O-RAN에서 강화학습 기반 실시간 네트워크 최적화의 혁신: REAL 프로젝트의 성공과 미래 과제

본 연구는 O-RAN 환경에서 강화학습(RL) 기반 xApp을 이용하여 실시간 네트워크 슬라이싱 최적화를 실험적으로 검증한 결과를 제시합니다. 실제 도시 이동성 시나리오를 모방한 테스트 환경에서 RL 기반 시스템의 효과를 확인했지만, 완전한 PHY 디지털 트윈 시뮬레이션을 위한 추가 연구의 필요성을 강조합니다.

차세대 무선 네트워크의 핵심으로 떠오르는 O-RAN(Open Radio Access Network)은 AI 기반 애플리케이션을 통해 고급 제어를 가능하게 합니다. 하지만, O-RAN에서의 실시간 폐쇄 루프 최적화에 대한 완벽하게 통합된 실시간 데모는 부족한 실정이었습니다.

Ryan Barker를 비롯한 연구진이 발표한 논문 “REAL: Reinforcement Learning-Enabled xApps for Experimental Closed-Loop Optimization in O-RAN with OSC RIC and srsRAN”은 이러한 한계를 극복하기 위한 획기적인 시도를 보여줍니다. 연구진은 OSC RIC(O-RAN Software Community RIC)와 srsRAN을 결합하여 강화학습(RL) 기반의 실시간 네트워크 슬라이싱 프레임워크를 개발했습니다. 이 시스템은 최대 12개의 UE(User Equipment)에 걸쳐 eMBB, URLLC, mMTC 등 다양한 슬라이스 유형에 대한 자원을 조정합니다.

특히, GNU Radio 블록을 사용하여 자유 공간 경로 손실(FSPL), 단일 탭 다중 경로, AWGN, 도플러 효과를 포함하는 채널 모델링을 구현하여 도시 이동성 시나리오를 실제처럼 모방했습니다. 실험 결과는 RL 기반 xApp이 변화하는 트래픽 수요 하에서도 자원 할당을 동적으로 조정하고 QoS(Quality of Service)를 유지함을 보여주었습니다. 이는 경량 O-RAN 테스트베드에서의 엔드투엔드 AI 기반 최적화의 실현 가능성과 함께, 여전히 극복해야 할 과제를 동시에 보여주는 결과입니다.

이 연구는 분산형 5G 프레임워크에서 실시간 RL 기반 슬라이싱에 대한 기준을 마련했지만, 상용 소프트웨어에 대한 의존성 없이 완전한 PHY 디지털 트윈 시뮬레이션을 지원하기 위한 추가적인 연구 개발이 필요함을 시사합니다. 즉, 현실적인 환경에서의 완벽한 AI 기반 네트워크 제어를 위해서는 더욱 정교한 기술 개발이 필요하다는 것입니다. 이는 향후 O-RAN 기반 네트워크의 발전 방향을 제시하는 중요한 의미를 지닙니다.

요약: 본 논문은 O-RAN 환경에서 강화학습을 활용한 실시간 네트워크 최적화의 가능성과 한계를 실험적으로 검증하고, 향후 연구 방향을 제시합니다. 도시 이동성 시나리오를 반영한 현실적인 테스트 환경과 다양한 네트워크 슬라이스 유형 지원은 큰 성과이나, 완전한 PHY 디지털 트윈 시뮬레이션을 위한 추가적인 연구가 필요합니다.