KR20170044611A - 이종 네트워크들에서 디바이스 최적화를 위한 주변 네트워크 감지 및 핸드오프 - Google Patents
이종 네트워크들에서 디바이스 최적화를 위한 주변 네트워크 감지 및 핸드오프 Download PDFInfo
- Publication number
- KR20170044611A KR20170044611A KR1020167034081A KR20167034081A KR20170044611A KR 20170044611 A KR20170044611 A KR 20170044611A KR 1020167034081 A KR1020167034081 A KR 1020167034081A KR 20167034081 A KR20167034081 A KR 20167034081A KR 20170044611 A KR20170044611 A KR 20170044611A
- Authority
- KR
- South Korea
- Prior art keywords
- network
- handoff
- energy
- module
- client device
- Prior art date
Links
- 238000005457 optimization Methods 0.000 title description 13
- 238000000034 method Methods 0.000 claims abstract description 108
- 238000005265 energy consumption Methods 0.000 claims description 73
- 238000005516 engineering process Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 20
- 238000004088 simulation Methods 0.000 claims description 14
- 230000000977 initiatory effect Effects 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 description 49
- 238000007726 management method Methods 0.000 description 40
- 238000012544 monitoring process Methods 0.000 description 39
- 230000006870 function Effects 0.000 description 32
- 238000010586 diagram Methods 0.000 description 31
- 238000004422 calculation algorithm Methods 0.000 description 30
- 238000005259 measurement Methods 0.000 description 29
- 238000004458 analytical method Methods 0.000 description 28
- 230000003993 interaction Effects 0.000 description 28
- 230000006854 communication Effects 0.000 description 20
- 238000004891 communication Methods 0.000 description 19
- 238000001514 detection method Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 18
- 238000003860 storage Methods 0.000 description 15
- 238000010183 spectrum analysis Methods 0.000 description 14
- 241000700159 Rattus Species 0.000 description 13
- 230000005540 biological transmission Effects 0.000 description 12
- 230000007704 transition Effects 0.000 description 12
- 230000001413 cellular effect Effects 0.000 description 11
- 230000006855 networking Effects 0.000 description 11
- 230000033001 locomotion Effects 0.000 description 10
- 230000008878 coupling Effects 0.000 description 9
- 238000010168 coupling process Methods 0.000 description 9
- 238000005859 coupling reaction Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 230000010354 integration Effects 0.000 description 9
- 230000011664 signaling Effects 0.000 description 8
- 238000013459 approach Methods 0.000 description 6
- 230000001976 improved effect Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 230000001960 triggered effect Effects 0.000 description 6
- 239000008186 active pharmaceutical agent Substances 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000001994 activation Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000009849 deactivation Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000001934 delay Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 208000035260 vertebral hypersegmentation and orofacial anomalies Diseases 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000008093 supporting effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000007727 signaling mechanism Effects 0.000 description 1
- 238000000060 site-specific infrared dichroism spectroscopy Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- H04W36/0011—Control or signalling for completing the hand-off for data sessions of end-to-end connection
- H04W36/0033—Control or signalling for completing the hand-off for data sessions of end-to-end connection with transfer of context information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/14—Reselecting a network or an air interface
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/16—Performing reselection for specific purposes
- H04W36/165—Performing reselection for specific purposes for reducing network power consumption
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3913—Predictive models, e.g. based on neural network models
-
- 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
- H04W36/00837—Determination of triggering parameters for hand-off
- H04W36/008375—Determination of triggering parameters for hand-off based on historical data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/14—Reselecting a network or an air interface
- H04W36/144—Reselecting a network or an air interface over a different radio air interface technology
-
- 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
- H04W36/304—Reselection being triggered by specific parameters by measured or perceived connection quality data due to measured or perceived resources with higher communication quality
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/34—Reselection control
- H04W36/36—Reselection control by user or terminal equipment
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
본원에서 제공되는 컴퓨터 구현된 방법들, 시스템들 및 컴퓨터 판독가능 매체는 물리 계층으로부터의 파라미터 및 적어도 하나의 다른 OSI 계층으로부터의 파라미터를 포함하는 콘텍스트 정보를 수집할 수 있다. 물리 계층 파라미터 및 적어도 하나의 다른 OSI 계층 파라미터에 기초하여 핸드오프가 개시될 수 있다.
Description
본 개시는 네트워크 분야에 관한 것이고, 상세하게는, 이종(heterogeneous) 네트워크들에서 네트워크 감지 분야에 관한 것이다.
새로운 모바일 디바이스들 및 네트워킹 기술들이 진보함에 따라, 다양한 애플리케이션들 및 단대 단(end-to-end) 서비스들의 통합에 대한 요구가 점차 중요해질 수 있다. 무선 액세스 기술들, 네트워킹 및 컨텐츠 전달에서의 진보가 이러한 프로비저닝(provisioning) 시나리오들을 가능하게 하는데 핵심적인 역할을 하지만, 이러한 새로운 트렌드들은 매우 곤란한 네트워킹 패러다임을 생성할 수 있다. 이와 관련하여, 이러한 진보의 주요 양상은, 가능하게는 다양한 접속 기술들로, 여러 접속 포인트들(PoAs) 사이에서 네트워크(예를 들어, 인터넷, 셀룰러 등)로 이동하면서, 연속적인 서비스들(예를 들어, 오디오 또는 비디오 스트리밍)에 대한 액세스를 요구하는 증가하는 수의 사용자들을 초래한다. 이러한 타입의 이종 접속은, 광범위한 사용자 애플리케이션들 및 서비스들을 커버하는 피코-셀룰러 시스템들로부터 매크로-셀룰러 시스템들까지 범위의 다양한 아키텍쳐들 및 토폴로지들의 액세스 네트워크들의 중첩 또는 오버레이를 도출할 수 있다. 또한, 다양한 액세스 기술들(예를 들어, WLAN, Wi-Fi 다이렉트, 센서 네트워크들, 블루투스, 60 GHz 등)이 점차 클라이언트 디바이스들(또는 사용자 디바이스들)에 통합되어, 사용자 경험을 향상시키고, 대역폭(BW), 용량 및 커버리지 시도들을 처리할 수 있다. 적절한 네트워크 지원으로, 이러한 트렌드는 단일한 멀티-표준 사용자 단말과의 유비쿼터스 접속 개념으로 서비스 능력들을 증가시킬 수 있다.
셀룰러 네트워크들이 유비쿼터스 접속을 갖는 이종 아키텍쳐들을 지원하도록 진보함에 따라, 특히 라디오 액세스에서 높은 적응도, 인식 및 유연성이 요구될 수 있다. 그러나, 이와 동시에, 매크로-셀의 전통적인 개념으로부터 다수의 펨토 셀 오버레이들을 갖는 소형 셀들로 이동함에 의해, 액세스 자원들에 대한 운영자 제어 및 관리는, 특히 간섭 제어 관점에서, 점차 곤란해지고 있다. 이것은, 펨토 액세스 포인트들(femto access points, FAP)의 예측불가능한 수 및 위치에 의해 초래될 수 있고, 여기서 간섭 관리는 전통적인 네트워크 계획화 및 최적화 방법들을 통해서는 더 이상 운영자에 의해 핸들링될 수 없다. 이종 환경에서 다양한 애플리케이션들 및 단대 단 서비스들의 통합에 대한 관련 부산물은, 모바일 디바이스에서 더 많은 컴포넌트들 및 프로세싱 전력에 대한 요구이며, 이는 타이트한 디바이스 에너지 버짓(budget)을 유지하는 것과 충돌할 수 있다. 따라서, 종래의 개발에 의해서는 처리되지 않는 모든 문제들을 처리하는 솔루션이 요구된다.
컴퓨팅 시스템의 일 실시 예는 적어도 하나의 프로세서 및 메모리를 포함한다. 메모리는, 프로세서가, 물리 계층 및 적어도 하나의 다른 개방형 시스템 상호접속(OSI) 계층으로부터의 적어도 하나의 파라미터를 포함하는 콘텍스트 정보를 수집하도록 명령하는 명령을 저장한다. 물리 계층 및 적어도 하나의 다른 OSI 계층으로부터의 적어도 하나의 파라미터에 기초하여 핸드오프가 개시될 수 있다.
일 실시 예는, 물리 계층 및 적어도 하나의 다른 개방형 시스템 상호접속(OSI) 계층으로부터의 적어도 하나의 파라미터를 포함하는 콘텍스트 정보를 수집함으로써 컴퓨팅 시스템을 동작시키는 방법이다. 방법은, 물리 계층 및 적어도 하나의 다른 OSI 계층으로부터의 적어도 하나의 파라미터에 기초하여 핸드오프를 개시하는 단계를 포함할 수 있다.
일 실시 예는, 물리 계층 및 적어도 하나의 다른 개방형 시스템 상호접속(OSI) 계층으로부터의 적어도 하나의 파라미터를 포함하는 콘텍스트 정보를 수집함으로써 컴퓨팅 시스템을 동작시키는 방법이다. 방법은, 물리 계층 및 적어도 하나의 다른 OSI 계층 콘텍스트 정보로부터의 적어도 하나의 파라미터에 기초하여 핸드오프를 개시하는 단계를 포함할 수 있다.
본 발명의 많은 다른 특징 및 실시 예는 첨부된 도면들 및 하기 상세한 설명으로부터 자명할 것이다.
도 1은, 특정 실시 예에 따른 예시적인 주위 네트워크 감지(ANS) 시스템의 블록도를 예시한다.
도 2는, 특정 실시 예에 따른 디바이스-중심 콘텍스트-인식 핸드오프(device-centric context-aware handoff)를 수행하기 위한 예시적인 시스템을 예시한다.
도 3은, 특정 실시 예에 따른 예시적인 디바이스 상태 및 핸드오프 추천 모듈의 도면을 예시한다.
도 4는, 특정 실시 예에 따른 주위 네트워크 감지 시스템에 대한 시스템의 고레벨 아키텍쳐의 예시적인 블록도를 예시한다.
도 5는, 특정 실시 예에 따른 콘텍스트-인식 핸드오프 및 실행(CAHE) 모듈 및 콘텍스트 관리자(CM) 모듈의 예시적인 블록도를 예시한다.
도 6은, 특정 실시 예에 따른 예시적인 에코시스템(ecosystem)을 예시한다.
도 7은, 특정 실시 예들에 따라 클라이언트 디바이스와 네트워크 에지 디바이스 사이에서 콘텍스트 수집, 분석 및 관리 메커니즘들의 예시적인 파티셔닝(partitioning)의 블록도를 예시한다.
도 8은, 특정 실시 예에 따라 주위 네트워크 감지를 위한 에너지를 추정하는 예시적인 방법에 대한 흐름도를 예시한다.
도 9a는, 특정 실시 예에 따른 LTE에 대한 예시적인 RRC 상태 기계 도면을 예시한다.
도 9b는, 특정 실시 예에 따른 UMTS에 대한 예시적인 RRC 상태 기계 도면을 예시한다.
도 9c는, 특정 실시 예들에 따른 Wi-Fi에 대한 예시적인 RRC 상태 기계 도면을 예시한다.
도 9d는, 특정 실시 예들에 따른 블루투스(BT)에 대한 예시적인 RRC 상태 기계 도면을 예시한다.
도 10은, 특정 실시 예들에 따라, 수직적 핸드오프를 위한 후보 네트워크를 추천하기 위한 에코시스템-기반 주위 네트워크 감지(ambient network sensing, ANS) 시스템에 대한 예시적인 흐름도를 예시한다.
도 11은, 특정 실시 예에 따른 핸드오프 판정을 위한 에너지 추정 방법의 블록도를 예시한다.
도 12는, 특정 실시 예에 따른 클라이언트 디바이스 상의 미들웨어로서 ANS 시스템의 예시적인 블록도를 예시한다.
도 13은, 일 실시 예에 따른 컴퓨팅 시스템의 예를 예시한다.
도면들은 본 발명의 다양한 실시 예를 오직 예시를 위해 도시하며, 도면들은 유사한 엘리먼트들을 식별하기 위해 유사한 참조 부호들을 사용한다. 이 분야의 당업자는, 하기 논의로부터, 본원에서 설명되는 본 발명의 원리들로부터 벗어남이 없이, 도면들에 예시된 구조들 및 방법들의 대안적인 실시 예들이 사용될 수 있음을 쉽게 인식할 것이다.
도 2는, 특정 실시 예에 따른 디바이스-중심 콘텍스트-인식 핸드오프(device-centric context-aware handoff)를 수행하기 위한 예시적인 시스템을 예시한다.
도 3은, 특정 실시 예에 따른 예시적인 디바이스 상태 및 핸드오프 추천 모듈의 도면을 예시한다.
도 4는, 특정 실시 예에 따른 주위 네트워크 감지 시스템에 대한 시스템의 고레벨 아키텍쳐의 예시적인 블록도를 예시한다.
도 5는, 특정 실시 예에 따른 콘텍스트-인식 핸드오프 및 실행(CAHE) 모듈 및 콘텍스트 관리자(CM) 모듈의 예시적인 블록도를 예시한다.
도 6은, 특정 실시 예에 따른 예시적인 에코시스템(ecosystem)을 예시한다.
도 7은, 특정 실시 예들에 따라 클라이언트 디바이스와 네트워크 에지 디바이스 사이에서 콘텍스트 수집, 분석 및 관리 메커니즘들의 예시적인 파티셔닝(partitioning)의 블록도를 예시한다.
도 8은, 특정 실시 예에 따라 주위 네트워크 감지를 위한 에너지를 추정하는 예시적인 방법에 대한 흐름도를 예시한다.
도 9a는, 특정 실시 예에 따른 LTE에 대한 예시적인 RRC 상태 기계 도면을 예시한다.
도 9b는, 특정 실시 예에 따른 UMTS에 대한 예시적인 RRC 상태 기계 도면을 예시한다.
도 9c는, 특정 실시 예들에 따른 Wi-Fi에 대한 예시적인 RRC 상태 기계 도면을 예시한다.
도 9d는, 특정 실시 예들에 따른 블루투스(BT)에 대한 예시적인 RRC 상태 기계 도면을 예시한다.
도 10은, 특정 실시 예들에 따라, 수직적 핸드오프를 위한 후보 네트워크를 추천하기 위한 에코시스템-기반 주위 네트워크 감지(ambient network sensing, ANS) 시스템에 대한 예시적인 흐름도를 예시한다.
도 11은, 특정 실시 예에 따른 핸드오프 판정을 위한 에너지 추정 방법의 블록도를 예시한다.
도 12는, 특정 실시 예에 따른 클라이언트 디바이스 상의 미들웨어로서 ANS 시스템의 예시적인 블록도를 예시한다.
도 13은, 일 실시 예에 따른 컴퓨팅 시스템의 예를 예시한다.
도면들은 본 발명의 다양한 실시 예를 오직 예시를 위해 도시하며, 도면들은 유사한 엘리먼트들을 식별하기 위해 유사한 참조 부호들을 사용한다. 이 분야의 당업자는, 하기 논의로부터, 본원에서 설명되는 본 발명의 원리들로부터 벗어남이 없이, 도면들에 예시된 구조들 및 방법들의 대안적인 실시 예들이 사용될 수 있음을 쉽게 인식할 것이다.
모바일 디바이스들은, 다중 라디오 액세스 기술(멀티-RAT) 또는 이종 네트워킹 시나리오들에서 가변적 QoS 특성들 및 끊김없는 접속의 지원을 보조하도록 풍부하게 설계될 수 있다. 그러나, 상당한 에너지 소모 오버헤드들이 모바일 디바이스에 동시에 도입될 수 있다. 이러한 모바일 디바이스들은 본질적으로 재충전가능한 배터리들을 구비하기 때문에, 에너지 소모는 사용자에 대한 상당한 성능 병목현상이 된다.
다양한 네트워크 기술들에 액세스하기 위한 능력을 갖는 모바일 디바이스들은 수평적 및 수직적 핸드오프(horizontal and vertical handoffs, VHO)를 수행할 수 있다. VHO는 다양한 네트워크 엔티티(entity)들 사이에서 변하는 협력도를 포함할 수 있다. 이러한 네트워크 엔티티들은 다양한 형태들로 상호 작용 및 통신하여 VHO에서 다양한 프로세스를 초래할 수 있다. 네트워크 엔티티들 사이의 상호 작용들은, 예를 들어, 타이트한 커플링, 느슨한 커플링, 및 커플링 없음과 같은, 다양한 라디오 액세스 네트워크들(radio access networks, RANs)의 다양한 타입의 통합을 수반할 수 있다.
타이트한 커플링은 VHO에 수반되는 다양한 네트워크들 사이의 타이트한 통합을 포함할 수 있다. 이러한 시스템들에서, 핸드오프 프로세스 또는 그 일부는 네트워크 또는 클라이언트 디바이스(또는 사용자 장비)에 의해 수행될 수 있다. 이러한 접근법은, 모든 네트워크들이 동일한 운영자들에게 소유되는 경우 편리할 수 있다.
느슨한 커플링은, VHO에 기여하지만 핸드오프에서 주 제어기가 아닌 네트워크(예를 들어, 셀룰러 네트워크)를 수반할 수 있다. 따라서, 핸드오프 프로세스는 클라이언트 디바이스에 의해 구동된다. 그러나, 네트워크는, 핸드오프 정확도 및 속도를 보조할 수 있는 일부 유용한 정보(예를 들어, 커버리지(coverage), 네트워크 부하 등)를 제공할 수 있다.
커플링 없음에 있어서, 전체 VHO 프로세스는 수반되는 네트워크들에 투명할 수 있다. 측정들 및 파라미터 수집을 포함하는 핸드오프 판정 프로세스는, 수반되는 네트워크들로부터의 어떠한 지원도 없이, 클라이언트 디바이스에 의해 수행 및 평가될 수 있다. 커플링 없음에 의한 통합은, 라디오 자원 관리를 처리하는 것 및 네트워크 관여가 없는 로드 밸런싱과 연관된 문제들을 포함할 수 있다. 한편, 타이트한 커플링 및 느슨한 커플링에 의한 통합은 확장성 및 운영자 정책 관리의 관점에서 덜 효율적일 수 있다.
모바일 애플리케이션들의 성능 및 에너지 병목현상은, 부분적으로는, 자원-지향적 모바일 실행 환경들 및 애플리케이션들의 동작들과의 복잡한 상호 작용에 대한 가시성 부족으로 인해 초래될 수 있다. 모바일 컴퓨팅 환경들에서, 애플리케이션 개발자들은, 애플리케이션 동작과의 상호 작용들에서 발생하는 클라이언트 디바이스의 네트워크 특정 특성들을 인식하지 못할 수 있다. 이러한 제한들은 잠재적으로, 무선 우호적이 아닌 스마트폰 애플리케이션들을 초래한다. 예를 들어, 애플리케이션은, 애플리케이션에 대한 라디오 링크 투명성(예를 들어, 하위 계층 프로토콜 동작)의 부족으로 인해, 비효율적인 무선 채널 활용 또는 디바이스 에너지 소모를 초래할 수 있다. 따라서, 모바일 실행 환경들 및 애플리케이션 동작과의 복잡한 상호 작용들에서, 제한된 자원들을 더 효율적으로 사용하기 위한 증가된 레벨의 디바이스 인지에 대한 요구가 존재한다.
특정 실시 예들에서, 클라이언트 디바이스들이 현재 애플리케이션에 대한 최적의 후보 네트워크 접속을 발견하기 위해 고유의 다양한 네트워크 접속 옵션들을 활용할 수 있게 하는 시스템들 및 방법들이 본원에 제공된다. 시스템들 및 방법들은, 특히 자원 할당 및 에너지 소모 관점에서, 멀티-표준(multi-standard) 또는 이종 클라이언트 디바이스(예를 들어, 모바일 디바이스) 문제들을 처리할 수 있다. 다수의 네트워크 자원들 및 액세스 기술들에 걸친 고유의 다양성은, 사용자가 이동 중이 아닌 경우에도, 수평적 및 수직적 핸드오프(또는 핸드오버)로 또한 공지된 기술 내(intra) 및 기술 간(inter) 스위칭에 대해 사용될 수 있다. 더 구체적으로, 사용자 이동에 의해 트리거링되는 종래의 핸드오프들과 경합되면, 성능 및 효율은 디바이스 레벨 및 네트워크 레벨 둘 모두에서 상당히 향상될 수 있다.
일 실시 예에서, 네트워크 접속은, 클라이언트 디바이스의 성능 향상을 위해 클라이언트 디바이스들 내에 있는 다양한 RAN 인터페이스들(예를 들어, 3G, 4G, 셀룰러, Wi-Fi, 블루투스 등)에 존재하는 리던던시(redundancy)를 사용함으로써 최적화될 수 있다. 성능 향상은, 사용자가 이동 중이 아닌 경우에도, 배터리 절감 또는 에너지 보존과 같은 하나 이상의 디바이스-기반 성능 메트릭(metric)들에 기초할 수 있다. 시스템 또는 방법은 또한, 애플리케이션 및 세션의 끊김없는 접속을 보장함으로써, 핸드오프 동안 사용자 경험을 유지 또는 향상시킬 수 있다. 시스템들 및 방법들은, 애플리케이션의 QoS가 유지되는 것을 보장하면서 핸드오프 실행에 풍부한 콘텍스트를 통합시킬 수 있다.
일 실시 예에서, 크로스-계층 콘텍스트 정보(cross-layer contextual information)는 디바이스의 라디오 자원 제어(radio resource control, RRC) 상태 기계(state machine) 및 그 상태 기계과 애플리케이션의 상호 작용에 대한 직접적인 액세스 또는 정확한 추론을 가능하게 할 수 있다. 이러한 방식으로, 하위 계층 프로토콜들에 대한 투명성이 개선될 수 있다. 이러한 크로스-계층 콘텍스트 정보 수집은 디바이스 및 네트워크 관련 정보 둘 모두를 포함할 수 있다. 크로스-계층 콘텍스트 정보는, 사용자 입력/선호도 계층, 프로토콜 계층들(예를 들어, HTTP, 전송, 네트워크, 라디오 링크, 라디오 자원 제어 상태들 또는 다른 유사한 계층들), 데이터 링크 계층, 세션 계층, 프리젠테이션 계층, 애플리케이션 계층, MAC 및 물리(PHY) 또는 다른 유사한 계층들과 같은 둘 이상의 개방형 시스템 상호접속(open systems interconnection, OSI) 계층들로부터의 정보 또는 파라미터들을 포함할 수 있다. 일부 실시 예들에서, 프로토콜 계층들은 애플리케이션 동작에 의해 영향받는 또는 좌우되는 계층들일 수 있다.
계층 제공 콘텍스트 정보는 다양한 파라미터들을 포함할 수 있다. 예를 들어, 물리 계층은, 무선 또는 라디오 접속에 영향을 미칠 수 있는 파라미터들, 예를 들어, 라디오 주파수 환경 팩터들(radio frequency(RF) environmental factors)(예를 들어, 간섭 레벨들, 잡음, 공통-채널 간섭, 인접 간섭 등), 스펙트럼 오염, 수신 신호 강도 표시(received signal strength indication, RSSI), 비트 에러 레이트(bit error rate, BER), 셀 커버리지(cell coverage), 잡음 신호 비(noise signal ratio, NSR), 인정 정보 레이트(committed information rate, CIR), 신호대 간섭비(signal to interference ratio, SIR) 등을 포함할 수 있다. MAC/링크 계층에 대한 예시적인 파라미터들은 채널 액세스 지연, 재송신들의 수, 클리어 채널 평가(clear channel assessment, CCA), (WiFi의) 임계값 등을 포함할 수 있다. 네트워크 계층에 대한 예시적인 파라미터들은, 지원되는 네트워크 프로토콜들의 타입들(예를 들어, IP, mIP, mIPv6 등), 접속 포인트들(points of attachment, PoA)에 대한 상세한 정보, 예를 들어, 지원되는 네트워크 인터페이스들, 최대 대역폭, 네트워크 선호도들, 과금 정보, 핸드오버 레이트, 핸드오버 정책들 등을 포함할 수 있다. 전송 계층의 예시적인 파라미터들은 지원되는 프로토콜들(예를 들어, UDP, TCP 등)을 포함할 수 있다. 애플리케이션 계층에 대한 예시적인 파라미터들은, 요구되는 서비스 품질(quality of service, QoS) 파라미터들(예를 들어, 지연, 지터(jitter), 패킷 에러 레이트 등), 애플리케이션 타입(예를 들어, 애플리케이션들 사이의 스위칭), 전송기(sender) 비트 레이트, 또는 다른 유사한 정보를 포함할 수 있다. 사용자 선호도들의 예시적인 파라미터들은, 접속 가격/비용, 경험 품질(QoE), 배터리 수명, 프라이버시, 보안, 선호되는 애플리케이션들 또는 서비스들 또는 다른 유사한 정보를 포함할 수 있다.
콘텍스트 정보는, QoS 및 에너지 소모와 같은 중요한 파라미터들 사이에서 실제 트레이드오프들을 팩터화함으로써 핸드오프에 대한 최적의 후보 네트워크의 선택을 가능하게 할 수 있다. 핸드오프는 크로스-계층 콘텍스트 정보(예를 들어, 물리 계층 파라미터 및 적어도 하나의 다른 OSI 계층으로부터의 파라미터)에 기초하여 수행될 수 있다.
애플리케이션들과 하위 계층 프로토콜들 사이의 갭(gap)을 감소시킬 수 있는 네트워크-관련 성능 예측 플랫폼을 생성하기 위해 다수의 프로토콜 계층들(예를 들어, 크로스-캐리어)로부터 다양한 콘텍스트들을 팩터화하는 디바이스 모델들이 구현될 수 있다. 다수의 라디오 접속 선택들에서 채널 조건들을 선행적으로 활용함으로써 디바이스 최적화가 제공될 수 있다.
크로스-계층 콘텍스트 정보(cross-layer contextual information)는 다양한 프로토콜 계층들 사이의 상호 작용들을 노출시킬 수 있다. 일 실시 예에서, 프로토콜 계층들은 애플리케이션 계층, 전송 계층, 다수의 채널 상태들을 정의하는 RRC, 및 사용자 입력 및 상호 작용들을 포함할 수 있다. 사용자 입력 및 상호 작용들은, 예를 들어, 다양한 클라이언트 디바이스 애플리케이션들에 대한 자원 사용량의 효율성 레벨의 검증을 가능하게 할 수 있다. 이와 관련하여, 하위 계층 RRC 상태들 및 자원 에너지 소모의 정확한 정량화를 추론하는 것은 최적의 접속을 발견하는데 상당한 이점들을 제공할 수 있다. 예를 들어, 특정 애플리케이션과 RRC 상태 기계의 상호 작용이 결정(또는 정의) 및 예측되면, 최적의(예를 들어, 최상의) 사용가능한 네트워크 접속 후보가 수직적(또는 수평적) 핸드오프에 대해 선택될 수 있다.
특정 실시 예들에서, 주위 네트워크 감지는 콘텍스트 수집, 메트릭 계산, 네트워크 선택 및 핸드오프(예를 들어, VHO)를 포함할 수 있다. 콘텍스트 수집은 다수의 프로토콜 계층들에 걸친 관련 콘텍스트 정보(또는 콘텍스트들)의 수집을 포함할 수 있다. 메트릭 계산은, 디바이스(또는 에너지) 최적화를 위해 각각의 사용가능한 무선 네트워크마다 디바이스 성능 비용 함수를 컴퓨팅하는 것을 포함할 수 있다. 네트워크 선택은, 상기 비용 함수를 최적화하는 최적의 네트워크 또는 추가적인 콘텍스트를 수반하는 슈퍼 세트를 선택하는 것을 포함할 수 있다. 핸드오프(예를 들어, VHO)는, 애플리케이션 QoS가 유지 또는 향상되는 것을 보장하면서 끊김없는 핸드오프를 수행하는 것을 포함할 수 있다.
특정 실시 예들에서, 에코시스템의 네트워크 에지 디바이스(network edge device)(예를 들어, TV, 액세스 포인트(AP), 컴퓨터 등)와 같은, 클라이언트 디바이스 이외의 다른 디바이스에 대해 계산 부하(load)의 일부를 가능하게 하는 시스템들 및 방법들이 제공될 수 있다.
네트워크 에지 디바이스는 여분의 전원들에 대한 액세스를 가질 수 있고, 이는 클라이언트 디바이스 상에서의 에너지 소모 및 프로세싱 제약들을 완화시킬 수 있다.
특정 실시 예들에서, 주위 네트워크 감지를 위한 디바이스 인식 시스템들 및 방법들이 제공된다. 시스템들 및 방법들은, 하나 이상의 디바이스 성능 메트릭들을 향상시키기 위해 기존의 디바이스 센서들(예를 들어, GPS, 광 센서들 등)을 포함하고 보완할 수 있다. 디바이스 성능 메트릭들은 전력 및/또는 에너지 소모를 감소시키는 것, 데이터 스루풋(throughput)을 향상시키는 것, 서비스 비용을 감소시키는 것 등과 관련될 수 있다. 시스템들 및 방법들은, 이종 네트워크 환경에서 공존하는 다양한 무선 네트워크들에 접속할 수 있는 멀티-모드 또는 멀티-표준 모바일(또는 휴대용) 디바이스들에 적용가능할 수 있다. 특정 실시 예들에서, 네트워크 감지 및 관련 VHO 동작의 정확도를 상당히 향상시킬 수 있는 에코시스템-기반 시스템들 및 방법들이 제공된다.
특정 실시 예들에서, 시스템들 및 방법들은, 다수의 계층들로부터 추출된 기존의 콘텍스트 정보 및 사용자 선호도들이 주어지면, 세부적인 디바이스 모델을 정의하고 기존의 애플리케이션에 대한 최적의 네트워크 접속을 선택하는 크로스-계층 최적화 아키텍쳐(cross-layer optimization architecture)에 기초할 수 있다. 모바일 디바이스를 사용하여 애플리케이션 및 세션 접속을 끊김없이 유지함으로써, VHO 동안 사용자 경험이 유지 또는 향상될 수 있다.
특정 실시 예들에서, 모바일 디바이스는 네트워크 에지 디바이스들과 같은 다른 디바이스들을 갖는 에코시스템 내에 포함될 수 있다. 네트워크 에지 디바이스들은, 예를 들어, 끊김없는 VHO를 제공하기 위해 모바일 디바이스와 협력할 수 있다. 일 실시 예에서, 끊김없는 VHO는 콘텍스트 정보를 모니터링 및 수집하는 것을 포함할 수 있다. 콘텍스트 정보는, 애플리케이션, 사용자 선호도들, 라디오 주파수(RF) 채널 감지 및 이웃 디바이스 검출과 연관된 크로스 계층 콘텍스트 정보를 포함할 수 있다. 끊김없는 VHO는 에코 시스템 통신들, 디바이스 및 네트워크 상태 모델링, 콘텍스트 관리(예를 들어, 메트릭 계산들), 핸드오프 예측 및 네트워크 선택, 및 핸드오프 실행 및 관리를 포함할 수 있다.
주위 네트워크 감지
"주위 네트워크 감지"와 관련된 시스템들 및 방법들이 제공된다. 용어 "주위 네트워크 감지"는, 일반적으로 현재의 애플리케이션 및 트래픽 패턴에 대해 사용가능한 최적의(예를 들어, 최상의 또는 가장 우호적인) 네트워크의 선택을 위해 디바이스 콘텍스트 인식을 향상시키는 감지 시스템 또는 방법을 지칭하도록 본원에서 사용된다. 일반적으로, 콘텍스트 인식은, 특정 디바이스 상에서 실행되는 현재의 애플리케이션과, 특정 RAN 접속 및 서비스 실행 환경들 사이의 상호 작용들을 설명하는 특성들의 가시성과 관련될 수 있다. 이러한 방식으로, 예를 들어, 관리 동작들은 서비스 프로비저닝(service provisioning)을 현재의 디바이스 상태 및 네트워크 조건들에 적응시킬 수 있다. 일 실시 예에서, 콘텍스트 인식(context awareness)은, 특정 디바이스 상에서 실행되는 현재의 애플리케이션과, 특정 RAN 접속 및 서비스 실행 환경들 사이의 상호 작용들을 설명하는 모든 특성들의 완전한(full) 가시성과 관련될 수 있다.
특정 실시 예들에서, 시스템들 및 방법들은, 사용가능한 무선 접속들의 가시성, 및 디바이스 성능 향상을 도출할 수 있는 접속들의 핸드오프 특성들을 사용함으로써, 디바이스가 더 자원 효율적인 상태로 전이(transition)하는 것을 보조할 수 있다. "디바이스 상태"는, 관심 있는 하나 이상의 디바이스 메트릭들을 정확하게 반영하는 방식으로 결정(또는 정의)될 수 있다. 예를 들어, 디바이스 메트릭들은 성능 메트릭들, 예를 들어, 전력, 속도, 지연, 프로세서 부하 등을 포함할 수 있다. 일 실시 예에서, 디바이스 메트릭은 배터리 소모와 같은 에너지 또는 전력 소모를 포함할 수 있다. RRC 상태 기계는 디바이스 상태의 컴포넌트일 수 있다. RRC 상태 기계는, 모바일 컴퓨팅 플랫폼들에서의 자원 제한들(resource limitations), 및 디바이스 에너지 소모에서 RRC 상태 기계의 역할로 인해, 중요한 컴포넌트일 수 있다. RRC 상태 기계는 다양한 RAN들에 대해 다양하게 동작할 수 있다. 특정 실시 예들에서, 운영자 선호도들, 사용자 선호도들 또는 사용자 동작들이 또한, 콘텍스트 인식 네트워크 선택에 영향을 미칠 수 있는 다른 콘텍스트 정보로서 고려될 수 있다.
애플리케이션들은, 네트워크들과 무관한 모든 다른 콘텍스트들이 동일하게 유지되는 경우에도 다양한 네트워크들 상에서 상이하게 실행될 수 있다. 예를 들어, 모바일 디바이스들에서, 애플리케이션 트래픽 패턴들은, 디바이스의 라디오 자원 소모, 배터리 사용량 및 사용자 경험에 결국 영향을 미칠 수 있는 RRC 상태 전이들을 트리거링할 수 있다. 애플리케이션 요구와 관련된 RRC 상태들의 현실적인 모델링 및 인식, 및 이들의 전이들은 디바이스 정확도 및 에너지 사용량의 더 정확한 결정을 가능하게 할 수 있다.
특정 실시 예들에서, 네트워크 인식은 효율적인 자원 사용량에 기초할 수 있다. 모바일 애플리케이션들에 대한 최적화 시도들은, 자연스럽게 애플리케이션 동작과의 복잡한 상호 작용들을 요구하는 자원-지향적 컴퓨팅 환경을 생성하는 모바일 디바이스들에서 제한된 자원 사용가능성에 기여될 수 있다. 그러나, 모바일 애플리케이션 개발자들은 무선 인터페이스 특정 특성들을 인식하지 못할 수 있고, 이러한 자원-지향적 모바일 실행 환경들에 대한 가시성을 갖지 않을 수 있다. 애플리케이션들에 대한 하위 계층 프로토콜 동작에서의 투명성의 결핍은, 일부 모바일 애플리케이션들을 셀룰러 또는 무선 기술에 대해 비우호적이 되게 할 수 있고, 라디오 채널 활용도 및 디바이스 에너지 소모의 효율에 부정적으로 영향을 미칠 수 있다.
특정 실시 예들에서, 주위 네트워크 감지를 위한 시스템들 및 방법들은 특정 시간 및 위치에서 실행되는 애플리케이션에 대한 최적의 네트워크를 선택할 수 있다. 이러한 방식으로, 현재의 디바이스 및 네트워크 조건들이 주어지면, 가장 자원 효율적인 디바이스 접속 선택이 제공될 수 있다. 계층들 사이의 상호 작용들을 식별하기 위해, 세부적인(fine-grained) 크로스-계층 디바이스-네트워크 접속 상태 모델이 제공될 수 있다. 이러한 계층들은, 사용자 입력, 사용자 동작 및 애플리케이션 세부사항들로부터 프로토콜 스택의 하위 계층들, 예를 들어, HTTP, 전송 및 RRC까지의 범위일 수 있다. 이러한 방식으로, 다른 크로스-계층 콘텍스트 정보가 주어지면, 현재의 애플리케이션과 최적으로 상호 작용하는 RAN이 선택될 수 있다.
크로스-계층 정보는 디바이스 최적화를 제공하기 위한 디바이스 특정 및 네트워크 특정 데이터 둘 모두를 포함할 수 있다. 최적화는 다양한 기준을 포함할 수 있다. 예를 들어, 일 실시 예에서, 최적화는, 클라이언트 디바이스 상에서 현재 실행중일 수 있는 애플리케이션의 QoS를 유지하는 디바이스 배터리 전력 최적화를 포함할 수 있다. 애플리케이션 계층에 대한 하위 계층 동작에서의 투명성의 결핍으로 인해 존재할 수 있는 불필요한 오버헤드들을 최소화하고 자원 사용량을 최대화하는 최적의 선택을 달성하기 위해, 네트워크 접속 또는 라디오 액세스 기술(radio access technology, RAT) PoA들의 다수의 선택들이 탐색될 수 있다.
특정 실시 예들에서, 네트워크 인식은 간섭 인식에 기초할 수 있다. 예를 들어, 주위 네트워크 감지에서 요구되는 채널 스캐닝의 정확도 및 속도를 향상시키기 위해, 실시간 RF 모니터링이 구현될 수 있다. 기존의 간섭들로 인한 디바이스 자원 할당 변경들을 예측할 수 있는 실시간 콘텍스트 정보로 네트워크 모델이 구현될 수 있다. 이러한 방식으로, 라디오 자원 향상 프로세스에서 사용되는 네트워크 기반 콘텍스트의 정확도가 증가될 수 있다. 또한, 핸드오프 프로세스에서 요구되는 RF 모니터링 단계를 가속화(예를 들어, 인터페이스의 채널들을 회피)함으로써 수평적 및 수직적 핸드오프를 상당히 보조할 수 있다.
특정 실시 예들에서, 지능형 클라이언트를 구성하는 미들웨어가 디바이스측에 제공될 수 있다. 미들웨어는, 클라이언트 디바이스(예를 들어, 스마트폰, 태블릿 등)가 사용가능한 RAN 기술들, 예를 들어, 블루투스, Wi-Fi, 3G 및 LTE 네트워크들 사이에서 지능형 네트워크 선택 및 트래픽 관리 결정을 행하게 할 수 있다. 이러한 방식으로, 미들웨어는, 예를 들어, 액세스 네트워크 발견 및 선택 기능(ANDSF) 및 핫스팟 2.0(HS2.0)에 의해 제공되는 것 이상을 제공할 수 있다. 이러한 네트워킹 대안들의 능력들은 "프로파일들"의 관점에서 미들웨어에 제공될 수 있다. 프로파일들은 일반적으로, 네트워크마다 핸드오프 관련 파라미터들의 수집을 지칭할 수 있다. 미들웨어는 또한, 임의의 네트워크 상에서 사용자들에 대한 QoS 및 경험 품질(QoE)을 유지하면서, 다른 운영자 및 서비스 관련 지원 기능들, 예를 들어, 애플리케이션-특정 트래픽 및 운영자 사용 케이스들(예를 들어, Wi-Fi 경감)의 지능형 관리를 제공할 수 있다.
도 1은, 특정 실시 예들에 따른 예시적인 주위 네트워크 감지(ambient network sensing, ANS) 시스템(100)의 블록도를 예시한다. ANS 시스템(100)은 프로세서(101), 마이크로제어기 유닛(MCU)(102), 온-디바이스 센서들(103) 및 네트워크 센서(104)를 포함하는 것으로 도시된다. ANS 시스템(100)은 모바일 디바이스들과 같은 다양한 디바이스들 중 임의의 디바이스 상에서 구현될 수 있다. 예시된 컴포넌트들은 제한적인 것으로 의도되지 않는다. 디바이스의 다른 컴포넌트들(예를 들어, 운영 시스템, 스피커, 마이크로폰, 입력 제어 엘리먼트, 통신 포트, 트랜시버, 메모리 등)은 본 개시의 세부사항들을 모호하게 하는 것을 회피하기 위해 예시되지 않음을 인식해야 한다.
도시된 실시 예에서, 프로세서(101)는 I2C 버스와 같은 통신 버스(105)를 통해 MCU(102)와 통신할 수 있다. MCU(102)는 I2C 버스와 같은 통신 버스(106)를 통해 온-디바이스 센서들(103) 및 네트워크 센서(104)와 통신할 수 있다. 네트워크 센서(104)는, 본원에 설명된 바와 같은 주위 네트워크 감지 능력들을 제공할 수 있고, 디바이스 인식에 추가되는 새로운 감지 메커니즘으로 고려될 수 있다. 온-디바이스 센서(103)는 종래의 센서들, 예를 들어, 자이로스코프들, 모션 검출기들, 광 센서들, 온도 센서들 등을 포함할 수 있다. 네트워크 센서(104) 및 온-디바이스 센서들(103)은 콘텍스트 및 환경 조건들의 인식을 풍부하게 할 수 있다. 이러한 콘텍스트 정보는, 디바이스의 공간적 및 환경적 콘텍스트들(예를 들어, 모션, 위치 및 배향)로부터 환경적 정보(예를 들어, 광, 온도, 및 사용자와 기계의 상호 작용들, 예를 들어, 터치 및 음성)까지의 범위일 수 있다.
특정 실시 예들에서, ANS 시스템(100)은 에코시스템에서 주위 네트워크 감지를 수행할 수 있다. ANS 시스템(100)은 에너지 소모와 같은 하나 이상의 디바이스 메트릭들을 최적화하기 위해 멀티-네트워크 다양성을 검출할 수 있다. 일 실시 예에서, ANS 시스템(100)은 대역폭 사용가능성을 검출할 수 있고, 간섭을 보상할 수 있다.
디바이스 또는 네트워크에 대해 사용가능한 콘텍스트에 기초한 핸드오프 판정 및 실행을 위한 시스템들 및 방법들이 제공된다. 시스템들 및 방법들은 콘텍스트 정보를 수집할 수 있고, 콘텍스트 정보에 기초하여, 언제 및 어디로 핸드오버(handover)를 트리거링할지를 포함하는 핸드오프 판정이 행해질 수 있다. "언제"의 판정은 최적의 핸드오버를 행할 시간을 지칭할 수 있는 한편, "어디로"는, 스위칭에 대한 다양한 요건들을 충족하는 최적의 네트워크를 선택하는 것을 지칭할 수 있다. 크로스-계층 멀티-파라미터들의 평가를 허용하는 예시적인 알고리즘들은, 퍼지(fuzzy) 로직, 신경(neural) 네트워크들, 패턴 인식 등과 같은 기술들을 포함할 수 있다. 핸드오프 실행은, 부드러운 애플리케이션 세션을 유지(또는 보장)하면서 핸드오프를 실행하는 것을 수반할 수 있다. 예를 들어, 제어 시그널링 및 IP 관리 프로토콜들이 핸드오버에서 사용될 수 있다.
콘텍스트 정보(또는 콘텍스트들)가 수집되고, 네트워크 선택 알고리즘에의 통합을 위해 전처리될 수 있다. 일 실시 예에서, 다양한 컴포넌트들의 메트릭들 및 파라미터들이 결합되어 최적의 크로스-계층 핸드오프 알고리즘을 구축할 수 있다. 예를 들어, 판정의 수학적 알고리즘은, 링크 보상 및 시그널링 오버헤드 기능들을 갖는 마르코프 판정 프로세스(Markov decision process, MDP)를 포함할 수 있다. 다른 실시 예는 가중된 마르코프 체인(weighted Markov chain, WMC)에 기초할 수 있다. 일 실시 예에서, 마르코프 솔루션은 랭크 애그리게이션(aggregation)에 기초할 수 있다. 다른 실시 예들에서는 다른 알고리즘들이 구현될 수 있다.
특정 실시 예들에서, 액세스 네트워크 선택은 파라미터 선택 알고리즘들; 파라미터 프로세싱 알고리즘들; 또는 파라미터 애그리게이션 알고리즘들을 포함할 수 있다. 파라미터 선택 알고리즘들은 정확한 판정을 수행하기 위한 정보를 생성하기 위해 콘텍스트 정보를 활용할 수 있다. 예를 들어, 클라이언트 디바이스 또는 네트워크의 콘텍스트에서의 임의의 변경들은, VHO 판정을 행하기 위해 사용될 수 있는 이벤트들 및 프로세스들을 트리거링할 수 있다. 프로세싱에 대해 선택된 파라미터들의 수에 따라, 알고리즘들은 복잡도에서 다양할 수 있다. 일 실시 예에서, 네트워크 서비스들, 사용자 선호도들, 디바이스 사양들 및 시간이 고려될 수 있다. 정보가 수집되면, QoS 예측기가 단대 단(end-to-end) QoS를 보장하기 위해 경로 예측을 수행할 수 있다. 예를 들어, 수집되고 예측된 콘텍스트 정보는 분석적 계층 프로세스(analytic hierarchy process, AHP) 알고리즘 하에서 평가될 수 있고, 여기서 판정 문제는 하위 문제들로 분할된다. 다중 기준 판정 수행군의 다른 알고리즘들이 또한 구현될 수 있다.
파라미터 프로세싱 알고리즘들에 대해 사용되는 함수들은 순수하게 수학적인 것으로부터 계산 알고리즘들까지 다양할 수 있다. 예를 들어, 랭크 애그리게이션에 기초하는 마르코프 판정 접근법을 사용하여 예시적인 파라미터 프로세싱 알고리즘이 구현될 수 있고, 여기서 최상위로 가중된 네트워크가 선택될 수 있거나 신경 또는 퍼지 로직(neural or fuzzy logic)에 기초할 수 있다.
파라미터 애그리게이션 알고리즘들은, 가장 최적의 후보 네트워크들을 평가하기 위해 사용되는 다양한 메트릭들 및 파라미터들을 설명하기 위해 구현될 수 있다. 예를 들어, 모든 프로세싱된 파라미터들을 애그리게이트하기 위한 다중 기준 판정-수행(multiple criteria decision-making, MCDM) 알고리즘들이 구현될 수 있다. 예시적인 알고리즘들은, 회색 관련 분석(GRA; grey relational analysis), TOPSIS(technique for order preference by similarity to ideal solution) 및 단순 가산 가중(simple additive weighting, SAW)를 포함할 수 있지만, 이에 제한되는 것은 아니다. 예를 들어, GRA 및 TOPSIS 둘 모두는 비교를 위해 이상적인 솔루션을 사용할 수 있고, 이상적인 솔루션에 가장 가까운 것을 선택할 수 있다. 다른 예에서, SAW가 구현될 수 있고, 속성들의 가중치들로 가중된 속성들을 가산함으로써 각각의 대안을 스코어링(scoring)하는 것에 기초할 수 있다.
콘텍스트 정보는 성공적인 핸드오프 실행을 용이하게 할 수 있다. 예를 들어, 정확한 VHO는 서비스 연속성, 네트워크 발견, 네트워크 선택, 보안, 디바이스의 에너지-관리 및 QoS 문제들을 고려할 수 있다. 일부 실시 예들에서, 특정 콘텍스트 정보는 다른 것들에 비해 더 중요하거나 주요 팩터들인 것으로 고려될 수 있다(예를 들어, QoS). 예를 들어, 동종 네트워크 환경에서, "언제" 핸드오버할지를 판정하는 것은 통상적으로, 예를 들어, RSS 값들에 의존할 수 있는 한편, "어디로"는 문제가 되지 않을 수 있는데, 이는, 수평적 핸드오버에 대해 동일한 네트워킹 기술이 적용되기 때문이다.
특정 실시 예들에서, 콘텍스트 정보는 다양한 소스들로부터, 예를 들어, 클라이언트 디바이스 및 네트워크 에지 디바이스 둘 모두에서 수집될 수 있다. 예를 들어, 모바일 디바이스는 서비스들, 데이터 레이트들, 에너지 및 전력 소모를 발견하기 위해 주변 네트워크들을 직접 조사할 수 있다. 일 실시 예에서, 이러한 작업은 네트워크 에지 디바이스로 전달될 수 있다. 네트워크 에지 디바이스는, 예를 들어, 액세스 포인트(AP) 또는 서버를 포함할 수 있다. 일부 예들에서, 스캐닝을 통해 수집된 정보를 보완하기 위해, 네트워크들은 또한, 디바이스 정보(예를 들어, 속도, 배터리 상태, 특징들 등)가 수집되는 동안 자신들의 지원되는 서비스들 및 QoS 파라미터들을 광고할 수 있다. 핸드오버에 대한 판정을 결정하기 위해 사용자 선호도들에 관한 콘텍스트 정보가 또한 사용될 수 있는데, 이는 주로 최종-사용자의 만족도에 대한 영향에 기인할 수 있다.
특정 실시 예들에서, 미들웨어는 원하는 목적에 최상으로 적합하도록 콘텍스트-인식 핸드오프 관리를 수행할 수 있다. 예를 들어, 디바이스-중심의 비용 함수는, 서비스 방해들을 회피하면서 투명한 핸드오프들의 실행을 통해 최적화될 수 있다. 디바이스 상태를 포함하는 환경에 대한 더 완전한 인식 및 핸드오프 프로세스는, 이종 환경들에서 디바이스 성능 및 서비스 연속성의 더 효과적이고 효율적인 최적화를 제공할 수 있다.
도 2는, 특정 실시 예들에 따른 디바이스-중심 콘텍스트-인식 핸드오프를 수행하기 위한 예시적인 시스템(200)을 예시한다. 시스템(200)은 이종 네트워크(201) 및 클라이언트 디바이스(202), 예를 들어, 모바일(또는 휴대용) 디바이스를 포함할 수 있다. 예시적인 클라이언트 디바이스들은 스마트폰들, 태블릿들, 랩탑들 등을 포함할 수 있다. 이종 네트워크(201)는, 2명의 운영자들 A 및 B로부터의 기지국 디바이스들의 코로케이션(colocation)을 호스팅하는 매크로 셀 타워(203)를 포함할 수 있다. "3G/4G" 및 "3G/4G + Wi-Fi"를 지원하는 다른 소형 셀 아키텍쳐들이 운영자들 A 및 B 각각에 대한 용량 및 커버리지 홀(coverage hole)들을 향상시킬 수 있다. 또한, 제 3 운영자 C에 의해 "Wi-Fi 핫스팟"이 동작될 수 있다. 블루투스 플러스 Wi-Fi 다이렉트와의 WPAN 접속을 지원할 수 있는 사용자 홈 네트워크는 매크로 셀들 A 및 B의 풋프린트(footprint) 내에 위치될 수 있다. 예시적인 네트워크들 및 구성은 제한적인 것으로 의도되지 않는다. 대안적인 접속의 많은 다양한 조합들은 위치, 디바이스 특성들 및 네트워크 조건들에 따라 사용자에게 사용가능할 수 있다. 일부 예들에서, 하나 이상의 접속들은 운영자들 A, B 또는 C에 의해 관리가능하지 않을 수 있다.
시스템(200)은 또한, 클라이언트-프록시 셋업에서 동작하는 2개의 단부들을 갖는 미들웨어를 포함할 수 있다. 콘텍스트 인식 핸드오프 엔진(CAHE) 모듈(206)은 클라이언트 디바이스(202) 상에 상주하는 클라이언트를 구성할 수 있는 한편, 프록시(204)는 이종 네트워크(201)의 인프라구조측에 설치될 수 있다. 일 실시 예에서, 프록시(204)는 "세션 프록시"로서 세션 계층에서 동작하는 서비스 게이트웨이(205) 상에 설치될 수 있다.
클라이언트 디바이스(202)는 미들웨어의 클라이언트(206)를 구비한 콘텍스트 적응형 디바이스일 수 있다. 클라이언트(206)는 콘텍스트-인식 핸드오프 엔진(또는 모듈)로서 기능할 수 있다. 용어 콘텍스트-인식 핸드오프 엔진은 또한 본원에서 "CAHE 모듈" 또는 "CAHE"로 지칭될 수 있다. CAHE 모듈의 작업은, 현재의 수집된 콘텍스트 정보가 주어지면, 더 양호한 "디바이스 상태"를 도출할 수 있는 핸드오프 기회들을 모니터링하는 것일 수 있다. CAHE 모듈은 또한, 사용자 이동에 의해 트리거링될 수 있는 통상적인 핸드오프 이벤트들에 대한 제어를 가질 수 있다. CAHE 모듈은, 예를 들어, 최대 에너지 또는 전력 소모, 애플리케이션 및 사용자 선호도들과 같은 가중된 요건 및 콘텍스트 정보에 기초한 판정 기능일 수 있다. 서비스 연속성 관리로 콘텍스트-인식 핸드오프들을 구현하는 것은, 내재적인 실행 플랫폼에 의해 영향받는 여러 계층들에 걸쳐 확장되는 많은 기술적 세부사항들을 수반할 수 있다.
특정 실시 예들에서, 애플리케이션들은, 예를 들어, 세션 개시 프로토콜(session initiation protocol, SIP) 또는 IP 멀티미디어 서브시스템(session initiation protocol, IMS) 시그널링을 통해, 자신들의 서비스 요건들을 미들웨어 인프라구조에 선언하기만 하면 된다. 이러한 방식으로, 핸드오프 프로세스는 단순화될 수 있다. 예를 들어, 디바이스 상태들 및 콘텍스트 인식을 사용하는 작업은 오직 미들웨어 내에서만 수행될 수 있다. 사용자 디바이스(202) 및 프록시(204) 상의 미들웨어는 핸드오프 책임 뿐만 아니라 특정 관리 동작들을 담당할 수 있다. 본 개시에서, 핸드오프 이벤트들의 예측 및 트리거링(예를 들어, 핸드오프 인식), 서비스 품질 요건들 및 핸드오프-관련 품질 악화들의 관리(예를 들어, QoS 인식) 및 네트워크 토폴로지 및 로컬 자원 사용가능성에 대한 가시성을 위한 솔루션들(예를 들어, 위치 인식)을 위한 시스템들 및 방법들이 제공된다.
도 2에 도시된 콘텍스트 정보의 예시적인 카테고리들은 디바이스 레벨 콘텍스트 정보(예를 들어, 디바이스 상태(207)), 애플리케이션 레벨 콘텍스트 정보(예를 들어, 애플리케이션 특성들(208)), 네트워크 레벨 콘텍스트 정보(예를 들어, 운영자 선호도들(209), 네트워크 상태(210) 및 RAT 프로파일들(211)) 및 사용자 레벨 콘텍스트 정보(예를 들어, 사용자 선호도들(212))를 포함할 수 있다. CAHE 모듈은, 기존의 세션이 실행될 수 있는 사용가능한 네트워크들에 기초하여 디바이스 상태를 최적화하기 위해 콘텍스트 정보를 프로세싱할 수 있는 디바이스 상태 및 핸드오프 추천 모듈을 포함할 수 있다.
도 3은, 특정 실시 예들에 따른 예시적인 디바이스 상태 및 핸드오프 추천 모듈(300)의 도면을 예시한다. 디바이스 상태 및 핸드오프 추천 모듈(300)은, 디바이스 레벨 콘텍스트 정보(301), 애플리케이션 레벨 콘텍스트 정보(302), 네트워크 레벨 콘텍스트 정보(303) 및 사용자 레벨 콘텍스트 정보(304)를 포함하는 것으로 도시된다. 디바이스 레벨 콘텍스트 정보(301)는, (예를 들어, 상태 정의 모델에 따라 추정되는) 현재의 디바이스 상태와 관련된 콘텍스트 정보, 현재의 링크에 대한 수신 신호 강도 표시자(received signal strength indicator, RSSI)와 같은 데이터 등을 포함할 수 있다. 정적(고정적) 및 동적(가변적) 성질 둘 모두가 고려될 수 있다. 예시적인 정적 디바이스 콘텍스트 정보는 그래픽스, 센서들, 인터페이스들, RAM, 디스플레이 크기 등을 포함할 수 있다. 예시적인 동적 디바이스 콘텍스트들은 측정된 데이터, 예를 들어, RSSI, 간섭 보고들(interference reports), 디폴트 네트워크, 전력 및 에너지 사용량 이력 프로파일들 등을 포함할 수 있다. 애플리케이션 레벨 콘텍스트 정보(302)는, 다양한 대안적인 시그널링 메커니즘들에 의해 수집되는 콘텍스트 정보, 예를 들어, 애플리케이션 레벨 메타데이터, QoS 파라미터들(예를 들어, 요구되는 전송기 비트 레이트(SBR) 또는 프레임 레이트들) 등을 포함할 수 있다. 네트워크 레벨 콘텍스트 정보(303)는, 가변적 네트워크들 및 이들의 지원되는 프로파일들; QoS 파라미터들, 예를 들어, 지연, 지터 및 비트 에러 레이트(BER)); 및 ANDSF 및 HS2.0과 같은 운영자 시그널링을 통해 통신되는 운영자 선호도들을 포함할 수 있다. 사용자 레벨 콘텍스트 정보(304)는 정적 또는 동적 특성들을 포함할 수 있다. 사용자 레벨 콘텍스트 데이터(304)는 사용자 선호 네트워크, 사용자 위치, 사용자 상태(예를 들어, 어웨이크, 수면 등), QoE에 대한 사용자 피드백 등을 포함할 수 있다. 디바이스 상태 및 핸드오프 추천 모듈(300)은 알고리즘(306)(예를 들어, 베이지안(Bayesian), 신경, ML 등)을 사용하여 콘텍스트 데이터 입력들(301,302,303,304)을 프로세싱할 수 있다. 디바이스 상태 및 핸드오프 추천 모듈(300)은, 예측된 디바이스 상태 및 추천된 네트워크를 포함할 수 있는 출력(305)을 제공할 수 있다. 도시된 콘텍스트 정보는 예시적이며 제한적인 것으로 의도되지 않음을 주목해야 한다. 예를 들어, 다른 실시 예들에서, 도 3에 도시된 콘텍스트 정보의 타입들 중 하나 이상이 포함되지 않을 수 있거나, 또는 도 3에 도시되지 않은 추가적인 콘텍스트 정보가 또한 포함될 수 있다.
네트워크 모니터링 및 콘텍스트 정보 수집
일 실시 예에서, 액세스 네트워크 모니터링 및 콘텍스트 정보 수집은, 핸드오프 프로세스를 위해 디바이스 상태를 포함하는 더 완전한 환경 인식을 제공할 수 있다. 이러한 인식은 이종 환경들에서 디바이스 성능 및 서비스 연속성의 더 효과적이고 효율적인 최적화를 달성하기 위해 사용될 수 있다. 액세스 네트워크 발견은, 하나의 RAT로부터 다른 RAT로의 스위칭 전에 다양한 사용가능한 무선 네트워크들을 식별하는 것을 수반할 수 있다. 액세스 네트워크 발견은, 디바이스 중심 및 에너지 효율적 제약들을 수용하기 위해, 본원에서 설명되는 바와 같이 에너지-효율적 방식으로 수행될 수 있다.
특정 실시 예들에서, 콘텍스트 정보는 사용가능한 접속 포인트들(PoA들)을 식별하기 위해 사용될 수 있다. 무선 네트워크 인터페이스 카드들(WNIC들)을 가동시키지 않고 네트워크 조건들을 추정하기 위해, 시간, 이력, 무선 네트워크 조건들, 디바이스 위치 및 모션과 같은 콘텍스트 정보가 결정되고 사용될 수 있다. 예를 들어, 일 실시 예에서, 네트워크 조건들은 사용량 및 시간, 예를 들어, 시각에 기초하여 추정될 수 있다. 예를 들어, 다양한 날의 동일한 시간의 네트워크 조건들이 통계적으로 상호-관련될 수 있다. 일 실시 예에서, 네트워크 조건들은 이력 데이터에 기초하여 추정될 수 있다. 예를 들어, 이력 데이터는, 새로운 측정 기회가 발생할 때까지, 또는 정의된 시간 기간이 경과될 때까지, 이전 접속들 동안 수집되는 네트워크 조건들과 관련될 수 있다.
일 실시 예에서, 네트워크 조건들은 기지국 데이터에 기초하여 추정될 수 있다. 예를 들어, 기지국 데이터는, 클라이언트 디바이스에 대해 사용가능하고, 네트워크 조건들과 지형 사이의 관계를 활용하기 위해 사용될 수 있는 가시적 셀룰러 타워 정보를 포함할 수 있다. 일부 예들에서, GPS는 높은 에너지 소모로 인해 배제될 수 있다. 일 실시 예에서, 기지국 데이터는 셀 식별자(ID)를 포함할 수 있다. 예를 들어, RAT들(예를 들어, Wi-Fi, 블루투스 등)의 사용가능성은, 각각의 셀 타워가 가시적인 경우 RAT마다 계산된 가중된 합산 확률로서 계산될 수 있다. 일 실시 예에서, 기지국 데이터는 핑거프린팅 데이터(fingerprinting data)를 포함할 수 있다. 예를 들어, 클라이언트 디바이스에 의해 보고되는 다수의 가시적 셀 타워들(a multitude of visible cell towers)의 순서화된 세트가, 정확한 결과들을 제공하기 위한 콘텍스트 정보로서 사용될 수 있다. 일부 예들에서, 메모리 및 각각의 위치에서의 이전 트레이닝(training)이 구현될 수 있다.
일 실시 예에서, 네트워크 조건들은 트리거 기반 측정들에 기초하여 추정될 수 있다. 예를 들어, 특정 이벤트들은 클라이언트 디바이스 및 이의 모션, 예를 들어, 디바이스 가속도에 의해 트리거링될 수 있다. 이러한 이벤트들은, 얼마나 많은 클라이언트 디바이스(또는 사용자 장비(UE))가 이동했는지를 측정하기 위해 사용될 수 있다. 일 실시 예에서, 이동이 특정 임계치보다 크면, 새로운 측정이 수행될 수 있다. 그렇지 않으면, 이전의 네트워크 조건 측정들이 사용될 수 있다.
일 실시 예에서, 네트워크 조건들은 RAT에 기초하여 추정될 수 있다. 예를 들어, 하나의 RAT가 사용되어, 다른 RAT 접속을 추정 또는 제어할 수 있다. 일 실시 예에서, RAT는 다른 RAT의 커버리지 추정을 위해 사용될 수 있다. 예를 들어, Wi-Fi 인터페이스 활성화 프로세스는 3G 또는 4G 셀룰러 신호 품질을 모니터링함으로써 제어될 수 있다. 이와 관련하여, WLAN 커버리지 영역을 추정하기 위한 알고리즘을 설계하기 위해, 실내에서 실외로 이동하는 경우의 Wi-Fi 신호 악화가 사용될 수 있다. 일 실시 예에서, RAT 정보는 다른 RAT를 접속시키기 위해 사용될 수 있다. 예를 들어, 네트워크 발견 및 연관 동안 Wi-Fi를 턴 온시키는 에너지 소모 프로세스를 회피하기 위해, UE는 셀룰러 페이징 채널들을 통해 위치 기반 정보에 액세스할 수 있고, PoA와 직접 연관될 수 있다.
일 실시 예에서, RAT는 다른 RAT를 웨이크 업(wake up)하기 위해 사용될 수 있다. 예를 들어, Wi-Fi 인터페이스는, 비활성화 타이머가 만료된 후 턴 오프될 수 있다. 전송될 또는 수신될 데이터가 존재하는 경우, Wi-Fi WNIC을 웨이크 업하기 위해 셀룰러 네트워크(예를 들어, 3G)를 통해 페이징 신호가 개시될 수 있다. 이러한 특징은 또한, 전력 및/또는 에너지를 절감하기 위해, 메인 라디오(예를 들어, Wi-Fi, 셀룰러 등)에 대한 웨이크-업 채널을 갖는 제 2 저전력 라디오로서 다른 단거리 실내 무선 접속 선택들(예를 들어, 블루투스, Wi-Fi 다이렉트 등)에 적용될 수 있다.
다른 실시 예들에서, 하이브리드 방법이 구현될 수 있음을 인식해야 한다. 예를 들어, 다양한 추정 방법들의 조합들이, 배터리 수명을 아끼기 위해 이벤트 구동되는 알고리즘에서 사용될 수 있다.
에코시스템-기반, 에너지 인식 콘텍스트 수집
특정 실시 예들에서, 클라이언트 디바이스들(예를 들어, 모바일 디바이스들) 및 네트워크 에지 디바이스들 둘 모두를 수반하는 에코시스템을 통합하는 VHO 프로세스를 위한 시스템들 및 방법들이 제공될 수 있다. 에코시스템은 느슨하게 커플링된(loosely-coupled) VHO 플랫폼으로 기능할 수 있다. 특정 실시 예들에서, 네트워크 모니터링의 일부 또는 모든 에너지 소모 작업들은 에코시스템의 다른 디바이스(예를 들어, 네트워크 에지 디바이스)에 전달될 수 있다. 네트워크 에지 디바이스는, 예를 들어, 무선 및 유선 접속 능력들 둘 모두를 갖는 네트워크의 에지에 있는 고정 디바이스일 수 있다. 네트워크 에지 디바이스로부터의 지원은 스마트 및 주위-인식 클라이언트 디바이스들의 인식을 풍부하게 할 수 있다. 이러한 클라이언트 디바이스들은, 자신들의 주위 환경을 모니터링하고, 착신 RF 정보에 대한 응답으로 자신들의 동작 파라미터들을 적응시키고, 자신들의 내부 상태 전이들 및 과거 관측들을 인식하면서 에너지-인식 VHO 실행을 설정할 수 있다.
특정 실시 예들에서, 모델링 및 모니터링은 효과적이고 효율적인 콘텍스트 정보 수집을 위해 수행될 수 있다. 홈 또는 기업 네트워킹 환경에서, 클라이언트 디바이스는, 셀폰(cellphones), 태블릿들, 다른 스마트 휴대용 단말 등을 포함하는 모바일 디바이스들과 같은 다양한 디바이스들 중 임의의 디바이스일 수 있다. 네트워크 에지 디바이스는, 특수 멀티-홈(multi-homed) AP, 스마트 TV, 다중 무선 RAT 능력들을 갖는 컴퓨터(예를 들어, 랩탑 또는 PC) 등과 같은 다양한 디바이스들 중 임의의 디바이스일 수 있다.
에코시스템 구조의 네트워크 에지에 있는 디바이스들의 조정(coordination)은 다양한 모니터링 작업들을 가능하게 할 수 있다. 예를 들어, 모니터링 작업들은 RF 분석 및 패시브 스캐닝을 포함할 수 있다. 스캐너 또는 네트워크 모니터링 디바이스는 관심있는 라디오 대역들 내의 네트워크 및 간섭 활동들을 캡쳐하기 위해 "청취(listen)"할 수 있다. 주파수 및 시간 도메인 기반 스캐닝이 수행될 수 있다. 예를 들어, 관심있는 대역에서 네트워크 활동들을 결정하고 간섭 에너지들을 검출하기 위해 주파수 기반 스캐닝이 사용될 수 있다. 간섭이 검출되면, 시간-기반 스캐닝은 간섭원 및 간섭원의 동작을 특성화하여 더 에너지 및 시간 효율적인 채널을 형성하도록 도울 수 있다. 이러한 방식으로, 스마트 스캐닝이 제공될 수 있다. 간섭원들을 위치확인할 뿐만 아니라 간섭 측정 디바이스에 대한 더 양호한 링크 버짓(link budget)을 제공하기 위해, 아날로그 및 디지털 빔 형성이 또한 사용될 수 있다. 그 결과, 측정 정확도가 개선될 수 있다.
일부 실시 예들에서, 네트워크 에지 디바이스에서 수행될 수 있는 RF 분석은 소프트웨어 기반 또는 하드웨어 기반일 수 있다. RF 분석은 수반되는 다양한 프로토콜 계층들에 기초할 수 있다. 특정 실시 예들에서, RF 분석은 소프트웨어 기반일 수 있고, 계층 1 프로토콜 계층 내의 모니터링을 포함할 수 있다. 예를 들어, 원하지 않는 간섭원들을 검출 및 분류하기 위해, RF 스펙트럼이 스캐닝될 수 있다. 스캔 데이터는, 다양한 주파수 대역들에서 기존의 에너지의 실시간 시각적 간섭 분류 맵을 설정하기 위해 프로세싱될 수 있다. 맵은 스캐너에 의해 캡쳐되는 관심있는 다수의 RAT들을 커버할 수 있다. 또한, 간섭 분류는, 예를 들어, AP와 같은 네트워크 디바이스의 WNIC들에 의해 캡쳐되고 네트워크 CPU에 의해 포워딩되는 미처리 스펙트럼 데이터를 송신함으로써, 백본(backbone) 상의 기기 또는 원격 서버에 의해 또한 수행될 수 있다. 간섭 분류는 또한, 네트워크를 통해 원격 서버 또는 기기에 통합된 스펙트럼 데이터 및 간섭 이벤트 통지들을 전송하는 네트워크 에지 디바이스 내의 네트워크 CPU에 의해 수행될 수 있다. 그 다음, 서버는 미처리 데이터를 분석하여, 관심있는 라디오 채널들 상에서 간섭원 및 간섭원의 심각성을 분류할 수 있다. 일부 예들에서, 이것은, 유선 인프라구조에 과도한 트래픽을 도입시키지 않을 것이기 때문에, 신속하고 확장가능하다.
특정 실시 예들에서, RF 분석은 하드웨어 기반(예를 들어, 칩 기반)일 수 있고, 계층 1 프로토콜 계층 내의 모니터링을 포함할 수 있다. 예를 들어, 하드웨어 기반 구현은, 실시간 모니터링, 신속한 검출 및 간섭 또는 보안 위협들의 신속한 분석에서 유리할 수 있다. 하드웨어 기반 구현은, 시간 도메인 및 주파수 도메인 분석 둘 모두를 통해, 미지의 또는 예측되지 않는 간섭원들의 매우 정확한 분류를 도울 수 있다. 또한, 칩이 RF 모니터링에 전용될 수 있는 경우, 칩의 네트워크 디바이스로의 통합은, 네트워크 성능에 대한 간섭의 효과를 정량화할 수 있는 동시 모니터링 및 WNIC 동작들을 제공할 수 있다. 이것은, 현재의 채널의 성능 및 에너지 부담의 계산 뿐만 아니라 특정 라디오로의 스위칭 비용 둘 모두에 대해 유리할 수 있다. 네트워크 디바이스(예를 들어, CPU 및 메모리), RAN 또는 원격 서버로부터 거의 어떠한 자원들도 요구하지 않으면서, 진보된 간섭 모니터링 및 관리가 달성될 수 있다.
특정 실시 예들에서, RF 분석은 계층 2 또는 그 이상의 프로토콜 계층들을 포함하는 모니터링에 기초할 수 있다. 일 실시 예에서, 데이터 패킷들은 분석을 위해 캡쳐 및 덤프(dump)될 수 있다. 예를 들어, 관심있는 파라미터들의 캡쳐를 가능하게 하기 위해, 스니퍼(sniffer)가 구현되어 "미처리 가상 플랫폼"을 설정할 수 있다. 예를 들어, 네트워크 모니터(Net Mon) 동작 모드에서, Wi-Fi WNIC는, 다른 디바이스들에 의해 WLAN 매체들을 통해 전송되는 패킷들을 평가함으로써 통신 채널을 모니터링하는 802.11 스테이션으로서 동작할 수 있다. 이것은, 예를 들어, 얼마나 많은 Wi-Fi 디바이스들이 주어진 영역에서의 스펙트럼을 이미 사용하고 있는지를 발견하고, 그 영역에서 다양한 Wi-Fi 채널들이 얼마나 사용중(busy)인지를 발견하기 위해 사용될 수 있다. Kismet, Wireshark 등과 같은 Wi-Fi 패킷 스니퍼가 사용되어, 미처리 가상 인터페이스 상에서 수신되는 모든 패킷들의 캡쳐를 가능하게 할 수 있다. Wi-Fi WNIC 디바이스의 미처리 모니터링 모드 상에서 동작하는 계층 2 네트워크 스니퍼 및 침입 검출기가 사용되어, SSID를 브로드캐스트하지 않는 은닉 네트워크들을 검출하면서 분석을 도울 수 있다. 일 실시 예에서, 구현되는 스니퍼(sniffer)는 Kismet이다. Kismet은 또한 블루투스, DUCT 등과 같은 다른 넌-Wi-Fi 네트워크들(non-Wi-Fi networks)을 검출할 수 있다. 그 다음, 스니퍼는 모든 스니핑된 패킷들을 "로깅(log)"하고, 이들을 "덤프" 파일에 저장할 수 있다. Kismet은 또한 PPI 헤더들을 캡쳐할 수 있고, GPS 트랜시버들 또는 다른 위치 메커니즘들에 대한 API가 사용가능하면 네트워크의 지리적 위치의 로깅을 지원할 수 있다. Kismet과 같은 스니퍼들은 또한 신호 및 잡음 레벨을 측정할 수 있고, 또한 네트워크 관리 트래픽을 관측할 수 있다.
패시브 모니터링은, 핸드오프 판정으로 팩터화될 수 있는 콘텍스트 정보를 수집하는 것을 포함할 수 있다. 예를 들어, Wi-Fi에서, (예를 들어, AP들로부터의) 각각의 수신된 프레임은, 안테나 상에서의 현재의 빔 패턴에 대한 인덱스, 위치 정보, 현재의 채널, PHY-계층 데이터 레이트, 신호대 잡음비(SNR) 등으로 주석이 달릴 수 있다. 일 실시 예에서, 각각의 수신된 프레임에 대한 SNR, 데이터 레이트 또는 채널 정보는 각각의 수신된 프레임에 대한 드라이버에 의해 첨부되는 라디오-탭 헤더(radio-tap header)로부터 획득될 수 있다. 주석이 달린 정보를 갖는 전체 프레임은 스캔 동안 로깅될 수 있고, 예를 들어, RF 서명으로 고려될 수 있다.
특정 실시 예들에서, 액티브 스캐닝이 수행될 수 있다. 청취에 추가로, 액티브 스캐닝은, 콘텍스트 정보의 수집을 위해 다양한 디바이스들과 상호 작용하는 것을 포함할 수 있다. 이러한 스캐닝은 핸드오프 판정을 보조할 수 있다. 일 실시 예에서, Wi-Fi 및 802.11k 프로토콜들은, 더 양호한 핸드오프 판정을 행하기 위해 클라이언트 디바이스 환경에 대한 정보를 추출하도록 구현될 수 있다. 통신은, 네트워크 에지 디바이스에 의해, 프로토콜을 지원하는 클라이언트 디바이스들(또는 UE들)과 직접 설정될 수 있다. (예를 들어, 클라이언트 디바이스들로부터의) 수신된 프레임은 간섭 정보를 포함할 수 있고, 다수의 추가적인 정보로 주석이 달릴 수 있다. 주석들은, 추가적인 정보, 예를 들어, 안테나 상의 현재의 빔 패턴에 대한 인덱스; 위치 정보; 현재의 채널; PHY-계층 데이터 레이트; SNR; 특정 채널 또는 모든 채널들 상에서 스테이션의 범위 내의 AP들의 수; 각각의 채널 상에서 WLAN 활동의 레벨; 각각의 채널 상에서 넌-WLAN 라디오 활동; 각각의 AP로부터의 비콘 신호의 강도; 통계(예를 들어, 평균 지연, FCS 에러들의 수, 실패된 송신들의 수 등); 스테이션들의 위치 등을 포함할 수 있다.
콘텍스트 수집 및 분석
특정 실시 예들에서, 크로스-계층 콘텍스트 정보는, 주위 네트워크 감지에서 콘텍스트-인식의 유효성을 향상시키기 위해 사용될 수 있다. 다양한 계층들에 걸친 크로스-계층 상호 작용들을 정확하게 그리고 효율적으로 노출시킴으로써, 스마트폰 애플리케이션들에 대한 비효율적인 자원 사용량이 검출될 수 있다. 앞서 표시된 바와 같이, 크로스-계층 콘텍스트 정보는 둘 이상의 OSI 계층들로부터의 정보 또는 파라미터들을 포함할 수 있다. 예를 들어, 크로스-계층 상호 작용들은, 사용자 상호 작용 계층, 애플리케이션 계층, 전송 계층 및 RRC 채널 상태와의 상호 작용들을 포함할 수 있다. RRC 엔진에 대한 직접적 액세스 또는 하위 계층 RRC 상태들의 정확한 추론은, RRC 채널 상태와의 상호 작용들을 가능하게 할 수 있다. 에너지 소모에 대한 서비스 및 애플리케이션 트래픽 패턴들의 영향을 정량화하는 것은 RRC 상태 기계에 의해 구동될 수 있다.
크로스-계층 콘텍스트 정보는, 에너지 및 라디오 자원 소모를 정확하게 검출하고, 주위 네트워크 감지에서 가장 효율적인 네트워크를 선택하기 위해 함께 분석될 수 있다. RRC 상태 모듈(또는 엔진)은 상위 계층들에 투명할 수 있다. 이러한 크로스-계층 콘텍스트 정보 수집은 에코시스템의 디바이스 및 네트워크 관련 정보 둘 모두에 대해 확장될 수 있다. 핸드오프를 위한 최적의 네트워크의 선택은, QoS 및 에너지 소모와 같은 중요한 파라미터들 사이에서 실제 트레이드오프들(tradeoffs)을 고려함으로써 이점을 얻을 수 있다. 분석은, 주어진 크로스-계층 콘텍스트 정보에 대해 가장 애플리케이션 우호적인 네트워크를 선택하는 것을 포함할 수 있다. 특히, RRC, HTTP 계층, TCP 계층, 사용자 상호 작용들 및 애플리케이션 상호 작용들, 및 이들의 크로스 계층 상호 작용들에 대해 다수의 분석들이 수행될 수 있다. 분석들은, 클라이언트 디바이스의 배터리 수명 및 라디오 자원들에 대한 스마트 폰 애플리케이션들의 더 정확한 영향을 검출하기 위해 사용될 수 있다.
많은 애플리케이션들은 모바일 디바이스 우호적일 수 있다. 예를 들어, 전문 개발자들은 자원-제약된 모바일 실행 환경에 대한 적절한 가시성을 갖지 않을 수 있다. 하위 계층 프로토콜 동작에서 이러한 투명성의 결핍은 비효율적인 라디오 채널 활용도 또는 디바이스 에너지 소모를 초래할 수 있다. 하위 계층들(예를 들어, RRC, HTTP, 전송)의 상위 계층들(예를 들어, 애플리케이션, 사용자 입력, 사용자 동작)까지의 크로스-계층 상호 작용들을 노출시킴으로써, 특정 RAT와 관련된 애플리케이션의 성능 및 애플리케이션의 서비스 패턴이 결정될 수 있고, 가장 효율적인 접속 선택이 선택될 수 있다. 이것은, 에코시스템 내에서 디바이스 특정 콘텍스트 정보 및 네트워크 특정 콘텍스트 정보를 수집하는 것을 포함할 수 있다. 일 실시 예에서, 애플리케이션 성능 및 네트워크 에너지 효율을 추정할 때의 팩터는, RRC 상태들에 대한 애플리케이션 트래픽 패턴들의 영향 및 RRC 상태들 사이의 전이들의 결정일 수 있다. 모바일 컴퓨팅 환경들에서, RRC 상태들은 제한된 라디오 자원들을 효율적으로 활용하고 클라이언트 디바이스의 배터리 수명을 개선하기 위해 사용될 수 있다. 더 구체적으로, 애플리케이션 트래픽 패턴들은 RRC 상태 전이들을 직접 트리거링할 수 있고, 이는, 클라이언트 디바이스의 라디오 자원 활용도, 클라이언트 디바이스의 전반적 에너지 소모 및 사용자 경험에 영향을 미칠 수 있다. 따라서, RRC 상태들 및 이들의 전이들에 관한 정확한 정보는 가장 에너지 효율적인 네트워크의 선택에 대해 유리할 수 있다.
특정 실시 예들에서, 데이터 수집 및 오프라인 프로세싱은 크로스-계층 콘텍스트 정보의 분석의 지원으로 네트워크 에지에 있는 고정 또는 휴대용 디바이스들에 의해 수행될 수 있다. 예를 들어, 각각의 사용가능한 RAT의 경우, 애플리케이션 프로파일은 데이터 수집 에이전트의 활성화를 통해 설정될 수 있다. 데이터 수집 에이전트는, 원하는 지속기간 동안 통상적인 애플리케이션 사용자로서 샘플 애플리케이션을 실행함으로써 패킷 데이터를 수집하도록 작업될 수 있다. 데이터 수집 에이전트는 패킷 트레이스(packet traces) 뿐만 아니라 시스템 및 사용자 입력 이벤트들을 캡쳐할 수 있고, 이는, 후속적으로 네트워크 에지 디바이스의 CPU 상에서 분석 모듈에 의해 프로세싱될 수 있다. 일 실시 예에서, 에코시스템 기반 프로세싱은 시뮬레이션 기반 접근법들을 사용하여 RAT마다 RRC 상태들의 추론을 포함할 수 있다.
네트워크 접속은 에너지 소모에 영향을 미칠 수 있다. 트래픽 패턴들은 라디오 전력 관리 정책들 및 RRC 상태들에 영향을 미칠 수 있다. 특정 실시 예들에서, 높은 입도(예를 들어, 버스트 레벨(burst level)) 자원 소모 분석이 구현될 수 있고, 이는 트래픽 버스트 및 관련 트리거링 팩터들의 자원 소모를 정의하는 것을 포함할 수 있다. 모델에서 사용될 수 있는 팩터는, 예를 들어, 네트워크마다 애플리케이션 또는 트래픽의 각각의 타입에 대한 시스템 자원들의 관여에 대한 세부적인 결정(fine grain determination)일 수 있다. 일 실시 예에서, 작업량의 특정 양을 특정하는 시스템 호출 기반 메트릭이 사용될 수 있다. 예를 들어, X 바이트를 WNIC에 전송하는 것은 컴포넌트(예를 들어, CPU 및 메모리)를 몇몇 가능한 베이스 전력 상태들 중 하나로 보낼 수 있다. 짧은 기간 내에 소수의 패킷들을 전송하는 것은 WNIC를 저전력 베이스 상태로 보낼 수 있는 한편, 많은 패킷들을 (예를 들어, 하나 또는 다수의 백-투-백 전송 시스템 호출들을 통해) 전송하는 것은 WNIC를 고전력 베이스 상태로 보낼 수 있다. 모델은, 에코시스템 내의 모바일 디바이스들 및 고정 디바이스들 중 하나 또는 둘 모두일 수 있는 네트워크 모니터링 모듈에서 스펙트럼 감지를 통해 홈(또는 실내) 환경들에서 수집될 수 있는 환경 팩터들(예를 들어, 간섭 레벨, 잡음, 공통-채널 간섭, 인접 채널 간섭, 채널 공기 품질 등)을 설명할 수 있다. 이러한 방식으로, 로컬 접속 전력 상태들은 비교적 실시간 방식으로 설정될 수 있다. 네트워크 모니터링 모듈은 제공된 QoS 및 에너지 소모 팩터들 둘 모두의 관점에서 사용가능한 네트워크들의 리스트를 규칙적으로 제공할 수 있고, 이는, 자율적 네트워크 감지를 통해 또는 에코시스템 정보와 관련된 802.21 서버들을 통해 설정될 수 있다.
클라이언트 디바이스에 대한 에너지 프로파일이 설계(또는 결정)될 수 있고, 주위 네트워크 감지와 함께 사용될 수 있다. 일부 예들에서, 다이렉트 RRC 측정이 수행될 수 있다. 예를 들어, 데이터 분석 모듈은 클라이언트 디바이스로부터 직접 RRC 상태들을 판독할 수 있다. 예를 들어, 데이터 분석 모듈은 클라이언트 디바이스와 네트워크 사이에서 저레벨 통신을 관측할 수 있다. 이것은, RRC 상태 정보를 제공할 수 있는 API들에 대한 액세스를 요구할 수 있다. RRC 상태 기계는 다양한 운영자 네트워크들에서 다양하게 구성될 수 있고, 따라서 일부 예들에서, 미리 정의된 상태 기계는 충분하지 않을 수 있다. 다이렉트 측정들의 부존재 시에, RRC 테일즈(tales)가 다양한 RAT들의 RRC 상태 기계들에 대한 추론 기술들에 의해 추론될 수 있다. 추론 기술들은, 클라이언트 디바이스 하드웨어로부터 직접적으로 RRC 상태들에 액세스하기 하기 위한 인터페이스의 결핍으로 인해 일부 예들에서는 필수적일 수 있다. 예를 들어, 이러한 기술들 중 일부는, 수집되고 후처리되는 패킷 트레이스들로부터 RRC 상태들을 정확하게 추론할 수 있다. 일 실시 예에서, RRC 상태들의 다양한 에너지 레벨들을 추정함으로써 RRC 상태들을 추론하기 위해 시뮬레이션들이 사용될 수 있다. 데이터 패킷 트레이스들의 수집 및 프로세싱은, 예를 들어, 셀룰러 코어 네트워크에서 또는 모바일 핸드셋에서 발생할 수 있다. 그 다음, 다양한 애플리케이션들에 대한 시뮬레이션들은 특정 트래픽 파트너들에 대한 예상되는 에너지 소모를 제공할 수 있다. 다른 실시 예들에서, WNIC마다의 평균 에너지 소모는 네트워크 선택 기준으로서 고려될 수 있다. 예를 들어, 특정한 인터페이스 카드로부터의 RRC 상태들 각각에 대해 평균 전력 소모 값들을 사용하는 것에 기한 접근법들이 고려될 수 있다. 통상적인 3G 및 Wi-Fi 카드들의 에너지 소모 레이트들은 클라이언트 디바이스의 에너지 소모를 추정하기 위해 사용될 수 있다. 추정은, 다양한 RAT들을 사용하는 경우 에너지 소모 사이에서의 주요 차이점들의 일반적인 아이디어를 제공할 수 있다. 실제 전력 소모를 추정하는 것은 많은 팩터들에 의존할 수 있다.
특정 실시 예들에서, 각각의 RAT에 대한 RRC 추론 기술들은 네트워크 의존적 RRC 파라미터들에 기초하여 구현될 수 있다. 이것은, 예를 들어, 실제 에너지 추정(actual energy estimation) 전에 발생할 수 있다. RRC 추론에 기초하여, 네트워크-특정 RRC 파라미터들이 측정될 수 있다. 이러한 파라미터들은 다양한 RAT들 사이에서 변할 수 있다. 예시적인 파라미터들은, 비활성화 타이머들, 상태 촉진 지연들(state promotion delays), RLC 버퍼 임계치들, 연관 시간들, 테일 상태들(tail states), LTE에서 짧은/긴 불연속 수신기(discontinues receiver, DRX) 상태들 등을 포함할 수 있지만 이에 제한되는 것은 아니다. 예를 들어, 비활성화 타이머들은 통신 링크를 활성화 모드로 강등시키기 위해 사용될 수 있다. 상태 촉진 지연은, 클라이언트 디바이스에 적절한 자원들을 할당하도록 네트워크에 시그널링하기 위해 요구되는 시간을 표현하는 촉진 상태일 수 있다. 이것은, 예를 들어, 유휴 상태 동안 접속 요청에 도달되는 경우 트리거링될 수 있다. RLC 버퍼 임계치들은, 고전력 전용 채널(dedicate channel, DCH)과 중간 전력 순방향 액세스 채널(forward access channel, FACH) 사이의 상태 전이의 시작을 정의할 수 있다. 연관 시간은 LTE 또는 Wi-Fi 기술들에 대해 중요할 수 있다. 예를 들어, 연관 시간은, 클라이언트 디바이스가 접속할 사용가능한 AP, 예를 들어, LTE 네트워크에서 이볼브드 노드 B(evolved Node B, eNB)를 찾고 있는 시간을 표현할 수 있다. GSM 네트워크에서 기지국 서브시스템(base station subsystem, BSS)과 같은 다른 실시 예들에서는 다른 네트워크 기술들이 적용될 수 있다. 접속이 종료된 경우, 클라이언트 디바이스는 접속 테일 상태에 진입할 수 있다. 접속 테일 타임아웃 이후 어떠한 접속 요청도 도달되지 않는 경우, 클라이언트 디바이스는 짧은 DRX 상태로 이동할 수 있다. 특정 타임아웃 이후, 클라이언트 디바이스는 긴 DRX 상태로 이동할 수 있다.
에너지 소모의 추론들(Inferences of energy consumption)은, RRC와 애플리케이션의 트래픽 패턴들의 상호 작용들을 모델링하는 것에 기초할 수 있다. 특정 실시 예들에서, 실제 전력 측정들은 RRC 상태 기계 파라미터들을 추출하기 위해 클라이언트 디바이스 상에서 (예를 들어, 전력계들을 사용하여) 수행될 수 있다. 애플리케이션 세션 동안 실제 에너지 소모는 시뮬레이션에 의해 컴퓨팅될 수 있다. RAT 마다 그리고 특정 애플리케이션에 대해 에너지 소모를 정확하게 추정하기 위해, 반복적 패턴-구동 시뮬레이션이 구현될 수 있다. 예를 들어, 상태 추론 알고리즘은 수집된 트레이스의 모든 패킷들을 취할 수 있고, 이들을 하나씩 상태 예측기 시뮬레이터에 적용할 수 있다. 시뮬레이터는, 패킷 크기들, 패킷간 도달 시간들 또는 각각의 패킷의 방향(예를 들어, 업링크 대 다운링크)와 같은 파라미터들을 요구할 수 있다. 시뮬레이터는 임의의 시간 "t"에 상태를 추정하기 위해 이 정보를 사용할 수 있다. 임의의 특정 시간 기간 동안의 에너지 소모는 적분을 통해 추정될 수 있다.
특정 실시 예들에서, 대략적 모델링은 측정 및 선형 전력 함수들에 기초할 수 있다. 실제 전력 측정들은 RRC 상태 기계 파라미터들을 추출하기 위해 클라이언트 디바이스 상에서 수행될 수 있다. 각각의 인터페이스의 실제 에너지 소모는, 데이터 전송량에 기초하여 또는 인터페이스가 사용중인 시간에 기초하여 동적으로 계산될 수 있다. 에너지 추정은, 트래픽 패턴 및 데이터 크기의 함수로서의 모델링에 의해 수행될 수 있다. 이것은, 예를 들어, 측정을 통해 추론된 함수 계수들을 갖는 이러한 파라미터들의 선형 함수를 포함할 수 있다. 예를 들어, 모바일 폰들 또는 태블릿들에서 발견되는 통상적인 무선 통신 기술들(예를 들어, 블루투스, 3G, 4G 및 Wi-Fi)의 에너지 소모는, 데이터를 연속적으로 전송 및 수신하는 애플리케이션(예를 들어, 안드로이드 애플리케이션)을 사용함으로써 수행될 수 있다. 애플리케이션은 또한, 각각의 기술에 대한 대략적인 에너지 모델이 설정될 수 있도록, 클라이언트 디바이스의 배터리 상태를 모니터링할 수 있다. 이러한 모델은, 주어진 인터페이스 기술에 대한 일련의 상태들에 대해 소모되는 배터리의 퍼센티지를 예측할 수 있는 선형 함수와 유사하게 동작할 수 있다. 퍼센티지는, 예를 들어, 송신의 경과된 시간에 걸쳐 기가바이트 단위로 전송되는 데이터의 양을 추정함으로써 계산될 수 있다. 이러한 시간들은 애플리케이션 트래픽 패턴들 및 사용자 동작의 함수들로서 고려될 수 있다.
에너지 모델링
RRC 상태들에 대한 실시간 다이렉트 액세스가 사용가능하지 않은 경우, 실시 예들은 주위 네트워크 감지의 정확도 및 시스템 요건들에 기초하여 변할 수 있다. 특정 실시 예들에서, 하나 이상의 디바이스 성능 메트릭들에 기초하여 더 양호한 디바이스 성능을 제공하기 위해 RAN 다양성이 사용될 수 있다. 에너지 인식 VHO를 수행하기 위해 콘텍스트 정보가 수집될 수 있다. 일 실시 예에서, 에너지 모델링은 완전히 정확한 에너지 소모 모델링을 요구하지는 않을 수 있고, 오히려, HO를 수행하기에 충분한 정확도를 제공할 수 있다. 특성화는, WNIC의 RRC 상태 기계과 애플리케이션 패턴들의 상호 작용들과 관련될 수 있다. 예를 들어, 클라이언트 디바이스의 전반적인 에너지 소모는 인터페이스 RRC 상태마다의 체류 시간들과 크게 상관될 수 있는데, 이는, 각각의 애플리케이션 및 서비스가 다양한 WNIC RRC 상태 체류 시간들에 의해 특성화될 수 있기 때문이다. 이러한 체류 동작은, 서비스마다의 다양한 에너지-프로파일들을 직접 결정하기 위해 사용될 수 있다.
다양한 파라미터들이 VHO의 견고성 및 효율에 영향을 미칠 수 있다. 하나의 예시적인 파라미터는 클라이언트 디바이스에서 신호대 간섭 및 잡음비(SINR) 레벨을 포함할 수 있다. 다른 예시적인 파라미터는 PoA측에서의 네트워크 혼잡 또는 네트워크 부하일 수 있다. 그러나, 타겟 PoA 상에서 지원되는 QoS, 특정 VHO의 에너지 및 성능 비용, 시그널링 오버헤드, 접속 비용 및 과금 정책, 및 사용자 선호도들과 같은 많은 다른 파라미터들이 핸드오프를 위한 최적의 네트워크의 선택에 기여할 수 있다. 많은 정적으로 및 동적으로 변하는 파라미터들과 관련되는 디바이스의 전반적인 에너지 소모는 VHO에서 에너지 효율 목적으로 결정(또는 추정)될 수 있다. 예시적인 파라미터들은, 지원되는 RAT들, 인터페이스 제조에 의해 정의되는 WNIC의 사양, 클라이언트 디바이스와 타겟 PoA 사이의 거리, 내재적인 모바일 컴퓨팅 플랫폼 및 운영 시스템(OS), WNIC마다의 RRC 상태 기계 및 이의 네트워크 구성, 현재의 통신 상태(예를 들어, Tx, RX, 유휴, DRX, 테일 등) 및 현재의 트래픽 패턴 특성들을 포함할 수 있다. 특정 실시 예들에서, 동적 파라미터들은 핸드오프 판정에 통합될 수 있다. 일부 예들에서, RRC 상태 기계과 애플리케이션의 상호 작용 및 다른 에너지 관련 파라미터들을 고려함이 없이, RRC에서 고정된 에너지 소모값들의 사용은, 전반적인 VHO 성능의 상당한 악화를 초래할 수 있다.
특정 실시 예들에서, 에코시스템 셋업 내의 VHO 미들웨어-기반 플랫폼은 초대, 판정 및 VHO의 실행을 위한 모듈들을 포함할 수 있다. 이러한 모듈들은, 서비스 방해들을 회피하면서 투명한 핸드오프들의 실행을 통해 디바이스-중심의 비용 함수를 최적화할 수 있다. 일 실시 예에서, 디바이스 상태를 포함하는 환경에 대한 더 완전한 인식 및 핸드오프 프로세스는, 이종 환경들에서 디바이스 성능 및 서비스 연속성의 효과적이고 효율적인 최적화를 가능하게 할 수 있다.
도 4는, 특정 실시 예들에 따른 주위 네트워크 감지 시스템에 대한 시스템(400)의 고레벨 아키텍쳐의 예시적인 블록도를 예시한다. 시스템(400)은, 프로토콜 스택에 대해 도시되는 미들웨어 플랫폼을 포함한다. 시스템(400)은, 끊김없고, QoS 및 QoE 인식적이고, 완전한 콘텍스트 전송 및 서비스 리바인드(rebind)의 방식으로 핸드오프 판정 및 관리 능력들을 제공하는 콘텍스트 인식 핸드오프 엔진(context aware handoff engine, CAHE) 모듈(401)을 포함한다.
소켓 애그리게이션 모듈(socket aggregation module, 403) 및 링크 판정 앨그리게이터 모듈(404)은 CAHE 모듈(401)과 함께 상위 계층들에서 동작할 수 있다. 콘텍스트 정보 수집 및 핸드오프 실행 모듈(405)과의 통신은 API들을 통해 가능할 수 있다. 핸드오프 실행은 MIH 기능 기반일 수 있다. 콘텍스트 정보 수집 및 핸드오프 실행 모듈(또는 모듈들)(405)은 다른 실시 예들에서는 2개의 별개의 모듈들로 구현될 수 있다. 콘텍스트 정보 수집 및 핸드오프 실행 모듈(405)은 드라이버들(406) 및 스펙트럼 분석 모듈(407)과 함께, 데이터 링크 계층 및 네트워크 계층과 같은 하위 계층들에서 동작할 수 있다. CAHE 모듈(401)은 콘텍스트 정보 수집 및 핸드오프 실행 모듈(405)로부터 네트워크 정보, 이벤트들 및 디바이스 정보를 수신할 수 있는 한편, 콘텍스트 정보 수집 및 핸드오프 실행 모듈(405)에 핸드오프 커맨드들을 제공할 수 있다.
도 5는, 특정 실시 예들에 따른 CAHE 모듈(500) 및 콘텍스트 관리자(context manager, CM) 모듈(501)의 예시적인 블록도를 예시한다. CAHE(500) 및 CM 모듈(501)은 콘텍스트 정보 수집 프로세스, 판정 프로세스 및 핸드오프 실행 및 관리 프로세스에 대한 다양한 기능들을 수행할 수 있다. CM 모듈(501)은 핸드오프 정보 수집 프로세스에 대한 기능들을 제공한다. 예를 들어, CM 모듈(501)은 디바이스 및 네트워크 콘텍스트 정보 수집을 관리하고 CAHE 유틸리티들에 제공할 수 있다. 콘텍스트 정보 수집은, 예를 들어, 802.21 표준들에서 정의된 바와 같이, 802.21 프로토콜 및 MIHF를 구현할 수 있다.
CAHE 모듈(500)은 콘텍스트 정보 수집 프로세스, 판정 프로세스 및 핸드오프 실행 및 관리 프로세스에 대한 기능들을 제공할 수 있다. CAHE 모듈(500)은 핸드오프 분석 유틸리티 모듈(502), 끊김없는 서비스 유틸리티 모듈(503) 및 서비스 리바인드 유틸리티 모듈(504)을 포함할 수 있다. 핸드오프 분석 유틸리티 모듈(502)은, 콘텍스트 정보 뿐만 아니라 핸드오프 절차들 및 파라미터들에 대한 완전한 가시성을 통해 핸드오프 분석 및 예측을 수행할 수 있다. 이것은, 예를 들어, 데이터 링크 계층에서 기술 의존적 핸드오프 프로세스들을 모니터링하는 것을 수반할 수 있다. 끊김없는 서비스 유틸리티 모듈(503)은, 핸드오프 장애 영향들에 대항하기 위한 플로우 프로비저닝의 제어를 통해 애플리케이션 레벨 및 사용자 서비스 요건들에의 준수를 보장하기 위해 효과적인 핸드오프 관리 전략을 수행할 수 있다. 서비스 리바인드 유틸리티 모듈(504)은 타겟 RAN에서 자원들 및 서비스 컴포넌트들과 클라이언트들의 동적 재접속을 수행할 수 있다. 이것은, 클라이언트 재구성 동작을 위한 핸드오프 콘텍스트(예를 들어, 클라이언트 리어드레싱, AAA, QoS 위치 등)를 이동시키는 능력 및 모든 클라이언트 컴포넌트들을 로컬로 사용가능한 자원들에 재접속시키는 것을 요구할 수 있다.
도 6은, 특정 실시 예들에 따른 예시적인 에코시스템(600)을 예시한다. 에코시스템(600)은, 다양한 예시적인 컴포넌트들을 포함하는 예시적인 홈 네트워킹 환경으로 도시된다. 도시된 환경 및 컴포넌트들의 타입은 제한적인 것으로 의도되지 않고, 오히려 예시적인 목적으로 제공된다.
에코시스템(600)은 네트워크 에지 디바이스들(601) 및 클라이언트 디바이스들(예를 들어, 모바일 또는 휴대용 디바이스)(602)을 포함하는 것으로 도시된다. 네트워크 에지 디바이스들(601)은 일반적으로, 네트워크 인프라구조(603)에 직접 또는 간접적으로 접속되는 "고정" 디바이스들일 수 있다. 네트워크 인프라구조(603)로의 접속은 통상적으로 유선 접속을 통할 수 있지만, 일부 예들에서는 무선 접속을 통할 수 있다. 네트워크 에지 디바이스들(601)은 DSL 또는 케이블 모뎀과 같은 모뎀(604)을 통해 네트워크 인프라구조(603)에 접속될 수 있다. 예시적인 네트워크 에지 디바이스들(601)은 TV(601a)(예를 들어, 스마트 TV) 및 컴퓨터(601b)(예를 들어, PC)를 포함할 수 있다. 네트워크 에지 디바이스들(601)은 또한, 예를 들어, DSL 또는 케이블 모뎀을 통해 네트워크 인프라구조에 접속되는 라우터(601c)(예를 들어, 무선 라우터)를 포함할 수 있다. 라우터(601c)는, 모바일 디바이스들(602)과 같은 홈 네트워킹 환경에서의 다른 디바이스들에 대한 무선 접속을 제공하는 무선 라우터일 수 있다. 예시적인 모바일 디바이스들(602)은, 랩탑(602a), 모바일 폰(602b), 스마트폰(602c), 게이밍 콘솔(602d), mp3 플레이어(602e), 태블릿(602f) 및 무선 TV(602g)를 포함할 수 있다.
도 7은, 특정 실시 예들에 따라 클라이언트 디바이스(701)와 네트워크 에지 디바이스(702) 사이에서 콘텍스트 수집, 분석 및 관리 메커니즘들의 예시적인 파티셔닝의 블록도를 예시한다. 클라이언트 디바이스(701) 및 네트워크 에지 디바이스(702)가 도시되고, 에코시스템 내에서 콘텍스트 관리 및 분석을 제공하기 위해 서로 통신할 수 있다. 디바이스 에너지 절감은 스마트 스캐닝으로부터 또는 RRC 상태 기계을 사용하는 것으로부터 제공될 수 있다. 예를 들어, 스마트 스캐닝은 에코시스템을 통한 스캐닝을 위해 요구되는 시간을 최소화할 수 있다. 스마트 스캐닝은 가시적 PoA들 및 채널 품질의 식별을 가능하게 할 수 있다. RRC 상태 기계는, 현재의 트래픽에 대한 가장 에너지 효율적인 PoA를 선택하기 위해 사용될 수 있다.
클라이언트 디바이스(701) 및 네트워크 에지 디바이스(702)는, 네트워크 정보의 실시간 모니터링을 수행하는 모듈들을 포함할 수 있다. 예를 들어, 클라이언트 디바이스(701)는 RF 및 로컬 PoA 정보 모듈(703)을 포함할 수 있다. 네트워크 에지 디바이스(702)는 실시간 RF 스캐닝 및 스펙트럼 분석 모듈(704)을 포함할 수 있다. 특정 실시 예들에서, 배터리 동작 클라이언트 디바이스(701)에서 에너지 소모를 최소화하기 위해, 실시간 모니터링의 대부분은 네트워크 에지 디바이스(702)에서 수행될 수 있다.
다양한 레벨들의 모니터링 및 모델링이 다양한 실시 예들에서 구현될 수 있다. 특정 실시 예들에서, 실시간 RF 스캐닝 및 스펙트럼 분석 모듈(704)은, 계층 1 소프트웨어 기반 또는 칩 기반 RF 스캐닝으로서 구현될 수 있는 스펙트럼 모니터링 및 분석을 수행할 수 있다. 스캐닝이 패시브인 경우, 이는 네트워크 에지 디바이스(702)와의 액티브 링크를 요구하지 않을 수 있고, 모든 사용가능한 RAT들 및 이들의 주파수 대역들에 대해 배경에서 수행될 수 있다. 이러한 스캐닝의 결과는 클라이언트 디바이스(701)의 네트워크 모니터링 시간 및 에너지 소모를 상당히 감소시킬 수 있는데, 이는, 간섭 또는 다른 효과들로 인한 약한 공기 품질(air quality)(불량한 SINR)을 갖는 채널들의 스캐닝을 제거할 수 있기 때문이다.
일 실시 예에서, 스펙트럼 분석은 액티브 스캐닝에 기초하여 수행될 수 있다. 예를 들어, 네트워크 에지 디바이스(702)는 클라이언트 디바이스(701)와 상호 작용할 수 있고, 예를 들어, 802.11k 프로토콜을 사용하여 클라이언트 디바이스(701) 관점으로부터의 채널 품질에 대해 문의할 수 있다. 실시간 RF 스캐닝 및 스펙트럼 분석 모듈(704)은 또한, 네트워크 에지 디바이스(702)가 (예를 들어, Wi-Fi 및 블루투스를 통해) 액세스한 PoA들에 대한 정보를 수집할 수 있고, 이러한 정보를 MIH 관리 메시지들, 802.11k(또는 802.11v)에서 정의된 무선 네트워크 관리 프로토콜들 또는 다른 메시지 통신 프로토콜을 통해 클라이언트 디바이스(701)에 통신할 수 있다.
실시간 모니터링은 클라이언트 디바이스(701)에 의해 수행될 수 있다. 클라이언트 디바이스 상태 미처리 정보는, 네트워크 에지 디바이스(702)로부터의 데이터에 기초하여 계산될 수 있거나, 또는 다양한 프로토콜 스택 계층들에 상주하는 정보를 참조함으로써 직접 유도될 수 있다. 예를 들어, 현재의 디바이스 접속에 의해 채택된 현재의 채널 상태 및 송신 프로파일은, 물리 계층 정보를 통합함으로써 획득될 수 있는 한편, 다른 파라미터들, 예를 들어, 현재의 인터페이스 상태(예를 들어, 송신, 수신, 유휴, DRX 등) 및 현재의 PoA 정보는 MAC 계층 정보에 의해 획득될 수 있다. 이러한 크로스-계층 콘텍스트 정보를 갖는 것은, 에너지-효율을 보조할 수 있는 디바이스의 주위 인식을 상당히 향상시킬 수 있다. 클라이언트 디바이스(701)의 네트워크 접속에 대한 다른 콘텍스트 정보는, 전력 소모, 배터리로부터 현재의 드로우, 클라이언트 디바이스(701)의 누산적(cumulative) 에너지 소모 등과 같은 에너지 소모 모니터링 파라미터들을 포함할 수 있다. 이러한 파라미터들은, 예를 들어, 기존의 모바일 폰 소프트웨어 개발 키트들(software development kits, SDK들)에서 또는 SDK들에 대한 변형에 의해 제공될 수 있다.
네트워크 발견 모듈(706)은 네트워크들을 발견하기 위한 모니터링을 수행할 수 있다. 네트워크 발견은, 모든 디바이스가 도달가능하고 액세스가능한 PoA들의 최신 리스트를 CAHE 모듈(707)에 제공하는 것을 담당할 수 있다. 일 실시 예에서, 이러한 리스트는 자율적인 네트워크 에지 디바이스(702)(또는 클라이언트 디바이스(701)) 감지를 통해 획득될 수 있다. 일 실시 예에서, 리스트는, 802.21 매체 독립적 정보 서비스들(Media Independent Information Services, MIIS)과 같은 네트워크측 정보를 통합함으로써, 또는 운영자에 의해 제공되는 액세스 네트워크 발견 및 선택 기능(Access Network Discovery and Selection Function, ANDSF) 정보로부터 획득될 수 있다. 네트워크 에지 디바이스(702)는 또한 CAHE 모듈(712)을 포함할 수 있다.
콘텍스트 관리자(context manager, CM) 모듈(705)은, 클라이언트 디바이스(701)에 의해 수집되고 유도된 전력 관련 콘텍스트 정보를 구축하고 분석할 수 있다. 이러한 콘텍스트 정보는, 예를 들어, WINC 상태마다 디바이스 특정 에너지 소모 값들을 포함할 수 있다. 콘텍스트 정보는 또한, 지난 VHO 실행 단계들 동안 도입된 지연, 스루풋 및 에너지 오버헤드들과 같은 다른 파라미터들 및 다양한 서비스 타입들에 대한 에너지-프로파일 및 잔여 PoA 활용 시간들을 포함할 수 있고, 이는, 도 7에 이력 정보(709)로서 도시된다. 이력 정보(709)는, VHO의 QoS 패널티(존재하는 경우)의 적절한 추론을 보장하기 위해, 에너지 소모 관점 및 QoS 보장 둘 모두로부터 VHO 판정 모듈에 대한 프로세싱된 콘텍스트 정보를 제공할 수 있다. 이러한 정보는, QoS의 지원을 보장하기 위해 서비스 프로비저닝의 적절한 조절을 위해 사용될 수 있다. 클라이언트 디바이스(701)는, 핸드오프들을 판정하고 실행하도록 기능할 수 있는 핸드오프 판정 및 실행 모듈(710)을 포함할 수 있다. 네트워크 에지 디바이스(702)는 또한 핸드오프 판정 및 실행 모듈(711)을 포함할 수 있다.
핸드오프 판정 프로세스에 대해 디바이스 에너지가 추정될 수 있다. 특정 실시 예들에서, WNIC 인터페이스 및 기존의 애플리케이션 트래픽 패턴마다 디바이스의 전반적 에너지 소모를 정확히 추정하는 하이브리드 접근법이 구현될 수 있다.
도 8은, 특정 실시 예들에 따라 주위 네트워크 감지를 위한 에너지를 추정하는 예시적인 방법(800)에 대한 흐름도를 예시한다. 방법(800)의 단계(802)에서, 전반적인 에너지 소모 모델이 생성된다. 전반적인 에너지 모델은, 핸드오버 판정의 감도에 기초하는 디바이스마다의 모델일 수 있다. 이력 및 실시간 정보가 수집될 수 있고, 전반적인 에너지 모델에 대해 사용될 수 있다.
단계(804)에서, 네트워크 및 RRC 상태 기계 파라미터들이 기존의 네트워크들로부터 추출될 수 있다. 예를 들어, 실제 전력 측정들은 RRC 상태 기계 파라미터들을 추출하기 위해 클라이언트 디바이스 상에서 (예를 들어, 전력계들을 사용하여) 수행될 수 있다. 비콘 인터벌들과 같은 다른 네트워크 파라미터들이 이 시간 동안 캡쳐될 수 있다. 단계(806)에서, 무선 네트워크와 트래픽 패턴 상호 작용의 모델이 생성될 수 있다. 모델은, 네트워크 에지에서 트레이스 수집 및 트레이스-기반 시뮬레이션 및 측정들을 통해 생성될 수 있다. 단계(808)에서, WNIC마다의 에너지는 단계들(804, 806 및 808)에 기초하여 추정된다.
각각의 클라이언트 디바이스(또는 UE)의 특정 특성들은 클라이언트 디바이스의 전력 소모에 상당히 영향을 미칠 수 있다. 이러한 특성들 및 전력 소모에 대한 이들의 영향은 VHO 판정에서 사용되는 에너지 모델로 팩터화될 수 있다. 일 실시 예에서, 디바이스의 애플리케이션의 에너지 소모는 일반적으로, 모바일 컴퓨팅 환경에 도입되는 부하의 함수로서 결정될 수 있다. 일 실시 예에서, 전반적인 에너지, 즉, 총 에너지는 하기 예시적인 방정식에 따라 다양한 컴포넌트들마다 에너지의 함수로서 결정될 수 있다.
Total Energy = f (BWApp, EComm, EHO, ERAM, ERAM, Edata, EComp,
EScreen, BWBuff, QoSApp, EGPU, EAudio, ECAM, ... )
BWApp는 버퍼 상에서 애플리케이션 데이터 소모 레이트를 표현할 수 있다. EComm, EHO, ERAM, ERAM, Edata, EComp 및 EScreen은 통신, 핸드오프, 저장, 데이터 메시지 크기, 계산 및 터치스크린 사용(예를 들어, 특히 백라이트)의 에너지 비용들을 각각 표현할 수 있다. BWBuff는 I/O 버퍼 대역폭들을 표현할 수 있다. QoSApp는 애플리케이션 QoS 요건들을 표현할 수 있다. EGPU는 그래픽스 하드웨어에 의해 사용되는 에너지를 표현할 수 있다. EAudio는 오디오 코덱, 증폭기 또는 다른 오디오 관련 디바이스에 의해 사용되는 에너지를 표현할 수 있다. ECAM은 카메라 시스템에 의해 사용되는 에너지를 표현할 수 있다. 일 실시 예에서, 총 에너지 소모는 각각의 에너지 성분의 합에 기초할 수 있다. 이러한 파라미터들 중 일부는, 디바이스 API들이 사용가능한 경우 이력 및 실시간 정보로부터 획득될 수 있다. 전반적인 절대 에너지의 정확한 평가는, QoS를 유지하면서 전반적인 에너지 소모를 최소화하는 최상의 네트워크를 선택하기 위해 요구되지 않을 수 있다. 일 실시 예에서, 오직 더 관련된 에너지 소모 컴포넌트들만이 부각되거나 강조될 수 있는 한편, 전반적인 에너지 소모에 사소하거나 미미한 역할을 하는 파라미터들은 제거되거나 경시될 수 있다. 이것은 더 단순화된 모델을 도출할 수 있다.
VHO들을 사용하여 잠재적인 에너지 절감을 개척하기 위해, 특정 실시 예들은 최적의 액세스 네트워크의 선택을 고려할 수 있다. 이것은, 클라이언트 디바이스에서 실행되는 애플리케이션들로부터 네트워크 부하 및 장래의 요구에 대한 정확한 정보가 주어지면, 네트워크 접속관점에서 액세스될 수 있다. 다양한 클라이언트 디바이스들의 하드웨어 및 소프트웨어 아키텍쳐들, 및 클라이언트 디바이스의 애플리케이션 동작에서의 상당한 차이들로 인해, 다양한 클라이언트 디바이스들에 대해 단일 모델 실제 에너지 소모는, 선택된 WNIC를 활용할 수 있는 업링크 및 다운링크 트래픽 서비스 및 각각의 인터페이스의 구현과 같은 많은 팩터들에 의존할 수 있다. 다양한 단말들은 다양한 컴포넌트들을 이용하기 때문에, 에너지 소모는 이들 컴포넌트들 사이에서 변할 수 있다. 따라서, 특정 실시 예들에서, 정확한 모델은 각각의 클라이언트 디바이스 모델에 대해 개별적으로 생성되어야 할 수 있다.
특정 실시 예들에서, 테스트 데이터 수집 및 분석에 기초하는 전력 추정기 애플리케이션이 제공될 수 있다. 클라이언트 디바이스 상의 전력 추정기 애플리케이션은 각각의 특정 무선 네트워크 접속(WNIC) 선택들에 대한 실시간 전력 소모를 정확하게 추정할 수 있다. 전력 추정기 애플리케이션은, 다른 애플리케이션들이 실행되는 동안 클라이언트 디바이스 상에서 동시에 실행될 수 있다. 예시적인 타입의 애플리케이션들은 게이밍, 대화형 비디오, 오디오, 이메일, 브라우징 등을 포함할 수 있지만, 이에 제한되는 것은 아니다. WNIC마다 각각의 애플리케이션의 에너지 모델의 표시를 제공하기 위해 정보가 수집되고 각각의 사용자에 대해 통계적으로 프로세싱될 수 있다. 이와 관련하여, 전력 추정기 애플리케이션은 에너지 기반 핸드오프 방식에 대한 유용한 측정치들을 제공할 수 있다. 예를 들어, 통계적 데이터가 수집될 수 있고, 전력 소모에서의 이력을 팩터화하는 VHO 알고리즘의 이력 데이터로서 사용될 수 있다. 또한, 무선 접속의 각각의 선택에 대해, 사용자 환경, 사용자 동작 및 애플리케이션에 대해 맞춤화되는 관련 콘텍스트들의 리스트가 생성될 수 있다. 더 구체적으로, 전력 추정기 애플리케이션에 의해 제공되는 측정 데이터는, 평균 에너지 추정을 결정(또는 정의)하기 위해 클라이언트 디바이스에 의해 수집된 다른 콘텍스트 정보(예를 들어, 시각, 위치, 간섭 등)와 관련하여 후처리될 수 있다. 예를 들어, 일 실시 예에서, 평균 에너지 추정, 즉, 평균 에너지는 하기 함수에 따라 결정될 수 있다.
Average Energy = f(Location, Application, User Behavior, WNIC, … )
평균 에너지에 대한 방정식에서, f는, 실질적으로, 식별된 변수들에 특정되는 다양한 에너지 성분의 선형 합산일 수 있다. 예를 들어, 일 실시 예에서, 총 에너지 추정, 즉, 총 에너지는 하기 예시적인 방정식에 따라 결정될 수 있다.
Total Energy (Application, WNIC) = E1+ E2 + E3 + …+ EN + EComm
En (n = 1, 2, 3, ..N)는, 클라이언트 디바이스의 에너지 소모에 상당히 기여하는 다양한 "베이스라인" 에너지 성분들일 수 있다. 이러한 성분들은 다양한 파라미터들을 포함할 수 있고, 다양한 WNIC들 및 애플리케이션들을 가질 수 있다.
통신의 에너지 비용은, WNIC RRC 상태 기계들, 및 이들과 애플리케이션 트래픽 패턴들의 상호 작용들을 팩터화할 수 있다. 특정 실시 예들에서, 네트워크 및 RRC 상태 기계 파라미터들이 기존의 네트워크들로부터 추출될 수 있다. 네트워크 파라미터들은 에너지 소모에 대해 상당한 영향을 미칠 수 있다. 예시적인 네트워크 파라미터들은, 불연속 수신(DRX) 파라미터들, 비콘 인터벌들, 스케줄링 및 전력 제어의 구성들을 포함할 수 있다. 모델의 복잡도는 다양한 실시 예들에서 변할 수 있다. 에너지 모델은 디바이스마다의 모델일 수 있다. 예를 들어, 클라이언트 디바이스의 전력 트레이스들은, 주어진 샘플링 레이트에 대한 평균 순시 전력 및 시간 스탬프들과 같은 다양한 필드들을 포함하는 전력 모니터에 의해 캡쳐될 수 있다. 각각의 WNIC에 대해 상태마다 다양한 RRC 전력 레벨들을 측정하기 위해 테스트 세션이 사용될 수 있다. 상태 촉진을 트리거링하기 위해, 클라이언트 디바이스는 충분한 시간양 동안 유휴가 될 수 있고, 그 후, 다음 패킷이 서버로부터 클라이언트 디바이스에 전송될 수 있다. 테스트 패턴은, 전력 트레이스가 완전한 테일 인터벌을 커버하는 것을 보장할 수 있다.
도 9a, 도 9b, 도 9c 및 도 9d는 특정 실시 예들에 따른 다양한 무선 표준들에 대한 RRC 상태 기계들에 대한 도면들을 예시한다. 도 9a는, 특정 실시 예들에 따른 LTE에 대한 예시적인 RRC 상태 기계 도면(900)을 예시한다. 도 9b는, 특정 실시 예들에 따른 UMTS에 대한 예시적인 RRC 상태 기계 도면(910)을 예시한다. 도 9c는, 특정 실시 예들에 따른 Wi-Fi에 대한 예시적인 RRC 상태 기계 도면(920)을 예시한다. 도 9d는, 특정 실시 예들에 따른 블루투스(BT)에 대한 예시적인 RRC 상태 기계 도면(930)을 예시한다. RRC 상태 기계 도면들(900, 910, 920 및 930)의 몇몇 상태들은 WNIC마다 상이할 수 있고, 각각은 다양한 전력 레벨들 및 기능을 가질 수 있다.
도 9a에서, LTE에 대한 RRC 상태 기계 도면(900)은 오프 상태(901), 연관 상태(902), 유휴 상태(903), 촉진 상태(904), 접속 상태(905), 접속 테일 상태(906), 짧은 불연속 수신기(DRX) 상태(907) 및 긴 DRX 상태(908)를 포함할 수 있다. 오프 상태(901)로부터의 활성화 이후, WNIC는, 액세스 네트워크 발견 및 eNB와의 연관을 수행할 수 있는 연관 상태(902)로 이동할 수 있다. WNIC는, 액세스가능한 eNB를 발견하고 eNB에 대해 인증하기 위한 시간에 따라 일정 시간 기간 동안 연관 상태(902)일 수 있다.
유휴 상태(idle state, 903)에서, 클라이언트 디바이스는 비활성화 저전력 모드에 체류할 수 있다. 예를 들어, 유휴 상태(903) 동안, 클라이언트 디바이스는 대부분 수면 모드에 체류할 수 있지만, 때때로 네트워크로부터 접속 도달들 찾기 위해 웨이크 업할 수 있고, 접속 도달들은, 예를 들어, 페이징 신호들에 의해 표시될 수 있다. 페이징 신호가 도달되는 경우, 클라이언트 디바이스는 촉진 상태(904)로 전이할 수 있다. 클라이언트 디바이스는, 네트워크가 클라이언트 디바이스에 적절한 자원들을 할당하기 위해 필요로 하는 시그널링 시간을 수용하기 위해 촉진 상태(904)에 진입할 수 있다. 촉진 상태(904)에 의해 정의되는 특정 시간 기간 이후, 클라이언트 디바이스는 접속 상태(905)로 전이할 수 있다. 클라이언트 디바이스는 전체 접속 동안 접속 상태(905)로 유지될 수 있다.
접속이 종료된 경우, 클라이언트 디바이스는 접속 테일 상태(906)로 전이할 수 있다. 접속 테일 상태(906)에서, 클라이언트 디바이스는 타이머가 만료되기를 대기할 수 있다. 타이머가 만료된 후 어떠한 접속도 도달되지 않으면, 클라이언트 디바이스는 짧은 불연속 수신기(DRX) 상태(907)로 이동할 수 있다. 그렇지 않으면, 클라이언트 디바이스는 접속 상태(905)로 다시 되돌아갈 수 있다. 짧은 DRX 상태(907)는, 사이클 시간 및 온(on) 시간을 갖는 유휴 상태(903)와 유사하다. 짧은 DRX 상태(907)의 타임아웃 전에 요청이 도달되면, 클라이언트 디바이스는 접속 상태(905)로 다시 이동할 수 있다. 그렇지 않으면, 클라이언트 디바이스는 긴 DRX 상태(908)로 이동할 수 있다. 긴 DRX 상태(908)의 타임아웃 전에 접속 요청이 도달되면, 클라이언트 디바이스는 접속 상태(connected state, 905)로 다시 스위칭할 수 있다. 그렇지 않으면, 클라이언트 디바이스는 유휴 상태(903)로 이동할 수 있다. 유휴 상태(903)에 대한 타임아웃은 다른 상태들에 비해 길 수 있다. 예를 들어, 일례로, 유휴 상태(903)에 대한 타임아웃은, 대부분의 다른 상태들에 대한 수십 밀리초에 비해 대략 11.6초일 수 있다.
도 9b에서, UMTS에 대한 RRC 상태 기계 도면(910)은 오프 상태(911), 연관 상태(912), 유휴 상태(913), 촉진 상태(914), 셀 전용 채널 상태(DCH)(915) 및 셀 순방향 액세스 채널(FACH) 상태(916)를 포함한다. 유휴 상태(913)에서 셀 DCH 상태(915)로, 셀 FACH 상태(916)에서 셀 DCH 상태(915)로, 그리고 유휴 상태(913)에서 셀 FACH 상태(916)로의 방향에서의 RRC 상태 전이들은 촉진으로 고려될 수 있다. 반대 방향들은 강등으로 고려될 수 있다. 촉진은, 더 낮은 라디오 자원 및 라디오 전력 소모를 갖는 상태로부터 더 많은 라디오 자원들 및 전력을 요구하는 다른 상태로 스위칭할 수 있다. 라디오는 임의의 네트워크 활동의 부존재 시에 유휴 상태(913)로 유지될 수 있다. 더 높은 전력 상태들(예를 들어, 셀 DCH 상태(915) 및 셀 FACH 상태(916))로의 전이들은, 네트워크가 액티브인 경우 개시될 수 있다. 예를 들어, 셀 DCH 상태(915)는 높은 전력 상태일 수 있는데, 이는, WNIC가 클라이언트 디바이스에 대해 전용 채널을 예비하고 송신들에 대한 높은 스루풋 및 낮은 지연을 보장하기 때문이다. 셀 FACH 상태(916)는, 다른 디바이스들과 채널을 공유하기 때문에 DCH 상태(915)보다 낮은 전력(예를 들어, 약 절반)을 소모할 수 있다. 셀 FACH 상태(916)는, 송신할 소량의 트래픽이 존재하는 경우 사용될 수 있다. 유휴 상태(913)는, 예를 들어, DCH 상태(915)의 전력의 약 1 퍼센트를 소모할 수 있다.
도 9c에서, Wi-Fi에 대한 RRC 상태 기계 도면(920)은 오프 상태(921), 연관 상태(922), 유휴 상태(923), 촉진 상태(924), 접속 상태(925) 및 접속 테일 상태(926)를 포함할 수 있다. Wi-Fi에 대한 RRC 상태 기계(920)은 AP와의 연관 동안 높은 초기 비용을 경험할 수 있다. Wi-Fi 폰은 연관을 유지하는 비용을 감소시키기 위해 전력 절감 모드(PSM)를 사용할 수 있다.
도 9d에서, BT에 대한 RRC 상태 기계 도면(930)은 오프 상태(931), 대기 상태(932), 페이지 상태(page state, 933), 문의 상태(inquiry state, 934), 접속 상태(935), 송신 상태(936), 파크(park) 상태(937), 유지 상태(938) 및 스니프 상태(sniff state, 939)를 포함할 수 있다. 대기 상태(hold state, 932)는 BT 디바이스들에 대한 초기 상태일 수 있다. 대기 상태(932)에서, BT 디바이스는 대기 모드일 수 있다. 대기 상태(932)에서, BT WNIC는 예를 들어, 1.28초마다와 같이 주기적으로 메시지들에 대해 청취할 수 있다. 유닛이 웨이크 업하는 경우, 그 유닛에 대해 정의된 32개의 홉 주파수들의 세트 상에서 청취할 수 있다. BT WNIC는 접속 절차를 개시할 수 있다. 개시 디바이스가 "마스터"가 되는 경우, 접속은 페이지 메시지(예를 들어, 공지된 어드레스의 경우) 또는 페이지 메시지에 선행하는 문의 메시지(예를 들어, 미지의 어드레스의 경우)에 의해 개시될 수 있다. 페이지 상태(933)는 몇몇 스테이지들을 가질 수 있다. 유지 상태(928), 스니프 상태(929) 및 파크 상태(927)와 같이 유휴 상태들로 동작하는 3개의 전력 절감 모드들이 존재할 수 있다. 유지 상태(928), 스니프 상태(929) 및 파크 상태(927)는, 현재 액티브가 아닌 BT 네트워크 노드들(예를 들어, 피코넷 멤버(piconet members))의 전력 절감을 허용할 수 있다. 더 구체적으로, 마스터는, 어떠한 데이터도 송신될 필요가 없으면, 슬레이브들을 유지 상태(928)에 진입시킬 수 있다. 스니프 상태(929)는, 슬레이브 디바이스가 감소된 레이트로 피코넷에 대해 청취하기 위해 사용될 수 있다. 예를 들어, 스니프 상태(929)의 듀티 사이클은 전력을 절감하기 위해 감소될 수 있다. 파크 상태(927)는 피코넷에 동기식으로 클라이언트 디바이스를 유지할 수 있지만, 동시에 클라이언트 디바이스의 트래픽에의 참여를 비활성화(disable)시킬 수 있다. 파킹된 디바이스들은 재동기화하기 위해 또는 브로드캐스트 메시지들에 대해 체크하기 위해 마스터의 트래픽에 대해 주기적으로 청취할 수 있다.
클라이언트 디바이스들(예를 들어, 모바일 디바이스)의 배터리 수명 관점에서, 유휴 상태에서 라디오 네트워크에 대해 소모되는 전력은 액티브 또는 접속 전력 상태들보다 훨씬 더 중요할 수 있음을 주목하는 것이 중요하다. 예를 들어, 통상적인 사용 모델들이 주어지면, 일부 모바일 디바이스들은, 클라이언트 디바이스가 실제로 온인 시간의 오직 작은 퍼센티지 동안만 통신할 수 있다. 이와 관련하여, 유휴 상태(예를 들어, 유지 상태(928), 스니프 상태(929) 및 파크 상태(927))에서 각각의 RRC 모델의 WNIC 전력 소모는 중요한 팩터일 수 있다. 예를 들어, BT는, 오직 2%의 전력 듀티-사이클에서만 동작하는 극단적인 저전력 상태가 되고, 발견 및 접속 셋업을 여전히 수행할 수 있는 동안 1 mW 정도의 통상적인 전력을 소모하도록 최적화된다. 한편, Wi-Fi는 캐리어 감지 다중 액세스(Carrier Sense Multiple Access, CSMA)에 기초할 수 있고, 전력 절감 모드(power saving mode, PSM)의 진보에도 불구하고, 내재적인 MAC 설계는 BT에 비해 유휴 상태에서 상당한 전력 소모를 생성할 수 있다.
특정 실시 예들에서, 추가적인 측정들은 접속 상태들에서 에너지를 추정하기 위해 요구될 수 있다. 예시적인 측정들은 데이터 레이트(예를 들어, 업링크, 다운링크 등), 데이터 크기, 네트워크의 셋업과 관련된 파라미터들, 무선 네트워크 조건들 등과 관련될 수 있다. 이러한 측정들은, 예를 들어, 접속 시간에 대한 파라미터들, 즉 EConnected를 추정함으로써, WNIC마다의 총 에너지를 모델링하기 위해 사용될 수 있다.
더 정확한 에너지 소모 모델을 달성하기 위해, 네트워크 에지 디바이스에 대한 2개 레벨의 시뮬레이션을 수행하도록 트레이스-구동 에코시스템-기반 에너지 모델이 제공될 수 있다. 초기에, 네트워크 모델 시뮬레이터는 기존의 라디오 통신 링크의 패킷 트레이스들을 수집 및 프로세싱할 수 있다. 그 다음, 패킷 트레이스들은 다양한 RAT들의 RRC 전력 상태 기계들 상에서 실행될 수 있다. 네트워크 모델 시뮬레이터는, 상태 기계 차이들로 인한 다양한 RAT 지연 동작들에서의 차이를 보상하기 위해 패킷 타임 스탬프들을 조절할 수 있다. 이러한 지연들은 통상적으로 상태 촉진들과 관련될 수 있고, 실제 트래픽 패턴들을 추출하기 위해 제거될 필요가 있을 수 있다.
네트워크 모델 시뮬레이터의 출력은 전력 모델 시뮬레이터에 적용될 수 있다. 출력은 (예를 들어, 올림차순으로) 조절된 타임스탬프(timestamp)들 뿐만 아니라 임의의 시간에 클라이언트 디바이스의 RRC 상태들을 갖는 패킷들의 어레이로 구성될 수 있다. 전력 모델 시뮬레이터는 네트워크 모델 시뮬레이터의 출력을 취할 수 있고, 네트워크 측정들을 통해 추출된 전력 모델에 기초하여 에너지 소모를 계산할 수 있다. 이러한 모델에서, 예를 들어, 총 에너지는 4개의 성분들, 즉, 촉진, 데이터 전송, 테일 및 유휴로 분리될 수 있다. 데이터 전송 에너지의 경우, 업링크 및 다운링크 스루풋의 함수로서 선형 모델이 결정될 수 있다. 실제 데이터 전송 전력 소모는 이러한 스루풋 플러스 상수의 선형 조합으로 컴퓨팅될 수 있다. 이러한 함수 파라미터들은 클라이언트 디바이스에 의해 수행되는 측정들에 의해 유도될 수 있다.
그 다음, 일 실시 예에서, WNIC마다의 총 에너지, 즉 Total Energy (App, WNIC)는 하기 예시적인 방정식에 따라 실시간으로 추정될 수 있다.
Total Energy (App, WNIC) = E1+ E2 + E3 + …+ EN + EComm
= E1+ E2 + E3 + …+ EN + (PAssoc x tAssoc) +
(Pidle x tidle)+ (Ptail x ttail) + ...+ EConnected
En (n = 1, 2, 3, ..N)는, 클라이언트 디바이스의 에너지 소모에 상당히 기여할 수 있는 다양한 "베이스라인" 에너지 성분이다. 이러한 성분들은 다양한 파라미터들을 포함할 수 있고, 다양한 WNIC들 및 애플리케이션들을 가질 수 있다. P는 각각의 RRC 상태의 전력일 수 있고, t는 각각의 RRC 상태에서 WNIC이 체류하는 총 시간이다. 접속 시간의 선형 모델링을 업링크 및 다운링크 트래픽들의 함수로 가정하면, 접속 시간 EConnected는 하기 예시적인 방정식에 따라 결정될 수 있다.
EConnected = aUL RUL + aDL RDL + b
RUL 및 RDL은 각각 업링크 및 다운링크 데이터 레이트들일 수 있다. 파라미터들 a 및 b는 데이터 레이트와 Econnected의 선형 관계를 반영하는 네트워크 의존적 상수들을 표현할 수 있다. 파라미터들 a 및 b는 수행된 측정들에 기초하여 WNIC마다 추정될 수 있다.
일 실시 예에서, WNIC 및 현재의 애플리케이션마다의 전반적 에너지는 하기 예시적인 방정식에 따라 추정될 수 있다.
Total Energy (App, WNIC) = E1+ E2 + E3 +…+ EN +(PAssoc x tAssoc) + (Pidle x tidle) + (Ptail x ttail) + ..+ aUL RUL + aDL RDL + b
도 10은, 특정 실시 예들에 따라, VHO를 위한 후보 네트워크를 추천하기 위한 에코시스템-기반 주위 네트워크 감지(ANS) 시스템(1000)에 대한 예시적인 흐름도를 예시한다. 일부 실시 예들에서, VHO를 수행하기 위해 다수의 블록들이 활용될 수 있다. 블록들(1002, 1004, 1006, 1008 및 1010)은 에코시스템 내의 클라이언트 디바이스에서 발생하는 프로세스를 표현할 수 있다. 블록(1002)에서, 콘텍스트 수집 프로세스가 개시될 수 있다. 특정 실시 예들에서, 전반적인 에너지 모델링을 도출하는 전력 측정들(예를 들어, 도 8의 단계(802))은 이미 발생했을 수 있고, 관련된 에너지 관련 콘텍스트는 다양한 프로토콜 계층들에서 결정될 수 있다고 가정할 수 있다. 단계(1004)에서, 크로스-계층 콘텍스트 수집은 전반적인 에너지 모델에 기초하여 개시될 수 있다. 앞서 표시된 바와 같이, 크로스-계층 콘텍스트 정보 수집은 둘 이상의 개방형 시스템 상호접속(OSI) 계층들로부터의 정보 또는 파라미터들을 포함할 수 있다. 단계(1006)에서, 클라이언트 디바이스 상에서 (예를 들어, 802.21 MIH, ANDSF 등에 기초하여) 실행되는 네트워크 모니터링 엔티티는 클라이언트 디바이스의 위치에 기초하여 사용가능한 접속 포인트들(PoA들)의 리스트를 결정할 수 있다. 리스트는, 클라이언트 디바이스가 통신할 수 있는 넌-에코시스템-기반 네트워크 AP들 또는 기지국들을 주로 포함할 수 있다.
블록(1008)에서, 상태마다의 RRC 모델 전력 레벨들이 수집 또는 업데이트될 수 있다. 예를 들어, RRC 엔진에 대한 적절한 인터페이스들이 액세스될 수 있거나, 또는 전력 측정들이 본원에서 설명된 바와 같이 취해질 수 있다. 일부 예들에서, 이것은, 유지보수 사이클로서 또는 RRC 상태 파라미터들이 네트워크에 의해 변경되었다는 표시들에 트리거링될 수 있는 이벤트 구동 메커니즘으로서 규칙적 인터벌로 발생할 수 있는 선택적인 단계일 수 있다. 이러한 변경들이 표시되면, 블록(1010)에서, RRC 파라미터들의 새로운 세트가 클라이언트 디바이스에 의해 네트워크 에지 디바이스의 프로세싱 엔진에 통신될 수 있다.
특정 실시 예들에서, 블록(1010) 및 그 이후의 블록들은 네트워크 에지 디바이스에 의해 수행될 수 있다. 다른 실시 예들에서, 클라이언트 디바이스 및 네트워크 에지 디바이스에 의해 단계들의 다양한 조합이 수행될 수 있음을 인식해야 한다. 블록(1012)에서, RRC 상태 기계 시뮬레이터는 모델 파라미터들에서의 임의의 변경들에 의해 업데이트될 수 있다. 블록(1014)에서, 네트워크 에지 디바이스는 실시간 전력 추정 프로세스를 개시할 수 있다. 블록(1016)에서, 클라이언트 디바이스로부터 개시된 패킷 트레이스들이 수집될 수 있다. 블록(1018)에서, 패킷 트레이스들은 네트워크 시뮬레이션 및 패킷 정렬(packet sorting) 툴에 의해 후처리될 수 있다. (예를 들어, 올림차순으로) 조절된 타임스탬프들을 갖는 패킷들의 어레이 및 클라이언트 디바이스의 RRC 상태들로 구성된 네트워크 모델 시뮬레이터의 출력은 전력 모델 시뮬레이터에 적용된다. 블록(1020)에서, 전력 모델 시뮬레이터는 네트워크 모델 시뮬레이터의 출력을 취하고, 네트워크 측정들을 통해 추출된 전력 모델에 기초하여 에너지 소모를 계산한다. 선택적으로, 에너지 소모는, 앞서 논의된 방정식들을 사용하여 애플리케이션마다의 총 에너지에 대해 추정될 수 있다. 블록들(1022 및 1024)에서, RRC 파라미터 수집 및 네트워크 에지 디바이스에의 통신 프로세스는 클라이언트 디바이스에 의해 획득되는 모든 사용가능한 네트워크 PoA들에 대해 반복된다. 일 실시 예에서, 실시간 크로스-계층 콘텍스트 정보는 오직 현재의 접속에 대해서만 수집될 수 있다. 콘텍스트 파라미터들의 이력 값들은 다른 PoA들에 대해 이용될 수 있다. 블록(1026)에서, 최적으로 에너지 효율적인 PoA가 선택될 수 있다. 블록들(1028 및 1030)에서, PoA는, QoS 및 사용자 요건들이 충족되는지 여부를 결정하기 위해 평가될 수 있다. 이러한 요건들이 충족되면, 블록(1032)에서, 후보 RAT PoA를 선택하기 위한 메트릭(또한 본원에서 ANS 팩터로 지칭됨)이 컴퓨팅될 수 있다. 다양한 알고리즘들이 메트릭을 결정하기 위해 사용될 수 있다. 일 실시 예에서, MDCM 알고리즘이 구현될 수 있다. ANS 팩터는 0과 1 사이의 수로 표현될 수 있고, 이는 최적의(예를 들어, 최상의) 네트워크로의 스위칭의 우선순위를 표현할 수 있다. 선택적으로, ANS 팩터는, 무선 네트워크 인터페이스에 대한 에너지의 총 합으로 나눈 애플리케이션에 대한 각각의 에너지량에 대한 분수를 발견함으로써 계산될 수 있다.
블록(1034)에서, 핸드오프 판정은 다른 콘텍스트 핸드오프 파라미터들에 기초하여 행해질 수 있다. 블록(1036)에서, 판정은 클라이언트 디바이스에 다시 통신될 수 있다. 블록(1038)에서, 핸드오프가 수행되거나 수행되지 않을 수 있다. 핸드오프가 수행되면, 프로세스는, 다시 블록(1004)을 향하는 화살표로 표현된 바와 같이 반복될 수 있다. 핸드오프가 수행되지 않으면, 대안적인(예를 들어, 차선의) PoA가 블록(1040)에서 선택될 수 있다. 유사하게, 블록들(1028 및 1030)에서 PoA가 QoS 또는 사용자 요건들을 충족하지 않으면, 블록(1040)에서, 대안적인(예를 들어, 차선의) PoA가 선택될 수 있다. 블록들(1042 및 1044)에서, 임의의 대안적인 PoA들이 선택을 위해 사용가능한지 여부가 결정된다. 어떠한 대안적인 PoA들도 사용가능하지 않으면, 블록(1046)에서, 현재의 네트워크가 사용된다. 프로세스는, 블록(1046)으로부터 다시 블록(1004)을 향하는 화살표로 표현된 바와 같이 반복될 수 있다.
도 11은, 특정 실시 예들에 따른 핸드오프 판정을 위한 에너지 추정 방법(1100)의 블록도를 예시한다. 방법(1100)은, 다양한 계산들이 오프라인으로 수행되게 하는 단순화된 연역적 모델 프로세스를 제공할 수 있다. 일 실시 예에서, 이러한 오프라인 프로세싱은 네트워크 에지 디바이스 상에서 또는 클라우드에서 수행되도록 파티셔닝되어, 전력 집약적 프로세싱 양상들이 모바일 디바이스 외부에서 수행되도록 허용할 수 있다. 총 에너지 소모의 측정은 다양한 시나리오들을 생성하고 에너지를 측정함(예를 들어, 에너지 또는 배터리 사용량을 모니터링함)으로써 행해질 수 있다. 오프라인 프로세싱은, 다양하게 감지된 팩터들(예를 들어, 다른 위치로의 이동의 검출, 애플리케이션의 사용 빈도 등)에 따라 조절가능한 업데이트들 사이의 지속기간을 갖는 사이클로 업데이트될 수 있다. 예를 들어, 블록들(1102 내지 1128)은, 블록들(1102 내지 1128)을 포함하는 점선 박스에 의해 표현되는 바와 같이, 도시된 실시 예에서 오프라인으로 수행될 수 있다. 다른 실시 예들에서, 이러한 기능들의 다양한 조합들이 오프라인으로 수행될 수 있다.
블록(1102)에서, 사용자는 에너지 추정을 위해 하나 이상의 애플리케이션들을 (예를 들어, 애플리케이션 리스트를 제공함으로써) 식별할 수 있다. 대안적으로, 에너지 추정을 위해 애플리케이션들을 식별하기 위해, 사용자 애플리케이션 사용량이 추출될 수 있다.
블록(1104)에서, 사용가능한 RAT들 중 하나가 활성화될 수 있다. 블록(1106)에서, 블록(1102)에서 식별된 애플리케이션들 중 하나가 실행될 수 있다. 블록(1108)에서, 활성화될 어떠한 사용가능한 RAT들도 남아 있지 않은 것으로 결정되면, 방법(1100)은 블록(1110)에서 종료될 수 있다. 그렇지 않으면, 블록들(1112 및 1114)에서, 실행될 임의의 애플리케이션들이 남아 있는지 여부가 결정된다. 실행될 추가적인 애플리케이션들이 여전히 존재하면, 블록(1118)에서, 블록(1104)에서 활성화된 특정 RAT 및 블록(1106)에서 실행된 애플리케이션에 대해 클라이언트 디바이스에 대한 배터리 사용량이 (BMU로부터) 모니터링될 수 있다. 블록(1120)에서, 블록(1104)에서 활성화된 특정 RAT 및 블록(1106)에서 실행된 애플리케이션에 대해 에너지 모델 파라미터들(예를 들어, 라인 파라미터들)이 평가될 수 있다. 일 실시 예에서, 에너지 모델 파라미터들의 평가는, 표를 생성하고, 애플리케이션 및 RAT(m 및 n)를 측정된 에너지와 연관시키는 것을 포함할 수 있다. 다른 콘텍스트들 또는 파라미터들이 또한 포함될 수 있다. 선택적으로, 표는 또한, 최상부에 가장 낮은 에너지 및 바닥부에 가장 큰 에너지 사용량으로 정렬될 수 있다.
블록들(1118 및 1120)은, 실행될 임의의 추가적인 애플리케이션들에 대해 반복될 수 있다. 실행될 어떠한 추가적인 애플리케이션들도 남아 있지 않은 경우, 블록(1116)으로 표현된 바와 같이 다음 사용가능한 RAT가 활성화될 수 있고 블록(1104)으로 루프 백할 수 있다.
블록(1122)에서, 크로스-계층 콘텍스트 정보가 수집되고 분석될 수 있다. 앞서 표시된 바와 같이, 크로스-계층 콘텍스트 정보는 둘 이상의 개방형 시스템 상호접속(OSI) 계층들로부터의 정보 또는 파라미터들을 포함할 수 있다. 블록(1124)에서, 애플리케이션 프로파일들은 콘텍스트 정보에 기초하여 추출될 수 있다. 블록(1126)에서, 테스트 애플리케이션들이 생성될 수 있다. 테스트 애플리케이션들에 적용가능할 수 있는 예시적인 파라미터들은 데이터 크기, 총 시간, 송신들 사이의 시간 등을 포함할 수 있지만, 이에 제한되는 것은 아니다. 블록(1128)에서, RAT 및 애플리케이션에 대한 모델이 저장될 수 있다.
블록(1130)에서, RAT 전력 추정 프로세스가 개시될 수 있다. 도시된 실시 예들에서, 블록들(1130 내지 1146)은 온라인으로 수행될 수 있다. 블록(1132)에서, 클라이언트 디바이스 상에서 실행되는 현재의 애플리케이션은, 블록들(1122 내지 1126)로부터 생성된 것과 같이, 이전에 오프라인으로 생성된 애플리케이션 프로파일들에 기초하여 카테고리화될 수 있다. 블록(1134)에서, 클라이언트 디바이스와 연관된 크로스-계층 콘텍스트 정보가 수집되고 분석될 수 있다. 앞서 표시된 바와 같이, 크로스-계층 콘텍스트 정보 수집은 둘 이상의 개방형 시스템 상호접속(OSI) 계층들로부터의 정보 또는 파라미터들을 포함할 수 있다. 블록(1136)에서 RAT PoA 리스트가 획득될 수 있다. 예를 들어, 일 실시 예에서, RAT PoA 리스트는 클라우드 상에서 서버로부터 수신될 수 있다. 다른 실시 예에서, RAT PoA 리스트는 액티브 및 패시브 스캐닝에 의한 멀티-계층 네트워크 모니터링으로부터 유도될 수 있다. 블록(1138)에서, RAT PoA들 중 하나(또는 RAT PoA에 대응하는 인터페이스)에 대한 총 에너지 소모가 컴퓨팅될 수 있다. 블록(1138)에서, 저장된 모델들이 블록(1128)으로부터 획득되고, 총 에너지 소모가 특정 RAT에 대해 컴퓨팅된다. 블록들(1140 및 1142)에서, 임의의 추가적인 RAT PoA들 남아 있는지 여부가 결정된다. 추가적인 RAT PoA들이 남아 있으면, 블록(1142)으로부터 블록(1138)으로의 화살표로 표시된 바와 같이, 남아 있는 RAT PoA들에 대한 총 에너지 소모가 컴퓨팅된다. 어떠한 추가적인 RAT PoA들도 남아 있지 않은 경우, 후보 RAT PoA를 선택하기 위한 메트릭(또는 ANS 팩터)이 블록(1144)에서 컴퓨팅될 수 있다. ANS 팩터는 아래에서 논의되는 방정식들에 따라 컴퓨팅될 수 있다. 블록(1146)에서, 핸드오프 판정은 ANS 팩터에 부분적으로 기초하여 행해진다.
도 12는, 특정 실시 예들에 따른 클라이언트 디바이스 상의 미들웨어로서 ANS 시스템(1200)의 예시적인 블록도를 예시한다. ANS 시스템(1200)은 콘텍스트 인식 핸드오프 엔진(context aware handoff engine, CAHE) 모듈(1201) 및 콘텍스트 관리자(CM) 모듈(1202)을 포함하는 것으로 도시된다. (예를 들어, 도 5 및 도 7에서 논의된 바와 같은) CAHE 모듈들 및 CM 모듈들에 관한 본원의 논의들은 또한 도 12의 논의에 적용될 수 있음을 인식해야 한다. 간략화 및 명확화를 위해, 여기서 CAHE 모듈들 및 CM 모듈들에 적용가능한 모든 특징 및 기능이 반복되지는 않는다.
CAHE 모듈(1201) 및 CM 모듈(1202)은 핸드오프 분석 및 실행에 이용될 핸드오프 콘텍스트 정보를 수집할 수 있다. 예를 들어, 수집된 콘텍스트 정보는 사용자 입력(1202), 애플리케이션 파라미터들(1203), MIH 사용자 공간(1204), 네트워크 데이터(1205), 네트워크 상태(1206), 링크 상태(1207) 및 스펙트럼 분석(1208)과 관련될 수 있다. ANS 시스템(1200)의 핸드오프 정보 수집 섹션(1250)은 점선으로 도시된다.
CAHE 모듈(1201)은 핸드오프 정보 수집 프로세스의 역할을 할 수 있지만, 또한 핸드오프 분석 및 실행의 역할을 할 수도 있다. CAHE 모듈(1201)은, 서비스 리바인드 유틸리티(SRU) 모듈(1227), 끊김없는 서비스 유틸리티(SSU) 모듈(1226) 및 핸드오프 분석 유틸리티(HAU) 모듈(1215)을 포함하는 것으로 도시되고, 이들은 여기서 더 상세히 논의된다.
매체 독립적 핸드오버 기능(media independent handover function, MIHF) 확장 모듈(1210)은 계층 1(L1) 및 계층 2(L2)로부터 상위 계층들의 캡슐화의 역할을 한다. 이러한 하위 계층들은, VHO를 검출, 준비 및 실행하기 위한 정보를 조회하기 위해 MIHF 확장 모듈(1210) 내의 다양한 기능들에 의해 액세스될 수 있다. 상위 계층들은 이러한 정보를 요구할 수 있고, MIH 사용자 공간(MIHU)(1204)으로 지칭될 수 있다. MIHF 모듈(1210)은, 상위 및 하위 계층들이 서비스 메시지들을 교환할 수 있도록, 이들 모두에 대한 서비스 액세스 포인트(service access point, SAP)를 제공할 수 있다. MIHF 모듈(1210)은, 핸드오버 판정 수행을 용이하게 하는 로직 엔티티로 고려될 수 있다. MIHU 모듈(1204)은 MIHF 모듈(1210)로부터의 입력들에 기초하여 핸드오버 판정들을 행할 수 있고, 매체 독립적 이벤트 서비스(media independent event service, MIES) 모듈(1212), 매체 독립적 커맨드 서비스(media independent command service, MICS) 모듈(1213) 및 매체 독립적 정보 서비스(media independent information service, MIIS) 모듈(1214)로 지칭되는 3개의 엔티티들을 포함할 수 있다. MIES 모듈(1212)은, MIHU 모듈(1204)에 의해 요청되는 경우 L1 및 L2에서 발생하는 이벤트들을 MIHU 모듈(1204)에 제공할 수 있다. MIES 모듈(1212)은, 네트워크 개시 이벤트들(예를 들어, 운영자 선호도들, 로드 밸런싱(load balancing), 정보), 예측 이벤트들(예를 들어, 링크 상승, 링크 하강), 상태 변경 이벤트들(예를 들어, 링크 업, 링크 다운, 링크 파라미터에서의 변경)을 포함하는 다수의 이벤트들을 커버할 수 있다. MICS 모듈(1213)은 커맨드들의 세트를 용이하게 함으로써, MIHU 모듈(1204)이 하위 계층들을 담당하기 위한 제어 메커니즘을 제공할 수 있다. MIIS 모듈(1214)은 상위 계층들이 판정을 행하기 위해 필요로 하는 정보를 수집하는 것을 통해, 자신의 사용가능한 네트워크 환경을 발견하기 위한 능력을 갖는 MIHF 모듈(1210)을 구비할 수 있다. 정보 엘리먼트들은 정보 엘리먼트들은, 운영자 ID, 로밍 파트너들, 비용, 사용가능한 네트워크들 및 각각의 PoA의 위치의 리스트, PoA 능력들, 판매자 특정 정보, QoS 및 보안 파라미터들 등을 포함하는 다수의 파라미터들을 지칭할 수 있다.
MIES 모듈(1212) 및 MIIS 모듈(1214)에 의해 수집된 정보를 이용하여, MIHU 공간(1204)에서 미들웨어로서 구현되는 HAU 모듈(1215)은, 하나의 PoA로부터 다른 PoA로 스위칭할지 여부에 대한 판정을 행할 수 있다. 커맨드들은 핸드오버를 실행하는 것을 가능하게 할 수 있지만, 하위 계층 엘리먼트들에서 다양한 파라미터들을 설정하는 것을 또한 도울 수 있다. HAU 모듈(1215)에 의한 실제 핸드오프 판정은 더 많은 콘텍스트 정보를 요구할 수 있다. 일 실시 예에서, ANS 시스템(1200)은 또한, 802.21 MIH에 의해 지원되는 RAT들의 범주를 넘어설 수 있는 멀티-RAT 접근법을 제공하는 MIHF에 대한 확장(미도시)을 포함할 수 있다. 예를 들어, 확장은 IEEE 802.11k(예를 들어, 라디오 자원 관리의 경우) 및 IEEE 802.11v(예를 들어, 무선 네트워크 관리의 경우)와 같은 프로토콜들을 통해 네트워크 에지 디바이스에 의해 통신될 수 있는 정보를 캡쳐할 수 있다. 확장은 또한, 스펙트럼 분석 모듈(1216)에 의해 통신될 수 있는 RF 채널 분석 정보를 수집할 수 있다.
일 실시 예에서, 드라이버 관리 및 MIH 지원 모듈(1217)이 제공될 수 있다. 드라이버 관리 및 MIH 지원 모듈(1217)은 확장된 MIHF 모듈(1210) 계층 아래에서 구현될 수 있고, 클라이언트 디바이스에서 통합된 네트워크 카드들의 디바이스 드라이버들을 포함할 수 있다. 예를 들어, WLAN, 3G, 4G, BT 및 WiMAX 네트워크들의 드라이버들이 드라이버 관리 및 MIH 지원 모듈(1217)에 저장될 수 있다. 드라이버 관리 및 MIH 지원 모듈(1217)의 주요 작업은 다양한 네트워크 카드들의 관리 및 주위 센서 모듈(1218)에 서비스들의 제공이다.
주위 센서 모듈(1218)은, 드라이버 관리 및 MIH 지원 모듈(1217) 위 및 MIHF 모듈(1210) 아래에 있을 수 있다. 주위 센서 모듈(1218)은 3개의 주요 모듈들, 즉, 이벤트 관리자 모듈(1219), 네트워크 발견 모듈(1220), 네트워크 모니터 모듈(1221)을 가질 수 있다. 이벤트 관리 모듈(1219)은 모바일 노드에서 다양한 인터페이스 드라이버들로부터 생성되는 수신된 이벤트들을 관리할 수 있다. 이벤트 관리 모듈(1219)는 또한, 오염된 채널들을 회피하기 위해 채널 "공기 품질" 및 간섭 이벤트들을 이벤트 관리자 모듈(1219)에 제공할 수 있는 선택적인 스펙트럼 분석 모듈(1216)에 접속될 수 있다. 이벤트 관리 모듈(1219)은, 로컬 또는 원격 엔티티 상에서 링크 특성들 또는 공기 품질에서의 변경들을 표시하는 특정 이벤트들을 보고할 수 있다. 이벤트 관리 모듈(1219)은 커널(kernel) 공간에서 구현될 수 있다. 미처리 이벤트들은, 높은 배터리 드레인 레이트(battery drain rate)와 같은 디바이스 에너지 소모 이벤트들 또는 링크 상태에 초점을 맞추기 위해 필터링될 수 있다. 대안적으로, 미처리 이벤트들은 (예를 들어, MIH-Link_SAP를 통해) MIHF 모듈(1210)에 직접 적용될 수 있고, 스마트 트리거 모듈(1222) 내에서 필터링될 수 있다. 링크 업 또는 다운 메시지들과 같은 특정 이벤트들은 네트워크 발견 모듈(1220)에 통신될 수 있다. 이와 관련하여, 정규의 커널 기능들은, 네트워크 발견 모듈(1220)에 전송 또는 수신을 위해 이벤트 관리자 API에 직접 맵핑될 수 있다.
네트워크 발견 모듈(1220)은 사용가능한 PoA들의 최신 리스트를 MIHF 모듈(1210)에 제공할 수 있다. 예를 들어, 리스트는, (예를 들어, 스펙트럼 분석 모듈(1216)에 의해 제공되는 바와 같은) 이러한 정보에 대해 자율적으로 스캐닝하는 것; 에코시스템 내의 네트워크 에지 디바이스로부터의 네트워크 정보를 통합하는 것; 서버(예를 들어, MIH 서버)로부터 수신되고 MIH 사용자(1204)에 의해 네트워크 발견 모듈(1220)에 전송되는 MIIS 정보를 이용하는 것; ANDSF 프로토콜을 이용하는 것 등에 의해 획득될 수 있다.
감지 빈도를 감소시키고 클라이언트 디바이스에서 에너지를 절감하기 위해, 스펙트럼 분석 모듈(1216)을 관여시킴으로써 스마트 스캐닝의 형태가 이용될 수 있다. 예를 들어, 스펙트럼 분석 모듈(1216)을 사용하면, 오염된(또는 간섭된) 또는 사용중인 채널들이 스캐닝으로부터 배제될 수 있고, 이것은 또한 VHO 지연을 상당히 감소시킬 수 있다. 스펙트럼 분석 모듈(1216)은, 예를 들어, 도 12에 도시된 바와 같이 클라이언트 디바이스에서 구현될 수 있거나, 에너지를 추가로 절감하기 위해 네트워크 에지 디바이스에서 구현될 수 있다. 네트워크 발견이 진행중인 동안 QoS 파라미터들의 보존(예를 들어, 애플리케이션의 지연 및 지터 요건들의 충족)을 보장하기 위해, 스마트 스캐닝은 네트워크 발견 모듈(1220) 내에서 스캐닝과 데이터 수신 사이에서 스위칭할 수 있다. 스캔 전에, 전반적인 반복 시간이 애플리케이션에 대해 최대로 허용된 중단 시간을 초과하지 않도록, 예상되는 스캐닝 시간의 예측이 평가될 수 있다. 초과하는 경우, 스캐닝은 계속되지 않을 것이고, 클라이언트 디바이스는 데이터 프레임 전달을 위해 기존의 통신 채널로 다시 스위칭할 수 있다. 스캔이 내부 제어 시그널링을 통해 (예를 들어, 802.11k 또는 MIH 시그널링을 사용하여) 수행되는 경우, 클라이언트 디바이스는 스캐닝 모드에 대한 자신의 상태 변경에 대해 네트워크 에지 디바이스에 통지할 수 있고, 클라이언트 디바이스로 향하는 데이터를 네트워크 에지 디바이스가 버퍼링하도록 요청할 수 있다. 이것은, 네트워크 에지 디바이스가 클라이언트 디바이스로 향하는 데이터 스트림에 대한 액세스를 갖도록 요구할 수 있다. 네트워크 발견 모듈(1220)과 스펙트럼 분석 모듈(1216)의 조합은, 클라이언트 디바이스가 양호한 수신을 가질 수 있는 경우 네트워크들의 서브세트를 결정함으로써 핸드오프 지연을 개선할 수 있다. 이것은 사용가능한 PoA들을 짧게 나열할 수 있고, 스캐닝 시간을 감소시킬 수 있다. 이것은 또한, AP들 또는 기지국들(base stations, BS)로부터 수신된 신호들을 프로세싱함으로써 행해질 수 있는데, 이는, AP들 또는 기지국들이 네트워크 프리픽스(prefix)에 대해 클라이언트 디바이스들에 통지하기 위한 라우트 신청 신호들을 주기적으로 전송하기 때문이다. 네트워크 발견 모듈(1220)(또는 클라이언트 디바이스의 접속 관리자)는 이러한 신호들을 수신할 수 있다. 메시지가 새로운 프리픽스를 포함하면, 이것은 새로운 사용가능한 PoA로 선택될 수 있다.
에너지를 절감하고 QoS를 보장하기 위해, 네트워크 발견 프로세스는 HAU 모듈(1215)에 의해 관리될 수 있다. 관리는, 특이한 또는 높은 배터리 드레인 레이트들, (예를 들어, 스펙트럼 분석 모듈(1216)에 의해 측정되는) 증가된 간섭 레벨, 낮은 SNR 또는 긴 서비스 중단 추정과 같은 에너지 및 QoS 관련 트리거들을 사용하여 수행될 수 있다. 이러한 트리거들 및 이들의 레이트는, 예를 들어, 기계 학습 알고리즘들에 의해 정적으로 또는 동적으로 조절될 수 있다.
스펙트럼 분석 모듈(1216)과 협력하여, 네트워크 모니터 모듈(1221)은 무선 채널 조건들의 모니터링 및 평가를 담당할 수 있다. 네트워크 모니터링 모듈(1221)은 적절한 미처리 데이터를 측정함으로써 실시간 L1 및 L2 콘텍스트 정보를 수집할 수 있다. 측정들은 또한 현재의 PoA 상태에 관해 네트워크 에지 디바이스에 의해 수집되는 네트워크측 콘텍스트 정보에 기초할 수 있다. 클라이언트 디바이스측에서, 콘텍스트 정보는 현재의 애플리케이션 및 서비스 메타 데이터, 위치 정보, 측정된 TX 전력, 지터 또는 데이터 레이트들, 또는 실시간 배터리 정보를 포함할 수 있다. 네트워크측 정보는, PoA의 현재의 부하, SINR, 일시적 데이터 레이트, 용량 등과 같은 PoA 상태를 포함할 수 있다. 링크 계층 스루풋, 링크 품질, 손실 레이트 및 경합 레이트와 같은 다른 링크 관련 파라미터들이 또한 클라이언트 디바이스 및 네트워크 에지 디바이스의 네트워크 모니터링 기능들에 의해 수집될 수 있다. 일 실시 예에서, 이러한 콘텍스트 정보는 네트워크 에지 디바이스에 임베딩된 스펙트럼 분석기에 의해 향상될 수 있다. 이러한 콘텍스트 정보는 필터링될 수 있거나, 미처리 데이터로서 CM 모듈(1202)에 통신될 수 있다. 네트워크 모니터 모듈(1221)은 링크 동작 및 VHO와 관련된 파라미터들을 수집 및 관리할 수 있다. 네트워크 모니터 모듈(1221)은 궁극적인 핸드오버 개시 및 판정을 위해, 링크 계층으로부터 수집된 정보를 HAU 모듈(1215)에 제공할 수 있다. 따라서, 네트워크 모니터 모듈(1221)은, 클라이언트 디바이스에서 사용가능한 자원들 및 연관된 PoA와 클라이언트 디바이스의 접속에 대해 클라이언트 디바이스가 통지받는 것을 유지할 수 있다.
CM 모듈(1202)은 주위 센서 모듈(1218) 및 MIHF 모듈(1210)로부터 하위 계층 미처리 또는 필터링된 콘텍스트를 수신할 수 있다. CM 모듈(1202)은 또한 이러한 계층들에 대한 직접적인 액세스를 통해 콘텍스트 정보를 수신할 수 있다. CM 모듈(1202)은, 다양한 파라미터들이 VHO 절차의 견고성 및 효율에 영향을 미칠 수 있는 경우, 결정적 역할을 할 수 있다. 풍부한 콘텍스트 세트가 HAU 모듈(1215)에 제공될 수 있어서, HAU 모듈(1215)은 에너지 및 라디오 자원 소모를 정확하게 검출하기 위해 크로스-계층 콘텍스트 정보를 함께 분석할 수 있다. 이러한 방식으로, 주위 네트워크 감지에서 가장 효율적인 네트워크를 선택할 수 있다. 중요한 콘텍스트 데이터의 일부 예들은, RRC 상태마다의 WNIC-특정 에너지 소모 값들; 다양한 서비스 타입들에 대한 에너지-프로파일 및 잔여 PoA 활용 시간; 및 지난 핸드오프 실행 단계들 동안 도입된 지연, 스루풋 및 에너지 오버헤드들을 포함할 수 있다. 에너지 소모 평가 기준의 제공에 추가로, 콘텍스트 정보는 또한, VHO 판정에 대한 정확한 시간 및 일정한 QoS 악화 추론 척도를 결정하는 것을 도울 수 있다. 요구되는 콘텍스트 인식 레벨은 이종 네트워크 다이나믹스(예를 들어, 동작 환경, 이동성 및 네트워크 밀도) 및 클라이언트 디바이스의 현재의 에너지 상태(예를 들어, 배터리 드레인 레이트)로 조절될 수 있다. CM 모듈(1202)은, 현재의 PoA의 에너지 소모 레이트, 현재의 채널 상태, 위치, PoA마다의 서비스 잔여 활용 시간에 대한 정보 등을 결정하는 것과 같은 다양한 이력 및 실시간 콘텍스트 파라미터들에 기초하여 에너지 상태의 정확한 추정을 위한 콘텍스트 정보를 HAU 모듈(1215)에 제공할 수 있다. HAU 모듈(1215)은 액세스가능한 PoA 선택들을 분석하고 액세스할 수 있고, 에너지 효율적인 콘텍스트 수집 및 네트워크 발견 프로세스를 조정할 수 있다. PoA 선택에서 더 양호한 정확도를 위해, 미처리 에너지 데이터로부터 적절한 콘텍스트 정보의 추출에 기초하여, 유도된 콘텍스트의 세부사항과 정확도 사이의 적절한 균형이 설정될 수 있다. 이것은, 기계 학습과 같은 분석적 알고리즘들을 통해 CAHE 관리자 모듈(1224)에 의해 달성될 수 있다.
유한 상태 기계(finite state machine, FSM) 기반 디바이스 모델 모듈(1226)은, 인터페이스 상태마다의 에너지 소모의 추정들을 클라이언트 디바이스 및 PoA 파라미터들의 멀티-파라미터 함수로서 제공할 수 있다. 따라서, FSM 기반 모델 모듈(1226)은 각각의 사용가능한 PoA와 연관된 에너지 소모를 추정하기 위해, 이력 및 실시간 데이터 둘 모두의 가변적 조합을 사용한다. 이러한 가변적 조합은 핸드오프에 대해 요구되는 콘텍스트 인식 레벨을 조절함으로써 설정될 수 있다. 결과적으로, 적절한 콘텍스트 유도 방법을 결론짓기 위한 기준은, 유도된 콘텍스트의 세부사항 및 정확도 둘 모두를 동적으로 조절함으로써 에너지-관련 미처리 데이터에 대한 콘텍스트 유도 방법을 제어하는 능력일 수 있다. 일 실시 예에서, 이것은, 기계 학습 알고리즘을 사용하여 CAHE 관리자 모듈(1224)에 의해 구현될 수 있다. 핸드오프 시나리오의 분석에 기초하여, CAHE 관리자(1224)는 콘텍스트 프로세싱 및 수집 제어를 동적으로 조정하기 위한 능력을 CM 모듈(1202)에 제공할 수 있다. 이것은, 네트워크 모니터링 모듈(1221)의 측정, 지속기간 및 빈도를 제어하기 위해 적절한 레벨의 적응가능성 및 인지를 CM 모듈(1202)에 제공함으로써 간접적으로 행해질 수 있다.
HAU 모듈(1215)은, 핸드오프를 위한 후보 RAT PoA(예를 들어, 최적의 RAT PoA)를 추천할 수 있는 ANS 네트워크 추천 모듈(1225)을 포함할 수 있다. 일 실시 예에서, ANS 네트워크 추천 모듈(1225)은, CM 모듈(1202)로부터의 콘텍스트 데이터 뿐만 아니라 FSM-기반 디바이스 모델 모듈(1226)로부터의 입력들을 취하고 PoA에 대한 추천을 제공하는 에너지 인식 멀티-기준 판정 알고리즘(multi-criteria decision algorithm, MCDA)일 수 있다. 이와 관련하여, ANS 네트워크 추천 모듈(1225)은, 예를 들어, 제공된 QoS 및 에너지 소모 둘 모두의 관점에서 모든 PoA 대안들을 평가할 수 있다. 구현된 알고리즘은, 에너지 프로파일, 서비스 활용 시간 및 QoS 파라미터들의 관점에서 현재의 앱 특성들; 채널 정보, 추론 상태마다의 에너지 소모, VHO 지연, 제공된 QoS 등과 같은 인지되는 에너지 소모들의 관점에서 현재의 및 모든 사용가능한 PoA 특성들; 사용자 선호도들 등을 포함할 수 있는, CM 모듈(1202)로부터의 관련 콘텍스트를 프로세싱할 수 있다. 추천은, 후보 RAT PoA를 선택하기 위한 메트릭일 수 있는 컴퓨팅된 ANS 팩터(또는 ANS 팩터)에 기초하여 각각의 사용가능한 PoA에 대해 수행될 수 있다. 일 실시 예에서, ANS 팩터는 0과 1 사이의 수일 수 있다.
일부 예들에서, 핸드오프 판정을 행하기 전에 추가적인 프로세싱이 요구될 수 있다. 태그된 PoA 대안이 현재의 서비스의 모든 요건들을 지원할 수 있는지 여부를 결정하기 위한 평가가 수행될 수 있다. 따라서, 에너지 소모 평가 단계는, 인터페이스 상태마다의 서비스 에너지-프로파일, 타겟 PoA에 대한 인터페이스 상태마다의 에너지-소모에 대한 예상치, 핸드오프 에너지 패널티 등을 포함하는 다수의 파라미터들을 처리할 수 있다. 그 다음, 이와 관련하여, ANS 팩터는, 후보 RAT PoA를 선택하기 위해 다른 핸드오프 판정 파라미터들과 함께 ANS 팩터를 이용하는 네트워크 선택 프로세스로 통합될 수 있다. HAU 모듈(1215), 끊김없는 서비스 유틸리티(SSU)(seamless service utility, 1226), 서비스 리바인드 유틸리티(service rebind Utility, SRU)(1227)는 각각 핸드오프 판정, 실행 관리 및 새로운 PoA로의 콘텍스트 전송을 위해 ANS 팩터를 사용할 수 있다. ANS 팩터 및 핸드오프 팩터(또한 HO 팩터로 지칭됨)는, 예를 들어, 주요 관심사가 전력 소모 감소인 경우, 핸드오프 판정을 위한 단일 팩터를 도출하는 단일 프로세스로 통합될 수 있다.
추가적인 예시적인 실시 예들
본원에서 제공되는 컴퓨터 구현된 방법들, 시스템들 및 컴퓨터 판독가능 매체는 물리 계층 및 적어도 하나의 다른 OSI 계층으로부터의 콘텍스트 정보를 포함하는 콘텍스트 정보를 수집할 수 있다. 물리 계층 파라미터 및 적어도 하나의 다른 OSI 계층 파라미터에 기초하여 핸드오프가 트리거링될 수 있다.
일 실시 예에서, 물리 계층 콘텍스트 정보는 접속에 영향을 미치는 라디오 주파수 환경 팩터를 포함할 수 있다.
일 실시 예에서, 라디오 주파수 환경 팩터는 간섭 레벨일 수 있다.
일 실시 예에서, 핸드오프를 수행하는 것은, 클라이언트 디바이스에 사용가능한 복수의 라디오 액세스 기술(RAT) 접속 포인트들(PoA들)의 식별; 콘텍스트 정보에 기초한 복수의 RAT PoA들에 대한 디바이스 성능 메트릭의 계산; 및 클라이언트 디바이스 상에서 실행되는 애플리케이션에 대한 서비스 품질(QoS) 요건들 및 디바이스 성능 메트릭들에 기초하여 핸드오프를 위한 후보 RAT PoA를 선택하기 위한 메트릭의 계산을 더 포함할 수 있다.
일 실시 예에서, 후보 RAT PoA는 후보 RAT PoA를 선택하기 위한 메트릭에 기초하여 핸드오프에 대해 선택될 수 있다.
일 실시 예에서, 디바이스 성능 메트릭은 클라이언트 디바이스에 의한 에너지 소모의 메트릭일 수 있다.
일 실시 예에서, 패킷 트레이스들이 수집될 수 있다. 네트워크 시뮬레이션 및 패킷 정렬은 라디오 자원 제어(RRC) 상태 기계 모델(state machine model)에 기초하여 수행될 수 있다. 복수의 RAT PoA들에 대한 디바이스 성능 메트릭을 계산하는 것은 네트워크 시뮬레이션 및 패킷 정렬에 기초할 수 있다.
일 실시 예에서, RRC 상태 기계 모델들은 콘텍스트 정보에 기초하여 업데이트될 수 있다.
일 실시 예에서, 콘텍스트 정보 및 복수의 RAT PoA들은 네트워크 에지 디바이스에 통신될 수 있다.
일 실시 예에서, 모바일 디바이스는, 에너지 비용을 감소시키고 에너지를 절감하기 위해 배터리 사용을 최소화하는 최상의 사용가능한 네트워크를 결정할 수 있다. 결정되면, 모바일 디바이스는 에너지를 보존하기 위해 최상의 네트워크로 자동으로 스위칭할 수 있다. 선택적으로, 모바일 디바이스는 결정에 기초하여 네트워크를 선택하거나 네트워크로의 변경을 추천할 때 사용자 입력을 위한 프롬프트를 디스플레이할 수 있다. 선택적으로, 스위치 또는 핸드오버가 완료되면, 모바일 디바이스는 발생된 핸드오버에 대한 통지를 디스플레이할 수 있다.
예를 들어, 비디오, 이미지들 또는 다른 미디어 컨텐츠가 인터넷에(예를 들어, 소셜 네트워크들, 컨텐츠 공유 사이트들, 클라우드 저장소 등에) 업로드되는 컨텐츠 업로드 상황에서, 모바일 디바이스는 사용가능한 네트워크들의 파라미터들(예를 들어, 낮은 간섭, 높은 RSSI)에 대해 체크할 수 있다. 파라미터들은 다른 특성들과 함께 무선 네트워크 간섭을 모니터링 및 스캔하기 위한 네트워크 툴을 사용하여 획득될 수 있다. 최상의 사용가능한 네트워크를 결정할 때 보조하기 위한 가중된 평균에서, 다른 파라미터들(예를 들어, 링크 속도, 채널 주파수, 보안 프로토콜 등)이 사용될 수 있다. 파라미터 가중치들은 시스템에서 실험적으로 계산 및 설정될 수 있다.
일 실시 예에서, 모바일 디바이스는 배터리의 남은 충전 레벨을 모니터링할 수 있다. 충전양이 임계치 아래로 내려가면, 모바일 디바이스는 사용가능한 다양한 무선 네트워크들을 조회한다. 다양한 조회된 무선 네트워크 w1,w2,...,wk의 에너지 소모가 측정될 수 있다. 에너지는 Er1, Er2,..., Erk와 같이 표현될 수 있다. 최소 및 최대 에너지는,
MaxEnergy=Max{Er1, Er2, …., Erk}
MinEnergy=Min{Er1, Er2,….,Erk}
에 의해 결정될 수 있다.
네트워크에 대한 ANS 팩터 "WK"는,
에 의해 계산될 수 있다.
ANS 팩터는, 핸드오버의 트리거링에 대한 디바이스 중심 관점을 제공하기 위해 앞서 도 10, 도 11 및 도 12에 도시된 바와 같이 핸드오버(HO) 팩터의 일부로서(또는 그 대신에) 이용될 수 있다.
선택적으로, 더 많은 에너지 효율적 네트워크가 존재하지 않으면, 에너지 효율적인 네트워크를 요구하는 현재 실행되는 작업은, 모바일 디바이스가 충전을 위해 플러그인되는 시간 동안 작업 우선순위에 따라 재스케줄링될 수 있다.
하드웨어 구현
상기 프로세스들 및 특징들은 광범위한 기계 및 컴퓨터 시스템 아키텍쳐들에 의해 그리고 광범위한 네트워크 및 컴퓨팅 환경들에서 구현될 수 있다. 도 13은 본 발명의 일 실시 예에 따라 본원에서 설명되는 실시 예들 중 하나 이상을 구현하기 위해 사용될 수 있는 컴퓨터 시스템(1300)의 예를 예시한다. 컴퓨터 시스템(1300)은 컴퓨터 시스템(1300)으로 하여금, 본원에서 논의되는 프로세스들 및 특징들을 수행하게 하기 위한 명령들의 세트들을 포함한다. 컴퓨터 시스템(1300)은 다른 기계들에 접속(예를 들어, 네트워킹)될 수 있다. 네트워킹된 배치에서, 컴퓨터 시스템(1300)은, 클라이언트-서버 네트워크 환경에서 서버 기계 또는 클라이언트 기계으로서 또는 피어-투-피어(또는 분산형) 네트워크 환경에서 피어 기계으로서 동작할 수 있다. 본 발명의 일 실시 예에서, 컴퓨터 시스템(1300)은 본원에서 설명되는 네트워킹 시스템의 컴포넌트일 수 있다. 본 개시의 일 실시 예에서, 컴퓨터 시스템(1300)은, 네트워킹 시스템의 전부 또는 일부를 구성하는 많은 서버들 중 하나의 서버일 수 있다. 일 실시 예에서, 컴퓨터 시스템(1300)은 도 7의 클라이언트 디바이스(701) 또는 네트워크 에지 디바이스(702)로서 구현될 수 있다.
컴퓨터 시스템(1300)은, 본원에서 설명되는 프로세스들 및 특징들로 의도된 프로세서(1302), 캐시(1304), 및 컴퓨터 판독가능 매체 상에 저장되는 하나 이상의 실행가능한 모듈들 및 드라이버들을 포함한다. 추가적으로, 컴퓨터 시스템(1300)은 고성능 입력/출력(I/O) 버스(1306) 또는 표준 I/O 버스(1308)를 포함할 수 있다. 호스트 브리지(1310)는 프로세서(1302)를 고성능 I/O 버스(1306)에 커플링시키는 한편, I/O 버스 브리지(1312)는 2개의 버스들(1306, 1308)을 서로 커플링시킨다. 시스템 메모리(1314) 및 하나 이상의 네트워크 인터페이스들(1316)은 고성능 I/O 버스(1306)에 커플링된다. 컴퓨터 시스템(1300)은 비디오 메모리 및 비디오 메모리에 커플링된 디스플레이 디바이스(미도시)를 더 포함할 수 있다. 대용량 저장소(1318) 및 I/O 포트들(1320)은 표준 I/O 버스(1308)에 커플링된다. 컴퓨터 시스템(1300)은 선택적으로, 표준 I/O 버스(1308)에 커플링되는 키보드 및 포인팅 디바이스, 디스플레이 디바이스 또는 다른 입력/출력 디바이스들(미도시)을 포함할 수 있다. 총괄적으로, 이러한 엘리먼트들은, 캘리포니아 산타클라라의 Intel Corporation에 의해 제조되는 x86-호환가능 프로세서들 및 캘리포니아 서니베일의 Advanced Micro Devices (AMD), Inc.에 의해 제조되는 x86-호환가능 프로세서들 뿐만 아니라 임의의 다른 적절한 프로세서에 기초하는 컴퓨터 시스템들을 포함하지만 이에 한정되는 것은 아닌 넓은 카테고리의 컴퓨터 하드웨어 시스템들을 표현하도록 의도된다.
운영 시스템은, 소프트웨어 애플리케이션들(미도시)로의 및 그로부터의 데이터의 입력 및 출력을 포함하는 컴퓨터 시스템(1300)의 동작을 관리 및 제어한다. 운영 시스템은, 시스템 상에서 실행되고 있는 소프트웨어 애플리케이션들과 시스템의 하드웨어 컴포넌트들 사이에 인터페이스를 제공한다. LINUX 운영 시스템, 캘리포니아 쿠퍼티노의 Apple Computer Inc.로부터 입수가능한 Apple Macintosh 운영 시스템, UNIX 운영 시스템들, Microsoft® Windows® 운영 시스템들, BSD 운영 시스템들 등과 같은 임의의 적절한 운영 시스템이 사용될 수 있다. 다른 구현들이 가능하다.
컴퓨터 시스템(1300)의 엘리먼트들은 아래에서 더 상세히 설명된다. 특히, 네트워크 인터페이스(1316)는, 이더넷(예를 들어, IEEE 802.3) 네트워크, 백플레인 등과 같은 광범위한 네트워크들 중 임의의 네트워크와 컴퓨터 시스템(1300) 사이의 통신을 제공한다. 대용량 저장소(1318)는, 앞서 설명된 각각의 컴퓨팅 시스템들에 의해 구현되는 특징들 및 앞서 설명된 프로세스들을 수행하기 위한 데이터 및 프로그래밍 명령들에 대한 영구적 저장을 제공하는 한편, 시스템 메모리(1314)(예를 들어, DRAM)는 프로세서(1302)에 의해 실행되는 경우의 데이터 및 프로그래밍 명령들에 대한 일시적 저장을 제공한다. I/O 포트들(1320)은, 컴퓨터 시스템(1300)에 커플링될 수 있는 추가적인 주변기기 디바이스들 사이의 통신을 제공하는 하나 이상의 직렬 및/또는 병렬 통신 포트들일 수 있다.
컴퓨터 시스템(1300)은 다양한 시스템 아키텍쳐들을 포함할 수 있고, 컴퓨터 시스템(1300)의 다양한 컴포넌트들은 재배열될 수 있다. 예를 들어, 캐시(1304)는 프로세서(1302)와 온-칩(on-chip)될 수 있다. 대안적으로, 캐시(1304) 및 프로세서(1302)는 "프로세서 모듈"로서 함께 패킹될 수 있고, 프로세서(1302)는 "프로세서 코어"로 지칭된다. 또한, 본 발명의 특정 실시 예들은 상기 컴포넌트들 전부를 요구하지도 않고 포함하지도 않을 수 있다. 예를 들어, 표준 I/O 버스(1308)에 커플링되는 주변기기 디바이스들은 고성능 I/O 버스(1306)에 커플링될 수 있다. 또한, 특정 실시 예들에서, 오직 단일 버스만이 존재할 수 있고, 컴퓨터 시스템(1300)의 컴포넌트들은 그 단일 버스에 커플링된다. 또한, 컴퓨터 시스템(1300)은 추가적인 프로세서들, 저장 디바이스들 또는 메모리들과 같은 추가적인 컴포넌트들을 포함할 수 있다.
일반적으로, 본원에서 설명되는 프로세스들 및 특징들은 운영 시스템 또는 특정 애플리케이션, 컴포넌트, 프로그램, 오브젝트, 모듈, 또는 "프로그램들"로 지칭되는 일련의 명령들의 일부로서 구현될 수 있다. 예를 들어, 하나 이상의 프로그램들이 본원에서 설명되는 특정 프로세스를 실행하기 위해 사용될 수 있다. 프로그램들은 통상적으로, 컴퓨터 시스템(1300)의 다양한 메모리 및 저장 디바이스들에 하나 이상의 명령들을 포함할 수 있고, 명령들은, 하나 이상의 프로세서들에 의해 판독되고 실행되는 경우, 컴퓨터 시스템(1300)으로 하여금 본원에 설명되는 프로세스들 및 특징들을 실행하기 위한 동작들을 수행하게 한다. 본원에서 설명되는 프로세스들 및 특징들은 소프트웨어, 펌웨어, 하드웨어(예를 들어, 주문형 집적 회로) 또는 이들의 임의의 조합으로 구현될 수 있다.
일 구현에서, 본원에서 설명되는 프로세스들 및 특징들은, 분산형 컴퓨팅 환경에서 총괄적으로 또는 개별적으로 컴퓨터 시스템(1300)에 의해 실행되는 일련의 실행가능한 모듈들로서 구현된다. 상기 모듈들은 하드웨어, 컴퓨터 판독가능 매체(또는 기계 판독가능 매체) 상에 저장된 실행가능한 모듈들 또는 둘 모두의 조합에 의해 실현될 수 있다. 예를 들어, 모듈들은 프로세서(1302)와 같은 하드웨어 시스템의 프로세서에 의해 실행되는 복수의 또는 일련의 명령들을 포함할 수 있다. 초기에, 일련의 명령들은 대용량 저장소(1318)와 같은 저장 디바이스 상에 저장될 수 있다. 그러나, 일련의 명령들은 임의의 적절한 컴퓨터 판독가능 저장 매체 상에 저장될 수 있다. 또한, 일련의 명령들은 로컬로 저장될 필요가 없고, 네트워크 인터페이스(1316)를 통해 네트워크 상의 서버와 같은 원격 저장 디바이스로부터 수신될 수 있다. 명령들은 대용량 저장소(1318)와 같은 저장 디바이스로부터 시스템 메모리(1314)로 복사되고, 그 다음, 프로세서(1302)에 의해 액세스 및 실행된다. 다양한 구현들에서, 모듈 또는 모듈들은 병렬적 프로세싱 환경에서 다수의 서버들과 같이, 하나의 또는 다수의 위치들에 있는 프로세서 또는 다수의 프로세서들에 의해 실행될 수 있다.
컴퓨터 판독가능 매체의 예들은, 기록가능한 타입의 매체, 예를 들어, 휘발성 및 비휘발성 메모리 디바이스들; 솔리드 스테이트 메모리들; 플로피 및 다른 착탈식 디스크들; 하드 디스크 드라이브들; 자기 매체; 광 디스크들(예를 들어, 컴팩트 디스크 판독-전용 메모리(CD ROM들), 디지털 다기능 디스크들(DVD들)); 다른 유사한 비일시적(또는 일시적), 유형(또는 무형) 저장 매체; 또는 본원에서 설명되는 프로세스들 및 특징들 중 임의의 하나 이상을 수행하기 위해 컴퓨터 시스템(1300)에 의한 실행을 위한 일련의 명령들을 저장, 인코딩 또는 반송하기에 적합한 임의의 타입의 매체를 포함한다.
설명의 목적으로, 본 설명의 철저한 이해를 제공하기 위해 다수의 특정 세부사항이 기술된다. 그러나, 이러한 특정 세부사항들 없이도 본 개시의 실시 예들이 실시될 수 있음은 당업자에게 자명할 것이다. 일부 예들에서, 설명을 불명료하게 하는 것을 회피하기 위해, 모듈들, 구조들, 프로세스들, 특징들 및 디바이스들은 블록도 형태로 도시된다. 다른 예들에서, 데이터 및 로직 플로우들을 표현하기 위해 기능적 블록도들 및 흐름도들이 도시된다. 블록도들 및 흐름도들의 컴포넌트들(예를 들어, 모듈들, 블록들, 구조들, 디바이스들, 특징들 등)은, 본원에서 명시적으로 설명되고 도시된 것과는 다른 방식으로 다양하게 조합, 분리, 제거, 재순서화 및 교체될 수 있다.
본 명세서에서 "일 실시 예", "실시 예", "다른 실시 예들", "일련의 실시 예들", "특정 실시 예들", "다양한 실시 예들" 등에 대한 언급은, 그 실시 예와 관련하여 설명된 특정 특징, 설계, 구조 또는 특성이 본 개시의 적어도 하나의 실시 예에 포함됨을 의미한다. 예를 들어, "일 실시 예에서" 또는 "실시 예에서"라는 구의 등장은 반드시 그 실시 예를 전부를 지칭하는 것이 아니며, 다른 실시 예들로부터 상호 배타적인 별개의 또는 대안적인 실시 예들인 것도 아니다. 또한, "실시 예" 등을 참조하는 표현이 존재하든 아니든 간에, 특정 실시 예들에서는 다양하게 조합 및 포함될 수 있지만 다른 실시 예들에서는 또한 다양하게 생략될 수 있는 다양한 특징들이 설명된다. 유사하게, 다른 실시 예들이 아닌 특정 실시 예들에 대한 선호도들 또는 요구들일 수 있는 다양한 특징들이 설명된다.
본원에서 사용되는 언어는 원칙적으로 가독성 및 지시적 목적으로 선택되었고, 창작적 요지를 한정하거나 제한하기 위해 선택된 것이 아닐 수 있다. 따라서, 본 발명의 범주는, 이러한 상세한 설명에 의해 제한되는 것이 아니라 오히려 그에 기반하여 본 출원에서 이슈되는 임의의 청구항들에 의해 제한되는 것으로 의도된다. 따라서, 본 발명의 실시 예들의 개시는, 하기 청구항들에서 기술되는 본 발명의 범주에 대해 제한적인 것이 아니라 예시적인 것으로 의도된다.
Claims (15)
- 시스템에 있어서,
적어도 하나의 프로세서; 및
상기 적어도 하나의 프로세서가, 물리 계층으로부터의 제 1 파라미터 및 적어도 하나의 다른 개방형 시스템 상호접속(open systems interconnection, OSI) 계층으로부터의 제 2 파라미터를 포함하는 콘텍스트 정보(contextual information)를 수집하고, 에너지를 보존하기 위해 상기 제 1 파라미터 및 상기 제 2 파라미터에 기초하여 에너지 효율적인 네트워크로의 핸드오프(handoff)를 개시하도록 명령하는 명령을 저장하는 메모리;를 포함하는 시스템. - 제1항에 있어서,
상기 제 1 파라미터는,
접속에 영향을 미치는 라디오 주파수 환경 팩터(radio frequency environmental factor)를 포함하는, 시스템. - 제2항에 있어서,
상기 라디오 주파수 환경 팩터는 간섭 레벨인, 시스템. - 제1항에 있어서,
상기 핸드오프를 개시하는 것은,
클라이언트 디바이스에 사용 가능한 복수의 라디오 액세스 기술(radio access technology, RAT) 접속 포인트(point of attachment, PoA)의 식별;
상기 콘텍스트 정보에 기초한 상기 복수의 RAT PoA에 대한 디바이스 성능 메트릭의 계산; 및
상기 클라이언트 디바이스 상에서 실행되는 애플리케이션에 대한 서비스 품질(quality of service, QoS) 요건 및 상기 디바이스 성능 메트릭에 기초하여 핸드오프를 위한 후보 RAT PoA를 선택하기 위한 메트릭의 계산;을 더 포함하는, 시스템. - 제4항에 있어서,
상기 메모리는,
상기 적어도 하나의 프로세서가, 상기 후보 RAT PoA를 선택하기 위한 메트릭에 기초하여 핸드오프를 위한 후보 RAT PoA를 선택하도록 명령하는 명령을 더 포함하는, 시스템. - 제4항에 있어서,
상기 디바이스 성능 메트릭은,
상기 클라이언트 디바이스에 의한 에너지 소모의 메트릭인, 시스템. - 제4항에 있어서,
상기 메모리는,
상기 적어도 하나의 프로세서가, 패킷 트레이스들을 수집하고; 라디오 자원 제어(radio resource control, RRC) 상태 기계 모델(state machine model)에 기초하여 네트워크 시뮬레이션 및 패킷 정렬을 수행하도록 명령하는 명령을 더 포함하고,
상기 복수의 RAT PoA에 대한 상기 디바이스 성능 메트릭을 계산하는 것은 상기 네트워크 시뮬레이션 및 패킷 정렬에 기초하는, 시스템. - 제7항에 있어서,
상기 메모리는,
상기 적어도 하나의 프로세서가, 상기 콘텍스트 정보에 기초하여 상기 RRC 상태 기계 모델을 업데이트하도록 명령하는 명령을 더 포함하는, 시스템. - 제7항에 있어서,
상기 메모리는,
상기 적어도 하나의 프로세서가, 상기 콘텍스트 정보 및 상기 복수의 RAT PoA를 네트워크 에지 디바이스(network edge device)와 통신하도록 명령하는 명령을 더 포함하는, 시스템. - 제1항에 있어서,
상기 메모리는,
상기 적어도 하나의 프로세서가, 상기 에너지 효율적인 네트워크로의 핸드오프가 발생했다는 통지를 디스플레이에 제공하도록 명령하는 명령을 더 포함하는, 시스템. - 제1항에 있어서,
배터리;를 더 포함하고,
상기 에너지 효율적인 네트워크로의 핸드오프를 개시하는 것은, 상기 배터리의 현재의 충전 레벨에 부분적으로 기초하는, 시스템. - 방법에 있어서,
컴퓨터 시스템을 사용하여, 물리 계층으로부터의 제 1 파라미터 및 적어도 하나의 다른 개방형 시스템 상호접속(OSI) 계층으로부터의 제 2 파라미터를 포함하는 콘텍스트 정보를 수집하는 단계; 및
에너지를 보존하기 위해, 상기 물리 계층 및 상기 적어도 하나의 다른 OSI 계층으로부터의 적어도 하나의 파라미터에 기초하여 에너지 효율적인 네트워크로의 핸드오프를 개시하는 단계;를 포함하는, 방법. - 제12항에 있어서,
상기 핸드오프를 개시하는 단계는,
상기 컴퓨터 시스템을 사용하여, 클라이언트 디바이스에 사용 가능한 복수의 라디오 액세스 기술(RAT) 접속 포인트(PoA)를 식별하는 단계;
상기 컴퓨터 시스템을 사용하여, 상기 콘텍스트 정보에 기초한 상기 복수의 RAT PoA에 대한 디바이스 성능 메트릭을 계산하는 단계; 및
상기 컴퓨터 시스템을 사용하여, 상기 클라이언트 디바이스 상에서 실행되는 애플리케이션에 대한 서비스 품질(QoS) 요건 및 상기 디바이스 성능 메트릭에 기초하여 핸드오프를 위한 후보 RAT PoA를 선택하기 위한 메트릭을 계산하는 단계;를 더 포함하는, 방법. - 제13항에 있어서,
상기 후보 RAT PoA를 선택하기 위한 메트릭에 기초하여, 핸드오프를 위한 후보 RAT PoA를 선택하는 단계;를 더 포함하는, 방법. - 제13항에 있어서,
패킷 트레이스(packet traces)를 수집하는 단계; 및
라디오 자원 제어(RRC) 상태 기계 모델에 기초하여 네트워크 시뮬레이션 및 패킷 정렬(packet sorting)을 수행하는 단계;를 더 포함하고,
상기 복수의 RAT PoA에 대한 상기 디바이스 성능 메트릭을 계산하는 단계는,
상기 네트워크 시뮬레이션 및 패킷 정렬에 기초하는, 방법.
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201462037026P | 2014-08-13 | 2014-08-13 | |
| US62/037,026 | 2014-08-13 | ||
| US14/519,840 US20160050589A1 (en) | 2014-08-13 | 2014-10-21 | Ambient network sensing and handoff for device optimization in heterogeneous networks |
| US14/519,840 | 2014-10-21 | ||
| PCT/KR2015/008438 WO2016024809A1 (en) | 2014-08-13 | 2015-08-12 | Ambient network sensing and handoff for device optimization in heterogeneous networks |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20170044611A true KR20170044611A (ko) | 2017-04-25 |
Family
ID=55303167
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020167034081A KR20170044611A (ko) | 2014-08-13 | 2015-08-12 | 이종 네트워크들에서 디바이스 최적화를 위한 주변 네트워크 감지 및 핸드오프 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20160050589A1 (ko) |
| EP (1) | EP3180940A4 (ko) |
| KR (1) | KR20170044611A (ko) |
| CN (1) | CN106576275A (ko) |
| WO (1) | WO2016024809A1 (ko) |
Families Citing this family (63)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9824374B1 (en) * | 2014-08-19 | 2017-11-21 | Sprint Communications Company L.P. | Radio access network adaptive mobile advertisement delivery |
| US9936028B2 (en) | 2014-10-21 | 2018-04-03 | Aruba Networks, Inc. | Method and system for client association management based on estimated session duration |
| US20160242072A1 (en) * | 2015-02-18 | 2016-08-18 | Qualcomm Incorporated | Handling over-sized call setup messages |
| US10462723B2 (en) * | 2015-05-29 | 2019-10-29 | Intel IP Corporation | Seamless mobility for 5G and LTE systems and devices |
| US10289819B2 (en) * | 2015-08-12 | 2019-05-14 | Kryptowire LLC | Active authentication of users |
| US11429883B2 (en) * | 2015-11-13 | 2022-08-30 | Microsoft Technology Licensing, Llc | Enhanced computer experience from activity prediction |
| US10769189B2 (en) | 2015-11-13 | 2020-09-08 | Microsoft Technology Licensing, Llc | Computer speech recognition and semantic understanding from activity patterns |
| FR3046315B1 (fr) * | 2015-12-29 | 2018-04-27 | Thales | Procede d'extraction univalente et univoque de cles a partir du canal de propagation |
| US20170245195A1 (en) * | 2016-02-22 | 2017-08-24 | Mediatek Inc. | Method for controlling network interfaces of electronic device and associated processing circuit |
| US10341739B2 (en) | 2016-05-16 | 2019-07-02 | Rovi Guides, Inc. | Methods and systems for recommending providers of media content to users viewing over-the-top content based on quality of service |
| US10812851B2 (en) | 2016-05-16 | 2020-10-20 | Rovi Guides, Inc. | Methods and systems for presenting media listings based on quality of service at a user device |
| EP3482584A4 (en) * | 2016-07-11 | 2019-06-26 | Telefonaktiebolaget LM Ericsson (publ) | RADIO NETWORK NODES, WIRELESS DEVICE AND METHOD THEREFOR |
| EP3322209A1 (en) * | 2016-11-11 | 2018-05-16 | Telia Company AB | A method and a mobile user terminal for service quality prediction |
| WO2018137777A1 (en) | 2017-01-27 | 2018-08-02 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and apparatus for indicating and using radio access technology preferences in a wireless communication network |
| US10631302B2 (en) | 2017-06-27 | 2020-04-21 | At&T Intellectual Property I, L.P. | Limiting data transmission under lossy wireless conditions of an internet of things wireless device to facilitate a reduction of wireless retransmissions of the data |
| JP6994628B2 (ja) * | 2017-06-28 | 2022-01-14 | パナソニックＩｐマネジメント株式会社 | 電波環境表示装置及び電波環境表示方法 |
| EP3432642A1 (en) * | 2017-07-21 | 2019-01-23 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Wireless communication system and method for handling wireless communication enhancing handover |
| CN107864469B (zh) * | 2017-10-31 | 2020-05-05 | 海信视像科技股份有限公司 | 无线连接方法及设备 |
| CN111466110B (zh) * | 2017-12-12 | 2023-05-09 | 索尼公司 | 边缘计算重定位 |
| US10452436B2 (en) * | 2018-01-03 | 2019-10-22 | Cisco Technology, Inc. | System and method for scheduling workload based on a credit-based mechanism |
| CN108076072B (zh) * | 2018-01-16 | 2020-02-18 | 杭州电子科技大学 | 一种针对Web异构冗余系统的动态切换方法 |
| US11296960B2 (en) * | 2018-03-08 | 2022-04-05 | Nicira, Inc. | Monitoring distributed applications |
| US10606575B2 (en) * | 2018-04-03 | 2020-03-31 | Accenture Global Solutions Limited | Efficiency of computing resource consumption via improved application portfolio deployment |
| EP3614627B1 (en) | 2018-08-20 | 2021-09-15 | EXFO Inc. | Telecommunications network and services qoe assessment |
| CN109474957B (zh) * | 2018-10-15 | 2021-08-27 | 南京邮电大学 | 一种基于认知微微蜂窝和双链接的数据卸载方法 |
| MX2021006000A (es) * | 2018-11-28 | 2021-07-06 | Viasat Inc | Redes adaptativas hibridas. |
| CN109922485B (zh) * | 2019-02-02 | 2022-06-17 | 四川速宝网络科技有限公司 | 基于双通信设备的智能网桥加速方法及系统 |
| US11146287B2 (en) | 2019-04-23 | 2021-10-12 | Samsjung Electronics Co., Ltd. | Apparatus and method for optimizing physical layer parameter |
| US10523549B1 (en) * | 2019-06-02 | 2019-12-31 | Cybertoka Ltd | Method and system for detecting and classifying networked devices |
| US11743135B2 (en) | 2019-07-23 | 2023-08-29 | Vmware, Inc. | Presenting data regarding grouped flows |
| US11140090B2 (en) | 2019-07-23 | 2021-10-05 | Vmware, Inc. | Analyzing flow group attributes using configuration tags |
| US11398987B2 (en) | 2019-07-23 | 2022-07-26 | Vmware, Inc. | Host-based flow aggregation |
| US11349876B2 (en) | 2019-07-23 | 2022-05-31 | Vmware, Inc. | Security policy recommendation generation |
| US11436075B2 (en) | 2019-07-23 | 2022-09-06 | Vmware, Inc. | Offloading anomaly detection from server to host |
| US11176157B2 (en) | 2019-07-23 | 2021-11-16 | Vmware, Inc. | Using keys to aggregate flows at appliance |
| US11288256B2 (en) | 2019-07-23 | 2022-03-29 | Vmware, Inc. | Dynamically providing keys to host for flow aggregation |
| US11340931B2 (en) | 2019-07-23 | 2022-05-24 | Vmware, Inc. | Recommendation generation based on selection of selectable elements of visual representation |
| US11188570B2 (en) | 2019-07-23 | 2021-11-30 | Vmware, Inc. | Using keys to aggregate flow attributes at host |
| CN110418315B (zh) * | 2019-07-24 | 2023-03-31 | 北京市天元网络技术股份有限公司 | 一种用于计算和管理物联网终端功耗的方法 |
| CN110533233B (zh) * | 2019-08-20 | 2020-07-31 | 河海大学 | 基于适应度优化的无线微波测雨链路规划方法 |
| CN111246532A (zh) * | 2020-01-09 | 2020-06-05 | 南京凯瑞得信息科技有限公司 | 一种深远海融合组网通信方式选择系统及方法 |
| US11321213B2 (en) | 2020-01-16 | 2022-05-03 | Vmware, Inc. | Correlation key used to correlate flow and con text data |
| US11671887B2 (en) | 2020-04-17 | 2023-06-06 | Qualcomm Incorporated | Limiting handoffs between wireless communication networks during a time period |
| CN111586696B (zh) * | 2020-04-29 | 2022-04-01 | 重庆邮电大学 | 一种基于多智能体架构强化学习的资源分配及卸载决策方法 |
| CN111866932B (zh) * | 2020-08-07 | 2021-03-12 | 北京邮电大学 | 一种网络测量方法、装置及电子设备 |
| US11395161B2 (en) * | 2020-08-14 | 2022-07-19 | T-Mobile Usa, Inc. | Method and system to select a communication mode |
| US11658700B2 (en) * | 2020-09-22 | 2023-05-23 | Dish Network L.L.C. | Systems and methods to predict frequency interference |
| US11627011B1 (en) | 2020-11-04 | 2023-04-11 | T-Mobile Innovations Llc | Smart device network provisioning |
| US11676591B1 (en) | 2020-11-20 | 2023-06-13 | T-Mobite Innovations Llc | Smart computing device implementing artificial intelligence electronic assistant |
| US11374781B1 (en) * | 2020-11-30 | 2022-06-28 | Sprint Communications Company L.P. | Smart device spectrum assignment |
| FI20215069A1 (en) * | 2021-01-21 | 2022-07-22 | Nokia Solutions & Networks Oy | Estimation of power consumption for different types of radio access technologies |
| US11991187B2 (en) | 2021-01-22 | 2024-05-21 | VMware LLC | Security threat detection based on network flow analysis |
| US11785032B2 (en) | 2021-01-22 | 2023-10-10 | Vmware, Inc. | Security threat detection based on network flow analysis |
| US11792707B2 (en) * | 2021-03-19 | 2023-10-17 | Dish Wireless L.L.C. | Intelligent mobility in communication networks |
| US11831667B2 (en) | 2021-07-09 | 2023-11-28 | Vmware, Inc. | Identification of time-ordered sets of connections to identify threats to a datacenter |
| US11997120B2 (en) | 2021-07-09 | 2024-05-28 | VMware LLC | Detecting threats to datacenter based on analysis of anomalous events |
| US11792151B2 (en) | 2021-10-21 | 2023-10-17 | Vmware, Inc. | Detection of threats based on responses to name resolution requests |
| US12015591B2 (en) | 2021-12-06 | 2024-06-18 | VMware LLC | Reuse of groups in security policy |
| WO2023122629A1 (en) * | 2021-12-20 | 2023-06-29 | A10 Systems LLC | Waveform agnostic learning-enhanced decision engine for any radio |
| CN114885388B (zh) * | 2022-04-29 | 2024-01-19 | 广西师范大学 | 联合rss预测的多业务类型自适应切换判决方法 |
| CN114938374B (zh) * | 2022-05-10 | 2023-05-23 | 北京交通大学 | 跨协议负载均衡方法及系统 |
| WO2024017460A1 (en) * | 2022-07-19 | 2024-01-25 | Ericsson Telekommunikation Gmbh | Methods and nodes in a communications network for environmental impact determination |
| CN115879654B (zh) * | 2023-03-03 | 2023-05-16 | 山东科技大学 | 一种地下巷道稳定性预测和可靠性评价方法 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1852313A (zh) * | 2005-12-06 | 2006-10-25 | 华为技术有限公司 | 异构网络切换中的电源管理方法及电源信息查询方法 |
| US20080081623A1 (en) * | 2006-09-29 | 2008-04-03 | Motorola, Inc. | Priority handoff based on battery charge level |
| GB0709125D0 (en) * | 2007-05-11 | 2007-06-20 | Nokia Corp | Method and apparatus ensuring application quality of service |
| US8780857B2 (en) * | 2007-10-09 | 2014-07-15 | Qualcomm Incorporated | Methods and apparatus for mobility support between network domains |
| US7961726B2 (en) * | 2008-10-07 | 2011-06-14 | Microsoft Corporation | Framework for optimizing and simplifying network communication in close proximity networks |
| US8645732B2 (en) * | 2010-02-19 | 2014-02-04 | Qualcomm, Incorporated | Protocol stack power optimization for wireless communications devices |
| EP2413635B1 (en) * | 2010-07-27 | 2012-09-05 | Research In Motion Limited | Switching communication radio path based on power constraints |
| US8923246B2 (en) * | 2011-12-23 | 2014-12-30 | Intel Mobile Communications GmbH | Optimization of data handover to wireless wide area networks |
| EP2805543B1 (en) * | 2012-03-05 | 2020-06-03 | Huawei Technologies Co., Ltd. | Method for improving handover performance in a cellular wireless communication system |
| US20130244654A1 (en) * | 2012-03-19 | 2013-09-19 | Broadcom Corporation | Handoff determination in a heterogeneous network |
| CN103428680A (zh) * | 2012-05-24 | 2013-12-04 | 中兴通讯股份有限公司 | 一种实现从属基站提供服务的方法和装置 |
| WO2014036710A1 (en) * | 2012-09-06 | 2014-03-13 | Broadcom Corporation | Method and apparatus of energy saving in radio access networks |
-
2014
- 2014-10-21 US US14/519,840 patent/US20160050589A1/en not_active Abandoned
-
2015
- 2015-08-12 WO PCT/KR2015/008438 patent/WO2016024809A1/en active Application Filing
- 2015-08-12 EP EP15831987.1A patent/EP3180940A4/en not_active Withdrawn
- 2015-08-12 CN CN201580043376.3A patent/CN106576275A/zh active Pending
- 2015-08-12 KR KR1020167034081A patent/KR20170044611A/ko unknown
Also Published As
| Publication number | Publication date |
|---|---|
| CN106576275A (zh) | 2017-04-19 |
| WO2016024809A1 (en) | 2016-02-18 |
| EP3180940A1 (en) | 2017-06-21 |
| EP3180940A4 (en) | 2018-03-21 |
| US20160050589A1 (en) | 2016-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20170044611A (ko) | 이종 네트워크들에서 디바이스 최적화를 위한 주변 네트워크 감지 및 핸드오프 | |
| US9167591B2 (en) | Method and apparatus for determining optimized wireless link selection for a mobile device along a predicted path | |
| Chakraborty et al. | Coordinating cellular background transfers using loadsense | |
| US11576111B2 (en) | Predictive scanning and handover | |
| US9780823B2 (en) | Method and apparatus for a smart personal connect gateway multi-hop networked communication using context aware radio communication management | |
| US20150017985A1 (en) | Systems and methods for handoff in heterogeneous networks | |
| CN105745971A (zh) | 用于动态调整漫游参数的系统和方法 | |
| Tartarini et al. | Software-defined handover decision engine for heterogeneous cloud radio access networks | |
| US11290915B2 (en) | Systems and methods for granular beamforming across multiple portions of a radio access network based on user equipment information | |
| EP2578023A1 (en) | Method, apparatus, and system for connecting a mobile client to wireless networks | |
| US20230388817A1 (en) | Activating intelligent wireless communciation device reporting in a wireless network | |
| Tuysuz | An energy-efficient QoS-based network selection scheme over heterogeneous WLAN–3G networks | |
| Tuysuz et al. | Energy-efficient vertical handover parameters, classification and solutions over wireless heterogeneous networks: a comprehensive survey | |
| US11647457B2 (en) | Systems and methods for performance-aware energy saving in a radio access network | |
| US11304074B1 (en) | Systems and methods for orchestration and optimization of wireless networks | |
| Li et al. | Smartphone-assisted energy efficient data communication for wearable devices | |
| Collotta et al. | A fuzzy-based approach for energy-efficient Wi-Fi communications in dense wireless multimedia sensor networks | |
| Tuysuz et al. | A real-time power monitoring and energy-efficient network/interface selection tool for android smartphones | |
| Saad et al. | Handover and load balancing self-optimization models in 5G mobile networks | |
| US20230403606A1 (en) | Managing resources in a radio access network | |
| Tuysuz et al. | Energy-aware network/interface selection and handover application for android-based mobile devices | |
| Simiscuka et al. | Age of information as a QoS metric in a relay-based IoT mobility solution | |
| Deng et al. | Delphi: A software controller for mobile network selection | |
| Raschellà et al. | A Centralized Win‐Win Cooperative Framework for Wi‐Fi and 5G Radio Access Networks | |
| Poirot | Energy efficient multi-connectivity for ultra-dense networks |