SafeSlice: 안전한 심층 강화 학습으로 SLA 준수 O-RAN 슬라이싱 구현

SafeSlice는 심층 강화 학습 기반의 O-RAN 슬라이싱 프레임워크로, 누적 및 순간 지연 제약 조건을 충족하여 SLA 준수를 보장하고, 실험 결과 기존 방식 대비 성능 향상을 보여주었습니다.

끊임없이 변화하는 네트워크 환경, 안전한 AI 슬라이싱이 답이다!

최근 급증하는 모바일 데이터 트래픽과 다양한 서비스 요구사항을 충족하기 위해, 오픈랜(O-RAN)과 같은 가상화된 네트워크 기술이 주목받고 있습니다. 특히, 네트워크 자원을 효율적으로 관리하고 다양한 서비스 품질(QoS) 요구사항을 만족시키기 위한 슬라이싱 기술이 필수적입니다. 하지만, 심층 강화 학습(DRL) 기반 슬라이싱 정책은 시뮬레이션 환경에서는 성공적이었지만, 실제 O-RAN 환경에서는 시뮬레이션과 현실의 차이로 인해 어려움을 겪고 있습니다. 특히, 몰입형 애플리케이션의 엄격한 지연 시간 요구사항과 같은 서비스 수준 계약(SLA) 준수가 어려웠습니다.

Ahmad M. Nagib, Hatem Abou-Zeid, Hossam S. Hassanein 연구팀은 이러한 문제를 해결하기 위해 SafeSlice 라는 새로운 슬라이싱 프레임워크를 제안했습니다. SafeSlice는 누적 지연(trajectory-wise) 및 순간 지연(state-wise) 제약 조건을 모두 고려하여 안전성을 보장합니다. 이는 시그모이드 기반의 위험 감수형 보상 함수를 설계하여 누적 지연 제약 조건을 반영하고, 안전 계층에 지도 학습 비용 모델을 구축하여 슬라이싱 에이전트의 자원 할당(RA) 작업을 가장 가까운 안전한 작업으로 투영함으로써 순간 지연 제약 조건을 충족합니다.

연구팀은 실제 VR 게임 트래픽을 포함한 다양한 서비스를 이용한 실험을 통해 SafeSlice의 성능을 검증했습니다. 그 결과, SafeSlice는 기존 방식과 비교하여 평균 누적 지연 시간을 최대 83.23% 감소시키고, 순간 지연 위반을 93.24% 줄였으며, 자원 소비량도 22.13% 감소시키는 놀라운 성과를 보였습니다. 특히, 지연 시간 제약 조건의 임계값 구성을 변경하는 상황에서도 강건성을 유지하여, O-RAN 패러다임을 통해 MNO(이동통신사)에게 유연성을 제공하는 것을 확인했습니다.

결론적으로, SafeSlice는 안전하고 효율적인 O-RAN 슬라이싱을 위한 혁신적인 기술로, 변화하는 네트워크 환경에서도 안정적이고 신뢰할 수 있는 서비스 제공을 가능하게 합니다. 이는 5G 및 차세대 통신 시스템의 발전에 크게 기여할 것으로 기대됩니다. 앞으로 SafeSlice의 상용화 및 실제 네트워크 환경에서의 광범위한 적용을 통해 더욱 안전하고 효율적인 네트워크 서비스를 경험하게 될 것입니다.