mMTC에서의 랜덤 액세스 연결 성공률을 높이기 위한 강화학습기반의 ACB 파라미터 최적화 기법

초록

Beyond 5G (B5G)에서는 massive Machine-Type Communication (mMTC)를 핵심 서비스 유형으로 정의하고 고밀 도 연결을 지원하고자 한다. 고밀도 연결성을 지원하기 위해서는 기존 랜덤 액세스 프로토콜의 효율성이 개선되어야 한다. 본 논문은 기존 Access Class Barring (ACB)기반 랜덤 액세스 방식의 성능을 개선하고자 ACB 요소를 동적으로 조정하는 Reinforcement Learning-based ACB (RL-ACB) 기법을 제안한다. 실험결과, RLACB 기법은 기존 ACB 기법 대비 최대 25%의 성공률 개선과 약 1.8 초의 지연시간 단축을 달성하였다.