KR20170072788A - Apparatus and method for estimating packet loss based on machine learning - Google Patents

Apparatus and method for estimating packet loss based on machine learning Download PDF

Info

Publication number
KR20170072788A
KR20170072788A KR1020160162941A KR20160162941A KR20170072788A KR 20170072788 A KR20170072788 A KR 20170072788A KR 1020160162941 A KR1020160162941 A KR 1020160162941A KR 20160162941 A KR20160162941 A KR 20160162941A KR 20170072788 A KR20170072788 A KR 20170072788A
Authority
KR
South Korea
Prior art keywords
packet
loss
packet loss
information
transmitted
Prior art date
Application number
KR1020160162941A
Other languages
Korean (ko)
Inventor
강진아
장종현
Original Assignee
한국전자통신연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국전자통신연구원 filed Critical 한국전자통신연구원
Publication of KR20170072788A publication Critical patent/KR20170072788A/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
    • H04L1/0002—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission rate
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0823—Errors, e.g. transmission errors
    • H04L43/0829—Packet loss

Abstract

수신된 패킷 및 송신할 패킷의 특징 정보를 추출하는 패킷 특징 정보 추출부;
상기 수신된 패킷의 손실 여부를 판단하여 손실 정보를 생성하는 손실 정보 생성부; 상시 수신된 패킷의 특징 정보 및 손실 정보를 기반으로 기계학습을 수행하여 패킷 손실 모델을 생성하는 패킷 손실 모델 생성부; 상기 송신할 패킷의 특징 정보 및 상기 생성된 패킷 손실 모델을 기반으로 상기 송신할 패킷의 손실 발생을 예측하는 패킷 손실 예측부;패킷의 손실 발생이 예측되면, 상기 송신할 패킷에 대한 손실 대비 처리를 수행하는 패킷 손실 대비 처리부를 포함하는 패킷 손실 예측 장치가 개시된다. A packet characteristic information extracting unit for extracting characteristic information of a received packet and a packet to be transmitted;
A loss information generation unit for determining loss of the received packet to generate loss information; A packet loss model generation unit for generating a packet loss model by performing machine learning based on feature information and loss information of a packet that is always received; A packet loss predictor for predicting loss occurrence of a packet to be transmitted based on the feature information of the packet to be transmitted and the generated packet loss model; A packet loss prediction apparatus including a packet loss contrast processing unit to be performed is disclosed.

Figure P1020160162941
Figure P1020160162941

Description

기계 학습 기반의 패킷 손실 예측 장치 및 방법{APPARATUS AND METHOD FOR ESTIMATING PACKET LOSS BASED ON MACHINE LEARNING}[0001] APPARATUS AND METHOD FOR ESTIMATING PACKET LOSS [0002] BASED ON MACHINE LEARNING [0003]

본 발명은 기계 학습을 기반으로 패킷의 손실을 예측하는 기술에 관한 것이다. 본 연구는 미래창조과학부 '범부처 Giga KOREA 사업[GK16P0100,Giga Media 기반 Tele-Experience 서비스 SW플랫폼 기술 개발]'의 지원을 받아 수행하였음. The present invention relates to techniques for predicting packet loss based on machine learning. This research was supported by the future creation science department 'Giga KOREA project [GK16P0100, development of SW platform technology based on Giga Media based tele-experience service]'.

영상통화와 같은 실시간 통신 응용서비스의 품질은 통신망에서 발생되는 패킷 손실에 의해 큰 영향을 받는다. 이러한 영향을 줄이기 위하여 이전/이후 패킷을 이용하여 손실된 정보를 은닉하거나 오류정정부호를 삽입/전송하여 손실된 정보를 복구하는 방법들이 제안되었다. 또한 통신망의 오류율과 같은 파라메터를 구하여 통신망의 상태의 좋고 나쁨을 추정하여 패킷 손실에 대응하는 방법도 제안되었다. The quality of real-time communication application service such as video call is greatly affected by the packet loss occurring in the communication network. In order to reduce such an influence, methods of recovering lost information by hiding lost information or inserting / transmitting an error correction code by using previous / next packets have been proposed. Also, a method of responding to a packet loss by estimating the condition of the communication network is obtained by obtaining parameters such as the error rate of the communication network.

그러나 이미 손실된 패킷을 은닉하는 방법은 통신망의 패킷 손실률이 높아지는 경우에 성능의 한계를 가지게 되고, 오류정정부호를 활용하는 방법은 통신망의 전송 비트레이트를 증가시키는 단점을 갖는다. 또한 오류율을 통해 통신망의 상태를 추정하는 방법은 실시간 응용서비스가 당장 전송하려는 패킷의 손실여부를 예측하기에는 간접적인 방법이라고 할 수 있고, 응용서비스의 특성과 해당 통신망에 대한 파라메터의 최적화가 필요한 단점이 있다.However, the method of concealing packets that have already been lost has a performance limitation when the packet loss rate of the communication network becomes high, and the method of using the error correction code has a disadvantage of increasing the transmission bit rate of the communication network. In addition, the method of estimating the state of the communication network through the error rate is an indirect method for estimating whether a packet to be transmitted by the real-time application service is lost immediately, and it is necessary to optimize the characteristics of the application service and the parameters for the communication network have.

따라서, 본 발명은 기계학습을 통한 패킷 손실 모델을 생성하는데 그 목적이 있다. Accordingly, the present invention aims at generating a packet loss model through machine learning.

또한, 본 발명은 패킷 손실 모델을 이용하여 패킷 손실을 줄이는데 그 목적이 있다. The present invention also aims at reducing packet loss using a packet loss model.

본 발명의 일 측면에 따르면, 수신된 패킷 및 송신할 패킷의 특징 정보를 추출하는 패킷 특징 정보 추출부; 상기 수신된 패킷의 손실 여부를 판단하여 손실 정보를 생성하는 손실 정보 생성부; 상시 수신된 패킷의 특징 정보 및 손실 정보를 기반으로 기계학습을 수행하여 패킷 손실 모델을 생성하는 패킷 손실 모델 생성부; 상기 송신할 패킷의 특징 정보 및 상기 생성된 패킷 손실 모델을 기반으로 상기 송신할 패킷의 손실 발생을 예측하는 패킷 손실 예측부; 패킷의 손실 발생이 예측되면, 상기 송신할 패킷에 대한 손실 대비 처리를 수행하는 패킷 손실 대비 처리부를 포함하는 패킷 손실 예측 장치가 제공된다.According to an aspect of the present invention, there is provided a packet filtering method, comprising: a packet characteristic information extracting unit for extracting characteristic information of a packet to be transmitted and a packet to be transmitted; A loss information generation unit for determining loss of the received packet to generate loss information; A packet loss model generation unit for generating a packet loss model by performing machine learning based on feature information and loss information of a packet that is always received; A packet loss predicting unit for predicting loss occurrence of the packet to be transmitted based on the feature information of the packet to be transmitted and the generated packet loss model; And a packet loss contrast processor for performing a loss contrast process on the packet to be transmitted if a packet loss occurrence is predicted.

본 발명의 실시예에 따르면 기계학습을 통한 패킷 손실 모델을 생성하는 것이 가능하게 된다. According to the embodiment of the present invention, it becomes possible to generate a packet loss model through machine learning.

또한, 본 발명의 실시예에 따르면 패킷 손실 모델을 이용하여 패킷 손실을 줄이는 것이 가능하게 된다. In addition, according to the embodiment of the present invention, it is possible to reduce the packet loss using the packet loss model.

도 1은 본 발명의 일 실시예에 따른 패킷 손실 예측 장치의 블록도이다.
도 2는 본 발명의 일 실시예에 따른 패킷 손실 모델을 생성하는 방법의 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 패킷 전송 방법의 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 패킷 손실 예측 방법의 구체적인 예를 도시한 도면이다.1 is a block diagram of a packet loss prediction apparatus according to an embodiment of the present invention.
2 is a flow diagram of a method for generating a packet loss model in accordance with an embodiment of the present invention.
3 is a flowchart of a packet transmission method according to an embodiment of the present invention.
4 is a diagram illustrating a specific example of a packet loss prediction method according to an embodiment of the present invention.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 이를 상세한 설명을 통해 상세히 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서 및 청구항에서 사용되는 단수 표현은, 달리 언급하지 않는 한 일반적으로 "하나 이상"을 의미하는 것으로 해석되어야 한다.While the present invention has been described in connection with certain exemplary embodiments, it is to be understood that the invention is not limited to the disclosed embodiments, but, on the contrary, is intended to cover various modifications and similarities. It should be understood, however, that the invention is not intended to be limited to the particular embodiments, but includes all modifications, equivalents, and alternatives falling within the spirit and scope of the invention. DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, the present invention will be described in detail with reference to the accompanying drawings. In addition, the singular phrases used in the present specification and claims should be interpreted generally to mean "one or more " unless otherwise stated.

이하, 본 발명의 바람직한 실시예를 첨부도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings, wherein like reference numerals refer to like or corresponding components throughout. .

도 1은 본 발명의 일 실시예에 따른 패킷 손실 예측 장치의 블록도이다. 1 is a block diagram of a packet loss prediction apparatus according to an embodiment of the present invention.

도 1을 참조하면, 패킷 손실 예측 장치(100)는 패킷 수신부(110), 패킷 손실 정보 생성부(120), 패킷 특징 정보 추출부(130), 기계 학습 모듈(141) 및 패킷 손실 모델(142)을 포함하는 패킷 손실 모델 생성부(140), 패킷 손실 예측부(150), 패킷 손실 대비 처리부(160) 및 패킷 송신부를 포함한다. 1, a packet loss predicting apparatus 100 includes a packet receiving unit 110, a packet loss information generating unit 120, a packet characteristic information extracting unit 130, a machine learning module 141, and a packet loss model 142 A packet loss prediction unit 150, a packet loss contrast processing unit 160, and a packet transmission unit.

패킷 수신부(110)는 패킷을 수신한다. 구체적으로, 패킷 수신부(110)는 외부 디바이스로부터 유무선 네트워크를 통하여, 패킷을 수신한다. 패킷 수신부(110)는 수신된 패킷을 패킷 손실 정보 생성부(120)로 전달한다. The packet receiving unit 110 receives the packet. Specifically, the packet receiving unit 110 receives a packet from an external device via a wired / wireless network. The packet receiving unit 110 transmits the received packet to the packet loss information generating unit 120.

패킷 손실 정보 생성부(120)는 수신된 패킷의 손실 여부를 판단하여 해당 패킷에 대한 패킷 손실 정보를 생성한다. 여기서 패킷의 손실 여부를 판단하는 방법은 패리티 검사(parity check)나 패킷 전송 프로토콜에서 사용하는 패킷들에 대한 순서 번호를 비교하는 것과 같은 일반적인 패킷 손실 검출 방법이 이용될 수 있다. 뿐만 아니라 패킷 전송 프로토콜에서 제공하는 타임스탬프 값을 이용하여 해당 패킷의 전송 지연 정보를 생성한다. 이러한 패킷의 손실 여부를 판단하는 방법과 패킷의 전송 지연을 구하는 방법은 이미 널리 이용되고 있으므로, 이에 대한 구체적인 설명은 생략한다. 패킷 손실 정보 생성부(120)는 생성된 정보들을 패킷 특징 정보 추출부(130)에 전달한다.The packet loss information generating unit 120 determines whether the received packet is lost and generates packet loss information for the packet. Here, a general packet loss detection method such as a parity check or a sequence number comparison for packets used in a packet transmission protocol may be used as a method for determining whether a packet is lost or not. In addition, transmission delay information of the corresponding packet is generated using the time stamp value provided by the packet transmission protocol. A method of determining whether a packet has been lost and a method of obtaining a transmission delay of a packet are already widely used, and a detailed description thereof will be omitted. The packet loss information generating unit 120 transmits the generated information to the packet characteristic information extracting unit 130. [

패킷 특징 정보 추출부(130)는 패킷 손실과 관련된 특징 정보를 추출한다. 구체적으로 패킷 특징 정보 추출부(130)는 패킷 손실 모델(142)을 생성하기 위한 특징 정보를 패킷 손실 정보 생성부(120)가 전달해준 정보들로부터 추출한다. 여기서, 특징(feature) 정보는, 평균 패킷 손실률, 최대/최소/평균 연속 패킷 손실 개수, 이전 패킷 손실 간의 거리(패킷 수), 평균 전송 지연, 최대/최소 전송 지연, 전송 지연 변이 등 패킷 손실과 관련된 정보 중 적어도 일부를 포함할 수 있다. 패킷 특징 정보 추출부(130)는 이와 같이 추출된 특징 정보들을 패킷 손실 모델 생성부(140)로 전달한다. The packet characteristic information extracting unit 130 extracts characteristic information related to a packet loss. Specifically, the packet characteristic information extracting unit 130 extracts characteristic information for generating the packet loss model 142 from the information delivered from the packet loss information generating unit 120. Herein, the feature information includes packet loss, such as average packet loss rate, maximum / minimum / average number of consecutive packet losses, distance between previous packet loss (number of packets), average transmission delay, maximum / minimum transmission delay, And may include at least some of the relevant information. The packet characteristic information extracting unit 130 transmits the extracted characteristic information to the packet loss model generating unit 140.

패킷 손실 모델 생성부(140)는 전송할 패킷의 손실 발생 여부를 예측하기 위한 패킷 손실 모델(142)을 생성한다. 구체적으로, 패킷 손실 모델 생성부(140)는 수신된 패킷에 대한 특징 정보 및 패킷 손실 정보를 기반으로 패킷 손실 모델을 생성한다. The packet loss model generation unit 140 generates a packet loss model 142 for predicting whether a loss of a packet to be transmitted occurs. Specifically, the packet loss model generation unit 140 generates a packet loss model based on the feature information and the packet loss information of the received packet.

일 실시예에서, 패킷 손실 모델 생성부(140)는 기계 학습(machine learning)을 수행하여 패킷 손실 정보를 생성할 수 있다. 구체적으로, 패킷 손실 모델 생성부(140)는 수신된 패킷에 대한 특징 정보 및 패킷 손실 정보를 기반으로 기계 학습을 수행하여, 패킷 손실 모델을 생성할 수 있다. 이때, 패킷 손실 모델 생성부(140)는 특징 정보 및 패킷 손실 정보에 대한 기계 학습을 수행하기 위한 기계 학습 모듈(141)을 포함할 수 있다.In one embodiment, the packet loss model generation unit 140 may perform machine learning to generate packet loss information. Specifically, the packet loss model generation unit 140 may perform a machine learning based on the feature information and the packet loss information on the received packet to generate a packet loss model. At this time, the packet loss model generation unit 140 may include a machine learning module 141 for performing the machine learning on the feature information and the packet loss information.

또한, 패킷 손실 모델 생성부(140)는 패킷 손실 모델을 생성한 후에도, 추가적으로 수신되는 패킷의 특징 정보 및 패킷 손실 정보를 기반으로, 기 생성된 패킷 손실 모델(142)을 수정 및/또는 갱신할 수 있다. 나아가, 패킷 손실 모델(142)의 신뢰성을 높이기 위해, 패킷 손실 모델 생성부(140)는 일정 시간 이내 수신된 패킷 또는 일정 수 이내 패킷들에 대한 특징 정보 및 패킷 손실 정보를 기반으로 패킷 손실 모델을 생성/갱신할 수 있다. Also, after generating the packet loss model, the packet loss model generation unit 140 may modify and / or update the generated packet loss model 142 based on the feature information and packet loss information of the received packet additionally . Further, in order to increase the reliability of the packet loss model 142, the packet loss model generation unit 140 generates a packet loss model based on the feature information and the packet loss information on the packets received within a predetermined time, Generated / updated.

패킷 손실 예측부(150)는 송신할 패킷의 손실 발생 가능성을 예측한다. 구체적으로, 송신할 패킷이 입력되면, 패킷 손실 예측부(150)는 입력된 패킷을 패킷 특징 정보 추출부(130)에 전달하고 패킷 특징 정보 추출부(130)로부터 송신할 패킷의 특징 정보를 전달받는다. 패킷 손실 예측부(150)는 송신할 패킷의 특징 정보를 패킷 손실 모델(142)에 매칭하여 송신할 패킷의 손실 발생 가능성을 판단한다. 이때, 패킷 손실 예측부(150)는 송신할 패킷의 특징 정보와 패킷 손실 모델(142)의 매칭을 확률적으로 표현할 수 있으며, 사용자가 설정한 임계 확률 이상이면 패킷 손실이 발생할 것으로 판단할 수 있다. 패킷 손실 예측부(150)는 패킷 손실 예측 결과를 패킷 손실 대비 처리부(160)에 전달한다The packet loss predicting unit 150 predicts the probability of loss of a packet to be transmitted. Specifically, when a packet to be transmitted is inputted, the packet loss predicting unit 150 transmits the input packet to the packet characteristic information extracting unit 130 and transmits the characteristic information of the packet to be transmitted from the packet characteristic information extracting unit 130 Receive. The packet loss predicting unit 150 matches the feature information of the packet to be transmitted to the packet loss model 142 and determines the probability of occurrence of loss of a packet to be transmitted. At this time, the packet loss predicting unit 150 can stochastically express the feature information of the packet to be transmitted and the matching of the packet loss model 142, and it can be determined that a packet loss occurs if the probability is equal to or greater than a threshold set by the user . The packet loss predicting unit 150 transmits the packet loss prediction result to the packet loss contrast processing unit 160

전송할 패킷의 손실이 발생할 것으로 예측되면, 패킷 손실 대비 처리부(160)는 전송할 패킷에 대한 손실 대비 처리를 수행한다. 여기서, 손실 대비 처리는 전진 에러 정정 코드(forward error correction)같은 부가적인 코드를 전송할 패킷에 추가하는 방법, 데이터의 압축률을 높여서 패킷 크기를 줄이는 방법, 전송 전력을 높이는 방법 등 여러 손실의 발생을 최소할 수 있는 방법이 이용될 수 있다. 또한, 패킷 손실 대비 처리부(160)는 손실 예측 결과에 따라 손실 대비 처리 방법을 달리할 수 있다. If it is predicted that a loss of a packet to be transmitted is expected to occur, the packet loss contrast processing unit 160 performs loss contrast processing for the packet to be transmitted. Here, the loss-contrast processing is performed by minimizing the occurrence of various losses such as a method of adding an additional code such as a forward error correction to a packet to be transmitted, a method of reducing a packet size by increasing a data compression rate, A method that can be used can be used. In addition, the packet loss contrast processing unit 160 may vary the loss contrast processing method depending on the loss prediction result.

패킷 송신부(170)는 유무선 네트워크를 이용하여 패킷을 외부 디바이스에 전송한다. 구체적으로, 패킷 송신부(170)는 전송할 패킷의 손실이 발생하는 것으로 예측된 경우에는 패킷 손실 방지 처리된 패킷을 전송하고, 전송할 패킷의 손실이 발생하지 않을 것으로 예측되면, 패킷 손실 방지 처리되지 않은 패킷을 전송한다. The packet transmission unit 170 transmits a packet to an external device using a wired / wireless network. Specifically, when it is predicted that loss of a packet to be transmitted occurs, the packet transmission unit 170 transmits a packet that has undergone the packet loss prevention processing. If it is predicted that loss of a packet to be transmitted does not occur, Lt; / RTI >

도 2는 본 발명의 일 실시예에 따른 패킷 손실 모델을 생성하는 방법의 흐름도이다. 이하, 도 2에 도시된 패킷 손실 모델 생성 방법은 도 1에 도시된 패킷 손실 예측 장치에 의해 수행되는 것을 예시로 설명한다. 2 is a flow diagram of a method for generating a packet loss model in accordance with an embodiment of the present invention. Hereinafter, the packet loss model generation method shown in FIG. 2 will be described by way of example performed by the packet loss prediction apparatus shown in FIG.

도 2를 참조하면, 단계 S210에서, 패킷이 수신된다. 구체적으로, 패킷 손실 예측 장치는 유무선 네트워크를 통하여 외부 디바이스로부터 패킷을 수신한다. Referring to Fig. 2, in step S210, a packet is received. Specifically, the packet loss prediction device receives a packet from an external device via a wired / wireless network.

단계 S220에서, 수신된 패킷의 특징 정보가 추출된다. 구체적으로, 패킷 손실 예측 장치는 수신된 패킷의 특징 정보를 추출한다. 여기서, 특징(feature) 정보란 패킷 손실 모델을 생성하기 위해 필요한 정보로써, 평균 패킷 손실률, 최대/최소/평균 연속 패킷 손실 개수, 이전 패킷 손실과의 거리(패킷 수), 평균 전송 지연, 최대/최소 전송지연, 전송 지연 변이 등 패킷 손실과 관련된 정보 중 적어도 일부를 포함할 수 있다.In step S220, the feature information of the received packet is extracted. Specifically, the packet loss predicting device extracts the feature information of the received packet. Here, the feature information is information required to generate a packet loss model. The feature information includes an average packet loss rate, a maximum / minimum / average continuous packet loss count, a distance (packet count) to a previous packet loss, A minimum transmission delay, a transmission delay variation, and the like.

단계 S230에서, 수신된 패킷에 대한 패킷 손실 정보가 생성된다. 구체적으로, 패킷 손실 예측 장치는 수신된 패킷의 손실 발생 여부를 판단하여, 손실 발생 정보를 생성한다. 여기서 패킷의 손실 여부를 판단하는 방법은 패리티 검사(parity check)나 패킷 전송 프로토콜에서 사용하는 패킷들에 대한 순서 번호를 비교하는 것과 같은 일반적인 패킷 손실 검출 방법이 이용될 수 있다. 패킷의 손실 여부를 판단하는 방법은 이미 널리 이용되고 있으므로, 이에 대한 구체적인 설명은 생략한다.In step S230, packet loss information for the received packet is generated. Specifically, the packet loss predicting device determines whether a loss of a received packet has occurred, and generates loss occurrence information. Here, a general packet loss detection method such as a parity check or a sequence number comparison for packets used in a packet transmission protocol may be used as a method for determining whether a packet is lost or not. Since a method of determining whether a packet is lost is already widely used, a detailed description thereof will be omitted.

단계 S240에서, 패킷 손실 모델이 생성된다. 구체적으로, 패킷 손실 예측 장치는 수신된 패킷에서 추출된 특징 정보 및 패킷 손실 정보에 대한 기계 학습을 수행하여 패킷 손실 모델을 생성할 수 있다. 또한, 패킷 손실 모델을 생성한 후에도, 패킷 손실 예측 장치는 추가적으로 수신되는 패킷에 대한 특징 정보 및 패킷 손실 정보를 기반으로 기계 학습을 수행하여 기 생성된 패킷 손실 모델을 수정, 갱신할 수 있다. In step S240, a packet loss model is generated. Specifically, the packet loss prediction apparatus can generate a packet loss model by performing machine learning on the feature information and the packet loss information extracted from the received packet. In addition, even after the packet loss model is generated, the packet loss prediction apparatus can further modify and update the previously generated packet loss model by performing machine learning based on the feature information and the packet loss information on the received packet.

도 3은 본 발명의 일 실시예에 따른 패킷 전송 방법의 흐름도이다. 이하도, 도 3에 도시된 패킷 전송 방법은 도 1에 도시된 패킷 손실 예측 장치에 의해 수행되는 것을 예시로 설명한다. 3 is a flowchart of a packet transmission method according to an embodiment of the present invention. Hereinafter, the packet transmission method shown in FIG. 3 will be described by way of example performed by the packet loss prediction apparatus shown in FIG.

도 3을 참조하면, 단계 S310에서 송신할 패킷의 특징 정보가 추출된다. 구체적으로, 패킷 손실 예측 장치는 전송할 패킷의 손실 발생 가능성을 예측하기 위해, 전송할 패킷의 특징 정보를 추출한다. Referring to FIG. 3, feature information of a packet to be transmitted is extracted in step S310. Specifically, the packet loss prediction apparatus extracts feature information of a packet to be transmitted in order to predict the probability of loss of a packet to be transmitted.

단계 S320에서, 전송할 패킷의 손실 발생 여부가 예측된다. 구체적으로, 패킷 손실 예측 장치는 전송할 패킷의 특징 정보를 패킷 손실 모델에 매칭하여, 전송할 패킷의 손실 발생 가능성을 예측한다. In step S320, it is predicted whether or not a loss of a packet to be transmitted occurs. Specifically, the packet loss prediction apparatus matches feature information of a packet to be transmitted to a packet loss model, and predicts the probability of loss of a packet to be transmitted.

단계 S330에서, 전송할 패킷에 대한 패킷 손실 대비 처리가 수행된다. 구체적으로, 패킷 손실이 발생할 것으로 판단되면, 패킷 손실 예측 장치는 전송할 패킷에 대한 패킷 손실 대비 처리를 수행한다. 여기서, 손실 대비 처리는 전진 에러 정정 코드(forward error correction)같은 부가적인 코드를 전송할 패킷에 추가하는 방법, 데이터의 압축률을 높여서 패킷 크기를 줄이는 방법, 전송 전력을 높이는 방법 등 여러 손실의 발생을 최소할 수 있는 방법이 이용될 수 있다. 또한, 패킷 손실 대비 처리부(160)는 손실 예측 결과에 따라 손실 대비 처리 방법을 달리할 수 있다. In step S330, a packet loss contrast processing for the packet to be transmitted is performed. Specifically, if it is determined that packet loss will occur, the packet loss prediction apparatus performs a packet loss contrast processing for the packet to be transmitted. Here, the loss-contrast processing is performed by minimizing the occurrence of various losses such as a method of adding an additional code such as a forward error correction to a packet to be transmitted, a method of reducing a packet size by increasing a data compression rate, A method that can be used can be used. In addition, the packet loss contrast processing unit 160 may vary the loss contrast processing method depending on the loss prediction result.

단계 S340에서, 패킷이 전송된다. 구체적으로, 패킷 손실 예측 장치는 손실이 예측되는 경우, 패킷 손실 대비 처리된 패킷을 전송한다. 패킷 손실 예측 장치는 손실이 발생하지 않을 것으로 예측되는 경우, 패킷 손실 대비 처리되지 않은 패킷을 전송한다. In step S340, a packet is transmitted. Specifically, when the loss is predicted, the packet loss predicting apparatus transmits the packet loss-processed packet. If the packet loss prediction device predicts that no loss will occur, it transmits an unprocessed packet to the packet loss.

도 4는 본 발명의 일 실시예에 따른 패킷 손실 예측 방법의 구체적인 예를 도시한 도면이다. 4 is a diagram illustrating a specific example of a packet loss prediction method according to an embodiment of the present invention.

도 4를 참조하면, 패킷 추적 데이터가 입력됨에 따라 오프라인 학습단계가 수행된다. 패킷 추적 데이터는 현재 n 번째 패킷을 기준으로 하여 이전에 수신된 k 패킷에 대한 패킷 손실 정보 L(n-k:n-1)를 갖는다. 이 데이터는 패킷 손실 특성을 나타내는 m 개의 특징값 Xn(0:m)을 추출하는데 사용된다. 충분한 양의 특징값들이 패턴 학습 입력되고 나면, 패킷 손실 모델이 생성된다. 이렇게 패킷 손실 모델이 생성되고 한 후부터는 L(n-k:n-1)가 입력됨에 따라 온라인 예측단계가 수행된다. 즉, L(n-k:n-1)으로부터 추출된 Xn(0:m) 값들은 예측기에 입력되어 패킷 손실 모델에서 보다 가까운 클래스를 분석하는데 사용된다. 마침내, 학습된 네트워크를 통해 전송될 n 번째 패킷의 손실여부인

Figure pat00001
값을 출력한다. 이
Figure pat00002
값은 다시 예측기로 입력되어 (n+1) 번째 패킷의 손실여부인
Figure pat00003
을 예측하기 위해서도 사용된다. 따라서 현재의 시점을 기준으로 2개 이상의 패킷 손실을 예측할 수 있다. 이상의 패킷 손실 모델 생성 및 패킷 손실 예측을 위해 사용된 기계학습 도구는 SVM (Support Vector Machine)이 사용될 수 있다. 또한 사용된 특징값들은 도 4에 도시된 바와 같이 5개로 정의된다. 즉, 첫번째 특징값은 평균 패킷 손실률 PLRavg 이다. 다음 3개의 특징값들은 버스트(burst) 형태로 발생하는 패킷 손실, 즉, 연속하여 발생한 패킷 손실의 평균 개수인 BPLavg, 최소값인 BPLmin, 최대값인 BPLmax을 사용한다. 마지막 특징값은 손실 스트림과 무손실 스트림간의 통계적인 거리를 고려하기 위하여 이전 패킷손실로부터 손실없이 연속하여 수신된 패킷 개수인 PLd로 정의된다.Referring to FIG. 4, an offline learning step is performed as packet tracking data is input. The packet tracking data has packet loss information L (nk: n-1) for k packets previously received based on the nth packet. This data is used to extract m feature values X n (0: m) indicating packet loss characteristics. Once a sufficient amount of feature values have been input into the pattern learning, a packet loss model is created. L (nk: n-1) is input after the packet loss model is generated and the online prediction step is performed. In other words, X n (0: m) values extracted from L (nk: n-1) are input to the predictor and used to analyze classes closer to those in the packet loss model. Finally, whether the nth packet to be transmitted through the learned network is lost or not
Figure pat00001
Output the value. this
Figure pat00002
Value is input to the predictor again to determine whether the (n + 1)
Figure pat00003
Is also used to predict. Therefore, two or more packet losses can be predicted based on the present time point. SVM (Support Vector Machine) can be used as the machine learning tool used for packet loss model generation and packet loss prediction. Also, the feature values used are defined as five as shown in FIG. That is, the first feature value is the average packet loss rate PLR avg . The following three feature values use BPL avg , the minimum number of BPL min , and the maximum value BPL max , which are the average number of packet losses occurring in a burst type, that is, consecutive packet losses. The last feature value is defined as PL d , the number of consecutive packets received without loss from the previous packet loss, to account for the statistical distance between lossy and lossless streams.

아래 표는 도 4에 도시된 패킷 손실 예측 방법에 의한 패킷 손실 예측의 정확도를 테스트한 결과를 정리한 표이다. 표 1에는 패킷 손실 예측의 정확도를 테스트하기 위한 네트워크 및 데이터가 포함되어 있으며, 표 2에는 패킷 손실 예측의 정확도가 포함되어 있다. 표 1은 한 연구 (M. Ellis, C. Perkins and D. Pezaros, "End-to-end and Network-Internal Measurements of Real-Time Traffic to Residential Users", ACM Multimedia Systems Conference ( MMSys ), Santa Clara, CA, USA, Feb. 23-25 2011, pp. 111-116)를 통해 수집된 RTP (Real-time Transport Protocol, 실시간 전송 프로토콜) 패킷 추적 데이터를 이용하여, 패킷 손실 모델 생성을 위한 학습 과정과 패킷 손실 예측 정확도 측정을 위한 시험 과정에 사용한 패킷 트레이스 데이터에 대한 정보 (네트워크, 패킷량)이다. 즉, 두 개의 ADSL (Asymmetric Digital Subscriber Line, 비대칭 디지털 가입자 회선) 망을 통해 각각 1, 2, 5 Mbps의 데이터가 전송될 때의 RTP 패킷 트레이스 데이터를 학습과 시험에 약 4:1의 비율로 나누어 사용하였다. 표 2는 앞서 설명된 패킷 트레이스 데이터에 대하여 측정된 패킷 손실 예측 결과이다. 좌측 두 열은 입력 조건, 즉, 해당 네트워크에 대하 관측된 패킷 손실 상태를 나타내고, 오른쪽 두 열은 제안된 방법에 의한 패킷 손실 예측 결과이다. 결론적으로, 평균 패킷 손실 예측 정확도는 손실이 없는 경우와 손실이 발생한 경우에 대해 각각 약 99.99%와 83.21%로써, 높은 예측 정확도를 보였다. The table below shows the test results of the accuracy of the packet loss prediction by the packet loss prediction method shown in FIG. Table 1 contains the network and data to test the accuracy of the packet loss prediction, and Table 2 contains the accuracy of the packet loss prediction. Table 1 study (M. Ellis, C. Perkins and D. Pezaros, "End-to-end and Network-Internal Measurements of Real-Time Traffic to Residential Users", ACM Multimedia Systems Conference (MMSys), Santa Clara, CA, USA, Feb. 23-25, 2011, pp. 111-116) using the real-time transport protocol (RTP) (Network, packet amount) of the packet trace data used in the test process for measuring the loss prediction accuracy. That is, RTP packet trace data when data of 1, 2, and 5 Mbps are respectively transmitted through two ADSL (Asymmetric Digital Subscriber Line) networks are divided into a ratio of about 4: 1 to learning and testing Respectively. Table 2 shows the measured packet loss results for the packet trace data described above. The left two columns show the input conditions, that is, the packet loss conditions observed for the network, and the right two columns are the packet loss prediction results by the proposed method. In conclusion, the average prediction accuracy of packet loss was 99.99% and 83.21%, respectively, for lossless and lossy cases, respectively.

Figure pat00004
Figure pat00004

Figure pat00005
Figure pat00005

본 발명의 실시예에 따른 장치 및 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. The apparatus and method according to embodiments of the present invention may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer readable medium may include program instructions, data files, data structures, and the like, alone or in combination.

컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.Program instructions to be recorded on a computer-readable medium may be those specially designed and constructed for the present invention or may be known and available to those of ordinary skill in the computer software arts. Examples of computer-readable media include magnetic media such as hard disks, floppy disks and magnetic tape; optical media such as CD-ROMs and DVDs; magnetic media such as floppy disks; Includes hardware devices specifically configured to store and execute program instructions such as magneto-optical media and ROM, RAM, flash memory, and the like. Examples of program instructions include machine language code such as those produced by a compiler, as well as high-level language code that can be executed by a computer using an interpreter or the like.

상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the present invention, and vice versa.

이제까지 본 발명에 대하여 그 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.The embodiments of the present invention have been described above. It will be understood by those skilled in the art that various changes in form and details may be made therein without departing from the spirit and scope of the invention as defined by the appended claims. Therefore, the disclosed embodiments should be considered in an illustrative rather than a restrictive sense. The scope of the present invention is defined by the appended claims rather than by the foregoing description, and all differences within the scope of equivalents thereof should be construed as being included in the present invention.

110 : 패킷 수신부
120 : 패킷 특징 정보 추출부
130 : 패킷 손실 정보 생성부
140 : 패킷 손실 모델 생성부
150 : 패킷 손실 예측부
160 : 패킷 손실 대비 처리부
170 : 패킷 송신부110: packet receiver
120: Packet characteristic information extracting unit
130: Packet loss information generating unit
140: Packet loss model generation unit
150: Packet loss prediction unit
160: Packet loss contrast processor
170: Packet transmission section

Claims (1)

수신된 패킷 및 송신할 패킷의 특징 정보를 추출하는 패킷 특징 정보 추출부;
상기 수신된 패킷의 손실 여부를 판단하여 손실 정보를 생성하는 손실 정보 생성부;
상시 수신된 패킷의 특징 정보 및 손실 정보를 기반으로 기계학습을 수행하여 패킷 손실 모델을 생성하는 패킷 손실 모델 생성부;
상기 송신할 패킷의 특징 정보 및 상기 패킷 손실 모델을 기반으로 상기 송신할 패킷의 손실 발생을 예측하는 패킷 손실 예측부; 및
패킷의 손실 발생이 예측되면, 상기 송신할 패킷에 대한 손실 대비 처리를 수행하는 패킷 손실 대비 처리부;
를 포함하는 패킷 손실 예측 장치.A packet characteristic information extracting unit for extracting characteristic information of a received packet and a packet to be transmitted;
A loss information generation unit for determining loss of the received packet to generate loss information;
A packet loss model generation unit for generating a packet loss model by performing machine learning based on feature information and loss information of a packet that is always received;
A packet loss predicting unit for predicting loss occurrence of a packet to be transmitted based on the feature information of the packet to be transmitted and the packet loss model; And
A packet loss contrast processing unit for performing a loss contrast processing on the packet to be transmitted if loss occurrence of the packet is predicted;
And a packet loss prediction unit.
KR1020160162941A 2015-12-16 2016-12-01 Apparatus and method for estimating packet loss based on machine learning KR20170072788A (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20150180448 2015-12-16
KR1020150180448 2015-12-16

Publications (1)

Publication Number Publication Date
KR20170072788A true KR20170072788A (en) 2017-06-27

Family

ID=59514594

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160162941A KR20170072788A (en) 2015-12-16 2016-12-01 Apparatus and method for estimating packet loss based on machine learning

Country Status (1)

Country Link
KR (1) KR20170072788A (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200000090A (en) * 2018-06-22 2020-01-02 (주)아틀라스네트웍스 Method for transmitting and receiving foward error correction according to best nework quality using machine learning
GB2582692A (en) * 2019-06-28 2020-09-30 Nokia Technologies Oy Latency reduction based on packet error prediction
KR102484599B1 (en) * 2022-06-17 2023-01-03 안세환 Integrated wiring system with improved seismic resistance

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200000090A (en) * 2018-06-22 2020-01-02 (주)아틀라스네트웍스 Method for transmitting and receiving foward error correction according to best nework quality using machine learning
GB2582692A (en) * 2019-06-28 2020-09-30 Nokia Technologies Oy Latency reduction based on packet error prediction
GB2582692B (en) * 2019-06-28 2021-09-15 Nokia Technologies Oy Latency reduction based on packet error prediction
KR102484599B1 (en) * 2022-06-17 2023-01-03 안세환 Integrated wiring system with improved seismic resistance

Similar Documents

Publication Publication Date Title
KR101399509B1 (en) Data streaming through time-varying transport media
US9781474B2 (en) Content playback information estimation apparatus and method and program
EP2888845B1 (en) Device and method for adaptive rate multimedia communications on a wireless network
US8621313B2 (en) Method and a device for adapting error protection in a communication network, and a method and device for detecting between two states of a communication network corresponding to different losses of data
WO2014082279A1 (en) Method and apparatus for estimating video quality
KR20170072788A (en) Apparatus and method for estimating packet loss based on machine learning
US11495232B2 (en) Handling of poor audio quality in a terminal device
US10440087B2 (en) Estimation of losses in a video stream
TWI658715B (en) Communication device, available bandwidth calculation system, available bandwidth calculation method, and program
JP2007060475A (en) Apparatus, method and program for estimating user body feeling quality
EP2961089A1 (en) Method and apparatus for estimating a maximum time interval error in a data transmission network
JP7105838B2 (en) Video quality evaluation method and device
CN113364698A (en) Bandwidth estimation method, system, electronic device and storage medium
US10999170B2 (en) Communication system, available-bandwidth estimation method, and recording medium
US9276606B2 (en) Correction data
EP3292674B1 (en) Voice quality monitoring system
CN103338131A (en) Method and equipment for testing log transmitting loss rate
KR100902114B1 (en) End-to-end available bandwidth estimation apparatus and method for multimedia streaming
KR20140033556A (en) Apparatus and method for controlling satellite terminal
JP6093317B2 (en) Non-freeze video distribution network system
US20160094428A1 (en) System and method to measure available bandwidth in ethernet transmission system using train of ethernet frames
Klucik et al. Modelling of H. 264 MPEG2 TS traffic source
US10772010B2 (en) Transmission apparatus, method for controlling transmission, and recording medium
JP4823253B2 (en) User experience quality measurement apparatus, user experience quality measurement method, and program
JP4866376B2 (en) User experience quality measurement apparatus and user experience quality measurement method