[데이터넷] 5G 기술이 상용화됐으며 5G·6G 부문 글로벌 표준기술 개발과 6G 상용화 연구가 한창인 지금, 무선통신은 비단 스마트폰뿐만 아니라 자율주행차·자율운항선박·로봇, 온습도·강수량 측정 센서 등과 같은 산업용 IoT 지원 기기들로 확대됐다.

따라서 이러한 다양한 종류의 많은 기기 간 통신의 대역폭 증가와 레이턴시 감소에 대한 요구사항이 점차 높아질 것이다. 디지털 기기 사용자와 산업 고객의 수준 높은 요구사항을 충족시키기 위해 무선통신 시스템은 더욱 복잡해질 것이며, 이러한 복잡성(유연성)의 정도는 지금보다 약 50배가 될 것이다.

무선통신 시스템에 인공지능(AI)을 적용해야 하는 이유는 무엇일까? AI는 복잡한 무선통신 시스템을 간소화시키고, 성능 및 효율성 개선 효과를 입증하여 기존의 통신 기능들을 대체할 수 있기 때문이다.

이러한 이유로 글로벌 통신표준에 AI가 도입되고 있다. 경험적 네트워크 지능 산업규격그룹 ENI ISG(The Experiential Networked Intelligence Industry Specification Group)는 사용자·비즈니스 요구사항 등 외부조건에 따라 통신서비스를 자동 조정할 수 있는 AI 인지적 아키텍처를 정의한다.

국제전기통신연합 전기통신표준화부문 ITU-T(International Telecommunication Union Telecommunication Standardization Sector)는 머신러닝의 차세대 네트워크 적용을 위한 아키텍처 프레임워크다. 무선통신 국제표준 제정기구 3GPP(3rd Generation Partnership Project)는 통신코어, 클라우드, 엣지 등의 환경에서 발생하는 통신장비 및 네트워크 운영 관련 데이터를 수집 및 분석하는 네트워크 데이터 분석 기능 NWDAF(Network Data Analytics Function)를 표준기능으로 정의한다.

AI를 적용한 수학적 모델 및 결정론적 규칙은 무선통신 네트워크의 성능, 컴퓨팅, 비용, 안정성, 보안 한계를 뛰어넘어 보다 품질 높은 통신 서비스를 구현할 수 있다. AI는 무선통신 네트워크의 단말기-기지국, 통신링크, 엔드 투 엔드 단에 적용돼 소스·채널 코딩부터 네트워크 조건 최적화 및 예방적인 네트워크 슬라이스 관리를 지원한다.

데이터 준비 과정
딥러닝 네트워크 학습을 위해선 대량의 양질의 데이터가 필요하다. 그러나 현실에선 비용상 제약으로 인해 다양한 상황에 대한 충분한 양의 데이터를 확보하는 데 어려움이 있다. 게다가 실제 환경에서의 테스트로 확보한 대량의 데이터를 수동으로 라벨링(Labeling)하는 작업은 많은 시간과 노동을 필요로 한다.

반면 매트랩 및 시뮬링크를 활용한 시뮬레이션 워크플로우는 사전 정의된 다양한 요소들을 통합한 시뮬레이션 환경을 구축할 수 있다. 이러한 가상 환경에서 최대한 다양한 시나리오를 바탕으로 시뮬레이션하도록 지원함으로써 이미 라벨링된 대량의 원본 데이터(raw data)를 확보할 수 있다. 또 실제 테스트를 통해 훈련 데이터를 확보하는 경우에도 신호 라벨러 앱(Signal Labeler App)은 사용자 맞춤형의 자동화된 라벨링을 지원한다.

① 무선주파수(RF)와 안테나 요소를 함께 사용한 시뮬레이션
모델을 통해 디지털 알고리즘 그리고 RF 및 안테나의 특성을 묘사하고, 이러한 세 구성요소의 상호작용을 사실적으로 시뮬레이션할 수 있다. 이는 복잡한 통신 시스템의 정확한 성능 측정을 지원하며, 각 네트워크 노드에서 실제와 가장 유사한 원본 데이터를 생성할 수 있도록 지원한다.

RF 및 안테나 설계의 경우, 최근의 정형화된 다양한 안테나 어레이와 RF 트랜시버에 대한 설계 및 시뮬레이션을 지원한다. 아나로그디바이스(Analog Device)의 RF 트랜시버 AD9361 및 AD9371에 대해 실제 칩 구성과 가까운 설계를 지원하며, 다양한 주파수 대역 및 전력 수준에서의 노이즈 및 비선형성을 검증을 통해 설계 및 테스트 반복을 줄일 수 있다.

매스웍스의 무선통신 시스템 시뮬레이션 환경은 디지털 알고리즘, RF 및 안테나의 특성을 모두 묘사하여 시뮬레이션할 수 있다는 점이 장점이다.

② 표준 통신신호 생성
매스웍스의 무선 웨이브폼 제너레이터(Wireless Waveform Generator)는 디지털 통신신호 생성에 가장 적합한 툴이다. 5G, LTE, WLAN, 블루투스와 같은 표준 통신신호를 맞춤형으로 생성하고, 매트랩 코드로 자동적으로 변환해 테스트에 활용할 수 있다. 아울러 매트랩 스크립트를 만들고 내보내 향후 해당 신호를 자동 생성할 수 있도록 지원하는 것이 장점이다.

또 RF 테스트 장비를 사용해 OTA로 무선 파형을 전송하고 수집할 수 있으며 자일링스(Xilinx) 평가 보드 및 NI 범용 소프트웨어 라디오 장비(USRP: Universal Software Radio Peripheral) 등 다양한 소프트웨어 정의 라디오(SDR: Software Defined Radio) 임포트 및 사용을 지원한다.

AI 모델링
매스웍스는 다양한 머신러닝(ML)/딥러닝(DL) 예제를 통해 통신 분야의 주요한 도전과제를 해결한다. 특히 단말기-기지국 영역에 적용되는 오토노머스 AI(Autonomous AI), 통신링크 레벨 AI에 대한 많은 예제를 통해 알고리즘을 쉽게 찾고 적용할 수 있도록 한다.

뿐만 아니라 통신 분야에서 시계열 데이터 및 표 형식의 데이터를 활용한 AI 모델 개발에 보편적으로 사용되는 머신러닝, LSTM(Long Short Term Memory), CNN(Convolutional Neural Network) 계열 알고리즘 및 모델 활용을 지원한다.

2D 이미지 입력 및 특징 추출을 지원하는 CNN의 경우, ‘시간-주파수 트랜스폼(Time-Frequency Transformation)’ 기법을 적용해 이미지로 변환된 주파수 신호 특징을 전이학습에 활용함으로써 다양한 CNN을 학습시킬 수 있다.

시간-주파수 트랜스폼 기법을 적용한 학습 결과가 좋지 않을 경우, 데이터 전처리 및 피처 엔지니어링(Feature Engineering) 과정을 거쳐 추출한 타임시리즈 주파수 신호 특징을 LSTM 계열의 네트워크에 입력시켜 학습시킬 수 있다.

① 5G 채널 추정(Channel Estimation)
5G 채널 추정을 지원하는 AI 모델은 ▲매트랩과 보간법(interpolation)을 통한 인풋(추정 채널) 및 아웃풋(정답 채널) 신호 이미지 생성 ▲인풋에서 아웃풋을 도출해낼 수 있는 네트워크 학습 단계를 거쳐 개발할 수 있다. 네트워크 학습 단계에서는 현재 널리 사용되는 이미지 처리 네트워크(고화질 이미지 생성, 이미지 노이즈 제거 등)를 적용해 고성능 모델을 쉽게 개발할 수 있다.

② 레이다/통신신호 모듈레이션 분류(Radar/Comm Modulation Classification)
하드웨어에서 수집된 통신신호에 대해 ‘시간-주파수 트랜스폼’을 통해 이미지화한 후, 해당 이미지와 정답 값(모듈레이션 이름) 두 요소를 네트워크에 학습시키는 과정을 통해 개발된다. 이미 이미지 분류 영역에서 99% 정도의 정확도를 자랑하는 네트워크로 전이학습(Transfer Learning)을 수행해 고성능 모델을 개발할 수 있다.

레이다/통신신호 모듈레이션 분류를 위한 딥러닝 네트워크 개발, 이미지로 변환된 주파수 신호 특성에서 특정 모듈레이션 종류(BPSK, QPSK, 8PSK, 16QAM, 64QAM)을 분류해낼 수 있다.

③ 스펙트럼 센싱(Spectrum Sensing)
자율주행 환경의 픽셀 단위의 물체 인지에 활용되는 시맨틱 세그멘테이션(Semantic Segmentation) 네트워크를 통신 이미지에 적용해 5G, LTE 등 신호유형을 분류하는 모델을 개발할 수 있다.

④ WLAN 표준을 이용한 실내 위치 추정(Indoor Positioning with 802.11az)
분류(Classification) 기법을 통해 로컬라이제이션(Localization), 즉 집 안에서의 거실, 주방, 또는 사무실에서의 회의실, 데스크 1~4와 같은 구획된 특정 공간 영역에 해당하는 상대적 위치를 찾아낼 수 있다. 동시에 회귀(Regression) 알고리즘을 통해 물체의 절대 위치 좌표(x, y, z)를 알아낼 수 있다.

▲다양한 단말기 위치 데이터 생성 ▲레이어를 통해 특징 추출 ▲다수의 영역 위치 정보 구분을 위한 레이어 및 분류 러너, 또는 절대 위치 좌표(x, y, z)를 선별하는 3개의 레이어 및 회귀 러너를 통한 데이터 학습을 통해 네트워크를 개발할 수 있다. 사전 학습된 네트워크를 사용할 경우 단기간에 학습 결과를 높일 수 있다.

⑤ 무선통신을 위한 오토인코더(Autoencoder)
매스웍스의 오토인코더는 무선통신을 위한 송수신 알고리즘 개발을 자동화할 수 있다. 송신단 및 수신단 알고리즘의 정보 비트(information bits)를 심벌(symbols)로 변환하고, 채널 추정 블록, 채널 코더 블록 등을 통해 왜곡된 정보를 수정해 송수신단의 인코딩 및 디코딩을 모두 학습할 수 있다. 인풋값 및 심벌 정의를 통해 인코더 및 디코더 레이어를 생성하고, AI 학습 결과 보상된 왜곡 없는 비트 수신 결과를 확인할 수 있다.

오토인코더를 통해 개발한 AI 알고리즘은 향후 통신 송신단과 수신단의 알고리즘을 모두 대체할 수 있는 가능성이 있다. 우측 그래프에서 오토인코더로 개발한 AI 알고리즘의 성능(보라색)이 해밍 채널 코딩 결과(연두색)와 거의 동일하다.

⑥ 로그-우도비(LLR) 추정을 위한 뉴럴 네트워크 학습 및 테스트
LLR(Log-likelihood Ratio)을 추정하는 뉴럴 네트워크는 ▲매트랩을 통한 신호 생성 ▲LLR 정답값 및 LLR 근사값 계산 ▲뉴럴 네트워크 학습 과정을 거쳐 개발된다. 기존 LLR 추정 방법보다 뉴럴 네트워크가 보다 정확한 LLR 추정값을 도출하는 결과를 낼 수 있다. 특히 매스웍스의 LLR 추정을 위한 뉴럴 네트워크 학습 예제는 방대한 연산량과 정확한 모델링 방법을 지원해 통신 시스템의 송신단 및 수신단 알고리즘을 AI로 대체할 가능성이 있다.

배포
매스웍스는 크게 엔터프라이즈 시스템 및 임베디드 시스템으로의 배포를 지원하며, 그 외의 엣지 디바이스, 클라우드 또는 데스크탑으로의 배포도 가능하다. 특히 단 5줄의 매트랩 코드만으로 학습 완료된 네트워크를 FPGA로 쉽게 배포할 수 있다.