KR102561335B1 - Meta description conversion method for network data analysis and network analysis apparatus using the same - Google Patents

Meta description conversion method for network data analysis and network analysis apparatus using the same Download PDF

Info

Publication number
KR102561335B1
KR102561335B1 KR1020210141124A KR20210141124A KR102561335B1 KR 102561335 B1 KR102561335 B1 KR 102561335B1 KR 1020210141124 A KR1020210141124 A KR 1020210141124A KR 20210141124 A KR20210141124 A KR 20210141124A KR 102561335 B1 KR102561335 B1 KR 102561335B1
Authority
KR
South Korea
Prior art keywords
data
meta description
meta
time
length
Prior art date
Application number
KR1020210141124A
Other languages
Korean (ko)
Other versions
KR20230057105A (en
Inventor
박형곤
정다은
Original Assignee
이화여자대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 이화여자대학교 산학협력단 filed Critical 이화여자대학교 산학협력단
Priority to KR1020210141124A priority Critical patent/KR102561335B1/en
Priority to PCT/KR2022/011580 priority patent/WO2023068503A1/en
Publication of KR20230057105A publication Critical patent/KR20230057105A/en
Application granted granted Critical
Publication of KR102561335B1 publication Critical patent/KR102561335B1/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/02—Capturing of monitoring data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/06—Generation of reports
    • H04L43/067—Generation of reports using time frame reporting
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
    • H04L65/40—Support for services or applications
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/56—Provisioning of proxy services
    • H04L67/561—Adding application-functional data or data for application control, e.g. adding metadata

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Multimedia (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

메타 디스크립션 변환 방법은 원시 데이터에서 시간(Time) 데이터와 길이(Length) 데이터를 추출하는 단계; 상기 시간 데이터와 상기 길이 데이터 각각의 시간 구간 별 정보들을 변환하여 특성별 메타 디스트립션을 생성하는 단계; 상기 시간 데이터와 상기 길이 데이터 간의 관계를 나타내는 정보를 변환하여 특성간 메타 디스트립션을 생성하는 단계; 및 상기 특성별 메타 디스트립션과 상기 특성간 메타 디스트립션을 이용하여 최종 메타 디스트립션을 생성하는 단계를 포함할 수 있다.The meta description conversion method includes extracting time data and length data from raw data; generating a meta description for each characteristic by converting information for each time interval of the time data and the length data; converting information indicating a relationship between the time data and the length data to generate a meta description between characteristics; and generating a final meta description by using the meta description for each characteristic and the meta description between the characteristics.

Figure R1020210141124
Figure R1020210141124

Description

네트워크 데이터 분석을 위한 메타 디스크립션 변환 방법 및 그를 이용한 네트워크 분석 장치{META DESCRIPTION CONVERSION METHOD FOR NETWORK DATA ANALYSIS AND NETWORK ANALYSIS APPARATUS USING THE SAME}META DESCRIPTION CONVERSION METHOD FOR NETWORK DATA ANALYSIS AND NETWORK ANALYSIS APPARATUS USING THE SAME

본 발명은 메타 디스크립션 변환 방법 및 메타 디스크립션 변환 방법을 이용한 네트워크 분석 장치에 관한 것으로, 보다 구체적으로는 원시 데이터에서 시간 데이터와 길이 데이터를 추출하여 메타 디스크립션 변환하는 방법 및 메타 디스크립션 변환한 데이터를 AI/ML의 입력 데이터로 사용하는 장치에 관한 것이다.The present invention relates to a meta description conversion method and a network analysis apparatus using the meta description conversion method, and more specifically, to a method of extracting time data and length data from raw data and converting the meta description, and converting the meta description converted data into an AI / It is about the device used as the input data of ML.

5G가 도입됨에 따라 모바일 디바이스 뿐만 아니라, 자율 주행, 스마트 팩토리, AR/VR 등 다양한 시나리오에 대한 네트워크 서비스의 최적화가 요구되고 있다. With the introduction of 5G, there is a need to optimize network services for various scenarios such as autonomous driving, smart factory, and AR/VR as well as mobile devices.

그에 따라 전체 네트워크 시스템을 통제하기 위해서 AI/ML 알고리즘을 네트워크를 이용한 데이터 분석 기능(Network Data Analytics Function (NWDAF))이 추가되었다. Accordingly, a data analysis function (Network Data Analytics Function (NWDAF)) using AI/ML algorithms was added to control the entire network system.

그러나, 5G 핵심 기능에 다양한 서비스로부터 수집된 데이터 양이 급증함에 따라 데이터 처리 시간이 증가하는 문제(데이터 오버헤드)가 발생하고 있다.However, as the amount of data collected from various services in 5G core functions rapidly increases, data processing time increases (data overhead).

따라서, 네트워크 데이터 분석 과정에서의 데이터 처리 시간을 최소화하는 방법이 요청되고 있다.Accordingly, there is a demand for a method of minimizing data processing time in a network data analysis process.

본 발명은 원시 데이터에서 시간 데이터와 길이 데이터를 추출하여 메타 디스크립션 변환한 데이터를 AI/ML의 입력 데이터로 사용함으로써, 네트워크 데이터 분석 과정에서 발생하는 중복(redundancy)을 최소화하는 방법 및 장치를 제공한다.The present invention provides a method and apparatus for minimizing redundancy occurring in the network data analysis process by extracting time data and length data from raw data and using meta description converted data as input data of AI/ML. .

또한, 본 발명은 시간 데이터와 길이 데이터의 특성별 데이터와 특성 간 데이터를 특성별 메타 디스트립션과 특성간 메타 디스트립션으로 정의함으로써, 시변하는 네트워크 특성을 반영하는 방법 및 장치를 제공한다.In addition, the present invention provides a method and apparatus for reflecting time-varying network characteristics by defining data for each characteristic of time data and length data and data between characteristics as a meta description for each characteristic and a meta description between characteristics.

그리고, 본 발명은 원시 데이터보다 용량이 적으나 네트워크 특성을 포함하는 메타 디스크립션을 이용하여 네트워크 분석을 수행함으로써, NWDAF 데이터 처리 시간을 감소시키는 방법 및 장치를 제공한다.In addition, the present invention provides a method and apparatus for reducing NWDAF data processing time by performing network analysis using a meta description that has a smaller capacity than raw data but includes network characteristics.

본 발명의 일실시예에 따른 메타 디스크립션 변환 방법은 원시 데이터에서 시간(Time) 데이터와 길이(Length) 데이터를 추출하는 단계; 상기 시간 데이터와 상기 길이 데이터 각각의 시간 구간 별 정보들을 변환하여 특성별 메타 디스트립션을 생성하는 단계; 상기 시간 데이터와 상기 길이 데이터 간의 관계를 나타내는 정보를 변환하여 특성간 메타 디스트립션을 생성하는 단계; 및 상기 특성별 메타 디스트립션과 상기 특성간 메타 디스트립션을 이용하여 최종 메타 디스트립션을 생성하는 단계를 포함할 수 있다.A meta description conversion method according to an embodiment of the present invention includes extracting time data and length data from raw data; generating a meta description for each characteristic by converting information for each time interval of the time data and the length data; converting information indicating a relationship between the time data and the length data to generate a meta description between characteristics; and generating a final meta description by using the meta description for each characteristic and the meta description between the characteristics.

본 발명의 일실시예에 따른 메타 디스크립션 변환 방법의 상기 시간 데이터는, 상기 원시 데이터가 입력된 시간을 나타내는 데이터이고, 상기 길이 데이터는, 상기 원시 데이터가 포함된 패킷의 길이를 나타내는 데이터일 수 있다.The time data of the meta description conversion method according to an embodiment of the present invention may be data representing the input time of the raw data, and the length data may be data representing the length of a packet including the raw data. .

본 발명의 일실시예에 따른 메타 디스크립션 변환 방법의 상기 특성별 메타 디스트립션을 생성하는 단계는, 상기 시간 데이터에 대한 통계 데이터를 고속 푸리에 변환 계수의 주파수 데이터로 변환하여 제1 주파수 데이터를 생성하는 단계; 상기 길이 데이터에 대한 통계 데이터를 고속 푸리에 변환 계수의 주파수 데이터로 변환하여 제2 주파수 데이터를 생성하는 단계; 및 상기 제1 주파수 데이터와 상기 제2 주파수 데이터를 결합하여 상기 특성별 메타 디스트립션을 생성하는 단계를 포함할 수 있다.In the step of generating the meta description for each characteristic of the meta description transformation method according to an embodiment of the present invention, first frequency data is generated by converting statistical data about the time data into frequency data of fast Fourier transform coefficients. doing; generating second frequency data by transforming statistical data of the length data into frequency data of fast Fourier transform coefficients; and generating a meta description for each characteristic by combining the first frequency data and the second frequency data.

본 발명의 일실시예에 따른 메타 디스크립션 변환 방법의 상기 특성간 메타 디스트립션은, 상기 시간 데이터와 상기 길이 데이터 간의 통계 및 엔트로피 관계성을 나타내는 데이터들을 포함할 수 있다.The meta description between the characteristics of the meta description conversion method according to an embodiment of the present invention may include data representing statistical and entropic relationships between the time data and the length data.

본 발명의 일실시예에 따른 메타 디스크립션 변환 방법의 상기 특성간 메타 디스트립션은, 상기 시간 데이터와 상기 길이 데이터 간의 내적, 상관 관계, 피어슨 상관 계수의 P값, 상호 데이터값 중 적어도 하나를 포함할 수 있다.The meta description between the characteristics of the meta description conversion method according to an embodiment of the present invention includes at least one of a dot product between the time data and the length data, a correlation, a P value of Pearson's correlation coefficient, and a mutual data value. can do.

본 발명의 일실시예에 따른 메타 디스크립션 변환 방법의 상기 원시 데이터는, 상기 사용자가 네트워크에 서비스를 요청하는 과정에서 생성된 데이터이고, 상기 최종 메타 디스트립션은, 네트워크 분석 장치의 AI/ML(Artificial Intelligence/ Machine Learning)에 입력되어 상기 사용자가 사용 중인 서비스를 분류하고, 분류 결과에 따른 NWDAF(Network Data Analytics Function) 정책을 결정하기 위하여 사용될 수 있다.The raw data of the meta description conversion method according to an embodiment of the present invention is data generated in the process of the user requesting a service from the network, and the final meta description is AI/ML of the network analysis device ( Artificial Intelligence/Machine Learning), it can be used to classify the service being used by the user, and to determine a NWDAF (Network Data Analytics Function) policy according to the classification result.

본 발명의 일실시예에 따른 네트워크 데이터 분석 방법은 사용자가 네트워크에 서비스를 요청하는 과정에서 생성된 원시 데이터를 수신하는 단계; 상기 원시 데이터에서 시간(Time) 데이터와 길이(Length) 데이터를 추출하여 특성별 메타 디스트립션 및 특성간 메타 디스트립션을 생성하고, 상기 특성별 메타 디스트립션과 상기 특성간 메타 디스트립션을 이용하여 최종 메타 디스트립션을 생성하는 단계; 및 상기 최종 메타 디스트립션을 기초로 상기 사용자가 사용 중인 서비스를 분류하고, 분류 결과에 따른 NWDAF 정책을 결정하는 단계를 포함할 수 있다.A network data analysis method according to an embodiment of the present invention includes receiving raw data generated in a process in which a user requests a service from a network; Time data and length data are extracted from the raw data to generate a meta description for each characteristic and a meta breakdown between the characteristics, and a meta description for each characteristic and a meta description between the characteristics Generating a final meta description using and classifying a service being used by the user based on the final meta description and determining an NWDAF policy according to a result of the classification.

본 발명의 일실시예에 따른 네트워크 데이터 분석 방법의 상기 특성별 메타 디스트립션은, 상기 시간 데이터에 대한 통계 데이터를 고속 푸리에 변환 계수의 주파수 데이터로 변환한 제1 주파수 데이터와 상기 길이 데이터에 대한 통계 데이터를 고속 푸리에 변환 계수의 주파수 데이터로 변환한 제2 주파수 데이터를 결합하여 생성될 수 있다.The meta description for each characteristic of the network data analysis method according to an embodiment of the present invention includes first frequency data obtained by converting statistical data for the time data into frequency data of fast Fourier transform coefficients and first frequency data for the length data. It may be generated by combining second frequency data obtained by transforming statistical data into frequency data of fast Fourier transform coefficients.

본 발명의 일실시예에 따른 네트워크 데이터 분석 방법의 상기 특성간 메타 디스트립션은, 상기 시간 데이터와 상기 길이 데이터 간의 통계 및 엔트로피 관계성을 나타내는 데이터들을 포함할 수 있다.The meta description between the characteristics of the network data analysis method according to an embodiment of the present invention may include data representing statistical and entropic relationships between the time data and the length data.

본 발명의 일실시예에 따른 네트워크 데이터 분석 장치는 사용자가 네트워크에 서비스를 요청하는 과정에서 생성된 원시 데이터를 수신하는 통신기; 상기 원시 데이터에서 시간(Time) 데이터와 길이(Length) 데이터를 추출하여 특성별 메타 디스트립션 및 특성간 메타 디스트립션을 생성하고, 상기 특성별 메타 디스트립션과 상기 특성간 메타 디스트립션을 이용하여 최종 메타 디스트립션을 생성하는 메타 디스크립션 변환부; 및 상기 최종 메타 디스트립션을 기초로 상기 사용자가 사용 중인 서비스를 분류하고, 분류 결과에 따른 NWDAF 정책을 결정하는 데이터 처리부를 포함할 수 있다.An apparatus for analyzing network data according to an embodiment of the present invention includes a communicator for receiving raw data generated in a process in which a user requests a service from a network; Time data and length data are extracted from the raw data to generate a meta description for each characteristic and a meta breakdown between the characteristics, and a meta description for each characteristic and a meta description between the characteristics a meta description conversion unit generating a final meta description by using; and a data processing unit that classifies the service being used by the user based on the final meta description and determines an NWDAF policy according to a result of the classification.

본 발명의 일실시예에 따른 네트워크 데이터 분석 장치의 상기 특성별 메타 디스트립션은, 상기 시간 데이터에 대한 통계 데이터를 고속 푸리에 변환 계수의 주파수 데이터로 변환한 제1 주파수 데이터와 상기 길이 데이터에 대한 통계 데이터를 고속 푸리에 변환 계수의 주파수 데이터로 변환한 제2 주파수 데이터를 결합하여 생성될 수 있다.The meta description for each characteristic of the network data analysis apparatus according to an embodiment of the present invention includes first frequency data obtained by converting statistical data of the time data into frequency data of fast Fourier transform coefficients and first frequency data of the length data. It may be generated by combining second frequency data obtained by transforming statistical data into frequency data of fast Fourier transform coefficients.

본 발명의 일실시예에 따른 네트워크 데이터 분석 장치의 상기 특성간 메타 디스트립션은, 상기 시간 데이터와 상기 길이 데이터 간의 통계 및 엔트로피 관계성을 나타내는 데이터들을 포함할 수 있다.The meta description between the characteristics of the apparatus for analyzing network data according to an embodiment of the present invention may include data representing statistical and entropic relationships between the time data and the length data.

본 발명의 일실시예에 의하면, 원시 데이터에서 시간 데이터와 길이 데이터를 추출하여 메타 디스크립션 변환한 데이터를 AI/ML의 입력 데이터로 사용함으로써, 네트워크 데이터 분석 과정에서 발생하는 중복(redundancy)을 최소화할 수 있다.According to an embodiment of the present invention, data obtained by extracting time data and length data from raw data and converting the meta description is used as input data of AI/ML, thereby minimizing redundancy occurring in the network data analysis process. can

또한, 본 발명의 일실시예에 의하면, 시간 데이터와 길이 데이터의 특성별 데이터와 특성 간 데이터를 특성별 메타 디스트립션과 특성간 메타 디스트립션으로 정의함으로써, 시변하는 네트워크 특성을 반영할 수 있다.In addition, according to an embodiment of the present invention, time-varying network characteristics can be reflected by defining data for each characteristic of time data and length data and data between characteristics as a meta description for each characteristic and a meta description between characteristics. there is.

그리고, 본 발명의 일실시예에 의하면, 원시 데이터보다 용량이 적으나 네트워크 특성을 포함하는 메타 디스크립션을 이용하여 네트워크 분석을 수행함으로써, NWDAF 데이터 처리 시간을 감소시킬 수 있다.Further, according to an embodiment of the present invention, NWDAF data processing time can be reduced by performing network analysis using a meta description that has a smaller capacity than raw data but includes network characteristics.

도 1은 본 발명의 일실시예에 따른 네트워크 분석 장치를 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 네트워크 분석 장치가 포함된 서비스 시스템의 동작을 도시한 도면이다.
도 3은 본 발명의 일실시예에 따른 메타 디스크립션 변환의 개요이다.
도 4는 본 발명의 일실시예에 따른 원시 데이터의 일례이다.
도 5는 본 발명의 일실시예에 따라 원시 데이터에서 시간 데이터 및 길이 데이터를 추출하는 과정의 일례이다.
도 6은 본 발명의 일실시예에 따라 특성별 메타 디스트립션을 생성하는 과정의 일례이다.
도 7은 본 발명의 일실시예에 따라 특성간 메타 디스트립션을 생성하는 과정의 일례이다.
도 8은 본 발명의 일실시예에 따른 메타 디스크립션 변환 방법을 도시한 플로우차트이다.1 is a diagram illustrating a network analysis apparatus according to an embodiment of the present invention.
2 is a diagram illustrating the operation of a service system including a network analysis device according to an embodiment of the present invention.
3 is an overview of meta description transformation according to one embodiment of the present invention.
4 is an example of raw data according to an embodiment of the present invention.
5 is an example of a process of extracting time data and length data from raw data according to an embodiment of the present invention.
6 is an example of a process of generating a meta description for each characteristic according to an embodiment of the present invention.
7 is an example of a process of generating a meta description between characteristics according to an embodiment of the present invention.
8 is a flowchart illustrating a meta description conversion method according to an embodiment of the present invention.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.Hereinafter, embodiments will be described in detail with reference to the accompanying drawings. However, since various changes can be made to the embodiments, the scope of the patent application is not limited or limited by these embodiments. It should be understood that all changes, equivalents or substitutes to the embodiments are included within the scope of rights.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.Terms used in the examples are used only for descriptive purposes and should not be construed as limiting. Singular expressions include plural expressions unless the context clearly dictates otherwise. In this specification, terms such as "include" or "have" are intended to designate that there is a feature, number, step, operation, component, part, or combination thereof described in the specification, but one or more other features It should be understood that the presence or addition of numbers, steps, operations, components, parts, or combinations thereof is not precluded.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.In addition, in the description with reference to the accompanying drawings, the same reference numerals are given to the same components regardless of reference numerals, and overlapping descriptions thereof will be omitted. In describing the embodiment, if it is determined that a detailed description of a related known technology may unnecessarily obscure the gist of the embodiment, the detailed description will be omitted.

이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다. Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 일실시예에 따른 네트워크 분석 장치를 도시한 도면이다.1 is a diagram illustrating a network analysis apparatus according to an embodiment of the present invention.

네트워크 분석 장치(100)는 도 1에 도시된 바와 같이 통신기(110), 메타 디스크립션 변환부(120), 및 데이터 처리부(130)를 포함할 수 있다. 이때, 메타 디스크립션 변환부(120), 및 데이터 처리부(130)는 서로 다른 프로세서, 또는 하나의 프로세서에서 수행되는 프로그램에 포함된 각각의 모듈일 수 있다. 예를 들어, 네트워크 분석 장치(100)는 NWDAF(Network Data Analytics Function)일 수 있다.As shown in FIG. 1 , the network analysis device 100 may include a communicator 110 , a meta description conversion unit 120 , and a data processing unit 130 . In this case, the meta description conversion unit 120 and the data processing unit 130 may be different processors or respective modules included in a program executed in one processor. For example, the network analysis device 100 may be a Network Data Analytics Function (NWDAF).

통신기(110)는 사용자가 네트워크에 서비스를 요청하는 과정에서 생성된 원시 데이터를 수신할 수 있다.The communicator 110 may receive raw data generated during a process in which a user requests a service from a network.

메타 디스크립션 변환부(120)는 통신기(110)가 수신한 원시 데이터에서 시간(Time) 데이터와 길이(Length) 데이터를 추출할 수 있다. 이때, 시간 데이터는 원시 데이터가 사용자로부터 네트워크에 입력된 시간, 또는 사용자의 입력에 따라 원시 데이터가 생성된 시간을 나타내는 데이터일 수 있다. 또한, 길이 데이터는 원시 데이터가 포함된 패킷의 길이를 나타내는 데이터일 수 있다.The meta description conversion unit 120 may extract time data and length data from raw data received by the communicator 110 . In this case, the time data may be data indicating a time when raw data is input to the network from a user or a time when raw data is generated according to a user's input. Also, the length data may be data representing the length of a packet including raw data.

다음으로, 메타 디스크립션 변환부(120)는 시간 데이터와 길이 데이터 각각의 시간 구간 별 정보들을 변환하여 특성별 메타 디스트립션을 생성할 수 있다. 구체적으로, 메타 디스크립션 변환부(120)는 시간 데이터에 대한 통계 데이터를 고속 푸리에 변환 계수의 주파수 데이터로 변환하여 제1 주파수 데이터를 생성할 수 있다. 다음으로, 메타 디스크립션 변환부(120)는 길이 데이터에 대한 통계 데이터를 고속 푸리에 변환 계수의 주파수 데이터로 변환하여 제2 주파수 데이터를 생성할 수 있다. 그리고, 메타 디스크립션 변환부(120)는 제1 주파수 데이터와 제2 주파수 데이터를 결합하여 특성별 메타 디스트립션을 생성할 수 있다.Next, the meta description converter 120 may convert information for each time interval of time data and length data to generate a meta description for each characteristic. Specifically, the meta description transform unit 120 may generate first frequency data by transforming statistical data of time data into frequency data of fast Fourier transform coefficients. Next, the meta description transform unit 120 may generate second frequency data by transforming statistical data about length data into frequency data of fast Fourier transform coefficients. In addition, the meta description converter 120 may generate a meta description for each characteristic by combining the first frequency data and the second frequency data.

그 다음으로, 메타 디스크립션 변환부(120)는 시간 데이터와 길이 데이터 간의 관계를 나타내는 정보를 변환하여 특성간 메타 디스트립션을 생성할 수 있다. 이때, 특성간 메타 디스트립션은,시간 데이터와 길이 데이터 간의 통계 및 엔트로피 관계성을 나타내는 데이터들을 포함할 수 있다. 예를 들어, 특성간 메타 디스트립션은, 시간 데이터와 길이 데이터 간의 내적, 상관 관계, 피어슨 상관 계수의 P값, 상호 데이터값 중 적어도 하나를 포함할 수 있다.Next, the meta description conversion unit 120 may generate a meta description between characteristics by converting information indicating a relationship between time data and length data. In this case, the meta separation between characteristics may include data representing statistical and entropic relationships between time data and length data. For example, the meta description between features may include at least one of a dot product between time data and length data, a correlation, a P value of a Pearson's correlation coefficient, and a mutual data value.

다음으로, 메타 디스크립션 변환부(120)는 특성별 메타 디스트립션과 특성간 메타 디스트립션을 이용하여 최종 메타 디스트립션을 생성할 수 있다.Next, the meta description conversion unit 120 may generate a final meta description by using a meta description for each characteristic and a meta description between characteristics.

데이터 처리부(130)는 최종 메타 디스트립션을 기초로 사용자가 사용 중인 서비스를 분류하고, 분류 결과에 따른 NWDAF 정책을 결정할 수 있다. 이때, 데이터 처리부(130)는 네트워크 분석 장치의 AI/ML(Artificial Intelligence/ Machine Learning)에 최종 메타 디스트립션을 입력하여 사용자가 사용중인 서비스를 분류할 수 있다.The data processing unit 130 may classify the service being used by the user based on the final meta description and determine the NWDAF policy according to the classification result. At this time, the data processing unit 130 may classify the service being used by the user by inputting the final meta description to AI/ML (Artificial Intelligence/Machine Learning) of the network analysis device.

네트워크 데이터 분석 장치(100)는 원시 데이터에서 시간 데이터와 길이 데이터를 추출하여 메타 디스크립션 변환한 데이터를 AI/ML의 입력 데이터로 사용함으로써, 네트워크 데이터 분석 과정에서 발생하는 중복(redundancy)을 최소화할 수 있다.The network data analysis device 100 extracts time data and length data from raw data and uses the meta description-converted data as input data for AI/ML, thereby minimizing redundancy occurring in the network data analysis process. there is.

또한, 네트워크 데이터 분석 장치(100)는 시간 데이터와 길이 데이터의 특성별 데이터와 특성 간 데이터를 특성별 메타 디스트립션과 특성간 메타 디스트립션으로 정의함으로써, 시변하는 네트워크 특성을 반영할 수 있다.In addition, the network data analysis apparatus 100 may reflect the time-varying network characteristics by defining data for each characteristic of time data and length data and data between characteristics as a meta description for each characteristic and a meta description between characteristics. .

그리고, 네트워크 데이터 분석 장치(100)는 원시 데이터보다 용량이 적으나 네트워크 특성을 포함하는 메타 디스크립션을 이용하여 네트워크 분석을 수행함으로써, NWDAF 데이터 처리 시간을 감소시킬 수 있다.In addition, the network data analysis device 100 may reduce NWDAF data processing time by performing network analysis using a meta description that has a smaller capacity than raw data but includes network characteristics.

도 2는 본 발명의 일실시예에 따른 네트워크 분석 장치가 포함된 서비스 시스템의 동작을 도시한 도면이다.2 is a diagram illustrating the operation of a service system including a network analysis device according to an embodiment of the present invention.

5G 코어 네트워크 아키텍처 중 네트워크 데이터 분석 장치(100)는 사용자 경험 만족도를 향상시키기 위해 서비스 종류를 구분하여 네트워크 망 최적화를 수행할 수 있다.Among the 5G core network architectures, the network data analysis device 100 may perform network optimization by classifying service types in order to improve user experience satisfaction.

사용자(201)가 특성 서비스 요청(210)을 하는 경우, 콘텐츠가 저장된 서버(202)는 사용자(201)로부터 요청된 콘텐츠를 사용자에게 전송(250)할 수 있다. When the user 201 makes a request 210 for a feature service, the server 202 storing the content may transmit 250 the content requested from the user 201 to the user.

이때, 네트워크 데이터 분석 장치(100)의 메타 디스크립션 변환부(120)는 사용자가 요구하며 생성된 원시 데이터를 메타 디스크립션으로 변환할 수 있다. 그리고, 데이터 처리부(130)는 원시 데이터를 메타 디스크립션으로 변환한 결과(230)인 최종 메타 디스트립션을 AI/ML에 입력하여 사용자가 사용중인 서비스를 분류할 수 있다.At this time, the meta description conversion unit 120 of the network data analysis device 100 may convert the generated raw data requested by the user into a meta description. In addition, the data processing unit 130 may classify the service being used by the user by inputting the final meta description, which is the result 230 of converting the raw data into the meta description, into AI/ML.

도 3은 본 발명의 일실시예에 따른 메타 디스크립션 변환의 개요이다.3 is an overview of meta description transformation according to one embodiment of the present invention.

메타 디스크립션 변환부(120)는 원시 데이터(310)로부터 일부의 데이터(321)를 추출할 수 있다. 이때, 메타 디스크립션 변환부(120)가 원시 데이터(310)로부터 추출한 데이터는 시간 데이터 및 길이 데이터일 수 있다.The meta description conversion unit 120 may extract some data 321 from the original data 310 . At this time, the data extracted from the raw data 310 by the meta description conversion unit 120 is time data. and length data can be

다음으로, 메타 디스크립션 변환부(120)는 추출한 데이터(321)로부터 특성별 메타 디스크립션 TE(322) 및 특성간 메타 디스크립션 TI(323)을 생성할 수 있다.Next, the meta description conversion unit 120 may generate a meta description T E 322 for each characteristic and a meta description T I 323 between characteristics from the extracted data 321 .

그 다음으로, 메타 디스크립션 변환부(120)는 특성별 메타 디스크립션 TE(322) 및 특성간 메타 디스크립션 TI(323)을 결합하여 최종 메타 디스크립션 Fi(324)를 생성할 수 있다. 이때, 최종 메타 디스크립션 Fi(324)은 원시 데이터(310)이 비해 데이터량이 로 감소하고, 데이터 특성의 개수는 2개에서 메타 디스크립션 특성 수만큼 증가한 형태일 수 있다.Next, the meta description conversion unit 120 may generate a final meta description F i 324 by combining the meta description T E 322 for each characteristic and the meta description T I 323 between characteristics. At this time, the final meta description F i (324) has a data amount compared to the raw data (310). , and the number of data characteristics may increase from two to the number of meta description characteristics.

즉, 최종 메타 디스크립션 Fi(324)은 원시 데이터(310)의 특성을 포함하면서 데이터량을 감소시킨 데이터일 수 있다. 따라서, 최종 메타 디스크립션 Fi(324)을 AI/ML의 입력 데이터로 사용하는 네트워크 데이터 분석 장치(100)는 원시 데이터(310)을 AI/ML의 입력 데이터로 사용하는 종래의 NWDAF에 비하여 알고리즘 계산 복잡도를 줄이면서 정확도를 높여 NWDAF의 처리 능력을 향상시킬 수 있다.That is, the final meta description F i 324 may be data obtained by reducing the amount of data while including the characteristics of the raw data 310 . Therefore, the network data analysis apparatus 100 using the final meta description F i (324) as input data of AI/ML calculates the algorithm compared to the conventional NWDAF using raw data 310 as input data of AI/ML. The processing power of NWDAF can be improved by increasing accuracy while reducing complexity.

도 4는 본 발명의 일실시예에 따른 원시 데이터의 일례이다.4 is an example of raw data according to an embodiment of the present invention.

원시 데이터(410)는 도 4에 도시된 바와 같이 일반적인 데이터 패킷 데이터 형태이며, No.(데이터가 들어온 순서), Time(데이터 들어온 시간), Source(소스 IP), 패킷 길이 Length, Destination(목적 IP), Protocol (패킷의 프로토콜 종류), Info(정보) 부분으로 수집할 수 있다.The raw data 410 is in the form of general data packet data as shown in FIG. 4, No. (order of data arrival), Time (time of data arrival), Source (source IP), packet length Length, Destination (destination IP ), Protocol (protocol type of packet), and Info (information).

그리고, 메타 디스크립션 변환부(120)는 원시 데이터(410)로부터 시간 데이터 및 길이 데이터를 추출하여 최종 메타 디스크립션 Fi(420)를 생성함으로써, 원시 데이터(410)의 특성을 포함하면서 데이터량을 감소시킨 데이터를 AI/ML의 입력 데이터로 사용할 수 있다. In addition, the meta description converter 120 extracts time data and length data from the raw data 410 to generate the final meta description F i 420, thereby reducing the amount of data while including the characteristics of the raw data 410. The data obtained can be used as input data for AI/ML.

도 5는 본 발명의 일실시예에 따라 원시 데이터에서 시간 데이터 및 길이 데이터를 추출하는 과정의 일례이다.5 is an example of a process of extracting time data and length data from raw data according to an embodiment of the present invention.

메타 디스크립션 변환부(120)는 도 5에 도시된 바와 같이 윈도우 사이즈 크기인 W로 원시 데이터(310)를 분할할 수 있다. 예를 들어, 분할된 원시 데이터(520)는 도 5에 도시된 바와 같은 그림 형태(510)로 표시될 수 있다.As shown in FIG. 5 , the meta description conversion unit 120 may divide the raw data 310 into W, which is the window size. For example, the divided raw data 520 may be displayed in a picture form 510 as shown in FIG. 5 .

이때, W는 하나의 메타 디스크립션 변환이 수행되는 단위일 수 있다. 도 5는 W가 10일 때 실제 메타 디스크립션 변환 데이터 형태이며, 시간 데이터와 길이 데이터의 순차적 10개 데이터가 하나의 최종 메타 디스크립션 Fi로 변환될 수 있다.In this case, W may be a unit in which one meta description conversion is performed. 5 is an actual meta description conversion data format when W is 10, and 10 sequential data of time data and length data can be converted into one final meta description Fi .

그리고, 메타 디스크립션 변환부(120)는 분할된 원시 데이터(520)들 각각에서 시간 데이터 및 길이 데이터 를 추출할 수 있다.In addition, the meta description conversion unit 120 performs time data and length data in each of the divided raw data 520. can be extracted.

원시 데이터(310)가 클래스 i 데이터 Xi 로 구성된 경우, 도 5에 도시된 바와 같이 W 단위로 분할한 첫번째 데이터 단위를 로 표시될 수 있다. 또한, Xi의 데이터 길이가 Ti인 경우, 원시 데이터(310)는 개의 원시 데이터(520)들로 분할될 수 있다. 이때, Xi 열은 서로 다른 Nf 개 특성으로 분할되므로, 원시 데이터(520)들은 각각 Nf 개 특성 별 메타 디스크립션을 획득할 수 있다.When the raw data 310 is composed of class i data X i , as shown in FIG. 5, the first data unit divided into W units is can be displayed as In addition, when the data length of X i is T i , raw data 310 is It can be divided into two raw data (520). At this time, since the X i column is divided into N f different characteristics, each of the raw data 520 may obtain a meta description for each N f characteristic.

도 6은 본 발명의 일실시예에 따라 특성별 메타 디스트립션을 생성하는 과정의 일례이다.6 is an example of a process of generating a meta description for each characteristic according to an embodiment of the present invention.

메타 디스크립션 변환부(120)는 원시 데이터(310)로부터 추출한 데이터(321)에 포함된 시간 데이터(610)를 정규화한 후 메타 디스크립션 변환을 수행할 수 있다. 이때, 메타 디스크립션 변환부(120)는 시간 데이터(610)에 대한 통계 데이터를 고속 푸리에 변환(Fast Fourier transform) 계수의 주파수 데이터로 변환하여 제1 주파수 데이터(611)를 생성할 수 있다. 예를 들어, 통계 데이터는 시간 데이터(610)의 Skewness, Kurtosis, Standard Error 중 적어도 하나를 포함할 수 있다.The meta description conversion unit 120 is the time data included in the data 321 extracted from the raw data 310 After normalizing (610), meta description transformation can be performed. At this time, the meta description conversion unit 120 converts the time data First frequency data 611 may be generated by transforming statistical data of 610 into frequency data of Fast Fourier transform coefficients. For example, statistical data is temporal data. It may include at least one of Skewness, Kurtosis, and Standard Error of (610).

또한, 메타 디스크립션 변환부(120)는 길이 데이터(620)에 대한 통계 데이터를 고속 푸리에 변환 계수의 주파수 데이터로 변환하여 제2 주파수 데이터(621)를 생성할 수 있다. 예를 들어, 통계 데이터는 길이 데이터(620)의 Skewness, Kurtosis, Standard Error 중 적어도 하나를 포함할 수 있다.In addition, the meta description conversion unit 120 provides length data The second frequency data 621 may be generated by transforming the statistical data of 620 into frequency data of fast Fourier transform coefficients. For example, statistical data is length data. It may include at least one of Skewness, Kurtosis, and Standard Error of (620).

그리고, 메타 디스크립션 변환부(120)는 제1 주파수 데이터(611)와 제2 주파수 데이터(621)를 결합하여 특성별 메타 디스트립션(322)을 생성할 수 있다. 즉, 특성별 메타 디스트립션(322)는 제1 주파수 데이터(611)와 제2 주파수 데이터(621)를 연결한 벡터 이며, 시간 데이터와 길이 데이터의 해당 시간 구간에 따른 정보를 각각 포함할 수 있다.In addition, the meta description converter 120 may combine the first frequency data 611 and the second frequency data 621 to generate a meta description 322 for each characteristic. That is, the meta description 322 for each characteristic is a vector obtained by connecting the first frequency data 611 and the second frequency data 621. , and may include information according to corresponding time intervals of time data and length data, respectively.

도 7은 본 발명의 일실시예에 따라 특성간 메타 디스트립션을 생성하는 과정의 일례이다.7 is an example of a process of generating a meta description between characteristics according to an embodiment of the present invention.

메타 디스크립션 변환부(120)는 시간 데이터와 길이 데이터 간의 관계를 나타내는 정보를 변환하여 특성간 메타 디스트립션을 생성할 수 있다. 이때, 특성간 메타 디스트립션은, 시간 데이터와 길이 데이터 간의 통계 및 엔트로피 관계성을 나타내는 데이터들을 포함할 수 있다. 예를 들어, 특성간 메타 디스트립션은, 시간 데이터와 길이 데이터 간의 내적, 상관 관계, 피어슨 상관 계수의 P값, 상호 데이터값으로 구성된 벡터 일 수 있다. The meta description conversion unit 120 may generate a meta description between characteristics by converting information indicating a relationship between time data and length data. In this case, the meta description between characteristics may include data representing statistical and entropic relationships between time data and length data. For example, the meta-dissection between features is a dot product between time data and length data, a correlation, a P value of Pearson's correlation coefficient, and a vector composed of mutual data values. can be

도 8은 본 발명의 일실시예에 따른 메타 디스크립션 변환 방법을 도시한 플로우차트이다.8 is a flowchart illustrating a meta description conversion method according to an embodiment of the present invention.

단계(810)에서 메타 디스크립션 변환부(120)는 통신기(110)가 수신한 원시 데이터에서 시간(Time) 데이터와 길이(Length) 데이터를 추출할 수 있다. 이때, 시간 데이터는 원시 데이터가 사용자로부터 네트워크에 입력된 시간, 또는 사용자의 입력에 따라 원시 데이터가 생성된 시간을 나타내는 데이터일 수 있다. 또한, 길이 데이터는 원시 데이터가 포함된 패킷의 길이를 나타내는 데이터일 수 있다.In step 810, the meta description converter 120 may extract time data and length data from raw data received by the communicator 110. In this case, the time data may be data indicating a time when raw data is input to the network from a user or a time when raw data is generated according to a user's input. Also, the length data may be data representing the length of a packet including raw data.

단계(820)에서 메타 디스크립션 변환부(120)는 단계(810)에서 추출한 시간 데이터와 길이 데이터 각각의 시간 구간 별 정보들을 변환하여 특성별 메타 디스트립션을 생성할 수 있다. 구체적으로, 메타 디스크립션 변환부(120)는 시간 데이터에 대한 통계 데이터를 고속 푸리에 변환 계수의 주파수 데이터로 변환하여 제1 주파수 데이터를 생성할 수 있다. 다음으로, 메타 디스크립션 변환부(120)는 길이 데이터에 대한 통계 데이터를 고속 푸리에 변환 계수의 주파수 데이터로 변환하여 제2 주파수 데이터를 생성할 수 있다. 그리고, 메타 디스크립션 변환부(120)는 제1 주파수 데이터와 제2 주파수 데이터를 결합하여 특성별 메타 디스트립션을 생성할 수 있다.In step 820, the meta description converter 120 may generate a meta description for each characteristic by converting information for each time interval of the time data and length data extracted in step 810. Specifically, the meta description transform unit 120 may generate first frequency data by transforming statistical data of time data into frequency data of fast Fourier transform coefficients. Next, the meta description transform unit 120 may generate second frequency data by transforming statistical data about length data into frequency data of fast Fourier transform coefficients. In addition, the meta description converter 120 may generate a meta description for each characteristic by combining the first frequency data and the second frequency data.

단계(830)에서 메타 디스크립션 변환부(120)는 단계(810)에서 추출한 시간 데이터와 길이 데이터 간의 관계를 나타내는 정보를 변환하여 특성간 메타 디스트립션을 생성할 수 있다. 이때, 특성간 메타 디스트립션은,시간 데이터와 길이 데이터 간의 통계 및 엔트로피 관계성을 나타내는 데이터들을 포함할 수 있다. In step 830, the meta description conversion unit 120 may generate a meta description between characteristics by converting information indicating a relationship between time data and length data extracted in step 810. In this case, the meta separation between characteristics may include data representing statistical and entropic relationships between time data and length data.

단계(840)에서 메타 디스크립션 변환부(120)는 특성별 메타 디스트립션과 특성간 메타 디스트립션을 이용하여 최종 메타 디스트립션을 생성할 수 있다. 이때, 데이터 처리부(130)는 최종 메타 디스트립션을 기초로 사용자가 사용 중인 서비스를 분류하고, 분류 결과에 따른 NWDAF(Network Data Analytics Function) 정책을 결정할 수 있다. In step 840, the meta description conversion unit 120 may generate a final meta description by using a meta description for each characteristic and a meta description between characteristics. In this case, the data processing unit 130 may classify the service being used by the user based on the final meta description and determine a Network Data Analytics Function (NWDAF) policy according to the classification result.

본 발명은 원시 데이터에서 시간 데이터와 길이 데이터를 추출하여 메타 디스크립션 변환한 데이터를 AI/ML의 입력 데이터로 사용함으로써, 네트워크 데이터 분석 과정에서 발생하는 중복(redundancy)을 최소화할 수 있다.The present invention can minimize redundancy occurring in the network data analysis process by extracting time data and length data from raw data and using meta description-converted data as input data for AI/ML.

또한, 본 발명은 시간 데이터와 길이 데이터의 특성별 데이터와 특성 간 데이터를 특성별 메타 디스트립션과 특성간 메타 디스트립션으로 정의함으로써, 시변하는 네트워크 특성을 반영할 수 있다.In addition, the present invention may reflect time-varying network characteristics by defining data for each characteristic of time data and length data and data between characteristics as a meta description for each characteristic and a meta description between characteristics.

그리고, 본 발명은 원시 데이터보다 용량이 적으나 네트워크 특성을 포함하는 메타 디스크립션을 이용하여 네트워크 분석을 수행함으로써, NWDAF 데이터 처리 시간을 감소시킬 수 있다.In addition, the present invention can reduce NWDAF data processing time by performing network analysis using a meta description that has a smaller capacity than raw data but includes network characteristics.

한편, 본 발명에 따른 메타 디스크립션 변환 장치 또는 메타 디스크립션 변환 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성되어 마그네틱 저장매체, 광학적 판독매체, 디지털 저장매체 등 다양한 기록 매체로도 구현될 수 있다.Meanwhile, the meta description conversion device or meta description conversion method according to the present invention is written as a program that can be executed on a computer and can be implemented in various recording media such as magnetic storage media, optical reading media, and digital storage media.

본 명세서에 설명된 각종 기술들의 구현들은 디지털 전자 회로조직으로, 또는 컴퓨터 하드웨어, 펌웨어, 소프트웨어로, 또는 그들의 조합들로 구현될 수 있다. 구현들은 데이터 처리 장치, 예를 들어 프로그램가능 프로세서, 컴퓨터, 또는 다수의 컴퓨터들의 동작에 의한 처리를 위해, 또는 이 동작을 제어하기 위해, 컴퓨터 프로그램 제품, 예를 들어 기계 판독가능 저장 장치(컴퓨터 판독가능 매체)에서 유형적으로 구체화된 컴퓨터 프로그램으로서 구현될 수 있다. 상술한 컴퓨터 프로그램(들)과 같은 컴퓨터 프로그램은 컴파일된 또는 인터프리트된 언어들을 포함하는 임의의 형태의 프로그래밍 언어로 기록될 수 있고, 독립형 프로그램으로서 또는 모듈, 구성요소, 서브루틴, 또는 컴퓨팅 환경에서의 사용에 적절한 다른 유닛으로서 포함하는 임의의 형태로 전개될 수 있다. 컴퓨터 프로그램은 하나의 사이트에서 하나의 컴퓨터 또는 다수의 컴퓨터들 상에서 처리되도록 또는 다수의 사이트들에 걸쳐 분배되고 통신 네트워크에 의해 상호 연결되도록 전개될 수 있다.Implementations of the various techniques described herein may be implemented in digital electronic circuitry, or in computer hardware, firmware, software, or combinations thereof. Implementations may include a computer program product, e.g., a machine-readable storage device (computer readable storage device), for processing by, or for controlling the operation of, a data processing device, e. can be implemented as a computer program tangibly embodied in a viable medium). A computer program, such as the computer program(s) described above, may be written in any form of programming language, including compiled or interpreted languages, and may be written as a stand-alone program or in a module, component, subroutine, or computing environment. It can be deployed in any form, including as other units suitable for the use of. A computer program can be deployed to be processed on one computer or multiple computers at one site or distributed across multiple sites and interconnected by a communication network.

컴퓨터 프로그램의 처리에 적절한 프로세서들은 예로서, 범용 및 특수 목적 마이크로프로세서들 둘 다, 및 임의의 종류의 디지털 컴퓨터의 임의의 하나 이상의 프로세서들을 포함한다. 일반적으로, 프로세서는 판독 전용 메모리 또는 랜덤 액세스 메모리 또는 둘 다로부터 명령어들 및 데이터를 수신할 것이다. 컴퓨터의 요소들은 명령어들을 실행하는 적어도 하나의 프로세서 및 명령어들 및 데이터를 저장하는 하나 이상의 메모리 장치들을 포함할 수 있다. 일반적으로, 컴퓨터는 데이터를 저장하는 하나 이상의 대량 저장 장치들, 예를 들어 자기, 자기-광 디스크들, 또는 광 디스크들을 포함할 수 있거나, 이것들로부터 데이터를 수신하거나 이것들에 데이터를 송신하거나 또는 양쪽으로 되도록 결합될 수도 있다. 컴퓨터 프로그램 명령어들 및 데이터를 구체화하는데 적절한 정보 캐리어들은 예로서 반도체 메모리 장치들, 예를 들어, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic Media), CD-ROM(Compact Disk Read Only Memory), DVD(Digital Video Disk)와 같은 광 기록 매체(Optical Media), 플롭티컬 디스크(Floptical Disk)와 같은 자기-광 매체(Magneto-Optical Media), 롬(ROM, Read Only Memory), 램(RAM, Random Access Memory), 플래시 메모리, EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM) 등을 포함한다. 프로세서 및 메모리는 특수 목적 논리 회로조직에 의해 보충되거나, 이에 포함될 수 있다.Processors suitable for processing a computer program include, by way of example, both general and special purpose microprocessors, and any one or more processors of any kind of digital computer. Generally, a processor will receive instructions and data from read only memory or random access memory or both. Elements of a computer may include at least one processor that executes instructions and one or more memory devices that store instructions and data. In general, a computer may include, receive data from, send data to, or both, one or more mass storage devices that store data, such as magnetic, magneto-optical disks, or optical disks. It can also be combined to become. Information carriers suitable for embodying computer program instructions and data include, for example, semiconductor memory devices, for example, magnetic media such as hard disks, floppy disks and magnetic tapes, compact disk read only memory (CD-ROM) ), optical media such as DVD (Digital Video Disk), magneto-optical media such as Floptical Disk, ROM (Read Only Memory), RAM (RAM) , Random Access Memory), flash memory, EPROM (Erasable Programmable ROM), EEPROM (Electrically Erasable Programmable ROM), and the like. The processor and memory may be supplemented by, or included in, special purpose logic circuitry.

또한, 컴퓨터 판독가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용매체일 수 있고, 컴퓨터 저장매체를 모두 포함할 수 있다.In addition, computer readable media may be any available media that can be accessed by a computer, and may include all computer storage media.

본 명세서는 다수의 특정한 구현물의 세부사항들을 포함하지만, 이들은 어떠한 발명이나 청구 가능한 것의 범위에 대해서도 제한적인 것으로서 이해되어서는 안되며, 오히려 특정한 발명의 특정한 실시형태에 특유할 수 있는 특징들에 대한 설명으로서 이해되어야 한다. 개별적인 실시형태의 문맥에서 본 명세서에 기술된 특정한 특징들은 단일 실시형태에서 조합하여 구현될 수도 있다. 반대로, 단일 실시형태의 문맥에서 기술한 다양한 특징들 역시 개별적으로 혹은 어떠한 적절한 하위 조합으로도 복수의 실시형태에서 구현 가능하다. 나아가, 특징들이 특정한 조합으로 동작하고 초기에 그와 같이 청구된 바와 같이 묘사될 수 있지만, 청구된 조합으로부터의 하나 이상의 특징들은 일부 경우에 그 조합으로부터 배제될 수 있으며, 그 청구된 조합은 하위 조합이나 하위 조합의 변형물로 변경될 수 있다.Although this specification contains many specific implementation details, they should not be construed as limiting on the scope of any invention or what is claimed, but rather as a description of features that may be unique to a particular embodiment of a particular invention. It should be understood. Certain features that are described in this specification in the context of separate embodiments may also be implemented in combination in a single embodiment. Conversely, various features that are described in the context of a single embodiment can also be implemented in multiple embodiments individually or in any suitable subcombination. Further, while features may operate in particular combinations and are initially depicted as such claimed, one or more features from a claimed combination may in some cases be excluded from that combination, and the claimed combination is a subcombination. or sub-combination variations.

마찬가지로, 특정한 순서로 도면에서 동작들을 묘사하고 있지만, 이는 바람직한 결과를 얻기 위하여 도시된 그 특정한 순서나 순차적인 순서대로 그러한 동작들을 수행하여야 한다거나 모든 도시된 동작들이 수행되어야 하는 것으로 이해되어서는 안 된다. 특정한 경우, 멀티태스킹과 병렬 프로세싱이 유리할 수 있다. 또한, 상술한 실시형태의 다양한 장치 컴포넌트의 분리는 그러한 분리를 모든 실시형태에서 요구하는 것으로 이해되어서는 안되며, 설명한 프로그램 컴포넌트와 장치들은 일반적으로 단일의 소프트웨어 제품으로 함께 통합되거나 다중 소프트웨어 제품에 패키징 될 수 있다는 점을 이해하여야 한다.Similarly, while actions are depicted in the drawings in a particular order, it should not be construed as requiring that those actions be performed in the specific order shown or in the sequential order, or that all depicted actions must be performed to obtain desired results. In certain cases, multitasking and parallel processing can be advantageous. Further, the separation of various device components in the embodiments described above should not be understood as requiring such separation in all embodiments, and the program components and devices described may generally be integrated together into a single software product or packaged into multiple software products. You have to understand that you can.

한편, 본 명세서와 도면에 개시된 본 발명의 실시 예들은 이해를 돕기 위해 특정 예를 제시한 것에 지나지 않으며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시 예들 이외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 자명한 것이다.On the other hand, the embodiments of the present invention disclosed in this specification and drawings are only presented as specific examples to aid understanding, and are not intended to limit the scope of the present invention. In addition to the embodiments disclosed herein, it is obvious to those skilled in the art that other modified examples based on the technical idea of the present invention can be implemented.

100: 네트워크 데이터 분석 장치
120: 메타 디스크립션 변환부
130: 데이터 처리부100: network data analysis device
120: meta description conversion unit
130: data processing unit

Claims (13)

원시 데이터에서 시간(Time) 데이터와 길이(Length) 데이터를 추출하는 단계;
상기 시간 데이터와 상기 길이 데이터 각각의 시간 구간 별 정보들을 변환하여 특성별 메타 디스크립션을 생성하는 단계;
상기 시간 데이터와 상기 길이 데이터 간의 관계를 나타내는 정보를 변환하여 특성간 메타 디스크립션을 생성하는 단계; 및
상기 특성별 메타 디스크립션과 상기 특성간 메타 디스크립션을 결합하여 최종 메타 디스크립션을 생성하는 단계
를 포함하고,
상기 특성별 메타 디스크립션은,
상기 시간 데이터에 대한 통계 데이터를 변환한 제1 주파수 데이터와 상기 길이 데이터에 대한 통계 데이터를 변환한 제2 주파수 데이터를 결합하여 생성되며,
상기 특성간 메타 디스크립션은,
상기 시간 데이터와 상기 길이 데이터 간의 통계 및 엔트로피 관계성을 나타내는 데이터들을 포함하는 메타 디스크립션 변환 방법. Extracting time data and length data from raw data;
generating a meta description for each characteristic by converting information for each time interval of the time data and the length data;
converting information indicating a relationship between the time data and the length data to generate a meta description between characteristics; and
Generating a final meta description by combining the meta description for each characteristic and the meta description between the characteristics.
including,
The meta description for each characteristic is,
It is generated by combining first frequency data obtained by converting statistical data of the time data and second frequency data obtained by converting statistical data about the length data,
The meta description between the characteristics,
A meta description conversion method comprising data representing statistical and entropic relationships between the time data and the length data. 제1항에 있어서,
상기 시간 데이터는,
상기 원시 데이터가 입력된 시간을 나타내는 데이터이고,
상기 길이 데이터는,
상기 원시 데이터가 포함된 패킷의 길이를 나타내는 데이터인 메타 디스크립션 변환 방법. According to claim 1,
The time data is
Data representing the input time of the raw data;
The length data,
Meta description conversion method, which is data representing the length of a packet including the raw data. 제1항에 있어서,
상기 특성별 메타 디스크립션을 생성하는 단계는,
상기 시간 데이터에 대한 통계 데이터를 고속 푸리에 변환 계수의 주파수 데이터로 변환하여 제1 주파수 데이터를 생성하는 단계;
상기 길이 데이터에 대한 통계 데이터를 고속 푸리에 변환 계수의 주파수 데이터로 변환하여 제2 주파수 데이터를 생성하는 단계; 및
상기 제1 주파수 데이터와 상기 제2 주파수 데이터를 결합하여 상기 특성별 메타 디스크립션을 생성하는 단계
를 포함하는 메타 디스크립션 변환 방법. According to claim 1,
The step of generating the meta description for each characteristic,
generating first frequency data by converting statistical data of the time data into frequency data of fast Fourier transform coefficients;
generating second frequency data by converting statistical data of the length data into frequency data of fast Fourier transform coefficients; and
generating a meta description for each characteristic by combining the first frequency data and the second frequency data;
A meta description conversion method that includes a. 삭제delete 제1항에 있어서,
상기 특성간 메타 디스크립션은,
상기 시간 데이터와 상기 길이 데이터 간의 내적, 상관 관계, 피어슨 상관 계수의 P값, 상호 데이터값 중 적어도 하나를 포함하는 메타 디스크립션 변환 방법.According to claim 1,
The meta description between the characteristics,
A meta description conversion method comprising at least one of a dot product, a correlation between the time data and the length data, a P value of a Pearson's correlation coefficient, and a mutual data value. 제1항에 있어서,
상기 원시 데이터는,
사용자가 네트워크에 서비스를 요청하는 과정에서 생성된 데이터이고,
상기 최종 메타 디스크립션은,
네트워크 분석 장치의 AI/ML(Artificial Intelligence/ Machine Learning)에 입력되어 상기 사용자가 사용 중인 서비스를 분류하고, 분류 결과에 따른 NWDAF(Network Data Analytics Function) 정책을 결정하기 위하여 사용되는 메타 디스크립션 변환 방법. According to claim 1,
The raw data is
Data generated in the process of a user requesting a service to the network;
The final meta description,
A meta description conversion method used to classify a service being used by the user by being input to AI/ML (Artificial Intelligence/Machine Learning) of a network analysis device and to determine a Network Data Analytics Function (NWDAF) policy according to the classification result. 사용자가 네트워크에 서비스를 요청하는 과정에서 생성된 원시 데이터를 수신하는 단계;
상기 원시 데이터에서 시간(Time) 데이터와 길이(Length) 데이터를 추출하여 특성별 메타 디스크립션 및 특성간 메타 디스크립션을 생성하고, 상기 특성별 메타 디스크립션과 상기 특성간 메타 디스크립션을 결합하여 최종 메타 디스크립션을 생성하는 단계; 및
상기 최종 메타 디스크립션을 기초로 상기 사용자가 사용 중인 서비스를 분류하고, 분류 결과에 따른 NWDAF 정책을 결정하는 단계
를 포함하고,
상기 특성별 메타 디스크립션은,
상기 시간 데이터에 대한 통계 데이터를 변환한 제1 주파수 데이터와 상기 길이 데이터에 대한 통계 데이터를 변환한 제2 주파수 데이터를 결합하여 생성되며,
상기 특성간 메타 디스크립션은,
상기 시간 데이터와 상기 길이 데이터 간의 통계 및 엔트로피 관계성을 나타내는 데이터들을 포함하는 네트워크 데이터 분석 방법.
Receiving raw data generated in the process of a user requesting a service from a network;
Time data and length data are extracted from the raw data to create a meta description for each property and a meta description between properties, and a final meta description is created by combining the meta description for each property and the meta description between the properties. doing; and
Classifying the service being used by the user based on the final meta description, and determining an NWDAF policy according to the classification result.
including,
The meta description for each characteristic is,
It is generated by combining first frequency data obtained by converting statistical data of the time data and second frequency data obtained by converting statistical data about the length data,
The meta description between the characteristics,
Network data analysis method comprising data representing statistical and entropic relationships between the time data and the length data.
 삭제delete 삭제delete 제1항 내지 제3항, 제5항 내지 제7항 중 어느 한 항의 방법을 실행하기 위한 프로그램이 기록된 컴퓨터에서 판독 가능한 기록 매체.A computer-readable recording medium on which a program for executing the method of any one of claims 1 to 3 and 5 to 7 is recorded. 사용자가 네트워크에 서비스를 요청하는 과정에서 생성된 원시 데이터를 수신하는 통신기;
상기 원시 데이터에서 시간(Time) 데이터와 길이(Length) 데이터를 추출하여 특성별 메타 디스크립션 및 특성간 메타 디스크립션을 생성하고, 상기 특성별 메타 디스크립션과 상기 특성간 메타 디스크립션을 결합하여 최종 메타 디스크립션을 생성하는 메타 디스크립션 변환부; 및
상기 최종 메타 디스크립션을 기초로 상기 사용자가 사용 중인 서비스를 분류하고, 분류 결과에 따른 NWDAF 정책을 결정하는 데이터 처리부
를 포함하고,
상기 특성별 메타 디스크립션은,
상기 시간 데이터에 대한 통계 데이터를 변환한 제1 주파수 데이터와 상기 길이 데이터에 대한 통계 데이터를 변환한 제2 주파수 데이터를 결합하여 생성되며,
상기 특성간 메타 디스크립션은,
상기 시간 데이터와 상기 길이 데이터 간의 통계 및 엔트로피 관계성을 나타내는 데이터들을 포함하는 네트워크 데이터 분석 장치.
a communicator for receiving raw data generated in a process in which a user requests a service from a network;
Time data and length data are extracted from the raw data to create a meta description for each property and a meta description between properties, and a final meta description is created by combining the meta description for each property and the meta description between the properties. a meta description conversion unit that does; and
A data processing unit for classifying the service being used by the user based on the final meta description and determining an NWDAF policy according to the classification result
including,
The meta description for each characteristic is,
It is generated by combining first frequency data obtained by converting statistical data of the time data and second frequency data obtained by converting statistical data about the length data,
The meta description between the characteristics,
A network data analysis device comprising data representing statistical and entropic relationships between the time data and the length data.
 삭제delete 삭제delete
KR1020210141124A 2021-10-21 2021-10-21 Meta description conversion method for network data analysis and network analysis apparatus using the same KR102561335B1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210141124A KR102561335B1 (en) 2021-10-21 2021-10-21 Meta description conversion method for network data analysis and network analysis apparatus using the same
PCT/KR2022/011580 WO2023068503A1 (en) 2021-10-21 2022-08-04 Meta-description conversion method for network data analysis, and network analysis device using same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210141124A KR102561335B1 (en) 2021-10-21 2021-10-21 Meta description conversion method for network data analysis and network analysis apparatus using the same

Publications (2)

Publication Number Publication Date
KR20230057105A KR20230057105A (en) 2023-04-28
KR102561335B1 true KR102561335B1 (en) 2023-07-28

Family

ID=86059324

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210141124A KR102561335B1 (en) 2021-10-21 2021-10-21 Meta description conversion method for network data analysis and network analysis apparatus using the same

Country Status (2)

Country Link
KR (1) KR102561335B1 (en)
WO (1) WO2023068503A1 (en)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10289733B2 (en) * 2014-12-22 2019-05-14 Rovi Guides, Inc. Systems and methods for filtering techniques using metadata and usage data analysis
GB201620476D0 (en) * 2016-12-02 2017-01-18 Omarco Network Solutions Ltd Computer-implemented method of predicting performance data
KR20180102804A (en) * 2017-03-08 2018-09-18 한국전자통신연구원 Apparatus and method for searching network packets
KR20210037416A (en) * 2019-09-27 2021-04-06 삼성전자주식회사 Apparatus and method for service detection and analzing service characteristics using network data analytic function in mobile communication system

Also Published As

Publication number Publication date
KR20230057105A (en) 2023-04-28
WO2023068503A1 (en) 2023-04-27

Similar Documents

Publication Publication Date Title
CN110321958B (en) Training method of neural network model and video similarity determination method
KR101868830B1 (en) Weight generation in machine learning
KR101868829B1 (en) Generation of weights in machine learning
CN113378784B (en) Training method of video label recommendation model and method for determining video label
US8422786B2 (en) Analyzing documents using stored templates
WO2021218069A1 (en) Dynamic scenario configuration-based interactive processing method and apparatus, and computer device
CN109784243B (en) Identity determination method and device, neural network training method and device, and medium
CN113327599B (en) Voice recognition method, device, medium and electronic equipment
US11960421B2 (en) Operation accelerator and compression method
CN111062431A (en) Image clustering method, image clustering device, electronic device, and storage medium
US20200183604A1 (en) Partitioning graph data for large scale graph processing
CN114625918A (en) Video recommendation method, device, equipment, storage medium and program product
US20150356741A1 (en) Image transmission system, image processing apparatus, image storage apparatus, and control methods thereof
KR102561335B1 (en) Meta description conversion method for network data analysis and network analysis apparatus using the same
CN114360027A (en) Training method and device for feature extraction network and electronic equipment
US11120460B2 (en) Effectiveness of service complexity configurations in top-down complex services design
JPWO2006009035A1 (en) Signal detection method, signal detection system, signal detection processing program, and recording medium recording the program
CN115730591A (en) User service method, device, equipment and storage medium based on knowledge graph
CN114972775A (en) Feature processing method, feature processing device, feature processing product, feature processing medium, and feature processing apparatus
CN111754984B (en) Text selection method, apparatus, device and computer readable medium
CN111666449B (en) Video retrieval method, apparatus, electronic device, and computer-readable medium
CN112000842A (en) Video processing method and device
CN112087234A (en) Storage system and storage control method
KR20210038027A (en) Method for Training to Compress Neural Network and Method for Using Compressed Neural Network
US10642864B2 (en) Information processing device and clustering method

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant