1. 6G 무선접속망의 핵심 인프라, AI-RAN의 개념 및 특징
| 개념 | 6G 이동통신 초고속, 초저지연, 초고밀도 성능 목표 달성을 위해 스마트폰 등 사용자 단말(UE)과 기지국(gNB)간 채널 추정, 빔포밍, 슬라이싱 등 전체 영역에 AI/ML 적용한 자율 제어 무선접속망 | |
|---|---|---|
| 특징 | 지능형 무선 자원 최적화 (AI for RAN) | – 딥러닝 모델을 사용하여 무선 환경 변화 실시간 예측 – 빔포밍, 채널 추정, 전력 제어, 에너지 효율성 극대화 |
| AI 추론 서비스 가속화 (RAN for AI) | – 기지국 인프라(DU/CU)를 분산 AI 컴퓨팅 노드로 활용 – 엣지 단 AI 추론 처리로 자율주행 등 초저지연 서비스 지원 | |
| 범용 하드웨어 기반 통합 인프라 (AI and RAN) | – GPU/NPU 탑재 범용 서버에서 vRAN, AI 워크로드 동시 구동 – ASIC 의존도를 낮추고 범용 H/W 활용, OPEX/CAPEX 효율화 | |
- AI-RAN은 기존 고정 규칙과 수동 튜닝으로 인한 비효율적 무선접속망 운용을 개선하여 개방형 무선접속망(O-RAN) 표준 기반 AI/ML을 적용하여 6G 초고속, 초저지연, 초고밀도 성능 목표 달성에 핵심 역할로 부상
2. AI-RAN의 아키텍처 및 구성요소
(1) AI-RAN의 아키텍처
(2) AI-RAN의 구성요소
| 구분 | 구성요소 | 역할 |
|---|---|---|
| AI-RAN의 인프라 측면 | Accelerated Compute Hardware | – RAN과 AI/ML 병렬 워크로드 처리를 위해 효율적으로 설계된 하드웨어 |
| Cloud-native Platform | – 워크로드 수용을 위한 Cloud Native 플랫폼 – Host OS, PaaS(k8s), 인프라 관리로 구성 | |
| AI Runtime Platform | – 가속 하드웨어에 최적화된 소프트웨어 환경 – AI 모델의 실행, 로딩, 추론 및 리소스 할당 | |
| AI-and-RAN 워크로드 측면 | gNB (Base Station) | – RU (Radio Unit): 물리적 무선 컴포넌트 – CU (Centralized Unit): RAN 워크로드 중앙집중 컴포넌트 – DU (Distributed Unit): RAN 워크로드 분산 컴포넌트 |
| dUPF (Distributed UPF) | – 분산 사용자 평면의 코어 네트워크 기능 – AI-on-RAN 워크로드와의 사용자 트래픽 직접 라우팅 | |
| AI-for-RAN Apps | – RAN 인프라에서 RAN 워크로드와 병렬로 실행되는 AI, GenAI, XR 애플리케이션 및 워크로드 | |
| AI-on-RAN Apps | – RAN 인프라에서 실행되어 RAN의 성능을 향상 – gNB 또는 CU, DU에 수용 되거나 주변에 구성 | |
| 관리, 제어 및 오케스트 레이션 측면 | RAN Workload Orchestrator | – 클라우드 기반 CU, DU 배포 등 수명주기 관리 – 컨테이너 AI-RAN 생성, 구성 및 운영 자동화 |
| AI Workload Orchestrator | – AI/ML 워크로드의 배포, 확장, 수명 주기 및 조정을 관리하는 클라우드 오케스트레이터 | |
| Platform & Infrastructure Orchestrator | – k8s 클러스터 배포, 확장, 수명주기 관리 – AI-RAN 전체 일관된 정책, 보안, 할당 보장 | |
| Multi-Agent Manager | – AI 에이전트 기반 컨트롤 타워 역할 – AI-RAN 내 AI 에이전트 배포 등 관리 | |
| Telemetry / Analytics / Observability / Control | – App, 인프라, H/W 운영 데이터 수집/분석 – 플랫폼의 메트릭, 로그, 추전, 이벤트, 경보 | |
| MLOps and Data Platform | – AIRAN App 개발, 배포 전체 과정 감독/자동화 – 모델 학습/평가, 신뢰성의 지속적 개선 |
- 6G 초고속, 초저지연, 초고밀도 접속 목표 달성을 위해 밀리미터파(mmWAVE) 등 무선 기술 통합 운용과 핸드오버의 정교한 관리, 서비스별 품질 요구(QoS) 만족을 위한 슬라이스 단위 자원 관리 보장이 필요
3. 6G 무선접속망을 위한 AI-RAN의 주요 기술
| 구분 | 주요 기술 | 제공 기능 |
|---|---|---|
| 무선접속망 AI/ML 위한 데이터·모델 | 채널 데이터셋: DeepMIMO | – mmWave 및 대규모 MIMO 채널 데이터를 딥러닝 학습에 적합한 형태로 제공 |
| 실시간 I/Q 데이터: LibIQ와 스펙트럼 인지 | – 복소 신호(I/Q 데이터)를 수집‧가공하여 실시간 스펙트럼 분류와 간섭 탐지 모델 학습에 활용 | |
| O-RAN 디지털 트윈 기반 플랫폼 | – O-RAN과 유사한 환경을 가상 공간에 구현 – PRB, MCS 등 성능지표를 RIC로 수집/시험 | |
| AI/ML 기반 무선접속망 제어 기술 | dApp/xApp 기반 실시간 제어 | – 기존 O-RAN 구조에 dApp 계층 추가 – PHY 계층 연결 초저지연 제어 루프 구현 |
| 온라인 학습 기반 자원·에너지 최적화: SORA | – 에너지 효율화 위해 자원 할당 문제 온라인 학습 – 사용자별 전력‧PRB 할당 정책 학습/진화 | |
| 디지털 트윈 활용 에너지·지연 제어 | – LSTM 기반 트래픽 예측 rApp이 수요 예측 – 근실시간 RIC가 지연 요구를 만족하도록 자원 배분 | |
| 이동성·스펙트럼 관리 | – 혼잡/비혼잡 셀 단말 분배를 강화 학습 모델링 – QoE와 부하 균형을 동시에 고려하는 정책 탐색 | |
| 디지털 트윈/ ISAC 기반 지능형 RAN | 6G 디지털 트윈과 생성형 모델 | – 가상 6G 환경으로 테스트, 제어 정책 훈련 등 – GAN, VAE, Flow-Based Model, Diffusion |
| O-RAN 디지털 트윈 | – coverage/capacity 셀을 디지털 트윈에 구성 – 수집된 트래픽‧KPM 데이터로 on/off 정책 최적화 | |
| 로보틱 ISAC 디지털 트윈 | – 3차원 포인트 클라우드 기반 환경 재구성하고, 레이 트레이싱을 수행해 채널을 추정 | |
| 전파 모델링 가속 위한 AI | – 레이 트레이싱 결과의 일부를 학습 데이터 사용 – 인공신경망 기반 대체 모델로 나머지 채널 신속 예측 |
- 무선접속망을 위한 AI/ML 기술은 개별 알고리즘이나 특정 계층에 국한되지 않고, 데이터–모델–플랫폼–운영–설명성을 아우르는 전체 생태계를 포괄하는 방향으로 진화
[참고]
- 한국전자통신연구원(ETRI), 6G 무선접속망을 위한 AI/ML 기반 지능형 RAN 기술 동향, 2026.1
- AI-RAN Alliance, AI-RAN_Architecture Overview and Component Definitions