무선 채널 모델링

경로 손실은 무선 채널을 통해 전송된 신호의 전력이 거리에 따라 감쇠하는 현상을 가리킨다. 이는 전파가 공간을 전파하면서 점점 퍼져나가거나, 매질에 의한 흡수, 산란, 회절 등 다양한 물리적 메커니즘에 의해 에너지가 소산되기 때문에 발생한다. 경로 손실은 통신 링크 예산을 설계할 때 가장 기본적이고 중요한 요소 중 하나이며, 수신기에서의 신호 대 잡음비를 결정하는 데 핵심적인 역할을 한다.

가장 기본적인 경로 손실 모델은 자유 공간 경로 손실이다. 이는 이상적인 조건에서 점파원으로부터 방사된 전파가 주변에 어떠한 장애물도 없이 전파될 때의 이론적 감쇠를 설명한다. 자유 공간 경로 손실은 거리의 제곱에 비례하여 증가하며, 또한 사용 주파수의 제곱에 비례한다. 따라서 고주파 대역을 사용할수록 동일 거리에서 더 큰 경로 손실이 발생한다.

실제 환경에서는 지형, 건물, 기상 조건 등 복잡한 요인들이 영향을 미친다. 이를 반영하기 위해 다양한 경험적 또는 확률적 모델이 개발되었다. 대표적인 모델로는 간단한 지수 법칙을 따르는 로그 거리 경로 손실 모델이 있다. 이 모델은 기준 거리에서의 손실을 측정하고, 그 이상의 거리에서는 거리에 대한 지수 함수 형태로 손실을 예측한다. 지수 값(경로 손실 지수)은 환경에 따라 달라지며, 예를 들어 열린 공간에서는 2에 가깝지만, 건물 내부나 도시 환경에서는 3에서 6 사이의 더 큰 값을 가진다.

보다 정교한 모델들은 특정 환경을 더 세분화하여 고려한다. 예를 들어, COST 231 Hata 모델은 중간 규모의 도시와 교외 환경을 위한 대표적인 모델이며, ITU-R 모델들은 다양한 지형과 기후 조건을 고려한다. 이러한 모델들은 일반적으로 다음의 요소들을 종합적으로 고려하여 경로 손실을 계산한다.

경로 손실 모델링은 셀룰러 네트워크의 기지국 배치 계획, 커버리지 영역 예측, 핸드오버 매개변수 설정 등 무선 시스템 설계의 기초를 제공한다.

채널 페이딩은 송신된 무선 신호가 여러 경로를 통해 수신기에 도달하면서 신호의 진폭, 위상, 주파수가 시간에 따라 무작위로 변동하는 현상을 말한다. 이는 주변 환경에서의 반사, 회절, 산란으로 인해 발생하는 다중 경로 전파가 주요 원인이다. 페이딩은 신호의 품질을 크게 저하시키는 요인으로 작용하며, 통신 시스템의 설계에서 반드시 고려해야 한다.

페이딩은 시간적 변동성에 따라 대규모 페이딩과 소규모 페이딩으로 구분된다. 대규모 페이딩은 경로 손실과 그림자 효과로 인해 발생하며, 비교적 느리게 변화한다. 반면, 소규모 페이딩은 다중 경로 간의 간섭으로 인해 짧은 시간 또는 짧은 이동 거리 내에서 급격한 신호 변동을 일으킨다. 소규모 페이딩은 다시 신호 대역폭과 채널의 지연 확산 관계에 따라 평탄 페이딩과 주파수 선택적 페이딩으로 나뉜다.

페이딩의 통계적 특성을 모델링하는 대표적인 방법으로는 레이리 페이딩과 라이시안 페이딩이 있다. 레이리 페이딩은 시선 경로가 존재하지 않고 모든 신호 성분이 산란되어 도달하는 환경을 모델링한다. 반면, 라이시안 페이딩은 하나의 지배적인 시선 경로 성분과 여러 개의 산란된 성분이 공존하는 환경을 설명한다. 이 두 모델은 신호 진폭의 확률 분포를 통해 채널의 특성을 나타낸다.

통신 시스템은 페이딩의 영향을 완화하기 위해 다이버시티 기법, 채널 코딩, 적응 변조 등의 기술을 사용한다.

지연 확산은 무선 신호가 여러 경로를 통해 수신기에 도달할 때, 각 경로의 길이 차이로 인해 발생하는 신호 성분들의 시간적 분산 현상이다. 송신된 하나의 펄스 신호가 수신기에서 여러 개의 시간적으로 늘어난 펄스로 도착하는 것처럼 보인다. 이 현상의 주요 원인은 주변 환경에서의 반사, 회절, 산란 등에 의한 다중 경로 전파이다.

지연 확산의 정도는 지연 프로파일로 표현되며, 최대 지연 시간이나 평균 지연 시간 같은 파라미터로 정량화된다. 지연 확산은 통신 시스템에 심각한 심볼 간 간섭을 유발한다. 이는 한 심볼의 지연된 신호가 다음 심볼의 신호와 겹쳐져 수신기에서 신호를 올바르게 판별하기 어렵게 만든다.

지연 확산은 채널의 주파수 선택성을 결정하는 핵심 요인이다. 채널의 주파수 응답이 전송 대역폭 내에서 일정하지 않고 변하는 현상을 주파수 선택적 페이딩이라고 한다. 이는 신호의 일부 주파수 성분은 증폭되고 다른 일부는 감쇠되는 현상을 초래한다. 채널이 주파수 선택적인지 여부는 신호의 대역폭과 채널의 공간 상관 대역폭의 상대적 크기에 따라 결정된다.

주파수 선택적 채널에서의 간섭을 완화하기 위해 OFDM이나 시퀀스 등화 같은 기술이 널리 사용된다. OFDM은 넓은 대역폭을 여러 개의 좁은 부반송파로 나누어 각 부반송파가 주파수 비선택적 채널을 경험하도록 함으로써 심볼 간 간섭을 효과적으로 줄인다.

AWGN 채널은 가장 기본적이고 이상적인 무선 채널 모델 중 하나이다. 이 모델은 신호 전송 과정에서 발생하는 주요 열화 요인을 가산성 백색 가우시안 잡음만으로 가정한다. 여기서 '가산성'은 원래 신호에 잡음이 더해지는 특성을, '백색'은 잡음이 모든 주파수 대역에 균일하게 분포함을, '가우시안'은 잡음의 진폭이 정규 분포를 따른다는 통계적 특성을 의미한다[1].

이 모델은 실제 무선 환경의 다중 경로 간섭이나 페이딩과 같은 복잡한 현상을 배제하고, 순수한 잡음의 영향만을 분석하는 데 사용된다. 따라서 AWGN 채널은 통신 시스템의 이론적 성능 한계를 분석하는 기본 도구로 널리 쓰인다. 특히 섀논-하틀리 정리에 따른 채널 용량 계산이나, 변조 방식 및 오류 정정 부호의 성능을 비교 평가하는 기준 모델로 자주 활용된다.

AWGN 채널에서의 수신 신호는 일반적으로 다음 수식으로 표현된다.

y(t) = x(t) + n(t)

여기서 y(t)는 수신 신호, x(t)는 송신 신호, n(t)는 평균이 0이고 분산이 σ²인 가우시안 잡음을 나타낸다. 시스템의 성능은 주로 신호 대 잡음비에 의해 결정되며, 이는 수신된 신호 전력 대 잡음 전력의 비율로 정의된다.

이러한 단순성 때문에 AWGN 채널 모델은 실제 레이리 페이딩이나 라이시안 페이딩과 같은 더 복잡한 채널 모델을 분석할 때의 기준점이 되기도 한다. 많은 통신 이론과 표준은 먼저 AWGN 환경에서의 성능을 규정한 후, 페이딩 채널에서의 성능을 추가로 정의하는 방식을 취한다.

레이리 페이딩 채널은 송신기와 수신기 사이에 지배적인 직접파 성분이 존재하지 않고, 주변 환경에서 반사, 회절, 산란되어 도달하는 많은 수의 다중 경로 신호만이 존재할 때 발생하는 채널 모델이다. 이 조건은 일반적으로 송수신기 사이에 시선 경로가 차단된 비시선통신 환경에서 충족된다. 각 다중 경파는 독립적인 진폭과 위상을 가지며, 이들의 벡터 합으로 인해 수신 신호의 순시 전력은 크게 변동한다.

이러한 신호의 합성 과정은 중심극한정리에 의해 설명될 수 있다. 충분히 많은 수의 독립적인 반사파가 존재할 때, 수신 신호의 동위상 및 직교 성분은 각각 독립적인 가우시안 확률 과정을 따른다. 결과적으로 수신 신호의 포락선(envelope)은 레이리 분포를 따르게 되며, 그 위상은 0에서 2π 사이의 균일 분포를 따른다. 레이리 분포의 확률 밀도 함수는 수신 신호 포락선 r에 대해 정의된다.

레이리 페이딩은 신호의 진폭이 빠르게 변화하는 소규모 페이딩의 대표적인 형태이다. 이는 이동통신 환경에서 사용자가 건물이나 장애물 뒤로 이동할 때 흔히 관찰된다. 페이딩의 깊이는 매우 심할 수 있어, 순간적인 신호 강도가 평균값보다 수십 dB 낮아지는 경우도 발생한다. 이러한 심한 신호 변동은 통신 시스템의 비트 오류율을 급격히 악화시키는 주요 원인이다.

이 채널 모델의 단순함과 분석적 용이성 때문에, 무선 통신 시스템의 성능을 이론적으로 분석하거나 비교 평가하는 데 널리 사용되는 기준 모델이다. 특히 변조 방식이나 오류 정정 부호의 페이딩 환경에서의 성능을 평가할 때 유용하다. 그러나 실제 환경에서는 종종 약한 직접파 성분이 존재하기 때문에, 이를 보다 일반화한 라이시안 페이딩 채널 모델이 사용되기도 한다.

라이시안 페이딩 채널은 하나의 지배적인 직진파 성분과 여러 개의 난반사파 성분이 합성되어 발생하는 페이딩 현상을 모델링한 무선 채널 모델이다. 이 모델은 레이리 페이딩 채널과 함께 가장 기본적인 확률론적 채널 모델 중 하나로 사용된다. 지배적인 직진파 성분이 존재한다는 점이 모든 성분이 난반사파인 레이리 페이딩과 구별되는 핵심 특징이다.

이 채널에서 수신 신호의 포락선은 라이시안 분포를 따른다. 페이딩의 정도는 라이시안 K-인자로 정량화되는데, 이는 직진파 성분의 전력과 난반사파 성분의 총 전력의 비율을 나타낸다. K-인자가 0이면 난반사파 성분만 존재하는 레이리 페이딩에 해당하며, K-인자가 무한대로 커지면 페이딩이 없는 가산성 백색 가우시안 잡음 채널에 가까워진다.

라이시안 페이딩은 실제 통신 환경에서 기지국과 단말 사이에 비교적 장애물이 적은 가시거리 통신 환경을 묘사할 때 자주 적용된다. 예를 들어, 마이크로셀 환경이나 실내 무선 LAN 환경에서 안테나 사이에 직접 경로가 존재하는 경우에 적합한 모델이다. 이 모델은 채널의 통계적 특성을 상대적으로 간단한 매개변수(K-인자)로 표현할 수 있어 시스템 성능 분석이나 시뮬레이션에 유용하게 활용된다.

다중 경로 채널 모델은 송신기에서 방사된 신호가 여러 개의 경로를 통해 수신기에 도달하는 현상을 수학적으로 표현한 것이다. 이는 건물, 산, 차량 등 주변 환경에서의 반사, 회절, 산란으로 인해 발생한다. 각 경로는 고유한 지연 시간, 감쇠, 위상 변화를 가지며, 이들이 수신기에서 중첩되면 신호의 진폭과 위상이 시간에 따라 변하는 채널 페이딩 현상이 나타난다. 다중 경로 전파는 대역폭 효율을 높이는 공간 다중화의 기반이 되기도 하지만, 심볼 간 간섭을 유발하여 통신 품질을 저하시키는 주요 원인이 되기도 한다.

가장 기본적인 다중 경로 모델은 탭 지연선 모델이다. 이 모델은 유한한 개수의 주요 경로를 가정하며, 각 경로는 이산적인 지연과 복소 이득으로 표현된다. 채널의 충격 응답은 다음과 같이 모델링된다.

보다 현실적인 모델은 경로 수가 많고 지연이 연속적으로 분포하는 경우를 고려한다. 이를 위해 지연 확산과 도플러 확산이라는 두 가지 핵심 파라미터를 사용한다. 지연 확산은 여러 경로의 지연 시간 분포의 폭을 나타내며, 이 값이 전송 신호의 심볼 주기보다 크면 주파수 선택적 페이딩이 발생한다. 반대로 지연 확산이 매우 작으면 채널은 주파수 비선택적 페이딩 또는 평탄 페이딩으로 근사된다.

다중 경로 채널의 통계적 특성을 정의하는 중요한 모델로 확산 함수가 있다. 이는 지연과 도플러 주파수의 2차원 함수로서, 채널이 시간과 주파수 영역에서 어떻게 변하는지를 종합적으로 설명한다[2]. 이를 기반으로 채널의 시간적 코히런스와 주파수적 코히런스 대역폭을 유도할 수 있다. 실무에서는 COST 207(*유럽의 연구 협력 프로젝트에서 개발된 디지털 이동통신용 채널 모델)나 ITU-R M.1225(*국제전기통신연합이 제안한 IMT-2000 평가용 채널 모델)와 같은 표준화된 탭 지연선 모델이 특정 환경(예: 도시, 시골, 실내)에 맞는 파라미터 집합을 제공하여 시스템 설계와 성능 시뮬레이션에 널리 사용된다.

확률론적 모델링은 무선 채널의 복잡한 거동을 통계적 분포와 확률 과정을 통해 추상화하여 수학적으로 표현하는 방법론이다. 이 접근법은 무수히 많은 산란체와 반사체로 인한 채널의 불규칙성을 결정론적으로 모델링하기 어려울 때, 신호의 진폭, 위상, 지연 등 주요 파라미터를 확률 변수로 취급한다. 이를 통해 시스템 설계자들은 채널의 평균적 특성과 변동성을 정량화하여, 통신 시스템의 성능을 분석하거나 변조 방식, 오류 정정 코드, 다이버시티 기법 등을 설계하는 데 활용한다.

가장 기본적인 모델은 AWGN 채널로, 가산성 백색 가우시안 잡음만을 고려한다. 보다 현실적인 페이딩 채널 모델로는 레이리 페이딩 채널과 라이시안 페이딩 채널이 널리 사용된다. 레이리 페이딩은 직통 경로가 존재하지 않고 다중 반사 경로만 있는 환경에서 신호의 진폭이 레이리 분포를 따른다고 가정한다. 반면, 라이시안 페이딩은 하나의 지배적인 직통 경로와 여러 개의 산란 경로가 공존할 때 적용되며, 신호 진폭은 라이시안 분포를 따른다. 이러한 분포는 채널의 순시 이득을 확률적으로 기술한다.

시간에 따른 채널 변동을 모델링하기 위해 도플러 확산 스펙트럼과 자동상관 함수가 사용된다. 예를 들어, 클라크-간스 모델은 2차원적으로 등방성 산란이 존재하는 환경에서 수신 신호의 도플러 스펙트럼이 U자 형태를 띤다고 가정한다[3]. 또한, 다중 경로 지연 프로파일은 전력 지연 프로파일로 표현되며, 각 경로의 평균 전력과 상대적 지연을 확률적 프로파일(예: 지수 감쇠 프로파일)로 모델링한다. 이를 통해 채널의 주파수 선택성 정도를 평가할 수 있다.

확률론적 모델링의 주요 장점은 복잡도를 줄이면서도 시스템 수준의 설계와 비교 평가에 유용한 통찰을 제공한다는 점이다. 그러나 이 방법은 특정 지형이나 정확한 환경 기하학을 반영하지 못한다는 한계가 있다. 따라서 이러한 모델은 보통 표준화나 이론적 분석에 사용되며, 보다 정밀한 시뮬레이션이 필요할 때는 기하학적 확산 모델이나 실측 기반 모델이 함께 활용된다.

기하학적 확산 모델은 무선 채널의 거시적 특성, 특히 신호 세기가 거리에 따라 감소하는 현상을 설명하기 위한 결정론적 접근법이다. 이 모델은 전파가 전송점에서 방사되어 공간을 통해 기하학적으로 확산된다는 개념에 기반한다. 가장 기본적인 형태는 자유 공간 경로 손실 모델로, 이상적인 조건에서 점파원에서 방사된 전파가 구면파 형태로 퍼져나갈 때의 신호 감쇠를 예측한다.

자유 공간 경로 손실은 다음 수식으로 표현된다. 여기서 \(P_r\)은 수신 전력, \(P_t\)는 송신 전력, \(G_t\)와 \(G_r\)은 각각 송신 및 수신 안테나 이득, \(\lambda\)는 파장, \(d\)는 송수신기 간 거리이다.

\[

P_r = P_t G_t G_r \left( \frac{\lambda}{4\pi d} \right)^2

\]

이 모델은 장애물이나 반사가 없는 완전한 진공 상태를 가정하므로, 실제 환경에서는 추가적인 보정이 필요하다. 실제 도시나 실내 환경을 모델링하기 위해 기하학적 확산 모델은 종종 경로 손실 지수 모델로 일반화된다. 이 모델은 수신 전력이 거리의 \(n\)제곱에 반비례한다고 가정하며, 경로 손실 지수 \(n\)은 환경에 따라 달라진다.

표에서 보듯, 자유 공간에서는 지수가 2이지만, 장애물이 많은 실내 비가시경로 환경에서는 지수가 6에 가까울 정도로 신호 감쇠가 훨씬 크게 발생한다. 기하학적 확산 모델은 복잡한 전파 현상을 단순화하여 시스템의 초기 설계와 커버리지 예측에 널리 사용된다. 그러나 이 모델은 다중 경로 페이딩이나 섀도잉과 같은 소규모 페이딩 현상을 고려하지 않으므로, 보다 정밀한 분석에는 확률론적 채널 모델이나 실측 기반 모델과 결합되어 활용된다.

실측 기반 모델은 실제 환경에서 측정된 채널 데이터를 수집하고 분석하여 채널 특성을 모델링하는 방법이다. 이론적 가정이나 확률론적 분포에 의존하기보다는, 특정 장소나 시나리오에서 얻은 실측 데이터를 기반으로 하기 때문에 매우 현실적인 채널 특성을 반영할 수 있다. 이 방법은 특히 복잡한 도심 환경이나 새로운 주파수 대역(예: 밀리미터파)에서의 채널 특성을 파악하는 데 필수적이다.

실측 작업은 일반적으로 채널 탐사기와 같은 특수 장비를 사용하여 수행된다. 송신기와 수신기를 특정 위치에 배치하고, 알려진 신호를 송신한 후 수신된 신호를 기록한다. 이 과정에서 경로 손실, 지연 확산, 도플러 확산, 평균 감쇠 지연, 그리고 공간 상관성 등 다양한 채널 파라미터를 추출한다. 측정 데이터는 광대역 신호를 사용하여 주파수 선택적 페이딩을 포착하거나, 이동 환경에서 측정하여 시변 특성을 분석하는 등 다양한 목적으로 수집된다.

수집된 방대한 실측 데이터는 통계적 분석을 통해 모델을 생성하는 데 사용된다. 예를 들어, 특정 도시 환경에서의 경로 손실 지수나 그림자 페이딩의 표준 편차를 계산할 수 있다. 또한, 측정된 임펄스 응답을 클러스터링하여 다중 경로 구성 요소의 도달 각도, 출발 각도, 지연 시간, 감쇠량을 정량화하는 클러스터 기반 채널 모델을 구축하는 데 활용된다. 이러한 모델은 3GPP나 ITU-R과 같은 표준화 기구에서 제정하는 표준 채널 모델의 실증적 기초 자료로도 공헌한다.

실측 기반 모델의 주요 장점은 높은 현실성과 정확성이지만, 측정 비용이 크고 특정 측정 환경에 종속될 수 있다는 한계도 있다. 따라서, 실측 데이터와 확률론적 모델링을 결합하거나, 제한된 실측 데이터를 바탕으로 인공지능 기법을 활용하여 채널을 일반화하고 예측하는 하이브리드 접근법의 연구가 활발히 진행되고 있다.

MIMO 채널 모델은 다중 안테나를 사용하는 송신기와 수신기 사이의 무선 채널을 수학적으로 표현한 것이다. 이 모델은 단일 안테나 시스템에 비해 훨씬 더 복잡한 구조를 가지며, 공간 차원에서의 신호 특성을 포착하는 것이 핵심이다. 기본적으로 MIMO 채널은 송신 안테나 수(N_t)와 수신 안테나 수(N_r)에 의해 결정되는 N_r × N_t 크기의 채널 행렬 H로 표현된다. 이 행렬의 각 요소 h_ij는 j번째 송신 안테나에서 i번째 수신 안테나로의 복소 채널 이득을 나타낸다[4].

MIMO 채널 모델은 크게 통계적 모델과 기하학적 확산 기반 모델로 구분된다. 대표적인 통계적 모델로는 i.i.d. 레이리 페이딩 채널이 있다. 이 모델은 채널 행렬 H의 각 요소가 서로 독립이고 동일한 분포를 가지는 복소 가우시안 확률 변수라고 가정한다. 이는 풍부한 산란 환경에서 안테나 간 간격이 충분히 떨어져 있을 때의 이상적인 경우를 모델링한다. 보다 현실적인 모델로는 상관관계를 고려한 모델이 사용되며, 이는 안테나 배열의 구조와 주변 산란체의 분포에 의해 송신단과 수신단 각각에서 공간 상관관계가 발생하는 현상을 반영한다.

기하학적 확산 모델은 신호의 전파 경로를 물리적으로 모델링한다. 공간 채널 모델(SCM) 및 공간 채널 모델 확장(SCME)이 대표적이며, 클러스터 형태의 산란체와 각 경로의 도래각, 출발각, 지연, 전력 프로파일을 정의한다. 이 모델은 채널의 공간적 특성을 보다 정확히 묘사하여 빔포밍 성능 분석이나 실제 배치 시뮬레이션에 유용하다. 특히 고주파 대역이나 대규모 MIMO 시스템에서는 신호가 빔 형태로 전파되는 특성이 강해져, 빔공간 모델이나 도래각 기반의 채널 표현이 더 중요해진다.

빔포밍은 안테나 배열의 각 소자에 전달되는 신호의 위상과 진폭을 조절하여 특정 방향으로 전파 에너지를 집중시키거나 특정 방향에서 수신 감도를 높이는 기술이다. 이를 통해 신호 대 잡음비를 개선하고, 간섭을 줄이며, 통신 링크의 안정성과 전송 거리를 향상시킨다. 빔포밍은 송신 빔포밍과 수신 빔포밍으로 구분되며, 채널 상태 정보를 기반으로 빔의 방향과 형태를 적응적으로 제어하는 적응형 빔포밍이 널리 사용된다.

공간 다중화는 MIMO 시스템에서 다중 송수신 안테나를 활용하여 동일한 시간, 동일한 주파수 자원으로 여러 개의 독립적인 데이터 스트림을 동시에 전송하는 기술이다. 이는 채널의 공간 차원을 추가적인 자원으로 활용함으로써 주파수 효율을 극대화한다. 공간 다중화의 성능은 채널 행렬의 특성, 특히 채널 랭크에 크게 의존한다. 채널 랭크가 높을수록, 즉 송수신 안테나 간의 채널 계수가 독립적일수록 더 많은 데이터 스트림을 동시에 전송할 수 있다.

빔포밍과 공간 다중화는 상호 보완적으로 결합되어 사용된다. 빔포밍은 주로 신호의 방향성을 제어하여 링크 예산을 개선하거나 사용자 간 간섭을 관리하는 데 초점을 맞춘다. 반면, 공간 다중화는 주어진 채널에서 가능한 최대 데이터 전송률을 달성하는 것을 목표로 한다. 현대의 대규모 MIMO 시스템에서는 수십에서 수백 개의 안테나 요소를 사용하여 매우 정밀한 빔포밍을 구현함과 동시에, 다수의 사용자에게 공간적으로 분리된 다중 데이터 스트림을 제공하는 다중 사용자 MIMO 기술의 핵심이 된다.

3GPP 채널 모델은 3GPP 표준화 기구에서 정의하는 일련의 채널 모델로, 주로 이동통신 시스템(예: LTE, NR)의 성능 평가, 시뮬레이션, 장비 검증을 위한 기준을 제공한다. 이 모델들은 실제 무선 전파 환경을 대표하는 여러 시나리오를 포함하며, 시스템 및 알고리즘 개발에 있어 재현 가능하고 공정한 비교를 가능하게 한다.

3GPP 채널 모델은 크게 지상파 기반의 지리적 모델과 공간 채널 모델 확장판으로 발전해 왔다. 초기에는 주로 경로 손실, 그림자 페이딩, 다중 경로 지연 프로파일을 정의하는 간소화된 모델을 사용했으나, MIMO 및 빔포밍 기술의 도입으로 더욱 정교한 공간 채널 모델이 필요해졌다. 이에 따라 3GPP는 지리적 모델을 기반으로 하여 입사각, 도착각, 공간 상관 관계 등을 포함하는 공간 채널 모델을 채택했다.

주요 모델 구성 요소는 다음과 같은 표로 정리할 수 있다.

이 모델들은 기술 보고서(TR) 문서(예: 3GPP TR 25.996, TR 36.873, TR 38.901)에 상세히 명시되어 있다. 특히 TR 38.901은 5G NR을 위한 채널 모델로, 0.5GHz부터 100GHz까지의 주파수 대역을 포괄하며, 밀리미터파 대역의 특성을 반영한 새로운 지리적 모델과 차단 효과 모델을 포함한다[6]. 이러한 표준화된 모델은 전 세계 통신 업체와 연구 기관이 동일한 조건 하에서 시스템 성능을 평가하고 상호 운용성을 검증하는 데 핵심적인 역할을 한다.

IEEE 802.11 채널 모델은 무선 LAN 표준인 Wi-Fi의 시스템 설계, 성능 분석 및 시뮬레이션을 위해 개발된 채널 모델을 지칭한다. 이 모델들은 주로 2.4 GHz, 5 GHz, 그리고 최근에는 6 GHz 대역을 사용하는 IEEE 802.11 시리즈 표준(예: 802.11n/ac/ax/be)에 적용된다. 실내 및 실외 환경에서의 다중 경로 전파 효과를 모사하는 데 중점을 두며, 지연 확산, 도플러 확산, 경로 손실 등의 파라미터를 정의한다.

가장 널리 참조되는 모델로는 IEEE 802.11 작업 그룹에서 채택한 TGn 채널 모델이 있다. 이 모델은 MIMO 기술을 지원하는 802.11n 및 이후 표준의 성능 평가를 위해 제안되었다. TGn 모델은 실내 환경을 대표하는 여러 채널 모델(A, B, C, D, E, F)을 제시하며, 각 모델은 평균 지연 확산과 RMS 지연 확산 값이 다르다. 예를 들어, 모델 A는 사무실 환경에서의 작은 지연 확산을, 모델 D와 E는 더 큰 개방형 공간에서의 더 큰 지연 확산을 나타낸다[7].

이 모델들은 클러스터 기반의 확산 모델을 사용하여 다중 경로 성분을 생성한다. 각 경로는 특정 감쇠, 지연, 도플러 편이, 그리고 위상 변화를 가지며, 레이리 페이딩 또는 라이시안 페이딩 분포를 따른다. 표준화된 모델 파라미터는 재현 가능한 시뮬레이션과 다양한 장비 벤더 간의 공정한 성능 비교를 가능하게 한다.

최근의 Wi-Fi 6E(802.11ax) 및 Wi-Fi 7(802.11be) 표준에서는 6 GHz 대역의 새로운 채널 모델에 대한 연구가 진행되고 있다. 이는 기존 5 GHz 대역과는 다른 전파 특성을 고려해야 하기 때문이다. 또한, 다중 사용자 MIMO 및 더 높은 차수의 변조 방식을 지원하기 위해 채널 모델의 정확도 요구사항이 더욱 높아지고 있다.

ITU-R(국제전기통신연합 전파통신국)은 무선 통신 시스템의 설계, 계획, 평가를 위한 표준화된 채널 모델을 권고한다. 이 모델들은 주로 특정 주파수 대역, 환경, 응용 시나리오에 대한 경로 손실 예측과 페이딩 특성을 제공하는 것을 목표로 한다. 가장 널리 알려진 모델로는 매크로셀, 마이크로셀, 피코셀 환경을 위한 ITU-R P.1411과 실내 환경을 위한 ITU-R P.1238이 있다. 또한 차량 통신이나 고속 이동 환경을 위한 특화된 모델들도 제시되어 있다.

ITU-R 모델의 핵심은 경로 손실을 계산하는 경험적 공식을 제공하는 것이다. 이 공식들은 대규모 실측 데이터를 기반으로 개발되었으며, 통신 링크의 기본 설계 파라미터를 결정하는 데 필수적이다. 예를 들어, ITU-R P.1411 모델은 다양한 도시 및 교외 환경에서의 비시선거리(NLOS) 전파 특성을 다루며, 주파수, 거리, 안테나 높이 등을 변수로 사용한다.

이 모델들은 시스템 설계자와 규제 기관이 서비스 커버리지 영역을 예측하고, 간섭 수준을 평가하며, 네트워크를 효율적으로 계획하는 데 광범위하게 활용된다. 특히 새로운 주파수 대역을 개방하거나 새로운 무선 서비스를 도입할 때, ITU-R의 채널 모델은 전파 환경에 대한 공통된 참조 기준으로서의 역할을 수행한다.

시뮬레이션 기법은 설계된 무선 채널 모델이 실제 채널 특성을 얼마나 정확하게 반영하는지 평가하는 핵심 도구이다. 주로 몬테카를로 시뮬레이션이 널리 사용되며, 이는 무작위 샘플링을 통해 통계적 특성을 추정하는 방법이다. 채널 모델의 매개변수(예: 지연 확산, 도플러 확산, 페이딩 분포)를 설정하고, 무작위로 생성된 수많은 채널 실현(realization)을 통해 시스템의 평균 성능(예: 비트 오류율, 차단 확률)을 추정한다.

시뮬레이션의 정확도와 효율성을 높이기 위해 다양한 기법이 적용된다. 중요한 기법 중 하나는 중요도 샘플링이다. 이는 희귀 사건(예: 매우 낮은 비트 오류율)을 평가할 때, 사건 발생 확률을 인위적으로 높여 샘플링한 후 통계적 보정을 가하는 방법으로, 시뮬레이션 시간을 크게 단축시킨다. 또한, 연관된 페이딩을 정확하게 모사하기 위해 클라크 모델이나 재케스 모델과 같은 기하학적 모델을 기반으로 한 필터링 기법(예: 역이산푸리에변환 기법)이 사용된다.

시뮬레이션의 복잡도와 정밀도는 평가 목적에 따라 달라진다. 링크 레벨 시뮬레이션은 변조, 채널 코딩, 등화 등 물리층 신호 처리의 세부 성능을 분석하는 데 집중한다. 반면, 시스템 레벨 시뮬레이션은 다수의 사용자와 셀을 포함한 네트워크 전체의 용량 및 셀 간 간섭과 같은 시스템적 성능을 평가한다. 시스템 레벨 시뮬레이션에서는 링크 레벨 결과를 간소화된 형태(예: LUT)로 매핑하여 연산 부하를 줄이는 것이 일반적이다.

최근에는 시뮬레이션의 실시간성과 정확성을 높이기 위해 하드웨어 인 더 루프 시뮬레이션이 주목받고 있다. 이 방법은 실제 RF 하드웨어나 소프트웨어 정의 무선 장비를 시뮬레이션 루프에 통합하여, 순수 소프트웨어 기반 시뮬레이션으로는 모사하기 어려운 하드웨어 결함과 비선형성을 평가에 포함시킬 수 있다.

실측 데이터 비교는 무선 채널 모델링의 정확성과 실용성을 검증하는 핵심 단계이다. 이 과정에서는 제안된 채널 모델의 출력(예: 수신 신호 세기, 지연 확산, 다중 경로 프로파일)을 실제 무선 환경에서 측정한 데이터와 정량적으로 비교한다. 비교를 통해 모델이 현실의 채널 특성을 얼마나 잘 재현하는지 평가하고, 모델의 파라미터를 보정하거나 모델의 적용 한계를 규정한다.

주요 비교 지표로는 평균 제곱근 오차, 상관 계수, 누적 분포 함수의 일치도 등이 사용된다. 예를 들어, 경로 손실 모델의 경우 실측된 수신 전력과 모델이 예측한 전력 값의 차이를 dB 단위로 분석한다. 채널 페이딩의 통계적 특성(예: 레이리 페이딩의 진폭 분포)은 실측 데이터의 히스토그램과 이론적 확률 밀도 함수를 비교하여 검증한다.

이 비교 과정은 모델의 복잡도와 정확도 사이의 트레이드오프를 평가하는 데도 중요하다. 간소화된 분석적 모델은 실측 데이터와 큰 편차를 보일 수 있으나, 계산 효율성이 높다. 반면, 기하학적 확산 모델이나 실측 기반 모델은 더 정확하지만, 구현에 많은 계산 자원이 필요하다. 따라서 특정 응용 분야(예: 시스템 레벨 시뮬레이션, 링크 예산 설계)에 적합한 모델을 선정하기 위한 근거를 실측 데이터 비교를 통해 마련한다.

이동통신 시스템은 무선 채널 모델링의 가장 대표적인 응용 분야이다. 시스템의 설계, 성능 분석, 네트워크 계획 및 최적화는 모두 정확한 채널 모델에 크게 의존한다. 1세대 아날로그 통신부터 현재의 5G 및 준비 중인 6G에 이르기까지, 각 세대는 해당 주파수 대역과 서비스 요구사항에 맞는 채널 모델의 발전을 필요로 했다.

2G GSM 시스템에서는 주로 레이리 페이딩과 같은 비교적 단순한 페이딩 모델이 사용되었다. 3G WCDMA와 4G LTE로 진화하면서 고속 데이터 전송을 지원하기 위해 다중 경로 채널 모델과 지연 확산을 고려한 보다 정교한 모델이 표준에 도입되었다. 특히 MIMO 채널 모델은 4G 이후 공간 다중화와 다중 안테나 기술의 핵심 기반이 되었다.

5G 시스템에서는 기존의 6GHz 이하 주파수 대역과 함께 밀리미터파 대역을 사용한다. 밀리미터파 채널은 높은 경로 손실과 차단에 취약한 특성을 가지므로, 새로운 채널 모델이 개발되었다[10]. 이러한 모델은 빔포밍 기술의 설계와 평가에 필수적이다. 또한 대규모 MIMO와 같은 기술은 매우 정밀한 공간 채널 모델을 요구한다.

이동통신 시스템에서 채널 모델은 링크 예산 계산, 변조 및 코딩 방식 선택, 핸드오버 알고리즘 설계, 셀 계획 등 광범위한 엔지니어링 결정의 근거를 제공한다. 따라서 표준화 기구인 3GPP는 각 세대에 대해 상세한 채널 모델을 정의하고 지속적으로 개선한다.

무선 LAN 시스템의 설계와 성능 분석은 무선 채널 모델링에 크게 의존한다. 특히 실내 환경은 벽, 가구, 사람의 이동 등에 의해 복잡한 다중 경로 현상이 발생하며, 이는 채널 용량과 데이터 전송률에 직접적인 영향을 미친다. IEEE 802.11 표준군(예: Wi-Fi 4/5/6/6E/7)은 각각 다른 주파수 대역(2.4 GHz, 5 GHz, 6 GHz)과 대역폭을 사용하므로, 해당 환경과 주파수에 맞는 채널 모델이 필요하다.

실내 채널 모델은 일반적으로 경로 손실 지수, 지연 확산, 그리고 레이리 페이딩 또는 라이시안 페이딩과 같은 페이딩 통계로 특징지어진다. 예를 들어, 사무실 환경과 공장 환경은 완전히 다른 채널 응답을 보인다. 이러한 모델은 접속점의 배치, 간섭 관리, 변조 방식 및 오류 정정 부호의 선택을 최적화하는 데 사용된다.

최근 밀리미터파 대역(60 GHz)을 사용하는 IEEE 802.11ad/ay (WiGig)와 같은 표준은 더욱 까다로운 채널 특성을 가진다. 이 대역의 전파는 산란보다 직진성이 강하고 산물에 의해 쉽게 차단되므로, 차단 현상과 반사 경로의 영향을 정확히 모델링하는 것이 중요하다. 또한, 높은 주파수에서의 산란과 투과 손실을 고려한 모델이 사용된다. 이러한 고주파수 채널 모델링은 빔포밍 기술의 효율성을 결정하는 핵심 요소이다.

사물인터넷 네트워크는 저전력 광역 통신, 단거리 통신, 센서 네트워크 등 매우 다양한 통신 환경을 포함합니다. 따라서 무선 채널 모델링은 각 IoT 애플리케이션의 요구사항에 맞는 통신 프로토콜과 시스템 설계의 기초를 제공합니다. 저전력 장치의 배터리 수명 연장과 광범위한 커버리지 확보는 모델링의 핵심 고려사항입니다.

주요 IoT 통신 기술별 채널 모델링 접근법은 다음과 같습니다.

IoT 채널 모델링의 주요 과제는 장치의 저복잡도와 저전력 제약 하에서도 신뢰할 수 있는 연결을 보장하는 모델을 개발하는 것입니다. 특히, 수천 개 이상의 장치가 밀집된 환경에서의 간섭 누적, 실내 깊숙한 위치나 지하에 설치된 센서의 극심한 경로 손실, 그리고 장치의 고정 또는 저속 이동성으로 인한 채널 변화의 저동적 특성을 정확히 반영해야 합니다. 이러한 모델은 MAC 계층 프로토콜 설계와 네트워크 수명 예측에 직접적인 영향을 미칩니다.

밀리미터파와 테라헤르츠 대역은 30GHz 이상의 주파수 스펙트럼을 지칭하며, 특히 5G 및 6G와 같은 차세대 무선 통신 시스템의 핵심 자원으로 주목받고 있다. 이 대역은 기존의 마이크로파 대역에 비해 훨씬 넓은 대역폭을 제공하여 초고속 데이터 전송을 가능하게 하지만, 전파 특성이 근본적으로 달라 새로운 무선 채널 모델링 접근법을 요구한다. 높은 주파수에서의 전파는 산란, 회절, 투과 손실이 크게 증가하며, 대기 흡수와 날씨 조건(예: 비, 안개)의 영향을 매우 민감하게 받는다[14]. 따라서 이 대역의 채널 모델은 이러한 물리적 현상을 정확히 포착해야 한다.

밀리미터파 채널의 가장 두드러진 특징은 높은 경로 손실과 강한 직진파 성분(LOS) 의존성이다. 이를 보상하기 위해 고이득 빔포밍 기술이 필수적으로 적용되며, 이는 채널의 공간적 특성을 더욱 부각시킨다. 결과적으로, 밀리미터파 채널 모델은 기존 모델보다 더 정교한 기하학적 확산 모델을 활용하며, 빌딩, 차량, 심지어 사람의 움직임과 같은 주변 환경의 기하학적 구조와 재질 특성을 세밀하게 반영한다. 테라헤르츠 대역(0.1~10 THz)으로 갈수록 이러한 특성은 더욱 극단적으로 나타나, 표면의 거칠기나 분자 수준의 흡수 현상까지 모델에 포함해야 할 필요성이 대두된다.

이러한 높은 주파수 대역의 채널 모델링은 크게 두 가지 방향으로 발전하고 있다. 첫째는 물리적 기반의 결정론적 모델로, 광선 추적법과 같은 방법을 사용하여 특정 환경에서의 전파 경로를 정밀하게 시뮬레이션한다. 둘째는 광범위한 실측 캠페인을 통해 수집된 데이터를 기반으로 한 확률론적 모델이다. 표준화 기구인 3GPP 채널 모델은 5G NR부터 밀리미터파 대역을 공식적으로 포함시켰으며, 클러스터 기반의 스파스 채널 특성을 정의했다. 최근 연구는 더 높은 주파수로 확장되고 있으며, AI 기반 채널 예측 기술을 활용하여 복잡한 채널 특성을 효율적으로 학습하고 예측하는 방법에 집중하고 있다.

전통적인 무선 채널 모델링은 주로 확률론적 또는 결정론적 접근 방식을 사용하여 채널의 통계적 특성을 근사하는 데 중점을 두었다. 그러나 이러한 모델은 시간에 따라 빠르게 변하는 채널 환경에서의 실시간 예측에는 한계가 있었다. 최근에는 인공지능, 특히 머신러닝과 딥러닝 기술을 활용하여 채널 상태 정보를 실시간으로 예측하고 추정하는 연구가 활발히 진행되고 있다.

AI 기반 채널 예측은 주로 순환 신경망, 장단기 메모리, 합성곱 신경망 등의 신경망 구조를 활용한다. 이러한 모델은 과거의 채널 측정값 또는 관련 파라미터(예: 사용자 위치, 빔 정보)를 입력으로 받아 미래의 채널 응답이나 주요 특성(예: 신호 대 잡음비, 페이딩 계수)을 출력한다. 학습을 통해 모델은 채널의 시간적 상관관계와 공간적 패턴을 스스로 추출하여 예측 정확도를 높인다. 주요 적용 분야로는 빔포밍 성능 향상, 주파수 효율 개선, 핸드오버 결정 최적화 등이 있다.

AI 기반 접근법의 장점과 과제는 다음 표와 같이 정리할 수 있다.

이 분야의 연구는 지도 학습을 통한 직접적인 채널 예측에서, 비지도 학습이나 강화 학습을 이용한 자원 할당 및 빔 관리 최적화로 확장되고 있다. 또한, 메타러닝을 통해 새로운 환경에 빠르게 적응하는 채널 예측 모델 개발도 주목받고 있다. 이러한 기술 발전은 6G 통신 시스템의 핵심 요소로 자리매김할 것으로 전망된다.