어, 정책은 “필터 파라미터 선택”, “슬립”, “전이” 등을 결정한다. **6. 실험 설정 및 결과** 시뮬레이션은 10 000 프레임에 걸쳐 수행됐으며, 비교 대상은 (1) 고정 정책(항상 DFTFB 또는 항상 Decimation), (2) 히스토리 기반 스무딩 정책(문헌