7QCI 상의 다중 QoS 요소를 반영한 동적 허용 자원 임계값 차등 적용형 호 허가 제어 알고리즘 및 성능 평가에 관한 연구

Ⅰ. 서 론

5G/6G 또는 LTE(Long Term Evolution) 네트워크는 음성(Voice), 영상(Video), 웹(Web), 이미지/텍스트(Image/Text), 실감형 컨텐츠(Immersive Content), 핀테크(Fintech), 사물인터넷(Internet of Things, IoT) 등 다양한 이기종 트래픽을 동시에 처리해야 하며, 각 서비스는 고유한 QoS(Quality of Service) 요구사항을 수반한다[1]. 이러한 트래픽 다양성과 QoS 복잡도에 대응하기 위해 3GPP는 QoS 클래스 식별자(QCI: QoS Class Identifier)를 정의하고, 서비스 유형별로 지연 허용 범위, 패킷 손실율, 우선순위 등을 기준으로 세분화된 트래픽 분류 체계를 제시하고 있다[2].

그러나, 기존의 호 허가 제어(Call Admission Control, CAC) 알고리즘은 QCI의 세부 특성을 충분히 반영하지 못하거나 일부 트래픽 클래스에만 한정되어 적용되며, 네트워크 상태 변화나 트래픽 수요의 시계열적 특성을 유연하게 반영하지 못하는 구조적 한계를 지닌다[3]. 이로 인해 자원 활용의 비효율성과 QoS 미보장이 발생하며, 특히 실시간성과 신뢰성이 중요한 실감형 컨텐츠, 핀테크, 사물인터넷과 같은 서비스에서는 사용자 경험의 저하로 이어질 수 있다.

본 연구논문은 이러한 문제를 해결하기 위해 7가지로 대표되는 이기종 트래픽을 QCI 클래스에 대응시켜 분류하고, 이들의 특성을 정밀하게 반영하는 7QCI 기반의 다중 QoS 요소를 반영한 동적 허용 자원 임계값 차등 적응형 호 허가 제어 알고리즘(7QCI-Adaptive CAC)을 제안한다. 본 연구논문에서 제안하는 7QCI-Adaptive CAC 알고리즘은 다음과 같은 3가지 다중 QoS 요소를 가중합 방식으로 통합하여 7QCI별로 동적 허용 자원 임계값을 산정한다.

3가지 다중 QoS 요소 :

• ① 시계열 기반 미래 트래픽 수요량 예측 – ARIMA 및 EWMA 기반 예측 모델을 활용하여 시간 t+1에서의 미래 트래픽 수요량을 예측함[4].
• ② 실시간 핸드오프 요청율 반영 – 7QCI에 따라 시간 t에서의 핸드오버 요청율을 반영해 끊김없는 QoS를 보장토록 유도함[5].
• ③ QoS 프로파일에 따른 통합 스코어 적용– 지연 민감도, 지연 한계, 패킷 손실율, 우선순위, 요구 대역폭, 평균세션 지속시간 등의 QoS 프로파일을 7QCI별로 정량화시킨 통합 점수를 적용함[6].

이러한 3가지 다중 QoS 요소를 토대로 동적 허용 자원 임계값을 차등적으로 산정하는 방식은 기존의 고정, 단순 동적 반응 및 예측형의 CAC 기법들 대비, 보다 유연하고 정밀한 호 허가 제어에 관한 판단을 가능하게끔 하며, 신규 호 차단율과 핸드오프 중단율을 동시에 최소화시켜 자원 활용 효율 및 7QCI 보장을 위한 QoS 만족도를 더욱 향상케 하는 것을 최종 목표로 한다.

즉, 본 연구논문에서 제안하는 7QCI-Adaptive CAC 알고리즘은 기존의 동적 임계값 기반 호 허가 제어(DT-CAC) 및 예측 임계값 기반 호 허가 제어(PT-CAC) 기법에 비해 호 허가율, 핸드오프 안정, 자원 활용율 측면에서 우수한 트래픽 성능을 확인한다.

이를 위해, 본 연구논문의 구성은 다음과 같다. 2장에서는 기존 CAC 알고리즘에 관한 주요 유형들을 소개하고 그 한계를 분석하며, 3장에서는 7QCI 분류 체계와 수학적 모델을 제시한 7QCI-Adaptive CAC 알고리즘의 이론적 토대를 새롭게 정립함을 통해 기존 CAC 알고리즘 대비 7QCI-Adaptive CAC 알고리즘에 관한 차별성과 특장점을 보이고자 한다. 4장에서는 모의실험 및 그에 따른 실험 결과를 명확히 표출해 기존 CAC 알고리즘과의 이기종 트래픽 성능을 비교·분석하고, 5장에서는 결론 및 향후 연구 방향을 제시한다.

Ⅱ. 기존 CAC 알고리즘에 관한 분석

5G/6G 또는 LTE(Long Term Evolution) 네트워크는 다양한 멀티미디어 서비스와 트래픽 유형을 동시에 수용해야 하는 네트워크 환경에서 QoS 보장을 핵심 요구사항으로 삼는다. 이를 위해, 3GPP에서는 QoS 클래스 식별자(QCI)를 도입하여 트래픽을 구분하고, 각기 다른 트래픽 클래스에 대한 지연 시간, 우선순위, 패킷 손실율 등의 기준을 명시하고 있다[7].

호 허가 제어(Call Admission Control, CAC)는 이러한 QoS 보장을 실현하는 통신 서비스 기법의 핵심 메커니즘 중 하나로, 네트워크 자원의 한정된 상황에서 신규 또는 핸드오프 호 요청이 발생할 때 호 요청에 관한 수용 여부를 결정하는 기능을 수행한다[8].

Ⅲ. 7QCI-Adaptive CAC 알고리즘

3-1 7QCI-Adaptive CAC 알고리즘의 호 허가 제어 설계 모형

최근 5G/6G 또는 LTE 기반의 차세대 QoS-인식 무선통신 환경에서는 트래픽 형태가 매우 다양화되고 있으며, 음성(Voice), 영상(Video), 웹(Web), 이미지/텍스트(Image/Text), 실감형 컨텐츠(Immersive Content), 핀테크(Fintech) 및 사물인터넷(Internet of Things; IoT) 등의 7가지 이기종 트래픽이 하나의 네트워크 환경상에서 동시 서비스되는 상황이 일상화되고 있다. 3GPP에서는 LTE 및 이후 진화된 패킷망에서 QoS Class Identifier(QCI)라는 분류 체계를 도입하였으며, 각 트래픽 유형에 따라 지연 허용도, 패킷 손실율, 우선순위 등의 기준을 다르게 설정하여 네트워크 정책과 연계된 자원 관리가 가능하도록 하였다[9].

이처럼 다양한 서비스가 병행 제공되는 네트워크 환경에서는 트래픽 유형별로 상이한 QoS(Quality of Service) 요구사항을 정밀하게 파악하고, 그 요구를 만족시키면서도 네트워크 자원을 효율적으로 분배하는 것이 핵심 사항이라 할 것이다[7].

본 연구논문에서 제안하는 7QCI-Adaptive CAC 알고리즘은 7QCI 별로 3가지 다중 QoS 요소를 차등 적용해 동적 허용 자원 임계값을 산출함으로써, 다중 QoS-인식 CAC 보장, 7QCI 보장, 핸드오프 안정 및 자원 활용 효율을 동시에 확보하고자 한다.

다시 말해, 7QCI-Adaptive CAC 알고리즘은 5G/6G 또는 LTE 통신 시스템 상에서 7QCI로 대표된 트래픽 클래스 유형(Voice, Video, Web, Image/Text, Immersive Content, Fintech, IoT)과 매핑한 후, 3가지 다중 QoS 요소를 정밀하게 차등 적용시켜 동적 허용 임계값을 정의해 내는 차세대 QoS-인식 호 허가 제어 기법이라 하겠다.

즉, 본 연구논문에서 도입한 3가지 다중 QoS 요소는 (1)트래픽 수요량은 과거 추세를 반영하는 것이 아니라, 시간 t+1에 따른 트래픽 변화 패턴을 수학적으로 분석하여 미래 의 수요량을 7QCI 별로 사전에 예측한다[4].

(2)실시간 핸드오프 요청율은 7QCI에 대해 시간 t 시점의 핸드오프를 실시간으로 반영해 이동 중이더라도 끊김없는 사용자의 QoS 서비스를 제공하고 핸드오프 안정성을 확보한다[5].

(3)7QCI는 지연 민감도(Delay Sensitivity), 허용 지연 시간(Delay Budget), 패킷 손실 허용율(PER), 우선순위(Prioty), 요구 대역폭(Required Bandwidth), 평균 세션 지속 시간(Average Session Duration) 등의 QoS 프로파일의 고유 특성을 반영한다[10].

즉, 7QCI-Adaptive CAC 알고리즘은 표 1에 정의된 7QCI 클래스별 QoS 프로파일을 참조하여 7QCI 트래픽 특성에 따른 동적 허용 자원 임계값(Threshold)을 차등 적용한다.

Table 1.

7QCI class-specific QoS profile

지연 민감도(Delay Sensitivity)는 실시간으로 트래픽 처리데 매우 중요하며, 음성(QCI 1), 영상(QCI 2), 실감형 컨텐츠(QCI 5), 핀테크(QCI 6)는 짧은 허용 지연 시간(Delay Budget)을 요구한다.

실감형 컨텐츠(QCI 5)는 50ms 이하의 매우 짧은 허용 지연 시간(Delay Budget)을 가지며, 이는 고속 반응성이 요구되는 AR/VR/MR/XR에 적합하다[11].

패킷 손실 허용율(PER)은 트래픽 신뢰도 요구 수준을 반영하는 지표로, 금융거래나 인증 등이 포함된 핀테크(QCI 6)는 0.001%의 낮은 손실 허용율을 요구한다. 반면, 사물인터넷(QCI 7)의 경우에는 신뢰도보다 장시간 동작과 연속성이 중요하므로 5.0%의 높은 PER 허용을 보인다.

우선순위(Priority)는 낮을수록 더 높은 우선처리를 의미하며, 이는 핸드오프 시, 우선 처리 대상 선정이나 세션 유지 판단의 핵심 기준이 된다[9]. 음성(QCI 1)과 핀테크(QCI 6)가 가장 높은 우선순위를 갖는다.

요구 대역폭(Required Bandwidth)은 트래픽 유형의 사용량 특성과 직접적으로 관련되며, 실감형 컨텐츠(QCI 5)는 4096 kbps 이상의 고용량 트래픽을 필요로 한다. 반대로, 사물인터넷(QCI 7)은 소량의 데이터를 간헐적으로 송신하므로 64 kbps 정도의 낮은 대역폭만으로도 충분하다.

평균 세션 지속 시간(Average Duration)은 자원 점유 시간과 관련되며, 사물인터넷(QCI 7)은 600초(10분)로 가장 긴 세션을 유지한다. 반면, 금융 거래 중심의 핀테크(QCI 6)는 15초 내외의 짧은 세션을 갖는다. 이는 짧고 빠른 연결을 반복적으로 요구하는 특성을 내포하고 있기 때문이다[11].

3-3 7QCI-Adaptive CAC 알고리즘의 동작 프로세스

본 연구논문의 7QCI-Adaptive CAC 알고리즘에 관한 동작 프로세스는 다음과 같은 순차적 절차를 따른다.

Fig. 1.

Operation process of the 7QCI-Adaptive CAC algorithm

<Step 1> 동적 허용 자원 임계값 θ_q(t)계산
<Step 2> 동적 허용 자원 충족 여부 검사
현재 사용 중인 자원량 U_q(t)와 신규 호출 요청 자원량 $$ R_q^{req}$$의 합이 임계값 이하인지 확인
만족: "Admit the new(handoff) call“
<Step 3> 조건 ①, ②, ③인지 여부 재판단
조건 ①: 7QCI 중 우선순위 낮은 트래픽 클래스 세션 종료여부 고려
조건 ②: 핸드오프 보장여부 고려
조건 ③: 비상 보호 자원 활용가능 여부 고려
<Step 4> 모든 조건 불일치시, "Reject the new(handoff) call" → QoS 저하 없는 범위 내에서의 유연한 트래픽 조정 정책 수행

이러한 7QCI-Adaptive CAC 알고리즘은 다음과 같은 특성을 갖는다. 첫째, 7QCI변화에 유연하게 대응할 수 있어 자원 활용율(resource utilization)을 향상시킨다. 둘째, 핸드오프 상황, 세션 연속성이 요구되는 7QCI에 대해 허가율을 높여 QoS의 보장 수준을 강화시킨다. 셋째, 7QCI별 의 트래픽 특성과 우선순위를 반영한 차등적 자원 제어가 가능하다. 넷째, 과도한 예측 의존성을 완화하고 실시간성과 예측성을 조화시킨 하이브리드 접근 방식으로 7QCI가 공존하는 이기종 트래픽 위주의 차세대 QoS-인식 통신 시스템의 안정성과 자원 제어 응답성을 동시에 확보한다.

Ⅳ. 7QCI-Adaptive CAC 알고리즘에 관한 모의실험

본 연구논문에서 제안한 7QCI-Adaptive CAC 알고리즘은 차세대 QoS-인식 호 허가 제어 성능을 검증하기 위한 모의실험을 수행하였다. 7QCI-Adaptive CAC 알고리즘은 7QCI 기반 이기종 트래픽 환경에서 QoS 보장, 핸드오프, 자원 활용 측면에서 기존의 CAC 방식보다 우수한 성능을 발휘하는지를 확인하는 것을 모의실험의 주된 목적으로 한다.

본 모의실험에서는 트래픽 수요 예측량, 핸드오프 요청율, QoS 프로파일 통합 점수치 등 3가지 다중 QoS 요소를 반영하여 동적 허용 자원 임계값 𝜃𝑞(𝑡)가 실제 호 허가 제어 및 (재)판단 과정에서 얼마나 효과적으로 작동하는지를 시뮬레이션을 통해 분석하고자 한다.

또한, 본 모의실험은 24시간 동안 시간 단위로 시계열 환경을 가정하여 구성하고, 총 7개의 QCI 클래스(Voice, Video, Web, Image/Text, Immersive Content, Fintech, IoT)를 포함하며, 각 QCI 클래스는 서로 다른 총 6 QoS 프로파일을 적용시킨다.

이를 위해, 실험 조건은 다음과 같다.

-총 사용자 수: 1,000명

-가용 무선 자원 총량: 10,000 kbps

-트래픽 유형: 7QCI 클래스에 따른 이기종 트래픽 혼재

-트래픽 수요 예측 방식: ARIMA(Auto Regressive Integrated Moving Average), -EWMA(Exponentially Weighted Moving Average) 혼합 적용

-QoS 통합 점수치($$ {\widehat{Q}}_q$$): 각 클래스의 QoS 프로파일을 바탕으로 산정한 정적 스코어 사용

-CAC 알고리즘 간의 비교

동적 임계값 기반 CAC(Dynamic Threshold-based CAC)와 예측 임계값 기반 CAC(Predictive Threshold-based CAC) 대비 본 논문에서 제안하는 7QCI-Adaptive CAC 간의 동적 허용 자원 임계값 θ_q(t) 비교

본 모의실험을 통해 출력된 그림 2부터 그림 8까지의 그래프는 Voice(QCI 1, ex : Voice Call, VoLTE), Video(QCI 2, ex : Real-time Video Streaming, Video Conference), Web(QCI 3, ex : Web Browsing, HTTP Traffic), Image/Text(QCI 4, ex : Image and Text Transmission, Email, Social Media Feed) Immersive Content(QCI 5, ex : AR(Augmented Reality), VR(Virtual Reality), MR(Mixed Reality), XR (Extended Reality)), Fintech(QCI 6, ex : Banking Services, Payment, Stock Trading) 및 IoT(QCI 7, ex : Sensor Networks, Smart Devices) 기준으로 세 가지 CAC 알고리즘 간의 시간대별 동적 허용 자원 임계값 θ_q(t) 변화를 시뮬레이션한 비교 결과치를 나타낸 것이다.

Fig. 2.

Comparison of θq(t) for QCI 1

그림 2는 QCI 1를 기준으로 최소 동적 허용 자원 임계값을 1290kbps로 유지해 DT-CAC 대비 3.2% 더 안정적인 QoS가 보장됨을 인지하였고, 혼잡 시간대(06~14시)에는 최대 1410kbps까지 동적으로 자원을 할당하여 DT-CAC보다 6.4% 높은 자원 대응력을 보였다.

또한, 예측 오차를 억제하면서 PT-CAC 대비 자원 낭비를 2.8~3.5% 절감함으로써 자원 효율성과 실시간성을 동시에 확보할 수 있음을 확인하였다.

그림 3은 QCI 2를 기준으로 최소 동적 허용 자원 임계값을 1140kbps로 유지하여, DT-CAC 대비 약 2.6% 향상된 안정적인 QoS가 보장됨을 인지하였다. 혼잡 시간대(09~16시)에는 자원을 최대 1430kbps까지 동적으로 할당함으로써, DT-CAC보다 약 6.1% 높은 자원 대응력을 보였다.

Fig. 3.

Comparison of θq(t) for QCI 2

또한, 예측 오차를 억제하면서 PT-CAC 대비 자원 낭비를 2.5~3.3% 절감함으로써, 자원 효율성과 실시간성의 균형 있는 확보가 가능함을 확인하였다.

그림 4는 QCI 3를 기준으로 최소 동적 허용 자원 임계값을 1330kbps로 유지하여, DT-CAC 대비 약 2.8% 향상된 QoS 안정성이 보장됨을 인지하였다. 혼잡 시간대(01~09시)에는 자원을 최대 1440kbps까지 유동적으로 할당함으로써, DT-CAC보다 약 6.0% 더 높은 적응형 자원 제어 성능을 입증하였다.

Fig. 4.

Comparison of θq(t) for QCI 3

또한, PT-CAC 대비 자원 과할당 구간을 2.5~3.4% 절감함으로써, 예측 안정성과 자원 효율성의 동시 확보가 가능함을 확인하였다.

그림 5는 QCI 4를 기준으로 최소 동적 허용 자원 임계값을 1130kbps 수준에서 유지하여 DT-CAC 대비 약 2.1% 향상된 QoS가 안정성됨을 인지하였다. 혼잡 시간대(03~09시)에는 최대 1260kbps까지 임계값을 동적으로 조정하여, DT-CAC보다 약 6.6% 더 높은 자원 적응 능력을 나타냈다.

Fig. 5.

Comparison of θq(t) for QCI 4

또한, 7QCI-Adaptive CAC은 PT-CAC 대비 예측 과잉 할당을 억제함으로써 약 2.7~3.2%의 자원 절감 효과를 보여 실시간성과 예측 기반 제어 균형을 확보한 알고리즘임을 입증하였다.

그림 6은 QCI 5를 기준으로 최소 동적 허용 자원 임계값을 1105kbps 수준에서 안정적으로 유지하며, DT-CAC 대비 약 2.3% 높은 안정성 기반 QoS가 보장됨을 확인하였다. 혼잡 시간대(03~09시)에는 최대 1265kbps까지 동적 허용 자원 임계값을 탄력적으로 증가시켜, DT-CAC 대비 5.4% 더 높은 자원 적응력을 확보하였다.

Fig. 6.

Comparison of θq(t) for QCI 5

또한, PT-CAC의 과잉 예측 자원 할당 경향을 억제하면서도 예측 신뢰성을 유지하여 자원 낭비를 3.0~3.7% 절감하며, 효율성과 실시간 제어의 균형적 달성이 가능함을 입증하였다.

그림 7은 QCI 6를 기준으로 최소 동적 허용 자원 임계값을 약 1340kbps 수준에서 안정적으로 유지함으로써, DT-CAC 대비 3.6% 더 높은 최저 QoS 보장이 성능 확보됨을 인지하였다. 트래픽이 집중되는 시간대(03시~09시)에는 최대 1590kbps까지 동적으로 임계값을 상승 조정하여 DT-CAC보다 최대 8.2% 높은 자원 적응력이 확보됨도 확인하였다.

Fig. 7.

Comparison of θq(t) for QCI 6

7QCI-Adaptive CAC는 PT-CAC 비교시, 과도한 예측으로 인한 자원 낭비 문제를 3.1~4.0% 범위에서 절감되었음도 파악해 자원 예측에 관한 신뢰성 유지 및 실시간 변화에도 유연한 개선 알고리즘임을 입증하였다.

그림 8은 QCI 7을 기준으로 동적 허용 자원 임계값을 최소 960kbps 수준을 유지하면서, DT-CAC 대비 약 2.9% 향상된 최저 QoS가 보장됨을 확인하였다. 낮 시간대(03시~11시)에는 최대 1110kbps까지 동적 허용 자원 임계값을 보여 DT-CAC보다 최대 6.8% 높아졌음을 확인하였다.

Fig. 8.

Comparison of θq(t) for QCI 7

또한, PT-CAC는 오전에는 자원이 과소 배분되고, 오후에는 과다 할당되는 문제를 보인 반면, 본 연구논문에서 제안하는 7QCI-Adaptive CAC는 이러한 오차를 2.7~3.4% 절감되었음을 보여 자원 낭비 감소 및 안정적인 연결성이 확보됨을 입증하였다.

7QCI-Adaptive CAC 알고리즘은 시계열 기반 트래픽 예측과 실시간 자원 상태를 종합적으로 반영한 다단계 동적 허용 자원 임계값 검증 모델을 채택하고 있다. 그림 9는 시간에 따른 트래픽 수요량과 이를 수용하기 위한 각 단계별 동적 허용 자원 임계값을 시각화한 결과를 나타낸 것으로, 자원 수요량과 허용 임계값 간의 비교를 통해 호 요청의 허가 가능 여부를 순차적·계층적으로 판단하도록 설계되었다.

Fig. 9.

QCI resource threshold evaluation

검은 점선으로 표시된 $$ U_q\left(t\right)+R_q^{req}$$는 현재 시점 t에서의 7QCI에 대한 총 자원 수요량을 의미하며, 이는 현재 사용 중인 자원량 U_q(t)와 신규 호 요청 자원량 $$ R_q^{req}$$의 합으로 계산된다. 이 수요량은 기본적으로 동적 허용 자원 임계값 θ_q(t)과 비교되어, 조건 만족시 해당 호 요청을 허가한다.

동적 허용 자원 임계값 θ_q(t)는 ARIMA 또는 EWMA 등의 시계열 모델을 활용하여 다음 시점 t+1에서의 자원 수요를 반영한 값으로, 사전적 자원 할당 판단이 가능하도록 설계된 값이라 하겠다.

만약, 수요량이 θ_q(t)를 초과하는 경우, 알고리즘은 순차적으로 다음과 같은 계층적 임계값들을 적용하여 수용 가능 여부를 단계별로 판단한다.

제 1 확장 임계값 $$ {\theta }_q\left(t\right)+R_q^{release }$$는 우선순위가 낮거나 종료가 임박한 세션들로부터 확보 가능한 해제 자원량 $$ R_q^{release }$$을 반영한 값이다. 이를 통해, 7QCI-Adaptive CAC 알고리즘은 유휴 또는 비중요 세션으로부터 자원을 회수하여 신규 호 요청의 허가 가능성 여부를 검토한다.

제 2 확장 임계값 θ_q(t)+δ_q(t)는 7QCI에 대한 핸드오프 보호 자원량 δ_q(t)을 추가 반영한 값으로, 핸드오프 상황에서 세션의 연속성을 보장하기 위해 적용되며, 일부 낮은 우선순위 세션의 자원을 선제적으로 회수하거나 희생시켜 추가 수용 가능성을 확보한다.

제 3 확장 임계값 θ_q(t)+δ_q(t)+ϵ_q(t)는 긴급 금융 트래픽, 재난 경보, 공공안전 통신 등 예외 상황에 대응하기 위한 비상 보호 자원량 ϵ_q(t)을 더 추가 고려한 값으로 이 단계는 중단이 허용되서는 않될 긴급 통신 서비스에 대해 매우 우선적 수용을 보장한다.

이와 같은 계층적 임계값 비교는 신규 호 요청에 대한 거절을 최후의 수단으로만 고려하도록 설계되어 있음에 따라, 트래픽 급증 상황에서도 QoS 중심의 유연하한 자원 제어가 가능하도록 한다[19].

특히, 본 연구논문에서 제안하는 7QCI-Adaptive CAC 알고리즘은 7개의 QCI 클래스가 각각 상이한 QoS 요구사항을 갖는 복합 네트워크 환경에서 클래스별 우선순위와 핸드오프, 긴급 통신 서비스 지원을 위한 성능 목표를 정교하게 반영함으로써, 호 허가율 개선, 핸드오프 안정성 확보, 자원 활용율 향상 등의 탁월한 효과를 실현할 수 있다고 할 것이다.

Ⅴ. 결 론

본 연구논문은 7QCI-Adaptive CAC 알고리즘과 기존 DT-CAC 및 PT-CAC를 서로 비교하여 시계열 기반 수요 예측, 실시간 핸드오프 요청율, QoS 프로파일 점수를 통합한 동적 허용 자원 임계값 산정하였다.

• · 최소 보장 자원 수준: 기존 DT-CAC 대비 +2.1~3.6% 향상
• · 혼잡 시간대 자원 대응력: 최대 +5.4~8.2% 증가
• · 자원 낭비 절감율: PT-CAC 대비 2.5~4.0% 절감
• · 핸드오프 안정성: 지연·신뢰도 민감 트래픽(QCI 5, QCI 6, QCI 7)에서 세션 연속성 유지율 개선

또한, 3단계의 임계값 반영 확장 정책(하위 트랙픽 클래스 세션 회수, 핸드오프 보장, 비상 보호 자원 활용)을 통해 호 허가 제어 성능을 더 향상시켰음을 보였다. 모의실험에 따른 정량적 분석을 통해 7QCI 클래스 기준 QoS의 성능 개선이 다음과 같이 이루어짐을 확인하였다.

즉, 모의실험에 따른 정성적(기여도) 분석을 통해서도,

• · 하위 우선순위 세션 회수 단계 → 평균 1.2~1.8% 허가율 향상
• · 핸드오프 보호 자원 활용 → 혼잡 구간에서 최대 2.5% 서비스 연속성 강화
• · 비상 보호 자원 적용 → 금융·공공안전·재난경보 트래픽에서 100% 허가율 달성

그에 따라, 본 연구논문은 7QCI 이기종 트래픽이 공존하는 차세대 QoS-인식 네트워크 환경에서 서비스 유형별로 상이한 QoS 요구사항을 효과적으로 지원하기 위한 7QCI 기반의 다중 QoS 요소를 반영한 동적 임계값 적응형 호 허가 제어 알고리즘을 제안하여, 시계열 기반 수요 예측, 실시간 핸드오프 요청율, QoS 프로파일 점수를 통합해 산정한 동적 허용 자원 임계값과, 3단계로 구성된 서로 다른 임계값 반영 확장 프로토콜을 새롭게 정립함으로써, 다양한 형태로 나타나는 트래픽의 혼잡, 흐름 급증이나 긴급 예외 상황에서도 QoS-인식 CAC 보장, 자원 활용 효율성, 핸드오프 안정성을 동시에 확보하였다.

향후 연구에서는 AI 기반 비정형 트래픽 예측(LSTM, GRU 등)과 네트워크 슬라이싱을 결합하여, 초저지연·고신뢰·대규모 동시접속이 요구되는 6G 환경 이상에서도 확장 가능하고 자율 최적화되는 CAC 알고리즘 모형(델)로 더욱 개선시키고자 하는 것을 목표로 한다.

6G 네이티브 AI와 지속가능성 확보를 위해 에너지 효율성을 고려한 호 허가 제어(Energy-Aware CAC) 알고리즘을 융합·결합해 탄소 배출 저감과 네트워크 친환경성을 동시에 달성할 수 있는 CAC 알고리즘 모형(델)을 계속 이어서 연구해 보고자 한다.

또한, 데이터 프라이버시 보호와 학습 지연 최소화를 위해 연합학습(Federated Learning) 기반의 분산형 CAC 의사결정 구조를 설계하고, 실제 네트워크를 가상 환경에 복제한 디지털 트윈(Digital Twin) 시뮬레이션을 통해 정책 변경 전 성능을 사전에 예측·검증하는 체계를 구현할 계획이다. 이를 통해 앞으로 새롭게 제안할 CAC 알고리즘은 6G 초연결 환경에서의 실시간성, 신뢰성, 확장성, 그리고 환경 지속가능성까지 포괄적으로 지원하는 차세대 CAC 모형(델)도 제안코자 한다.

References

• Cisco Systems, Cisco Visual Networking Index: Global Mobile Data Traffic Forecast Update, 2017–2022, San Jose, CA, Technical Report, February 2019.
• 3GPP, Policy and Charging Control Architecture, Sophia Antipolis, France, 3GPP TS 23.203, Release 17, 2022.
• M. Maharazu, M. H. Zurina, A. Azizol, and M. Abdullah, “An Adaptive Call Admission Control with Bandwidth Reservation for Downlink LTE Networks,” IEEE Access, Vol. 5, pp. 10986-10994, 2017. [https://doi.org/10.1109/ACCESS.2017.2713451]
• G. E. P. Box, G. M. Jenkins, G. C. Reinsel, and G. M. Ljung, Time Series Analysis: Forecasting and Control, Hoboken, NJ: John Wiley &Sons, 2015
• N. Nasser, S. Guizani, and E. Al-Masri, “Middleware for Mobility and Handoff Management in Wireless Networks: Architectures, Approaches and Trends,” IEEE Communications Surveys & Tutorials, Vol. 8, No. 3, pp. 51-66, 2006. [https://doi.org/10.1109/COMST.2006.283907]
• 3GPP, General Packet Radio Service (GPRS) Enhancements for E-UTRAN Access, Sophia Antipolis, France, 3GPP TS 23.401, Release 17, 2022.
• 3GPP, Policy and Charging Control Architecture, Sophia Antipolis, France, 3GPP TS 23.203, Release 18, 2024.
• S. Sesia, I. Toufik, and M. Baker, LTE – The UMTS Long Term Evolution: From Theory to Practice, Hoboken, NJ: Wiley, 2011. [https://doi.org/10.1002/9780470978504]
• ITU-T, Network Performance Objectives for IP-based Services, Recommendation Y.1541, International Telecommunication Union, Geneva, Switzerland, 2021.
• H. Holma, A. Toskala, and T. Nakamura, 5G Technology: 3GPP New Radio, Hoboken, NJ: Wiley, 2020. [https://doi.org/10.1002/9781119236306]
• C. M. Bishop, Pattern Recognition and Machine Learning, New York, NY: Springer, 2006.
• 3GPP, System Architecture for the 5G System, Sophia Antipolis, France, 3GPP TS 23.501, Release 17, 2022.
• J. D. Hunter, “Matplotlib: A 2D Graphics Environment,” Computing in Science & Engineering, Vol. 9, No. 3, pp. 90-95, May-June 2007. [https://doi.org/10.1109/MCSE.2007.55]
• S. A. AlQahtani, “Users’ Classification-Based Call Admission Control with Adaptive Resource Reservation for LTE-A Networks,” Journal of King Saud University – Computer and Information Sciences, Vol. 29, No. 1, pp. 103-115, January 2017. [https://doi.org/10.1016/j.jksuci.2015.12.004]
• 3GPP, Evolved Universal Terrestrial Radio Access (E-UTRA)- Radio Resource Control (RRC) Protocol Specification, Sophia Antipolis, France, 3GPP TS 36.331, Release 17, 2022
• S. A. AlQahtani and A. S. El-Sherbeeny, “Dynamic Threshold-Based Call Admission Control Scheme for LTE Networks,” IEEE Access, Vol. 7, pp. 145321-145332, October 2019. [https://doi.org/10.1109/ACCESS.2019.2945762]
• ITU-T, Framework for the Support of Network Slicing in the IMT-2020 Network, International Telecommunication Union, Geneva, Switzerland, Recommendation Y.3113, August 2020.
• M. Fallgren and B. Timus, 5G System Design: Architectural and Functional Considerations and Long Term Research, Hoboken, NJ: Wiley, 2018.
• Y. Zhang and P. Wang, “Traffic Prediction and Resource Allocation in Wireless Networks: A Survey,” IEEE Communications Surveys & Tutorials, Vol. 23, No. 1, pp. 1-30, 2021. [https://doi.org/10.1109/COMST.2020.3029706]