KR102292990B1 - 상태 관련 정보 공유 방법 및 장치 - Google Patents

상태 관련 정보 공유 방법 및 장치 Download PDF

Info

Publication number
KR102292990B1
KR102292990B1 KR1020150163556A KR20150163556A KR102292990B1 KR 102292990 B1 KR102292990 B1 KR 102292990B1 KR 1020150163556 A KR1020150163556 A KR 1020150163556A KR 20150163556 A KR20150163556 A KR 20150163556A KR 102292990 B1 KR102292990 B1 KR 102292990B1
Authority
KR
South Korea
Prior art keywords
base station
state
model
related information
state model
Prior art date
Application number
KR1020150163556A
Other languages
English (en)
Other versions
KR20170059315A (ko
Inventor
이동진
윤재식
이창성
조준영
최정아
Original Assignee
삼성전자 주식회사
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 삼성전자 주식회사 filed Critical 삼성전자 주식회사
Priority to KR1020150163556A priority Critical patent/KR102292990B1/ko
Priority to EP16866691.5A priority patent/EP3352414B1/en
Priority to EP19205827.9A priority patent/EP3654689A1/en
Priority to US15/776,528 priority patent/US10880758B2/en
Priority to CN201680067656.2A priority patent/CN108293005B/zh
Priority to PCT/KR2016/013347 priority patent/WO2017086739A1/ko
Publication of KR20170059315A publication Critical patent/KR20170059315A/ko
Priority to US17/105,840 priority patent/US11758415B2/en
Application granted granted Critical
Publication of KR102292990B1 publication Critical patent/KR102292990B1/ko
Priority to US18/462,065 priority patent/US20230422058A1/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • 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
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/003—Arrangements for allocating sub-channels of the transmission path
    • H04L5/0058—Allocation criteria
    • H04L5/006—Quality of the received signal, e.g. BER, SNR, water filling
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/04—Arrangements for maintaining operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic

Abstract

본 발명은 복수의 전자 장치 간 상태 관련 정보 공유 방법 및 장치에 대한 것으로, 보다 구체적으로, 복수의 전자 장치 간에 공유하는 정보에 기반하여 장치의 상태를 예측하는 방법 및 장치에 대한 발명이다.
상술한 과제를 달성하기 위하여, 본 발명의 일 실시 예를 따르는 장치의 상태 관련 정보 공유 방법은 상태 관련 데이터에 기반하여 상기 장치의 상태 모델을 생성하는 단계; 상기 생성된 상태 모델에 기반하여, 상기 장치의 상태를 결정하는 적어도 하나의 파라미터를 선택하는 단계; 및 상기 선택된 적어도 하나의 파라미터를 적어도 하나의 다른 장치에게 전송하는 단계;를 포함하는 것을 특징으로 한다.

Description

상태 관련 정보 공유 방법 및 장치 {METHOD AND APPARATUS OF SHARING INFORMATION RELATED TO STATUS}
본 발명은 복수의 전자 장치 간 상태 관련 정보 공유 방법 및 장치에 대한 것으로, 보다 구체적으로, 복수의 전자 장치 간에 공유하는 정보에 기반하여 장치의 상태를 예측하는 방법 및 장치에 대한 발명이다.
최근 들어 이동 통신 기기들의 증가와 빅 데이터(Big Data) 및 클라우드 컴퓨팅(Cloud Computing) 기술의 사용으로 통신량이 급증하는 상황에서, 낮은 지연 속도(Low Latency), 높은 처리량(High Throughput), 그리고 안전한 End-to-End 통신이 중요해졌다. 특히, 동시에 이런 통신을 가능하게 중계(Relay) 해주는 기지국 시스템(base station system, BSS) 장비들의 역할이 중요해지면서, 지속적으로 실시간 자원분배, 성능 최적화, 안정성, 그리고 이상 상태의 원인에 대한 분석기능이 논의되고 있다. 일반적으로 이동통신 사업자의 필요(Requirement) 를 만족하기 위해 서비스 품질(quality of service, QoS), 체감 품질(quality of experience, QoE), 및 서비스 수준 협의(service level agreement, SLA)값 등을 정의하고, 이를 기반으로 이동 통신 장치들을 운용한다.
상기 이동 통신 장치들을 운용함에 있어, 상태 예측은 이전까지의 이동 통신 장치의 운용 Log 정보를 이용하여 앞으로의 장비의 Software 및 Hardware 상태를 예측하는 기능을 수행하는 것을 지칭한다. 보다 구체적인 예로서, 상기 상태는 이동 통신 장치에서의 네트워크 자원 분배 상태, 전력 사용 상태, 출력량(throughput) 연결 유지 여부 등을 포함할 수 있다.
성능장치의 상태 예측을 수행하기 위해 장치에서 추출될 수 있는 여러 구성 요소(component)들의 센서 데이터(Sensor Data)를 수집할 수 있다. 예를 들어, 상기 센서 데이터를 이용하여 Statistical Analysis와 Machine Learning 기술을 상기 장치의 상태 예측에 적용할 수 있다. 상기 센서 데이터들은 수집되는 방식에 따라 주기(Periodic) 성, 이벤트(Event) 성, 그리고 설정(Configuration) 성 Data로 분류할 수 있다. 예를 들어, 장치는 주기적으로 소프트웨어와 하드웨어에서 추출되는 구성 요소들 즉, 온도, 전력 간섭, 그리고 자원 이용 등에 대한 정보를 주기적으로 기록하여 주기성 데이터를 수집한다. 또한, 장치는 특정 구성요소가 미리 정해진 임계 값을 초과하는 경우 등으로 이벤트를 설정하여 이벤트성 데이터를 수집할 수 있다. 마지막으로, 장치는 장치에 대한 펌웨어 버전(firmware version), 위치(location), 셀 설정(cell setup)에 대한 설정 정보를 기록하여 설정성 데이터를 수집한다.
도 1a 및 1b는 장치의 특정 상태에 대한 예측 모델을 이용하는 것을 도식화한 도면이다..
보다 구체적으로, 도 1a에서 장치는 상태를 예측하기 위하여 학습 기간(100)동안 데이터 로그를 수집하고, 수집한 데이터 로그에 기반하여 예측 모델(110)을 생성한다. 이후, 상기 장치는 일정 기간의 데이터 로그를 상기 예측 모델(110)에 입력함으로써 상태 예측 기간(120)에서의 장치의 상태를 예측한다.
도1b에서는 예측 모델의 사용으로 상태를 예측하는 장치의 내부 구조도에 기반하여 예측 결과를 도출하는 과정을 도시한다. 보다 구체적으로 상기 장치는 데이터 로그를 수집한 후, 모델부(modeling unit, MU)에서의 학습 단계 및 예측부(prediction unit,PU)에서의 예측 단계를 통해 예측 결과를 도출한다. 상기 모델링 부 및 예측부는 본 발명이 속한 기술 분야에서 널리 알려진 Machine Learning 알고리즘 기반으로 만들어져 있고, 상기 Machine Learning 알고리즘은 Naive Bayesian, Support Vector Machine, 그리고 Random Forest를 포함한다. 상기 나열한 모든 알고리즘에서 도출한 예측 결과에 따른 예측 정확도는 데이터 로그의 특성과 양에 따라 다를 수 있다.
아래에서는 상기 모델부와 예측부에 대하여 설명한다.
먼저 모델부는 데이터와 데이터 클래스를 가지고 모델을 생성한다. 상기 데이터는 원본 데이터(raw data) 또는 가공된 데이터 로그를 포함할 수 있다. 본 발명에서 상기 데이터 및 데이터 로그는 혼용하여 사용될 수 있다. 상기 데이터 클래스는 상기 데이터에 대하여 원하는 출력 값을 지칭한다. 예를 들어, 과거 특정 기간에 포함되는 데이터 값들의 결과 값을 지칭할 수 있다. 상기 모델은 데이터 클래스에 대한 데이터의 확률적(stochastic) 또는 결정적(deterministic) 패턴에 기반하여 생성된다.
다음으로, 예측부는 상기 모델이 생성된 후, 새로운 데이터 로그를 상기 모델에 입력하여 예측 결과인 출력 값을 도출한다. 즉, 상기 예측부는 상기 모델의 클래스 결정 규칙(class decision rule)을 이용하여 새로운 데이터 로그에 대한 데이터 클래스를 도출한다. 또한, 상기 예측부는 상기 예측 결과에 대한 예측 정확도를 도출한다. 상기 예측 정확도는 Machine Learning 알고리즘, 데이터 로그의 특성과 양, 파라미터의 개수 및 데이터 가공 정밀도에 따라서 상이할 수 있으며, Feature Engineering / Feature Selection 을 사용해서 상기 예측 정확도를 향상시킬 수 있다. 특히, 학습 데이터 로그의 양과 파라미터의 개수가 많을수록 여러 패턴을 추출하고 학습할 수 있기 때문에, 여러 파라미터의 데이터 로그를 수집하여 학습하는 것이 예측 정확도를 올릴 수 있다. 통상적인 Machine Learning 동작에 대한 모델링, 예측, 및 데이터 클래스를 정리하는 Feature Engineering / Feature Selection은 본 발명이 속하는 분야에서 일반적인 기술이며 본 발명의 범위에 포함되지 않는 바 구체적인 설명을 생략한다.
도 2는 상기 데이터 학습 및 예측 모델을 적용하는 구체적인 방법을 설명하는 도면이다.
보다 구체적으로, 예를 들어 복수의 기지국에서 데이터를 학습하고 예측 모델을 생성하여 예측 결과를 도출하는 방법인, 비 집중화된(Decentralized) 방법, 및 집중화된 방법(Centralized) 방법에 대하여 설명한다.
먼저, 도 2a에서 도시하고 있는 비 집중화된(Decentralized) 방법에서, 각 기지국들은 독립적으로 생성된 데이터를 학습하여 예측 모델을 생성하고, 생성된 예측 모델에 기반하여 데이터 예측을 수행한다. 또한, 상기 기지국은 상기 예측 모델에 대한 정확도를 계산한다. 즉, 상기 기지국들은 각각의 데이터 로그를 타 기지국으로 송수신하지 않는다. 다음으로, 도 2b에서 도시하고 있는 집중화된(centralized) 방법에서, 각 기지국들은 각 기지국에서 생성된 데이터 로그를 중앙 서버로 전송하고, 이 중앙 서버는 수집된 데이터 로그를 학습하여 예측 모델링을 생성한다. 상기 중앙 서버는 예측 모델에 기반하여 데이터 예측을 수행하고, 상기 모델에 대한 정확도를 계산한다. 즉, 새로운 Data Log 역시 장비로 송신하여 정확도가 계산된다.
보다 구체적으로 비 집중화된 방법은 각 장비들이 독립적으로 수집된 데이터 로그를 이용하여, 학습과 예측을 한다. 이는 각 장비의 특징을 잘 고려해서 모델을 생성할 수 있지만 실용적으로 사용하기에는 장기간 동안 데이터 로그를 축적해야 하는 문제점이 있다. 또한, 데이터 로그에 대한 출력 값, 즉 데이터 클래스,에 대한 정보가 있어야 모델을 생성할 수 있으므로, 새롭게 설치된 장치에 대한 상태 예측은 기 누적된 데이터 로그가 없기 때문에 불가능한 문제가 있다.
상기 집중화된 방법은 최근 대두된 빅데이터 기술을 이용하여, 중앙 서버가 여러 기지국으로부터 대량의 데이터 로그를 수집하여 높은 예측 정확도에 도달할 수 있지만 특정 학습 알고리즘에 따라 데이터양이 많아지면 학습에 필요한 자원이 더욱 더 많이 필요하게 된다. 또한, 서버의 CPU, 메모리, 디스크 용량 요구사항이 높아지고, 학습 시간이 오래 걸리며, 실시간으로 예측 결과를 전송하기 어려우며 예측 모델에 각 기지국의 특성을 반영하기 어렵다는 문제점이 있다.
본 발명은 상술한 문제점을 해결하기 위하여, 유사한 특징을 가진 장치들 간에 장치의 상태 모델에 기반하여 선택된 파라미터들을 포함한 상태 관련 정보를 다른 장치와 공유하는 방법을 제안한다.
상술한 과제를 달성하기 위하여, 본 발명의 일 실시 예를 따르는 장치의 상태 관련 정보 공유 방법은 상태 관련 데이터에 기반하여 상기 장치의 상태 모델을 생성하는 단계; 상기 생성된 상태 모델에 기반하여, 상기 장치의 상태를 결정하는 적어도 하나의 파라미터를 선택하는 단계; 및 상기 선택된 적어도 하나의 파라미터를 적어도 하나의 다른 장치에게 전송하는 단계;를 포함하는 것을 특징으로 한다.
또한, 발명의 다른 실시 예에 따르는 상태 관련 정보를 공유하는 장치는 신호를 송수신하는 송수신부; 및 상태 관련 데이터에 기반하여 상기 장치의 상태 모델을 생성하고, 상기 생성된 상태 모델에 기반하여, 상기 장치의 상태를 결정하는 적어도 하나의 파라미터를 선택하고, 상기 선택된 적어도 하나의 파라미터를 적어도 하나의 다른 장치에게 전송하는 것을 제어하는 제어부;를 포함하는 것을 특징으로 한다.
본 발명의 실시 예에 따르면, 유사한 특징을 가진 장치 간에 데이터 로그 전체가 아닌 상태 모델에 기반하여 선택된 파라미터들을 포함한 상태 관련 정보를 다른 장치와 공유함으로써, 각 장치 간에 적은 양의 자원을 사용할 수 있으며, 각 장치에서 현 시점에 예측하고자 하는 특정 상태가 과거에 미 발생해도 예측이 가능하고, 적은 양의 데이터 로그를 학습하여도 높은 예측 정확도에 도달할 수 있는 것을 특징으로 한다. 또한, 각 장치는 다른 장치에서 수신한 상태 관련 정보를 각 장치에서 생성한 상태 모델에 병합하여 예측 결과를 도출할 수 있는 바, 각 장치에서 실시간으로 예측 결과를 획득할 수 있으며, 각 장치의 특성을 반영할 수 있는 효과가 있다.
도 1a 및 1b는 장치의 특정 상태에 대한 예측 모델을 이용하는 것을 도식화한 도면이다.
도 2는 상기 데이터 학습 및 예측 모델을 적용하는 구체적인 방법을 설명하는 도면이다.
도 3은 본 발명의 실시예에 따른 장치의 내부 구조 및 본 발명에 따른 동작을 개략적으로 도시하는 블록도이다.
도 4는 본 발명의 실시예에 따른 장치의 내부 구조 간 송수신되는 정보를 구체적으로 설명하는 도면이다.
도 5a 및 도5b는 본 발명의 실시예에 따른 상태 관련 정보를 공유할 장치들을 그룹화하는 것을 설명하는 도면이다.
도 6a 및 도6b는 본 발명의 실시예에 따라 장치의 설치 상황별 상태에 대한 예측 결과를 도출하고 피드백 동작을 수행하는 것을 설명하는 도면이다.
도 7은 장치의 상태를 예측하는 상태 모델에 대한 그래프를 예시한 도면이다.
도 8a, 8b, 8c는 본 발명의 실시예에 따라 상태 모델에 대하여 다른 장치로 공유할 파라미터를 선택하고, 상태 모델을 공유할지 여부를 결정하는 동작을 설명하는 도면이다.
도 9는 본 발명의 실시예에 따라 다른 장치로 상태 관련 정보를 공유할 것인지 여부를 결정하는 동작을 설명하는 도면이다.
도 10은 본 발명의 실시예에 따라 장치가 상태 관련 정보에 기반하여 예측 결과를 도출하는 동작을 설명하는 도면이다.
도 11은 본 발명의 실시예에 따라 장치가 예측 결과에 기반하여 수행하는 피드백 동작을 설명하는 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시 예들을 상세히 설명한다. 이 때, 첨부된 도면에서 동일한 구성 요소는 가능한 동일한 부호로 나타내고 있음에 유의해야 한다. 또한 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략할 것이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시 예들을 상세히 설명한다. 이 때, 첨부된 도면에서 동일한 구성 요소는 가능한 동일한 부호로 나타내고 있음에 유의해야 한다. 또한 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략할 것이다.
또한, 본 발명의 실시예들을 구체적으로 설명함에 있어서, 반송파 결합(carrier aggregation)을 지원하는 Advanced E-UTRA (혹은 LTE-A 라고 칭함) 시스템을 포함하는 4G 통신 시스템을 주된 대상으로 할 것이지만, 본 발명의 주요한 요지는 유사한 기술적 배경 및 채널형태를 가지는 여타의 통신 시스템에도 본 발명의 범위를 크게 벗어나지 아니하는 범위에서 약간의 변형으로 적용 가능하며, 이는 본 발명의 기술분야에서 숙련된 기술적 지식을 가진 자의 판단으로 가능할 것이다. 예컨대, 반송파 결합을 지원하는 multicarrier HSPA 및 차세대 네트워크인 5G 통신 시스템에도 본 발명의 주요 요지를 적용 가능하다.
본 명세서에서 실시 예를 설명함에 있어서 본 발명이 속하는 기술 분야에 익히 알려져 있고 본 발명과 직접적으로 관련이 없는 기술 내용에 대해서는 설명을 생략한다. 이는 불필요한 설명을 생략함으로써 본 발명의 요지를 흐리지 않고 더욱 명확히 전달하기 위함이다.
마찬가지 이유로 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 개략적으로 도시되었다. 또한, 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니다. 각 도면에서 동일한 또는 대응하는 구성요소에는 동일한 참조 번호를 부여하였다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
이 때, 처리 흐름도 도면들의 각 블록과 흐름도 도면들의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수 있음을 이해할 수 있을 것이다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 흐름도 블록(들)에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 흐름도 블록(들)에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 흐름도 블록(들)에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 블록은 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실행 예들에서는 블록들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
이 때, 본 실시 예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA또는 ASIC과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
본 발명에서 '상태 모델'이라 함은 장치의 상태, 예를 들어, 장치의 자원 사용 상태, 전력 사용 상태 등에 대하여, 과거 시점에서 상태를 결정하는 여러 데이터 로그를 학습하여 생성된 것으로, 일정량 이상의 데이터 로그를 입력 시에 미래 시점에서의 장치의 상태에 대한 예측 결과를 출력하는 것을 지칭한다.
본 발명에서 '상태 관련 정보'는 장치의 상태, 예를 들어, 장치의 소프트웨어 및 하드웨어 상태를 결정하는 요인에 대한 정보를 지칭한다. 상기 상태 관련 정보는 상태에 대한 학습 데이터에 기반하여 생성된 상태 모델로부터 도출될 수 있다. 상기 상태 관련 정보는 상기 상태를 결정하는 적어도 하나의 파라미터들을 포함할 수 있으며, 상기 파라미터들이 상기 상태를 결정하는 정도를 나타내는 가중치 정보를 더 포함할 수 있다.
또한, 본 발명에서 '모델 관련 정보'라 함은 장치에서 상태 모델을 생성하는데 이용된 데이터 로그의 특성, 알고리즘, 파라미터의 특성 정보, 또는 상태 모델의 정확도 정보를 포함할 수 있다.
도 3은 본 발명의 실시예에 따른 장치의 내부 구조 및 본 발명에 따른 동작을 개략적으로 도시하는 블록도이다.
보다 구체적으로 장치는 모델부(310), 예측부(320), 제어부(330), 및 원격 통신부(340)를 포함할 수 있다. 상기 장치에 데이터 로그(300)가 입력되며, 그에 대하여 최적화된 장치 설정 정보(350)가 출력될 수 있다. 즉, 기존 예측 모델 방법에 대하여 제어부(330)가 새롭게 추가됨을 알 수 있다. 이하에서는 상기 장치와 원격 통신부를 통하여 정보를 송수신하는 다른 장치를 구별하기 위하여, 상기 제어부(330)가 포함된 장치를 "로컬(local) 장치"라 지칭하고, 상기 다른 장치를 "원격(remote) 장치"라 지칭한다.
상기 모델부(310)는 제어부(330)로부터 수신한 데이터로그를 학습하여 로컬 장치의 상태 모델을 생성할 수 있다. 이 경우, 상기 원격 통신부(340)에서 수신된 원격 장치로부터의 상태 관련 정보 및 모델 관련 정보를 이용하여 상기 로컬 장치의 상태 모델을 생성할 수 있다.
또한, 상기 예측부(320)는 상기 제어부(330)로부터 수신한 일정량 이상의 데이터 로그와 적어도 하나 이상의 상태 모델에 기반하여 각 상태 모델에 대한 예측 결과를 계산할 수 있다. 즉, 상기 예측부(320)는 로컬 장치에서 생성된 상태 모델과 원격 장치에서 생성된 상태 모델 각각에 대하여 상기 수신한 데이터 로그를 입력하여 각 상태 모델에 대한 예측 결과를 도출할 수 있다.
상기 제어부(330)는 모델부(310)와 예측부(320)를 서로 연동하고, 원격 통신부(340)를 통하여 원격 장치들과 정보를 교환할 수 있다. 즉, 상기 제어부(330)는 장치 내에 존재하여 상태 예측을 하기 위한 통합 장치로 사용될 수 있다. 상기 제어부(330)는 보다 구체적으로, 모니터링부(331), 파라미터 선택부(333), 예측 결과 판단부(335), 및 장치 설정 변경부(337)를 포함할 수 있다.
상기 모니터링부(331)는 상기 제어부(330)내의 구성 모듈 간의 인터페이스를 총괄하며, 지속적으로 로컬 장치의 상태 모니터링을 수행할 수 있다. 상기 모니터링부(331)는 로컬 장치에 부착된 센서로부터 획득한 데이터 로그(300)를 저장할 수 있고, 모델부(310)로부터 수신한 상태 모델을 저장할 수 있다. 상기 상태 모델은 상태를 결정하는 상태 관련 정보를 포함하는 것으로써, 파라미터 및 파라미터별 가중치 정보를 포함할 수 있다. 상기 상태 모델은, 예를 들어, 장치의 상태를 결정하는 가중치가 높은 순서대로 정렬된 파라미터에 대한 정보를 포함할 수 있다.
상기 파라미터 선택부(333)는 상기 모델부(310)에서 생성한 상태 모델에 포함된 적어도 하나의 파라미터에 대하여 일정 기준에 따라 적어도 하나의 원격 장치에게 공유할 파라미터를 선택할 수 있다. 이 경우, 상기 파라미터 선택부(333)는 상기 가중치 및 상기 상태 모델의 정확도에 기반하여 공유할 파라미터의 개수를 동적으로 결정할 수 있다. 상기 상태 모델의 정확도라 함은 상태 모델에 데이터 로그를 입력하여 계산한 예측 결과와 실제 결과의 일치 정도를 의미하며, 모델 관련 정보에 포함될 수 있다. 도 7은 상태 모델에 대한 예시이며, 보다 상세한 설명은 도 8에서 한다.
상기 예측 결과 판단부(335)는 상기 로컬 장치의 모델부(310)에서 생성한 상태 모델 에 기반하여 계산된 예측 결과 및 상기 원격 장치에서 생성된 상태 모델에서 계산된 예측 결과를 모두 이용하여 로컬 장치의 상태에 대한 예측 결과를 도출할 수 있다. 또한, 상기 예측 결과 판단부(335)는 상기 로컬 장치의 상태 모델의 정확도 및 상기 원격 장치의 상태 모델의 신뢰도를 함께 이용하여 상기 상태에 대한 예측 결과를 도출할 수 있다. 상기 상태 모델의 정확도 및 신뢰도의 용어는 상기 상태 모델의 입력 값에 대한 예측 결과 값과 실제 결과 값의 일치 정도를 나타낸다. 본 발명에서는 로컬 장치에서 생성된 상태 모델에 대해서는 정확도의 용어를 사용하며 원격 장치에서 생성된 상태 모델에 대해서는 신뢰도의 용어를 사용하기로 한다. 상기 예측 결과 판단부(335)가 상기 로컬 장치의 상태 모델 및 원격 장치의 상태 모델에 기반하여 예측 결과를 도출하는 것에 대한 상세한 설명은 도 10에서 한다.
상기 설정 변경 결정부(337)는 상기 예측 결과 판단부(335)에서 도출한 예측 결과와 예측 결과의 신뢰도를 이용하여 피드백 값을 생성하고, 상기 피드백 값을 이용하여 장치의 설정을 변경할 것인지 여부를 결정할 수 있다. 장치의 설정을 변경할 것인지 여부를 결정하는 동작의 상세한 설명은 도 11에서 한다.
상기 동작에 대하여 제어부(330)가 포함하고 있는 각각의 구성 모듈이 수행할 수 있으나, 상기 모든 동작을 제어부(330)가 수행할 수 있음은 본 발명이 속하는 기술 분야에서 통상의 기술자에게 자명한 사항이다.
또한, 상기 원격 통신부(340)는 적어도 하나의 원격 장치와 연결되어 상기 장치와 상태 관련 정보 및 모델 관련 정보를 공유할 수 있다. 보다 구체적으로, 상기 원격 통신부(340)는 상기 적어도 하나의 원격 장치에게 상태 모델에 기반하여 선택된 파라미터를 전송할 수 있다. 상기 원격 통신부(340)는 상기 파라미터의 가중치 정보 및 상기 상태 모델의 정확도 정보를 상기 적어도 하나의 다른 장치에게 전송할 수 있다. 즉, 상기 원격 통신부(340)는 로컬 장치에서 수집한 데이터 로그 자체를 전송하는 것이 아니라, 상태 관련 정보를 전송함으로써, 보다 적은 자원의 양을 이용하게 되는 효과가 있다.
또한, 상기 원격 통신부(340)는 적어도 하나의 원격 장치로부터 상태 관련 정보 및 모델 관련 정보를 수신할 수 있다. 상기 제어부(330)는 상기 원격 통신부(340)로부터 상기 원격 장치의 상태 관련 정보 및 모델 관련 정보를 수신하여, 이를 기반으로 상기 원격 장치에서 생성된 모델을 구성하고 로컬 장치에서 예측 결과를 도출해 내는데 이용할 수 있다.
즉, 상기 원격 통신부(340)는 원격 장치가 생성한 상태 모델에 기반하여 선택된 파라미터, 상기 선택된 파라미터의 가중치 정보를 포함한 상태 관련 정보와 상기 상태 모델의 신뢰도 정보 등을 포함한 모델 관련 정보를 상기 적어도 하나의 원격 장치로부터 수신할 수 있다.
상기 제어부(330)는 제어부(330) 내에 포함되는 구성 모듈들에 의하여 최종적으로는 장치의 예측된 상태에 따른 최적화된 장치 설정(350)을 도출할 수 있다.
상기 제어부(330)는 상태 관련 데이터에 기반하여 상기 장치의 상태 모델을 생성하고, 상기 생성된 상태 모델에 기반하여, 상기 장치의 상태를 결정하는 적어도 하나의 파라미터를 선택하고, 상기 선택된 적어도 하나의 파라미터를 적어도 하나의 다른 장치에게 전송하는 것을 제어할 수 있다.
상기 제어부(330)는 상기 선택된 적어도 하나의 파라미터에 대응하는 가중치 정보를 상기 다른 장치에게 전송하는 것을 더 제어할 수 있다. 상기 제어부(330)는 상기 상태 관련 데이터 및 상기 파라미터 중 상기 파라미터만을 상기 적어도 하나의 다른 장치에게 전송하는 것을 제어할 수 있다. 상기 제어부(330)는 적어도 하나의 다른 장치로부터 상기 다른 장치에서 생성된 상태 모델에 기반하여 선택된 상기 적어도 하나의 다른 장치의 상태를 결정하는 적어도 하나의 파라미터 및 상기 파라미터에 대응하는 가중치 정보를 수신하고, 상기 장치의 상태를 결정하는 파라미터 및 상기 적어도 하나의 다른 장치의 상태를 결정하는 적어도 하나의 파라미터에 기반하여 상기 장치의 상태 예측 결과를 도출하는 것을 제어할 수 있다.
상기 제어부(330)는 상기 적어도 하나의 다른 장치로부터, 상기 적어도 하나의 다른 장치에서 생성되는 상태 모델로부터 도출되는 예측 결과의 신뢰도에 대한 정보를 수신하고, 상기 장치의 예측 결과를 도출하는 단계는, 상기 장치에서 생성된 상태 모델로부터 도출되는 예측 결과의 정확도 및 상기 신뢰도를 더 고려하여, 상기 장치의 예측 결과를 도출하는 것을 제어할 수 있다. 또한, 상기 제어부(330)는 상기 상태의 예측 결과에 기반하여, 상기 장치의 설정을 변경할 것인지 여부를 결정하는 것을 제어할 수 있다.
도 4는 본 발명의 실시예에 따른 장치의 내부 구조 간 송수신되는 정보를 구체적으로 설명하는 도면이다.
보다 구체적으로, 장치는 모델부(410), 예측부(420), 제어부(430) 간에는 정보를 송수신하기 위한 인터페이스 장치를 추가적으로 포함할 수 있다.
먼저 제어부(430)에서 모델부(431)로 정보를 전송하는 인터페이스를 "SND_to_MU(431)"라고 지칭할 수 있다. 상기 제어부(430)는 로컬 장치의 각종 센서로부터 수신한 데이터 로그를 전송할 수 있다. 통상적으로 상기 데이터 로그는 입력 값으로 제어부에 스트리밍되어 전처리(Pre-Processing) 단계를 거처 가공될 수 있는데, 상기 전처리는 본 발명의 범위가 아닌바, 여기서는 다루지 않는다. 또한, 상기 제어부(430)는 원격 통신부(440)로부터 수신한 상태 관련 정보 및 모델 관련 정보를 전송할 수 있다. 상기 상태 관련 정보는 원격 장치에서 생성된 상태 모델에 기반하여 선택된 파라미터 및 파라미터별 가중치를 포함할 수 있다. 또한, 상기 모델 관련 정보는 상기 상태 모델을 생성하는데 이용된 데이터 로그의 특성, 알고리즘, 또는 파라미터의 특성 정보를 포함할 수 있다. 또한, 상기 모델 관련 정보는 상기 상태 모델에 대한 신뢰도 정보를 포함할 수 있다. 상기 모델부(431)는 수신한 로컬 장치의 데이터 로그를 학습하여 상태 모델을 생성할 수 있다. 또한, 추가적으로, 상기 모델부(431)는 상기 상태 모델을 생성할 때에, 원격 통신부(440)로부터 수신한 상태 관련 정보 및 모델 관련 정보를 추가적으로 이용할 수 있다. 상기 학습하는 알고리즘은, 예를 들어 Machine Learning 알고리즘을 포함할 수 있다.
또한, 상기 모델부(410)에서 제어부(430)로 정보를 전송하는 인터페이스를 "RCV_from_MU(433)" 라고 지칭할 수 있다. 상기 모델부(410)는 생성한 상태 모델 및 모델 관련 정보를 상기 제어부(430)에게 전송할 수 있다. 상기 제어부(430)는 상기 생성된 상태 모델에서 상태 관련 정보를 도출할 수 있다. 즉, 상기 제어부(430)는 상태를 결정하는 파라미터 및 파라미터별 가중치 정보를 도출할 수 있다.
다음으로, 상기 제어부(430)에서 상기 예측부(420)로 정보를 전송하는 인터페이스를 "SND_to_PU"(435)라고 지칭할 수 있다. 상기 제어부(430)는 SND_to_PU에 상기 장치의 상태에 대한 예측을 하기 위한 현재 시점에서의 일정량 이상의 데이터 로그를 포함하여 전송할 수 있다. 또한, 상기 제어부(430)는 상기 모델부(410)로부터 수신한 상태 모델, 즉, 로컬 장치에서 수집된 데이터 로그에 기반하여 생성된 상태 모델 및 원격 장치로부터 수신된 모델을 전송할 수 있다. 현재 시점에서의 신규 데이터로그와 상기 상태 모델 및 상태 관련 정보들을 수신한 상기 예측부(420)는 기 저장된 알고리즘을 이용하여 각 상태 모델을 적용했을 때의 상태에 대한 예측 결과를 도출할 수 있다. 상기 알고리즘은, 예를 들어, machine learning 알고리즘을 포함할 수 있다.
다음으로, 상기 예측부(420)에서 상기 제어부(430)로 정보를 전송하는 인터페이스를 "RCV_from_PU(437)"라고 지칭할 수 있다. 상기 예측부(420)는 상기 각 상태 모델을 적용했을 때의 장치의 상태에 대한 예측 결과를 포함하여 전송할 수 있다. 이로 인하여, 상기 제어부(430)는 로컬 장치의 상태 모델로부터 도출된 예측 결과 및 해당 장치의 상태 모델로부터 도출된 예측 결과를 모두 이용하여, 로컬 장치의 상태에 대한 예측 결과를 도출할 수 있다.
또한, 상기 제어부(430)에서 상기 원격 통신부(440)로 정보를 전송하는 인터페이스를 "SND_to_Remote(438)" 라 지칭할 수 있다. 상기 제어부는 지속적인 모니터링을 통하여 모델부(410)로부터 수신되는 상태 모델에 기반하여 상태 관련 정보를 상기 적어도 하나의 원격 장치에게 전송할 수 있다. 상기 원격 장치는 상기 로컬 장치와 유사한 특성을 가지는 장치들로 구성된 그룹에 포함되는 것 중 적어도 하나일 수 있다. 상기 제어부(430)는 수신된 상태 모델에 기반하여 상태 관련 정보를 선택하고, 상기 적어도 하나의 원격 장치에게 전송할 것인지 여부를 결정할 수 있으며, 이는 도 9에서 구체적으로 설명한다.
상기 원격 통신부(440)로부터 상기 제어부(430)로 정보를 전송하는 인터페이스를 "RCV_from_Remote(439)" 라 지칭할 수 있다. 상기 원격 통신부(440)는 원격 장치에서 생성된 상태 모델에 기반한 상태 관련 정보를 상기 제어부(430)에게 전송할 수 있다. 보다 구체적으로, 상기 제어부(430)는 상기 상태 모델에 기반하여 선택된 파라 미터 및 상기 파라미터가 상태를 결정하는 정도를 나타내는 가중치를 수신할 수 있다. 또한, 상기 제어부(430)는 상기 원격 장치에서 생성된 상태 모델의 신뢰도를 수신할 수 있다. 상기 제어부(430)는 상기 수신한 상태 관련 정보를 이용하여 상태에 대한 예측 결과를 계산할 수 있으며, 이는 도 10에서 구체적으로 설명한다. 또한, 원격 통신부(440)를 통하여 다른 원격 장치와 정보를 송수신하는 분산 알고리즘으로 P2P(peer-to-peer) 공유 방식을 사용할 수 있다.
도 5a 및 도5b는 본 발명의 실시예에 따른 상태 관련 정보를 공유할 장치들을 그룹화하는 것을 설명하는 도면이다.
보다 구체적으로, 도 5a는 상기 장치를 기지국이라 가정할 때, 모델에 대한 상태 관련 정보 및 모델 관련 정보를 공유할 기지국을 그룹화하여 지도 위에 도시한 것이다. 상기 그룹화된 적어도 하나 이상의 장치들을 공유 모델 그룹이라고 지칭할 수 있다. 도 5b는 각 기지국의 특징값을 예시로 도시하는 표이다. 기지국의 설치 지역, 소프트웨어 버전, 할당된 셀 수 등에 기반하여 기지국을 그룹화함으로써, 공유 상태 모델 그룹을 생성할 수 있다.
상기 그룹 정보는 기지국의 상위 기지국 관리 시스템이 상기 도 5b에 도시한 기지국의 특징 값을 기준으로 판단할 수 있다. 예를 들어, K-Mode 클러스터링(Clustering) 기법을 실행하여 기지국들을 그룹화한 후, 공유 모델 그룹의 정보를 그룹 내의 기지국에게 알려주게 된다. 상기 기지국은 수신한 공유 모델 그룹의 정보에 기반하여 같은 그룹에 속하는 기지국들끼리 상태 관련 정보를 공유할 수 있다. 도 6a 및 도 6b는 본 발명의 실시예에 따라 장치의 설치 상황별 상태에 대한 예측 결과를 도출하고 피드백 동작을 수행하는 것을 설명하는 도면이다.
보다 구체적으로, 도 6a 의 경우, 새로 증설된 로컬 장치에서의 내부 모듈 간 동작에 대하여 도시한 것이고, 도 6b의 경우, 기 설치된 로컬 장치에서의 내부 모듈 간 동작에 대하여 도시한 것이다.
먼저, 도 6a의 경우, 새로 증설된 로컬 장치에서는 기 축적된 데이터 로그가 없거나 부족하다. 따라서 제어부(610)는 상기 원격 통신부(600)와 연결된 인터페이스인 RCV_from_Remote(605)를 통하여 같은 공유 모델 그룹 내의 원격 장치들의 상태 관련 정보 및 모델 관련 정보를 수신하여 예측 결과를 도출할 수 있다. 즉, 제어부(610)는 원격 통신부(600)로부터 원격 기지국에서 선택된 상태 관련 정보를 수신할 수 있다. 이후, 상기 제어부(610)는 현재 시점의 로컬 기지국에서의 신규 데이터 로그 및 상기 수신한 적어도 하나의 원격 기지국의 상태 관련 정보를 SND_to_PU(620)를 통하여 예측부(625)에 전송할 수 있다. 이후, 상기 예측부(625)는 상기 수신한 현재 시점의 신규 데이터 로그 및 상기 적어도 하나의 원격 기지국의 상태 관련 정보에 기반하여 예측 결과를 도출할 수 있고, 예측 결과를 RCV_from_PU(627)를 통하여 다시 제어부(610)에게 전송할 수 있다. 제어부(610)에서는 상기 적어도 하나의 원격 기지국에서 도출된 예측 결과 및 상기 원격 기지국에서의 상태 모델의 신뢰도에 기반하여 로컬 기지국의 현재 시점에서의 예측 결과를 도출하고, 피드백 동작 할 수 있다(630). 상기 피드백 동작이라 함은 현재 장치의 설정을 변경할 것인지 여부를 결정하는 것을 포함할 수 있다.
다음으로 도 6b의 경우, 기 설치된 로컬 장치에서는 기 축적된 데이터 로그가 존재한다. 따라서, 로컬 장치는 로컬 장치에서 축적된 데이터 로그에 기반하여 생성된 상태 모델에서 도출한 상태 관련 정보를 적어도 하나의 원격 장치에게 공유할 수 있다. 또한, 상기 로컬 장치는 원격 장치로부터 수신된 상태 관련 정보 및 상기 로컬 장치에서 생성된 상태 모델에 기반하여 로컬 장치의 현재 시점의 예측 결과를 도출할 수 있다.
먼저, 로컬 장치에서 생성된 상태 모델에서 도출된 상태 관련 정보를 적어도 하나의 원격 장치에게 공유하는 방법에 대하여 설명한다. 제어부(655)는 기 축적된 데이터 로그를 SND_to_MU(660)를 통하여 상기 모델부(665)에게 전송할 수 있다. 이후, 상기 모델부(665)는 상기 데이터 로그에 기반하여 상태 모델을 생성할 수 있고, 이를 RCV_from_MU(667)를 통하여 다시 제어부(655)에게 전송할 수 있다. 상기 제어부(655)는 상기 데이터 로그에 기반하여 생성된 상태 모델을 SND_to_PU(670) 를 통하여 예측부(675)에 전송할 수 있다. 이 경우, 상기 제어부(655)는 현재 시점에서 수집한 신규 데이터 로그를 함께 전송할 수 있다. 상기 예측부(675) 상기 신규 데이터 로그 및 상기 상태 모델에 기반하여 예측 결과를 도출할 수 있다.
상기 예측부(675)는 상기 도출한 예측 결과를 RCV_from_PU(677)를 통하여 제어부(655)에게 전송할 수 있다. 제어부(655)에서는 로컬 장치의 데이터 로그에 기반하여 생성된 상태 모델에서 도출된 예측 결과를 기반으로 상태 모델의 예측 정확도를 획득할 수 있다. 상기 예측 정확도를 획득하는 것은 본 발명의 범위에 속하지 않는 바 설명을 생략한다. 상기 제어부(677)는 상기 상태 모델의 예측 정확도에 기반하여 상기 상태 모델의 상태 관련 정보에 포함된 파라미터 중 원격 장치에게 공유할 파라미터를 선택하고, 상기 상태 모델의 상태 관련 정보를 공유할 것인지 여부를 결정할 수 있다. 보다 구체적인 동작은 도 8에서 설명한다. 상기 제어부(655)는 상기 로컬 기지국에서 생성된 상태 모델을 공유하기로 결정하고, 상태 관련 정보 중 공유할 파라미터를 선택한 경우, 상기 선택된 파라미터 및 이에 대응되는 가중치 정보를 SND_to_Remote(680)를 통하여 상기 원격 통신부(640)에게 전송할 수 있다.
다음으로, 상기 로컬 장치에서 생성된 상태 모델에 기반하여 로컬 장치의 현재 시점의 예측 결과를 도출하는 방법에 대하여 설명한다. 상기 제어부(655)는 원격 통신부(640)로부터 원격 장치에서 생성된 상태 모델에 대한 상태 관련 정보 및 모델 관련 정보를 SND_to_Remote(680)를 통하여 수신할 수 있다. 상기 원격 장치에서 상태 모델을 생성하고 공유할 파라미터를 선택하는 것은 상기 로컬 장치에서 설명한 바와 동일하다. 상기 제어부(655)는 상기 원격 장치로부터 수신한 상태 관련 정보를 SND_to_PU(670)를 통하여 상기 예측부(675)에게 전송할 수 있다. 상기 제어부(655)는 동시에 현재 시점의 로컬 장치에서 수집한 일정량의 데이터 로그를 함께 전송할 수 있다.
상기 예측부(675)는 상기 상태 관련 정보에 포함된 적어도 하나의 파라미터 및 상기 파라미터에 대응되는 가중치를 이용하여 상기 현재 시점의 데이터 로그에 대한 예측 결과를 도출할 수 있다. 상기 예측부(675)는 상기 원격 장치로부터 수신한 상태 관련 정보에 기반한 예측 결과를 RCV_from_PU(677)를 통하여 상기 제어부(655)에게 전송할 수 있다. 상기 제어부(655)는 로컬 장치의 상태 모델에 기반한 예측 결과 및 상기 원격 장치의 상태 모델에 기반한 예측 결과를 모두 이용하여, 로컬 장치의 상태의 예측 결과를 도출할 수 있다. 상세한 설명은 도 10에서 한다. 상기 제어부(655)는 상기 도출된 예측 결과에 기반하여 피드백 동작을 할 수 있다(690). 보다 구체적으로, 상기 제어부(655)는 상기 예측 결과에 기반하여 피드백 동작을 수행할 것인지 여부를 결정할 수 있다.
도 7은 장치의 상태를 예측하는 상태 모델에 대한 그래프를 예시한 도면이다.
보다 구체적으로, 도 7은 장치에서 수집한 데이터 로그에 기반하여 모델부에서 생성한 상태 모델을 예시한 것이다. 상기 장치는 상기 상태 모델에 기반하여 다른 원격 장치에게 공유할 파라미터를 선택할 수 있다. 상기 상태 모델에 대한 그래프는 파라미터별 순위(rank)(x축)(705)에 따른 파라미터별 가중치의 누적 값(y축)(700)을 도시한다. 상기 파라미터라 함은 장치의 상태를 결정하는 요인들을 지칭하며, 예를 들어, 장치의 네트워크 처리량에 대해 예측한다고 할 때, 상기 파라미터는 RSRP(reference signal received power), RSRQ(reference signal received quality), CQI(channel quality indication) 등을 포함할 수 있다.
도 7을 참고하면, 상태를 결정하는 파라미터들의 가중치가 Cumulative Distribution Function (CDF) Graph 모양을 띠는 것을 이용하여, 가중치에 따른 순위별로 파라미터의 개수를 누적해 갈수록 그래프의 기울기가 감소하는 것을 알 수 있다(710,720,730). 장치는 상기 그래프의 기울기를 기준으로 공유할 파라미터의 개수를 결정할 수 있다. 결정하는 방법에 대한 상세한 설명은 도 8에서 한다.
도 8a, 8b, 8c는 본 발명의 실시예에 따라 상태 모델에 대하여 다른 장치로 공유할 파라미터를 선택하고, 상태 모델을 공유할지 여부를 결정하는 동작을 설명하는 도면이다.
보다 구체적으로, 장치는 센서 장치를 통하여 상태에 관련된 데이터 로그들을 수신할 수 있다(800). 또한, 상기 장치는 상기 데이터 로그에 기반하여 상태 모델을 생성하고, 상태 모델에 따라 상태를 결정하는 적어도 하나의 파라미터 및 파라미터의 가중치를 획득할 수 있다(805). 상기 상태 모델은 앞서 도 7에서 도시한 것을 포함할 수 있으며, 이하에서는 상기 상태 모델은 도7에 도시된 그래프인 것을 가정하여 설명한다.
또한 상기 장치는 파라미터의 개수를 나타내는 N에 대하여 미리 설정한 Npre 값을 0으로 설정할 수 있다(87). 이후, N을 1로 설정하고(810), 그래프에서 인접한 순위 간의 그래프의 각도 차이를 구하기 위하여 N번째 파라미터와 N+1번째 파라미터의 그래프의 각도 차이를 In-In+1로 계산할 수 있다(820).
다음으로, 상기 장치는 상기 계산된 각도 차이가 미리 결정된 기울기의 임계값인 임계값D보다 낮은 값을 갖는지 결정할 수 있다(823). 상기 장치는 계산된 각도 차이가 임계값D보다 낮지 않은 경우, 파라미터의 개수를 하나 증가 시키고(825), 다시 820단계 및 823단계를 반복할 수 있다. 상기 장치는 823단계의 조건을 만족할 때까지 820 내지 825단계를 반복하면서 가중치가 일정 값 이상인 파라미터의 개수를 결정할 수 있다. 상기 장치는 In과 In+1의 각도 차이가 임계값D보다 낮은 경우, 첫 번째 순위의 파라미터부터 N번째 순위를 가지는 파라미터까지 학습하여 예측 결과 및 예측 정확도를 도출할 수 있다(830). 그 후 장치는 도출된 예측 정확도가 미리 결정된 예측 정확도의 임계 값인 임계값P보다 높은지 결정할 수 있다(833). 예측 정확도가 임계값P보다 낮은 경우, 장치는 N값이 파라미터의 총 개수와 동일한지 결정할 수 있다(835). 상기 N 값이 파라미터의 총 개수와 동일한 경우, 상기 상태 모델을 사용 불가능 상태 모델로 결정할 수 있다(837). 즉, 상태 모델 내의 모든 파라미터를 다 사용하여 예측 결과를 내어도 예측 정확도가 임계값P보다 낮다면 해당 상태 모델을 다른 원격 장치에게 공유하거나, 로컬 장치에서 상태를 예측하는데 사용하지 않는다.
또한, 상기 장치는 835단계에서 N 값이 파라미터의 총 개수와 동일하지 않은 경우, flag가 1인지 결정할 수 있다(840). flag가 1로 설정된 경우, 임계값D의 조정 간격인 스텝을 반으로 줄일 수 있고(843), 그렇지 않은 경우라면 843단계를 뛰어넘을 수 있다. 상기 스텝이라 함은 예측 정확도가 임계값P을 만족하는 최소의 파라미터의 개수를 도출하기 위하여 파라미터의 개수를 변화시키는 간격 값을 의미한다. 상기 장치는 그 후 임계값D 에 스텝만큼을 감하여 임계값D를 하향 조정할 수 있다(845). 이는, 상기 장치가 상기 803단계에서 N개의 파라미터로 학습하고 예측 결과를 도출하여 예측 정확도가 임계값P보다 넘지 않았다면, 임계값D를 낮춤으로써, 학습하는 파라미터 수를 증가시키기 위함이다. 이후, 상기 장치는 상기 flag를 0으로 설정하고, 상기 Npre를 N으로 설정할 수 있다(847).
이후, 변경된 임계값D를 기준으로 파라미터의 개수를 결정하기 위하여 다시 810단계부터 830단계의 동작을 반복할 수 있다.
한편, 상기 장치는 833단계에서 예측 정확도가 임계값P보다 크다고 결정한 경우, N이 Npre와 동일한 값인지 여부를 결정할 수 있다(850). N이 Npre와 동일한 값인 경우, 상기 장치는 현재 상태 모델을 사용 가능한 상태 모델로 결정할 수 있다(855). N이 Npre과 동일한 값이 아닌 것으로 결정된다면, 상기 장치는 flag가 0으로 설정되어 있는지 결정할 수 있다(860). 만약, 상기 장치가 833단계를 처음 판단하는 것이라면 850단계에서의 Npre값은 807단계에서 설정된 값인 0이고, 상기 833단계에서 최초 시도에 예측 정확도를 넘는 결과가 나오더라도, 언제나 상기 850단계의 결과는 "NO"이므로, 이후 임계값D의 조정 과정을 거쳐 파라미터 개수를 감소시켜 재 학습을 할 수 있다. 또한, 이전에 833단계를 판단하고, 847단계나 870단계를 거친 경우 상기 Npre 값은 이전 주기에서 학습한 파라미터의 개수이고, 850단계에서, 임계값D를 조정한 이후에라도 N이 Npre과 동일한 값, 즉, 이전 주기와 동일한 개수의 파라미터의 개수를 학습한 것으로 판단된 경우, 상기 장치는 현재 상태 모델을 사용 가능한 상태 모델로 결정할 수 있다.
이후, 상기 장치는 860단계에서 flag가 0으로 설정되어 있다면, 임계값D의 조정 간격인 스텝을 반으로 줄일 수 있으며(863), flag가 1로 설정되어 있다면 스텝을 그대로 유지할 수 있다.
이후, 임계값D에 스텝만큼을 더하여 임계값D를 상향 조정할 수 있다(865). 이는, 상기 장치가 상기 803단계에서 N개의 파라미터로 학습하고 예측 결과를 도출하여 예측 정확도가 임계값P보다 크다면, 임계값D를 높임으로써, 학습하는 파라미터 수를 감소시키기 위함이다. 그 후, 다시 flag를 1로 설정하고, 상기 Npre를 N으로 설정할 수 있다(870). 이후, 변경된 임계값D를 기준으로 파라미터의 개수를 결정하기 위하여 다시 810단계부터의 동작을 반복할 수 있다.
상기 flag는 임계값D를 조절하기 위한 스텝을 반으로 줄일지 여부를 결정하는 기준이 된다. 임계값D를 하향 조정한 경우, flag를 0으로 설정하고(847), 임계값D를 상향 조정한 경우, flag를 1로 설정하게 되는데(870), 임계값D를 하향 조정하기 전 flag가 1인 경우는 임계값D가 상향 조정된 경우이고, 이때 스텝을 반으로 줄이게 된다. 또한, 임계값D를 상향 조정하기 전 flag가 0인 경우는 임계값D가 하향 조정된 경우이고, 이때 스텝을 반으로 줄이게 됨을 알 수 있다. 즉, 상기 장치는 이전 주기와 다르게 임계값D를 조정하는 경우, 스텝을 반으로 줄일 수 있다.
상기와 같은 과정을 거쳐, 상기 장치는 원하는 예측 결과의 정확도에 도달하는 최소 개의 파라미터를 선택할 수 있다. 예를 들어, 처음 결정된 임계값D에 기반하여 50개의 파라미터들을 선택하여 학습한 후, 도출된 예측 정확도가 임계값P를 충족시키는 경우, 선택된 파라미터의 개수를 줄이기 위하여 상기 임계값D를 증가 시킨다. 그 후, 상기 상향 조정된 임계값D에 기반하여 5개 감소된 45개의 파라미터를 학습하여 예측 결과를 계산하고, 예측 결과에 대한 예측 정확도가 상기 임계값P을 충족시키지 않는다면, 다시 임계값D를 하향 조정하여 증가된 개수의 파라미터들을 선택하여 학습할 수 있다.
도 9는 본 발명의 실시예에 따라 다른 장치로 상태 관련 정보를 공유할 것인지 여부를 결정하는 동작을 설명하는 도면이다.
장치는 상태 모델이 업데이트 되었는지 여부를 결정할 수 있다(900). 즉, 상기 장치는 새로 축적된 데이터 로그를 이용하여 새로운 상태 모델이 생성되었는지 여부를 결정할 수 있다. 이후, 상기 장치는 새롭게 생성된 상태 모델이 사용 가능한 모델인지 결정할 수 있다(910). 즉, 상기 장치는 상기 새롭게 생성된 상태 모델에 대하여 앞서 도 8에서 설명한 동작을 수행하여, 새롭게 생성된 상태 모델이 사용 가능한 모델인지 결정할 수 있다. 새롭게 생성된 상태 모델이 사용 가능한 모델이 아닌 경우, 상기 장치는 새롭게 생성된 상태 모델을 공유하지 않고, 다시 처음으로 복귀하여 새로운 모델이 업데이트 되었는지 감지할 수 있다(900). 상기 장치는 상기 새롭게 생성된 상태 모델이 사용 가능한 모델인 경우, 원격 통신부를 통해 상기 모델의 선택된 파라미터를 원격 장치에게 공유할 수 있다(920).
도 10은 본 발명의 실시예에 따라 장치가 상태 예측 결과를 도출하는 동작을 설명하는 도면이다.
보다 구체적으로, 상기 장치는 로컬 장치 및 원격 장치에서 생성된 상태 모델의 신뢰도 또는 정확도에 기반하여 로컬 장치의 최종 예측 결과를 도출할 수 있다. 즉, 상기 상태 모델의 신뢰도 또는 정확도가 큰 모델이 예측 결과에 큰 가중치로 영향을 미치고, 신뢰도 또는 정확도가 낮은 모델이 예측 결과에 작은 가중치로 영향을 주도록 구현한다. 또한, 상태 모델의 신뢰도가 미리 정한 임계값을 넘지 못하면 정확하지 않은 상태 모델로 간주하여 예측 결과를 계산하는데 이용하지 않을 수 있다.
상기 장치는 로컬 장치 및 원격 장치의 상태 관련 정보, 모델 관련 정보 및 상태 예측 결과를 획득할 수 있다(1000). 상기 장치는 로컬에서 수집한 데이터 로그에 기반하여 상태 모델을 생성하고, 상태 모델의 상태 관련 정보에 기반하여 예측부에서 예측 결과를 계산할 수 있다. 또한, 상기 장치는 원격 장치에서 생성된 상태 모델의 상태 관련 정보를 수신하여, 예측부에서 상기 원격 장치의 상태 관련 정보에 기반한 예측 결과를 계산할 수 있다.
이후, 상기 장치는 초기값으로 누적 가중치인 w를 0, 상태 모델의 인덱스인 N을 1, 누적예측 결과인 p를 0으로 설정할 수 있다(1010). 이후, 상기 장치는 상기 로컬 장치에서 생성된 상태 모델 및 원격 장치에서 생성된 상태 모델들 중 미리 결정된 신뢰도의 임계값인, 임계값R 보다 큰 상태 모델만 필터링할 수 있다. 따라서, 상기 장치는 모델N의 신뢰도 (또는 정확도)가 임계값R보다 큰 것인지 결정하고(1020), 상기 모델N의 신뢰도가 임계값R보다 크지 않은 경우, 모델 인덱스 개수를 하나 증가시켜(1025), 다음 모델에 대한 신뢰도가 임계값R 보다 큰지 결정할 수 있다(1020).
상기 장치는 1020단계에서 모델N의 신뢰도가 임계값R보다 큰 경우, 누적 예측 결과 p를 계산할 수 있다(1030). 즉, 모델N의 신뢰도에, 앞서 획득한 모델N의 예측 결과를 곱하여 누적 예측 결과 p를 도출할 수 있다. 이후, 상기 장치는 누적 가중치 w를 계산할 수 있다. 즉 1030단계에서 예측 결과를 결정할 때 이용된 모델N의 신뢰도(또는 정확도)를 누적 가중치 w에 더할 수 있다(1040).
이후, 상기 장치는 모델 인덱스 N이 1000단계에서 획득한 상태 관련 정보에 대응한 모델의 총 개수와 일치하는지 결정할 수 있다(1050). 모델의 총 개수보다 작은 경우, 다시 모델 인덱스의 수를 증가시키고(1025), 다음 모델에 대하여 다시 1020단계로 복귀하여 앞서 설명한 동작을 반복할 수 있다. 이후, 모든 모델의 신뢰도에 기반하여 누적 예측 결과 p 및 누적 가중치 정보 w 를 결정한 경우, 최종 예측 결과는 p/w로 계산할 수 있다(1060).
예를 들어, [모델1, 모델2, 모델3]의 신뢰도는 [0.9, 0.2, 0.1]이고, 예측결과는 [0.3, 0.9, 0.8]이라고 가정한다. 그리고 임계값R가 0.1이라고 가정한다. 모델1은 신뢰도가 임계값R보다 크고 높은 신뢰도를 보여 예측 결과를 계산할 때 큰 영향을 주고, 모델2는 신뢰도가 임계값R보다 크지만 낮은 신뢰도를 보여 예측 결과를 계산할 때 작은 영향을 준다. 또한, 모델3은 신뢰도가 임계값R보다 크지 않아 영향을 주지 않는다. 구체적으로 계산하면, 위와 같은 경우, p는 아래 수학식 1과 같다.
[수학식 1]
p = 0.9 (모델1의 신뢰도) x 0.3 (모델1의 예측결과) + 0.2 (모델2의 신뢰도) x 0.9 (모델2의 예측결과) = 0.45
그리고 누적 가중치 w는 아래 수학식 2와 같다.
[수학식 2]
w = 0.9 (모델1의 신뢰도) + 0.2 (모델2의 신뢰도) = 1.1
따라서 최종 예측 결과는 p/weight = 0.41 이다.
상기 결과로 볼 때, 최종 예측 결과는 0.41 로서, 모델2보다 신뢰도가 높은 모델1이 예측 결과에 영향을 미쳐 모델2의 예측 결과(0.9)보다 모델1의 예측결과(0.3)에 더 근접한 것을 알 수 있다.
도 11은 본 발명의 실시예에 따라 장치가 예측 결과에 기반하여 수행하는 피드백 동작을 설명하는 도면이다.
장치는 앞서 도 10에서 도출한 로컬 장치의 상태 예측 결과와 예측 결과의 신뢰도를 이용하여 피드백 값을 생성하고, 이를 이용하여 피드백 동작의 실행 여부를 결정할 수 있다. 상기 피드백 동작의 실행 여부라 함은 장치의 설정을 변경할 것인지 여부를 결정하는 것을 포함한다.
보다 구체적으로, 상기 장치는 앞서 도 10에서 도출한 로컬 장치의 상태 예측 결과 및 예측 결과의 신뢰도를 획득할 수 있다. 상기 예측 결과의 신뢰도는 누적 가중치(w)를 모델의 수로 나눈 값으로 획득할 수 있다. 이후, 상기 장치는 피드백 값(f)을 결정할 수 있다(1110). 상기 피드백 값(f)이라 함은 장치가 피드백 동작의 실행 여부를 결정하기 위하여 기준이 되는 값을 의미한다. 상기 장치는 상기 피드백 값(f)을 아래 수학식 3과 같이 결정할 수 있다.
[수학식 3]
피드백 값(f)=예측 결과×예측 결과의 신뢰도 + (1-예측 결과)×(1-예측 결과의 신뢰도)
상기 장치는 앞서 결정한 피드백 값(f)이 미리 결정된 임계값f 이상인지 결정할 수 있다(1120). 피드백 값(f)이 미리 결정된 임계값f 보다 크지 않은 경우, 상기 장치는 장치의 설정을 변경하지 않고 종료할 수 있다. 피드백 값(f)이 미리 결정된 임계값f 보다 큰 경우, 상기 장치는 상기 피드백 값(f)에 기반하여 장치의 설정을 변경할 수 있다(1130).
예를 들어, 상기 장치를 기지국으로 하고, 팬(fan)의 고장(fail) 상태를 예측한다고 가정한다. 상기 팬의 고장이 발생할 예측 결과가 0.9, 예측결과의 신뢰도가 0.8 그리고 임계값f 0.7인 경우, 피드백 값(f)은
f = 0.9 * 0.8 + (1 - 0.9) * (1 - 0.8)
= 0.74
이다. 이는 임계값f보다 크기 때문에, 상기 장치는 높은 확률로 팬 고장이 발생할 것이라 판단하여 기지국의 하드웨어 또는 소프트웨어의 설정을 변경할 것을 결정할 수 있다. 상기 장치는 현재 예측 결과에 신뢰도를 이용하여 피드백 값을 결정함으로써, 장치에서 실시간으로 보다 정확한 상태를 예측하고 이를 대비할 수 있게 한다.
앞서 설명한, 유사한 특징을 가진 장치들 간에 장치의 상태 모델에 기반하여 선택된 파라미터들을 포함한 상태 관련 정보를 다른 장치와 공유하고, 공유 받은 상태 관련 정보에 기반하여 로컬 장치에서의 상태를 예측하는 방법은 아래와 같이 적용될 수 있다.
예를 들어, 본 발명을 활용하여 실시간으로 네트워크 자원을 분배하기 위해서, 같은 Cell Site, 즉 물리적으로 일정 구역 내에 설치된 기지국들은 자신들의 가용한 자원과 단말 트래픽을 모니터링 하여, 단말 트래픽량이 특정 임계값 초과 시 자원 이동을 수행할 수 있다. 이로써, 기지국은 사용자의 체감 품질(QoE)을 지속적으로 높은 수치로 유지할 수 있다. 상기와 같은 방법으로 각 구성(Component) 자원의 기지국에 관련되는 작은 상태들에 대한 정보를 이용하여 큰 문제를 미리 예측하여, 망 장비 운영 시 미리 대비할 수 있다. 이로 인하여, 기지국의 운용 비용 감소되고, 장비 안정성 유지에 큰 도움이 되는 효과가 있다.
또한 스마트 그리드 기술을 활용하여 기지국 들의 전력 사용량을 최적적으로 사용하기 위하여, Peak / Off-Peak 시간과 시간별 전력 과금에 따라 충전식 배터리 구조를 사용하는 방법을 도입하는 것에 본 발명이 활용 가능하다. 보다 구체적으로, 시간별 서빙 단말의 개수의 파라미터를 이용할 수 있다. 또한, 기지국의 PRB(physical resource block) 사용량, 단말에 대한 데이터 처리량(throughput), 셀(cell) 부하 정도, 하드웨어 구성 요소의 부하 정도, 백홀(backhaul) 부하 정도에 대한 파라미터를 이용할 수 있다. 추가적으로, 기지국이 간섭 제어를 하는 모듈을 이용할 때에 소비되는 전력을 고려하기 위하여, 인접 기지국의 개수에 대한 파라미터를 이용할 수 있다. 또한, 채널 상태가 좋고 나쁨에 따라 단말로 전송하는 신호의 세기 등에 영향을 미칠 수 있는바 채널 상태에 대한 파라미터를 이용할 수 있다. 상기 파라미터들에 기반하여 전력 사용량 (Voltage, Ampere, Ohm, Interference) 의 패턴 상태를 예측할 수 있으며, 예측한 전력 사용량 패턴에 기반하여 필요에 따라 기지국 자원 (Radio Power, Frequency Bandwidth) 을 변경함으로써, 보다 적은 기지국을 운영할 수 있고, 불필요한 설비 투자를 감소하고, 필요에 따른 전원 운용 비용을 감소시킬 수 있는 효과가 있다.
또한 단말들의 네트워크 처리량(throughput) 성능을 최적화 하기 위해, 기지국은 단말들의 무선 정보 (예: RSRP(reference signal received power), RSRQ(reference signal received quality), CQI(channel quality indication)) 와 기대되는 체감 품질(QoE) 값을 모니터링 하여, 최적인 자원을 할당함으로 단말의 성능을 최적화 할 수 있다. 이 때 상기 단말들의 기대되는 무선 정보 및 체감 품질(QoE) 값은 단말 요금제(과금 plan), 단말 유형, 그리고 트래픽 패턴(traffic pattern) 등에 따라 정할 수 있다. 예를 들어 사용자가 고가의 요금제에 가입되어 있고, 대용량 다운 링크 가능한 모뎀 칩셋이 장착된 단말, 그리고 저 지연 애플리케이션 서비스(low latency application service)가 필요하다면, 기지국은 자신의 가용할 수 있는 자원과 향후의 예상된 자원을 미리 파악하여 가장 성능이 높게 나올 수 있는 기지국으로 자원이동을 할 수 있다.
또한, 단말 들의 연결성(connectivity) 유지, 높은 Seamless 핸드오버 비율(Handover Rate) 그리고 높은 투명성(Transparency)을 유지하기 위해서, 단말에 연결되어 있는 기지국들이 소프트웨어와 하드웨어적 상태를 예측하는 것에 본 발명을 활용할 수 있다. 기지국은 내부적으로 여러 소프트웨어 모듈과 하드웨어 모듈에 대한 정상동작 여부(예를 들어, 기지국의 가용자원 및 안정성 값 등)에 대해 모니터링하고 예측하여, 만약 기지국의 특정 구성 요소(Component)가 이상 증상을 나타낼 시에 (예를 들어, optic error, communication error, memory error, fan error, memory full, CPU(central processing unit) full, DSP(digital signal processing) error, etc.)정상적으로 작동하고 있는 기지국으로 단말들을 핸드오버(Handover) 시킬 수 있다.
또한, 최근 본격화되고 있는 차세대 네트워크인 5G 통신 시스템에서, 소프트웨어정의네트워킹(SDN)과 연계돼 네트워크기능가상화(NFV) 기술을 사용함에 있어, 중앙 SDN Controller를 통해 유연하게 네트워크 트래픽을 Steering 하고, 필요에 따라 장비의 자원을 NFV 로 유연하게 구동시키기 위하여, 본 발명을 활용할 수 있다. 예를 들어, 각 기지국 간의 대역폭(Bandwidth), 처리량(Throughput), 지연(Latency), Jitter, 에러율(Error Rate) 등의 파라미터에 대한 데이터 로그에 기반하여, 기지국에 탑재된 Deep Packet Inspection 기술을 사용하여 사용자의 Application Content 및 연관성 패턴을 추출할 수 있으며, 이 결과를 SDN Controller로 전송시켜 보다 높은 사용자 QoS/QoE 유지와 사업자의 CapEx/OpEx를 감소시킬 수 있다.
상술한 실시 예들에서, 모든 단계 및 메시지는 선택적인 수행의 대상이 되거나 생략의 대상이 될 수 있다. 또한 각 실시 예에서 단계들은 반드시 순서대로 일어날 필요는 없으며, 뒤바뀔 수 있다. 메시지 전달도 반드시 순서대로 일어날 필요는 없으며, 뒤바뀔 수 있다. 각 단계 및 메시지는 독립적으로 수행될 수 있다.
상술한 실시 예들에서 예시로 보인 표의 일부 혹은 전체는 본 발명의 실시 예를 구체적으로 보여주어 이해를 돕기 위한 것이다. 따라서 표의 세부 내용은 본 발명에서 제안하는 방법 및 장치의 일부를 표현하는 것이라 볼 수 있다. 즉, 본 명세서의 표의 내용은 통사론적으로 접근되는 것보다 의미론적으로 접근되는 것이 바람직할 수 있다.
한편, 본 명세서와 도면에 개시된 본 발명의 실시 예들은 본 발명의 기술 내용을 쉽게 설명하고 본 발명의 이해를 돕기 위해 특정 예를 제시한 것일 뿐이며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 즉 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다.

Claims (24)

  1. 기지국의 방법에 있어서,
    로컬 데이터 및 상기 기지국의 상태를 예측하기 위해 로컬 러닝을 위한 상태 모델을 획득하는 단계;
    머신 러닝 알고리즘에 기반하여 상기 로컬 데이터를 이용하여 상기 기지국에 대한 상기 상태 모델을 업데이트하기 위해 상기 로컬 러닝을 수행하는 단계;
    상기 기지국에 대해 업데이트된 상태 모델의 적어도 하나의 파라미터에 상응하는 가중치 정보를 포함하는 제1 상태 관련 정보를 확인하는 단계; 및
    상기 기지국의 통신 회로를 통해 원격 장치로, 상기 가중치 정보를 포함하는 상기 확인된 제1 상태 관련 정보를 전송하는 단계; 를 포함하고,
    상기 기지국의 상태는,
    로드 컨디션(load condition), 무선 자원과 관련된 상기 기지국의 자원 사용량, 주파수 또는 시간 자원과 관련된 상기 기지국의 자원 사용량에서 적어도 하나의 기반하여 결정된 상기 기지국의 전력 소모량, 상기 기지국에서 발생하는 적어도 하나의 오류를 검출하기 위한 상기 기지국의 비정상적 검출 동작 또는 상기 기지국 및 단말 사이의 무선 정보에 기반하여 결정된 상기 단말의 성능 최적화 중에서 적어도 하나도 포함하는 것을 특징으로 하는 방법.
  2. 제1항에 있어서,
    상기 기지국의 상기 통신 회로를 통해 상기 원격 장치로부터, 상기 기지국의 상태를 예측하기 위한 제2 상태 관련 정보를 수신하는 단계; 를 더 포함하는 것을 특징으로 하는 방법.
  3. 제2항에 있어서, 상기 로컬 러닝을 수행하는 단계는,
    상기 제2 상태 관련 정보에 기반하여 상기 기지국에 대한 상기 상태 모델을 업데이트하기 위한 상기 로컬 러닝을 수행하는 단계; 를 더 포함하는 것을 특징으로 하는 방법.
  4. 제2항에 있어서, 상기 로컬 러닝을 수행하는 단계는,
    상기 제1 상태 관련 정보 및 상기 제2 상태 관련 정보에 기반하여 상기 기지국에 대한 상기 상태 모델을 업데이트하는 단계; 를 더 포함하는 것을 특징으로 하는 방법.
  5. 제1항에 있어서,
    상기 업데이트된 상태 모델에 따라 상기 가중치 정보를 포함하는 상기 제1 상태 관련 정보에 기반하여, 상기 기지국의 상기 상태를 예측하는 단계; 를 더 포함하는 것을 특징으로 하는 방법.
  6. 제1항에 있어서,
    상기 원격 장치가 상기 기지국으로부터 기설정된 거리 이내에 존재하는지 여부를 확인하는 단계; 를 더 포함하는 것을 특징으로 하는 방법.
  7. 제6항에 있어서, 상기 확인된 제1 상태 관련 정보를 전송하는 단계는,
    상기 원격 장치가 상기 기설정된 거리 이내에 존재하는 경우, 상기 가중치 정보를 포함하는 상기 확인된 제1 상태 관련 정보를 전송하는 단계; 를 더 포함하는 것을 특징으로 하는 방법.
  8. 제1항에 있어서,
    상기 기지국의 상기 상태는, 상기 기지국에서 발생하는 적어도 하나의 오류를 검출하기 위해 상기 기지국의 상기 비정상적 검출 동작에 기반하여 결정된 기지국 중에서 적어도 하나의 포함하는 경우,
    상기 기지국의 상기 비정상적 검출 동작은,
    통신 오류, 메모리 오류, 팬 오류, CPU full 오류, 또는 디지털 신호 프로세싱(digital signal processing, DSP) 오류에서 적어도 하나를 포함하는 것을 특징으로 하는 방법.
  9. 제1항에 있어서,
    상기 가중치 정보에 기반하여 상기 기지국에 대한 상기 업데이트된 상태 모델의 적어도 하나의 파라미터로부터 하나 이상의 파라미터들을 선택하는 단계; 및
    상기 선택된 하나 이상의 파라미터들을 전송하는 단계; 를 더 포함하는 것을 특징으로 하는 방법.
  10. 삭제
  11. 삭제
  12. 삭제
  13. 기지국에 있어서,
    신호를 송수신하는 송수신부; 및
    로컬 데이터 및 상기 기지국의 상태를 예측하기 위해 로컬 러닝을 위한 상태 모델을 획득하고,
    머신 러닝 알고리즘에 기반하여 상기 로컬 데이터를 이용하여 상기 기지국에 대한 상기 상태 모델을 업데이트하기 위해 상기 로컬 러닝을 수행하며,
    상기 기지국에 대해 업데이트된 상태 모델의 적어도 하나의 파라미터에 상응하는 가중치 정보를 포함하는 제1 상태 관련 정보를 확인하고,
    상기 기지국의 통신 회로를 통해 원격 장치로, 상기 가중치 정보를 포함하는 상기 확인된 제1 상태 관련 정보를 전송하도록 상기 송수신부를 제어하는 제어부; 를 포함하고,
    상기 기지국의 상태는,
    로드 컨디션(load condition), 무선 자원과 관련된 상기 기지국의 자원 사용량, 주파수 또는 시간 자원과 관련된 상기 기지국의 자원 사용량에서 적어도 하나의 기반하여 결정된 상기 기지국의 전력 소모량, 상기 기지국에서 발생하는 적어도 하나의 오류를 검출하기 위한 상기 기지국의 비정상적 검출 동작 또는 상기 기지국 및 단말 사이의 무선 정보에 기반하여 결정된 상기 단말의 성능 최적화 중에서 적어도 하나도 포함하는 것을 특징으로 하는 기지국.
  14. 제13항에 있어서, 상기 제어부는,
    상기 기지국의 상기 통신 회로를 통해 상기 원격 장치로부터, 상기 기지국의 상태를 예측하기 위한 제2 상태 관련 정보를 수신하도록 상기 송수신부를 제어하는 것을 특징으로 하는 기지국.
  15. 제14항에 있어서, 상기 제어부는,
    상기 제2 상태 관련 정보에 기반하여 상기 기지국에 대한 상기 상태 모델을 업데이트하기 위한 상기 로컬 러닝을 수행하도록 제어하는 것을 특징으로 하는 기지국.
  16. 제14항에 있어서, 상기 제어부는,
    상기 제1 상태 관련 정보 및 상기 제2 상태 관련 정보에 기반하여 상기 기지국에 대한 상기 상태 모델을 업데이트하도록 제어하는 것을 특징으로 하는 기지국.
  17. 제13항에 있어서, 상기 제어부는,
    상기 업데이트된 상태 모델에 따라 상기 가중치 정보를 포함하는 상기 제1 상태 관련 정보에 기반하여, 상기 기지국의 상기 상태를 예측하도록 제어하는 것을 제어하는 것을 특징으로 하는 기지국.
  18. 제13항에 있어서, 상기 제어부는,
    상기 원격 장치가 상기 기지국으로부터 기설정된 거리 이내에 존재하는지 여부를 확인하도록 제어하는 것을 특징으로 하는 기지국.
  19. 제18항에 있어서, 상기 제어부는,
    상기 원격 장치가 상기 기설정된 거리 이내에 존재하는 경우, 상기 가중치 정보를 포함하는 상기 확인된 제1 상태 관련 정보를 전송하도록 상기 송수신부를 제어하는 것을 특징으로 하는 기지국.
  20. 제13항에 있어서,
    상기 기지국의 상기 상태는, 상기 기지국에서 발생하는 적어도 하나의 오류를 검출하기 위해 상기 기지국의 상기 비정상적 검출 동작에 기반하여 결정된 기지국 중에서 적어도 하나의 포함하는 경우,
    상기 기지국의 상기 비정상적 검출 동작은,
    통신 오류, 메모리 오류, 팬 오류, CPU full 오류, 또는 디지털 신호 프로세싱(digital signal processing, DSP) 오류에서 적어도 하나를 포함하는 것을 특징으로 하는 기지국.
  21. 제13항에 있어서,
    상기 제어부는,
    상기 가중치 정보에 기반하여 상기 기지국에 대한 상기 업데이트된 상태 모델의 적어도 하나의 파라미터로부터 하나 이상의 파라미터들을 선택하고,
    상기 선택된 하나 이상의 파라미터들을 전송하도록 상기 송수신부를 제어하는 것을 특징으로 하는 기지국.


  22. 삭제
  23. 삭제
  24. 삭제
KR1020150163556A 2015-11-20 2015-11-20 상태 관련 정보 공유 방법 및 장치 KR102292990B1 (ko)

Priority Applications (8)

Application Number Priority Date Filing Date Title
KR1020150163556A KR102292990B1 (ko) 2015-11-20 2015-11-20 상태 관련 정보 공유 방법 및 장치
EP16866691.5A EP3352414B1 (en) 2015-11-20 2016-11-18 Method and device for sharing state related information
EP19205827.9A EP3654689A1 (en) 2015-11-20 2016-11-18 Method and device for sharing state related information
US15/776,528 US10880758B2 (en) 2015-11-20 2016-11-18 Method and device for sharing state related information
CN201680067656.2A CN108293005B (zh) 2015-11-20 2016-11-18 用于共享状态相关信息的方法和设备
PCT/KR2016/013347 WO2017086739A1 (ko) 2015-11-20 2016-11-18 상태 관련 정보 공유 방법 및 장치
US17/105,840 US11758415B2 (en) 2015-11-20 2020-11-27 Method and apparatus of sharing information related to status
US18/462,065 US20230422058A1 (en) 2015-11-20 2023-09-06 Method and apparatus of sharing information related to status

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150163556A KR102292990B1 (ko) 2015-11-20 2015-11-20 상태 관련 정보 공유 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20170059315A KR20170059315A (ko) 2017-05-30
KR102292990B1 true KR102292990B1 (ko) 2021-08-26

Family

ID=58719106

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150163556A KR102292990B1 (ko) 2015-11-20 2015-11-20 상태 관련 정보 공유 방법 및 장치

Country Status (5)

Country Link
US (3) US10880758B2 (ko)
EP (2) EP3352414B1 (ko)
KR (1) KR102292990B1 (ko)
CN (1) CN108293005B (ko)
WO (1) WO2017086739A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024058526A1 (en) * 2022-09-15 2024-03-21 Samsung Electronics Co., Ltd. Ai/ml model monitoring operations for nr air interface

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6720402B2 (ja) * 2017-03-21 2020-07-08 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ サーバ装置、学習済モデル提供プログラム、学習済モデル提供方法及び学習済モデル提供システム
WO2018210876A1 (en) * 2017-05-16 2018-11-22 Tellmeplus Process and system for remotely generating and transmitting a local device state predicting method
US10817757B2 (en) * 2017-07-31 2020-10-27 Splunk Inc. Automated data preprocessing for machine learning
US10715633B2 (en) * 2018-01-10 2020-07-14 Cisco Technology, Inc. Maintaining reachability of apps moving between fog and cloud using duplicate endpoint identifiers
US10735274B2 (en) * 2018-01-26 2020-08-04 Cisco Technology, Inc. Predicting and forecasting roaming issues in a wireless network
US11169239B2 (en) * 2018-09-28 2021-11-09 Intel Corporation Methods and apparatus to trigger calibration of a sensor node using machine learning
US10602383B1 (en) * 2018-10-15 2020-03-24 Microsoft Technology Licensing Llc Application of machine learning for building predictive models enabling smart fail over between different network media types
WO2020126043A1 (en) * 2018-12-21 2020-06-25 Telefonaktiebolaget Lm Ericsson (Publ) Methods, apparatus and machine-readable mediums relating to power failure notifications in a communication network
US11113653B2 (en) * 2018-12-26 2021-09-07 Accenture Global Solutions Limited Artificial intelligence and machine learning based incident management
KR102386382B1 (ko) * 2019-01-09 2022-04-14 삼성전자 주식회사 무선 통신 시스템에서 셀 용량의 포화도를 예측하는 방법 및 장치
US11277499B2 (en) * 2019-09-30 2022-03-15 CACI, Inc.—Federal Systems and methods for performing simulations at a base station router
CN112886996A (zh) * 2019-11-29 2021-06-01 北京三星通信技术研究有限公司 信号接收方法、用户设备、电子设备及计算机存储介质
US11770301B2 (en) 2019-12-16 2023-09-26 Telefonaktiebolaget Lm Ericsson (Publ) Configuring network nodes in communication network
KR20220132934A (ko) * 2021-03-24 2022-10-04 삼성전자주식회사 전자 장치 및 전자 장치의 동작 방법
KR102476700B1 (ko) * 2021-05-13 2022-12-12 서울대학교산학협력단 비정상 단말을 포함하는 무선 분산 학습 시스템 및 그의 동작 방법
KR102536005B1 (ko) * 2021-12-23 2023-05-26 광운대학교 산학협력단 백스캐터 통신에서의 수신 임계값 설정 방법 및 그를 위한 장치
CN115003140B (zh) * 2022-08-04 2022-11-08 浩鲸云计算科技股份有限公司 一种数据中心机房水冷机组末端空调协同控制节能方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120307662A1 (en) * 2009-12-23 2012-12-06 7Signal Oy Method for monitoring and intelligent control of the parameters in radio networks
US8989797B2 (en) * 2010-06-18 2015-03-24 Kyocera Corporation Radio communication system, radio base station, and power consumption control method

Family Cites Families (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5995805A (en) * 1997-10-17 1999-11-30 Lockheed Martin Missiles & Space Decision-theoretic satellite communications system
US6353902B1 (en) 1999-06-08 2002-03-05 Nortel Networks Limited Network fault prediction and proactive maintenance system
US6892317B1 (en) 1999-12-16 2005-05-10 Xerox Corporation Systems and methods for failure prediction, diagnosis and remediation using data acquisition and feedback for a distributed electronic system
US7130805B2 (en) 2001-01-19 2006-10-31 International Business Machines Corporation Method and apparatus for generating progressive queries and models for decision support
US7164919B2 (en) * 2002-07-01 2007-01-16 Qualcomm Incorporated Scheduling of data transmission for terminals with variable scheduling delays
DE10251993B4 (de) * 2002-11-06 2012-09-27 Actix Gmbh Verfahren und Vorrichtung zur Optimierung von zellularen drahtlosen Nachrichtennetzen
JP4333331B2 (ja) 2002-12-20 2009-09-16 セイコーエプソン株式会社 故障予測システム及び故障予測プログラム並びに故障予測方法
JP3922375B2 (ja) 2004-01-30 2007-05-30 インターナショナル・ビジネス・マシーンズ・コーポレーション 異常検出システム及びその方法
JP4626852B2 (ja) 2005-07-11 2011-02-09 日本電気株式会社 通信網の障害検出システム、通信網の障害検出方法及び障害検出プログラム
US7865089B2 (en) 2006-05-18 2011-01-04 Xerox Corporation Soft failure detection in a network of devices
US8463297B2 (en) 2007-12-27 2013-06-11 Trueposition, Inc. Subscriber selective, area-based service control
JP5055221B2 (ja) * 2008-08-01 2012-10-24 株式会社エヌ・ティ・ティ・ドコモ 移動通信方法及びオペレーション装置
US8437764B2 (en) * 2009-01-05 2013-05-07 Nokia Siemens Networks Oy Determining an optimized configuration of a telecommunication network
US8897780B2 (en) 2009-03-13 2014-11-25 Telefonaktiebolaget L M Ericsson (Publ) Managing energy consumption of base stations
US8837403B2 (en) 2009-08-31 2014-09-16 Telefonaktiebolaget L M Ericsson (Publ) Methods and arrangements for scheduling radio resources in a wireless communication system
WO2011058818A1 (ja) * 2009-11-11 2011-05-19 日本電気株式会社 無線通信システム、自律最適化システム、無線基地局および無線パラメータ設定方法
JP2011215964A (ja) * 2010-03-31 2011-10-27 Sony Corp サーバ装置、クライアント装置、コンテンツ推薦方法及びプログラム
JP5609974B2 (ja) 2010-06-17 2014-10-22 富士通株式会社 通信装置、制御装置、通信装置の制御方法
WO2012169947A1 (en) 2011-06-10 2012-12-13 Telefonaktiebolaget L M Ericsson (Publ) Closed control loop for uplink scheduling
CN103369539B (zh) * 2012-04-06 2016-10-05 华为技术有限公司 干扰协调的方法和装置
CN103384372B (zh) * 2012-05-03 2016-08-10 华为技术有限公司 一种优化网络容量和覆盖折中的方法、装置及系统
US9119179B1 (en) * 2012-06-06 2015-08-25 Bae Systems Information And Electronic Systems Integration Inc. Skypoint for mobile hotspots
US8983486B2 (en) * 2013-03-15 2015-03-17 Blackberry Limited Statistical weighting and adjustment of state variables in a radio
DE102014205391A1 (de) 2014-03-24 2015-09-24 Bayerische Motoren Werke Aktiengesellschaft Vorrichtung zur Vorhersage von Fahrzustandsübergängen
EP2947910B1 (en) * 2014-05-23 2017-06-07 Accenture Global Services Limited Performance optimizations for wireless access points
CN106664254A (zh) * 2014-08-21 2017-05-10 七网络有限责任公司 优化移动网络中的网络流量管理
US10327159B2 (en) * 2014-12-09 2019-06-18 Futurewei Technologies, Inc. Autonomous, closed-loop and adaptive simulated annealing based machine learning approach for intelligent analytics-assisted self-organizing-networks (SONs)
US9432901B1 (en) * 2015-07-24 2016-08-30 Cisco Technology, Inc. System and method to facilitate radio access point load prediction in a network environment

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120307662A1 (en) * 2009-12-23 2012-12-06 7Signal Oy Method for monitoring and intelligent control of the parameters in radio networks
US8989797B2 (en) * 2010-06-18 2015-03-24 Kyocera Corporation Radio communication system, radio base station, and power consumption control method

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024058526A1 (en) * 2022-09-15 2024-03-21 Samsung Electronics Co., Ltd. Ai/ml model monitoring operations for nr air interface

Also Published As

Publication number Publication date
EP3352414A1 (en) 2018-07-25
US10880758B2 (en) 2020-12-29
CN108293005B (zh) 2022-03-29
CN108293005A (zh) 2018-07-17
US20180332483A1 (en) 2018-11-15
EP3352414A4 (en) 2018-07-25
KR20170059315A (ko) 2017-05-30
US11758415B2 (en) 2023-09-12
US20210084505A1 (en) 2021-03-18
WO2017086739A1 (ko) 2017-05-26
EP3352414B1 (en) 2019-10-30
US20230422058A1 (en) 2023-12-28
EP3654689A1 (en) 2020-05-20

Similar Documents

Publication Publication Date Title
KR102292990B1 (ko) 상태 관련 정보 공유 방법 및 장치
AU2017210584B2 (en) A framework for traffic engineering in software defined networking
EP3763149B1 (en) Radio access network controller methods and systems to optimize inter frequency load balancing
CN111726833B (zh) 一种网络负载均衡方法、装置和存储介质
US10382979B2 (en) Self-learning, adaptive approach for intelligent analytics-assisted self-organizing-networks (SONs)
US9432257B2 (en) Traffic behavior driven dynamic zoning for distributed traffic engineering in SDN
US9485689B2 (en) Adaptive traffic engineering configuration
WO2015009937A1 (en) System and methods for multi-objective cell switch-off in wireless networks
JP2012054736A (ja) 移動体通信システムおよび移動体通信システムにおける負荷分散方法
CN111727587A (zh) 用于使用人工生命的动态网络配置和优化的方法和设备
KR20220042928A (ko) 복수의 액세스 네트워크 장치들에 대한 자동 구성 네트워크를 구현하는 방법 및 이를 수행하는 전자 장치
US20220400394A1 (en) Monitoring the Performance of a Plurality of Network Nodes
WO2018162046A1 (en) Protecting kpi during optimization of self-organizing network
CN107241174B (zh) 网络切换方法及网络设备
KR20160109216A (ko) 가상 네트워크 구성방법 및 그 장치
CN116781520A (zh) 一种切片无线资源配置方法、装置及存储介质
KR20240024319A (ko) 하나 이상의 무선 액세스 네트워크 기능을 사용하기 위한 무선 액세스 노드의 설정
CN117909418A (zh) 深度学习模型存储一致性方法、计算子系统以及计算平台
CN112822706A (zh) 一种信息处理方法、装置及计算机可读存储介质

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right