5G망에 AI를 얹으면 무엇이 달라지는가 — RIC 폐루프 제어와 지능형 슬라이싱

5G 상용망이 성숙하면서 트래픽 변동성과 슬라이스별 SLA 복잡성이 함께 늘었다. 사람이 파라미터를 일일이 튜닝해서는 이 속도를 따라갈 수 없고, 그래서 무선·전송·코어 전 구간에 데이터 기반 폐루프 제어를 넣는 흐름이 자리 잡았다.

초 단위 정책과 밀리초 단위 실행 — 이중 시계 구조

AI-driven Network Optimization은 RAN, 전송, 5GC의 KPI·텔레메트리·유저 플로우를 학습·추론해 파라미터와 정책을 실시간에 가깝게 조정하는 체계다. 핵심 컴포넌트는 NWDAF, O-RAN의 Non-RT/Near-RT RIC, xApp/rApp, SMO다. 이 구조가 돌아가는 이유는 제어 주기를 의도적으로 두 겹으로 나눴기 때문이다. Non-RT RIC와 SMO 영역은 초·분 단위로 학습하고 정책을 계산하는 느린 루프를, Near-RT RIC는 10ms~1s 범위에서 추론·제어를 수행하는 빠른 루프를 맡는다. 여기에 분산 엣지가 현장 반응성을 더한다. 다만 이 계층 구조는 표준·버전에 의존하므로 3GPP나 O-RAN 사양이 바뀔 때마다 재확인이 필요하다.

Smart Network Slicing은 eMBB·URLLC·mMTC·전용망 각각의 SLA를 슬라이스별 리소스·정책·경로로 격리하고, 수요 변동에 맞춰 자동으로 늘리고 줄이고 재배치하는 능동형 오케스트레이션이다. CSMF/NSMF/NSSMF의 3계층이 서비스 의도(Intent)를 도메인별 리소스로 분해하고, PCF/SMF와 연계해 QoS Flow(QFI)·우선순위·경로 선택(N9/N6)을 슬라이스마다 다르게 적용한다.

관측성에서 거버넌스까지, 이 체계를 떠받치는 구조

데이터 수집·관측성이 가장 아래층이다. gNB RIC KPI, RLF/HO 로그, CQI/PRB/Beam, UPF 플로우·QoS, UE 측 측정, 슬라이스 사용량·SLA 지표를 Kafka로 스트리밍 수집하고 Flink 등으로 ETL을 거쳐 시계열 저장소와 피처 스토어에 쌓는다.

그 위에 AI/ML 모델 스택이 올라간다. 시계열 예측, 이상 탐지, 강화학습 기반 정책 최적화, GNN 기반 혼잡 전파 분석이 주요 작업이고, 오프라인 검증·온라인 A/B·드리프트 감지와 재학습 주기화, 설명가능성(XAI)·바이어스 점검까지 품질 관리 범위에 들어간다.

폐루프 제어는 Non-RT RIC/rApp이 정책·제약을 만들고 Near-RT RIC/xApp이 E2 인터페이스로 세부 파라미터를 실제로 조정하는 구조다. 우선순위·상한/하한·속도 제한(rate limit)·롤백 정책이 가드레일 역할을 한다.

슬라이싱 오케스트레이션은 앞서 말한 CSMF→NSMF→NSSMF 분해 구조 그대로다. 마지막으로 보안·거버넌스·MLOps 층이 접근 통제, 모델 서명, 피처 계보 추적, 운영 로그 변경 이력 관리, 정책 충돌 검출, 승인 워크플로, 통신기밀·개인정보 규제 준수를 담당한다.

현장에서 이 구조가 어떻게 쓰이는가

혼잡 예측 기반 eMBB 스케줄링은 5~15분 앞을 내다본 혼잡 예측으로 PRB·빔·전력·MCS 정책을 동적으로 조정한다. 야간에는 에너지를 아끼고 피크에는 셀 분할과 부하 분산으로 처리량을 끌어올린다.

URLLC 슬라이스는 지연이 생명이다. 모델 신뢰도와 SLA 위반 위험에 따라 경로를 재선택하고 UPF를 이동(UL-CL)시키며, 배치·버퍼 파라미터 튜닝과 전송구간 큐 관리를 함께 돌린다.

전용망(캠퍼스·팩토리) 자동화는 생산공정·AGV·비전검사 트래픽을 슬라이스로 분리하고 이벤트 기반으로 확장·축소한다. 장애가 나면 하이브리드 폴백으로 기본 서비스 연속성을 지킨다.

실측 개선 폭

환경에 따라 다르지만, 셀 스루풋은 2040% 개선되고 P95 지연은 3060% 줄며 핸드오버 실패율은 1530% 감소하는 흐름이 관찰된다. OPEX는 1525%, RAN 전력은 1020% 절감된다. SLA 준수율은 25%p 향상되고 장애 탐지 MTTA는 40~70% 단축된다. 자동화율이 오르면서 변경 주기가 짧아지고 사람 개입이 줄어드는 만큼 일관성도 함께 좋아진다.

⤢✕

Intent에서 Rollback까지, 트랜잭션은 어떻게 지켜지나

운영은 Intent → Plan → Apply → Verify → Rollback 순으로 단계화한다. 적용 전에는 시뮬레이션·샌드박스에서 KPI 영향을 미리 평가하고, 적용할 때는 캔어리(셀 단위) 점진 롤아웃과 변경 윈도 관리를 거친다. SLA 위반이나 안정성 저하가 감지되면 즉시 되돌리고 상태를 동기화한다.

정책 충돌은 우선순위·선행조건·쿼터 기반 결정 규칙으로 막고, 슬라이스 간에는 최소 보장 대역 같은 공정성 메트릭으로 가드를 건다. 모델 신뢰도 저하·데이터 결측·시계 문제가 감지되면 폴백 경로가 실행되고, 드리프트 신호가 뜨면 재학습 파이프라인이 자동으로 돈다.

룰 기반, AI 기반, 하이브리드 — 무엇을 얼마나 믿을 것인가

구분	성능	확장성	일관성	안정성	운영 편의
규칙 기반	평균 성능은 안정적이나 피크 대응 한계	정책이 늘수록 복잡도 급증	룰 충돌 발생 가능	예측 가능하나 미지 케이스 취약	구현 용이·튜닝은 노동집약
AI 기반	적응 최적화로 처리량·지연 개선	노드·피처가 늘어도 자동 조정	SLA 반영 가능하나 설명가능성 과제	드리프트·오버피팅 리스크	자동화는 높으나 MLOps 요구
하이브리드	상한선은 AI, 하한선은 룰로 확보	모듈형으로 단계적 확장	가드레일로 충돌 감소	폴백·롤백으로 연속성 강화	초기 복잡성↑, 장기 효율↑

데이터 관측성 위에 AI 모델을 얹고 그 위에 정책 가드레일과 폐루프 실행을 쌓는 순서가 성패를 가른다. Non-RT/Near-RT 분리와 하이브리드 폴백을 같이 가져가면 안정성과 효율을 동시에 챙길 수 있다. 도입은 파일럿 셀·슬라이스에서 캔어리 롤아웃으로 시작하고, KPI 목표를 명확히 정한 뒤 모델 신뢰도 기반 가드레일과 롤백 자동화부터 갖추는 순서를 권한다. 3GPP Rel-18/19와 O-RAN 사양은 계속 바뀌는 영역이라 표준 진화는 별도로 점검해야 한다.