KR102461257B1 - 네트워크 처리량 예측 장치 및 방법 - Google Patents

네트워크 처리량 예측 장치 및 방법 Download PDF

Info

Publication number
KR102461257B1
KR102461257B1 KR1020200158265A KR20200158265A KR102461257B1 KR 102461257 B1 KR102461257 B1 KR 102461257B1 KR 1020200158265 A KR1020200158265 A KR 1020200158265A KR 20200158265 A KR20200158265 A KR 20200158265A KR 102461257 B1 KR102461257 B1 KR 102461257B1
Authority
KR
South Korea
Prior art keywords
network throughput
data
model
time range
network
Prior art date
Application number
KR1020200158265A
Other languages
English (en)
Other versions
KR20220071058A (ko
Inventor
이성용
이경한
Original Assignee
서울대학교산학협력단
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 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to KR1020200158265A priority Critical patent/KR102461257B1/ko
Publication of KR20220071058A publication Critical patent/KR20220071058A/ko
Application granted granted Critical
Publication of KR102461257B1 publication Critical patent/KR102461257B1/ko

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
    • H04L41/147—Network analysis or design for predicting network behaviour
    • G06N3/0454—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • 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
    • H04L43/0876—Network utilisation, e.g. volume of load or congestion level
    • H04L43/0888—Throughput

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Environmental & Geological Engineering (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

본 발명은 AI(artificial intelligence)를 기반으로 하여 미래의 가용 가능한 최대의 네트워크 처리량을 예측하는 네트워크 처리량 예측 장치 및 방법에 관한 것이다.
본 발명의 일 실시 예에 따른 네트워크 처리량 예측 장치는, 네트워크 상태를 나타내는 데이터의 입력 시점을 기준으로 하여, 미래의 네트워크 처리량을 예측하는 복수의 예측모델 중, 최적의 예측모델을 선택하는 예측모델 선택부와, 예측모델 선택부가 선택한 최적의 예측모델을 로딩하고, 로딩한 최적의 예측모델에 데이터를 입력하여 미래의 네트워크 처리량을 예측하는 네트워크 처리량 예측부를 포함하고, 복수의 예측모델은 적어도, 제1 시간 범위의 입력을 수신하여 미래의 네트워크 처리량을 예측하도록 훈련된 제1 예측모델과, 제2 시간 범위의 입력을 수신하여 미래의 네트워크 처리량을 예측하도록 훈련된 제2 예측모델을 포함할 수 있다.

Description

네트워크 처리량 예측 장치 및 방법{NETWORK THROUGHPUT ESTIMATING APPARATUS AND METHOD}
본 발명은 AI(artificial intelligence)를 기반으로 하여 미래의 가용 가능한 최대의 네트워크 처리량을 예측하는 네트워크 처리량 예측 장치 및 방법에 관한 것이다.
최근 유투브(youtube), 스카이프(skype), 줌(zoom) 등 영상을 실시간으로 전송하는 어플리케이션들이 많이 이용되고 있다. 이러한 어플리케이션들은 최대한 고화질의 영상을 저 지연으로 전송하는 것을 목표로 하고 있다.
이를 달성하기 위해서는 현재 가능한 최대의 네트워크 처리량을 예측하여, 예측한 네트워크 처리량만큼의 해상도로 영상을 전송해야 한다. 그러나 종래 기법의 경우 안정적인 네트워크 상황에서는 높은 정확도를 가지지만, 다변하는 네트워크 상황에서는 낮은 정확도를 가질 수 있다.
이러한 낮은 정확도에서 네트워크 처리량을 낮게 예측한 경우에는 가능한 최대의 영상 화질을 전송하지 못하고, 네트워크 처리량을 높게 예측한 경우에는 지연시간이 늘어나서 영상을 수신하는 사용자에게 불편함을 안겨줄 수 있다.
전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.
국내 공개특허공보 제10-2020-0002439호(2020.01.08)
본 발명의 일 과제는, 잘못된 네트워크 처리량의 예측으로 최대의 영상 화질을 전송하지 못하고 영상 재생 시 지연시간이 늘어나는 종래기술의 문제점을 해결하는데 있다.
본 발명의 일 과제는, AI를 기반으로 하여 미래의 가용 가능한 최대의 네트워크 처리량을 예측하고, 예측한 네트워크 처리량에 따라 최선의 품질과 저 지연으로 데이터를 전송하는데 있다.
본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 과제 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해보다 분명하게 이해될 것이다. 또한, 본 발명이 해결하고자 하는 과제 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.
본 발명의 일 실시 예에 따른 네트워크 처리량 예측 장치는, 네트워크 상태를 나타내는 데이터의 입력 시점을 기준으로 하여, 미래의 네트워크 처리량을 예측하는 복수의 예측모델 중, 최적의 예측모델을 선택하는 예측모델 선택부와, 예측모델 선택부가 선택한 최적의 예측모델을 로딩하고, 로딩한 최적의 예측모델에 데이터를 입력하여 미래의 네트워크 처리량을 예측하는 네트워크 처리량 예측부를 포함하고, 복수의 예측모델은 적어도, 제1 시간 범위의 입력을 수신하여 미래의 네트워크 처리량을 예측하도록 훈련된 제1 예측모델과, 제2 시간 범위의 입력을 수신하여 미래의 네트워크 처리량을 예측하도록 훈련된 제2 예측모델을 포함할 수 있다.
본 발명의 일 실시 예에 따른 네트워크 처리량 예측 방법은, 네트워크 상태를 나타내는 데이터의 입력 시점을 기준으로 하여, 미래의 네트워크 처리량을 예측하는 복수의 예측모델 중, 최적의 예측모델을 선택하는 단계와, 선택한 최적의 예측모델을 로딩하고, 로딩한 최적의 예측모델에 데이터를 입력하여 미래의 네트워크 처리량을 예측하는 단계를 포함하고, 복수의 예측모델은 적어도, 제1 시간 범위의 입력을 수신하여 미래의 네트워크 처리량을 예측하도록 훈련된 제1 예측모델과, 제2 시간 범위의 입력을 수신하여 미래의 네트워크 처리량을 예측하도록 훈련된 제2 예측모델을 포함할 수 있다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체가 더 제공될 수 있다.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.
본 발명에 의하면, AI를 기반으로 하여 미래의 가용 가능한 최대의 네트워크 처리량을 예측하여, 잘못된 네트워크 처리량의 예측으로 최대의 영상 화질을 전송하지 못하고 영상 재생 시 지연시간이 늘어나는 종래기술의 문제점을 해결할 수 있다.
또한, AI를 기반으로 하여 미래의 가용 가능한 최대의 네트워크 처리량을 예측하고, 예측한 네트워크 처리량에 따라 최선의 품질과 저 지연으로 데이터를 전송할 수 있다.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 네트워크 상태를 나타내는 데이터에 대하여 입력 시간 범위에 따른 네트워크 처리량 예측 정확도의 분포를 도시한 도면이다.
도 2는 본 실시 예에 따른 네트워크 처리량 예측 장치의 구현 예를 도시한 도면이다.
도 3은 본 실시 예에 따른 네트워크 처리량 예측 장치의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다.
도 4는 다른 실시 예에 따른 네트워크 처리량 예측 장치의 구성을 개략적으로 설명하기 위하여 도시한 도면이다.
도 5는 본 실시 예에 따른 네트워크 처리량 예측 방법을 설명하기 위한 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
이하, 본 발명에 따른 실시 예들을 첨부된 도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 네트워크 상태를 나타내는 데이터에 대하여 입력 시간 범위(ITW, input time window)에 따른 네트워크 처리량 예측 정확도의 분포를 도시한 도면이다.
도 1을 참조하면, 같은 시간대에서 네트워크 상태를 나타내는 데이터를 이용하여 미래를 예측할 때, 입력 시간 범위가 서로 다른 예측모델들(예를 들어, 100ms, 300ms, 1000ms)로부터 생성되는 네트워크 처리량 예측 정확도의 분포가, 어느 한 입력 시간 범위에 치우쳐 있지 않고, 서로 다른 입력 시간 범위(예를 들어, 100ms, 300ms, 1000ms)에서 어느 정도 유지되는 것을 볼 수 있다. 즉, 도 1을 참고하면, 긴 입력 시간 범위인 1000ms를 이용한 예측 모델들이 100%로 항상 가장 높은 예측 정확도를 보인 것이 아니라, 1000ms의 입력 시간 범위를 이용한 예측 모델이 가장 높은 예측 정확도를 보인 경우가 약 40%, 300ms의 입력 시간 범위를 이용한 예측 모델이 가장 높은 예측 정확도를 보인 경우가 약 32%, 100ms 입력 시간 범위를 이용한 예측 모델이 가장 높은 예측 정확도를 보인 경우가 약 28%였음을 알 수 있다. 최적의 예측을 위한 입력 데이터의 시간 범위가 이렇게 다른 이유는, 네트워크 상태가 변동이 큰 경우인지, 변동 없이 안정적인 상태인지, 변동이 예측 시점과 비교하여 언제 발생했는지에 따라 예측의 기초가 되어야 하는 데이터의 시간 범위가 다르기 때문일 수 있다. 이로부터 어느 정도의 정보량을 사용하는 것이 좋을 지가 네트워크 상황에 따라 계속 변하는 것을 알 수 있다.
즉, 현재 네트워크 상황에서 최고의 성능을 달성하는 입력 시간 범위는 일정하지 않다. 다변하는 네트워크 상황에서 내성이 있는 네트워크 처리량 예측을 수행하기 위해서는, 현재 네트워크 상황을 파악하고 그에 맞는 입력 시간 범위를 조절하는 것이 필요하다.
도 2는 본 실시 예에 따른 네트워크 처리량 예측 장치의 구현 예를 도시한 도면이다. 이하의 설명에서 도 1에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. 도 2를 참조하면, 네트워크 처리량 예측 장치(100)는 네트워크(미도시)를 이용하여 데이터를 송신할 수 있는 데이터 송신 장치(10) 내부에 구비될 수 있다.
본 실시 예에서, 데이터 송신 장치(10)는 컴퓨팅 장치(미도시)의 기능을 수행할 수 있는 통신 단말기, 웹 브라우징이 가능한 단말기, 서버, 기지국 등을 포함할 수 있다.
본 실시 예에서, 데이터는 문자, 부호, 음성, 음향, 음원, 이미지, 동영상, 파일 등으로 이루어지는 디지털 정보를 포함하거나, 텍스트, 이미지, 동영상, 음원, 링크 중 적어도 두 가지 이상의 조합을 포함할 수 있다.
본 실시 예에서 네트워크는 네트워크 처리량 예측 장치(100)가 포함된 데이터 송신 장치(10)와 데이터 수신 장치(미도시)를 연결하는 역할을 수행할 수 있다. 이러한 네트워크는 예컨대 LANs(local area networks), WANs(wide area networks), MANs(metropolitan area networks), ISDNs(integrated service digital networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 또한 네트워크는 근거리 통신 및/또는 원거리 통신을 이용하여 정보를 송수신할 수 있다. 여기서 근거리 통신은 블루투스(bluetooth), RFID(radio frequency identification), 적외선 통신(IrDA, infrared data association), UWB(ultra-wideband), ZigBee, Wi-Fi (wireless fidelity) 기술을 포함할 수 있고, 원거리 통신은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 기술을 포함할 수 있다.
또한, 네트워크는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다. 더 나아가 네트워크는 사물 등 분산된 구성 요소들 간에 정보를 주고 받아 처리하는 IoT(Internet of Things, 사물인터넷) 망 및/또는 5G 통신을 지원할 수 있다.
본 실시 예에서, 네트워크 처리량 예측 장치(100)는 AI를 기반으로 하여 미래의 가용 가능한 최대의 네트워크 처리량을 예측할 수 있다.
여기서 인공 지능(artificial intelligence, AI)은, 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미할 수 있다.
또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야를 포함할 수 있다. 구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취할 수 있다.
이러한 머신 러닝 알고리즘은 LSTM (long short term memory networks), CNN (convolutional neural networks), Random forest, Decision tree, SVM(support vector machine) 등을 포함할 수 있으며, 네트워크 처리량 예측 장치(100)는 머신러닝 알고리즘을 이용하여 미래의 가용 가능한 최대의 네트워크 처리량을 예측할 수 있다.
네트워크 처리량 예측 장치(100)가 AI를 기반으로 하여 미래의 가용 가능한 최대의 네트워크 처리량을 예측하면, 데이터 송신 장치(10)는 가용 가능한 최대의 네트워크 처리량만큼의 데이터를 송신할 수 있다. 예를 들어, 송신할 데이터가 영상 데이터인 경우, 데이터 송신 장치(10)는 가용 가능한 최대의 네트워크 처리량만큼 영상 데이터의 해상도와 지연시간을 조정하여 송신할 수 있다.
도 3은 본 실시 예에 따른 네트워크 처리량 예측 장치의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다. 이하의 설명에서 도 1 및 도 2에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. 도 3을 참조하면, 네트워크 처리량 예측 장치(100)는 예측모델 선택부(110), 예측모델 저장부(120) 및 네트워크 처리량 예측부(130)를 포함할 수 있다.
또한, 본 실시 예에서, "부"는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.
예측모델 선택부(110)는 네트워크 상태를 나타내는 데이터의 입력 시점을 기준으로 하여, 미래의 네트워크 처리량을 예측하는 복수의 예측모델 중, 최적의 예측모델을 선택할 수 있다.
여기서, 복수의 예측모델은 예측모델 저장부(120)에 저장되어 있을 수 있다. 예측모델 선택부(110)는 예측모델 저장부(120)에 저장된 복수의 예측모델로부터 최적의 예측모델을 선택할 수 있다.
예측모델 저장부(120)에 저장된 복수의 예측모델은 적어도, 제1 시간 범위의 입력을 수신하여 미래의 네트워크 처리량을 예측하도록 훈련된 제1 예측모델과, 제2 시간 범위의 입력을 수신하여 미래의 네트워크 처리량을 예측하도록 훈련된 제2 예측모델을 포함할 수 있다.
여기서, 시간 범위의 입력은 상술한 입력값 시간 범위(ITW)와 동일할 수 있으며, 입력값 시간 범위가 클수록 더 많은 데이터가 입력될 수 있다. 예를 들어, 입력값 시간 범위(ITW)가 100ms인 경우, 네트워크 상태를 나타내는 데이터 중 최근 100ms 동안의 데이터가 예측모델로 입력될 수 있다. 또한, 입력값 시간 범위(ITW)가 300ms인 경우, 네트워크 상태를 나타내는 데이터 중 최근 300ms 동안의 데이터가 예측모델로 입력될 수 있다. 또한, 입력값 시간 범위(ITW)가 1000ms인 경우, 네트워크 상태를 나타내는 데이터 중 최근 1000ms 동안의 데이터가 예측모델로 입력될 수 있다.
제1 예측모델은 미리 수집된 네트워크 상태를 나타내는 데이터 중 임의의 시점까지의 제1 시간 범위 데이터를 입력값으로 하고, 임의의 시점 이후의 네트워크 처리량을 레이블로 하는 훈련 데이터에 의해 지도학습 방식으로 훈련된 모델을 포함할 수 있다. 제1 예측모델은 제1 시간 범위의 데이터를 입력 받았을 때, 그 이후의 네트워크 처리량을 예측하는 모델일 수 있다.
예를 들어, 제1 예측모델은 1000ms의 데이터 중 임의의 시점(t)까지의 최근 100ms(제1 시간 범위)의 데이터와, 임의의 시점(t) 이후 네트워크 처리량(throughput)을 훈련 데이터(100ms, throughput)로 하여 미리 훈련된 심층 신경망 모델일 수 있다.
또한, 제2 예측모델은 미리 수집된 네트워크 상태를 나타내는 데이터 중 임의의 시점까지의 제2 시간 범위 데이터를 입력값으로 하고, 임의의 시점 이후의 네트워크 처리량을 레이블로 하는 훈련 데이터에 의해 지도학습 방식으로 훈련된 모델을 포함할 수 있다. 제2 예측모델은 제2 시간 범위의 데이터를 입력 받았을 때, 그 이후의 네트워크 처리량을 예측하는 모델일 수 있다.
예를 들어, 제2 예측모델은 1000ms의 데이터 중 임의의 시점(t)까지의 최근 300ms의 데이터와, 임의의 시점(t) 이후 네트워크 처리량(throughput)을 훈련 데이터(300ms, throughput)로 하여 미리 훈련된 심층 신경망 모델일 수 있다.
본 실시 예에서, 복수의 예측모델은 상술한 제1 예측모델 및 제2 예측모델로 국한되지 않고, 서로 다른 시간 범위의 입력을 수신하여 미래의 네트워크 처리량을 예측하도록 훈련된 여러 예측모델들을 포함할 수 있다.
예측모델 선택부(110)는 네트워크 상태를 나타내는 데이터가 입력되면, 입력 데이터에 기초하여 미래의 네트워크 처리량 예측에 적합한 데이터의 시간 범위(ITW)를 판단할 수 있다. 이후 예측모델 선택부(110)는 판단된 적합한 시간 범위에 기초하여 미래의 네트워크 처리량을 예측하는 복수의 예측모델 중 최적의 예측모델을 선택할 수 있다.
이를 위해, 예측모델 선택부(110)는 최적의 예측모델을 선택하기 이전에, 미리 수집된 네트워크 상태를 나타내는 데이터 중 임의의 시점에서 제3 시간 범위의 데이터를 입력값으로 하고, 복수의 예측모델 중 임의의 시점 이후의 네트워크 처리량을 가장 정확하게 예측한 예측모델을 레이블로 하는 훈련 데이터에 의해 지도학습 방식으로 훈련된 선택모델을 훈련시킬 수 있다. 이후 예측모델 선택부(110)는 최적의 예측 모델을 선택하기 위해, 상술한 선택모델을 이용하여 복수의 예측모델 중 최적의 예측모델을 선택할 수 있다. 여기서 제3 시간 범위는 제1 시간 범위 및 제2 시간 범위보다 더 긴 시간 범위일 수 있다.
여기서, 가장 정확하게 예측한 예측모델은, 제3 시간 범위(예를 들어, 1000ms)의 데이터 중 제1 시간 범위(예를 들어, 100ms)의 데이터를 제1 예측모델에 입력하여 예측된 네트워크 처리량(throughput)과 미리 수집된 네트워크 상태를 나타내는 데이터에 의한 실제 네트워크 처리량(ground truth)을 비교한 제1 정확도와, 제3 시간 범위(예를 들어, 1000ms)의 데이터 중 제2 시간 범위(예를 들어, 300ms)의 데이터를 제2 예측모델에 입력하여 예측된 네트워크 처리량(throughput)과 미리 수집된 네트워크 상태를 나타내는 데이터에 의한 실제 네트워크 처리량(ground truth)을 비교한 제2 정확도 중 더 높은 정확도를 가지는 예측모델일 수 있다.
예를 들어, 미리 수집된 네트워크 상태를 나타내는 데이터에 대하여, 제1 예측모델에서 예측한 제1 정확도가 70%이고, 제2 예측모델에서 예측한 정확도가 90%인 경우, 예측모델 선택부(110)는 가장 정확하게 예측한 예측모델로 제2 예측모델을 결정할 수 있다.
예측모델 선택부(110)는 네트워크 상태를 나타내는 데이터의 입력으로, 최적의 예측모델(상술한 가장 정확하게 예측한 예측모델)이 결정되면, 예측모델 저장부(120)로부터 최적의 예측모델을 선택하여 네트워크 처리량 예측부(130)로 로딩시킬 수 있다.
네트워크 처리량 예측부(130)는 예측모델 선택부(110)가 선택한 최적의 예측모델을 예측모델 저장부(120)로부터 로딩하고, 로딩한 최적의 예측모델에 데이터를 입력하여 미래의 네트워크 처리량을 예측할 수 있다.
이후, 네트워크 처리량 예측 장치(100)를 포함하는 데이터 송신 장치(10)는 예측되는 네트워크 처리량에 기초하여 네트워크를 통해 전송될 영상 데이터의 해상도를 결정할 수 있다. 이에 따라, 네트워크 처리량 예측 장치(100)는 네트워크 내에서 지연 없이 전송될 수 있는 최대치의 해상도를 결정하여 네트워크 내에서 최적의 서비스가 제공되도록 할 수 있다.
데이터 송신 장치(10)는 예측되는 네트워크 처리량에 기초하여 네트워크를 통해 전송될 영상 데이터의 해상도를 결정할 수 있다.
도 4는 다른 실시 예에 따른 네트워크 처리량 예측 장치의 구성을 개략적으로 설명하기 위하여 도시한 도면이다. 이하의 설명에서 도 1 내지 도 3에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. 도 4를 참조하면, 다른 실시 예에 따른 네트워크 처리량 예측 장치(200)는 프로세서(210) 및 메모리(220)를 포함할 수 있다.
프로세서(210)는 네트워크 처리량 예측 장치(200) 전체의 동작을 제어할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령어로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
메모리(220)는 프로세서(210)와 동작 가능하게 연결되고, 프로세서(210)에서 수행되는 적어도 하나의 코드를 저장할 수 있다.
메모리(320)는 프로세서(310)와 동작 가능하게 연결되고, 프로세서(310)에서 수행되는 동작과 연관하여 적어도 하나의 코드를 저장할 수 있다.
또한, 메모리(320)는 프로세서(310)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행할 수 있다. 여기서, 메모리(320)는 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 이러한 메모리(320)는 내장 메모리 및/또는 외장 메모리를 포함할 수 있으며, DRAM, SRAM, 또는 SDRAM 등과 같은 휘발성 메모리, OTPROM(one time programmable ROM), PROM, EPROM, EEPROM, mask ROM, flash ROM, NAND 플래시 메모리, 또는 NOR 플래시 메모리 등과 같은 비휘발성 메모리, SSD, CF(compact flash) 카드, SD 카드, Micro-SD 카드, Mini-SD 카드, Xd 카드, 또는 메모리 스틱(memory stick) 등과 같은 플래시 드라이브, 또는 HDD와 같은 저장 장치를 포함할 수 있다.
본 실시 예에서, 프로세서(210)는 네트워크 상태를 나타내는 데이터의 입력 시점을 기준으로 하여, 미래의 네트워크 처리량을 예측하는 복수의 예측모델 중, 최적의 예측모델을 선택하고, 선택한 최적의 예측모델을 로딩하고, 로딩한 최적의 예측모델에 데이터를 입력하여 미래의 네트워크 처리량을 예측할 수 있다.
여기서, 복수의 예측모델은 적어도, 제1 시간 범위의 입력을 수신하여 미래의 네트워크 처리량을 예측하도록 훈련된 제1 예측모델과, 제2 시간 범위의 입력을 수신하여 미래의 네트워크 처리량을 예측하도록 훈련된 제2 예측모델을 포함할 수 있다.
프로세서(210)는 네트워크 상태를 나타내는 데이터가 입력되면, 입력 데이터에 기초하여 미래의 네트워크 처리량 예측에 적합한 데이터의 시간 범위를 판단하고, 판단된 적합한 시간 범위에 기초하여 미래의 네트워크 처리량을 예측하는 복수의 예측모델 중 최적의 예측모델을 선택할 수 있다.
프로세서(210)는 최적의 예측모델을 선택하기 전에, 미리 수집된 네트워크 상태를 나타내는 데이터 중 임의의 시점에서 제3 시간 범위의 데이터를 입력값으로 하고, 복수의 예측모델 중 임의의 시점 이후의 네트워크 처리량을 가장 정확하게 예측한 예측모델을 레이블로 하는 훈련 데이터에 의해 지도학습 방식으로 선택모델을 훈련시킬 수 있다.
프로세서(210)는 최적의 예측모델을 선택하기 위해, 상술한 선택모델을 이용하여 복수의 예측모델 중 최적의 예측모델을 선택할 수 있다.
여기서, 가장 정확하게 예측한 예측모델은, 제3 시간 범위의 데이터 중 제1 시간 범위의 데이터를 제1 예측모델에 입력하여 예측된 네트워크 처리량과 미리 수집된 네트워크 상태를 나타내는 데이터에 의한 실제 네트워크 처리량을 비교한 제1 정확도와, 제3 시간 범위의 데이터 중 제2 시간 범위의 데이터를 제2 예측모델에 입력하여 예측된 네트워크 처리량과 미리 수집된 네트워크 상태를 나타내는 데이터에 의한 실제 네트워크 처리량을 비교한 제2 정확도 중 더 높은 정확도를 가지는 예측모델을 의미할 수 있다.
프로세서(210)는 선택한 최적의 예측모델을 예측모델 로딩하고, 로딩한 최적의 예측모델에 데이터를 입력하여 미래의 네트워크 처리량을 예측할 수 있다.
이후, 네트워크 처리량 예측 장치(200)를 포함하는 데이터 송신 장치(10)는 예측되는 네트워크 처리량에 기초하여 네트워크를 통해 전송될 영상 데이터의 해상도를 결정할 수 있다.
이후 일 실시 예로, 네트워크 처리량 예측 장치(200)를 포함하는 데이터 송신 장치(10)는 예측되는 네트워크 처리량에 기초하여 네트워크를 통해 전송될 영상 데이터의 해상도를 결정할 수 있다.
도 5는 본 실시 예에 따른 네트워크 처리량 예측 방법을 설명하기 위한 흐름도이다. 이하의 설명에서 도 1 내지 도 4에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.
도 5를 참조하면, S510단계에서, 네트워크 처리량 예측 장치(100,200)는 복수의 예측모델들을 저장하는 저장부를 구축한다. 여기서, 저장부는, 도 3의 예측모델 저장부(120) 및 도 4의 메모리(220) 중 하나를 포함할 수 있다. 또한, 예측 모델들은 제1 시간 범위의 입력을 수신하여 미래의 네트워크 처리량을 예측하도록 훈련된 제1 예측모델과, 제2 시간 범위의 입력을 수신하여 미래의 네트워크 처리량을 예측하도록 훈련된 제2 예측모델을 포함할 수 있다. 본 실시 예에서 복수의 예측모델은 상술한 제1 예측모델 및 제2 예측모델로 국한되지 않고, 서로 다른 시간 범위의 입력을 수신하여 미래의 네트워크 처리량을 예측하도록 훈련된 여러 예측모델들을 포함할 수 있다.
S520단계에서, 네트워크 처리량 예측 장치(100,200)는 네트워크 상태를 나타내는 데이터의 입력 시점을 기준으로 하여, 미래의 네트워크 처리량을 예측하는 복수의 예측모델(저장부에 저장) 중, 최적의 예측모델을 선택한다. 네트워크 처리량 예측 장치(100,200)는 네트워크 상태를 나타내는 데이터가 입력되면, 입력 데이터에 기초하여 미래의 네트워크 처리량 예측에 적합한 데이터의 시간 범위를 판단하고, 판단된 적합한 시간 범위에 기초하여 미래의 네트워크 처리량을 예측하는 복수의 예측모델 중 최적의 예측모델을 선택할 수 있다. 네트워크 처리량 예측 장치(100,200)는 최적의 예측모델을 선택하기 이전에 미리 훈련된 예측모델 선택모델을 이용할 수 있으며, 이러한 선택모델은 네트워크 처리량 예측장치의 메모리에 저장될 수 있다. 최적의 예측모델을 선택하기 위한 모델(선택모델)은 미리 수집된 네트워크 상태를 나타내는 데이터 중 임의의 시점에서 제3 시간 범위(예를 들어, 1000ms)의 데이터를 입력값으로 하고, 복수의 예측모델(각각의 모델은 서로 다른 시간 범위의 데이터를 입력받아 네트워크 처리량을 예측하도록 설계 및 훈련됨) 중 임의의 시점 이후의 네트워크 처리량을 가장 정확하게 예측한 예측모델을 레이블로 하는 훈련 데이터에 의해 지도학습 방식으로 훈련될 수 있다. 네트워크 처리량 예측 장치(100,200)는 최적의 예측모델을 선택하기 위해, 상술한 선택모델을 이용하여 복수의 예측모델 중 최적의 예측모델을 선택할 수 있다. 여기서, 제3 시간 범위(예를 들어, 1000ms)는 제1 시간 범위(예를 들어, 100ms) 및 제2 시간 범위(예를 들어, 300ms)보다 긴 시간 범위일 수 있다. 여기서, 가장 정확하게 예측한 예측모델은, 제3 시간 범위의 데이터 중 제1 시간 범위의 데이터를 제1 예측모델에 입력하여 생성되는 제1 정확도와, 제3 시간 범위의 데이터 중 제2 시간 범위의 데이터를 제2 예측모델에 입력하여 생성되는 제2 정확도 중 더 높음 정확도를 가지는 예측모델을 가장 정확하게 예측한 모델로 결정할 수 있다.
즉, 최적의 예측모델을 선택하는 선택모델은 입력되는 네트워크 상태를 나타내는 데이터에 따라, 예를 들어, 가장 최근의 100ms 데이터에 기초하여 이후의 네트워크 처리량을 예측하는 것이 좋을지, 가장 최근의 300ms 데이터에 기초하여 이후의 네트워크 처리량을 예측하는 것이 좋을지를 판단하여 가장 최적의 예측모델 및/또는 입력 데이터 시간 범위를 출력할 수 있도록 설계되고 훈련된 모델이다. 최적의 예측을 위한 입력 데이터의 시간 범위가 달라져야 하는 이유는 네트워크 상태가 변동이 큰 경우인지, 변동 없이 안정적인 상태인지, 변동이 예측 시점과 비교하여 언제 발생했는지에 따라 예측의 기초가 되어야하는 데이터의 시간 범위가 다르기 때문일 수 있다.
S530단계에서, 네트워크 처리량 예측 장치(100,200)는 선택한 최적의 예측모델을 저장부로부터 로딩하고, 로딩한 최적의 예측모델에 데이터를 입력하여 미래의 네트워크 처리량을 예측한다.
이후 일 실시 예로, 네트워크 처리량 예측 장치(100,200)를 포함하는 데이터 송신 장치(10)는 예측되는 네트워크 처리량에 기초하여 네트워크를 통해 전송될 영상 데이터의 해상도를 결정할 수 있다.
이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.
본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
100, 200: 네트워크 처리량 예측 장치
110: 예측모델 선택부
120: 예측모델 저장부
130: 네트워크 처리량 예측부
210: 프로세서
220: 메모리

Claims (12)

  1. 네트워크 처리량을 예측하는 장치로서,
    네트워크 상태를 나타내는 데이터의 입력 시점을 기준으로 하여, 미래의 네트워크 처리량을 예측하는 복수의 예측모델 중, 최적의 예측모델을 선택하는 예측모델 선택부; 및
    상기 예측모델 선택부가 선택한 상기 최적의 예측모델을 로딩하고, 로딩한 상기 최적의 예측모델에 상기 데이터를 입력하여 미래의 네트워크 처리량을 예측하는 네트워크 처리량 예측부를 포함하고,
    상기 복수의 예측모델은 적어도, 제1 시간 범위의 입력을 수신하여 미래의 네트워크 처리량을 예측하도록 훈련된 제1 예측모델과, 제2 시간 범위의 입력을 수신하여 미래의 네트워크 처리량을 예측하도록 훈련된 제2 예측모델을 포함하고,
    상기 예측모델 선택부는,
    상기 최적의 예측모델을 선택하기 이전에, 미리 수집된 네트워크 상태를 나타내는 데이터 중 임의의 시점에서 제3 시간 범위의 데이터를 입력값으로 하고, 상기 복수의 예측모델 중 상기 임의의 시점 이후의 네트워크 처리량을 가장 정확하게 예측한 예측모델을 레이블로 하는 훈련 데이터에 의해 지도학습 방식으로 선택모델을 훈련시킨 후, 상기 선택모델을 이용하여 상기 복수의 예측모델 중, 최적의 예측모델을 선택하도록 구성되고,
    상기 제2 시간 범위는 상기 제1 시간범위보다 긴 시간 범위이고, 상기 제3 시간 범위는 상기 제2 시간 범위보다 긴 시간 범위이며,
    상기 가장 정확하게 예측한 예측 모델은,
    상기 제3 시간 범위의 데이터 중 상기 제1 시간 범위의 데이터를 상기 제1 예측모델에 입력하여 예측된 네트워크 처리량과 미리 수집된 네트워크 상태를 나타내는 데이터에 의한 실제 네트워크 처리량을 비교한 제1 예측 정확도와, 상기 제3 시간 범위의 데이터 중 상기 제2 시간 범위의 데이터를 상기 제2 예측모델에 입력하여 예측된 네트워크 처리량과 미리 수집된 네트워크 상태를 나타내는 데이터에 의한 실제 네트워크 처리량을 비교한 제2 예측 정확도 중 더 높은 예측 정확도를 가지는 예측모델인,
    네트워크 처리량 예측 장치.
  2. 제 1 항에 있어서,
    상기 제1 예측모델은 미리 수집된 네트워크 상태를 나타내는 데이터 중 임의의 시점까지의 제1 시간 범위 데이터를 입력값으로 하고, 상기 임의의 시점 이후의 네트워크 처리량을 레이블로 하는 훈련 데이터에 의해 지도학습 방식으로 훈련된 모델로서, 제1 시간 범위의 데이터를 입력 받았을 때, 그 이후의 네트워크 처리량을 예측하는 모델이고,
    상기 제2 예측모델은 미리 수집된 네트워크 상태를 나타내는 데이터 중 임의의 시점까지의 제2 시간 범위 데이터를 입력값으로 하고, 상기 임의의 시점 이후의 네트워크 처리량을 레이블로 하는 훈련 데이터에 의해 지도학습 방식으로 훈련된 모델로서, 제2 시간 범위의 데이터를 입력 받았을 때, 그 이후의 네트워크 처리량을 예측하는 모델인,
    네트워크 처리량 예측 장치.
  3. 제 1 항에 있어서,
    상기 예측모델 선택부는 네트워크 상태를 나타내는 데이터가 입력되면, 입력 데이터에 기초하여 미래의 네트워크 처리량 예측에 적합한 데이터의 시간 범위를 판단하고, 판단된 적합한 시간 범위에 기초하여 미래의 네트워크 처리량을 예측하는 복수의 예측모델 중 최적의 예측모델을 선택하도록 구성되는,
    네트워크 처리량 예측 장치.
  4. 삭제
  5. 삭제
  6. 네트워크를 이용하여 데이터를 송신 및 수신할 수 있는 데이터 송수신 장치의 네트워크 처리량을 예측하는 방법으로서,
    네트워크 상태를 나타내는 데이터의 입력 시점을 기준으로 하여, 미래의 네트워크 처리량을 예측하는 복수의 예측모델 중, 최적의 예측모델을 선택하는 단계; 및
    선택한 상기 최적의 예측모델을 로딩하고, 로딩한 상기 최적의 예측모델에 상기 데이터를 입력하여 미래의 네트워크 처리량을 예측하는 단계를 포함하고,
    상기 복수의 예측모델은 적어도, 제1 시간 범위의 입력을 수신하여 미래의 네트워크 처리량을 예측하도록 훈련된 제1 예측모델과, 제2 시간 범위의 입력을 수신하여 미래의 네트워크 처리량을 예측하도록 훈련된 제2 예측모델을 포함하고,
    상기 최적의 예측모델을 선택하는 단계 이전에,
    미리 수집된 네트워크 상태를 나타내는 데이터 중 임의의 시점에서 제3 시간 범위의 데이터를 입력값으로 하고, 상기 복수의 예측모델 중 상기 임의의 시점 이후의 네트워크 처리량을 가장 정확하게 예측한 예측모델을 레이블로 하는 훈련 데이터에 의해 지도학습 방식으로 선택모델을 훈련시키는 단계를 더 포함하고,
    상기 최적의 예측모델을 선택하는 단계는 상기 선택모델을 이용하여 상기 복수의 예측모델 중, 최적의 예측모델을 선택하며,
    상기 제2 시간 범위는 상기 제1 시간범위보다 긴 시간 범위이고, 상기 제3 시간 범위는 상기 제2 시간 범위보다 긴 시간 범위이고,
    상기 가장 정확하게 예측한 예측모델은,
    상기 제3 시간 범위의 데이터 중 상기 제1 시간 범위의 데이터를 상기 제1 예측모델에 입력하여 예측된 네트워크 처리량과 미리 수집된 네트워크 상태를 나타내는 데이터에 의한 실제 네트워크 처리량을 비교한 제1 예측 정확도와, 상기 제3 시간 범위의 데이터 중 상기 제2 시간 범위의 데이터를 상기 제2 예측모델에 입력하여 예측된 네트워크 처리량과 미리 수집된 네트워크 상태를 나타내는 데이터에 의한 실제 네트워크 처리량을 비교한 제2 예측 정확도 중 더 높은 예측 정확도를 가지는 예측모델을 상기 가장 정확하게 예측한 예측모델인,
    네트워크 처리량 예측 방법.
  7. 제 6 항에 있어서,
    상기 제1 예측모델은 미리 수집된 네트워크 상태를 나타내는 데이터 중 임의의 시점까지의 제1 시간 범위 데이터를 입력값으로 하고, 상기 임의의 시점 이후의 네트워크 처리량을 레이블로 하는 훈련 데이터에 의해 지도학습 방식으로 훈련된 모델로서, 제1 시간 범위의 데이터를 입력 받았을 때, 그 이후의 네트워크 처리량을 예측하는 모델이고,
    상기 제2 예측모델은 미리 수집된 네트워크 상태를 나타내는 데이터 중 임의의 시점까지의 제2 시간 범위 데이터를 입력값으로 하고, 상기 임의의 시점 이후의 네트워크 처리량을 레이블로 하는 훈련 데이터에 의해 지도학습 방식으로 훈련된 모델로서, 제2 시간 범위의 데이터를 입력 받았을 때, 그 이후의 네트워크 처리량을 예측하는 모델인,
    네트워크 처리량 예측 방법.
  8. 제 6 항에 있어서,
    상기 최적의 예측모델을 선택하는 단계는,
    네트워크 상태를 나타내는 데이터가 입력되면, 입력 데이터에 기초하여 미래의 네트워크 처리량 예측에 적합한 데이터의 시간 범위를 판단하는 단계; 및
    판단된 적합한 시간 범위에 기초하여 미래의 네트워크 처리량을 예측하는 복수의 예측모델 중 최적의 예측모델을 선택하는 단계를 포함하는,
    네트워크 처리량 예측 방법.
  9. 삭제
  10. 삭제
  11. 제 6 항에 있어서,
    상기 예측하는 단계 이후에,
    예측되는 상기 네트워크 처리량에 기초하여 상기 네트워크를 통해 전송될 영상 데이터의 해상도를 결정하는 단계를 더 포함하는,
    네트워크 처리량 예측 방법.
  12. 컴퓨터를 이용하여 제 6 항 내지 제 8 항 및 제 11 항의 방법 중 어느 한 항의 방법을 실행시키기 위한 컴퓨터 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체.
KR1020200158265A 2020-11-23 2020-11-23 네트워크 처리량 예측 장치 및 방법 KR102461257B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200158265A KR102461257B1 (ko) 2020-11-23 2020-11-23 네트워크 처리량 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200158265A KR102461257B1 (ko) 2020-11-23 2020-11-23 네트워크 처리량 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220071058A KR20220071058A (ko) 2022-05-31
KR102461257B1 true KR102461257B1 (ko) 2022-10-31

Family

ID=81785729

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200158265A KR102461257B1 (ko) 2020-11-23 2020-11-23 네트워크 처리량 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102461257B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115996433B (zh) * 2023-03-22 2023-06-20 新华三技术有限公司 无线资源调整方法、装置、电子设备及存储介质
CN116432743B (zh) * 2023-04-19 2023-10-10 天津大学 一种提高强化学习系统吞吐量的方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017046095A (ja) * 2015-08-25 2017-03-02 日本電気株式会社 アクセスポイントの制御方法、アクセスポイント、プログラム
JP2019176254A (ja) * 2018-03-27 2019-10-10 株式会社国際電気通信基礎技術研究所 チャネル状態予測装置、チャネル状態予測方法、無線通信装置および無線通信方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102544682B1 (ko) 2018-06-29 2023-06-15 주식회사 케이티 소프트웨어 정의 네트워크 환경에서 기계 학습 기반의 경로 선택 장치 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017046095A (ja) * 2015-08-25 2017-03-02 日本電気株式会社 アクセスポイントの制御方法、アクセスポイント、プログラム
JP2019176254A (ja) * 2018-03-27 2019-10-10 株式会社国際電気通信基礎技術研究所 チャネル状態予測装置、チャネル状態予測方法、無線通信装置および無線通信方法

Also Published As

Publication number Publication date
KR20220071058A (ko) 2022-05-31

Similar Documents

Publication Publication Date Title
Kasgari et al. Experienced deep reinforcement learning with generative adversarial networks (GANs) for model-free ultra reliable low latency communication
TW202131661A (zh) 用於網路最佳化的裝置及方法、以及非暫時性電腦可讀媒體
Wan et al. Reinforcement learning based mobile offloading for cloud-based malware detection
KR102461257B1 (ko) 네트워크 처리량 예측 장치 및 방법
CN108833352B (zh) 一种缓存方法及系统
KR20200074431A (ko) 다매체 다중경로 네트워크의 최적 경로 선택 시스템 및 그 방법
KR102206775B1 (ko) 무선 네트워크에서 기계 학습을 이용하여 자원을 할당하는 방법 및 그 방법을 수행하기 위한 기록 매체
EP4334860A1 (en) Generating confidence scores for machine learning model predictions
US20240095529A1 (en) Neural Network Optimization Method and Apparatus
CN116894469A (zh) 端边云计算环境中的dnn协同推理加速方法、设备及介质
US10219289B2 (en) Network node, a base station for uplink grant pre-allocation
Tian et al. A bio-inspired QoS-oriented handover model in heterogeneous wireless networks
KR20200119065A (ko) 품질 예측 학습 모델 기반의 동적 무선 네트워크 가변 접속을 제공하는 무선 단말 장치의 동작 방법
Uwano et al. Communication-less cooperative q-learning agents in maze problem
KR102432668B1 (ko) 통신 제어 장치 및 통신 제어 방법
Li et al. Dynamic Regret of Adversarial MDPs with Unknown Transition and Linear Function Approximation
KR20200119157A (ko) 무선 네트워크 가변 접속을 제공하기 위한 품질 예측 정보 제공 장치
CN116049862B (zh) 基于异步分组联邦学习的数据保护方法、装置及系统
WO2024032694A1 (zh) Csi预测处理方法、装置、通信设备及可读存储介质
KR20230094598A (ko) 미디어 스트리밍 처리 장치 및 방법
Wang et al. A Traffic Prediction Method for Tactical Communication Intelligent Network Based on Cross-Domain Synergy
Liao et al. Collaborative filtering-based fast delay-aware algorithm for joint VNF deployment and migration in edge networks
CN117407174A (zh) 基于人工蜂群算法的预测性维护任务卸载与资源分配方法
KR20200119081A (ko) 품질 예측 학습 모델 기반의 동적 무선 네트워크 가변 접속을 제공하는 무선 단말 장치의 동작 방법
KR20200119061A (ko) 품질 예측 학습 모델 기반의 동적 무선 네트워크 가변 접속을 제공하는 무선 단말 장치의 동작 방법

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant