5G 이상 통신 네트워크의 혁신: 분산된 마이크로웨이브 네트워크에서의 연방 학습

본 연구는 분산된 마이크로웨이브 네트워크에서 연방 학습을 활용하여 고장 원인을 효율적으로 식별하는 새로운 방법을 제시합니다. 실제 데이터를 사용한 실험 결과, VFL 기반 시나리오는 중앙 집중식 시나리오와 유사한 높은 성능을 보이며, 데이터 유출 위험을 최소화하는 것으로 나타났습니다. 이는 5G 이상 통신 네트워크의 안정성과 효율성 향상에 크게 기여할 것으로 기대됩니다.

현대 5G 및 그 이상의 통신 네트워크에서 효율적이고 확장 가능한 고장 관리 솔루션을 제공하는 유망한 방법으로 머신러닝(ML)이 떠오르고 있습니다. 특히 마이크로웨이브 네트워크에서 ML 기반 솔루션은 많은 주목을 받고 있죠. 하지만 기존 솔루션은 단일 사업자가 전체 네트워크를 관리하는 통합 시나리오에만 적용될 수 있었습니다.

하지만, 최근 네트워크 아키텍처는 여러 사업자와 공급업체가 협력하여 비용 효율적이고 안정적인 네트워크 관리를 달성하는 분산형 통신 플랫폼으로 이동하고 있습니다. 이러한 변화 속에서 새로운 ML 기반 고장 관리 접근 방식은 이해관계 충돌 가능성으로 인한 중요한 정보 공유의 어려움을 해결해야 합니다.

Fatih Temiz, Memedhe Ibrahimi, Francesco Musumeci, Claudio Passera, Massimo Tornatore 등 연구진은 이러한 문제에 대한 해결책으로 분산된 마이크로웨이브 네트워크에서 연방 학습(Federated Learning)을 이용한 고장 원인 식별에 대한 연구를 진행했습니다. 실제 마이크로웨이브 하드웨어 고장 데이터 세트를 사용하여 수직 연방 학습(VFL) 의 두 가지 방법, 즉 분할 신경망(SplitNNs) 과 그래디언트 부스팅 의사결정 트리 기반 연방 학습(FedTree) 을 다양한 멀티벤더 배포 시나리오에 적용하여 중앙 집중식 시나리오와 비교 분석했습니다.

그 결과, 배포 전략이나 모델 유형에 관계없이 VFL 기반 시나리오는 중앙 집중식 시나리오와 비교하여 F1-Score에서 최대 1% 이내의 차이로 높은 성능을 유지하는 것을 확인했습니다. 동시에 민감한 데이터 유출을 최소화하는 성과도 거두었습니다. 이는 분산된 환경에서도 효율적이고 안전한 고장 관리가 가능함을 보여주는 중요한 결과입니다.

이 연구는 단순히 기술적인 성과를 넘어, 5G 및 그 이상의 통신 네트워크의 발전에 크게 기여할 것으로 예상됩니다. 분산된 네트워크 환경에서의 협업과 데이터 보안이라는 중요한 문제를 해결하며, 더욱 안정적이고 효율적인 네트워크 운영을 가능하게 할 것입니다. 앞으로 이 연구를 기반으로 더욱 다양한 분야에서 연방 학습의 활용 가능성이 더욱 확대될 것으로 기대됩니다. 🎉