[논문] AI‑RAN 파라미터‑KPI 의존성 학습을 위한 이벤트 탐지
개요
차세대 무선 네트워크는 AI 라디오 액세스 네트워크(AI‑RAN)와 오픈 라디오 액세스 네트워크(O‑RAN)와 같은 AI 통합 및 오픈 RAN 아키텍처에서 서로 다른 네트워크 목표를 동시에 최적화하는 다중 동시 AI 기반 제어 기능에 의존할 것으로 예상됩니다. 이러한 기능들이 상호 작용할 때, 순수 네트워크 데이터만으로는 감지하기 어려운 방식으로 서로 간섭할 수 있습니다. 이러한 상호 작용을 관리하기 위해 필요한 핵심 요소는 언제든지 어떤 제어 파라미터가 어떤 네트워크 성능 결과에 실제로 영향을 미치는지를 포착하는 신뢰할 수 있고 해석 가능한 의존 구조입니다. 본 논문은 연속적인 잡음이 섞인 텔레메트리를 파라미터 활성화와 KPI 응답을 나타내는 이진 지표로 변환하여 이러한 의존 학습을 지원하기 위해 필요한 이벤트 탐지 단계에 초점을 맞춥니다. 핵심 난점은 데이터의 모든 변동이 실제 제어 상호 작용을 의미하는 것이 아니므로, 방법론이 실제 파라미터‑결과 관계를 배경 변동으로부터 구별해야 한다는 점입니다. 알려진 파라미터‑KPI 정답이 있는 실제 AI‑RAN 트래픽 트레이스를 얻기 어려워, 우리는 잠재적 의존 관계가 삽입된 합성 폐쇄 루프 트래픽 생성기를 도입합니다. 이 제어된 텔레메트리를 사용해 연속적인 트레이스를 이진 이벤트 지표로 변환하는 과정을 유의미성 탐지 문제로 공식화한 머신러닝 기반 의존 복구 파이프라인을 평가합니다. 실험 결과, 신호가 배경 변동으로부터 충분히 구분될 때 제안된 파이프라인이 잡음이 섞인 연속 트레이스에서 잠재 의존 구조를 안정적으로 복원함을 보여주며, 이벤트 탐지 품질을 좌우하는 핵심 요인으로 임계값 보정이 강조됩니다. 이러한 결과는 적응형 AI‑RAN 제어 시스템을 위한 해석 가능한 의존 학습의 기초적인 단계가 됩니다.
주요 기여
본 논문은 다음 분야의 연구를 제시합니다.
- cs.LG
방법론
자세한 방법론은 전체 논문을 참고하십시오.
실용적 함의
이 연구는 cs.LG 분야의 발전에 기여합니다.
저자
- Christie Djidjev
- Nicholas Kaminski
논문 정보
- arXiv ID: 2606.06459v1
- 분류: cs.LG
- 발행일: 2026년 6월 4일
- PDF: PDF 다운로드