Ⅰ. 서 론

3GPP(Third Generation Partnership Project) 5G NR(New Radio) standard에서 제시하고 있는 mMTC(massive machine-type communications)는 5G 3대 시나리오 중 하나로써, 1개의 gNB(gNodeB)가 1km²당 최대 10⁶개의 UE(User Equipment) 연결을 위한 초연결성의 실현이 중요하게 여겨지고 있다^[1]. 예 를 들어 스마트 시티 환경에서 gNB에 연결된 수만개의 IoT(Internet of Things) 디바이스 혹은 UE는 각 센서를 통해 데이터 패킷을 만들어 내고 gNB로 전송한다. 이러 한, mMTC의 중요한 목표인 초연결성을 보장함과 동시 에 효율적인 상향 링크 자원을 지원하기 위해 최근 연구 에서는 Grant-Free 기반의 상향 링크 스케줄링이 제안 되고 있다.

Grant-Free 기반의 상향 링크 스케줄링은 gNB에 연 결된 각 UE의 상향 링크 자원 요청 메시지인 Scheduling Request(SR) 요청과 그 응답 과정을 거치 지 않는다^[2]. 이는, 사전에 정해진 자원 예약 방식에 의 해 데이터 패킷을 전송하는 방식을 사용하여 UE의 자 원 할당 과정을 생략하기 때문에 시스템 상의 제어 오버 헤드를 크게 감소시킬 수 있다. 대규모 IoT 환경에서 제어 오버 헤드의 감소는 디바이스의 배터리 수명을 증 가시키고 에너지 효율을 높일 수 있다. 또한, 사전에 예약해 놓은 자원에 의해서 버퍼에 쌓여 있는 데이터 패 킷을 스케줄링 방식에 맞추어 gNB에게 전송하면 자원 이 낭비될 일이 없어 효율적이다.

하지만, mMTC의 특성상 하나의 셀이 수만개의 UE 트래픽을 다루고 있고, 모든 UE의 트래픽 패턴 주기를 예측할 수 없다. 예를 들어 스마트 시티 시나리오를 가 정했을 때, 대규모 디바이스들이 항상 정해진 주기로 데이터 패킷을 생성해 gNB에 전송하는 것은 매우 이상 적인 상황이다. 만약, 특정 헬스케어 디바이스가 센서를 통해 사용자의 응급 신호 데이터를 수집하여 gNB에게 데이터 패킷을 전송해야 할 때, Grant-Free 기반의 상향 링크 스케줄링은 사전에 예약한 자원만 지원하므로 동 적으로 변하는 긴급한 데이터 패킷을 높은 우선 순위의 QoS(Quality of Service)로 보장할 수 없다. 이처럼 실 제 mMTC 환경은 매우 이질적인(heterogeneous) 환경 이므로 Grant 기반의 상향 링크 스케줄링이 많이 사용 되고 있다.

Grant 기반의 상향 링크 스케줄링은 4세대 이동통신 인(LTE)에서부터 주로 사용된 방식이다. 대표적인 Grant 기반의 상향 링크 스케줄링 알고리즘은 gNB에 연결된 UE에게 채널 품질 지표에 상관없이 순차적으로 RB(Resource Block)를 할당하는 RR(Round-Robin) 방식, 현재 채널 품질 지표와 이전 슬롯의 평균 비트 전송률을 사용한 메트릭 구성으로 RB를 할당하는 PF(Proportional Fair)방식이있다^[3]. 또한, 5G 표준 목표에 따른 다양한 시나리오에서 요구되는 QoS에 따 라서 더욱 향상된 스케줄링 기법들이 연구되고 있다 ^[1,5-7].

하지만, Grant 기반의 상향 링크 스케줄링 연구들은 정보의 신선도를 나타내는 척도인 AoI(Age of Information)를 거의 고려하지 않았다. AoI는 수신 측 에서 데이터를 받은 시간과 해당 데이터 생성 시간의 차로 정의되며, 데이터의 평균 AoI를 최소화하는 방식 으로 정보의 신선도를 유지할 수 있다^[7]. 최근 mMTC 시나리오는 실시간으로 데이터를 주고 받는 고밀도 UE 네트워크 환경이다. 특히, 스마트 시티에서 교통 신호 제어와 같은 데이터 송수신 빈도가 높고 신뢰성 있는 데이터를 처리하는 것이 중요한 환경에서는 생성 시간 이 오래된 데이터의 의미가 퇴색될 수 있다. 따라서 데 이터의 신뢰성과 유효성 측면에서 적시에 데이터를 처 리하는 것이 중요한 문제로 대두되고 있다^[10].

이러한 문제를 해결하기 위해서 본 논문에서는 평균 AoI를 성능 평가 메트릭으로 사용한 새로운 상향 링크 스케줄링을 제안한다. 제안하는 스케줄러는 각 Time Slot에서 스케줄링 결정을 내리는데, 높은 AoI를 가진 UE에게 우선으로 자원을 할당한다. 하지만, 이러한 방 식은 동적 채널 환경에 의한 데이터 전송 실패로 성능 저하를 초래할 수 있다. 따라서 동적 채널 상태를 스케 줄링 결정에 통합하기 위한 방안으로 이전 채널 통계를 이용한 스케줄링 알고리즘을 통해 유연하게 자원 할당 결정을 진행하고자 한다. 이전 채널 통계는 WMA(Weighted Moving Average)라는 데이터 전송 성공 지표에 따라 계산하며 이를 통해 적응적으로 스케 줄링 결정을 조정하고자 한다.

Ⅱ. 관련 연구

Grant 기반의 상향 링크 스케줄링은 UE가 gNB에게 SR 요청을 한 후, SR에 대한 응답으로 DCI(Downlink Control Indicator) 메시지를 전달한다. DCI 메시지에 는 하향 링크 Grant 정보, 상향 링크 Grant 정보를 포함 하는데, UE는 DCI 메시지를 수신한 후에 승인된 자원 만큼 데이터 패킷을 보낼 수 있다. gNB는 DCI 메시지 를 통해 실시간으로 변하는 UE의 동적인 QoS 요구사 항을 맞추어 줄 수 있기 때문에, 각 시나리오에 따라 더욱 효율적으로 자원을 할당하기 위한 Grant 기반의 상향 링크 스케줄링 알고리즘이 연구되고 있다.

논문[4]에서는 어느 특정 IP에서 다량의 데이터가 유 입되어 서버의 과부하 및 데이터 손실이 발생하는 경우, 전체적인 네트워크 지연에 대한 해결 기법으로 기존 RR 스케줄링과 실시간 모니터링을 통한 IP 식별을 통 해 임의의 서버를 1:1로 매핑시키는 기법을 제안하였다 ^[4]. 이를 통해 데이터 패킷 처리에 대한 대기시간을 최 대 36.4% 단축시켰다. 논문[5]에서는 다수의 UE가 연 결되었을 때, 기존의 복잡한 PF 스케줄링에서 메트릭 계산 증가로 인해 자원 할당이 되지 않는 문제를 해결하 기 위해 평균 처리량(Throughput) 연산을 간소화하는 PF 스케줄링을 제안하였다^[5]. 이를 통해 PF 스케줄링에 비해 최대 대략 93.6%의 연산 시간을 줄였고, UE수에 따라 줄어든 RB 할당률을 높여 시스템 성능을 개선시 켰다. LTE에서 사용된 Grant 기반 스케줄링 기법인 RR, PF외에도 5G NR 표준에 맞추어 다양한 스케줄링 연구가 진행되고 있다.

논문[6]에서는 대용량 트래픽이 부하 되는 스트리밍 환경에서 D2D(Device to Device) 스트리밍의 끊김 현 상을 완화하기 위해 트래픽 스트림의 구성 비율을 고려 하여 스트림의 특성과 타입을 분석 후 스케줄링하는 TOSS 기법을 제안하였다^[6]. 트래픽 타입 분류에 따라 서 유튜브 동영상 시청과 같은 동적인 트래픽 환경에서 active stream-scheduling 알고리즘을 적용하고 이미지 및 텍스트와 같은 정적인 트래픽 환경에서는 Non ac- tive stream-scheduling 알고리즘을 적용한다. 트래픽 분류를 통해 대용량 트래픽에서 채널 대역폭의 재활용 률을 높이고 동영상 시청에서 연속성을 유지할 수 있게 되면서, 시스템 전체적으로 PSNR(Peak Signal to-Noise Ratio), ASECR(Average Stream Error Control Rate)의 지표상에서 기존 스트리밍 대비 성능 이 우수함을 보였다.

논문[7]에서는 다양한 요구사항을 갖는 서비스 만족 을 위해 기존의 매크로셀과 더불어 높은 데이터 전송률 요구 서비스를 지원하기 위한 스몰 셀이 공존하는 이질 적인 네트워크(heterogeneous network) 환경임을 고려 하였다^[7]. 스몰 셀의 넓은 대역폭을 통해 높은 처리량 (throughput)을 요구하는 단말들이 특정 스몰 셀에 부 하가 몰리는 현상으로 인한 성능 저하를 해결하기 위한 기존의 UA(user association) 알고리즘은 max-CI 스케 줄링 알고리즘과 같이 채널 상태가 좋은 사용자들이 자 원을 독점하는 MRP(maximum received power)기반의 UA 알고리즘을 사용하여 자원 할당 불균형이 발생했 었다. 이를 해결하기 위해 스몰 셀에 연결된 사용자들 중 낮은 처리량을 받을 것으로 예측되는 cell edge user 들의 처리량을 증가시키는 MCTS(Monte Carlo tree search)기반의 UA 알고리즘을 제시하였다. 제시한 알 고리즘으로 cell edge user 측면에서 상당한 성능 개선 을 보이고 cell edge user의 비율을 높일수록 평균 처 리량 이 증가하였다. 이는 기존 MRP 방식의 높은 채 널 품질을 가진 UE가 독점하던 자원이 고르게 잘 분 배되었음을 의미하며 최대 15%까지의 처리량 증가를 보였다.

이처럼 5G 시나리오에서 발생하는 다양한 문제를 해 결하기 위해서 Grant 기반의 스케줄링 알고리즘이 연구 되었지만, 대부분이 정보의 신선도를 나타내는 척도인 AoI를 고려하지 않았다. 이에 논문[8]에서는 최근 정보 화 시대에 있어서 실시간 상태 업데이트의 중요도가 점 차 커지는 것을 고려하여 AoI를 통해 실시간 상태를 업데이트를 지원하는 시스템을 설계하였다^[8]. AoI가 수 신 측의 최신 업데이트 시점이 t일 때, 해당 업데이트가 생성된 시점 u(t)간의 시간 차이로 정의하고 시스템 성능을 평가하는 일반적인 방법을 제시하며, 환경 센서 를 통한 산불 예측 및 통계 시스템 등과 같은 실시간 데이터 전송이 중요한 시스템 대부분에서 도움을 줄 수 있음을 예상하였다.

이에 AoI 최소화를 위한 많은 스케줄링 연구가 진행 되고 있다^[11,12]. 논문 [11]에서는 최대 AoI 임계값 (MAT) 문제에 집중하여 소스 노드에 해당하는 MAT 벡터가 스케줄링이 가능한지에 대한 여부를 결정하는 것에 기여하였다^[11]. 실현 가능한 스케줄러를 찾기 위해 소규모 네트워크의 경우 순환 스케줄러 탐지 (CSD) 절 차를 제안하였고, 대규모 네트워크의 경우, 가상 다항식 매핑 (FPM)이라는 저복잡성 절차를 제시하여 AoI 기 반의 스케줄링 문제를 해결하기 위한 이론적 기반과 실 용적 방법론을 제공하였다.

또한, 논문[12]에서는 차량-사물 간(V2X) 통신에서 Semi-Persistent Scheduling(SPS) 알고리즘이 안전 메 시지(BSM)의 QoS를 만족하지 못할 수 있음을 고려하 여 각 리소스 예약 간격에 대한 BSM AoI를 분석하였 다^[12]. 결과적으로 시뮬레이션을 통해 차량 밀도에 따른 차량 네트워크의 예상 AoI를 최소화하는 SPS의 최적 리소스 예약 간격을 얻을 수 있음을 보였다.

논문[4],[5],[6],[7]이 제안하는 스케줄링 알고리즘 연구들은 네트워크의 Throughput, Delay, Error Throughput 등과 같은 네트워크 지표를 중점적으로 다 루었다^[4-7]. 또한, 시기적절한 최신 정보를 필요로 하는 다양한 네트워크 애플리케이션에서 정보의 적시성에 대한 중요성이 더욱 커짐에 따라 논문 [11],[12]와 같은 AoI 관련 연구들이 많이 늘어나고 있다^[10-12]. 하지만, 앞선 연구들은 예측할 수 없는 5G 환경에서 데이터 전 송 성공률 지표를 활용하고 있지 않다. 데이터 드랍을 고려했을 때, 데이터를 성공적으로 자주 전송한 UE에 게 우선으로 자원을 할당하고 동시에 AoI를 함께 고려 하면 낭비를 최소화하는 자원 분배를 기대할 수 있다. 이에 본 논문에서는 AoI 메트릭과 데이터 전송 성공률 을 함께 고려한 Grant 기반 상향 링크 스케줄링 기법을 적용하고자 한다.

Ⅲ. 연구 목표

3.1 네트워크 모델

본 시스템은 5G 3GPP 표준 3대 시나리오 중, 대규모 디바이스 연결을 위한 초연결성을 다루며 1km²당 최 대 10⁶개의 UE 연결을 구성하는 mMTC를 가정한다. [그림1]과같이 1개의 gNB와 N개로 구성된 UE를 설정 하고, 이를 1km² 범위 안에서 구성한다. 또한, 동적으 로 변하는 연결된 수많은 UE들의 상향 링크 요구 사항 을 충족시켜야 하므로 Grant 기반으로 스케줄러를 구성 하여 UE의 상향 링크 요구 변화를 실시간으로 스케줄 러가 보장하는 것을 목표로 한다.

그림 1.

5G mMTC 네트워크 토폴로지

3.2 상향 링크 스케줄링 모델

5G NR은 Numerology 개념을 도입한 OFDMA (Orthogonal Frequency Division Multiplexing Access) 방식으로 채널 엑세스를 허용한다. OFDM은 데이터열 을 여러 개의 subcarrier로 나눠 전송하는 특징을 가지 며 5G NR에서는 이를 numerology µ에 따라 Time Slot 길이와 subcarrier가 사용하는 대역폭 SCS(subcarrier spacing) 크기를 가변적으로 조정함으로써 사용자의 QoS를 만족시킨다^[9]. Time Slot 길이가 변하는 것은 5G가 가변적인 TTI(Transmit Time Interval) 처리가 가능함을 의미하며, TTI는 gNB 스케줄러가 작업을 수 행하는 시간 단위로 사용된다. 따라서 본 시스템의 채널 엑세스 방식은 OFDMA로 설정하여 numerology에 따 른 가변적인 TTI와 SCS에 맞추어 상향 링크 스케줄링 을 수행하도록 한다.

또한, 본 시스템은 동적으로 변하는 상향 링크 요구 사항을 충족시키기 위해 Grant 기반 스케줄링 모델을 사용하며, [그림2]와 같이 UE는 상향 링크 자원 할당 요청 정보인 SR을 gNB로 전송한다. SR을 받은 gNB는 연결된 UE들의 자원 할당 요청을 매 TTI마다 MAC(Medium Access Control) 계층의 스케줄링 알고 리즘으로 결정하고, 스케줄링 결정에 따른 UE의 자원 할당 우선순위에 따라 PHY 계층을 통해 DCI 메시지 형태로 전달하도록 한다. gNB에게 상향 링크 승인을 받은 UE는 비로소 버퍼에 저장한 상향 링크 데이터를 전송할 수 있게 된다.

그림 2.

Grant 기반의 상향 링크 스케줄링 과정

3.3 문제 정의

최근 연구되고 있는 기존의 Grant 기반의 상향 링크 스케줄링 방식은 Throughput 향상 및 Delay 감소 등에 초점을 두어 성능평가를 진행하였다. 하지만, 기존의 성 능평가 지표만으로는 데이터 패킷의 신선도 유지와 정 보의 적시성을 보장하지 못해, 오래된 데이터 패킷을 계속 묵혀두거나 중요한 최신 정보를 빠르게 반영하지 못 하는 문제가 발생한다. 이에 논문 [8]에서는 정보의 최 신성을 보장하기 위해 AoI를 시스템에 도입했으며 수 식(1)에 따라 계산된다^[8].

[그림 3]과 같이 데이터 패킷이 생성된 시점에서, gNB에서 해당 패킷을 수신하기 전까지 생성된 패킷의 AoI가 계속해서 상승한다. 패킷을 수신에 성공하면, 패 킷의 AoI가 초기화되고 다음 패킷을 생성하면 AoI가 다시 상승하는 과정을 반복한다. 정보의 신선도 측면에 서 스케줄러가 패킷의 AoI 상태를 모니터링하여 파라 미터로 사용해서 스케줄링 결정을 내리면 시스템 상에 서 효과적으로 정보의 신선도를 유지할 수 있다. 따라서 AoI가 높은 데이터를 우선으로 자원을 할당하는 AoI 기반의 스케줄링 알고리즘을 고안하였다.

하지만 위와 같은 스케줄링 알고리즘은 실제 mMTC 환경의 동적인 채널 품질 변화에 취 약하다는 문제가 있 다. 예를 들어 높은 AoI 값을 가진 UE를 우선으로 스케 줄링 결정을 내릴 경우, 채널 품질 저하로 인해 데이터 전송에 실패할 수 있다. 이때, AoI 기반의 스케줄링 결 정은 자원을 할당받은 UE가 데이터 전송에 계속해서 실패하게 되었을 때, 시스템 전체적으로 성능이 계속해 서 떨어지게 된다.

그림 3.

패킷 생성 및 처리에 대한 AoI 흐름.

이러한 문제를 해결하기 위해 본 논문에서는 데이터 전송을 수행한 UE의 성공 카운터 지표인 WMA를 도 입해 개선된 방식의 스케줄링 알고리즘을 제안한다. 제 안하는 알고리즘은 스케줄러가 UE의 AoI와 WMA를 함께 고려한 가중합 방식으로 메트릭을 계산해 스케줄 링 결정을 내린다. 이를 통해 AoI가 높은 UE에게 우선 적으로 자원을 할당할 때 발 생하는 낭비 문제를 해결하 여 유연하게 스케줄링 결정을 내리도록 한다.

Ⅳ. 제안하는 스케줄링 기법

4.1 제안하는 가중합 메트릭의 기본 동작

제안하는 스케줄링 결정에서 사용하고자 하는 메트 릭은 가중합 방식인 WSE(Weighted Sum Equation)로 UE의 AoI 값, WMA를 통합한 형태로 가중치를 부여 한 형태로 계산되며 TTI마다 스케줄링 알고리즘을 통 해서 자원을 할당한다. WSE에서 사용하는 변수인 AoI 와 WMA는 각각 gNB에서 [그림 4]과같이 테이블로써 관리한다. AoI는 수식(1)을 따라 계산되고 WMA는 UE 가 데이터 전송을 수행할 때 성공 카운터 형태로 증가 및 유지된다. 테이블에서 가져온 변수를 통해 WSE는 수식(2)과 같이 계산된다.

수식(2)와 같이 계산된 WSE_UE는 gNB의 스케줄 링 알고리즘에 의해 자원 할당 우선 순위가 결정되며, 이를 통해 자원을 할당하도록 한다. 스케줄러를 통해 [그림 2]와 같이 DCI 메시지를 받아 UL Grant된 UE는 gNB에게 데이터를 전송하고 성공 여부에 따라 AoI 및 WMA를 테이블에서 업데이트한다.

[그림 4]에서 명시한 테이블에서 AoI는 UE가 데이 터 패킷을 생성한 시점에서부터 스케줄링 결정이 이루 어지는 단위인 TTI마다 1씩 증가하게 되고 데이터 전송 에 성공하면 1로 초기화하며 실패할 시 계속 증가한다. 본 논문에서 다루는 시스템은 mMTC 환경이므로 수많 은 UE들의 데이터 생성 주기가 이질적인 환경임을 고 려해야 한다. 따라서 초기화된 AoI는 UE가 다음으로 보낼 데이터 패킷이 생성되기 전까지 1로 유지한다. WMA도 데이터 전송에 성공하면 1을 증가시키고 실패 할 시 그대로 유지한다.

그림 4.

그데이터 전송 성공 유무에 따른 테이블 변수 업데 이트

4.2 제안하는 스케줄링 결정 메커니즘

본 논문에서 제안하는 상향 링크 스케줄링 기법은 WSE 값이 높은 UE에게 자원 할당 우선순위를 부여하 는 메커니즘이 필수적이다. 따라서 스케줄러는 연결된 UE들의 AoI 및 WMA에 대한 2차원 테이블을 구성해 초기화 및 업데이트를 수행하도록 한다. 또한, TTI마다 높은 WSE 값에 대한 스케줄링 결정을 내려야 하므로 Greedy 결정 메커니즘을 제안한다. Mechanism 1은 제 안하는 스케줄링 알고리즘을 psedo code 형태로 나타 낸 것이다.

표 1.

메커니즘1

제안하는 Mechanism 1의 핵심은 스케줄러가 각 UE 의 AoI (Metric_Table[UE_index][0]) 및 WMA (Metric_Table[UE_index][1]) 값을 수식(2)에 맞추어 계산하여 WSE 테이블(WSE_Table[UE_index])을 구성하고, 메트릭 값이 높은 UE부터 자원 할당 우선순 위를 부여하는 것이다. CalculateWSE에서 계산된 각 UE의 WSE 값은 SortWSE에서 내림차순으로 정렬되 며 해당 순서대로 자원을 할당한다. 또한, UL Grant 된 UE의 데이터 전송 시, 성공 여부에 따라 테이블 업데 이트를 진행한다.

Ⅴ. 성능 평가

제안하는 상향 링크 스케줄링 기법은 RR, PF와 같은 기존 스케줄링 알고리즘과 비교해 성능평가를 진행하 며, 5G 환경을 지원할 수 있는 C++ 기반의 네트워크 시뮬레이터인 NS-3를 사용한다. RR은 연결된 모든 UE 에게 순서대로 자원을 할당하는 매우 공평한 스케줄링 알고리즘으로 특정 사용자에게 자원이 집중적으로 할 당되는 문제를 해결할 수 있으며 구현이 간단하지만 각 기 다른 UE의 QoS 요구사항을 충족시키기 부적합한 알고리즘이다. PF는 UE의 현재 데이터 전송률과 이전 슬롯들의 평균 데이터 전송률에 대한 비율을 메트릭으 로 구성하여 가장 큰 가중치를 가진 UE에게 우선적으 로 자원을 할당하는 알고리즘이다. 이전 슬롯의 평균 데이터 전송률이 낮을수록 높은 가중치를 가지므로 QoS 요구사항과 자원 집중 문제를 균형적으로 해결할 수 있지만 복잡한 메트릭 계산과정으로 시스템에 많은 부하가 발생할 수 있다.

5.1 시뮬레이션 환경 정의

본 시스템은 mMTC 환경을 가정하므로 초연결성의 보장이 필수적이다. 따라서 Numerology 값을 0으로 설 정해 많은 수의 UE 연결을 극대화시킨다. 하지만 초연 결성이 지향하는 하나의 gNB가 1km²당 처리할 수 있 는 최대 UE 개수를 시뮬레이션 환경에서 완전히 구현 하는데 한계가 있다.

따라서 주파수 범위 및 기지국 처리 반경을 mMTC 시나리오에서 구축할 수 있는 UE 밀도의 근사치로 시 뮬레이션 환경을 설정하였다. UE 개수 100개에 맞추어 축소된 파라미터 설정값은 [표2]과 같으며, 이질적인 트래픽 환경을 고려하기 위해, 패킷 생성 주기와 패킷 크기를 파라미터 범위 내에서 랜덤한 값을 부여하도록 설정하였다.

또한, 항상 1개의 gNB가 연결할 수 있는 최대의 UE 에 대한 부하를 처리하지 않으므로 여러 UE 밀도에 대 한 AoI 상태를 확인할 수 있도록 UE 개수를 30, 60, 100개로 설정하여 비교 진행하며, 랜덤 시드를 바꾼 시 뮬레이 션 결과에 대한 수치를 기록하여 랜덤 값 부여에 대한 오차를 줄이도록 10회 반복 설정하였다.

제안하는 스케줄러는 가중치 값 을 통해 UE의 AoI와 WMA의 비중을 수식(2)와 같이 조절할 수 있다. 가중 치 값 증가는 AoI 비중의 증가를 의미하고, 가중치 값 감소는 WMA 비중의 증가를 의미한다. 채널 상태가 Stable한 UE의 경우 가중치 값이 낮추어 WMA 비중을 증가시키면 자원을 우선적으로 자주 할당할 수 있다. 하지만 모든 UE는 동일한 가중치를 가지며, 이 경우 채널 상태가 Unstable한 UE는 높은 WMA 비중으로 인한 페널티가 부여된다. 따라서 본 시뮬레이션 환경에 서는 AoI와 WMA의 비중을 동일하게 유지하기 위해 가중치 값을 0.5로 설정한다. 스케줄러가 파라미터로 받는 AoI 단위는 ms로 설정하고, WMA는 데이터 전송 성공에 대해서 정수 단위로 저장하도록 스케줄링 파라 미터를 구성하였다.

5.2 실험 결과

실험 결과, mMTC를 가정한 본 시뮬레이션 환경에 서 RR, PF이 제안하는 스케줄러 대비 최대 110.09% 높은 AoI를 가지고 있음을 확인할 수 있었다.

먼저, [그림 5]는 단일 AoI 스케줄링 기법과 제안하 는 스케줄링 기법을 비교한 결과를 나타낸다. 단일 AoI 메트릭 스케줄러는 평균 AoI를 효과적으로 낮출 수 있 는 기법이지만, 링크 품질에 따른 AoI 상승을 발생시킨 다. 이로 인해 제안하는 기법 대비 5.48% 높은 평균 AoI 수치를 보였다. 따라서 제안하는 스케줄링 기법이 링크 품질을 고려하였을 때, 단일 AoI 스케줄링 기법보 다 더 안정적으로 평균 AoI를 낮출 수 있음을 확인할 수 있었다.

그림 5.

UE 100 기준 단일 AoI 스케줄러와 제안하는 스케 줄링 기법의 평균 AoI

또한, 제안하는 스케줄링 결정 메커니즘이 높은 AoI 를 가진 UE에게 자원을 우선으로 부여하도 록 설 정되었 기 때문에 오래된 데이터를 최대한 빠르게 처리한다. 따라서, [그림 6]과 같이 제안하는 스케줄러가 시스템 평균 AoI가 RR 대비 평균 44.27%의 AoI 감소율을 보이며, PF 대비 평균 38.56%의 AoI 감소율을 보임을 확인할 수 있었다.

평균 AoI 감소를 통해 정보의 신선도를 유지하는 것 은 중요한 평가 지표이지만 , 기존 네트워크 평가 지표도 동시에 고려해야 한다. 따라서 gNB에서 처리한 UE의 평균 Throughput을 비교하여 각 스케줄러의 성능을 확 인하였다. 제안하는 스케줄러는 [그림 7]과 같이 RR 대비 0.83%의 평균 Throughput 감소율을 보이고 PF 대비 0.41%의 평균 Throughput 감소율을 보였다. 이를 통해 제안하는 스케줄러가 평균 Throughput 관점에서 기 존 기법 대비 유사한 성능을 나타냄을 확인할 수 있었다.

그림 6.

UE 개수에 따른 각 스케줄러의 평균 AoI

이어서, 각 스케줄러의 Delay를 측정하기 위해 gNB 최상위 계층(PDCP)에서 처리한 데이터들의 평균을 측 정하여 비교하였다. [그림8]에서는 PF 기법이 현재 데 이터 전송률과 이전 슬롯의 평균 전송률의 비율로 계산 되기 때문에 현재 채널 상태가 좋은 UE와 동시에 자원 을 적게 할당받은 UE에게도 우선으로 자원을 할당하여 RR 대비 낮은 Delay 수치를 보였다. 하지만, 제안하는 기법은 WMA 메트릭을 통해 데이터 전송 성공률이 높 은 UE에게만 우선으로 자원을 할당하기 때문에 채널 품질이 좋은 UE가 낮은 Delay로 패킷을 자주 전송할 수 있게 된다. 이에 제안하는 스케줄러가 RR 대비 9.71%의 평균 Delay 감소율을 보였고, PF 대비 2.03% 의 평균 Delay를 감소율을 보였다. 이를 통해 제안하는 스케줄러가 평균 Delay 관점에서 기존 기법 대비 더 좋은 성능을 보임을 확인할 수 있었다.

그림 7.

UE 개수에 따른 각 스케줄러의 평균 Throughput

그림 8.

UE 개수에 따른 각 스케줄러의 평균 Delay

또한, 각 스케줄러는 자원 할당 알고리즘의 차이로 인해 시뮬레이션 시간 동안 처리한 데이터 패킷 개수의 차이를 보였다. 이를 측정하기 위해, gNB에서 처리한 패킷 개수를 카운트한 뒤 자원 할당 효율성을 비교 분석 하였다. [그림9]과 같이 RR은 가장 많은 데이터를 처 리했지만, [그림 7]과 같이 각 스케줄러가 유사한 Throughput을 보이므로 이는 자원 할당 비효율성을 나 타낸다. PF는 메트릭으로 채널 상태를 고려하므로 RR 대비 효율적인 자원 할당을 보였다. 제안하는 스케줄러 는 AoI가 높은 패킷에 자원을 할당을 집중시키므로 처 리한 패킷 개수는 가장 적지만, 정보의 신선도를 유지하 면서 불필요한 네트워크 부하를 줄일 수 있음을 확인할 수 있었다.

그림 9.

UE 개수에 따른 각 스케줄러가 처리한 데이터 패 킷의 수

그림 10.

UE 개수에 따른 RR 스케줄러와 제안하는 스케줄 링 기법에서 처리한 UE의 가장 높은 AoI 수치 비교

자원 할당의 공평성과 정보의 적시성의 관계를 분석 하기 위해 RR과 제안하는 스케줄러의 UE 평균 AoI의 최댓값을 비교하였다. [그림10]에서 RR이 제안하는 스케줄러 대비 UE 평균 AoI의 최댓값이 108.39% 높 음을 보였다. 이를 통해 가장 공평하게 자원을 할당하는 RR 방식이 정보의 신선도를 유지하기에 부적합한 스케 줄링 알고리즘임을 확인할 수 있었다.

그림 11.

UE 개수에 따른 최대 WMA 값을 가진 UE의 평 균 AoI와 시스템 평균 AoI의 비교

마지막으로, [그림 11]에서 제안하는 스케줄러가 가 중합 메트릭을 통해 AoI 값과 WMA 값을 반영함으로 써, AoI 기반 스케줄러의 자원 낭비 문제를 해결할 수 있음을 확인할 수 있었다. 최대 WMA 값을 가진 UE의 평균 AoI는 시스템 평균 AoI 대비 낮은 수치를 기록함 을 볼 수 있었고, mMTC 환경에서 제안하는 스케줄러 가 UE의 이전 채널 상태 정보를 정 확하게 반영하고 있 음을 보였다.

5.3 성능 결과 분석

시뮬레이션 결과를 통해, 제안하는 스케줄링 기법이 기존의 네트워크 성능평가 지표인 Throughput과 Delay 측면에서 RR, PF 기법과 유사한 수준의 성능을 유지하 는 것을 확인하였다. 동시에 평균 AoI 감소를 통해 정보 의 최신성을 효과적으로 보장함을 증명하였다. 또한, 가 중합 결정 메트릭이 WMA 수치를 활용하여 AoI 기반 의 우선순위 스케줄링에서 발생할 수 있는 자원 낭비를 방지할 수 있음을 볼 수 있었고, 이를 통해 제안하는 스케줄링 결정 기법이 mMTC 환경에서 효율적으로 자 원을 관리함을 입증하였다.

Ⅵ. 결 론

본 논문에서는 기존의 Grant 기반 상향 링크 스케줄 링 방식이 정보의 적시성을 보장하지 못하는 한계를 해 결하기 위해 AoI와 데이터 전송 성공 카운터 지표인 WMA를 고려한 가중합 메트릭 도입 및 스케줄링 결정 알고리즘을 제안하였다. 제안된 스케줄링 기법을 통해 mMTC 환경에서 기존 기법과 유사한 수준의 성능을 유지함을 입증하고, 정보의 최신성 보장 및 AoI 기반 우선 순위 스케줄링에서 발생할 수 있는 자원 낭비 문제 를 WMA를 통해 완화할 수 있음을 입증하였다. 시뮬레 이션에서 가중합 결정 메트릭으로 AoI와 WMA의 비중 을 균형 있게 조정하기 위해서 가중치 x를 0.5로 설정 하여 연구를 진행하였다. 하지만, 가중치 x의 최적화 수치는 트래픽 패턴과 네트워크 환경에 따라 변화할 수 있는 수치이다. 따라서, 향후 연구에서는 강화학습 기반 의 가중치 최적화를 목표로 하여 더욱 유연한 스케줄링 결정을 내리도록 하고자 한다.