초밀집 mmWave 네트워크를 위한 자가조직 전력 할당 및 클러스터링

본 논문은 초밀집 도시 환경에서 mmWave(밀리미터파) 통신을 구현하기 위해, 사용자가 직접 소형 기지국(Base Station, BS)을 플러그‑앤‑플레이 방식으로 설치하는 시나리오를 전제로 한다. 이러한 비정형 배치는 중앙집중식 관리가 어려워, 네트워크 자체가 스스로 조직화(self‑organizing)하고 적응(adaptive)해야 한다는 요구를 만든다. 이를 해결하기 위해 저자는 두 단계로 구성된 CDP‑Q(Cluster‑Based Distributed Power allocation using Q‑learning) 알고리즘을 제안한다. 1. **시스템 모델** - 다운링크를 가정하고, N개의 BS가 동질적인 공간 포아송 점 과정(SPPP)으로 1 km²에 무작위 배치된다. - 각 BS는 하나의 사용자(UE)를 담당하며, 동일한 주파수 자원 블록(FRB)을 공유한다. - 채널은 느린 페이딩을 가정하고, 경로 손실은 자유 공간 전파와 로그‑정규 섀도잉을 결합한 모델을 사용한다. - SINR와 용량은 전통적인 Shannon 식으로 정의되며, 목표는 모든 UE가 최소 SINR(qₖ)를 만족하면서 전체 네트워크 용량을 최대화하는 전력 벡터 P̄를 찾는 것이다. 2. **문제 정의** - 목적식(5a)은 비볼록(non‑concave) 형태이며, 전력 제한(5b)과 QoS 제약(5c)을 동시에 만족해야 한다. - 중앙집중식 최적화는 계산 복잡도와 실시간 적응성 측면에서 부적합하므로, 분산형, 지역화된 접근이 필요하다. 3. **클러스터링(FLOC)** - Fast Local Clustering(FLOC)은 메시지 전달 기반으로 O(1) 복잡도를 가지며, 클러스터 간 겹침이 없고, 새로운 BS가 추가·제거될 때 전체 재구성을 요구하지 않는다. - 클러스터 헤드(CH)는 특별한 우선순위 없이 임의로 선정되며, 인바운드(IB) 노드는 CH로부터 100 m 이내, 아웃바운드(OB) 노드는 200 m 이내에 위치한다. - 이러한 거리 기반 정의는 mmWave 특성상 100‑200 m 내에서만 강한 간섭이 발생한다는 물리적 사실을 반영한다. 4. **분산 전력 할당(Q‑러닝)** - 각 BS는 강화학습 에이전트로 동작한다. 행동 집합 A는 최소 전력(P_min = –10 dBm)부터 최대 전력(P_max = 35 dBm)까지를 31개의 이산값으로 나눈다. - 상태 sₖₜ는 BS가 속한 원형 링 번호(n)으로 정의되며, 반경 r = 50 m, 링 수 N_r = 4 로 설정한다. 고정된 위치라 상태 변화는 거의 없지만, 보상에 따라 최적 행동이 달라진다. - 보상 함수 Rₖₜ는 세 부분으로 구성된다. (a) 정규화 상수로 보상을 0~1 사이에 제한, (b) 실제 용량 Cₖₜ가 클수록 보상을 증가, (c) QoS 요구와의 차이를 벌점으로 부과해 최소 SINR를 보장한다. 이 설계는 공정성 유지와 계산 효율성을 동시에 달성한다. - 독립 학습 방식을 채택해 에이전트 간 직접 통신을 하지 않으며, 각 에피소드마다 Q‑값을 업데이트한다. 학습률 α=0.5, 할인율 γ=0.9, 최대 에피소드 5 만 회를 사용한다. 5. **시뮬레이션 설정** - 1 km²에 약 120개의 BS를 배치하고, 각 BS 주변 10 m 반경에 UE를 둔다. 모든 UE의 최소 SINR 요구는 qₖ = 2.83 (≈4.5 dB) 로 설정하였다. - 파라미터 β₁=72, β₂=2.92, 섀도잉 표준편차 ζ=8.7 dB, 잡음 전력 σ²=–120 dBm 등 실제 mmWave 환경을 반영하였다. 6. **결과** - **클러스터링**: 이벤트 기반 C++ 구현으로 각 BS를 독립 스레드로 시뮬레이션했으며, 전체 클러스터링이 15 초 이내에 수렴하였다. 클러스터 크기는 2~14개 BS로 다양했다. - **전력 할당**: 제안된 CDP‑Q와 기존 EXP‑Q(지수형 보상) 두 방식을 비교하였다. 두 방법 모두 QoS를 만족했지만, CDP‑Q는 클러스터 내 용량 편차가 작아 Jain 공정성 지수가 0.9 이상을 유지했으며, EXP‑Q는 클러스터가 커질수록 공정성이 급격히 저하되었다. - **합용량**: 모든 클러스터 규모에서 CDP‑Q가 EXP‑Q보다 높은 총 용량을 제공하였다. 이는 보상 함수가 용량을 직접적으로 촉진하도록 설계된 결과이다. 7. **결론 및 향후 과제** - CDP‑Q는 빠른 로컬 클러스터링과 모델‑프리 Q‑러닝을 결합해, 초밀집 mmWave 네트워크에서 분산형 전력 할당을 실현한다. - 제안 방법은 확장성, 자가 치유(self‑healing), 공정성 측면에서 5G 요구사항을 충족한다. - 그러나 학습 수렴 시간, 보상 파라미터 튜닝, 다중 안테나(MIMO)·빔포밍과 같은 고급 물리 계층 기술 통합, 실제 현장 테스트 등은 추가 연구가 필요하다.