Federated Learning-Based SB?SPS Scheduling for 5G NR-V2X Under Heterogeneous Vehicular Environments = 이기종 차량 환경에서 5G NR-V2X를 위한 연합 학습 기반 SB-SPS 스케줄링

국문 초록 (Abstract)

긴급 제동 경고, 협력적 차로 합류와 같은 차량 안전 응용은 높은 신뢰성과 낮은 지연을 동시에 만족하는 사이드링크 통신에 의존한다. 5G NR-V2X Mode-2 환경에서 반영구 스케줄링(Semi-Persistent Scheduling, SB–SPS)은 기지국(gNB) 조정 없이 차량이 사이드링크 자원을 선택하고 주기적으로 재선택할 수 있도록 한다. SB–SPS는 중간 수준의 트래픽 환경에서는 효율적이지만, 고밀도 또는 이질적 트래픽 환경에서는 성능 저하가 발생한다. 다수의 차량이 유사한 “깨끗한(clean)” 서브채널을 감지하고 재선택 시점에 동기화되어 동일 자원으로 몰리면서, 국지적인 충돌이 빈번하게 발생하기 때문이다. 본 논문은 안전 필수 메시지에 요구되는 엄격한 타이밍 제약을 훼손하지 않으면서, 소형 온디바이스 학습 요소를 통해 재선택 결정을 지능화하여 신뢰도와 용량을 향상시킬 수 있는지를 탐구한다.
본 논문에서는 SB–SPS 재선택 시점에서만 동작하는 연합학습 기반 충돌 인지 오버레이 기법을 제안한다. 차량 단말에서 학습되고 연합학습(Federated Learning, FL)을 통해 차량 간 집계되는 경량 예측기는 각 후보 자원에 대해 충돌 위험 점수를 산출한다. 차량은 예측된 위험도를 기준으로 후보 자원을 순위화하고, 위험도가 낮은 자원을 선택하여 예약한다. 이 과정에서 SB–SPS의 타이밍, 뉴머롤로지, 패킷 처리 절차는 변경되지 않는다. 추론은 패킷 단위가 아닌 재선택 시점에서만 수행되므로, 제안 기법은 구조적으로 지연 중립(latency-neutral)을 보장한다. 또한 원시 관측 데이터는 차량 외부로 전송되지 않으며, 모델 업데이트만이 노변 장치(RSU)의 집계 노드로 전달된다. 집계 과정에서는 비독립·비동일(non-IID) 데이터 특성을 고려하기 위해 FedAvg 또는 FedProx를 적용할 수 있다. 제안 오버레이는 자문적(advisory) 구조로 설계되어, 모델이나 입력 특성이 사용 불가능한 경우 기존 SB–SPS로 결정론적으로 복귀하며, 전송 동작에는 어떠한 영향도 미치지 않는다. 이를 통해 표준 적합성과 인증 가능성을 유지하면서 학습 기반 성능 향상을 허용한다.
본 논문은 SB–SPS 후보 집합에 대한 재선택 결정을 순위화 문제로 정식화하고, 무선 스택에 이미 존재하는 신호로부터 추출 가능한 경량 특징(에너지 통계, 단순 이웃 정보, 기초 운동학 정보, 짧은 이력 토글 등)을 정의한다. 이 특징들을 이용해 이진 교차 엔트로피(binary cross-entropy)를 손실 함수로 하는 로지스틱 위험 예측기를 학습한다. 연합학습 기법으로는 FedAvg와 FedProx 두 가지를 비교·분석하였다. FedAvg는 차량 간 구조적 정보를 공유하는 기준 성능을 제공하며, FedProx는 국소 목적 함수에 근접 항(proximal term)을 추가함으로써 비독립 데이터 환경에서 전역 모델로부터의 편차를 억제하고 학습 안정성을 향상시킨다.
성능 평가는 두 가지 고속도로 시나리오—고밀도·동질적 환경(highway_high)과 명시적으로 이질적인 환경(highway_mixed_hetero)—에서 다수의 랜덤 시드를 사용해 수행되었으며, 패킷 전달률(Packet Delivery Ratio, PDR), 충돌률, 처리량(Mbps), 평균 단방향 지연에 대해 평균값과 평균 ± 95% 신뢰구간을 보고하였다. 기존 SB–SPS 대비, FedProx(μ≈0.6)를 적용한 충돌 인지 오버레이는 일관되고 큰 성능 향상을 달성하였다. highway_high 시나리오에서는 PDR이 0.79%에서 69.39%로 68.6%p 증가하였고, 충돌률은 0.99에서 0.08로 약 92% 감소하였으며, 처리량은 0.0000 Mbps에서 0.0030 Mbps로 증가하였다. 평균 지연은 약 10 ms로 유지되었다. 기존 SB–SPS의 낮은 평균 지연(4.6 ms)은 성공적인 전송이 거의 없는 상황에서의 결과로, 우수한 타이밍 성능을 의미하지는 않는다. highway_mixed_hetero 시나리오에서도 PDR은 24.29%에서 71.01%로 46.72%p 증가하였고, 충돌률은 0.76에서 0.11로 약 86% 감소하였으며, 처리량은 0.0009 Mbps에서 0.0027 Mbps로 향상되었다. 평균 지연은 모든 기법에서 약 10 ms로 유지되었다.
방법론적 기여로서, 본 논문은 (i) SB–SPS와 완전 호환되며 패킷 임계 경로 밖에서 동작하는 충돌 인지 재선택 정책, (ii) 차량 환경의 비독립 데이터 특성에 적합한 연합학습 절차와 FedProx 근접 계수 μ의 트레이드오프 분석 및 μ≈0.6의 강건한 운용 지점 도출, (iii) 표준 타이밍을 유지하면서 신뢰도를 향상시키는 지연 중립 설계, (iv) 실제 배치를 위한 운용 청사진—PDR, 충돌률, 지연, 처리량과 더불어 모델 상태 및 복귀율 모니터링—을 제시한다.
연합 최적화 기법 중 FedProx(μ≈0.6)는 다양한 시나리오에서 종합적인 성능 균형을 제공하며, PDR과 처리량 측면에서 FedAvg를 소폭 상회하면서도 낮은 충돌률을 유지하였다. 더 큰 근접 계수(μ=1.0, 1.4)는 학습 안정성은 증가하나 PDR 성능은 다소 제한되는 경향을 보였다. 시스템 오버헤드는 제한적이며, 클라이언트당 라운드별 계산 시간은 약 0.065–0.068초, 통신량은 약 0.070 MB로, OBU 및 RSU 환경에서의 적용 가능성을 입증한다. 본 연구 결과는 SB–SPS/Mode-2 표준 프레임워크를 그대로 유지한 상태에서, 학습 기반 재선택이 사이드링크 신뢰성과 용량을 실질적으로 향상시킬 수 있음을 보여준다.
키워드 : 5G NR-V2X, Mode-2 사이드링크, 반영구 스케줄링(SB-SPS), 연합학습, FedProx, 충돌 인지 재선택, 비독립 데이터, 충돌 회피, 패킷 전달률(PDR), 처리량, 지연 중립성, 이질적 차량 환경

다국어 초록 (Multilingual Abstract)

Vehicular safety applications—ranging from emergency braking alerts to cooperative lane merging—depend on sidelink communication that is simultaneously reliable and low-latency. In 5G NR-V2X Mode-2, Semi-Persistent Scheduling (SB–SPS) lets vehicles select and periodically reselect sidelink resources without gNB coordination. While SB–SPS is efficient in moderate traffic, it degrades under dense or heterogeneous flows: many vehicles sense similar “clean” subchannels and reselect in synchrony, herding into the same resources and producing localized bursts of collisions. This thesis asks whether a small, on-device learning component can make reselection smarter—improving reliability and capacity—without disturbing the strict timing envelope required by safety-critical messages.
We propose a federated learning based, collision-aware overlay for SB–SPS mechanism that operates only at reselection instants. A compact predictor, trained on-device and aggregated across vehicles via federated learning (FL), assigns a collision-risk score to each candidate resource. The vehicle then ranks candidates by predicted risk and reserves a low-risk option; SB–SPS timing, numerology, and packet handling remain unchanged. Because inference runs only at reselection (not per packet), the approach is latency-neutral by design. Raw observations never leave vehicles; only model updates are shared with a roadside aggregator, which can use FedAvg or FedProx to handle non-IID client data. The overlay is strictly advisory: if the model or features are unavailable, the system deterministically falls back to stock SB–SPS with no impact on transmissions. This architecture preserves certifiability while admitting learning-driven reliability gains.
The thesis formalizes the reselection decision as a ranking problem over the SB–SPS candidate set, defines lightweight features derived from signals already present in the radio stack (energy statistics, coarse neighbor cues, simple kinematics, short history toggles), and trains a logistic risk head using binary cross-entropy. We study two FL variants. FedAvg provides a strong baseline for sharing structure across vehicles. FedProx augments the local objective with a proximal term of strength μ, which stabilizes training under client heterogeneity by discouraging drift away from the current global model. We evaluate both methods in two highway scenarios—one primarily dense and homogeneous (highway_high), and one explicitly heterogeneous (highway_mixed_hetero)—using multiple random seeds and reporting mean values with mean ± 95% CI for PDR, collision rate, throughput (Mbps), and mean one-way latency. Relative to stock SB–SPS, the collision-aware overlay with FedProx (μ≈0.6) achieves large, consistent gains: and round-level computation time (s). The highway_high: PDR +68.6 pp (0.79% → 69.39%), collisions −0.91 abs (0.99 → 0.08, ~−92%), throughput +0.0030 Mbps(0.0000 → 0.0030 Mbps); mean latency remains ≈10 ms. The lower SB–SPS mean latency (4.6 ms) co-occurs with near-zero throughput/PDR, reflecting few successful deliveries rather than a better timing profile.
The highway_mixed_hetero: PDR +46.72 pp(24.29% → 71.01%), collisions −0.65 abs(0.76 → 0.11, ~−86%), throughput +0.0018 Mbps(0.0009 → 0.0027 Mbps); mean latency remains ≈10 ms across methods.
Methodological contributions. The thesis contributes (i) a collision-aware reselection policy that is fully compatible with SB–SPS and runs off the critical packet path; (ii) a federated training protocol tailored to vehicular non-IID data, including an analysis of the FedProx μ trade-off and the identification of μ≈0.6 as a robust operating point; (iii) a latency-neutral design that preserves standard timing while improving reliability; and (iv) an operational blueprint—monitoring (PDR, collisions, latency, throughput; plus model health and fallback rates) to support real-world deployment.
Among federated optimizers, FedProx (μ≈0.6) provides the best end-to-end trade-off across scenarios, edging FedAvg in PDR/throughput while maintaining low collision rates; stronger proximal settings (μ=1.0, 1.4) trend more stable but can under-deliver on PDR. The systems footprint is modest—compute ≈0.065–0.068 s per client per round, communication ≈0.070 MB per client per round—supporting deployment on OBUs and RSUs. These results, obtained within the exact SB–SPS/Mode-2 framework, show that learning-guided reselection materially improves sidelink reliability and capacity without altering standard timing or procedures.
Keywords: 5G NR-V2X, Mode-2 sidelink, Semi-Persistent Scheduling (SB-SPS), federated learning, FedProx, Collisio-aware reselection, non-IID clients, collision avoidance, packet delivery ratio (PDR), throughput, latency neutrality, heterogeneous vehicular environments.

목차 (Table of Contents)

• Contents
• Acknowledgements i
• List of Tables viii
• List of Figures ix
• List of Notations x
• List of Acronyms xi
• Abstract xii
• 1. Introduction 1
• 1.1 Motivation 1
• 1.2 Research Gap 2
• 1.3 Problem statement 3
• 1.4 Challenges 3
• 1.5 Approach (high-level) 4
• 1.6 Research Questions 4
• 1.7 Contributions 5
• 1.8 Summary of findings 6
• 1.9 Thesis organization 6
• 2. Background 7
• 2.1 Learning-Augmented Scheduling in 5G NR 7
• 2.2 NR-V2X Sidelink 8
• 2.3 SB–SPS: Mechanics and Limitations 9
• 2.4 Heterogeneous Vehicular Environments 10
• 2.5 Design Levers in SB–SPS (Non-Learning) 12
• 2.6 Federated Learning Primer (for on-Vehicle Training) 13
• 2.7 Collision Prediction, Calibration, and Thresholding 15
• 2.8 Scope and Assumptions 16
• 2.8 Chapter Summary 17
• 3. Related Work 18
• 3.1 Collision-Aware Resource Selection in 5G NR-V2X Mode-2 18
• 3.1.1 What SB–SPS variants achieve — and why collisions persist? 18
• 3.1.2 Learning-guided occupancy/collision models within SB–SPS 20
• 3.2 Federated Learning for Wireless RRM under Non-IID Client 21
• 3.3 Calibration of Collision Probabilities for Thresholded Control 21
• 3.4 Positioning of this thesis 22
• 3.5 Takeaways 24
• 4. System Model 25
• 4.1 Problem Context and Modeling Goals 25
• 4.2 SB-SPS Pipeline and Notations 27
• 4.3 Feature Design 28
• 4.4 Collision-Probability Model and Training 29
• 4.5 Calibration of Collision Probabilities 30
• 4.6 Reselection Policy (Threshold + Margin + Blacklist + Abstention) 30
• 4.7 Federated Training under Non-IID Clients 31
• 4.8 System-Level Timing and Computation 31
• 4.9 Robustness to Heterogeneity and Churn 32
• 4.10 Failure Modes and Safety Fallbacks 33
• 4.11 Summary 34
• 5. Methodology 35
• 5.1 Overview 35
• 5.2 Feature Engineering and Preprocessing 36
• 5.2.1 Design principles 36
• 5.2.2 Feature Set and Symbols 36
• 5.2.3 Windowing, Smoothing, and Standardization 37
• 5.3 Collision-Probability Model 38
• 5.3.1 Model Form 38
• 5.4 Federated Training 39
• 5.4.1 On-Policy Buffers and Participation 39
• 5.4.2 Communication Efficiency and Privacy 39
• 5.5 Probability Calibration and Operating-Point Selection 40
• 5.6 Keep/Reselect Policy with Safety Fallbacks 40
• 5.6.1 Confidence Tests and Abstention 41
• 5.7 Algorithms 41
• 5.8 Complexity & Communication Overheads 44
• 5.9 Formal Control View of the τ-Threshold Policy 44
• 5.10 Calibration Methodology and Control Impact 46
• 5.11 Implementation Notes 48
• 5.12 Ablation and Sensitivity Plan 49
• 5.13 Summary 50
• 6. Experimental Setup 51
• 6.1 Traffic Scenarios & Mobility Models 52
• 6.1.1 highway_high (dense, relatively homogeneous) 52
• 6.1.2 highway_mixed_hetero (heterogeneous speeds and vehicle classes) 53
• 6.2 Radio, Channelization, and SB–SPS Parameters 54
• 6.3 Candidate Features and Predictive Models 58
• 6.3.1 Feature vector 58
• 6.3.2 Classifiers 58
• 6.4 Federated Learning: FedAvg and FedProx 59
• 6.5 Threshold Reselection Policy 60
• 6.6 Baselines and Compared Methods 62
• 6.7 Ablations & Stress Tests 64
• 6.8 End‑to‑End Experimental Procedure 65
• 6.9 Mapping to Results and Discussion 66
• 6.10 Summary 66
• 7. Results 67
• 7.1 Overview and Reporting Protocol 67
• 7.2 What each metric reflects 68
• 7.3 Highway_High-traffic scenario 68
• 7.3.1 Summary (Highway_high traffic) 73
• 7.4 Mixed-heterogeneity scenario 77
• 7.5 Cross-scenario synthesis 81
• 7.6 Reliability vs. Contention (Qualitative) 81
• 7.7 Practical Overheads 82
• 7.8 Takeaways 82
• 8. Ablation Studies & Overhead Analysis 83
• 8.1 Purpose and scope 83
• 8.2 Aggregation regularization (FedProx μ) 83
• 8.3 Stability vs. adaptivity in the reselection loop 84
• 8.4 Computation & communication overheads 85
• 8.5 Threats to validity and limitations 86
• 8.6 Summary 87
• 9. Discussion & Limitations 88
• 9.1 Design Principles Derived from Results 88
• 9.2 Deployment Architecture 89
• 9.3 Privacy, Security, and Robustness 91
• 9.4 Monitoring, Guardrails, and Operations 92
• 9.5 Summary 93
• 10. Conclusion and Future Directions 95
• 10.1 Summary of Contributions and Findings 95
• 10.2 Practical Implications for Deployment 96
• 10.3 Directions for Future Research 98
• 10.4 Ethical, Privacy, and Safety Considerations 99
• 10.5 Final Remarks 99
• References 101