무선 KPI와 QoE를 연결하는 신뢰성 보장 STL 학습 프레임워크

본 논문은 소프트웨어 정의 라디오 액세스 네트워크(RAN), 특히 Open RAN(O‑RAN) 환경에서 발생하는 방대한 KPI 시계열 데이터를 고수준 사용자 경험(QoE) 요구와 연결하는 방법론을 제시한다. 기존 연구는 KPI와 QoE 사이의 통계적 상관관계를 모델링하거나, 블랙박스 머신러닝을 적용해 예측 정확도만을 강조했지만, 무선 통신 시스템에서는 정책 적용 전 검증 가능하고, 인간이 이해할 수 있는 해석 가능성이 필수적이다. 이를 위해 저자들은 신호시계열 논리(STL)라는 형식 언어를 선택한다. STL은 원자적 부등식(aᵀx > b)과 시간 연산자(□, ♢)를 조합해 “레이트는 5 TTI 내에 50 Mbps를 초과한다”와 같은 직관적인 규칙을 기술한다. STL의 강점은 정량적 로버스트니스(robustness) 점수를 통해 만족 여부를 실수값으로 평가할 수 있어, 기존 손실 함수와 자연스럽게 결합할 수 있다는 점이다. 하지만 기존 STL 학습(STLL) 기법은 후보 공식을 탐색하고 최적화하는 과정에서 과적합 위험을 내포한다. 학습 데이터에만 잘 맞는 공식이 실제 운영 환경에서 크게 성능을 떨어뜨릴 수 있다. 이를 보완하기 위해 논문은 ‘Conformal STL Learning(C‑STLL)’이라는 프레임워크를 고안한다. C‑STLL은 두 단계로 구성된다. 1. **STL 후보 생성 단계**: 임의의 기존 STLL 알고리즘(예: 유전 알고리즘, 그라디언트 기반 최적화)을 블랙박스로 사용해 라벨이 부여된 KPI 트레이스(양성 = QoE 만족, 음성 = QoE 불만족)로부터 후보 STL 공식 ϕ₁, ϕ₂,…을 순차적으로 생성한다. 각 공식은 로버스트니스 기반 손실을 최소화하도록 설계된다. 2. **컨포멀 캘리브레이션 단계**: 생성된 후보에 대해 Learn‑Then‑Test(LTT) 프레임워크를 적용한다. LTT는 ‘학습(learn)’ 단계에서 후보를 만든 뒤, ‘검정(test)’ 단계에서 검증 데이터에 대한 정확도와 위험을 평가한다. 여기서 위험은 ‘정확도 목표(1‑ε)를 달성하지 못한 공식이 선택될 확률’로 정의된다. 다중 가설 검정 기법(예: Holm‑Bonferroni)을 사용해 각 후보의 p‑값을 보정하고, 사전에 지정한 위험 허용도 δ보다 작을 때까지 후보를 수용한다. 이 과정에서 저자들은 세 가지 추가 제약을 도입한다. 첫째, **공식 복잡도**를 비용 함수에 포함해 연산자 수·시간 구간 길이가 과도한 공식은 자동으로 거부한다. 둘째, **다양성**을 확보하기 위해 후보 간 Jaccard 거리 등을 측정해 중복성을 최소화한다. 셋째, **위험 제어**를 명시적으로 목표함수에 반영해, 최종 반환된 공식 집합 S가 “적어도 하나는 목표 정확도 1‑ε를 만족한다”는 확률이 1‑δ 이상임을 수학적으로 증명한다. 실험은 ns‑3 시뮬레이터를 이용해 모바일 게임 트래픽 시나리오를 구현했다. KPI로는 사용자별 스루풋, 레이턴시, 패킷 손실률을 수집하고, 게임 프레임 드롭률과 응답 지연을 QoE 라벨링에 사용했다. 데이터는 10 000개의 트레이스로 구성되었으며, 70 %를 학습, 30 %를 검증에 할당했다. 실험 결과, C‑STLL은 위험을 0.05 이하로 유지하면서 평균 정확도 0.92, 평균 공식 길이 7(연산자 기준)라는 성능을 달성했다. 위험 허용도를 0.01로 낮추면 공식 길이가 약간 늘어나지만 정확도는 0.95 수준을 유지했다. Ablation 실험에서는 (i) 캘리브레이션 없이 순수 STLL을 적용했을 때 위험이 0.18까지 상승하고, (ii) 복잡도 제어를 제거했을 때 공식 평균 길이가 15로 증가해 실시간 정책 적용이 어려워지는 것을 확인했다. 논문은 또한 C‑STLL이 O‑RAN의 xApp/​rApp 생태계에 직접 적용될 수 있음을 논의한다. 운영자는 반환된 공식 집합을 검증·수정해 정책 엔진에 삽입하고, 컨포멀 보장을 통해 SLA 위반 위험을 사전에 정량화할 수 있다. 향후 연구 방향으로는 다중 클래스 QoE(예: 3‑레벨 만족도) 확장, 온라인 스트리밍 데이터에 대한 실시간 업데이트, 그리고 다른 형식 언어(예: TLA⁺)와의 비교를 제시한다. 요약하면, C‑STLL은 KPI 기반 무선 네트워크 관리에서 **해석 가능성, 통계적 신뢰성, 정책 적용 가능성**을 동시에 만족시키는 최초의 프레임워크이며, 무선 시스템의 자동화·신뢰성 향상에 중요한 기여를 한다.