Technology  ______  기계학습을 활용한 5G통신 동향

공유하기  

   

기계학습을 통해 5G통신 시대를 엿보다

빅데이터를 통한 학습, GPU를 활용한 고속 컴퓨팅 및 다양한 알고리즘 개발과 더불어 기계학습은 다양한 분야에서 종래에 이루어내지 못한 뛰어난 성과를 달성하고 있다. 그동안 상용화된 통신 시스템에서 기계학습이 활성화되지 못했지만, 전례 없는 다양한 서비스와 단말을 아우르는 5G통신에서는 더욱 적극적으로 활용될 것으로 예상한다. 이에 기계학습 관련 통신기술, 연구그룹 및 기업 동향을 살펴보고, 이를 통해 5G통신 적용 가능성을 짚어본다.

효율적인 정보사용을 위한 기계학습

기계학습(machine learning)이란 정보 학습을 통해, 자동으로 입력과 출력 데이터간 연계 관계를 확립하여, 새로운 입력 데이터를 처리하는 것을 의미한다. 1940년대부터 소개된 기술로 인공지능 연구를 위해 널리 활용됐다. 특히, 빅데이터로부터 신뢰성 있는 학습이 가능하고 GPU(Graphic Processing Unit)을 활용한 고속 컴퓨팅의 등장, 최적의 솔루션을 찾을 수 있는 다양한 기계학습 기법 연구로 인해 그동안 학계 연구로 머물렀던 기술이 오늘날에는 공공, 개인, 산업에 널리 사용하게 되었다. 기계학습 기술은 통신 분야에도 다양하게 쓰인다. 자가망 구성, DDOS공격 등 비정상 접근 검출, 트래픽 분류, 네트워크 관리 등이다.
기계학습에서는 트레이닝 데이터와 검증 데이터를 이용해 어떤 응용에 적합한 모델을 만들어 내고 만들어진 모델을 실제 필드에 적용하고 다시 이를 업데이트하는 과정을 반복해 정확도를 높이는 과정을 반복한다. 모델을 생성하기 위해서는 입력데이터로부터 특징을 추출하는 과정이 필요한데, 기존에 사용된 방법은 사람이 개입하여 특징을 찾아주는 과정이 필요하다.
하지만, 딥러닝을 적용하는 경우에는 특징 추출 과정도 자동으로 진행되어 정확도와 소요시간을 줄여줄 수 있다. 그러나 기존의 방법들도 데이터가 부족하고 적은 계산량이 있어야 하는 응용에는 딥러닝 보다 적합할 수 있으므로 딥러닝과 상호 보완적 관계라고 할 수 있다.
통신 분야에서도 신호처리, 음성인식 분야보다는 활성화되어 있지 않지만, 이러한 딥러닝을 포함한 기계학습 기법을 도입하려는 시도가 이루어지고 있다.
2020년경 상용화될 것으로 예상되는 5G통신은 ‘언제 어디서나 환경의 제약 없이 사람과 사물을 포함한 모든 사용자에게 지연 없이 Gbps급 서비스를 비용과 에너지 측면에서 효율적으로 제공하는 통신’을 의미한다. 이러한 5G통신은 전례 없는 다양한 서비스와 단말을 아우를 것으로 예상되어, 최근 놀라운 성능을 보여주고 있는 기계학습이 이전 통신 방식 보다 적극적으로 사용될 것으로 예상된다.

기계학습 관련 5G통신 기술 동향

기계학습 관련 5G통신 기술 동향은 크게 무선전송접속 기술, 이종망 기술, 네트워크 기술, 보안 기술로 나눌 수 있다.
무선통신의 물리계층, 다중접속계층에 적용된 기계학습의 대표 사례는 하향링크에서 링크적응(link adapatation)이다. 링크적응은 사용자들의 채널상태 변화에 따라 적응 변조와 부호화(adaptive modulation and coding)를 수행하여 수신 품질을 유지하면서 시스템 전송효율을 최대화하는 기술이다. 기계학습을 물리계층에 적용한 다른 사례로 비면허대역을 공유하는 서로 다른 무선접속 규격을 갖는 신호를 추정하고 분리하여 간섭을 제거해, 자기 신호의 신호대잡음비를 높이는 연구가 있다. 또한, 딥러닝 방식의 하나인 Convolutional Neural Network(CNN)을 이용해 비면허대역 무선통신 신호를 추정하고 예측하는 방법도 연구되고 있다.
한편, 폭증하는 트래픽과 다양한 서비스 요구사항으로 인해 통신 사업자의 망은 커버리지, 전송전력, 동작방식 등에 따라 다양한 종류의 망이 섞여 있는 이종망으로 진화중이다. 이종망은 본격적인 동작 전 스스로 셀을 구성하는 자기 설정(Self-Configuration), 오동작을 발견하고 스스로 복구하는 자기 복구(Self-Healing), 네트워크 상황을 측정하여 스스로 설정을 최적화하는 자기 최적화(Self-Optimization)의 세 가지 특성이 필요한 자기 구성망(Self-Organization Networks) 기술을 통해 인간의 개입을 최소화하여 비용 절감을 달성할 수 있다. 이 밖에 인간 두뇌의 신경망을 본 뜬 인공신경망(Artificaial Neural Networks)을 적용한 연구, 기계학습 이외에 세포를 모방한 Genetic 알고리즘, 군집 지성의 대표적인 알고리즘인 개미 군락 최적화, fuzzy 시스템 등 인공지능을 활용한 이종망 성능 향상 기술도 연구되고 있다.
오래전부터 유/무선 통신사업자들은 QoS제공, 비정상 탐지, 침입 탐지 등을 위해 자신들의 네트워크를 통해 전송되는 트래픽들을 감지하고 분류했으며, 그 방법으로는 포트 번호 감지, 패킷의 앱 종류 감지, Deep Packet Inspection(DPI) 등을 사용했다. 5G 네트워크에서 기계학습 기법을 이용한다면 임의 포트 변경/암호화에도 불구하고 트래픽 감지/분류를 수행할 수 있을 것이고, 또한 모든 패킷에 대해 DPI를 수행할 필요 없이 트래픽 플로우의 통계적 특성을 이용하여 플로우를 분류하고 애플리케이션을 인식할 수 있다. 트래픽 분류, 앱 인식 방법으로 비감독형 기계학습을 이용한 방안이 제안되었으며, 네트워크 분야에 기계학습 적용에서 그래프 이론 기반 분산 학습 알고리즘을 발전시키고 있다.
현재 많은 네트워크에서는 보안을 위해 침입 탐지를 시행하고 있고, 그 방법으로는 시그니처 기반 네트워크 공격 탐지를 주로 사용하고 있다. 하지만 이는 다각적인 침입에는 효과적이지 않다고 알려져 있고, 제로데이 공격, 예고 없는 공격은 감지할 수 없다. 이와 같은 문제점을 극복하기 위해, 기계학습을 이용한 침입 탐지에서의 데이터 셋을 업데이트하는 방법을 제안하고 기존 방법과 성능을 비교/분석했다. 침입 탐지에 기계학습을 사용하면서 한 가지 기계학습 기법을 사용하는 것보다 여러 가지의 기계학습 기법을 사용하는 것이 더 좋은 성능을 낸다는 것에 착안해 Triangle Area Based Nearest Neighbors(TANN) 기반의 hybrid learning 모델을 제안했다.

기계학습 관련 연구그룹 동향

기계학습과 관련해 통신 연구그룹 동향은 5G PPP 프로젝트 동향, 표준 관련 그룹 동향, 산업계 동향으로 나누어 살펴볼 수 있다.
5G Infrastructure Public Private Partnership(5G PPP) 프로젝트는 유럽에서 진행된 5G 연구 프로젝트로서 2015년 7월에 19개 프로젝트를 시작으로 Phase 1이 진행 중이다. 이들 프로젝트 중에서 기계학습과 5G를 직접 연구주제로 진행하는 프로젝트(CogNet)와 세부 연구 분야에서 기계학습을 응용하고 있는 프로젝트(SPEED-5G, SELFNET)가 있다.
CogNet 프로젝트는 19개 5G-PPP 프로젝트 중 하나로 기계학습 기반 5G 네트워크 관리 분야를 주요 연구 주제로 하고 있다. 특히, CogNet 프로젝트에서는 인지 네트워크 관리, 5G 네트워크 보안과 무결성, 가상 네트워크 플랫폼과 소프트웨어 네트워크 분야에 기계학습을 적용하고 있다.
SPEED-5G 프로젝트는 이종망에서 스펙트럼 효율을 최적화하는 기술 개발을 목표로 하고 있다. 기계학습 기반 무선자원관리 기술은 SPEED-5G에서 진행하고 있는 연구 중 하나로, 고속 이동 차량에서 주변 기지국 장치와 차량 통신, 이동 차량 간 통신 등에 요구되는 무선 자원을 기계학습을 통한 예측 모델을 통해 효율적인 자원 관리를 제공한다. 또한, 다양한 라이센싱 기법, 넓은 주파수 대역에서 자동화된 동적 스펙트럼 할당 기법 등에 기계학습 기법을 도입하고 있다.
SELFNET 프로젝트는 5G PPP 프로젝트 중 하나로 Software Defined Network(SDN), Network Function Virtualization(NFV), Cloud Computing, 인공지능 등의 기술을 사용하여 비용 효율적인 실시간 자동 5G 네트워크 관리를 추구한다. 특히, 현재 네트워크 관리자에 의해 수동으로 진행되고 있는 일반적인 네트워크 문제를 자기구성(self-organizing) 기술을 활용해 운용비용을 줄이고 사용자 경험을 향상시키기 위한 지능화 네트워크 프레임워크 설계 및 구현에 초점을 맞추고 있다.
표준관련 그룹 동향을 살펴보면, NMLRG는 기계학습을 통해 네트워크 상의 복잡한 일을 쉽게 풀어주고 자동화할 수 있도록 연구하는 그룹이다. 연구 아이템으로 기계학습 기반 플로우 모니터링, 라우터에서의 이상 트래픽 감지 등 기계학습 기반 관련 연구를 수행하고 있다.
Internet Engineering Task Force(IETF) Autonomic Networking Integrated Model and Approach(ANIMA) WG에서는 self-management를 목적으로 연구그룹을 운용하고 있다. 주요 연구 주제는 자동화된 네트워크 정의/갭분석, Use Case, 공통 요구사항, 문제정의 등이다.
Next Generation Protocol(NGP) Industry Specification Group(ISP)는 차세대 통신 프로토콜, 네트워크 아키텍처 요구사항을 연구하는 그룹으로, Self-organizing Control & Management Planes 워크아이템에 자율결정을 위한 기계학습 도입이 다루어지고 있다.
한편, 산업계 동향은 2014년 이후 컬컴에서 Zeroth라는 이름으로 인간의 두뇌에서 영감을 받은 컴퓨팅 기술과 딥러닝 기술 개발을 시작했다. 컬컴은 딥러닝이 모바일 SOC인 Snapdragon에서 효율적으로 동작할 수 있도록 하였으며, 이를 통해 일상 속에서 스마트폰, 로봇, 자동차, 드론 등에 딥러닝 활용이 가능해졌다. 또, 거의 실시간으로 얼굴 인식이 가능한 로봇을 선보이고, 시간 영역 요소를 가진 영상 동작 인식, 필기 인식, 음성/자연어 처리 등이 가능한 Recurrent Neural Network 기술도 연구 중이다.
이밖에 노키아는 2020년 기술 비전으로 기계학습을 이용한 자기인지 네트워크를 제공하는 것을 목표로 하고 있으며, 에릭슨은 사용자, 네트워크 트래픽 데이터를 이해/분석하고 서비스 부양을 위해 기계학습을 활용하는 것을 제안하고 있다.

※ 논문 다운받기(논문저자 : 김근영 5G 사업전략실 선임연구원, 김용선, 남준영, 이우용, 홍승은 5G 사업전략실 책임연구원, 서지훈 5G 사업전략실 연구원)
- 본 글은 위 논문을 재구성하여 작성했습니다. 자세한 내용은 논문을 확인해주시기 바랍니다. -