버전 AoI 최적화: 전력·왜곡 제약을 고려한 업링크 NOMA 설계

본 논문은 실시간 모니터링 및 제어와 같이 최신 정보와 높은 품질이 동시에 요구되는 응용 분야를 목표로, 버전 Age of Information(VAoI)라는 새로운 신선도 지표를 도입한다. VAoI는 기존 AoI가 시간 차이를 측정하는 데 반해, “몇 개의 버전이 뒤처져 있는가”를 직접적으로 측정함으로써 업데이트가 도착했을 때만 감소하고, 전송이 없을 경우에는 증가한다는 특성을 갖는다. 이러한 특성은 업데이트의 완전성·품질을 별도로 고려할 수 있게 해준다. 시스템은 M명의 사용자와 하나의 베이스 스테이션으로 구성된 업링크 NOMA 환경을 가정한다. 각 사용자는 슬롯 시작 시 베르누이 확률 λ_i 로 새로운 버전 패킷을 받으며, 버퍼는 최신 패킷 하나만 보관한다(단일 패킷 버퍼). 사용자는 전송할 비트 수 ρ_i(t)∈{0,…,r_max}와 전력 f_i(t) 를 동시에 결정한다. 전송 품질은 일반 왜곡 함수 δ(ρ_i) 로 모델링되며, 이는 비트별 중요도(예: 메타데이터 vs. 정밀 데이터)를 자유롭게 반영하도록 비선형·비단조 형태를 허용한다. 채널은 블록 페이딩 모델을 사용해 슬롯마다 독립적으로 변하며, 각 사용자 i의 채널 이득 h_i(t) 는 유한 집합 H_i 에서 추출된다. NOMA에서는 모든 사용자가 동시에 전송하므로, 수신 측에서는 SIC( successive interference cancellation) 를 이용해 순차적으로 디코딩한다. 이때 MAC 용량 제약은 모든 비어 있지 않은 사용자 집합 S⊆M 에 대해 Σ_{i∈S} ρ_i ≤ g( Σ_{i∈S} f_i h_i ) 로 표현되며, 이는 2^M−1개의 부등식으로 구성된다. 목표는 장기 평균 VAoI를 최소화하면서, 각 사용자 i에 대해 평균 전력 ≤ \bar{P}_i 와 평균 왜곡 ≤ \bar{D}_i 를 만족시키는 정책 ϕ 를 찾는 것이다. 이를 수학적으로는 (3)식에 정리한다. 직접적인 최적화는 상태공간이 급격히 커지고, MAC 제약이 지수적으로 늘어나기 때문에 실용적이지 않다. 이에 저자는 VA‑Agnostic Stationary Randomized Policy(VA‑SRP)를 제안한다. VA‑SRP는 순간 VAoI를 관찰하지 않고, 채널 상태 h 에 대해 사전 정의된 확률 µ(h,ρ) 로 비트 벡터 ρ 를 선택한다. 전력 할당은 선택된 ρ 에 대해 라그랑주 승수 λ_i, μ_i 를 이용해 폐쇄형으로 계산된다. 라그랑주 이중분해를 적용하면, 원래 복합 최적화 문제가 각 채널 상태별 독립적인 서브문제로 분리되고, 각 서브문제는 선형 목적함수와 MAC 제약만을 포함한다. SIC 디코딩 순서는 전송 비트 수와 채널 이득을 기준으로 오름차순 정렬하면 최적임을 증명한다. 이는 O(M log M) 의 복잡도로 구현 가능하며, 기존 O(M!) 탐색을 완전히 대체한다. 성능 분석에서는 VA‑SRP가 전역 최적 정책 V_opt 와 비교해 평균 VAoI가 최대 2배 이하임을 정리한다(2‑approximation). 이는 라그랑주 이중문제의 최적값이 원문제의 최적값에 대한 상한을 제공함을 이용한 결과이다. 시뮬레이션에서는 다양한 파라미터 설정을 통해 NOMA와 TDMA를 비교한다. 전력 예산이 충분히 클 경우, NOMA는 거의 모든 슬롯에서 성공적인 전송을 수행해 VAoI가 0에 수렴한다. 반면 TDMA는 한 슬롯당 하나의 사용자만 전송할 수 있어, 전력 증가에도 불구하고 VAoI가 일정 수준에서 포화한다. 왜곡 함수 형태에 따른 영향도 분석했는데, 단계형 δ(·) (초기 비트에 높은 가중치를 부여) 를 사용할 경우, 적은 비트만 전송해도 품질 요구를 만족하면서 VAoI를 크게 낮출 수 있음을 확인했다. 결론적으로, 이 논문은 전력·왜곡 제약을 동시에 고려한 다중 사용자 NOMA 시스템에서 VAoI 최소화를 위한 이론적 프레임워크와 실용적인 알고리즘을 제공한다. 라그랑주 이중분해와 정적 무작위 정책을 결합함으로써 복잡도는 다항식 수준으로 낮추면서, 성능은 전역 최적에 근접한다는 점에서 학술적·실무적 의의가 크다.