차세대 서비스 인지형 RAN을 위한 실용적인 AI 기반 트래픽 분류
차세대 RAN의 효율적 운영을 위해 클러스터링 기반 의사 라벨링과 경량 추론을 결합한 AI 트래픽 분류 프레임워크를 제안한다.
현대 모바일 네트워크는 영상 스트리밍, 클라우드 게임, XR/VR 등 다양한 트래픽을 처리하며, 각 서비스의 특성에 맞는 실시간 분석이 필수적이다. 서비스 인지형(Service-aware) RAN은 트래픽 패턴을 파악해 RRC(Radio Resource Control) 상태를 적응적으로 제어함으로써, 무선 자원 할당을 최적화하고 UE(단말) 전력 효율을 높일 수 있다.
하지만 기존 AI 기반 트래픽 분류 방식은 높은 연산 비용과 대규모 라벨링 데이터가 필요해, 실시간성과 자원 제약이 엄격한 CU(Central Unit) 환경에 적용하기 어렵다. 또한, 새로운 서비스의 등장으로 인해 지속적으로 라벨링된 데이터셋을 유지하는 것도 현실적인 한계가 있다.
이를 해결하기 위해 **클러스터링 기반 의사 라벨링(Pseudo-labeling)**과 **경량 플로우 레벨 추론(Lightweight flow-level inference)**을 결합한 실용적인 프레임워크를 제안한다. 이 방식은 암호화된 트래픽에서도 통계적·시간적 특징을 통해 서비스 특성을 효과적으로 추론할 수 있다.
제안된 기술은 RRC 상태 제어에 활용되어 신호 오버헤드를 최소화하면서 단말의 전력 소모를 줄인다. 테스트베드 실험을 통해 그 효과를 입증했으며, 향후 지능형 6G 네트워크의 다양한 서비스 인지형 기능으로 확장 가능하다.
이 요약은 원문 이해를 돕기 위한 큐레이션입니다. 저작권은 원저작자에게 있으며, 정확한 내용과 맥락은 원문을 확인하세요.
요약 오류, 출처 표기 문제, 삭제 요청은 문의 · 건의로 알려주세요.