KR20200119111A

KR20200119111A - 동적 무선 네트워크 가변 접속을 제공하는 무선 단말 장치

Info

Publication number: KR20200119111A
Application number: KR1020190041534A
Authority: KR
Inventors: 장기석; 나상호
Original assignee: 애니파이 주식회사
Priority date: 2019-04-09
Filing date: 2019-04-09
Publication date: 2020-10-19

Abstract

본 발명의 실시 예에 따른 장치는, 복수의 무선 네트워크를 통해 데이터를 송수신하는 무선 단말 장치에 있어서, 전송할 데이터 패킷을 획득하는 제어부; 상기 무선 단말 장치의 모델 적용 변수를 결정하는 모델 적용 변수 처리부; 상기 모델 적용 변수를 무선 네트워크별 품질 예측 학습 모델에 적용하여, 접속가능한 네트워크별 품질 예측 정보를 획득하는 학습 기반 품질 예측 모듈; 상기 네트워크별 품질 예측 정보에 기초하여 상기 복수의 무선 네트워크 중 상기 데이터 패킷을 전송할 제1 무선 네트워크를 결정하는 네트워크 결정부; 및 상기 결정된 제1 무선 네트워크를 이용하여 상기 데이터 패킷을 대상 기기로 무선 전송하는 무선 통신부를 포함한다.

Description

동적 무선 네트워크 가변 접속을 제공하는 무선 단말 장치{A WIRELESS TERMINAL FOR PROVIDING DYNAMIC CHANGING CONNECTIONS TO WIRELESS NETWORKS}

본 발명은 무선 단말 장치에 관한 것이다. 보다 구체적으로, 본 발명은 품질 예측 학습 모델 기반의 동적 무선 네트워크 가변 접속을 제공하는 무선 단말 장치에 관한 것이다.

전자, 통신 기술의 비약적인 발전에 따라 무선 네트워크를 이용한 서비스는 패킷(Packet) 데이터 등과 같이 데이터를 무선으로 송수신하는 통신 서비스로 발전해 가고 있다.

이에 따라, 모바일 단말기의 데이터 사용량과 인터넷에 연결된 기기의 수는 기하급수적으로 증가하고 있으며, 현대인의 삶에서 무선 인터넷의 중요성은 더욱 더 부각되고 있다. 향후 5G 모바일 이동통신과 6G Wi-Fi (802.11 ax 등)의 출현으로 VR, AR, IoT, 자율주행 등의 기술들이 적극적으로 상용화되면, 무선 네트워크에 대한 의존성과 해당 네트워크의 비용 및 품질에 대한 기대치는 지속적으로 증가할 것이다.

이러한 무선 인터넷 요구량의 증가에 따라, 무선 네트워크의 제공 형태, 프로토콜, 통신 방식 등이 다양화되고 있으며, 특히 기지국 기반의 이동통신 네트워크와, AP(ACCESS POINT) 기반의 근거리 무선 네트워크인 WIFI 표준 기반 무선 네트워크들에 대한 인프라 투자로 인해 현재 전 세계 어느 곳에서든 무선 네트워크의 이용이 가능하다.

그러나, 무선 네트워크의 사용량이 급격히 증가함으로 인해, 그 품질은 나날이 떨어지고 있다. 이에 반해, 이동 통신사 등에서는 신규의 통신 네트워크를 구축하기 위한 과도한 인프라 구축 비용을 투자하고 있으며, 이는 소비자의 비용 부담으로 이어지고 있는 실정이다.

이에 따라, 무선 네트워크 사용자들은 비용 부담을 고려하여 무선 네트워크를 선택 및 이용하고 있는 실정이다. 특히, 이동 통신 네트워크 기반의 고비용 무선 네트워크보다는 이용 비용이 없거나 저렴한 WIFI 표준 네트워크를 이용하고자 하나, WIFI 표준 네트워크의 경우 분산화된 소유권과 운영으로 인해 네트워크의 품질이 안정적으로 유지되지 못하는 문제점이 있다. 예를 들어, 신호가 약하거나 성능이 낮은 WIFI AP에 연결되면, 무선 인터넷을 사용하지 못하는 경우가 하루에도 수 차례 발생할 수 있다.

이러한 문제점으로 인해, 사용자는 직접 무선 네트워크들의 접속 속도를 관찰하고, 가장 빠르고 비용상 효율적인 네트워크를 선택 이용하고 있으며, 속도 저하를 경험하는 경우 다시 이동 통신 네트워크로의 전환 설정을 하고 있다.

그러나, 이러한 방식은 사용자에게 품질 저하 과정을 최소 일시적으로 경험하게 하는 문제점이 있으며, 네트워크 전환시 발생되는 재접속 프로세스 및 접속 지연 등으로 인해 끊김없는(SEAMLESS) 무선 인터넷 이용 제공이 어려운 문제점이 있다.

또한, 무선 네트워크의 품질은 단순한 속도뿐만 아니라 소요 비용, 응답성, 기기 성능 등 다양한 변수에 의해 결정되어야 하나, 현재는 사용자가 체감하는 일차적 변수인 신호 세기 등만으로 네트워크를 결정할 수밖에 없는 한계가 있다.

본 발명은 상기한 바와 같은 문제점을 해결하기 위하여 안출된 것으로, 접속 가능한 복수의 무선 네트워크들에 대응한 네트워크별 품질 예측 학습 모델을 미리 생성하고, 이에 기반한 모델 적용 변수 대비 네트워크별 품질 예측 정보를 산출하여, 사용자가 실제 품질 저하를 체감하기 이전에 빠른 네트워크 전환을 가능하게 하고, 네트워크 전환으로 인해 발생되는 접속 지연을 최소화할 수 있는 품질 예측 학습 모델 기반의 동적 무선 네트워크 가변 접속을 제공하는 무선 단말 장치를 제공하는 데 그 목적이 있다.

상기한 바와 같은 과제를 해결하기 위한 본 발명의 실시 예에 따른 장치는, 복수의 무선 네트워크에 접속 가능한 무선 단말 장치에 있어서, 전송할 데이터 패킷을 획득하는 제어부; 상기 무선 단말 장치의 모델 적용 변수를 정제 및 결정하는 모델 적용 변수 처리부; 상기 모델 적용 변수를 무선 네트워크별 품질 예측 학습 모델에 적용하여, 접속가능한 네트워크별 품질 예측 정보를 획득하는 학습 기반 품질 예측 모듈; 상기 네트워크별 품질 예측 정보에 기초하여 상기 복수의 무선 네트워크 중 상기 데이터 패킷을 전송할 제1 무선 네트워크를 결정하는 네트워크 결정부; 및 상기 결정된 제1 무선 네트워크를 이용하여 상기 데이터 패킷을 대상 기기로 무선 전송하는 무선 통신부를 포함한다.

상기한 바와 같은 과제를 해결하기 위한 본 발명의 실시 예에 따른 방법은, 복수의 무선 네트워크에 접속 가능한 무선 단말 장치의 동작 방법에 있어서, 전송할 데이터 패킷을 획득하는 단계; 상기 무선 단말 장치의 모델 적용 변수를 정제 및 결정하는 단계; 상기 모델 적용 변수를 무선 네트워크별 품질 예측 학습 모델에 적용하여, 접속가능한 네트워크별 품질 예측 정보를 획득하는 단계; 상기 네트워크별 품질 예측 정보에 기초하여 상기 복수의 무선 네트워크 중 상기 데이터 패킷을 전송할 제1 무선 네트워크를 결정하는 단계; 및 상기 결정된 제1 무선 네트워크를 이용하여 상기 데이터 패킷을 대상 기기로 무선 전송하는 단계를 포함한다.

한편, 상기한 바와 같은 과제를 해결하기 위한 본 발명의 실시 예에 따른 방법은, 상기 방법을 컴퓨터에서 실행시기키 위한 프로그램 및 상기 프로그램이 기록된 기록 매체로 구현될 수 있다.

본 발명의 실시 예에 따르면, 접속 가능한 복수의 무선 네트워크들에 대응한 네트워크별 품질 예측 학습 모델을 미리 생성하고, 이에 기반한 현재 모델 적용 변수 대비 네트워크별 품질 예측 정보를 산출할 수 있으며, 무선 네트워크별 품질 저하를 다양한 변수 기반의 학습 프로세스에 의해 사전 예측함으로써 무선 네트워크의 동적 가변 접속을 제공할 수 있다.

이에 따라, 본 발명의 실시 예에 따르면, 사용자가 실제 품질 저하를 체감하기 이전에 빠른 네트워크 전환을 가능하게 하며, 네트워크 전환으로 인해 발생되는 접속 지연을 최소화할 수 있다.

도 1은 본 발명의 실시 예에 따른 전체 시스템을 개략적으로 도시한 개념도이다.
도 2는 본 발명의 실시 예에 따른 무선 단말 장치를 보다 구체적으로 도시한 블록도이다.
도 3 및 도 4는 본 발명의 실시 예에 따른 무선 단말 장치의 동작 방법을 설명하기 위한 흐름도이다.
도 5는 본 발명의 실시 예에 따른 품질 예측 정보 제공 장치 기반 시스템을 개략적으로 도시한 개념도이다.
도 6은 본 발명의 실시 예에 따른 품질 예측 정보 제공 장치를 구체적으로 나타낸 블록도이다.
도 7은 본 발명의 실시 예에 따른 품질 예측 정보 제공 장치의 동작을 설명하기 위한 흐름도이다.
도 8은 본 발명의 실시 예에 따른 학습 기반 품질 예측 모듈을 보다 구체적으로 설명하기 위한 구성도이다.
도 9 내지 도 10은 본 발명의 실시 예에 따른 학습 기반 품질 예측 모델의 데이터 병합 공유 프로세스를 설명하기 위한 도면들이다.

이하의 내용은 단지 본 발명의 원리를 예시한다. 그러므로 당업자는 비록 본 명세서에 명확히 설명되거나 도시되지 않았지만 본 발명의 원리를 구현하고 본 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다. 또한, 본 명세서에 열거된 모든 조건부 용어 및 실시예들은 원칙적으로, 본 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이와 같이 특별히 열거된 실시예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.

또한, 본 발명의 원리, 관점 및 실시예들 뿐만 아니라 특정 실시예를 열거하는 모든 상세한 설명은 이러한 사항의 구조적 및 기능적 균등물을 포함하도록 의도되는 것으로 이해되어야 한다. 또한 이러한 균등물들은 현재 공지된 균등물뿐만 아니라 장래에 개발될 균등물 즉 구조와 무관하게 동일한 기능을 수행하도록 발명된 모든 소자를 포함하는 것으로 이해되어야 한다.

따라서, 예를 들어, 본 명세서의 블럭도는 본 발명의 원리를 구체화하는 예시적인 회로의 개념적인 관점을 나타내는 것으로 이해되어야 한다. 이와 유사하게, 모든 흐름도, 상태 변환도, 의사 코드 등은 컴퓨터가 판독 가능한 매체에 실질적으로 나타낼 수 있고 컴퓨터 또는 프로세서가 명백히 도시되었는지 여부를 불문하고 컴퓨터 또는 프로세서에 의해 수행되는 다양한 프로세스를 나타내는 것으로 이해되어야 한다.

또한 프로세서, 제어 또는 이와 유사한 개념으로 제시되는 용어의 명확한 사용은 소프트웨어를 실행할 능력을 가진 하드웨어를 배타적으로 인용하여 해석되어서는 아니되고, 제한 없이 디지털 신호 프로세서(DSP) 하드웨어, 소프트웨어를 저장하기 위한 롬(ROM), 램(RAM) 및 비 휘발성 메모리를 암시적으로 포함하는 것으로 이해되어야 한다. 주지관용의 다른 하드웨어도 포함될 수 있다.

상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다.

이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 일실시예를 상세히 설명하기로 한다.

도 1은 본 발명의 실시 예에 따른 전체 시스템을 개략적으로 도시한 도면이다.

도 1을 참조하면 본 발명의 일 실시 예에 따른 시스템은, 학습 기반 품질 예측 모듈(200), 무선 단말 장치(100) 및 접속 대상 기기(300)를 포함하며, 무선 단말 장치(100) 및 접속 대상 기기(300)는 복수의 무선 네트워크(200a, 200b, ... 200n)들 중 하나 이상의 무선 네트워크를 통해 연결 가능하도록 구성될 수 있다.

먼저 각 무선 네트워크는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 부가가치 통신망(Value Added Network; VAN), 개인 근거리 무선통신(Personal Area Network; PAN), 이동 통신망(mobile radiocommunication network) 또는 위성 통신망 등과 같은 다양한 종류의 무선 네트워크로 구현될 수 있으며, 이를 제공하기 위한 각각의 기지국 또는 엑세스 포인트(AP) 장치들이 원격지에 구비될 수 있다.

특히, 근거리 통신 망 제공을 위해, 무선 네트워크는 WIFI 표준 기반의 WIFI 무선 네트워크를 포함할 수 있으며, 각 엑세스 포인트는 와이파이 서비스 커버리지를 운용하기 위한 장치 정보를 브로드캐스팅할 수 있다.

한편, 무선 단말 장치(100)는 무선 네트워크들 중 접속 대상 기기(300)로 접속할 제1 무선 네트워크(200a)를 결정하여 무선 데이터 패킷의 송수신을 요청하는 사용자의 무선 단말 장치일 있다. 여기서, 무선 단말 장치(100)는 스마트폰, 태블릿 컴퓨터, 노트북 컴퓨터, PDA(personal digital assistant), PMP(portable multimedia player), 스마트 글래스 등과 같은 다양한 장치로 구현될 수 있다.

또한, 본 발명의 실시 예에 따르면, 무선 단말 장치(100)는 무선 네트워크별 품질 모델 생성 변수를 수집하여 학습 기반 품질 예측 모듈(200)로 전달할 수 있으며, 학습 기반 품질 예측 모듈(200)은 상기 모델 생성 변수의 관계 학습 연산에 따라, 상기 무선 네트워크별 품질 예측 학습 모델을 생성할 수 있다.

여기서, 학습 기반 품질 예측 모듈(200)은 품질 예측 학습 모델 생성을 위한 다양한 변수들을 수집하여 변수간 관계 정보를 학습 연산할 수 있으며, 각 변수들은 품질 예측을 위한 통신 구간별 물리적 변수 정보, 불변 요소 정보, 가변 요소 정보 등으로 다양화될 수 있다.

또한 학습 프로세스는 지도 또는 비-지도 기반 인공 신경망 학습 프로세스, 회귀 분석 학습, 딥 러닝 분석 등이 예시될 수 있으며 이에 대하여는 보다 구체적으로 후술하도록 한다.

그리고, 무선 단말 장치(100)는 무선 전송할 데이터 패킷에 대응하여 상기 무선 단말 장치(100)의 모델 적용 변수를 결정하고, 상기 모델 적용 변수를 무선 네트워크별 품질 예측 학습 모델에 적용하여, 접속가능한 네트워크별 품질 예측 정보를 획득하며, 상기 네트워크별 품질 예측 정보에 기초하여 상기 복수의 무선 네트워크 중 상기 데이터 패킷을 전송할 제1 무선 네트워크(200a)를 결정하고, 상기 결정된 제1 무선 네트워크를 이용하여 상기 데이터 패킷을 접속 대상 기기(300)로 무선 전송할 수 있다.

이에 따라, 무선 단말 장치(100)는 네트워크의 속도, 신호 세기 또는 사전 설정된 모델 생성 변수들을 이용한 관계 학습 프로세스를 기반으로 하여, 모델 적용 변수의 가변에 따른 품질 저하 등을 사전에 보다 정확히 예측할 수 있으며, 이에 따른 무선 네트워크의 동적 가변 제어를 통해 사용자의 품질 저하 경험을 최소화하면서 신속하고 효율적인 네트워크 변경을 가능하게 한다.

도 2는 본 발명의 실시 예에 따른 무선 단말 장치를 보다 구체적으로 도시한 블록도이다.

도 2를 참조하면, 본 발명의 실시 예에 따른 무선 단말 장치(100)는, 제어부(110), 통신부(120), 모델 생성 변수 처리부(130), 모델 적용 변수 처리부(140), 네트워크 결정부(150), 학습 기반 품질 예측 모듈(200), 데이터베이스(160) 및 사용자 설정부(170)를 포함한다.

제어부(110)는 무선 단말 장치(100)의 각 구성요소의 동작 및 기능의 실행을 전반적으로 제어한다. 예를 들어, 제어부(110)는 전송할 패킷 데이터의 획득, 모델 생성 변수 처리, 모델 적용 변수 처리, 네트워크 결정, 사용자 설정 기능의 전부 또는 일부를 제어하기 위한 프로세서 또는 이를 실행하기 위한 프로그램으로 구현될 수 있다.

또한, 제어부(110) 기능의 전부 또는 일부는 무선 단말 장치(100)에 설치되는 소프트웨어 모듈로서 구현될 수 있으며, 소프트웨어 모듈은 어플리케이션 계층에서 동작하여 네트워크 소켓 바인딩 제어를 통해 네트워크 가변 제어를 수행하거나, 또는 OS 계층에서 동작하여 네트워크 인터페이스를 구동시키는 네트워크 가변 제어를 수행할 수 있다.

그리고, 통신부(120)는 제어부(110)의 제어에 따라 무선 네트워크(200a, 200b, ... 200n)들에 접속하거나, 유선 네트워크에 접속하여 접속 대상 기기(300)가 위치한 네트워크와의 유/무선 데이터 패킷 통신을 가능하게 하는 하나 이상의 통신 모듈을 포함할 수 있다.

특히, 통신부(120)는 무선 네트워크(200a, 200b, ... 200n)들 중 적어도 하나와 무선 인터넷 프로토콜로 접속하기 위한 무선 인터넷 모듈을 포함할 수 있으며, 무선 인터넷 모듈은 WLAN(Wireless LAN)(Wi-Fi), Wibro(Wireless broadband), Wimax(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access) 방식 기반의 네트워크 모듈 등이 예시될 수 있다.

또한, 통신부(120)는 무선 네트워크(200a, 200b, ... 200n)들 중 적어도 하나와 근거리 통신 프로토콜로 근거리 통신 접속하기 위한 근거리 통신 모듈을 포함할 수 있으며, 근거리 통신(short range communication) 기술로는 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(IrDA, infrared Data Association), UWB(Ultra Wideband), ZigBee 등이 예시될 수 있다.

한편, 통신부(120)는 무선 네트워크(200a, 200b, ... 200n)들 중 적어도 하나와 이동 통신 프로토콜로 이동 통신 접속하기 위한 이동 통신 모듈을 포함할 수 있으며, 이를 위해 이동 통신망 상의 기지국, 외부의 단말, 접속대상기기 또는 서버 중 적어도 하나와 무선 신호를 송수신할 수 있다. 상기 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.

그리고, 통신부(120)는 제어부(110)의 제어에 따라 데이터 패킷을 무선 전송하기 위한 통신 모듈을 선택적으로 가변 제어할 수 있는 바, 이는 학습 기반 품질 예측 모듈(200)로부터 분석된 네트워크별 품질 예측 정보에 따라 결정될 수 있다.

이러한 네트워크별 품질 예측 정보 판단을 위해, 학습 기반 품질 예측 모듈(200)은 모델 생성 변수 처리부(130)로부터 획득되는 모델 생성 변수를 수집하고, 수집된 모델 생성 변수에 기초한 무선 네트워크별 품질 예측 학습 모델을 생성하여, 데이터베이스(160)에 저장할 수 있다.

여기서, 모델 생성 변수 처리부(130)는 학습 기반 품질 예측 모듈(200)에서의 무선 네트워크별 품질 예측 학습 모델을 생성을 위한 다양한 변수들을 수집하고, 정제 처리하여 전달할 수 있으며, 이는 학습 기반 품질 예측 모듈(200)의 학습 모델 및 학습 프로세스들에 따라 상이하게 결정될 수 있다. 학습 프로세스는 인공 지능 또는 인공 신경망 학습이 예시될 수 있는 바, 이를 위한 변수 설정과 학습 모델 구성이 중요하다.

예를 들어, 학습 기반 품질 예측 모듈(200)은 모델 생성 변수 처리부(130)로부터 처리되는 상기 품질 모델 생성 변수로부터 정제된 변수 정보를 획득하고, 정제된 변수 정보에 기초한 관계 학습 연산에 따라, 무선 네트워크별 품질 예측 학습 모델을 생성할 수 있다.

또한, 학습 기반 품질 예측 모듈(200)은 무선 단말 장치(100)의 내부 정보로부터 모델 생성 및 적용을 위한 변수들을 수집 및 처리할 수 있을 뿐만 아니라, 원격지의 외부 장치로부터 수신되는 데이터 셋(data set)을 변수로 수집 및 처리하거나, 사용자로부터 입력되는 데이터를 변수로서 수집 및 처리하여, 다양한 경로를 통해 수집 및 처리된 변수로부터 무선 네트워크별 품질 예측 학습 모델을 생성하고, 생성된 모델 및 상황에 대응하는 다양한 적용 변수를 처리할 수 있다.

여기서, 변수 정보는, 예측 모델의 학습 기반 생성을 위한 모델 생성 변수와, 생성된 예측 모델에 적용하기 위한 모델 적용 변수로 구분될 수 있다. 각각의 변수 정보는 네트워크 품질 예측 정보를 위한 모델 생성 또는 적용을 위해 1차적으로 획득되는 기본 변수 정보를 포함할 수 있으며, 상기 기본 변수 정보로부터 정제 처리된 모델 생성 변수를 포함할 수 있다.

그리고, 모델 생성 변수 처리부(130)는 기본 변수 정보를 정제 처리하거나 상기 기본 변수 정보를 함께 이용하여, 품질 학습 모델 생성을 위한 모델 생성 변수를 생성하고 학습 기반 품질 예측 모듈(200)로 전달하여, 따른 학습 연산이 처리되도록 할 수 있다.

또한, 모델 적용 변수 처리부(130)는 기본 변수 정보를 정제 처리하거나 상기 기본 변수 정보를 함께 이용하여, 하나 이상의 품질 학습 모델에 적용하여 예측값을 획득할 수 있도록 하는 모델 적용 변수를 수집 및 처리할 수 있다.

따라서, 본 발명의 실시 예에 따른 모델 생성 변수와 모델 적용 변수는, 각각 기본 변수 정보로부터 정제되어 획득될 수 있는 변수들로 구성될 수 있으며, 예측 모델의 생성 프로세스와, 학습 모델 생성 방식 및 종류, 적용 시점, 적용 대상, 필요한 출력 값 등에 따라 각각 독립적이고 상이하게 결정될 수 있다.

이와 같은 변수 정보는 예를 들어 통신 구간별 변수 정보를 포함할 수 있다. 통신 구간별 변수 정보는, 접속대상기기와 AP(Access Point) 접속점 간 유선 구간, AP 내부 구간, AP 및 무선 단말 장치 간 무선 구간 및 무선 단말 장치 내부 구간 중 적어도 하나의 통신 구간에 대응하는 물리적 변수 정보를 포함할 수 있다. 여기서, 상기 AP 접속점은 WIFI 공유기 또는 기지국과 같은 무선 네트워크 접속지점을 의미할 수 있다.

보다 구체적으로, 상기 물리적 변수 정보는, 상기 접속대상기기와 AP 접속점 간 유선 구간에 대응하는 유선 케이블 성능 정보, 접속대상기기의 IP 및 AP의 IP간 차이 정보를 포함할 수 있다.

또한, 상기 물리적 변수 정보는, 상기 AP 내부 구간에 대응하는 AP 하드웨어 성능 정보 및 연결 기기 수 정보를 포함할 수 있다.

그리고, 상기 AP 와 무선 단말 장치 간 무선 구간에 대응하는 프로토콜 정보, 신호 세기 정보, 주파수 대역 정보 및 채널/주파수 혼잡도 정보 중 적어도 하나를 포함할 수 있다.

여기서, 프로토콜 정보는 통신 프로토콜을 포함할 수 있으며, 예를 들어, WIFI 네트워크의 경우 802.11n, 802.11ac 표준 기반 프로토콜일 수 있고, 이동 통신 네트워크의 경우 GSM, LTE-A, LTE 등의 표준 기반 프로토콜이 예시될 수 있다.

또한, 프로토콜 정보는 암호화 프로토콜을 포함할 수 있는 바, WIFI의 경우 개방형, WEP, WPA2 등의 암호화 프로토콜이 예시될 수 있다.

한편, 상기 물리적 변수 정보는, 상기 무선 단말 장치(100) 내부 구간에 대응하는 무선 모듈 성능 정보, 무선 모듈 특성 정보 및 온도 정보 중 적어도 하나를 포함할 수 있는 바, 모델 생성 변수 처리부(130)는 제어부(110)로 이러한 모델 생성 변수들을 생성하기 위한 데이터 요청 및 정제 프로세스를 처리할 수 있고, 제어부(110)는 처리 중인 프로세스 정보 및 센서 데이터 등으로부터, 상기 요청된 변수 정보를 획득하여 모델 생성 변수 처리부(130)로 제공할 수 있다.

또한, 모델 적용 변수 처리부(140)에서도 제어부(110)로 모델 적용 변수들을 생성하기 위한 데이터 요청 및 정제 프로세스를 처리할 수 있고, 제어부(110)는 처리 중인 프로세스 정보 및 센서 데이터 등으로부터, 상기 요청된 변수 정보를 획득하여 모델 적용 변수 처리부(140)로 제공할 수 있는 바, 후술할 변수 정보의 정의 및 처리 프로세스들은 모델 생성 변수에 국한되지 않으며, 모델 적용 변수 처리부(140)의 모델 적용 변수 처리에도 동일 유사한 프로세스가 이용될 수 있다.

또한, 무선 네트워크의 성능 지표로서 기본 변수 정보로부터 연산가능한 TCP 소켓의 RTT(round trip time) 정보, 윈도우 사이즈 정보, 송수신 데이터양 정보 등이 정제 처리된 모델 생성 변수로 예시될 수 있는 바, 학습 기반 품질 예측 모듈(200)은 기본 변수 정보 또는 정제된 모델 생성 변수 정보 중 모델 생성을 위해 선택된 변수들을 입력 값으로 하고, 이에 대응하는 품질 변수를 출력 변수로 하는 학습 프로세스를 처리함으로써 학습 기반 품질 예측을 위한 무선 네트워크별 품질 예측 학습 모델을 생성할 수 있다.

이에 따라, 학습 기반 품질 예측 모듈(200)은 상기 품질 모델 생성 변수로부터 상기 무선 네트워크별 품질 예측 학습 모델을 생성하며, 상기 가변 요소 정보와 상기 품질 예측 학습 모델간 관계 모델을 생성할 수 있다.

또한, 상기 변수 정보는 불변 요소 정보와 가변 요소 정보로 분류 처리되어, 모델 생성 변수 선택, 예측 모델의 생성 또는 모델 적용 변수의 결정 등에 이용될 수 있다.

여기서, 상기 가변 요소는 무선 통신 네트워크의 품질에 영향을 미치는 정도가 지속적으로 가변되는 요소로서, 예를 들어 AP 접속 기기 수 정보 및 신호세기(RSSI) 정보 등이 예시될 수 있으며, 가변 성능 지표로서의 TCT 소켓 목적지 IP 정보, RTT 정보, 윈도우 사이즈 정보 및 송수신 데이터 량 정보 등이 예시될 수 있다.

그리고, 불변 요소는 무선 통신 네트워크의 품질에 영향을 미치는 정도가 불변하는 요소로서, AP의 하드웨어 성능 정보, 주변 AP 개수 정보, 통신 프로토콜 정보 등이 예시될 수 있다.

예를 들어, 학습 기반 품질 예측 모듈(200)은 불변 요소 및 가변 요소로 분류되는 모델 생성 변수들에 대응하여 각각의 미리 설정된 학습 알고리즘 처리를 수행하고, 이에 따른 무선 네트워크별 품질 예측 학습 모델을 생성할 수 있다.

또한, 학습 기반 품질 예측 모듈(200)은 현재 시점에 접속가능한 네트워크별 품질 예측 정보를 획득함에 있어서, 상기 모델 적용 변수를 상기 관계 모델의 가변 요소에 적용하여, 네트워크별 품질 예측 정보를 획득할 수 있다.

예를 들어, 네트워크별 품질 예측 정보 획득을 위해, 먼저 학습 기반 품질 예측 모듈(200)은 WIFI 표준 네트워크를 제공하는 AP의 하드웨어 정보 및 상기 무선 단말과의 신호 세기 정보를 모델 생성 변수로서 이용하여 품질 예측 학습 모델을 구축할 수 있다.

그리고 학습 기반 품질 예측 모듈(200)은 네트워크별 품질 예측 정보가 필요한 경우, 상기 AP의 하드웨어 정보 및 상기 무선 단말과의 신호 세기 정보를 상기 모델 적용 변수로서 획득하고, 상기 무선 네트워크별 품질 예측 학습 모델로부터, 상기 하드웨어 정보 및 신호 세기 정보에 대응하는 상기 무선 단말의 상기 WIFI 표준 네트워크 이용시점의 품질 예측 정보를 획득하여 출력할 수 있다.

예를 들어, Wi-Fi를 통해 무선 통신 시, 특정 Wi-Fi AP에서 발산하는 전파의 파워세기(milliWatt)는 AP의 성능 및 설정에 따라 생성될 수 있으며, 모델 생성 변수 처리부(130)는 통신부(120)로 전달된 발산 전파의 파워세기(milliWatt)값을 기본 변수 정보로서 획득할 수 있다.

발산되는 파워세기는 AP의 frequency(예를 들어 5GHz, 2.4GHz 등)와 AP 성능 및 설정에 따라 상이할 수 있으며, 무선 단말 장치(100)에 수신되는 파워세기는 무선 단말 장치(100)와 AP와의 거리, 통신부(120)의 안테나의 등방성 정도(유효 구경), 무선 단말 장치(100) 및 AP의 안테나 고유의 이득성, 물리적인 장애물 및 주변 주파수의 혼잡성 등에 따라 가변될 수 있다.

이에 따라, 모델 생성 변수 처리부(130)는 이와 같은 수신 파워를 아래 수학식 1과 같이 연산하여 정제 처리된 모델 생성 변수를 획득할 수 있다.

여기서, P_Transmitted는 AP 고유의 발산 파워 정보로서, AP의 프로토콜, 공간 트림, 모듈레이션, 코딩 레이트에 따라 상이할 수 있다. 그리고, G_{Antenna gain1}은 AP 고유의 안테나 이득성 정보를 나타내며, A_Effective는 무선 단말 장치(100)의 안테나 고유 유효 구경 또는 등방성 정도를 나타내고, α는 무선 경로상 존재하는 물리적 장애물 또는 주변 주파수 혼잡도 등에 의해 감소되는 정도를 나타낼 수 있다.

여기서, A_Effective는 전파의 편극화, 열역학법칙, Rayleigh-Jeans Formula와 Johnson-Nyquist noise 연산을 통하여 획득할 수 있으며, 이를 위한 온도 정보 및 파장 정보가 수집됨에 따라 아래와 같은 프리스 전송 공식(Friis Transmission Formula) 연산 처리에 의해 수신 파워가 산출될 수 있다.

여기서, G_{Antenna gain2}는 무선 단말 장치(100)의 단말기 고유의 안테나 이득성 정보를 나타낸다. 그리고, milliWatt 단위를 로그(10*

)를 취하여 데시벨 밀리와트(decibel milliwatt, dBm)로 단위를 변경하면 상기 수학식 2는 아래와 같은 식으로 정리된다.

여기서,

와

는 각 접속점마다 갖는 고유의 값으로 연산될 수 있으며, 파장

는

로 연산되므로, 주파수의 값으로부터 획득될 있다.

는 무선 단말 장치(100)의 안테나 고유 특성 정보이므로 불변 요소로 분류될 수 있다.

는 단말기와 해당 접속점 사이 거리에 따라 변하는 가변 요소일 수 있으며, 이며

는 경로상 존재하는 물리적 장애물 혹은 주변 주파수 혼잡등으로 인해 감소되는 감소율에 대한 로그값으로서

가 1보다 작거나 같기에

은 0보다 작거나 같게 되며 환경에 따라 가변될 수 있다.

이에 따라, 학습 기반 품질 예측 모듈(200)은, AP 고유의 특성 값인 MCS(Modulation Coding Scheme) Index와 AP와 복수 단말기 간 RSSI 데이터를 모델 생성 변수로서 사용하여 각 AP 및 무선 단말 장치(100) 하드웨어 성능을 예측 학습할 수 있다.

학습 기반 품질 예측 모듈(200)은 MCS Index로부터

값을 예측할 수 있으며, 이에 따라, 특정 AP와 복수 단말기 간의 RSSI 정보로부터 상기 수학식 3의 해를 연산하면, AP의 하드웨어 성능 지표인

과 무선 단말 장치(100)의 하드웨어 성능 지표인

을 유추 획득할 수 있다. 이에 따라, 학습 기반 품질 예측 모듈(200)은 AP의 MCS(Modulation Coding Scheme) 인덱스에 대응하여 결정되는 AP의 발산 파워 세기 정보로부터 산출되는 AP와 무선 단말 장치(100)의 하드웨어 성능 정보를 모델 생성 변수로 사용하여, 무선 네트워크별 품질 예측 모델 학습을 처리할 수 있다.

또한, 모델 생성 변수 처리부(130)는 AP별 고유 특성 정보로서, Frequency band, MCS(Modulation Coding Scheme) Index, Bandwidth, Guard Interval 값들을 변수 정보로서 수집할 수 있으며, 학습 기반 품질 예측 모듈(200)은 이와 같은 고유 특성 정보들로부터 특정 AP의 최소 신호세기와 최대 속도를 유추할 수 있고 해당 값을 모델 생성 변수로 사용하여, 무선 네트워크별 품질 예측 모델 학습을 처리할 수 있다.

한편, 모델 생성 변수 처리부(130)는 통신부(120)를 통해 처리되는 변수 정보로부터 정제 처리를 수행하여, TCP 소켓의 RTT, Window Size, 송수신 데이터양 정보를 수집할 수 있으며, 학습 기반 품질 예측 모듈(200)은 이와 같은 통신부(120)의 처리된 변수 정보로부터 정제된 네트워크별 모델 생성 변수를 산출하고, 이에 대응하는 무선 네트워크별 품질 예측 모델 학습을 처리할 수 있다.

예를 들어, TCP 통신에서, 현재 소켓의 출력(Throughput)은 송신 패킷(Packets in Flight)의 형태로 정의될 수 있으며, 이는 아래와 같다.

통신부(120)에서 이용하는 데이터 소켓은 복수일 수 있으며, 특정 시점의 속도는 각 소켓의 출력(Throughput)의 합 또는 평균으로 연산될 수 있다. 이에 따라, 학습 기반 품질 예측 모듈(200)은 출력 정보 및 송수신 데이터양 또는 다른 요소들에 가중치를 적용한 평균 연산을 통해, 네트워크별 출력 정보를 모델 생성 변수로서 산출하고, 이에 대응하는 무선 네트워크별 품질 예측 모델 학습을 처리할 수 있다.

이러한 무선 네트워크별 품질 예측 모델 학습 처리에 따라, 무선 네트워크별 최소 신호세기 정보에 대응하는 최대 속도 정보가 산출될 수 있으며, 예측되는 연결 속도(Link Speed)는 변수 제한적으로 결정될 수 있다.

아래 수학식 5는 특정 시점의 신호 세기(RSSI)에 대해 데이터 가중치(Data-weighted) 평균 변수를 연결 속도(Link Speed)에 제한하여 연산하였을 때의 출력 예시도이다.

여기서,

로 정의될 수 있다.

이에 따라, 학습 기반 품질 예측 모듈(200)은 WIFI 표준 네트워크의 품질 정보 결정을 위한 예측 모델의 학습을 처리할 수 있으며, 학습 프로세스로는 모델 생성 변수 처리부(130)에서 수집되는 데이터를 입력 값으로 활용한 로지스틱 회귀(Logistic Regression) 연산 등이 예시될 수 있다.

예를 들어, 학습 기반 품질 예측 모듈(200)은, 신호 세기(RSSI)와 연결 속도 정보 간 로지스틱(Logistic) 관계에 기반하여 TCP 소켓의 RTT, Window Size, 송수신 데이터양 정보 중 적어도 하나로부터 산출되는 출력(Throughput)을 입력 값으로 사용함으로써 신호 세기(RSSI) 대비 연결 속도에 대응하는 로지스틱 회귀 함수 처리를 수행할 수 있다. 학습 기반 품질 예측 모듈(200)은 이에 따라, 특정 신호 세기(RSSI)에 대한 해당 WIFI 네트워크의 품질 예측 모델을 미리 구축하고, 이에 대응하는 예측 정보를 제공할 수 있다.

한편, 학습 기반 품질 예측 모듈(200)은 이동 통신 네트워크의 품질 학습 및 예측을 위해, 모델 생성 변수 처리부(130)를 통해 실시간으로 수집되는 최근 n개 데이터의 속도 샘플에 기초한 디케이(Decay) 함수를 처리하여, 이동 평균 값을 획득하고, 이에 대응하는 상기 이동 평균 값에 대응하는 전송 성능 정보를 회귀 학습 처리하여, 상기 이동 통신 네트워크에 대응하는 품질 예측 학습 모델을 생성할 수 있다.

여기서, 디케이 함수(Decay Function)는 지수 이동 평균(Exponential Moving Average) 등의 프로세스가 예시될 수 있으며, 학습 기반 품질 예측 모듈(200)은 최근 데이터 샘플에 가중치를 부여하고, 임의의 개수만큼의 샘플들만을 이용하여, 이동 통신 네트워크의 품질을 예측하기 위한 품질 예측 학습 모델을 생성할 수 있다. 여기서, 디케이 함수 프로세스는 지수 이동 평균 뿐만아니라, 단순 이동 평균(Simple Moving Average), 축적 이동 평균(Cumulative Moving Average), 가중치 이동 평균(Weighted Moving Average), 또는 이를 포함하는 다양한 프로세스들을 포함할 수 있다.

예를 들어, 지수 이동 평균의 경우, 학습 기반 품질 예측 모듈(200)은 모델 생성 변수 처리부(130)를 통해 통신부(120)에서 처리되는 TCP 소켓의 RTT, Window Size, 송수신 데이터양으로부터 산출되는 출력 정보(Throughput)을 입력 값으로 사용함으로써 특정 시점의 속도에 대한 함수를 회귀 학습 처리하여, 이동 통신 네트워크에 대응하는 품질 예측 학습 모델을 생성할 수 있다.

where

여기서, 최근 임의의 개수 N개를 사용하여 지수 이동 평균(Exponential Moving Average) 을 연산하면, 계수

의 근사치는 아래 수학식 8과 같이 정의할 수 있다.

전술한 바와 같이, 학습 기반 품질 예측 모듈(200)은 이와 같은 네트워크별 품질 학습 모델 생성을 위한 학습 프로세스로서, 인공 지능 알고리즘을 이용할 수 있다. 인공지능 알고리즘의 예로는, Logistic 또는 Logarithmic Regression이나 MLP(Multilayer Perceptron)와 같은 지도 학습(Supervised Learning) 형태의 인공신경망(Artificial Neural Network) 방식과, Support Vector Machine, Bayesian Networks, Genetic Algorithm 등이 예시될 수 있다.

또한, Dictionary Learning, Independent Component Analysis, Autoencoders 혹은 다양한 형태의 Clustering 등의 비 지도 학습(Unsupervised Learning) 방식이 이용될 수도 있으며, Decision Trees, Anomaly Detection 등의 분석 프로세스가 이용될 수 있다.

또한, 학습 기반 품질 예측 모듈(200)은 각각의 사용자로부터 실시간으로 수집되는 데이터를 모델 생성 변수로서 활용한 Reinforcement Learning 알고리즘을 사용할 수도 있다.

회귀 방식(Regression)의 경우, Ordinary Least Squares 방법을 포함한 Projection, Maximum Likelihood, Generalized Methods of Moments 등의 방식 등이 예시될 수 있으며, 전술한 Supervised, Unsupervised, Reinforcement 처리에 있어서, 최소자승법 및 경사하강법을 통한 회귀모델, 역전파 방법, 딥러닝, 엔트로피 최소화 프로세스 등이 포함될 수 있다.

보다 구체적으로, 학습 기반 품질 예측 모듈(200)의 지도 학습 및 비 지도 학습 프로세스는 입력 값에 따라 결정될 수 있다.

예를 들어, 특정 AP의 성능을 특정 지수(예: 속도)로 예측하기 위한 지도 학습으로서, 분류방식(Classification)이 이용될 수 있으며, 특정 Access Point의 성능을 특정 기준(예: Good, Normal, Bad)으로 구분 및 분류하는 방식이 예시될 수 있다.

여기서, 분류방식(Classification)은 특정 Input들에 대하여 Output을 특정 Class들로 분류하는 Supervised Learning 알고리즘으로써 Logistic Regression, Naive Bayes, Stochastic Gradient Descent, K-Nearest Neighbors, Decision Tree, Random Forest, Support Vector Machine 등이 예시될 수 있다.

이에 따라, 학습 기반 품질 예측 모듈(200)은 모델생성 변수를 지도 학습 모델에 대입함으로써, 다양한 AP(예를 들어, Wi-Fi AP1, Wi-Fi AP2, LTE Cell Site, 5G Cell Site 등)들 중 어떠한 AP를 사용할지에 대한 판단 결과를 출력할 수 있는 예측 모델을 생성할 수 있다.

또한, 특정 AP의 성능을 특정 지수(예: 속도)로 예측하기 위한 비-지도 학습으로서, 클러스터링(Clustering)이 이용될 수 있으며, 특정 Access Point의 성능을 클러스터링된 임의의 기준들로 구분 및 분류하는 방식이 예시될 수 있다.

이에 따라, 학습 기반 품질 예측 모듈(200)은 모델 생성 변수 를 비-지도 학습 모델에 대입함으로써, 다양한 AP(예를 들어, Wi-Fi AP1, Wi-Fi AP2, LTE Cell Site, 5G Cell Site 등)들 중 어떠한 AP를 사용할지에 대한 판단 결과를 출력할 수 있는 학습 모델을 생성할 수 있다.

여기서, 클러스터링(Clustering)은 특정 Input들에 대하여 Output을 특정 부류들로 구분하는 Unsupervised Learning 알고리즘으로써 K-means, Fuzzy K-means, Hierarchical clustering, Mixture of Gaussians, Mean-Shift Clustering, Density-Based Spatial Clustering of Applications with Noise (DBSCAN) 등이 예시될 수 있다.

한편, 모델 적용 변수 처리부(140)는, 학습 기반 품질 예측 모듈(200)의 품질 예측을 위한 모델 적용 변수를 결정하여 학습 기반 품질 예측 모듈(200)로 전달한다.

여기서, 모델 적용 변수는 전술한 변수 정보로부터 수집 및 정제 처리되어 결정될 수 있다. 모델 적용 변수는, 미리 학습된 네트워크 품질 모델의 예측 함수, 예측 방식, 모델 생성 정보 등에 대응하여, 무선 단말 장치(100) 및 그 통신 환경과 소켓의 지속성을 고려하여, 현재 또는 미래 네트워크 품질에 영향을 미치는 다양한 변수들을 포함할 수 있다.

이에 따라, 학습 기반 품질 예측 모듈(200)은 미리 구축된 품질 예측 학습 모델에 모델 적용 변수를 입력하여, 모델 적용 변수에 대응하는 접속가능한 네트워크별 품질 예측 정보를 출력할 수 있다.

예를 들어, 모델 적용 변수 처리부(140)는, 무선 단말 장치(100)로부터 모델 적용 변수들을 획득할 수 있으며, 모델 적용 변수는 품질 예측 학습 모델에 적용가능한 신호 세기 정보, 시간대 정보, 단말 이동 패턴 정보 등이 예시될 수 있다.

예를 들어, 학습 기반 품질 예측 모듈(200)은 모델 적용 변수를 품질 예측 모델의 입력 레이어에 인가하여, 네트워크 AP에 대응하는 성능 정보를 예측하고, 예측된 성능 정보를 출력할 수 있다.

또한, 학습 기반 품질 예측 모듈(200)은 모델 적용 변수(E)와 AP의 성능간 관계 모델 f(E)을 학습 모델로서 생성하고, 모델 적용 변수 처리부(140)는 이에 대응하여 적용 가능한 모델 적용 변수를 결정하여, 상기 모델 적용 변수의 가변에 따른 모델 결과 값을 네트워크 성능 정보로서 출력할 수도 있다.

이와 같이, 모델 적용 변수 정보는 가변 요소를 포함할 수 있으며, 불변 요소가 모델 적용 변수로도 이용될 수도 있다. 이러한 모델 적용 변수는 예측 모델 생성에 이용된 변수들에 따라 결정될 수 있다.

예를 들어, 상기 가변 요소 정보와 상기 품질 예측 학습 모델간 관계 모델이 구축된 경우, 상기 모델 적용 변수는 상기 관계 모델에 적용가능한 가변 요소 정보일 수 있다.

또한, 예를 들어, 상기 불변 요소 정보와 상기 품질 예측 학습 모델간 관계 모델이 생성된 경우, 상기 모델 적용 변수는 상기 관계 모델에 적용가능한 불변 요소 정보를 포함할 수 있다.

또한, 상기 가변 요소와 불변 요소는 복합적으로 이용될 수 있는 바, 이는 예측 모델 생성에 이용된 함수 및 변수들에 따라 다양한 방식으로 결정될 수 있다.

보다 구체적으로, 예를 들어, 모델 적용 변수 처리부(140)는 특정 환경에 대응하는 센서 정보와, 무선 통신 네트워크별 환경 정보 등을 수집하고, 모델 적용 변수로 산출하여 학습 기반 품질 예측 모듈(200)로 전달할 수 있다.

예를 들어, 모델 적용 변수 처리부(140)는, 무선 통신망의 신호세기인 RSSI 정보를 기본 변수로 정제 처리하여, AP와 단말기 간의 거리 정보를 모델 적용 변수로서 결정하여 학습 기반 품질 예측 모듈(200)로 전달할 수 있다.

또한, 예를 들어, 모델 적용 변수 처리부(140)는 무선 단말 장치(100)의 속도(Velocity) 또는 가속도(Acceleration) 정보를 기본 변수로서 정제 처리하여, 이동 패턴 정보를 산출할 수 있으며, 산출된 이동 패턴 정보를 모델 적용 변수로 결정하여 학습 기반 품질 예측 모듈(200)로 전달할 수 있다.

학습 기반 품질 예측 모듈(200)은 이러한 거리 정보, 이동 패턴 정보와 학습 모델간 관계 정보를 산출하여, 현재 또는 미래의 네트워크별 품질 변화를 예측하는데 이용할 수 있다.

한편, 네트워크 결정부(150)는, 상기 네트워크별 품질 예측 정보를, 미리 설정된 사용자 선호도 정보 또는 모드 설정 정보에 따라 비교하며, 상기 비교 결과에 따른 최적 네트워크를 데이터 패킷을 송신할 제1 무선 네트워크로 결정할 수 있다.

보다 구체적으로, 네트워크 결정부(150)는 비교 판단 결과에 따라 통신부(120)에서 구동될 무선 네트워크 인터페이스를 결정하거나, 데이터 패킷 전송을 위해 생성된 소켓을 바인드할 네트워크를 결정할 수 있다.

그리고, 네트워크 결정부(150)는 네트워크별 품질 정보와, 사용자의 속도 및 비용에 대한 선호도 정보와, 사용자 설정 모드 정보 중 적어도 하나에 기초하여, 이용할 네트워크를 비교 판단할 수 있다. 비교 판단 프로세스는 정적(Static) 판단 또는 학습 판단 중 어느 하나의 프로세스에 따라 결정될 수 있다.

정적 판단 방식은 예를 들어, 변수 비교에 따라 결정되는 것으로, 사용자의 속도 및 품질 선호도 설정에 따른 판단이 예시될 수 있다.

예를 들어, 네트워크 결정부(150)는 사용자가 속도를 선호할 경우, 품질 변수가 높은 네트워크를 결정할 수 있으며, 사용자가 비용을 선호할 경우, 품질이 특정 기준 이상인 WIFI 네트워크를 제1 네트워크로 결정하되, 이러한 네트워크가 존재하지 않는 경우 이동 통신 네트워크를 결정하도록 처리할 수 있다. 또한, 품질과 선호도 정보가 부족한 경우, 네트워크 결정부(150)는 소켓을 복수 개로 설정하여, 각각의 접속 가능한 네트워크에 바인드하고 첫번째 응답이 더 빨리 오는 소켓을 제1 네트워크로 결정할 수도 있다.

또한, 네트워크 결정부(150)는 학습 판단에 기반하여 사용자 선호도를 결정할 수 있는 바, 네트워크 결정부(150)는 사용자 입력으로부터 Wi-Fi Off 행위, 다른 Wi-Fi로 수동 연결 등의 부정적 보상(Negative Reward)으로 정의된 행위들을 사용자가 특정 네트워크를 선호하지 않는다는 지표로서 학습하고, 이에 따라 학습된 사용자 선호도 정보를 전술한 제1 네트워크 판단에 이용할 수 있다.

그리고, 이러한 네트워크 결정부(150)의 제1 무선 네트워크의 결정은 일정 시간에 따라 주기적으로 처리되거나, 현재 네트워크의 품질 저하가 예측되는 일정 조건에 따라 특정 시점에 처리될 수 있는 바, 이러한 동적 가변 처리를 통해 사용자는 품질 저하를 거의 느끼지 않을 수 있다.

그리고, 통신부(120)는 네트워크 결정부(150)의 결정에 따라, 결정된 제1 무선 네트워크를 이용하여 상기 데이터 패킷은 접속 대상 기기(300)로 무선 전송할 수 있다.

이와 같은 처리를 위해, 통신부(120)는 네트워크 제어를 처리할 수 있으며, 네트워크 인터페이스를 하드웨어적으로 직접 구동시키거나, 어플리케이션에 의해 네트워크 레이어를 컨트롤하는 방식으로 제1 무선 네트워크를 통한 데이터 전송을 처리할 수 있다.

예를 들어, 어플리케이션의 경우 소켓을 생성하고, 특정 네트워크 인터페이스를 바인딩하는 형식으로 제1 무선 네트워크를 통한 데이터 전송을 처리할 수 있으며, 이는 Wi-Fi 무선 통신망과 셀룰러 무선 통신망을 동시에 사용할 수 있게 한다.

한편, 사용자 설정부(170)에서는 네트워크 전환을 위한 사용자 모드 설정이 가능한 바, 이에 따른 모드 정보는 네트워크 결정부(150)로 전달되어 제1 네트워크를 결정하기 위한 변수로 이용될 될 수 있다.

예를 들어, 사용자 모드는 속도 모드, 균형 모드 또는 비용 모드 중 어느 하나일 수 있다.

속도 모드(Fast Mode)는 이동 통신 데이터 사용에 한계가 없는 단말기 사용자가 속도의 증폭을 위하여 근거리 무선 통신 네트워크를 사용하는 경우 설정될 수 있다. 이 경우, 사용자 설정부(170)는 이동 통신 네트워크와, 근거리 무선 통신 네트워크를 혼용할 수 있도록 설정하여, 단일 무선통신망을 사용하는 경우보다 빠른 속도 및 품질을 제공할 수 있다.

균형 모드(Balance Mode)는 이동 통신 데이터 사용에 한계가 있는 단말기 사용자가 속도의 증폭을 위하여 근거리 무선 통신 네트워크를 사용하되, 일정 속도 또는 품질을 기준으로 근거리 무선 통신 네트워크를 우선 사용하는 설정일 수 있다. 사용자 설정부(170)는 근거리 무선 통신 네트워크의 속도가 제1 속도 이상인 경우에만 이용하고, 제1 속도 이하인 경우에는 이동 통신 네트워크를 혼용할 수 있도록 설정하여, 상황에 따른 최적의 속도 및 품질을 제공할 수 있다.

한편, 비용 모드(Price Mode)는 이동 통신 데이터 사용에 제한이 있는 사용자가 데이터 절약을 위해 최대한 근거리 무선 통신 네트워크를 사용하는 경우로서, 사용자 설정부(170)는 인터넷 이용에 지장이 있는 제2 속도 이하인 경우에만 이동 통신 네트워크에 연결하도록 할 수 있다.

도 3 및 도 4는 본 발명의 실시 예에 따른 무선 단말 장치의 동작 방법을 설명하기 위한 흐름도이다.

도 3을 참조하면, 먼저 무선 단말 장치(100)는 모델 생성 변수 처리부(130)를 통해, 무선 네트워크 품질 모델 생성 변수를 수집한다(S101).

그리고 무선 단말 장치(100)는 모델 생성 변수 처리부(130)를 통해, 무선 네트워크 품질 모델 생성 변수에 대응하는 정제 처리를 수행한다(S102).그리고, 무선 단말 장치(100)는 학습 기반 품질 예측 모듈(200)를 통해, 미리 설정된 변수간 관계 학습 연산에 따라 상기 모델 생성 변수에 기초한 무선 네트워크별 품질 예측 학습 모델을 생성한다(S103).

이후, 무선 단말 장치(100)는 모델 적용 변수 처리부(140)를 통해, 무선 단말 장치(100)의 현재 상태에 대응하는 모델 적용 변수를 처리한다(S105).

그리고, 무선 단말 장치(100)는, 학습 기반 품질 예측 모듈(200)을 통한 모델 적용 변수의 품질 예측 학습 모델 적용에 따라, 접속가능한 네트워크별 품질 예측 정보를 획득한다(S107).

이후, 무선 단말 장치(100)는, 네트워크 결정부(150)를 통해 무선 단말의 사용자 모드 또는 선호도 설정에 따라 최적의 무선 네트워크를 결정하며(S109), 제어부(110)는 결정된 무선 네트워크를 이용한 데이터 패킷 전송을 준비한다(S111).

그리고, 통신부(120)는 결정된 무선 네트워크를 통해 데이터 패킷을 송신한다(S113).

여기서 도 4는 무선 단말 장치(100)의 소켓 기반 무선 네트워크 전송 프로세스를 보다 구체적으로 설명하기 위한 것으로, 제어부(110)는 무선 데이터 패킷 전송을 위한 소켓을 생성한다(S151).

그리고, 네트워크 결정부(150)는 네트워크 품질 예측 정보와, 정적으로 결정되거나 학습에 의해 형성된 사용자 선호도 정보를 항목별로 비교하여, 하나 이상의 무선 네트워크를 결정한다(S153).

여기서, 사용자 선호도 정보는 전술한 사용자 모드 설정 정보에 의해 결정될 수도 있으며, 무선 네트워크는 복수 개 결정될 수도 있다.

이후, 통신부(120)는 상기 생성된 소켓을 상기 결정된 무선 네트워크에 대응하는 네트워크 인터페이스에 바인딩하여 연결한다(S155).

이에 따라, 통신부(120)는 연결된 소켓을 통해 데이터 패킷을 무선 전송할 수 있다(S157).

도 5는 본 발명의 다른 일 실시 예에 따른 품질 예측 정보 제공 장치 기반 시스템을 개략적으로 도시한 개념도이며, 도 6은 본 발명의 실시 예에 따른 품질 예측 정보 제공 장치를 구체적으로 나타낸 블록도이다.

도 5 및 도 6에서는 품질 예측 정보 제공 장치(400)가 원격지의 별도 장치로서 구성된 시스템을 예시한 것으로, 먼저 도 5를 참조하면, 본 발명의 다른 일 실시 예에 따른 시스템은, 학습 기반 품질 예측 모듈(200)을 포함하는 품질 예측 정보 제공 장치(400), 무선 단말 장치(100) 및 접속 대상 기기(300)를 포함하며, 무선 단말 장치(100) 및 접속 대상 기기(300)는 복수의 무선 네트워크(200a, 200b, ... 200n)들 중 하나 이상의 무선 네트워크를 통해 연결 가능하도록 구성될 수 있고, 품질 예측 정보 제공 장치(400)는 복수의 무선 네트워크(200a, 200b, ... 200n)과 각각 연결될 수 있다. 또한, 품질 예측 정보 제공 장치(400)는 별도의 유선 네트워크 접속을 제공할 수 있다.

여기서, 접속가능한 각 유/무선 네트워크는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 부가가치 통신망(Value Added Network; VAN), 개인 근거리 무선통신(Personal Area Network; PAN), 이동 통신망(mobile radiocommunication network) 또는 위성 통신망 등과 같은 다양한 종류의 유/무선 네트워크로 구현될 수 있으며, 이를 제공하기 위한 각각의 기지국 또는 엑세스 포인트(AP) 장치들이 원격지에 구비될 수 있다.

또한, 본 발명의 실시 예에 따르면, 품질 예측 정보 제공 장치(400)는 무선 네트워크별 품질 모델 생성 변수를 처리하여 학습 기반 품질 예측 모듈(200)로 전달할 수 있으며, 학습 기반 품질 예측 모듈(200)은 상기 모델 생성 변수의 관계 학습 연산에 따라, 상기 무선 네트워크별 품질 예측 학습 모델을 생성할 수 있다.

그리고, 무선 단말 장치(100)는 무선 전송할 데이터 패킷에 대응하여 상기 무선 단말 장치(100)의 모델 적용 변수를 결정하고, 상기 모델 적용 변수를 품질 예측 정보 제공 장치(400)로부터 제공되는 무선 네트워크별 품질 예측 학습 모델에 적용하여, 접속가능한 네트워크별 품질 예측 정보를 획득하며, 상기 네트워크별 품질 예측 정보에 기초하여 상기 복수의 무선 네트워크 중 상기 데이터 패킷을 전송할 제1 무선 네트워크(200a)를 결정하고, 상기 결정된 제1 무선 네트워크를 이용하여 상기 데이터 패킷을 접속 대상 기기(300)로 무선 전송할 수 있다.

여기서, 품질 예측 정보 제공 장치(400)는 전술한 학습 기반 품질 예측 모듈(200)을 포함할 수 있으며, 학습 기반 품질 예측 모듈(200)은 품질 예측 정보 제공 장치(400)의 모델 생성 변수 처리부(430) 에서 처리된 변수에 따라 전술한 품질 예측 모델을 생성하고, 모델 적용 변수 처리부(440)에서 결정된 모델 적용 변수에 따라, 예측 정보를 출력할 수 있다.

이를 위해 정보 서비스 제공부(470)는 무선 단말 장치(100)로부터의 요청에 따라, 무선 네트워크별 품질 예측 학습 모델을 제공하거나, 모델 적용 변수에 대응하는 네트워크별 품질 예측 정보를 제공할 수 있다.

이에 따라, 무선 단말 장치(100)는 품질 예측 정보 제공 장치(400)로부터의 정보 서비스를 제공받아, 네트워크의 속도, 신호 세기가 또는 사전 설정된 모델 생성 변수들 중 적어도 하나의 변수간 관계 학습 프로세스를 기반으로 하여, 모델 적용 변수에 따른 품질 저하 등을 사전에 보다 정확히 예측할 수 있으며, 이에 따른 무선 네트워크의 동적 가변 제어를 통해 사용자의 품질 저하 경험을 최소화하면서 신속하고 효율적인 네트워크 변경을 가능하게 한다.

보다 구체적으로, 도 6을 참조하면, 본 발명의 실시 예에 따른 품질 예측 정보 제공 장치(400)는, 제어부(410), 통신부(420), 모델 생성 변수 처리부(430), 모델 적용 변수 처리부(440), 학습 기반 품질 예측 모듈(200), 데이터베이스(460) 및 정보 서비스 제공부(470)를 포함한다.

제어부(410)는 품질 예측 정보 제공 장치(400)의 각 구성요소의 동작 및 기능의 실행을 전반적으로 제어한다. 예를 들어, 제어부(410)는 모델 생성 변수 처리, 모델 적용 변수 처리, 정보 서비스 제공 기능의 전부 또는 일부를 제어하기 위한 프로세서 또는 이를 실행하기 위한 프로그램으로 구현될 수 있다.

그리고, 통신부(420)는 무선 단말 장치(100) 또는 무선 네트워크(200a, 200b, ... 200n)들에 접속하거나, 유선 네트워크에 접속하여 각 무선 네트워크와의 유/무선 데이터 패킷 통신을 가능하게 하는 하나 이상의 통신 모듈을 포함할 수 있다.

특히, 통신부(420)는 무선 단말 장치(100) 또는 무선 네트워크(200a, 200b, ... 200n)들 중 적어도 하나와 무선 인터넷 프로토콜로 접속하기 위한 무선 인터넷 모듈을 포함할 수 있으며, 무선 인터넷 모듈은 WLAN(Wireless LAN)(Wi-Fi), Wibro(Wireless broadband), Wimax(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access) 방식 기반의 네트워크 모듈 등이 예시될 수 있다.

또한, 통신부(120)는 무선 단말 장치(100) 또는 무선 네트워크(200a, 200b, ... 200n)들 중 적어도 하나와 근거리 통신 프로토콜로 근거리 통신 접속하기 위한 근거리 통신 모듈을 포함할 수 있으며, 근거리 통신(short range communication) 기술로는 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(IrDA, infrared Data Association), UWB(Ultra Wideband), ZigBee 등이 예시될 수 있다.

한편, 통신부(120)는 무선 단말 장치(100) 또는 무선 네트워크(200a, 200b, ... 200n)들 중 적어도 하나와 이동 통신 프로토콜로 이동 통신 접속하기 위한 이동 통신 모듈을 포함할 수 있으며, 이를 위해 이동 통신망 상의 기지국, 외부의 단말, 접속대상기기, 서버 중 적어도 하나와 무선 신호를 송수신할 수 있다. 상기 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.

그리고, 통신부(420)는 제어부(410)의 제어에 따라 네트워크별 품질 예측 정보를 무선 단말 장치(100)로 제공하거나, 네트워크별 품질 예측 정보 판단을 위한 예측 모델 정보를 제공할 수 있는 바, 이러한 정보는 학습 기반 품질 예측 모듈(200)에 의해 생성될 수 있다

이러한 네트워크별 품질 예측 정보 판단을 위해, 학습 기반 품질 예측 모듈(200)은 모델 생성 변수 처리부(430)로부터 획득되는 모델 생성 변수를 위한 변수 정보를 수집 및 정제 처리하고, 처리된 모델 생성 변수에 기초한 무선 네트워크별 품질 예측 학습 모델을 생성하여, 데이터베이스(460)에 저장할 수 있다.

여기서, 모델 생성 변수 처리부(430)는 학습 기반 품질 예측 모듈(200)에서의 무선 네트워크별 품질 예측 학습 모델을 생성을 위한 다양한 변수들을 수집 및 처리하여 전달할 수 있으며, 모델 생성 변수는 학습 기반 품질 예측 모듈(200)의 학습 모델 및 학습 프로세스들에 따라 상이하게 결정될 수 있다. 학습 프로세스는 인공 지능 또는 인공 신경망 학습이 예시될 수 있는 바, 이를 위한 변수 설정과 학습 모델 구성이 중요하며, 이에 대하여는 전술한 무선 단말 장치(100)에서 구비된 경우의 학습 기반 품질 예측 모듈(200)과 그 동작이 유사하므로 구체적인 설명은 생략하도록 한다.

그리고, 정보 서비스 제공부(470)는 학습 기반 품질 예측 모듈(200)에서 생성된 무선 네트워크별 품질 예측 학습 모델 정보를 무선 단말 장치(100)로 전송하는 정보 서비스를 제공할 수 있다.

또한, 정보 서비스 제공부(470)는 무선 단말 장치(100)의 요청에 따른 무선 단말 장치(100) 정보를 모델 적용 변수 처리부(440)로 전달할 수 있으며, 모델 적용 변수 처리부(440)는 무선 단말 장치(100) 정보에 대응하는 모델 적용 변수를 결정하고, 결정된 모델 적용 변수를 학습 기반 품질 예측 모듈(200)로 전달함으로써, 학습 기반 품질 예측 모듈(200)에서 상기 네트워크별 품질 예측 정보를 출력하게 할 수 있다.

그리고, 정보 서비스 제공부(470)는 획득된 상기 네트워크별 품질 예측 정보를 통신부(420)를 통해 무선 단말 장치(100)로 전송할 수 있다.

이에 따라, 상기 네트워크별 품질 예측 정보를 수신하거나, 모델로부터 획득한 무선 단말 장치(100)는 미리 설정된 사용자 선호도 정보 또는 모드 설정 정보에 따라 비교하며, 상기 비교 결과에 따른 최적 네트워크를 데이터 패킷을 송신할 제1 무선 네트워크로 결정할 수 있다.

그리고, 무선 단말 장치(100)는 결정된 네트워크를 통해 무선 데이터 패킷을 전송할 수 있는 바, 이에 대하여는 도 2에서 설명된 바와 동일하므로 구체적인 설명은 생략하도록 한다.

도 7은 본 발명의 실시 예에 따른 품질 예측 정보 제공 장치의 동작을 설명하기 위한 흐름도이다.

도 7을 참조하면, 본 발명의 실시 예에 따른 품질 예측 정보 제공 장치(400)는, 모델 생성 변수 처리부(430)를 통해 무선 네트워크별 품질 모델 생성 변수를 수집한다(S201).

그리고, 모델 생성 변수 처리부(430)는 품질 예측 학습 모델 생성을 위해, 모델 생성 변수에 대한 변수 정제 처리를 수행한다(S202).

그리고, 품질 예측 정보 제공 장치(400)의 학습 기반 품질 예측 모듈(200)은 미리 설정된 변수간 관계 학습 연산에 따라, 모델 생성 변수에 기초한 무선 네트워크별 품질 예측 학습 모델을 생성한다(S203).

이후, 품질 예측 정보 제공 장치(400)는 모델 적용 변수 처리부(440)를 통해 무선 단말 장치(100)의 요청에 따른 모델 적용 변수를 처리한다(S205).

그리고, 품질 예측 정보 제공 장치(400)는, 모델 적용 변수의 품질 예측 학습 모델 적용에 따라, 네트워크별 품질 예측 정보를 획득한다(S207).

이후, 품질 예측 정보 제공 장치(400)는 무선 단말로 네트워크별 품질 예측 정보를 제공한다(S209).

이와 같이, 품질 예측 정보 제공 장치(400)를 제공함으로써, 학습 기반 품질 예측 모듈이 무선 단말 장치(100) 내부에 탑재되지 않더라도, 품질 예측 학습 모델 기반의 동적 무선 네트워크 가변 접속을 제공할 수 있으며, 무선 단말 장치(100)의 전력 및 자원 소모 없이도 학습 데이터 수집 및 모델 구축을 가능하게 함으로써 인프라 및 비용 절감을 도모할 수 있다.

도 8은 본 발명의 실시 예에 따른 학습 기반 품질 예측 모듈을 보다 구체적으로 설명하기 위한 구성도이다.

도 8을 참조하면, 본 발명의 실시 예에 따른 학습 기반 품질 예측 모듈(200)은, 하나 이상의 입력 레이어 처리부(210), 하나 이상의 제1 중간 레이어 처리부(220a, 220b, ... 220n)와 하나 이상의 제2 중간 레이어 처리부(230a, 230b, ... 230n)를 포함하는 복수의 제n 중간 레이어 처리부 및 출력 레이어 처리부(240)를 포함하며, 출력 레이어에 대응하는 피드백 가중치 적용부(240)를 선택적으로 포함할 수 있다.

이러한 학습 기반 품질 예측 모듈(200)은 모델 생성 변수 처리부(430)에서 수집된 변수 중 품질 모델 생성 변수를 각각의 입력 레이어로 변환 처리하고, 처리된 입력 레이어들을 컨볼루션 연산하여 네트워크 품질과 연관된 출력 레이어로 출력하게 하는 인공 신경망 네트워크를 구성할 수 있다. 이를 위한 각각의 중간 레이어 처리부들은 신경망 네트워크에 따른 개별 곱연산을 처리할 수 있으며, 피드백 가중치 적용부(245)는 출력 레이어의 평가에 따른 가중치 조절 처리가 선택적으로 수행될 수 있다.

이와 같은 학습 프로세스의 반복 처리에 의해, 무선 네트워크별 품질 모델 생성 변수에 대응하는 무선 네트워크 품질 예측 모델이 구축될 수 있으며, 구축된 예측 모델은 무선 네트워크 품질 예측 모델 저장부(250)에 저장되거나, 무선 단말 장치(100) 또는 품질 예측 정보 제공 장치(400)의 데이터베이스로 전달되어 이후의 모델 적용 변수 결정에 따른 네트워크별 품질 예측에 이용될 수 있다.

도 9 내지 도 10은 본 발명의 실시 예에 따른 학습 기반 품질 예측 모델의 데이터 병합 공유 프로세스를 설명하기 위한 도면들이다.

각 무선 단말 장치(100)와 AP 상호간의 성능에 관한 데이터는 직접 연결된 장치가 아니더라도, AP의 성능을 예측하는 데에 사용될 수 있다. 따라서, 예측 모델의 병합 공유는 더 정확한 AP의 성능 예측을 가능하게 한다.

이에 따라, 도 9 및 도 10을 참조하면, 본 발명의 실시 예에 따른 학습 기반 품질 예측 모델은, 공유 데이터의 병합에 의해 형성될 수 있으며, 이를 위한 데이터 교환이 무선 단말 장치(100) 또는 품질 예측 정보 제공 장치(400)에 의해 처리될 수 있다.

먼저, 도 9는 무선 단말 장치(100)에 학습 기반 품질 예측 모듈(200)이 구비되어 학습 기반 품질 예측 모델 공유 데이터가 다른 무선 단말 장치(100a)들간에 공유되는 경우를 나타내는 것으로, 무선 단말 장치(100)에서 학습된 품질 예측 모델 데이터 또는 학습 데이터는 다른 무선 단말 장치(100a)에서 활용되도록 공유 병합될 수 있다. 예를 들어, 무선 단말 장치(100)와 각 무선 네트워크들의 AP 상호간의 성능에 관한 데이터가 다른 무선 단말 장치들(100a)로 전달될 수 있다.

예를 들어, 무선 단말 장치(100)는 학습 기반 품질 예측 모듈(200)에서 생성된 무선 단말 장치(100)와 AP 상호 간 성능에 관한 학습 데이터(예를 들어, 속도, 특정 변수들과 성능에 관한 관계를 나타내는 함수 데이터)를 네트워크에 연결된 다른 무선 단말 장치(100a)로 전달한다.

여기서, 각각의 무선 단말 장치들은 블록 체인 네트워크 등의 데이터 공유 네트워크로 연결될 수 있으며, 각 무선 단말 장치들은 학습 모델 데이터를 블록 체인 네트워크 기반의 공유 DB에 저장할 수 있다.

이후, 특정 무선 단말 장치(100)에서 무선 네트워크 결정을 위해, 특정 AP의 성능에 관한 데이터를 공유 네트워크에 요청할 수 있으며, 공유 네트워크는 미리 저장된 병합 공유 데이터에 기초하여, 특정 AP의 성능에 관한 품질 데이터를 무선 단말 장치(100)로 전송할 수 있다.

또한, 특정 AP의 성능 또는 품질 데이터를 제공받은 무선 단말 장치(100)는, 이에 기초하여 제1 무선 네트워크를 결정하고, 연결할 수 있다. 또한, 무선 단말 장치(100)는 상기 AP의 추가 데이터를 수집한 경우 상기 공유 네트워크로 전달하여 학습 기반 품질 예측 모델을 위한 학습 데이터에 병합시킬 수 있다.

데이터 병합 처리에 있어서, 추가 데이터는 기 저장된 데이터의 변수들(예: 기종, 연결된 기기수, 시간대)과 무선 단말 장치(100)의 변수들의 유사성에 따라 가중치가 부여되어 병합될 수 있으며, 일정 시간 동안의 평균 값, 최소 값 또는 최대 값이 이용될 수도 있다. 데이터 병합 처리는 공유 네트워크에서 분산 처리되거나, 무선 단말 장치(100)에서 병합 처리된 데이터가 공유 네트워크로 전송될 수 있다.

또한, 공유 데이터의 이용이 필수적인 것은 아니어서, 무선 단말 장치(100) 개별적으로 수집한 데이터만을 이용하여 학습 및 예측 처리를 수행할 수도 있다.

한편, 도 10은 품질 예측 정보 제공 장치(400)에 학습 기반 품질 예측 모듈(200)이 구비되어 학습 기반 품질 예측 모델 공유 데이터가 다른 무선 단말 장치(100a)들과 공유되는 경우를 나타내는 것으로, 무선 단말 장치(100) 및 다른 무선 단말 장치(100a)들에서 학습된 품질 예측 모델 데이터 또는 학습 데이터는 품질 예측 정보 제공 장치(400)를 통해 공유 병합될 수 있다.

예를 들어, 품질 예측 정보 제공 장치(400)는 무선 단말 장치(100)와 다른 무선 단말 장치들(100a)로부터 각 무선 네트워크들의 AP 상호간의 성능에 관한 데이터를 수집하고, AP 상호 간 성능에 관한 학습 데이터(예를 들어, 속도, 특정 변수들과 성능에 관한 관계를 나타내는 함수 데이터)를 병합 학습할 수 있다.

그리고, 품질 예측 정보 제공 장치(400)는 병합 학습에 따른 학습 모델 데이터를 무선 단말 장치(100) 및 네트워크에 연결된 다른 무선 단말 장치(100a)들로 제공한다. 모델 데이터의 제공은 일정 주기에 따라 처리될 수 있다.

예를 들어, 특정 무선 단말 장치(100)에서 무선 네트워크 결정을 위한 특정 AP의 성능 정보를 예측하기 위해, 품질 예측 정보 제공 장치(400)의 정보 서비스 제공부(470)로부터 제공된 모델 데이터를 이용할 수 있다.

무선 단말 장치(100)는 상기 AP의 추가 데이터를 수집한 경우 상기 품질 예측 정보 제공 장치(400)로 전달하여 학습 기반 품질 예측 모델을 위한 학습 데이터에 병합시킬 수 있다.

데이터 병합 처리에 있어서, 추가 데이터는 기 저장된 데이터의 변수들(예: 기종, 연결된 기기수, 시간대)과 무선 단말 장치(100)의 변수들의 유사성에 따라 가중치가 부여되어 병합될 수 있으며, 일정 시간 동안의 평균 값, 최소 값 또는 최대 값이 이용될 수도 있다. 데이터 병합 처리는 품질 예측 정보 제공 장치(400)에서 처리되거나, 무선 단말 장치(100)에서 병합 처리된 데이터가 품질 예측 정보 제공 장치(400)로 전달될 수 있다.

한편, 상술한 본 발명의 다양한 실시 예들에 따른 방법은 프로그램으로 구현되어 다양한 비일시적 판독 가능 매체(non-transitory computer readable medium)에 저장된 상태로 각 서버 또는 기기들에 제공될 수 있다. 이에 따라, 사용자 단말(100)은 서버 또는 기기에 접속하여, 상기 프로그램을 다운로드할 수 있다.

비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 어플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.

또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.

Claims

복수의 무선 네트워크에 접속 가능한 무선 단말 장치에 있어서,
전송할 데이터 패킷을 획득하는 제어부;
무선 네트워크별 품질 모델 생성 변수를 수집하여 정제 처리하는 모델 생성 변수 처리부;
상기 무선 단말 장치의 모델 적용 변수를 결정하는 모델 적용 변수 처리부;
상기 모델 생성 변수의 관계 학습 연산에 따라, 상기 무선 네트워크별 품질 예측 학습 모델을 생성하고, 상기 모델 적용 변수를 무선 네트워크별 품질 예측 학습 모델에 적용하여, 접속가능한 네트워크별 품질 예측 정보를 획득하는 학습 기반 품질 예측 모듈;
상기 네트워크별 품질 예측 정보에 기초하여 상기 복수의 무선 네트워크 중 상기 데이터 패킷을 전송할 제1 무선 네트워크를 결정하는 네트워크 결정부; 및
상기 결정된 제1 무선 네트워크를 이용하여 상기 데이터 패킷을 대상 기기로 무선 전송하는 무선 통신부;를 포함하고,
상기 무선 네트워크별 품질 예측 학습 모델은
상기 무선 단말 장치와 연결된 다른 무선 단말 장치들과의 학습 데이터 교환에 따라 공유 형성되며,
상기 무선 통신부는 일정 주기에 따라 상기 학습 데이터 교환을 위한 변수 데이터를 상기 다른 무선 단말 장치들로 공유하는
무선 단말 장치.
제1항에 있어서,
상기 학습 기반 품질 예측 모듈은
상기 생성 변수로부터 통신 구간별 변수 정보를 획득하고, 상기 통신 구간별 변수 정보에 기초한 통신 구간별 관계 학습 연산에 따라, 상기 무선 네트워크별 품질 예측 학습 모델을 생성하는
무선 단말 장치.
제2항에 있어서,
상기 통신 구간별 변수 정보는
접속대상기기와 AP(Access Point) 접속점 간 유선 구간, AP 내부 구간, AP 및 무선 단말 장치 간 무선 구간 및 무선 단말 장치 내부 구간 중 적어도 하나의 통신 구간에 대응하는 물리적 변수 정보를 포함하고,
상기 물리적 변수 정보는,
상기 접속대상기기와 AP 접속점 간 유선 구간에 대응하는 유선 케이블 성능 정보, 접속대상기기의 IP 및 AP의 IP간 차이 정보와, 상기 AP 내부 구간에 대응하는 AP 하드웨어 성능 정보 및 연결 기기 수 정보와, 상기 AP 와 무선 단말 장치 간 무선 구간에 대응하는 프로토콜 정보, 신호 세기 정보, 주파수 대역 정보 및 채널/주파수 혼잡도 정보와, 상기 무선 단말 장치 내부 구간에 대응하는 무선 모듈 성능 정보, 무선 모듈 특성 정보 및 온도 정보 중 적어도 하나를 포함하는
무선 단말 장치.
제1항에 있어서,
상기 학습 기반 품질 예측 모듈은
상기 모델 생성 변수로부터 불변 요소 정보와 가변 요소 정보를 획득하고, 상기 불변 요소 정보에 기초한 관계 학습 연산에 따라, 상기 무선 네트워크별 품질 예측 학습 모델을 생성하며, 상기 가변 요소 정보와 상기 품질 예측 학습 모델간 관계 모델을 생성하고, 상기 모델 적용 변수를 상기 관계 모델의 가변 요소에 적용하여, 네트워크별 품질 예측 정보를 획득하고,
상기 불변 요소는 무선 네트워크를 제공하는 AP(Access point)의 성능 정보, 주변 AP 개수 정보, 통신 프로토콜 정보 중 적어도 하나를 포함하며,
상기 가변 요소는 상기 AP에 접속된 기기 수 정보, 접속 신호 세기 정보, TCP 소켓 목적지 IP 정보, RTT(round trip time) 정보, 윈도우 사이즈 정보, 송수신 데이터양 정보 중 적어도 하나를 포함하는
무선 단말 장치.
제1항에 있어서,
상기 복수의 무선 네트워크는 하나 이상의 WIFI 표준 네트워크를 포함하고,
상기 학습 기반 품질 예측 모듈은 상기 WIFI 표준 네트워크를 제공하는 AP의 하드웨어 정보 및 상기 무선 단말과의 신호 세기 정보를 상기 모델 적용 변수로서 획득하고, 상기 무선 네트워크별 품질 예측 학습 모델로부터, 상기 하드웨어 정보 및 신호 세기 정보에 대응하는 상기 무선 단말의 상기 WIFI 표준 네트워크 이용시의 품질 예측 정보를 획득하는
무선 단말 장치.
제1항에 있어서,
상기 복수의 무선 네트워크는 하나 이상의 이동 통신 네트워크를 포함하고,
상기 학습 기반 품질 예측 모듈은 상기 이동 통신 네트워크로부터 획득되는 최근 n개 데이터의 속도 샘플에 기초한 디케이(Decay) 함수를 처리하여 이동 평균 값을 획득하고, 상기 이동 평균 값에 대응하는 전송 성능 정보를 회귀 학습 처리하여, 상기 이동 통신 네트워크에 대응하는 품질 예측 학습 모델을 생성하는
무선 단말 장치.
제1항에 있어서,
상기 네트워크 결정부는,
상기 네트워크별 품질 예측 정보를, 미리 설정된 사용자 선호도 정보 또는 모드 설정 정보에 따라 비교하며, 상기 비교 결과에 따른 최적 네트워크를 상기 제1 무선 네트워크로 결정하는
무선 단말 장치.