LoRaWAN에서 강화학습을 통한 최적 네트워크 자원 할당

Abstract

정보를 활용하는 4차 산업혁명이 이슈가 되면서 사물인터넷과 같은 무선통신기술이 각광받고 있으며 미래 사회에 필요한 기술을 만족시키기 위해 많은 연구를 필요로 하고 있다. 무선통신환경 중 LPWA(Low Power Wide Area)는 저 전력을 추구하면서 장거리 통신이 가능하므로 기존 무선통신이 충족시키기 어려웠던 다양한 어플리케이션 요구사항을 만족시킬 수 있다. 본 논문에서는 LPWA 중 LoRaWAN을 목표로 최대 데이터 전송률 대비 최 소 전송 전력을 소모하는 방법을 제안한다. LoRa는 첩 확산 스펙트럼 기술을 기반으로 변조 기법과 pure ALOHA 방식을 이용하여 저 전력, 장거리 통신을 가능하게 한다. 그러나 장거리 통신에 따른 패킷의 Time on Air 증가로 패킷 충돌 가능성이 증가하였고 또한 게이트웨이와 단말 노드의 위치에 따른 원근 문제가 발생한다. 그래서 이러한 부작용을 최소화하기 위해서는 확산인자 값, 송신전력 값, 채널 값 등과 같은 적절한 네트워크 자원 분배가 이루어져야 한 다. 본 논문에서는 이러한 적절한 인자 값을 찾기 위해 인공지능 기술을 활용하 려고 한다. 인공지능 기술 중 심층강화학습을 이용하여 LoRaWAN에서 확산 인자, 송신전력, 채널과 같은 네트워크 자원 최적화 분배를 목표로 문제 접근 을 하였다. 네트워크 서버에 단말노드와 매칭 된 다수의 심층 강화학습 에이 전트를 생성하고 학습하여 터미널 노드에 최적의 전송 매개 변수를 제공하였 다. 시뮬레이션 결과 제안하는 기법이 전송률 대비 에너지 소비량 기준으로 LoRa의 ADR 보다 대략 7.3% 더 좋은 효율을 보이는 것이 확인되었다.