반갑습니다.

SKT AI Fellowship 6기에서 5G Green AI Algorithm 개발 연구 과제를 진행하게 된 ASAP 팀입니다.

AI Solutions for A Planet(ASAP)은 지구를 위한 AI 솔루션을 개발하겠다는 각오를 다짐하며 지은 팀명입니다. 이와 더불어 주어진 일을 신속하고 실수없이 처리하겠다는 의미도 포함하고 있습니다.

본 포스트에선 ASAP이 맡은 과제에 대한 연구 내용과 계획에 대해 소개드리겠습니다.

1. 과제 추진 배경

정보통신기술(ICT)의 발전은 현대인의 삶의 질을 크게 향상시켰습니다. 그러나 이러한 발전은 지구 환경에 큰 영향을 끼치고 있는데요. ICT 부문은 지구 전체 탄소 배출량의 약 2~3%를 차지하고 있으며, 이는 항공 산업과 비슷한 수준이라고 합니다. ICT 기술 분야의 탄소배출량에서 저희 팀의 연구 분야인 기지국(base station)은 큰 비중을 차지하고 있습니다.

ASAP 팀은 'cell on/off' 기술의 개발과 적용을 연구하여 이러한 문제를 해결하는데 기여하고자 합니다. 본 연구를 통해 트래픽이 낮은 시간대에 기지국의 일부를 비활성화함으로써 에너지를 절약하고 탄소 배출을 줄일 수 있습니다.

2. 연구 목표

Non-ML, ML, DL 알고리즘을 개발하여 아래 그림에서 설명하고 있는 SKT 테스트베드에 성능을 검증하고 기지국 에너지 절감을 통해 탄소 배출량을 줄이는 것이 ASAP팀의 최종 목표입니다.

2.1 개발 예정 알고리즘

2.1.1 Non-ML 알고리즘

• 통계 기반 제어: 변동성을 모니터링하여 트래픽이 낮은 시간에 자동으로 기지국을 비활성화할 최적의 타이밍을 결정합니다.

• 선형 프로그래밍: 자원 배분을 최적화하여 에너지 사용을 최소화하며 기지국을 효율적으로 켜고 끕니다.

• 엔트로피 기반 방법: 데이터로부터 가능한 한 많은 정보를 추출하여 가장 높은 엔트로피를 가진 확률 분포를 찾습니다. 이를 통해 주어진 데이터 내에서 가장 균일한 분포를 찾아 예측합니다.

  • 간단하게 동전이 앞면이 나올지 뒷면이 나올지 예측하는 방법을 예로 들 수 있습니다.

• 몬테카를로 시뮬레이션: 불확실한 트래픽 예측을 기반으로 여러 전략 중 최적의 기지국 운영 전략을 선택합니다.

아래의 그림은 SKT가 기존에 구축한 엔트로피 기반 방법에 관한 자료입니다.

2.1.2 ML 알고리즘

• 결정 트리와 랜덤 포레스트: 데이터 패턴을 학습하여 셀의 작동 상태를 예측하고, 트래픽 변화에 적응하는 동적인 결정을 내립니다.

• SVM: 트래픽 데이터의 복잡한 경계를 분석하여 최적의 셀 활성화/비활성화 타이밍을 결정합니다.

• K-nn: 유사한 트래픽 패턴을 가진 과거 데이터를 기반으로 현재의 셀 상태를 조정합니다.

• Adaboost: 다수의 결정 모델을 결합하여 트래픽 예측의 정확도를 높이고 셀 관리를 최적화합니다.

아래의 그림은 본 연구팀이 5G Green AI 알고리즘 개발과 유사한 과제를 진행하며 cell on/off에 쓰이는 트래픽 예측을 위해 구축한 ML 프레임워크입니다.

2.1.3 DL 알고리즘 + 경량화

2.1.3.1 DL 알고리즘

• Actor-Critic: 시행착오를 통해 최적의 셀 온/오프 전략을 스스로 학습하고 적용합니다. 이를 통해 기지국의 운영을 동적으로 최적화하고, 변화하는 환경에 효과적으로 대응할 수 있습니다.

2.1.3.2 모델 경량화

• Prunning: 신경망에서 비활성 또는 중요도가 낮은 뉴런을 제거하여 모델 크기를 줄입니다.

• Quantization: 신경망의 가중치와 활성화 함수를 낮은 비트 정밀도로 변화하여 계산 부하를 감소시킵니다.

• Modular Design: 모델을 작은 독립적인 모듈로 분할하여 각각 최적화함으로써 전체 모델의 호율을 향상시킵니다.

• Architecture Optimization: 효율적인 구조 설계를 통해 필요한 연산과 파라미터 수를 줄입니다.

아래의 그림은 모델 경량화 과정을 적용한 DL 알고리즘을 간단하게 설명한 그림입니다.



ASAP 팀은 Non-ML, ML, 그리고 DL 알고리즘들을 개발하여 기지국의 온/오프 전략을 최적화할 계획입니다. Non-ML 알고리즘이 가장 단순한 복잡도를 가지고 있어 기본 비교 대상으로 설정합니다. 이를 통해 ML과 DL의 효율성을 평가할 수 있습니다. 특히, DL 알고리즘에는 경량화 기법을 적용하여 ML 수준의 복잡도와 성능으로 최적화하는 것을 하나의 중요한 목표로 설정하였습니다.

2.2 성능 검증 지표

• 에너지 절감 효율: 각 알고리즘으로 얼마나 에너지 소비가 감소하는지 확인합니다.

• 알고리즘 복잡도: 구현 및 유지보수의 복잡성을 평가합니다.

• 비용 대비 효과: 알고리즘 실행에 필요한 비용과 얻는 이득을 정량화하여 비교 분석합니다.

• 탄소 배출량: OSS 지표를 통해 각 알고리즘이 배출하는 탄소 배출량을 측정합니다.

3. 연구 계획

4. 팀 소개

팀원은 김건, 이성진, 홍현오로 학교는 다르지만 같은 연구실에서 공부하며 다수의 과제와 공모전에 참가한 경험이 있습니다.

ASAP 팀의 핵심가치는 신속함, 책임감, 임팩트입니다. 멘토님들의 의견을 적극적으로 반영하여 임팩트를 남길 수 있는 연구를 진행하겠습니다.