이동통신망 자가 치유를 위한 기계학습 연구동향

이동통신망은 새로운 기술과 서비스 도입으로 점점 더 복잡해지고 있다. 특히 5G 망 전개 시나리오는 성격이 다른 무선액세스기술(RAT: Radio Access Technology)과 다양한 형태의 셀(클라우드 기지국, 매크로셀, 마이크로셀, 피코셀, 펨토셀)들이 공존하는 Heterogeneous Networks(HetNets)을 특징으로 한다. 이 맥락에서 망 사업자는 CAPEX와 OPEX 모두를 줄이면서 새로운 고품질 서비스를 제공해야 하는 과제에 직면한다. 이를 해결하기 위하여 자가 구성, 자가 최적화와 자가 치유 세 가지 모드로 구성된 자가 구성 네트워크(SON: Self-Organizing Network)에 대한 연구들이 오랫동안 진행되어 오고 있다. 2008년 Next Generation Mobile Networks(NGMN) Alliance는 SON을 차세대 네트워크의 주요 설계 원칙 중 하나로 고려하고 있다. 그러나 기술, 서비스, 셀 유형 등 증가에 따라 망 계획과 운영이 점점 더 복잡해지고 있다. 이러한 복잡성을 해결하기 위해 자율적 망 관리의 대부분 절차를 자동화시키는 SON이 최근 상용화되는 기계학습(ML: Machine Learning)의 발전으로 새로이 각광 받고 있다.

SON 중 자가 치유는 시스템 내 결함이 발생하자 마자 결함을 감지하고 서비스 품질에 미치는 영향을 최소화하는 과정이 자율적으로 동작하는 것을 의미한다. 자가 치유 기능은 다음과 같은 구체적인 원인으로 더 넓은 범위(원인 및 증상 유형에 따라)를 갖는다. 첫째, 셀의 비정상적인 동작이 특정 망 요소와 관련이 없는 경우로 간섭, 이웃 셀의 잘못된 정의, 잘못된 매개 변수 정의 등이 있다. 둘째, 일반적으로 단일 결함이 여러 개 알람을 발생시킬 수 있고, 동일 알람이 다른 결함을 의미할 수 있으며, 일부 망 조건이 변경될 때 결함 없이 일부 알람이 발생하기 때문에 일반적으로 수천 개의 알람에서 원인을 정확하게 판별하는 것은 어렵다. 셋째, 때로 알람 메시지를 전송할 수 없는 경우로 셀 하드웨어 구성 요소가 고장 나거나 outage 상태로 망 상태 정보를 전송하지 않는 수면 셀인 경우가 문제다.

SON 기술 중 자가 구성과 자가 최적화 연구는 활발했지만, 결함 검출, 결함 원인 진단과 outage 복구의 세 가지 모드로 구성된 자가 치유에 대한 연구는 상대적으로 관심이 적었다. 그 이유는 기본적으로 이동통신 동작 환경이 지역별, 시간대별로 달라서 증상에 대한 원인 식별을 전문가에 의존하게 된다는 것으로, 구체적으로 다음과 같은 점이 자가 치유에 대한 연구를 어렵게 한다. 첫째, 복잡하고 다이내믹한 이동통신 운영 환경으로부터 얻은 알람, 측정 데이터, 미 측정된 데이터 등으로부터 결함 검출을 위한 기준이 상황별로 달라서 실시간 결함 검출이 어렵다. 둘째, 검출된 결함을 유발시킨 원인이 셀 동작 조건과 환경에 따라 다양해서 실시간으로 결함 원인을 특정하기 어렵다. 셋째, 결함 원인에 대한 복구 방안도 셀 동작 조건과 환경에 따라 다양해서 최적의 outage 복구 방안 제시가 어렵다. 넷째, 결함 검출과 결함 진단 그리고 outage 복구 전 단계를 자동화시키기 위해서 미 활용된 데이터가 많고, 대처 방안도 일부 전문가의 지식으로 남아 있고, 사업자별로도 Key Performance Indicators(KPIs), 진단 방법, outage 복구 기준이 달라 학문적 연구가 어려웠다는 점이다.

한편, 3GPP(Third Generation Partnership Project)에서는 Rel. 9부터 자가 치유 프로세스와 사례의 표준화를 시작하였으며, 2012년 Rel. 11에서 자가 치유 개념과 요구사항을 만들었다. 최근 많은 관심을 끄는 자가 치유 사례 중 하나는 outage 상태에 있는 셀 자동 검출이다. 자가 치유 솔루션은 outage 시나리오를 극복하고, 망에서 발생하는 disruption 최소화를 위해 복구 메커니즘을 수행해야 한다. 그러나 현 방법은 셀 outage의 수동 검출이므로 검출에 수 일 또는 수 주일이 걸린다. 향후 이동통신의 규모와 복잡성 증가에 따라 수동 절차는 충분하지 않으며 검출과 복구를 포함한 자율 관리가 SON에 제공되어야 한다. 이 outage 문제해결을 위한 지능형 솔루션이 연구되어 왔다.

그럼에도 불구하고 상기 어려움을 해결하기 위해 자가 치유 자동화에 ML 기술을 적용한 학술적 연구는 2000년 중반부터 시작되었다. 그러나 관련 기존 연구들도 서로 다른 용어와 개념을 사용하였으며, 특정 RAT만을 위한 자가 치유를 연구해 왔다. 그리고 미래 이동통신망에서는 결함과 비정상을 예측해서 실제 상황 발생 전에 필요한 조치를 취하는 proactive 시나리오로 전환될 것으로 예상된다. 따라서 자가 치유 관점에서 사전 대응 패러다임으로 전환하기 위해서 우선 ML기반 자가 치유 프레임워크를 설계하고, 운영 전문가가 보유한 데이터와 이동통신망에서 수집된 측정 데이터를 기반으로 검출된 결함, 검출된 결함에 대한 진단, 그리고 그 진단에 대한 outage 복구에 적합한 ML을 선택하기 위한 연구개발이 필요하다.

본 고의 Ⅱ장에서는 자가 치유 프레임워크를, Ⅲ장에서는 ML기반 결함 검출을, Ⅳ장에서는 ML기반 결함 진단을, Ⅴ장에서는 ML기반 outage 복구에 대한 연구 동향을 분석 정리하였다.

이 장에서는 Ⅱ장의 자가 치유 프레임워크 중 결함 검출에 ML을 적용한 연구 사례를 분석 정리하였다.

Ciocarlie 등은 자동화된 셀 비정상 검출, 특히 셀 성능 열화 문제해결을 위해 정상적인 셀 행동 모델링을 위한 강력한 방법이 필요하다는 것에 주목했다. 특히 매우 동적인 KPI 측정값을 사용하여 셀 상태를 결정해야 하므로, KPI가 시스템 정상 상태에서 시간이 지남에 따라 변동되는 현상에 대처할 수 있는 모델링 기술로 망에서 셀 성능 상태를 모델링하고 결정하는 적응형 앙상블 프레임워크를 제안했다[7]. 저자는 단일 전통적인 시계열 비정상 검출 방법이 원하는 검출 성능을 제공할 수 없다는 가설에 따라 모니터링해야 할 KPI 유형이 넓어졌다. 제안 프레임워크는 서로 다른 분류기를 결합하고 예측에 가중치를 부여해서 새로운 데이터 요소를 분류했다. 모니터링된 데이터를 모델링하여 학습한 최적화 된 가중 파라미터 값을 사용하여 단일 분석법보다 훨씬 우수한 성능을 보여준 새로운 복합 검출 방법을 만들었다. 이 과정에서 특정 KPI를 사용하여 셀 상태를 결정하고, 새로운 관측 데이터 포인트 분류를 위해 Support Vector Machine(SVM) 분류기들의 조합을 사용했다.

Xue 등은 매크로-피코셀의 HetNets에서 시간 영역의 KPI 관찰 결과에 k-NN 분류기를 자동 비정상 검출 메커니즘으로 사용하여 outage 셀(성능이 저하되거나, 서비스 불가 셀)과 인접 셀 간 협력으로 outage 검출 방법을 제안했다[8].

2계층 매크로-펨토셀의 HetNets와 펨토셀의 작은 커버리지 특성으로 펨토셀 망에서 outage 검출이 어렵다. Wang 등은 이 문제해결을 위해 사용자간 공간 상관 관계를 추출할 수 있다는 관찰을 바탕으로 트리거 단계와 감지 단계로 구성된 협력 펨토셀 outage 검출을 제안했다[9]. 트리거 단계는 펨토셀 내 수신된 기준 신호 수신전력 통계에 협업 필터링으로 추출된 상관 정보를 활용하여 셀 간 통신 없이 효율적으로 검출 절차를 작동시킨다. 검출 단계는 탐지 정확도를 높이기 위해 펨토셀 간 수신된 기준 신호 수신전력 통계에 공간적·시간적으로 상관된 사용자 통계를 처리하는 순차적 협력 검출 규칙을 도입 적용했다.

Liao 등은 Principal Component Analysis(PCA)를 이용한 차원 축소와 커널 기반의 fuzzy 분류로 효율적인 망 모니터링과 proactive 셀 비정상 검출의 새로운 프레임워크를 제안했다[10]. 망 상태 특징 추출을 위해 일련의 메트릭을 선택하고 PCA로 데이터를 훨씬 낮은 차원 공간에 매핑했다. 그리고 커널 파라미터를 최적화하여 커널 기반의 fuzzy c-means 알고리즘으로 SON 사용 사례와 관련된 숨겨진 클러스터링 패턴을 배우면서 전문가가 제공하는 사전 지식을 통합했다.

Feng 등은 셀 성능 저하 수준에 따라 셀을 건강, 열화, 손상과 outage 4가지 상태로 분류하고, 3개 레이어의 Back-Propagation(BP) Neural Network(NN)를 설계하고, 모델의 빠른 훈련을 위해 차등 진화(DE: Differential Evolution) 알고리즘을 적용했다[11]. 그룹 기반의 최적화 알고리즘으로 제공되는 DE 알고리즘은 다른 진화 알고리즘에 비해 강력한 글로벌 검색 기능과 제어되지 않은 매개변수를 갖는다. 따라서 DE 알고리즘은 검색 전략을 조정할 수 있고 문제 특성 정보 없이 강력한 수렴과 견고성 기능을 갖추고 있다는 장점과 원칙적으로 간단하고 구현하기 쉽다.

Zoha 등은 셀 outage의 특별한 경우로 도전적인 sleeping 셀 검출을 위해 MDT 보고에 기초한 프로파일링, 검출, 국소화로 구성된 outage 검출 프레임워크를 제안했다[12]. 프로파일링 단계에서 MDT 측정값을 수집하고, 데이터 차원 축소에 MDS를 적용하여 정상적인 무결함 망 시나리오에서 참조 DB를 구축하고, 검출 단계에서는 망 측정값을 분류하고, 셀 outage 결정을 위해 Local Outlier Factor based Anomaly Detector(LOFAD)와 One Class Support Vector Machine based Detector(OCSVMD)의 두 가지 알고리즘을 적용 평가했다[12].

LTE와 LTE-A에서 outage를 자동으로 신속하게 감지하는 것은 어려운 문제이다. 따라서 사업자는 가능한 한 빨리 망의 문제에 대해 알고 있어야 하고, 유지 보수 담당자의 방문이나 광범위한 측정 캠페인없이 최소한의 개입만으로 문제를 식별할 수 있어야 하며, 허위 및 누락 알람 수를 최소화하고, 알고리즘 설정 또는 훈련 단계를 가능한 한 짧게 만들어야 하며, 망 성능 모니터링 시스템의 수동 설정 매개 변수의 양을 최소화하는 것이 매우 중요하다. Sleeping 셀은 기존 망 모니터링으로는 거의 감지할 수 없는 특정 유형의 셀 outage다. MDT 기능 도입으로 측정 캠페인 없이 가입자 단말에서 사용자 수준 통계를 수집할 수 있게 되어 효율적인 sleeping 셀 검출을 위해 MDT 데이터 처리에 데이터 마이닝 기술은 사용할 수 있다. Chernov 등은 sleeping 셀 검출을 위해 MDT 측정값에 데이터 마이닝 기술을 적용하는데, 고장 셀 검출 정확성에 영향을 주는 MDT 측정 위치의 정확성을 개선한 솔루션을 제시했다[13]. 훈련 단계에서 정상적인 망 시나리오에서 모델을 구축한 다음 시험 단계에서 특정 비정상 검출 알고리즘을 적용하여 샘플을 비정상적이거나 아 차원을 줄이고, K-means 비지도 기술을 적용하여 분류했다.

Zoha 등도 sleeping 셀 문제해결을 위해 셀 outage 검출과 복구 메커니즘으로 Fuzzy기반 RL을 이용하여 인접 셀의 안테나와 전력 파라미터를 재구성함으로써 식별된 outage 지역의 사용자에 대한 커버리지 갭을 채우고 서비스 품질을 향상시켰다[14]. MDT를 사용하여 셀 outage 검출을 위해 MDT 측정값을 수집하고 MDS를 사용하여 차원을 줄이고, LOFAD와 OCSVMD를 적용하여 outage 검출했다. 복구 메커니즘으로 안테나 down-tilt와 송신 전력을 조정하고 outage 셀 영향을 최소화하기 위해 RL과 결합된 Fuzzy 컨트롤러를 적용했다.

Alias 등은 셀을 건강, 열하, 절름발이 또는 긴장 4가지 상태로 분류하고, 셀의 현 상태를 자동으로 캡처하고 예상치 못하게 셀 outage를 추정하기 위해 Hidden Markov Model(HMM)기반 솔루션을 제안했다[15].

Chernov 등은 Random Access CHannel 실패로 인한 sleeping 셀 검출에 데이터 마이닝 프레임워크를 제시했다[16]. 우선 사용자 데이터를 수집하고 처리하며, PCA와 MCA로 차원을 축소했다. 그리고 우선 k-NN 비정상 검출 알고리즘을 적용하여 데이터 세트에서 outlier sub-call을 추출하고, 알고리즘으로 각 셀에 sleeping 셀 점수를 할당한다. 점수가 높을수록 셀이 sleeping 상태에 있을 가능성이 높다.

Chernogorov 등은 망 내에 sleeping 셀을 검출하고 그 위치를 파악하기 위해 Diffusion Map(DM)을 차원 축소 기술이 아니라 비정상 검출을 위한 분류도구로 사용했다[17]. DM은 새로운 임베디드 공간에서 비선형 데이터 세트를 선형으로 변환할 수 있으므로 분류 도구로도 사용될 수 있다고 주장했다. 비정상 검출 후, 모든 셀의 서비스 지도를 결정함으로써 그들의 위치를 결정하는 방법을 개발했다. 그리고 생성된 서비스 맵에 따라 비정상이 매핑되고 문제가 있는 셀을 식별했다.

이 장에서는 Ⅱ장의 자가 치유 프레임워크 중 결함 진단에 ML을 적용한 연구 사례를 분석 정리하였다.

Barco 등은 2005년 GSM/GPRS에서 자동화 결함 진단 방법으로 알람과 KPIs를 고려한 추론 엔진과 지식기반 모델을 제안했다[18]. 첫 단계로 알람과 KPIs 기반으로 성능이 저하된 셀을 식별하고, 둘째 단계에서 문제 원인을 찾고, 마지막 단계는 특정 조치를 실행하여 문제해결을 시도한다는 것이다. 추론 엔진으로는 Bayes 규칙을 사용하여 모든 가능한 원인을 계산하는 naive Bayesian 분류기를 사용했다. 이 분류기가 필요로 하는 지식기반 모델(연속 혹은 이산 확률밀도분포)로 정성적 진단 모델과 요소 간 관계를 형성하는 정량적 진단 모델의 두 가지 요소로 구성했다.

정성적 진단 모델은 원인(간섭, 커버리지, 하드웨어, 전송링크 결함 등), 증상(Dropped call, 품질과 수준, 핸드오버 등의 KPI와 on/off 알람)과 조건(기능과 구성)의 세 가지 요소 모두 랜덤변수로 모델링했다. 원인과 조건은 이산 랜덤변수, 증상은 연속 랜덤변수(KPI) 또는 이산 랜덤변수(알람)이다.

정량적 진단 모델에는 주어진 조건과 문제에 대한 각 원인의 확률, 주어진 각 원인에 대한 증상의 확률밀도함수, 주어진 조건에서 알람의 확률밀도함수가 필요하다. 그런데 알람 데이터가 모델 학습에 필요한 정보가 충분하지 않아서 전문가 지식을 기반으로 했다. KPI는 연속 랜덤변수이므로 KPI에 대한 조건 확률밀도함수 정의가 매우 복잡하여 전문가 도움을 받기 위해 이산화했다. 해석 과정을 통해 진단 모델에서 주어진 원인에 대한 모든 증상의 확률밀도함수는 모든 확률의 조합 혹은 베타 밀도 함수로 근사화됨을 보여주었다.

Khanafer 등은 Bayesian 방법을 사용해서 3G에서 자동 진단 방법을 제안했다[19]. 이 방법은 naive Bayesian 분류기를 사용하며, 진단 모델 성능 향상을 위해 Entropy Minimization Discretization(EMD)를 사용하여 입력 증상의 이산화를 위한 최적 세그먼트를 선택했다. 그리고 진단 모델을 실제 3G 망에 적응시키기 위해 O&M으로 복원된 카운터와 KPI를 사용했다.

사업자나 사용자에게는 실내 펨토셀 망 구성 시 발생되는 문제 진단이 중요하지만, 상대적으로 적은 사용자가 있는 실내 펨토셀에서 발생되는 데이터가 적고, 잘 계획된 셀룰라 망과 달리 펨토셀 토폴로지가 매우 역동적이어서 과거 데이터를 사용하기 어려운 문제가 있다. Wang 등은 펨토셀 망 구성에서 진단 모델의 정확성을 높이기 위해 다른 펨토셀 데이터를 활용하여 추가 진단 지식을 추출하는 전이 학습(TL: Transfer Learning)기반 프레임워크를 제안했다[20]. 전통적 진단 방법은 데이터 부족 문제로 펨토셀 망에 적용할 수 없으므로 TL을 사용하여 다른 펨토셀의 과거 데이터를 활용하여 문제를 해결하자는 것이다. 그리고, 펨토셀이 설치되는 무선 환경이 달라서 전통적인 TL 기술을 적용할 수 없으므로 Cell-Aware Transfer(CAT)라는 새로운 모델을 제안했다. 이 기법은 두 개의 분류기를 훈련한 후, 각 분류기를 진단 모델에서 유권자로 취급하고, 최종 진단은 가장 많은 표를 얻은 분류기로 했다.

Gómez-Andrades 등은 무선접속 구간에서 문제를 신속하게 감지하고 해결하기 위한 솔루션으로 셀 추적 기능과 MDT로 자동 수집된 시그널링 메시지, 무선 측정값 그리고 위치 정보를 이용하여 각 셀의 RF 상태를 자동 진단하는 방법을 제안했다[21]. 이 방법을 사용하면 RF 상태의 평가를 기반으로 RF 문제를 정확하게 찾을 수 있음을 보여주었다. 모바일 추적으로 큰 데이터 세트를 구성하며, 분석은 빅데이터 분석 기술을 사용했다. 모바일 추적은 분석할 대량의 데이터와 각 셀의 RF 조건에 대한 기록이 부족하므로 비지도 ML인 SOM을 사용하여 데이터를 분석했다. 그리고 SOM 출력을 셀 수준에서 집계해서 셀의 RF 조건을 분석했다.

이 장에서는 Ⅱ장의 자가 치유 프레임워크 중 결함 복구에 ML을 적용한 연구 사례를 분석 정리하였다. outage 관리에서 매우 인기 있는 알고리즘으로 피드백 컨트롤러가 있다. 대부분의 방법은 인접 셀의 커버리지를 조정하고 시스템 내 outage 셀의 영향을 최소화하는 특정 메커니즘을 트리거하여 outage 복구 문제를 해결하는 것을 목표로 송신 전력과 안테나 down-tilt 각도 조정하는 것이다. 이동통신망에서 사용자는 임의의 방향과 임의의 속도로 움직이고 무선채널의 페이딩·섀도잉·경로 손실 등 채널 영향으로 통신 환경이 매우 역동적이다. Moysen 등은 이 역동적 환경에서 식별된 outage 영역에서 용량과 커버리지 갭의 복구 방법으로 변동이 심한 주변 환경과 적응적으로 상호작용할 수 있는 Temporal Difference(TD) 학습과 RL기반으로 송신 전력과 안테나 down-tilt 각도를 자동 조정했다[22]. 커버리지를 확장하는 주변 LTE eNB들에 의해 생성될 수 있는 섹터 간 간섭을 피하기 위해, AC 알고리즘은 FFR을 고려하여 outage 영역에 할당된 사용자들에게 특정 대역폭을 할당했다.

Cell Range Expansion(CRE)은 셀 경계 throughput과 전체 네트워크 throughput 향상을 위해 피코셀 전송 전력을 증가시키는 반면 피코셀 수신 전력에 바이어스 값을 추가해서 피코셀 범위를 사실상 확장하는 부하 밸런싱 기술이다. 즉, CRE는 피코셀에서 매크로셀로의 부하를 분산시켜 가입자 outage 수를 줄일 수 있다. Kudo 등은 Q-learning 알고리즘을 사용하여 각 가입자가 가입자 outage 수를 독립적으로 줄이기 위해 어떤 셀에 서비스 요청을 보내야 하는지 과거의 경험으로부터 학습해서 셀을 선택하는 방식을 제안했다[23]. 이 방법은 각 가입자가 바이어스값이 아닌 연결될 셀을 CRE와 직접 선택하여 필요한 메모리 크기를 줄이고 더 빨리 수렴하는 방식이다.

Saeed 등은 인접 셀의 안테나 재구성과 전력 보상으로 커버리지를 최적화해서 커버리지 갭을 채우고 사용자에 대한 QoS를 개선하는 장애 셀 복구 프로세스로 RL과 결합된 Fuzzy 컨트롤러를 이용하여 안테나 down-tilt만 혹은 송신 전력만 조정하거나 둘 다 조정하는 방법을 연구했다[24]. 이렇게 재 구성된 파라미터의 올바른 선택은 퍼지 논리 제어 및 강화 학습과 관련된 프로세스를 통해 결정된다.

본 고에서는 기존 세대와 달리 다양한 무선전송 기술이 추가된 HetNets 시나리오에서 동작해야 하는 5G에서 고품질 서비스를 저렴하게 효과적으로 제공하기 위해 다시 주목을 받는 SON 기술 중에서 ML기술 기반의 자가 치유 연구동향을 분석 정리하였다. 자가 치유 기술은 데이터 수집, 결함 검출, 결함 진단, 결함 복구 과정으로 이루어진 자가 치유 프레임워크을 정의하고 있으며, 이를 자동화하기 위하여 머신러닝과의 결합된 연구가 활발히 진행 중임을 알 수 있었다. 자가 치유는 망 결함이 미칠 수 있는 영향을 감지하고 완화하는 중요한 역할을 담당해서 자가 최적화와 함께 가장 많이 연구된 분야 중 하나임에도 불구하고 여전히 개선의 여지가 있음을 확인했다.

향후 이동통신망은 결함과 비정상을 예측해서 실제 상황 발생 전에 필요한 조치를 취하는 proactive 시나리오로 전환될 것으로 예상된다. 따라서 자가 치유 관점에서 사전 대응 패러다임으로 전환하기 위해서 우선 ML기반 자가 치유 프레임워크를 설계하고, 운영 전문가가 보유한 데이터와 이동 통신망에서 수집된 측정 데이터를 기반으로 검출된 결함, 검출된 결함에 대한 진단, 그리고 그 진단에 대한 outage 복구에 적합한 ML을 선택하기 위한 연구개발이 필요하다.