논문 링크:
A Framework for AI-Native Semantic-Based Dynamic Slicing for 6G Networks
In the ensuing ultra-dense and diverse environment in future \ac{6G} communication networks, it will be critical to optimize network resources via mechanisms that recognize and cater to the diversity, density, and dynamicity of system changes. However, cop
arxiv.org
출처: M. R. Chowdhury, E. Hammad, L. Loven, S. Pirttikangas, A. P. da Silva, and W. Saad, "A Framework for AI-Native Semantic-Based Dynamic Slicing for 6G Networks," arXiv preprint arXiv:2510.10756, 2025.
요약
고밀집, 다양한 환경을 반영하는 6G 시대에는 기존 방법을 넘어 네트워크 자원을 의미와 맥락에 맞게 동적으로 최적화하는 방법이 필요하다. 단순히 데이터를 전송하는 통신망을 넘어 데이터의 의미를 인식하고 처리하는 연속적인 컴퓨팅 환경을 지향한다. 이를 위해 이 논문에선 데이터 소스와 스트림을 분석해 의미적을 꼭 필요한 핵심 요소만 추출하는 것을 목표한다. 이렇게 추출된 의미 기반 데이터는 전용 네트워크 slice를 통해 처리된다. 이 논문에서 제안하는 semantic slicing은 데이터 의미를 활용해 네트워크와 컴퓨팅을 통합적으로 최적화하고, 하나의 인프라 위에 다양한 특성을 가진 가상 슬라이스를 구축한다. 또한 semantic slicing은 기존 슬라이싱 방법을 넘어 데이터의 의미를 활용해 동적, 지능적 자원관리가 가능하게 하는 새로운 패러다임이다.
semantic slicing 방법은 다음과 같은 이점을 갖는다:
- semantic communication을 구현할 수 있는 실질적 방법론을 제시한다. 전체 데이터를 보내는 대신 의미를 요약해 전송하여 자원을 절약하고 QoE를 향상할 수 있다.
- 기존 control, data plane으로 구성된 네트워크에 논문은 reasoning plane을 추가한다. 이 층은 네트워크 자원과 slice를 동적으로 관리하고 데이터 의미를 분석하고 맥락을 이해한다.
- AI가 네트워크 slice를 실시간으로 분석하는 피드백 루프를 도입해 자율적으로 운영되는 관리 체계를 구축한다.
아래 그림은 semantic 슬라이싱의 두 가지 요소, data slicing과 network slicing을 나타낸다. Semantic slicing에선 네트워크에 흐르는 데이터의 의미를 분석하여 어떤 데이터가 어떤 서비스 목적을 갖는지 파악한다. 중간 영역인 network slicing에선 의미 분석 결과에 따라 물리적, 가상 네트워크 자원을 분할한다. 서버, 스위치, 기지국 등의 인프라 자원을 서비스 특성에 맞게 할당한다. 이는 semantic slicing의 판단 결과를 기반으로 구성된다. 예를 들어 실시간 제어 데이터에는 초저지연 slice, 센서 데이터에는 저전력 slice를 전송한다. 마지막으로 data slicing은 데이터 자체를 의미 기반으로 구조화하는 단계이다. 그림에서 수집된 다른 색으로 표시된 데이터는 semantic context에 따라 필요한 정보만 추출되어 slice에 맞게 전송된다. 이는 semantic 인코딩/디코딩과 연결되어 데이터 중복을 줄이고 효율을 높인다.
아래 그림은 네 가지 네트워크 자원 활당 방식에 대해 비교 요약한다. 전통적 방식은 고정된 설정만 따르며 유연성이 부족하다. 동적 방식은 네트워크 상태에 따라 자원을 조정하지만 사용자 맥락을 고려하지 않는다. 컨텍스트 인식 방식은 사용자 상황까지 반영하며 semantic 방식은 데이터의 의미까지 분석해 가장 정교한 상황 맞춤형 자원 할당을 가능하게 한다.
Fig. 3는 5G 네트워크에서 단말이 슬라이스를 선택하고 등록하는 절차를 보여준다. 첫 번째 단계에서 사용자 단말은 네트워크에 등록 요청을 전송한다. 접속 및 이동을 관리하는 AMF(Access and Mobility Management Function)는 사용자의 정보를 관리하 UDM(Unified Data Management)에 정보를 요청하고 UDM은 다시 슬라이스 목록에 관한 정보를 반환한다. AMF는 슬라이스 정보에 기반해 슬라이스 선택에 관한 기능을 하는 NSSF(Network Slice Selection Function)에 슬라이스 선택 요청을 보내고, NSSF는 이를 다시 반환한다. 마지막으로 AMF는 단말에게 등록이 완료되었다는 메시지를 전송한다. 여기엔 허용된 슬라이스 목록, 설정된 슬라이스 목록, 슬라이스 분할 지시 정보, 슬라이스 포함 방식에 대한 정보가 포함된다. 마지막으로 이런 전체 흐름은 Authentication/Security Layer를 통해 보호된다.
다음으로 아래의 피겨는 기존 NS 요소에 Semantic 요소들이 어떻게 추가 되었는지 붉은색으로 표시한다. 이 기능들은 기존 흐름에 의미 분석 기반 자동화를 추가한다.
- Semantic Based Resource Computation and Mapping: 단순한 자원 계산을 넘어 데이터의 의미를 분석해 자원을 할당한다. 예를 들어, 응급 의료 데이터는 uRLLC 슬라이스에 자동으로 매핑한다.
- Semantic Based Pre-emptive Resource Provisioning: 의미 분석을 통해 예측을 기반으로 자원을 사전 할당한다. 예를 들어 사고 가능성이 높은 지역에 미리 슬라이스 자원을 할당할 수 있다.
- Semantic Based Tasks/Service Class Identification: 여기선 사용자 데이터의 의미를 분석해 서비스 클래스를 자동으로 분류한다. 예로 영상 스트리밍과 원격 진료를 자동으로 구분한다.
- Semantic Based Proactive Slice Switching: 이 블록에선 의미 변화에 따라 슬라이스를 동적으로 자동 할당한다.
아래 그림은 네트워크가 처리해야 할 서비스 유형을 분류하는 과정을 나타낸다. 먼저, 사용자 입력은 기계 학습 모델을 거쳐 semantic representation을 생성한다. 이러한 의미 기반 표현은 semantic payload 단위로 변환된다. 각 payload는 어떤 작업에 해당하는지를 나타낸다. 또한 용도에 맞게 task들은 분리되어서 서비스 클래스에 매핑된다. (2) 번 단계에선 해당 서비스 클래스에 맞는 네트워크 슬라이스를 자동 할당한다.
다음 figure는 응급 상황에서 발생하는 다양한 요소들 간의 관계를 시각적으로 표현한 knowledge graph다. 파란 선은 일반 관계를 나타내며 빨간 선은 응급 상황에서의 행동 흐름을 나타낸다. 차량 사이의 사고가 발생한 경우 의료진이 도착해 환자를 치료한다. 환자는 건강보험에 가입되어 있으며 네트워크 상에 연결된 병원으로 환자는 호출된 구급차를 통해 이송된다. 경찰관은 사고 발생 현장에 도착해 상황을 파악한다. 경찰관은 바디캠을 착용해 현장 상황을 기록하며 응급 통신 장비를 통해 상황을 공유한다. 이 장비들은 네트워크에 연결되어 차량 및 상황 정보에 대해 파악할 수 있다.
마지막으로 아래의 Fig. 7은 논문에서 제안한 단일 링크 기반 의미 통신 시스템의 성능을 보여준다. NMSE가 통신 라운드 수에 따라 어떻게 수렴하는지를 보여준다. 가장 단순한 작업에서 번호가 높은 어려운 작업으로 갈수록 학습된 의미 언어 덕분에 오히려 더 빠르게 수렴한다. 결과적으로 통신 라운드가 적어도 의미 전달이 정확하고 빠르게 이루어졌다. 즉 자원 효율성이 향상되었다고 볼 수 있다.
