6G 네트워크 슬라이싱의 혁신: XAI 기반 분산 학습으로 확장성과 신뢰성을 극대화하다

본 기사는 6G 네트워크 슬라이싱의 복잡성 관리를 위해 XAI(설명 가능한 AI)를 활용한 분산 학습 기반 클라이언트 선택 방식에 대한 최신 연구 결과를 소개합니다. 이 연구는 XAI의 속성 정보를 활용하여 학습 참여 장치를 선택함으로써 시스템의 확장성, 속도, 신뢰성을 향상시키는 혁신적인 접근 방식을 제시하며, 6G 네트워크 슬라이싱의 미래를 조망하는 데 중요한 시사점을 제공합니다.

최근 급증하는 통신 네트워크의 복잡성을 관리하기 위해 네트워크 슬라이싱이 인공지능(AI) 모델을 적극적으로 도입하고 있습니다. 특히 실제 운영 네트워크에 배포되는 AI 기반 제로터치 네트워크 자동화는 유연성과 실현 가능성이 매우 중요합니다. 하지만 중앙 집중식 컨트롤러는 방대한 사용자 데이터로 인해 높은 데이터 통신 오버헤드 문제에 직면하며, 대부분의 네트워크 슬라이스는 민감한 개인 데이터 공유를 꺼립니다.

이러한 문제를 해결하기 위해 등장한 것이 바로 분산 학습(Federated Learning) 입니다. 하지만 분산 학습에서 신뢰할 수 있는 클라이언트를 선별하는 것은 시스템 성능과 안정성에 매우 중요한 요소입니다.

Martino Chiarani 등 연구진이 발표한 논문 "XAI-Driven Client Selection for Federated Learning in Scalable 6G Network Slicing"은 이러한 문제에 대한 혁신적인 해결책을 제시합니다. 바로 XAI(설명 가능한 AI) 를 활용하여 클라이언트를 선택하는 새로운 접근 방식입니다.

이 접근 방식은 비IID(Non-IID, 독립 동일 분포가 아닌) 시나리오에서 RAN-엣지에서 슬라이스 수준 리소스 프로비저닝을 구현하는 분석 엔진의 확장성과 속도를 크게 향상시킵니다. XAI에서 얻은 속성 정보를 활용하여 학습에 참여할 장치를 선택함으로써, 사용자를 위한 네트워크 신뢰성을 높이고 신경망 모델의 블랙박스 문제를 해결합니다.

시뮬레이션 결과는 기존 방식에 비해 수렴 시간과 계산 비용을 모두 크게 줄였으며, 높은 확장성을 보여주었습니다. 이는 6G 네트워크 슬라이싱의 효율성과 안정성을 획기적으로 향상시킬 수 있는 잠재력을 보여주는 중요한 연구 성과입니다. 본 연구는 단순히 AI 모델의 성능 향상뿐 아니라, AI의 투명성과 신뢰성을 확보하는 데에도 중요한 기여를 하고 있습니다. 앞으로 XAI 기반 분산 학습은 6G 네트워크 슬라이싱의 핵심 기술로 자리매김할 것으로 예상됩니다.