KR101378325B1 - 유전 프로그래밍에 의한 전기통신 네트워크 노드들에 대한 알고리즘 진화 - Google Patents

유전 프로그래밍에 의한 전기통신 네트워크 노드들에 대한 알고리즘 진화 Download PDF

Info

Publication number
KR101378325B1
KR101378325B1 KR1020127000468A KR20127000468A KR101378325B1 KR 101378325 B1 KR101378325 B1 KR 101378325B1 KR 1020127000468 A KR1020127000468 A KR 1020127000468A KR 20127000468 A KR20127000468 A KR 20127000468A KR 101378325 B1 KR101378325 B1 KR 101378325B1
Authority
KR
South Korea
Prior art keywords
algorithms
algorithm
network node
model
genetic programming
Prior art date
Application number
KR1020127000468A
Other languages
English (en)
Other versions
KR20120023850A (ko
Inventor
레스터 츠 위 호
루이스 그윈 사무엘
홀거 클라우센
임란 아쉬래프
Original Assignee
알까뗄 루슨트
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 알까뗄 루슨트 filed Critical 알까뗄 루슨트
Publication of KR20120023850A publication Critical patent/KR20120023850A/ko
Application granted granted Critical
Publication of KR101378325B1 publication Critical patent/KR101378325B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools
    • H04W16/20—Network planning tools for indoor coverage or short range network deployment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Telephonic Communication Services (AREA)

Abstract

(a) 알고리즘들을 생성하고, (b) 네트워크 노드의 모델에 기초하여 알고리즘들의 적합 레벨을 결정하고, (c) 미리 결정된 적합 레벨을 만족시키는 알고리즘을 선택함으로써 유전 프로그래밍 및 네트워크 노드의 모델을 업데이트함으로써 전기통신 네트워크 노드에서 네트워크 노드 제어를 위한 알고리즘들의 진화 방법이 제공되고, 상기 단계들 (a), (b), 및 (c)는 네트워크 노드에서 구현가능하도록 자동으로 반복되어 네트워크 노드의 변경 모델에 적응된 시간에 따른 일련의 알고리즘들을 제공한다.

Description

유전 프로그래밍에 의한 전기통신 네트워크 노드들에 대한 알고리즘 진화{EVOLVING ALGORITHMS FOR TELECOMMUNICATIONS NETWORK NODES BY GENETIC PROGRAMMING}
본 발명은 전기통신에 관한 것으로, 특히, 전기통신 네트워크들에 관한 것이다.
전기통신 네트워크들을 자가-구성, 자가-조직, 및 자가-적응하는 능력들을 점차 통합하고 있다. 전기통신 네트워크들의 크기 및 복잡도가 증가할수록, 분산, 즉 각각의 노드(node)가 로컬 정보(local information)만을 개별적으로 이용하여 동작할 수 있는 방식으로 이들 소위 "자가-x" 특성들을 구현하려는 드라이브(drive)가 존재한다.
따라서, 네트워크에 대한 전역 정보(global information)가 없거나 네트워크 노드(node)들에 대해 조정된 중앙 제어부가 없이 작동해야 하는, 자가-x 알고리즘, 즉 네트워크 노드 자가-적응을 위한 알고리즘들 개발해야 할 필요성이 증가하고 있다. 무선 네트워크들에서의 자가-x 알고리즘들의 일부 예들은 셀 커버리지(cell coverage) 및 용량(capacity)를 최적화하기 위한 알고리즘들 및 자원 스케줄링 알고리즘들을 포함한다. 무선 네트워크들의 분야에서의 일부 예들은 트래픽 부하 레벨, 통신 경로들을 따라 노드들 사이의 홉(hop)들 수, 및 서비스 품질(Quality of Servie: QoS) 요건들과 같은, 다양한 변수들에 따라 동작하는 라우팅 알고리즘(routing algorithm)들이다.
공지되어 있는 방법은 자가-x 알고리즘들이 네트워크에 대한 실제 존재할 수 없는 특정한 가정들에 기초하여 당업자들에 의해 설계되므로, 네트워크에서 알고리즘들이 구현된 이후에는 상기 알고리즘은 흔히 평가되고, 개정되고, 세밀해져야 할 필요가 있다. 이것은 느리고 비용이 많이 드는 프로세스일 수 있다.
이 공지되어 있는 방법에서, 당업자가 노드들이 배치될 다양한 여러 환경들을 고려하는 알고리즘을 설계하는 것은 쉽지 않다. 알고리즘들은 현실 세계에서 유효하지 않는 네트워크에 대한 특정한 가정들에 기초하여 설계된다.
이 공지되어 있는 방법에서, 자가-x 알고리즘은 수동으로 설계되고, 그 후에 동일한 알고리즘이 특정한 유형의 네트워크 노드들 모두, 예를 들어 무선 셀룰러 네트워크 내의 기지국들 모두에 걸쳐 적용된다. 노드들의 동작 환경들에 있어서 큰 차이들이 존재할 때, 성능이 저하되는데 왜냐하면 범용-적용 가능 최적화 알고리즘은 특정한 문제 또는 동작 환경에 더욱 특수화된 알고리즘보다 덜 양호하게 실행되기 때문이다. 그런데, 역으로, 특수화된 알고리즘들은 자신들이 특수화된 특정한 영역(area) 외부에 적용될 때는 덜 양호하게 실행된다.
배경기술의 다른 영역을 언급하면, 유전 프로그래밍(genetic programming)은 알고리즘을 생성하는데 있어서의 공지되어 있는 진보된 방법이며, 예를 들어, 1992년 MIT Press에서 Koza, J.R.의 Genetic Programming: On the Programming of Computers by Means of Natural Selection, 840을 참조하라.
유전 프로그래밍은 독자의 이해를 용이하게 하기 위해 여기서 간략하게 기술된다.
도 1에 도시되는 바와 같이, 유전 프로그래밍(GP)은 다음의 단계들을 포함한다:
(i) 알고리즘들의 개체군(population)을 초기화 - 개체군은 개별 알고리즘들의 집합에 대해 이용되는 용어이고, 초기 개체군의 알고리즘은 적어도 다소 랜덤하게 생성된다;
(ii) 개체군 내의 알고리즘들 각각의 적합도를 계산 - 적합도(fitness)는 알고리즘의 임무를 성취하는데 있어서 알고리즘 성능의 측정에 이용되는 용어이다;
(iii) 알고리즘들의 적합도에 기초하여 "부모(parent)"들이 될 알고리즘들을 선택;
(iv) 이전 단계에서 선택된 부모들에 유전 연산자들(genetic operator), 예를 들어 돌연변이(mutation) 및 교접(crossover)을 적용함으로써 새로운 알고리즘들을 생성;
(v) 새로 생성된 알고리즘들 및 전 세대 개체군으로부터 선택된 생존자들을 이용하여 알고리즘들의 차세대 개체군을 산출.
상기 단계들 (ii) 내지 (v)는 종료 조건이 만족될 때까지(예를 들어, 프로세스가 세대들의 세트 수를 다 지나가거나, 또는 목표하는 적합 레벨이 생성된 알고리즘에 의해 만족되면) 반복된다.
도 2에 도시되는 바와 같이, 파싱 트리(parse tree) 표현은 전형적으로, 알고리즘을 유전 프로그래밍 연산들이 실행될 수 있는 형태로 인코딩하기 위해 유전 프로그래밍(GP)에서 이용된다. 파싱 트리는 다양한 알고리즘들의 형태들, 예를 들어 컴퓨터 프로그램들을 표현하는데 이용될 수 있다. 알고리즘들은 예를 들어 상태 전이도들에 의해 다른 형태들로 표현될 수 있다.
도 3은 상술한 교접 및 돌연변이 연산자들의 설명예들을 도시한다. 교접은 두 부모 알고리즘들로부터의 구성요소들을 믹싱(mixing)하여 차세대(즉, 자(child)) 알고리즘을 산출하는 것이다. 돌연변이는 개별 부모 알고리즘의 일부를 수정하여 차세대 알고리즘을 산출하는 것이다.
전기통신 네트워크에서 이용되는 알고리즘을 생성하기 위하여 유전 프로그래밍을 이용하는 것은 IEEE에서 2006년의 Lewis T.,Fanning N. 및 Clemo G.에 의한 "Enhancing IEEE802.11 DCF using Genetic Programming"이라는 명칭의 논문에 기술되어 있다.
본 발명은 전기통신 네트워크 노드에서 네트워크 노드 제어를 위한 알고리즘들의 진화 방법 및 유전 프로그래밍 장치를 제공하는 것이다.
독자에게는 첨부된 독립 청구항들이 참조된다. 일부 바람직한 특징들은 종속 청구항들에 배정되어 있다.
본 발명의 예는 (a) 알고리즘들을 생성하는 단계, (b) 네트워크 노드의 모델에 기초하여 알고리즘들의 적합 레벨을 결정하는 단계, (c) 미리 결정된 적합 레벨을 만족시키는 알고리즘을 선택하는 단계에 의해 유전 프로그래밍 및 네트워크 노드의 모델을 업데이트함으로써 전기통신 네트워크 노드에서 네트워크 노드 제어를 위한 알고리즘들의 진화 방법이다. 상기 단계들 (a), (b), 및 (c)는 자동으로 반복되어 네트워크 노드에서 구현가능하도록 네트워크 노드의 변경 모델에 적응된 시간에 따른 일련의 알고리즘들을 제공한다.
바람직한 실시예들에서, 네트워크 노드의 상태의 정보는, 예를 들어 노드에 의해 행해지는 국부적인 측정들로부터 획득되고/되거나 이웃 노드들로부터의 정보로 제공된다.
바람직한 실시예들에서, 각각의 네트워크 노드는 자기 자신의 이용을 위해 새로운 알고리즘들을 생성하도록 유전 프로그래밍을 이용하고 네트워크의 정보는 네트워크 노드의 내부 모델을 업데이트하는데 이용된다. 바람직하게도, 노드는 상기 모델을 유전 프로그래밍 구축 블록(building block)들과 함께 이용하여 적합 레벨과 같은 목표 기준을 만족하는 알고리즘들을 생성한다. 바람직하게도 일단 그와 같은 알고리즘이 제공되면, 그것은 테스트되고 허용 가능하다고 판단되면 네트워크 노드에서 구현된다.
결과적으로 바람직한 실시예는 각각의 네트워크 노드가 자기 자신의 별개의 알고리즘들을 운영하는 네트워크일 수 있다. 상기 방법에 의해 노드들이 자신들의 동작들을 유연하고, 독자적으로 그리고 지능적으로 적응시키는 것이 가능하다.
이 방법은 다양한 유형들의 네트워크 노드들, 예를 들어 펨토 기지국들을 자가 적응시키는, 예를 들어 네트워크 노드들에 적합하다. 상기 방법은 알고리즘들을 스스로 자가 적응시키도록 구현하기 위한 알고리즘들을 제공하는데 적합하다.
바람직한 실시예들은 셀룰러 무선 기지국들의 네트워크들에 관한 것이다. 다른 바람직한 실시예들은 다른 유형들의 전기통신 네트워크들에 관한 것이다.
바람직한 실시예들은 분배 방식으로 국부적으로 특수화된 알고리즘들의 생성 및 네트워크 노드들로의 적응을 제공한다. 바람직한 실시예들은 양호한 네트워크 성능을 위해 자치적이고 효율적인 방식으로 기능 형태의 알고리즘들을 생성하고 최적화한다.
일부 바람직한 실시예들에서, 알고리즘들을 제공하고, 검증하고 구현하는 단계들은 때때로, 예를 들어 주기적으로 반복된다. 일부 바람직한 실시예들에서, 제공되는 일련의 알고리즘들은 네트워크 노드 자가-구성을 위한 일련의 알고리즘들이다.
도 1은 유전 프로그래밍 프로세스를 개략적으로 도시하는 도면(종래 기술).
도 2는 파싱 트리의 형태로 표현되는 컴퓨터 프로그램을 도시하는 도면(종래 기술).
도 3은 파싱 트리로 표현되는 부분들을 프로그램하기 위해 유전 프로그래밍에서 적용되는 교접 및 돌연변이 연산들을 도시하는 도면.
도 4는 본 발명의 제 1 실시예에 따른 무선 전기통신들을 위한 네트워크의 개략도.
도 5는 도 4에 자신의 이웃 기지국들 중 하나를 추가하여 도시되는 기지국들 중 하나를 더욱 상세하게 도시한 도면.
도 6은 도 5에 도시된 기지국에서의 유전 프로그래밍 유닛의 동작을 도시하는 흐름도.
도 7은 하나의 기지국에서 검증되고 구현되는 알고리즘이 이웃 기지국에서 후보 알고리즘이 되는 방법을 도시하는 도면.
도 8은 유전 프로그래밍 유닛에 의해 제공되는 무선 셀 커버리지를 최적화하도록 예시적인 유전적으로 엔지니어링된 프로그램.
본 발명의 실시예들은 이제 예를 통해 그리고 도면들을 참조하여 기술될 것이다.
발명자들은 공지되어 있는 무선 네트워크들에서, 이용자가 배치된 다수의 작은 셀들을 이용하여 고속 데이터 속도들이 가능하고 고용량이 제공되는 것을 인식하였다. 그와 같은 작은 셀들은 전형적으로 수십 또는 수백 미터들의 범위를 가지며, 흔히 펨토셀들로 칭해진다. 그러나, 발명자들은 상기 셀들을 제공하는 기지국들이 경험할 환경들이 다양하다는 점이 그와 같은 다수의 작은 셀들을 이용하는 것의 부작용이라는 것을 인식하였다. 예를 들어, 펨토셀 기지국의 성능은 펨토셀 기지국이 건물 내에 배치되는 장소에 따라 크게 변할 수 있다. 이것은 부분적으로 다양한 건물 재료들의 효과들 때문이다. 예를 들어, 유리벽은 콘크리트 벽에 비해 전파 손실이 매우 적다. 이것은 또한 부분적으로 트래픽 수요의 높은 가변성 때문이다. 예를 들어 비즈니스 라운지와 같은 트래픽 수요 과다지역을 커버하는 펨토셀 기지국은 조용한 영역, 즉 20미터 떨어진 영역을 커버하는 다른 펨토셀과는 매우 상이한 수요들을 경험할 것이다.
발명자들은 또한, 이 유형의 작은 셀들에서, 기지국들을 제어하고 최적화하는데 이용되는 자가-x 알고리즘들이 다양한 환경들에서 적절한 성능을 달성해야만 하므로, 범용 알고리즘들이 적절하지 않을 수 있고 알고리즘들이 특정한 환경들에 더 양호하게 특수화되어야 한다는 것을 인식하였다. 예를 들어, 콘크리트로 만들어진 건물들이 있는 거주 영역 내에서 동작하는 펨토셀은 전면이 유리인 건물들을 가지는 거주 영역 내에서 동작하는 것과는 상이한 형태로 되어 있는 무선 커버리지 제어 알고리즘을 필요로 할 수 있다. 그러나, 발명자들은 각각의 상이한 유형의 환경에 대한 새로운 알고리즘들을 수동으로 설계하는 종래의 방법은 수반되는 복잡성 및 비용들로 인해 비현실적임을 인식하였다.
예시 네트워크 및 네트워크 노드는 예시 유전 프로그래밍 유닛 및 이의 동작에 초점을 맞추기 전에 이제 기술될 것이다. 이 예에서, 네트워크 노드는 펨토셀 기지국이다.
그 후에, 검증된 알고리즘이 특정한 예의 알고리즘 유형을 제공하기 전에, 다른 노드들에 유포되는 방법을 기술할 것이다. 이후에는 일부 변형예들 및 대안예들의 설명이 후속할 것이다.
이 설명에서 용어 알고리즘은 문제를 해결하거나 임무를 수행하는데 이용되는 규칙들의 세트 또는 방법을 의미하는데 이용된다. 알고리즘은 기술 애플리케이션, 컴퓨터 프로그램, 상태 전이도 또는 흐름도와 같은 시스템의 동작의 표현을 가지는 수학 식의 형태로 특정될 수 있다. 전기통신 네트워크 노드들에서의 알고리즘의 예들은 무선 셀의 커버리지 영역을 자동으로 조정하는 방법, 및 네트워크 라우터 노드를 통하는 라우팅 트래픽의 방법이다.
네트워크
도 4에 도시된 바와 같이, 전기통신 네트워크(2)는 어느 정도의 수의 상호접속 셀룰러 기지국들(21, 22, 23, 24)을 포함하는 무선 액세스 네트워크(4)를 포함한다. 기지국들(21, 22, 23, 24)은 모두 각각의 알고리즘들을 운영하여 미리 결정된 임무를 실행한다.
도 5에 도시된 바와 같이, 기지국들의 각각은 더 자세하게 후술되는 바와 같이, 유전 프로그래밍을 이용하는 알고리즘의 새로 개선된 버전들을 제공하는데 이용되는 각각의 유전 프로그래밍 유닛(10)을 포함한다. 기지국들의 각각은 이웃 기지국들과 통신하고 감지하도록 동작한다. 예를 들어 제 1 기지국(21)은 이웃 기지국들(22, 23, 24)과 통신하고 감지하도록 동작한다.
혼동을 피하기 위해, 고려되고 있는 특정한 기지국을 이웃 기지국들의 그룹(25로 표시됨)을 가지는 "로컬(local)" 기지국(9)으로 칭할 것이다. 어떤 기지국들이 그룹(25)에 속하는지는 로컬 기지국(9)이 이웃들을 어떻게 발견했는지에 좌우된다. 이 예에서, 로컬 기지국(9)은 기지국들 중 어느 기지국들이 이웃들의 그룹(25) 내에 있는지를 식별하기 위해, 다른 기지국들로부터 수신되는 파일럿 신호들의 측정들을 실행한다. 대안의 실시예에서, 로컬 기지국은 이웃들을식별하기 위해 백홀(hackhaul) 네트워크를 통해 질의 및 응답(query and response)을 실행한다.
이웃들의 그룹(25) 내의 기지국들은 로컬 기지국에 대해 현저한 영향을 미치는 기지국들이고 역도 마찬가지이다. 예를 들어, 그룹(25) 내의 기지국들의 증가하는 송신 전력은 로컬 기지국(10)에 대한 간섭을 증가시킬 것이다.
더 자세하게 후술되는 바와 같이, 네트워크(20) 내의 기지국들(21, 22, 23, 24, 9, 25)은 각각 자신의 알고리즘들을 운영하여 자신들의 무선 커버리지의 크기를 조정하는 것과 같은 특정한 임무들을 실행한다. 기지국들은 또한 운영하는 알고리즘들의 정확한 기능 형태들을 주기적으로 업데이트하고 세밀화하기 위해, 유전 프로그래밍을 이용하는, 알고리즘 적응 프로세스를 각각 운영한다. 각각의 기지국은 자신들의 알고리즘들을 국부적으로 세밀화하여, 최종 효과는 각각의 기지국이 로컬 환경에 적합하고 유일하도록 최적화된 각각의 알고리즘을 운영하는 것이다.
유전 프로그래밍 유닛
도 5에 도시되는 바와 같이, 기지국들에서 이용되는 알고리즘들을 생성하기위해 유전 프로그래밍을 이용하는 유전 프로그래밍 유닛(10)은 유전자 프로세서(11), 알고리즘 구현 스테이지(stage)(12) 및 로컬 정보 수집 스테이지(13)를 포함한다.
유전자 프로세서는 진화 프로세서(15)로의 입력들로서 기능 및 단말 세트(111), 유전 연산자들(112), 적합 함수(113)를 포함한다. 기능 및 단말 세트(111)는 알고리즘들의 구축 블록들이다. 유전 연산자들(112)은 기존의 알고리즘들을 조작하여 새로운 알고리즘을 생성하고 돌연변이 및 교접과 같은 연산들을 포함한다. 적합 함수(113)는 적합도, 즉 알고리즘들의 성능을 계산하는데 이용되는 함수이다. 적합 함수(113)는 예를 들어 네트워크 운영자의 요건들에 기초하여 미리 결정된다.
이용 시에, 진화 프로세서(15)는 네트워크 노드의 모델(14)의 정보 및 다양한 상이한 생성 알고리즘들을 이용하여 네트워크 노드의 시뮬레이션들을 운영하도록 작동하고 그 실행 결과들은 적합 함수(13)와 함께 이용되어 각각의 알고리즘과 연관되는 적합도를 계산한다. 네트워크 노드의 최신 모델(14)이 이 시뮬레이션들에서 이용된다.
더 자세하게 후술되는 바와 같이, 기지국에서 이용될 새롭고 개선된 알고리즘들은 자동 기반으로 생성된다. 이 자동 프로세스에서 취해지는 주요 단계들의 흐름도가 도 6에 도시된다.
도 6에 도시되는 바와 같이, 유전 프로그래밍 유닛(10)에서, 차세대 알고리즘이 생성되고 적합 레벨에 대해 평가된다(단계 A). 생성된 알고리즘이 미리 결정된 적합 레벨을 만족하는지에 대한 결정이 행해진다(단계 B). 이리 결정된 적합 레벨이 만족되면, 알고리즘은 알고리즘 검증 프로세스가 착수될만큼 충분히 양호한 것으로 간주된다. 상술한 바와 같이, 알고리즘 검증 프로세서(17)는 알고리즘을 미리 테스트하여(단계 C) 네트워크(2) 내의 배치에 적합한지를 검사한다. 그리고나서 테스트들이 실패 또는 통과되는지에 대한 결정이 행해진다(단계 D). 테스트들이 실패하면, 알고리즘은 폐기되고(단계 E) 생성 및 적합도 평가(단계 A)로 복귀된다. 한편, 테스트들이 통과되면, 네트워크 노드에서 알고리즘이 구현된다(단계 F).
도 6에서의 단계들 A 및 B는 도 5에서 도시된 평가 프로세서(15)에서 발생한다. 도 6에서의 단계들 C, D, 및 E는 도 5에 도시된 알고리즘 검증 프로세서(17)에서 발생한다. 이것은 더 자세하게 후술된다.
유전 프로그래밍 유닛(10)의 다양한 구성요소들 및 양태들이 이제 더욱 상세하게 기술될 것이다. 특히, 진화 프로세서, 모델 구축 프로세서, 알고리즘 검증 프로세서 및 알고리즘 구현 스테이지가 이제 기술될 것이다.
진화 프로세서
기능 및 단말 세트(111), 유전 연산자들(112), 적합 함수(113) 및 모델(시뮬레이터)(14)의 시뮬레이션 결과들이 진화 프로세서(15)에 입력된다. 진화 프로세서(15)는 유전 프로그래밍을 착수한다.
상술한 바와 같이, 유전 프로그래밍(GP)은 다음의 단계들을 포함한다:
(i) 알고리즘들의 개체군을 초기화 - 개체군은 개별 알고리즘들의 집합에 대해 이용되는 용어이고, 초기 개체군의 알고리즘은 적어도 다소 랜덤하게 생성된다;
(ii) 개체군 내의 알고리즘들 각각의 적합도를 계산 - 적합도는 알고리즘의 임무를 성취하는데 있어서 알고리즘 성능의 측정에 이용되는 용어이다;
(iii) 알고리즘들의 적합도에 기초하여 "부모"들이 될 알고리즘들을 선택;
(iv) 이전 단계에서 선택된 부모들에 유전 연산자들, 예를 들어 돌연변이 및 교접을 적용함으로써 새로운 알고리즘들을 생성;
(v) 새로 생성된 알고리즘들 및 전 세대 개체군으로부터 선택된 생존자들을 이용하여 알고리즘들의 차세대 개체군을 산출.
상기 단계들 (ii) 내지 (v)은 종료 조건이 만족될 때까지(예를 들어 목표 적합 레벨이 생성된 알고리즘에 의해 만족되는) 반복된다.
진화 프로세서(15)로부터 출력된 알고리즘은 진화 프로세스에 의해 선택되었던 것으로 간주될 수 있다. 이 알고리즘들은 진화 프로세서(15)로부터 알고리즘 검증 프로세서(17)로의 출력이다.
모델 구축 프로세스
유전 프로그래밍 유닛(10)에서, 네트워크 노드의 모델(14)에 작용하며, 이웃 노드들(25)이 어떤 알고리즘을 현재 이용하고 있는지 그리고 상기 노드들(25)이 부하, 호출들의 유형과 같이 경험하고 있는 트래픽 상태들이 무엇인지와 같이 이웃 노드들(25)의 상태에 대한 정보를 이용함으로써 그리고 로컬 기지국(9) 자체에 대한 로컬 정보를 이용함으로써, 모델(14)을 최신으로 유지하는 모델 구축 프로세서(16)가 존재한다.
로컬 노드(9) 자체에 대한 로컬 정보는, 이용자 단말기들에 의해 송신되는 측정 리포트들 및 내장 무선 수신기(도시되지 않음)에 의해 행해지는 측정치들과 같은, 국부적인 무선 환경에 대한 정보를 획득하기 위해, 다양한 툴(tool)들을 이용하는 로컬 정보 수집 프로세서(13)에 의해 수집된다. 이 프로세서(13)는 또한 로컬 기지국의 트래픽 부하에 관한 통계들과 같이 이용 가능한 내부 정보를 또한 수집한다. 이 프로세서(13)는 또한 송신 전력 및 활성 이용자들의 수와 관련되는 평균 부하와 같은 로컬 기지국(9)에 대한 관련 정보를 자신의 이웃들(20)에 유포한다.
따라서, 모델 구축 프로세서(16)는 기지국에 인가되는 무선 상태들이 알고리즘 진화 프로세스에 영향을 미칠 수 있을 때 무선 환경에서 발생하는 현저한 변화들을 통합하고, 또한 이의 정확도를 개선하기 위해 모델(14)을 세밀화하도록 동작한다. 따라서, 모델은 때때로, 예를 들어 주기적으로 업데이트됨으로써 변경된다. 모델 구축 프로세서(16)는 네트워크 노드 자체로부터 획득되는 네트워크 노드에 대한 정보에 네트워크 노드의 이웃들로부터 획득된 정보를 추가한 정보를 이용한다.
알고리즘 검증
알고리즘 검증 프로세서(17)는 기지국에 배치하는데 대해 적합한지를 검사하기 위해 선택된 알고리즘을 미리 테스트한다. 테스트들은 배치 전에 행해지고 상기 알고리즘이 충분히 작동하고 네트워크 내에서 발생하는 원하지 않는 작동들을 발생시키지 않는 것을 보장하도록 의도된다. 이 테스팅은 원하지 않고 예상되지 않는 작동이 발생할 수 있을 때, 네트워크 노드들의 분산된 제어를 위한 자가-x 알고리즘들(즉, 자가-구성, 자가-조직 등)에 특히 중요하다. 그와 같은 원하지 않는 작동들은 네트워크의 불충분한 동작을 야기할 수 있고 극단적인 경우들에서 네트워크 전체에 걸쳐 캐스케이딩 고장(cascading failure)들을 야기할 수 있다. 역효과들은 알고리즘들에서 일반적으로 발생할 수 있고 유전 프로그래밍에 의해 생성되는 특정한 부작용이 아님이 주목되어야 한다.
알고리즘 검증 프로세서(17)는 자동화 검증 프로세스를 실행한다. 진화 프로세서(15)로부터 선택되는 알고리즘은 시뮬레이팅된 시나리오들 및 자신의 로컬 환경들 내에 있는 기지국의 최신 모델(14)을 이용하여 개발되었을지라도, 알고리즘은 다른 시나리오들에서 원하지 않는 결과들을 야기하는 결점들을 가질 수 있다. 용이하게 검출되는 그와 같은 결점의 예는 0으로 나누는 계산이다. 따라서 이 사전 테스팅이 착수된다.
일단 알고리즘이 미리 테스트되고 적합하다고 간주되었다면, 알고리즘은 네트워크 노드 내에서 구현된다.
알고리즘 구현
현재 적합하다고 간주되는 알고리즘은 네트워크 노드에서 알고리즘 구현 스테이지(12)에 의해 구현된다. 이 알고리즘 구현 스테이지(12)는 알고리즘을 자체의 파싱 트리 형태로 취하고 이것을 이용된 이전 알고리즘을 대체하는 소프트웨어 명령들로 변환한다. 이 예에서, 알고리즘 구현 스테이지(12)는 알고리즘을 자체의 파싱 트리 형태로부터 직접 알고리즘을 변환하고 운영하는 알고리즘 리더(reader)(도시되지 않음)를 포함한다. 유사한 실시예(도시되지 않음)에서 파싱 트리는 소프트웨어 코드(C++, 자바)로 변환되고나서 컴파일된다.
다른 노드들로의 알고리즘 유포
도 7에 도시되는 바와 같이, 검증된 알고리즘은 또한 자체의 진화 프로세스들에 포함되기 위해 알고리즘 구현 스테이지(12)에 의해 이웃 기지국들(25)(21로 표시되는 이들 중 하나가 간소하게 도시된다)로 송신된다. 이웃들 관점으로 보면, 기지국(21)이 이 알고리즘을 자신의 이웃들 중 하나로부터 수신하면, 기지국(21)은 진화 프로세스에서 알고리즘들의 현재 개체군에 상기 알고리즘을 개별로 삽입한다.
이 방식으로 이웃 알고리즘들에 유포되는 알고리즘들은 이웃들에 의해 즉시 이용되지 않고, 더욱 진화되도록 알고리즘들의 차세대의 개체군 내에 포함된다. 이것이 도 7에 도시되고, 여기서 로컬 기지국(9)의 관점에서, 이웃 기지국(21)은 로컬 기지국(9)의 새로운 알고리즘을 수신한다. 이 수신된 알고리즘이 기지국(21)의 개체군 중에서 가장 양호한 알고리즘이라면, 유전 프로세서(15)는 통상의 동작의 일부로서, 진화의 후속 사이크들에서 상기 알고리즘을 이용하기 시작한다.
이 단계에 의해, 하나의 기지국에서 진화되고 검증되는 양호한 알고리즘들은 다른 기지국들로 확산된다. 이것은, 탐색이 개별적이기 보다는 기지국들의 그룹에 의해 실행되는 동시 계산의 형태로 인지될 수 있으므로 네트워크를 통한 알고리즘 적응 프로세스들의 수렴율을 개선한다. 알고리즘의 확산은 기지국이 경험하는 다양한 환경으로 인해 제한될 수 있다. 예를 들어, 밀집되어 있는 도시 환경에서의 기지국들에 대한 양호한 알고리즘은 교외 또는 전원 환경에서 반드시 양호하게 동작할 필요가 없을 것이다.
상술한 바와 같은 알고리즘들의 유포는 기지국들로 그리고 기지국들로부터 발생하고, 예를들어 기지국은 양호한 알고리즘들을 자신의 이웃들로 송신하고 또한 양호한 알고리즘들을 자신의 이웃들로부터 수신한다.
알고리즘의 유형의 예: 무선 커버리지를 최적화
상술한 바와 같이 유전 프로그래밍되고 선택될 수 있는 알고리즘의 유형의 예는 무선 네트워크 내의 셀의 무선 커버리지를 최적화하기 위한 예, 즉, 무선 커버리지를 자동으로 조정하는 것은 기지국의 환경 내의 네트워크에서 행해지는 측정들에 기초하여 기지국에 속한다. 이 유형의 알고리즘의 예가 도 8에 파싱 트리 및 식의 형태 모두로 도시된다. 식은:
Figure 112012001599405-pct00001
이고
여기서 Dt는 타임슬롯(t) 동안 중단되는 호출들의 수를 표시하고, Rt는 타임슬롯(t) 동안의 셀 반경을 표시하고, Ni는 실행되는 증가분들의 총 수효를 나타낸다.
이 예에서 진화 프로세서로의 입력으로서의 예시 기능 및 단말 세트들은 다음과 같다:
기능 세트 F = {+, -, *, /}는 기본 수학 연산들로 구성된다.
단말 세트 T = {Dt, Rt, Ct, Ni, 1}는 측정치들, 노드 상태들, 및 다음과 같은 상수들로 구성된다:
Dt - 타임슬롯(t) 동안 중단되는 호출들의 수
Rt - 타임슬롯(t) 동안의 셀 반경
C - 커버리지 중첩
Ni - 실행되는 증가분들의 총 수.
일부 변형예들
무선 셀룰러 네트워크에서의 네트워크 노드들은 상기와 같이 참조되었지만, 상기 방법은 다른 유형들의 네트워크 노드들 및 네트워크들에 적용 가능하다. 예를 들어, 특정 노드들 및 이 노드들의 특정한 로컬 환경들에 특수화된 알고리즘들은, 예를 들어 모바일 이용자들에 대하여 중단없는(seamless) 이동성 및 서비스 품질(QoS)을 기본적으로 유지하기 위해 자원들의 재 라우팅 및 재할당을 지원하는데 유용한, 인터넷 프로토콜 네트워크들에서 또한 유용하다. 예들은 디지털 가입자 회선(Digital Subscriber Line: DSL) 회선들 및 주거용 게이트웨이들과 같은, 유선 액세스 네트워크 노드들을 포함한다.
상기 방법은 자가-x, 즉 자가-구성, 자가-적응 알고리즘들을 생성하기 위해 유전 프로그래밍을 이용하는 것에 초점이 맞춰져 있다. 일부 다른 실시예들에서, 상기 방법은 자가-x 알고리즘들이 아닌 구현예에 대한 알고리즘들을 제공하는데 이용된다.
본 발명은 자체의 필수적인 특징들로부터 벗어나지 않고 다른 특정한 형태들로 구현될 수 있다. 기술된 실시예들은 모든 점에서 설명적인 것으로 고려되어야지 제한하는 것으로 고려되어서는 안 된다. 본 발명의 범위는, 따라서, 상술한 설명에 의해서라기 보다는, 오히려 첨부된 청구항들에 의해서 지시된다. 청구항들의 의미 및 등가의 범위 내에 해당하는 모든 변경들은 청구항들의 범위 내에 포함되어야만 한다.
당업자는 프로그램된 컴퓨터들에 의해 다양한 상술한 방법들의 단계들이 실행될 수 있음이 용이하게 인식될 것이다. 일부 실시예들은 기계 또는 컴퓨터 판독 가능하고 명령들의 기계 수행 가능 또는 컴퓨터 수행 가능 프로그램들을 인코딩하는 프로그램 저장 디바이스들, 예를 들어 디지털 데이터 저장 매체와 관련되고, 여기서 상기 명령들은 상술한 방법들의 단계들 중 일부 또는 전부를 실행한다. 프로그램 저장 디바이스들은 예를 들어, 디지털 메모리들, 자기 디스크들 및 자기 테이프들과 같은 자기 저장 매체, 하드 드라이브들, 또는 광학적으로 판독 가능한 디지털 데이터 저장 매체일 수 있다. 일부 실시예들은 상술한 방법들의 상기 단계들을 실행하도록 프로그램된 컴퓨터들을 포함한다.
2 : 전기통신 네트워크 9 : 로컬 기지국
10 : 유전 프로그래밍 유닛 21, 22, 23, 24 : 셀룰러 기지국들

Claims (15)

  1. (a) 알고리즘들을 생성하는 단계, (b) 네트워크 노드의 모델에 기초하여 상기 알고리즘들의 적합 레벨(fitness level)을 결정하는 단계, (c) 미리 결정된 적합 레벨을 만족시키는 알고리즘을 선택하는 단계에 의해 유전 프로그래밍(genetic programming) 및 네트워크 노드의 모델을 주기적으로 업데이트함으로써 전기통신 네트워크 노드에서 네트워크 노드 제어를 위한 알고리즘들을 진화하는(evolving algorithms) 방법으로서, 상기 단계들 (a), (b), 및 (c)는 자동으로 반복되어 상기 네트워크 노드에서 구현가능하도록 상기 네트워크 노드의 모델에 적응되는 시간 동안 일련의 알고리즘들을 제공하고, 상기 일련의 알고리즘들은 네트워크 노드에서 구현하기 위하여 각각의 알고리즘의 적합성을 검사하도록 각각 검증 절차를 받고, 적합하다고 간주되는 각각의 알고리즘은 상기 네트워크 노드에 이웃하는 노드들로 송신되고 유전 프로그래밍에서 상기 이웃 노드들 중 적어도 하나에서 이용되는, 알고리즘들의 진화 방법.
  2. 제 1 항에 있어서, 상기 모델은 상기 네트워크 노드에 국부적으로 특정한 무선 상태들 및 트래픽 상태들 중 적어도 하나에 대한 정보로 업데이트되는, 알고리즘들의 진화 방법.
  3. 제 1 항에 있어서, 상기 네트워크 노드에 이웃하는 적어도 하나의 노드로부터의 정보는 상기 모델을 업데이트하는데 이용되는, 알고리즘들의 진화 방법.
  4. 제 3 항에 있어서, 상기 정보는 상기 각각의 이웃 노드에 의해 경험되는 트래픽 상태들 및 무선 상태들 중 적어도 하나와 관련되는, 알고리즘들의 진화 방법.
  5. 제 1 항 또는 제 2 항에 있어서, 상기 네트워크 노드는 무선 전기통신 기지국인, 알고리즘들의 진화 방법.
  6. 제 5 항에 있어서, 상기 기지국은 펨토셀 기지국인, 알고리즘들의 진화 방법.
  7. 제 5 항에 있어서, 상기 알고리즘들은 기지국 무선 커버리지(coverage)의 크기를 조정하기 위한 것인, 알고리즘들의 진화 방법.
  8. 삭제
  9. 제 1 항에 있어서, 적합하다고 간주되는 각각의 알고리즘이 상기 네트워크 노드에서 구현되는, 알고리즘들의 진화 방법.
  10. 삭제
  11. 제 1 항에 있어서, 상기 이웃 노드의 모델에 기초하여 적합 레벨을 결정하고, 알고리즘이 미리 결정된 적합 레벨을 만족시키면 상기 이웃 노드에서 구현가능하도록 상기 알고리즘을 선택하는 것에 의해, 상기 적합하다고 간주되는 각각의 알고리즘이 고려되는, 알고리즘들의 진화 방법.
  12. 유전 프로그래밍 장치에 있어서, 전기통신 네트워크의 네트워크 노드를 제어하는 알고리즘들을 생성하고 출력을 위해 미리 결정된 적합 함수를 만족시키는 알고리즘을 선택하도록 구성되는 진화 프로세서, 및 상기 알고리즘들이 상기 진화 프로세서에서 적응되는 상기 네트워크 노드의 모델을 포함하고, 상기 모델은 주기적으로 업데이트되고, 상기 진화 프로세서는 상기 네트워크 노드에서 구현가능하도록 상기 네트워크 노드의 모델에 적응되는 시간 동안 일련의 알고리즘들을 자동으로 제공하고, 상기 네트워크 노드에서 구현하기 위한 각각의 알고리즘의 적합도를 검사하도록 구성되는 알고리즘 검증 프로세서를 추가로 포함하고, 상기 장치가 이용될 때, 이웃 네트워크 노드에 의해 적합하다고 간주되는 알고리즘이 수신되고 상기 알고리즘은 상기 알고리즘들의 제공 시에 상기 진화 프로세서에 의해 이용되는, 유전 프로그래밍 장치.
  13. 삭제
  14. 삭제
  15. 제 12 항에 따른 유전 프로그래밍 장치를 포함하는 전기통신 네트워크 노드.
KR1020127000468A 2009-06-11 2010-06-04 유전 프로그래밍에 의한 전기통신 네트워크 노드들에 대한 알고리즘 진화 KR101378325B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP09290436A EP2261841A1 (en) 2009-06-11 2009-06-11 Evolving algorithms for telecommunications network nodes by genetic programming
EP09290436.6 2009-06-11
PCT/EP2010/003632 WO2010142464A1 (en) 2009-06-11 2010-06-04 Evolving algorithms for telecommunications network nodes by genetic programming

Publications (2)

Publication Number Publication Date
KR20120023850A KR20120023850A (ko) 2012-03-13
KR101378325B1 true KR101378325B1 (ko) 2014-04-04

Family

ID=40902168

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020127000468A KR101378325B1 (ko) 2009-06-11 2010-06-04 유전 프로그래밍에 의한 전기통신 네트워크 노드들에 대한 알고리즘 진화

Country Status (6)

Country Link
US (1) US9047570B2 (ko)
EP (1) EP2261841A1 (ko)
JP (1) JP5415615B2 (ko)
KR (1) KR101378325B1 (ko)
CN (1) CN102576424A (ko)
WO (1) WO2010142464A1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140039806A1 (en) * 2012-08-02 2014-02-06 Siemens Corporation Estimating remaining useful life from prognostic features discovered using genetic programming
US10405219B2 (en) 2017-11-21 2019-09-03 At&T Intellectual Property I, L.P. Network reconfiguration using genetic algorithm-based predictive models
CN114024848A (zh) * 2020-11-23 2022-02-08 北京八分量信息科技有限公司 一种通过优化节点通讯来提高系统健壮性的方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6625135B1 (en) 1998-05-11 2003-09-23 Cargenie Mellon University Method and apparatus for incorporating environmental information for mobile communications
GB2361385A (en) 2000-04-12 2001-10-17 Queen Mary & Westfield College Intelligent control of radio resorces in a wireless network
US20030083936A1 (en) 2000-11-14 2003-05-01 Mueller Raymond J. Method and apparatus for dynamic rule and/or offer generation
US7088959B2 (en) 2002-03-06 2006-08-08 Lucent Technologies Inc. Method of selecting maximum transmission power level to be used by a radio telecommunications base station or base stations in a network, a radio telecommunications base station and radio telecommunications network
GB2390775B (en) * 2002-07-12 2005-07-20 Fujitsu Ltd Packet scheduling
KR100680020B1 (ko) 2003-02-19 2007-02-28 후지쯔 가부시끼가이샤 패킷 스케줄링 방법 및 장치 그리고 송신기
US7471928B2 (en) 2003-09-08 2008-12-30 Telefonaktiebolaget Lm Ericsson (Publ) Modulation scheme management
WO2005072405A2 (en) * 2004-01-27 2005-08-11 Transpose, Llc Enabling recommendations and community by massively-distributed nearest-neighbor searching
CN101313494B (zh) 2005-11-22 2013-03-20 日本电气株式会社 无线电网络设计装置和方法
JP4024266B2 (ja) 2005-12-05 2007-12-19 沖電気工業株式会社 光パス配置検索方法、光パス配置検索装置及びプログラム
CN101047937B (zh) * 2006-03-27 2011-06-15 浙江移动通信有限责任公司 基于遗传算法的移动通信频率规划方法
US8520647B2 (en) 2007-09-26 2013-08-27 Aruba Networks, Inc. Wireless client position estimating system and method
US8731519B2 (en) * 2008-09-08 2014-05-20 At&T Mobility Ii Llc Mobile handset extension to a device
EP2230634A1 (en) * 2009-03-17 2010-09-22 Alcatel Lucent Evolving algorithms for network node control in a telecommunications network by genetic programming

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
P. POLAKOS et al., Beyond the Base Station Router... Not Your Parent’s Flat Cellular Network. Alcatel-Lucent Innovation Days. 2008. 12.*
P. POLAKOS et al., Beyond the Base Station Router... Not Your Parent's Flat Cellular Network. Alcatel-Lucent Innovation Days. 2008. 12. *

Also Published As

Publication number Publication date
WO2010142464A1 (en) 2010-12-16
CN102576424A (zh) 2012-07-11
WO2010142464A8 (en) 2012-02-23
EP2261841A1 (en) 2010-12-15
JP5415615B2 (ja) 2014-02-12
US9047570B2 (en) 2015-06-02
KR20120023850A (ko) 2012-03-13
US20120142331A1 (en) 2012-06-07
JP2012529816A (ja) 2012-11-22

Similar Documents

Publication Publication Date Title
JP5415620B2 (ja) 遠隔通信ネットワーク・ノードおよび方法
KR101861908B1 (ko) 상태공간을 이용해서 무선 시스템 발견 및 제어를 구현하기 위한 방법 및 장치
Moysen et al. Conflict resolution in mobile networks: a self-coordination framework based on non-dominated solutions and machine learning for data analytics [application notes]
JP2015505228A (ja) ワイヤレス遠隔通信ネットワークにおいてセル構成パラメータを決定するための方法
Mohajer et al. Reliability and mobility load balancing in next generation self-organized networks: using stochastic learning automata
Hu et al. A study of LTE network performance based on data analytics and statistical modeling
KR101378325B1 (ko) 유전 프로그래밍에 의한 전기통신 네트워크 노드들에 대한 알고리즘 진화
Mullany et al. Self-deployment, self-configuration: Critical future paradigms for wireless access networks
Barolli et al. Optimization problems and resolution methods for node placement in wireless mesh networks
KR101896056B1 (ko) 멀티미디어 기반 이기종 무선 네트워크의 수직 핸드 오버 관리 장치 및 방법
US8880052B2 (en) Evolving algorithms for network node control in a telecommunications network by genetic programming
Karla Resolving son interactions via self-learning prediction in cellular wireless networks
WO2012010283A1 (en) Telecommunications network node and methods
Mirzaei et al. A Novel Approach for Cluster Self-Optimization Using Big Data Analytics
CN102804706A (zh) 建模设备和方法
Mountassir et al. Wireless mesh networks topology auto planning
Sánchez‐González et al. A multi‐cell multi‐objective self‐optimisation methodology based on genetic algorithms for wireless cellular networks
Firdaus et al. Implementation of self-organizing network (SON) on cellular technology base on big data analytic
Ho et al. Online evolution of femtocell coverage algorithms using genetic programming
Mountassir et al. Relays placement in wireless mesh networks using a multi-objective optimization approach
de J. Mateo Sanguino et al. Optimal design and deployment of wireless LANs based on evolutionary genetic strategy
Ali et al. Base station and relay station broadband network planning using immune quantum evolutionary algorithm
WO2023222229A1 (en) Network optimization based on distributed multi-agent machine learning with minimal inter-agent dependency
Mountassir et al. An efficient model for nodes deployment optimization in wireless mesh networks
CN117835257A (zh) 一种虚实结合的可信wlan组网ap预规划方法及系统

Legal Events

Date Code Title Description
A201 Request for examination
AMND Amendment
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20170310

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20180309

Year of fee payment: 5

LAPS Lapse due to unpaid annual fee