에너지 효율적인 다중 접속 차량용 항공 지상 6G 네트워크 오케스트레이션

본 논문은 차세대 6G 차량 통신 환경에서 급증하는 데이터 요구와 초저지연 QoS를 동시에 만족시키기 위한 새로운 서비스 오케스트레이션 프레임워크를 제시한다. 서론에서는 현재 차량용 엣지‑클라우드 연속체가 직면한 문제점, 즉 고속 이동에 따른 서비스 지연, 스펙트럼·에너지 자원의 제한, 그리고 기존 UAV 기반 솔루션이 주로 반응형이며 서비스 배치와 MAC을 독립적으로 최적화한다는 한계를 지적한다. 이를 극복하기 위해 저자들은 UAV‑보조 항공‑지상 6G 네트워크를 모델링하고, 네트워크를 N개의 컴퓨팅 노드(코어, RSU, UAV)와 L개의 유·무선 링크로 구성한다. 각 노드 n은 처리 능력 pC_n과 에너지 예산 E_n을 갖고, 링크 l은 대역폭 pL_l과 전송 에너지 ξ_l을 가진다. 서비스 s는 다중 기능 F_s 로 구성된 복합 서비스이며, 각 기능은 특정 노드에 배치돼야 한다. 문제 정의에서는 이러한 요소들을 모두 포함하는 다중 시간 스케일 MINLP(혼합 정수 비선형 프로그램)를 수립한다. 장기(시간 프레임 t)에서는 UAV 궤적 변수와 서비스 배치 변수를 최적화해 전체 커버리지를 극대화하고 에너지 소비를 최소화한다. 중기 단계에서는 다중 접속 제어(MAC)와 채널 할당을 통해 간섭을 최소화하고 스펙트럼 효율을 높인다. 단기 단계에서는 실시간 트래픽 요청과 차량 이동을 예측해 라우팅 및 스케줄링을 동적으로 조정한다. 이러한 다중 스케일 구조는 변수 간 상호 의존성이 강해 전통적인 최적화 기법으로는 해결이 어려운 복합 문제를 만든다. 이를 해결하기 위해 제안된 해결책은 계층형 심층 강화학습(HDRL)이다. 상위 레벨 에이전트는 UAV 궤적과 서비스 배치를 담당하며, 장기 보상으로 전체 에너지 효율과 평균 지연을 사용한다. 하위 레벨 에이전트는 MAC 차원에서 채널 선택·전력 할당을 수행하고, 즉각적인 성공률과 간섭 최소화를 보상으로 설정한다. 두 레벨은 베이지안 예측 모듈을 공유해 차량의 이동 경로와 서비스 요청 도착률을 사전 예측한다. 이 예측은 강화학습이 단순히 현재 상태에 반응하는 것이 아니라 미래 상황을 선제적으로 대비하도록 만든다. 학습 과정에서는 경험 재플레이와 목표 네트워크를 활용해 안정성을 확보하고, 각 레벨의 정책은 교차 업데이트를 통해 상호 보완적인 최적화를 달성한다. 시뮬레이션 설정은 5km 구역 내 다중 UAV와 다수 RSU, 그리고 고속 이동 차량을 가정하고, 기존 연구에서 사용된 SCA 기반 최적화, 단일 DRL, 그리고 기존 HDRL 기반 SCOFT와 비교한다. 주요 평가지표는 요청 수용률, 전체 에너지 소비, 평균 종단‑종단 지연이다. 결과는 제안 프레임워크가 요청 수용률을 평균 12%p 상승시키고, 에너지 소비를 15%p 절감했으며, 평균 지연을 18%p 단축함을 보여준다. 특히 트래픽이 집중되는 피크 구간에서 UAV가 실시간으로 궤적을 재조정하고, 채널 재할당을 수행해 서비스 중단을 최소화한 점이 두드러진다. 논문의 주요 기여는 다음과 같다. 첫째, UAV 궤적, MAC, 서비스 배치를 하나의 통합 모델로 결합한 다중 시간 스케일 MINLP를 제시하였다. 둘째, 베이지안 기반 예측과 계층형 DRL을 결합한 HDRL 알고리즘을 설계해 장·단기 목표를 동시에 최적화하였다. 셋째, 시뮬레이션을 통해 에너지 효율과 초저지연 요구를 동시에 만족하는 실용적인 솔루션을 입증하였다. 마지막으로, 이러한 접근은 향후 6G 차량 네트워크에서 UAV와 지상 인프라가 협업하는 복합 서비스 오케스트레이션의 설계 기준이 될 가능성을 제시한다.