전송기와 수신기가 서로 다른 다중 도메인에서 동작하거나, 추론 시 입력 데이터가 의미 인코더와 디코더를 학습할 때 사용된 데이터와는 다른 분포적 특성을 보일 때, 의미 통신에서의 도메인 적응 문제는 매우 중요해진다. 본 논문에서는 다중도메인 적응형 딥 의미 통신(Multidomain Adaptive Deep Semantic Communication, MA-DeepSC) 프레임워크를 제안하여 다중 도메인 전반에서 의미 통신의 성능을 향상시키고자 한다. 우리의 프레임워크는 두 가지 핵심 구성요소로 이루어진다. 첫째, 다중도메인 적응형 의미 코딩 네트워크(Multidomain Adaptive Semantic Coding Network, MASCN)는 여러 도메인에 걸쳐 의미 인코딩 및 디코딩을 적응하도록 본질적으로 설계되었고, 둘째, 다중도메인 데이터 적응 네트워크(Multidomain data adaptation network, MDAN)는 실제로 관측 가능한 데이터를 시스템이 최초에 학습된 데이터로 변환함으로써, 기존의 사전 학습된 의미 코딩 네트워크를 재학습할 필요를 없앤다. 우리는 본 접근법을 숫자(digit) 데이터셋과 CelebA에 대한 실험을 통해 검증하였으며, 기존 기법들에 비해 유의미한 성능 우위를 확인하였다. 또한, MASC와 MDAN 각각의 전략적 이점과 단점을 분석하여 다양한 시나리오에서의 적용 가능성을 평가한다. MA-DeepSC의 소스 코드는 https://github.com/wongdongwook/JSAC_MA-DeepSC 에서 제공된다.

자원 관리, 보안, 개인정보 보호는 효율적인 의미 통신(semantic communications, SC) 시스템의 신뢰적이고 안전한 운영을 위한 근본적인 핵심 축으로 자리하고 있다. 이러한 측면들을 다룸으로써 SC 시스템은 효율적인 자원 활용, 향상된 네트워크 효율, 개선된 통신 성능, 민감한 정보의 보호를 위한 기반을 마련할 수 있다. 본 연구에서는 먼저 SC의 배경을 제시하고, 이 분야의 기존 연구들을 몇 가지 검토한다. 이어서 SC에서의 자원 관리, 보안, 개인정보 보호에 관한 포괄적이고 철저한 조사를 제공한다. 또한 SC의 자원 관리, 보안, 개인정보 보호와 관련하여 현재 존재하는 문제와 해결되지 않은 연구 과제를 식별하고 강조함으로써, 이들 영역에 대한 추가 연구를 촉진하고자 한다.

전송기와 수신기가 서로 다른 다중 도메인에서 동작하거나, 추론 시 입력 데이터가 의미 인코더와 디코더를 학습할 때 사용된 데이터와는 다른 분포적 특성을 보일 때, 의미 통신에서의 도메인 적응 문제는 매우 중요해진다. 본 논문에서는 다중도메인 적응형 딥 의미 통신(Multidomain Adaptive Deep Semantic Communication, MA-DeepSC) 프레임워크를 제안하여 다중 도메인 전반에서 의미 통신의 성능을 향상시키고자 한다. 우리의 프레임워크는 두 가지 핵심 구성요소로 이루어진다. 첫째, 다중도메인 적응형 의미 코딩 네트워크(Multidomain Adaptive Semantic Coding Network, MASCN)는 여러 도메인에 걸쳐 의미 인코딩 및 디코딩을 적응하도록 본질적으로 설계되었고, 둘째, 다중도메인 데이터 적응 네트워크(Multidomain data adaptation network, MDAN)는 실제로 관측 가능한 데이터를 시스템이 최초에 학습된 데이터로 변환함으로써, 기존의 사전 학습된 의미 코딩 네트워크를 재학습할 필요를 없앤다. 우리는 본 접근법을 숫자(digit) 데이터셋과 CelebA에 대한 실험을 통해 검증하였으며, 기존 기법들에 비해 유의미한 성능 우위를 확인하였다. 또한, MASC와 MDAN 각각의 전략적 이점과 단점을 분석하여 다양한 시나리오에서의 적용 가능성을 평가한다. MA-DeepSC의 소스 코드는 https://github.com/wongdongwook/JSAC_MA-DeepSC 에서 제공된다.

자원 관리, 보안, 개인정보 보호는 효율적인 의미 통신(semantic communications, SC) 시스템의 신뢰적이고 안전한 운영을 위한 근본적인 핵심 축으로 자리하고 있다. 이러한 측면들을 다룸으로써 SC 시스템은 효율적인 자원 활용, 향상된 네트워크 효율, 개선된 통신 성능, 민감한 정보의 보호를 위한 기반을 마련할 수 있다. 본 연구에서는 먼저 SC의 배경을 제시하고, 이 분야의 기존 연구들을 몇 가지 검토한다. 이어서 SC에서의 자원 관리, 보안, 개인정보 보호에 관한 포괄적이고 철저한 조사를 제공한다. 또한 SC의 자원 관리, 보안, 개인정보 보호와 관련하여 현재 존재하는 문제와 해결되지 않은 연구 과제를 식별하고 강조함으로써, 이들 영역에 대한 추가 연구를 촉진하고자 한다.

라이브 비디오 스트리밍 서비스는 최근 수년간 소셜 네트워킹 패러다임의 출현 이후 상당한 성장을 경험해 왔다. 이러한 상황에서 웹 프로토콜을 기반으로 전송되는 적응 비트레이트 스트리밍 통신은 인터넷을 통해 다양한 멀티미디어 플랫폼을 서비스하기 위한 편리하고 비용 효율적인 시설을 제공한다. 이러한 통신 모델에서는 비디오 콘텐츠가 최적으로 전달되며, 필요 시 전(轉)부호화(transcoded), 자동 편집, 그리고 경로 상의 네트워크 요소에 의해 일시적으로 캐싱(cached)될 수 있다. 이를 위해 다양한 네트워크 요소의 연산 능력은 서비스 품질 향상을 위한 주요 최적화 자원으로 간주된다. 본 논문은 연산 구동(computation-driven) 관점에서 최신 라이브 비디오 스트리밍 연구를 포괄적으로 조망하는 최신 동향을 제공한다. 첫째, 글로벌 표준, 시스템 아키텍처 및 스트리밍 프로토콜에 대한 개요를 제시한다. 다음으로 클라우드-, 엣지- 및 피어-투-피어(peer-to-peer) 기반의 해법을 포함하여, 계층적 연산 구동 모델을 해부한다. 이후 최신 연구들을 검토하여 여러 영역에서 시스템 성능을 개선하기 위해 이들이 이룬 진전을 파악한다. 마지막으로, 이 분야의 향후 연구를 지향하기 위해 개방형 과제를 제시한다.

높은 스펙트럴 효율을 유지하면서 전력 소모를 줄이는 것은 현대 통신 시스템에서 매우 중요하며, 특히 네트워크 서비스와 기기의 급속한 확장에 따라 그 필요성이 더욱 커지고 있다. 본 연구에서는 이러한 과제에 대응하기 위해 업링크 양자화 MIMO(다중 입력 다중 출력) 시스템에서 NOMA(비직교 다중 접속)로 구동되는 에너지 효율 문제를 탐구한다. 이 맥락에서 저해상도 양자화기를 사용하면 전력 소모를 크게 줄일 수 있는 반면, NOMA는 MIMO 시스템에서 스펙트럴 효율을 향상시킨다. 본 연구에서는 사용자들의 전처리(pre-coding) 및 기지국의 검출 행렬을 제약 조건을 고려하면서 최적화하기 위해 DDPG 학습 알고리즘에 새로운 포스트-액터(post-actor) 과정을 통합한 포스트-액터-추가 딥 결정론적 정책 기울기(post-actor-added deep deterministic policy gradient, P-DDPG) 알고리즘을 제안한다. P-DDPG 알고리즘을 활용함으로써 스펙트럴 효율을 증대하면서도 전력 소모를 최소화하여 시스템의 에너지 효율을 향상시키는 것을 목표로 한다. 또한 추론 과정에서 학습된 모델에 추가되는 전력 소진(power-exhaustive) 탐색 함수를 설계하여 기기 다양성을 보장한다. 수치 결과는 알고리즘의 수렴을 확인하며, 다양한 환경 조건에서 벤치마크 방식에 비해 우수한 성능을 보임을 보여준다. 아울러 저해상도 양자화기가 시스템 성능에 미치는 영향을 면밀히 분석한다.

레이트-스플리팅 다중접속(RSMA)과 동시에 송신 및 반사를 수행하는 동시에 전송 및 반사(synchronously transmitting and reflecting, STAR) 재구성 가능 지능형 표면(RIS)은 여섯 번째 세대(6G) 네트워크에서의 다중접속 및 중계에 대한 유망한 기술로 부상하고 있다. 본 논문은 공간적으로 상관된 채널에서 사용자들의 서비스 품질(QoS) 요구사항을 만족시키면서 송신 전력을 최소화하는 STAR-RIS 보조 RSMA 시스템을 연구한다. 제안하는 비볼록 최적화 문제는 전송 프리코딩 벡터, 공통 메시지 비율, 위상 천이 행렬, 그리고 송신 및 반사 비율을 함께 최적화하도록 정식화된다. 이를 해결하기 위해 본 문제는 세 가지 하위 문제로 분해한다: (i) 기지국(BS)에서의 프리코딩 및 공통 메시지 비율 제어, (ii) 위상 천이 행렬 설계, (iii) STAR-RIS에서의 송신/반사 비율 제어. 이 하위 문제들은 페널티 함수와 선형 근사를 통해 볼록 형태로 변환된다. 내부점 초기화, 연속 볼록 근사, 교대 최적화 알고리즘을 사용하여 정상(정지)해를 얻는다. 다양한 채널 환경, 특히 공간적으로 상관된 시나리오 하에서의 광범위한 시뮬레이션을 통해, 제안 방법은 QoS 요구사항을 만족하면서도 훨씬 더 낮은 송신 전력을 달성하며, 기존의 (STAR-)RIS 보조 RSMA, 비직교 다중접속, 그리고 공간분할 다중접속에 비해 성능이 우수함을 보인다. 성능 향상은 STAR-RIS 소자의 수 또는 BS 안테나 수가 제한되는 경우에 더욱 두드러진다.

본 연구에서는 에너지 효율적인 온라인 연합 학습을 다룬다. 먼저 동적이며 비정상적 조건에서의 장치 선택이 수렴 성능에 미치는 영향을 분석하고, 수렴률의 상한을 도출하였다. 이를 바탕으로 수렴을 보장하면서 지연(latency) 제약을 만족하는 동시에 에너지 소비를 최소화하는 최적화 문제를 수립하였다. 둘째, 온라인 할당 및 스케줄링 기반 반복 전략( OASIS )을 개발하였다. 여기서 새롭게 설계한 보상 함수(reward function)를 기반으로 조합적 상한-신뢰도구간(combinatorial upper-confidence-bound) 장치 스케줄링 알고리즘을 설계하였다. 또한 스케줄링된 장치에 대한 전력 할당을 Lambert 함수 기반으로 폐형(closed form) 형태에서 도출하였다. 제안된 알고리즘이 동적 환경에 효과적으로 적응하며 시간에 따라 준최적 결정을 유지함을 보여주는 동적 후회(dynamic regret) 분석을 수행하였다. 아울러 변화가 느린 동적 환경에서는 부분선형(sublinear) 후회를 달성하고, 정적 환경에서는 최적(optimal) 후회를 달성함도 확인하였다. 실험 결과, 제안된 OASIS는 기존의 기존 기준(baseline) 전략들에 비해 더 빠른 수렴을 달성하며 에너지 소비를 유의하게 낮추는 것으로 나타났다. 또한 목표 정확도 수준이 더 높아질수록 성능 향상이 증가함을 확인하였다. 이러한 결과는 현실적이며 시간에 따라 변동하는 연합 학습 환경에서 제안 접근의 에너지 효율성과 강건성을 검증한다.