벡터 유사성 검색으로 무선 성능 극대화: 대규모 MIMO에서 지능형 MCS 선택 기술

이 논문은 5G NR 및 차세대 무선 시스템의 핵심 기술인 대규모 다중 사용자 MIMO-OFDM 상향링크에서, 변조 및 코딩 방식(MCS) 선택의 정확성과 효율성을 혁신적으로 개선하는 프레임워크를 제안합니다. 기존 방식은 선형 검출기(LMMSE 등)에 기반하여 분석적으로 신호대간섭잡음비(SINR)와 상호 정보(MI)를 예측했으나, 기대 전파(EP)와 같은 고성능 반복적 검출기의 경우 그 수렴 행동을 사전에 예측하기 어려워, 검출기 성능 향상이 시스템 처리량 개선으로 이어지지 않는 문제가 있었습니다. 논문은 이 문제를 해결하기 위해 두 가지 주요 기술을 개발하고 통합합니다. 첫 번째는 벡터 유사성 검색(VSS) 기반 MI 예측 기법입니다. 이 방법은 오프라인 단계에서 다양한 채널 조건(CSI 행렬 및 평균 SNR)을 특징 벡터로 변환하고, 해당 조건에서 EP 검출기를 통해 실제 전송 실험으로 얻은 정확한 MI 값을 함께 대규모 벡터 데이터베이스(VDB)에 저장합니다. 온라인 운영 시, 현재 채널 추정치로부터 생성된 특징 벡터에 대해, GPU에서 고속으로 실행되는 근사 최근접 이웃(ANN) 검색 알고리즘을 적용하여 VDB 내 가장 유사한 과거 채널의 MI 값을 조회합니다. 이를 통해 반복 검출기의 복잡한 이득을 데이터 기반으로 정확히 포착한 초고속 MI 예측이 가능해집니다. 두 번째는 5G NR 표준의 MCS에 맞춘 정확한 블록 오류율(BLER) 예측 모델 구축입니다. 각 MCS 인덱스에 해당하는 채널 부호화기의 디코딩 특성을 외부 정보 전달(EXIT) 곡선으로 분석합니다. EXIT 곡선은 디코더 입력 MI와 출력 MI의 관계를 나타내는데, 저자들은 출력 MI를 사후 디코딩 BLER로 매핑하는 함수를 도출함으로써, 예측된 MI 값만으로도 목표 BLER을 만족하는지 여부를 판단하고 최적의 MCS를 선택할 수 있는 체계를 마련했습니다. 이 두 요소를 결합한 최종 MCS 선택 프레임워크는 다음과 같이 동작합니다: 1) 각 사용자(UE)에 대해 추정된 CSI와 평균 SNR로 특징 벡터 생성, 2) VSS를 통해 각 변조 방식별 예측 MI 계산, 3) EXIT 기반 변환 함수를 이용해 예측 MI에서 예상 BLER 도출, 4) 목표 BLER(예: 10%) 조건을 만족하는 가장 높은 전송 효율(MCS 인덱스)을 각 UE에 할당. 성능 평가는 5G NR 규격을 준수하는 설정 하에 진행되었습니다. 시뮬레이션 결과, 제안된 VSS-EXIT 통합 프레임워크는 기존의 SINR 기반 예측 방식을 사용한 경우보다 전체 시스템 처리량과 개별 사용자 처리량 모두에서 현저한 향상을 보였습니다. 이는 EP 검출기로 인한 링크 레벨 성능 이득이 스마트한 MCS 선택을 통해 시스템 레벨 성능 이득으로 효과적으로 전환되었음을 입증합니다. 또한, 논문은 동적 시스템 레벨 시뮬레이션을 통해 채널 통계의 장기적 변화, 외부 루크 링크 적응(OLLA)과의 통합, 자원 할당 스케줄링과의 연동 등 실제 배포 환경에서의 실현 가능성과 강건성도 추가로 논의하며 제안 기술의 실용적 가치를 부각시킵니다.