빛으로 소통하는 미래 네트워크: MARL 기반 VLC-NOMA 자원 최적화

본 연구는 MARL을 활용하여 동적인 VLC-NOMA 네트워크 환경에서 QoS와 안정성을 동시에 최적화하는 자원 할당 프레임워크를 제시합니다. CTDE와 CTCE 두 가지 패러다임을 비교 분석하여 각각의 장단점을 제시하고, 미래 빛 기반 통신 네트워크 발전에 기여할 것으로 예상됩니다.

가시광 통신(VLC)과 비직교 다중 접속(NOMA) 기술의 결합은 실내 무선 네트워크의 혁신을 가져올 유망한 기술입니다. 하지만, 사용자 이동성과 조명 변화 등 동적인 네트워크 환경에서 효율적인 자원 관리가 큰 과제로 남아 있습니다. 기존의 자원 할당 방식과 단순한 강화학습(RL) 접근 방식은 동적인 VLC-NOMA 네트워크의 QoS(서비스품질)와 안정성을 동시에 최적화하는 데 어려움을 겪습니다.

Aubida A. Al-Hameed 등 연구진은 이러한 문제를 해결하기 위해 다중 에이전트 강화학습(MARL) 기반의 혁신적인 자원 할당 프레임워크를 제시했습니다. 이 프레임워크는 NOMA 전력, 사용자 스케줄링 등의 자원 할당과 간섭 관리, 핸드오버 최소화 등 네트워크 안정성을 동시에 최적화하여 사용자 이동성과 조명 변화에 효과적으로 대응합니다. VLC 접근 지점(AP)이 지능형 에이전트 역할을 수행하여 다양한 요구사항을 충족하면서 네트워크 안정성을 유지하도록 설계되었습니다.

연구진은 중앙 집중형 학습 분산 실행(CTDE) 과 중앙 집중형 학습 중앙 집중형 실행(CTCE) 두 가지 MARL 패러다임을 비교 분석했습니다. 실험 결과, CTDE 접근 방식은 고우선순위(HP) 사용자의 QoS 만족도를 약 16% 향상시킨 반면, CTCE 접근 방식은 평균 SINR(신호대잡음비)을 약 7dB 향상시키고 핑퐁 핸드오버 비율을 12% 감소시키는 것으로 나타났습니다. 이는 복잡한 VLC-NOMA 네트워크 환경에서 두 패러다임의 성능 차이에 대한 귀중한 통찰력을 제공합니다.

이 연구는 단순한 자원 할당을 넘어, 네트워크의 안정성과 QoS를 동시에 고려하는 지능형 자원 관리 시스템의 가능성을 보여줍니다. 미래의 빛 기반 통신 네트워크의 발전에 중요한 이정표가 될 것으로 기대됩니다. 향후 연구는 더욱 다양한 네트워크 환경과 사용자 요구사항을 고려한 최적화 알고리즘 개발에 집중될 것으로 예상됩니다. 또한, 실제 환경에서의 구현 및 성능 평가를 통해 상용화 가능성을 검증하는 연구가 필요할 것입니다.