6G ORAN을 위한 XAI 기반 자원 관리: 투명성을 높이는 혁신적인 접근 방식


본 연구는 6G ORAN 아키텍처에서 DRL 에이전트의 의사결정 과정을 설명하는 혁신적인 XAI 프레임워크를 제시하며, xAPP 및 rAPP과의 통합을 통해 시스템의 적응성과 성능 향상을 이끌어냅니다. 이는 AI의 투명성을 높이고, ORAN 자원 관리 전략 최적화에 실질적인 기여를 합니다.

related iamge

인공지능(AI)의 발전은 6G 시대의 초고속 통신 네트워크를 가능하게 하지만, 그 복잡성으로 인해 AI의 의사결정 과정을 이해하고 최적화하는 것이 어려워졌습니다. 특히, ORAN(Open RAN) 아키텍처와 같은 분산 환경에서는 더욱 그렇습니다. Suvidha Mhatre, Ferran Adelantado, Kostas Ramantas, Christos Verikoukis가 주도한 최근 연구는 이러한 문제에 대한 혁신적인 해결책을 제시합니다.

이 연구는 심층 강화 학습(DRL) 에이전트의 의사결정 과정을 명확히 밝히는 첨단 설명 가능한 AI(XAI) 프레임워크를 소개합니다. 기존의 모델 독립적 및 모델 특정 접근 방식은 RAN 슬라이싱의 역동적이고 복잡한 환경에서 XAI의 고유한 과제를 해결하는 데 실패했지만, 본 연구는 의도 기반 행동 제어를 통합하여 다양한 운영 시간 척도에 걸쳐 정확한 임베딩 및 구성을 가능하게 합니다.

특히, xAPP(near-real-time RIC에 위치) 및 rAPP(non-real-time RIC에 위치)과의 통합은 시스템의 적응성과 성능을 향상시킵니다. 연구 결과는 DRL 에이전트가 여러 제어 매개변수를 포함하는 다중 모드 의사 결정을 내릴 수 있도록 함으로써 KPI 기반 보상을 크게 향상시키는 프레임워크의 중요한 영향을 보여줍니다.

이 연구는 XAI를 ORAN 자원 관리 전략 최적화에 실질적으로 적용하고 효과를 높이는 데 중요한 진전을 이룬 것입니다. 이는 단순히 AI의 결과만을 보는 것이 아니라, 그 과정을 이해하고 제어함으로써 더욱 안정적이고 효율적인 6G 네트워크 구축에 기여할 것으로 기대됩니다. 앞으로 AI의 투명성 확보와 관련된 연구가 더욱 활발해질 것으로 예상되며, 이는 AI 기술의 신뢰도를 높이고 사회 전반에 걸친 AI 활용을 촉진하는 데 중요한 역할을 할 것입니다.


*이 기사는 AI가 생성한 내용으로, 일부 정보가 실제와 다를 수 있습니다. 정확한 확인을 위해 추가적인 검증을 권장드립니다.

Reference

[arxiv] Enhancing AI Transparency: XRL-Based Resource Management and RAN Slicing for 6G ORAN Architecture

Published:  (Updated: )

Author: Suvidha Mhatre, Ferran Adelantado, Kostas Ramantas, Christos Verikoukis

http://arxiv.org/abs/2501.10292v1