GNN-based Resource Allocation and Path Planning for Data Mule Data Retrieval in Extreme Cold Region DTN Environments

온대 기후의 지상 환경과 달리 남극, 북극과 같은 극한지는 기후 및 지형적 특징에 의해 통신이 단절되기 쉬운 환경이다. 이러한 환경에서 데이터 유실 없이 안정적인 전송을 위한 지연/장애 감내 네트워크 기술을 사용하고, 극저온, 강풍, 강설과 크레바스와 같은 극한지 환경을 극복하기 위하여 지상 이동로봇이나 UAV, 드론과 같은 이동 노드를 데이터 운반체로 활용하는 것이 필수적이다. 하지만 극한지의 환경적 특징에 의해 이동 노드를 운용하는 것은 경로 계획 문제와 제한된 자원(에너지, 버퍼) 관리 문제가 동시에 발생한다. 특히, 수십 km의 광활한 영역에 적은 수의 노드가 분포된 환경에서는 강화학습 에이전트가 무작위 탐색만으로는 보상을 얻기 어려운 희소 보상(Sparse Reward) 문제로 인해 초기 학습에 실패하기 쉽다. 본 논문에서는 이를 해결하기 위해 규칙 기반 알고리즘의 주행 데이터를 활용한 사전 학습(Pre-training)과 심층 강화학습(DRL)을 결합한 자원-경로 통합 최적화 프레임워크를 제안한다. 제안 모델은 검증된 경로 계획 패턴을 사전에 학습하여 초기 탐험 효율성을 극대화하고, 그래프 신경망(GNN)을 통해 동적 네트워크 위상에 적응한다. 시뮬레이션 결과, 제안 모델은 기존 기법 대비 초기 학습 안정성을 확보하고 데이터 전송률과 에너지 효율성이 향상됨을 확인할 수 있었다.