X-RIC: 강화학습 기반 RAN 지능형 컨트롤러 평가 프레임워크 제안

O-RAN ALLIANCE는 분해(disaggregation)와 AI 기반 제어를 통해 아키텍처 유연성을 도입하고 있습니다. RAN Intelligent Controller (RIC)가 중앙 집중식 최적화를 가능하게 하지만, 현재의 AI 접근 방식들은 추론 능력과 설명 가능성이 부족합니다. 본 논문에서는 O-RAN 아키텍처에 에이전트형 AI를 통합한 새로운 프레임워크인 eXplainable RIC (X-RIC)를 제안합니다. X-RIC는 다음 세 가지 요소를 통해 반응적 강화학습(RL)과 전략적 에이전트 추론을 결합합니다: (i) 샘플 효율적인 학습을 위한 도메인 휴리스틱 기반의 자동화된 행동 복제(Behavioral Cloning, BC), (ii) 문맥적 추상화 및 해석 가능성을 제공하는 트랜스포머 기반 추론 모듈인 통신 언어 모델(Telecom Language Model, TLM), 그리고 (iii) 지속적인 정책 개선을 가능하게 하는 Near-RT RIC 제어 루프 내의 폐쇄 루프 공동 적응입니다. 배포 준비 상태를 보장하기 위해, 본 논문은 에이전트형 제어를 지연 시간, 규정 준수, 결정론 측정 기준에 걸쳐 평가하는 도메인 특화 평가 프레임워크인 BARX (Benchmarking Agentic Reasoning for RAN)를 도입합니다. 우리는 시뮬레이션 및 O-RAN 호환 테스트베드 배포에서 SLA(Service Level Agreement) 인식 네트워크 슬라이싱을 통해 X-RIC를 검증했습니다. X-RIC는 SLA 준수성을 유지하면서 운영 비용을 89% 절감하며, 75% 더 빠르게 수렴하고 훈련 단계 수는 50% 적으며 분산도는 46% 낮았습니다.