KR20200005415A

KR20200005415A - 네트워크 구성과 관련된 개선

Info

Publication number: KR20200005415A
Application number: KR1020187032648A
Authority: KR
Inventors: 유에 왕; 다니엘 안솔레구이 로베테; 마지아르 네코비
Original assignee: 삼성전자주식회사
Priority date: 2016-06-02
Filing date: 2017-06-05
Publication date: 2020-01-15
Also published as: KR102279013B1; GB2551124B; GB2551124A; US10396923B2; WO2017209578A1; GB201609692D0; US20170353260A1

Abstract

본 발명은 LTE(Long Term Evolution)와 같은 4G(4th generation) 통신 시스템 이후 보다 높은 데이터 처리량을 지원하기 위해 제공되는 5G(5th generation) 또는 pre-5G 통신 시스템에 관련된 것이다. 복수의 기지국과 적어도 하나의 단말을 포함하는 복수의 네트워크 요소들 중 적어도 하나로부터 운영 파라미터를 나타내는 데이터를 획득하는 동작, 상기 운영 파라미터를 나타내는 데이터를 기초로 상기 적어도 하나의 단말과 상기 복수의 기지국 사이의 연결을 위한 맵핑 정보를 결정하는 동작 및 상기 적어도 하나의 단말로 상기 맵핑 정보를 전송하는 동작을 포함하는 통신 네트워크의 관리 방법이 개시된다.

Description

네트워크 구성과 관련된 개선

본 발명은 이동 단말들 또는 UE(user equipment)가 기지국과 연관되는 방식에 있어서의 개선과 관련된 것이다. 좀 더 상세하게는, 5G는 상술 방식과 관련하여 특별한 문제점을 제기하며, 본 발명은 이러한 문제점을 해결한다.

4G(4th generation) 통신 시스템 상용화 이후 증가 추세에 있는 무선 데이터 트래픽 수요를 충족시키기 위해, 개선된 5G(5th generation) 통신 시스템 또는 pre-5G 통신 시스템을 개발하기 위한 노력이 이루어지고 있다. 이러한 이유로, 5G 통신 시스템 또는 pre-5G 통신 시스템은 4G 네트워크 이후(Beyond 4G Network) 통신 시스템 또는 포스트 LTE시스템(post long term evolution system) 시스템이라 불리고 있다.

높은 데이터 처리량을 달성하기 위해, 5G 통신 시스템은 28기가헤르츠 (28GHz) 또는 60기가헤르츠 (60GHz) 대역과 같은 초고주파(mmWave) 대역 에서의 구현이 고려되고 있다. 무선 전파의 경로손실을 완화하고 전송 거리를 증가시키기 위해, 5G 통신 시스템에서는 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input multiple-out)), 전차원 다중 입출력(Full Dimensional MIMO, FD-MIMO), 어레이 안테나(array antenna), 아날로그 빔 형성(analog beam-forming), 및 대규모 안테나(large scale antenna) 기술들이 논의되고 있다.

또한, 5G 통신 시스템에서, 진화된 소형 셀, 클라우드 무선 액세스 네트워크(cloud radio access network, cloud RAN), 초고밀도 네트워크(ultra-dense network), 기기 간 통신(D2D(device to device) communication), 무선 백홀(wireless backhaul), 이동 네트워크 (moving network), 협력 통신(cooperative communication), CoMP(coordinated multi-points), 및 수신단 간섭제거 (reception-end interference cancellation) 등에 기초하여 시스템 네트워크 개선이 진행되고 있다.

5G 시스템에서는, 진보된 코딩 변조(Advanced Coding Modulation, ACM)로서 FQAM(hybrid frequency shift keying and quadrature amplitude modulation) 및 SWSC(sliding window superposition coding)과 진보된 접속 기술로서 FBMC(filter bank multi carrier), NOMA(non orthogonal multiple access), 및 SCMA(sparse code multiple access) 등이 개발되고 있다.

종래의 셀룰러(cellular) 네트워크는 사용자 장치(user equipment, UE)가 일반적으로 하나 또는 다수의 서빙 셀들(serving cells)과 연결된다는 관점에서 '셀 중심적'이고, 그 결과로 주어진 BS에 의해 가장 높은 SINR(signal to interference and noise ratio)이 제공될 수 있다. UE가 이 BS의 셀 에지(edge)에 접근함에 따라, UE와 BS 사이의 링크 품질은 증가된 경로 손실 및 셀간 간섭(inter-cell interference, ICI)에 의해 현저하게 저하된다. 이와 같은 링크 성능의 저하는 특히 네트워크가 간섭에 의해 제한되는 경우에, 전통적인 셀-중심적 배치에 제한 요소가 된다.

방대한 양의 사용자에게 유비쿼터스 서비스(ubiquitous service)를 제공하고자 하는 5G 네트워크는 네트워크 및 UE 수준에서의 고밀도화를 위해 설계되었다. 특히 5G의 핵심 기술 중 하나인 네트워크 가상화는 네트워크의 핵심 요소를 셀들에서 UE들로 이동시켜 소위 '장치 중심' 구조로 만든다. 보다 전통적인 셀-중심 네트워크와는 대조적으로, 장치-중심 네트워크는 다수의 액세스 포인트 (본 명세서에서는 기지국 또는 BS(base station)라고 함)로 둘러싸일 수 있는 UE에 초점을 맞추고 있다. 네트워크 관점에서 볼 때, BS는 매우 조밀하게 배치되기 때문에 ICI는 심각한 문제가 된다. 다른 한편으로, UE는 이제 어떤 BS에 접속할 지에 대한 다수의 옵션(option)을 갖기 때문에, 하나 또는 복수의 BS들과 연관되는 UE의 결과로 야기될 수 있는 간섭을 염두에 두고, 전체 네트워크에 대한 더 나은 성능을 달성하기 위해 UE를 어느 BS와 연관시킬 것인지에 관한 문제가 있다.

종래의 셀-중심 네트워크에서의 노드 결합은 전형적으로 수신된 신호 강도 표시자(RSSI) 스캔 및 수신된 신호 강도에 기초한 셀들의 랭크와 같은 UE 측에서 측정을 수행함으로써 달성된다. 다시 말해, 종래의 셀-중심 네트워크에서, 네트워크는 개별 UE에 대해 가장 높은 SINR을 제공하는 BS (또는 접속을 나타내는 신호를 UE에 송신하는 BS)에 접속하도록 UE에 명령한다. 이러한 메커니즘은 종래의 셀-중심 네트워크에서는 다소 효과적인데, 왜냐하면 하나의 기지국으로부터 상대적으로 높은 신호를 수신하는 UE는 다른 BS로부터 높은 간섭을 받을 가능성이 작기 때문이고, 큰 셀 크기에 기인하여 간섭하는 BS와 UE 간의 거리가 충분히 커서 경로 손실로 인해 간섭 전력이 충분히 작기 때문이다.

UE 및 BS가 고도로 조밀화된 장치-중심 네트워크에서, UE는 다수의 인접한 BS를 가지며, 비-서빙(non-serving) BS로부터 상당한 간섭을 또한 수신할 수 있다. 결과적으로, 가장 가까운 또는 가장 높은 개별적인 SINR을 제공하는BS에 UE를 연관시키는 종래의 메커니즘은 밀도가 높은 장치-중심 네트워크에서 문제를 일으킬 수 있고, 이러한 문제는 인접한 모든 UE들에 악영향을 미칠 수 있고, 전체 네트워크의 성능을 저하시킬 수 있다.

매우 단순화된 모델을 사용하여, 전술한 문제가 도 1에 도시되어 있다. 도 1에서, 3개의 주변 기지국을 갖는 2개의 UE, UE1 및 UE2를 고려한다. 실제적으로, UE 및 BS는 훨씬 더 많을 수 있지만, 간략화를 위해, 이 예는 충분할 수 있다. 두꺼운 선으로 도시된 것처럼 UE2가 이미 BS2에 연결되어 있다고 가정한다. 이제, UE1이 네트워크에 진입하고, 연결할 BS를 찾고 있다. BS1이 UE1에 가장 높은 SINR을 제공한다고 가정한다. 종래 기술의 솔루션에서, 네트워크는 UE1과의 연결을 나타내는 신호를 보내도록 BS1에 지시한다. 그러나, 이러한 상황에서, UE2는 점선으로 도시된 바와 같이, BS1의 다운 링크(downlink) 전송으로부터 비교적 높은 수준의 간섭을 수신하고, 이는 전체 네트워크 처리량을 저하시키는 효과를 가지며, 이는 UE2의 SINR이 현저하게 저하된 것에 기인한다. 즉, UE1에 대한 개별적인 SINR을 최대화하는 최선의 선택은 BS1에 연결하는 것이지만, 이것이 예를 들어, 네트워크 내의 모든 UE의 평균 처리량에 의해 표시되는 전체 네트워크에 대한 최대 처리량을 달성하는 측면에서 최적의 선택이라는 것을 반드시 의미하는 것은 아니다. 또한, UE2가 수신하는 서비스가 새로운 UE-UE1의 진입으로 인하여 방해될 수 있다는 점에서 UE2에 공정하지도 않다. 도 1에서, BS는 다운 링크 전송을 위해 빔 포밍 기술을 사용할 수 있다.

다른 시나리오를 도시하는 도 2를 참고한다. UE1이 BS3에 연결된다면, (BS1에 연결된 것 비교하여) 가장 높은 개별 SINR을 달성하지 못할 수 있다. 그러나, UE2가 현저히 적은 간섭을 수신함에 따라, 전체 네트워크 관점에서 보다 높은 네트워크 처리량이 기대될 수 있다. UE2로 지향된 BS2 및 UE1으로 지향된 BS3으로부터의 전송 빔들은 중첩되지 않고, 도 1에 도시된 시나리오보다 훨씬 낮은 간섭을 초래한다는 것을 알 수 있다.

도 1 및 도 2는 또한 전체 네트워크의 운영(operation)을 감독하는 네트워크 관리 유닛(network management unit, NMU) (10)을 도시한다. 특정 네트워크 요구사항에 따라 많은 다양한 형태 중의 하나 또는 그 이상으로 구현될 수 있다.

위의 예는 가상화된 장치-중심 네트워크에서 UE 연관의 문제를 도시하는데, (서로 간 및 UE들과 관련하여) UE들의 위치, UE들에 의해 경험한 채널에 따라, 단지 개별 UE의 최대 처리량보다는 전체 네트워크의 최적 처리량이 달성될 수 있는 '최상의' 또는 적어도 “더 좋은” 연관 메커니즘(mechanism)이 존재하다.

그러나, 이러한 최적의 해결책을 얻는 것은 중요하다. 특히, 각 BS와 UE 쌍 사이의 매우 동적인 채널들에 추가하여, 네트워크 내에서 많은 수의 UE들이 진입하고, 나가고, 이동함에 따라 네트워크가 매우 동적이라는 사실을 고려하면, 환경을 모델링하는 것은 매우 어렵다. 최적의 사용자 결합에 대한 해결책이 검토되어 왔지만, 실제 셀룰러 네트워크에 적용하는 것을 고려할 때 많은 문제점이 있다. 주요한 문제점들 중 하나는 채널들 또는 UE들의 위치 및 활동들 (예를 들어, 네트워크에 들어오거나 떨어져 나가는)에 변화가 없는 정적 네트워크를 고려함으로써 최적화가 공식화되고 해결된다는 것이다. 최적화 알고리즘이 해결책에 도달하는 시간에 네트워크는 대폭 변경되어 해결책이 더 이상 최적이 아니므로 매우 비실용적이다.

네트워크 스케줄링(scheduling)이 동시 전송들에 기인한 간섭을 어느 정도 완화시킬 수 있지만, BS들과 UE들 간의 전송은 상이한 시간 순간들에 할당되어야 한다. 대규모 데이터 전송이 요구되는 5G에서, 그러한 시분할 스케줄링 방법은 지연 (따라서 더 높은 대기시간(latency))을 유발할 것이고, 더 복잡한 스케줄링 메커니즘들을 필요로 하며, 이는 비실용적이다.

초기 접속에서 CoMP(coordinated multipoint BS)를 사용하는 것이 가능하며, UE는 네트워크에 진입할 때, 예를 들어 모든 잠재적 BS들에 연결하고 그 결과로 생성되는 순간적인 전체 네트워크 처리량에 따라 접속할 '최고의' BS를 결정할 것이다. 이러한 초기 접속 메커니즘은 3가지 단점을 갖는다: 1) UE가 네트워크에 진입할 때마다, UE는 어떤 연결이 가장 높은 네트워크 처리량을 제공하는 지를 알기 위해 가능한 모든 BS 연결을 시도하여야 한다. 2) 연결 결정은 네트워크 처리량의 순각적인 지식을 기반으로 한다. 통상의 기술자는 이러한 결정이 (시간에 대해 평균화된) 가장 높은 평균 네트워크 처리량을 달성한다는 관점에서 최적이 아니라는 것을 이해할 것이다; 3) 가능한 모든 BS를 시도하는 복잡성은 특히 BS 수가 많은 장치-중심 네트워크에서는 금지된다. 예를 들어, N 개의 BS를 갖는 네트워크에 대해, 하나의 UE는 네트워크에 진입할 때, 결정을 위하여 N개의 가능한 연결을 시도하여야 한다 (그리고 이 가능한 연결에 기인한 모든 다른 UE들의 연결 품질에 대한 지식을 요구한다). BS의 수가 증가함에 따라, 이것은 급속하게 비현실적이게 된다.

다양한 실시예들에 따르면, 통신 네트워크를 관리하는 방법은 복수의 기지국들과 적어도 하나의 단말을 포함하는 복수의 네트워크 요소들 중 적어도 일부로부터 운영 파라미터를 나타내는 데이터를 획득하는 동작, 상기 운영 파라미터를 나타내는 데이터를 기초로 상기 적어도 하나의 단말과 상기 복수의 기지국 사이의 연결을 위한 맵핑 정보를 결정하는 동작 및 상기 적어도 하나의 단말로 상기 맵핑 정보를 전송하는 동작을 포함한다.

다양한 실시예들에 따르면, 통신 네트워크를 관리하는 장치는 송수신기 (transceiver) 및 상기 송수신기와 동작적으로 결합된 적어도 하나의 프로세서를 포함한다. 상기 적어도 하나의 프로세서는 복수의 기지국들과 적어도 하나의 단말을 포함하는 복수의 네트워크 요소들 중 적어도 일부로부터 운영 파라미터를 나타내는 데이터를 획득하고, 상기 운영 파라미터를 나타내는 데이터를 기초로 상기 적어도 하나의 단말과 상기 복수의 기지국 사이의 연결을 위한 맵핑 정보를 결정하고, 상기 적어도 하나의 단말로 상기 맵핑 정보를 전송하도록 제어하도록 구성된다.

본 발명의 실시예들은, 여기서 언급되었든 아니든 상관없이, 종래 기술의 단점을 해결하는 것을 목적으로 한다.

본 발명에 따르면, 첨부된 청구항들에서 제시된 방법 및 장치가 제공된다. 본 발명의 다른 특징들은 종속 청구항들 및 후술되는 설명으로부터 명백할 것이다.

본 발명의 상세한 설명 및 그 이점을 보다 완전하게 이해하기 위해, 유사한 도면 부호가 유사한 부분을 나타내는 첨부된 도면과 관련하여 취해진 다음의 설명이 참조된다.
도 1 및 2는 본 발명의 다양한 실시예에 따른 네트워크에 진입하는 새로운 UE(user equipment)의 문제에 대한 예들을 도시한다.
도 3은 본 발명의 다양한 실시예들에 따른 접근 방식의 일 예를 도시한다.
도 4 내지 6은 본 발명의 다양한 실시예들에 따른 네트워크 프로토콜의 예들을 도시한다.
도 7은 본 발명의 일 실시예에 따른 비교 결과의 일 예를 도시한다.

아래의 상세한 설명을 하기 전에, 이 특허 문헌 전체에 걸쳐 사용된 특정 단어들 및 어구들의 정의를 기술하는 것이 유리할 수 있다: 용어 "포함하는" 및 그 파생어들은 제한없이 포함함을 의미한다. 용어 "또는"은 "및/또는"의 의미를 포함한다. 어구 "와 관련된" 및 그 파생어들은 포함하거나, 내에 포함되거나, 상호 연결하거나, 포함하거나, 내에 포함되거나, 연결되거나, 결합되거나, 통신 가능하거나, 상호 작용하거나, 인터리브(interleave) 되거나, 나란히 놓이거나, 가까이 있거나, 한정되거나, 가지거나, 특성을 가지거나, 관련을 가지는 것 등의 의미를 가진다. 용어 "제어기"는 적어도 하나의 동작을 제어하는 장치, 시스템 또는 그 일부를 의미하고, 이러한 제어기는 하드웨어, 펌웨어, 소프트웨어 또는 이들의 적어도 2개의 조합으로 구현될 수 있다. 특정 제어기와 관련된 기능은 중앙 집중일 수 있고 또는 로컬 또는 원격으로 분산될 수 있다. 특정 단어들 및 어구들에 대한 정의들이 이 특허 문헌 전체에 걸쳐 제공되며, 통상의 기술자들은 대부분의 경우는 아니지만 많은 경우에 그러한 정의가 그렇게 정의된 단어들 및 어구들의 이전 사용뿐만 아니라 미래 사용에도 적용될 수 있다는 것을 이해하여야 한다.

본 특허 문헌에 개시된 본원 발명의 원리를 설명하기 위해 사용된 다양한 실시예 및 후술되는 도 1 내지 도 7은 단지 설명을 위한 것이고 어떠한 방식으로도 본 발명의 범위를 제한하는 것으로 해석되어서는 안된다. 통상의 기술자는 본 발명의 원리가 임의의 적절히 배치된 네트워크 구조에서 구현될 수 있다는 것을 이해할 것이다.

본 발명의 일 실시예에 따르면, 온라인 학습 알고리즘을 이용한 최적 BS(base station)/UE(user equipment) 연관 메커니즘이 제공되며, 상기 UE들은 환경 및 과거 경험을 관찰하고 학습하며, 시간이 지나면서 평균 네트워크 처리량이 최적화되도록 행동들을 점차로 조종한다. 최적 상태는 기계학습을 사용하여 달성된다. 특히, 환경으로부터 학습할 수 있는 알고리즘의 연구와 구성을 탐구하는 Q 학습 메커니즘(Q-learn mechanism)이 제공된다.

기계학습은 패턴 인식과 같은 특정 분야들에서 매우 유용함이 입증되었다. 그러나 셀룰러 네트워크(cellular networks) 분야에서 기계학습을 사용하는 것은 널리 적용되지 않고 있다. 5G 네트워크가 점점 역동적으로 변해가고 있으며, 예를 들어 차량 통신 및 산업 자동화를 포함하는 다양한 수직 차원에서 계속 확장될 것으로 예상된다. 이러한 확장은 5G 네트워크에서 환경과 트래픽(traffic)을 모델링하는 것을 어렵게 하고, 그에 따라 기존 도구 또는 기술을 사용하여 최적화 문제들을 공식으로 표현하는 것이 불가능하다. 그러나 기계학습은 환경을 광범위하게 모델링할 필요없이 성능을 최적화하는 효율적인 방법을 제공할 수 있다는 것이 알려졌다.

이 출원 문헌 전반에 걸쳐, 평균 네트워크 처리량은 네트워크 품질을 나타내는 일 예로 제시된 것입니다. 통상의 기술자는 그러한 네트워크 품질 메트릭 (network quality metric)이 네트워크 용량, 커버리지 (확률), 평균 SINR, QoS 등과 같은 다양한 상이한 형태일 수 있다는 것을 쉽게 이해할 것이다.

본 발명의 실시예들은 평균 네트워크 처리량이 최대화되거나 최적화되도록 밀도가 높은 셀룰러 네트워크에서 BS/UE 연관 방법을 이용한다. 이 방법은 모바일 장치(mobile device)의 인지된 성능(SINR/처리량)을 나타내는 데이터 및 위치를 획득하는 동작과, 적어도 인지된 성능을 나타내는 데이터 및 네트워크의 현재 처리량을 나타내는 데이터를 입력으로 사용하는 네트워크 관리 알고리즘을 실행하는 동작과, 네트워크 관리 알고리즘의 출력에 기초하여, 어느 BS들과 연관되어야 하는 지의 관점에서 모바일 장치들에 지시를 동적으로 제공하는 동작을 포함한다.

네트워크 관리 알고리즘은 Q 학습 기술에 기초한다. 예를 들면, UE들의 위치들 및 전송 빔들, UE와 BS들 간의 채널(channel), 및 랜덤 경로 손실 및 잡음과 같은 변화하는 환경에 따라 모바일 장치를 온라인으로 학습하고 지시하여, 전체 네트워크의 최대 처리량이 시간이 지남에 따라 달성될 수 있다.

본 발명에서 설명하는 네트워크 관리 알고리즘의 목적은 네트워크에 존재하는 UE들 및 BS들의 위치, 랜덤 채널 및 경로 손실들, 데이터를 송신하기 위해 UE들에 의해 사용되는 빔들을 포함하는 현재 및 과거 환경이 주어질 때 어떤 BS를 연관시킬지를 UE에게 알려주어 전체 네트워크의 최대 처리량이 달성되도록 한다는 것이다.

본 발명의 일 실시예에 따른 운영 모드의 일례에서, 복수의 동작들이 포함된다: (1) 본 발명이 예시적인 일 실시예로 설명하었지만, 다양한 변경 및 수정이 통상의 기술자에게 제안될 수 있다. 본 발명은 첨부된 청구항들의 범위에 그러한 변경 및 수정을 포함하는 것을 의도한다. 네트워크는 과거의 UE들의 경험으로부터 데이터를 수집한다. 이러한 데이터의 예는 위치, 전송에 사용되는 빔 패턴 및 개별 UE의 달성된 처리량을 포함한다 (UE가 이 정보를 네트워크에 피드백(feedback) 할 것이 요구된다); (2) 각 UE는 그러한 데이터를 네트워크 관리 알고리즘에 대한 입력으로서 중앙 네트워크 관리 유닛 (network management unit, NMU)에 피드백한다; (3) 네트워크 관리 유닛은 알고리즘을 실행하고, UE에게, 어떤 BS와 연관시킬지를 UE에게 구체적으로 지시하는 '행위(action)'을 UE에 출력한다. 일부 실시예들에서, NMU는 네트워크 내의 UE들과 BS들 간의 연결을 위한 매핑 정보를 UE들로 전송한다.

예를 들어, BS1 ~ BS4와 같은 네 개의 BS를 포함하는 네트워크가 있는 시나리오를 생각하자. 또한, BS1 내지 BS3과 각각 연관된 3 개의 UE, 즉 UE1 내지 UE3이 있다. 새로운 UE가 네트워크에 진입하고, 본 발명의 일 실시예가 새로운 UE가 어느 BS와 연관될 것인지를 알려주기 위해 네트워크 관리 알고리즘을 사용하는 경우를 고려한다. 이전에 언급된 철저한 검색 방법에서, UE는 이용 가능한 BS의 각각에 접속하고, 각 경우에 네트워크 처리량을 얻으려고 시도할 수 있고, 그 다음에 UE가 연결할 수 있는 BS를 결정하려고 시도할 수 있다. 이러한 휴리스틱(heuristic) 방법은 실제 셀룰러 네트워크에서, 결정이 되기까지의 시간동안 환경이 크게 변경되어 과거의 경험으로부터 획득한 최적의 연결이 더 이상 최적이 아닐 수 있다는 것을 언급하지 않더라도, 견딜수 없는 대기 시간(latency), 오버 헤드 및 연결 전환으로 인해 문제가 된다.

본 발명의 일 실시 예에서, 제1 데이터는 개별 UE의 달성된 처리량, 전송에 사용되는 빔 패턴 및 위치를 포함하여 수집된다. 특히, 각각의 개별 UE (예를 들어, i 번째 UE)의 달성된 처리량은 다음과 같이 주어진 이 UE에 의해 수신된 SINR의 함수로서 고려된다:

여기서,

상기 수학식에서, P_t는 다운 링크(downlink) 전송 전력이고, G_BF는 코드북에 규정된 주어진 빔 패턴을 사용함으로써 얻어진 빔 포밍 이득이고, PL은 랜덤 변수이고 UE와 서빙(serving) BS 사이의 상대적 위치의 함수인 경로 손실이다. 또한, 개별적인 UE의 SINR은 BS들의 위치(

), UE들의 위치(

), 각각의 BS-UE 쌍에 적용된 빔 패턴들(

), 경로 손실 성분(

) 및 채널(

)의 함수인데, (BS의 위치를 제외하고) 모두 동적으로 변화하고 랜덤 변수(random variable)로 취급된다.

또한 위의 방정식에서 노이즈 항은 다음과 같이 나타낼 수 있다:

여기서 K는 볼츠만 상수(Boltzmann constant)이고, T는 잡음 온도이고, B는 대역폭(bandwidth)이다.

또한, 간섭 항 I는 간섭하는 BS들로부터 수신된 신호의 합이고 다음과 같이 나타낼 수 있다.

결과적으로, 위에 설명된 절차의 단계 1에서, 각 UE에 대한 처리량 R_i는 다음의 함수로서 수집된다: BS들의 위치들; UE들의 위치들 (무작위로 분포됨); UE들에 사용되는 빔 패턴들; UE와 BS들 간의 경로 손실; 및 UE와 BS 사이의 채널.

이들 파라미터들은 모두 함께 네트워크 관리 유닛에 대한 입력으로 고려되며, 이는 도 3에 개념적으로 도시된다. 이는 위에서 언급한 입력들이 네트워크 관리 유닛(NMU)(10)에 공급된다는 것을 보여준다. NMU는 관리 기능을 제공하고, BS들과의 UE들의 연관을 감독하는 중앙 네트워크 엔티티(entity)이다. NMU (10)는 하나 이상의 알려진 네트워크 구성 요소의 형태를 취할 수 있다. NMU의 기능은 중앙 집중식 RAN (C-RAN) 개념에서 노드-C(클라우드 컴퓨팅을 가진 노드) 또는 종래의 LTE 셀룰러 네트워크에서의 이동 관리 엔티티(mobility management entity, MME)로 고려되는 것과 (적어도 부분적으로) 닮을 수 있다. 이하 및 이 출원 명세서의 전반에 걸쳐, NMU는 전술한 기능들이 그 속으로 통합되는 이러한 공지된 구성 요소 중 하나와 관련될 수 있으며, 또는 NMU는 미래의 5G 네트워크에서 새로운 네트워크 구성 요소가 될 수 있다.

도 3의 개념적인 설명에서, NMU (10)는 알고리즘을 실행하고 적절한 시스템 엔티티들을 직접 메시징(messaging)함으로써 UE 및 BS의 연관을 제어한다. 일부 실시예들에서, UE들과 BS들의 연관은 네트워크에서 UE들과 BS들 간의 연결을 위한 맵핑 정보로 칭해질 수 있다. 그러나 알고리즘을 실행하는 데 필요한 지능(intelligence)은, 실제로는, 네트워크 전체에 분산될 수 있으며 호스트 네트워크의 특정 요구 사항에 따라 하나 또는 그 이상의 네트워크 엔티티들에 상주할 수 있다.

도 3에서 알 수 있는 바와 같이, BS/UE로부터 NMU(10)로의 피드백 경로에 의해, 알고리즘은 현재의 연관에 관련된 정보를 모으고, 미래의 연관들을 개선하기 위해 이 정보를 사용한다.

단계 2에서, 네트워크 관리 유닛은 다음 식으로 주어지는 행위 a_t에 따라 주어진 시간 t에서 네트워크의 평균 처리량이라는 '보상'의 추정치를 제공하는 Q-학습 알고리즘을 수행한다:

여기서

은 학습률(learning rate)이고, R_t는 주어진 현재의 환경 및 BS-US 쌍의 연결, 즉 행위 a_t에서의, 여기서는 즉각적인 네트워크 처리량으로 나타내는, 즉각적인 보상이다. 행위들은 어느 BS가 연결되었는 지를 나타내는 실수(real valued number)로 정의된다. 예를 들면, a_t=3은 3번째 BS에 연결하는 UE의 행위를 나타낸다.

주어진 시간 t에서 취해지는 행위들은 파라미터

에 의존한다.

일 때, 네트워크 관리 유닛은 다음 식에 따라 최적 행위, 즉 이 시간 t에서 최대 처리량을 산출하는 연결을 취한다:

일 때, 알고리즘은 무작위로 행위들 중 하나를 선택할 것이고, 따라서 알고리즘은 모든 가능한 동작들, 즉 소위 탐색 단계를 스윕(sweep)하고 평가할 기회를 갖는다.

단계 3에서, 네트워크 관리 유닛은 취해진 행위들을 출력하고 그에 따라 동작하도록 UE/BS에 지시한다.

이 절차는 도 3에 도시되어 있으며, 여기서 단계 1로부터 수집된 입력은 네트워크 관리 유닛(10)에 입력으로 주어지고, 네트워크 관리 유닛(10)은 (단계 2에서와 같이) Q-학습 알고리즘을 수행하고, BS와 UE 사이에 형성될 연결들에 대해 그들에게 지시하는 행위들을 BS 또는 UE에 출력한다. BS 및 UE에 적용될 때 행위들 (연결 패턴)의 결과는 현재 네트워크 처리량 및 장래, 즉 다음 시간 인스턴스(instance)에 취할 행위들에 대한 결정에 영향을 미친다.

알고리즘은 UE 측에서 실행되거나 또는 코어 네트워크의 일부로서 위치되는 네트워크 관리 유닛(10)에 의해 실행될 수 있다. 대안적으로, 네트워크 관리 알고리즘을 수행하는 기능은 필요에 따라 네트워크 전체에 분산될 수 있다. 이에 대한 자세한 내용은 나중에 설명한다.

각 경우에, 알고리즘이 안정적이고 신뢰할 수 있는 방식으로 유리한 행위를 출력하기 전에 훈련(학습) 단계가 필요하다.

다음 설명은 새로운 UE가 네트워크에 진입하고 알고리즘이 네트워크 관리 유닛(10)에서 실행되는 시나리오를 고려할 것이다.

학습 단계에서, 상이한 위치에 있는 UE들은 BS에 대한 상이한 연결들을 시도한다. 선행 기술의 접근법과 달리, UE들은 가능한 모든 연결들을 철저히 시도하지 않으며, 이 단계에서 '최선'의 선택을 만들려고 하지도 않는다. UE들은 단순히 하나의 연결을 무작위로 선택할 수 있다 (Q-학습 용어로는 소위 '탐색(exploration)'임). 훈련 단계의 목적은 네트워크가 (BS들의 위치, (무작위로 배치된) UE들의 위치, UE들을 위해 사용되는 빔 패턴들, UE와 BS들 사이의 경로 손실, UE와 BS들 간의 채널을 포함하는) 입력과 출력(이 시간 인스턴스에서의 네트워크 처리량) 사이에서 (Q-학습 용어로는 '착취(exploitation)'인) 학습할 수 있는 충분한 지식을 가지도록 허용하는 것이다.

학습 단계 후에, 네트워크 관리 유닛(10)은 상대적으로 안정한 (및 최대) 평균 네트워크 처리량을 유지하는 행위를 UE에 출력할 수 있다. 특히, 관리 유닛은 주어진 시간에서, (1) UE들로부터의 현재 입력 (예를 들어, 새로운 UE의 위치 및 채널 정보)를 관찰하고; (2) 이 시간 인스턴스에 대해 (UE에 대해 어느 BS를 연결할 것인지의 관점에서) 행위

를 선택하고 수행하는데, 랜덤하게 생성된 실수 값이

보다 작으면 모든 UE들의 순간적인 네트워크 처리량을 최대화하는 행위를 선택('착취')한다. 그렇지 않으면, 무작위로 선택('탐색')하고; (3) 이 시간 인스턴스Rt에 대한 즉각적인 '보상'을 받는다 (이 경우, '보상'은 선택된 행위로 인한 네트워크 처리량이다); 그리고 (4) 다음 시간 인스턴트를 위한 행위를 결정하는데 사용되는 다음 시간 인스턴스 Q_t+1에 대한 평균 네트워크 처리량을 계산한다.

네트워크 프로토콜에서의 상기 절차의 일 예가 도 7에 도시되어 있는데, 여기서 UE들은 각각 자신의 정보를 업데이트하고, 그들 각각의 정보를 BS에 보고하고, 이 정보들은 학습을 수행하고 나아가 UE에 지시하도록 BS에 대한 네트워크 관리 유닛(10)에 제공된다. 도 7에 도시된 예에서 학습 단계는 약 200 회 실행되며, 이는 전체적인 효과를 보여주는 데 충분한 숫자이다.

도 7은 단지 일 실시예일 뿐이며, 환경 파라미터들의 수집은 UE 또는 BS에서 발생할 수 있고, 이들 파라미터들의 통신은 UE와 네트워크 관리 유닛 (10) 사이에서, BS와 네트워크 관리 유닛 사이에서, UE와 BS 사이에서, 또는 UE와 UE 사이에서 이루어질 수 있고, 결국 BS 또는 네트워크 관리 유닛(10)으로 이어진다. 이들 프로토콜의 상이한 실시예가 각각 도 4 내지 6에 도시되어 있다. 통상의 기술자는 여전히 다른 변형 예가 존재할 수 있음을 이해할 것이며, 이들 모두는 첨부된 청구항의 범위 내에 속한다.

도 4 내지 6은 본 발명의 실시예들에 따른 예시적인 네트워크 프로토콜을 도시한다.

도 4는 UE가 이전에 그리고 도시된 바와 같이 네트워크 내의 BS에 특정 파라미터들에 관한 정보를 제공함을 도시한다. 이 단계에서 같이 통신하는데 사용되는 BS는 UE가 결국 연관되는 BS 일 필요는 없다는 것을 유의해야한다; UE가 정보를 네트워크로 전달할 수 있게 하는 통로일 뿐이다.

BS는 학습 알고리즘을 수행하기 위해NMU가 요청하는 다운링크 채널들, 빔 패턴 등과 같은 환경 및 위치의 추가적인 정보로 UE에 의해 제공된 정보를 보충한다.

그 후, 전체 정보가 BS에 의해 NMU로 전달되는데, NMU는 학습 알고리즘을 수행하고, 학습 알고리즘에 의해 결정된 바에 따라 하나 또는 그 이상의 행위들, 주로 네트워크에 진입하고자 하는 UE에게 선택된 BS, 즉 네트워크 처리량을 최적화할 BS와 연관되도록 하는 명령을 생성한다.

알고리즘 처리에는 UE 입력과 BS 입력의 두 가지 입력이 있다. 도 4 내지 도 6은 필요한 입력들 및 시그널링의 상이한 조합을 도시한다.

도 4는 UE 입력들(예: 위치)이 BS로 전송되고, BS 입력들과 합쳐진 다음, 처리를 위해 NMU로 전달되는 방법을 도시한다. 그러므로 이 예에서 NMU는 중간 결과를 계산한 다음, 학습 알고리즘을 수행한다.

대조적으로, 도 5는 UE로부터의 입력을 사용하여 UE가 어떻게 중간 결과 (처리량)를 계산하고, 그 중간 결과를 BS에 전달하는 지를 도시하며, 여기서 BS는 BS 입력들과 중간 결과를 합친 다음, 처리를 위해 NMU로 전달되고, NMU에 의해 학습 알고리즘 수행되는 것이 뒤따른다.

도 6은 UE 및 하나 또는 그 이상의 BS들로부터의 입력들 모두가 처리를 위해NMU로 전달되는 방법을 도시한다. 도 4및 도 6의 예 사이의 한 가지 차이점은 도 4의 BS가 궁극적으로 NMU로 전송되는 정보를 중계하는 수단으로의 역할만을 한다는 것이다.

본 명세서에 도시된 예시적인 구성들은 본 발명의 실시예들에 의해 제공되는 개선점으로부터 여전히 이득을 얻으면서 상이한 시그널링 및 보고 접근법이 적용될 수 있음을 강조한다. 여기에서 적용된 다양한 접근법들은 각각 상이한 네트워크 프로토콜을 요구하지만, 모두 본 발명의 개념에 부합한다.

또 다른 예에서, UE들은 예를 들어, D2D(device-to-device) 통신들을 통해 자신들의 경험과 환경 파라미터들을 공유할 수 있는데, 이 경험과 환경 파라미터들은 네트워크 관리 유닛(10)에 대한 샘플들(입력들)로서 다른 UE에서 사용될 수 있다. 이러한 경우에, UE1은 마치 UE1이 이전에 그러한 환경을 경험한 것처럼 UE2의 과거 경험으로부터 학습할 수 있다. 이러한 방식으로, 전체 네트워크는 네트워크의 모든 장치의 경험으로부터 이익을 얻을 수 있다.

장치들의 하드웨어 기능들이 다를 수 있다. 예를 들어, UE1은 환경/데이터 정보를 수집하고 학습을 수행할 필요가 있지만, UE2는 단지 UE2의 경험을 공유하고 지시를 수신할 수 있다.

본 발명의 일 실시 예에 따른 알고리즘의 성능이 도 7에 도시되어 있는데, 도 7은 시간(실행)에 따른 평균 네트워크 처리량이 (1) BS들 중 임의의 하나에 무작위로 연결(100); (2) 항상 UE에 가장 가까운 BS에 연결(110); (3) 항상 모든 UE들에 대해 가장 높은 순시 네트워크 처리량을 제공하는 BS에 연결(120); (4) 항상 개별 UE에 대해 가장 높은 순시 SINR을 제공하는 BS에 연결(130); 및 (5) Q-학습을 통해 연결(140)에 의해 얻어지는 시나리오들의 결과들을 보여준다.

도 7에 도시된 것처럼, 제안된 학습 알고리즘이 적용되었을 때 향상된 평균 네트워크 처리량의 관점에서 명확한 이점이 있고, Q 학습을 사용한 최종 네트워크 처리량이 기존의 최고 SINR 기준을 사용한 경우에 비해 약 16% 증가함을 보여준다. 도 7에 도시된 결과를 생성하기 위해 사용된 모델은 4 개의 BS 및 4 개의 UE를 갖는 네트워크의 예를 사용하며, BS의 위치는 고정되어 있지만 UE의 위치는 무작위로 배치된다. 전형적인 실질적인 네트워크 구성은 크게 다를 것이지만, 위 결과는 본 발명의 실시 예를 사용하여 달성될 수 있는 개선 정도를 명확하게 나타낸다.

본 발명의 실시예들은 종래 기술의 해결 방안에 비해 몇 가지 장점을 제공한다. 특히 (전체 네트워크를 고려한) 네트워크 처리량 관점에서 향상된 성능을 제공한다. 이를 통해 동일한 데이터 트래픽을 처리하기 위해 더 적은 인프라스트럭처(infrastructure)를 필요로 하거나, 반대로 동일한 수의 기지국들을 사용하여 증가된 성능을 제공할 수 있다. 이러한 장점은 5G 설정에서 만연한 것과 같이, 매우 역동적인 환경에서 온라인 학습 및 기민한 적응을 촉진할 수 있는 능력에서 비롯됩니다. 본 발명의 실시예들은 또한 환경을 모델링할 필요없이 복수의 UE들의 초기 액세스의 온라인 제어를 허용하고, 네트워크의 제어는 UE 및 BS의 관점에서 네트워크의 변화하는 특성에 따라 적응된다.

선행 기술의 해결 방안은 정적 네트워크 조건만을 고려하며, 환경 및 네트워크의 구성이 동적이고 신속하게 변화할 때 작동하지 않는다.

Q-학습과 같은 기계학습을 사용하여 보다 효율적으로 자원을 할당하고 유한하고 귀중한 네트워크 자원들을 최적으로 사용할 수 있다.

본 발명의 실시예들은 UE들로부터의 소형 셀들(small cells)의 동적 연관을 통한 네트워크의 성능 향상을 허용하며, 상기 연관은 이전에 설정된 바와 같이 기계학습에 의해 관리된다.

본 발명의 실시예들은 매크로(macro) BS 및 소형 셀 BS가 포함되는 이종(heterogeneous) 네트워크에서도 사용될 수 있다. 따라서, 이 기술은 또한 매크로 BS 및 소형 셀 BS 연관 사이를 전환하는 방법을 제공한다. 예를 들어, 본 발명의 실시예들은 네트워크 환경에 따라 매크로 BS 또는 소형 셀 BS에 연결할지 여부를 UE에게 지시하기 위해 사용될 수 있다.

이 출원과 관련하여 명세서와 동시에 또는 이전에 제출되고, 이 명세서에 공개되어 공개된 모든 논문 및 문서에 주의를 기울여야 하며, 그러한 모든 논문 및 문서들의 내용은 여기에 참고로서 통합된다.

(첨부된 청구 범위, 요약 및 도면을 포함하여) 본 명세서에 개시된 모든 특징 및/또는 개시된 임의의 방법 또는 프로세스의 모든 동작은 그러한 특징 중 적어도 일부 및/또는 단계들이 상호 배타적인 조합들은 제외하고, 임의의 조합으로 조합될 수 있다.

(첨부된 청구 범위, 요약 및 도면을 포함하여) 본 명세서에 개시된 각각의 특징은 달리 명시하지 않는 한, 동일하거나 동등하거나 유사한 목적을 위한 대안적인 특징으로 대체될 수 있다. 따라서, 달리 명시적으로 언급되지 않는 한, 개시된 각 특징은 동등하거나 유사한 특징의 일반적인 일련의 일례에 불과하다.

본 발명은 전술한 실시예(들)의 세부 사항에 제한되지 않는다. 본 발명은 (임의의 수반하는 청구 범위, 요약 및 도면을 포함하여) 본 명세서에 개시된 모든 특징들의 임의의 신규한 것, 또는 임의의 새로운 조합으로 확장되고, 또는 개시된 임의의 방법 또는 프로세스의 동작의 임의의 신규한 것 또는 임의의 새로운 조합으로 확장될 수 있다.

Claims

통신 네트워크를 관리하기 위한 방법으로서,
복수의 기지국과 적어도 하나의 단말을 포함하는 복수의 네트워크 요소들 중 적어도 하나로부터 운영 파라미터(operational parameter)를 나타내는 데이터를 획득하는 동작;
상기 운영 파라미터를 나타내는 데이터를 기초로 상기 적어도 하나의 단말과 상기 복수의 기지국 사이의 연결을 위한 맵핑 정보(mapping information)를 결정하는 동작; 및
상기 적어도 하나의 단말로 상기 맵핑 정보를 전송하는 동작을 포함하는, 방법.
제1항에 있어서,
상기 맵핑 정보는 특정 단말 또는 기지국의 처리량 보다는 전체 네트워크의 처리량을 최적화하도록 결정되는, 방법.
제1항에 있어서,
상기 운영 파라미터를 나타내는 데이터는 처리량, 채널, 전송을 위해 사용되는 빔 패턴 또는 위치에 연관된 정보 중 적어도 하나를 포함하는, 방법.
제1항에 있어서,
상기 통신 네트워크의 훈련(training)이 수행되고, 상기 훈련은 즉각적인 행위(action)에 따라 보상(reward)이 계산되는 반복적인 프로세스(process)를 포함하고, 상기 보상은 특정 네트워크 요소가 행할 다음 행위를 결정하기 위해 사용되는, 방법.
제1항에 있어서,
상기 맵핑 정보를 결정하는 동작은 이전 경험으로부터의 데이터와 함께 제공되는 기계학습 알고리즘에 기초하여 상기 복수의 기지국과 상기 적어도 하나의 단말 사이의 연결에 대한 상기 맵핑 정보를 결정하는 동작을 포함하고,
상기 기계학습 알고리즘은 Q 학습(learning) 알고리즘인, 방법.
제2항에 있어서,
상기 특정 단말의 처리량은 상기 특정 단말에 의하여 수신된 신호의 신호 대 간섭잡음비(signal to interference and noise ratio, SINR)의 함수로서 인식되는, 방법.
제4항에 있어서,
상기 다음 행위는 단말, 기지국, 또는 네트워크 관리 유닛(network management unit) 중 적어도 하나에 의하여 결정되는, 방법.
제7항에 있어서,
입력들이 상기 단말로부터 상기 기지국으로 전송되고, 상기 기지국으로부터의 다른 입력들과 합쳐지고, 다음에 처리를 위해 상기 네트워크 관리 유닛에 전송되고,
중간 결과가 계산되고, 기계학습 알고리즘이 상기 네트워크 관리 유닛에 의해 수행되는, 방법.
제7항에 있어서,
중간 결과가 상기 단말에 의해 계산되고, 상기 단말로부터 상기 기지국으로 전송되고, 상기 기지국으로부터의 다른 입력들과 합쳐지고, 처리를 위해 상기 네트워크 관리 유닛으로 전송되고,
기계학습 알고리즘이 상기 네트워크 관리 유닛에 의해 수행되는, 방법.
제7항에 있어서,
상기 단말로부터의 입력들 및 하나 또는 그 이상의 기지국으로부터의 다른 입력들이 상기 네트워크 관리 유닛으로 전송되고,
기계학습 알고리즘이 상기 네트워크 관리 유닛에 의해 수행되는, 방법.
통신을 관리하기 위한 장치에 있어서,
송수신기; 및
상기 송수신기와 동작적으로 결합된 적어도 하나의 프로세서를 포함하고,
상기 적어도 하나의 프로세서는,
복수의 기지국들과 적어도 하나의 단말을 포함하는 복수의 네트워크 요소들 중 적어도 하나로부터 운영 파라미터(operational parameter)를 나타내는 데이터를 획득하고,
상기 운영 파라미터를 나타내는 데이터를 기초로 상기 적어도 하나의 단말과 상기 복수의 기지국 사이의 연결을 위한 맵핑 정보를 결정하고,
상기 적어도 하나의 단말로 상기 맵핑 정보를 전송하기 위해 제어하도록 구성되는, 장치.
제11항에 있어서,
상기 맵핑 정보는 특정 단말 또는 기지국의 처리량 보다는 전체 네트워크의 처리량을 최적화하도록 결정되는, 장치.
제11항에 있어서,
상기 운영 파라미터를 나타내는 데이터는 처리량, 채널, 전송을 위해 사용되는 빔 패턴 또는 위치에 연관된 정보 중 적어도 하나를 포함하는, 장치.
제11항에 있어서,
상기 통신 네트워크의 훈련(training)이 수행되고, 상기 훈련은 즉각적인 행위(action)에 따라 보상(reward)이 계산되는 반복적인 프로세스(process)를 포함하고, 상기 보상은 특정 네트워크 요소가 행할 다음 행위를 결정하기 위해 사용되는, 장치.
제11항에 있어서,
상기 적어도 하나의 프로세서는, 이전 경험으로부터의 데이터와 함께 제공되는 기계학습 알고리즘에 기초하여 상기 복수의 기지국과 상기 적어도 하나의 단말 사이의 연결에 대한 상기 맵핑 정보를 결정하기 위해 제어하도록 구성되고,
상기 기계학습 알고리즘은 Q 학습(learning) 알고리즘인, 장치.