6G 패러다임은 수직 산업 전반에 걸친 광범위한 디지털화를 위해 대규모 네트워크 슬라이싱을 가능하게 하며, 이는 비IID 조건에서의 실시간 네트워크에서 확장 가능하고 지속 가능하며 AI 기반의 제로터치 자동화를 요구합니다. 본 연구는 제약된 연합 학습(FL) 기반 분석 엔진(AE)의 확장 가능하고 신속한 운영을 보장하기 위한 클라우드 네이티브 서비스 수준 계약(SLA) 기반의 확률적 정책을 소개합니다. 이 정책은 RAN 엣지 도메인에서 통계적 슬라이스 수준 자원 프로비저닝을 수행하며, 실시간 시각화 기능을 갖춘 쿠버네티스 플랫폼에서 배포됩니다. 주요 혁신은 SLA 인식 적응형 학습률 정책으로, FL 로컬 훈련 동안 로컬 모델의 학습률을 동적으로 조정하여 안정성 및 수렴을 향상시킵니다. 또한, 대규모 슬라이싱 하에서의 확장성을 유지하기 위해, 각 FL 훈련 라운드에서 SLA 기반의 확률적 AE 선택 정책을 활용하여 계산 효율성을 유지하면서 계산 오버헤드를 줄입니다. 시뮬레이션 및 에뮬레이션 환경에서의 광범위한 실험을 통해 SLA 위반의 유의한 감소, 수렴 안정성 향상, 기존 FL 접근 방식에 비해 개선된 확장성이 입증되었습니다.
Roy 외 연구자들(월요일)은 이 문제를 연구했습니다.