협업 안전 베이지안 최적화

본 논문은 급변하는 트래픽 수요와 전파 품질을 고려해 모바일 네트워크 파라미터를 안전하게 최적화하는 방법을 제시한다. 기존의 규칙 기반 튜닝이나 대규모 오프라인 학습이 필요한 강화학습(RL) 방식은 복잡한 5G·6G 환경에서 적용이 어려우며, 안전 제약을 보장하기 어렵다는 문제점이 있다. 이러한 배경에서 저자들은 베이지안 최적화(Bayesian Optimization, BO)의 안전 버전인 Safe BO를 모바일 네트워크에 최초로 적용하고, 이를 확장한 협업 안전 베이지안 최적화(CoSBO) 알고리즘을 개발하였다. 논문은 먼저 가우시안 프로세스(GP)를 사용해 성능 함수 f와 안전 제약 함수 g_i를 확률적 서프라이즈 모델링한다. GP는 관측된 데이터(노이즈가 포함된 성능·안전 측정값)를 기반으로 사후 평균과 분산을 제공하며, 이를 통해 새로운 파라미터 후보가 안전 제약을 만족할 확률을 추정한다. Safe BO는 초기 안전 집합 S₀를 전제로, 안전 집합을 점진적으로 확장하면서 탐색(Exploration)과 활용(Exploitation) 사이의 균형을 맞춘다. 그러나 초기 안전 집합이 작거나 위치가 부적절하면 탐색이 제한되어 최적점에 도달하기 어렵다. CoSBO는 이러한 초기화 문제를 해결하기 위해 ‘협업 초기화 전략’을 도입한다. 네트워크 내 여러 안테나·셀을 각각 독립적인 최적화 에이전트로 보고, 이들 간의 성능·안전 특성 유사성을 측정한다. 구체적으로, 보조 파라미터 공간 X_B(예: 수평 빔폭)에서 메인 에이전트와 협업 후보들의 관측 데이터를 이용해 Pearson 상관계수를 계산한다. 가장 높은 상관을 보이는 협업자를 선택하고, 해당 협업자의 GP 사후 분포에서 상위 k개 샘플(기본값 10)을 추출해 메인 에이전트의 초기 GP 모델에 삽입한다. 이 과정은 메인 에이전트가 아직 직접적인 데이터를 갖지 않은 상황에서도, 유사한 환경에서 얻은 정보를 활용해 초기 모델의 불확실성을 크게 감소시킨다. 알고리즘 흐름은 다음과 같다. (1) 도메인 지식 기반으로 초기 안전 집합 S₀를 정의한다. (2) 협업자 선정 및 데이터 전이 과정을 수행한다. (3) 전이된 데이터를 포함한 GP 모델을 학습한다. (4) SafeOpt‑MC의 탐색·활용 기준(Lower Confidence Bound, Upper Confidence Bound 등)을 적용해 다음 평가 후보 x_t를 선택한다. (5) 선택된 후보가 GP 기반 안전 신뢰구간을 만족하는지 검증하고, 실제 네트워크에서 평가한다. (6) 새로운 관측값을 GP에 업데이트하고, 안전 집합을 확장한다. 이 사이클을 반복하면서 도달 가능한 안전 영역 R_ε(S₀) 내에서 최적 성능을 탐색한다. 실험은 시뮬레이션 기반 모바일 네트워크 환경을 구축해 두 가지 파라미터(전기 기울기와 수평 빔폭)를 각각 목표 함수와 안전 제약으로 설정하였다. 성능 함수 f는 사용자 커버리지·간섭·스루풋 등을 종합한 지표이며, 안전 제약 g는 최소 RSRP(신호 강도) 기준을 만족하는 사용자 비율로 정의된다. 실험에서는 CoSBO와 기존 SafeOpt‑MC를 비교했으며, CoSBO는 초기 협업 데이터를 활용해 평균 15~20회의 평가만에 높은 성능을 달성했다. 반면 SafeOpt‑MC는 초기 안전 집합이 작아 평균 30~40회의 평가가 필요했고, 경우에 따라 지역 최적에 머물렀다. 또한, 협업자 선택이 부적절할 경우(상관도가 낮은 경우) 성능 향상이 제한되지만, 전체 실험에서 평균적인 이득이 확연히 나타났다. 논문의 주요 기여는 다음과 같다. 첫째, 모바일 네트워크 분야에 안전 베이지안 최적화를 최초로 적용해, 실시간 파라미터 튜닝 시 안전 보장을 이론적으로 증명하였다. 둘째, 다중 에이전트 간 데이터 전이를 통한 협업 초기화 전략을 제안해, 초기 샘플 효율성을 크게 향상시켰다. 셋째, 공개된 GitHub 레포지토리를 통해 알고리즘 구현 코드와 시뮬레이션 데이터셋을 제공함으로써 재현성을 확보하였다. 한계점으로는 협업자 선정이 사전 데이터에 크게 의존한다는 점과, 실제 현장 적용 시 데이터 프라이버시·통신 지연 문제를 어떻게 다룰지에 대한 논의가 부족하다는 점을 들 수 있다. 향후 연구에서는 동적 협업자 업데이트, 프라이버시 보호를 위한 연합 학습(Federated Learning) 기법 도입, 그리고 실제 5G·6G 현장 시험을 통한 검증이 필요하다.