KR101412006B1

KR101412006B1 - 무선랜 서비스 제공 방법 및 무선랜 시스템

Info

Publication number: KR101412006B1
Application number: KR1020120119136A
Authority: KR
Inventors: 이수철; 김종권
Original assignee: 서울대학교산학협력단
Priority date: 2012-10-25
Filing date: 2012-10-25
Publication date: 2014-06-26
Also published as: KR20140052704A; US20140119291A1; US8891475B2

Abstract

본 발명의 무선랜 시스템에서는 CSMA기반으로 채널경쟁과 상태측정을 동시에 수행한다. 각 스테이션(STA)은 OFDM 시스템에서 서브커리어-레벨 시그널링을 통해 구현되는 블룸 필터를 통해 채널을 경쟁하며, AP는 채널경쟁과정에서 추가적인 오버헤드 없이 STA들의 업링크 채널상태를 측정하고, 이를 바탕으로 다이버시티를 이용할 수 있도록 채널을 STA들에게 할당한다. 또한, 블룸 필터의 false positive라 알려진 내재적 약점을 해결하기 위해서 분석에 기반한 멀티채널 백오프 알고리즘으로 스테이션들이 분산적으로 다이버시티를 탐색하고 동시에 false positive가 적게 일어나도록 조절하며, 블룸 필터의 멤버십 테스트에 기계학습을 적용하여 이미 발생한 false positive를 보정한다.

Description

무선랜 서비스 제공 방법 및 무선랜 시스템{WLAN service method and WLAN system}

본 발명은 무선랜 서비스 제공 방법 및 무선랜 시스템에 관한 것으로서, 더 구체적으로는 다이버시티를 이용하면서도 오버헤드를 줄일 수 있는 무선랜 시스템 및 그 MAC/PHY 계층 통신방법에 관한 것이다.

최근 스마트폰을 중심으로 한 모바일 멀티미디어 기기의 이용이 대중화됨에 따라, 무선을 통한 HD급 고화질(대용량) 멀티미디어의 전송량이 증가하고 있는 추세이다. 이처럼 고용량의 데이터전송을 지원할 수 있는 무선통신기술 중 대표적인 것으로 IEEE 802.11 WG을 중심으로 표준화가 된 소위 Wi-Fi라고 불리는 무선랜이 있다. 무선랜은 물리계층의 급속한 기술발전과 더불어 굉장히 빠른 속도로 무선데이터를 전송하며, 셀룰러 망과 달리 공용 AP의 설치를 통하여 무료로 사용할 수 있어 매우 각광받고 있다. 심지어 근래에는 우리는 언제 어디에 있던 가까이서 무선랜이 동작하는 공간을 찾아 볼 수 있을 정도가 되었다.

가장 최근에 표준화가 된 802.11n은 현재 물리적으로 600 Mbps까지 무선데이터를 전송할 수 있다. 802.11n에서 높은 데이터 전송률은 물리적으로 MIMO 기술, OFDM 모듈레이션 기법, 채널 본딩 등에 의해서 실현된다. 나아가서는 몇 년 안에, IEEE 802.11 WG에서 현재 진행중인 802.11ac 표준 등에 의해 물리적으로 1 Gbps급 무선 데이터 전송이 가능해질 것이다.

그러나 현재의 MAC 계층 표준은 프로토콜 오버헤드의 영향으로, 급속도로 성장하는 물리계층의 고속 데이터 전송기술을 충분히 사용하지 못한다. 예를 들어, 최근의 측정연구를 통해 802.11n 표준 물리계층에서 지원하는 300 Mbps가 MAC 계층의 오버헤드 때문에, 실제로는 60 Mbps정도밖에 성능을 내지 못한다는 것이 밝혀졌다. 최근 학계에서는 이 문제를 근본적으로 해결하기 위해 무선랜의 MAC 계층을 새로 디자인하는 몇몇의 연구가 진행되었다. 이 연구들은 OFDM 기술을 활용하여 MAC 계층의 상대적 혹은 절대적 오버헤드를 감소시킨다.

한편, 주파수 다이버시티(frequency diversity)는 WiMAX나 셀룰러 시스템과 같이 큰 대역폭(100 MHz 이상)에서 동작하는 무선 통신 시스템을 설계할 때 전송성능 측면에서 반드시 고려해야 할 중요한 특징이다. 대역폭이 큰 경우 전체 주파수 밴드는 시간, 링크, 주파수 대역에 따라 다양한 페이딩(fading)을 겪는데, 이를 주파수 선택적(Frequency-selective) 페이딩이라 한다. 무선랜에서도 점차 더 큰 대역폭의 사용을 표준화하고 있다. 예를 들어, 802.11n 표준에서는 PCO(Phased Coexistence Operation)를 통하여 2개의 20 MHz 채널을 사용하고, 802.11ac 표준에서는 8개의 20MHz 채널을 채널 본딩을 통해 사용할 수 있다. 이에 발맞추어 최근 학계에서도 다이버시티를 이용하는 무선랜 프로토콜이 몇몇 제안되었다.

그런데, 다이버시티를 이용하기 위해서는 필연적으로 채널상태를 측정해야 하지만, 채널상태 측정은 프로토콜 측면에서 또 다른 오버헤드를 야기한다는 문제점이 있다.

본 발명은 상술한 바와 같은 기술적 배경에서 안출된 것으로서, 다이버시티를 이용하면서 오버헤드를 줄일 수 있는 무선랜 시스템 및 무선랜 서비스 방법을 제공하는 것을 그 과제로 한다.

이와 같은 과제를 해결하기 위하여 본 발명에서는, 무선랜 시스템에서 CSMA 기반으로 채널경쟁과 상태측정을 동시에 수행한다.

본 발명의 일변에 따른 무선랜 서비스 제공 방법은, 액세스 포인트와 상기 액세스 포인트에 연결(association)할 수 있는 다수의 스테이션을 포함하는 무선랜 시스템에서 상기 액세스 포인트가 무선랜 서비스를 제공하는 방법으로서, 사용가능한 채널의 주파수 대역폭을 주파수 선택적인 다수의 서브채널로 분리하는 단계; 상기 다수의 스테이션 중 적어도 일부(제1 스테이션)로부터 상기 다수의 서브채널 중 일부를 통하여 상기 제1 스테이션을 식별할 수 있는 상기 제1 스테이션의 시그너처를 포함하는 CRQ(Coention Resolution reQuest) 프레임을 수신하는 단계; 수신된 상기 CRQ 프레임을 통하여 상기 제1 스테이션을 식별하는 단계; 수신된 상기 CRQ 프레임을 통하여 상기 제1 스테이션의 업링크 채널 상태를 측정하는 단계; 상기 제1 스테이션에 각각 서브채널을 할당하는 단계; 및 상기 서브채널의 할당 결과를 CRP(Contention Resolution rePly) 프레임을 통하여 브로드캐스트하는 단계를 포함하여 이루어진다.

여기에서, 상기 서브채널은 최소 간섭 대역폭 이하 또는 3MHz 이하의의 대역폭을 갖는 것이 바람직하며, 상기 서브채널은 모두 14개일 수 있다.

상기 시그너처는 16개의 이진수로 구성되며, 상기 각 스테이션은 상기 액세스 포인트와 연결할 때 상기 액세스 포인트를 포함하는 네트워크에서 유일한 시그너처를 상기 액세스 포인트로부터 할당받는다.

상기 CRQ 프레임을 수신하는 단계에서는 상기 각 서브채널에 대하여 상기 각 서브채널을 사용하고자 하는 상기 제1 스테이션들의 상기 시그너처의 합성신호를 수신할 수 있다.

상기 제1 스테이션은 채널상태가 좋을 가능성이 큰 K(K는 자연수)개의 서브채널을 선택하여 선택된 서브채널을 통해 상기 CRQ 프레임을 송신하며, 멀티채널 백오프 알고리즘을 이용하여 상기 서브채널을 선택하는 것이 바람직하다.

상기 제1 스테이션을 식별하는 단계에서는 블룸 필터를 사용하여 상기 제1 스테이션을 식별하며, 상기 채널 상태를 측정하는 단계에서는 수신한 상기 CRQ 프레임에 포함된 고유 비트(하나의 스테이션으로부터만 전송된 비트)의 에너지를 측정함으로써 채널 상태를 측정할 수 있다.

상기 브로드캐스트하는 단계에서는 상기 CRP 프레임에 데이터 전송률 정보를 포함하여 브로드캐스트하는 것이 바람직하다.

상기 제1 스테이션을 식별하는 단계에서는 기계학습(ML: Machine Learning) 알고리즘을 적용하여 상기 제1 스테이션을 식별할 수 있으며, 상기 기계학습 알고리즘에 사용되는 기계학습 모델은 새로운 상기 스테이션이 상기 액세스 포인트와의 연결을 맺거나 끊을 경우 트레이닝하는 것이 바람직하다.

본 발명의 다른 면에 따르면 액세스 포인트; 및 상기 액세스 포인트에 연결(association)할 수 있는 다수의 스테이션을 포함하는 무선랜 시스템이 제공되며, 상기 무선랜 시스템에서 사용가능한 채널의 주파수 대역폭을 주파수 선택적인 다수의 서브채널로 분리하고, 상기 다수의 스테이션 중 적어도 일부(제1 스테이션)는 상기 다수의 서브채널 중 일부를 통하여 상기 제1 스테이션을 식별할 수 있는 상기 제1 스테이션의 시그너처를 포함하는 CRQ(Coention Resolution reQuest) 프레임을 상기 액세스 포인트로 송신하고, 상기 액세스 포인트는, 수신된 상기 CRQ 프레임을 통하여 상기 제1 스테이션을 식별하고, 수신된 상기 CRQ 프레임을 통하여 상기 제1 스테이션의 업링크 채널 상태를 측정하여, 상기 제1 스테이션에 각각 서브채널을 할당하고, 상기 서브채널의 할당 결과를 CRP(Contention Resolution rePly) 프레임을 통하여 브로드캐스트한다.

여기에서, 상기 제1 스테이션은 상기 서브채널이 DIFS(DCF Inter-Frame Space) 시간 동안 유휴(idle) 상태일 때, 상기 CRQ 프레임을 동시에 전송할 수 있다.

본 발명에 따르면, OFDM 서브캐리어로 구성된 블룸 필터를 사용하여 채널경쟁을 함으로써, 추가적인 오버헤드 없이 스테이션들의 업링크 채널상태를 측정하고, 이를 바탕으로 다이버시티를 이용할 수 있다.

또한, 멀티채널 백오프 알고리즘을 사용하여 스테이션들이 분산적으로 다이버시티를 탐색하는 동시에 false positive가 드물게 일어나도록 조절할 수 있으며, 블룸 필터의 멤버십 테스트에 기계학습(ML: Machine Learning)을 적용하여 이미 발생한 false positive를 보정하여 오류를 최소화할 수 있다.

도 1은 본 발명의 실시예에 따른 무선랜 시스템에서 사용하는 MAC(Media Access Control) 프로토콜을 나타내는 도면이다.
도 2는 본 발명의 실시예에 따른 무선랜 시스템에서 하나의 서브채널에서 일어나는 Bloom filter의 원소 삽입(CRQ), CRQ 디코딩(멤버십 테스트), 채널경쟁 결과의 브로드캐스트(CRP) 과정을 나타내는 도면이다.
도 3은 본 발명의 실시예에 따른 무선랜 시스템의 채널측정 상태 에러를 나타내는 실험결과 CDF이다.
도 4는 이진배열의 어떤 비트가 “1”로 세팅되는 이벤트가, 해시함수의 선택과 다른 해시함수의 선택에 의한 비트로부터 signal power leakage에 의해 동시에 일어날 수 있는 비트를 나타낸다.
도 5는 본 발명의 실시예에 따른 무선랜 시스템과 FICA의 false positive/collision 확률 분석 및 시뮬레이션 결과를 나타낸다.
도 6은 멀티 채널 백오프의 의사코드를 나타낸다.
도 7은 CRQ 디코딩에 기계학습(ML: Machine Learning) 방법을 적용한 경우의 정확도 측면에서의 성능을 나타낸다.
도 8은 ML 알고리즘을 트레이닝할 때 필요한 시간을 트레이닝에 사용된 instance의 개수에 따라 나타낸 그래프이다.
도 9는 본 발명의 실시예에 따른 무선랜 시스템의 성능 평가를 위해 사용된 연구실(실내) 실험 환경을 나타낸다.
도 10은 도 9의 실험환경에서 서브캐리어 수준의 시그널링 정확도 그래프를 나타낸다.
도 11은 본 발명의 실시예에 따른 무선랜 시스템의 throughput을 다른 종래기술들과 비교한 것으로서, 각 방법들의 throughput의 경험적 누적분포함수 (ECDF)를 도시한 것이다.
도 12는 본 발명과 다른 종래기술의 Jain's fairness index를 나타낸다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 한편, 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.

이하에서, 첨부한 도면을 참고로 하여 본 발명의 실시예에 따른 무선랜 시스템 및 그 PHY/MAC 계층 통신방법에 대하여 상세히 설명하기로 한다.

1. 무선랜 시스템 설계

본 발명의 실시예에 따른 무선랜 시스템에서는 CSMA(Carrier Sense Multiple Access)를 기반으로 채널 경쟁과 상태 측정을 동시에 수행한다.

일반적으로 채널 상태 측정은, 따로 제공(dedicated)된 시간을 할당하거나, 트레이닝 시퀀스(training sequence; pilot) 등을 이용하므로, 성능 측면에서 오버헤드가 된다. 하지만 본 발명의 실시예에 따른 무선랜 시스템에서는, CSMA 기반 프로토콜에서, 본디 노드들이 수행하는 채널경쟁 시에, AP로 하여금 추가적으로 채널 측정을 시도하게 하므로, 추가적인 오버헤드가 없으며, 측정결과에 기반하여 주파수 다이버시티를 이용할 수 있다. 본 발명의 이와 같은 특징을 감안하여 본 발명의 실시예에 따른 무선랜 시스템을 Diversity-aware WiFi(D-Fi)라 부를 수 있다.

이하에서는 본 발명의 실시예에 따른 PHY/MAC 프로토콜을 구체적으로 기술한다.

A. Channelization

OFDM(Orthogonal Frequency-Division Multiplexing) 시스템에서 큰 FFT(Fast Fourier Transform) 값을 사용하면 OFDM 심볼의 길이가 시간상으로 길다. 이는 곧 프로토콜 오버헤드의 상대적인 감소를 의미한다. 따라서 효율적인 프로토콜을 설계하기 위해서는, 큰 FFT 값을 사용하는 것이 좋다. 이론적으로는, 큰 FFT 값을 선택함에 있어서 제약이 없다. 하지만 실제로 OFDM 시스템을 구현할 때에는, FFT 윈도우(window) 크기를 정할 때에 고려해야 하는 사항들이 몇 가지 있다.

첫째, FFT의 시간복잡도는 O(NlogN)으로 주어진다. 둘째, 실제 OFDM 시스템에서의 서브캐리어 간 주파수 분할은 100% 정확한 것은 아니다. 주파수 분할 오차는 일반적으로 시간 동기화(time synchronization) 에러, 도플러 효과, 미스매치드오실레이터(mismatched oscillator) 등의 이유로 발생하는데, 이는 결과적으로 서브캐리어 간 직교성을 잃게 하며, 무시할 수 없는 ICI(Inter Carrier Interference)를 야기한다.

위와 같은 상황을 고려하여, 본 발명의 실시예에 따른 무선랜 시스템에서는 20MHz채널에 대하여 256, 40MHz채널에 대하여 512를 FFT 윈도우 사이즈로 선택한다(서브캐리어의 대역폭은 대략 78.12KHz). 페이딩 채널에서, coherence bandwidth는 채널상태가 통계적으로 균등한 주파수의 크기를 의미한다. 최근의 2.4GHz/5GHz ISM 밴드의 coherence bandwidth를 측정한 연구들에 의하면, minimum coherence bandwidth는 실내환경에서 대략 3 MHz정도이다. 따라서 3 MHz보다 작은 밴드를 채널접근의 기본단위인 서브채널로 잡으면, 하나의 서브채널은 채널상태가 균등하고, 서로 다른 서브채널들 간에는 frequency selectivity가 존재하게 된다.

본 발명의 실시예에 따른 무선랜 시스템에서는 17개의 서브캐리어가 채널 접근의 기본 단위인 한 개의 서브채널을 구성하도록 한다. 이 경우 서브채널의 대역폭은 대략 1.4MHz이다. 17개의 서브캐리어 중 16개는 데이터전송에, 한 개는 데이터전송 중 채널상태를 계속적으로 측정하기 위한 파일럿(pilot)으로 사용된다.

결과적으로, 20 MHz밴드는 무선랜이 주로 동작하는 실내환경에서 서로 주파수 선택적인(frequenncy-selective) 총 14개의 서브채널로 channelization된다.

B. 프로토콜 개요

도 1은 본 발명의 실시예에 따른 무선랜 시스템에서 사용하는 MAC(Media Access Control) 프로토콜을 나타내는 도면이다.

도 1에 나타난 바와 같이, 본 발명의 실시예에 따른 무선랜 시스템에서는 채널경쟁 및 채널측정을 위하여, Contention Resolution reQuest (CRQ)와 Contention Resolution rePly (CRP) 프레임교환을 이용한다.

스테이션(STA)들은 채널이 DIFS(DCF Inter-Frame Space) 시간 동안 유휴(idle) 상태이면, CRQ 프레임을 동시에 전송한다. CRQ 프레임을 보낼 때, 각 STA들은 채널상태가 좋을 가능성이 높은 K개의 서브채널을 선택하여, 각각의 서브채널에 자신의 시그너처(signature)를 전송한다. 결과적으로 하나의 서브채널에는 해당 서브채널을 사용하고자 하는 STA들의 시그너처들의 합성신호가 AP로 전송된다. 여기서 AP로 전송된 여러 개의 CRQ 신호들은, STA들의 RxTx 스위칭 시간, 신호 도달 시간, CCA 시간들이 서로 상이하므로, 시간차를 가지고 AP에 도착하게 된다. 이 시간차이는 그 최대값을 구할 수 있으며(tightly bounded), OFDMA 시스템에서는 이 최대 시간차이가 CP 값보다 작게 되면, AP는 위와 같은 여러 개의 신호들이 동시에 왔을 때에도 신호를 온전히 디코딩할 수 있다. 따라서 본 발명의 실시예에 따른 무선랜 시스템에서는 이러한 최대 시간차이 값을 고려하여 CP를 설정한다.

AP는 수신된 CRQ 프레임을 통하여 STA들의 업링크 채널상태를 측정한다. 구체적인 채널 상태의 측정방법은 후술한다.

이러한 측정결과를 가지고, AP는 미리 정해진 채널 할당정책(예를 들어 proportional fairness 또는 처리량(throughput) 최적 할당 등)에 의거 서브채널들을 STA들에게 할당한다. AP는 채널할당 결과를 CRP 프레임에 실어 STA들에게 브로드캐스트한다. CRP 프레임은 각 서브채널 별로 채널경쟁에서 이긴 STA의 시그너처와 채널상태를 고려하여 실제 데이터전송에서 STA이 사용해도 좋은 데이터 전송률(rate) 정보를 포함한다.

채널이 할당된 STA들은 할당된 서브채널들을 이용하여 데이터를 전송하고, AP는 마지막으로 데이터가 온전히 전송된 서브채널에 대하여 ACK을 보낸다.

C. 채널 경쟁 및 상태 측정 (Channel contention and estimation)

이 절에서는 채널경쟁과 채널상태 측정에 사용되는 시그너처, CRQ/CRP프레임, 채널상태 측정방법, 채널할당 정책에 대하여 구체적으로 기술한다.

i. 시그너처

시그너처는 16개의 이진수로 구성되며, 각 STA들은 AP와 연결(association)할 때, 네트워크에서 유일한 시그너처를 AP로부터 할당받는다.

시그너처의 할당은 다음의 과정에 의해 이루어진다. 먼저, 16개의 이진수 배열을 4개의 연속된 이진수로 구성된 4개의 부분배열로 분할한다. 그리고 각각의 부분배열에서 1개의 비트만 골라 “1”로 나머지는 “0”으로 세팅한다. 따라서 가능한 시그너처는 총 4⁴(=256)개가 된다. 이는 일반적인 무선랜 환경에서 하나의 AP에 연결되어있는 STA의 개수가 그리 크지 않은 점(수십 개 미만)을 고려하면 충분한 숫자이다.

STA들은 AP와 연결을 맺거나 끊거나 한다. 연결된 상태의 STA은 AP로부터 시그너처를 할당받았을 것이다. 할당된 시그너처는 이때 "valid"하다고 한다. 만약 어떤 STA이 긴 시간 동안 inactive하면, AP는 자발적으로 이 STA과의 연결을 끊고, 그 STA의 시그너처를 회수한다, 이때 회수된 시그너처는 "invalid"하다고 하며, "invalid"한 시그너처는 다른 STA에게 재 할당할 수 있다.

ii. CRQ 프레임

본 발명의 실시예에 따른 무선랜 시스템에서는 채널 경쟁과 상태 측정을 동시에 하기 위해서, 블룸 필터(Bloom Filter)를 사용한다.

블룸 필터는 주어진 원소가 어떤 집합에 속하는지 여부를 검사하는데 사용할 수 있는 자료 구조이다.

하나의 서브채널을 통해 하나의 시그너처만이 전송되는 경우에는 해당 시그너처를 쉽게 검출할 수 있다. 반대로 두 개 이상의 시그너처가 충돌하는 경우에는 시그너처를 식별하기 위하여 블룸 필터를 사용한다. 블룸 필터를 이용하여 시그너처를 식별하는 과정을 "CRQ 디코딩(멤버십 테스트)"이라 하며, 이러한 과정이 도 2에 도시되어 있다.

한 개의 CRQ 프레임은 총 14개의 서브채널에 대한 채널 경쟁정보를 가진다. 각 서브채널은 각 한 개의 블룸 필터를 사용하므로, 한 개의 CRQ 프레임 전송에 총 14개의 블룸 필터를 사용한다. 또한 각 블룸 필터는 m(m = 16)개의 이진수로 구성된다.

도 2는 본 발명의 실시예에 따른 무선랜 시스템에서 하나의 서브채널에서 일어나는 블룸 필터의 원소 삽입(CRQ), CRQ 디코딩(멤버십 테스트), 채널경쟁 결과의 브로드캐스트(CRP) 과정을 나타내는 도면이다.

CRQ 디코딩 과정에는, 두 가지 종류의 모호성이 존재하는데, 이는 물리적 에러와 논리적 에러이다. 블룸 필터의 한 개의 비트는 OFDM 시스템에서의 한 개의 서브캐리어이다. STA들은 시그너처를 삽입하기 위하여 몇몇 서브캐리어에 시그널을 보내게 된다. 실제 환경에서는 OFDM 시스템의 서브캐리어 간 분할이 완벽하게 구현되지 않아 약간의 오차를 포함한다. 따라서 시그널이 삽입된 서브캐리어의 인접 혹은 주변 서브캐리어들은 이른바 “signal power leakage”라고 불리는 현상을 겪게 된다. AP에서 시그널이 서브캐리어에 삽입되었는지를 판단하는 것은, 그 서브캐리어에 삽입된 시그널의 세기를 미리 정해진 임계값과 비교하는 방법에 의해 구현되므로, 실제로는 특정 서브캐리어에 시그널이 삽입되지 않았음에도 불구하고, 시그널이 삽입된 것으로 해석될 수 있다. 이와 같은 현상을 "bitwise false positive (bitwise-FP)"라고 하고, 반대의 경우를 "bitwise false negative (bitwise-FN)"라고 할 수 있다. 바로 이러한 경우가 물리적 에러가 발생한 경우이며, 물리적 에러는 임계값을 적절히 혹은 적응적 방식으로 선택하는 방법에 의해 무시할 수 있는 수준으로 낮출 수 있다.

논리적 에러는, 블룸 필터의 내재적 특성 때문에 발생하는 것으로, CRQ 디코딩 과정에서는, AP가 어떤 서브채널에서, 실제로는 요청하지 않은 STA을 그 서브채널을 요청한 STA으로 잘못 인식하게 되는 경우를 의미한다. 이것이 이른바 블룸 필터의 “false positive”다.

도 2에 나타난 바와 같이, 시그너처가 "1000 1000 0010 0001"인 STA1과 "1000 1000 0001 0010"인 STA2가 있을 경우, 만약 두 STA이 같은 서브채널을 사용하기를 원한다면 자신들의 시그너처를 CRQ 프레임의 그 서브채널에 해당하는 블룸 필터에 넣는다. 그 결과 생성되는 블룸 필터는 "1000 1000 0011 0011"이 될 것이다.

이에 따라 AP는 블룸 필터의 결과값 "1000 1000 0011 0011"을 가지고 STA1과 STA2가 그 서브채널을 요청하였음을 알 수 있다. 하지만, "1000 1000 0001 0001” 또는 “1000 1000 0010 0010”을 시그너처로 할당받은 STA들도 그 서브채널을 요청하였다고 잘못 해석할 수 있다. 즉, AP는 CRQ 디코딩 과정에서 "valid"한 시그너처를 가지는 STA들만을 고려하지만, 이러한 false positive를 무시할 수 없다.

이와 같은 모호성을 해결하기 위하여 본 발명의 실시예에 따른 무선랜 시스템에서는 두 가지 방법을 사용한다. 분석에 기반한 멀티 채널 백오프 알고리즘과 CRQ 디코딩에 기계학습을 적용하는 방법이다.

분석기반 멀티 채널 백오프는 너무 많은 STA들이 같은 서브채널을 요청하지 않도록 제어하는 방법이다. 이 방법은, 분석을 바탕으로 결정된 값 K (STA들이 한번의 채널경쟁에서 최대로 요청할 수 있는 서브채널의 수)를 바탕으로 동작한다. 알고리즘은 STA들이 분산환경에서 자신들이 경쟁에 이길 확률이 높은 (채널상태가 좋은) K개의 서브채널을 평균적으로 선택하게 한다. 이에 대한 자세한 설명은 후술한다.

반면, 기계학습에 기반한 CRQ 디코딩은 AP가 논리적 에러 혹은 물리적 에러가 포함된 CRQ 프레임의 에러를 보정하고 디코딩할 수 있도록 한다. 이에 대한 상세 역시 후술한다.

요약하자면, 멀티 채널 백오프 방법은 논리적 에러가 드물게 일어나도록 만드는 방법이고, 기계학습 기반 디코딩은 이미 발생한 물리적/논리적 에러를 바로잡는 방법이다.

iii. CRP 프레임

AP는 CRQ 프레임을 디코딩하여 서브채널 별로 경쟁에서 이긴, 즉 AP가 서브채널을 할당한 STA들의 시그너처와 채널상태 측정결과를 바탕으로 STA이 데이터를 전송할 때 사용해도 좋을 만한 데이터 전송률(rate) 정보를 CRP 프레임에 실어서 브로드캐스트한다. 시그너처는 총 4⁴(=256)개이므로, 서브채널의 16개의 비트 중 8개는 시그너처, 나머지 8개는 데이터 전송률 정보를 보내는데 사용한다(도 2 참조).

iv. 채널 상태 측정

AP는 STA들이 CRQ 프레임을 전송하여 채널 경쟁을 할 때, STA들의 업링크 채널상태를 서브채널 단위로 측정한다.

모든 STA들이 동일한 전송 출력을 사용하고, CRQ 프레임을 전송할 때 전체 서브채널의 에너지는 시그너처를 구성하는 4개의 “1”로 설정된 비트에 균등하게 분포된다고 가정하면, AP는 고유 비트의 신호 세기로부터 채널 상태를 추정할 수 있다. 여기에서 고유 비트는 하나의 STA으로부터만 전송된 비트를 말한다.

CRG 디코딩이 완료되면, 고유 비트가 결정되고 해당 시그너처에 대한 고유 비트의 평균 에너지 레벨을 채널 상태로 볼 수 있다.

도 3은 본 발명의 실시예에 따른 무선랜 시스템의 채널측정 상태 에러를 나타내는 실험결과 CDF이다.

도 3에 나타난 바와 같이, 무선랜이 일반적으로 사용되는 실내환경에서 대부분의 경우(90%이상), 채널상태측정 에러는 1dB 이하로서, 상술한 방식의 채널상태 측정이 매우 정확함을 알 수 있다.

D. Proportional Fairness

채널상태 측정결과에 기반하여 D-Fi AP는 서브채널들을 STA들에게 할당한다. 이 때, Y. Zhang and S. Liew. Proportional Fairness in Multi-Channel Multi-Rate Wireless Networks - Part II: The Case of Time-Varying Channels with Application to OFDM Systems. In IEEE Transactions on Wireless Communications (TWC), Vol. 7, No. 9, pp.3457.3467. Sep. 2008에 소개된 proportional fairness 알고리즘에 의거하여 서브채널을 할당할 수 있다. 이 알고리즘은 페이딩 multi-channel, multi-rate, 그리고 discrete-time 모델을 고려하여, 계산복잡도가 높은 최적화 문제를 형성한다. 이 논문에서는 최적화 문제의 해를 찾기 위해, 한정된 타임슬롯 W개만을 고려하는 전략을 택함으로써, 문제의 복잡도를 줄였다. 이제 이 최적화 문제는, W개의 타임슬롯 동안의 throughput의 logarithm의 합을 최대화하는 문제가 된다. STA i의 타임슬롯 n에서의 throughput을

라 하면, W개의 타임슬롯 동안의 Throughput

은 다음의 [수학식 1]과 같다.

여기서

은 W개의 타임슬롯 중 과거에 해당되는 타임슬롯의 개수이며,

은 미래에 해당하는 타임슬롯의 개수다. [수학식 1]을 이용해, 목적함수는 다음의 [수학식 2]와 같이 쓸 수 있다.

널리 알려진 Shannon의 theorem을 적용하면, throughput은 AP에 의해 측정되게 될 SNR의 식으로 쓸 수 있다.

E. 블룸 필터

본 발명의 실시예에 따른 무선랜 시스템은 채널경쟁과 상태측정을 동시에 하기 위해서 블룸 필터를 사용한다. 블룸 필터는 본디 한정된 자원을 이용하여 많은 데이터를 저장하기 위한 자료구조이다. 본 발명의 실시예에 따르면, 블룸 필터에 원소들이 삽입된 형태가 모호성을 가지지 않을 경우(또는 모호성을 보정할 수 있을 경우), 채널상태 측정을 할 수 있게 되므로, 채널경쟁과 상태측정을 동시에 할 수 있게 된다.

본 발명의 실시예에 따른 무선랜 시스템에서, 블룸 필터는 OFDM 시스템에서 서브커리어-레벨 시그널링을 통해 구현된다.

2. 충돌/False positive 확률 분석

이제 본 발명의 실시예에 따른 무선랜 시스템의 충돌/False positive 확률을 분석하고, 이러한 분석에 기반하여 멀티 채널 백오프 알고리즘을 사용하는 본 발명의 다른 실시예에 따른 무선랜 시스템에 대하여 설명한다. 본 발명의 실시예에 따른 멀티 채널 백오프 알고리즘은 STA이 주파수 다이버시티를 분산적으로 탐색하게 하며, 블룸 필터의 내재적 약점인 false positive확률을 줄일 수 있게 한다.

N개의 STA, C개의 서브채널로 구성된 무선랜을 가정한다. 블룸 필터는 각각의 서브채널마다 한 개씩 사용되므로, 총 C개의 블룸 필터가 존재한다. 한 개의 블룸 필터는 m개의 이진비트(즉, 서브캐리어)와, h개의 해시함수(시그너처의 각 비트가 한 개의 해시함수에 의해서 선택됨)로 구성된다. 한 개의 STA은 매 채널경쟁에서, 평균적으로 K개의 서브채널을 동시에 요청한다. 따라서, 평균적으로 r(=

)개의 STA들이 한 개의 서브채널을 요청하게 될 것이다. 바꿔 말하면, 평균적으로 r개의 원소(즉, 시그너처)가 블룸 필터에 삽입된다.

우선 한 개의 원소가 블룸 필터에 삽입되는 상황을 분석한다. 해시함수는 블룸 필터의 각 비트를 동등한 확률로 선택한다고 가정한다. 본 발명의 실시예에 따른 무선랜 시스템에서 사용하는 해시함수는 블룸 필터의 이진배열을 동일한 크기로 자르고, 잘린 부분 이진배열(subsequence)들에서 각각 한 개의 비트만을 선택한다. 따라서, 한 개의 원소의 삽입과정에서, 전체 블룸 필터의 이진배열 중 한 개의 비트가 "1"로 설정될 확률은 다음의 [수학식 3]과 같다.

OFDM 시스템은 긴 주파수 도메인의 sidelobe로 인한 문제점이 종종 발생하며, 결과적으로 어떤 블룸 필터의 이진배열 중 어떤 비트는 인접한 혹은 가까운 비트의 신호로 인해, "1"로 설정될 수 있다. 이러한 현상을 앞에서 signal power leakage 혹은, 물리적 에러라고 부르기로 하였다.

가장 가까운 비트만이 무시할 수 없는 영향을 준다고 가정하고, Signal power leakage확률을

라고 하면, signal power leakage에 의해서 블룸 필터의 이진배열 중 어떤 비트가 "1"로 설정될 확률은 다음의 [수학식 4]와 같다.

도 4는 이진배열의 어떤 비트가 “1”로 설정되는 이벤트가, 해시함수의 선택과 다른 해시함수의 선택에 의한 비트로부터 signal power leakage에 의해 동시에 일어날 수 있는 비트를 나타낸다.

본 발명의 실시예에 따른 D-Fi의 해시함수는 블룸 필터의 이진배열 중 서로 겹치지 않는 각 부분 이진배열마다 한 개의 비트를 선택한다(각 부분 이진배열은 m/h 비트의 길이를 갖는다). 그러므로 해시함수의 입장에서, 도 4에 나타난 바와 같이, 자기 자신이 아닌 해시함수에 의해서 어떤 비트가 선택되고, 그 선택된 비트에 의해서 signal power leakage로 인해서 자신이 선택할 수 있는 비트가 "1"로 설정되는 현상은 부분 이진배열의 경계에서만 일어날 수 있다. 이러한 사실을 고려하여, 블룸 필터의 이진배열 중 어떠한 비트가 한 개의 원소의 삽입과정에서 "1"로 설정될 확률

는 다음의 [수학식 5]와 같다.

그러므로 블룸 필터의 이진배열 중 어떠한 비트가 한 개의 원소의 삽입과정에서 "0"으로 설정될 확률은 다음의 [수학식 6]으로 된다.

이제 여러 개의 원소의 삽입과정, 즉 하나의 서브채널에 대하여 다수의 요청이 있는 경우로 분석을 확장한다. 평균적으로 한 개의 블룸 필터에서는 r개의 원소가 삽입되므로, 블룸 필터의 이진배열 중 어떠한 비트가 r개의 원소의 삽입과정에서 "0"으로 설정될 확률은 다음의 [수학식 7]과 같다.

그러므로 블룸 필터의 이진배열 중 어떠한 비트가 r개의 원소의 삽입과정에서 "1"로 설정될 확률은 다음의 [수학식 8]과 같이 된다.

이제, 실제로 서브채널에 대해 경쟁하지 않는 STA을 고려한다. 블룸 필터에서 r개의 원소의 삽입 과정에서 h개의 비트가 [수학식 8]의 확률에 의해서 "1"로 설정된다. 이 h개의 비트가 정확히 어떠한 실제로 삽입되지 않은 원소의 h개의 해시값들과 일치하면, 블룸 필터에서 false positive가 일어나게 되는데, 이는 곧, AP가 실제로 서브채널을 요청하지 않은 STA의 시그너처를 감지하게 되는 확률이고, 이는 아래의 [수학식 9]와 같이 주어진다.

충돌 확률의 경우, D-Fi에서는 AP가 하나의 서브채널마다 하나의 시그너처를 선택하기 때문에, D-Fi의 충돌 확률은 0이다.

도 5는 본 발명의 실시예에 따른 무선랜 시스템과 A. Bhartia, Y. C. Chen, S. Rallapalli, and L. Qiu. Harnessing Frequency Diversity in Multicarrier Wireless Networks. In ACM MobiCom 2011(이하, FICA)의 false positive/collision 확률 분석 및 시뮬레이션 결과를 나타낸다.

도 5에 나타난 바와 같이, 한 서브채널의 채널경쟁에 참여하는 STA의 개수가 증가할수록, false positive 확률이 증가한다. 구체적으로 본 발명의 실시예에 따른 무선랜 시스템의 시그너처 기반 채널경쟁 메커니즘은 한 서브채널의 채널경쟁에 참여하는 STA의 개수가 2.6 이하일 때 FICA의 방법보다 collision/false positive확률 측면에서 좋다. 하지만 D-Fi의 시그너처 기반 채널경쟁 메커니즘은 AP로 하여금 추가적인 오버헤드 없이 채널측정을 할 수 있게 한다는 점에서 유리하다.

그럼에도, 하나의 서브채널을 요청하는 STA의 개수를 적절히 조절하는 것은 중요한 일이다. 이를 적절히 조절하기 위해서, 본 발명의 다른 실시예에 따른 무선랜 시스템에서는 분석에 기반한 멀티 채널 백오프 방법을 사용한다. 이 멀티 채널 백오프 방법은, 분산적으로 STA들이 채널 다이버시티를 탐색하게 하며, 동시에 하나의 서브채널을 요청하는 STA의 개수를 조절한다.

본 발명의 실시예에 따른 무선랜 시스템에서 AP는 서브채널 경쟁에 참여한 STA들의 해당 서브채널 상태를 고려하여, 그 서브채널을 요청한 STA들 중 하나의 STA에게 할당한다. AP의 서브채널 할당은 어떠한 채널할당 알고리즘(예를 들어, throughput-optimal, proportional fairness 등)을 적용해도 상관이 없다.

STA의 입장에서는, 서브채널 경쟁에 참여하는 것은 크게 2가지 역할을 수행하는 것으로 볼 수 있다. 이는, 서브채널을 탐색(exploration)하는 것과 채널상태가 좋은 서브채널을 이용(exploitation)하는 것이다.

이를 위해서, 본 발명의 다른 실시예에 따른 무선랜 시스템에서는 멀티 채널 백오프 방법을 사용한다. 이 방법은 STA들이 분산적으로 어떤 서브채널을 요청해야 하는지를 제어한다. 구체적으로, 각 STA들은 각각의 서브채널을 요청할 확률을 원소로 가지는 벡터[Pr(1), Pr(2), ..., Pr(C)]를 가지며, 이 벡터의 원소들은 초기에 K/C값으로 설정된다. 각 확률 값은, additive increase/multiplicative decrease (AIMD) 방법에 의해 조절된다. STA은 CRP 프레임을 들으면 해당 서브채널에서 데이터를 보내도록 서브채널을 할당받았는지 알 수 있다. STA은 사용을 요청했던 서브채널 i들에 대해서, 서브채널이 자신에게 할당된 경우 Pr(i)를 α만큼 증가시키고, 자신에게 할당되지 않은 경우 Pr(i)를 β%만큼 감소시킨다. 그 후, 벡터의 원소들의 전체 합이 K가 되도록 정규화한다.

평균적으로 하나의 STA은 K개의 서브채널을 요청하게 된다. 이 값이 active한 STA의 개수(N)에 의해서 조절되어야 함은 자명하다. AP는 active한 STA의 개수를 측정하여, 주기적으로 적절한 K(=

)값을 브로드캐스트한다. 이때 r값은, 앞서 소개한 분석에 기반하여 false positive를 너무 크게 하지 않도록 (예를 들어서 10% 미만) 선택된다.

도 6은 멀티 채널 백오프의 의사코드를 나타낸다.

3. CRQ 디코딩 성능 향상: 기계학습

본 발명의 다른 실시예에 따른 멀티 채널 백오프 알고리즘은, 모든 서브채널에 채널 사용요청이 골고루 분산되도록 조절한다. 그럼에도, D-Fi의 CRQ 디코딩에서의 false positive 확률은 무시할 수 없는 수준이므로, 본 발명의 또다른 실시예에서는 CRQ 디코딩 성능 향상을 위하여 기계학습 방법을 적용한다.

기계학습 방법을 적용한 본 발명의 또다른 실시예에 따른 무선랜 시스템에서는 매우 작은 오버헤드로 false positive를 거의 완벽하게 제거할 수 있다.

CRQ 디코딩 과정에 기계학습 방법을 적용하기 위해서, 먼저 실험용 테스트베드로부터 서브캐리어 당(per-subcarrier) RSSI 값들로 구성된 데이터 셋을 수집하였다. 실험용 테스트베드에서는 무작위로 할당된 시그너처를 가지는 최대 3개의 STA들이 동시에 같은 서브채널에 CRQ 신호를 전송할 수 있도록 설정하였다. STA들은 연구실(실내)에서 다양한 위치에 놓였으며, 따라서 AP가 받은 각 STA으로부터 온 신호는 세기가 매우 다양하였다. 자세한 실험환경에 대해서는 후술한다.

결과적으로 AP에 수신된 CRQ 프레임은 한 번의 채널경쟁에서 각 서브채널 당 16개의 RSSI 값을 가진다. 이처럼 16개의 RSSI 값으로 이루어진 한 개의 배열을 하나의 instance라고 부르기로 한다. CRQ 프레임을 전송한 STA들의 리스트(label)와, 각 STA들의 시그너처를 미리 알고 있으므로, 각 instance를 레이블링(labeling)할 수 있다. 따라서 이와 같이 레이블링된 instance 셋을 ground-truth로 놓고 기계학습의 supervised-학습방법을 적용할 수 있다. 레이블링된 instance 셋을 이용하여 기계학습의 모델을 트레이닝하고, ground-truth를 이용하여 트레이닝된 모델을 평가한다.

잘 알려진 기계학습 툴인 WEKA를 사용하였으며, 각각의 모델에 대하여 WEKA가 제공하는 10-folds cross-validation 방법을 사용하여 평가의 신뢰성을 높였다.

도 7과 도 8은 각각 CRQ 디코딩에 기계학습(ML: Machine Learning) 방법을 적용한 경우의 정확도 측면에서의 성능과 각 기계학습 방법을 트레이닝하는 데 필요한 시간을 나타낸다.

적용한 알고리즘은, Naive Bayes, Naive Bayesian tree, J48 decision tree, support vector machine(SVM)이다. 도 7에 나타난 바와 같이, 결과에 의하면 모든 ML 알고리즘들은 기계학습을 적용하지 않고 블룸 필터의 멤버십 테스트를 하는 direct CRQ 디코딩 방법보다 매우 성능이 좋다. 구체적으로, 200개 이상의 instance가 ML 모델 트레이닝에 사용되면, 모든 ML 알고리즘은 direct CRQ 디코딩 에러를 거의 완벽하게 복구한다(정확도가 99.9% 이상).

도 8은 ML 알고리즘을 트레이닝할 때 필요한 시간을 트레이닝에 사용된 instance의 개수에 따라 나타낸 그래프이다. Naive Bayes 방법은 알고리즘의 계산복잡도가 낮아 겨우 수십 마이크로 초 정도가 필요하다. 또한, AP가 정확한 ML 모델의 트레이닝을 위해서 필요한 200개의 instance를 모으는데 필요한 시간은, 수십 밀리 초 정도이며, 이는 ML 방법이 실제로 무선랜환경에 적용할 경우 매우 작은 시간에 불과하다. 실제로 ML 방법을 무선랜 AP에 적용하게 될 때의 고려해야 할 몇 가지 이슈들은 다음과 같다.

A. Ground-truth의 생성

실제 AP는 direct CRQ 디코딩 방법을 통하여, 레이블링을 하고, 이를 ground-truth로 쓸 수밖에 없다. Direct CRQ 디코딩 방법은 false positive가 발생할 수 있으며, 이 경우 실제로 서브채널을 요청하지 않은 STA을 해당 서브채널에 할당할 수 있다. 이 경우 해당 서브채널을 할당받은 STA은 해당 서브채널을 요청하지 않았으므로, 데이터를 해당 서브채널에 전송하지 않을 것이며 이를 통하여, AP는 자신의 direct CRQ 디코딩에 false positive가 발생했음을 추측할 수 있다. AP는 이를 통해, 해당 instance의 레이블링을 보정한다. 물론 완전한 ground-truth를 얻을 수는 없지만, AP는 이와 같이 보정된 instance 셋을 이용하여 ML 모델을 트레이닝한다.

B.ML 모델 트레이닝 시점

AP는 총합 200개 이상의 instance가 레이블 별로 골고루 분포된 트레이닝 데이터를 가지고 ML 모델을 트레이닝하였을 때, 정확한 성능을 보장할 수 있다. 또한 ML 모델은 한번 트레이닝해 놓으면, 채널상황이 급격하게 변하지 않는 이상 신뢰도 있는 CRQ 디코딩 결과를 생성할 것이다. 따라서 새로운 STA이 연결을 맺거나 끊을 경우 새롭게 ML 모델을 트레이닝하면, 신뢰도 있는 CRQ 디코딩 결과를 계속 생성할 수 있을 것이다.

4. 성능 평가

이제 본 발명의 실시예에 따른 무선랜 시스템의 성능 평가 결과를 설명한다.

A. 구현(Implementation)

i. 프로토타입 및 실험환경

도 9는 본 발명의 실시예에 따른 무선랜 시스템의 성능 평가를 위해 사용된 연구실(실내) 실험 환경을 나타낸다.

실험에서는 GNU 소프트웨어 라디오(SDR) 코드로 동작하는 4대의 USRP 노드를 이용한 작은 테스트베드에 본 발명의 실시예에 따른 D-Fi의 PHY/MAC을 프로토타입 하였다. 실험은 무선랜이 동작하는 ISM 밴드인 2.4G/5GHz대역(XCVR2450 도터보드)에서 수행되었다. CRQ/CRP 프레임을 송신할 때 Binary Amplitude Modulation (BAM)을 사용하였다. 서브커리어 신호의 신뢰성 있는 인지를 위해 AP가 임계값을 적응적으로 선택하도록 하였다. 전형적인 실내환경에서의 D-Fi PHY/MAC 프로토콜이 동작함을 보이기 위해서 연구실에서 실험하였다.

도 9에 나타난 실험환경에서 4개의 위치를 무작위로 골라서 USRP를 놓고, 그 중 한 개는 AP로 나머지 3개는 그 AP에 연결을 맺은 STA으로 동작하도록 하였다. 소프트웨어라디오가 제공하는 다양한 전송파워에 대해서 실험하였으며, 결과적으로 수신신호의 크기의 최대 최소값이 10dB정도 차이가 났다.

ii. 결과

도 10에서는 서브캐리어 수준의 시그널링의 정확도를 나타내고 있다. 상술한 실험환경에서는 최대 3개의 STA이 동시에 CRQ 신호를 전송하므로, 최대 3개의 CRQ 신호의 합성신호가 AP에 도달한다. 이 합성 CRQ신호의 SNR을 X축으로 하여, 서브캐리어 수준의 시그널링의 정확도 그래프를 그렸다.

합성되기 전의 각 CRQ 신호들 간 신호세기가 5dB이상 차이 나는 경우 이를 "different case라 하고, 그렇지 않은 경우를 "similar case"라고 한다. 모든 실험결과에서, D-Fi 서브캐리어 수준 시그널링은 잘 동작하는 것을 알 수 있다.

작은 확률로 가끔 bitwise-FP 그리고 bitwise-FN가 발생하지만, 앞서 본 발명의 또 다른 실시예에 대하여 서술한 바와 같이 D-Fi는 ML의 적용을 통해 매우 신뢰도 높은 CRQ 디코딩 성능을 보장한다.

이와 같은 상황을 실제 시그너처 인지 문제에 적용하면, 인지 정확도는 블룸 필터의 false positive 때문에 ML 알고리즘의 적용 없이 약 92퍼센트 정도 되며, ML 알고리즘을 적용한다면, 인지 정확도는 99.9 퍼센트 이상을 달성한다.

채널상태 측정의 정확도는 도 3에 나타나 있다. 도 3에 대해 이미 설명한 바와 같이, 대부분은(90% 이상) 본 발명의 실시예에 따른 채널상태 측정방법은 1dB 이하의 채널상태 측정에러를 보이며, 이러한 두 실험결과는 본 발명의 실시예에 따른 D-Fi의 채널경쟁 및 채널상태 측정 메커니즘이 전형적인 무선랜 환경에서 매우 실용적으로 쓸 수 있음을 나타낸다.

B. Trace-driven simulation

i. 시뮬레이션환경

본 발명의 실시예에 따른 무선랜 시스템의 실제 무선환경에서의 성능을 측정하기 위해서, trace 기반 시뮬레이션을 이용하였다.

도 11은 본 발명의 실시예에 따른 무선랜 시스템의 throughput을 다른 종래기술들과 비교한 것이며, 도 12는 Jain's fairness index를 이용하여 fairness를 비교한 것이다.

비교대상의 종래기술은 802.11n, FICA, Carrier-by-carrier in turn 알고리즘(C-by-C), FARA, throughput-최적 방법이다.

도 11은 각 방법들의 throughput의 경험적 누적분포함수 (ECDF)를 도시한 것으로서, throughput 이득은 legacy 802.11n과 FICA에 비교해서 각각 3배, 1.5배 정도이다. 왜냐하면, 802.11n은 20MHz밴드 채널을 channelization하지 않고, 또한 random access를 사용하므로 diversity를 이용할 수 없기 때문이다. FICA의 경우, 무선 밴드를 channelization한 후에 각 서브채널 별로 random access를 사용하는데 이 역시 diversity를 사용할 수 없다.

또한, 본 발명의 무선랜 시스템의 다이버시티 탐색/이용 성능을 기존의 다른 다이버시티를 이용하는 방법들과 throughput 측면에서 비교하였다. D-Fi는 전체 서브채널 중 채널상태가 좋을 가능성이 큰 서브채널들만 채널상태를 측정할 수 있음에도, 기존의 모든 채널상태를 알고 채널할당을 하는 방법들과 비교하여throughput 측면에서 동등한 성능을 보이는 것을 알 수 있다.

이제 도 12를 참조하여 본 발명의 실시예에 따른 무선랜 시스템의 fairness 성능을 보인다. D-Fi는 proportional fairness알고리즘에 기반하여 채널할당을 하므로, random access방법인 기존 802.11n이나 FICA와 fairness측면에서 유사한 성능을 낼 것이라 예측된다. 이를 확인하기 위하여, 각 STA이 얻은 throughput을 가지고 Jain’s fairness index를 계산하였다. 도 12에 나타난 바와 같이, D-Fi는 다른 random access방법에서 보여주는 fairness 레벨을 유지하는 것을 알 수 있다.

이상에서 바람직한 실시예를 기준으로 본 발명을 설명하였지만, 본 발명의 장치 및 방법은 반드시 상술된 실시예에 제한되는 것은 아니며 발명의 요지와 범위로부터 벗어남이 없이 다양한 수정이나 변형을 하는 것이 가능하다. 따라서, 첨부된 특허청구의 범위는 본 발명의 요지에 속하는 한 이러한 수정이나 변형을 포함할 것이다.

Claims

액세스 포인트와 상기 액세스 포인트에 연결(association)할 수 있는 다수의 스테이션을 포함하는 무선랜 시스템에서 상기 액세스 포인트가 무선랜 서비스를 제공하는 방법으로서,
사용가능한 채널의 주파수 대역폭을 주파수 선택적인 다수의 서브채널로 분리하는 단계;
상기 다수의 스테이션 중 적어도 일부(제1 스테이션)로부터 상기 다수의 서브채널 중 일부를 통하여 상기 제1 스테이션을 식별할 수 있는 상기 제1 스테이션의 시그너처를 포함하는 CRQ(Coention Resolution reQuest) 프레임을 수신하는 단계;
수신된 상기 CRQ 프레임을 통하여 상기 제1 스테이션을 식별하는 단계;
수신된 상기 CRQ 프레임을 통하여 상기 제1 스테이션의 업링크 채널 상태를 측정하는 단계;
상기 제1 스테이션에 각각 서브채널을 할당하는 단계; 및
상기 서브채널의 할당 결과를 CRP(Contention Resolution rePly) 프레임을 통하여 브로드캐스트하는 단계를 포함하는 무선랜 서비스 제공 방법.
제1항에 있어서,
상기 서브채널은 최소 간섭 대역폭 이하의 대역폭을 갖는 무선랜 서비스 제공 방법.
제2항에 있어서,
상기 서브채널은 3MHz 이하의 대역폭을 갖는 무선랜 서비스 제공 방법.
제3항에 있어서,
상기 서브채널은 모두 14개인 무선랜 서비스 제공 방법.
제1항에 있어서,
상기 시그너처는 16개의 이진수로 구성되며,
상기 각 스테이션은 상기 액세스 포인트와 연결할 때 상기 액세스 포인트를 포함하는 네트워크에서 유일한 시그너처를 상기 액세스 포인트로부터 할당받는 무선랜 서비스 제공 방법.
제1항에 있어서, 상기 CRQ 프레임을 수신하는 단계에서는,
상기 각 서브채널에 대하여 상기 각 서브채널을 사용하고자 하는 상기 제1 스테이션들의 상기 시그너처의 합성신호를 수신하는 것인 무선랜 서비스 제공 방법.
제1항에 있어서,
상기 제1 스테이션은 채널상태가 좋을 가능성이 큰 K(K는 자연수)개의 서브채널을 선택하여 선택된 서브 채널을 통해 상기 CRQ 프레임을 송신하는 것인 무선랜 서비스 제공 방법.
제7항에 있어서,
상기 제1 스테이션 각각은 다음의 의사코드에 의한 알고리즘을 이용하여 상기 서브채널을 선택하는 무선랜 서비스 제공 방법.

여기서, 상기 C는 서브 채널의 개수, K는 스테이션이 요청하는 서브 채널의 개수, Pr은 총 C개의 확률값으로 구성된 벡터 혹은 집합을 의미하고, Pr(i), i∈C는 스테이션이 서브 채널 i를 선택할 확률, α와 β는 알고리즘의 내부 파리미터이다.
제1항에 있어서, 상기 제1 스테이션을 식별하는 단계에서는,
블룸 필터를 사용하여 상기 제1 스테이션을 식별하는 무선랜 서비스 제공 방법.
제9항에 있어서, 상기 블룸 필터는,
OFDM 시스템에서 서브커리어-레벨 시그널링을 통해 구현되는 무선랜 서비스 제공 방법.
제1항에 있어서, 상기 채널 상태를 측정하는 단계에서는,
수신한 상기 CRQ 프레임에 포함된 고유 비트(하나의 스테이션으로부터만 전송된 비트)의 에너지를 측정함으로써 채널 상태를 측정하는 무선랜 서비스 제공 방법.
제1항에 있어서, 상기 브로드캐스트하는 단계에서는,
상기 CRP 프레임에 데이터 전송률 정보를 포함하여 브로드캐스트하는 것인 무선랜 서비스 제공 방법.
제1항에 있어서, 상기 제1 스테이션을 식별하는 단계에서는,
기계학습(ML: Machine Learning) 알고리즘을 적용하여 상기 제1 스테이션을 식별하는 무선랜 서비스 제공 방법.
제13항에 있어서,
상기 기계학습 알고리즘에 사용되는 기계학습 모델은 새로운 상기 스테이션이 상기 액세스 포인트와의 연결을 맺거나 끊을 경우 트레이닝하는 무선랜 서비스 제공 방법.
액세스 포인트; 및
상기 액세스 포인트에 연결(association)할 수 있는 다수의 스테이션을 포함하는 무선랜 시스템으로서,
상기 무선랜 시스템에서 사용가능한 채널의 주파수 대역폭을 주파수 선택적인 다수의 서브채널로 분리하고,
상기 다수의 스테이션 중 적어도 일부(제1 스테이션)는 상기 다수의 서브채널 중 일부를 통하여 상기 제1 스테이션을 식별할 수 있는 상기 제1 스테이션의 시그너처를 포함하는 CRQ(Coention Resolution reQuest) 프레임을 상기 액세스 포인트로 송신하고,
상기 액세스 포인트는,
수신된 상기 CRQ 프레임을 통하여 상기 제1 스테이션을 식별하고,
수신된 상기 CRQ 프레임을 통하여 상기 제1 스테이션의 업링크 채널 상태를 측정하여,
상기 제1 스테이션에 각각 서브채널을 할당하고,
상기 서브채널의 할당 결과를 CRP(Contention Resolution rePly) 프레임을 통하여 브로드캐스트하는 무선랜 시스템.
제15항에 있어서, 상기 제1 스테이션은,
상기 서브 채널이 DIFS(DCF Inter-Frame Space) 시간 동안 유휴(idle) 상태일 때, 상기 CRQ 프레임을 동시에 전송하는 무선랜 시스템.