근거리 IoT 네트워크에서 위치 정보를 활용한 활성 사용자 탐지 기술

본 논문은 6G 시대의 대규모 안테나 배열과 고주파 대역 사용으로 확장되는 근거리(Near-field) 통신 환경에서, IoT 네트워크의 핵심 문제인 활성 사용자 탐지(AUD) 성능을 개선하는 방법을 연구합니다. 사용자 장치가 스포라딕하게 활동하는 그랜트-프리 랜덤 접속 환경에서, 기지국(BS)은 충돌 가능성이 있는 중첩된 업링크 신호로부터 어떤 사용자가 전송을 시작했는지를 정확히 탐지해야 합니다. 저자들은 사용자의 위치 정보가 Near-field에서 상대적으로 정확히 추정될 수 있다는 점(구면파 모델을 통한 위상 정보 활용)에 주목합니다. 시스템 모델은 BS를 원점으로 하는 반원형 배치 영역(Rayleigh 거리 내)에 N개의 단일 안테나 IoT 사용자가 분포하고, BS는 M개의 안테나 요소를 가진 균일 선형 배열(ULA)을 사용합니다. 채널은 릭(Rician) 페이딩으로 모델링되며, LoS 성분은 사용자와 각 안테나 요소 간의 정확한 거리로부터 계산된 위상을 포함합니다. 사용자는 역방향 전력 제어를 적용한 파일롯 시퀀스를 전송합니다. 핵심 제안 방법은 다음과 같습니다. BS가 보유한 사용자 위치 추정치(정적 사용자로부터의 보고 또는 이동 시 추정 알고리즘 통해 획득)를 이용해 LoS 채널 행렬(Ĥ_LoS)을 사전에 재구성합니다. 이후, 수신 신호 행렬(Y), 파일롯 시퀀스 행렬(Φ), 재구성된 LoS 채널 정보를 결합하여 AUD 문제를 희소성 복원 문제로 공식화합니다. 목적 함수는 수신 신호(Y)와 추정 신호(Φ * diag(x) * Ĥ_LoS) 간의 오차를 최소화하면서, 활성 사용자 표시 벡터(x)의 ℓ1-놈(희소성 촉진)과 ℓ2-놈(잠재적 오류 제어)을 정규화 항으로 포함하는 볼록 최적화 문제 형태를 띱니다. 이 문제는 Alternating Direction Method of Multipliers(ADMM) 알고리즘을 통해 효율적으로 해결됩니다. ADMM은 원변수(x)와 대리변수(z)를 분리하고, 라그랑지 승수를 도입하여 변수를 교대로 최적화하는 방식으로 동작합니다. 제안 방식(ADMM-LI)과 위치 정보를 사용하지 않는 기준 방식(ADMM)에 대한 폐쇄형 업데이트 식이 유도됩니다. 성능 평가는 Monte-Carlo 시뮬레이션을 통해 진행됩니다. 주요 평가 지표는 활성 사용자 집합을 정확히 식별하는 확률인 탐지 정확도(Detection Accuracy)입니다. 실험 결과, 완벽한 위치 정보와 강한 LoS 환경에서 제안 방식이 기준 방식을 상당히 큰 폭으로 능가함을 확인했습니다. 또한, 사용자 총수(N) 증가, 활성 사용자 수(K) 증가, 안테나 수(M) 증가와 같은 조건에서 제안 방식의 상대적 이점이 두드러졌습니다. 반면, 파일롯 길이(T)가 매우 길거나 위치 추정 오차가 클 경우 기준 방식이 더 나은 성능을 보일 수 있음이 나타났습니다. 강건성 분석을 통해 위치 추정에 오차가 있더라도, 그 오차가 시스템 파라미터(주파수, 배열 크기 등)로부터 유도된 특정 경계 내에 머무를 경우 제안 방식의 성능 이득이 유지됨을 입증했습니다. 이는 제안 방법이 실용적인 환경에서도 적용 가능함을 시사합니다.