Ⅰ. 서론

밀리미터파는 일반적으로 30 GHz ~ 300 GHz 대역의 스펙트럼을 사용한다. 넓은 대역폭의 채널은 무선 통신에서 더 높은 데이터 속도를 가용할 수 있게 한다. 또한 높은 반송파 주파수를 가지는 짧은 파장의 밀리미터파 신호로 인해 송신 안테나 간 간격을 줄일 수 있기 때문에 밀리미터파 대역은 Massive MIMO (Multiple-input and multiple-output) 시스템에 적합하다. 하지만 밀리미터파 대역의 채널은 높은 주파수의 특성으로 경로 감쇠가 매우 큰 문제점을 갖는다. 이러한 심각한 경로 감쇠 문제를 극복하기 위해 ZF (Zero forcing)나 MMSE (Minimum mean square error)와 같은 빔포밍 기술이 적용된다^[1]. 빔포밍은 기저대역의 신호 처리에 의해 수행되며, 각 안테나 당 ADCs (Analog-to-digital converters)와 DACs (Digital-to-analog converters), 믹서, 필터 및 증폭기 등을 포함하는 RF (radio frequency) chain이 할당되어야 한다. 이것은 기지국의 주요 전력 소비원이기 때문에 기지국의 안테나 수가 증가할수록 하드웨어의 복잡도와 시스템 비용 등이 매우 증가하게 되며, 높은 전력 소비가 요구되는 문제점이 유발된다. 이러한 문제를 해결하기 위한 주요 기술로 안테나 선택 기술이 고려되고 있다^[2-4].

안테나 선택 기술은 기지국에 장착된 모든 안테나를 사용하는 대신에 최적의 성능을 가지는 일부 안테나만을 선택하여 사용함으로써 RF chain의 수를 줄이면서 높은 성능을 획득하는 것을 목적으로 한다. 최적의 안테나를 선택하기 위해 철저한 조사 (Exhaustive search) 방법과 탐욕 조사 (Greedy search) 방법이 주로 연구되고 있다^[2-4]. 철저한 조사 기반 안테나 선택 알고리즘은 가장 최적의 안테나를 선택하여 가장 높은 성능을 획득할 수 있지만 가능한 모든 안테나 부 집합에 대한 평가가 이루어져야 하므로 안테나 수에 비례하여 계산 복잡도가 크게 증가된다. 이러한 계산 복잡도 문제를 해결하기 위해 탐욕 조사 기반 안테나 선택 알고리즘이 연구되고 있지만 이 또한 최적에 안테나를 선택하기 위해 높은 지연 시간이 요구된다.

딥러닝 기법은 이미지 분류나 자율주행과 같은 다양한 분야에서 우수한 성능을 보여주고 있다^[5]. 이러한 우수성에 기대어 무선 통신 분야에서도 기존의 채널 추정이나 빔포밍 알고리즘을 딥러닝 기법으로 대체하는 시도가 연구되고 있다^[6-7]. 딥러닝은 기존의 알고리즘에 비해 계산 시간 및 복잡도를 감소시키면서 최적의 성능에 근접한 성능을 보여줄 수 있다.

따라서 본 논문에서는 UMi (Urban micro) 시나리오 네트워크에서 밀리미터파 시스템의 하드웨어 비용과 전력 소모 감소를 위한 안테나 선택 기법을 제안한. 제안하는 테나 선택 기법은 철저한 조사 기반의 안테나 선택 비법의 계산 복잡도를 줄이면서 거의 근접한 성능을 획득할 수 있도록 딥러닝 기술을 적용한다. 최적의 안테나 부 집합을 예측하기 위해 멀티 클래스 분류 모델 DNN (Deep neural network)이 사용된다. DNN은 기지국과 사용자 사이의 채널과 최대 채널 용량을 가진 안테나 부 집합 사이의 관계를 학습한다. 제안하는 딥러닝 기반 안테나 선택 기법은 기존의 철저한 조사 방법을 사용하는 최대 채널 용량 기반 안테나 선택 기법인 ES-CAS (Exhaustive search - maximum channel capacity-based antenna selection)과 최대 채널 이득을 가지는 안테나를 선택하는 기법인 NBAS (Norm-based antenna selection)과 비교하여 성능을 평가하고 검증한다. 본 논문은 다음의 구성을 따른다. II장에서 시스템 모델을 설명한다. 기존 안테나 선택 기법 및 딥러닝 기반 안테나 선택 기법은 III장에서 설명한다. IV장에서 제안하는 DNN의 구조와 테스트 절차를 설명한다. V장에서 성능 평가 결과를 보여주고, 마지막장에서 결론을 짓는다.

Ⅱ. 시스템 모델

본 논문에서는 밀리미터파 UMi 시나리오^[8]에서 N_t개 안테나를 가진 기지국과 단일 안테나 사용자 또는 단말 K개가 전개되는 단일 셀 네트워크를 고려한다. 기지국은 N_t개 안테나 중 M개 안테나를 선택하여 K 단말들에게 독립된 데이터 스트림을 전송한다. 이때 선택 안테나 수와 단말 수의 관계는 K ≤ M ≤ N_t 임을 전제한다. 기지국이 전체 안테나를 사용할 때, 사용자들이 수신하는 신호는 다음과 같이 표현할 수 있다.

Y = HFs +η₀,       (1)

H는 K× N_t 밀리미터파 복소수 채널 행렬이다. 본 연구에서는 [8]에서 모델링된 밀리미터파 채널 모델을 사용한다. F는 N_t × K ZF 프리코딩 행렬이며, F = H(H^H H)^-1이다. s는 송신 신호이고, η₀는 AWGN(additive white Gaussian noise) 이다.

Ⅲ. 안테나 선택 기법

1. 전통적인 안테나 선택 기법

가장 최적의 안테나는 철저한 조사를 통해 선택될 수 있다. N_t개 안테나 중 M개 안테나를 선택할 때, 가능한 모든 안테나 부집합의 수는 \(\left(\begin{array}{l} N_{t} \\ M \end{array}\right)\) 이다. 철저한 조 기반의 안테나 선택 기법은 다음에 따라 \(\left(\begin{array}{l} N_{t} \\ M \end{array}\right)\)개의 안테나 조합 중 채널 용량을 최대로 하는 안테나 조합을 선택한다.

\(C\left(\bar{H}_{(\ell)}\right)=\log _{2} \operatorname{det}\left(I_{K}+\rho \bar{H}_{(\ell)} \bar{H}_{(\ell)}^{H}\right)\)       (2)

\(\ell^{*}=\underset{\ell \in N_{c}}{\operatorname{argmax}} C\left(\bar{H}_{(\ell)}\right)\)        (3)

\(\bar{H}_{(\ell)}\)는 l번째 안테나 부집합 채널을 나타내며, 채널 크기는 M× K 이다. \(C\left(\bar{H}_{(\ell)}\right)\)는 \(\bar{H}_{(\ell)}\)의 채널용량이다. (3)에 의해 전체 안테나 부집합 중 채널 용량을 최대로 하는 안테나 부집합이 선택된다. 여기에서 \(N_{c}=\left(\begin{array}{l} N_{t} \\ M \end{array}\right)\)이고, ℓ^* 은 선택된 안테나 부집합의 인덱스를 나타낸다. 철저한 조사 기반 안테나 선택 기법은 가능한 모든 안테나 조합에 대해 채널 용량을 탐색하여 최적의 조합을 선택함으로써 가장 최적의 시스템 성능을 획득할 수 있다. 하지만 송신 안테나의 수 N_t와 단말 수 K, 선택 안테나의 수 M이 증가하면 이에 비례하여 계산 복잡도가 크게 증가하므로 Massive MIMO와 같은 큰 규모의 시스템에서 실현하는 것이 불가능하다.

2. 딥러닝 기반 안테나 선택 기법

본 논문에서는 철저한 조사 기반의 안테나 선택 기법에서 제기되는 문제점을 해결하기 위해 딥러닝을 적용한다. 안테나 선택 기법은 딥러닝의 다중 클래스 분류 문제로 해결할 수 있다. 제안하는 딥러닝 기반 안테나 선택 기법 DL-AS (Deep learning-based antenna selection)은 DNN 모델을 사용한다. DNN은 기지국과 단말 간 채널을 입력받고, 최적의 안테나 조합을 예측한다. DNN을 훈련하고 최적화하기 위해 많은 양의 훈련 데터가 필요하다. 훈련 데이터를 수집하기 위해 다음의 과정을 따른다. 첫 번째 단계로, 기지국과 단말을 랜덤으로 전개한 후 채널을 수집하는 과정을 \(N_{T r}\)번 반복한다. \(N_{T r}\)개 채널 샘플들은 H^(T)∈\(C^{N_{T r} \times N_{T}}\) 이고, H^(T)는 복소수 행렬이다. DNN은 가중치와 편향 값이 실수이기 때문에 복소수 훈련 데이터를 사용할 수 없다. 따라서 두번째 단계로, 복소수 채 행렬을 실수 채널 행렬로 변환한다. j번째 채널 샘플 \(H_{j}^{(T)}\)는 다음에 따라 실수와 허수를 분리한다.

\(R_{j}=\left[\wp\left\{H_{j}^{(T)}\right\}, \mathfrak{I}\left\{H_{j}^{(T)}\right\}\right]\)       (4)

\(\wp\left\{H_{j}^{(T)}\right\}\)는 \(H_{j}^{(T)}\)의 실수 부분을 나타내고, \(\Im\left\{H_{j}^{(T)}\right\}\)는 \(H_{j}^{(T)}\)의 허수 부분을 나타낸다. 따라서 R_j는 1×2N_t 실수 채널 벡터이다. H^(T)는 (4)에 의해 실수와 허수로 분리하여 실수 채널 행렬 R로 변환된다. 마지막으로 DNN이 효과적으로 훈련 데이터를 학습할 수 있도록 R을 min-max 정규화 한다. 정규화된 훈련 데이터 \(\bar{R}\)은 다음과 같다.

\(\bar{R}=\frac{R-\min (R)}{\max (R)-\min (R)}\)       (5)

j번째 훈련 데이터 \(\bar{R}_{j}\)은 \(H_{j}^{(T)}\)에 대해 (2), (3)에 의해 도출되는 안테나 조합 인덱스 \(\ell_{j}^{*}\)에 의해 레이블링 된다. \(\ell_{j}^{*}\)을 DNN에 입력하기 위해 원 핫 인코딩 (One-hot encoding) 기법을 사용하여 벡터로 변환한다. 그림 1은 원 핫 인코딩의 예를 보여준다. 만약 전체 안테나 조합이 4개이고, 각 조합 인덱스를 0, 1, 2, 3이라고 할 때, 선택된 안테나 조합의 인덱스 \(\ell_{j}^{*}\)이 1이라면, \(\ell_{j}^{*}\)은 {0, 1, 0, 0}으로 인코딩된다. 인코딩된 레이블을 l_j로 표현하면, DNN은 {\(\ell_{j}^{*}\),l_j}를 하나의 훈련 데이터 세트로 하여 학습된다.

그림 1. 안나 조합 인덱스의 원 핫 인코딩 예

Fig. 1. Example of one-hot encoding

Ⅳ. 제안하는 DNN 구조와 운용

본 논문에서는 많은 실험을 통해 DNN을 설계하고 최적화했다. 최적의 안테나 조합을 예측하기 위해 제안하는 DNN 구조는 그림 2와 같다. DNN은 4개의 HLs (Hidden layers)로 구성된다. 각 HL은 EUL (exponential linear unit) 활설화 함수와 DL (Drop-out layer)를 사용한다. 컴파일러는 옵티마이저로 ADAM 함수를 사용하고, 손실 함수로 categorical cross-entropy를 사용한다. 출력층에서는 softmax 활성화 함수가 사용된다. 각 HL에는 입력 데이터 길이의 약 1.3배에 해당하는 뉴런을 설정한다. 최적의 학습을 위해 하나의 레이블 당 약 2,000개의 훈련 데이터를 수집하여 약 2,000번 반복하여 학습했다.

그림 2. DL-AS를 위한 DNN 구조

FIg. 2. DNN configuration for DL-AS

학습된 DNN 모델을 사용하는 DL-AS는 다음 과정에 따라 최적의 안테나 조합을 예측한다. 우선 기지국과 단말들이 UMi 셀에서 랜덤으로 전개되고, 기지국과 단말들 간 채널 H를 전 처리한다. (4), (5)에 의해 전 처리된 H는 학습된 DNN에 입력되고, (2), (3) 처리 과정없이 최적의 안테나 조합의 인덱스 ℓ^*를 예측하여 출력한다.

Ⅴ. 시뮬레이션 결과

이 장에서는 기존의 안테나 선택 기법 ES-CAS, NBAS^[9]와 제안하는 안테나 선택 기법 DL-AS의 성능을 주파수 효율과 BER (Bit error rate) 측면에서 비교 평가한다. k번째 단말의 주파수 효율은 다음에 의해 주어진다.

\(R_{k}=\log _{2}\left(1+\frac{\rho_{k}\left|\bar{H}_{k,\left(\ell^{*}\right)} \omega_{k}\right|^{2}}{1+\sum_{i=1, i \neq k}^{K} \rho_{i}\left|\bar{H}_{i,\left(\ell^{*}\right)} \omega_{i}\right|^{2}}\right)\)       (6)

\(\bar{H}_{k,\left(\ell^{*}\right)}\)는 k번째 단말의 선택된 안테나 조합에 대한 채널 벡터이고, ω_k는 ZF 빔포밍 벡터를 나타낸다. ρ_k는 SNR이다. 따라서 전체 단말에 대한 주파수 효율은 다음에 따라 계산된다.

\(\dot{R}=\sum_{k=1}^{K} R_{k}\)       (7)

본 논문에서 시뮬레이션을 위해 UMi 시나리오에서 반경 30m의 스몰셀이 고려된다. 하나의 스몰셀의 중심에 10m 높이의 기지국과 위치와 높이가 랜덤으로 할당되는 2개의 단말을 고려한다.

그림 3은 기지국의 테나수가 8개이고 선택 안테나의 수가 2개일 때, 안테나 선택 기법 별 SNR에 따른 주파수 효율 분석 결과를 나타낸다. 결과에서 철저한 조사 기반의 ES-CAS가 가장 높은 주파수 효율을 획득할 수 있었고, 제안하는 DL-AS가 ES-CAS와 거의 근접한 성능을 획득할 수 있는 것으로 분석되었다. 채널 이득값을 기반으로 안테나를 선택하는 NBAS는 성능이 가장 낮은 것으로 평가된다. 그림 4는 기지국의 안테나수가 8개이고 선택 안테나의 수가 2개일 때, 안테나 선택 기법 별 SNR에 따른 BER 분석 결과를 나타낸다. 그림 3의 주파수 효율 분석 결과와 같은 양상으로 ES-CAS, DL-AS, NBAS 순으로 높은 성능을 가지는 것으로 분석되었다. 그림 5는 SNR이 20 dB일 때, 송신 안테나 수에 따른 주파수 효율 분석 결과를 나타낸다. 선택 안테나 수는 2개이다. 송신 안테나 수가 증가하면 더 좋은 안테나를 선택할 수 있는 확률이 높아지므로 시스템 성능도 향상되는 것을 확인할수 있다. 송신 안테나의 수가 4개에서 8개로 증가할 때 가장 크게 주파수 효율이 높아졌고, 8개부터 점차 주파수 효율의 향상이 포화되는 것으로 분석되었다.

그림 3. SNR에 따른 주파수 효율

Fig. 3. Spectral efficiency versus SNR

그림 4. SNR에 따른 BER

Fig. 4. BER versus SNR

그림 5. 송신 안테나 수에 따른 주파수 효율

Fig. 5. Spectral efficiency versus the number of transmit antennas

Ⅴ. 결론

본 논문은 밀리미터파 시스템을 위한 딥러닝 기반 안테나 선택 기법을 제안한다. 멀티 클래스 분류를 위해 DNN을 사용했으며, 최적의 안테나 조합을 예측하는 방법이 조사되었다. 제안하는 기법을 검증하기 위해 UMi 시나리오의 스몰셀 네트워크에서 기지국과 단말이 랜덤으로 전개되는 환경을 설정하여 시뮬레이션 분석했다. 시뮬레이션 결과에서 제안하는 DL-AS는 기존 안테나 선택 기법 NBAS 보다 높은 성능을 보였고, 최적의 안테나 선택 기법 ES-CAS에 근접한 성능을 보임을 확인했다. 상기 연구 결과를 기반으로 이후 연구에서는 주파수 효율 최대화 및 계산 복잡도 감소를 위한 딥러닝 기반의 사용자와 안테나를 동시에 선택하는 방법이 연구될 수 있다.

※ 본 연구는 정부(과학기술정보통신부)의 재원으로 정보통신기술진흥센터의 지원을 받아 수행하고 있는 한국전자통신연구원의 No. 2016-0-00183, 컴퓨팅이 융합된 가상화 기반 5G 이동통신 액세스 플랫폼 기술 개발의 위탁과제의 연구입니다.

※ 본 연구의 내용을 발표할 때에는 반드시 한국전통신연구원 No. 2016-0-0083의 위탁과제연구과제로 수행한 연구결과임을 밝혀야 합니다.