KR20190105947A - 네트워크의 이동성 관련 파라미터를 최적화하는 방법 및 장치 - Google Patents

네트워크의 이동성 관련 파라미터를 최적화하는 방법 및 장치 Download PDF

Info

Publication number
KR20190105947A
KR20190105947A KR1020180026743A KR20180026743A KR20190105947A KR 20190105947 A KR20190105947 A KR 20190105947A KR 1020180026743 A KR1020180026743 A KR 1020180026743A KR 20180026743 A KR20180026743 A KR 20180026743A KR 20190105947 A KR20190105947 A KR 20190105947A
Authority
KR
South Korea
Prior art keywords
parameter
performance evaluation
optimization
index
value
Prior art date
Application number
KR1020180026743A
Other languages
English (en)
Other versions
KR102457331B1 (ko
Inventor
김홍숙
나지현
오상철
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
Priority to KR1020180026743A priority Critical patent/KR102457331B1/ko
Publication of KR20190105947A publication Critical patent/KR20190105947A/ko
Application granted granted Critical
Publication of KR102457331B1 publication Critical patent/KR102457331B1/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
    • 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

Abstract

네트워크의 환경에 의해 결정되는 고정 파라미터(parameter), 최적화 대상인 최적화 파라미터의 집합 및 머신 러닝(machine learning)을 이용하여 구축한 성능평가 모델을 기초로 파라미터의 초기값을 결정하는 단계, 파라미터의 초기값을 네트워크 환경에 적용하여 성능평가지수를 산출하는 단계 및 성능평가지수 및 미리 설정된 성능평가목표지수를 비교하여 파라미터의 초기값이 최종 최적화된 이동성 관련 파라미터 값인지를 결정하는 단계를 포함하는 파라미터 최적화 방법이 개시된다. 여기서, 파라미터의 초기값을 결정하는 단계는 성능평가 모델을 통해 고정 파라미터 및 최적화 파라미터의 집합을 기초로 성능평가지수 추정치를 산출하는 단계 및 최적화 파라미터의 집합 중 성능평가지수 추정치가 가장 높은 최적화 파라미터를 추출하는 단계를 포함할 수 있다.

Description

네트워크의 이동성 관련 파라미터를 최적화하는 방법 및 장치{METHOD AND APPARATUS FOR OPTIMIZING MOBILITY-RELATED PARAMETER OF NETWORK}
본 발명은 네트워크의 이동성 관련 파라미터(parameter)를 최적화하는 방법 및 장치에 관한 것으로, 더욱 상세하게는 머신 러닝을 통해 성능평가 모델을 구축하여 네트워크의 이동성 관련 파라미터의 초기값을 결정하고, 초기값을 기초로 최적화 싸이클을 수행하여 네트워크의 이동성 관련 파라미터를 최적화하는 방법 및 장치에 관한 것이다.
기존의 2G/3G 무선 네트워크에서는 많은 네트워크 요소들과 관련된 파라미터들이 수동으로 설정되었다. 네트워크 구성 요소들과 이와 관련된 파라미터들의 설계, 설정, 통합 및 관리 기능은 효율적이고 신뢰성 있는 네트워크 운용을 위하여 매우 중요하다. 다만, 네트워크 파라미터 조정은 전문적인 엔지니어의 수작업이 요구되고 있으며, 이러한 수작업 과정으로 인해 네트워크 파라미터 조정은 시간이 많이 걸리고 잠재적으로 수작업에 따른 오류 발생 가능성이 있는 문제점이 있다.
다시 말해, 이동성 관련 네트워크 파라미터들의 최적화는 핸드오버 성공률, 실패율 및 RLF 발생유형 등과 같은 이동성 관련 성능 보고를 기반으로 사업자가 문제 상황을 직접 분석하여 수동으로 조절되었다. 다만, 이러한 수작업의 문제점을 보완하기 위해 SON(Self Organizing Network)의 MRO(Mobility Robustness Optimization) 기능을 통하여 분석 상황을 분석하고 관련 파라미터들을 조절하는 최적화 싸이클을 반복하는 방법이 도입되었다.
최적화 싸이클을 반복하는 방법은 여러 상황에서 문제없이 사용 가능한 디폴트 파라미터 값을 초기값으로 하여 파라미터 적용, 성능 평가 및 파라미터 재설정의 싸이클을 반복하는 방법이다. 다만, 이러한 최적화 싸이클 반복 방법도 싸이클의 반복 횟수에 따라 소요 시간이 과다하게 오래 걸릴 수 있는 문제점이 있다.
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은 네트워크의 이동성 관련 파라미터를 최적화하는 방법을 제공하는 데 있다.
상기와 같은 문제점을 해결하기 위한 본 발명의 다른 목적은 네트워크의 이동성 관련 파라미터를 최적화하는 장치를 제공하는 데 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 파라미터 최적화 방법은, 네트워크 환경에 의해 결정되는 고정 파라미터(parameter), 최적화 대상인 최적화 파라미터의 집합 및 머신 러닝(machine learning)을 이용하여 구축한 성능평가 모델을 기초로 파라미터의 초기값을 결정하는 단계, 파라미터의 초기값을 네트워크 환경에 적용하여 성능평가지수를 산출하는 단계 및 성능평가지수 및 미리 설정된 성능평가목표지수를 비교하여 파라미터의 초기값이 최종 최적화된 이동성 관련 파라미터 값인지를 결정하는 단계를 포함할 수 있다.
여기서, 파라미터의 초기값을 결정하는 단계는, 사용가능한 개별 최적화 파라미터 값의 조합을 기초로 최적화 파라미터의 집합을 생성하는 단계를 포함할 수 있다.
여기서, 파라미터의 초기값을 결정하는 단계는, 성능평가 모델을 통해 고정 파라미터 및 최적화 파라미터의 집합을 기초로 성능평가지수 추정치를 산출하는 단계를 포함할 수 있다.
여기서, 파라미터의 초기값을 결정하는 단계는, 최적화 파라미터의 집합 중 성능평가지수 추정치가 가장 높은 최적화 파라미터를 추출하는 단계 및 추출한 최적화 파라미터에 포함된 개별 최적화 파라미터 값을 파라미터의 초기값으로 결정하는 단계를 더 포함할 수 있다.
여기서, 파라미터의 초기값을 결정하는 단계는, 데이터베이스에 저장된 학습용 데이터 셋(set)을 기초로 머신 러닝을 수행하여 성능평가 모델을 구축하는 단계를 포함할 수 있다.
여기서, 학습용 데이터 셋은, 학습용 파라미터 및 학습용 파라미터에 따른 성능평가지수를 포함할 수 있다.
여기서, 파라미터의 초기값 및 성능평가지수를 학습용 데이터 셋에 추가하는 단계를 더 포함할 수 있다.
여기서, 최종 최적화된 이동성 관련 파라미터 값인지를 결정하는 단계는, 성능평가지수가 성능평가목표지수보다 크지 않은 경우, 파라미터 최적화 알고리즘을 수행하는 단계, 파라미터 최적화 알고리즘의 결과값을 네트워크에 적용하여 성능평가지수를 재산출하는 단계, 재산출한 성능평가지수가 성능평가목표지수보다 클 때까지 파라미터 최적화 알고리즘을 수행하는 단계 및 성능평가지수를 재산출하는 단계를 반복하여 수행하는 단계 및 재산출한 성능평가지수가 성능평가목표지수보다 큰 경우, 파라미터 최적화 알고리즘의 결과값을 최종 최적화된 이동성 관련 파라미터 값으로 결정하는 단계를 포함할 수 있다.
여기서, 최종 최적화된 이동성 관련 파라미터 값인지를 결정하는 단계는, 파라미터 최적화 알고리즘의 결과값 및 재산출한 성능평가지수를 학습용 데이터 셋에 추가하는 단계를 더 포함할 수 있다.
여기서, 학습용 데이터 셋의 추가에 따라 학습용 데이터 셋의 변화량이 미리 설정된 값보다 큰 경우, 추가된 학습용 데이터 셋을 포함하여 머신 러닝을 통해 성능평가 모델을 재구축하는 단계를 더 포함할 수 있다.
상기 다른 목적을 달성하기 위한 본 발명의 일 실시예에 따른 파라미터 최적화 장치는, 프로세서(processor) 및 프로세서를 통해 실행되는 적어도 하나의 명령이 저장된 메모리(memory)를 포함하고, 적어도 하나의 명령은, 네트워크 환경에 의해 결정되는 고정 파라미터(parameter), 최적화 대상인 최적화 파라미터의 집합 및 머신 러닝(machine learning)을 이용하여 구축한 성능평가 모델을 기초로 파라미터의 초기값을 결정하도록 실행될 수 있고, 파라미터의 초기값을 네트워크 환경에 적용하여 성능평가지수를 산출하도록 실행될 수 있고, 성능평가지수 및 미리 설정된 성능평가목표지수를 비교하여 파라미터의 초기값이 최종 최적화된 이동성 관련 파라미터 값인지를 결정하도록 실행될 수 있다.
여기서, 적어도 하나의 명령은, 사용가능한 개별 최적화 파라미터 값의 조합을 기초로 최적화 파라미터의 집합을 생성하도록 실행될 수 있다.
여기서, 적어도 하나의 명령은, 성능평가 모델을 통해 고정 파라미터 및 최적화 파라미터의 집합을 기초로 성능평가지수 추정치를 산출하도록 실행될 수 있다.
여기서, 적어도 하나의 명령은, 최적화 파라미터의 집합 중 성능평가지수 추정치가 가장 높은 최적화 파라미터를 추출하도록 실행될 수 있고, 추출한 최적화 파라미터에 포함된 개별 최적화 파라미터 값을 파라미터의 초기값으로 결정하도록 실행될 수 있다.
여기서, 적어도 하나의 명령은, 데이터베이스에 저장된 학습용 데이터 셋(set)을 기초로 머신 러닝을 수행하여 성능평가 모델을 구축하도록 실행될 수 있다.
여기서, 학습용 데이터 셋은, 학습용 파라미터 및 학습용 파라미터에 따른 성능평가지수를 포함할 수 있다.
여기서, 적어도 하나의 명령은, 파라미터의 초기값 및 성능평가지수를 학습용 데이터 셋에 추가하도록 실행될 수 있다.
여기서, 적어도 하나의 명령은, 성능평가지수가 성능평가목표지수보다 크지 않은 경우, 파라미터 최적화 알고리즘을 수행하도록 실행될 수 있고, 파라미터 최적화 알고리즘의 결과값을 네트워크에 적용하여 성능평가지수를 재산출하도록 실행될 수 있고, 재산출한 성능평가지수가 성능평가목표지수보다 클 때까지 파라미터 최적화 알고리즘의 수행 및 성능평가지수의 재산출을 반복하여 수행하도록 실행될 수 있고, 재산출한 성능평가지수가 성능평가목표지수보다 큰 경우, 파라미터 최적화 알고리즘의 결과값을 최종 최적화된 이동성 관련 파라미터 값으로 결정하도록 실행될 수 있다.
여기서, 적어도 하나의 명령은, 파라미터 최적화 알고리즘의 결과값 및 재산출한 성능평가지수를 학습용 데이터 셋에 추가하도록 실행될 수 있다.
여기서, 적어도 하나의 명령은, 학습용 데이터 셋의 추가에 따라 학습용 데이터 셋의 변화량이 미리 설정된 값보다 큰 경우, 추가된 학습용 데이터 셋을 포함하여 머신 러닝을 통해 성능평가 모델을 재구축하도록 실행될 수 있다.
본 발명에 따르면, 최적화 파라미터값에 근접한 초기값을 이용하여 최적화 싸이클을 수행하므로 싸이클 반복 횟수가 줄어 파라미터 최적화를 상대적으로 빠르게 수행할 수 있다.
본 발명에 따르면, 학습용 데이터 셋의 추가에 따라 머신 러닝을 통해 성능평가 모델을 재구축할 수 있으므로, 최적값에 근접한 초기값을 결정하는 성능이 지속적으로 향상될 수 있다.
도 1은 3GPP 규격에 따라 최적화할 이동성 관련 네트워크 파라미터를 나타낸 표이다.
도 2는 네트워크 파라미터의 최적화 싸이클을 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 파라미터 최적화 장치의 블록 구성도이다.
도 4는 본 발명의 일 실시예에 따른 학습용 데이터 셋의 구조를 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 성능평가 모델의 생성 과정을 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따른 최적화 파라미터의 집합을 나타낸 도면이다.
도 7은 본 발명의 일 실시예에 따른 성능평가 모델을 이용하여 성능평가지수 추정치를 산출하는 과정을 나타낸 도면이다.
도 8은 본 발명의 일 실시예에 따른 파라미터 초기값 설정 방법을 나타낸 순서도이다.
도 9는 본 발명의 일 실시예에 따른 파라미터 최적화 방법을 나타낸 순서도이다.
도 10은 본 발명의 일 실시예에 따른 성능평가 모델의 재구축 방법을 나타낸 순서도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 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. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는 데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. "및/또는"이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다. 이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
이동 통신 단말의 장점 중 하나는 유선의 제약에서 벗어난 무선 통신뿐만 아니라 사용자가 이동하면서 서비스를 이용할 수 있다는 이동성이다. 이동 통신 단말이 이동하면서도 통신 서비스를 이용할 수 있는 이유는 이동 통신망에서 핸드오버(handover)가 제공되기 때문이다.
핸드오버는 이동 통신 단말은 사용자의 이동 또는 주변 건물들에 따른 쉐도우 효과(shadowing effect) 등의 전파 환경 요인에 따라 현재 접속하여 있는 서빙 셀(serving cell)으로부터의 수신 신호 세기가 작아지고 이웃 셀(neighbor cell)로부터의 수신 신호 세기가 커지기 시작하면, 이동 통신 단말은 수신 신호가 양호한 다른 셀로 접속하여 새로운 RRC(Radio Resource Control) 연결을 설정하는 것을 의미할 수 있다.
다시 말해, 통신 중인 이동 통신 단말은 핸드오버를 통하여 송수신 데이터의 손실없이 현재 접속하고 있는 기지국(서빙 셀)에서 다른 기지국(이웃 셀)로 접속하여 연속적으로 통신할 수 있기 때문에 접속하던 서비스를 끊김없이 이용할 수 있는 것이다.
LTE(Long Term Evolution) 핸드오버는 서빙 셀 및 이웃 셀 간의 핸드오버 준비와 실행과정에서 EPC(Evolved Packet Core) 개입 여부에 따라 X2 인터페이스를 이용한 핸드오버(이하, X2 핸드오버)와 S1 인터페이스를 이용한 핸드오버(이하, S1 핸드오버)로 분류될 수 있다.
X2 인터페이스는 LTE 기지국 간의 인터페이스로, X2 핸드오버는 서빙 셀이 속한 서빙 기지국과 핸드오버 대상인 타겟 셀이 속한 타겟 기지국간에 X2 연결이 존재하는 경우 수행될 수 있다. X2 인터페이스는 X2 핸드오버가 수행되면 MME(Mobility Management Entity) 개입 없이 서빙 기지국과 타겟 기지국간에 핸드오버 제어를 위해 통신할 수 있다.
S1 인터페이스는 기지국과 EPC(제어 메시지인 경우 MME 또는 사용자 패킷인 경우 S-GW(serving gateway)) 간의 인터페이스로 서빙 기지국 및 타겟 기지국 간에 X2 연결이 없거나, X2 연결이 있더라도 X2 연결이 핸드오버를 위해 사용하도록 허용되어 있지 않거나, X2를 통한 서빙 셀 및 타겟 셀 간에 핸드오버 준비 작업이 실패한 경우에는 S1 핸드오버가 수행될 수 있다. S1 인터페이스는 S1 핸드오버가 수행되면 서빙 기지국은 핸드오버 제어를 위해 MME를 통해 타겟 기지국과 통신할 수 있다.
기지국과 이동 통신 단말 간에 RRC 연결을 설정하는 경우, 핸드오버를 위해 기지국은 이동 통신 단말에게 서빙 셀과 이웃 셀의 수신 신호의 세기 변화와 같은 어떠한 이벤트가 있을 때 수신 신호 세기를 보고할 지에 대한 이동성 관련 파라미터(mobility parameters) 정보를 RRC Connection Reconfiguration 메시지를 통해 전달할 수 있다.
이동 통신 단말은 서빙 셀과 이웃 셀들의 수신 신호 세기를 측정하고 있다가 해당 이벤트가 발생하면 서빙 기지국에게 Measurement Report 메시지를 통해 이들 신호 세기를 보고할 수 있고, 서빙 기지국은 단말이 보고한 신호 세기 정보와 이웃 셀들의 오버로드(overload) 상태 정보를 참고하여 핸드오버를 결정하고 핸드오버 대상으로 결정된 셀로 핸드오버를 수행할 수 있다.
도 1은 3GPP 규격에 따라 최적화할 이동성 관련 네트워크 파라미터를 나타낸 표이다.
도 2는 네트워크 파라미터의 최적화 싸이클을 나타낸 도면이다.
상술한 핸드오버 수행 과정에서 사용될 수 있는 도 1의 이동성 관련 파라미터들은 최적화를 위하여 핸드오버 성공률, 실패율 및 RLF 발생유형 등의 이동성 관련 성능 보고를 기반으로, 사업자가 문제 상황을 직접 분석하여 수동으로 조절하거나, SON(Self Organizing Network)의 MRO(Mobility Robustness Optimization) 기능을 통하여 도 2와 같이 분석 상황을 분석하고 관련 파라미터들을 조절하는 최적화 싸이클을 반복할 수 있다. 여기서, 도 1 및 도 2는 이동성 관련 네트워크 파라미터의 예 및 최적화 싸이클의 예를 나타낸 것으로, 이에 한정되는 것은 아니다.
이동성 관련 파라미터들과 관련하여 성능을 증가시키는 방향의 파라미터들은 엔지니어의 경험에 기반하거나, 여러 상황에서 문제 없이 사용 가능한 디폴트(default) 파라미터 값을 초기값으로 하여 파라미터 적용, 성능 평가 및 파라미터 재설정의 싸이클을 반복할 수 있다. 다만, 이러한 싸이클 반복은 다음과 같은 문제점이 존재할 수 있다.
첫 번째는 최적의 파라미터를 찾기까지 디폴트 파라미터 값을 초기값으로 하므로 싸이클의 과다한 반복 횟수에 따라 최적화된 네트워크 도달까지의 소요 시간이 클 수 있다는 점이다. 이는 SON 기술을 사용하더라도 초기 파라미터 적용, 성능 데이터 수집, 성능 데이터 분석 및 분석 결과에 따른 새로운 파라미터 값 설정에 소요되는 시간이 존재하고, 이러한 싸이클이 어느 정도 반복되어야 최적값에 근사한 파라미터들이 도출될 수 있기 때문이다.
두 번째는 최적화 싸이클을 통하여 찾은 최적값 또는 최적에 근사값의 데이터들을 활용하지 않는 점이다. 지금까지의 SON 기술은 이동성 파라미터 최적화 알고리즘을 통하여 점진적으로 최적값 또는 최적에 근사값을 산출하고 적용하였다. 따라서, 이후에 비슷한 네트워크 환경이지만 다른 네트워크 환경에 있어서 이동성 파라미터를 최적화하는 경우, 싸이클 반복은 기존의 최적화 결과를 활용하지 못하고 다시 디폴트 파라미터 값부터 시작하므로 상대적으로 비효율적인 문제점이 존재하였다. 이는 최적화 알고리즘을 통하여 산출된 값은 해당 네트워크 환경에만 적합하므로, 다른 네트워크 환경에 바로 적용할 수가 없으며, 기존 환경과 새로운 환경의 얼마나 유사하지 또는 얼마나 다른지에 대한 척도를 정하기가 어렵기 때문이다.
따라서, 본 발명은 파라미터 및 파라미터에 따른 성능평가지수를 학습용 데이터 셋으로 구성하여 머신 러닝(machine learning)을 통해 성능평가 모델을 구축하고, 이를 통해 네트워크 환경의 최적값에 근접한 초기값을 결정하여 싸이클 반복 횟수를 줄여 상대적으로 효율적인 파라미터 최적화를 수행하는 방법을 제안하고자 한다.
도 3은 본 발명의 일 실시예에 따른 파라미터 최적화 장치의 블록 구성도이다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 파라미터 최적화 장치(300)는 적어도 하나의 프로세서(310), 메모리(320) 및 저장 장치(330)를 포함할 수 있다.
프로세서(310)는 메모리(320) 및/또는 저장 장치(330)에 저장된 프로그램 명령(program command)을 실행할 수 있다. 프로세서(310)는 중앙 처리 장치(central processing unit, CPU), 그래픽 처리 장치(graphics processing unit, GPU) 또는 본 발명에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 메모리(320)와 저장 장치(330)는 휘발성 저장 매체 및/또는 비휘발성 저장 매체로 구성될 수 있다. 예를 들어, 메모리(320)는 읽기 전용 메모리(read only memory, ROM) 및/또는 랜덤 액세스 메모리(random access memory, RAM)로 구성될 수 있다.
메모리(320)는 프로세서(310)를 통해 실행되는 적어도 하나의 명령을 저장하고 있을 수 있다. 적어도 하나의 명령은 네트워크 환경에 의해 결정되는 고정 파라미터(parameter), 최적화 대상인 최적화 파라미터의 집합 및 머신 러닝(machine learning)을 이용하여 구축한 성능평가 모델을 기초로 파라미터의 초기값을 결정하는 명령, 파라미터의 초기값을 네트워크 환경에 적용하여 성능평가지수를 산출하는 명령 및 성능평가지수 및 미리 설정된 성능평가목표지수를 비교하여 파라미터의 초기값이 최종 최적화된 이동성 관련 파라미터 값인지를 결정하는 명령을 포함할 수 있다.
여기서, 파라미터의 초기값을 결정하기 위한 적어도 하나의 명령은 사용가능한 개별 최적화 파라미터 값의 조합을 기초로 최적화 파라미터의 집합을 생성하는 명령, 성능평가 모델을 통해 고정 파라미터 및 최적화 파라미터의 집합을 기초로 성능평가지수 추정치를 산출하는 명령, 최적화 파라미터의 집합 중 성능평가지수 추정치가 가장 높은 최적화 파라미터를 추출하는 명령, 추출한 최적화 파라미터에 포함된 개별 최적화 파라미터 값을 파라미터의 초기값으로 결정하는 명령 및 데이터베이스에 저장된 학습용 데이터 셋(set)을 기초로 머신 러닝을 수행하여 성능평가 모델을 구축하는 명령 중 적어도 하나를 더 포함할 수 있다.
여기서, 최종 최적화된 이동성 관련 파라미터 값을 결정하기 위한 적어도 하나의 명령은 성능평가지수가 성능평가목표지수보다 크지 않은 경우, 파라미터 최적화 알고리즘을 수행하는 명령, 파라미터 최적화 알고리즘의 결과값을 네트워크에 적용하여 성능평가지수를 재산출하는 명령, 재산출한 성능평가지수가 성능평가목표지수보다 클 때까지 파라미터 최적화 알고리즘을 수행하는 명령 및 성능평가지수를 재산출하는 명령을 반복하여 수행하는 명령, 재산출한 성능평가지수가 성능평가목표지수보다 큰 경우 파라미터 최적화 알고리즘의 결과값을 최종 최적화된 이동성 관련 파라미터 값으로 결정하는 명령 및 파라미터 최적화 알고리즘의 결과값 및 재산출한 성능평가지수를 학습용 데이터 셋에 추가하는 명령 중 적어도 하나를 더 포함할 수 있다.
여기서, 적어도 하나의 명령은 파라미터의 초기값 및 성능평가지수를 학습용 데이터 셋에 추가하는 명령 및 학습용 데이터 셋의 추가에 따라 학습용 데이터 셋의 변화량이 미리 설정된 값보다 큰 경우, 추가된 학습용 데이터 셋을 포함하여 머신 러닝을 통해 성능평가 모델을 재구축하는 명령 중 적어도 하나를 더 포함할 수 있다.
여기서, 학습용 데이터 셋은 학습용 파라미터 및 학습용 파라미터에 따른 성능평가지수를 포함할 수 있다.
본 발명의 일 실시예에 따른 파라미터 최적화 장치(300)의 동작은 크게 제1 단계 내지 제4 단계로 나타낼 수 있다. 여기서, 제1 단계는 머신 러닝을 통해 성능평가 모델을 구축하는 단계일 수 있고, 제2 단계는 성능평가 모델을 기초로 파라미터의 초기값을 결정하는 단계일 수 있다. 또한, 제3 단계는 초기값을 기초로 최적화 싸이클을 수행하며 학습용 데이터 셋을 추가하는 단계일 수 있고, 제4 단계는 추가된 학습용 데이터 셋의 변화량이 미리 설정된 값보다 큰 경우 머신 러닝을 이용하여 성능평가 모델을 재구축하는 단계일 수 있다.
여기서, 각 단계는 본 발명의 일 실시예에 따른 파라미터 최적화 장치(300)의 동작을 설명하기 위해 편의상 구분한 것으로, 각 단계의 순서 및 구분은 이에 한정되지 않는다.
우선, 본 발명의 일 실시예에 따른 파라미터 최적화 장치에서 사용되는 학습용 데이터 셋의 구조를 도 4와 함께 후술하겠다. 이후, 제1 단계에 대한 보다 상세한 설명은 도 5와 함께 후술하겠으며, 제2 단계에 대한 보다 상세한 설명은 도 6, 도 7 및 도 8과 함께 후술하겠다. 또한, 제3 단계에 대한 보다 상세한 설명은 도 9와 함께 후술하겠으며, 제4 단계에 대한 보다 상세한 설명은 도 10과 함께 후술하겠다. 제1 단계에 대한 보다 상세한 설명 이전에
도 4는 본 발명의 일 실시예에 따른 학습용 데이터 셋의 구조를 나타낸 도면이다.
도 4를 참조하면, 본 발명의 일 실시예에 따른 학습용 데이터 셋은 환경의 변화에 따라 값이 고정되는 파라미터(Fixed Parameter, FP), 환경의 변화에 따라 값을 최적화해야 하는 최적화 파라미터(Optimization Parameter, OP) 및 파라미터를 네트워크에 적용한 경우 해당 네트워크 환경에서 이동 통신 단말의 성능평가지수(Key Performance Index, KPI)를 포함할 수 있다. 여기서, 각 파라미터 및 성능평가지수는 적어도 하나의 개별 파라미터 및 개별 성능평가지수를 포함할 수 있으며, 파라미터에 의하 성능평가지수가 결정되는 점에서 고정된 파라미터(FP) 및 최적화 파라미터OP)를 독립 변수 X로 나타낼 수 있고, 성능평가지수(KPI)를 종속 변수 Y로 나타낼 수 있다.
도 4에서, 각 파라미터 및 성능평가지수는 적어도 하나의 개별 파라미터 및 개별 성능평가지수를 포함할 수 있으므로, 고정된 파라미터(FP)는 l개의 개별 고정된 파라미터를 포함할 수 있으며, 최적화 파라미터(OP)는 m개의 개별 최적화 파라미터를 포함할 수 있고, 성능평가지수(KPI)는 n개의 개별 성능평가지수를 포함할 수 있다. 여기서, l, m 및 n은 각각 1이상의 양의 정수를 의미할 수 있다.
고정된 파라미터(FP)의 개별 파라미터(FP1 내지 FPl)의 값은 환경 변화에 따라 실수 범위의 값을 가질 수 있으나, 최적화 파라미터(OP)의 개별 파라미터(OP1 내지 OPm)의 값은 해당 네트워크의 구성 요소에 대한 규격에 따라 유한한 이산값들의 집합 내의 값을 가질 수 있다. 다시 말해, 본 발명의 일 실시예에 따른 파라미터 최적화 장치가 최적화해야 하는 대상 파라미터는 특정한 이산값들의 집합 내의 값을 가지므로 유한한 개수의 조합을 가질 수 있다. 이에 대한 상세한 설명은 도 6과 함께 후술하겠다.
성능평가지수(KPI)는 파라미터가 최적화되었는지를 판단할 수 있는 지표가 될 수 있다. 다시 말해, 성능평가지수(KPI)의 개별 성능평가지수(KPI1 내지 KPIn)가 높은 경우, 해당 파라미터가 환경에 적합한 파라미터로 판단할 수 있으며, 낮은 경우 해당 파라미터가 환경에 적합하지 않은 파나메터로 판단할 수 있다. 따라서, 성능평가지수(KPI)의 개별 성능평가지수(KPI1 내지 KPIn)가 가장 높은 경우의 해당 파라미터가 환경에 최적화된 파라미터로 판단될 수 있다.
여기서, 개별 성능평가지수(KPI1 내지 KPIn) 별로 크기가 다른 경우, 개별 성능평가지수 중 특정 성능평가지수를 우선적으로 고려한 뒤 동등할 경우 다음 특정 성능평가지수를 고려하는 방법, 모든 개별 성능평가지수의 평균값을 이용하는 방법 또는 개별 성능평가지수 별 가중치를 할당하는 방법 중 어느 하나를 이용하여 가장 우수한 성능평가지수를 선택할 수 있으나, 상술한 방법은 일 예를 나타낸 것으로 이에 한정되는 것은 아니다.
도 4의 구조를 가지는 학습용 데이터 셋은 제1 단계에서 머신 러닝을 수행하기 위한 트레이닝 셋(training set)으로 사용될 수 있으며, 제2 단계에서 파라미터의 초기값을 결정하기 위해 성능평가 모델에 입력하는 데이터의 구조로 사용될 수도 있다. 이와 관련하여서는 각 단계의 설명와 함께 추가로 후술하겠다.
도 5는 본 발명의 일 실시예에 따른 성능평가 모델의 생성 과정을 나타낸 도면이다.
제1 단계는 머신 러닝을 통해 성능평가 모델을 구축하는 단계일 수 있다.
본 발명의 일 실시예에 따른 파라미터 최적화 장치는 학습용 데이터 셋(set)을 기초로 머신 러닝을 수행하여 성능평가 모델을 구축할 수 있다. 여기서, 학습용 데이터 셋은 도 4의 구조를 가질 수 있으며, 학습용 데이터 셋에 포함된 파라미터 및 성능평가지수의 값은 기존 네트워크 운용 과정에서 축적된 데이터를 기초로 결정될 수 있으며, 시뮬레이션 등의 방법을 통해 데이터를 생성하여 사용할 수도 있다.
본 발명의 일 실시예에 따른 파라미터 최적화 장치는 축적된 데이터 또는 시뮬레이션 등의 방법을 통해 생성한 데이터를 데이터베이스에 저장하고 있을 수 있으며, 유무선 통신을 통해 외부로부터 획득할 수도 있으나, 머신 러닝을 수행하기 위한 데이터의 획득 방법은 이에 한정되지 않는다. 또한, 본 발명의 일 실시예에 따른 파라미터 최적화 장치가 이용하는 머신 러닝 방법은 통상의 머신 러닝 방법이 모두 이용될 수 있다.
제1 단계의 성능평가 모델 구축은 최초에 1회만 수행될 수 있으며, 이후에는 후술하는 제4 단계에서 모델의 성능 향상을 위한 성능평가 모델 재구축을 수행할 수 있다.
도 6은 본 발명의 일 실시예에 따른 최적화 파라미터의 집합을 나타낸 도면이다.
제2 단계는 성능평가 모델을 기초로 파라미터의 초기값을 결정하는 단계일 수 있다.
본 발명의 일 실시예에 따른 파라미터 최적화 장치는 고정된 파라미터(FP) 및 최적화 파라미터(OP)를 성능평가 모델에 입력하여 성능평가 모델의 출력으로서 해당 파라미터에 대한 성능평가지수(KPI) 추정치를 산출할 수 있고, 성능평가지수(KPI) 추정치가 가장 높게 산출된 파라미터를 초기값으로 결정할 수 있다.
보다 상세히 설명하면, 본 발명의 일 실시예에 따른 파라미터 최적화 장치는가 성능평가 모델에 입력하는 파라미터는 네트워크 환경에 따라 고정되는 파라미터(FP) 및 변경가능하며 최적화를 위해 특정 값을 결정하여야 하는 최적화 파라미터(OP)를 포함할 수 있다. 여기서, 최적화 파라미터(OP)는 상술한 바와 같이 네트워크 구성 요소에 대한 규격에 따라 유한한 이산값들 중 하나로 결정될 수 있으며,
따라서, 본 발명의 일 실시예에 따른 파라미터 최적화 장치는 가능한 모든 개별 최적화 파라미터 값을 조합한 최적화 파라미터의 집합을 생성하고, 최적화 파라미터 집합에 포함된 각 최적화 파라미터에 고정된 파라미터(FP)를 합하여 적어도 하나의 입력 파라미터 집합을 생성할 수 있다.
여기서, 최적화 파라미터의 집합을 생성하는 과정은 보다 상세히 설명하면 다음과 같다.
네트워크 환경 변화에 따라 값이 고정된 파라미터(FP)는 개별 고정된 파라미터(FP1 내지 FPl)를 포함할 수 있으며, 고정된 파라미터(FP)의 값은 수학식 1과 같이 나타낼 수 있다.
Figure pat00001
수학식 1에서, VFP는 고정된 파라미터(FP)의 값을 의미할 수 있고, VFP1 내지 VFPl은 개별 고정된 파라미터(FP1 내지 FPl)의 값을 의미할 수 있다. 여기서, l은 개별 고정된 파라미터의 개수를 의미할 수 있으며, 1이상의 양의 정수일 수 있다.
네트워크 환경 변화에 따라 최적화가 요구되는 최적화 파라미터(OP)는 개별 최적화 파라미터(OP1 내지 OPm)를 포함할 수 있으며, 최적화 파라미터(OP)의 값은 수학식 2와 같이 나타낼 수 있다.
Figure pat00002
수학식 2에서, VOP는 최적화 파라미터(OP)의 값을 의미할 수 있고, VOP1 내지 VOPm은 개별 최적화 파라미터(OP1 내지 OPm)의 값을 의미할 수 있다. 여기서, m은 개별 최적화 파라미터의 개수를 의미할 수 있으며, 1이상의 양의 정수일 수 있다.
여기서, 최적화 파라미터의 값 VOP는 사용가능한 개별 최적화 파라미터들의 조합에 따라 복수의 최적화 파라미터의 값을 가질 수 있으므로, 이에 따라 최적화 파라미터의 집합을 생성할 수 있다.
본 발명의 일 실시예에 따른 최적화 파라미터의 집합은 각 개별 최적화 파라미터 값의 조합에 따른 각 최적화 파라미터를 포함할 수 있다. 여기서, 개별 최적화 파라미터 값이 가질 수 있는 값은 수학식 3와 같이 나타낼 수 있다.
Figure pat00003
수학식 3에서, SVOPj는 j번째 VOP가 가질 수 있는 모든 값의 집합을 의미할 수 있고, vj1 내지 vjl은 j번째 VOP가 가질 수 있는 l개의 값을 각각 의미할 수 있다. 여기서, l은 1이상의 양의 정수 일 수 있다.
예를 들어, i번째 개별 최적화 파라미터(OPi)가 a, b 및 c의 값을 가질 수 있는 경우, SVOPi는 {a, b, c}로 나타낼 수 있다.
각 개별 최적화 파라미터 값의 조합에 따른 각 최적화 파라미터를 포함하는 최적화 파라미터의 지합은 수학식 4과 같이 나타낼 수 있다.
Figure pat00004
수학식 4에서, VOP는 최적화 파라미터를 의미할 수 있고, m은 개별 최적화 파라미터의 개수를 의미할 수 있으며, 1이상의 양의 정수일 수 있다. 또한, CVOP는 최적화 파라미터의 집합을 의미할 수 있으며, 가능한 개별 최적화 파라미터의 모든 조합을 의미할 수 있다.
도 6은 최적화 파라미터의 집합을 설명하기 위한 일 예이며, 일 예는 최적화 파라미터에 포함된 개별 최적화 파라미터가 3개이고, 제1 개별 최적화 파라미터가 1 및 2의 값을 가질 수 있고, 제2 개별 최적화 파라미터가 3 및 4의 값을 가질 수 있고, 제3 개별 최적화 파라미터가 5 및 6의 값을 가질 수 있다고 가정한다.
도 6을 참고하여 상술한 가정에 따른 각 개별 최적화 파라미터(SVOP1 내지 SVOP3) 및 최적화 파라미터의 집합(CVOP)는 다음과 같이 나타낼 수 있다.
SVOP1= {1, 2}
SVOP2= {3, 4}
SVOP3= {5, 6}
CVOP= {(1, 3, 5), (1, 3, 6), (1, 4, 5), (1, 4, 6), (2, 3, 5), (2, 3, 6), (2, 4, 5), (2, 4, 6)}
다시 말해, 도 6의 일 예에 따른 최적화 파라미터의 집합(CVOP)는 8개의 최적화 파라미터를 포함할 수 있다.
도 7은 본 발명의 일 실시예에 따른 성능평가 모델을 이용하여 성능평가지수 추정치를 산출하는 과정을 나타낸 도면이다.
도 7를 참고하면, 본 발명의 일 실시예에 따른 파라미터 최적화 장치는 최적화 파라미터의 집합(CVOP)의 개별 원소에 고정된 파라미터의 값(VFP)을 추가한 입력 파라미터 각각을 모두 성능평가 모델에 입력할 수 있다.
이에 따라, 파라미터 최적화 장치는 성능평가 모델의 의해 해당 파라미터에 대한 성능평가지수(KPI) 추정치를 각각 산출할 수 있으며, 성능평가지수(KPI)가 가장 높은 해당 파라미터를 파라미터 최적화 싸이클의 초기값으로 결정할 수 있다.
다시 말해, 성능평가지수(KPI)가 가장 높은 입력 파라미터의 최적화 파라미터의 값(VOP) 및 고정된 파라미터의 값(VFP)을 파라미터의 초기값으로 결정할 수 있다.
도 8은 본 발명의 일 실시예에 따른 파라미터 초기값 설정 방법을 나타낸 순서도이다.
도 8을 참조하여 본 발명의 제2 단계를 설명하면 다음과 같다.
우선, 본 발명의 일 실시예에 따른 파라미터 최적화 장치는 사용가능한 개별 최적화 파라미터 값의 조합을 기초로 치적화 파라미터의 집합을 생성할 수 있다(S810).
파라미터 최적화 장치는 제1 단계에서 머신 러닝을 이용하여 구축한 성능평가 모델을 통해 환경에 따라 고정된 파라미터의 값 및 최적화 파라미터의 집합을 기초로 성능평가지수 추정치를 산출할 수 있다(S820). 여기서, 파라미터 최적화 장치는 최적화 파라미터의 집합에 포함된 개별 원소에 고정된 파라미터를 각각 추가하여 성능평가 모델에 입력할 수 있으며, 이에 따라 해당 파라미터에 대한 성능평가지수 추정치를 각각 산출할 수 있다.
파라미터 최적화 장치는 최적화 파라미터의 집합 중 성능평가지수 추정치가 가장 높은 최적화 파라미터를 추출할 수 있으며(S830), 추출한 파라미터에 포함된 개별 최적화 파라미터 값을 최적화 파라미터의 초기값으로 결정할 수 있다(S840).
파라미터 최적화 장치는 결정한 최적화 파라미터의 초기값 및 고정된 파라미터를 기초로 최적화 싸이클을 수행할 수 있으며, 이에 대해서는 도 9와 함께 후술하겠다.
도 9는 본 발명의 일 실시예에 따른 파라미터 최적화 방법을 나타낸 순서도이다.
제3 단계는 초기값을 기초로 최적화 싸이클을 수행하며 학습용 데이터 셋을 추가하는 단계일 수 있다.
도 9를 참조하면, 본 발명의 일 실시예에 따른 파라미터 최적화 장치는 우선 상술한 단계를 거처 결정한 최적화 파라미터의 값 및 고정된 파라미터의 값을 기초로 파라미터의 초기값을 설정할 수 있다(S910).
파라미터 최적화 장치는 설정한 파라미터의 값을 기초로 네트워크에 적용하여 해당 환경에 따른 성능평가지수를 산출할 수 있고(S920), 이 때의 파라미터 값 및 성능평가지수를 하나의 쌍으로 학습용 데이터 셋에 추가할 수 있다(S930). 다시 말해, 파라미터 최적화 장치는 파라미터 값 및 성능평가지수를 데이터베이스에 저장하여 추후 성능평가 모델을 재구축하는 경우 머신 러닝에 이용할 수 있다. 이에 대한 구체적인 설명은 도 10과 함께 후술하겠다.
파라미터 최적화 장치는 산출한 성능평가지수와 사용자에 의해 미리 설정된 성능평가목표지수를 비교할 수 있으며(S940), 성능평가지수가 성능평가목표지수보다 크지 않은 경우 네트워크 파라미터 최적화 알고리즘을 수행할 수 있고(S950), 파라미터 값을 알고리즘의 결과값으로 수정하여(S960), 파라미터 최적화 싸이클을 수행할 수 있다.
따라서, 파라미터 최적화 장치는 수정한 파라미터 값을 이용하여 다시 네트워크에 적용한 후 성능평가지수를 산출할 수 있고(S920), 성능평가지수가 성능평가목표지수보다 클 때까지 반복하여 수행할 수 있다. 또한, 파라미터 최적화 장치는 성능평가지수를 산출할 때마다 파라미터 값 및 성능평가지수를 데이터베이스에 저장하여 학습용 데이터 셋에 추가할 수 있다. 여기서, 파라미터 최적화 알고리즘은 통상의 파라미터 최적화 싸이클에 이용되는 알고리즘이 사용될 수 있다.
파라미터 최적화 장치는 성능평가지수가 성능평가목표지수보다 큰 경우, 해당 파라미터를 최종 최적화 파라미터로 결정할 수 있다(S970).
도 10은 본 발명의 일 실시예에 따른 성능평가 모델의 재구축 방법을 나타낸 순서도이다.
제4 단계는 추가된 학습용 데이터 셋의 변화량이 미리 설정된 값보다 큰 경우 머신 러닝을 이용하여 성능평가 모델을 재구축하는 단계일 수 있다.
도 9를 참조하면, 본 발명의 일 실시예에 따른 파라미터 최적화 장치는 상술한 제3 단계에서 추가되는 학습용 데이터 셋의 변화량을 확인할 수 있으며, 학습용 데이터 셋의 변화량 및 사용자에 의해 미리 설정된 값을 비교할 수 있다(S1010).
파라미터 최적화 장치는 학습용 데이터 셋의 변화량이 사용자에 의해 미리 설정된 값보다 큰 경우, 최적화 싸이클의 반복 횟수가 과다한 것으로 보아 기존의 학습용 데이터 셋 및 추가된 학습용 데이터 셋을 기초로 머신 러닝을 수행하여 성능평가 모델을 재구축할 수 있다(S1020).
다만, 파라미터 최적화 장치는 학습용 데이터 셋의 변화량이 사용자에 의해 미리 설정된 값보다 크지 않은 경우, 현재 성능평가 모델 및 최적화 싸이클의 반복 횟수 등이 적절한 것으로 보아 현재 성능평가 모델을 그대로 유지할 수 있다.
본 발명의 일 실시예에 따른 파라미터 최적화 장치는 상술한 동작들에 의해 네트워크 환경 변화에 따른 파라미터 최적화 싸이클의 반복 횟수를 줄여 짧은 최적화 시간을 제공할 수 있으며, 특정 조건 하의 성능평가 모델의 재구축을 통해 파라미터 최적화 성능을 지속적으로 향상시킬 수 있다.
본 발명의 실시예에 따른 동작은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 프로그램 또는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산 방식으로 컴퓨터로 읽을 수 있는 프로그램 또는 코드가 저장되고 실행될 수 있다.
또한, 컴퓨터가 읽을 수 있는 기록매체는 롬(rom), 램(ram), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다. 프로그램 명령은 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다.
본 발명의 일부 측면들은 장치의 문맥에서 설명되었으나, 그것은 상응하는 방법에 따른 설명 또한 나타낼 수 있고, 여기서 블록 또는 장치는 방법 단계 또는 방법 단계의 특징에 상응한다. 유사하게, 방법의 문맥에서 설명된 측면들은 또한 상응하는 블록 또는 아이템 또는 상응하는 장치의 특징으로 나타낼 수 있다. 방법 단계들의 몇몇 또는 전부는 예를 들어, 마이크로프로세서, 프로그램 가능한 컴퓨터 또는 전자 회로와 같은 하드웨어 장치에 의해(또는 이용하여) 수행될 수 있다. 몇몇의 실시예에서, 가장 중요한 방법 단계들의 하나 이상은 이와 같은 장치에 의해 수행될 수 있다.
실시예들에서, 프로그램 가능한 로직 장치(예를 들어, 필드 프로그머블 게이트 어레이)가 여기서 설명된 방법들의 기능의 일부 또는 전부를 수행하기 위해 사용될 수 있다. 실시예들에서, 필드 프로그머블 게이트 어레이는 여기서 설명된 방법들 중 하나를 수행하기 위한 마이크로프로세서와 함께 작동할 수 있다. 일반적으로, 방법들은 어떤 하드웨어 장치에 의해 수행되는 것이 바람직하다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
300: 파라미터 최적화 장치 310: 프로세서
320: 메모리 330: 저장 장치

Claims (20)

  1. 이동 통신 네트워크 환경의 변화에 따라 이동성 관련 파라미터(parameter)를 최적화하는 방법으로서,
    상기 네트워크 환경에 의해 결정되는 고정 파라미터, 최적화 대상인 최적화 파라미터의 집합 및 머신 러닝(machine learning)을 이용하여 구축한 성능평가 모델을 기초로 파라미터의 초기값을 결정하는 단계;
    상기 파라미터의 초기값을 상기 네트워크 환경에 적용하여 성능평가지수를 산출하는 단계; 및
    상기 성능평가지수 및 미리 설정된 성능평가목표지수를 비교하여 상기 파라미터의 초기값이 최종 최적화된 이동성 관련 파라미터 값인지를 결정하는 단계를 포함하는, 파라미터 최적화 방법.
  2. 청구항 1에 있어서,
    상기 파라미터의 초기값을 결정하는 단계는,
    사용가능한 개별 최적화 파라미터 값의 조합을 기초로 상기 최적화 파라미터의 집합을 생성하는 단계를 포함하는, 파라미터 최적화 방법.
  3. 청구항 1에 있어서,
    상기 파라미터의 초기값을 결정하는 단계는,
    상기 성능평가 모델을 통해 상기 고정 파라미터 및 상기 최적화 파라미터의 집합을 기초로 성능평가지수 추정치를 산출하는 단계를 포함하는, 파라미터 최적화 방법.
  4. 청구항 3에 있어서,
    상기 파라미터의 초기값을 결정하는 단계는,
    상기 최적화 파라미터의 집합 중 상기 성능평가지수 추정치가 가장 높은 최적화 파라미터를 추출하는 단계; 및
    상기 추출한 최적화 파라미터에 포함된 개별 최적화 파라미터 값을 파라미터의 초기값으로 결정하는 단계를 더 포함하는, 파라미터 최적화 방법.
  5. 청구항 1에 있어서,
    상기 파라미터의 초기값을 결정하는 단계는,
    데이터베이스에 저장된 학습용 데이터 셋(set)을 기초로 머신 러닝을 수행하여 상기 성능평가 모델을 구축하는 단계를 포함하는, 파라미터 최적화 방법.
  6. 청구항 5에 있어서,
    상기 학습용 데이터 셋은,
    학습용 파라미터 및 상기 학습용 파라미터에 따른 성능평가지수를 포함하는, 파라미터 최적화 방법.
  7. 청구항 5에 있어서,
    상기 파라미터의 초기값 및 상기 성능평가지수를 상기 학습용 데이터 셋에 추가하는 단계를 더 포함하는, 파라미터 최적화 방법.
  8. 청구항 5에 있어서,
    상기 최종 최적화된 이동성 관련 파라미터 값인지를 결정하는 단계는,
    상기 성능평가지수가 상기 성능평가목표지수보다 크지 않은 경우, 파라미터 최적화 알고리즘을 수행하는 단계;
    상기 파라미터 최적화 알고리즘의 결과값을 상기 네트워크 환경에 적용하여 성능평가지수를 재산출하는 단계;
    상기 재산출한 성능평가지수가 상기 성능평가목표지수보다 클 때까지 상기 파라미터 최적화 알고리즘을 수행하는 단계 및 상기 성능평가지수를 재산출하는 단계를 반복하여 수행하는 단계; 및
    상기 재산출한 성능평가지수가 상기 성능평가목표지수보다 큰 경우, 상기 파라미터 최적화 알고리즘의 결과값을 상기 최종 최적화된 이동성 관련 파라미터 값으로 결정하는 단계를 포함하는, 파라미터 최적화 방법.
  9. 청구항 8에 있어서,
    상기 최종 최적화된 이동성 관련 파라미터 값인지를 결정하는 단계는,
    상기 파라미터 최적화 알고리즘의 결과값 및 상기 재산출한 성능평가지수를 상기 학습용 데이터 셋에 추가하는 단계를 더 포함하는, 파라미터 최적화 방법.
  10. 청구항 9에 있어서,
    상기 학습용 데이터 셋의 추가에 따라 상기 학습용 데이터 셋의 변화량이 미리 설정된 값보다 큰 경우, 상기 추가된 학습용 데이터 셋을 포함하여 머신 러닝을 통해 성능평가 모델을 재구축하는 단계를 더 포함하는, 파라미터 최적화 방법.
  11. 이동 통신 네트워크 환경의 변화에 따라 이동성 관련 파라미터(parameter)를 최적화하는 장치로서,
    프로세서(processor); 및
    상기 프로세서를 통해 실행되는 적어도 하나의 명령이 저장된 메모리(memory)를 포함하고,
    상기 적어도 하나의 명령은,
    상기 네트워크 환경에 의해 결정되는 고정 파라미터, 최적화 대상인 최적화 파라미터의 집합 및 머신 러닝(machine learning)을 이용하여 구축한 성능평가 모델을 기초로 파라미터의 초기값을 결정하도록 실행되고,
    상기 파라미터의 초기값을 상기 네트워크 환경에 적용하여 성능평가지수를 산출하도록 실행되고,
    상기 성능평가지수 및 미리 설정된 성능평가목표지수를 비교하여 상기 파라미터의 초기값이 최종 최적화된 이동성 관련 파라미터 값인지를 결정하도록 실행되는, 파라미터 최적화 장치.
  12. 청구항 11에 있어서,
    상기 적어도 하나의 명령은,
    사용가능한 개별 최적화 파라미터 값의 조합을 기초로 상기 최적화 파라미터의 집합을 생성하도록 실행되는, 파라미터 최적화 장치.
  13. 청구항 11에 있어서,
    상기 적어도 하나의 명령은,
    상기 성능평가 모델을 통해 상기 고정 파라미터 및 상기 최적화 파라미터의 집합을 기초로 성능평가지수 추정치를 산출하도록 실행되는, 파라미터 최적화 장치.
  14. 청구항 13에 있어서,
    상기 적어도 하나의 명령은,
    상기 최적화 파라미터의 집합 중 상기 성능평가지수 추정치가 가장 높은 최적화 파라미터를 추출하도록 실행되고,
    상기 추출한 최적화 파라미터에 포함된 개별 최적화 파라미터 값을 파라미터의 초기값으로 결정하도록 실행되는, 파라미터 최적화 장치.
  15. 청구항 11에 있어서,
    상기 적어도 하나의 명령은,
    데이터베이스에 저장된 학습용 데이터 셋(set)을 기초로 머신 러닝을 수행하여 상기 성능평가 모델을 구축하도록 실행되는, 파라미터 최적화 장치.
  16. 청구항 15에 있어서,
    상기 학습용 데이터 셋은,
    학습용 파라미터 및 상기 학습용 파라미터에 따른 성능평가지수를 포함하는, 파라미터 최적화 장치.
  17. 청구항 15에 있어서,
    상기 적어도 하나의 명령은,
    상기 파라미터의 초기값 및 상기 성능평가지수를 상기 학습용 데이터 셋에 추가하도록 실행되는, 파라미터 최적화 장치.
  18. 청구항 15에 있어서,
    상기 적어도 하나의 명령은,
    상기 성능평가지수가 상기 성능평가목표지수보다 크지 않은 경우, 파라미터 최적화 알고리즘을 수행하도록 실행되고,
    상기 파라미터 최적화 알고리즘의 결과값을 상기 네트워크 환경에 적용하여 성능평가지수를 재산출하도록 실행되고,
    상기 재산출한 성능평가지수가 상기 성능평가목표지수보다 클 때까지 상기 파라미터 최적화 알고리즘의 수행 및 상기 성능평가지수의 재산출을 반복하여 수행하도록 실행되고,
    상기 재산출한 성능평가지수가 상기 성능평가목표지수보다 큰 경우, 상기 파라미터 최적화 알고리즘의 결과값을 상기 최종 최적화된 이동성 관련 파라미터 값으로 결정하도록 실행되는, 파라미터 최적화 장치.
  19. 청구항 18에 있어서,
    상기 적어도 하나의 명령은,
    상기 파라미터 최적화 알고리즘의 결과값 및 상기 재산출한 성능평가지수를 상기 학습용 데이터 셋에 추가하도록 실행되는, 파라미터 최적화 장치.
  20. 청구항 19에 있어서,
    상기 학습용 데이터 셋의 추가에 따라 상기 학습용 데이터 셋의 변화량이 미리 설정된 값보다 큰 경우, 상기 추가된 학습용 데이터 셋을 포함하여 머신 러닝을 통해 성능평가 모델을 재구축하도록 실행되는, 파라미터 최적화 장치.
KR1020180026743A 2018-03-07 2018-03-07 네트워크의 이동성 관련 파라미터를 최적화하는 방법 및 장치 KR102457331B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180026743A KR102457331B1 (ko) 2018-03-07 2018-03-07 네트워크의 이동성 관련 파라미터를 최적화하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180026743A KR102457331B1 (ko) 2018-03-07 2018-03-07 네트워크의 이동성 관련 파라미터를 최적화하는 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20190105947A true KR20190105947A (ko) 2019-09-18
KR102457331B1 KR102457331B1 (ko) 2022-10-21

Family

ID=68070769

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180026743A KR102457331B1 (ko) 2018-03-07 2018-03-07 네트워크의 이동성 관련 파라미터를 최적화하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102457331B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200066220A (ko) * 2018-11-30 2020-06-09 서울대학교산학협력단 비승인 상향링크 전송 기반의 무선통신시스템에서 활성 단말 검출 방법 및 장치
CN113438663A (zh) * 2020-03-04 2021-09-24 诺基亚通信公司 基于机器学习的切换参数优化
CN114244710A (zh) * 2021-12-31 2022-03-25 中国电信股份有限公司 网元参数调整方法、装置及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020074054A (ko) * 2001-03-15 2002-09-28 에스케이 텔레콤주식회사 네트워크 성능 최적화를 위한 분석 장치 및 그 방법
JP2013026980A (ja) * 2011-07-25 2013-02-04 Fujitsu Ltd パラメータ設定装置、コンピュータプログラム及びパラメータ設定方法
JP2013532431A (ja) * 2010-06-16 2013-08-15 アルカテル−ルーセント ワイヤレス通信ネットワークにおいて複数のパラメータを設定する方法
KR20130095792A (ko) * 2010-11-11 2013-08-28 노키아 지멘스 네트웍스 오와이 네트워크 관리
JP2015510379A (ja) * 2012-03-16 2015-04-02 インテル コーポレイション 無線ネットワーク内における自己最適化機能を協調的に実行するための方法および装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020074054A (ko) * 2001-03-15 2002-09-28 에스케이 텔레콤주식회사 네트워크 성능 최적화를 위한 분석 장치 및 그 방법
JP2013532431A (ja) * 2010-06-16 2013-08-15 アルカテル−ルーセント ワイヤレス通信ネットワークにおいて複数のパラメータを設定する方法
KR20130095792A (ko) * 2010-11-11 2013-08-28 노키아 지멘스 네트웍스 오와이 네트워크 관리
JP2013026980A (ja) * 2011-07-25 2013-02-04 Fujitsu Ltd パラメータ設定装置、コンピュータプログラム及びパラメータ設定方法
JP2015510379A (ja) * 2012-03-16 2015-04-02 インテル コーポレイション 無線ネットワーク内における自己最適化機能を協調的に実行するための方法および装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200066220A (ko) * 2018-11-30 2020-06-09 서울대학교산학협력단 비승인 상향링크 전송 기반의 무선통신시스템에서 활성 단말 검출 방법 및 장치
CN113438663A (zh) * 2020-03-04 2021-09-24 诺基亚通信公司 基于机器学习的切换参数优化
CN114244710A (zh) * 2021-12-31 2022-03-25 中国电信股份有限公司 网元参数调整方法、装置及电子设备

Also Published As

Publication number Publication date
KR102457331B1 (ko) 2022-10-21

Similar Documents

Publication Publication Date Title
US20200267579A1 (en) Facilitating enhanced beam management in a wireless communication system
CN107547154B (zh) 一种建立视频流量预测模型的方法及装置
KR101382556B1 (ko) 반복 리소스 가중치들의 업데이트를 이용한 통신 시스템 내의 노드들에 리소스들을 할당하기 위한 장치 및 방법
CN109740755B (zh) 一种基于梯度下降法的数据处理方法及相关装置
KR102457331B1 (ko) 네트워크의 이동성 관련 파라미터를 최적화하는 방법 및 장치
CN114303347A (zh) 通信网络中与机器学习相关的方法、装置和机器可读介质
US20200267627A1 (en) Facilitating compact signaling design for reserved resource configuration in wireless communication systems
US11201712B2 (en) Facilitating incremental downlink control information design to support downlink control information scheduling
US11296854B2 (en) Facilitating a mobile device specific physical downlink shared channel resource element mapping indicator
CN112311600A (zh) 基于网络数据分析的策略建议生成方法、装置
KR20230043896A (ko) 기지국의 에너지를 절약하기 위한 처리 방법 및 처리 장치
Hu et al. A study of LTE network performance based on data analytics and statistical modeling
CN111163482A (zh) 数据的处理方法、设备及存储介质
WO2017193991A1 (zh) 码本配置的选择方法及执行该方法的电子设备
KR20230041031A (ko) 전력 제어 방법, 장치, 통신 노드 및 저장 매체
JP2016208504A (ja) ネットワークパラメータの決定方法及び決定装置
CN109413170B (zh) D2d种子节点集群生成方法、可读存储介质和终端
CN106332166B (zh) 语音质量评估方法及装置
CN106533715B (zh) 一种数据分析方法及系统
KR20190127480A (ko) 통신 시스템에서 전송 포인트 및 링크 적응 방식을 결정하기 위한 방법 및 장치
CN110049339A (zh) 图像编码中的预测方向选取方法、装置和存储介质
US20160255524A1 (en) Communication monitoring system, communication monitoring method, and communication monitoring device
WO2024099175A1 (zh) 一种算法管理方法和装置
WO2019052441A1 (zh) 一种用于生成扩展符号的方法及装置
CN116599862B (zh) 通信方法、分析网元和通信系统

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