AI-native 크로스-도메인 6G 네트워크 기술동향

AI-native 네트워크는 AI 기술이 네트워크 운용의 보조적 도구를 넘어서, 네트워크의 구조 전반에 내재화된 형태의 차세대 네트워크의 개념으로서 AI가 네트워크의 설계‧제어‧운용‧진화 전 과정에 걸쳐 중심적으로 작동하며, 동시에 AI가 요구하는 초대규모 데이터 처리‧학습‧추론 환경을 네트워크 시스템 자체가 내재적으로 지원하도록 설계된 차세대 네트워크로 정의된다.

즉, 다양한 서비스의 복잡한 요구사항에 대응하고 네트워크의 효율성과 성능 향상, 운용비용 절감과 재투자를 통한 사용자 경험 개선과 비즈니스 혁신을 위하여, 현재는 네트워크에서 기계학습과 심층학습 기술을 보조적으로 활용하고 있는 수준이지만, 향후에는 데이터의 수집에서 학습, 추론, 검증, 실행, 피드백에 이르는 AI/ML 전주기가 통신 네트워크 전구간에 내재화된 형태로 상호유기적으로 동작함으로써, 네트워크 운용 및 제어 관리의 자동화(AI for Network)와 AI 응용 서비스의 최적화(Network for AI)를 지원하는 AI 네트워크로 진화할 것으로 전망된다. 그림 1에서는 AI-native 네트워크의 개념도를 보인다.

그림 1

AI-native 네트워크 개념도

출처 Reprinted from 백용순 외, “AI 네트워크 전략,” 한국전자통신연구원 입체통신연구소, 2025. 9. 22.

2.1 표준 동향

ITU-T

ITU-T는 SG13을 중심으로 통신망에 AI/ML을 통합하기 위한 구조, 기능, 요구사항, 사용 사례를 표준화하고 있으며, Y.3172를 통해 ML 파이프라인 기반 프레임워크를 제시하였다. 이후 Y.3177 등 다양한 권고안을 통해 자동화, 성능 평가, 모델 마켓플레이스 등 구체 기술을 다루고 있다.

2024년 7월에는 AI-native 네트워크를 연구하는 FG-AINN(Focus Group on AI-Native Networks)이 출범했으며, AI가 네트워크 내재화 구조로 통합되는 전환을 모색하고 있다[1]. 특히, 이 그룹은 개념 정의, 구조 설계, PoC 프레임워크 수립 등을 중심으로 활동 중이다.

또한, 생성형 AI의 통신망 활용을 다루는 TR.GenAI-Telecom이 작성되었고, 신뢰성과 효율성 확보를 위한 요구사항과 평가 방법론이 논의되고 있다[2]. 데이터셋 구조 및 관리에 대한 표준화도 병행 추진 중이다.

ETSI

ETSI는 AI를 ICT 전반의 전환 기술로 보고, Operational Co-ordination Group on Artificial Intelligence(OCG AI)를 중심으로 다양한 Technical Committee(TC) 및 Industry Specification Groups(ISG)와 협력하고 있다. 특히 TC Securing Artificial Intelligence(SAI)는 AI 보안 및 신뢰성 확보를 위한 기술 규격을 개발하고 있으며, 사이버 보안 요구사항과 법률 정합성까지 고려한 문서를 발행 중이다[3].

구체적으로는, ISG Experiential Networked Intelligence(ENI)는 경험 기반 네트워크 적응, ISG Zero-touch network and Service Management(ZSM)은 사람의 개입이 없는 완전 자율화, ISG Integrated Sensing and Communication(ISAC)는 AI 기반 센싱‧통신 통합 기술을 6G 요소로 다루고 있다[4-6]. 또한, ISG Multiple Access Techniques(MAT)는 자율성과 신뢰성을 갖춘 AI 모델의 적용 가능성을 연구하고 있다[7].

3GPP

3GPP는 Rel.15부터 AI/ML을 통신망에 적용하기 위한 표준화를 시작하여, Rel.16에서 Network Data Analytics Function(NWDAF)을 통해 네트워크 데이터 기반 인사이트 제공 구조를 구축하였다. 이후 Rel.17~19에서 연합학습, QoS 예측, 데이터 전송 협상 등의 기능이 발전하며 실용화가 가속화되었다. 5G-Advanced에 대한 표준과 6G에 관한 연구가 병행되는 Rel.20에서는 단말(UE) 데이터를 수집해 AI 모델 학습에 활용하는 방안, 사용자 평면(UP: User Plane)의 성능 분석 및 최적화를 위한 5G에서의 AI 고도화 기능이 논의되고 있다[8]. 이와 더불어, AI 에이전트 개념을 포함하여 6G 시스템 관점에서의 AI 사용 및 AI/센싱을 위한 데이터 관리 프레임워크 등에 대한 연구가 시작되었다[9].

RAN 측면에서는 Rel.17부터 AI/ML 기반의 지능화 프레임워크를 도입하여, 에너지 절약, 이동성 최적화 등 핵심 기능에 대한 초기 적용을 시작하였다. Rel.18~19에서는 단말–기지국 간 협력 구조, 모델 수명주기 관리, 빔 관리, 네트워크 슬라이싱 등 다양한 기능이 구체화되며 AI/ML 활용 범위가 확장되었다. 이어서 Rel.20에서는 5G-Advanced 기능으로 기존 NR 구조 내에서의 AI 활용을 통해 네트워크 효율성과 사용자 경험의 향상을 진행하고 있다[10]. 이와 더불어, 6G RAN 설계를 위한 구조적 정비가 진행 중이며, AI 기반 기능 확대와 함께 AI 없이도 안정적으로 동작 가능한 시스템 설계에 대한 논의가 병행되고 있다[11].

O-RAN Alliance

O-RAN Alliance는 2018년 설립된 글로벌 표준화 기구로, 폐쇄적이고 제조사 종속적인 무선 접속망을 개방적이고 지능적인 구조로 전환하기 위해 출범하였다[12]. 특히 RAN Intelligent Controller(RIC)의 도입으로 AI 기반 정책 제어와 네트워크 최적화가 가능해지면서, 무선망 운용은 자율적이고 지능적인 방식으로 진화하였다[12,13]. 여기에 근실시간(Near-RT)‧비실시간(Non-RT) AI 응용과 DU‧CU 내부의 실시간 AI 응용이 결합되어, AI는 무선 자원 관리와 제어에 직접 활용될 수 있다. 이를 통해, MU-MIMO 스케줄링과 CSI 기반 제어를 최적화하고, 실시간 학습으로 효율적인 자원 배분을 지원한다[14]. 또한, 트래픽 부하 예측을 활용한 절전 제어와 AI 기반 이상 탐지 및 위협 대응이 표준 규격에 포함되면서, O-RAN은 성능‧안정성‧지속가능성을 동시에 추구하고 있다[13,14].

6G 대비를 위해 운영되는 nGRG(next Generation Research Group)는 6G 활용 사례, 구조, AI-native 네트워크, 크로스-도메인(Cross-domain) AI, 보안을 주요 연구 주제로 삼고 있으며, O-RAN 내부에 AI를 내재화하고 서비스‧엣지‧코어 전반을 아우르는 협력형 AI 모델 개발을 추진하고 있다[12,13]. 최근에는 생성형 AI의 잠재력이 주목받고 있는데, 이는 네트워크 관리 자동화, 멀티모달 디지털 트윈, 물리계층 신호 처리뿐만 아니라 실시간 상호작용 서비스, 지능형 어시스턴트, 시맨틱 커뮤니케이션 같은 6G 서비스로 확장될 수 있다[15]. 이를 통해, O-RAN은 단순한 개방형 구조를 넘어, 생성형 AI를 내재화한 지능형 네트워크 플랫폼으로 진화하고 있음을 보여준다.

AI-RAN Alliance

AI-RAN Alliance는 AI 기술을 활용하여 RAN 성능 향상 및 유연성 제고를 목표로 하며, AI-for/and/on-RAN 개념을 통해 무선 자원 최적화, AI 작업 동시처리, AI 기반 서비스 전달을 추구한다. 최근에는 Data-for-AI TG와 Test Methodology TG를 신설해, AI 모델 학습용 RAN 데이터 정의와 AI-RAN 시스템의 테스트 프레임워크 개발에 착수하였다[16].

한편, AI-RAN Alliance는 공식 표준 개발 기구(SDO)는 아니지만, 이들이 생산하는 기술 보고서, 평가 프레임워크, 개념 검증(PoC) 결과 등은 3GPP, O-RAN Alliance 등에서의 실질적인 표준화 논의에 중요한 참조 자료로 활용되고 있다. 특히, AI-RAN Alliance에서는 현실적인 유즈케이스 기반의 사전 표준화 연구를 통해, 기술 적용성과 표준화 간의 간극을 좁히고, 표준이 시장 수요와 기술 진화 속도에 부합할 수 있도록 이바지하고 있다.

2.2 기술 동향

제조사

Nokia는 완전 자율 네트워크(Level 5)를 목표로 ANF(AI Network Fabric)를 통해 네트워크 관측‧분석‧보안‧자동화를 통합한 지능형 플랫폼을 개발하고 있으며, Google Cloud 기반 생성형 AI로 트래픽 분석, 이상 탐지, 자동복구 기능을 구현 중이다. Microsoft와는 LLM 기반 서비스 자동화를 공동 개발하고 있으며, 실증 사례를 통해 에너지 절감 성과도 확보하였다. 또한, Nokia는 AI-RAN Alliance에서도 주요 역할을 맡고 있다.

Ericsson은 AWS와 Gen-AI Lab을 운영하며 OSS/BSS 자동화를 추진하고, 20여 개 이상의 AI 앱을 통합한 다중 에이전트 시스템을 통해 운용 효율화를 실현 중이다. NetCloud Assistant는 LLM 기반 가상 전문가로서, 네트워크 질의응답, 진단 등을 자동화하고 있다. 또한, RAN 에너지 최적화, 신경 모방 AI 기반 초저전력 무선 신호 처리 기술 등을 개발 중이다.

Huawei는 AI-native 네트워크 구조 전환을 목표로 AI 코어망을 발표하고, AIBA 기반 Agentic Core 구현을 추진 중이다. 또한, IP/전송망에서도 L4 자율망 솔루션을 상용화하고 있으며, ADN 전략하에 AI 통합 관리 플랫폼(iMaster NAIE 등)을 구축하였다. 또한, 실제 운용망에서 AI 기반 장애 예측 및 복구 성능 향상이 가능함을 입증하고 있으며, 글로벌 파트너십을 통해 6G 대응을 강화하고 있다.

Samsung은 AI-RAN 기술 선도에 집중하여, NVIDIA와 협력한 AI 가속 기반 vRAN을 PoC로 선보이고, MWC 2025에서 AI 기반 신호처리 기술을 시연하였다. O-RAN 기반 상용망에서도 AI 기반 에너지 매니저(AI-ESM)를 적용, 실시간 전력 최적화를 구현하고 있다. 이 외에도 자체 개발 NOS, CognitiV 등을 통해 자동화와 슬라이싱 최적화도 병행 중이다.

통신사

AT&T는 ‘Network AI’ 전략하에 자체 데이터레이크 및 분석 플랫폼(Aether)을 기반으로, AI/ML을 통한 네트워크 서비스 품질 개선 및 예측 기반 운용을 수행하고 있다. 뿐만 아니라, Google Cloud와 협력하여 네트워크 운용 자동화 및 GenAI 기반 고객 지원 시스템을 공동 개발 중이며, AI 기반 트래픽 예측과 장애 사전 대응 시스템을 통해 운용 비용 절감을 실현하고 있다. 또한, MEC 기반 AI 추론 기능을 네트워크 엣지에 통합하려는 시도도 진행 중이다.

China Mobi le은 자사 AI 네트워크 전략인 ‘CUBE-Net 3.0’하에, 지능형 통신망을 위한 AI 구조를 정립하고 있으며, NWDAF 기반 데이터 분석, 디지털 트윈 기반 네트워크 예측 관리, AI 기반 에너지 최적화를 추진하고 있다. MWC에서 자율 운용 레벨 4 이상의 코어망 및 RAN 자동화를 시연하였으며, 자체 AI 개발 프레임워크(CM-AI)와 연계된 모델 마켓플레이스도 운영 중이다.

NTT DOCOMO는 AI-RAN Alliance의 핵심 구성원으로서, AI/ML 기술을 기반으로 한 무선 자원 관리 최적화, 네트워크 트래픽 예측, 에너지 절감 등을 위한 다양한 PoC를 진행 중이다. 특히, RIC 기반의 AI 서비스 개발 및 NWDAF 활용을 통해 RAN 지능화를 추진하고 있으며, 개방형 혁신을 통한 제조사 협력 및 실증도 병행하고 있다. AI 모델의 학습‧추론 위치 분산, 데이터 프라이버시 보호를 고려한 연합학습 적용 연구도 병행 중이다.

Deutsche Telekom은 ‘Zero Touch Service and Network Management’ 전략하에, 네트워크 운용 자동화 및 고객 서비스 최적화를 위한 AI 활용을 본격화하고 있다. T-Mobile US와 공동으로 AWS 기반 AI 플랫폼을 구축하여, 실시간 장애 감지 및 복구, 고객 이슈 자동 분류, 자동 자원 할당 등을 실현하고 있다. 또한, OSS/BSS에 LLM 기반 에이전트 도입을 시도하고 있으며, 자체 AI 개발자 포털(AI@DT)을 통해 AI 내재화를 가속 중이다.

T-Mobile US는 Deutsche Telekom과의 협력을 바탕으로, 고객 경험 개선과 운용 효율화를 위한 AI 도입을 확대하고 있다. 특히, 실시간 트래픽 관리와 네트워크 품질 모니터링 자동화, 고객 문의 응답 지원 등에 GenAI와 분석 기술을 접목하고 있으며, 6G를 대비하기 위한 AI 기반 네트워크 지능화 연구에도 참여하고 있다.

SK텔레콤은 LLM 기반 AI 에이전트를 네트워크 운용에 적용하고 있으며, Telco LLM을 활용한 이상 탐지, 트래픽 예측, 고객 민원 분석 등을 통해 운용 자동화를 추진 중이다. 일부 망 구간에는 AI 기반 자가 복구 기술을 적용하고 있으며, UAM/6G 대비를 위한 위치 예측 및 디지털 트윈 기반 시뮬레이션 환경 연구도 병행하고 있다. 또한, Global Telco AI Alliance(GTAA)에 참여하여 LLM 공동 개발 및 AI 서비스 세계화를 모색하고 있다.

KT는 ‘AI Full Stack’ 전략을 기반으로 AI를 위한 기반 시설부터 서비스까지 투자를 확대하고 있으며, 네트워크 운용 자동화와 AI 연계 검증을 진행 중이다. 구체적으로는, Core/Transport/RAN 각 계층에서 NWDAF 기반 예측‧이상 탐지‧트래픽 최적화를 검토하고 있으며, MEC 기반 추론 연동과 실시간 제어 구조도 일부 실증하였다.

LG U+는 네트워크 자동화 및 고객 경험 향상을 위한 AI 적용을 지속 확대하고 있으며, 특히 데이터 기반 AI 장애 감지‧예측, 자가 복구 기술, 지능형 품질 분석 시스템 등에 집중하고 있다. 자체 통합 관제 플랫폼에 LLM 기반 분석 기능을 시범 적용하여 운용자 개입 없이 알람 분류 및 원인 진단을 수행하는 구조를 검토하고 있으며, AI 기반 QoE 예측 기술을 통해 사용자 중심의 품질 최적화를 강화하고 있다.

6G 논의에서 “AI-native 네트워크”란 네트워크의 설계‧배치‧운용 전 과정에서 AI/ML을 필수 요소로 가정하는 개념이다. 네트워크는 더 이상 단순한 패킷 전달 환경이 아니라, 방대한 텔레메트리(측정 데이터)를 수집하고 이를 기반으로 학습과 추론을 수행하며, 그 결과를 다시 네트워크 제어에 반영하는 지능형 시스템으로 재정의된다.

종단 간 관점에서 보면, 단말과 엣지 노드는 채널 상태 예측, 위치 추정, 센싱 기반 서비스 지원, 경량 추론 수행 등을 담당하며, RAN은 빔포밍, 스케줄링, 간섭 관리, 핸드오버 및 커버리지/용량 최적화 등 무선 자원 제어에 AI를 활용한다. 코어망과 서비스 계층에서는 트래픽 패턴 분석, 슬라이스별 SLA 예측, 이상 탐지 및 보안, 서비스 품질(QoS/QoE) 보장을 위한 자원 조정 등이 AI 기반으로 자동화된다. 최상단의 서비스‧관리 계층에서는 오케스트레이터와 SMO(Service Management and Orchestration)가 정책 및 의도(Intent)를 기반으로 다중 도메인 자원을 통합 관리하며, 이 과정에 AI 에이전트가 적극 활용된다.

이와 같이, 데이터 수집–모델 학습–정책 결정–네트워크 제어–결과 검증으로 이어지는 폐쇄 루프(Closed-Loop)를 네트워크 전 계층에 걸쳐 구성하는 것이 6G 종단 간 네트워크 자동화의 기본 방향이며, 5G 시대의 기능별 SON(Self-Organizing Network)을 넘어 네트워크 전체를 대상으로 하는 “self-learning, self-optimizing network”로 진화하는 추세이다.

6G 시대의 무선 접속망은 O-RAN 구조와 3GPP의 AI/ML 표준을 중심으로 AI 기반 자동화가 급격한 진전을 보이고 있다. O-RAN은 RIC(RAN Intelligent Controller)를 중심으로 Near-RT RIC과 Non-RT RIC을 구분하고, 각각 xApp과 rApp이라는 애플리케이션 형태로 AI 기반 제어 기능을 탑재한다. Near-RT RIC은 수 밀리초에서 수 초 수준의 짧은 시간 단위에서 스케줄링, 간섭 제어, 이동성 관리, 에너지 절감 등의 실시간 제어를 수행하며, Non-RT RIC은 장기적인 데이터 분석과 정책 수립, 모델 학습 및 재학습 관리를 담당한다.

최근에는 여기에 더해 LLM 기반 에이전트가 xApp/rApp의 선택과 파라미터 조정, 정책 생성과 수정, 성능 분석 보고까지 자동화하는 “지능형 RIC” 개념도 활발히 제안되고 있다. 이러한 기술 체계에서는 운용자가 자연어 수준의 요구사항을 입력하면, 에이전트가 상황에 맞는 xApp/rApp 조합과 설정을 스스로 결정‧배포하여 RAN 자원을 최적화하는 것이 목표가 된다.

3GPP 측면에서 보면, Rel.18에서는 NG-RAN에서의 AI/ML 활용을 위해 데이터 수집 및 특성 보고를 위한 신호 구조와 인터페이스가 정비되고 있으며, Rel.19 이후에는 슬라이싱, 커버리지‧용량 최적화, 에너지 효율 개선 등 다양한 사용 사례에 AI/ML을 적용하기 위한 구체적 규격 작업이 확대되고 있다. 특히 “AI-friendly” NR 인터페이스 설계를 통해, RAN에서 생성되는 다양한 측정값과 데이터 특성을 표준화된 형식으로 수집‧공유함으로써 AI 모델 개발과 적용의 호환성을 확보하려는 움직임이 두드러진다.

결과적으로 RAN 영역의 기술 흐름은 개별 기능에 대한 ML 기반 최적화 수준을 넘어, O-RAN RIC과 3GPP 규격을 매개로 무선 자원 전체를 AI가 종단 간으로 제어하는 방향으로 진화하고 있다고 정리할 수 있다.

코어망과 서비스 계층에서는, 3GPP가 정의한 NWDAF(Network Data Analytics Function)를 중심으로 데이터 분석과 AI 활용 범위가 크게 확장되고 있다. 초기 NWDAF는 주로 코어망 내부의 트래픽 상태를 분석하고 정책 제어에 활용하는 기능으로 정의되었으나, 점차 RAN의 측정값, 엣지 컴퓨팅 자원 정보, 응용 서비스 성능 지표 등을 통합하는 범용 분석 계층으로 진화하는 추세이다.

이러한 확장의 결과, NWDAF는 트래픽 부하와 혼잡 상태 예측, 슬라이스별 SLA 위반 가능성 평가, 공격‧장애 전조의 이상 징후 탐지, 자동 복구 정책 실행 등 다양한 역할을 수행하게 된다. 특히, 슬라이싱 환경에서는 서비스별‧고객별 요구사항에 따라 서로 다른 지연, 신뢰도, 처리량 목표를 만족해야 하므로, AI를 활용한 예측 및 자원 재배치가 필수 요소로 부상한다.

슬라이싱의 종단 간 제어 측면에서 보면, 운용자는 특정 슬라이스에 대해 “지연 5ms 이하, 가용성 99.999% 보장”과 같은 의도를 선언하고, 네트워크는 이를 정책과 자원 할당, 강화학습 기반 제어 정책 등으로 자동 변환하여 무선‧전송‧코어‧엣지 도메인을 아우르는 자원 배치를 수행하는 방향으로 발전하고 있다. 이 과정에서는 슬라이스의 설계, 배포, 모니터링, 재구성이 모두 AI에 의해 자동화되며, 서비스 품질 저하나 장애 징후 발생 시에도 AI가 선제적으로 대응하여 SLA를 유지하려는 구조가 지향된다.

네트워크 전 계층에 AI가 도입되면서, 최근에는 개별 AI 알고리즘보다도 데이터와 모델의 생애주기(Lifecycle) 전체를 어떻게 관리‧자동화할 것인가가 중요한 화두로 떠오르고 있다. 이러한 측면에서 6G-DALI와 유사한 연구‧프로젝트들은 “6G 데이터 공간(6G Dataspace)” 개념을 도입하여, 네트워크에서 발생하는 모든 텔레메트리를 공통 데이터 플랫폼으로 수집‧통합하고, DataOps와 MLOps를 결합한 종단 간 AI 프레임워크를 제안하고 있다.

DataOps 관점에서는, 다양한 네트워크 도메인에서 수집되는 로그, 카운터, 측정값, 이벤트, 토폴로지 정보를 정제하고 특성화하며, 메타데이터와 카탈로그를 관리하는 작업이 자동화된다. 이를 통해, AI 모델 개발자가 데이터 수집‧정제에 소모하던 수작업을 줄이고, 표준화된 데이터 규격을 기반으로 모델을 설계할 수 있게 된다.

MLOps 관점에서는, 모델 설계와 실험, 학습‧검증, 배포, 모니터링, 성능 저하 및 데이터/컨셉 드리프트 탐지(Data/Concept drift detection), 자동 재학습까지의 전 과정이 파이프라인 형태로 자동화된다. 통신사 환경에서는 서비스나 슬라이스의 종류가 매우 다양하고 동적으로 변하기 때문에, 새로운 서비스가 도입될 때마다 해당 서비스에 적합한 데이터 파이프라인과 모델 파이프라인이 규격화된 양식으로 자동 생성‧배포되는 구조가 이상적인 목표로 제시되고 있다.

즉, 6G에서의 종단 간 네트워크 자동화는 “네트워크 제어 루프”의 자동화와 동시에 “데이터‧모델 운용 루프”의 자동화를 요구하며, 이 두 루프를 통합적으로 설계하는 것이 핵심 과제로 부상하고 있다.

최근 산업과 표준화 동향에서는, 대규모 언어모델(LLM)과 에이전트 기술을 네트워크 운용‧관리와 결합하려는 시도가 매우 활발하다. 네트워크 운용자는 기존의 복잡한 CLI나 스크립트 대신, 자연어로 네트워크 상태 조회, 문제 분석 요청, 정책 변경 요청, 슬라이스 설계 요구 등을 표현하고, LLM 기반 에이전트는 이를 해석하여 적절한 데이터 질의, 정책 생성, 모델 선택 및 파라미터 조정, xApp/rApp 배포, 결과 분석‧요약까지 일관되게 수행하는 구조를 지향한다.

이러한 의도 주도 자동화(Intent-Driven Automation)에서는, 우선 의도를 표현하기 위한 도메인 특화 언어 혹은 정책 언어의 표준화가 필요하고, LLM이 생성하는 제어 명령이 네트워크 안정성을 해치지 않도록 하는 정책 관리와 검증 메커니즘이 필수적이다. 이를 위해, LLM이 직접 네트워크를 조작하기보다는, LLM이 제안한 조치를 디지털 트윈 환경에서 먼저 검증한 뒤 실제 네트워크에 반영하는 2단계 구조가 널리 논의되고 있다.

더 나아가, LLM은 네트워크 이상 상황에 대한 원인 분석 보고서 작성, 장애 대응 지침서 생성, 운용자 교육용 시나리오 생성 등 문서화‧설명 영역에서도 자동화를 제공할 수 있다. 이로 인해, 네트워크 운영의 기술 장벽을 낮추고, 경험이 부족한 운용자도 복잡한 환경에서 적절한 대응을 할 수 있도록 지원하는 방향의 응용이 예상된다.

6G 구조 논의에서 네트워크 디지털 트윈(Network Digital Twin)은 종단 간 AI 기반 자동화의 필수 요소로 자리 잡고 있다. 디지털 트윈은 실제 네트워크의 토폴로지, 자원 상태, 트래픽 패턴, 서비스 구성을 가상 공간에 정밀하게 복제한 모델로, 다양한 제어 정책과 AI 알고리즘을 실제 네트워크에 적용하기 전에 사전 검증할 수 있는 실험 환경을 제공한다.

AI 기반 제어, 특히 강화학습(RL)과 같이 탐색(Exploration)이 필요한 알고리즘은 실제 네트워크에서 직접 학습할 경우 서비스 품질 저하나 장애를 초래할 위험이 크다. 이에 따라, 디지털 트윈 환경에서 충분한 시뮬레이션을 통해 정책을 학습‧조정하고, 그 결과를 안정성이 검증된 상태로 실제 네트워크에 이식하는 방법이 선호된다. 또한, 장애나 공격, 대규모 트래픽 급증과 같은 비정상 시나리오를 디지털 트윈에서 반복적으로 시험함으로써 실제 환경에서 발생하기 어려운 극단 상황에 대한 대비책을 사전에 마련할 수 있다.

결과적으로 디지털 트윈은 종단 간 자동화의 효율성을 높이는 동시에, AI 기반 제어의 안정성과 신뢰성을 확보하는 핵심 기반으로 기능하게 된다.