ns3-oran 시뮬레이션 데이터 기반의 RSRP 예측

5G 네트워크에서의 RSRP 예측

---

 

 

RSRP 예측은 5G에서 핵심적인 기능을 한다.

RSRP는 Reference Signal Received Power의 약자로, 기지국 신호 세기의 핵심 지표이다.

RSRP는 셀 선택(cell selection), 셀 재선택(cell reselection), 그리고 핸드오버(handover) 과정에 사용한다.

이때 단말(UE)은 자원 요소를 통해 전달되는 모든 기준 신호를 측정하고, 그 측정값들의 평균을 계산하여 RSRP 값을 산출한다.

 

만약 RSRP를 정확하게 예측할 수 있다면 Handover를 미리 계산해 통신의 끊김을 줄여 서비스 품질(QoS) 저하를 방지할 수 있다.

또한, 전송 전력과 주파수 자원 배분을 효율화하여 에너지 낭비를 줄이고 네트워크 효율을 높일 수 있다.

마지막으로, RSRP 예측은 AI 기반 네트워크 최적화나 자율형 셀 운영(SON)의 핵심 입력으로 쓰여, 지능형 네트워크를 가능하게 한다.

 

 

 

ns-3 O-RAN이란

---

 

 

시뮬레이션 데이터를 수집한 ns-3 O-RAN은 네트워크 시뮬레이터 ns-3 환경에서 O-RAN(Open Radio Access Network) 구조를 모사하기 위한 연구용 프레임워크이다.
O-RAN은 기지국 기능을 분리하고, 개방형 인터페이스로 구성된 차세대 무선접속망 구조를 말하는데,
ns-3 O-RAN은 실제 네트워크처럼 DU(Distributed Unit), CU(Centralized Unit), RIC(RAN Intelligent Controller) 등을

가상으로 구현해 동작을 실험할 수 있게 해준다.
이를 통해 xApp, rApp 같은 지능형 제어 알고리즘이나 핸드오버, 자원할당, 스케줄링 정책을 검증할 수 있습니다.
즉, ns-3 O-RAN은 실제 5G/6G 인프라를 구축하지 않고 O-RAN 기반 네트워크를 실험·분석할 수 있는 시뮬레이션 도구이다.

 

 

 

O-RAN 데이터셋

---

 

ns3 O-RAN을 통해 총 4개의 기지국을 배치하고 11개의 UE가 기지국 주변을 이동하는 시나리오를 구성했다.

UE 1개가 움직일 때마다 4개의 기지국에 RSRP 값이 기록된다.

이 데이터를 기반으로 LSTM 예측을 수행하였다.

 

각 데이터는 0.2초 주기로 총 500초 동안 수집되어 2500개의 row로 구성되어 있다.

이때 RSRP는 UE의 위치 정보 (X, Y, Z)와 밀접한 관계를 가진다.

 

ue7과 8은 기지국 주변에서 랜덤한 방향으로 이동하고,

ue9부터 ue16까지는 직선 형태로 이동하는 형태이다.

ue17과 ue18은 서로 원운동을 하는 형태이다.

 

 

LSTM Training 과정

---

LSTM 기반 RSRP 예측 모델을 Training하는 과정은 다음과 같다.

 

1. 데이터 준비 및 전처리

총 11개의 UE에 대한 CSV 파일을 불러와 X, Y, Z, RSRP 4개의 열을 사용한다.

이 파일의 데이터들을 MinMaxScaler로 0~1 범위로 정규화를 한다.

이 단계는 모델이 안정적으로 학습할 수 있도록 입력 범위를 균일화하는 과정이다.

 

2. 시퀀스 데이터 생성

2500 * 11개의 데이터를 LSTM이 사용할 시계열 입력 데이터로 끊어야 한다.

여기서는 5개의 input을 바탕으로 바로 다음의 RSRP 값을 예측하는 방향으로 학습을 진행했다.

 

3. LSTM 모델 구성

LSTM + Dropout + Dense 구조를 사용하는 4층의 LSTM 모델을 정의하였다.

LSTM(120) → Dropout(0.2)
LSTM(50)  → Dropout(0.2)
LSTM(50)  → Dropout(0.2)
LSTM(50)  → Dropout(0.2)
Dense(64, activation='linear')
Dense(1, activation='linear')   # RSRP 예측

 

이때 손실함수는 MSE를 사용하였고, EarlyStopping을 설정해 20 epoch 동안 val_loss가 개선되지 않으면 학습을 중단하고 최종 모델로 선정하였다.

 

4. 학습 및 검증

이때 Training Datset과 Test Dataset을 다양하게 조절하여 실험을 진행하였다.

우선, Testset으로는 기지국 근처에서 랜덤한 이동을 하는 ue7을 선정하였다.

또한 ue7과 상대적으로 유사한 ue8을 LSTM의 Training 데이터로 포함했을 때와 포함하지 않았을 때 여부를 비교해보았다,

각각의 이동 경로를 시각화한 그래프는 다음과 같다.

 

 

 

 

학습 결과

---

우선, ue8부터 ue17까지 (랜덤 + 직선 + 원운동)을 모두 사용하여 모델을 학습한 결과는 다음과 같다.

주황색 그래프는 X, Y, Z, RSRP Column을 모두 사용하여 LSTM 모델을 학습한 결과이고,

초록색 그래프는 RSRP Column만을 사용하여 LSTM 모델을 학습한 결과이다.

둘 모드 Ground Truth 값을 제대로 따라가고 있음을 확인할 수 있다.

 

다음으로 ue9부터 ue16 (직선운동만)을 사용하여 모델을 학습한 결과는 다음과 같다.

 

주황색 그래프를 보면 그래도 Ground Truth를 잘 따라가고 있는 형태이지만 확실히 이전보다는 정확도가 떨어졌다.

초록색 그래프의 경우 정확도의 오차가 매우 심하게 나타남을 확인할 수 있다.