차세대 무선 네트워크는 특히 AI-RAN 및 O-RAN 구조에서 서로 다른 목표를 최적화하기 위해 다수의 AI 기반 제어 기능을 동시에 활용하는 방향으로 발전하고 있습니다. 이러한 기능들이 상호작용할 때, 원시 네트워크 데이터만으로는 감지하기 어려운 방식으로 서로 간섭을 일으킬 수 있습니다. 이러한 상호작용을 관리하기 위해 핵심적으로 필요한 요소는 특정 시점에 어떤 제어 매개변수(parameter)가 어떤 네트워크 성능 결과에 실질적으로 영향을 미치고 있는지를 포착하는 신뢰할 수 있고 해석 가능한 의존성 구조입니다. 본 논문에서는 이러한 의존성 학습을 지원하는 데 필요한 이벤트 탐지 단계에 초점을 맞춥니다. 즉, 노이즈가 있는 연속적인 매개변수 및 핵심성과지표(KPI) 텔레메트리가 주어졌을 때, 실제 제어 동작이 언제 발생하고 KPI가 그에 대응하여 제어로 유도된 응답을 언제 나타내는지 판별하고자 합니다. 문제는 KPI의 변동이 배경 요인이나 외생적 변동으로 인해서도 발생할 수 있으므로, 관측된 변화를 제어 이벤트로 곧바로 간주할 수 없다는 점입니다. 이러한 문제를 해결하기 위해, 연속적인 매개변수 및 KPI 증가분을 이진 제어 활동 및 KPI 응답 지표로 변환하는 유의성 기반 이벤트 탐지 절차를 개발합니다. 이 절차를 평가하기 위해, 의도적으로 주입된 매개변수-KPI 의존성과 조절 가능한 배경 변동을 갖는 통제된 폐루프 텔레메트리 생성기를 구축합니다. 실험 결과, 제안된 절차는 제어로 유도된 이벤트를 안정적으로 탐지하고 기저의 의존성 구조를 복원하며, 다양한 배경 변동 수준에 걸쳐 기존의 다른 이벤트 탐지 방법들보다 우수한 성능을 보임을 확인했습니다.
O-RAN에서 선제적 서비스 보증(proactive service assurance)은 슬라이스별 SLA 위반을 발생 전에 예측하는 것을 요구한다. 예측 모델은 운영자가 감사할 수 있어야 하며, 슬라이스가 개별 테넌트에게 임대되므로 상업적으로 민감한 슬라이스별 KPI를 풀링하지 않고 기지국 간에 학습해야 한다. 신경 가법 모델(NAM, Neural Additive Models)은 각 KPI가 가시적인 형상 함수(shape function)를 통해 기여하기 때문에 감사 가능성을 제공한다. 그러나 가시성만으로는 물리적 타당성(physical validity)을 보장하지 못한다. ColO-RAN 테스트베드 데이터셋에서, 제약 없는 NAM은 무선 물리학과 모순되는 효과를 학습하는데, 예를 들어 채널 품질이 개선될 때 더 높은 위험을 예측한다. 이러한 실패는 로컬 및 중앙집중식 학습 모두에서 나타나며, non-IID 연합 평균(federated averaging)은 이를 악화시킨다. 우리는 Monotone FedNAM을 제안한다. 이는 물리적 방향이 명확한 KPI를 단조 스플라인(monotone splines)으로 표현하며, 그 제약이 구조적으로 FedAvg 집계를 거쳐도 유지되는 연합 가법 모델로, 논쟁의 여지가 있는 KPI는 제약 없이 남겨둔다. 이 모델은 Non-RT RIC rApp으로 학습 및 운영되며, Near-RT RIC xApp으로 배포할 만큼 컴팩트하다. Monotone FedNAM은 모든 단조성 위반을 제거하고, 제약된 형상 일관성(constrained shape consistency)을 0.71에서 1.00으로 높이며, 보지 못한 스케줄링 정책(scheduling policy)에 일반화하고, 상향링크(uplink) 트래픽을 65% 줄이는데, 0.04~0.07 AUC의 비용이 든다. 이 결과는 물리적으로 제약된 연합 가법 모델이 다중 테넌트 O-RAN 서비스 보증을 위한 감사 가능한 SLA 위험 추론(inference)을 지원할 수 있음을 보여준다.
O-RAN 환경에서 동적 트래픽 변동으로 인한 AI/ML 모델 드리프트 문제를 해결하기 위해, 재학습 결정을 마르코프 결정 과정(MDP)으로 정식화하고 Q-learning 기반 강화학습(RL) 에이전트가 예측 정확도와 재학습 비용 간의 균형을 학습하는 ADORN 프레임워크를 제안한다. 다중 전문가 LSTM 앙상블을 통해 파국적 망각(catastrophic forgetting)을 완화하며, 실험 결과 탐욕적·무작위 기준선 대비 재학습 오버헤드를 효과적으로 줄이면서 SLA 성능 기준을 유지하는 것으로 나타났다.
자율 통신망(Autonomous Network Levels 4–5)에서 AI/ML 에이전트의 추론 결과가 실시간 네트워크 변경을 촉발하기 전 이를 차단·검증하는 표준화 가능한 런타임 아키텍처인 Guard Rail Validation(GRV) 프레임워크를 제안한다. 이 프레임워크는 행동 범위·서비스 중요도·가역성 등 다차원 가중치 기반으로 위험도(criticality)를 산출하고, 그 수준에 따라 로그 기록, 범위 검사, 독립 에이전트 검증, 다중 에이전트 합의 중 하나를 단계적으로 적용하며 EU AI Act Article 14 준수를 위한 감사 로그도 제공한다.
The deployment of unmanned aerial vehicles (UAV) as open radio units (O-RUs) in 6G cellular systems presents a promising opportunity to achieve scalable and adaptive network coverage. However, optimizing UAV trajectories in dynamic and unfamiliar environments remains a critical challenge, particularly due to the need for extensive retraining in each new scenario. In this paper, we introduce a novel UAV trajectory optimization framework that integrates enhanced continual transfer learning within the O-RAN architecture. The proposed system maintains a library of pre-trained models and employs a model selection mechanism to identify and transfer knowledge from the most relevant environments, minimizing adaptation time and improving efficiency. When no sufficiently similar model is available, a fallback model empowered by continuous refinements ensures baseline performance. The framework leverages real-world city maps and ray tracing techniques to enhance learning reliability and improve trajectory planning. Simulation results demonstrate that the proposed model selection-based transfer learning approach reduces convergence time by 44% to 56% compared to retraining from scratch, and up to 40% compared to traditional transfer learning without model selection.
6G 제로 터치 네트워크 슬라이싱을 위한 LLM 에이전트 리소스 협상에서 초기 휴리스틱 제안에 고착되는 앵커링 바이어스(anchoring bias)로 과잉 프로비저닝이 발생하는 문제를, 절단 3-매개변수 Weibull 분포 기반 무작위 앵커링과 CVaR(Conditional Value at Risk)을 쓰는 버스트 인식 디지털 트윈(DT)으로 완화하는 프레임워크를 제안한다. 경량 1B 모델(otel-llm-1b-it) 실험에서 SLA 꼬리 지연을 유지하며 시스템 에너지를 최대 25% 절감하고, 평균 0.95초 추론으로 O-RAN non-RT RIC 운영 시간 척도와 호환됨을 확인했다.