Sionna-RK 패치를 통한 UE별 채널 기반 디지털트윈 AI-RAN 환경 구성

디지털 트윈 기반 AI-RAN 실험 구성

---

이번 내용은 NVIDIA Sionna RT와 OAI 기반 Sionna-rk 환경을 이용해,
3D 디지털트윈 씬에서 계산된 무선 채널을 gNB RF 시뮬레이터에 주입하는 구조를 대상으로 한다.

 

우선 필요한 모든 Docker 컨테이너를 실행하고,

 

Sionna RT GUI를 띄운다.

 

이후 노트북에서 Blender에서 export한 XML Scene을 Sionna RT에서 로드하고, 해당 씬 위에 gNB와 UE 위치를 배치한다.

 

이때 UE는 서로 다른 위치에 배치된다.
예를 들어 UE1과 UE2의 경우에는 gNB와 가깝고 건물에 가려지지 않은 LOS 환경에 있고,
UE3의 경우 건물 뒤에 가려진 NLOS 환경에 위치시켰다.

 

이 구성의 핵심 목적은 단순히 UE별 트래픽 차이를 보는 것이 아니라,
실제 공간 구조에 의해 달라지는 UE별 무선 채널 차이가 OAI RAN 동작에 어떻게 반영되는지를 확인하는 것이다.

 

 

 

기존 Sionna-rk 구조의 한계

---

기존 Sionna-rk 구조에서는 gNB에서 UE로 전달되는 신호 세기와 채널 형태는 동일하고,
UE 쪽에서 노이즈 레벨만 올리거나 내려서 SNR을 조절하는 구조였다.

 

기존 구조에서 계산된 대표 CIR을 시각화하면 다음과 같은 특성을 보였다.

• 유효 경로 수: 276
• 최소 지연: 0.000 µs
• 최대 지연: 4.142 µs
• RMS 지연 스프레드: 0.195 µs

 

이 방식에서는 Sionna RT가 CIR 계산을 통해 경로손실과 노이즈 관련 파라미터를 추출하고,
gNB ZMQ에는 대표 CIR 1개만 전달하는데, 이로 인해 모든 UE는 동일한 fading과 동일한 다중경로 구조를 경험한다.

 

다만 기존 소스에서는 UE별 차이를 만들기 위해 각 UE의 rfsim chanmod에 Telnet으로 noise_power_dB를 개별 설정했다.

즉, UE마다 노이즈 바닥을 다르게 조절하여 SNR 차이를 인위적으로 부여한 것이다.

 

정리하면 기존 접근은 다음과 같다.

Sionna RT가 CIR 계산
→ 대표 CIR 1개를 gNB ZMQ에 주입
→ 모든 UE는 동일한 다중경로 채널을 경험
→ UE별 noise_power_dB만 다르게 설정
→ 거리 차이를 SNR 차이로만 흉내냄

 

 

 

Per-UE CIR 패치의 핵심 아이디어

---

이를 해결하기 위해 gNB가 각 UE의 CIR을 독립적으로 처리할 수 있도록 패치하였다.

핵심은 기존의 단일 전역 CIR 구조를 UE별 CIR 슬롯 구조로 확장하는 것이다.

즉, Sionna RT에서 계산된 CIR을 ue_id 단위로 구분하여 gNB에 전달하고,
gNB 내부에서는 각 UE에 대해 독립적인 taps, delay, norm 정보를 저장한다.

 

이후 rfsimulator write loop에서 각 UE 소켓에 대응하는 CIR을 가져와,
해당 UE의 샘플 스트림에만 CUDA convolution을 적용하면 패치 후 구조는 다음과 같이 바뀐다.

기존 구조:
대표 CIR 1개 → 모든 UE sample stream에 동일 적용

패치 후 구조:
UE1 CIR → UE1 sample stream에 적용
UE2 CIR → UE2 sample stream에 적용
UE3 CIR → UE3 sample stream에 적용

 

이제 gNB는 모든 UE에 동일한 채널을 적용하지 않는다.

UE별 위치, LOS/NLOS 상태, 경로손실, 지연 스프레드, 다중경로 구조가 각각의 CIR에 반영되고,
해당 CIR이 각 UE가 수신하는 IQ 샘플에 직접 적용된다.

 

 

 

패치 후 UE별 CIR 분석

---

패치 후 개별 UE의 CIR을 확인하면, 각 UE 위치에 따라 서로 다른 채널 특성이 나타난다.

개별 UE의 CIR을 확인하면 다음과 같다.

 

 

 

그래프 해석를 해석하면 다음과 같다.

 

UE1: gNB와 가까운 LOS UE

 

UE1은 gNB와 가까운 위치에 있으며, Line-of-Sight가 확보된 상태이다.

Delay Power Profile을 보면 에너지가 주로 0~1 µs 구간에 집중되어 있다.

지배적인 직접경로가 0 dB 근처에 존재하고, 그 뒤로 상대적으로 약한 반사 경로들이 따라온다.

 

CIR taps를 보면 tap 0이 0 dB로 압도적으로 강하고, 나머지 taps는 대체로 -20~-50 dB 이하에 위치한다.

이는 직접경로가 강하고, 다중경로 성분은 상대적으로 약한 깔끔한 LOS 채널임을 의미한다.

 

또한 K-factor가 8.7 dB로 나타나며, 이는 가장 강한 단일 경로, 즉 직접경로의 영향이 크다는 것을 보여준다.

예상되는 RAN KPI는 다음과 같다.

MCS  → 높음
BLER → 낮음
Throughput → 안정적

 

즉, UE1은 gNB와 가까운 LOS UE로서 높은 품질의 radio link를 가질 가능성이 높다.

 

 

UE2: 중간 거리의 LOS UE

 

UE2 역시 LOS 상태이지만, UE1보다 더 멀리 위치한다.

Delay Power Profile을 보면 에너지가 0~1.5 µs까지 더 넓게 퍼져 있다.

직접경로는 여전히 강하지만, 반사 경로들이 UE1보다 더 많은 delay 구간에 분포한다.

 

CIR taps에서도 tap 0이 0 dB로 가장 강하지만, 이후 taps가 -10~-30 dB 수준으로 UE1보다 상대적으로 강하게 나타난다.

이는 UE2가 LOS 환경이기는 하지만, 주변 구조물에 의한 반사 성분을 더 많이 받는다는 의미이다.

 

특히 RMS 지연 스프레드가 0.615 µs로 나타났다. 이는 UE1 대비 약 3배 넓은 값이며, 심볼간 간섭, 즉 ISI 가능성이 더 커질 수 있음을 의미한다.

예상되는 RAN KPI는 다음과 같다.

MCS  → 높지만 UE1보다 낮을 수 있음
BLER → 낮거나 중간 수준
Throughput → 비교적 높지만 이동 시 변동 가능성 있음

 

UE2는 LOS 상태이므로 기본적인 수신 품질은 좋지만, UE1보다 multipath 영향이 더 크기 때문에 채널 변동성이 커질 수 있다.

 

 

UE3: 건물 뒤에 위치한 NLOS UE

 

UE3는 gNB로부터 멀고, 건물 뒤에 가려진 NLOS UE이다.

Delay Power Profile을 보면 직접경로가 존재하지 않는다.

에너지는 0~2 µs 구간의 여러 반사 경로에 분산되어 있으며, 가장 강한 경로도 절대 전력 기준으로 매우 약하다.

 

CIR taps 그래프에서는 tap 0이 0 dB처럼 보이지만 이는 정규화된 결과이기 때문이다.

실제 norm 값은 5.99e-06 수준으로, 절대 에너지는 UE1에 비해 크게 낮다.

 

또한 K-factor는 -2.1 dB로 나타난다. 이는 가장 강한 단일 경로보다 여러 반사 경로들의 합이 더 강하다는 의미이다.

즉, 직접경로가 지배적인 Rician fading이라기보다는 Rayleigh fading에 가까운 채널 특성을 보인다.

 

UE3의 특징은 다음과 같다.

LOS: False
K-factor: -2.1 dB
경로손실: 104.4 dB
UE1 대비 추가 감쇠: 약 17 dB

 

예상되는 RAN KPI는 다음과 같다.

MCS  → 낮음
BLER → 높음
SNR  → 크게 저하
Throughput → 낮거나 불안정

 

UE3는 이번 이미지 패치의 효과를 가장 잘 보여주는 Case이다.

핵심은 Sionna RT가 3D 씬에서 레이트레이싱을 수행하여, “UE3 위치에서는 gNB까지의 직접경로가 건물에 의해 차단되고,
신호가 반사 경로를 통해서만 도달한다”는 사실을 계산했다는 점.

 

그리고 이 결과가 단순 시각화에 머무르지 않고, taps 형태로 변환되어 CUDA channel emulator에 전달된다.

이후 gNB에서 UE3로 나가는 IQ sample stream에 해당 taps가 직접 convolution된다.

즉, UE3는 더 이상 대표 CIR을 공유하지 않고, Sionna RT가 계산한 NLOS 특성이 실제 UE3 샘플 스트림에 직접 반영된다.

 

기존 구조:
UE3가 건물 뒤에 있어도
→ 대표 CIR 사용
→ UE1, UE2와 같은 채널 형태
→ noise power 조절로만 열화 표현

패치 후 구조:
UE3가 건물 뒤에 있음
→ Sionna RT가 NLOS 경로 계산
→ UE3 전용 CIR 생성
→ UE3 sample stream에만 해당 CIR 적용
→ NLOS multipath, pathloss, delay spread가 실제 RAN KPI에 반영

 

 

UE별 CIR 구현 결과

---

이를 통해 Sionna RT 기반 디지털트윈과 OAI RAN 사이의 연결 수준이 한층 강화되었다.

이전에는 UE별 noise power를 조정하여 거리 차이를 흉내냈지만,
이는 다중경로 구조, LOS/NLOS 차이, 건물 차폐, 지연 스프레드 차이를 반영하지 못했다.

 

이번 gNB 패치를 통해 gNB는 각 UE의 CIR을 독립적으로 저장하고,
rfsimulator의 각 UE sample stream에 서로 다른 taps를 적용할 수 있게 되었다.

 

그 결과 UE1은 가까운 LOS 채널, UE2는 multipath가 더 강한 LOS 채널, UE3는 건물에 가려진 NLOS 채널로 구분된다.

특히 UE3의 LOS: False, K-factor -2.1 dB, 경로손실 104.4 dB 결과는 3D 씬의 공간적 차이가 실제 RAN 채널에 반영되고 있음을 보여준다.

 

이는 Sionna RT와 OAI를 단순히 연결하는 수준을 넘어, 디지털트윈 기반 UE별 채널 주입을 가능하게 한다.

이를 통해 디지털 트윈 환경에서 위치 기반 RAN KPI 분석, AI-RAN closed loop 제어, 핸드오버 실험, 스케줄러 검증을 보다 현실적으로 수행할 수 있다.