6G 이동통신을 위한 AI/ML 기반 빔 관리 기법 및 연합 학습을 활용하는 성능 향상 방안 연구
AI/ML-based Beam Management Technique and Performance Enhancement Method Using Federated Learning for 6G Mobile Communications
- 주제어 (키워드) 3GPP , 5G-Advanced , federated learning , beam management , machine learning , artificial intelligence
- 발행기관 서강대학교 일반대학원
- 지도교수 성원진
- 발행년도 2025
- 학위수여년월 2025. 2
- 학위명 석사
- 학과 및 전공 일반대학원 전자공학과
- 실제 URI http://www.dcollection.net/handler/sogang/000000079356
- UCI I804:11029-000000079356
- 본문언어 영어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
Building on the standardization efforts in 5G-Advanced for artificial intelligence (AI)/machine learning (ML)-based beam management (BM), two primary types of beam prediction models have been considered for deployment: the user equipment (UE)-sided model, trained and deployed on UE, and the network (NW)-sided model, trained and deployed at the base station (BS). However, the NW-sided model suffers from significant communication overhead, while the UE-sided model is limited by its reliance on training with data of restricted distribution. To address these challenges, this thesis proposes a federated learning (FL)-based approach that offers an alternative to centralized deployment at either BS or UE. The FL-based model leverages locally collected data from UEs to train local models, and only the model parameters are transmitted to the BS for aggregation. This approach achieves inference performance comparable to that of the NW-sided model while significantly reducing communication overhead and outperforming the UE-sided model.
more초록 (요약문)
5G-Advanced에서 인공지능/기계학습 기반의 빔 관리 기술을 표준화하기 위한 노력에 따라, 두 가지 주요 빔 예측 모델이 도입 대상으로 고려되고 있다. 하나는 사용자 단말 (user equipment; UE)에서 학습 및 배치되는 UE측 모델이며, 다른 하나는 기지국에서 학습 및 배치되는 네트워크 (network; NW) 측 모델이다. 그러나 NW측 모델은 상당한 통신 오버헤드 문제가 발생하며, UE측 모델은 제한된 분포의 데이터로 학습해야 한다는 제약이 존재한다. 이러한 문제를 해결하기 위해, 본 논문에서는 기지국이나 UE에서의 중앙 집중형 배치를 대체할 수 있는 연합 학습 (federated learning; FL) 기반 접근 방식을 제안한다. 제안된 FL 기반 모델은 UE에서 로컬로 수집된 데이터를 활용하여 로컬 모델을 학습하고, 학습된 모델의 매개변수만 기지국으로 전송하여 통합한다. 이를 통해 NW측 기반 모델과 유사한 추론 성능을 달성하면서도 통신 오버헤드를 크게 줄이고, UE-기반 모델보다 우수한 성능을 보여준다.
more목차
1. Introduction 1
2. System Model 5
3. 3GPP AI/ML for Beam Prediction 8
3.1 Set A Set B Configuration 8
3.2 UE-sided model and NW-sided model 10
4. Beam Prediction Using Federated Learning 13
4.1 Framework for FL-based Model 13
4.2 Model Structure 16
4.3 Communication Overhead 17
5. Performance Evaluation 19
5.1 Simulation Setup 19
5.2 Simulation Result 21
6. Conclusions 29
References 30
