KOSEN 한인과학기술자네트워크

Ⅰ. 서론
이동통신망의 설치와 운영은 매우 복잡한 작업으로 계획, 설치, 테스트, 사전 실행 최적화, 실행 후 최적화, 성능 모니터링, 결함 완화와 결함 수정과 같은 많은 요소를 고려해야 한다. 이 모든 활동은 노동 집약적이며 비용이 많이 들고 오류가 발생하기 쉬우며, 약간의 간과로도 상당한 수익 손실을 야기하는 고객 불만이 발생할 수 있다. 따라서 사람의 개입을 최소화하면서 계획, 설치와 유지 관리 활동의 효율성 극대화를 위해 3GPP(Third Generation Partnership Project)에서는 LTE(Long Term Evolution)에서 자가 조직화 네트워크(SON: Self-Organizing Network)를 정의하고, SON 지원을 위해 표준에 기능, 인터페이스와 절차를 개발했다.
 
SON은 망 운영 작업에 사람의 개입을 줄이면서 망 용량, 커버리지와 서비스 품질을 최적화하여 운영과 자본 지출을 크게 줄이는 것이다. SON 아이디어는 망 계획, 구성과 최적화에 최소한의 수동 개입을 필요로 하는 통합된 자동 혹은 자율 프로세스로 통합하는 것이다. 따라서 비용 최적화를 위한 용량과 커버리지 최적화, QoS 개선, 그리고 에너지 효율 달성의 네 가지 목적 달성을 위해 SON은 자가 구성(Self-Configuration), 자가 최적화(Self-Optimization)와 자가 치유(Self-Healing)로 구성된다. 자가 구성은 기지국(BS: Base Station)의 설치·확장·업그레이드 중에도 필요한 기능이며, 노드 장애, 망 성능 저하 또는 서비스 유형 변경 같은 시스템 변경 시에도 필요하다. BS IP 주소, 인접 셀리스트(NCL: Neighbor Cell List), 무선 액세스 파라미터 등이 포함된다. 자가 최적화는 초기 자가 구성 단계 이후 시스템의 효율적인 성능 보장을 위해 시스템 파라미터를 지속적으로 최적화하는 것으로 부하 밸런싱, 용량과 커버리지 최적화, 간섭 제어가 포함된다. 자가 치유는 망 장비의 고장 영향 완화를 위해 원격 탐지, 진단과 트리거링, 보상 또는 복구 조치를 포함하는 프로세스로서 자가 치유에 대한 일반적인 접근 방식은 모니터링, 진단 및 보상의 기본 요소로 구성된다.
 
사물인터넷, 사물 간 통신, 클라우드 컴퓨팅 등 발전으로 연결성과 트래픽 밀도의 기하급수적 증가에 대응하기 위해 5G는 4G 대비 대기 시간, 용량과 신뢰성과 같은 제한 사항 해결을 위해 Massive-MIMO(Multiple-Input Multiple-Output), 밀리미터 파, 새로운 물리계층 파형, 망 가상화, 제어 및 데이터 평면 분리, 망 밀집화 및 SON 기능 등이 포함되어 있다. 이 중 망 밀집화 개념은 최종 사용자에게 더 높은 데이터 속도와 낮은 대기 시간을 제공하지만, 관리할 셀 노드의 증가, 그 셀의 성능을 모니터링으로 수집된 데이터 증가로 운영자는 초밀집 셀 간 조정, 구성과 관리에서 어려움이 발생한다. 따라서 망에 탄력성 제공, 망의 전반적인 복잡성, CAPEX와 OPEX 감소 그리고 망의 조정, 최적화와 구성 절차 단순화에 망 내부에 지능 제공이 필요하다.
 
본 고의 Ⅱ장에서는 3G부터 SON에서 기계학습(ML: Machine Learning)에 대한 초기 연구 현황을, Ⅲ장에서는 ML을 SON에 적용된 ML 기술을 소개하고, Ⅳ장에서는 SON에 대한 ML 요구사항을 서술하였다.

Ⅱ. SON에서 Pre-Machine Learning 연구 현황

Ⅲ. SON에 적용된 ML 기술
   1. 지도 학습
   2. 비지도 학습
   3. 컨트롤러
   4. Reinforcement Learning
   5. Markov Models
   6. Heuristics
   7. Dimension Reduction
   8. Transfer Learning

Ⅳ. SON의 기계학습 요구사항

V. 결론
약어 정리