DEVOCEAN

반갑습니다.

AI Fellowship 6기에서 "5G Green AI Algorithm 개발"을 주제로 연구를 진행한 ASAP 팀입니다.

Fellowship 기간 동안 개발 목표 달성을 위해 끊임없이 노력해 왔습니다.

오늘은 그 여정을 마무리하며, 최종 연구 결과를 공유드리고자 합니다.

연구 배경

본 연구 주제를 본격적으로 다루기 전에, SKT가 추구하는 6G의 방향성을 먼저 간단히 설명드리고자 합니다.

아래의 설명은 "SKT 6G Whitepaper"를 기반으로 작성하였습니다.

SKT는 6G 네트워크 인프라의 설계에서 중요한 요소로 Cloud-Native, Green-Native, AI-Native를 강조하고 있으며,

이들 모든 요소의 기반이 되는 **유연하고 확장 가능한 네트워크(Flexible & Scalable Network)**로의 진화를 목표로 연구를 진행하고 있습니다.

이 중 ASAP팀은 Green-Native와 AI-Native에 중점을 두어, 탄소 배출량 절감과 동시에 무선 접속망에 인공지능을 융합하여 네트워크의 성능, 효율성, 안정성을 확보하는 것을 목표로 하였습니다.

SKT의 Net Zero 비전과 OI(Operation Improvement)

SKT는 Net Zero를 달성하기 위해 세 가지 주요 전략을 추진하고 있습니다: Green Energy, Green Forest, 그리고 Green Operation입니다.

이러한 전략을 통해 SKT는 2050년까지 탄소 배출량을 크게 줄이고 지속 가능한 통신 인프라를 구축하는 것을 목표로 하고 있습니다.

그림에서 보시는 바와 같이, SKT는 Green ICT 기술을 활용하여 2050년까지 예상 전력 사용량을 25% 줄이는 전략을 추진하고 있습니다.

특히 AI를 활용한 트래픽 진단, Single RAN 기술 확대, 노후 인프라 교체를 통해 효율적인 에너지 사용과 탄소 배출량 절감을 실현하고자 합니다.

ASAP팀 역시 이러한 Green-Native와 AI-Native 전략에 중점을 두어, 네트워크의 에너지 사용을 최적화하고 탄소 배출을 줄이는 데 기여하고자 노력하였습니다.

SKT 인프라 아키텍쳐

위의 그림은 SKT의 전체 네트워크 인프라에서 에너지 절감을 위한 프로세스를 나타냅니다.

각 단계는 AI 모델 학습, Energy saving 파라미터 설정, 사이트 추천, 자동 구성, 승인 및 실행으로 이어지며, 빨간색 네모로 표시된 부분이 ASAP 팀의 기여 영역입니다.

ASAP 팀은 빨간색 네모로 표시된 AI 모델 학습 및 업데이트 단계에 집중적으로 기여했습니다.

OSS Data Playground에서 수집된 데이터를 사용하여 주간 단위로 학습하여 에너지 절감 방안을 도출하고 그 효율성을 높이고자 하였습니다.

Energy Saving 프로세스

이번 연구의 프로세스는 아래의 그림과 같이 네 단계로 나누어져 있으며, 각각의 단계는 네트워크의 에너지 절감을 위한 전략적인 과정을 포함하고 있습니다.

1. Network Traffic Data Learning

먼저, 네트워크 트래픽 데이터를 학습하는 과정입니다.

이 과정에서는 과거의 네트워크 사용 패턴을 분석하고 학습하여 미래의 트래픽을 예측하는 데 필요한 데이터를 수집합니다.

이 데이터는 이후 에너지 절감 결정을 위한 중요한 기반이 됩니다.

2. Energy Saving Recommendation [SKT Network AI]

학습된 트래픽 데이터를 바탕으로 SKT의 Network AI는 각 기지국에 대해 에너지 절감 가능성을 평가합니다.

연구 초기에는 비결정론적 Shannon 엔트로피 추정 기법을 활용하여 에너지 절감 확률을 추정했습니다.

이 접근법은 극히 적은 연산량을 가지고 있기 때문에 효율적인 에너지 절감을 가능하게 했습니다.

그러나 연구가 발전함에 따라, 보다 효율적이고 장기적인 예측을 위해 트래픽 예측 모델을 도입하게 되었습니다.

예측 모델을 사용하여 네트워크 사용량이 낮아질 것으로 예상되는 시간대를 미리 파악하여, 해당 시간 동안 송신 전력을 조정함으로써 더욱 계획적이고 효과적인 에너지 절감이 가능하도록 개선하였습니다.

개선된 접근법을 사용하여 에너지 절감의 효율성을 극대화하고, 네트워크 운영의 안정성과 신뢰성을 높이는 데 기여하고자 하였습니다.

3. Configuration Automation [SKT SON]

다음으로, SKT SON(Self-Organizing Network) 시스템을 통해 에너지 절감을 위한 구성 자동화를 진행합니다.

여기서는 Cell Traffic Prediction을 활용해 네트워크 사용량이 특정 임계치 이하로 떨어지는 시간을 탐지하고, 그 시간 동안 송신 전력을 조정합니다.

또한 하루 중 가장 긴 연속적인 에너지 절감 가능 기간을 찾아 이를 자동으로 구성하여, 최적의 시간대에 네트워크 설정을 조정할 수 있습니다.

4. Energy Saving

마지막으로, 에너지 절감 조치를 실행합니다. 그림의 우측에서 보실 수 있듯이, 각 지역의 기지국 그룹은 예측된 트래픽 수준에 따라 에너지 절감이 가능한 시간대와 기간이 결정됩니다.

예를 들어, Group A는 하루 24시간 동안 에너지 절감이 가능하고, Group B, Group C, Group D는 각각 12시간, 8시간, 4시간 동안 에너지 절감이 가능합니다.

이와 같은 분류를 통해 각 지역별로 최적화된 에너지 절감 전략을 적용합니다.

최종 프레임워크

본 연구의 최종 프레임워크는 네트워크 트래픽 예측과 기지국의 주파수 자원 효율화를 통해 에너지 절감을 극대화하는 것입니다.

통계 분석, 머신러닝, 딥러닝을 활용해 RB 사용량을 예측하고, 이를 바탕으로 최적의 에너지 절감 방안을 도출하고자 하였습니다.

• RB 사용량 예측: 각 기지국의 RB 사용량을 예측하기 위해 통계 기법, 머신러닝, 딥러닝 등의 다양한 모델을 활용하였습니다.

  이를 통해 트래픽 패턴을 파악하고, 미래의 네트워크 사용량을 정확히 예측할 수 있습니다.

• 에너지 절감 적용 및 성능 검증: 예측된 트래픽 데이터를 기반으로, 각 기지국에 적절한 에너지 절감 정책을 적용하고, 그 결과로 탄소 배출량 감소 및 **ROI(Return on Investment)**를 측정합니다.

  이를 통해 실제 성능을 검증하고 개선점을 도출하여 최적화된 에너지 절감 전략을 수립합니다.

• 최적 알고리즘 선택: 다양한 예측 모델의 성능을 비교한 후, ROI와 탄소 배출 저감 효과가 가장 높은 최적의 알고리즘을 선택합니다.

  이렇게 선택된 알고리즘은 각 기지국에 적용되어 주파수 자원의 효율적 배치와 조정을 통해 에너지 절감 목표를 달성합니다.

그림에서 보실 수 있듯이, 각 기지국은 서로 다른 주파수를 사용하며, 일부 주파수는 조정 가능하고 일부는 고정되어 있습니다.

이 주파수 조정의 가능성을 기반으로, 트래픽 예측 결과를 활용하여 특정 시간대에 에너지를 절감할 수 있도록 주파수 자원을 최적화 하고자 하였습니다.

ASAP팀은 이 최종 프레임워크를 기반으로 위의 그림과 같이 테스트베드를 구축하고, 각 기지국의 트래픽 패턴에 맞춘 맞춤형 에너지 절감 전략을 구현하여 SKT의 Net Zero 비전과 지속 가능한 네트워크 운영에 기여하고자 했습니다.

연구 결과

본 연구에서는 PoC Site를 대상으로 에너지 소비, 운영비(OPEX), 탄소 배출량을 정량적으로 산정하고자 하였습니다.

기지국 주파수 대역별 시간당 에너지 소비량(Wh)을 기반으로, 트래픽 데이터를 예측한 후 각 지역별 Energy Saving 윈도우를 도출하였습니다.

이를 통해 기지국의 주파수 대역 가동 시간을 최적화하여 에너지 소비를 최소화할 수 있는 방안을 제안하였습니다.

• 에너지 소비: 주파수 대역별 소비량(W)과 가동 시간을 곱하여 산정되었으며, 산업용 전력 요금 기준으로 운영비(OPEX)를 계산하였습니다.

• 탄소 배출량: 에너지 소비량(kWh)에 탄소 강도(kgCO₂/kWh)를 곱하여 추정하였습니다. 대한민국 기준으로 1kWh당 458.081g의 탄소 강도를 적용하였습니다.

• Energy Saving 가능 대역: SKT LTE Downlink에서 2.1GHz 및 2.6GHz로 선정하였으며, 이를 통해 각 대역별로 최적화된 가동 시간 및 절감 효과를 시뮬레이션하였습니다.

최종적으로 예측된 트래픽 로드를 기반으로 기지국 가동 시간을 효율적으로 제어함으로써 전력 소비와 탄소 배출을 줄일 수 있음을 입증할 수 있었습니다.

본 연구를 진행하며 실제 데이터를 활용해 SKT OSS의 결과와 비교할 수 있었던 점은 매우 뜻깊은 경험이었습니다.

이를 통해 논문에서 다루는 이론적 내용과는 다른, 실제 현업 환경에서의 도전 과제를 직접 체험하고 이해할 수 있었습니다.

특히, 제안한 알고리즘이 높은 실효성을 보여 특허로 등록될 예정이라는 점은 연구자로서 큰 보람과 성취감을 느낄 수 있었습니다.

AI Fellowship을 통해 통신 네트워크의 지속 가능성을 위한 실질적 기여를 확인할 수 있는 귀중한 경험을 할 수 있었으며, 앞으로의 연구와 개발에 더욱 큰 동기부여가 되었습니다.

긴 글 읽어주셔서 감사합니다 :)