KR20180018459A - 지능적 진단 데이터 수집을 위한 프레임워크 - Google Patents

지능적 진단 데이터 수집을 위한 프레임워크 Download PDF

Info

Publication number
KR20180018459A
KR20180018459A KR1020170103203A KR20170103203A KR20180018459A KR 20180018459 A KR20180018459 A KR 20180018459A KR 1020170103203 A KR1020170103203 A KR 1020170103203A KR 20170103203 A KR20170103203 A KR 20170103203A KR 20180018459 A KR20180018459 A KR 20180018459A
Authority
KR
South Korea
Prior art keywords
diagnostic data
data
correlation model
processor
new diagnostic
Prior art date
Application number
KR1020170103203A
Other languages
English (en)
Other versions
KR102346633B1 (ko
Inventor
왕유
정페이
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Publication of KR20180018459A publication Critical patent/KR20180018459A/ko
Application granted granted Critical
Publication of KR102346633B1 publication Critical patent/KR102346633B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N99/005—
    • 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
    • H04L43/04—Processing captured monitoring data, e.g. for logfile generation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/04—Arrangements for maintaining operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

무선 통신 네트워크에서 진단 데이터를 수집하기 위한 방법으로서, 상기 방법은 상기 무선 통신 네트워크의 질을 향상시키기 위해 상기 진단 데이터의 이전 측정된 결과들을 저장하는 단계, 데이터 수집 전략에 따라 상기 진단 데이터의 상기 이전 측정된 결과들에 기초하여 시공간적 상관관계 모델 (spatiotemporal correlation model) 을 결정하는 단계, 및 상기 결정된 시공간적 상관관계 모델 및 상기 데이터 수집 전략에 기초하여 새로운 진단 데이터를 수집하는 단계를 포함한다.

Description

지능적 진단 데이터 수집을 위한 프레임워크{A FRAMEWORK FOR INTELLIGENT DIAGNOSTIC DATA COLLECTION}
본 개시는 일반적으로 무선 통신 시스템에 관한다. 보다 구체적으로, 본 개시는 지능적 진단 데이터 수집 (intelligent diagnostic data collection) 을 위한 프레임워크에 관한다.
롱텀 에볼루션 (long term evolution: LTE) 의 발전은 이동통신 사업자 및 디바이스 주문자 상표 부착 생산자 (original equipment manufacturer: OEM) 에게 기회를 가져다 준다. 증가된 네트워크 용량과 처리량에 힘입어, 새로운 많은 기술들이 부상해왔다. 예를 들어, LTE 네트워크를 통해 음성 통화를 전송하는 보이스 오버 LTE (voice over LTE: VoLTE) 기술은 더 높은 효율과 글로벌 로밍과 같은 핵심적인 장점을 제공한다. VoLTE 통화는 기존 회선 교환 (circuit switching: CS) 통화 및 보이스 오버 인터넷 프로토콜 (voice over internet protocol: VoIP) 통화 보다 더 나은 성능 지표를 제공할 수 있다. 하지만, VoLTE 통화는 CS 통화 및 VoIP 통화보다 신뢰도가 여전히 떨어진다. 구체적으로, 셋업 실패 및 의도하지 않은 끊김 상황을 포함한 통화 실패 비율이 기존 통화 (예: CS 통화 및 VoIP 통화) 보다 거의 5배 더 높다. 이러한 문제들은 사용자 경험을 심각하게 약화시킨다. 그러므로, 트러블슛 (troubleshoot) 을 도모하기 위해 진단 데이터가 수집될 필요가 있다.
본 개시는 무선 통신 시스템에서의 지능적 진단 데이터 수집을 위한 방법 및 장치를 제공한다.
일 실시예에서, 무선 통신 네트워크에서 진단 데이터를 수집하기 위한 네트워크 엘리먼트가 제공될 수 있다. 네트워크 엘리먼트는 무선 통신 네트워크의 질을 향상시키기 위해 진단 데이터의 이전 측정된 결과들을 저장하는 메모리를 포함할 수 있다. 네트워크 엘리먼트는 메모리에 작동 가능하게 연결되는 적어도 하나의 프로세서를 더 포함할 수 있고, 적어도 하나의 프로세서는 데이터 수집 전략에 따라 진단 데이터의 이전 측정된 결과들에 기초하여 시공간적 상관관계 모델 (spatiotemporal correlation model) 을 결정하고, 결정된 시공간적 상관관계 모델 및 데이터 수집 전략에 기초하여 새로운 진단 데이터를 수집하도록 구성될 수 있다.
다른 실시예에서, 무선 통신 네트워크에서 진단 데이터를 수집하기 위한 방법이 제공될 수 있다. 방법은 무선 통신 네트워크의 질을 향상시키기 위해 진단 데이터의 이전 측정된 결과들을 저장하는 단계, 데이터 수집 전략에 따라 진단 데이터의 상기 이전 측정된 결과들에 기초하여 시공간적 상관관계 모델을 결정하는 단계, 및 결정된 시공간적 상관관계 모델 및 데이터 수집 전략에 기초하여 새로운 진단 데이터를 수집하는 단계를 포함할 수 있다.
또 다른 실시예에서, 프로그램 코드를 포함하는 컴퓨터 판독 가능 매체가 제공될 수 있다. 프로그램 코드가 적어도 하나의 프로세서에 의해 실행되는 경우, 적어도 하나의 프로세서로 하여금, 무선 통신 네트워크의 질을 향상시키기 위해 진단 데이터의 이전 측정된 결과들을 메모리에 저장하고, 데이터 수집 전략에 따라 진단 데이터의 상기 이전 측정된 결과들에 기초하여 시공간적 상관관계 모델을 결정하고, 결정된 시공간적 상관관계 모델 및 데이터 수집 전략에 기초하여 새로운 진단 데이터를 수집하게 할 수 있다.
다른 기술적 특징들은 이어지는 도면들, 발명의 상세한 설명들 및 청구항들로부터 당업자에게 자명할 수 있다.
본 개시 및 그 이점들에 대한 보다 완전한 이해를 위해, 첨부된 도면이 다음의 설명에 대한 참조로서 제시된다.
도 1 은 본 개시의 다양한 실시예들에 따른 예시적인 무선 네트워크를 도시한다.
도 2 는 본 개시의 다양한 실시예들에 따른 예시적인 e노드B(eNodeB: eNB) 를 도시한다.
도 3 은 본 개시의 다양한 실시예들에 따른 예시적인 사용자 장비 (user equipment: UE) 를 도시한다.
도 4 는 본 개시의 다양한 실시예들에 따른 컴퓨팅 시스템에서 예시적인 서버를 도시한다.
도 5 는 본 개시의 다양한 실시예들에 따른 지능적 진단 데이터 수집의 예시적인 파이프라인을 도시한다.
도 6 는 본 개시의 다양한 실시예들에 따른 예시적인 흐름도를 도시한다.
상세한 설명 이전에, 본 개시 전반에 걸쳐서 사용된 특정 단어들 및 어구들의 정의들을 기술하는 것이 유용할 것이다. "커플링 (couple)" 및 그 파생어는 둘 이상의 요소들 간의 직접적 또는 간접적 통신을 가리키고, 그 요소들이 서로 물리적으로 접촉되어 있거나 아닐 수 있다. "송신", "수신" 및 "통신" 및 그 파생어들은, 직접 및 간접적인 통신 모두를 포괄한다. "포함" 및 그 파생어는 한정하는 것 없이 포함하는 것을 가리킨다. "또는"은 다른 요소를 배제하지 않으며, "및/또는"을 의미한다. "~에 따라 (associated with)" 및 그 파생어는, "~을 포함하는", "~에 포함된", "~와 상호 연결된", "~을 함유하는", "~에 함유된", "~에/~와 연결되는", "~에/~와 커플링되는", "~와 통신 가능한", "~와 협업하는", "~를 인터리빙 (interleaving) 하는", "~를 병치하는", "~에 근접하는", "~에/~와 바인딩되는 (bound)", "~한 성질을 가지는", "~와 관계를 가지는" 등을 의미한다. "제어부"는 적어도 하나의 동작을 제어하는 디바이스, 시스템 또는 그 일부를 의미한다. 이러한 제어부는 하드웨어 또는 하드웨어 및 소프트웨어 및/또는 펌웨어의 조합으로 구현될 수 있다. 특정 제어부에 따른 기능성은 중앙 집중형 (centralized) 또는 분산형 (distributed) 일 수 있고, 로컬에서 (locally) 또는 원격에서 (remotely) 이루어질 수 있다. "적어도 하나"는, 나열된 항목들 중 하나 이상의 서로 다른 조합들이 사용될 수 있고, 나열된 항목들 중 하나의 항목만이 필요할 수도 있음을 의미할 수 있다. 예를 들어, "A, B 및 C 중 적어도 하나"는, A, B, C, 'A 및 B', 'A 및 C', 'B 및 C', 및 'A, B 및 C' 중 임의의 하나를 포함한다.
나아가, 이하에서 설명되는 다양한 기능들은 하나 이상의 컴퓨터 프로그램에 의해 구현되거나 지원될 수 있으며, 각각의 컴퓨터 프로그램은 컴퓨터로 판독 가능한 프로그램 코드로부터 형성되고 컴퓨터로 판독 가능한 기록 매체에 구현될 수 있다. "애플리케이션" 및 "프로그램"은, 적합한 컴퓨터 판독 가능 프로그램 코드에서 구현되기에 적합한 하나 이상의 컴퓨터 프로그램, 소프트웨어 구성 요소, 명령어 세트, 절차, 기능, 객체, 클래스, 인스턴스, 관련 데이터, 또는 그들의 일부를 가리킨다. "컴퓨터 판독 가능 프로그램 코드"는, 소스 코드, 오브젝트 코드 및 실행 코드를 포함하는 임의의 유형의 컴퓨터 코드 등 컴퓨터로 액세스 가능한 임의의 유형의 기록 매체를 포함한다. "컴퓨터 판독 가능 기록 매체"는 ROM (Read only memory), RAM (Random Access Memory), 하드디스크, CD (Compact Disc), DVD (Digital Video Disc) 또는 임의의 다른 유형의 메모리 등과 같은, 컴퓨터로 액세스 가능한 임의의 유형의 기록 매체를 포함한다. "비일시적 (non-transitory)" 컴퓨터 판독 가능 기록 매체는, 일시적인 전기 또는 다른 신호들을 수송하는 유선, 무선, 광학 또는 다른 통신 링크들을 배제할 수 있다. 비일시적 컴퓨터 판독 가능 기록 매체는, 데이터가 영구적으로 저장될 수 있는 매체 및, 재기록 가능 광디스크 또는 삭제 가능 메모리 디바이스와 같이, 데이터가 저장되고 후에 덮어씌워질 (overwritten) 수 있는 매체를 포함할 수 있다.
다른 특정 단어들 및 어구들에 대한 정의들은 본 개시 전반에 걸쳐 제공된다. 당업자라면, 단어들 및 어구들의 정의가 그러한 정의의 이전 및 이후의 사용 모두에 적용될 수 있음을 이해할 필요가 있다.
이하에서 논의되는 도 1 내지 도 6, 및 본 개시의 원리들을 설명하기 위해 사용된 다양한 실시예들은 단지 설명을 위한 것이고, 어떠한 방식으로도 본 개시의 범위를 한정하는 것으로 이해되어서는 아니 된다. 당업자는 본 개시의 원리가 임의의 적절하게 배열된 무선 통신 시스템에서 구현될 수 있다는 것을 이해할 것이다.
도 1 내지 도 4 의 설명들은 상이한 실시예들이 구현될 수 있는 방식에 대한 물리적 또는 구조적 한정들을 암시하기 위한 것이 아니다. 본 개시의 상이한 실시예들은 임의의 적절하게 배열된 통신 시스템에서 구현될 수 있다.
도 1 은 본 개시의 일 실시예에 따른 예시적인 무선 네트워크 (100) 를 도시한다. 도 1 에 도시된 무선 네트워크 (100) 의 실시예는 오직 설명을 위한 것이다. 무선 네트워크 (100) 의 다른 실시예들은 본 개시의 범위를 벗어나지 않고 사용될 수 있다.
도 1에 도시된 바와 같이, 무선 네트워크 (100) 는 e노드B (eNodeB: eNB) (101), eNB (102) 및 eNB (103) 를 포함할 수 있다. eNB (101) 는 eNB (102) 및 eNB (103) 와 통신할 수 있다. eNB (101) 는 또한 인터넷, 독점 인터넷 프로토콜 (proprietary Internet Protocol) 네트워크 또는 다른 데이터 네트워크와 같은 적어도 하나의 네트워크 (130) 와 통신할 수 있다.
eNB (102) 는 eNB (102) 의 커버리지 (coverage) 영역 (120) 내의 제 1 복수의 사용자 장비 (user equipment: UE) 들을 위해 네트워크 (130) 에 무선 광대역 액세스를 제공할 수 있다. 제 1 복수의 UE들은 UE (111), UE (112), UE (113), UE (114), UE (115), 및 UE (116) 를 포함할 수 있다. UE (111) 는 소기업 (small business: SB) 내에 위치할 수 있고, UE (112) 는 기업 (enterprise: E) 내에 위치할 수 있고, UE (113) 는 WiFi 핫스팟 (hotspot: HS) 내에 위치할 수 있고, UE (114) 는 제 1 거주지 (residence: R) 에 위치할 수 있고, UE (115) 는 제 2 거주지(R) 내에 위치할 수 있고, UE (116) 는 휴대 전화, 무선 노트북, 무선 PDA 등과 같은 모바일 디바이스 (M) 일 수 있다. eNB (103) 는 eNB (103) 의 커버리지 영역 (125) 내의 제 2 복수의 UE들을 위해 네트워크 (130) 에게 무선 광대역 액세스를 제공할 수 있다. 제 2 복수의 UE들은 UE (115) 및 UE (116) 를 포함할 수 있다. 일부 실시예들에서, 하나 이상의 eNB들 (101-103) 은 서로 통신할 수 있고, 5G, LTE, LTE-A, WiMAX, WiFi, LTE-U(LAA), 또는 다른 무선 통신 기술들을 이용하여 UE들 (111-116) 과 통신할 수 있다.
네트워크 유형에 따라, "eNodeB" 또는 "eNB" 대신, 다른 잘 알려진 용어들, 예를 들어, "기지국" 또는 "액세스 포인트"가 이용될 수 있다. 본 개시에서는 편의상, "eNodeB" 및 "eNB"가 원격 단말들에게 무선 액세스를 제공하는 네트워크 인프라 컴포넌트들을 가리키기 위해 이용될 수 있다. 또한, 네트워크 유형에 따라, "사용자 장비" 또는 "UE" 대신 다른 잘 알려진 용어들이, 예를 들어, "이동국", "가입자 지국", "원격 단말", "무선 단말" 또는 "사용자 디바이스"가 이용될 수 있다. 본 개시에서는 편의상, "사용자 장비" 및 "UE"가 eNB에 무선으로 액세스하는 원격 무선 장비를 가리키기 위해 이용될 수 있고, UE는 모바일폰 또는 스마트폰과 같은 모바일 디바이스거나, 데스크탑 컴퓨터 또는 자판기와 같은 일반적인 고정형 디바이스일 수 있다.
점선은 커버리지 영역들 (120, 125) 의 대략적인 범위를 나타내며, 오직 예시 및 설명의 목적으로 대략 원형으로 표시되어 있다. eNB들에 따른 커버리지 영역들, 예를 들어 커버리지 영역들 (120, 125) 은 eNB들의 구성 및, 자연적 및 인위적 장애물에 따른 무선 환경의 변화에 기초하여, 불규칙한 형상들을 포함하는 다른 형상들을 가질 수 있음이 명백히 이해되어야 한다.
이하에서 상세하게 설명되는 바와 같이, UE들 (111-116) 중 하나 이상은 무선 통신 네트워크에서 진단 데이터를 수집하기 위해, 회로, 프로그래밍 또는 이들의 조합을 포함할 수 있다. 일부 실시예들에서, UE들 (101-103) 중 하나 이상은 무선 통신 네트워크에서 진단 데이터를 수집하기 위해, 회로, 프로그래밍 또는 이들의 조합을 포함할 수 있다.
도 1 은 무선 네트워크 (100) 의 일 예를 도시하지만, 도 1은 다양하게 변경될 수 있다. 예를 들어, 무선 네트워크 (100) 는 적절히 배치된 임의의 수의 eNB들 및 임의의 수의 UE들을 포함할 수 있다. 또한, eNB (101) 는 임의의 수의 UE들과 직접적으로 통신하고, 그 UE들에게 네트워크 (130) 로의 무선 광대역 액세스를 제공할 수 있다. 유사하게, 각각의 eNB (102-103) 는 네트워크 (130) 와 직접적으로 통신하고, UE들에게 네트워크 (130) 로의 무선 광대역 액세스를 제공할 수 있다. 나아가, eNB들 (101, 102 및/또는 103) 은 다른 또는 추가적인 외부 네트워크들, 예를 들어, 외부 전화 네트워크들 또는 다른 유형의 데이터 네트워크들로의 액세스를 제공할 수 있다.
도 2 는 본 개시의 일 실시예에 따른 예시적인 eNB (102) 를 도시한다. 도 2 에 도시된 eNB (102) 의 실시예는 오직 설명을 위한 것이고, 도 1 의 eNB들 (101, 103) 은 동일 또는 유사한 구성을 가질 수 있다. 하지만, eNB들은 다양한 구성을 가질 수 있으며, 도 2 는 본 개시의 범위를 eNB의 어느 특정한 구현으로 한정하지 않는다.
도 2에 도시된 바와 같이, eNB (102) 는 복수의 안테나들 (205a-205n), 복수의 무선 주파수 (radio frequency: RF) 송수신기들 (210a-210n), 송신 (transmit: TX) 프로세싱 회로 (215) 및 수신 (receive: RX) 프로세싱 회로 (220) 를 포함할 수 있다. eNB (102) 는 또한, 제어부/프로세서 (225), 메모리 (230), 및 백하울 (backhaul) /네트워크 인터페이스 (interface: IF) (235) 를 포함할 수 있다.
RF 송수신기들 (210a-210n) 은 안테나들 (205a-205n) 로부터, 네트워크 (100) 내의 UE들에 의해 전송되는 신호들과 같은 인커밍 (incoming) RF 신호들을 수신할 수 있다. RF 송수신기들 (210a-210n) 은 중간주파수 또는 기저대 신호들을 생성하기 위해 인커밍 RF 신호들을 다운-컨버팅 (down-converting) 할 수 있다. 중간주파수 또는 기저대 신호들은 RX 프로세싱 회로 (220) 에게 보내어지고, RX 프로세싱 회로 (220) 는 기저대 또는 중간주파수 신호들을 필터링, 디코딩, 및/또는 디저털화함으로써, 프로세싱된 기저대 신호들을 생성할 수 있다. RX 프로세싱 회로 (220) 는 추가 프로세싱을 위해, 프로세싱된 기저대 신호들을 제어부/프로세서 (225) 로 전송할 수 있다.
TX 프로세싱 회로 (215) 는 제어부/프로세서 (225) 로부터 아날로그 또는 디지털 데이터, 예를 들어, 음성 데이터, 웹 데이터, 이메일 또는 인터랙티브 (interactive) 비디오 게임 데이터를 수신할 수 있다. TX 프로세싱 회로 (215) 는 아웃고잉 (outgoing) 기저대 데이터를 인코딩, 멀티플렉싱 (multiplexing) 및/또는 디지털화하여, 프로세싱된 기저대 또는 중간주파수 신호들을 생성할 수 있다. RF 송수신기들 (210a-210n) 은 TX 프로세싱 회로 (215) 로부터 아웃고잉 프로세싱된 기저대 또는 중간주파수 신호들을 수신할 수 있고, 기저대 또는 중간주파수 신호들을 안테나들 (205a-205n) 을 통해 전송되는 RF 신호들로 업-컨버팅 (up-converting) 할 수 있다.
제어부/프로세서 (225) 는 eNB (102) 의 전체 동작을 제어하는 하나 이상의 프로세서 또는 다른 프로세싱 디바이스들을 포함할 수 있다. 예를 들어, 제어부/프로세서 (225) 는 널리 알려진 원리들에 따라 RF 송수신기들 (210a-210n), RX 프로세싱 회로 (220) 및 TX 프로세싱 회로 (215) 에 의해 순방향 채널 (forward channel) 신호들의 수신 및 역방향 채널 (reverse channel) 신호들의 송신을 제어할 수 있다. 제어부/프로세서 (225) 는 추가 기능들, 예를 들어, 보다 진보된 무선 통신 기능들 또한 지원할 수 있다. 예를 들어, 제어부/프로세서 (225) 는 아웃고잉 신호들을 원하는 방향으로 효과적으로 조종하기 위해, 복수의 안테나들 (205a-205n) 로부터의 아웃고잉 신호들이 상이한 가중치를 갖는 (weighted differently) 빔 포밍 (beam forming) 또는 지향성 라우팅 (directional routing) 동작을 지원할 수 있다. 다양한 다른 임의의 기능들은 eNB (102) 에서 제어부/프로세서 (225) 에 의해 지원될 수 있다. 일부 실시예들에서, 제어부/프로세서 (225) 는 적어도 하나의 마이크로프로세서 또는 마이크로컨트롤러를 포함할 수 있다.
일부 실시예들에서, 제어부/프로세서 (225) 는 데이터 수집 전략에 따라 진단 데이터의 이전 측정된 결과들에 기초하여 시공간적 상관관계 모델 (spatiotemporal correlation model) 을 결정하고, 결정된 시공간적 상관관계 모델 및 데이터 수집 전략에 기초하여 새로운 진단 데이터를 수집하도록 구성될 수 있다.
일부 실시예들에서, 제어부/프로세서 (225) 는 결정된 시공간적 상관관계 모델 및 진단 데이터의 이전 측정된 결과들에 기초하여 미측정 진단 데이터를 추산하고, 데이터 수집 전략에 기초하여 새로운 진단 데이터를 측정하도록 구성될 수 있다.
일부 실시예들에서, 제어부/프로세서 (225) 는 수집된 새로운 진단 데이터에 기초하여 시공간적 상관관계 모델을 업데이트하고, 업데이트된 시공간적 상관관계 모델에 기초하여 추산된 미측정 진단 데이터를 재계산하도록 구성될 수 있다.
일부 실시예들에서, 제어부/프로세서 (225) 는 추산된 미측정 진단 데이터, 새로운 진단 데이터의 실제 측정 데이터, 또는 모니터링 입도 (monitoring granularity) 중 적어도 하나에 기초하여 새로운 진단 데이터의 입도 (granularity) 를 최적화하기 위해, 새로운 진단 데이터에 따른 수집 위치 및 시간을 결정하고, 새로운 진단 데이터에 따른 수집 위치 및 시간에 기초하여 데이터 수집 전략을 업데이트하도록 구성될 수 있다.
일부 실시예들에서, 제어부/프로세서 (225) 는 추산된 미측정 진단 데이터, 새로운 진단 데이터의 실제 측정 데이터 및 모니터링 입도를 서로 비교하고, 업데이트된 데이터 수집 전략에 기초하여 새로운 진단 데이터를 수집하도록 구성될 수 있다.
그러한 실시예들에서, 모니터링 입도는 진단 데이터를 수집하기 위한 지리적 영역에 기초한 스케일 (scale) 을 포함할 수 있다. 추가적으로, 시공간적 상관관계 모델은 공간적 상관관계 모델 또는 시간적 상관관계 모델 중 적어도 하나를 포함할 수 있다.
일부 실시예들에서, 제어부/프로세서 (225) 는 새로운 진단 데이터를 추산하고 시공간적 상관관계 모델을 업데이트하도록 구성되는 머신 러닝 엔진 (machine learning engine) 및 데이터 수집 전략을 위해 새로운 진단 데이터의 위치 및 시간 정보를 수집하도록 구성되는 수집 전략 제어부로 구성될 수 있다.
이하에서 보다 상세히 설명되는 바와 같이, eNB (102) 는 VoLTE 통화의 문맥 (context) 을 모니터링하고 학습 (learning) 하기 위한 회로, 프로그래밍 또는 그 조합을 포함할 수 있다. 일부 실시예들에서, eNB (102) 는 무선 통신 네트워크에서 진단 데이터를 수집하는 서버를 포함할 수 있다.
예를 들어, 제어부/프로세서 (225) 는 메모리 (230) 에 저장되어 무선 통신 네트워크에서 진단 데이터를 수집하도록 구성된 하나 이상의 인스트럭션들을 실행하도록 구성될 수 있다.
제어부/프로세서 (225) 는 또한 오퍼레이팅 시스템 (operating system: OS) 과 같이 메모리 (230) 에 상주하는 프로그램들 및 다른 프로세스들을 실행할 수 있다. 제어부/프로세서 (225) 는 실행 프로세스 (executing process) 에 의해 요구되는 바와 같이, 메모리 (230) 내외로 데이터를 이동시킬 수 있다
제어부/프로세서 (225) 는 또한, 백하울/네트워크 IF (235) 에 커플링될 수 있다. 백하울/네트워크 IF (235) 는 백하울 연결을 통해 또는 네트워크를 통해 eNB (102) 로 하여금 다른 디바이스들 또는 시스템들과 통신하게 할 수 있다. 백하울/네트워크 IF (235) 는 임의의 적합한 유선 또는 무선 접속을 통한 통신들을 지원할 수 있다. 예를 들어, eNB (102) 가 무선 통신 시스템 (예를 들어, 5G, LTE, LTE-A, 또는 LTE-U (LAA) 를 지원하는 시스템) 의 일부로서 구현되는 경우, 백하울/네트워크 IF (235) 는 eNB (102) 로 하여금 유선 또는 무선 백하울 연결을 통해 다른 eNB들과 통신하게끔 할 수 있다. eNB (102) 가 액세스 포인트로서 구현되는 경우, 백하울/네트워크 IF (235) 는 eNB (102) 로 하여금 유선 또는 무선 로컬 에어리어 네트워크 (local area network) 를 통해, 또는 유선 또는 무선 연결을 통해 인터넷과 같은 더 큰 네트워크와 통신하게끔 할 수 있다. 백하울/네트워크 IF (235) 는 유선 또는 무선 연결을 통한 통신들을 지원하는 임의의 적합한 구조, 예를 들어, 이더넷 (ethernet) 또는 RF 송수신기를 포함할 수 있다.
메모리 (230) 는 제어부/프로세서 (225) 에 커플링될 수 있다. 메모리 (230) 의 일부는 RAM을 포함할 수 있고, 메모리 (230) 의 다른 일부는 플래쉬 메모리 또는 다른 ROM을 포함할 수 있다. 일부 실시예들에서, 메모리 (230) 는 프로그램 코드를 저장할 수 있고, 프로그램 코드는 적어도 하나의 제어부/프로세서 (340) 에 의해 실행되는 경우 적어도 하나의 제어부/프로세서 (340) 로 하여금, 무선 통신 네트워크의 질을 향상시키기 위해 진단 데이터의 이전 측정된 결과들을 메모리에 저장하고, 데이터 수집 전략에 따라 진단 데이터의 이전 측정된 결과들에 기초하여 시공간적 상관관계 모델을 결정하고, 결정된 시공간적 상관관계 모델 및 데이터 수집 전략에 기초하여 새로운 진단 데이터를 수집하게 할 수 있다.
일부 실시예들에서, 메모리 (340) 는 적어도 하나의 제어부/프로세서 (410) 에 의해 실행되는 경우 적어도 하나의 제어부/프로세서 (410) 로 하여금, 결정된 시공간적 상관관계 모델 및 진단 데이터의 이전 측정된 결과들에 기초하여 미측정 진단 데이터를 추산하고, 데이터 수집 전략에 기초하여 새로운 진단 데이터를 측정하게 하는, 프로로그램 코드를 저장할 수 있다.
일부 실시예들에서, 메모리 (340) 는 적어도 하나의 제어부/프로세서 (410) 에 의해 실행되는 경우 적어도 하나의 제어부/프로세서 (410) 로 하여금, 수집된 새로운 진단 데이터에 기초하여 시공간적 상관관계 모델을 업데이트하고, 업데이트된 시공간적 상관관계 모델에 기초하여 추산된 미측정 진단 데이터를 재계산하게 하는 프로그램 코드를 저장할 수 있다.
일부 실시예들에서, 메모리 (230) 는 적어도 하나의 제어부/프로세서 (340) 에 의해 실행되는 경우 적어도 하나의 제어부/프로세서 (340) 로 하여금, 추산된 미측정 진단 데이터, 새로운 진단 데이터의 실제 측정 데이터, 또는 모니터링 입도 (monitoring granularity) 중 적어도 하나에 기초하여 새로운 진단 데이터의 입도 (granularity) 를 최적화하기 위해, 새로운 진단 데이터에 따른 수집 위치 및 시간을 결정하고, 새로운 진단 데이터에 따른 수집 위치 및 시간에 기초하여 데이터 수집 전략을 업데이트하게 하는 프로그램 코드를 저장할 수 있다.
일부 실시예들에서, 메모리 (230) 는 적어도 하나의 제어부/프로세서 (340) 에 의해 실행되는 경우 적어도 하나의 제어부/프로세서 (340) 로 하여금, 추산된 미측정 진단 데이터, 새로운 진단 데이터의 실제 측정 데이터 및 모니터링 입도를 서로 비교하고, 업데이트된 데이터 수집 전략에 기초하여 새로운 진단 데이터를 수집하게 하는 프로그램 코드를 저장할 수 있다.
도 2 는 eNB (102) 의 일 예를 도시하지만, 도 2 는 다양하게 변경될 수 있다. 예를 들어, eNB (102) 는 도 2 에 도시된 컴포넌트 각각을 임의의 개수만큼 포함할 수 있다. 특정 예로서, 액세스 포인트는 복수의 백하울/네트워크 IF (235) 를 포함할 수 있고, 제어부/프로세서 (225) 는 서로 다른 네트워크 주소들 사이에서 데이터를 라우팅 (routing) 하기 위한 라우팅 기능들을 지원할 수 있다. 다른 특정 예로서, TX 프로세싱 회로 (215) 의 단일 인스턴스 (single instance) 및 RX 프로세싱 회로 (220) 의 단일 인스턴스를 포함하는 것으로 도시되어 있으나, eNB (102) 는 (RF 송수신기당 하나와 같이) 각각의 복수의 인스턴스를 포함할 수 있다. 또한, 도 2 의 다양한 컴포넌트들은 결합되거나, 보다 세분화되거나 또는 생략될 수 있고, 특정 요구에 따라 추가 컴포넌트들이 추가될 수 있다.
도 3 은 본 개시의 일 실시예에 따른 예시적인 UE (116) 를 도시한다. 도 3 에 도시된 UE (116) 의 실시예는 오직 설명을 위한 것이고, 도 1 의 UE들 (111, -115) 은 동일 또는 유사한 구성을 가질 수 있다. 하지만, UE들은 다양한 구성을 가질 수 있으며, 도 3 는 본 개시의 범위를 UE의 어느 특정한 구현으로 한정하지 않는다.
도 3에 도시된 바와 같이, UE (116) 는 일 세트의 안테나들 (305), RF 송수신기 (310), TX 프로세싱 회로 (315), 마이크로폰 (320) 및 RX 프로세싱 회로 (325) 를 포함할 수 있다. UE (116) 는 또한 스피커 (330), 프로세서 (340), 입/출력 인터페이스 (input/output interface: I/O IF) (345), 입력 디바이스 (350), 디스플레이 (355) 및 메모리 (360) 를 포함할 수 있다. 메모리 (360) 는 OS(361) 및 하나 이상의 애플리케이션들 (362) 을 포함할 수 있다.
RF 송수신기 (310) 는 일 세트의 안테나들 (305) 로부터 네트워크 (100) 의 eNB에 의해 전송된 인커밍 RF 신호를 수신할 수 있다. RF 송수신기 (310) 는 중간주파수 또는 기저대 신호를 생성하기 위해 인커밍 RF 신호를 다운-컨버팅할 수 있다.
중간주파수 또는 기저대 신호는 RX 프로세싱 회로 (325) 에게 보내어지고, RX 프로세싱 회로 (220) 는 기저대 또는 중간주파수 신호를 필터링, 디코딩, 및/또는 디저털화함으로써, 프로세싱된 기저대 신호를 생성할 수 있다. RX 프로세싱 회로 (325) 는 프로세싱된 기저대 신호를, 예를 들어 보이스 데이터를 위해, 스피커 (330) 로 전송하거나, 추가 프로세싱, 예를 들어 웹 브라우징 데이터를 위해, 프로세서 (340) 로 전송할 수 있다.
TX 프로세싱 회로 (315) 는 마이크로폰 (320) 으로부터 아날로그 또는 디지털 보이스 데이터를 수신하거나, 프로세서 (340) 로부터 다른 아웃고잉 기저대 데이터, 예를 들어, 웹 데이터, 이메일 또는 인터랙티브 비디오 게임 데이터를 수신할 수 있다. TX 프로세싱 회로 (315) 는 아웃고잉 기저대 데이터를 인코딩, 멀티플렉싱 및/또는 디지털화하여, 프로세싱된 기저대 또는 중간주파수 신호를 생성할 수 있다. RF 송수신기 (310) 은 TX 프로세싱 회로 (315) 로부터 아웃고잉 프로세싱된 기저대 또는 중간주파수 신호를 수신할 수 있고, 기저대 또는 중간주파수 신호를 안테나 (305) 를 통해 전송되는 RF 신호로 업-컨버팅할 수 있다.
프로세서 (340) 는 하나 이상의 프로세서 또는 다른 프로세싱 디바이스들을 포함할 수 있고, 메모리 (360) 에 저장된 OS(361) 를 실행하여 UE (116) 의 전체적인 동작을 제어할 수 있다. 예를 들어, 프로세서 (340) 는 널리 알려진 원리들에 따라 RF 송수신기 (310), RX 프로세싱 회로 (325) 및 TX 프로세싱 회로 (315) 에 의해 순방향 채널 (forward channel) 신호들의 수신 및 역방향 채널 (reverse channel) 신호들의 송신을 제어할 수 있다. 일부 실시예들에서, 프로세서 (340) 는 적어도 하나의 마이크로프로세서 또는 마이크로컨트롤러를 포함할 수 있다.
프로세서 (225) 는 또한 메모리 (230) 에 상주하는 프로그램들 및 다른 프로세스들을 실행하여, 예를 들어, 무선 통신 네트워크에서 eNB들 (101-103) 을 위한 진단 데이터를 프로세싱할 수 있다.
프로세서 (340) 는 실행 프로세스에 의해 요구되는 바와 같이, 메모리 (360) 내외로 데이터를 이동시킬 수 있다 일부 실시예들에서, 프로세서 (225) 는 OS(361) 에 기초하여 또는 오퍼레이터 (operator) 또는 eNB들로부터 수신된 신호들에 응답하여 애플리케이션들 (362) 을 실행하도록 구성될 수 있다. 프로세서 (340) 는 I/O IF (345) 에 커플링되어, UE (116) 에게 다른 디바이스들, 예를 들어 랩탑 컴퓨터 및 휴대용 컴퓨터에 연결하기 위한 기능을 제공할 수 있다. I/O IF (345) 는 이러한 액세서리들과 프로세서 (340) 사이의 통신 경로일 수 있다.
프로세서 (34) 는 또한 입력 디바이스 (350) 및 디스플레이 (355) 와 커플링될 수 있다. UE (116) 의 오퍼레이터는 입력 디바이스 (350) 를 이용하여 UE (116) 에 데이터를 입력할 수 있다. 디스플레이 (355) 는 액정 디스플레이 (liquid crystal display: LCD), 발광 다이오드 (light emitting diode: LED) 디스플레이 또는 웹 사이트들로부터의 텍스트 및/또는 적어도 한정된 그래픽들을 렌더링할 수 있는 다른 디스플레이일 수 있다. 일부 실시예들에서, 프로세서 (340) 는 무선 통신 네트워크에서 eNB들 (101-103) 에게 진단 데이터를 전송하도록 구성될 수 있다.
메모리 (360) 는 프로세서 (340) 에 커플링될 수 있다. 메모리 (360) 의 일부는 RAM을 포함할 수 있고, 메모리 (360) 의 다른 일부는 플래쉬 메모리 또는 다른 ROM을 포함할 수 있다. 일부 실시예들에서, 메모리 (360) 는 적어도 하나의 제어부/프로세서 (340) 에 의해 실행되는 경우 적어도 하나의 제어부/프로세서 (340) 로 하여금, 무선 통신 네트워크에서 eNB들 (101-103) 에게 진단 데이터를 전송하게 하는 프로그램 코드를 저장할 수 있다.
도 3 은 UE (116) 의 일 예를 도시하지만, 도 3 은 다양하게 변경될 수 있다. 예를 들어, 도 3 의 다양한 컴포넌트들은 결합되거나, 보다 세분화되거나 또는 생략될 수 있고, 특정 요구에 따라 추가 컴포넌트들이 추가될 수 있다. 특정 예로서, 프로세서 (340) 는 복수의 프로세서들 (예를 들어, 하나 이상의 중앙 프로세싱 유닛 (centeral processing unit: CPU) 들 및 하나 이상의 그래픽 프로세싱 유닛 (graphic processing unit: GPU) 들) 로 분리될 수 있다. 다른 예에서, 일 세트의 안테나들 (305) 에서 오직 하나의 안테나가 이용될 수 있다. 또한, 도 3 은 모바일폰 또는 스마트폰으로서 구성된 UE (116) 를 도시하지만, UE들은 다른 종류의 모바일 또는 고정 디바이스로서 동작하도록 구성될 수 있다.
도 4 는 본 개시의 실시예들에 따른 컴퓨팅 시스템에서 예시적인 서버 (400) 를 도시한다. 도 4에 도시된 바와 같이, 서버 (400) 는 도 1의 eNB들 (101, 102, 103) 을 가리킬 수 있다. 일 실시예에서, 서버 (400) 는 eNB들 (101, 102, 103) 에 설치된 내부 디바이스로서 배치될 수 있다. 다른 실시예에서, 서버 (400) 는 eNB들 (101, 102, 103) 을 위한 외부 디바이스로서 배치될 수 있다. 예를 들어, 서버 (400) 는 지능적 진단 데이터 수집을 위한 프레임워크를 제공하는 네트워크 엘리먼트일 수 있다.
도 4 에 도시된 바와 같이, 서버 (400) 는 적어도 하나의 프로세서 (410), 적어도 하나의 스토리지 (415, storage), 적어도 하나의 통신 인터페이스 (interface: IF) (420), 적어도 하나의 입출력 (input/output: I/O) 유닛 (425) 및 적어도 하나의 디스플레이 (440) 사이의 통신을 지원하는 버스 시스템 (bus system) (405) 을 포함할 수 있다.
프로세서 (410) 는 메모리 (430) 에 로드된 (loaded) 인스트럭션들을 실행할 수 있다. 프로세서 (410) 는 적절히 배치된, 임의의 적합한 수와 종류를 갖는 프로세서 또는 다른 디바이스를 포함할 수 있다. 프로세서 (410) 의 예시적인 종류들은, 마이크로프로세서, 마이크로컨트롤러, 디지털 신호 프로세서, FPGA (field programmable gate arrays), ASIC (application specific integrated circuit), 디스크리트 (discreet) 회로 및 비디오 스트림 프로세서를 포함할 수 있다.
일부 실시예들에서, 프로세서 (410) 는 데이터 수집 전략에 따라 진단 데이터의 이전 측정된 결과들에 기초하여 시공간적 상관관계 모델을 결정하고, 결정된 시공간적 상관관계 모델 및 데이터 수집 전략에 기초하여 새로운 진단 데이터를 수집하도록 구성될 수 있다.
일부 실시예들에서, 프로세서 (410) 는 결정된 시공간적 상관관계 모델 및 진단 데이터의 이전 측정된 결과들에 기초하여 미측정 진단 데이터를 추산하고, 데이터 수집 전략에 기초하여 새로운 진단 데이터를 측정하도록 구성될 수 있다.
일부 실시예들에서, 프로세서 (410) 는 수집된 새로운 진단 데이터에 기초하여 시공간적 상관관계 모델을 업데이트하고, 업데이트된 시공간적 상관관계 모델에 기초하여 추산된 미측정 진단 데이터를 재계산하도록 구성될 수 있다.
일부 실시예들에서, 프로세서 (410) 는 추산된 미측정 진단 데이터, 새로운 진단 데이터의 실제 측정 데이터, 또는 모니터링 입도 중 적어도 하나에 기초하여 새로운 진단 데이터의 입도를 최적화하기 위해, 새로운 진단 데이터에 따른 수집 위치 및 시간을 결정하고, 새로운 진단 데이터에 따른 수집 위치 및 시간에 기초하여 데이터 수집 전략을 업데이트하도록 구성될 수 있다.
일부 실시예들에서, 프로세서 (410) 는 추산된 미측정 진단 데이터, 새로운 진단 데이터의 실제 측정 데이터 및 모니터링 입도를 서로 비교하고, 업데이트된 데이터 수집 전략에 기초하여 새로운 진단 데이터를 수집하도록 구성될 수 있다. 그러한 실시예들에서, 모니터링 입도는 진단 데이터를 수집하기 위한 지리적 영역에 기초한 스케일 (scale) 을 포함할 수 있다. 추가적으로, 시공간적 상관관계 모델은 공간적 상관관계 모델 또는 시간적 상관관계 모델 중 적어도 하나를 포함할 수 있다.
일부 실시예들에서, 프로세서 (410) 는 새로운 진단 데이터를 추산하고 시공간적 상관관계 모델을 업데이트하도록 구성되는 머신 러닝 엔진 및 데이터 수집 전략을 위해 새로운 진단 데이터의 위치 및 시간 정보를 수집하도록 구성되는 수집 전략 제어부를 포함할 수 있다.
메모리 (430) 및 퍼시스턴트 스토리지 (persistend storage) (435) 는 스토리지 디바이스들 (415) 의 예로서, 정보 (예를 들어, 데이터, 프로그램 코드 및/또는 일시적인 또는 영구적인 기준에 의한 다른 적합한 정보) 를 저장하고 검색할 수 있는 임의의 구조를 가리킨다. 메모리 (430) 는 RAM 또는 임의의 다른 적절한 휘발성 또는 비휘발성 스토리지 디바이스를 가리킬 수 있다. 퍼시스턴트 스토리지 (435) 는 ROM, 하드 드라이브, 플래쉬 메모리 또는 광 디스크와 같이, 데이터의 장기간 저장을 지원하는 하나 이상의 컴포넌트 또는 디바이를을 포함할 수 있다. 디스플레이 (440) 는 텍스트, 비디오, 이미지, 그래픽 및/또는 다른 적합한 정보와 같은 객체를 디스플레이 하기 위한 패널, 홀로그램 디바이스 또는 프로젝터를 포함할 수 있다.
일부 실시예들에서, 스토리지 (415) 는 프로그램 코드를 저장할 수 있고, 프로그램 코드는 적어도 하나의 프로세서 (410) 에 의해 실행되는 경우 적어도 하나의 프로세서 (410) 로 하여금, 데이터 수집 전략에 따라 진단 데이터의 이전 측정된 결과들에 기초하여 시공간적 상관관계 모델을 결정하고, 결정된 시공간적 상관관계 모델 및 데이터 수집 전략에 기초하여 새로운 진단 데이터를 수집하게 할 수 있다.
일부 실시예들에서, 스토리지 (415) 는 적어도 하나의 프로세서 (410) 에 의해 실행되는 경우 적어도 하나의 프로세서 (410) 로 하여금, 결정된 시공간적 상관관계 모델 및 진단 데이터의 이전 측정된 결과들에 기초하여 미측정 진단 데이터를 추산하고, 데이터 수집 전략에 기초하여 새로운 진단 데이터를 측정하게 하는, 프로로그램 코드를 저장할 수 있다.
일부 실시예들에서, 스토리지 (415) 는 적어도 하나의 프로세서 (410) 에 의해 실행되는 경우 적어도 하나의 프로세서 (410) 로 하여금, 수집된 새로운 진단 데이터에 기초하여 시공간적 상관관계 모델을 업데이트하고, 업데이트된 시공간적 상관관계 모델에 기초하여 추산된 미측정 진단 데이터를 재계산하게 하는 프로그램 코드를 저장할 수 있다.
일부 실시예들에서, 스토리지 (415) 는 적어도 하나의 프로세서 (410) 에 의해 실행되는 경우 적어도 하나의 프로세서 (410) 로 하여금, 추산된 미측정 진단 데이터, 새로운 진단 데이터의 실제 측정 데이터, 또는 모니터링 입도 중 적어도 하나에 기초하여 새로운 진단 데이터의 입도를 최적화하기 위해, 새로운 진단 데이터에 따른 수집 위치 및 시간을 결정하고, 새로운 진단 데이터에 따른 수집 위치 및 시간에 기초하여 데이터 수집 전략을 업데이트하게 하는 프로그램 코드를 저장할 수 있다.
일부 실시예들에서, 메모리 (415) 는 적어도 하나의 프로세서 (410) 에 의해 실행되는 경우 적어도 하나의 프로세서 (410) 로 하여금, 추산된 미측정 진단 데이터, 새로운 진단 데이터의 실제 측정 데이터 및 모니터링 입도를 서로 비교하고, 업데이트된 데이터 수집 전략에 기초하여 새로운 진단 데이터를 수집하게 하는 프로그램 코드를 저장할 수 있다.
통신 IF (420) 는 다른 시스템들 또는 디바이스들과의 통신들을 지원할 수 있다. 예를 들어, 통신 IF (420) 는 네트워크 (100) 를 통한 통신들을 가능하게 하는 네트워크 인터페이스 카드 또는 무선 송수신기를 포함할 수 있다. 통신 IF (420) 는 임의의 적합한 물리적 또는 무선 통신 링크를 통한 통신들을 지원할 수 있다.
I/O 유닛 (425) 은 데이터의 입력 및 출력이 가능하게끔 할 수 있다. 예를 들어, I/O 유닛 (425) 는 키보드, 마우스, 키패드, 터치스크린 또는 다른 적합한 입력 디바이스를 통한 사용자 입력을 위한 연결을 제공할 수 있다. 또한, I/O 유닛 (425) 은 디스플레이, 프린터 또는 다른 적합한 출력 디바이스로 출력을 보낼 수 있다.
도 4 는 도 4 의 서버 (400) 를 나타내는 것으로 설명되었지만, 동일 또는 유사한 구조가 도 1에 도시된 바와 같이 하나 이상의 UE들 (111-116) 에서 사용될 수 있다. 예를 들어, 랩탑 또는 데스크탑 컴퓨터는 도 4 에 도시된 것과 동일 또는 유사한 구조를 가질 수 있다. 이러한 종류의 디바이스들 중 하나는 서버 (400) 의 전술된 특징들을 구현할 수 있다.
통신 네트워크에서 진단 데이터는 통신 사업자들 및 주문자 상표 부착 생산자 (original equipment manufacturer: OEM) 들에게 유용한 정보를 제공한다. 구체적으로, 진단 데이터는 통신 사업자들로 하여금 불충분한 네트워크 커버리지와 같은 문제들을 식별하게끔 할 뿐만 아니라, OEM들이 하드웨어 문제들을 트러블슛 (troubleshoot) 하는데 도움을 주어 잠재적인 디바이스 반환 (return) 을 줄일 수 있다. 불행하게도, 진단 데이터는 현재 매우 비효과적이고 비효율적인 방식으로 수집되고 있고, 이는 때때로 사용자 경험에 부정적인 영향을 미친다. 결과적으로, 무선 통신 네트워크의 진단 데이터를 지능적으로 (intelligently) 수집할 수 있는 프레임워크를 개발하는 것은 시급한 과제이다.
LTE 네트워크에서 발생하는 문제들을 트러블슛하기 위해, 통신 사업자들은 진단 데이터를 수집하기 위한 다양한 방안들을 개발해왔다. 하지만, 개발된 다양한 방안들은 매우 비효과적이고 비효율적인 방식으로 동작하고, 진단 데이터는 모든 모바일 디바이스들로부터 매우 높은 빈도로 무작정 수집되고 있다. 진단 데이터를 수집하기 위한 이러한 디자인들은 몇몇 단점들을 가진다. 예를 들어, 무작정 진단 데이터를 수집하는 것은 네트워크 대역폭에 추가적인 오버헤드 (overhead) 를 일으킨다. 또한, 진단 데이터를 빈번하게 수집하는 것은 디바이스 배터리를 빠르게 소모시킨다. 또한, 많은 양의 진단 데이터를 프로세싱하기 위해, 트러블슛 프로세스가 중복되어 실행되거나 과도하게 지연된다. 또한, 늘어나는 데이터로부터 연유하는 성능 향상은 실제 제한적이다.
또한, 진단 데이터를 수집하는 것은 때때로 사용자 경험에 부정적인 영향을 끼칠 수 있다. 예를 들어, 통신 사업자들은 일반적으로, 더 높은 인구 밀도를 가지는 장소들에서의 LTE 네트워크 커버리지에 대해 우려한다. 그러므로, 그러한 장소들 내의 모든 디바이스들로부터의 진단 데이터 (예를 들어, RF 신호들의 세기 (strength)) 는 더 빈번하게 수집되어 통신 사업자의 중앙 서버로 보내어 진다. 수집 프로세스는 네트워크 대역폭에 추가적이지고 불필요한 오버헤드를 발생시킨다.
예를 들어, 매우 밀집된 경기장에서 전화 통화를 하는 데 문제가 있을 수 있다. 다양한 이유들이 이러한 불쾌한 경험에 일조할 수 있고, 예를 들어, 네트워크 커버리지의 사각 공간 (dead space) 이 생기거나, 제한된 대역폭으로는 넘치는 연결 요청들을 핸들링할 수 없기 때문에 네트워크 포화 (saturation) 가 발생할 수 있다. 불행하게도, 통신 사업자들이 모든 디바이스들로부터 무작정 진단 데이터를 수집하거나, 높은 빈도로 수집하는 경우 상황은 더 악화된다.
일부 실시예들에서, 무선 통신 네트워크에서 진단 데이터는, 진단 데이터의 시공간적 상관관계 모델을 학습함으로써 충분한 모니터링 입도를 유지하면서 네트워크 대역폭에 대한 영향을 줄이도록, 지능적으로 수집될 수 있다. 그러한 실시예들에서, 진단 데이터는 RF 신호의 세기에 기초하여 수집될 수 있다. 일 실시예에서, 공간적 상관관계는 주어진 시간 예에서 지능적 진단 데이터 수집을 위해 이용될 수 있다. 그러한 실시예에서, 공간적으로 서로 가까운 2개의 모바일 디바이스들의 RF 신호는 유사한 세기를 가진다. 그러므로, 주어진 시간 예에서 공간적으로 가까운 디바이스들로부터 수집된 진단 데이터의 양이 감소할 수 있고, 스킵된 (skipped) 측정값들 (measurements) 은 제한된 정보를 제공한다. 다른 실시예에서, 시간적 상관관계는 고정된 위치에서의 지능적 진단 데이터 수집을 위해 이용될 수 있다. 그러한 실시예에서, RF 신호의 세기는 짧은 기간 동안에 변하지 않을 수 있다. 그러므로, 짧은 기간 동안에 하나의 디바이스로부터 수집되는 진단 데이터의 양이 감소할 수 있고, 스킵된 측정값들은 제한된 정보를 제공한다.
결과적으로, 덜 유용한 (less informative) 진단 데이터의 양을 줄임으로써, 네트워크 대역폭의 오버헤드 양이 감소할 수 있다. 더욱이, 시간적 및 공간적 상관관계를 학습함으로써, 스킵된 측정값들이 높은 신뢰도로 추산될 수 있고, 따라서 충분한 모니터링 입도가 유지될 수 있다.
일부 실시예들에서, 지능적 진단 데이터 수집 프레임워크는 모니터링 입도를 포함할 수 있다. 그러한 실시예들에서, 모니터링 입도는 진단 데이터가 수집될 수 있는 스케일 (scale) 을 가리킬 수 있다. 예를 들어, 통신 사업자들이 경기장 내에서의 RF 신호들의 세기 맵 (strength map) /등고선 (contour) 을 획득하길 원하는 경우, 모니터링 입도는 모든 RF 신호들이 동일한 세기 측정 또는 등고선들의 밀도에 의해 측정될 수 있는 영역일 수 있다.
일부 실시예들에서, 지능적 진단 데이터 수집 프레임워크는 머신 러닝 엔진을 포함할 수 있다. 그러한 실시예에서, 머신 러닝 엔진은 진단 데이터의 시공간적 상관관계 모델을 학습할 수 있다. 구체적으로, 머신 러닝 엔진은 진단 데이터가 상이한 위치들 및/또는 상이한 시간에 수집된 진단 데이터가 서로 어떻게 연관되어 있는지를 수량화 (quantifying) 할 수 있다. 머신 러닝 엔진은 머신 러닝 알고리즘들을 통해 상관관계 모델을 학습할 수 있다. 상관관계 모델이 획득되면, 진단 데이터의 스킵된 측정값들이 높은 신뢰도로 추산될 수 있다. 더욱이, 머신 러닝 엔진은 온라인 업데이팅 루프 (online updating loop) 를 특징으로 할 수 있다. 시공간적 상관관계 모델은 최초에 과거 진단 데이터를 이용하여 훈련될 수 있고, 새로운 진단 데이터가 사용 가능한 경우 지속적으로 업데이트될 수 있다. 그러한 실시예에서, 시공간적 상관관계 모델은 환경들의 역학 관계 (dynamics) 에 적응할 수 있다.
일부 실시예들에서, 지능적 진단 데이터 수집 프레임워크는 수집 전략 제어부를 포함할 수 있다. 수집 전략 제어부는 상관관계 모델에 기초하여 새로운 진단 데이터를 수집하기 위해, 가장 많은 정보를 제공하는 (the most informative) 위치들 및 시간을 결정할 수 있고, 이러한 위치들 및 시간은 수집 전략으로 지칭될 수 있다. 선택된 위치들 및 시간은 진단 데이터의 측정값들을 수집하는 데에 이용되고, 다른 위치들 및 시간에서의 측정값들을 예측하는 데에 이용된다. 수집 전략의 결정은 피셔 정보 (fisher information) 및 상호 정보 (mutual information) 와 같은 정보 지표들 (information metrics) 에 의해 가이드될 (guided) 수 있다.
일부 실시예들에서, 지능적 진단 데이터 수집 프레임워크는 트러블슛 및 진단 기술들을 포함할 수 있다. 트러블슛 및 진단 기술들은 수집된 진단 데이터 및 추산된 진단 데이터를 이용하여 무선 통신 네트워크 및 모바일 디바이스들의 문제들을 신속하게 식별할 수 있고, 잠재적인 디바이스 반환 (return) 을 줄일 수 있다.
도 5 는 본 개시의 다양한 실시예들에 따른 지능적 진단 데이터 수집 (500) 의 예시적인 파이프라인을 도시한다. 도 5 에 도시된 지능적 진단 데이터 수집 (500) 의 파이프라인의 실시예는 오직 설명을 위한 것이다. 지능적 진단 데이터 수집 (500) 의 파이프라인의 다른 실시예들은 본 개시의 범위를 벗어나지 않고 사용될 수 있다. 도 5 에 도시된 바와 같이, 지능적 진단 데이터 수집 (500) 의 파이프라인은 머신 러닝 엔진 (505) 및 수집 전략 제어부 (510) 를 포함할 수 있다.
도 5 는 진단 데이터가 하나의 라운드 (one round) 에서 어떻게 수집되는지를 도시한다. 하지만, 지능적 진단 데이터 수집은 요구되는 모니터링 입도가 달성될 때까지 반복될 수 있다. 라운드 초기에는, 진단 데이터의 과거 측정값들이 사전 지식 (prior knowledge) 으로 취급될 수 있다. 머신 러닝 엔진 (505) 은 현재의 시공간적 상관관계 모델 및 진단 데이터의 과거 측정값들을 이용하여, 미측정 진단 데이터를 예측할 수 있다. 또한, 머신 러닝 엔진 (505) 은 시공간적 상관관계 모델을 업데이트할 수 있다. 보다 구체적으로, 진단 데이터의 새로운 측정값들이 수집 전략을 이용하여 수집될 수 있다.
예를 들어, 머신 러닝 엔진 (505) 는 처음에, 진단 데이터의 새로운 측정값들에 기초하여 시공간적 상관관계 모델을 업데이트하고, 업데이트된 시공간적 상관관계 모델에 기초하여 미측정 진단 데이터의 추산값들 (estimates) 을 재계산할 수 있다.
다른 예를 들면, 수집 전략 제어부 (510) 는 미측정 진단 데이터의 추산값들, 미측정 진단 데이터의 실제 측정값들, 및 요구되는 모니터링 입도를 비교하고, 그에 기초하여 수집 전략 제어부 (510) 는 다음 수집 전략을 결정하여 가장 많은 정보를 제공하는 위치 및 시간을 수집할 수 있다.
도 6 는 본 개시의 다양한 실시예들에 따른 예시적인 흐름도 (600) 를 도시한다. 흐름도 (600) 는 네트워크 엘리먼트, 예를 들어, 도 4 의 서버 (400) 에 의해 수행될 수 있다. 도 6 에 도시된 흐름도 (600) 의 실시예는 오직 설명을 위한 것이다. 흐름도 (600) 의 다른 실시예들은 본 개시의 범위를 벗어나지 않고 사용될 수 있다.
도 6 에 도시된 바와 같이, 단계 605 에서 네트워크 엘리먼트는 무선 통신 네트워크의 질을 향상시키기 위해 진단 데이터의 이전 측정된 결과들을 저장할 수 있다. 그 후, 단계 610 에서 네트워크 엘리먼트는 데이터 수집 전략에 따라 진단 데이터의 이전 측정된 결과들에 기초하여 시공간적 상관관계 모델을 결정할 수 있다. 여기서, 시공간적 상관관계 모델은 공간적 상관관계 모델 또는 시간적 상관관계 모델 중 적어도 하나를 포함할 수 있다. 보다 구체적으로, 단계 610 에서 네트워크 엘리먼트는 결정된 시공간적 상관관계 모델 및 진단 데이터의 이전 측정된 결과들에 기초하여 미측정 진단 데이터를 추산할 수 있다. 추가적으로, 단계 610 에서 네트워크 엘리먼트는 수집된 새로운 진단 데이터에 기초하여 시공간적 상관관계 모델을 업데이트하고, 업데이트된 시공간적 상관관계 모델에 기초하여 추산된 미측정 진단 데이터를 재계산할 수 있다.
최종적으로, 단계 615 에서 네트워크 엘리먼트는 결정된 시공간적 상관관계 모델 및 데이터 수집 전략에 기초하여 새로운 진단 데이터를 수집할 수 있다. 추가적으로, 단계 615 에서 네트워크 엘리먼트는 추산된 미측정 진단 데이터, 새로운 진단 데이터의 실제 측정 데이터, 또는 모니터링 입도 중 적어도 하나에 기초하여 새로운 진단 데이터의 입도를 최적화하기 위해, 새로운 진단 데이터에 따른 수집 위치 및 시간을 결정하고, 새로운 진단 데이터에 따른 수집 위치 및 시간에 기초하여 데이터 수집 전략을 업데이트할 수 있다. 나아가, 단계 615 에서 네트워크 엘리먼트는 추산된 미측정 진단 데이터, 새로운 진단 데이터의 실제 측정 데이터 및 모니터링 입도를 서로 비교하고, 업데이트된 데이터 수집 전략에 기초하여 새로운 진단 데이터를 수집할 수 있다. 단계 615 에서, 모니터링 입도는 진단 데이터를 수집하기 위한 지리적 영역에 기초한 스케일 (scale) 을 포함할 수 있다.
본 개시의 어떠한 설명도 특정 요소, 단계 또는 기능이 청구 범위에 포함되어야 하는 필수 요소임을 암시하는 것으로 이해되어서는 안 된다. 특허청구범위는 오직 다음의 청구항들에 의해서 정의된다.

Claims (20)

  1. 무선 통신 네트워크에서 진단 데이터를 수집하기 위한 네트워크 엘리먼트로서:
    상기 무선 통신 네트워크의 질을 향상시키기 위해 상기 진단 데이터의 이전 측정된 결과들을 저장하는 메모리; 및
    상기 메모리에 작동 가능하게 연결되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는:
    데이터 수집 전략에 따라 상기 진단 데이터의 상기 이전 측정된 결과들에 기초하여 시공간적 상관관계 모델 (spatiotemporal correlation model) 을 결정하고;
    상기 결정된 시공간적 상관관계 모델 및 상기 데이터 수집 전략에 기초하여 새로운 진단 데이터를 수집하도록 구성된, 네트워크 엘리먼트.
  2. 제 1 항에 있어서,
    상기 적어도 하나의 프로세서는:
    상기 결정된 시공간적 상관관계 모델 및 상기 진단 데이터의 상기 이전 측정된 결과들에 기초하여 미측정 진단 데이터를 추산하고;
    상기 데이터 수집 전략에 기초하여 상기 새로운 진단 데이터를 측정하도록 더 구성된, 네트워크 엘리먼트.
  3. 제 2 항에 있어서,
    상기 적어도 하나의 프로세서는:
    상기 수집된 새로운 진단 데이터에 기초하여 상기 시공간적 상관관계 모델을 업데이트하고;
    상기 업데이트된 시공간적 상관관계 모델에 기초하여 상기 추산된 미측정 진단 데이터를 재계산하도록 더 구성된, 네트워크 엘리먼트.
  4. 제 1 항에 있어서,
    상기 적어도 하나의 프로세서는:
    추산된 미측정 진단 데이터, 상기 새로운 진단 데이터의 실제 측정 데이터, 또는 모니터링 입도 (monitoring granularity) 중 적어도 하나에 기초하여 상기 새로운 진단 데이터의 입도를 최적화 (optimizing) 하기 위해, 상기 새로운 진단 데이터에 따른 수집 위치 및 시간을 결정하고;
    상기 새로운 진단 데이터에 따른 상기 수집 위치 및 시간에 기초하여 상기 데이터 수집 전략을 업데이트하도록 더 구성된, 네트워크 엘리먼트.
  5. 제 4 항에 있어서,
    상기 적어도 하나의 프로세서는:
    상기 추산된 미측정 진단 데이터, 상기 새로운 진단 데이터의 실제 측정 데이터 및 상기 모니터링 입도를 서로 비교하고;
    상기 업데이트된 데이터 수집 전략에 기초하여 상기 새로운 진단 데이터를 수집하도록 더 구성된, 네트워크 엘리먼트.
  6. 제 5 항에 있어서,
    상기 모니터링 입도는 상기 진단 데이터를 수집하기 위한 지리적 영역에 기초한 스케일 (scale) 을 포함하는, 네트워크 엘리먼트.
  7. 제 1 항에 있어서,
    상기 시공간적 상관관계 모델은 공간적 상관관계 모델 또는 시간적 상관관계 모델 중 적어도 하나를 포함하는, 네트워크 엘리먼트.
  8. 제 1 항에 있어서,
    상기 적어도 하나의 프로세서는:
    상기 새로운 진단 데이터를 추산하고 상기 시공간적 상관관계 모델을 업데이트하도록 구성되는 머신 러닝 엔진 (machine learning engine); 및
    상기 데이터 수집 전략을 위해 상기 새로운 진단 데이터의 위치 및 시간 정보를 수집하도록 구성되는 수집 전략 제어부를 포함하는, 네트워크 엘리먼트.
  9. 무선 통신 네트워크에서 진단 데이터를 수집하기 위한 방법으로서:
    상기 무선 통신 네트워크의 질을 향상시키기 위해 상기 진단 데이터의 이전 측정된 결과들을 저장하는 단계;
    데이터 수집 전략에 따라 상기 진단 데이터의 상기 이전 측정된 결과들에 기초하여 시공간적 상관관계 모델을 결정하는 단계; 및
    상기 결정된 시공간적 상관관계 모델 및 상기 데이터 수집 전략에 기초하여 새로운 진단 데이터를 수집하는 단계를 포함하는, 방법.
  10. 제 9항에 있어서,

    상기 결정된 시공간적 상관관계 모델 및 상기 진단 데이터의 상기 이전 측정된 결과들에 기초하여 미측정 진단 데이터를 추산하는 단계; 및
    상기 데이터 수집 전략에 기초하여 상기 새로운 진단 데이터를 측정하는 단계를 더 포함하는, 방법.
  11. 제 10항에 있어서,
    상기 수집된 새로운 진단 데이터에 기초하여 상기 시공간적 상관관계 모델을 업데이트하는 단계; 및
    상기 업데이트된 시공간적 상관관계 모델에 기초하여 상기 추산된 미측정 진단 데이터를 재계산하는 단계를 더 포함하는, 방법.
  12. 제 9항에 있어서,
    추산된 미측정 진단 데이터, 상기 새로운 진단 데이터의 실제 측정 데이터, 또는 모니터링 입도 중 적어도 하나에 기초하여 상기 새로운 진단 데이터의 입도를 최적화하기 위해, 상기 새로운 진단 데이터에 따른 수집 위치 및 시간을 결정하는 단계; 및
    상기 새로운 진단 데이터에 따른 상기 수집 위치 및 시간에 기초하여 상기 데이터 수집 전략을 업데이트하는 단계를 더 포함하는, 방법.
  13. 제 12항에 있어서,
    상기 추산된 미측정 진단 데이터, 상기 새로운 진단 데이터의 실제 측정 데이터 및 상기 모니터링 입도를 서로 비교하는 단계; 및
    상기 업데이트된 데이터 수집 전략에 기초하여 상기 새로운 진단 데이터를 수집하는 단계를 더 포함하는, 방법.
  14. 제 13 항에 있어서,
    상기 모니터링 입도는 상기 진단 데이터를 수집하기 위한 지리적 영역에 기초한 스케일 (scale) 을 포함하는, 방법.
  15. 제 9 항에 있어서,
    상기 시공간적 상관관계 모델은 공간적 상관관계 모델 또는 시간적 상관관계 모델 중 적어도 하나를 포함하는, 방법.
  16. 프로그램 코드를 포함하는 컴퓨터 판독 가능 매체로서, 적어도 하나의 프로세서에 의해 실행되는 경우 상기 적어도 하나의 프로세서로 하여금:
    무선 통신 네트워크의 질을 향상시키기 위해 진단 데이터의 이전 측정된 결과들을 메모리에 저장하고;
    데이터 수집 전략에 따라 상기 진단 데이터의 상기 이전 측정된 결과들에 기초하여 시공간적 상관관계 모델 (spatiotemporal correlation model) 을 결정하고;
    상기 결정된 시공간적 상관관계 모델 및 상기 데이터 수집 전략에 기초하여 새로운 진단 데이터를 수집하게 하는 프로그램 코드를 포함하는, 컴퓨터 판독 가능 매체.
  17. 제 16 항에 있어서,
    상기 적어도 하나의 프로세서에 의해 실행되는 경우 상기 적어도 하나의 프로세서로 하여금:
    상기 결정된 시공간적 상관관계 모델 및 상기 진단 데이터의 상기 이전 측정된 결과들에 기초하여 미측정 진단 데이터를 추산하고;
    상기 데이터 수집 전략에 기초하여 상기 새로운 진단 데이터를 측정하게 하는 프로그램 코드를 더 포함하는, 컴퓨터 판독 가능 매체.
  18. 제 17 항에 있어서,
    상기 적어도 하나의 프로세서에 의해 실행되는 경우 상기 적어도 하나의 프로세서로 하여금:
    상기 수집된 새로운 진단 데이터에 기초하여 상기 시공간적 상관관계 모델을 업데이트하고;
    상기 업데이트된 시공간적 상관관계 모델에 기초하여 상기 추산된 미측정 진단 데이터를 재계산하게 하는 프로그램 코드를 더 포함하는, 컴퓨터 판독 가능 매체.
  19. 제 16 항에 있어서,
    상기 적어도 하나의 프로세서에 의해 실행되는 경우 상기 적어도 하나의 프로세서로 하여금:
    추산된 미측정 진단 데이터, 상기 새로운 진단 데이터의 실제 측정 데이터, 또는 모니터링 입도 (monitoring granularity) 중 적어도 하나에 기초하여 상기 새로운 진단 데이터의 입도를 최적화 (optimizing) 하기 위해, 상기 새로운 진단 데이터에 따른 수집 위치 및 시간을 결정하고;
    상기 새로운 진단 데이터에 따른 상기 수집 위치 및 시간에 기초하여 상기 데이터 수집 전략을 업데이트하게 하는 프로그램 코드를 더 포함하는, 컴퓨터 판독 가능 매체.
  20. 제 19 항에 있어서,
    상기 적어도 하나의 프로세서에 의해 실행되는 경우 상기 적어도 하나의 프로세서로 하여금:
    상기 추산된 미측정 진단 데이터, 상기 새로운 진단 데이터의 실제 측정 데이터 및 상기 모니터링 입도를 서로 비교하고;
    상기 업데이트된 데이터 수집 전략에 기초하여 상기 새로운 진단 데이터를 수집하게 하는 프로그램 코드를 더 포함하는, 컴퓨터 판독 가능 매체.
KR1020170103203A 2016-08-12 2017-08-14 지능적 진단 데이터 수집을 위한 프레임워크 KR102346633B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/236,301 US10129767B2 (en) 2016-08-12 2016-08-12 Framework for intelligent diagnostic data collection
US15/236,301 2016-08-12

Publications (2)

Publication Number Publication Date
KR20180018459A true KR20180018459A (ko) 2018-02-21
KR102346633B1 KR102346633B1 (ko) 2022-01-03

Family

ID=61159685

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170103203A KR102346633B1 (ko) 2016-08-12 2017-08-14 지능적 진단 데이터 수집을 위한 프레임워크

Country Status (2)

Country Link
US (1) US10129767B2 (ko)
KR (1) KR102346633B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10517021B2 (en) 2016-06-30 2019-12-24 Evolve Cellular Inc. Long term evolution-primary WiFi (LTE-PW)
US20200303060A1 (en) * 2019-03-18 2020-09-24 Nvidia Corporation Diagnostics using one or more neural networks

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160088633A1 (en) * 2012-09-06 2016-03-24 Dell Products, Lp Method and Apparatus for Predicting Mobile Device Wireless Link Quality of Service Requirements Along a Predicted Path

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5732708A (en) * 1996-08-09 1998-03-31 Pacesetter, Inc. Method for storing EGM and diagnostic data in a read/write memory of an implantable cardiac therapy device
US6085244A (en) * 1997-03-17 2000-07-04 Sun Microsystems, Inc. Dynamic test update in a remote computer monitoring system
US6266528B1 (en) 1998-12-23 2001-07-24 Arraycomm, Inc. Performance monitor for antenna arrays
US7218928B2 (en) 2001-12-07 2007-05-15 Sk Telecom Co., Ltd. Network analyzing method and apparatus for optimal performance of network, and a recording medium having programs to conduct said method
US7809204B2 (en) * 2002-10-18 2010-10-05 Samsung Electronics Co., Ltd. Method and apparatus for encoding and decoding key value data of coordinate interpolator
US8488746B1 (en) * 2007-12-17 2013-07-16 At & T Intellectual Property I, L.P. Method and system for silent trunk failure detection
US8184705B2 (en) * 2008-06-25 2012-05-22 Aptina Imaging Corporation Method and apparatus for motion compensated filtering of video signals
US9294362B2 (en) 2012-10-22 2016-03-22 International Business Machines Corporation Adjusting quality of service in a cloud environment based on application usage
US9532252B2 (en) 2012-12-04 2016-12-27 At&T Intellectual Property I, L.P. Diagnosis of cellular network element states using radio frequency measurements
US9497646B2 (en) 2013-02-18 2016-11-15 Airometric Wireless Inc. Performance evaluation of services and applications on devices in live wireless environments
US9112718B2 (en) * 2013-03-15 2015-08-18 Vtrum Group Llc Broadband diagnostics system
US10371860B2 (en) * 2013-05-22 2019-08-06 S.S. Papadopulos & Associates, Inc. Simultaneous multi-event universal kriging methods for spatio-temporal data analysis and mapping
US9906969B2 (en) * 2014-04-04 2018-02-27 Cellco Partnership Remote diagnostics for mobile devices
US9830215B1 (en) * 2015-06-19 2017-11-28 EMC IP Holding Company LLC Computing system error analysis based on system dump data

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160088633A1 (en) * 2012-09-06 2016-03-24 Dell Products, Lp Method and Apparatus for Predicting Mobile Device Wireless Link Quality of Service Requirements Along a Predicted Path

Also Published As

Publication number Publication date
KR102346633B1 (ko) 2022-01-03
US20180049045A1 (en) 2018-02-15
US10129767B2 (en) 2018-11-13

Similar Documents

Publication Publication Date Title
US10999854B2 (en) Method and user equipment for predicting available throughput for uplink data
US11451452B2 (en) Model update method and apparatus, and system
US12015936B2 (en) Proactively adjusting network infrastructure in response to reporting of real-time network performance
US11838787B2 (en) Functional architecture and interface for non-real-time ran intelligent controller
CN111464933B (zh) 一种驾驶参数配置方法及服务器
US11606716B2 (en) Configuring telecommunications network using data obtained from user equipment
US11700298B2 (en) Multi-access edge computing low latency information services
US11006307B2 (en) Mobile network signal strength identification and visualization system
CN114521012A (zh) 定位方法、装置、终端设备、基站及位置管理服务器
KR102346633B1 (ko) 지능적 진단 데이터 수집을 위한 프레임워크
WO2021024059A1 (en) Systems, methods and apparatuses for automating context specific network function configuration
US20220060956A1 (en) Systems and methods for single uplink operation (suo) over dual connectivity networks
WO2017108106A1 (en) Method and network node for identifiying specific area of wireless communication system
WO2023066662A1 (en) Criteria-based measurement data reporting to a machine learning training entity
US20240129763A1 (en) Method and apparatus for determining operational aspects of network equipment and devices
US11991065B2 (en) Method and system to identify network nodes/cells with performance seasonality based on time series of performance data and external reference data
US9363848B2 (en) Communication control device, mobile station, and communication control method
WO2023072239A1 (zh) 信道预测方法、装置、网络侧设备及终端
US20240171479A1 (en) Methods, systems, and devices for scalable and layered architecture for real-time key performance indicator (kpi) prediction in mobile networks
US11817912B2 (en) Network centric interference and noise cancellation in wireless networks
US20240023062A1 (en) Apparatuses and methods for facilitating efficient paging in networks
US20240135247A1 (en) Method and Apparatus for Selecting Machine Learning Model for Execution in a Resource Constraint Environment
US20240022921A1 (en) Apparatuses and methods for reducing paging overhead in relation to beam-sweeping in networks and systems
US20240022983A1 (en) Methods, systems, and devices for load balancing over a mobile network using beamforming
US20130294308A1 (en) Energy efficient staggered short transmissions (sst) protocol for wireless sensor networks (wsn)

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant