반갑습니다.

SKT AI Fellowship 6기, D-14 5G Green AI Algorithm 개발을 연구중인 ASAP 팀입니다.

SKT T타워에서 OT를 한 것이 엊그제 같은데 벌써 중간발표가 완료되었습니다 :)

이번 포스트에서는 ASAP팀이 중간 발표 전까지 어떤 연구를 진행하였고, 최종 발표까지 남은 기간에는 어떠한 점들을 보완해 나가며 연구를 개선시킬 것인지 공유하겠습니다.

1. 연구 소개 및 목표

1.1 연구 소개

전 세계 이동통신 수요가 급격히 증가해왔고, VR, V2X, 스마트 팩토리, UAV 등 다양한 분야로 이동통신 use case가 확대되며 통신 수요는 기하급수적으로 증가하고 있습니다.

현재 통신 네트워크에서 사용되는 에너지가 전 세계에서 소비되는 에너지의 3%를 차지하고 있습니다[1].

이 중 데이터 전송 외에 열 손실이나 비효율적인 시스템 운영으로 인해 낭비되는 에너지가 85%이고, 통신 네트워크 운영 비용의 20%에서 40%가 전력 소비에 지출되고 있습니다[1].

위의 그래프는 네트워크 트래픽이 감소하더라도 에너지 소비량이 그에 비례하여 크게 감소하지 않는다는 점을 보여주고 있습니다[2].

트래픽이 약 75%~80% 감소하는 반면, 에너지 소비량은 15%~20% 정도만 감소하는 것을 확인할 수 있습니다.

이는 트래픽이 감소해도 여전히 많은 양의 에너지가 사용되며, 결과적으로 에너지의 일부가 낭비되고 있음을 의미합니다.

1.2 연구 목표

ASAP팀의 목표는 트래픽이 적은 시점에 불필요한 에너지 사용을 최소화하고자

• 트래픽을 감당할 수 있는 만큼,

• 유저의 통신 품질에 영향을 미치지 않는 범위 내에서,

기지국을 sleep 시켜 에너지를 절약하고자 합니다.

2. 연구 진행 상황

2.1 문제 인식

연구팀이 사용한 데이터는 15분 간격으로 측정된 데이터로, 각 셀의 용량과 유저 트래픽을 포함하고 있습니다.

이 데이터를 바탕으로 시간 단위로 셀을 작동시킬지 아니면 sleep 상태로 전환할지를 결정하게 됩니다.

work와 sleep 상태가 빈번하게 변경될 경우, 잦은 핸드오버와 오프로딩이 발생하여 네트워크 품질 저하를 유발할 수 있습니다.

셀이 sleep 상태로 전환되면 해당 셀에 연결된 단말이 같은 eNodeB의 다른 셀로 이동해야 정상적인 통신 서비스가 가능합니다.

이 때, 단말이 동일한 주파수 대역의 다른 eNodeB로 셀로 오프로딩 될 경우, 네트워크 품질이 저하되는 문제가 발생합니다.

2.2 알고리즘 개발

ASAP팀은 시간 단위로 셀의 상태를 결정하고, 이를 기반으로 cell sleep의 타임 윈도우를 설정하고자 합니다. 셀의 상태를 결정하는 접근 방식은

1. 통계적 접근

2. 지도학습

3. 강화학습

세 가지로 나누어 연구하였습니다.

2.2.1 통계적 접근

엔트로피 기법을 사용하여 시간대별 셀의 절약 가능 여부를 분석했습니다.

엔트로피: 불확실성의 양을 나타내는 지표

셀의 sleep 가능 확률을 산출한 후, 이를 기반으로 각 시간대별 엔트로피를 계산하였습니다.

• 엔트로피 UP: 셀의 Sleep 가능 확률 감소

• 엔트로피 DOWN: 셀의 Sleep 가능 확률 증가

엔트로피 기법을 통해 셀의 동작 여부를 확률적으로 예측할 수 있으며, 불확실성이 높은 구간을 식별하여 추가적인 주치가 필요할 수 있는 부분을 사전에 파악할 수 있습니다.

2.2.2 지도학습

셀의 sleep 상태를 결정할 때 threshold를 넘었는지의 여부를 이용합니다.

이 threshold는 셀의 용량과 트래픽 수준을 고려하여 설정되며, 트래픽이 셀 용량의 특정 수준을 초과하면 사용자 품질의 저하됩니다.

Threshold는 원래 사용자의 경험적 데이터를 바탕으로 설정되지만, 이를 더 최적화하기 위해 CFAR(Constant False Alarm Rate) 방식을 도입해 보았습니다.

CFAR은 False Alarm Rate를 활용해 최적의 threshold를 찾아내는 기법입니다.

위의 수식에서 볼 수 있듯이 PFA를 통해 감마(threshold)를 계산할 수 있습니다.

이 값을 바탕으로 셀 상태를 결정하게 됩니다. 결정된 셀 상태를 활용하여 데이터 라벨링을 진행하고, 이를 지도학습 모델에 학습시키고자 합니다.

2.2.3 강화학습

모델이 셀의 상태를 예측하여 결정하게 되면, 셀의 용량(RB_Total)이 정해집니다.

이를 바탕으로 용량 대비 트래픽의 비율인 RB_Utilization을 계산할 수 있습니다.

이를 이용하여 RB_Utilization과 threshold를 비교하여 reward를 부과하는 방식으로 모델을 학습시켜 나가 최적의 제어 정책을 찾고자 하였습니다.

2.3 시각화

2.3.1 기지국 트래픽 분류

트래픽 패턴을 분석하여 얻은 주요 특징들을 바탕으로 셀들을 분류하였습니다.

일주일간의 트래픽 변화량, 평일과 주말의 트래픽 피크 시점, 그리고 두 기간 간의 트래픽 차이를 분석했습니다.

이러한 기준을 바탕으로 비지도 학습 기법인 K-Shape 클러스터링을 활용해 트래픽 패턴의 유사성을 기준으로 셀들을 분류했습니다.

위의 그래프는 클러스터 중 하나인 "공장/회사"입니다. 주중과 주말의 트래픽 패턴이 뚜렷하게 구분되는 것이 특징입니다.

평일 낮 시간대에는 트래픽이 높게 형성되지만, 주말에는 트래픽이 크게 감소하는 것을 확인할 수 있습니다.

이와 같이 기지국들을 여러개의 클러스터로 분류 후, 클러스터마다 학습을 진행할 예정입니다.

2.3.2 대시보드

셀들의 상태와 일일 타임 윈도우를 시각화하는 대시보드 TONIC을 개발중에 있습니다.

위에 보이는 타임 윈도우는 알고리즘이 완성되면 일정한 패턴을 보이며 규칙적으로 나타날 것으로 예상하고 있습니다.

3. 계획

3.1 알고리즘 검증

개발 알고리즘을 부산 PoC 사이트에 적용해 볼 예정입니다. 이를 통해

• 에너지 소비량 변화 추세 파악

• 에너지 비용, 탄소 배출량 정량적 산출

  을 실현할 계획입니다. 최종적으로 정량적인 결과를 바탕으로 알고리즘을 비교하고, 성능 측면과 에너지 절감 측면에서의 성과를 평가해 볼 계획입니다.

3.2 달성 목표

ASAP팀이 달성하고자 하는 목표는 아래와 같습니다.

3.3 피드백 정리

1. Deep Learning의 복잡도를 포함하여 알고리즘별 객관적 비교를 추가

2. 추천 결과를 망운용에 어떻게 적용할 수 있는지 제시

3. 다양한 모델을 검토한 배경 및 예상 효과 정리 필요

4. Power saving 뿐 아니라 기지국을 Off 하였을 때의 품질에 대한 분석 제시

3.4 향후 계획

피드백을 반영하여 아래의 방향으로 연구를 발전시켜 나가겠습니다.

[SKT OSS]

• 개발 알고리즘이 적용되는 방법에 대한 이해 필요

• SKT OSS에 대한 이해도를 높여 vendor보다 operator에 적합한 알고리즘 개발

• 셀 상태와 관련된 SKT OSS 데이터셋을 추가로 받아 알고리즘 개선

[모델 평가]

• 알고리즘의 계산 복잡도, 소모 자원 정량적 비교 필요

• 딥러닝을 제외하지 말고 비교 후, 가벼운 알고리즘의 타당성을 검증

• 사용 모델들의 특성을 정량적으로 측정

[대시보드]

• 셀의 상태 변화를 보여줄 수 있게 시각화 개선 필요

Reference

[1] Mckinsey, https://www.mckinsey.com/industries/technology-media-

and-telecommunications/our-insights/the-growing-imperative-of-energy-

optimization-for-telco-networks, accessed: 23 Feb 2024.

[2] Tupl, Energy Savings: a key challenge and opportunity in Mobile Networks