KR102516527B1 - 동적 vlan 설정을 활용한 네트워크 최적화 방법 - Google Patents

동적 vlan 설정을 활용한 네트워크 최적화 방법 Download PDF

Info

Publication number
KR102516527B1
KR102516527B1 KR1020220134538A KR20220134538A KR102516527B1 KR 102516527 B1 KR102516527 B1 KR 102516527B1 KR 1020220134538 A KR1020220134538 A KR 1020220134538A KR 20220134538 A KR20220134538 A KR 20220134538A KR 102516527 B1 KR102516527 B1 KR 102516527B1
Authority
KR
South Korea
Prior art keywords
network
state data
traffic state
function values
current traffic
Prior art date
Application number
KR1020220134538A
Other languages
English (en)
Inventor
김지형
이상신
송민환
최원기
Original Assignee
한국전자기술연구원
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 한국전자기술연구원 filed Critical 한국전자기술연구원
Priority to KR1020220134538A priority Critical patent/KR102516527B1/ko
Priority to PCT/KR2022/021276 priority patent/WO2024085314A1/ko
Application granted granted Critical
Publication of KR102516527B1 publication Critical patent/KR102516527B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/46—Interconnection of networks
    • H04L12/4641—Virtual LANs, VLANs, e.g. virtual private networks [VPN]
    • H04L12/4675—Dynamic sharing of VLAN information amongst network nodes
    • 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
    • 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

Abstract

동적 VLAN 설정을 활용한 네트워크 최적화 방법이 제공된다. 본 발명의 실시예에 따른 네트워크 최적화 방법은, 네트워크에 적용가능한 다수의 VLAN 설정 데이터들을 획득하고, 네트워크의 현재 트래픽 상태 데이터를 수집하며, 수집된 현재 트래픽 상태 데이터를 기반으로 최적의 VLAN 설정 데이터를 선택하고, 선택된 VLAN 설정 데이터를 네트워크에 적용한다. 이에 의해, 강화 학습 기반으로 실시간 네트워크 트래픽 정보로부터 사전에 설정한 목적에 맞게 VLAN을 동적으로 설정함으로써, 네트워크 관리자의 노력과 시간 투입 없이 그리고 관리자의 숙련도에 따른 편차 없이 자동으로 네트워크를 최적화할 수 있게 된다.

Description

동적 VLAN 설정을 활용한 네트워크 최적화 방법{Network optimization method using dynamic VLAN settings}
본 발명은 네트워크 관리 기술에 관한 것으로, 더욱 상세하게는 VLAN(Virtual Local Area Network) 설정을 통해 네트워크를 최적화하는 방법에 관한 것이다.
대부분의 네트워크 트래픽이 대용량 멀티미디어인 유선 네트워크 환경의 경우, VLAN을 잘 설정함으로써 전체 네트워크의 성능을 크게 향상시키는 것이 가능하다.
나아가 VLAN을 동적으로 설정가능한 환경에서는, 상황 변화에 따라 네트워크의 VLAN을 변경해 가면서 목적에 맞게 자동으로 네트워크를 최적화 하는 것도 가능하다.
하지만 이와 같은 VLAN 설정은 네트워크 관리자에 의해 수동으로 이루어지고 있다. 이는 네트워크 관리자의 많은 노력과 시간을 요구한다는 문제와 관리자의 숙련도에 따라 적정한 네트워크 운용이 되지 않을 수 있다는 문제를 유발한다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, 실시간 네트워크 트래픽 정보를 기반으로 사전에 설정한 목적에 맞게 VLAN을 동적으로 자동 설정하는 네트워크 최적화 방법을 제공함에 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 네트워크 최적화 방법은, 네트워크에 적용가능한 다수의 VLAN 설정 데이터들을 획득하는 단계; 네트워크의 현재 트래픽 상태 데이터를 수집하는 단계; 수집된 현재 트래픽 상태 데이터를 기반으로, 최적의 VLAN 설정 데이터를 선택하는 단계; 선택된 VLAN 설정 데이터를 네트워크에 적용하는 단계;를 포함한다.
획득 단계는, 네트워크를 구성하는 네트워크 장비들 간에 Broadcast Storm이 발생하지 않는 VLAN 설정 데이터들을 획득할 수 있다.
선택 단계는, 수집된 현재 트래픽 상태 데이터를 DQN(Deep Q Networks)에 입력하여 Q 함수 값들을 추론하는 제1 추론단계; 제1 추론단계에서 추론된 Q 함수 값들 중 가장 큰 Q 함수 값의 VLAN 설정 데이터를 선택하는 단계;를 포함할 수 있다.
본 발명의 실시예에 따른 네트워크 최적화 방법은, 선택된 VLAN 설정 데이터를 네트워크에 적용한 경우의 트래픽 상태 데이터를 DQN에 입력하여 Q 함수 값들을 추론하는 제2 추론단계; 및 '제1 추론단계에서 추론된 Q 함수 값들'과 '즉각보상 및 제2 추론단계에서 추론된 Q 함수 값들' 간의 로스가 줄어드는 방향으로 DQN을 학습시키는 단계;를 더 포함할 수 있다.
Q 함수는, 전체 네트워크의 성능을 최대화할 수 있는 경우에 보상을 부여할 수 있다. Q 함수는, 특정 단말의 성능을 최대화할 수 있는 경우에 보상을 부여할 수 있다.
본 발명의 실시예에 따른 네트워크 최적화 방법은, 선택된 VLAN 설정 데이터에 의해 네트워크를 구성하는 네트워크 장비들 간에 Broadcast Storm이 발생하는지 여부를 시뮬레이션하는 단계;를 더 포함하고, 적용 단계는, 시뮬레이션 단계에서 Broadcast Storm이 발생하지 않는 것으로 확인된 경우에 수행될 수 있다.
VLAN 설정 데이터는, Trunk 테이블일 수 있다.
본 발명의 실시예에 따른 네트워크 최적화 방법은, 수집된 현재 트래픽 상태 데이터를 전처리하는 단계;를 더 포함하고, 선택 단계는, 전처리된 현재 트래픽 상태 데이터를 기반으로, 최적의 VLAN 설정 데이터를 선택할 수 있다.
본 발명의 다른 실시예에 따른 네트워크 최적화 시스템은, 네트워크에 통신가능하도록 연결되는 통신부; 및 네트워크에 적용가능한 다수의 VLAN 설정 데이터들을 획득하고, 네트워크의 현재 트래픽 상태 데이터를 수집하며, 수집된 현재 트래픽 상태 데이터를 기반으로 최적의 VLAN 설정 데이터를 선택하고, 선택된 VLAN 설정 데이터를 네트워크에 적용하는 프로세서;를 포함한다.
본 발명의 또 다른 실시예에 따른 네트워크 최적화 방법은, 네트워크의 현재 트래픽 상태 데이터를 수집하는 단계; 및 수집된 현재 트래픽 상태 데이터를 기반으로, 최적의 VLAN 설정 데이터를 선택하는 단계;를 포함한다.
본 발명의 또 다른 실시예에 따른 네트워크 최적화 시스템은 네트워크에 통신가능하도록 연결되는 통신부; 및 네트워크의 현재 트래픽 상태 데이터를 수집하며, 수집된 현재 트래픽 상태 데이터를 기반으로 최적의 VLAN 설정 데이터를 선택하는 프로세서;를 포함한다.
이상 설명한 바와 같이, 본 발명의 실시예들에 따르면, 강화 학습 기반으로 실시간 네트워크 트래픽 정보로부터 사전에 설정한 목적에 맞게 VLAN을 동적으로 설정함으로써, 네트워크 관리자의 노력과 시간 투입 없이 그리고 관리자의 숙련도에 따른 편차 없이 자동으로 네트워크를 최적화할 수 있게 된다.
또한 본 발명의 실시예들에 따르면, 전체 네트워크 성능을 최적화 시키는 것에서 나아가, 특정 단말(VIP 단말)의 성능 최대화라는 특수 목적에 초점을 맞춘 네트워크 최적화 역시 가능해진다.
도 1은 본 발명의 일 실시예에 따른 네트워크 최적화 방법의 설명에 제공되는 도면,
도 2와 도 3은 트렁크 테이블을 예시한 도면들,
도 4는 트래픽 상태 데이터를 예시한 도면, 그리고,
도 5는 본 발명의 다른 실시예에 따른 네트워크 관리 시스템의 블럭도이다.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.
본 발명의 실시예에서는 동적 VLAN 설정에 의한 네트워크 최적화 방법을 제시한다. 구체적으로 강화 학습 모델을 이용하여 현재 네트워크의 트래픽 상태 데이터로부터 최적의 VLAN 설정을 선택하여 네트워크에 적용하는 기술이다.
도 1은 본 발명의 일 실시예에 따른 네트워크 최적화 방법의 설명에 제공되는 도면이다.
네트워크 최적화를 위해, 먼저 네트워크에 적용가능한 다수의 VLAN 설정 데이터들을 획득하여, VLAN 설정 풀(VLAN setting pool)을 형성한다(S110). VLAN 설정 데이터로 트렁크(Trunk) 테이블이 활용될 수 있다.
트렁크 테이블은 네트워크를 구성하는 네트워크 장비들(라우터, 스위치 등) 간의 링크들을 공유하는 VLAN들을 나타낸 테이블이다. 도 2와 도 3에 트렁크 테이블을 예시하였다.
도 2에 도시된 트렁크 테이블에 따르면, 트렁크 1(라우터와 스위치1 간의 링크)은 VLAN 10, VLAN 20, VLAN 30 모두에 의해 공유되고, 트렁크 2(라우터와 스위치2 간의 링크)은 VLAN 20와 VLAN 30에 의해서만 공유되며, 트렁크 3(스위치1과 스위치2 간의 링크)은 VLAN 10만 이용가능하다.
그리고 도 3에 도시된 트렁크 테이블에 따르면, 트렁크 1(라우터와 스위치1 간의 링크)은 VLAN 10, VLAN 20, VLAN 30 모두에 의해 공유되고, 트렁크 2(라우터와 스위치2 간의 링크)은 VLAN 10과 VLAN 30에 의해서만 공유되며, 트렁크 3(스위치1과 스위치2 간의 링크)은 VLAN 20만 이용가능하다.
한편 S110단계에서 획득되는 VLAN 설정 데이터(트렁크 테이블)들은 네트워크 장비들 간에 Broadcast Storm이 발생하지 않을 것이 요구된다. 즉 Broadcast Storm을 발생시키는 VLAN 설정 데이터는 S110단계에서 배제된다.
S110단계에 의해 VLAN 설정 풀이 형성되면, 현재 네트워크에 대한 트래픽 상태 데이터를 수집하고(S120), 수집된 트래픽 상태 데이터에 대해 필요한 전처리(이를 테면, 정규화 등)를 수행한다(S130). 도 2와 도 3에 예시된 네트워크에 대해 수집되는 트래픽 상태 데이터를 도 4에 예시하였다.
다음 강화 학습 모델인 DQN(Deep Q Networks)을 이용하여 S120단계에서 수집되어 S130단계에서 전처리된 현재 트래픽 상태 데이터를 기반으로, S110단계를 통해 획득된 VLAN 설정 데이터들 중 최적의 VLAN 설정 데이터를 선택한다(S140).
구체적으로 S140단계에서는 현재 트래픽 상태 데이터를 DQN에 입력하여 Q 함수 값들을 추론하고, 추론된 Q 함수 값들 중 가장 큰 Q 함수 값의 VLAN 설정 데이터를 선택한다.
강화 학습에서 현재 트래픽 상태 데이터는 state(s)이고, VLAN 설정 데이터는 action(a)이며, Q 함수 Q(s,a)는 전체 네트워크의 성능을 최대화할 수 있는 경우에 보상을 부여하는 함수로 설계된다.
S140단계를 통해 최적의 VLAN 설정 데이터가 선택되면, 선택된 VLAN 설정 데이터로 네트워크를 시뮬레이션한다(S150). 이는 네트워크를 구성하는 네트워크 장비들 간에 Broadcast Storm이 발생하는지 여부를 다시 한번 확인하기 위한 절차이다.
S110단계에서 Broadcast Storm 발생 염려가 없는 VLAN 설정 데이터들만을 획득하는 것에서 나아가, S150단계에 의한 시뮬레이션에 의해 Broadcast Storm을 철저히 예방할 수 있게 된다.
S150단계에서의 시뮬레이션 결과 Broadcast Storm이 발생하지 않는 것으로 확인되면, S140단계에서 선택된 VLAN 설정 데이터를 네트워크에 적용하여 운용한다(S160).
다음 DQN을 강화 학습시키기 위해, S160단계를 통해 VLAN 설정 데이터가 적용되어 운용중인 네트워크의 트래픽 상태 데이터(s')를 DQN에 입력하여 Q 함수 값들(Q`)을 추론한다(S170).
그리고 S140단계를 수행하는 과정에서 '추론된 Q 함수 값들[Q(s,a)]'과 '즉각보상[r(s,a)] 및 S170단계에서 추론된 Q 함수 값들[Q'(s',a)]' 간의 로스가 줄어드는 방향으로 DQN의 Q 함수를 업데이트한다(S180). S180단계에서 적용되는 로스 함수는 다음과 같다.
Loss = [Q(s,a) - (r(s,a) + Q'(s',a))]2
지금까지 동적 VLAN 설정에 의한 네트워크 최적화 방법을 대해 바람직한 실시예를 들어 상세히 설명하였다.
위 실시예에서는 전체 네트워크의 성능을 최대화할 수 있는 VLAN 설정 데이터를 선택하여 네트워크를 운용하는 방법을 예시하였는데, 네트워크 최적화 목적을 달리 적용할 수 있다.
예를 들어 전체 네트워크의 성능을 최대화하는 것이 아닌, 네트워크를 구성하는 단말 중 특정 단말(VIP 단말)의 네트워크 성능을 최대화할 수 있도록 네트워크를 최적화하는 경우에도 본 발명의 기술적 사상이 적용될 수 있다. 실제로 도 2에 제시된 트렁크 테이블은 단말 A1과 A2의 네트워크 성능을 최대화할 수 있도록 하여 주는 VLAN 설정 데이터이고, 도 3에 제시된 트렁크 테이블은 단말 B1과 B2의 네트워크 성능을 최대화할 수 있도록 하여 주는 VLAN 설정 데이터이다.
이를 위해서는 DQN에 의해 추론되는 Q 함수가 전체 네트워크가 아닌 특정 단말의 성능을 최대화할 수 있는 경우에 보상을 부여하는 함수가 되도록 DQN이 강화 학습되어져야 한다.
한편 DQN 강화 학습 알고리즘의 일 예로 언급한 것이다. DQN 이외의 다른 방식의 강화 학습 알고리즘이 적용되는 경우도 본 발명의 범주에 포함될 수도 있다. 단 네트워크의 구성과 구조가 복잡해진다면 DQN을 이용하는 것이 적정하다 할 수 있다.
도 5는 본 발명의 다른 실시예에 따른 네트워크 관리 시스템의 블럭도이다. 본 발명의 실시예에 따른 네트워크 관리 시스템은, 통신부(210), 출력부(220), 프로세서(230), 입력부(240) 및 저장부(250)를 포함하여 구성되는 컴퓨팅 시스템으로 구현할 수 있다.
통신부(210)는 외부 기기와 통신하고 외부 네트워크에 액세스하기 위한 통신 수단이고, 출력부(220)는 프로세서(230)의 실행 결과를 표시하는 출력 수단이며, 입력부(240)는 네트워크 관리자의 명령을 입력받아 프로세서(230)로 전달하여 주는 입력 수단이다.
프로세서(230)는 전술한 도 1에 도시된 동적 VLAN 설정에 의한 네트워크 최적화 방법을 수행하여 정해진 목적에 따라 네트워크를 최적화 한다. 정해진 목적이란 네트워크 전체의 성능 향상은 물론 네트워크를 구성하는 특정 단말의 네트워크 성능 향상을 포함한다.
저장부(250)는 프로세서(230)가 기능하고 동작함에 있어 필요한 저장 공간을 제공한다.
본 발명의 실시예들에 의해 실시간 네트워크 트래픽 정보를 기반으로 사전에 설정한 목적에 맞게 강화 학습 알고리즘 기반으로 VLAN을 동적으로 설정함으로써, 네트워크 관리자의 노력과 시간 투입 없이 그리고 관리자의 숙련도에 따른 편차 없이 자동으로 네트워크를 최적화할 수 있게 된다. 또한 전체 네트워크 성능을 최적화 시키는 것에서 나아가, 특정 단말(VIP 단말)의 성능 최대화라는 특수 목적에 초점을 맞춘 네트워크 최적화 역시 가능해진다.
한편, 본 실시예에 따른 장치와 방법의 기능을 수행하게 하는 컴퓨터 프로그램을 수록한 컴퓨터로 읽을 수 있는 기록매체에도 본 발명의 기술적 사상이 적용될 수 있음은 물론이다. 또한, 본 발명의 다양한 실시예에 따른 기술적 사상은 컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터로 읽을 수 있는 코드 형태로 구현될 수도 있다. 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터에 의해 읽을 수 있고 데이터를 저장할 수 있는 어떤 데이터 저장 장치이더라도 가능하다. 예를 들어, 컴퓨터로 읽을 수 있는 기록매체는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광디스크, 하드 디스크 드라이브, 등이 될 수 있음은 물론이다. 또한, 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터로 읽을 수 있는 코드 또는 프로그램은 컴퓨터간에 연결된 네트워크를 통해 전송될 수도 있다.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
VLAN 설정 풀(VLAN setting pool)
트렁크(Trunk) 테이블
네트워크 상태 데이터
DQN(Deep Q Networks)
Broadcast Storm

Claims (12)

  1. 네트워크에 적용가능한 다수의 TRUNK 테이블들을 획득하는 단계;
    네트워크의 현재 트래픽 상태 데이터를 수집하는 단계;
    수집된 현재 트래픽 상태 데이터를 DQN(Deep Q Networks)에 입력하여 Q 함수 값들을 추론하는 제1 추론단계;
    제1 추론단계에서 추론된 Q 함수 값들 중 가장 큰 Q 함수 값의 TRUNK 테이블을 선택하는 단계;
    선택된 TRUNK 테이블을 네트워크에 적용하는 단계;
    선택된 TRUNK 테이블을 네트워크에 적용한 경우의 트래픽 상태 데이터를 DQN에 입력하여 Q 함수 값들을 추론하는 제2 추론단계;
    '제1 추론단계에서 추론된 Q 함수 값들'과 '즉각보상 및 제2 추론단계에서 추론된 Q 함수 값들' 간의 로스가 줄어드는 방향으로 DQN을 학습시키는 단계;를 포함하는 것을 특징으로 하는 네트워크 최적화 방법.
  2. 청구항 1에 있어서,
    획득 단계는,
    네트워크를 구성하는 네트워크 장비들 간에 Broadcast Storm이 발생하지 않는 TRUNK 테이블들을 획득하는 것을 특징으로 하는 네트워크 최적화 방법.
  3. 삭제
  4. 삭제
  5. 청구항 1에 있어서,
    Q 함수는,
    전체 네트워크의 성능을 최대화할 수 있는 경우에 보상을 부여하는 것을 특징으로 하는 네트워크 최적화 방법.
  6. 청구항 1에 있어서,
    Q 함수는,
    특정 단말의 성능을 최대화할 수 있는 경우에 보상을 부여하는 것을 특징으로 하는 네트워크 최적화 방법.
  7. 청구항 1에 있어서,
    선택된 TRUNK 테이블에 의해 네트워크를 구성하는 네트워크 장비들 간에 Broadcast Storm이 발생하는지 여부를 시뮬레이션하는 단계;를 더 포함하고,
    적용 단계는,
    시뮬레이션 단계에서 Broadcast Storm이 발생하지 않는 것으로 확인된 경우에 수행되는 것을 특징으로 하는 네트워크 최적화 방법.
  8. 삭제
  9. 청구항 1에 있어서,
    수집된 현재 트래픽 상태 데이터를 전처리하는 단계;를 더 포함하고,
    제1 추론단계는,
    전처리된 현재 트래픽 상태 데이터를 DQN에 입력하여 Q 함수 값들을 추론하는 것을 특징으로 하는 네트워크 최적화 방법.
  10. 네트워크에 통신가능하도록 연결되는 통신부; 및
    네트워크에 적용가능한 다수의 TRUNK 테이블들을 획득하고, 네트워크의 현재 트래픽 상태 데이터를 수집하며, 수집된 현재 트래픽 상태 데이터를 DQN(Deep Q Networks)에 입력하여 Q 함수 값들을 1차 추론하고 추론된 Q 함수 값들 중 가장 큰 Q 함수 값의 TRUNK 테이블을 선택하고, 선택된 TRUNK 테이블을 네트워크에 적용하며, 선택된 TRUNK 테이블을 네트워크에 적용한 경우의 트래픽 상태 데이터를 DQN에 입력하여 Q 함수 값들을 2차 추론하고, 1차 추론된 Q 함수 값들'과 '즉각보상 및 2차 추론된 Q 함수 값들' 간의 로스가 줄어드는 방향으로 DQN을 학습시키는 프로세서;를 포함하는 것을 특징으로 하는 네트워크 최적화 시스템.
  11. 네트워크에 적용가능한 다수의 TRUNK 테이블들을 획득하는 단계;
    네트워크의 현재 트래픽 상태 데이터를 수집하는 단계; 및
    수집된 현재 트래픽 상태 데이터를 DQN(Deep Q Networks)에 입력하여 Q 함수 값들을 추론하는 단계;
    추론된 Q 함수 값들 중 가장 큰 Q 함수 값의 TRUNK 테이블을 선택하는 단계;를 포함하는 것을 특징으로 하는 네트워크 최적화 방법.
  12. 네트워크에 통신가능하도록 연결되는 통신부; 및
    네트워크에 적용가능한 다수의 TRUNK 테이블들을 획득하고, 네트워크의 현재 트래픽 상태 데이터를 수집하며, 수집된 현재 트래픽 상태 데이터를 DQN(Deep Q Networks)에 입력하여 Q 함수 값들을 추론하고 추론된 Q 함수 값들 중 가장 큰 Q 함수 값의 TRUNK 테이블을 선택하는 프로세서;를 포함하는 것을 특징으로 하는 네트워크 최적화 시스템.
KR1020220134538A 2022-10-19 2022-10-19 동적 vlan 설정을 활용한 네트워크 최적화 방법 KR102516527B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220134538A KR102516527B1 (ko) 2022-10-19 2022-10-19 동적 vlan 설정을 활용한 네트워크 최적화 방법
PCT/KR2022/021276 WO2024085314A1 (ko) 2022-10-19 2022-12-26 동적 가상 랜 설정을 활용한 네트워크 최적화 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220134538A KR102516527B1 (ko) 2022-10-19 2022-10-19 동적 vlan 설정을 활용한 네트워크 최적화 방법

Publications (1)

Publication Number Publication Date
KR102516527B1 true KR102516527B1 (ko) 2023-03-31

Family

ID=86005641

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220134538A KR102516527B1 (ko) 2022-10-19 2022-10-19 동적 vlan 설정을 활용한 네트워크 최적화 방법

Country Status (2)

Country Link
KR (1) KR102516527B1 (ko)
WO (1) WO2024085314A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005086628A (ja) * 2003-09-10 2005-03-31 Nec Corp 動的ネットワーク自動設定サーバ及びシステム
JP2016111490A (ja) * 2014-12-05 2016-06-20 三菱電機株式会社 伝送装置
KR102079508B1 (ko) * 2019-07-16 2020-04-07 주식회사 파이오링크 사용자의 요구에 기반하여 효율적으로 네트워크를 관리하기 위한 트래픽 관리 방법 및 장치
KR20200081630A (ko) * 2018-12-27 2020-07-08 영남대학교 산학협력단 무선 네트워크에서 기계 학습을 이용하여 자원을 할당하는 방법 및 그 방법을 수행하기 위한 기록 매체
JP2020150518A (ja) * 2019-03-15 2020-09-17 Kddi株式会社 ネットワーク管理システムおよびプログラム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2855461C (en) * 2011-11-10 2022-11-15 Adaptive Spectrum And Signal Alignment, Inc. Method, apparatus, and system for optimizing performance of a communication unit by a remote server

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005086628A (ja) * 2003-09-10 2005-03-31 Nec Corp 動的ネットワーク自動設定サーバ及びシステム
JP2016111490A (ja) * 2014-12-05 2016-06-20 三菱電機株式会社 伝送装置
KR20200081630A (ko) * 2018-12-27 2020-07-08 영남대학교 산학협력단 무선 네트워크에서 기계 학습을 이용하여 자원을 할당하는 방법 및 그 방법을 수행하기 위한 기록 매체
JP2020150518A (ja) * 2019-03-15 2020-09-17 Kddi株式会社 ネットワーク管理システムおよびプログラム
KR102079508B1 (ko) * 2019-07-16 2020-04-07 주식회사 파이오링크 사용자의 요구에 기반하여 효율적으로 네트워크를 관리하기 위한 트래픽 관리 방법 및 장치

Also Published As

Publication number Publication date
WO2024085314A1 (ko) 2024-04-25

Similar Documents

Publication Publication Date Title
CN109802852B (zh) 应用于网络靶场的网络仿真拓扑的构建方法及系统
CN107741976B (zh) 智能应答方法、装置、介质和电子设备
CN110083541B (zh) 游戏测试方法、装置、计算机存储介质和电子设备
US6374207B1 (en) Methods, data structures, and computer program products for representing states of interaction in automatic host access and terminal emulation using scripts
CN108846484A (zh) 故障自愈系统、方法、计算机设备及存储介质
CN111385127B (zh) 一种智能化处理系统及方法
CN107911251A (zh) 一种网络设备配置方法、装置和介质
CN111030883B (zh) 一种电力信息传输时延分析方法、装置、设备和存储介质
CN113012695B (zh) 智能控制方法、装置、电子设备及计算机可读存储介质
KR102516527B1 (ko) 동적 vlan 설정을 활용한 네트워크 최적화 방법
CN114996703A (zh) 一种电力系统网络安全靶场混合仿真方法、系统及设备
CN106910075A (zh) 移动通信客户投诉的智能处理系统和方法
CN112865144A (zh) 三相负荷不平衡调整方法、装置和配变侧监控设备
US20180254946A1 (en) Hfc network fault locating method, apparatus, and system
CN110768870B (zh) 一种智能专线的质量监控方法和装置
CN114900430B (zh) 容器网络优化方法、装置、计算机设备和存储介质
CN106911662B (zh) 一种恶意样本养殖高交互转化低交互的系统及方法
CN108199857A (zh) 家电设备及其控制方法、系统及计算机可读存储介质
AU2019327101B2 (en) Server and method for providing game service on basis of control using application excluding game application
CN113993036A (zh) 基于高清模式的具备hdmi arc功能音响的控制方法、装置
CN113612659A (zh) 设备连网测试方法、装置、电子设备及存储介质
CN111431714A (zh) 一种交换机账号安全管理方法及装置
CN110768744B (zh) 一种电力波分系统运维管理辅助装置
CN109324820B (zh) 一种宿主机的更新方法、装置、设备及介质
CN116501386B (zh) 一种基于数据池的计算程序自动求解方法及相关装置

Legal Events

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