통합 베이즈 학습 기반 스택헬러·GNE·다중계층 전략을 활용한 보안·에너지 효율 ISAC‑MIMO 프레임워크

** 본 논문은 차세대 mmWave·THz 대역 통합 센싱·통신(ISAC) 네트워크가 직면한 물리계층 보안(Physical Layer Security, PLS), 에너지 효율, 그리고 센싱 품질 간의 상충 문제를 해결하기 위해 ‘iBEAMS’라는 통합 프레임워크를 제안한다. iBEAMS는 세 개의 계층으로 구성된 하이브리드 게임 이론 모델이며, 각각 스택헬러(Stackelberg) 리더, 일반화 내시 균형(Generalized Nash Equilibrium, GNE) 팔로워, 베이즈(Bayesian) 협동 재밍 정제 단계로 이루어진다. **1) 시스템 모델** 단일 셀 TDD 다운링크 환경을 가정하고, 중앙에 ISAC 베이스스테이션(IBS)과 다수의 하이브리드 엣지 노드(HN), 그리고 다수의 정적·동적 적(Eve)이 존재한다. 대규모 안테나 어레이와 부분 연결 하이브리드 프리코딩을 사용해 N_IBS_T개의 송신 안테나와 N_RF개의 RF 체인을 구성한다. 채널은 3GPP TR 38.901 기반의 대규모 경로 손실·섀도잉 모델과 Rician 소규모 페이딩을 결합한 near‑field 모델을 적용한다. 각 노드의 안테나는 ULA 구조이며, 배열 응답 및 스티어링 벡터는 표준 수식(2)–(7)을 따른다. **2) 계층 1 – 스택헬러 리더** IBS는 전체 전송 전력 P_total을 제한받으며, 이를 비밀 데이터(α), 인공 잡음(β), 센싱(γ) 세 파트로 분할한다. 베이즈 추론을 통해 적의 AoA 사후분포와 엔트로피를 지속적으로 업데이트하고, 이 정보를 기반으로 ‘가격(π, τ, ζ)’을 방송한다. 가격은 각각 누설 페널티, 전력 비용, 센싱 비용을 의미한다. 효용 함수는 SEE = (Secrecy Rate) / (Total Power) 를 최대화하도록 설계되었으며, 라그랑주 승수와 교차 최적화를 통해 전역 최적 해를 찾는다. **3) 계층 2 – GNE 기반 하이브리드 노드** 각 HN은 리더가 제공한 파워 스플릿과 가격을 고정 인자로 받아, 자신의 전송 전력 p_i와 전송/재밍 역할 변수 r_i∈{0,1}을 선택한다. 효용 함수는 U_i = λ·SecrecyBenefit_i – μ·p_i – ν·LeakagePenalty_i 형태이며, 여기서 λ, μ, ν는 가격에 의해 결정된다. 모든 HN은 공동 전력 제한 Σp_i ≤ P_total·(1‑γ)와 간섭 제한을 만족해야 하며, 이러한 제약 하에서 각각의 최적 전략을 찾는 것이 GNE 문제이다. 논문은 변분 라그랑주 방법과 베스트‑리스폰스 다이내믹스를 결합해 수렴성을 증명하고, 시뮬레이션에서는 5~10회 반복으로 안정적인 GNE에 도달함을 보였다. **4) 계층 3 – 베이즈 협동 재밍 정제** GNE 단계에서 얻은 초기 재밍 배치는 베이즈 사후분포를 이용해 재조정된다. 적의 AoA 사후분포 p(θ|measurements)와 엔트로피 H(p) 를 계산하고, 가장 높은 확률을 가진 방향 θ*에 대해 ‘재밍 연합’을 형성한다. 연합 내에서는 기하학적으로 θ*에 가장 근접한 HN이 주 재밍 역할을 수행하고, 다른 노드들은 파워를 재분배하거나 보조 재밍으로 전환한다. 이 과정은 비밀 전송률이 수렴할 때까지 반복되며, 결과적으로 에너지 소모를 최소화하면서도 적에 대한 빔 차단 효과를 극대화한다. **5) 성능 평가** 시뮬레이션은 28 GHz, 60 GHz, 140 GHz, 300 GHz, 3 THz 등 5가지 주파수 대역에서 수행되었다. 주요 지표는 평균 비밀 전송률, 비밀 에너지 효율(SEE), 아웃age 확률, 그리고 재밍 빔의 지향성이다. iBEAMS는 평균 비밀 전송률 4.4~4.7 bps/Hz를 달성했으며, 고정 AN 기반 베이스라인 대비 SEE가 약 2배 향상되었다. 또한 스택헬러 단일 의사결정 기반 베이스라인 대비 SEE가 30~70 % 상승했으며, 28 GHz에서는 0 % 아웃age를 기록했다. 모바일 적이 이동해도 베이즈 기반 AoA 추정이 빠르게 업데이트되어 재밍 빔이 실시간으로 재조정되었고, 적 밀도가 증가해도 비밀 전송률 저하가 미미했다. **6) 논문의 의의와 한계** iBEAMS는 (i) 스택헬러, GNE, 베이즈 추론을 하나의 계층형 게임으로 결합한 최초의 ISAC‑PLS 프레임워크, (ii) 베이스스테이션이 베이즈 사후 정보를 활용해 동적으로 파워 스플릿과 인센티브를 조정함으로써 에너지 효율을 크게 향상시킨 점, (iii) 지오메트리‑지향 재밍 연합을 통해 적의 이동성에 강인한 재밍을 구현한 점에서 혁신적이다. 그러나 베이즈 사후 업데이트가 충분히 정확하려면 고정밀 센싱이 필요하고, 대규모 네트워크에서 GNE 계산 복잡도가 급증할 수 있다. 향후 연구는 (a) 분산 베이즈 필터와 딥 강화학습을 결합해 실시간 사후 추정 속도 개선, (b) 비정형 토폴로지와 다중 셀 환경에 대한 확장성 검증, (c) RIS·반사형 표면 등 추가 물리적 보조수단과의 통합을 제안한다. **