A Decision Transformer-Based Scheduling Method for Improving Service Rate in Quantum Networks

Abstract

양자 네트워크는 보안 통신, 분산 양자 컴퓨팅, 고급 양자 기반 서비스 등을 실현하기 위한 핵심 인프라로 주목받고 있다. 그러나 실제 환경에서는 제한된 양자 자원, 짧은 Coherence time, 채널 손실 및 환경적 교란 등으로 인해 안정적인 운용이 어려운 과제에 직면해 있다. 이러한 제약 조건하에서 종단 간 요청 스케줄링의 효율성은 자원 활용도와 네트워크 신뢰성을 좌우하는 핵심 요소이다. 기존 연구들은 주로 충실도와 지연 최적화에 집중하였으나, 현실적인 운용 조건에서 서비스 처리율을 극대화하는 측면은 충분히 다루어지지 않았다. 본 논문에서는 Offline Reinforcement Learning기반의 스케줄링 프레임워크를 제안한다. 제안된 방법은 Decision Transformer와 Graph Attention Network를 결합하여, 요청 도착의 시간적 패턴과 네트워크 토폴로지 구조를 동시에 반영할 수 있도록 설계되었다. NetSquid 시뮬레이션을 통해 5X5 GRID 토폴로지와 46노드 Hefei metropolitan QKD 네트워크를 대상으로 평가한 결과, 제안된 모델은 기존의 Best-FIFO 및 일반적인 Offline Reinforcement Learning 기법인 Conservative Q-Learning 기법 대비 서비스 처리율에서 최대 약 5%, 평균적으로 3%의 향상을 보였다. 동시에 충실도는 0.8~0.9 범위를 안정적으로 유지하며, 지연 시간 또한 기존 방법과 동등한 수준으로 관리되었다. 이러한 결과는 제안된 Graph Attention Network와 결합한 Decision Transformer 기반 스케줄링 기법이 다양한 양자 네트워크 조건에서 효율성과 신뢰성을 균형 있게 달성할 수 있는 실질적인 방법임을 입증한다.