연합/강화학습 기반 무선·차세대 네트워크 자원 관리 및 전송 최적화 연구

Federated/Reinforcement Learning for Wireless Network Resource Management and Transmission Optimization

연구 내용

연합심층학습과 연합강화학습을 활용해 무선·정보중심 네트워크에서 자원 배분과 캐싱 스트레치 최적화, 밀집 접속 충돌 완화, 백홀 전송 성능을 함께 개선하는 연구

무선 네트워크에서 채널 자원 부족과 사용자 밀집에 따른 지연 증가는 성능 저하 요인입니다. 본 연구는 연합 강화학습 기반 채널 자원 할당과 분산 데이터 기반 협력 학습 프레임워크를 통해 학습 변동을 낮추는 전략을 수행합니다. 또한 정보중심 네트워킹의 캐싱·라우팅에서 스트레치 감소를 마르코프 결정 과정으로 모델링하고 Q-Learning으로 의사결정 파라미터를 도출합니다. 아울러 CO-OFDM 기반 5G 백홀 링크에서 BER 성능을 함께 분석하여 엔드투엔드 요구사항을 반영합니다.

관련 프로젝트

2건

연구 흐름

초기 연구에서는 LTE-A 환경에서 랜덤 액세스의 충돌 문제를 줄이기 위해 지수 분포 기반 매개변수 설계를 제안하고, 신뢰성과 지연 관점의 개선 가능성을 확인했습니다. 이후 5G/B5G에서 분산·동적인 무선 환경을 고려하여 연합 강화학습 기반 채널 자원 할당과 협력 학습 추정을 적용하는 방향으로 확장했습니다. 정보중심 네트워킹에서는 캐싱과 스트레치를 마르코프 결정 과정으로 정의하고 Q-Learning 기반 스트레치 감소 전략을 개발했습니다. 2022년부터는 연합심층학습·연합강화학습을 중심으로 네트워크 자원 관리와 수렴 속도 향상 기술 개발을 수행하고, 2023년에는 협력 데이터 기반 프레임워크를 정리했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

연합강화학습 기반 채널 자원 배분
ICN 라우팅·캐싱 스트레치 최소화
밀집 환경 random access 충돌 완화
네트워크 처리량(throughput) 최적화
URLLC/eMBB 백홀 전송 설계
CO-OFDM 링크 성능(비트오류율) 평가
분산 학습 모델 기반 채널 접근 파라미터 선택
다중 서비스 QoS 요구사항 동시 고려 제어
분산 라우터 의사결정 정책 생성
차세대 5G/B5G 네트워크 운영 자동화