딥러닝을 이용한 5G 프리앰블 신호 탐지 (Exploitation of Deep Learning for Detecting 5G Preamble Signal)

서지정보

· 발행기관 : 사단법인 한국융합기술연구학회
· 수록지 정보 : 아시아태평양융합연구교류논문지 / 11권 / 1호 / 365 ~ 375페이지
· 저자명 : 이아름샘, 김종석, 윤병혁, 조오현

초록

5G 네트워크에서 물리적 랜덤 액세스 채널 (Physical Random Access Channel, PRACH)은 모바일 네트워크의 성능에 중요한 영향을 미친다. 기지국은 사전 정의된 PRACH 프리앰블 시퀀스 간의 상관 관계(Correlation)를 계산하여 프리앰블을 탐지한다. 그러나 이러한 방법은 높은 계산 복잡성과 리소스 소모를 안고 있으며, 임계값 설정의 부정확성으로 인해 프리앰블 충돌 및 재전송으로 인한 에너지 소비 증가가 발생할 수 있다. 이를 위해서 본 논문에서는 PRACH 프리앰블 감지의 효율성을 높이기 위해 기존의 탐지 방식을 딥러닝 모델로 대체하는 가능성을 연구한다. 실험은 총 4가지 SNR환경에서 심층 신경망(Deep Neural Network)과 합성곱 신경망(Convolutional Neural Network)의 레이어를 변경하며 PRACH 프리앰블 탐지 성능을 분석하였다. 결과적으로, 특히 심층 신경망(Deep Neural Network)모델이 평균 정확도가 97.3%에서 99.8%에 이르는 높은 결과를 보였다. 또한, 낮은 SNR 환경에서 심층 신경망(Deep Neural Network)모델은 레이어 수가 증가할 때 수렴 속도가 최대 3.22배 감소하는 결과를 보였으나 합성곱 신경망(Convolutional Neural Network)모델에서는 컨볼루션 레이어의 개수가 적을수록 손실 값의 수렴 속도가 2.14배 빠른 결과를 보였다. 이러한 결과는 PRACH 프리앰블 탐지 과정에서 심층 신경망(Deep Neural Network)과 합성곱 신경망(Convolutional Neural Network)모델 설계의 접근 방식이 상이하며 차별화된 전략으로 초기 접속 절차를 개선할 수 있을 것으로 기대된다.

영어초록

In 5G networks, the Physical Random Access Channel (PRACH) significantly affects mobile network performance. The base station is responsible for detecting the preamble by calculating the correlation among predefined PRACH preamble sequences, which are essential for successful communication. However, this traditional method presents challenges, as it is computationally complex and resource-intensive. Additionally, inaccuracies in threshold settings can lead to increased energy consumption, primarily due to issues such as preamble collisions and the need for retransmissions. This paper explores the potential of replacing the current detection method with a deep-learning model to improve the efficiency of PRACH preamble detection. Experiments were conducted by varying the layers of Deep Neural Networks (DNN) and Convolutional Neural Networks (CNN) across four different SNR environments to evaluate their performance in detecting PRACH preambles. As a result, the DNN model, in particular, demonstrated high accuracy, averaging between 97.3% and 99.8%. Moreover, in low SNR environments, the DNN model exhibited a notable convergence speed reduction of up to 3.22 times with increased layers. Meanwhile, the CNN model demonstrated that employing fewer convolution layers led to a convergence speed that was 2.14 times faster in terms of loss values. These findings indicate that the design approaches for DNN and CNN models in PRACH preamble detection differ, potentially improving the initial access procedure through tailored strategies.

참고자료

· 없음