배경

#

값싼 드론이 보급되면서 드론을 쓰는 사람이 꾸준히 늘고 있습니다. 기동성이 좋고, 다른 방법으로는 하기 어려운 공중 작업을 해낼 수 있기 때문이죠. 5G 상용화가 코앞으로 다가온 지금, 연구자들은 하늘을 날 때와 다음 비행을 기다리며 지상에 있을 때 모두, 드론을 어디에 둘지 더 잘 정하는 방법을 파고들고 있습니다. 배치만 잘해도 셀룰러 연결 품질이 좋아지고, 공중 사용자 단말과 지상 장비 사이의 평균 지연도 줄어듭니다.

A Tutorial on UAVs for Wireless Networks: Applications, Challenges, and Open Problems

#

UAV의 종류

#

논문 [1]은 UAV를 하위 분류로 가지를 쳐 나가는 트리로 정리합니다.

Beyond 5G with UAVs: Foundations of a 3D Wireless Cellular Network

#

소개

#

• 드론이 대규모로 쓰이면 무선 네트워크에 큰 영향을 줄 것.
• 응용 분야로는 열화상 촬영, 택배 배송, 공중 기지국 등이 있음.
• 이 논문은 3D 공간의 저고도 드론 사용자 단말에, 고고도 플랫폼(비행선 같은 UAV)에 실린 액세스 포인트가 서비스를 제공하는 상황을 다룸.

배경

#

• 기존 연구는 비행 중인 드론 자체가 사용자 단말(UE)인 경우를 무시해 왔음.
• 드론 네트워크의 사용자 연계(user association)를 다룬 기존 연구들은 공중 기지국을 고려하지 않음.

시스템 모델

#

• 드론은 두 종류. 고고도 드론이 저고도 사용자 단말 드론의 액세스 포인트 역할을 맡음.

수송 이론

#

내 연구

#

Facility Location Problem Approach for Distributed Drones

#

이 논문은 두 가지 빈틈에서 출발합니다. 정부와 항공 당국은 언젠가 드론이 이착륙할 수 있는 곳을 제한할 수밖에 없고, 기존 드론 연구 대부분은 드론이 어디서 출발하는지를 근거 없이 정해 놓고 시작합니다. 그래서 저희는 드론이 이착륙하고 충전하는 고정 거점인 드론 포트와 함께, 시설 입지 문제에서 출발한 알고리즘을 제안했습니다. 이 알고리즘은 후보지 집합에서 포트를 골라, 드론이 지역 안의 작업 지점까지 이동하는 평균 거리를 최소화합니다. 결과는 최적에 가까운 배치이고, 드론 전체의 에너지 소비를 줄여 줍니다. 이어서 여러 외판원 문제(TSP) 알고리즘을 적용해 드론이 모든 작업 지점을 도는 최단 경로도 구했습니다.

위 그림은 수요가 많은 곳에 드론 포트를 두자는 아이디어를 보여 줍니다. 크고 색이 칠해진 포트가 최적으로 선택된 곳이고, 작고 회색으로 처리된 포트는 후보지 중 선택되지 못한 곳입니다.

시설 입지 문제

#

시설 입지 문제로 정식화하면 드론 포트 배치는 ‘예산과 후보지 집합이 주어졌을 때 포트를 어디에 두는 게 가장 좋은가’를 찾는 최적화 문제가 됩니다.

참고문헌

#

[1] Mozaffari, Mohammad, et al. “A tutorial on UAVs for wireless networks: Applications, challenges, and open problems.” arXiv preprint arXiv:1803.00680 (2018).

[2] Mozaffari, Mohammad, et al. “Beyond 5G with UAVs: Foundations of a 3D wireless cellular network.” IEEE Transactions on Wireless Communications 18.1 (2019): 357-372.

[3] Lynskey, Jared, et al. “Facility Location Problem Approach for Distributed Drones.” Symmetry 11.1 (2019): 118.

그래서 AoI는 패킷 하나하나의 지연 시간을 재는 레이턴시와도, 얼마나 많은 패킷이 전달됐는지를 세는 처리량(throughput)과도 다릅니다. AoI가 나빠지는 길은 정반대로 두 가지입니다. 업데이트를 너무 드물게 보내면 수신 측에는 낡은 정보만 남고, 너무 자주 보내서 큐가 쌓이면 모든 업데이트가 도착하는 순간 이미 낡아 있죠.

여러분의 데이터는 얼마나 오래됐나요?

#

데이터 적시성은 제가 Methanex NZ에서 일하던 시절 정리했던 여섯 가지 기준 중 하나입니다. 생각은 단순합니다. 정보는 새것일수록 훨씬 값어치가 있다는 거죠. 요즘 연구자들은 차세대 무선 네트워크(5G)에서 Age of Information을 최소화하도록 센서와 IoT 기기의 데이터 수집을 스케줄링하는 알고리즘을 잇달아 내놓고 있습니다.

데이터 품질

#

Methanex NZ에 있을 때 데이터 품질을 조사하면서, 데이터의 질을 평가할 때 봐야 할 핵심 포인트를 이렇게 정리했습니다.

• 적시성: 데이터를 사용하는 시점에 그 데이터가 지니는 가치
• 완전성: 누락된 필드 없이 데이터가 얼마나 채워져 있는가
• 일관성: 데이터가 얼마나 일관된 상태로 유지되는가
• 신뢰성: 데이터 출처를 얼마나 믿을 수 있는가
• 정확성: 데이터가 현실을 얼마나 잘 반영하는가
• 무결성: 소스의 개수와 소스 간 데이터가 맞아떨어지는 정도

데이터의 시대에 오신 것을 환영합니다.

#

Age of Information이란

#

Age of Information은 데이터의 신선도에 주목하는 지표입니다[1]. 최근 AoI가 주목받는 배경에는 4G에서 5G로의 전환이 있습니다. 5G에서는 사물인터넷(IoT) 기기와 머신 타입 통신(MTC)을 지원하는 무선 기술에 훨씬 큰 비중이 실리기 때문이죠[2].

핵심 개념: 톱니 모양, 평균 AoI, 피크 AoI

#

AoI를 시간에 따라 그려 보면 톱니 모양이 나옵니다. 업데이트와 업데이트 사이에는 1초에 1초씩 일정하게 올라갑니다. 새 업데이트가 도착하면 AoI가 떨어지지만 0까지 떨어지지는 않습니다. 그 업데이트가 전송되는 데 걸린 시간만큼까지만 내려가죠. 도착한 순간 이미 그만큼 낡아 있으니까요.

이 곡선은 두 숫자로 요약됩니다. 평균 AoI는 톱니 아래 면적을 관측 시간으로 나눈 값으로, 아무 순간에나 들여다봤을 때 보게 될 AoI에 해당합니다. 피크 AoI는 톱니의 높이, 즉 업데이트가 도착하기 직전 AoI의 평균입니다. 분석하기가 더 쉽고, 한 주기 안에서 최악의 경우 얼마나 낡는지 알려 줍니다.

고전적인 초기 결과로는 Kaul, Yates, Gruteser의 2012년 논문 “Real-time status: How often should one update?”[4]가 유명합니다. 업데이트가 선착순(FCFS) 단일 큐(M/M/1)를 거치는 상황을 모델링하고, 서비스율을 μ, 이용률(링크가 얼마나 바쁜지)을 ρ라고 할 때 평균 AoI가 다음과 같음을 보였습니다.

Δ = (1/μ) × (1 + 1/ρ + ρ² / (1 − ρ))

1/ρ 항은 너무 드물게 보내는 데 대한 벌점이고, ρ²/(1 − ρ) 항은 너무 많이 보내서 큐가 쌓이는 데 대한 벌점입니다. AoI가 가장 낮아지는 지점은 ρ ≈ 0.53으로, 링크가 거의 절반의 시간 동안 놀고 있는 상태입니다. 처리량을 최대로 하려면 ρ를 1 쪽으로, 패킷별 지연을 최소로 하려면 0 쪽으로 밀어야 하지만, 신선도는 둘 다 원하지 않습니다. 이 지표가 필요한 이유가 이 한 줄에 다 들어 있습니다. 신선도에 가장 좋은 업데이트 속도는 처리량으로도, 지연으로도 고를 수 없는 값이라는 거죠.

AoI 스케줄링에 관한 논문 두 편

#

Reinforcement Learning Based Scheduling Algorithm for Optimizing Age of Information in Ultra Reliable Low Latency Networks [1]

이 논문이 가정하는 건 수많은 센서가 자기 상태를 쉬지 않고 전송하는 공장 환경입니다. 센서에는 자체 저장 공간이 없어서, 현재 상태를 기록하려면 원격 스케줄러가 그 신호를 골라 받아 줘야 합니다. 선택받지 못한 센서의 신호는 스케줄러의 액세스 포인트에서 그냥 무시되고요. 결국 임계값도 패킷 크기도 제각각인 센서들 가운데 어느 센서의 시간 제약도 어기지 않도록 어떻게 골라낼 것인가 하는 딜레마가 스케줄러에게 생깁니다. 논문에서는 “URLLC 관점의 최소화는 각 센서의 AoI가 미리 정한 임계값을 넘을 확률을 최소로 억제하는 것으로 표현된다"고 하며, 이 문제를 풀기 위해 actor-critic 알고리즘으로 강화학습 기반 스케줄러를 학습시킵니다.

Minimizing the Age of Information from Sensors with Correlated Observations [3]

이 논문은 “상관관계가 있는 센서 정보를 가진 일반적인 설정에서의 평균 AoI"를 다룹니다. 물리적 소스에서 나온 업데이트 하나를 여러 센서가 관측할 수 있으니 센서들의 관측은 겹치게 되고, 액세스 포인트가 같은 업데이트를 두 번 받아 봐야 의미가 없습니다. 저자들은 스케줄링 정책 두 가지를 제안합니다. 하나는 시스템 파라미터를 미리 알고 있다고 가정하는 정책이고, 다른 하나는 돌아가면서 파라미터를 학습하는 컨텍스추얼 밴딧(contextual bandits) 기반 정책입니다. 둘 다 센서 간의 겹침을 활용해서, 무작위나 라운드 로빈 스케줄에 비해 AoI를 크게 낮춥니다.

참고문헌

#

[1] Elgabli, A., Khan, H., Krouka, M., & Bennis, M. (2018). Reinforcement learning based scheduling algorithm for optimizing age of information in ultra reliable low latency networks. arXiv preprint arXiv:1811.06776.

[2] Boccardi, Federico, et al. “Five disruptive technology directions for 5G.” IEEE Communications Magazine 52.2 (2014): 74-80.

[3] Kalør, Anders E., and Petar Popovski. “Minimizing the Age of Information from Sensors with Correlated Observations.” arXiv preprint arXiv:1811.06453 (2018). 이후 버전의 제목은 “…with Common Observations"입니다.

[4] Kaul, S., Yates, R., & Gruteser, M. (2012). Real-time status: How often should one update? Proceedings of IEEE INFOCOM 2012, 2731-2735.

더 읽을거리: 처음 읽기에 가장 좋은 건 Yates, Sun, Brown, Kaul, Modiano, Ulukus의 서베이 논문 “Age of Information: An Introduction and Survey”(IEEE Journal on Selected Areas in Communications, 39권 5호, 2021)입니다. 책 한 권으로 깊이 보고 싶다면 Pappas, Abd-Elmagid, Zhou, Saad, Dhillon이 엮은 Age of Information: Foundations and Applications(Cambridge University Press, 2023)가 있습니다.