KR102555936B1 - Transmission control apparatus and method through deep learning based-channel loss prediction - Google Patents

Transmission control apparatus and method through deep learning based-channel loss prediction Download PDF

Info

Publication number
KR102555936B1
KR102555936B1 KR1020210081136A KR20210081136A KR102555936B1 KR 102555936 B1 KR102555936 B1 KR 102555936B1 KR 1020210081136 A KR1020210081136 A KR 1020210081136A KR 20210081136 A KR20210081136 A KR 20210081136A KR 102555936 B1 KR102555936 B1 KR 102555936B1
Authority
KR
South Korea
Prior art keywords
channel
loss
value
predicting
cell information
Prior art date
Application number
KR1020210081136A
Other languages
Korean (ko)
Other versions
KR20220095085A (en
Inventor
이경한
조성식
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
Publication of KR20220095085A publication Critical patent/KR20220095085A/en
Application granted granted Critical
Publication of KR102555936B1 publication Critical patent/KR102555936B1/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/0005—Control or signalling for completing the hand-off
    • H04W36/0083—Determination of parameters used for hand-off, e.g. generation or modification of neighbour cell lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/08—Reselecting an access point
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/24—Reselection being triggered by specific parameters
    • H04W36/26—Reselection being triggered by specific parameters by agreed or negotiated communication parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/24—Reselection being triggered by specific parameters
    • H04W36/30—Reselection being triggered by specific parameters by measured or perceived connection quality data

Abstract

본 발명에 따르면, 셀 정보 및 트래픽 정보를 입력 받고, 기 학습된 채널 손실 예측 모델을 통해 미리 설정된 시간 동안의 셀 정보 및 트래픽 정보에 기초하여 채널 손실 패턴을 예측하여, 상기 채널 손실 패턴을 예측한 결과에 기초하여 전진오류수정(FEC: Forward Error Correction) 또는 송신 유예를 결정하는 딥러닝 기반 채널 손실 예측을 통한 전송 제어 장치 및 전송 제어 방법이 개시된다.According to the present invention, receiving cell information and traffic information, predicting a channel loss pattern based on the cell information and traffic information for a preset time through a pre-learned channel loss prediction model, and predicting the channel loss pattern A transmission control apparatus and transmission control method through deep learning-based channel loss prediction for determining forward error correction (FEC) or transmission suspension based on a result are disclosed.

Description

딥러닝 기반 채널 손실 예측을 통한 전송 제어 장치 및 전송 제어 방법{TRANSMISSION CONTROL APPARATUS AND METHOD THROUGH DEEP LEARNING BASED-CHANNEL LOSS PREDICTION}Transmission control device and transmission control method through deep learning-based channel loss prediction

본 발명은 딥러닝 기반 채널 손실 예측을 통한 전송 제어 장치 및 전송 제어 방법에 관한 것이다.The present invention relates to a transmission control apparatus and transmission control method through deep learning-based channel loss prediction.

현재 LTE/5G 채널에서는 사용자 이동에 의한 핸드 오버 시 대규모의 패킷 손실이 발생하며 이와 같은 대규모 패킷 손실 상황은 사용자의 극심한 체감 성능 감소를 야기한다.In the current LTE/5G channel, a large-scale packet loss occurs during handover due to user movement, and such a large-scale packet loss situation causes a severe decrease in perceived performance of the user.

기존 셀룰러망에서 핸드오버 프로세스는 크게 “준비-시행-완료” 3단계를 거쳐 진행된다. UE(User Equipment)는 서비스를 제공하고 있는 셀과의 통신을 지속하면서 측정되는 무선 신호의 세기값과 주변의 셀들의 세기값들을 기반으로 리포트를 작성하여 주기적인 채널상태 보고를 진행한다. 기지국은 수신된 UE의 리포트를 기반으로 신호의 세기값이 임계값 이하로 떨어졌을 때를 판단하고, 이를 근거로 타겟 기지국에게 핸드오버를 요청한다. 이후 데이터 포워딩 및 셀 재할당을 진행하며 UE의 핸드오버가 완료된다.In the existing cellular network, the handover process largely proceeds through three stages of “preparation-execution-complete”. A UE (User Equipment) continuously communicates with a cell providing a service and reports a periodic channel state by creating a report based on measured radio signal strength values and strength values of neighboring cells. The base station determines when the signal strength value drops below the threshold value based on the received report of the UE, and requests a handover to the target base station based on this. Thereafter, data forwarding and cell reallocation are performed, and handover of the UE is completed.

위와 같은 핸드오버 프로세스 하에서 기존 TCP 기반 전송은 불필요한 리소스 소모와 패킷 손실 및 재전송을 경험한다. 또한, 핸드오버 여부가 결정이 되어도 핸드오버 트리거 시간 즉, 셀변경을 하는 동안의 시간이 필요하기 때문에 해당 시간 동안 유저는 서비스를 이용할 수가 없다.Under the above handover process, conventional TCP-based transmission experiences unnecessary resource consumption, packet loss, and retransmission. In addition, even if handover is decided, the handover trigger time, that is, the time during the cell change is required, so the user cannot use the service during the corresponding time.

본 발명의 일 실시예에 따른 해결하고자 하는 과제는, 딥러닝 LSTM 기반 채널 예측을 통해 핸드오버에 의한 대규모 패킷 손실 및 재전송을 최소화하는 것을 포함한다.The problem to be solved according to an embodiment of the present invention includes minimizing large-scale packet loss and retransmission due to handover through deep learning LSTM-based channel prediction.

본 명세서에 명시되지 않은 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론할 수 있는 범위 내에서 추가적으로 고려될 수 있다.Other objects not specified in this specification may be additionally considered within the scope that can be easily inferred from the following detailed description and effects thereof.

상기 과제를 해결하기 위해, 본 발명의 일 측면에 따른 딥러닝 기반 채널 손실 예측을 통한 전송 제어 장치에 의해 수행되는 전송 제어 방법은, 셀 정보 및 트래픽 정보를 입력 받는 단계, 기 학습된 채널 손실 예측 모델을 통해 미리 설정된 시간 동안의 셀 정보 및 트래픽 정보에 기초하여 채널 손실 패턴을 예측하는 단계 및 상기 채널 손실 패턴을 예측한 결과에 기초하여 전진오류수정(FEC: Forward Error Correction) 또는 송신 유예를 결정하는 단계를 포함한다.In order to solve the above problem, a transmission control method performed by a transmission control apparatus through deep learning-based channel loss prediction according to an aspect of the present invention includes receiving cell information and traffic information, predicting pre-learned channel loss Predicting a channel loss pattern based on cell information and traffic information for a preset time through a model, and determining forward error correction (FEC) or transmission suspension based on the result of predicting the channel loss pattern It includes steps to

여기서, 상기 채널 손실 예측 모델은, 학습용 셀 정보 및 학습용 트래픽 정보를 입력 데이터로 하고, 기 설정된 시간 동안 발생할 손실 패킷의 양 및 손실 유형(Burst loss type)을 예측한 결과를 레이블로 하여 학습된 것일 수 있다.Here, the channel loss prediction model takes cell information for learning and traffic information for learning as input data, and learns the result of predicting the amount and burst loss type of loss packets to occur during a preset time as a label. can

여기서, 상기 채널 손실 패턴을 예측한 결과는, 손실 유형 값을 예측한 결과가 1인 경우를 포함하며, 상기 손실 유형 값을 예측한 결과가 1인 경우는, 핸드오버이지만 채널이 블록되지 않고 어느 정도 통신이 가능한 상황으로 예측할 수 있다.Here, the result of predicting the channel loss pattern includes a case where the result of predicting the loss type value is 1, and when the result of predicting the loss type value is 1, the handover occurs but the channel is not blocked. The degree of communication can be predicted in a situation where communication is possible.

여기서, 상기 채널 손실 패턴을 예측한 결과에 기초하여 전진오류수정 또는 송신 유예를 결정하는 단계는, 상기 손실 유형 값을 예측한 결과가 1인 경우, 전진오류수정을 결정하는 단계를 포함할 수 있다.Here, determining forward error correction or transmission suspension based on a result of predicting the channel loss pattern may include determining forward error correction when the result of predicting the loss type value is 1. .

여기서, 상기 전진오류수정을 결정하는 단계는, 상기 채널 손실 예측 모델이 예측한 패킷 손실 개수에 기초하여 인코딩 블록의 패킷의 수를 결정하는 단계를 포함할 수 있다.Here, the determining of the forward error correction may include determining the number of packets of an encoding block based on the number of packet losses predicted by the channel loss prediction model.

또한, 상기 채널 손실 패턴을 예측한 결과는, 손실 유형 값을 예측한 결과가 2인 경우를 포함하며, 상기 손실 유형 값을 예측한 결과가 2인 경우는, 일정 시간 동안 채널이 블록되어 완전히 통신이 불가능한 상황으로 예측할 수 있다.In addition, the result of predicting the channel loss pattern includes a case where the result of predicting the loss type value is 2, and when the result of predicting the loss type value is 2, the channel is blocked for a certain period of time and completely communicates. This impossible situation is predictable.

여기서, 상기 채널 손실 패턴을 예측한 결과에 기초하여 전진오류수정 또는 송신 유예를 결정하는 단계는, 상기 손실 유형 값을 예측한 결과가 2인 경우, 송신 유예를 결정하는 단계를 포함할 수 있다.Here, determining forward error correction or transmission suspension based on a result of predicting the channel loss pattern may include determining transmission suspension when the result of predicting the loss type value is 2.

여기서, 상기 송신 유예를 결정하는 단계는, 기 설정된 주기로 샘플링 된 셀 정보에 기초하여 채널 블록 시작 시점과 채널 블록 종료 시점을 추정하는 단계를 포함할 수 있다.Here, the determining of transmission suspension may include estimating a channel block start time and a channel block end time based on cell information sampled at a preset period.

본 발명의 또 다른 측면에 따른 딥러닝 기반 채널 손실 예측을 통한 전송 제어 장치는, 미리 학습된 채널 손실 예측 모델이 저장된 메모리 및 상기 채널 손실 예측 모델을 통해 미리 설정된 시간 동안의 셀 정보 및 트래픽 정보에 기초하여 채널 손실 패턴을 예측하고, 상기 채널 손실 패턴을 예측한 결과에 기초하여 전진오류수정(FEC: Forward Error Correction) 또는 송신 유예를 결정하는 프로세서를 포함한다.Transmission control apparatus through deep learning-based channel loss prediction according to another aspect of the present invention, cell information and traffic information for a preset time through a memory in which a pre-learned channel loss prediction model is stored and the channel loss prediction model and a processor that predicts a channel loss pattern based on the data and determines forward error correction (FEC) or transmission suspension based on a result of predicting the channel loss pattern.

여기서, 상기 채널 손실 예측 모델은, 학습용 셀 정보 및 학습용 트래픽 정보를 입력 데이터로 하고, 기 설정된 시간 동안 발생할 손실 패킷의 양 및 손실 유형(Burst loss type)을 예측한 결과를 레이블로 하여 학습된 것일 수 있다.Here, the channel loss prediction model takes cell information for learning and traffic information for learning as input data, and learns the result of predicting the amount and burst loss type of loss packets to occur during a preset time as a label. can

또한, 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능한 기록매체로서, 상기 컴퓨터 프로그램은, 전송 제어 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하는 컴퓨터 판독 가능한 기록매체를 제공할 수 있다.In addition, as a computer readable recording medium storing a computer program, the computer program may provide a computer readable recording medium including instructions for causing a processor to perform a transmission control method.

또한, 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은, 전송 제어 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하는 컴퓨터 프로그램을 제공할 수 있다.In addition, as a computer program stored in a computer readable recording medium, the computer program may provide a computer program including instructions for causing a processor to perform a transmission control method.

이상에서 설명한 바와 같이 본 발명의 실시예들에 의하면, 적응적 전진오류수정 기법을 통해 재전송 없이 핸드오버에 의한 패킷 손실에 대응하여 추가적인 재전송 지연을 방지할 수 있다.As described above, according to the embodiments of the present invention, additional retransmission delay can be prevented in response to packet loss due to handover without retransmission through the adaptive forward error correction technique.

또한, 예측 기반 전송유예 방법을 통해 핸드오버가 초래하는 수 초의 지연 및 단말 간 무선 간섭을 완화 할 수 있다.In addition, delay of several seconds caused by handover and radio interference between terminals can be mitigated through the prediction-based transmission deferment method.

여기에서 명시적으로 언급되지 않은 효과라 하더라도, 본 발명의 기술적 특징에 의해 기대되는 이하의 명세서에서 기재된 효과 및 그 잠정적인 효과는 본 발명의 명세서에 기재된 것과 같이 취급된다.Even if the effects are not explicitly mentioned here, the effects described in the following specification expected by the technical features of the present invention and their provisional effects are treated as described in the specification of the present invention.

도 1은 본 발명의 일 실시예에 따른 딥러닝 기반 채널 손실 예측을 통한 전송 제어 장치를 나타낸 블록도이다.
도 2는 본 발명의 일 실시예에 따른 딥러닝 기반 채널 손실 예측을 통한 전송 제어 방법을 나타낸 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 채널 손실 예측 모델을 설명하기 위한 도면이다.
도 4 및 도 5는 본 발명의 일 실시예에 따른 딥러닝 기반 채널 손실 예측을 통한 전송 제어 방법을 설명하기 위한 도면이다.1 is a block diagram showing a transmission control apparatus through deep learning-based channel loss prediction according to an embodiment of the present invention.
2 is a flowchart illustrating a transmission control method through deep learning-based channel loss prediction according to an embodiment of the present invention.
3 is a diagram for explaining a channel loss prediction model according to an embodiment of the present invention.
4 and 5 are diagrams for explaining a transmission control method through deep learning-based channel loss prediction according to an embodiment of the present invention.

이하, 본 발명에 관련된 딥러닝 기반 채널 손실 예측을 통한 전송 제어 장치 및 전송 제어 방법에 대하여 도면을 참조하여 보다 상세하게 설명한다. 그러나, 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 설명하는 실시예에 한정되는 것이 아니다. 그리고, 본 발명을 명확하게 설명하기 위하여 설명과 관계없는 부분은 생략되며, 도면의 동일한 참조부호는 동일한 부재임을 나타낸다.Hereinafter, a transmission control apparatus and transmission control method through deep learning-based channel loss prediction related to the present invention will be described in more detail with reference to the drawings. However, the present invention may be embodied in many different forms and is not limited to the described embodiments. And, in order to clearly describe the present invention, parts irrelevant to the description are omitted, and the same reference numerals in the drawings indicate the same members.

이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.The suffixes "module" and "unit" for components used in the following description are given or used together in consideration of ease of writing the specification, and do not have meanings or roles that are distinct from each other by themselves.

본 발명의 일 실시예는 딥러닝 기반 채널 손실 예측을 통한 전송 제어 장치 및 전송 제어 방법에 관한 것이다.An embodiment of the present invention relates to a transmission control apparatus and transmission control method through deep learning-based channel loss prediction.

도 1은 본 발명의 일 실시예에 따른 딥러닝 기반 채널 손실 예측을 통한 전송 제어 장치를 나타낸 블록도이다.1 is a block diagram showing a transmission control apparatus through deep learning-based channel loss prediction according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 일 실시예에 따른 딥러닝 기반 채널 손실 예측을 통한 전송 제어 장치(10)는 프로세서(11) 및 메모리(12)를 포함한다.Referring to FIG. 1 , an apparatus 10 for controlling transmission through deep learning-based channel loss prediction according to an embodiment of the present invention includes a processor 11 and a memory 12.

본 발명의 일 실시예에 따른 딥러닝 기반 채널 손실 예측을 통한 전송 제어 장치(10)는 무선이동통신 채널 핸드오버 시 발생하는 응답시간 지연을 완화하기 위한 예측 기반 전송 제어 장치로서, 딥러닝 LSTM 기반 채널 예측을 통해 핸드오버에 의한 대규모 패킷 손실 및 재전송을 최소화 하기 위한 전송 제어 장치이다.Transmission control apparatus 10 through deep learning-based channel loss prediction according to an embodiment of the present invention is a prediction-based transmission control apparatus for mitigating response time delay occurring during handover of a wireless mobile communication channel, and is based on deep learning LSTM It is a transmission control device to minimize large-scale packet loss and retransmission due to handover through channel prediction.

기존 피드백 기반 핸드 오버 시에 발생하는 오버헤드를 줄이기 위해 본 발명의 일 실시예에서는 LSTM 예측 기반 전송 제어 방법을 이용한다. 본 발명의 일 실시예에 따르면, 전송 제어 장치(10)는 지속적으로 네트워크/셀 정보를 수집하고 이를 기반으로 LSTM 기반 딥러닝을 통해 미래 채널 상황을 예측한다. 이후, 예측한 미래 채널 상태를 통해 미리 핸드오버 상황에 효과적으로 대응할 수 있다.In order to reduce the overhead generated during conventional feedback-based handover, an LSTM prediction-based transmission control method is used in an embodiment of the present invention. According to an embodiment of the present invention, the transmission control device 10 continuously collects network/cell information and predicts future channel conditions through LSTM-based deep learning based on this. Thereafter, it is possible to effectively respond to a handover situation in advance through the predicted future channel state.

핸드오버는 셀룰러망에서 유저의 이동성을 지원하면서도 끊김없는 서비스를 제공하기 위한 핵심적인 기술이다. LTE/5G 채널에서는 사용자 이동에 의한 핸드 오버 시 새로운 채널을 지원하기 전까지 대규모의 패킷 손실이 발생하며 이와 같은 대규모 패킷 손실 상황은 사용자의 극심한 체감 성능 감소를 야기한다.Handover is a key technology for providing uninterrupted service while supporting user mobility in a cellular network. In LTE/5G channels, large-scale packet loss occurs until a new channel is supported during handover due to user movement, and such a large-scale packet loss situation causes a severe decrease in perceived performance by users.

본 발명의 일 실시예에 따른 딥러닝 기반 채널 손실 예측을 통한 전송 제어 장치(10)는 기존 임계치 기반 핸드오버 기법으로 인한 패킷 손실 및 재전송 지연을 완화하기 위해, 미래 채널 상태를 미리 예측하고 이에 걸맞는 전송 제어를 통해 핸드오버의 부하를 최소화하는 방법을 이용한다.In order to mitigate packet loss and retransmission delay caused by the existing threshold-based handover technique, the transmission control apparatus 10 through deep learning-based channel loss prediction according to an embodiment of the present invention predicts future channel conditions in advance and determines the A method of minimizing the load of handover through appropriate transmission control is used.

구체적으로, 딥러닝 기반의 채널 손실 예측 모델을 이용하여 추후 손실 패턴을 예측하고, 이를 바탕으로 적응적인 전진오류수정(FEC: Forward Error Correction) 또는 송신 유예를 결정하여 핸드오버로 인한 재전송 부하와 응답시간 지연을 완화할 수 있다.Specifically, a deep learning-based channel loss prediction model is used to predict future loss patterns, and based on this, adaptive Forward Error Correction (FEC) or transmission suspension is determined to determine the retransmission load and response due to handover. Time delay can be mitigated.

메모리(12)는 프로세서(11)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있고, 미리 학습된 채널 손실 예측 모델이 저장되며, 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어, SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 컴퓨터 판독 가능한 저장매체를 포함할 수 있다.The memory 12 may store programs (one or more instructions) for processing and control of the processor 11, a pre-learned channel loss prediction model is stored, a flash memory type, a hard disk Hard disk type, multimedia card micro type, card type memory (eg SD or XD memory, etc.), RAM (Random Access Memory, RAM), SRAM (Static Random Access Memory) , ROM (Read-Only Memory, ROM), EEPROM (Electrically Erasable Programmable Read-Only Memory), PROM (Programmable Read-Only Memory), magnetic memory, magnetic disk, at least one type of computer-readable storage medium can include

메모리(12)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있으며, 후술할 미리 학습된 채널 손실 예측 모델이 소프트웨어 모듈로 구성될 수 있다.Programs stored in the memory 12 may be divided into a plurality of modules according to their functions, and a pre-learned channel loss prediction model to be described later may be composed of software modules.

프로세서(11)는 메모리(12)에 저장된 하나 이상의 인스트럭션을 실행하며, 구체적으로, 채널 손실 예측 모델을 통해 미리 설정된 시간 동안의 셀 정보 및 트래픽 정보에 기초하여 채널 손실 패턴을 예측하고, 상기 채널 손실 패턴을 예측한 결과에 기초하여 전진오류수정(FEC: Forward Error Correction) 또는 송신 유예를 결정한다.The processor 11 executes one or more instructions stored in the memory 12, and specifically, predicts a channel loss pattern based on cell information and traffic information for a preset time through a channel loss prediction model, and the channel loss Based on the result of predicting the pattern, Forward Error Correction (FEC) or transmission suspension is determined.

여기서, 프로세서(11)는 기능에 따라 복수 개의 모듈들로 구분될 수도 있고, 하나의 프로세서에서 기능들을 수행할 수도 있다. 프로세서는 중앙처리장치(central processing unit(CPU)), 어플리케이션 프로세서(application processor(AP)), 마이크로 컨트롤러 유닛(micro controller unit(MCU)) 또는 커뮤니케이션 프로세서(communication processor(CP)) 중 하나 또는 그 이상을 포함할 수 있다.Here, the processor 11 may be divided into a plurality of modules according to functions, or functions may be performed by one processor. A processor is one or more of a central processing unit (CPU), an application processor (AP), a micro controller unit (MCU), or a communication processor (CP). can include

본 발명의 일 실시예에 따른 전송 제어 장치(10)의 채널 손실 예측 모델은, 학습용 셀 정보 및 학습용 트래픽 정보를 입력 데이터로 하고, 기 설정된 시간 동안 발생할 손실 패킷의 양 및 손실 유형(Burst loss type)을 예측한 결과를 레이블로 하여 학습된 것이다.The channel loss prediction model of the transmission control device 10 according to an embodiment of the present invention uses cell information for learning and traffic information for learning as input data, and the amount and type of loss packets to be generated during a preset time (Burst loss type) ) was learned using the predicted result as a label.

채널 손실 예측 모델은 하기 도 3에서 상세히 설명한다.The channel loss prediction model is described in detail in FIG. 3 below.

도 2는 본 발명의 일 실시예에 따른 딥러닝 기반 채널 손실 예측을 통한 전송 제어 방법을 나타낸 흐름도이다.2 is a flowchart illustrating a transmission control method through deep learning-based channel loss prediction according to an embodiment of the present invention.

도 2를 참조하면, 본 발명의 일 실시예에 따른 딥러닝 기반 채널 손실 예측을 통한 전송 제어 방법은, 전송 제어 장치에 의해 수행되며, 단계 S100에서 셀 정보 및 트래픽 정보를 입력 받는다.Referring to FIG. 2 , the transmission control method through deep learning-based channel loss prediction according to an embodiment of the present invention is performed by a transmission control apparatus, and receives cell information and traffic information in step S100.

이후, 단계 S200에서 기 학습된 채널 손실 예측 모델을 통해 미리 설정된 시간 동안의 셀 정보 및 트래픽 정보에 기초하여 채널 손실 패턴을 예측한다.Thereafter, a channel loss pattern is predicted based on cell information and traffic information for a preset time through a pre-learned channel loss prediction model in step S200.

여기서, 상기 채널 손실 예측 모델은, 학습용 셀 정보 및 학습용 트래픽 정보를 입력 데이터로 하고, 기 설정된 시간 동안 발생할 손실 패킷의 양 및 손실 유형(Burst loss type)을 예측한 결과를 레이블로 하여 학습된 것이다.Here, the channel loss prediction model takes cell information for learning and traffic information for learning as input data, and predicts the amount of loss packets to occur during a preset time and the burst loss type. It is learned using as a label .

구체적으로, 채널 손실 패턴을 예측한 결과는, 손실 유형 값을 예측한 결과가 1인 경우를 포함하며, 상기 손실 유형 값을 예측한 결과가 1인 경우는, 핸드오버이지만 채널이 블록되지 않고 어느 정도 통신이 가능한 상황으로 예측한다.Specifically, the result of predicting the channel loss pattern includes a case in which the result of predicting the loss type value is 1, and when the result of predicting the loss type value is 1, the handover occurs but the channel is not blocked Predict the situation in which communication is possible.

또한, 채널 손실 패턴을 예측한 결과는, 손실 유형 값을 예측한 결과가 2인 경우를 포함하며, 상기 손실 유형 값을 예측한 결과가 2인 경우는, 일정 시간 동안 채널이 블록되어 완전히 통신이 불가능한 상황으로 예측한다.In addition, the result of predicting the channel loss pattern includes a case where the result of predicting the loss type value is 2, and when the result of predicting the loss type value is 2, the channel is blocked for a certain period of time so that communication is completely impossible. Predict the impossible situation.

이후, 단계 S300에서 상기 채널 손실 패턴을 예측한 결과에 기초하여 전진오류수정(FEC: Forward Error Correction) 또는 송신 유예를 결정한다.Then, based on the result of predicting the channel loss pattern in step S300, Forward Error Correction (FEC) or transmission suspension is determined.

만일, 단계 S200에서 상기 손실 유형 값을 예측한 결과가 1인 경우, 전진오류수정을 결정하며, 상기 채널 손실 예측 모델이 예측한 패킷 손실 개수에 기초하여 인코딩 블록의 패킷의 수를 결정한다.If the result of predicting the loss type value in step S200 is 1, forward error correction is determined, and the number of packets of the encoding block is determined based on the number of packet losses predicted by the channel loss prediction model.

단계 S200에서 상기 손실 유형 값을 예측한 결과가 2인 경우, 송신 유예를 결정하며, 기 설정된 주기로 샘플링 된 셀 정보에 기초하여 채널 블록 시작 시점과 채널 블록 종료 시점을 추정한다.If the result of predicting the loss type value in step S200 is 2, transmission suspension is determined, and channel block start time and channel block end time are estimated based on cell information sampled at a preset cycle.

LTE/5G 채널에서 핸드 오버 시 대규모의 패킷 손실이 발생하며 이 대규모 패킷 손실 상황은 채널이 블록되지 않고 어느 정도 통신이 가능한 상황(1)과 일정 시간 동안 채널이 블록되어 완전히 통신이 불가능한 상황(2) 두 가지로 나뉘게 된다.Large-scale packet loss occurs during handover in LTE/5G channels, and this large-scale packet loss situation is a situation in which communication is possible to some extent without blocking the channel (1) and a situation in which communication is completely impossible due to the channel being blocked for a certain period of time (2) ) is divided into two parts.

핸드오버 시 채널이 블록 되지 않고 어느 정도 통신이 가능한 상황일 경우, 사용자 단말은 채널 손실이 발생하는 상태에서도 응용 레벨의 전진오류수정(Forward Error Correction) 기법을 이용하여 재전송 없이 한 번에 패킷을 주고 받을 수 있다.During handover, if the channel is not blocked and communication is possible to some extent, the user terminal transmits packets at once without retransmission using the application-level Forward Error Correction technique even in the case of channel loss. can receive

만일, 핸드오버 시 채널이 블록 되어 완전히 통신이 불가능한 상황일 경우, 송신단이 트래픽을 보내는 것은 RTO에 의한 비효율적인 재전송 대기시간 증가와 동일 셀 내 단말 간 무선 간섭을 야기하기 때문에 트래픽을 보내지 않고 유예시키는 것이 더 효율적이다.If the channel is blocked during handover and communication is completely impossible, sending traffic by the transmitting end causes an increase in inefficient retransmission waiting time by RTO and radio interference between terminals in the same cell. it is more efficient

하지만 이와 같은 송신 유예 방식을 사용할 경우, 채널이 블록이 시작되는 시점과 종료되는 시점을 정확히 예측하는 것이 중요하다. 채널 블록 시작 시점을 실제 시점에 비해 지나치게 미리 예측할 경우 가용 전송율을 낭비하는 것이며, 반대로 실제 시점에 비해 늦게 예측할 경우 재전송을 경험하게 된다.However, when using such a transmission deferment scheme, it is important to accurately predict when a channel starts and ends when a block is started. If the channel block start time is predicted too far in advance compared to the actual time point, the available transmission rate is wasted.

채널 종료 시점 예측도 시작시점 예측과 비슷한 문제를 가지게 된다. 핸드오버에 의해 채널 블록이 시작되는 시점과 종료 시점을 예측하여 블록 지속시간을 미리 정확하게 예측할 수 있다면, 사용자 단말은 재전송 없이 RTO가 유발하는 1~3초의 불필요한 지연 및 단말 간 무선 간섭을 완화할 수 있다.Prediction of the channel end time has a problem similar to that of the start time prediction. If the block duration can be accurately predicted in advance by predicting the start and end times of channel blocks due to handover, the user terminal can mitigate unnecessary delay of 1 to 3 seconds and radio interference between terminals caused by RTO without retransmission. there is.

이를 위해, 상기 단계 S200 내지 S300을 살펴보면, 본 발명의 일 실시예에 따른 딥러닝 기반 채널 손실 예측을 통한 전송 제어 방법에서 전송 제어 장치는, 기 학습된 채널 손실 예측 모델을 통해 미리 설정된 시간 동안의 셀 정보 및 트래픽 정보에 기초하여 채널 손실 패턴을 예측하여 채널이 블록되지 않고 어느 정도 통신이 가능한 상황(1)과 일정 시간 동안 채널이 블록되어 완전히 통신이 불가능한 상황(2)을 예측하게 되며, 예측한 결과에 기초하여 전진오류수정(FEC: Forward Error Correction) 또는 송신 유예를 결정한다.To this end, looking at steps S200 to S300, in the transmission control method through deep learning-based channel loss prediction according to an embodiment of the present invention, the transmission control device for a preset time through a pre-learned channel loss prediction model Based on the cell information and traffic information, the channel loss pattern is predicted to predict the situation in which communication is possible to some extent without the channel being blocked (1) and the situation in which communication is completely impossible due to the channel being blocked for a certain period of time (2). Based on the result, Forward Error Correction (FEC) or transmission suspension is determined.

만일, 핸드오버 시 채널이 블록 되어 완전히 통신이 불가능한 상황일 경우, 전진오류수정을 결정하며, 상기 채널 손실 예측 모델이 예측한 패킷 손실 개수에 기초하여 인코딩 블록의 패킷의 수를 결정하고, 핸드오버 시 채널이 블록 되어 완전히 통신이 불가능한 상황일 경우, 송신 유예를 결정하며, 기 설정된 주기로 샘플링 된 셀 정보에 기초하여 채널 블록 시작 시점과 채널 블록 종료 시점을 추정하게 된다.If, during handover, the channel is blocked and communication is completely impossible, forward error correction is determined, the number of packets in the encoding block is determined based on the number of packet losses predicted by the channel loss prediction model, and handover is performed. When the channel is blocked at this time and communication is completely impossible, transmission suspension is determined, and channel block start time and channel block end time are estimated based on cell information sampled at a preset cycle.

여기서, 채널 손실 패턴을 예측하기 위해 본 발명의 일 실시예에서는 기 학습된 채널 손실 예측 모델을 통해 미리 설정된 시간 동안의 셀 정보 및 트래픽 정보에 기초하여 채널 손실 패턴을 예측하게 되며 하기 도 3에서는 채널 손실 예측 모델을 설명한다.Here, in order to predict the channel loss pattern, in an embodiment of the present invention, the channel loss pattern is predicted based on cell information and traffic information for a preset time through a pre-learned channel loss prediction model. Describe the loss prediction model.

도 3은 본 발명의 일 실시예에 따른 채널 손실 예측 모델을 설명하기 위한 도면이다.3 is a diagram for explaining a channel loss prediction model according to an embodiment of the present invention.

본 발명의 일 실시예에 따른 전송 제어 장치(10)의 채널 손실 예측 모델(20)은, 학습용 셀 정보 및 학습용 트래픽 정보를 입력 데이터로 하고, 기 설정된 시간 동안 발생할 손실 패킷의 양 및 손실 유형(Burst loss type)을 예측한 결과를 레이블로 하여 학습된 것이다.The channel loss prediction model 20 of the transmission control apparatus 10 according to an embodiment of the present invention uses cell information for learning and traffic information for learning as input data, and the amount and loss type of loss packets to be generated during a preset time ( Burst loss type) was learned using the predicted result as a label.

구체적으로, 본 발명의 일 실시예에 따른 채널 손실 예측 모델(20)은 모바일 채널의 전송율(Throughput), RTT(Round Trip Time), CWND, Loss와 같은 트래픽 정보와 RSRP, PCI 와 같은 셀 정보를 입력 데이터로 사용하는 LSTM 기반 딥러닝을 통해 이후 50ms 동안 발생할 손실 패킷의 양, 그리고 대규모 손실 유형(Burst loss type)을 미리 예측하도록 학습된다.Specifically, the channel loss prediction model 20 according to an embodiment of the present invention uses traffic information such as throughput, round trip time (RTT), CWND, and loss of a mobile channel and cell information such as RSRP and PCI. Through LSTM-based deep learning used as input data, it learns to predict in advance the amount of lost packets that will occur during the next 50 ms and the burst loss type.

예측 분야에서는 RNN, LSTM 모델을 주로 사용하며, LSTM은 RNN의 종류 중 하나이다. LSTM(Long Short-Term Memory Network)은 long-term dependencies 문제를 해결하기 위해 만들어진 모델이다.In the field of prediction, RNN and LSTM models are mainly used, and LSTM is one of the types of RNN. LSTM (Long Short-Term Memory Network) is a model created to solve the problem of long-term dependencies.

본 발명의 일 실시예에 따른 LSTM의 반복 모듈은 4개의 상호작용하는 레이어(layer)를 포함할 수 있다.An iterative module of LSTM according to an embodiment of the present invention may include four interacting layers.

여기서, 각 선은 한 노드의 output을 다른 노드의 input으로 넣어주는 vector transfer, 여러개의 output을 합치는 concatenate, 하나의 output을 복사하여 input으로 넣어주는 copy 기능을 담당한다.Here, each line is responsible for vector transfer that puts the output of one node into the input of another node, concatenate that combines multiple outputs, and copy function that copies one output and puts it as input.

또한, 기본적인 LSTM모델 외에 GRU 모델을 이용하여 구현할 수도 있다.In addition, it can be implemented using the GRU model in addition to the basic LSTM model.

여기서, 채널 손실 패턴은 손실 패킷의 양, 손실 유형(Burst loss type), 손실 시간(Loss timing)을 포함할 수 있다.Here, the channel loss pattern may include an amount of lost packets, a burst loss type, and a loss timing.

또한, 보다 다양한 셀 정보 및 트래픽 정보를 이용하여 채널 손실 패턴을 확인할 수 있는 데이터들을 예측할 수도 있다.In addition, data for which a channel loss pattern can be confirmed may be predicted using more diverse cell information and traffic information.

도 3에서, Burst loss type의 값 1은 핸드오버이지만 채널이 블록되지 않고 어느 정도 통신이 가능한 상황을 뜻하고, 2는 일정 시간 동안 채널이 블록되어 완전히 통신이 불가능한 상황을 의미한다.In FIG. 3, the value 1 of the burst loss type means a situation in which communication is possible to some extent without the channel being blocked despite handover, and 2 means a situation in which communication is completely impossible because the channel is blocked for a certain period of time.

즉 유저의 이동성이 크지 않아 Burst loss type 값이 1 로 예측되는 경우, 응용레벨의 적응적 전진오류수정 기법을 통해 패킷 손실을 복구할 수 있기 때문에, LSTM 기반의 모델이 예측한 Loss scale(패킷 손실 개수) 을 기반으로 최적의 FEC 파라미터 N 을 결정하여 최소화 된 복구 패킷 만으로 최대의 복구율을 달성한다. 따라서 핸드오버 시에도 최소의 FEC 부하만으로 재전송 없이 패킷 손실에 대응할 수 있다.That is, when the user's mobility is not high and the burst loss type value is predicted to be 1, the packet loss can be recovered through the application-level adaptive forward error correction technique. The maximum recovery rate is achieved with only the minimized recovery packet by determining the optimal FEC parameter N based on the number of recovery packets. Therefore, even during handover, it is possible to cope with packet loss without retransmission with a minimum FEC load.

유저의 이동성이 크거나 심화된 핸드오버 상황으로 인해 Burst loss type 값이 2 로 예측되는 경우 송신 유예 방식을 사용한다. 이 경우,‘Power Budget Handover Algorithm’에 착안하여 채널 블락 시작 시점을 추정하고, PCI 셀 ID 변화시점을 통해 채널 블락 종료 시점을 추정하여 전송 유예 시간을 결정할 수 있다.If the user's mobility is high or the burst loss type value is predicted to be 2 due to an intensified handover situation, the deferred transmission method is used. In this case, the transmission grace time can be determined by estimating the start time of the channel block based on the 'Power Budget Handover Algorithm' and estimating the end time of the channel block through the PCI cell ID change time.

도 4 및 도 5는 본 발명의 일 실시예에 따른 딥러닝 기반 채널 손실 예측을 통한 전송 제어 방법을 설명하기 위한 도면이다.4 and 5 are diagrams for explaining a transmission control method through deep learning-based channel loss prediction according to an embodiment of the present invention.

도 4를 참조하면, Burst loss type 값이 1 로 예측되는 경우, 응용레벨의 적응적 전진오류수정 기법을 통해 패킷 손실을 복구할 수 있기 때문에, LSTM 기반의 모델이 예측한 Loss scale(패킷 손실 개수)을 기반으로 최적의 FEC 파라미터 N 을 결정하여 최소화 된 복구 패킷 만으로 최대의 복구율을 달성한다.Referring to FIG. 4, when the burst loss type value is predicted to be 1, since packet loss can be recovered through the application-level adaptive forward error correction technique, the loss scale predicted by the LSTM-based model (the number of packet loss ), the optimal FEC parameter N is determined based on the minimum recovery packet to achieve the maximum recovery rate.

전진오류수정 기법은 데이터 패킷에 복구 패킷을 첨부하여 재전송 없이 수신 단말이 손실 패킷을 복구할 수 있는 채널 코딩 기법이다.The forward error correction technique is a channel coding technique in which a receiving terminal can recover a lost packet without retransmission by attaching a recovery packet to a data packet.

여기서, N 은 응용 레벨 FEC 의 경우 인코딩 블락을 이루는 패킷의 수를 의미한다.Here, N means the number of packets constituting an encoding block in case of application level FEC.

도 5를 참조하면, Burst loss type 값이 2 로 예측되는 경우, 송신 유예 방식을 사용한다. 송신 유예 방식의 경우 채널 블록 시작 시점과 종료시점을 정확히 추정하는 것이 중요하기 때문에 1ms 주기로 샘플링한 셀 정보를 기반으로 추정치의 오차를 최소화한다.Referring to FIG. 5 , when a burst loss type value is predicted to be 2, a transmission deferred method is used. In the case of the transmission deferment method, since it is important to accurately estimate the start time and end time of a channel block, an error in an estimate is minimized based on cell information sampled at a 1 ms cycle.

본 발명의 일 실시예에서 채널 블락 시작 직전 시점은 Power Budget Handover Algorithm에 착안하여 추정할 수 있다. 해당 알고리즘은 서빙셀과 타겟셀의 RSRP 차이가 일정 수준(Handover margin) 이상 날 경우 핸드오버를 실시하는데 일반적인 경우 핸드오버 마진의 값은 3 데시벨이다. 따라서 Burst loss type 값이 2 로 예측된 뒤 500 ms 이내에 타겟셀의 RSRP 값이 서빙셀의 RSRP 값 보다 2.5데시벨 이상 높으면 채널 블락 시작 직전 시점으로 추정하게 된다.In one embodiment of the present invention, the time immediately before the start of the channel block can be estimated by paying attention to the Power Budget Handover Algorithm. The algorithm performs handover when the RSRP difference between the serving cell and the target cell exceeds a certain level (handover margin). In general, the value of the handover margin is 3 decibels. Therefore, if the RSRP value of the target cell is higher than the RSRP value of the serving cell by 2.5 dB or more within 500 ms after the burst loss type value is predicted to be 2, it is estimated as the time right before the start of the channel block.

[블락 시작 시점: T((burst_loss_type == 2)&&(RSRPT > RSRPS + 2.5))].[Block start time: T((burst_loss_type == 2)&&(RSRPT > RSRPS + 2.5))].

채널 블락이 종료되는 시점은 핸드오버가 완료된 시간과 유사할 것이므로 PCI 셀 ID 정보를 1ms 주기로 샘플링 하다가 PCI 가 변한 시점을 채널 블락 종료시점으로 추정한다.Since the end point of the channel block will be similar to the handover completion time, the PCI cell ID information is sampled at 1 ms intervals, and the point in time when PCI is changed is estimated as the end point of the channel block.

[블락 종료 시점: T(curr_PCIS == prev_PCIT))].[Block end point: T(curr_PCIS == prev_PCIT))].

위 추정 시점들을 바탕으로 전송 유예 시점과 지속시간을 결정하게 된다.Based on the above estimated points of time, the transmission suspension point and duration are determined.

[전송유예시간: T(curr_PCIS == prev_PCIT) - T((burst_loss_type == 2)&&(RSRPT > RSRPS + 2.5))].[Transmission grace time: T(curr_PCIS == prev_PCIT) - T((burst_loss_type == 2)&&(RSRPT > RSRPS + 2.5))].

TCP는 위의 핸드오버와 같은 채널 취약 상황일 경우, 채널 상태가 좋을 때와 마찬가지로 CWND(혼잡 윈도우) 값만큼 전송하는데 이 때 대규모의 패킷 손실로 인해 많은 양의 패킷 재전송 요청이 발생한다.TCP transmits as much as the CWND (Congestion Window) value in case of channel weakness, such as handover, as in the case of good channel conditions.

하드 핸드 오버에 의해 채널이 막힐 경우, 3 duplicated ACK 이나 NACK 을 통한 재전송 신호를 주고 받을 수 없기 때문에 오직 RTO(Retransmission TimeOut) 에 의해서 재전송을 해야한다. 기존 TCP 에서는 디폴트 3초 의 RTO 시간을 가지며, 시변하는 RTT 값을 모니터링 하고 보정했을 경우에도 최소 1s 의 RTO 값을 가지므로 유저는 하드 핸드오버에 의해 채널이 막히면 작은 양의 트래픽을 보낸다 할지라도 최소 1초 이상의 응답 지연시간을 경험한다.When the channel is blocked due to hard handover, since retransmission signals cannot be exchanged through 3 duplicated ACK or NACK, retransmission must be performed only by RTO (Retransmission TimeOut). In existing TCP, it has a default RTO time of 3 seconds, and even if the time-varying RTT value is monitored and corrected, it has an RTO value of at least 1s. Experience a response delay of more than 1 second.

본 발명의 일 실시예에 따르면 적응적 전진오류수정 기법을 통해 재전송 없이 핸드오버에 의한 패킷 손실에 대응하여 추가적인 재전송 지연을 방지할 수 있다. 또한 예측 기반 전송유예 방법을 통해 핸드오버가 초래하는 수 초의 지연 및 단말 간 무선 간섭을 완화 할 수 있다.According to an embodiment of the present invention, additional retransmission delay can be prevented in response to packet loss due to handover without retransmission through the adaptive forward error correction technique. In addition, delay of several seconds caused by handover and radio interference between terminals can be mitigated through the prediction-based transmission deferral method.

또한, 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능한 기록매체로서, 상기 컴퓨터 프로그램은, 본 발명의 일 실시예에 따른 딥러닝 기반 채널 손실 예측을 통한 전송 제어 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하는 컴퓨터 판독 가능한 기록매체를 제공할 수 있다.In addition, a computer-readable recording medium storing a computer program, the computer program comprising instructions for causing a processor to perform a transmission control method through deep learning-based channel loss prediction according to an embodiment of the present invention A computer readable recording medium may be provided.

또한, 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은, 본 발명의 일 실시예에 따른 딥러닝 기반 채널 손실 예측을 통한 전송 제어 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하는 컴퓨터 프로그램을 제공할 수 있다.In addition, as a computer program stored on a computer-readable recording medium, the computer program includes instructions for causing a processor to perform a transmission control method through deep learning-based channel loss prediction according to an embodiment of the present invention A computer program may be provided.

이러한 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(Floptical disk)와 같은 자기-광매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.Such computer readable media may include program instructions, data files, data structures, etc. alone or in combination. Program instructions recorded on the recording medium may be specially designed and configured for the present invention or may be known and usable to those skilled in computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. - includes hardware devices specially configured to store and execute program instructions, such as magneto-optical media, and ROM, RAM, flash memory, etc. Examples of program instructions include high-level language codes that can be executed by a computer using an interpreter, as well as machine language codes such as those produced by a compiler. The hardware devices described above may be configured to act as one or more software modules to perform the operations of the present invention, and vice versa.

이상의 설명은 본 발명의 일 실시예에 불과할 뿐, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명의 본질적 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현할 수 있을 것이다. 따라서 본 발명의 범위는 전술한 실시예에 한정되지 않고 특허 청구 범위에 기재된 내용과 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.The above description is just one embodiment of the present invention, and those skilled in the art can implement it in a modified form without departing from the essential characteristics of the present invention. Therefore, the scope of the present invention should be construed to include various embodiments within the scope equivalent to those described in the claims without being limited to the above-described embodiments.

Claims (12)

전송 제어 장치에 의해 수행되는 전송 제어 방법에 있어서,
셀 정보 및 트래픽 정보를 입력 받는 단계;
기 학습된 채널 손실 예측 모델을 통해 미리 설정된 시간 동안의 셀 정보 및 트래픽 정보에 기초하여 채널 손실 패턴을 예측하는 단계;
상기 채널 손실 패턴을 예측한 결과, 손실 유형 값이 제1값이면 전진오류수정(FEC: Forward Error Correction)을 결정하고, 상기 손실 유형 값이 제2값이면 송신 유예를 결정하는 단계; 및
상기 송신 유예가 결정되면, 기 설정된 주기로 샘플링 된 셀 정보에 기초하여 채널 블록 시작 시점과 채널 블록 종료 시점을 추정하는 단계를 포함하는 전송 제어 방법.A transmission control method performed by a transmission control device,
receiving cell information and traffic information;
predicting a channel loss pattern based on cell information and traffic information for a preset time period through a pre-learned channel loss prediction model;
As a result of predicting the channel loss pattern, determining forward error correction (FEC) if the loss type value is a first value, and determining transmission suspension if the loss type value is a second value; and
and estimating a channel block start time and a channel block end time based on cell information sampled at a preset cycle when the transmission suspension is determined. 제1항에 있어서,
상기 채널 손실 예측 모델은, 학습용 셀 정보 및 학습용 트래픽 정보를 입력 데이터로 하고, 기 설정된 시간 동안 발생할 손실 패킷의 양 및 손실 유형(Burst loss type)을 예측한 결과를 레이블로 하여 학습된 것인 전송 제어 방법.According to claim 1,
The channel loss prediction model takes cell information for learning and traffic information for learning as input data, and learns as a label the result of predicting the amount of loss packets and the burst loss type that will occur during a preset time Transmission control method. 제1항에 있어서,
상기 손실 유형 값이 제1값이면, 핸드오버이지만 채널이 블록되지 않고 어느 정도 통신이 가능한 상황이고,
상기 손실 유형 값이 제2값이면, 일정 시간 동안 채널이 블록되어 완전히 통신이 불가능한 상황인 전송 제어 방법.According to claim 1,
If the loss type value is the first value, it is a situation in which communication is possible to some extent without the channel being blocked even though the handover is over;
If the loss type value is the second value, the transmission control method is in a situation where communication is completely impossible because the channel is blocked for a certain period of time. 삭제delete 제1항에 있어서,
상기 전진오류수정이 결정되면,
상기 채널 손실 예측 모델이 예측한 패킷 손실 개수에 기초하여 인코딩 블록의 패킷의 수를 결정하는 단계를 포함하는 전송 제어 방법.According to claim 1,
When the forward error correction is determined,
and determining the number of packets of an encoding block based on the number of packet losses predicted by the channel loss prediction model. 삭제delete 삭제delete 삭제delete 미리 학습된 채널 손실 예측 모델이 저장된 메모리; 및
상기 채널 손실 예측 모델을 통해 미리 설정된 시간 동안의 셀 정보 및 트래픽 정보에 기초하여 채널 손실 패턴을 예측하고, 상기 채널 손실 패턴을 예측한 결과, 손실 유형 값이 제1값이면 전진오류수정(FEC: Forward Error Correction)을 결정하고, 상기 손실 유형 값이 제2값이면 송신 유예를 결정하고, 상기 송신 유예가 결정되면, 기 설정된 주기로 샘플링 된 셀 정보에 기초하여 채널 블록 시작 시점과 채널 블록 종료 시점을 추정하는 프로세서를 포함하는 전송 제어 장치.a memory in which a pre-learned channel loss prediction model is stored; and
If a channel loss pattern is predicted based on cell information and traffic information for a preset time through the channel loss prediction model, and as a result of predicting the channel loss pattern, the loss type value is the first value, forward error correction (FEC: Forward Error Correction), if the loss type value is the second value, transmission suspension is determined, and if the transmission suspension is determined, channel block start time and channel block end time are determined based on cell information sampled at a preset cycle. A transmission control device comprising a processor for estimating. 제9항에 있어서,
상기 채널 손실 예측 모델은, 학습용 셀 정보 및 학습용 트래픽 정보를 입력 데이터로 하고, 기 설정된 시간 동안 발생할 손실 패킷의 양 및 손실 유형(Burst loss type)을 예측한 결과를 레이블로 하여 학습된 것인 전송 제어 장치.According to claim 9,
The channel loss prediction model takes cell information for learning and traffic information for learning as input data, and learns as a label the result of predicting the amount of loss packets and the burst loss type that will occur during a preset time Transmission controller. 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능한 기록매체로서,
상기 컴퓨터 프로그램은,
셀 정보 및 트래픽 정보를 입력 받는 단계;
기 학습된 채널 손실 예측 모델을 통해 미리 설정된 시간 동안의 셀 정보 및 트래픽 정보에 기초하여 채널 손실 패턴을 예측하는 단계;
상기 채널 손실 패턴을 예측한 결과, 손실 유형 값이 제1값이면 전진오류수정(FEC: Forward Error Correction)을 결정하고, 상기 손실 유형 값이 제2값이면 송신 유예를 결정하는 단계; 및
상기 송신 유예가 결정되면, 기 설정된 주기로 샘플링 된 셀 정보에 기초하여 채널 블록 시작 시점과 채널 블록 종료 시점을 추정하는 단계를 프로세서가 수행하도록 하기 위한 명령어를 포함하는 컴퓨터 판독 가능한 기록매체.A computer-readable recording medium storing a computer program,
The computer program,
receiving cell information and traffic information;
predicting a channel loss pattern based on cell information and traffic information for a preset time period through a pre-learned channel loss prediction model;
As a result of predicting the channel loss pattern, determining forward error correction (FEC) if the loss type value is a first value, and determining transmission suspension if the loss type value is a second value; and
When the transmission suspension is determined, a computer readable recording medium comprising instructions for causing a processor to perform a step of estimating a channel block start time and a channel block end time based on cell information sampled at a predetermined cycle. 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서,
상기 컴퓨터 프로그램은,
셀 정보 및 트래픽 정보를 입력 받는 단계;
기 학습된 채널 손실 예측 모델을 통해 미리 설정된 시간 동안의 셀 정보 및 트래픽 정보에 기초하여 채널 손실 패턴을 예측하는 단계;
상기 채널 손실 패턴을 예측한 결과, 손실 유형 값이 제1값이면 전진오류수정(FEC: Forward Error Correction)을 결정하고, 상기 손실 유형 값이 제2값이면 송신 유예를 결정하는 단계; 및
상기 송신 유예가 결정되면, 기 설정된 주기로 샘플링 된 셀 정보에 기초하여 채널 블록 시작 시점과 채널 블록 종료 시점을 추정하는 단계를 프로세서가 수행하도록 하기 위한 명령어를 포함하는 컴퓨터 프로그램.As a computer program stored on a computer-readable recording medium,
The computer program,
receiving cell information and traffic information;
predicting a channel loss pattern based on cell information and traffic information for a preset time period through a pre-learned channel loss prediction model;
As a result of predicting the channel loss pattern, determining forward error correction (FEC) if the loss type value is a first value, and determining transmission suspension if the loss type value is a second value; and
When the transmission suspension is determined, a computer program comprising instructions for causing a processor to perform a step of estimating a channel block start time and a channel block end time based on cell information sampled at a preset cycle.
KR1020210081136A 2020-12-29 2021-06-22 Transmission control apparatus and method through deep learning based-channel loss prediction KR102555936B1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20200186589 2020-12-29
KR1020200186589 2020-12-29

Publications (2)

Publication Number Publication Date
KR20220095085A KR20220095085A (en) 2022-07-06
KR102555936B1 true KR102555936B1 (en) 2023-07-18

Family

ID=82400192

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210081136A KR102555936B1 (en) 2020-12-29 2021-06-22 Transmission control apparatus and method through deep learning based-channel loss prediction

Country Status (1)

Country Link
KR (1) KR102555936B1 (en)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101164354A (en) * 2005-04-21 2008-04-16 美商内数位科技公司 Wireless communication method and wlan for signaling deferral management messages
KR101241556B1 (en) * 2006-06-30 2013-03-08 주식회사 케이티 Method for packet recovery and congestion control through explicit handoff notification in heterogeneous wireless mobile networks
KR101044452B1 (en) * 2009-07-22 2011-06-27 경희대학교 산학협력단 Video transmission apparatus and wireless network selection method for guaranteeing the best Quality of Experience
KR101640847B1 (en) * 2009-11-12 2016-07-19 삼성전자주식회사 Method and apparatus for reducing media data loss while performing handover
KR101496261B1 (en) * 2010-09-13 2015-02-26 한국전자통신연구원 Integrated terminal using supplementary information and communicating method thereof
US8780722B2 (en) * 2012-02-03 2014-07-15 Apple Inc. Scheduling packet transmission on a client device using packet classifications including high priority network control packets
WO2014119946A1 (en) * 2013-01-29 2014-08-07 Samsung Electronics Co., Ltd. Method and apparatus for transmitting radio link control status report in communication system based on multiple radio access technologies
KR102398504B1 (en) * 2019-03-15 2022-05-17 한국전자통신연구원 Apparatus and method for hand-over based on learning using empirical data

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Jinsung Lee etal, "PERCEIVE: Deep Learning-based Cellular Uplink Prediction Using Real-time Scheduling Paterns", 2020.06.15*
Sheng Cheng etal, "DeepRS: Deep-learning Based Network-Adaptive FEC for Real-Time Video Communications", 2020.01.22*

Also Published As

Publication number Publication date
KR20220095085A (en) 2022-07-06

Similar Documents

Publication Publication Date Title
US20050005207A1 (en) Method of improving the performance of a transmission protocol using a retransmission timer
US10911359B2 (en) Transmit data volume control device, method, and recording medium
KR100897725B1 (en) Wireless base station and method for controlling operations of the same and mobile communication system using the same
US20090092088A1 (en) Synchronous Two-Phase Rate and Power Control in WLANs
EP1511247A2 (en) Controlling link adaptation and packet scheduling in a radio system
KR20120103749A (en) Explicit congestion notification based rate adaptation using binary marking in communication systems
WO2003088622A1 (en) System, device and method for improving throughput in a communication network, preferably a mobile ipv6-based network
WO2006073764A2 (en) Methods for managing data transmissions between a mobile station and a serving station
JPWO2014069642A1 (en) Communication device, transmission data output control method, and program thereof
JP2006311537A (en) Transmission power control for hsdpa connection
KR101806143B1 (en) METHOD FOR PROVIDING PRoPHET ROUTING PROTOCOL USING RESTRICTION OF MESSAGE DUPLICATION, RECORDING MEDIUM, SYSTEM AND DEVICE FOR PERFORMING THE METHOD
WO2006067564A2 (en) Recovery of mobility related packet loss
KR102555936B1 (en) Transmission control apparatus and method through deep learning based-channel loss prediction
WO2012155684A1 (en) Link processing method, device and system
US7321567B2 (en) Method and apparatus for preventing a spurious retransmission after a planned interruption of communications
US20080285447A1 (en) Session Relaying Apparatus, Session Relay Method, and Session Relay Program
EP3622676A1 (en) Method and system for dynamic traffic distribution and bi-casting in a hybrid network environment
JP2006211015A (en) Wireless communication terminal and wireless communication control method
US9179333B1 (en) Hybrid automatic repeat request block error rate control for wireless communications
CN111225413B (en) Method and system for managing and controlling flow
KR101990788B1 (en) Base station, networl apparatus and control method thereof
KR101655062B1 (en) Opportunistic message forwarding method based on the residual energy of mobile nodes, recording medium and device for performing the method
WO2004086786A1 (en) Packet transmission control in cellular communications systems
JP2007525864A (en) Mobile link power control method
US8600425B1 (en) TCP-aware power control in wireless networks

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant