비지상망 트래픽 모델링

NTN 트래픽 모델링 목표의 정의

견고한 NTN 트래픽 모델은 활용 사례 및 사용자 기대에 맞는 명확한 설계 목표를 정의하는 것부터 시작됩니다. NTN 관련 서비스 유형인 eMBB(향상된 모바일 브로드밴드) 및 mMTC(대규모 사물 통신)에는 각각 고유한 요구사항이 있습니다.

• eMBB에서는 처리량 및 커버리지가 중요하므로 위성 자원을 효율적으로 사용해야 합니다.
• mMTC는 대규모 장치 연결을 지원하도록 확장성을 제공하며 지연 시간의 변동을 어느 정도 허용합니다.

이 단계에서 주로 집중하는 영역은 네트워크 아키텍처, 커버리지 및 용량입니다. SLA(서비스 수준 계약)는 네트워크 설계보다 네트워크 운영과 더 관련이 있으므로 모델링 과정에서 핵심 고려 사항일 필요는 없습니다.

지연 시간, 처리량, 지터, 국가별 라우팅 요구사항과 같은 주요 설계 파라미터는 트래픽 스케줄링, 용량 설계 및 성능 검증의 기초를 형성합니다. 국가별 라우팅 규칙과 같은 지역별 규제 요구사항을 반영하여 3GPP Release 17, 18, 19와의 정합성을 확보할 수 있습니다. 목표값에 대한 간결한 참조표를 사용해 팀이 설계 과정 전반에 걸쳐 모델 출력과 예상 서비스 동작을 일치시킬 수 있습니다.

NTN 트래픽 모델을 위한 입력 데이터 수집

시뮬레이션을 수행하기 전, 실제 네트워크 동작 및 트래픽 수요를 정확히 반영하는 데 필요한 데이터를 수집합니다. 필수 데이터셋에는 다음이 포함됩니다.

• 위성 천체력 데이터: 시간에 따른 정밀한 위성 위치 예측을 가능하게 하는 궤도 파라미터
• 게이트웨이 및 지상국 위치: 링크 버짓 및 백홀 가용성 계산에 필요
• RAN 측정값: 신호 강도, 처리량 및 간섭 데이터
• 링크 버짓: 송신기 전력, 안테나 이득, 대기 손실 고려
• 정책 및 운영 데이터: 기기 인증, 우선 순위 설정, 네트워크 간 상호 운용 및 조정 관련 정보

구조화된 체크리스트를 작성하면 데이터의 완전성을 보장할 수 있습니다. 예를 들어 천체력과 RAN 데이터 타임스탬프를 일치시키면 시공간적 상관관계를 일관되게 유지할 수 있어, 모델의 시뮬레이션 기간 전반에 걸쳐 경로 및 지연 시간 추정의 정확도를 높일 수 있습니다. 위성 네트워크를 모델링할 때는 동적으로 변화하는 메시지 경로를 설정할 수 있도록 위성 궤도를 정확하게 모델링하는 것이 매우 중요합니다.

위성은 지상국뿐만 아니라 다른 위성과의 상대적인 위치가 지속적으로 변하기 때문에 네트워크 토폴로지도 끊임없이 변화합니다. 궤도 모델은 특정 시점에 어떤 노드가 가시 범위에 있는지, 어떤 링크 지연 시간이 적용되는지, 어떤 경로가 가능한지를 결정합니다.

MATLAB^® 및 Satellite Communications Toolbox를 사용하면 천체력 데이터를 바탕으로 위성 궤도를 모델링하고, 시간 경과에 따라 궤적을 전파하고, 동적 경로 계획의 기반이 되는 링크 버짓 계산을 수행할 수 있습니다. Aerospace Toolbox는 정확한 궤도 전파에 필요한 추가적인 좌표 변환과 대기 모델을 통해 이 접근법을 보완합니다. 궤도 전파에 대한 단계별 안내는 Aerospace Toolbox 예제를 참조해 주세요.

NTN 트래픽 모델링에서 지연 시간 고려

지연 시간은 NTN 모델링의 기본 설계 파라미터이며 사용자 경험의 핵심 동인입니다. NTN에서 지연 시간은 주로 위성 고도와 전송 경로 동특성에 의해 결정됩니다. 아래 표에는 LEO, MEO 및 GEO 시스템의 일반적인 왕복 지연과 대표적인 응용 분야가 나와 있습니다.

모델링할 때는 별도의 업링크 및 다운링크 지연 시간 컴포넌트를 포함시키고 위성 핸드오버 또는 GNSS 재획득 중 신호 중단 가능성을 고려해야 합니다. 지연 시간 변동성을 반영하면 트래픽 모델이 혼잡 또는 경로 재설정 이벤트 중 성능을 현실적으로 예측할 수 있습니다. 이러한 주요 사항은 NTN 정의가 확대되고 정립되면서 3GPP Release 17, 18, 19에서 다루어져 왔습니다.

NTN 네트워크 모델 구축 및 시뮬레이션

물리, 이동성 및 RF 모델의 결합

정확한 NTN 모델링에는 물리, 이동성, RF라는 세 가지 관점이 통합되어야 합니다.

1. 물리 모델은 위성-지상 채널에 대해 전파 전파, 도플러 편이 및 페이딩을 모사합니다.
2. 이동성 시뮬레이터는 위성 궤적 및 사용자 이동을 추적하며 핸드오버와 같은 이벤트 기반 전환을 처리합니다.
3. RF 모델은 정확한 링크 버짓 예측에 기여합니다. 또한 NTN 링크를 성립하는 데 필수적인 위상 배열 시스템의 설계에도 반드시 필요합니다.

MATLAB 및 Simulink^®를 사용하면 위성 궤도를 가상으로 전파하고, 도플러 편이를 계산하며, 신호에 페이딩을 적용하고, RF 체인을 통한 손실을 계산하고, 비선형성이 RF 신호에 미치는 영향을 평가할 수 있습니다. 관련 시작점으로는 링크 수준 시뮬레이션을 위한 Satellite Communications Toolbox 예제 및 궤도 역학 및 좌표계 변환을 위한 Aerospace Toolbox 예제가 있습니다.

동적 라우팅에 AI/ML 적용

NTN 토폴로지는 위성 이동에 따라 지속적으로 변하기 때문에 정적 라우팅 테이블은 빠르게 유효성을 잃게 됩니다. 이를 해결하기 위해 AI 및 머신러닝 기술이 실시간으로 변화하는 네트워크 환경에 적응하는 동적 라우팅 테이블 구축 및 유지에 점점 더 많이 활용되고 있습니다.

특히 NTN 동적 라우팅에 효과적인 알고리즘 계열은 다음과 같습니다.

• RL (강화 학습): DQN(심층 Q-신경망) 및 PPO(근위 정책 최적화) 에이전트는 시뮬레이션된 네트워크 환경과의 상호 작용을 통해 최적의 라우팅 정책을 학습합니다. 에이전트는 링크 상태, 큐 깊이, 예측된 위성 위치를 관찰한 후 종단간 지연 시간 또는 패킷 손실을 최소화하는 다음 홉을 선택합니다. 이러한 접근 방식은 토폴로지가 수 분 미만 단위로 변화하는 LEO 초대형 위성군 시나리오에서 입증되었습니다.
• GNN (그래프 신경망): 위성 네트워크는 본질적으로 시간에 따라 변하는 그래프로 표현되기 때문에 GNN 기반 라우터는 노드 및 간선 특징(링크 용량, 도플러 편이, 고도각)을 인코딩하고 그래프 전반에서 최적 경로를 예측합니다. GNN은 처음 접하는 토폴로지의 경우에도 잘 일반화되므로 아직 구축 중인 위성군에 적합한 방법으로 주목받고 있습니다.
• 연합 학습: 대규모 위성군에서는 지연 시간과 대역폭 제약으로 인해 모든 학습 데이터를 중앙에서 수집하기 어렵습니다. 연합 학습을 사용하면 개별 위성 또는 지상국이 로컬 라우팅 모델을 훈련시키고 모델 업데이트만 공유하여 원시 원격 측정 데이터를 중앙으로 집약하지 않고도 전체 네트워크 수준의 라우팅 정책을 개선할 수 있게 합니다.
• 예측 기반 핸드오버 및 사전 라우팅: 시계열 예측 모델(LSTM, 트랜스포머 기반)은 궤도 역학 및 과거 채널 데이터를 활용해 링크의 가용성과 품질이 우수한 구간을 예측합니다. 위성이 지평선 위로 떠오르기 전에 경로가 계산되므로 상황에 따른 경로 재설정 지연이 발생하지 않습니다.

MATLAB은 이러한 알고리즘의 개발 및 검증을 지원합니다. Reinforcement Learning Toolbox™를 사용하면 위성 네트워크 환경에 대해 강화 학습 기반 라우팅 에이전트를 훈련시키고 시뮬레이션 할 수 있으며, Satellite Communications Toolbox는 현실적인 훈련 시나리오를 구축하는 데 필요한 궤도 전파 및 링크 지오메트리를 제공합니다. 실제 적용을 위한 시작점으로는 시나리오 생성 및 시각화 예제를 참조해 주세요.

정책, 오케스트레이션 및 네트워크 제약 조건 통합

정책 및 오케스트레이션 계층은 실제 제약 조건에서 NTN 내 트래픽 흐름 방식을 제어합니다. 네트워크 오케스트레이션은 자동화된 정책을 통해 QoS(서비스 품질), 용량 분배, 리소스 우선 순위 지정을 동적으로 관리합니다.

이러한 제어 기능을 시뮬레이션에 반영하면 규정 준수와 현실성을 모두 확보할 수 있습니다. 그러한 예로는 QoS 등급 적용, 지리적 라우팅 제약 반영 또는 위성 링크와 지상 링크 간 장애 조치 시뮬레이션 등이 있습니다. O-RAN과 같이 표준화된 아키텍처를 사용하면 다중 공급업체 환경의 오케스트레이션 프레임워크와의 호환성을 확보할 수 있으며, 향후 통합 및 인증을 간소화할 수 있습니다.

폐루프 모니터링 및 모델 재훈련 배포

폐루프 모니터링은 변화하는 네트워크 상태에 맞게 모델을 지속적으로 조정합니다. 이러한 시스템은 원격 측정 데이터를 자동으로 수집하고 편차를 감지하며, 성능 드리프트가 발생하면 ML(머신러닝) 컴포넌트를 재훈련합니다.

폐루프 워크플로에는 다음 단계로 구성됩니다.

1. 모니터링: 지연 시간, 지터, 처리량 같은 KPI(핵심 성과 지표)를 실시간으로 수집합니다.
2. 분석: 예측 ML 모델을 사용해 이상 탐지를 트리거합니다.
3. 행동: 자동으로 라우팅을 조정하거나 모델을 재훈련시킵니다.
4. 검증: 핵심 성과 지표가 예상 설계 목표값으로 회복되는지 확인합니다.

지속적으로 재훈련시키고 모델 버전을 관리하면 새 위성 발사나 사용자 수요 변화에 따른 신뢰성을 유지할 수 있습니다. MATLAB을 사용하면 시정 조치를 주도하는 예측 ML 모델을 만들 수 있습니다. Satellite Communications Toolbox 예제에서는 현실적인 NTN 시나리오에 대해 이러한 모델을 검증하기 위한 관련 시뮬레이션 환경이 제공됩니다.

추가 참고 자료: Satellite Communications Toolbox, Aerospace Toolbox