KR102128481B1 - Dynamic software defined networking plane scaling method and system based on learning curves in internet of things - Google Patents

Dynamic software defined networking plane scaling method and system based on learning curves in internet of things Download PDF

Info

Publication number
KR102128481B1
KR102128481B1 KR1020190014120A KR20190014120A KR102128481B1 KR 102128481 B1 KR102128481 B1 KR 102128481B1 KR 1020190014120 A KR1020190014120 A KR 1020190014120A KR 20190014120 A KR20190014120 A KR 20190014120A KR 102128481 B1 KR102128481 B1 KR 102128481B1
Authority
KR
South Korea
Prior art keywords
plane
data
unit
defined networking
planes
Prior art date
Application number
KR1020190014120A
Other languages
Korean (ko)
Inventor
박기현
박준수
Original Assignee
계명대학교 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 계명대학교 산학협력단 filed Critical 계명대학교 산학협력단
Priority to KR1020190014120A priority Critical patent/KR102128481B1/en
Application granted granted Critical
Publication of KR102128481B1 publication Critical patent/KR102128481B1/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
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0813—Configuration setting characterised by the conditions triggering a change of settings
    • H04L41/0816—Configuration setting characterised by the conditions triggering a change of settings the condition being an adaptation, e.g. in response to network events
    • 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
    • H04L41/147—Network analysis or design for predicting network behaviour
    • 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
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

The present invention relates to a dynamic software-defined networking plane scaling method based on a learning curve in an Internet of things (IoT) network environment. More particularly, the dynamic software-defined networking plane scaling method, wherein a dynamic software-defined networking plane includes an available plane composed of a plurality of unit planes, comprises the steps of: (1) requesting allocation of an available plane based on the number of data packets currently occurring; (2) predicting the number of unit planes required in a data plane using a prediction algorithm based on a learning curve at the request of step (1); and (3) allocating a unit plane from the available plane to the data plane according to the number of unit planes required in the data plane predicted in step (2) and dynamically scaling the software-defined networking plane by allocating the remaining unit plane as the control plane.

Description

사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법 및 시스템{DYNAMIC SOFTWARE DEFINED NETWORKING PLANE SCALING METHOD AND SYSTEM BASED ON LEARNING CURVES IN INTERNET OF THINGS}DYNAMIC SOFTWARE DEFINED NETWORKING PLANE SCALING METHOD AND SYSTEM BASED ON LEARNING CURVES IN INTERNET OF THINGS}

본 발명은 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법 및 시스템에 관한 것으로서, 보다 구체적으로는, 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법 및 시스템에 관한 것이다.The present invention relates to a dynamic software-defined networking plane scaling method and system, and more particularly, to a dynamic software-defined networking plane scaling method and system based on a learning curve in an IoT network environment.

사물인터넷(Internet of Things, IoT)은 각종 사물에 센서와 통신 기능을 내장하여 인터넷에 연결하는 기술 즉, 무선 통신을 통해 각종 사물을 연결하는 기술을 의미한다. 도 1은 사물인터넷 네트워크 환경을 설명하기 위해 도시한 도면이다. 도 1에 도시된 바와 같이, 사물인터넷 네트워크 환경에서는 가전제품, 모바일 장비, 웨어러블 디바이스, 항공기 등의 모든 사물이 네트워크로 연결되어 있으며, 사람과 사물, 사물과 사물 간에 정보를 교류하고 상호 소통할 수 있다.
The Internet of Things (IoT) refers to a technology in which sensors and communication functions are embedded in various objects to connect to the Internet, that is, technologies for connecting various objects through wireless communication. 1 is a diagram illustrating an IoT network environment. As shown in FIG. 1, in the IoT network environment, all objects such as household appliances, mobile equipment, wearable devices, and aircraft are connected by a network, and information and communication between people and objects, objects and objects can be exchanged. have.

스마트 더스트(Smart Dust) 기술이란 먼지 크기의 매우 작은 센서들을 건물, 도로, 의복, 인체 등 물리적 공간에 먼지처럼 뿌려 주위의 온도, 습도, 가속도, 압력 등의 정보를 무선 네트워크로 감지 및 관리할 수 있는 기술을 의미한다. 이러한 스마트 더스트 내에는 센서, 센서 제어회로, 컴퓨터, 양방향 무선 통신 모듈, 전원장치 등이 내장되며, 현재의 초고집적 반도체 기술과 MEMS 기술을 통해 모래알 크기로 작게 구현하는 것이 가능하다.
Smart Dust (Smart Dust) technology can detect and manage information such as ambient temperature, humidity, acceleration, pressure by wireless networks by spraying very small sensors of dust size into physical spaces such as buildings, roads, clothes, and human bodies. It means a skill. In this smart dust, a sensor, a sensor control circuit, a computer, a two-way wireless communication module, a power supply device, etc. are embedded, and it is possible to realize a small particle size through the current ultra-high-integration semiconductor technology and MEMS technology.

스마트 더스트의 응용 분야로는 에너지 관리, 제품의 품질관리 및 유통 경로 관리 등이 있으며, 또한, 병력 및 장비의 이동감지 등의 군사 목적으로도 이용할 수 있다. 도 2는 산불 예방에 활용되는 스마트 더스트의 모습을 도시한 도면이다. 도 2에 도시된 바와 같이, 산에 뿌려져 있는 스마트 더스트들이 무선으로 네트워크를 형성하고, 실시간으로 주위의 정보를 모니터링 센터에 전달하여 산불을 예방할 수 있다.
The application fields of smart dust include energy management, product quality management and distribution channel management, and can also be used for military purposes, such as detecting the movement of troops and equipment. 2 is a view showing a state of smart dust used to prevent forest fires. As shown in FIG. 2, smart dusts scattered on the mountain can form a network wirelessly and transmit information around the environment to a monitoring center in real time to prevent forest fires.

사물인터넷 또는 스마트 더스트 네트워크 환경에서는 센싱된 데이터의 수가 많은 환경이 존재할 수 있으며, 세션의 연결이 불완전하거나 고립된 상태의 센서들이 다수 존재함으로써, 세션의 연결과 끊김이 빈번하게 발생하는 환경이 존재할 수 있어, 효율적인 수로 플레인들이 조절될 필요가 있다.
In the Internet of Things or Smart Dust network environment, there may be an environment with a large number of sensed data, and there may be an environment in which connection and disconnection of the session frequently occurs due to the presence of multiple incomplete or isolated sensors. As such, efficient channel planes need to be adjusted.

하지만, 센싱 데이터의 수가 폭발적으로 증가하고 노드들의 연결과 끊김이 빈번하게 발생하는 네트워크 환경에서는 데이터 플레인(data plane) 및 컨트롤 플레인(control plane)의 개수를 적절히 조절하는 것이 매우 힘들다.
However, it is very difficult to properly adjust the number of data planes and control planes in a network environment in which the number of sensing data explodes and nodes are frequently connected and disconnected.

따라서, 사물인터넷 또는 스마트 더스트 네트워크 환경에서 효율적으로 데이터 플레인 및 컨트롤 플레인 수를 조절할 수 있는 방법 및 시스템의 개발이 요구되고 있는 실정이다.
Accordingly, there is a need to develop a method and a system that can efficiently control the number of data planes and control planes in the IoT or smart dust network environment.

한편, 본 발명과 관련된 선행기술로서, 공개특허 제10-2017-0089257호(발명의 명칭: 분산 파일 시스템 및 이의 데이터 관리 방법) 등이 개시된 바 있다.On the other hand, as a prior art related to the present invention, Patent Publication No. 10-2017-0089257 (invention name: distributed file system and its data management method) has been disclosed.

본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, 가용 플레인(available plane)이 복수 개의 단위 플레인(unit plane)으로 구성됨으로써, 변화하는 데이터 패킷들의 성질을 반영하여 데이터 플레인(data plane) 및 컨트롤 플레인(control plane)의 개수를 효율적으로 조절할 수 있는, 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법 및 시스템을 제공하는 것을 그 목적으로 한다.
The present invention has been proposed to solve the above problems of the previously proposed methods, and the available plane is composed of a plurality of unit planes, thereby reflecting the properties of the changing data packets. It is an object of the present invention to provide a dynamic software-defined networking plane scaling method and system based on a learning curve in an IoT network environment that can efficiently adjust the number of data planes and control planes. .

또한, 본 발명은, 학습 곡선을 기반으로 한 예측 알고리즘으로 선형 회귀 알고리즘을 사용함으로써, 필요한 데이터 플레인(data plane)의 개수를 빠르게 예측하여, 예측된 결과에 따라 가용 플레인(available plane)에서 데이터 플레인(data plane)으로 단위 플레인(unit plane)을 할당하고, 나머지 단위 플레인(unit plane)을 컨트롤 플레인(control plane)으로 할당할 수 있는, 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법 및 시스템을 제공하는 것을 다른 목적으로 한다.
In addition, according to the present invention, by using a linear regression algorithm as a prediction algorithm based on a learning curve, the number of required data planes is quickly predicted, and data planes are available in an available plane according to the predicted results. Dynamic software definition based on learning curve in IoT network environment, which can allocate unit plane as (data plane) and the remaining unit plane as control plane Another object is to provide a networking plane scaling method and system.

뿐만 아니라, 본 발명은, 사물인터넷 또는 스마트 더스트 네트워크 환경으로부터 실시간으로 변화하는 데이터 패킷들의 성질을 반영하여 동적으로 플레인을 설정할 수 있어, 보다 효율적으로 플레인을 조절할 수 있으며, 연결이 끊기거나 데이터 패킷의 양이 갑작스럽게 증가하는 상황에서도 적절히 플레인의 개수를 결정할 수 있는, 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법 및 시스템을 제공하는 것을 또 다른 목적으로 한다.In addition, the present invention can dynamically set the plane by reflecting the properties of data packets changing in real time from the Internet of Things or the smart dust network environment, so that the plane can be adjusted more efficiently, and the connection is disconnected or the data packet is disconnected. Another object is to provide a dynamic software-defined networking plane scaling method and system based on a learning curve in an IoT network environment that can properly determine the number of planes even in a situation where the amount increases abruptly.

상기한 목적을 달성하기 위한 본 발명의 특징에 따른 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법은,A dynamic software-defined networking plane scaling method based on a learning curve in an IoT network environment according to the features of the present invention for achieving the above object,

동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법으로서,As a dynamic software-defined networking plane scaling method,

상기 동적 소프트웨어 정의 네트워킹 플레인은,The dynamic software defined networking plane,

복수 개의 단위 플레인으로 구성된 가용 플레인을 포함하되,Including an available plane composed of a plurality of unit planes,

(1) 현재 발생 중인 데이터 패킷의 개수를 기준으로 가용 플레인의 할당을 요청하는 단계;(1) requesting allocation of available planes based on the number of data packets currently occurring;

(2) 상기 단계 (1)의 요청에 따라 학습 곡선을 기반으로 한 예측 알고리즘을 이용하여 데이터 플레인에서 필요한 단위 플레인의 개수를 예측하는 단계; 및(2) predicting the number of unit planes required in the data plane using a prediction algorithm based on a learning curve according to the request of step (1); And

(3) 상기 단계 (2)에서 예측된 데이터 플레인에서 필요한 단위 플레인의 개수에 따라 가용 플레인에서 데이터 플레인으로 단위 플레인을 할당하고, 나머지 단위 플레인을 컨트롤 플레인으로 할당하여, 동적으로 소프트웨어 정의 네트워킹 플레인을 스케일링하는 단계를 포함하고 있는 것을 그 구성상의 특징으로 한다.
(3) In the data plane predicted in step (2), a unit plane is allocated from an available plane to a data plane according to the number of required unit planes, and the remaining unit planes are allocated as a control plane to dynamically allocate a software-defined networking plane. It is characterized by its configuration that includes the step of scaling.

바람직하게는, 상기 단계 (1) 이전에,Preferably, prior to step (1),

네트워크 서버가 사물인터넷 네트워크 환경에서의 복수의 센서로부터 검출된 데이터 패킷 처리 요청을 수신하는 단계를 더 포함할 수 있다.
The network server may further include receiving a request for processing the data packet detected from the plurality of sensors in the IoT network environment.

더욱 바람직하게는,More preferably,

(4) 상기 단계 (3)에서 스케일링 된 동적 소프트웨어 정의 네트워킹 플레인을 이용하여 데이터 패킷을 처리하는 단계를 더 포함할 수 있다.
(4) The data packet may be further processed using the dynamic software-defined networking plane scaled in the step (3).

바람직하게는, 상기 가용 플레인은,Preferably, the available plane,

복수 개의 단위 플레인으로 구성되고, 가용 플레인의 단위 플레인은 데이터 플레인 또는 컨트롤 플레인으로 할당될 수 있다.
It is composed of a plurality of unit planes, and the unit planes of the available planes may be allocated as data planes or control planes.

바람직하게는, 상기 단계 (2)의 학습 곡선을 기반으로 한 예측 알고리즘은,Preferably, the prediction algorithm based on the learning curve of step (2),

선형 회귀 알고리즘일 수 있다.
It can be a linear regression algorithm.

더욱 바람직하게는, 상기 선형 회귀 알고리즘은,More preferably, the linear regression algorithm,

플레인을 동적으로 조절하기 위해 데이터 패킷의 개수를 변수로 활용할 수 있다.
The number of data packets can be used as a variable to dynamically adjust the plane.

더욱 바람직하게는, 상기 선형 회귀 알고리즘은,More preferably, the linear regression algorithm,

데이터 패킷의 개수가 증가하면 데이터 플레인에 할당되는 단위 플레인의 개수를 증가시키고, 데이터 패킷의 개수가 감소하면 데이터 플레인에 할당되는 단위 플레인의 개수를 감소시킬 수 있다.
When the number of data packets increases, the number of unit planes allocated to the data plane may increase, and when the number of data packets decreases, the number of unit planes allocated to the data plane may decrease.

더더욱 바람직하게는, 상기 단계 (4)에서는,Even more preferably, in step (4),

컨트롤 플레인이 데이터 플레인을 제어하며, 데이터 플레인이 데이터 패킷을 처리할 수 있다.
The control plane controls the data plane, and the data plane can process data packets.

바람직하게는, 상기 컨트롤 플레인 및 데이터 플레인은,Preferably, the control plane and data plane,

물리적 네트워크 자원을 공유할 수 있다.
Share physical network resources.

바람직하게는, 상기 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법은,Preferably, the dynamic software-defined networking plane scaling method comprises:

변화하는 데이터 패킷들의 성질을 반영하여 동적으로 플레인을 설정할 수 있다.
The plane can be dynamically set by reflecting the properties of changing data packets.

상기한 목적을 달성하기 위한 본 발명의 특징에 따른 물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 시스템은,A dynamic software-defined networking plane scaling system based on a learning curve in a water internet network environment according to the features of the present invention for achieving the above object,

동적 소프트웨어 정의 네트워킹 플레인 스케일링 시스템으로서,A dynamic software-defined networking plane scaling system,

상기 동적 소프트웨어 정의 네트워킹 플레인은,The dynamic software defined networking plane,

복수 개의 단위 플레인으로 구성된 가용 플레인을 포함하되,Including an available plane composed of a plurality of unit planes,

현재 발생 중인 데이터 패킷의 개수를 기준으로 가용 플레인의 할당을 요청하는 가용 플레인 요청부;An available plane request unit requesting allocation of available planes based on the number of data packets currently occurring;

상기 가용 플레인 요청부의 요청에 따라 학습 곡선을 기반으로 한 예측 알고리즘을 이용하여 데이터 플레인에서 필요한 단위 플레인의 개수를 예측하는 예측부; 및A prediction unit predicting the number of required unit planes in the data plane using a prediction algorithm based on a learning curve according to the request of the available plane request unit; And

상기 예측부에 의해 예측된 데이터 플레인에서 필요한 단위 플레인의 개수에 따라 가용 플레인에서 데이터 플레인으로 단위 플레인을 할당하고, 나머지 단위 플레인을 컨트롤 플레인으로 할당하여, 동적으로 소프트웨어 정의 네트워킹 플레인을 스케일링하는 스케일링부를 포함하고 있는 것을 그 구성상의 특징으로 한다.
A scaling unit that dynamically allocates a unit plane from an available plane to a data plane according to the number of required unit planes in the data plane predicted by the prediction unit, and allocates the remaining unit planes to the control plane, thereby dynamically scaling the software-defined networking plane. What is included is characterized by its configuration.

바람직하게는,Preferably,

네트워크 서버로부터 사물인터넷 네트워크 환경에서의 복수의 센서로부터 검출된 데이터 패킷 처리 요청을 수신하는 수신부를 더 포함할 수 있다.
The network server may further include a receiver configured to receive a request for processing a data packet detected from a plurality of sensors in an IoT network environment.

더욱 바람직하게는,More preferably,

상기 스케일링부에 스케일링된 동적 소프트웨어 정의 네트워킹 플레인을 이용하여 데이터 패킷을 처리하는 데이터 패킷 처리부를 더 포함할 수 있다.
The data packet processing unit may further include a data packet processing unit using the dynamic software-defined networking plane scaled by the scaling unit.

바람직하게는, 상기 가용 플레인은,Preferably, the available plane,

복수 개의 단위 플레인으로 구성되고, 가용 플레인의 단위 플레인은 데이터 플레인 또는 컨트롤 플레인으로 할당될 수 있다.
It is composed of a plurality of unit planes, and the unit planes of the available planes may be allocated as data planes or control planes.

바람직하게는, 상기 학습 곡선을 기반으로 한 예측 알고리즘은,Preferably, the prediction algorithm based on the learning curve,

선형 회귀 알고리즘일 수 있다.
It can be a linear regression algorithm.

더욱 바람직하게는, 상기 선형 회귀 알고리즘은,More preferably, the linear regression algorithm,

플레인을 동적으로 조절하기 위해 데이터 패킷의 개수를 변수로 활용할 수 있다.
The number of data packets can be used as a variable to dynamically adjust the plane.

더욱 바람직하게는, 상기 선형 회귀 알고리즘은,More preferably, the linear regression algorithm,

데이터 패킷의 개수가 증가하면 데이터 플레인에 할당되는 단위 플레인의 개수를 증가시키고, 데이터 패킷의 개수가 감소하면 데이터 플레인에 할당되는 단위 플레인의 개수를 감소시킬 수 있다.
When the number of data packets increases, the number of unit planes allocated to the data plane may increase, and when the number of data packets decreases, the number of unit planes allocated to the data plane may decrease.

더더욱 바람직하게는, 상기 데이터 패킷 처리부는,Even more preferably, the data packet processing unit,

컨트롤 플레인 및 데이터 플레인을 이용하되,Use the control plane and data plane,

컨트롤 플레인이 데이터 플레인을 제어하며, 데이터 플레인이 데이터 패킷을 처리할 수 있다.
The control plane controls the data plane, and the data plane can process data packets.

바람직하게는, 상기 컨트롤 플레인 및 데이터 플레인은,Preferably, the control plane and data plane,

물리적 네트워크 자원을 공유할 수 있다.
Share physical network resources.

바람직하게는, 상기 동적 소프트웨어 정의 네트워킹 플레인 스케일링 시스템은,Preferably, the dynamic software defined networking plane scaling system comprises:

변화하는 데이터 패킷들의 성질을 반영하여 동적으로 플레인을 설정할 수 있다.The plane can be dynamically set by reflecting the properties of changing data packets.

본 발명에서 제안하고 있는 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법 및 시스템에 따르면, 가용 플레인이 복수 개의 단위 플레인으로 구성됨으로써, 변화하는 데이터 패킷들의 성질을 반영하여 데이터 플레인 및 컨트롤 플레인의 개수를 효율적으로 조절할 수 있다.
According to the dynamic software-defined networking plane scaling method and system based on the learning curve in the IoT network environment proposed by the present invention, the available plane is composed of a plurality of unit planes, thereby reflecting the properties of changing data packets. The number of data planes and control planes can be efficiently adjusted.

또한, 본 발명에서 제안하고 있는 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법 및 시스템에 따르면, 학습 곡선을 기반으로 한 예측 알고리즘으로 선형 회귀 알고리즘을 사용함으로써, 필요한 데이터 플레인의 개수를 빠르게 예측하여, 예측된 결과에 따라 가용 플레인에서 데이터 플레인으로 단위 플레인을 할당하고, 나머지 단위 플레인을 컨트롤 플레인으로 할당할 수 있다.
In addition, according to the dynamic software-defined networking plane scaling method and system based on a learning curve in the IoT network environment proposed in the present invention, data required by using a linear regression algorithm as a prediction algorithm based on the learning curve By quickly predicting the number of planes, a unit plane may be allocated from an available plane to a data plane according to the predicted result, and the remaining unit planes may be allocated as a control plane.

뿐만 아니라, 본 발명에서 제안하고 있는 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법 및 시스템에 따르면, 사물인터넷 또는 스마트 더스트 네트워크 환경으로부터 실시간으로 변화하는 데이터 패킷들의 성질을 반영하여 동적으로 플레인을 설정할 수 있어, 보다 효율적으로 플레인을 조절할 수 있으며, 연결이 끊기거나 데이터 패킷의 양이 갑작스럽게 증가하는 상황에서도 적절히 플레인의 개수를 결정할 수 있다.In addition, according to the dynamic software-defined networking plane scaling method and system based on the learning curve in the IoT network environment proposed by the present invention, the properties of data packets changing in real time from the IoT or smart dust network environment can be determined. The plane can be dynamically set by reflecting it, so that the plane can be adjusted more efficiently, and the number of planes can be appropriately determined even in the case of a disconnection or a sudden increase in the amount of data packets.

도 1은 사물인터넷 네트워크 환경을 설명하기 위해 도시한 도면.
도 2는 산불 예방에 활용되는 스마트 더스트의 모습을 도시한 도면.
도 3은 본 발명의 일실시예에 따른 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법의 흐름을 도시한 도면.
도 4는 본 발명의 일실시예에 따른 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법의 동적 소프트웨어 정의 네트워킹 플레인이 컨트롤 플레인, 가용 플레인 및 데이터 플레인을 포함하고 있는 모습을 도시한 도면.
도 5는 본 발명의 일실시예에 따른 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법의 가용 플레인이 복수 개의 단위 플레인을 포함하고 있는 모습을 도시한 도면.
도 6은 본 발명의 일실시예에 따른 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법에서 사용하는 선형 회귀 알고리즘을 설명하기 위해 도시한 도면.
도 7은 본 발명의 일실시예에 따른 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법의 가용 플레인이 각각 4개의 단위 플레인을 데이터 플레인과 컨트롤 플레인으로 할당한 모습을 도시한 도면.
도 8은 본 발명의 일실시예에 따른 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법에서 데이터 패킷의 개수가 증가했을 때, 단위 플레인을 할당한 모습을 도시한 도면.
도 9는 본 발명의 일실시예에 따른 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법에서 데이터 패킷의 개수가 감소했을 때, 단위 플레인을 할당한 모습을 도시한 도면.
도 10은 본 발명의 일실시예에 따른 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 시스템의 구성을 블록도로 도시한 도면.1 is a diagram illustrating an IoT network environment.
Figure 2 is a view showing a state of smart dust used for preventing forest fires.
3 is a diagram illustrating a flow of a dynamic software-defined networking plane scaling method based on a learning curve in an IoT network environment according to an embodiment of the present invention.
FIG. 4 shows a dynamic software-defined networking plane scaling method based on a learning curve in an IoT network environment according to an embodiment of the present invention, including a control plane, an available plane, and a data plane. Drawing showing.
FIG. 5 is a diagram illustrating a state in which an available plane of a dynamic software-defined networking plane scaling method based on a learning curve in an IoT network environment includes a plurality of unit planes according to an embodiment of the present invention.
6 is a diagram illustrating a linear regression algorithm used in a dynamic software-defined networking plane scaling method based on a learning curve in an IoT network environment according to an embodiment of the present invention.
7 is a diagram showing a state in which four available planes are allocated to a data plane and a control plane, respectively, by an available plane of a dynamic software-defined networking plane scaling method based on a learning curve in an IoT network environment according to an embodiment of the present invention. Drawing shown.
FIG. 8 is a diagram illustrating a unit plane allocation when the number of data packets is increased in a dynamic software-defined networking plane scaling method based on a learning curve in an IoT network environment according to an embodiment of the present invention. .
FIG. 9 is a diagram illustrating a state in which a unit plane is allocated when the number of data packets is reduced in a dynamic software-defined networking plane scaling method based on a learning curve in an IoT network environment according to an embodiment of the present invention. .
FIG. 10 is a block diagram showing the configuration of a dynamic software-defined networking plane scaling system based on a learning curve in an IoT network environment according to an embodiment of the present invention.

이하에서는 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일 또는 유사한 부호를 사용한다.
Hereinafter, preferred embodiments will be described in detail with reference to the accompanying drawings so that those skilled in the art to which the present invention pertains can easily implement the present invention. However, in the detailed description of the preferred embodiment of the present invention, when it is determined that a detailed description of related known functions or configurations may unnecessarily obscure the subject matter of the present invention, the detailed description will be omitted. In addition, the same or similar reference numerals are used throughout the drawings for parts having similar functions and functions.

덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 ‘연결’되어 있다고 할 때, 이는 ‘직접적으로 연결’되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 ‘간접적으로 연결’되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 ‘포함’한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
In addition, in the entire specification, when a part is said to be'connected' with another part, it is not only'directly connected', but also'indirectly connected' with another element in between. Includes. In addition, "including" a component means that other components may be further included instead of excluding other components, unless otherwise stated.

본 발명의 일실시예에 따른 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법의 각각의 단계는 컴퓨터 장치 또는 네트워크 서버에 의해 수행될 수 있다. 이하에서는 설명의 편의를 위해 각각의 단계에서 수행 주체가 생략될 수도 있다.
Each step of the dynamic software defined networking plane scaling method based on the learning curve in the IoT network environment according to an embodiment of the present invention may be performed by a computer device or a network server. Hereinafter, for convenience of description, the subject may be omitted in each step.

한편, 본 발명에서 네트워크는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN) 또는 부가가치 통신망(Value Added Network; VAN) 등과 같은 유선 네트워크나 이동 통신망(Mobile Radio Communication Network), 위성 통신망, WIBRO(Wireless Broadband Internet), HSDPA(High Speed Downlink Packet Access), 블루투스(Bluetooth) 등과 같은 모든 종류의 무선 네트워크를 포함할 수 있다.
On the other hand, in the present invention, the network is a local area network (Local Area Network; LAN), a wide area network (WAN), or a value added network (Value Added Network; VAN), such as a wired network or a mobile communication network (Mobile Radio Communication Network), It may include all types of wireless networks, such as satellite communication networks, Wireless Broadband Internet (WIBRO), High Speed Downlink Packet Access (HSDPA), and Bluetooth.

도 3은 본 발명의 일실시예에 따른 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법의 흐름을 도시한 도면이다. 도 3에 도시된 바와 같이, 본 발명의 일실시예에 따른 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법은, 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법으로서, 상기 동적 소프트웨어 정의 네트워킹 플레인은, 복수 개의 단위 플레인(unit plane)으로 구성된 가용 플레인available plane)을 포함하되, 현재 발생 중인 데이터 패킷의 개수를 기준으로 가용 플레인(available plane)의 할당을 요청하는 단계(S100), 단계 S100의 요청에 따라 학습 곡선을 기반으로 한 예측 알고리즘을 이용하여 데이터 플레인(data plane)에서 필요한 단위 플레인(unit plane)의 개수를 예측하는 단계(S200), 및 단계 S200에서 예측된 데이터 플레인(data plane)에서 필요한 단위 플레인(unit plane)의 개수에 따라 가용 플레인(available plane)에서 데이터 플레인(data plane)으로 단위 플레인(unit plane)을 할당하고, 나머지 단위 플레인(unit plane)을 컨트롤 플레인(control plane)으로 할당하여, 동적으로 소프트웨어 정의 네트워킹 플레인을 스케일링하는 단계(S300)를 포함하여 구현될 수 있으며, 단계 S100 이전에, 네트워크 서버가 사물인터넷 네트워크 환경에서의 복수의 센서로부터 검출된 데이터 패킷 처리 요청을 수신하는 단계(S10), 및 단계 S300 이후에, 단계 S300에서 스케일링 된 동적 소프트웨어 정의 네트워킹 플레인을 이용하여 데이터 패킷을 처리하는 단계(S400)를 더 포함하여 구현될 수 있다.
3 is a diagram illustrating a flow of a dynamic software-defined networking plane scaling method based on a learning curve in an IoT network environment according to an embodiment of the present invention. As illustrated in FIG. 3, a dynamic software-defined networking plane scaling method based on a learning curve in an IoT network environment according to an embodiment of the present invention is a dynamic software-defined networking plane scaling method, wherein the dynamic software definition The networking plane includes an available plane consisting of a plurality of unit planes (unit planes), but requesting allocation of an available plane based on the number of currently occurring data packets (S100). Predicting the number of unit planes required in the data plane using the prediction algorithm based on the learning curve at the request of S100 (S200), and predicting the data plane in step S200 (data According to the number of required unit planes (unit planes) in the plane, the unit plane is allocated from the available plane to the data plane, and the remaining unit planes are controlled by the control plane. plane), dynamically scaling the software-defined networking plane (S300), and before step S100, the network server processes data packets detected from a plurality of sensors in an IoT network environment. Step S10 of receiving the request, and after step S300, may be implemented by further comprising the step of processing the data packet using the dynamic software-defined networking plane scaled in step S300 (S400).

이하에서는, 본 발명의 일실시예에 따른 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법의 각각의 단계에 대해 상세히 설명하도록 한다.
Hereinafter, each step of the dynamic software-defined networking plane scaling method based on the learning curve in the IoT network environment according to an embodiment of the present invention will be described in detail.

단계 S10에서는, 네트워크 서버가 사물인터넷 네트워크 환경에서의 복수의 센서로부터 검출된 데이터 패킷 처리 요청을 수신할 수 있다. 본 발명의 일실시예에 따른 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법에서는, 단계 S10에서 수신한 데이터 패킷 처리 요청에 따라 이하에서 상세히 설명하는 단계 S100 내지 단계 S300에서 동적으로 소프트웨어 정의 네트워킹 플레인을 스케일링하고, 이를 이용해 데이터 패킷을 처리할 수 있다.
In step S10, the network server may receive a data packet processing request detected from a plurality of sensors in the IoT network environment. In a dynamic software-defined networking plane scaling method based on a learning curve in an IoT network environment according to an embodiment of the present invention, steps S100 to S300 described in detail below according to a data packet processing request received in step S10 Can dynamically scale the software-defined networking plane and use it to process data packets.

단계 S100에서는, 현재 발생 중인 데이터 패킷의 개수를 기준으로 가용 플레인의 할당을 요청할 수 있다. 보다 구체적으로는, 단계 S100은, 단계 S10에서 네트워크 서버가 사물인터넷 네트워크 환경에서의 복수의 센서로부터 검출된 데이터 패킷 처리 요청을 수신하면, 수신된 요청에 따라 현재 발생 중인 데이터 패킷의 개수를 기준으로 가용 플레인을 구성하는 단위 플레인의 할당을 요청할 수 있다.
In step S100, allocation of available planes may be requested based on the number of data packets currently being generated. More specifically, in step S100, when the network server receives a request for processing a data packet detected from a plurality of sensors in an IoT network environment in step S10, based on the number of data packets currently occurring according to the received request. It is possible to request allocation of a unit plane constituting an available plane.

도 4는 본 발명의 일실시예에 따른 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법의 동적 소프트웨어 정의 네트워킹 플레인이 컨트롤 플레인, 가용 플레인 및 데이터 플레인을 포함하고 있는 모습을 도시한 도면이다. 도 4에 도시된 바와 같이, 본 발명의 일실시예에 따른 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법의 동적 소프트웨어 정의 네트워킹 플레인은 컨트롤 플레인, 가용 플레인 및 데이터 플레인을 포함하여 구성될 수 있다.
FIG. 4 shows a dynamic software-defined networking plane scaling method based on a learning curve in an IoT network environment according to an embodiment of the present invention, including a control plane, an available plane, and a data plane. It is a diagram showing. As shown in FIG. 4, the dynamic software-defined networking plane of the dynamic software-defined networking plane scaling method based on the learning curve in the IoT network environment according to an embodiment of the present invention includes a control plane, an available plane, and a data plane. It may be configured to include.

도 5는 본 발명의 일실시예에 따른 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법의 가용 플레인이 복수 개의 단위 플레인을 포함하고 있는 모습을 도시한 도면이다. 도 5에 도시된 바와 같이, 본 발명의 일실시예에 따른 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법의 가용 플레인은 복수 개의 단위 플레인을 포함하여 구성될 수 있으며, 이하에서 설명하는 학습 곡선을 기반으로 한 예측 알고리즘에 의해 예측된 결과에 따라 가용 플레인의 단위 플레인은 컨트롤 플레인 또는 데이터 플레인으로 할당될 수 있다.
FIG. 5 is a diagram illustrating a state in which an available plane of a dynamic software-defined networking plane scaling method based on a learning curve in an IoT network environment according to an embodiment of the present invention includes a plurality of unit planes. As shown in FIG. 5, an available plane of a dynamic software-defined networking plane scaling method based on a learning curve in an IoT network environment according to an embodiment of the present invention may include a plurality of unit planes, , The unit plane of the available plane may be allocated as a control plane or a data plane according to a result predicted by a prediction algorithm based on a learning curve described below.

단계 S200에서는, 단계 S100의 요청에 따라 학습 곡선을 기반으로 한 예측 알고리즘을 이용하여 데이터 플레인에서 필요한 단위 플레인의 개수를 예측할 수 있다. 보다 구체적으로는, 단계 S200에서는, 단계 S100의 요청에 따라 학습 곡선을 기반으로 한 예측 알고리즘으로서, 선형 회귀 알고리즘을 이용하여 데이터 플레인에서 필요한 단위 플레인의 개수를 예측할 수 있다.
In step S200, the number of unit planes required in the data plane may be predicted using a prediction algorithm based on a learning curve according to the request of step S100. More specifically, in step S200, the number of unit planes required in the data plane may be predicted using a linear regression algorithm as a prediction algorithm based on a learning curve at the request of step S100.

도 6은 본 발명의 일실시예에 따른 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법에서 사용하는 선형 회귀 알고리즘을 설명하기 위해 도시한 도면이다. 도 6에 도시된 바와 같이, 회귀 함수란 어떤 특정 값(독립변수)을 넣어서 결과 값(종속변수)를 얻는 것이며, 선형 회귀는 종속변수 y와 한 개 이상의 독립변수(또는 설정변수) x와의 선형 상관관계를 모델링 하여 출력하는 것이다. 이때, 한 개의 독립변수(또는 설정변수)에 기반한 경우에는 단순 선형 회귀, 둘 이상의 설명 변수에 기반한 경우에는 다중 선형 회귀라고 한다.
6 is a diagram illustrating a linear regression algorithm used in a dynamic software-defined networking plane scaling method based on a learning curve in an IoT network environment according to an embodiment of the present invention. As shown in FIG. 6, a regression function is to obtain a result value (dependent variable) by putting a certain value (independent variable), and linear regression is linear between the dependent variable y and one or more independent variables (or set variables) x. It is to model and print the correlation. In this case, it is called simple linear regression when it is based on one independent variable (or set variable), and multiple linear regression when it is based on two or more explanatory variables.

선형 회귀 알고리즘은 선형 예측 함수를 사용해 회귀식을 모델링하며, 알려지지 않은 파라미터는 데이터로부터 추정한다. 값을 예측하는 것이 목적일 경우, 선형 회귀 알고리즘을 사용해 데이터에 적합한 예측 모형을 개발하여, 개발한 선형 회귀식을 사용해 y가 없는 x값에 대해 y를 예측하기 위해 사용할 수 있다.
The linear regression algorithm models a regression equation using a linear prediction function, and unknown parameters are estimated from the data. If the goal is to predict the values, a linear regression algorithm can be used to develop a predictive model that fits the data, and the developed linear regression equation can be used to predict y for x values without y.

본 발명에서 사용되는 선형 회귀 알고리즘에 대해서는, 도 8 및 도 9를 참조하여 자세하게 설명하기로 한다.
The linear regression algorithm used in the present invention will be described in detail with reference to FIGS. 8 and 9.

본 발명의 일실시예에 따른 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법에서는 앞서 설명한 선형 회귀 알고리즘을 이용하여 데이터 플레인에서 필요한 단위 플레인의 개수를 예측함으로써, 연결과 끊김이 빈번하게 발생하고 센싱된 데이터가 갑작스럽게 증가하는 상황에서 변화하는 패킷들의 성질을 반영하여 플레인들을 동적으로 스케일링할 수 있다.
In a dynamic software-defined networking plane scaling method based on a learning curve in an IoT network environment according to an embodiment of the present invention, the number of unit planes required in a data plane is predicted using the linear regression algorithm described above, and the connection and The planes can be dynamically scaled by reflecting the properties of packets that change in a situation in which interruption occurs frequently and sensed data increases suddenly.

단계 S300에서는, 단계 S200에서 예측된 데이터 플레인에서 필요한 단위 플레인의 개수에 따라 가용 플레인에서 데이터 플레인으로 단위 플레인을 할당하고, 나머지 단위 플레인을 컨트롤 플레인으로 할당하여, 동적으로 소프트웨어 정의 네트워킹 플레인을 스케일링할 수 있다. 도 7은 본 발명의 일실시예에 따른 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법의 가용 플레인이 각각 4개의 단위 플레인을 데이터 플레인과 컨트롤 플레인으로 할당한 모습을 도시한 도면이다. 실시예에 따라서는, 가용 플레인에 포함된 단위 플레인의 개수가 8개이고, 단계 S200에서 데이터 플레인에 4개의 단위 플레인이 필요하다고 예측하였다면, 도 7에 도시된 바와 같이, 단계 S200에서 예측한 결과에 따라 가용 플레인에서 데이터 플레인으로 4개의 단위 플레인을 할당하고, 나머지 4개의 단위 플레인을 컨트롤 플레인으로 할당하여, 동적으로 소프트웨어 정의 네트워킹 플레인을 스케일링할 수 있다.
In step S300, the unit plane is allocated from the available plane to the data plane according to the number of required unit planes in the data plane predicted in step S200, and the remaining unit planes are allocated to the control plane to dynamically scale the software-defined networking plane. Can. 7 is a diagram showing a state in which four available planes are allocated to a data plane and a control plane, respectively, by an available plane of a dynamic software-defined networking plane scaling method based on a learning curve in an IoT network environment according to an embodiment of the present invention. It is a drawing shown. According to an embodiment, if the number of unit planes included in the available plane is 8 and it is predicted that 4 unit planes are required for the data plane in step S200, as shown in FIG. 7, the predicted result in step S200 Accordingly, four unit planes are allocated from the available plane to the data plane, and the remaining four unit planes are allocated to the control plane, so that the software-defined networking plane can be dynamically scaled.

도 8은 본 발명의 일실시예에 따른 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법에서 데이터 패킷의 개수가 증가했을 때, 단위 플레인을 할당한 모습을 도시한 도면이고, 도 9는 본 발명의 일실시예에 따른 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법에서 데이터 패킷의 개수가 감소했을 때, 단위 플레인을 할당한 모습을 도시한 도면이다.
FIG. 8 is a diagram illustrating a unit plane allocation when the number of data packets is increased in a dynamic software-defined networking plane scaling method based on a learning curve in an IoT network environment according to an embodiment of the present invention. 9 is a diagram illustrating a state in which a unit plane is allocated when the number of data packets is reduced in a dynamic software-defined networking plane scaling method based on a learning curve in an IoT network environment according to an embodiment of the present invention. It is one drawing.

단계 S200의 선형 회귀 알고리즘은, 컨트롤 플레인과 데이터 플레인의 개수를 동적으로 조절하기 위해 데이터 패킷의 개수를 변수로 활용하여 데이터 플레인에서 필요한 단위 플레인의 개수를 예측할 수 있다.
The linear regression algorithm of step S200 may predict the number of unit planes required in the data plane by using the number of data packets as a variable to dynamically adjust the number of control planes and data planes.

예를 들어, 데이터 패킷의 개수가 증가한다면, 데이터 플레인이 많은 수의 단위 플레인이 필요할 것으로 예측하여, 도 8에 도시된 바와 같이, 데이터 플레인에 할당되는 단위 플레인의 개수를 증가시키고 컨트롤 플레인에 할당되는 단위 플레인의 개수를 감소시킬 수 있다. 이와 반대로, 데이터 패킷의 개수가 감소한다면, 데이터 플레인이 적은 수의 단위 플레인을 필요로 할 것으로 예측하여, 도 9에 도시된 바와 같이, 데이터 플레인에 할당되는 단위 플레인의 개수를 감소시키고 컨트롤 플레인에 할당되는 단위 플레인의 개수를 증가시킬 수 있다.
For example, if the number of data packets increases, the data plane is predicted to require a large number of unit planes, and as illustrated in FIG. 8, the number of unit planes allocated to the data plane is increased and allocated to the control plane. It can reduce the number of unit planes. On the contrary, if the number of data packets decreases, the data plane is predicted to require a small number of unit planes, thereby reducing the number of unit planes allocated to the data plane and controlling the control plane as shown in FIG. 9. The number of unit planes allocated can be increased.

단계 S400에서는, 단계 S300에서 스케일링 된 동적 소프트웨어 정의 네트워킹 플레인을 이용하여 데이터 패킷을 처리할 수 있다. 보다 구체적으로는, 본 발명의 일실시예에 따른 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법의 단계 S400은, 컨트롤 플레인이 데이터 플레인을 제어하며, 데이터 플레인이 데이터 패킷을 처리할 수 있다.
In step S400, the data packet may be processed using the dynamic software-defined networking plane scaled in step S300. More specifically, in step S400 of the dynamic software-defined networking plane scaling method based on the learning curve in the IoT network environment according to an embodiment of the present invention, the control plane controls the data plane, and the data plane is data. Packets can be processed.

본 발명의 일실시예에 따른 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법의 컨트롤 플레인 및 데이터 플레인은, 물리적 네트워크 자원을 공유할 수 있어, 효율적으로 플레인들의 개수가 조절될 수 있다.
The control plane and the data plane of the dynamic software-defined networking plane scaling method based on the learning curve in the IoT network environment according to an embodiment of the present invention can share physical network resources, so that the number of planes is efficiently Can be adjusted.

또한, 본 발명의 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법은, 사물인터넷 또는 스마트 더스트 네트워크 환경으로부터 실시간으로 변화하는 데이터 패킷들의 성질을 반영하여 동적으로 플레인을 설정할 수 있어, 보다 효율적으로 플레인을 조절할 수 있으며, 연결이 끊기거나 데이터 패킷의 양이 갑작스럽게 증가하는 상황에서도 적절히 플레인의 개수를 결정할 수 있다.
In addition, the dynamic software-defined networking plane scaling method of the present invention can dynamically set the plane by reflecting the properties of data packets changing in real time from the IoT or smart dust network environment, so that the plane can be adjusted more efficiently, The number of planes can be appropriately determined even in a situation where the connection is dropped or the amount of data packets is suddenly increased.

도 10은 본 발명의 일실시예에 따른 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 시스템의 구성을 블록도로 도시한 도면이다. 도 10에 도시된 바와 같이, 본 발명의 일실시예에 따른 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 시스템(10)은, 현재 발생 중인 데이터 패킷의 개수를 기준으로 가용 플레인의 할당을 요청하는 가용 플레인 요청부(100); 가용 플레인 요청부(100)의 요청에 따라 학습 곡선을 기반으로 한 예측 알고리즘을 이용하여 데이터 플레인에서 필요한 단위 플레인의 개수를 예측하는 예측부(200); 및 예측부(200)에 의해 예측된 데이터 플레인에서 필요한 단위 플레인의 개수에 따라 가용 플레인에서 데이터 플레인으로 단위 플레인을 할당하고, 나머지 단위 플레인을 컨트롤 플레인으로 할당하여, 동적으로 소프트웨어 정의 네트워킹 플레인을 스케일링하는 스케일링부(300)를 포함하여 구성될 수 있다.
10 is a block diagram showing the configuration of a dynamic software-defined networking plane scaling system based on a learning curve in an IoT network environment according to an embodiment of the present invention. As shown in FIG. 10, the dynamic software-defined networking plane scaling system 10 based on a learning curve in an IoT network environment according to an embodiment of the present invention is based on the number of currently occurring data packets. An available plane request unit 100 requesting allocation of available planes; A prediction unit 200 for predicting the number of unit planes required in the data plane by using a prediction algorithm based on a learning curve at the request of the available plane request unit 100; And assigning a unit plane from the available plane to the data plane according to the number of unit planes required in the data plane predicted by the prediction unit 200, and assigning the remaining unit planes to the control plane, dynamically scaling the software-defined networking plane. It may be configured to include a scaling unit 300.

또한, 본 발명의 일실시예에 따른 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 시스템(10)은, 네트워크 서버로부터 사물인터넷 네트워크 환경에서의 복수의 센서로부터 검출된 데이터 패킷 처리 요청을 수신하는 수신부(400), 및 스케일링부(300)에 스케일링된 동적 소프트웨어 정의 네트워킹 플레인을 이용하여 데이터 패킷을 처리하는 데이터 패킷 처리부(500)를 더 포함하여 구성될 수 있다.
In addition, the dynamic software-defined networking plane scaling system 10 based on a learning curve in an IoT network environment according to an embodiment of the present invention includes data detected from a plurality of sensors in an IoT network environment from a network server. It may be configured to further include a receiver 400 for receiving a packet processing request, and a data packet processor 500 for processing data packets using a dynamic software-defined networking plane scaled by the scaling unit 300.

가용 플레인 요청부(100)는 현재 발생 중인 데이터 패킷의 개수를 기준으로 가용 플레인의 할당을 요청할 수 있다. 보다 구체적으로는, 본 발명의 일실시예에 따른 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 시스템(10)의 가용 플레인 요청부(100)는, 현재 발생 중인 데이터 패킷의 개수를 기준으로 가용 플레인을 구성하는 단위 플레인의 할당을 요청할 수 있다. 이때, 가용 플레인은, 복수 개의 단위 플레인으로 구성되고, 가용 플레인의 단위 플레인은 데이터 플레인 또는 컨트롤 플레인으로 할당될 수 있다.
The available plane request unit 100 may request allocation of an available plane based on the number of data packets currently being generated. More specifically, the available plane request unit 100 of the dynamic software-defined networking plane scaling system 10 based on the learning curve in the IoT network environment according to an embodiment of the present invention is a data packet currently being generated The allocation of unit planes constituting the available plane may be requested based on the number of. In this case, the available plane is composed of a plurality of unit planes, and the unit plane of the available plane may be allocated as a data plane or a control plane.

예측부(200)는, 가용 플레인 요청부(100)의 요청에 따라 학습 곡선을 기반으로 한 예측 알고리즘을 이용하여 데이터 플레인에서 필요한 단위 플레인의 개수를 예측할 수 있다. 보다 구체적으로는, 예측부(200)는, 가용 플레인 요청부(100)의 요청에 따라 학습 곡선을 기반으로 한 예측 알고리즘으로, 선형 회귀 알고리즘을 이용하여, 데이터 플레인에서 필요한 단위 플레인의 개수를 예측할 수 있다.
The prediction unit 200 may predict the number of unit planes required in the data plane by using a prediction algorithm based on a learning curve at the request of the available plane request unit 100. More specifically, the prediction unit 200 is a prediction algorithm based on a learning curve at the request of the available plane requesting unit 100, and uses a linear regression algorithm to predict the number of unit planes required in the data plane. Can.

이때, 선형 회귀 알고리즘은, 플레인을 동적으로 조절하기 위해 데이터 패킷의 개수를 변수로 활용할 수 있다. 예를 들면, 선형 회귀 알고리즘은, 데이터 패킷의 개수가 증가하면 데이터 플레인에 할당되는 단위 플레인의 개수를 증가시키고, 데이터 패킷의 개수가 감소하면 데이터 플레인에 할당되는 단위 플레인의 개수를 감소시킴으로써, 플레인을 동적으로 조절할 수 있다.
In this case, the linear regression algorithm may use the number of data packets as a variable to dynamically adjust the plane. For example, the linear regression algorithm increases the number of unit planes allocated to the data plane when the number of data packets increases, and decreases the number of unit planes allocated to the data plane when the number of data packets decreases. Can be dynamically adjusted.

스케일링부(300)는, 예측부(200)에 의해 예측된 데이터 플레인에서 필요한 단위 플레인의 개수에 따라 가용 플레인에서 데이터 플레인으로 단위 플레인을 할당하고, 나머지 단위 플레인을 컨트롤 플레인으로 할당하여, 동적으로 소프트웨어 정의 네트워킹 플레인을 스케일링할 수 있다.
The scaling unit 300 allocates the unit plane from the available plane to the data plane according to the number of required unit planes in the data plane predicted by the prediction unit 200, and dynamically allocates the remaining unit planes to the control plane. Software-defined networking planes can be scaled.

데이터 패킷 처리부(500)는, 스케일링부(300)에 스케일링된 동적 소프트웨어 정의 네트워킹 플레인을 이용하여 데이터 패킷을 처리할 수 있다. 보다 구체적으로는, 데이터 패킷 처리부(500)는, 컨트롤 플레인 및 데이터 플레인을 이용하되, 컨트롤 플레인이 데이터 플레인을 제어하며, 데이터 플레인이 데이터 패킷을 처리할 수 있다.
The data packet processing unit 500 may process the data packet using the dynamic software-defined networking plane scaled by the scaling unit 300. More specifically, the data packet processing unit 500 uses a control plane and a data plane, but the control plane controls the data plane, and the data plane can process the data packet.

상술한 바와 같이, 본 발명에서 제안하고 있는 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법 및 시스템(10)에 따르면, 가용 플레인이 복수 개의 단위 플레인으로 구성됨으로써, 변화하는 데이터 패킷들의 성질을 반영하여 데이터 플레인 및 컨트롤 플레인의 개수를 효율적으로 조절할 수 있다. 또한, 본 발명에 따르면, 학습 곡선을 기반으로 한 예측 알고리즘으로 선형 회귀 알고리즘을 사용함으로써, 필요한 데이터 플레인의 개수를 빠르게 예측하여, 예측된 결과에 따라 가용 플레인에서 데이터 플레인으로 단위 플레인을 할당하고, 나머지 단위 플레인을 컨트롤 플레인으로 할당할 수 있다. 뿐만 아니라, 본 발명에 따르면, 사물인터넷 또는 스마트 더스트 네트워크 환경으로부터 실시간으로 변화하는 데이터 패킷들의 성질을 반영하여 동적으로 플레인을 설정할 수 있어, 보다 효율적으로 플레인을 조절할 수 있으며, 연결이 끊기거나 데이터 패킷의 양이 갑작스럽게 증가하는 상황에서도 적절히 플레인의 개수를 결정할 수 있다.
As described above, according to the dynamic software-defined networking plane scaling method and system 10 based on the learning curve in the IoT network environment proposed in the present invention, the available plane is composed of a plurality of unit planes, thereby changing The number of data planes and control planes can be efficiently adjusted by reflecting the properties of the data packets. In addition, according to the present invention, by using a linear regression algorithm as a prediction algorithm based on a learning curve, the number of required data planes is quickly predicted, and a unit plane is allocated from the available plane to the data plane according to the predicted result, The remaining unit planes can be assigned as control planes. In addition, according to the present invention, it is possible to dynamically set the plane by reflecting the properties of data packets changing in real time from the Internet of Things or the smart dust network environment, so that the plane can be adjusted more efficiently, and the connection is lost or the data packet is disconnected. The number of planes can be appropriately determined even in the case of a sudden increase in the amount of.

이상 설명한 본 발명은 본 발명이 속한 기술분야에서 통상의 지식을 가진 자에 의하여 다양한 변형이나 응용이 가능하며, 본 발명에 따른 기술적 사상의 범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.The present invention described above can be variously modified or applied by a person having ordinary knowledge in the technical field to which the present invention belongs, and the scope of the technical spirit according to the present invention should be defined by the following claims.

10: 동적 소프트웨어 정의 네트워킹 플레인 스케일링 시스템
100: 가용 플레인 요청부
200: 예측부
300: 스케일링부
400: 수신부
500: 데이터 패킷 처리부
S10: 네트워크 서버가 사물인터넷 네트워크 환경에서의 복수의 센서로부터 검출된 데이터 패킷 처리 요청을 수신하는 단계
S100: 현재 발생 중인 데이터 패킷의 개수를 기준으로 가용 플레인의 할당을 요청하는 단계
S200: 단계 S100의 요청에 따라 학습 곡선을 기반으로 한 예측 알고리즘을 이용하여 데이터 플레인에서 필요한 단위 플레인의 개수를 예측하는 단계
S300: 단계 S200에서 예측된 데이터 플레인에서 필요한 단위 플레인의 개수에 따라 가용 플레인에서 데이터 플레인으로 단위 플레인을 할당하고, 나머지 단위 플레인을 컨트롤 플레인으로 할당하여, 동적으로 소프트웨어 정의 네트워킹 플레인을 스케일링하는 단계
S400: 단계 S300에서 스케일링 된 동적 소프트웨어 정의 네트워킹 플레인을 이용하여 데이터 패킷을 처리하는 단계10: Dynamic software-defined networking plane scaling system
100: available plane request unit
200: prediction unit
300: scaling unit
400: receiver
500: data packet processing unit
S10: A network server receiving a request for processing a data packet detected from a plurality of sensors in an IoT network environment.
S100: Requesting allocation of available planes based on the number of currently occurring data packets
S200: Predicting the number of unit planes required in the data plane using a prediction algorithm based on the learning curve at the request of step S100
S300: Dynamically scaling the software-defined networking plane by allocating the unit plane from the available plane to the data plane and assigning the remaining unit plane as the control plane according to the number of required unit planes in the data plane predicted in step S200.
S400: Processing the data packet using the dynamic software-defined networking plane scaled in step S300.

Claims (20)

센싱 데이터의 수가 증가하고, 세션의 연결이 불완전하거나 고립된 상태의 센서가 존재하여, 노드들의 연결과 끊김이 발생하는 사물인터넷 또는 스마트 더스트 네트워크 환경에서, 데이터 플레인 및 컨트롤 플레인의 개수를 효율적으로 조절하기 위한, 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법으로서,
상기 동적 소프트웨어 정의 네트워킹 플레인은,
컨트롤 플레인, 가용 플레인 및 데이터 플레인을 포함하여 구성되되,
상기 가용 플레인은,
복수 개의 단위 플레인으로 구성되고, 가용 플레인의 단위 플레인은 데이터 플레인 또는 컨트롤 플레인으로 할당되며,
(0) 네트워크 서버가 사물인터넷 또는 스마트 더스트 네트워크 환경에서의 복수의 센서로부터 검출된 데이터 패킷 처리 요청을 수신하는 단계;
(1) 현재 발생 중인 데이터 패킷의 개수를 기준으로 가용 플레인의 할당을 요청하는 단계;
(2) 상기 단계 (1)의 요청에 따라 학습 곡선을 기반으로 한 예측 알고리즘을 이용하여 데이터 플레인에서 필요한 단위 플레인의 개수를 예측하는 단계;
(3) 상기 단계 (2)에서 예측된 데이터 플레인에서 필요한 단위 플레인의 개수에 따라 가용 플레인에서 데이터 플레인으로 단위 플레인을 할당하고, 나머지 단위 플레인을 컨트롤 플레인으로 할당하여, 동적으로 소프트웨어 정의 네트워킹 플레인을 스케일링하는 단계; 및
(4) 상기 단계 (3)에서 스케일링 된 동적 소프트웨어 정의 네트워킹 플레인을 이용하여 데이터 패킷을 처리하는 단계를 포함하는 것을 특징으로 하는, 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법.
Efficiently adjust the number of data planes and control planes in the Internet of Things or Smart Dust network environment where the number of sensing data increases and the connection of sessions is incomplete or isolated, and nodes are disconnected and disconnected. A dynamic software-defined networking plane scaling method for doing,
The dynamic software defined networking plane,
It consists of a control plane, an available plane and a data plane,
The available plane,
It consists of a plurality of unit planes, the unit plane of the available plane is assigned to the data plane or control plane,
(0) a network server receiving a request for processing a data packet detected from a plurality of sensors in an IoT or smart dust network environment;
(1) requesting allocation of available planes based on the number of data packets currently occurring;
(2) predicting the number of unit planes required in the data plane using a prediction algorithm based on a learning curve according to the request of step (1);
(3) In the data plane predicted in step (2), a unit plane is allocated from an available plane to a data plane according to the number of required unit planes, and the remaining unit planes are allocated as a control plane to dynamically allocate a software-defined networking plane. Scaling; And
(4) processing the data packet using the dynamic software-defined networking plane scaled in step (3), wherein the dynamic software-defined networking plane is based on a learning curve in an IoT network environment. Scaling method.
삭제delete 삭제delete 삭제delete 제1항에 있어서, 상기 단계 (2)의 학습 곡선을 기반으로 한 예측 알고리즘은,
선형 회귀 알고리즘인 것을 특징으로 하는, 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법.
According to claim 1, The prediction algorithm based on the learning curve of step (2),
A dynamic software-defined networking plane scaling method based on a learning curve in an IoT network environment, characterized in that it is a linear regression algorithm.
제5항에 있어서, 상기 선형 회귀 알고리즘은,
플레인을 동적으로 조절하기 위해 데이터 패킷의 개수를 변수로 활용하는 것을 특징으로 하는, 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법.
The method of claim 5, wherein the linear regression algorithm,
A dynamic software-defined networking plane scaling method based on a learning curve in an IoT network environment, characterized by utilizing the number of data packets as a variable to dynamically adjust the plane.
제5항에 있어서, 상기 선형 회귀 알고리즘은,
데이터 패킷의 개수가 증가하면 데이터 플레인에 할당되는 단위 플레인의 개수를 증가시키고, 데이터 패킷의 개수가 감소하면 데이터 플레인에 할당되는 단위 플레인의 개수를 감소시키는 것을 특징으로 하는, 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법.
The method of claim 5, wherein the linear regression algorithm,
When the number of data packets increases, the number of unit planes allocated to the data plane increases, and when the number of data packets decreases, the number of unit planes allocated to the data plane decreases. Dynamic software-defined networking plane scaling method based on learning curve.
제1항에 있어서, 상기 단계 (4)에서는,
컨트롤 플레인이 데이터 플레인을 제어하며, 데이터 플레인이 데이터 패킷을 처리하는 것을 특징으로 하는, 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법.
The method of claim 1, wherein in step (4),
A dynamic software-defined networking plane scaling method based on a learning curve in an IoT network environment, characterized in that the control plane controls the data plane and the data plane processes data packets.
제1항에 있어서, 상기 컨트롤 플레인 및 데이터 플레인은,
물리적 네트워크 자원을 공유하는 것을 특징으로 하는, 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법.
The control plane and data plane of claim 1,
A dynamic software-defined networking plane scaling method based on a learning curve in an IoT network environment, characterized by sharing physical network resources.
제1항에 있어서, 상기 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법은,
변화하는 데이터 패킷들의 성질을 반영하여 동적으로 플레인을 설정하는 것을 특징으로 하는, 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 방법.
The method of claim 1, wherein the dynamic software defined networking plane scaling method comprises:
A dynamic software-defined networking plane scaling method based on a learning curve in an IoT network environment, characterized by dynamically setting a plane by reflecting the properties of changing data packets.
센싱 데이터의 수가 증가하고, 세션의 연결이 불완전하거나 고립된 상태의 센서가 존재하여, 노드들의 연결과 끊김이 발생하는 사물인터넷 또는 스마트 더스트 네트워크 환경에서, 데이터 플레인 및 컨트롤 플레인의 개수를 효율적으로 조절하기 위한, 동적 소프트웨어 정의 네트워킹 플레인 스케일링 시스템(10)으로서,
상기 동적 소프트웨어 정의 네트워킹 플레인은,
컨트롤 플레인, 가용 플레인 및 데이터 플레인을 포함하여 구성되되,
상기 가용 플레인은,
복수 개의 단위 플레인으로 구성되고, 가용 플레인의 단위 플레인은 데이터플레인 또는 컨트롤 플레인으로 할당되며,
네트워크 서버로부터 사물인터넷 또는 스마트 더스트 네트워크 환경에서의 복수의 센서로부터 검출된 데이터 패킷 처리 요청을 수신하는 수신부(400);
현재 발생 중인 데이터 패킷의 개수를 기준으로 가용 플레인의 할당을 요청하는 가용 플레인 요청부(100);
상기 가용 플레인 요청부(100)의 요청에 따라 학습 곡선을 기반으로 한 예측 알고리즘을 이용하여 데이터 플레인에서 필요한 단위 플레인의 개수를 예측하는 예측부(200);
상기 예측부(200)에 의해 예측된 데이터 플레인에서 필요한 단위 플레인의 개수에 따라 가용 플레인에서 데이터 플레인으로 단위 플레인을 할당하고, 나머지 단위 플레인을 컨트롤 플레인으로 할당하여, 동적으로 소프트웨어 정의 네트워킹 플레인을 스케일링하는 스케일링부(300); 및
상기 스케일링부(300)에서 스케일링된 동적 소프트웨어 정의 네트워킹 플레인을 이용하여 데이터 패킷을 처리하는 데이터 패킷 처리부(500)를 포함하는 것을 특징으로 하는, 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 시스템.
Efficiently adjust the number of data planes and control planes in the Internet of Things or Smart Dust network environment where the number of sensing data increases and the connection of sessions is incomplete or isolated, and nodes are disconnected and disconnected. As a dynamic software-defined networking plane scaling system 10 for,
The dynamic software defined networking plane,
It consists of a control plane, an available plane and a data plane,
The available plane,
Consists of a plurality of unit planes, the unit plane of the available plane is assigned to the data plane or control plane,
A receiving unit 400 for receiving a request for processing a data packet detected from a plurality of sensors in an IoT or smart dust network environment from a network server;
An available plane request unit 100 requesting allocation of available planes based on the number of data packets currently occurring;
A prediction unit 200 for predicting the number of unit planes required in the data plane using a prediction algorithm based on a learning curve at the request of the available plane request unit 100;
In the data plane predicted by the prediction unit 200, a unit plane is allocated from an available plane to a data plane according to the number of required unit planes, and the remaining unit planes are allocated as a control plane to dynamically scale a software-defined networking plane. A scaling unit 300; And
Dynamic data based on the learning curve in the IoT network environment, characterized in that it comprises a data packet processing unit 500 for processing data packets using the dynamic software-defined networking plane scaled by the scaling unit 300. Definition Networking Plane Scaling System.
삭제delete 삭제delete 삭제delete 제11항에 있어서, 상기 학습 곡선을 기반으로 한 예측 알고리즘은,
선형 회귀 알고리즘인 것을 특징으로 하는, 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 시스템.
The prediction algorithm based on the learning curve,
A dynamic software-defined networking plane scaling system based on a learning curve in an IoT network environment, characterized by a linear regression algorithm.
제15항에 있어서, 상기 선형 회귀 알고리즘은,
플레인을 동적으로 조절하기 위해 데이터 패킷의 개수를 변수로 활용하는 것을 특징으로 하는, 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 시스템.
The linear regression algorithm of claim 15,
Dynamic software-defined networking plane scaling system based on a learning curve in an IoT network environment, characterized by utilizing the number of data packets as a variable to dynamically adjust the plane.
제15항에 있어서, 상기 선형 회귀 알고리즘은,
데이터 패킷의 개수가 증가하면 데이터 플레인에 할당되는 단위 플레인의 개수를 증가시키고, 데이터 패킷의 개수가 감소하면 데이터 플레인에 할당되는 단위 플레인의 개수를 감소시키는 것을 특징으로 하는, 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 시스템.
The linear regression algorithm of claim 15,
When the number of data packets increases, the number of unit planes allocated to the data plane increases, and when the number of data packets decreases, the number of unit planes allocated to the data plane decreases. Dynamic software-defined networking plane scaling system based on learning curve.
제11항에 있어서, 상기 데이터 패킷 처리부(500)는,
컨트롤 플레인 및 데이터 플레인을 이용하되,
컨트롤 플레인이 데이터 플레인을 제어하며, 데이터 플레인이 데이터 패킷을 처리하는 것을 특징으로 하는, 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 시스템.
The method of claim 11, wherein the data packet processing unit 500,
Use the control plane and data plane,
Dynamic software-defined networking plane scaling system based on a learning curve in an IoT network environment, characterized in that the control plane controls the data plane and the data plane processes data packets.
제11항에 있어서, 상기 컨트롤 플레인 및 데이터 플레인은,
물리적 네트워크 자원을 공유하는 것을 특징으로 하는, 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 시스템.
The method of claim 11, wherein the control plane and the data plane,
A dynamic software-defined networking plane scaling system based on a learning curve in an IoT network environment, characterized by sharing physical network resources.
제11항에 있어서, 상기 동적 소프트웨어 정의 네트워킹 플레인 스케일링 시스템은,
변화하는 데이터 패킷들의 성질을 반영하여 동적으로 플레인을 설정하는 것을 특징으로 하는, 사물인터넷 네트워크 환경에서의 학습 곡선을 기반으로 한 동적 소프트웨어 정의 네트워킹 플레인 스케일링 시스템.12. The method of claim 11, wherein the dynamic software defined networking plane scaling system,
A dynamic software-defined networking plane scaling system based on a learning curve in an IoT network environment, characterized by dynamically setting a plane by reflecting the properties of changing data packets.
KR1020190014120A 2019-02-01 2019-02-01 Dynamic software defined networking plane scaling method and system based on learning curves in internet of things KR102128481B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190014120A KR102128481B1 (en) 2019-02-01 2019-02-01 Dynamic software defined networking plane scaling method and system based on learning curves in internet of things

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190014120A KR102128481B1 (en) 2019-02-01 2019-02-01 Dynamic software defined networking plane scaling method and system based on learning curves in internet of things

Publications (1)

Publication Number Publication Date
KR102128481B1 true KR102128481B1 (en) 2020-06-30

Family

ID=71121094

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190014120A KR102128481B1 (en) 2019-02-01 2019-02-01 Dynamic software defined networking plane scaling method and system based on learning curves in internet of things

Country Status (1)

Country Link
KR (1) KR102128481B1 (en)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050073900A (en) * 2004-01-12 2005-07-18 삼성전자주식회사 Apparatus and method for controlling hot swap type in mobile communication system
EP2822241A1 (en) * 2012-11-19 2015-01-07 Huawei Technologies Co., Ltd. Packet switching resource allocation method and device
JP2015515196A (en) * 2012-03-29 2015-05-21 中▲興▼通▲訊▼股▲フン▼有限公司 Power saving method and apparatus for base station
KR20170141928A (en) * 2016-06-16 2017-12-27 삼성에스디에스 주식회사 Method and apparatus for providing IoT service based on data platform

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050073900A (en) * 2004-01-12 2005-07-18 삼성전자주식회사 Apparatus and method for controlling hot swap type in mobile communication system
JP2015515196A (en) * 2012-03-29 2015-05-21 中▲興▼通▲訊▼股▲フン▼有限公司 Power saving method and apparatus for base station
EP2822241A1 (en) * 2012-11-19 2015-01-07 Huawei Technologies Co., Ltd. Packet switching resource allocation method and device
KR20170141928A (en) * 2016-06-16 2017-12-27 삼성에스디에스 주식회사 Method and apparatus for providing IoT service based on data platform

Similar Documents

Publication Publication Date Title
Qian et al. Privacy-aware service placement for mobile edge computing via federated learning
US10298557B2 (en) Method of sharing key between devices using physical access restriction
US20160323283A1 (en) Semiconductor device for controlling access right to resource based on pairing technique and method thereof
US10097529B2 (en) Semiconductor device for controlling access right to server of internet of things device and method of operating the same
JP6426458B2 (en) Dynamic Thermal Budget Allocation for Memory Arrays
US20160337322A1 (en) Semiconductor device for managing user data according to security level and method of operating the same
CA2998842A1 (en) Detecting location within a network
US20150005951A1 (en) Flooring sensors for occupant detection
Chen et al. SDN-enabled traffic-aware load balancing for M2M networks
CN109842670A (en) Arithmetic unit, its resource allocation methods and communication system
Gupta et al. Containerized architecture for edge computing in smart home: A consistent architecture for model deployment
Elmazi et al. Two fuzzy-based systems for selection of actor nodes inwireless sensor and actor networks: a comparison study considering security parameter effect
Suri et al. Enforcement of communications policies in software agent systems through mobile code
Van Daele et al. Wireless body area networks: status and opportunities
Salim et al. Effective scheduling strategy in wireless multimedia sensor networks for critical surveillance applications
KR102128481B1 (en) Dynamic software defined networking plane scaling method and system based on learning curves in internet of things
CN108401247A (en) Control the method and electronic equipment of bluetooth equipment
KR102126507B1 (en) Terminal, system and method of processing sensor data stream
Makolkina et al. Research of interaction between applications of augmented reality and control methods of UAVs
CN115834460A (en) Calculation force resource allocation method and device, electronic equipment and readable storage medium
AU2021103738A4 (en) ARTIFICIAL INTELLIGENCE ENABLED DYNAMIC BANDWIDTH ALLOCATION OPTIMIZATION IN IoT FOR IMPROVED QoS
JPWO2019031258A1 (en) Transmission terminal, transmission method, information processing terminal, and information processing method
Misra et al. Panda: Preference-based bandwidth allocation in fog-enabled internet of underground-mine things
Ayeesha Nasreen et al. Energy saving mechanism using extensive game theory technique in wireless body area network (ES-EG)
KR101575982B1 (en) System and method to guarantee quality of service of iot terminal installed and deployed in a region of a certain range such as a home or store or mash-up services

Legal Events

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