AI-Native 6G RAN을 위한 CU-DU 분리 아키텍처의 진화

CU-DU split은 5G에서 이미 유연한 배치, CU resource pooling, 원활한 이동성, RRC Inactive 최적화, multi-vendor 상호운용성을 입증했다.

DU를 RU 근처에 두고 CU를 중앙 또는 엣지에 배치할 수 있어 지역별 요구에 맞는 구성이 가능하고, CU의 UP를 여러 CU-UP으로 나눠 저지연 서비스와 eMBB를 서로 다른 위치에 배치할 수도 있다. NTN처럼 위성에 DU를 두고 지상에 CU를 두는 형태도 지원한다.

중앙화된 CU는 여러 DU의 L3 자원을 풀처럼 공유하게 해, 트래픽이 몰릴 때 엣지 데이터센터에서 컴퓨팅 자원을 탄력적으로 늘릴 수 있다. 그 결과 각 기지국에 RRC, PDCP 같은 L3 기능을 과도하게 깔아두는 비효율을 줄이고, XR, AI-inference, sensing처럼 변동성이 큰 5G-Advanced/6G 워크로드에 대응할 수 있다.

이동성과 제어 측면에서도 이점이 크다. 같은 CU 도메인 안에서는 UE의 mobility anchor가 유지돼 context transfer와 재연결 부담이 줄고, 여러 DU의 로드·QoS·이동 패턴을 CU가 모아 RRM을 더 정교하게 수행할 수 있다. RRC Inactive 모드에서도 UE가 DU 경계를 넘을 때마다 위치 업데이트를 반복할 필요가 줄어든다.

표준화된 F1/E1 인터페이스는 서로 다른 벤더의 CU와 DU를 조합할 수 있게 해 멀티벤더 Open RAN의 현실성을 높인다. 기사에서는 북미와 아시아의 Tier-1 사업자들이 이미 다중 벤더 CU-DU 조합을 상용망에 적용했다고 설명하며, 이를 통해 성능 안정성과 운영 성숙도가 검증됐다고 본다.

6G로 가면 CU는 Intelligent CU로 진화해 AI/ML을 RAN 깊숙이 넣는 중심이 된다. 기사에 제시된 AI-L3 활용 예시는 다음과 같다.

• Mobility Optimization: 사용자 이동 이력과 신호 이력으로 최적 핸드오버 대상과 RLF를 예측
• Load Balancing: 다중 DU 부하를 예측해 트래픽을 선제적으로 분산
• QoE Prediction and Control: 경험 저하를 미리 감지해 자원이나 슬라이스를 조정
• Energy-Aware Traffic Control: RU/DU 전력 상태와 트래픽을 연계해 에너지 효율을 높임

AI 기능이 늘어날수록 중앙 집약형 컴퓨팅의 가치도 커진다. 통합 기지국처럼 각 사이트마다 AI용 서버와 가속기를 따로 붙이는 방식보다, CU에서 컴퓨팅 풀을 확장하는 편이 투자와 운영 측면에서 더 효율적이다.

AI 관리도 CU로 더 가까워진다. 기존에는 모델 학습, 모니터링, 배포가 주로 OAM/SMO 영역에 있었지만, CU 안에 model onboarding, inference orchestration, training, validation을 넣으면 여러 DU에서 들어오는 실시간 데이터를 바탕으로 환경 변화에 맞춰 AI 모델을 더 빨리 재학습·미세조정할 수 있다.