KR20200119151A - A operating method of a quality expectation information providing apparatus for providing dynamic changing connections to wireless networks based on learning models of quality expectations - Google Patents
A operating method of a quality expectation information providing apparatus for providing dynamic changing connections to wireless networks based on learning models of quality expectations Download PDFInfo
- Publication number
- KR20200119151A KR20200119151A KR1020190041626A KR20190041626A KR20200119151A KR 20200119151 A KR20200119151 A KR 20200119151A KR 1020190041626 A KR1020190041626 A KR 1020190041626A KR 20190041626 A KR20190041626 A KR 20190041626A KR 20200119151 A KR20200119151 A KR 20200119151A
- Authority
- KR
- South Korea
- Prior art keywords
- information
- quality prediction
- network
- variable
- wireless
- Prior art date
Links
- 238000011017 operating method Methods 0.000 title claims description 4
- 238000000034 method Methods 0.000 claims abstract description 108
- 238000004891 communication Methods 0.000 claims description 75
- 238000012545 processing Methods 0.000 claims description 55
- 238000010295 mobile communication Methods 0.000 claims description 28
- 230000005540 biological transmission Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000007477 logistic regression Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 55
- 238000010586 diagram Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 230000006866 deterioration Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000002542 deteriorative effect Effects 0.000 description 3
- 238000007670 refining Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 239000004984 smart glass Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000013488 ordinary least square regression Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/364—Delay profiles
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W48/00—Access restriction; Network selection; Access point selection
- H04W48/18—Selecting a network or a communication service
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/10—Small scale networks; Flat hierarchical networks
- H04W84/12—WLAN [Wireless Local Area Networks]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
- H04W88/02—Terminal devices
- H04W88/06—Terminal devices adapted for operation in multiple networks or having at least two operational modes, e.g. multi-mode terminals
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Security & Cryptography (AREA)
- Quality & Reliability (AREA)
- Environmental & Geological Engineering (AREA)
- Electromagnetism (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
Description
본 발명은 품질 예측 정보 제공 장치 및 그 동작 방법에 관한 것이다. 보다 구체적으로, 본 발명은 품질 예측 학습 모델 기반의 동적 무선 네트워크 가변 접속을 제공하는 품질 예측 정보 제공 장치 및 그 동작 방법에 관한 것이다.The present invention relates to an apparatus for providing quality prediction information and an operating method thereof. More specifically, the present invention relates to an apparatus for providing quality prediction information for providing a dynamic wireless network variable access based on a quality prediction learning model and a method of operating the same.
전자, 통신 기술의 비약적인 발전에 따라 무선 네트워크를 이용한 서비스는 패킷(Packet) 데이터 등과 같이 데이터를 무선으로 송수신하는 통신 서비스로 발전해 가고 있다.With the rapid development of electronic and communication technologies, a service using a wireless network is developing into a communication service that transmits and receives data wirelessly, such as packet data.
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.Accordingly, the data usage of mobile terminals and the number of devices connected to the Internet are increasing exponentially, and the importance of the wireless Internet is becoming more and more prominent in the lives of modern people. If technologies such as VR, AR, IoT, and autonomous driving are actively commercialized with the advent of 5G mobile mobile communication and 6G Wi-Fi (802.11 ax, etc.) in the future, the dependence on the wireless network and expectations for the cost and quality of the network Will continue to increase.
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.With the increase in wireless Internet demand, wireless networks are provided in various forms, protocols, and communication methods. In particular, base station-based mobile communication networks and WIFI standard-based wireless networks based on AP (ACCESS POINT) Due to infrastructure investment in networks, wireless networks can now be used anywhere in the world.
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.However, due to the rapid increase in usage of wireless networks, the quality of the wireless network is deteriorating day by day. On the other hand, mobile communication companies and the like are investing excessive infrastructure construction costs to build a new communication network, which leads to a cost burden on consumers.
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.Accordingly, wireless network users are choosing and using a wireless network in consideration of cost burden. In particular, a WIFI standard network that has no cost or is cheaper than a high-cost wireless network based on a mobile communication network is intended to be used. However, in the case of a WIFI standard network, there is a problem in that the quality of the network cannot be stably maintained due to decentralized ownership and operation. For example, when connected to a WIFI AP with a weak signal or low performance, wireless Internet may not be used several times a day.
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.Due to this problem, the user directly observes the access speed of wireless networks, selects and uses the fastest and most cost-effective network, and sets to switch back to the mobile communication network when experiencing a decrease in speed.
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.However, this method has a problem in that the user experiences a process of deteriorating quality at least temporarily, and it is difficult to provide a seamless (SEAMLESS) wireless Internet use due to a reconnection process and connection delay that occur during network switching.
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.In addition, the quality of a wireless network should be determined not only by a simple speed, but also by various variables such as cost, responsiveness, and device performance, but currently, there is a limit in which the network can only be determined by only the signal strength, which is a primary variable experienced by the user.
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 현재 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 품질 예측 정보 제공 장치 및 그 동작 방법을 제공하는 데 그 목적이 있다.The present invention was devised to solve the above-described problem, and generates a quality prediction learning model for each network corresponding to a plurality of accessible wireless networks in advance, and based on this, the quality prediction information for each network compared to the current model application variable Quality prediction that enables fast network switching before users experience actual quality degradation and minimizes access delays caused by network switching.Quality prediction that provides dynamic wireless network variable access based on a learning model An object of the present invention is to provide an information providing device and a method of operating the same.
상기한 바와 같은 과제를 해결하기 위한 본 발명의 실시 예에 따른 방법은, 복수의 무선 네트워크에 접속 가능한 품질 예측 정보 제공 장치의 동작 방법에 있어서, 무선 네트워크별 품질 예측을 위한 모델 생성 변수를 처리하는 단계; 상기 모델 생성 변수의 관계 학습 연산에 따라, 상기 무선 네트워크별 품질 예측 학습 모델을 생성하는 단계; 및 상기 무선 네트워크별 품질 예측 학습 모델 또는 상기 무선 네트워크별 품질 예측 학습 모델을 이용한 네트워크별 품질 예측 정보를 무선 단말 장치로 제공하는 단계를 포함하고, 상기 무선 단말 장치는 상기 무선 네트워크별 품질 예측 학습 모델 또는 상기 네트워크별 품질 예측 정보에 기초하여 상기 복수의 무선 네트워크 중 상기 데이터 패킷을 전송할 제1 무선 네트워크를 결정하고, 상기 결정된 제1 무선 네트워크를 이용하여 상기 데이터 패킷을 대상 기기로 무선 전송하는 기기인 것을 특징으로 한다.A method according to an embodiment of the present invention for solving the above-described problems, in the operating method of the apparatus for providing quality prediction information accessible to a plurality of wireless networks, processes a model generation variable for quality prediction for each wireless network. step; Generating a quality prediction learning model for each wireless network according to a relationship learning operation of the model generation variable; And providing, to a wireless terminal device, quality prediction information for each network using the quality prediction learning model for each wireless network or the quality prediction learning model for each wireless network, wherein the wireless terminal device is a quality prediction learning model for each wireless network. Or a device that determines a first wireless network to transmit the data packet from among the plurality of wireless networks based on the quality prediction information for each network, and wirelessly transmits the data packet to a target device using the determined first wireless network. It features.
또한, 상기한 바와 같은 과제를 해결하기 위한 본 발명의 실시 예에 따른 장치는, 복수의 무선 네트워크에 접속 가능한 품질 예측 정보 제공 장치에 있어서, 무선 네트워크별 품질 예측 모델 생성 변수를 처리하는 모델 생성 변수 수집부; 상기 모델 생성 변수의 관계 학습 연산에 따라, 상기 무선 네트워크별 품질 예측 학습 모델을 생성하는 학습 기반 품질 예측 모듈; 상기 무선 네트워크별 품질 예측 학습 모델 또는 상기 무선 네트워크별 품질 예측 학습 모델을 이용한 네트워크별 품질 예측 정보를 무선 단말 장치로 제공하는 정보 서비스 제공부를 포함하고, 상기 무선 단말 장치는 상기 무선 네트워크별 품질 예측 학습 모델 또는 상기 네트워크별 품질 예측 정보에 기초하여 상기 복수의 무선 네트워크 중 상기 데이터 패킷을 전송할 제1 무선 네트워크를 결정하고, 상기 결정된 제1 무선 네트워크를 이용하여 상기 데이터 패킷을 대상 기기로 무선 전송하는 기기인 것을 특징으로 한다.In addition, in the apparatus according to an embodiment of the present invention for solving the above problems, in an apparatus for providing quality prediction information accessible to a plurality of wireless networks, a model generation variable for processing a quality prediction model generation variable for each wireless network Collection unit; A learning-based quality prediction module for generating a quality prediction learning model for each wireless network according to a relationship learning operation of the model generation variable; And an information service providing unit that provides the quality prediction learning model for each wireless network or the quality prediction information for each network using the quality prediction learning model for each wireless network to a wireless terminal device, wherein the wireless terminal device learns quality prediction for each wireless network A device that determines a first wireless network to transmit the data packet from among the plurality of wireless networks based on a model or the quality prediction information for each network, and wirelessly transmits the data packet to a target device using the determined first wireless network It is characterized by being.
한편, 상기한 바와 같은 과제를 해결하기 위한 본 발명의 실시 예에 따른 방법은, 상기 방법을 컴퓨터에서 실행시키기 위한 프로그램 및 상기 프로그램이 기록된 컴퓨터가 읽을 수 있는 기록 매체로 구현될 수 있다.Meanwhile, the method according to an embodiment of the present invention for solving the above-described problems may be implemented with a program for executing the method in a computer and a computer-readable recording medium in which the program is recorded.
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.According to an embodiment of the present invention, a quality prediction learning model for each network corresponding to a plurality of accessible wireless networks may be generated in advance, and quality prediction information for each network may be calculated based on the current model application variable. By predicting quality degradation in advance through a learning process based on various variables, it is possible to provide a dynamic variable access of a wireless network.
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. Accordingly, according to an embodiment of the present invention, it is possible to enable a fast network switch before the user experiences an actual quality deterioration, and minimize an access delay caused by the network switch.
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.1 is a conceptual diagram schematically showing an entire system according to an embodiment of the present invention.
2 is a block diagram showing in more detail a wireless terminal device according to an embodiment of the present invention.
3 and 4 are flowcharts illustrating a method of operating a wireless terminal device according to an embodiment of the present invention.
5 is a conceptual diagram schematically illustrating a system based on an apparatus for providing quality prediction information according to an embodiment of the present invention.
6 is a block diagram specifically showing an apparatus for providing quality prediction information according to an embodiment of the present invention.
7 is a flowchart illustrating an operation of an apparatus for providing quality prediction information according to an embodiment of the present invention.
8 is a block diagram illustrating a learning-based quality prediction module according to an embodiment of the present invention in more detail.
9 to 10 are diagrams for explaining a data merging and sharing process of a learning-based quality prediction model according to an embodiment of the present invention.
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.The following content merely illustrates the principles of the present invention. Therefore, those skilled in the art can implement the principles of the present invention and invent various devices included in the concept and scope of the present invention, although not clearly described or illustrated herein. In addition, it is understood that all conditional terms and examples listed in this specification are, in principle, expressly intended only for the purpose of making the concept of the present invention understood, and are not limited to the embodiments and states specifically listed as such. Should be.
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.In addition, it is to be understood that all detailed descriptions listing specific embodiments as well as principles, aspects and embodiments of the present invention are intended to include structural and functional equivalents of these matters. It should also be understood that these equivalents include not only currently known equivalents, but also equivalents to be developed in the future, that is, all devices invented to perform the same function regardless of structure.
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.Thus, for example, the block diagrams herein are to be understood as representing a conceptual perspective of exemplary circuits embodying the principles of the invention. Similarly, all flowcharts, state transition diagrams, pseudocodes, etc. are understood to represent various processes performed by a computer or processor, whether or not the computer or processor is clearly depicted and that can be represented substantially in a computer-readable medium. Should be.
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.In addition, the explicit use of terms presented as processor, control, or similar concepts should not be interpreted exclusively by referring to hardware capable of executing software, and without limitation, digital signal processor (DSP) hardware, ROM for storing software. It should be understood to implicitly include (ROM), RAM, and non-volatile memory. Other commonly used hardware may also be included.
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. The above-described objects, features, and advantages will become more apparent through the following detailed description in connection with the accompanying drawings, whereby those of ordinary skill in the technical field to which the present invention pertains can easily implement the technical idea of the present invention. There will be. In addition, in describing the present invention, when it is determined that a detailed description of a known technology related to the present invention may unnecessarily obscure the subject matter of the present invention, a detailed description thereof will be omitted.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 일실시예를 상세히 설명하기로 한다.Hereinafter, a preferred embodiment according to the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명의 실시 예에 따른 전체 시스템을 개략적으로 도시한 도면이다.1 is a diagram schematically showing an entire system according to an embodiment of the present invention.
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.Referring to FIG. 1, a system according to an embodiment of the present invention includes a learning-based
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.First, each wireless network includes a local area network (LAN), a wide area network (WAN), a value added network (VAN), a personal area network (PAN), and a mobile communication network. Mobile radiocommunication network) or a satellite communication network may be implemented as various types of wireless networks, and each base station or access point (AP) device for providing the same may be provided in a remote location.
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.In particular, in order to provide a local area communication network, the wireless network may include a WIFI wireless network based on a WIFI standard, and each access point may broadcast device information for operating a Wi-Fi service coverage.
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.Meanwhile, the
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.In addition, according to an embodiment of the present invention, the
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.Here, the learning-based
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.In addition, the learning process may include a supervised or non-supervised artificial neural network learning process, regression analysis learning, deep learning analysis, and the like, which will be described in more detail later.
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.In addition, the
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.Accordingly, the
도 2는 본 발명의 실시 예에 따른 무선 단말 장치를 보다 구체적으로 도시한 블록도이다.2 is a block diagram showing in more detail a wireless terminal device according to an embodiment of the present invention.
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.Referring to FIG. 2, a
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.The
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.In addition, all or part of the functions of the
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.Further, the communication unit 120 connects to the
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. In particular, the communication unit 120 may include a wireless Internet module for accessing at least one of the
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.In addition, the communication unit 120 may include a short-range communication module for connecting to at least one of the
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.On the other hand, the communication unit 120 may include a mobile communication module for mobile communication access to at least one of the wireless networks (200a, 200b, ... 200n) and a mobile communication protocol, for this purpose, a base station on a mobile communication network, an external It is possible to transmit and receive a wireless signal with at least one of the terminal, the connection target device or the server The wireless signal may include a voice call signal, a video call signal, or various types of data according to transmission/reception of text/multimedia messages.
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.Further, the communication unit 120 can selectively variably control the communication module for wireless transmission of data packets under the control of the
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.In order to determine the quality prediction information for each network, the learning-based
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.Here, the model generation
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.For example, the learning-based
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.In addition, the learning-based
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.Here, the variable information may be divided into a model generation variable for generating a learning base of the prediction model and a model application variable for applying to the generated prediction model. Each variable information may include basic variable information that is primarily obtained for generating or applying a model for network quality prediction information, and may include a model generation variable refined from the basic variable information.
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.In addition, the model generation
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.In addition, the model application
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.Accordingly, the model generation variable and the model application variable according to an embodiment of the present invention may be composed of variables that can be obtained by being refined from basic variable information, respectively, and the predictive model generation process and the learning model generation method and type , Application time, application target, required output value, etc. can be determined independently and differently.
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.Such variable information may include variable information for each communication section, for example. The variable information for each communication section is a physical variable corresponding to at least one of a wired section between a target device and an AP (Access Point) access point, an AP internal section, a wireless section between the AP and a wireless terminal device, and a wireless terminal device internal section. May contain information. Here, the AP access point may mean a wireless network access point such as a WIFI router or a base station.
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.More specifically, the physical variable information may include wired cable performance information corresponding to a wired section between the connection target device and the AP access point, and difference information between the IP of the connected device and the IP of the AP.
또한, 상기 물리적 변수 정보는, 상기 AP 내부 구간에 대응하는 AP 하드웨어 성능 정보 및 연결 기기 수 정보를 포함할 수 있다.In addition, the physical variable information may include AP hardware capability information and number of connected devices corresponding to the AP internal section.
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.In addition, it may include at least one of protocol information, signal strength information, frequency band information, and channel/frequency congestion information corresponding to a radio section between the AP and the wireless terminal device.
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.Here, the protocol information may include a communication protocol, for example, in the case of a WIFI network, a protocol based on 802.11n and 802.11ac standards, and in the case of a mobile communication network, a standard-based protocol such as GSM, LTE-A, and LTE. This can be illustrated.
또한, 프로토콜 정보는 암호화 프로토콜을 포함할 수 있는 바, WIFI의 경우 개방형, WEP, WPA2 등의 암호화 프로토콜이 예시될 수 있다.In addition, since the protocol information may include an encryption protocol, in the case of WIFI, an encryption protocol such as open type, WEP, and WPA2 may be exemplified.
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.Meanwhile, the physical variable information may include at least one of wireless module performance information, wireless module characteristic information, and temperature information corresponding to an internal section of the
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.In addition, the model application variable processing unit 140 may also process a data request and refining process for generating model application variables to the
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.In addition, as a performance index of a wireless network, RTT (round trip time) information of a TCP socket that can be computed from basic variable information, window size information, and transmission/reception data amount information can be exemplified as a refined model generation variable. The
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.Accordingly, the learning-based
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.In addition, the variable information is classified into constant element information and variable element information, and may be used for selecting a model generation variable, generating a predictive model, or determining a model application variable.
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.Here, the variable factor is a factor in which the degree of influence on the quality of the wireless communication network is continuously variable, and for example, information on the number of AP access devices and information on signal strength (RSSI) may be exemplified, as a variable performance index. TCT socket destination IP information, RTT information, window size information, and transmission/reception data amount information may be exemplified.
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.In addition, the constant element is an element whose degree of influence on the quality of the wireless communication network is unchanged, and may include hardware performance information of an AP, information on the number of neighboring APs, and communication protocol information.
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.For example, the learning-based
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.In addition, the learning-based
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.For example, in order to obtain quality prediction information for each network, first, the learning-based
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.And when the quality prediction information for each network is required, the learning-based
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.For example, during wireless communication through Wi-Fi, the power strength (milliWatt) of radio waves emitted from a specific Wi-Fi AP may be generated according to the performance and settings of the AP, and the model generation
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.The radiated power intensity may be different depending on the frequency of the AP (for example, 5GHz, 2.4GHz, etc.) and AP performance and settings, and the power intensity received by the
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.Accordingly, the model generation
여기서, PTransmitted는 AP 고유의 발산 파워 정보로서, AP의 프로토콜, 공간 트림, 모듈레이션, 코딩 레이트에 따라 상이할 수 있다. 그리고, GAntenna gain1은 AP 고유의 안테나 이득성 정보를 나타내며, AEffective는 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.Here, P Transmitted is AP-specific emission power information, and may be different according to the AP protocol, spatial trim, modulation, and coding rate. In addition, G Antenna gain1 represents the antenna gain information specific to the AP, A Effective represents the antenna's inherent effective aperture or isotropic degree of the
여기서, AEffective는 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.Here, A Effective can be obtained through polarization of radio waves, the law of thermodynamics, Rayleigh-Jeans Formula, and Johnson-Nyquist noise calculations. ) Received power can be calculated by arithmetic processing.
여기서, GAntenna gain2는 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.Here, G Antenna gain2 denotes antenna gain information specific to a terminal of the
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.here, Wow Can be calculated as a unique value for each connection point, and Is Since it is calculated as, it can be obtained from the value of the frequency. Since is characteristic information of the antenna of the
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.Accordingly, the learning-based
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.Learning-based
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.In addition, the model generation
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.Meanwhile, the model generation
예를 들어, TCP 통신에서, 현재 소켓의 출력(Throughput)은 송신 패킷(Packets in Flight)의 형태로 정의될 수 있으며, 이는 아래와 같다.For example, in TCP communication, the output (Throughput) of the current socket may be defined in the form of a transmission packet (Packets in Flight), which is as follows.
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.The number of data sockets used by the communication unit 120 may be plural, and the speed at a specific time may be calculated as a sum or average of outputs of each socket. Accordingly, the learning-based
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.According to the quality prediction model learning processing for each wireless network, maximum speed information corresponding to the minimum signal strength information for each wireless network may be calculated, and the predicted link speed may be determined in a variable limit.
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.Equation 5 below is an example of output when a data-weighted average variable is limited to a link speed for a signal strength (RSSI) at a specific point in time.
여기서, 로 정의될 수 있다.here, Can be defined as
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.Accordingly, the learning-based
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.For example, the learning-based
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.On the other hand, the learning-based
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.Here, the decay function may be a process such as an exponential moving average, and the learning-based
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.For example, in the case of an exponential moving average, the learning-based
where 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.Here, if the Exponential Moving Average is calculated using the recent N random number, the coefficient The approximate value of can be defined as in Equation 8 below.
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.As described above, the learning-based
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.In addition, an unsupervised learning method such as Dictionary Learning, Independent Component Analysis, Autoencoders, or various types of clustering may be used, and an analysis process such as Decision Trees and Anomaly Detection may be used.
또한, 학습 기반 품질 예측 모듈(200)은 각각의 사용자로부터 실시간으로 수집되는 데이터를 모델 생성 변수로서 활용한 Reinforcement Learning 알고리즘을 사용할 수도 있다.In addition, the learning-based
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.In the case of regression, methods such as Projection, Maximum Likelihood, Generalized Methods of Moments including Ordinary Least Squares method may be exemplified.In the above-described Supervised, Unsupervised, and Reinforcement processing, the least squares method and the gradient descent method Through regression model, backpropagation method, deep learning, entropy minimization process, etc. may be included.
보다 구체적으로, 학습 기반 품질 예측 모듈(200)의 지도 학습 및 비 지도 학습 프로세스는 입력 값에 따라 결정될 수 있다.More specifically, supervised learning and unsupervised learning processes of the learning-based
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.For example, as supervised learning to predict the performance of a specific AP with a specific index (e.g., speed), a classification method can be used, and the performance of a specific access point can be determined by specific criteria (e.g., Good, Normal, Bad) can be exemplified.
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.Here, Classification is a supervised learning algorithm that classifies output into specific classes for specific inputs, such as Logistic Regression, Naive Bayes, Stochastic Gradient Descent, K-Nearest Neighbors, Decision Tree, Random Forest, Support Vector Machine, etc. This can be illustrated.
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.Accordingly, the learning-based
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.In addition, as non-supervised learning for predicting the performance of a specific AP with a specific index (e.g., speed), clustering can be used, and the performance of a specific access point is classified and classified by random clustered criteria. The way to do it can be illustrated.
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.Accordingly, the learning-based
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.Here, clustering is an unsupervised learning algorithm that divides the output into specific classes for specific inputs.K-means, Fuzzy K-means, Hierarchical clustering, Mixture of Gaussians, Mean-Shift Clustering, Density-Based Spatial Clustering of Applications with Noise (DBSCAN), etc. may be exemplified.
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.Meanwhile, the model application variable processor 140 determines a model application variable for quality prediction by the learning-based
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.Here, the model application variable may be determined by collecting and refining the above-described variable information. The model application variable affects the current or future network quality in consideration of the
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.Accordingly, the learning-based
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.For example, the model application variable processor 140 may obtain model application variables from the
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.For example, the learning-based
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.In addition, the learning-based
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.As described above, the model application variable information may include a variable element, and the constant element may also be used as a model application variable. These model application variables may be determined according to variables used to generate a predictive model.
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.For example, when a relationship model between the variable element information and the quality prediction learning model is constructed, the model application variable may be variable element information applicable to the relationship model.
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.In addition, for example, when a relationship model between the invariant element information and the quality prediction learning model is generated, the model application variable may include invariant element information applicable to the relationship model.
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.In addition, since the variable element and the constant element may be used in combination, it may be determined in various ways according to functions and variables used to generate a prediction model.
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. More specifically, for example, the model application variable processing unit 140 collects sensor information corresponding to a specific environment and environment information for each wireless communication network, calculates it as a model application variable, and the learning-based
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.For example, the model application variable processor 140 refines the RSSI information, which is the signal strength of the wireless communication network, into a basic variable, and determines the distance information between the AP and the terminal as a model application variable, and the learning-based
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.In addition, for example, the model application variable processing unit 140 may refine the speed (Velocity) or acceleration information of the
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.The learning-based
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.Meanwhile, the network determination unit 150 compares the quality prediction information for each network according to preset user preference information or mode setting information, and transmits the optimal network according to the comparison result to a first wireless network to transmit a data packet. You can decide.
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.More specifically, the network determination unit 150 may determine a wireless network interface to be driven by the communication unit 120 or a network to which a socket generated for data packet transmission is bound according to a result of the comparison determination.
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.In addition, the network determiner 150 may compare and determine a network to be used based on at least one of quality information for each network, user preference information for speed and cost, and user setting mode information. The comparison determination process may be determined according to either a static determination or a learning determination.
정적 판단 방식은 예를 들어, 변수 비교에 따라 결정되는 것으로, 사용자의 속도 및 품질 선호도 설정에 따른 판단이 예시될 수 있다.The static determination method is determined, for example, according to variable comparison, and determination according to the user's speed and quality preference setting may be exemplified.
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.For example, when the user prefers speed, the network determination unit 150 may determine a network having a high quality variable, and when the user prefers cost, determine a WIFI network having a quality higher than a certain standard as the first network. However, if such a network does not exist, it can be processed to determine a mobile communication network. In addition, when quality and preference information is insufficient, the network determination unit 150 may set a plurality of sockets, bind to each connectable network, and determine a socket from which the first response comes earlier as the first network.
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.In addition, the network determination unit 150 The user preference can be determined based on the learning decision, and the network determination unit 150 performs actions defined as negative rewards such as a Wi-Fi Off action or a manual connection to another Wi-Fi from a user input. Is learned as an indicator that does not prefer a specific network, and thus learned user preference information may be used to determine the aforementioned first network.
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.In addition, the determination of the first wireless network by the network determination unit 150 may be periodically processed according to a certain time or may be processed at a specific time according to a certain condition in which quality deterioration of the current network is predicted. Through the processing, the user may feel little or no quality degradation.
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.In addition, the communication unit 120 may wirelessly transmit the data packet to the access target device 300 by using the determined first wireless network according to the determination of the network determination unit 150.
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.For such processing, the communication unit 120 may process network control, and process data transmission through the first wireless network in a manner that directly drives the network interface with hardware or controls the network layer by an application. can do.
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.For example, in the case of an application, data transmission through the first wireless network can be processed in the form of creating a socket and binding a specific network interface, which enables simultaneous use of a Wi-Fi wireless communication network and a cellular wireless communication network. .
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.Meanwhile, the
예를 들어, 사용자 모드는 속도 모드, 균형 모드 또는 비용 모드 중 어느 하나일 수 있다.For example, the user mode may be any one of a speed mode, a balanced mode, or a cost mode.
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.The fast mode may be set when a terminal user who has no limit on the use of mobile communication data uses a short-range wireless communication network to amplify the speed. In this case, the
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.The balance mode may be a setting in which a terminal user having a limitation in using mobile communication data uses a short-range wireless communication network to amplify speed, but preferentially uses a short-range wireless communication network based on a certain speed or quality. The
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.On the other hand, the price mode is a case in which a user with limited mobile communication data use uses a short-range wireless communication network as much as possible to save data, and the
도 3 및 도 4는 본 발명의 실시 예에 따른 무선 단말 장치의 동작 방법을 설명하기 위한 흐름도이다.3 and 4 are flowcharts illustrating a method of operating a wireless terminal device according to an embodiment of the present invention.
도 3을 참조하면, 먼저 무선 단말 장치(100)는 모델 생성 변수 처리부(130)를 통해, 무선 네트워크 품질 모델 생성 변수를 수집한다(S101).Referring to FIG. 3, first, the
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).Then, the
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).Thereafter, the
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).Then, the
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).Thereafter, the
그리고, 통신부(120)는 결정된 무선 네트워크를 통해 데이터 패킷을 송신한다(S113).Then, the communication unit 120 transmits the data packet through the determined wireless network (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). Here, FIG. 4 is for describing a socket-based wireless network transmission process of the
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).Then, the network determination unit 150 compares the network quality prediction information and user preference information that is statically determined or formed by learning, item by item, and determines one or more wireless networks (S153).
여기서, 사용자 선호도 정보는 전술한 사용자 모드 설정 정보에 의해 결정될 수도 있으며, 무선 네트워크는 복수 개 결정될 수도 있다.Here, the user preference information may be determined by the above-described user mode setting information, and a plurality of wireless networks may be determined.
이후, 통신부(120)는 상기 생성된 소켓을 상기 결정된 무선 네트워크에 대응하는 네트워크 인터페이스에 바인딩하여 연결한다(S155).Thereafter, the communication unit 120 binds and connects the generated socket to a network interface corresponding to the determined wireless network (S155).
이에 따라, 통신부(120)는 연결된 소켓을 통해 데이터 패킷을 무선 전송할 수 있다(S157).Accordingly, the communication unit 120 may wirelessly transmit the data packet through the connected socket (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.5 is a conceptual diagram schematically showing a system based on an apparatus for providing quality prediction information according to another embodiment of the present invention, and FIG. 6 is a block diagram showing in detail an apparatus for providing quality prediction information according to an embodiment of the present invention.
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.5 and 6 illustrate a system in which the
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.Here, each of the wired/wireless networks that can be accessed is a local area network (LAN), a wide area network (WAN), a value added network (VAN), and a personal area network (PAN). ), a mobile radiocommunication network, a satellite communication network, and the like, and each base station or access point (AP) device for providing the same may be provided in a remote location.
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.In particular, in order to provide a local area communication network, the wireless network may include a WIFI wireless network based on a WIFI standard, and each access point may broadcast device information for operating a Wi-Fi service coverage.
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.Meanwhile, the
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.In addition, according to an embodiment of the present invention, the
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.Here, the learning-based
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.In addition, the
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.Here, the quality prediction
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.To this end, the information service provider 470 may provide a quality prediction learning model for each wireless network or may provide quality prediction information for each network corresponding to a model application variable according to a request from the
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.Accordingly, the
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.More specifically, referring to FIG. 6, the
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.The
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.In addition, the communication unit 420 connects to the
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. In particular, the communication unit 420 may include a wireless Internet module for connecting to at least one of the
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.In addition, the communication unit 120 may include a short-range communication module for short-range communication access to at least one of the
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.Meanwhile, the communication unit 120 may include a mobile communication module for mobile communication connection with at least one of the
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 있다In addition, the communication unit 420 may provide the quality prediction information for each network to the
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.In order to determine the quality prediction information for each network, the learning-based
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.Here, the model generation
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.In addition, the information service provider 470 may provide an information service for transmitting the quality prediction learning model information for each wireless network generated by the learning-based
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.In addition, the information service providing unit 470 may transfer information of the
그리고, 정보 서비스 제공부(470)는 획득된 상기 네트워크별 품질 예측 정보를 통신부(420)를 통해 무선 단말 장치(100)로 전송할 수 있다.In addition, the information service provider 470 may transmit the obtained network-specific quality prediction information to the
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.Accordingly, the
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.In addition, since the
도 7은 본 발명의 실시 예에 따른 품질 예측 정보 제공 장치의 동작을 설명하기 위한 흐름도이다.7 is a flowchart illustrating an operation of an apparatus for providing quality prediction information according to an embodiment of the present invention.
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).Referring to FIG. 7, the
그리고, 모델 생성 변수 처리부(430)는 품질 예측 학습 모델 생성을 위해, 모델 생성 변수에 대한 변수 정제 처리를 수행한다(S202).Then, the model generation
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).In addition, the learning-based
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).Thereafter, the
그리고, 품질 예측 정보 제공 장치(400)는, 모델 적용 변수의 품질 예측 학습 모델 적용에 따라, 네트워크별 품질 예측 정보를 획득한다(S207).Then, the
이후, 품질 예측 정보 제공 장치(400)는 무선 단말로 네트워크별 품질 예측 정보를 제공한다(S209).Thereafter, the
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.In this way, by providing the
도 8은 본 발명의 실시 예에 따른 학습 기반 품질 예측 모듈을 보다 구체적으로 설명하기 위한 구성도이다.8 is a block diagram illustrating a learning-based quality prediction module according to an embodiment of the present invention in more detail.
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.Referring to FIG. 8, the learning-based
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.The learning-based
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.Through the iterative processing of such a learning process, a wireless network quality prediction model corresponding to a quality model generation variable for each wireless network may be built, and the built prediction model is stored in the wireless network quality prediction model storage unit 250, or It is transmitted to the database of the
도 9 내지 도 10은 본 발명의 실시 예에 따른 학습 기반 품질 예측 모델의 데이터 병합 공유 프로세스를 설명하기 위한 도면들이다.9 to 10 are diagrams for explaining a data merging and sharing process of a learning-based quality prediction model according to an embodiment of the present invention.
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.The data on the performance of each wireless
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.Accordingly, referring to FIGS. 9 and 10, the learning-based quality prediction model according to an embodiment of the present invention may be formed by merging shared data, and data exchange for this may be performed by the
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.First, FIG. 9 shows a case where the learning-based
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.For example, the
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.Here, each wireless terminal device may be connected to a data sharing network such as a block chain network, and each wireless terminal device may store learning model data in a shared DB based on a block chain network.
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.Thereafter, the specific
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.In addition, the
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.In the data merging process, the additional data may be merged by weighting according to the similarity between variables of the previously stored data (eg, model, number of connected devices, time zone) and variables of the
또한, 공유 데이터의 이용이 필수적인 것은 아니어서, 무선 단말 장치(100) 개별적으로 수집한 데이터만을 이용하여 학습 및 예측 처리를 수행할 수도 있다.In addition, since the use of shared data is not essential, the
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.On the other hand, FIG. 10 shows a case where the learning-based
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.For example, the
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.In addition, the quality prediction
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.For example, in order to predict performance information of a specific AP for determining a wireless network in a specific
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.When the
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.In the data merging process, the additional data may be merged by weighting according to the similarity between variables of the previously stored data (eg, model, number of connected devices, time zone) and variables of the
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.Meanwhile, the above-described method according to various embodiments of the present invention may be implemented as a program and provided to each server or devices while being stored in various non-transitory computer readable media. Accordingly, the
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.The non-transitory readable medium refers to a medium that stores data semi-permanently and can be read by a device, not a medium that stores data for a short moment, such as a register, cache, or memory. Specifically, the above-described various applications or programs may be provided by being stored in a non-transitory readable medium such as a CD, DVD, hard disk, Blu-ray disk, USB, memory card, and ROM.
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.In addition, although the preferred embodiments of the present invention have been illustrated and described above, the present invention is not limited to the specific embodiments described above, and the technical field to which the present invention belongs without departing from the gist of the present invention claimed in the claims. In addition, various modifications are possible by those of ordinary skill in the art, and these modifications should not be individually understood from the technical spirit or prospect of the present invention.
Claims (16)
무선 네트워크별 품질 예측 모델 생성 변수를 처리하는 단계;
상기 모델 생성 변수의 관계 학습 연산에 따라, 상기 무선 네트워크별 품질 예측 학습 모델을 생성하는 단계;
상기 무선 단말 장치의 모델 적용 변수를 결정하는 단계;
상기 모델 적용 변수를 무선 네트워크별 품질 예측 학습 모델에 적용하여, 접속가능한 네트워크별 품질 예측 정보를 획득하는 단계; 및
상기 무선 네트워크별 품질 예측 학습 모델 또는 상기 무선 네트워크별 품질 예측 학습 모델을 이용한 네트워크별 품질 예측 정보를 무선 단말 장치로 제공하는 단계를 포함하고,
상기 학습 모델을 생성하는 단계는,
상기 모델 생성 변수로부터 무선 네트워크를 제공하는 AP(Access point)의 성능 정보, 주변 AP 개수 정보, 통신 프로토콜 정보 중 적어도 하나를 포함하는 불변 요소 정보와, 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 가변 요소 정보를 분류하는 단계;
상기 불변 요소 정보에 기초한 관계 학습 연산에 따라, 상기 무선 네트워크별 품질 예측 학습 모델을 생성하는 단계; 및
상기 가변 요소 정보와, 상기 품질 예측 학습 모델간 관계 모델을 생성하는 단계;를 포함하고,
상기 접속가능한 네트워크별 품질 예측 정보를 획득하는 단계는,
상기 모델 적용 변수를 상기 관계 모델의 가변 요소에 적용하여, 네트워크별 품질 예측 정보를 획득하는 단계;를 포함하며,
상기 무선 단말 장치는 상기 무선 네트워크별 품질 예측 학습 모델 또는 상기 네트워크별 품질 예측 정보에 기초하여 상기 복수의 무선 네트워크 중 상기 데이터 패킷을 전송할 제1 무선 네트워크를 결정하고, 상기 결정된 제1 무선 네트워크를 이용하여 상기 데이터 패킷을 대상 기기로 무선 전송하는 기기인
품질 예측 정보 제공 장치의 동작 방법.
In the operating method of the apparatus for providing quality prediction information accessible to a plurality of wireless networks,
Processing a quality prediction model generation variable for each wireless network;
Generating a quality prediction learning model for each wireless network according to a relationship learning operation of the model generation variable;
Determining a model application variable of the wireless terminal device;
Obtaining quality prediction information for each accessible network by applying the model application variable to a quality prediction learning model for each wireless network; And
Providing the quality prediction learning model for each wireless network or the quality prediction information for each network using the quality prediction learning model for each wireless network to a wireless terminal device,
Generating the learning model,
Invariant element information including at least one of performance information of an access point (AP) providing a wireless network, information on the number of neighboring APs, and communication protocol information from the model generation variable, information on the number of devices connected to the AP, and strength of an access signal Classifying variable element information including at least one of information, TCP socket destination IP information, round trip time (RTT) information, window size information, and transmission/reception data amount information;
Generating a quality prediction learning model for each wireless network according to a relational learning operation based on the constant element information; And
Generating a relationship model between the variable element information and the quality prediction learning model; Including,
The step of obtaining the quality prediction information for each accessible network,
Including; applying the model application variable to the variable element of the relationship model, obtaining quality prediction information for each network; and
The wireless terminal device determines a first wireless network to transmit the data packet from among the plurality of wireless networks based on the quality prediction learning model for each wireless network or the quality prediction information for each network, and uses the determined first wireless network. A device that wirelessly transmits the data packet to a target device
A method of operating an apparatus for providing quality prediction information.
상기 학습 모델을 생성하는 단계는,
통신 구간별 변수 정보를 처리하여 상기 모델 생성 변수로서 획득하는 단계; 및
상기 통신 구간별 변수 정보에 기초한 통신 구간별 관계 학습 연산에 따라, 상기 무선 네트워크별 품질 예측 학습 모델을 생성하는 단계를 더 포함하는
품질 예측 정보 제공 장치의 동작 방법.The method of claim 1,
Generating the learning model,
Processing variable information for each communication section to obtain the model generation variable; And
The step of generating a quality prediction learning model for each wireless network according to a relation learning operation for each communication section based on the variable information for each communication section.
A method of operating an apparatus for providing quality prediction information.
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 포함하는
품질 예측 정보 제공 장치의 동작 방법.The method of claim 2,
The variable information for each communication section is
Including physical variable information corresponding to at least one communication section among a wired section between an access target device and an AP (Access Point) access point, an AP internal section, a wireless section between the AP and a wireless terminal device, and a wireless terminal device internal section
A method of operating an apparatus for providing quality prediction information.
상기 물리적 변수 정보는,
상기 접속대상기기와 AP 접속점 간 유선 구간에 대응하는 유선 케이블 성능 정보, 접속대상기기의 IP 및 AP의 IP간 차이 정보를 포함하는
품질 예측 정보 제공 장치의 동작 방법.The method of claim 3,
The physical variable information,
Wired cable performance information corresponding to the wired section between the connection target device and the AP access point, including information on the difference between the IP of the connection target device and the IP of the AP
A method of operating an apparatus for providing quality prediction information.
상기 물리적 변수 정보는,
상기 AP 내부 구간에 대응하는 AP 하드웨어 성능 정보 및 연결 기기 수 정보를 포함하는
품질 예측 정보 제공 장치의 동작 방법.The method of claim 3,
The physical variable information,
Including AP hardware capability information and number of connected devices corresponding to the AP inner section
A method of operating an apparatus for providing quality prediction information.
상기 물리적 변수 정보는,
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 포함하는
품질 예측 정보 제공 장치의 동작 방법.The method of claim 3,
The physical variable information,
Including at least one of protocol information, signal strength information, frequency band information, and channel/frequency congestion information corresponding to a radio section between the AP and the wireless terminal device
A method of operating an apparatus for providing quality prediction information.
상기 물리적 변수 정보는,
상기 무선 단말 장치 내부 구간에 대응하는 무선 모듈 성능 정보, 무선 모듈 특성 정보 및 온도 정보 중 적어도 하나를 포함하는
품질 예측 정보 제공 장치의 동작 방법.The method of claim 3,
The physical variable information,
Including at least one of wireless module performance information, wireless module characteristic information, and temperature information corresponding to the internal section of the wireless terminal device
A method of operating an apparatus for providing quality prediction information.
상기 복수의 무선 네트워크는 하나 이상의 WIFI 표준 네트워크를 포함하고,
상기 결정하는 단계는,
상기 WIFI 표준 네트워크를 제공하는 AP의 하드웨어 정보 및 상기 무선 단말과의 신호 세기 정보를 상기 모델 적용 변수로서 결정하는 단계;를 포함하며,
상기 품질 예측 정보를 획득하는 단계는,
상기 무선 네트워크별 품질 예측 학습 모델에 상기 모델 적용 변수를 적용하여, 상기 무선 단말의 상기 WIFI 표준 네트워크 이용시의 품질 예측 정보를 획득하는 단계를 포함하는
품질 예측 정보 제공 장치의 동작 방법.The method of claim 1,
The plurality of wireless networks include one or more WIFI standard networks,
The determining step,
And determining hardware information of an AP providing the WIFI standard network and signal strength information with the wireless terminal as the model application variable; and
Obtaining the quality prediction information,
Comprising the step of applying the model application variable to the quality prediction learning model for each wireless network, and obtaining quality prediction information when the wireless terminal uses the WIFI standard network
A method of operating an apparatus for providing quality prediction information.
상기 무선 네트워크별 품질 예측 학습 모델은,
AP 별 고유 특성 정보 및 무선 단말별 고유 특성 정보로부터 연산되는 하드웨어 성능 정보를 입력 변수로 하고, 통신 품질 정보를 출력 변수로 하는 학습 연산, 로지스틱 회귀 연산, 인공 신경망 연산, 비 지도 학습 연산, 지도 학습 연산 중 적어도 하나의 연산에 따라 생성되는 것을 특징으로 하는
품질 예측 정보 제공 장치의 동작 방법.The method of claim 8,
The quality prediction learning model for each wireless network,
Learning operation, logistic regression operation, artificial neural network operation, unsupervised learning operation, supervised learning with the hardware performance information calculated from the unique characteristic information of each AP and the unique characteristic information of each wireless terminal as an input variable and communication quality information as an output variable It is characterized in that generated according to at least one of the operations
A method of operating an apparatus for providing quality prediction information.
상기 AP별 고유 특성 정보는, AP의 MCS(Modulation Coding Scheme) 인덱스에 대응하여 결정되는 AP의 발산 파워 세기 정보로부터 산출되는
품질 예측 정보 제공 장치의 동작 방법.The method of claim 9,
The unique characteristic information for each AP is calculated from the radiated power intensity information of the AP determined corresponding to the MCS (Modulation Coding Scheme) index of the AP.
A method of operating an apparatus for providing quality prediction information.
상기 AP별 고유 특성 정보는, AP별로 산출되는 최소 신호세기 정보 및 최대 속도 정보를 포함하는
품질 예측 정보 제공 장치의 동작 방법.The method of claim 9,
The unique characteristic information for each AP includes minimum signal strength information and maximum speed information calculated for each AP.
A method of operating an apparatus for providing quality prediction information.
상기 복수의 무선 네트워크는 하나 이상의 이동 통신 네트워크를 포함하고,
상기 이동 통신 네트워크로부터 획득되는 최근 n개 데이터의 속도 샘플에 기초한 디케이(Decay) 함수를 처리하여 이동 평균 값을 획득하는 단계; 및
상기 이동 평균 값에 대응하는 전송 성능 정보를 회귀 학습 처리하여, 상기 이동 통신 네트워크에 대응하는 품질 예측 학습 모델을 생성하는 단계를 포함하는
품질 예측 정보 제공 장치의 동작 방법.The method of claim 1,
The plurality of wireless networks includes one or more mobile communication networks,
Obtaining a moving average value by processing a Decay function based on velocity samples of the last n data obtained from the mobile communication network; And
And generating a quality prediction learning model corresponding to the mobile communication network by performing regression learning processing of transmission performance information corresponding to the moving average value.
A method of operating an apparatus for providing quality prediction information.
상기 무선 네트워크별 품질 예측 학습 모델은
상기 무선 단말 장치와 연결된 다른 무선 단말 장치들로부터 공유된 학습 데이터 수집에 따라 형성되는 것을 특징으로 하는
품질 예측 정보 제공 장치의 동작 방법.The method of claim 1,
The quality prediction learning model for each wireless network is
Characterized in that formed according to the collection of learning data shared from other wireless terminal devices connected to the wireless terminal device
A method of operating an apparatus for providing quality prediction information.
일정 주기에 따라 상기 공유된 학습 데이터 기반 학습 모델을 무선 단말 장치들로 공유하는 단계를 더 포함하는
품질 예측 정보 제공 장치의 동작 방법.The method of claim 13,
Further comprising the step of sharing the learning model based on the shared learning data to wireless terminal devices according to a predetermined period.
A method of operating an apparatus for providing quality prediction information.
상기 무선 단말 장치는, 상기 네트워크별 품질 예측 정보를, 미리 설정된 사용자 선호도 정보 또는 모드 설정 정보에 따라 비교하고, 상기 비교 결과에 따른 최적 네트워크를 상기 제1 무선 네트워크로 결정하는 기기인
품질 예측 정보 제공 장치의 동작 방법.The method of claim 1,
The wireless terminal device is a device that compares the quality prediction information for each network according to preset user preference information or mode setting information, and determines an optimal network according to the comparison result as the first wireless network.
A method of operating an apparatus for providing quality prediction information.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190041626A KR20200119151A (en) | 2019-04-09 | 2019-04-09 | A operating method of a quality expectation information providing apparatus for providing dynamic changing connections to wireless networks based on learning models of quality expectations |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190041626A KR20200119151A (en) | 2019-04-09 | 2019-04-09 | A operating method of a quality expectation information providing apparatus for providing dynamic changing connections to wireless networks based on learning models of quality expectations |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20200119151A true KR20200119151A (en) | 2020-10-19 |
Family
ID=73042922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190041626A KR20200119151A (en) | 2019-04-09 | 2019-04-09 | A operating method of a quality expectation information providing apparatus for providing dynamic changing connections to wireless networks based on learning models of quality expectations |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20200119151A (en) |
-
2019
- 2019-04-09 KR KR1020190041626A patent/KR20200119151A/en unknown
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220190883A1 (en) | Beam prediction for wireless networks | |
JP7279856B2 (en) | Method and apparatus | |
Goudarzi et al. | MDP-based network selection scheme by genetic algorithm and simulated annealing for vertical-handover in heterogeneous wireless networks | |
Mollel et al. | Intelligent handover decision scheme using double deep reinforcement learning | |
KR20210145514A (en) | Method and apparatus for power controlling for network energy optimization | |
KR20200119179A (en) | A wireless terminal for providing dynamic changing connections to wireless networks based on quality expectations and a method for operating it | |
Sun et al. | Spatial and temporal contextual multi-armed bandit handovers in ultra-dense mmWave cellular networks | |
KR20200119065A (en) | A method for operating of a wireless terminal providing dynamic changing connections to wireless networks based on learning models of quality expectations | |
Gomes et al. | Automatic MAC protocol selection in wireless networks based on reinforcement learning | |
KR20200119180A (en) | A wireless terminal for providing dynamic changing connections to wireless networks based on quality expectations and a method for operating it | |
Kiran | 5G heterogeneous network (HetNets): a self-optimization technique for vertical handover management | |
KR20200119138A (en) | A operating method of a quality expectation information providing apparatus for providing dynamic changing connections to wireless networks based on learning models of quality expectations | |
KR20200119157A (en) | A quality expectation information providing apparatus for providing dynamic changing connections to wireless networks | |
KR20200119111A (en) | A wireless terminal for providing dynamic changing connections to wireless networks | |
KR20200119152A (en) | A operating method of a quality expectation information providing apparatus for providing dynamic changing connections to wireless networks based on learning models of quality expectations | |
KR20200119130A (en) | A operating method of a quality expectation information providing apparatus for providing dynamic changing connections to wireless networks based on learning models of quality expectations | |
KR20200119151A (en) | A operating method of a quality expectation information providing apparatus for providing dynamic changing connections to wireless networks based on learning models of quality expectations | |
KR20200119154A (en) | A operating method of a quality expectation information providing apparatus for providing dynamic changing connections to wireless networks based on learning models of quality expectations | |
KR20200119159A (en) | A quality expectation information providing apparatus for providing dynamic changing connections to wireless networks based on learning models of quality expectations | |
KR20200119158A (en) | A quality expectation information providing apparatus for providing dynamic changing connections to wireless networks based on learning models of quality expectations | |
KR20200119156A (en) | A quality expectation information providing apparatus for providing dynamic changing connections to wireless networks based on learning models of quality expectations | |
KR20200119160A (en) | A quality expectation information providing apparatus for providing dynamic changing connections to wireless networks based on learning models of quality expectations | |
KR20200119061A (en) | A method for operating of a wireless terminal providing dynamic changing connections to wireless networks based on learning models of quality expectations | |
KR20200119070A (en) | A method for operating of a wireless terminal providing dynamic changing connections to wireless networks based on learning models of quality expectations | |
KR20200119081A (en) | A method for operating of a wireless terminal providing dynamic changing connections to wireless networks based on learning models of quality expectations |