KR20210128486A

KR20210128486A - 무선 라디오 액세스 네트워크들 (wireless radio access networks) 에 머신 러닝 기법들을 적용하기 위한 라디오 맵핑 아키텍처 (radio mapping architecture)

Info

Publication number: KR20210128486A
Application number: KR1020217031457A
Authority: KR
Inventors: 아린담 차크라보티; 파라그 네이크; 아닌디야 사하; 비쉬와쿠마라 카야그라데; 서스밋 쿠마 닷타
Original assignee: 사안크야 랩스 프라이빗 리미티드
Priority date: 2019-05-20
Filing date: 2020-05-20
Publication date: 2021-10-26
Also published as: KR102654497B1; EP3973726A4; JP2022534176A; EP3973726A1; US20230062443A1; WO2020234902A1

Abstract

머신 러닝 기법들을 기지국 (102), 사용자 장비 (UE) (104) 및 네트워크 (208) 를 포함하는 모바일 무선 라디오 액세스 네트워크들 (mobile wireless radio access networks) 에 적용하기 위한 라디오 맵핑 아키텍처가 제공된다. 라디오 맵핑 아키텍처 (400) 는 스펙트럼 모니터링 유닛 (210) 및 서버 (212) 를 포함하고 UE (104) 를 활용한다. 서버 (212) 는 라디오 맵핑 데이터베이스 (402) 및 머신 러닝 모듈 (404) 을 포함한다. UE (104) 또는 스펙트럼 모니터링 유닛 (210) 은 라디오 맵핑 데이터베이스 (402) 에 대한 입력 스키마를 도출하기 위해 라디오 파라미터들을 캡처한다. 스펙트럼 모니터링 유닛 (210) 은 기지국 (102) 및 UE (104) 에 대응하는 라디오 파라미터들을 추출하고 라디오 맵핑 데이터베이스 (402) 에 주기적으로 업데이트한다. 라디오 맵핑 데이터베이스 (402) 에 대한 입력 스키마는 스펙트럼 모니터링 유닛 (210) 및 UE (104) 에 의해 센싱된 라디오 파라미터들로 업데이트된다.

Description

무선 라디오 액세스 네트워크들 (WIRELESS RADIO ACCESS NETWORKS) 에 머신 러닝 기법들을 적용하기 위한 라디오 맵핑 아키텍처 (RADIO MAPPING ARCHITECTURE)

본 명세서의 실시 예들은 일반적으로 라디오 맵핑 아키텍처 (radio mapping architecture) 에 관한 것이고, 보다 구체적으로, 머신 러닝 (Machine Learning; ML) 기법들을 무선 라디오 액세스 네트워크들 (wireless radio access networks) 에 적용하기 위한 라디오 맵핑 아키텍처에 관한 것이다.

현재, 무선 네트워크들의 배치를 위한 네트워크 계획 기법들은 결과적으로 에지 사용자들에 부당하게 강조되는 최악의 경우 셀 또는 영역 커버리지에 대한 최적화를 유도하는 정적인 경향이 있다. 셀 에지는 이웃 셀들의 서비스 영역들의 경계에 가장 가까운 셀의 서비스 영역 내 영역을 지칭한다. 셀 에지 내의 이동국들은 그들의 서빙 셀들로부터의 신호들에 대해 상대적으로 보다 높은 경로 손실을 갖고 그리고 다른 인접한 셀들로부터 잠재적으로 간섭하는 신호들에 대해 상대적으로 보다 낮은 경로 손실을 갖는 것으로 가정된다. 라디오 환경들은 (짧은) 시간 인터벌들 (intervals) 및 동적인 경향이 있는 공간에 걸쳐 상당히 가변하고 따라서 모바일 무선 네트워크들의 이러한 정적 네트워크 계획 기법들은 감소된 스펙트럼 효율을 발생시키고 일반적으로 스펙트럼 리소스들의 차선의 사용을 발생시킨다.

보다 구체적으로, 기준 신호들에 할당된 대역폭의 일부 및 이들 기준 신호들의 견고성은 최악의 시나리오 하에서도 복조를 허용하도록 정적으로 구성된다. 이와 같이, 이들은 RF (Radio Frequency) 조건들이 보다 양호할 때 보다 높은 불필요한 오버헤드들을 야기한다.

앞서 언급된 바와 같이, 라디오 환경들은 다양한 파라미터들의 세트에 기초하여 동적이고 빠르게 변화하는 경향이 있다. 통상적으로, 이러한 네트워크의 구성은 광범위한 파라미터들을 구성함으로써 이루어진다. 최악의 시나리오를 가정하면, 일부 파라미터들은 정적이지만, 일부 파라미터들은 즉석에서 (on-the-fly) 동적으로 측정되고, 그 후 추론들이 도출된다. 일반적으로, 이러한 시스템의 구성은 본질적으로 준-정적이거나 상당한 랜덤 에러를 갖는 측정들의 단일 세트에 기초한다. 또한, 컴퓨팅 전력 및 머신 러닝 아키텍처들의 발전들로, 주어진 위치에서 RF 조건들의 보다 정확한 추정을 갖도록 이력 및 맥락적 데이터를 사용하여 분석을 수행하는 것이 이제 가능하다. 더욱이, 네트워크는 라디오 환경들의 동적 특성을 추적하지 않는다. 그러나, SDN (Software-Defined-Network) 또는 네트워크 기능 가상화 (network functions virtualization; NFV) 는 ML (Machine Learning) 기법들이 효율적으로 구현되는 통상적인 네트워크의 상위 계층에서 문제를 해결하였다. 다음은 에지 네트워크들의 액세스 계층 및 물리 계층 (계층 1) 에서 머신 러닝 (ML) 기법들의 결여 이유들의 리스트이다.

1. 채널 상태 정보 CSI/CQI, 신호 대 잡음비 SNR 등과 같은 라디오 주파수 RF 파라미터들을 맵핑하기 위해 가용한 큰 데이터 세트들의 결여,

2. 추가 사용을 위한 구조화되지 않은 데이터 (예를 들어, 정확한 지리정보-삽입 (geo-tagging)),

3. 모뎀들은 일반적으로 추가적인 네트워크 최적화를 위해 사용될 수도 있는 형태로 가용하지 않은 (물리 계층들 및 MAC 계층들에서) 넓은 범위의 파라미터들을 측정한다.

최근 거대 MIMO (Multiple-input and Multiple-output) 시스템들은 전통적인 모바일 네트워크에서 매우 높은 스펙트럼 효율을 단언했다. MIMO 시스템들은 다중 경로 전파를 활용하기 위해 복수의 송신 및 수신 안테나들을 사용하여 라디오 링크의 용량을 곱하기 위한 방법이다. MIMO 시스템들은 엄청난 수의 안테나 및 트랜시버 체인들을 갖는 장점을 사용하여 이를 수행한다. MIMO 시스템들은 복수의 가상 채널들을 생성하기 위해 빔 포밍 (beamforming) 에 의존하여 모바일 네트워크들의 용량을 대폭 증가시킨다.

대부분의 거대 MIMO 시스템들은 채널 상태 정보 (channel state information; CSI) 가 완벽하게 알려진 조건들에서 매우 높은 스펙트럼 효율을 보인다. 빔 포밍 기법은 신뢰할 수 있는 채널 상태 정보 (CSI) 에 의존하는 MIMO 시스템들에 의해 채용된다. 그러나, 실제로, MIMO 시스템들은 언급된 바와 같이 16x 이상과 비교하여 2x 내지 3x 정도의 한계 개선을 거의 제공하지 않는다. 이는 주로 현장 조건들에서 CSI가 거의 이상적이지 않고 사용자 장비가 이동 가능하고 특히 실내일 때 많은 경우들이 정확하게 가용하지 않다는 사실에 기인한다. CSI는 특정한 사용자 디바이스로 빔 포밍하기 위해 채널 추정에 의해 사용되며 신뢰할 수 있는 CSI의 결여는 부정확한 추정을 발생시킨다.

더욱이, CQI와 같은 현재 모바일 무선 네트워크 지표들에서, 베스트-서빙 기지국, 기지국들 간 핸드 오프, 변조 및 베어러들에 대한 코딩 및 채널 추정은 모두 사용자 장비 (UE) 상에서 행해진 단일 지점 측정들에 기초한다. 통상적으로 현재 배치된 네트워크들에서, 최적의 수신을 위해 채널 파라미터들을 결정하기 위해 실시간 측정들이 행해진다. RF 환경 및 수신기 구현 예들의 불완전성 모두로 인한 측정 데이터의 넓은 변동들로 인해, 이러한 구현 예는 라디오 환경의 시간 및 공간 변동들을 캡처하지 않는다. 이는 임계 라디오 주파수 RF 파라미터들 (예를 들어, 신호-대-간섭-플러스-노이즈 비 (signal-to-interference-plus-noise ratio; SINR), 수신된 신호 강도 지표 (received signal strength indicator; RSSI) 등) 의 불량한 추정을 발생시킨다. SNR의 큰 변동들은 예를 들어, 높은 BER (Bit Error Rate), 보다 많은 ARQ (Automatic Repeat Request) 또는 HARQ (Hybrid Automatic Repeat Request), 모바일 무선 네트워크, 등의 활용도가 낮은 용량, 및 간섭자들의 불량한 추정으로 인한 간섭 완화 전략들 (예를 들어, 향상된 셀 간 간섭 조정 (enhanced inter-cell interference coordination; eICIC)) 의 구현 실패와 같이, 모바일 무선 네트워크 성능에 영향을 주는 차선의 결정들을 발생시킨다.

따라서, 현재 시스템들 및 방법들과 연관된 단점들을 완화 및/또는 극복할 필요가 있다.

관련 출원들에 대한 상호 참조

본 출원은 2019 년 5 월 20 일 출원된 인도 특허 가출원 번호 제 201941019899 호의 우선권을 주장하고, 그 전체 개시는 참조로서 본 명세서에 인용된다.

전술한 바를 고려하여, 본 명세서의 실시 예들은 무선 네트워크를 위한 라디오 맵핑 아키텍처를 제공한다. 라디오 맵핑 아키텍처는 사용자 장비 (UE), 스펙트럼 모니터링 유닛 및 서버를 포함한다. 서버는 라디오 맵핑 데이터베이스 및 머신 러닝 (ML) 모듈을 포함한다. UE는 하나 이상의 라디오 파라미터들의 측정들을 수행한다. 스펙트럼 모니터링 유닛은 (i) 하나 이상의 라디오 파라미터들을 캡처하고, (ii) 하나 이상의 라디오 파라미터들을 연속적으로 모니터링하고, 하나 이상의 라디오 파라미터들을 라디오 맵핑 데이터베이스에 저장하고, (iii) 라디오 맵핑 데이터베이스에 입력 스키마 (input schema) 를 채우고 (populate) 라디오 맵핑 데이터베이스에 추출된 파라미터들을 주기적으로 업데이트하기 위해 하나 이상의 기지국들 및 사용자 장비 (UE) 에 대응하는 하나 이상의 라디오 파라미터를 추출한다. 입력 스키마는 라디오 맵핑 데이터베이스의 데이터베이스 스키마이고 라디오 맵핑 데이터베이스의 구조를 기술한다.

서버는 UE 및 스펙트럼 모니터링 유닛으로부터 하나 이상의 라디오 파라미터들을 주기적으로 캡처하는 라디오 맵핑 데이터베이스를 포함한다. 라디오 맵핑 데이터베이스는 스펙트럼 모니터링 유닛으로부터 추출된 파라미터들 및 지리정보-삽입된 결과들을 주기적으로 캡처한다. 라디오 맵핑 데이터베이스에 대한 입력 스키마는 (i) 스펙트럼 모니터링 유닛 및 (ii) UE 중 적어도 하나에 의해 센싱된 하나 이상의 라디오 파라미터들로 업데이트된다. ML (Machine Learning) 모듈은 (i) 라디오 맵핑 데이터베이스에 저장된 하나 이상의 라디오 파라미터들에 기초하여 머신 러닝 모델을 훈련시키고, (ii) ML 모델에 기초하여 출력 스키마를 도출하도록 라디오 맵핑 데이터베이스에 저장된 입력 스키마로부터 하나 이상의 동적으로 변화된 파라미터들을 예측하고, (iii) 라디오 맵핑 데이터베이스에서 ML 모델에 의해 예측되는 하나 이상의 동적으로 변화된 파라미터들을 업데이트하고, (iv) 하나 이상의 라디오 파라미터들 또는 추출된 파라미터들에 기초하여 ML 모델을 동적으로 개선하고, 그리고 (v) 라디오 맵핑 데이터베이스에 저장된 하나 이상의 라디오 파라미터들을 업데이트하기 위해 스펙트럼 모니터링 유닛 및 UE에 대한 트리거들을 생성하기 위해 사용된다.

일부 실시 예들에서, 하나 이상의 라디오 파라미터들로부터 스펙트럼 모니터링 유닛에 의해 도출된 입력 스키마는 하나 이상의 위치 파라미터들, 하나 이상의 RF 파라미터들, 하나 이상의 네트워크 파라미터들 및 하나 이상의 물리 계층 파라미터들을 포함한다.

일부 실시 예들에서, 하나 이상의 위치 파라미터는 측정 시간, 위도, 경도, 고도 및 DoP (Dilution of Precision) 를 포함한다. 일부 실시 예들에서, 하나 이상의 RF 파라미터들은 CIR (Channel Impulse Response), RSSI (Receive Strength Indicator), RSRP (Reference Signal Receive Power), RSRQ (Reference Signal Received Quality), SINR (Signal-to-Interference-plus-Noise Ratio), 인접한 채널 간섭 레벨, 채널 모델, 송신기 전력 및 캐리어 주파수를 포함한다. 일부 실시 예들에서, 하나 이상의 RF 파라미터들은 지리정보-삽입되고 타임-스탬핑된다 (time-stamped). 일부 실시 예들에서, 하나 이상의 네트워크 파라미터들은 UE의 모델, UE에 가시적인 기지국들 (BTS), PLMN (Public Land Mobile Network) 아이덴티티, TAC (Type Allocation Code), CA (Carrier Aggregation) 구성 및 물리적 셀 ID (PCI) 를 포함한다. 일부 실시 예들에서, 하나 이상의 물리 계층 파라미터들은 HARQ (Hybrid automatic repeat request), 랭크, BLER (Block Error Rate), 지터 및 호 뮤팅을 포함한다.

일부 실시 예들에서, 기지국 (BTS) 은 물리적 셀 ID (PCI) 및 기지국으로부터 스펙트럼 모니터링 유닛으로의 전파 시간과 연관된 지연을 포함하는 다수의 기지국들을 나타낸다. 일부 실시 예들에서, 기지국들은 MU-MIMO (multi-user multiple input multiple output) 능력을 포함한다.

일부 실시 예들에서, 하나 이상의 동적으로 변화된 파라미터들로부터 도출된 출력 스키마는 위도, 경도, 고도, 및 예측된 라디오 파라미터들을 포함한다. 일부 실시 예들에서, 예측 라디오 파라미터들은 RSRP, RSRQ, SINR, 채널 모델 및 채널 매트릭스를 포함한다.

일부 실시 예들에서, ML 모듈은 동적으로 예측된 라디오 파라미터들에 기초한 위치에서 UE에 최적의 성능을 제공하도록 신호 파형들의 그룹을 설계하고 하나 이상의 라디오 파라미터들은 라디오 맵핑 데이터베이스에 저장된 UE의 위치에 대응한다.

일부 실시 예들에서, 머신 러닝 모듈은 위치에 대응하는 현재 채널 상태 정보 (CSI) 를 전송하도록 트리거들을 주기적으로 전송하고 UE로부터 수신된 현재 채널 상태 정보로 라디오 맵핑 데이터베이스를 업데이트한다.

일부 실시 예들에서, 머신 러닝 모듈은 기지국이 UE가 이동하고 있다는 것을 식별할 때 도플러 시프트들을 추정한다.

일부 실시 예들에서, 머신 러닝 모듈은 (i) GNSS (Global Navigation Satellite System) 좌표들의 변화들, (ii) 예측된 라디오 파라미터들 또는 (iii) GPS 좌표들이 UE에서 가용하다면, UE와 연관된 관성 센서들 중 적어도 하나를 사용하여 UE의 운동을 결정한다.

일부 실시 예들에서, GPS 좌표들이 UE에서 가용하지 않다면, 머신 러닝 모듈은 가용한 OTDOA (Observed Time Difference of Arrival) 알고리즘과 BLE (Bluetooth low energy) 또는 Wi-Fi 기반 비콘들의 조합에 기초하여 UE의 위치를 결정한다.

일부 실시 예들에서, 기지국이 UE로 빔 포밍해야 한다면, 기지국은 (i) UE의 위치 정보를 전송하도록 UE에 요청하고, (ii) UE에 의해 공유된 위치 정보에 기초하여 현재 상태 정보 (CSI) 를 라디오 맵핑 데이터베이스에 쿼리하고 (iii) 빔 포밍을 위해 라디오 맵핑 데이터베이스로부터 검색된 CSI를 사용한다.

일부 실시 예들에서, 라디오 맵핑 데이터베이스는 커버리지 영역의 지점 각각 상의 정밀한 해상도로 외삽된 CSI를 포함한다. 일부 실시 예들에서, CSI는 (i) 하나 이상의 샘플링 지점들 주변의 커버리지 영역을 샘플링하고, (ii) 라디오 맵핑 데이터베이스에 저장된 하나 이상의 RF 파라미터들의 특성에 기초하여 샘플링 지점을 선택하고, 그리고 (iii) 선택된 샘플링 지점이 하나 이상의 샘플링 지점들 내에 있으면 CSI를 보간하거나 선택된 샘플링 지점이 하나 이상의 샘플링 지점들 내에 있지 않다면 CSI를 외삽함으로써, 외삽된다.

일부 실시 예들에서, 머신 러닝 모듈은 커버리지 영역을 그리드들로 세분화함으로써 커버리지 영역을 샘플링한다. 일부 실시 예들에서, 그리드의 사이즈는 (i) 관심 주파수, 및 (ii) 라디오 전파에 영향을 주는 지형 중 적어도 하나에 기초하여 구성 가능하고 결정된다.

일부 실시 예들에서, UE를 서비스하기 위해 예측된 기지국에 대해 라디오 맵핑 데이터베이스에 쿼리하는 셀룰러 코어 네트워크.

일부 실시 예들에서, 머신 러닝 모듈은 UE를 서비스할 기지국을 예측하고 예측된 기지국을 라디오 맵핑 데이터베이스에 저장한다. 일부 실시 예들에서, 머신 러닝 모듈은 (i) 라디오 액세스 기술, (ii) 기지국에 의해 합성되는 최적의 빔 형상 또는 (iii) 위치를 서비스하기 위한 액세스 포인트 중 적어도 하나를 사용하여 UE를 서비스할 기지국을 예측한다.

일부 실시 예들에서, UE가 이 위치로부터 이동하면, 머신 러닝 모듈은 UE를 서비스하도록 머신 러닝 모듈에 의해 예측되는 새로운 기지국에 UE를 할당한다. 일부 실시 예들에서, 머신 러닝 모듈은 머신 러닝 모듈에 의해 예측된 액세스 포인트에 대응하는 액세스 정보를 UHF (Ultra-High Frequency) 브로드캐스트 링크 (broadcast link) 를 통해 UE로 전달한다.

일부 실시 예들에서, 스펙트럼 모니터링 유닛은 하나 이상의 RF 다운 컨버터들, 하나 이상의 소프트웨어 규정된 복조기들, 애자일 RF 다운 컨버터 및 주파수 스윕 소스를 포함한다. 하나 이상의 RF 다운 컨버터들은 공통 주파수 및 타이밍 기준을 포함한다. 하나 이상의 소프트웨어-정의된 복조기들은 I 샘플들 및 Q 샘플들의 형태로 라디오 프레임의 상당한 부분을 캡처한다. 애자일 RF 다운-컨버터가 (i) 상이한 캐리어 주파수들에서 RF 신호들을 캡처하고 (ii) 채널 누설들을 결정하기 위해 독립형 모드에서 사용된다. 일부 실시 예들에서, 애자일 RF 다운-컨버터는 상이한 RF 통신 표준들을 병렬로 분석한다. 애자일 RF 다운-컨버터와 연관된 주파수 스윕 소스는 향상된 소프트웨어 정의된 복조기 (Enhanced Software Defined Demodulator) 로 하여금 주어진 (given) 위치에서 넓은 범위의 주파수들을 스캔하게 한다.

일부 실시 예들에서, 스펙트럼 모니터링 유닛은 GNSS 모듈, 셀룰러 모뎀, 모니터링 회로 및 이벤트 로거를 포함한다. GNSS 모듈은 위치의 위도, 경도 및 고도를 결정한다. 일부 실시 예들에서, GNSS 모듈은 GPS 값들의 추정된 에러를 나타내는 DoP (Dilution of Precision) 를 제공한다. 셀룰러 모뎀은 네트워크에 음성 호출 및 데이터 호출을 할 수 있고 RSSI (Received Signal Strength Indicator), RSRP (Reference Signal Receive Power), SINR (Signal-to-interference-plus-noise ratio), RSRQ (Reference Signal Received Quality), BLER (Block Error Rate), 패킷 지터 및 호 뮤팅을 측정할 수 있다. 모니터링 회로는 스케쥴 요청들을 포함하는 이벤트들, ACK (incidences of Acknowledgment), NACK (Negative Acknowledgment) 및 HARQ (Hybrid automatic repeat request) 의 발생들을 검출하기 위해 업링크 제어 시그널링을 스누핑한다 (snoop). 이벤트 로거는 모니터링 회로로부터 검출된 이벤트들을 캡처하고 이벤트들의 특정한 조합들의 발생에 기초하여 라디오 맵핑 데이터베이스에 저장된 하나 이상의 라디오 파라미터들을 업데이트하도록 트리거들을 생성한다. 일부 실시 예들에서, 이벤트들의 특정한 조합들은 네트워크 중단, 재밍 (jamming) 의 검출, 간섭 검출과 관련되거나 예상된 트래픽보다 높다.

일 양태에서, 라디오 맵핑 아키텍처의 라디오 맵핑 데이터베이스를 채우고 업데이트된 라디오 파라미터들로 라디오 맵핑 데이터베이스의 예측된 라디오 파라미터들을 업데이트하는 방법이 제공된다. 방법은 (i) 하나 이상의 라디오 파라미터들을 추출하도록 사용자 장비 (UE) 및 스펙트럼 모니터링 유닛 중 적어도 하나를 인에이블하는 단계, (ii) 스펙트럼 모니터링 유닛 및 UE의 능력에 기초하여 스펙트럼 모니터링 유닛 및 UE 중 적어도 하나로부터 하나 이상의 라디오 파라미터들을 캡처하는 단계 및, (iii) 라디오 맵핑 데이터베이스에 하나 이상의 라디오 파라미터들을 주기적으로 저장하고, (iv) 라디오 맵핑 데이터베이스와 셀룰러 코어 네트워크의 사이에서 하나 이상의 라디오 파라미터들을 교환하는 단계, (v) 머신 러닝 모듈에 의해 생성된 머신 러닝 모델에 기초하여 라디오 파라미터 예측 모델을 생성하는 단계, (vi) UE의 위치 또는 UE에 의해 센싱된 RF 환경 중 적어도 하나에 변화가 있다면 업데이트된 라디오 파라미터들을 수용하는 단계 (vii) 업데이트된 라디오 파라미터들에 기초하여 라디오 파라미터 예측 모델을 개선하는 단계; 및 (viii) 개선된 라디오 파라미터 예측 모델을 사용하여 UE의 주어진 위치에 대해 라디오 맵핑 데이터베이스에서 예측된 라디오 파라미터들을 업데이트하는 단계를 포함한다.

일부 실시 예들에서, 셀룰러 코어 네트워크, 라디오 액세스 네트워크 및 스케줄러는 미리 규정된 API들 (Application Programming Interfaces) 을 통해 라디오 맵핑 데이터베이스에 액세스한다.

일부 실시 예들에서, 기지국과 함께 셀룰러 코어 네트워크는 채널 추정 및 UE로부터 업링크 신호들의 도달 각도 (angle of arrival) 와 기지국과 함께 셀룰러 코어 네트워크의 연관을 포함하는 정보의 대형 저장소를 포함한다. 일부 실시 예들에서, 라디오 맵핑 데이터베이스는 기지국과 함께 셀룰러 코어 네트워크로부터 정보를 캡처한다.

일부 실시 예들에서, 라디오 파라미터 예측 모델은 (i) 3D 지형 맵을 임포트하고 (import), (ii) 유사한 RF 환경을 갖는 하나 이상의 영역들을 포함하는 세그먼트를 결정하기 위해 3D 지형 맵을 세그먼트화하고, (iii) 세그먼트를 통계적으로 샘플링하고, (iv) 샘플링된 세그먼트에 대해 예비 예측된 라디오 파라미터들을 실행하고, (v) 세그먼트에 대한 필드 측정 데이터를 수집하고, (vi) 세그먼트에 기초하여 업그레이드된 라디오 파라미터 예측 모델을 획득하기 위해 업데이트된 라디오 파라미터들을 사용하여 라디오 파라미터 예측 모델을 튜닝하고, (vii) 유사한 모폴로지 (morphology) 를 포함하는 세그먼트들에 대한 라디오 파라미터 예측을 수행하기 위해 업그레이드된 라디오 파라미터 예측 모델을 사용한다. 일부 실시 예들에서, 예비 예측된 라디오 파라미터들은 세그먼트에 대응하는 최적의 라디오 파라미터 예측 모델에 기초하여 선택된다.

일부 실시 예들에서, 라디오 파라미터 예측 모델은 라디오 맵핑 데이터베이스의 주어진 위치에 대해 3D 지형 데이터 위에 오버레이되는 데이터 층들을 저장한다. 일부 실시 예들에서, 데이터 층들은 제 1 층, 제 2 층, 제 3 층 및 제 4 층을 포함한다. 일부 실시 예들에서, 제 1 층은 3D 지형 데이터를 나타내고, 제 2 층은 라디오 파라미터 예측의 제 1 레벨을 나타내고, 제 3 층은 샘플 지점들의 측정 값을 나타내고, 제 4 층은 업그레이드된 라디오 파라미터 예측 모델에 기초하여 예측된 라디오 파라미터들을 나타낸다.

또 다른 양태에서, 라디오 맵핑 아키텍처를 사용하여 하나 이상의 동적으로 변화된 파라미터들을 예측하는 방법이 제공된다. 방법은 (i) 스펙트럼 모니터링 유닛 또는 사용자 장비 (UE) 중 적어도 하나를 사용하여, 하나 이상의 라디오 파라미터들을 캡처하는 단계, (ii) 스펙트럼 모니터링 유닛을 사용하여, 하나 이상의 라디오 파라미터들을 연속적으로 모니터링하는 단계, 및 하나 이상의 라디오 파라미터들을 라디오 맵핑 데이터베이스에 저장하는 단계, (iii) 스펙트럼 모니터링 유닛을 사용하여, 라디오 맵핑 데이터베이스에 입력 스키마를 채우고 라디오 맵핑 데이터베이스에 추출된 파라미터들을 주기적으로 업데이트하기 위해 하나 이상의 기지국들 및 사용자 장비 (UE) 에 대응하는 하나 이상의 라디오 파라미터들을 추출하는 단계, (iv) 서버와 연관된 머신 러닝 모듈을 사용하여, 라디오 맵핑 데이터베이스에 저장된 하나 이상의 라디오 파라미터들에 기초하여 머신 러닝 모델을 트레이닝하는 단계, (v) ML 모델에 기초하여 출력 스키마를 도출하기 위해 라디오 맵핑 데이터베이스에 저장된 입력 스키마로부터 하나 이상의 동적으로 변화된 파라미터들을 예측하는 단계, (vi) 라디오 맵핑 데이터베이스의 ML 모델에 의해 예측된 하나 이상의 동적으로 변화된 파라미터들을 업데이트하는 단계, (vii) 하나 이상의 라디오 파라미터들 또는 추출된 파라미터들에 기초하여 ML 모델을 동적으로 개선하는 단계, 및 (viii) 라디오 맵핑 데이터베이스에 저장된 하나 이상의 라디오 파라미터들을 업데이트하기 위해 스펙트럼 모니터링 유닛 및 UE에 대한 트리거들을 생성하는 단계를 포함한다.

일부 실시 예들에서, 라디오 맵핑 아키텍처는 머신 러닝 기법들로 하여금 모뎀 구현 예에 통합되게 한다. 거대 MIMO 시스템들의 경우, 라디오 맵핑 아키텍처는 스펙트럼 효율을 대폭 개선하고 실용적이게 한다. 라디오 맵핑 아키텍처는 부가적인 데이터를 갖는 수신기들 상에서 채널 추정 알고리즘을 인에이블하고 수신기를 최적이 되게 한다. 일부 실시 예들에서, 디지털화된 아키텍처들은 수신기 알고리즘들에 혁신을 가져올 수도 있고 모바일 무선 네트워크 배치에 혁명을 일으킨다. 모바일 무선 네트워크들은 보다 적응적으로 될 수도 있어서 네트워크들의 전체 효율을 개선한다.

일부 실시 예들에서, 라디오 맵핑 아키텍처는 MU-MIMO 및 빔 포밍을 포함하는 MIMO를 지원하는 기지국들의 구현을 수반하고, 사용자 위치에 따라, (시간적 도메인 및 공간적 도메인 모두에서) 미리 왜곡된 신호가 예측된 채널 임펄스 응답 및 채널 매트릭스에 기초하여 송신될 수 있고, 이는 사용자 장비에서 최적의 수신을 발생시킨다.

일부 실시 예들에서, 라디오 맵핑 아키텍처는 백그라운드 프로세스에서 모든 계산적으로 (computationally) 복잡한 태스크들을 비 실시간으로 허용하는 분석들을 위해 유용한 정보를 쿼리하고 (query) 생성하도록 모뎀 인터페이스를 디지털화하는 프로세스에 대한 개선된 결과들을 제공하는 라디오 맵핑 데이터베이스를 포함한다. 일부 실시 예들에서, 라디오 맵핑 아키텍처는 보다 정확한 결과들을 위해 송신 파라미터 (예컨대 RAT, 전력 레벨, 변조 및 코딩) 를 선택하기 위해 동일한 위치에서 사용되는 복수의 측정들을 사용한다. 일부 실시 예들에서, 라디오 맵핑 아키텍처의 계산은 비 실시간으로 이루어지고, 이는 기지국 및 액세스 포인트들의 복잡성을 상당히 감소시킨다. 일부 실시 예들에서, 라디오 맵핑 아키텍처는 클라우드-기반 코어 네트워크가 주어진 영역에서 상이한 RAT들의 트래픽 부하에 대한 정보를 포함한다면, UHF 로의 브로드캐스트 오프로드, Wi-Fi 오프로드, 밀리미터-웨이브 (60 GHz) 로의 오프로드, 등과 같은 트래픽 오프로드 전략들을 인에이블할 수도 있다.

일부 실시 예들에서, 라디오 맵핑 아키텍처는 GPS 거부된 환경에서 사용자 장비 (UE) 의 위치를 정확하게 결정한다. 일부 실시 예들에서, 라디오 맵핑 아키텍처는 후속하여 통신 프로세스를 시작하도록 UE 및 기지국 모두에 통보되는 최상의 가능한 채널 파라미터들을 포함한다. 이는 MIMO 통신의 경우 중요성을 UE 및 기지국 모두로부터 계산 노력의 상당한 부분을 오프로딩하고, 복잡성, 전력 소비를 절약하고, 채널 추정 시간을 개선함으로써 가정한다. 이 실시 예와 같은 인프라스트럭처는 일단 이러한 방법론들 및 인프라스트럭처가 보편화되고 차세대 통신 표준들에 통합되면 보다 큰 중요성을 가정할 수 있다.

일부 실시 예들에서, 라디오 맵핑 아키텍처는 브로드캐스트 네트워크들에서 스펙트럼 효율을 상당히 개선한다. ATSC 3.0 및 DVB-T2와 같은 현재 브로드캐스트 표준들은 가드 인터벌 (Guard Interval), FFT 사이즈, 변조 및 코딩, 등과 같은 광범위한 구성 가능한 물리 계층 파라미터들을 갖는다. 본 실시 예에서 기술된 라디오 맵핑 아키텍처를 사용하여, 최상의 파라미터들은 주어진 콘텐츠 및 이들의 공간적 분포에 대한 현재 RF 조건들 및 활성 사용자들의 수에 기초하여 동적으로 선택될 수도 있다. 일부 실시 예들에서, 라디오 맵핑 아키텍처는 오디오 및 비디오 콘텐츠를 수반하는 멀티미디어 트래픽을 인에이블하고, 최악의 경우 채널 조건 및 사용된 변조 및 코딩에 가장 적합한 특정한 코덱 프로파일로의 트랜스코딩 (transcoding) 이 행해질 수 있다. 유니캐스트 네트워크의 경우, 이러한 방식 (scheme) 은 DASH와 같은 프로토콜들에 의해 사용된다. 라디오 맵핑 아키텍처는 동일하게 브로드캐스트 네트워크로 확장한다.

일부 실시 예들에서, 라디오 맵핑 아키텍처는 국부화된 브로드캐스트 서비스들을 제공하는 수단을 제공함으로써 SFN (Single Frequency Network) 을 사용하는 LPLT (Low Power Low Tower) 송신기들에 기초하여 브로드캐스트 네트워크를 제공할 수도 있다. 클러스터 경계에서 최악의 경우 SINR에 대응하는 주어진 타깃 비트-레이트에 대해 국부화된 SFN을 생성하도록 전체 셀룰러화된 브로드캐스트 네트워크로부터 보다 작은 클러스터들을 발견하도록 이미지 세그멘테이션 (segmentation) 기법들이 사용된다면, RF 맵을 이미지로서 처리한다.

일부 실시 예들에서, 라디오 맵핑 아키텍처는 동일한 정보를 전달하기 위해 보다 큰 대역폭을 필요로 하는 매우 낮은 코드 레이트를 사용하지 않음으로써 대역폭이 절약될 수도 있도록 브로드캐스트 네트워크들에서 이러한 에러-정정 메커니즘의 코드 레이트를 최적화할 수도 있다.

본 명세서의 실시 예들의 이들 및 다른 양태들은 이하의 기술 및 첨부된 도면들과 함께 고려될 때 보다 잘 인식되고 이해될 것이다. 그러나, 이하의 기술들은 바람직한 실시 예들 및 이의 수많은 구체적인 상세들을 나타내지만, 제한이 아닌 예시로서 주어진다는 것이 이해되어야 한다. 본 명세서의 실시 예들의 정신으로부터 벗어나지 않고 많은 변화들 및 수정들이 본 명세서의 실시 예들의 범위 내에서 이루어질 수도 있고, 본 명세서의 실시 예들은 이러한 모든 수정들을 포함한다.

본 명세서의 실시 예들은 도면들을 참조하여 이하의 상세한 기술로부터 보다 잘 이해될 것이다.
도 1은 본 명세서의 일부 실시 예들에 따른, 기지국으로부터 사용자 장비 (UE) 로 그리고 UE로부터 기지국으로의 신호 품질에 영향을 주는 하나 이상의 라디오 파라미터들을 예시하는 블록도이다.
도 2는 본 명세서의 일부 실시 예들에 따른, 하나 이상의 기지국들 및 하나 이상의 무선 액세스 포인트들로부터 동시 송신의 존재시 사용자 장비 (UE) 에서 수신된 신호를 예시하는 블록도이다.
도 3은 본 명세서의 일부 실시 예들에 따른, 하나 이상의 기지국들 및 하나 이상의 무선 액세스 포인트들 및 RF 조건들의 변동들을 포함하는 위치의 지리적 표현을 예시하는 예시적인 도면이다.
도 4는 본 명세서의 일부 실시 예들에 따른 라디오 맵핑 아키텍처의 블록도이다.
도 5a는 본 명세서의 일부 실시 예들에 따른, 도 4의 라디오 맵핑 데이터베이스에 저장된 입력 스키마를 예시하는 테이블 뷰이다.
도 5b는 본 명세서의 일부 실시 예들에 따른, 도 4의 ML (Machine Learning) 모듈로부터의 출력 스키마를 예시하는 테이블 뷰이다.
도 6은 본 명세서의 일부 실시 예들에 따른, 도 4의 스펙트럼 모니터링 유닛의 서브-블록들의 전형적인 예를 도시하는 블록도이다.
도 7은 본 명세서의 일부 실시 예들에 따른, 라디오 맵핑 아키텍처의 라디오 맵핑 데이터베이스를 채우고 라디오 맵핑 데이터베이스의 예측된 라디오 파라미터들을 업데이트된 라디오 파라미터들로 업데이트하는 방법을 예시하는 흐름도이다.
도 8은 본 명세서의 일부 실시 예들에 따른, 도 7의 라디오 파라미터 예측 모델을 튜닝하는 방법을 예시하는 흐름도이다.
도 9는 본 명세서의 일부 실시 예들에 따른, 라디오 파라미터 예측 모델에 의해 라디오 맵핑 데이터베이스에 저장된 주어진 위치에 대한 기본적인 3D 지형 데이터 위에 오버레이되는 데이터의 층들을 예시하는 예시적인 도면이다.
도 10은 본 명세서의 일부 실시 예들에 따른, 라디오 맵핑 아키텍처를 사용하여 하나 이상의 동적으로 변화된 파라미터들을 예측하는 방법을 예시하는 흐름도이다.

본 명세서의 실시 예들 및 이의 다양한 특징들 및 유리한 상세들은 첨부된 도면들에 예시되고 이하의 기술에서 상세히 기술되는 비 제한적인 실시 예들을 참조하여 보다 완전히 설명된다. 공지의 컴포넌트들 및 프로세싱 기법들의 기술들은 본 명세서의 실시 예들을 불필요하게 모호하게 하지 않도록 생략된다. 본 명세서에 사용된 예들은 단지 본 명세서의 실시 예들이 실시될 수도 있는 방식들의 이해를 용이하게 하고 당업자로 하여금 본 명세서의 실시 예들을 실시할 수 있게 하도록 의도된다. 따라서, 예들은 본 명세서의 실시 예들의 범위를 제한하는 것으로 해석되지 않아야 한다.

언급된 바와 같이, 모바일 무선 네트워크들의 성능을 개선하기 위한 라디오 맵핑 아키텍처 (radio mapping architecture) 가 여전히 필요하다. 본 명세서의 실시 예들은 특정한 위치에서 RF 환경을 캡처하는 지리적 데이터베이스의 생성을 수반하는, 라디오 주파수 RF 환경의 디지털화를 제안함으로써 이를 달성한다.

정의들

라디오 맵: 라디오 맵은 측정되거나 도출된 무선 파라미터들의 세트를 특정한 지리적 위치와 연관시키는 데이터베이스로 정의된다.

디지털화 (digitization): 디지털화는 타임 스탬핑 및 지리정보-삽입된 (geo-tagged) 예측된 데이터 및 RF 파라미터들의 액세스 가능한 데이터베이스를 지칭한다. 일부 실시 예들에서, 이들 매우 유용한 데이터를 생성하는 대부분의 모뎀들은 ML (machine learning) 타입 아키텍처들에 적합하지 않은 독점적 (proprietary) 인터페이스들을 갖는다.

클라우드화 (cloudification): 클라우드화는 클라우드 컴퓨팅을 사용하기 위한 데이터 및 애플리케이션 프로그램들의 변환 및/또는 마이그레이션 (migration) 이다. 데이터의 디지털화와 결합된 아키텍처들의 클라우드화는 RF 환경들의 라디오 맵핑을 가능하게 하는 "맵핑" 아키텍처들을 발생시킨다.

이제 도면들, 보다 구체적으로 도 1 내지 도 10을 참조하면, 유사한 참조 문자들이 도면들 전반에 걸쳐 일관되게 대응하는 특징들을 나타내는, 바람직한 실시 예들이 도시된다.

도 1은 본 명세서의 일부 실시 예들에 따른, 기지국 (102) 으로부터 사용자 장비 (UE) (104) 로 그리고 UE (104) 로부터 기지국 (102) 으로의 신호 품질에 영향을 주는 하나 이상의 라디오 파라미터들을 예시하는 블록도 (100) 이다. 블록도 (100) 는 기지국 (102) 및 사용자 장비 (104) 를 포함한다. 하나 이상의 라디오 파라미터들은 H로 지칭되는 지면으로부터의 기지국 (102) 의 높이, h로 지칭되는 지면으로부터의 사용자 장비 (104) 의 높이 및 D로 지칭되는 사용자 장비 (104) 와 기지국 (102) 사이의 거리를 포함한다. 블록도 (100) 는 사용자 장비 (104) 에서 기지국 (102) 으로부터 수신되는 신호 및 기지국 (102) 에서 사용자 장비 (104) 로부터 수신되는 신호의 품질을 참조한다.

도 2는 본 명세서의 일부 실시 예들에 따른, 하나 이상의 기지국들 (202A 내지 202N) 및 하나 이상의 무선 액세스 포인트들 (204A 내지 204N) 로부터 동시 송신의 존재시 사용자 장비 (104) 에서 수신된 신호를 예시하는 블록도 (200) 이다. 블록도 (200) 는 사용자 장비 (104), 하나 이상의 기지국들 (202A 내지 202N), 하나 이상의 무선 액세스 포인트들 (204A 내지 204N), DTT (Digital Terrestrial Television) 송신기 (206), 네트워크 (208), 스펙트럼 모니터링 유닛 (210), 및 서버 (212) 를 포함한다. 블록도 (200) 는 하나 이상의 기지국들 (202A 내지 202N), 하나 이상의 무선 액세스 포인트들 (204A 내지 204N) 및 DTT 송신기 (206) 로부터 사용자 장비 (104) 에서 수신된 신호들을 참조한다. 일부 실시 예들에서, 사용자 장비 (104) 에서 기지국 (202A) 으로부터 수신된 신호는 다른 기지국들 및 하나 이상의 무선 액세스 포인트들 (204A 내지 204N) 로부터 수신된 신호들과 상이하다.

스펙트럼 모니터링 유닛 (210) 은 UE (104), 하나 이상의 기지국들 (202A 내지 202N), DTT 송신기 (206) 및 하나 이상의 무선 액세스 포인트들 (204A 내지 204N) 로부터의 신호들을 직접적으로 스니핑하고 (sniff) 네트워크 (208) 를 통해 서버 (212) 에 연결된다. 일부 실시 예들에서, 네트워크 (208) 는 유선 네트워크이다. 일부 실시 예들에서, 네트워크 (208) 는 무선 네트워크이다. 일부 실시 예들에서, "D" 및 "h"가 미리 공지된 스펙트럼 모니터링 유닛 (210) 은 그 근방의 하나 이상의 기지국들 (202A 내지 202N) 로부터 수신된 신호 레벨들을 모니터링한다. 일부 실시 예들에서, 이 정보는 그 근방에 존재하는 하나 이상의 사용자 장비들로부터 수집된 정보와 함께, 기지국 안테나의 현장 복사 패턴들 (on-field radiation patterns) 을 추정할 수도 있고, 신호 레벨들 및 잡음 및 간섭 레벨들, 신호 경로 지연들, 네트워크 혼잡, 등을 결정할 수도 있다. 추출되는 하나 이상의 라디오 파라미터들에 대한 추가 상세들은 나중에 기술된다.

도 3은 본 명세서의 일부 실시 예들에 따른, 하나 이상의 기지국들 (202A 내지 202N) 및 하나 이상의 무선 액세스 포인트들 (204A 내지 204N) 을 포함하는 위치의 지리적 표현 및 RF (Radio Frequency) 조건들의 변동들을 예시하는 예시적인 뷰 (300) 이다. 예시적인 뷰 (300) 는 하나 이상의 기지국들 (202A 내지 202N) 과 하나 이상의 무선 액세스 포인트들 (204A 내지 204N) 의 신호들 사이에서 수신기에 의해 본 신호 강도들을 예시한다. 일부 실시 예들에서, 간섭 및 신호 강도는 소스들의 수가 증가하면 증가된다. 일부 실시 예들에서, 하나 이상의 기지국들 (202A 내지 202N) 및 하나 이상의 무선 액세스 포인트들 (204A 내지 204N) 에 가까운 영역들은 가장 높은 신호 강도를 갖는다. 일부 실시 예들에서, 신호 강도는 많은 인자들, 예를 들어 벽들의 존재, 사용자 디바이스들의 수, 등에 기인하여 가변한다. 일부 실시 예들에서, 실시간 간섭은 알려지지 않은 채로 남는다. 일부 실시 예들에서, 고 신호 강도 또는 우수한 커버리지 영역을 포함하는 영역 (302), 중간 신호 강도 또는 보통의 커버리지 영역을 포함하는 영역 (304), 저 신호 강도 또는 약한 커버리지 영역을 포함하는 영역 (306) 및 커버리지를 갖지 않는 영역 (308) 이 존재한다. 일부 실시 예들에서, 수신기가 2 개의 기지국들 또는 2 개의 무선 액세스 포인트들, 예를 들어, 무선 액세스 포인트 (204A) 와 무선 액세스 포인트 (204B) 사이에 고 간섭을 경험하는 영역 (310) 이 존재한다.

도 4는 본 명세서의 일부 실시 예들에 따른 라디오 맵핑 아키텍처 (400) 의 블록도이다. 라디오 맵핑 아키텍처 (400) 는 기지국 (102), 사용자 장비 (UE) (104), 네트워크 (208), 스펙트럼 모니터링 유닛 (210) 및 서버 (212) 를 포함한다. 서버 (212) 는 라디오 맵핑 데이터베이스 (402) 및 ML (Machine Learning) 모듈 (404) 을 포함한다. 일부 실시 예들에서, 라디오 주파수는 본 명세서에서 이하에 RF로 지칭된다. 일부 실시 예들에서, 머신 러닝은 본 명세서에서 이하에 ML로 지칭된다. UE (104) 는 하나 이상의 라디오 파라미터들의 측정들을 수행하는 능력을 포함한다. 일부 실시 예들에서, 하나 이상의 라디오 파라미터들은 후속 섹션들에서 더 상세히 설명된다 (elaborate).

스펙트럼 모니터링 유닛 (210) 은 하나 이상의 라디오 파라미터들을 캡처하고 하나 이상의 라디오 파라미터들을 연속적으로 모니터링한다. 일부 실시 예들에서, 라디오 맵핑 아키텍처 (400) 의 스펙트럼 모니터링 유닛 (210) 은 라디오 네트워크 파라미터 모니터링 시스템을 통해 연결될 수도 있다. 일부 실시 예들에서, 라디오 맵핑 아키텍처 (400) 는 하드웨어 또는 소프트웨어 컴포넌트로서 모든 무선 시스템들에 임베딩될 (embed) 수도 있다.

일부 실시 예들에서, 스펙트럼 모니터링 유닛 (210) 은 통상적인 상업용 UE와 비교하여 정밀한 측정들을 가능하게 하는 고성능 수신 체인을 갖는다. 일부 실시 예들에서, 스펙트럼 모니터링 유닛 (210) 은 간섭자들을 노치 (notch)/소거하고 간섭자들을 추정하기 위해 사용되는 보다 높은 성능 간섭 소거기 (interference canceller) 를 갖는다. 일부 실시 예들에서, 스펙트럼 모니터링 유닛 (210) 의 지리적 위치는 정확하게 공지된다. 스펙트럼 모니터링 유닛 (210) 의 지리적 위치는 측정된 위치와 실제 위치 사이의 에러에 기초하여 모든 위치 결정 알고리즘들을 캘리브레이팅하기 위한 기준 지점으로서 역할을 할 수도 있다.

일부 실시 예들에서, 하나 이상의 스펙트럼 모니터링 유닛들은 하나 이상의 라디오 파라미터들을 연속적으로 모니터링하고 하나 이상의 라디오 파라미터들을 라디오 맵핑 데이터베이스 (402) 에 저장하도록 네트워크 (208) 에 연결된다. 일부 실시 예들에서, 네트워크 (208) 에 연결된 하나 이상의 스펙트럼 모니터링 유닛들은 표준화된 애플리케이션 프로그래밍 인터페이스 (Application programming interface; API) 를 통해 사용자들에게 서비스들을 제공할 수도 있다.

스펙트럼 모니터링 유닛 (210) 은 하나 이상의 라디오 파라미터들을 라디오 맵핑 데이터베이스 (402) 에 저장한다. 스펙트럼 모니터링 유닛 (210) 은 라디오 맵핑 데이터베이스 (402) 에 대한 입력 스키마 (input schema) 를 도출하기 위해 하나 이상의 기지국들 (202A 내지 202N) 및 UE (104) 에 대응하는 하나 이상의 라디오 파라미터들을 추출하고 그리고 라디오 맵핑 데이터베이스 (402) 의 추출된 파라미터들을 주기적으로 업데이트한다. 라디오 맵핑 데이터베이스 (402) 에 대한 입력 스키마는 스펙트럼 모니터링 유닛 (210) 및 UE (104) 중 적어도 하나에 의해 센싱된 하나 이상의 라디오 파라미터들로 업데이트된다. 입력 스키마는 라디오 맵핑 데이터베이스 (402) 의 데이터베이스 스키마이고 라디오 맵핑 데이터베이스 (402) 의 구조를 기술한다.

하나 이상의 라디오 파라미터들로부터 스펙트럼 모니터링 유닛 (210) 에 의해 도출된 입력 스키마는 하나 이상의 위치 파라미터들, 하나 이상의 RF 파라미터들, 하나 이상의 네트워크 파라미터들 및 하나 이상의 물리 계층 파라미터들을 포함한다. 하나 이상의 위치 파라미터들은 측정 시간, 위도, 경도, 고도 및 DoP (Dilution of Precision) 를 포함한다. 하나 이상의 RF 파라미터들은 CIR (Channel Impulse Response), RSSI (Receive Strength Indicator), RSRP (Reference Signal Receive Power), RSRQ (Reference Signal Received Quality), SINR (Signal-to-Interference-plus-Noise Ratio), 인접 채널 간섭 레벨, 채널 모델, 송신기 전력 및 캐리어 주파수를 포함한다. 하나 이상의 RF 파라미터들은 지리정보-삽입되고 타임 스탬핑된다. 하나 이상의 네트워크 파라미터들은 UE (104) 의 모델, UE (104) 에 가시적인 기지국들 (BTS), PLMN (Public Land Mobile Network) 아이덴티티, TAC (Type Allocation Code), CA (Carrier Aggregation) 구성 및 물리적 셀 ID (PCI) 를 포함한다. 하나 이상의 물리 계층 파라미터들은 HARQ (Hybrid automatic repeat request), 랭크 (Rank), BLER (Block Error Rate), 지터 및 호 뮤팅 (call muting) 을 포함한다.

하나 이상의 라디오 파라미터들은 지상에서 기지국 (102) 및 UE (104) 의 높이 측정치 (r, theta, phi), 하루 중 시간 (time of the day), 안테나 구성 (고도 및 방위각의 안테나 이득 패턴), 및 업링크 상에서 CIR을 계산하기 위한 지형 및 라디오 인프라스트럭처 정보 및 라디오 환경의 정보를 포함한다.

동적 RF (Radio Frequency) 환경의 CIR (Channel Impulse Response) 은 임펄스라고 하는 짧은 입력 신호와 함께 제공될 때의 출력이다. 일부 실시 예들에서, 임펄스 응답은 일부 외부 변화에 응답하여 동적 라디오 주파수 RF 환경의 반응이다. 일부 실시 예들에서, 채널 임펄스 응답은 시간의 함수로서 또는 아마도 라디오 주파수 RF 환경의 동적 거동을 파라미터화하는 일부 다른 독립 변수의 함수로서 동적 라디오 주파수 RF 환경의 반응을 기술한다. 일부 실시 예들에서, 채널의 지연 확산 및 일관성 시간은 CIR에 영향을 주고 특성화되어야 하는 중요한 파라미터들이다.

채널 임펄스 응답 (CIR) 은 지연선 필터 (transversal filter) 로서 모델링될 수도 있다. 따라서, 지연선 필터의 길이 및 계수들은 주어진 채널을 완전히 특정할 수 있다. 일부 실시 예들에서, CIR은 시간의 함수로서 채널의 임펄스 응답의 테일 (tail) 을 기술하는 복소수의 시퀀스이다. 주파수 도메인 특성화가 또한 행해질 수 있다.

거대 MIMO (Multiple-input and Multiple-output) 시스템에 대한 CSI (Channel State Information) 는 "m" 개의 전송 체인들을 "n" 개의 수신 체인들에 맵핑하는 mxn 채널 매트릭스 (H) 를 참조한다. 일부 실시 예들에서, CIR 및 CSI 정보 모두의 상당한 압축은 적어도 하나의 공통적으로 발생하는 패턴을 "인덱스" 값들과 연관시킴으로써 달성된다. 일부 실시 예들에서, 인덱스 값들은 낮은 레이턴시, 대역폭 및 저장으로 CIR 및 CSI를 전달하거나 저장하도록 사용된다.

RSSI (Receive Strength Indicator) 은 기지국 (102) 또는 무선 액세스 포인트로부터 사용자 장비 (UE) (104) 에 의해 수신된 신호의 측정치이다. RSSI는 UE (104) 가 우수한 모바일 무선 네트워크 연결을 획득하기 충분한 신호를 포함하는지를 결정하기 위해 사용되는 값이다. SINR (Signal-to-Interference-plus-Noise Ratio) 은 (다른 모든 간섭 신호들로부터) 간섭 전력과 일부 배경 잡음의 전력의 합으로 나눈 관심있는 RF 신호의 전력으로 규정된다. 일부 실시 예들에서, 인접한 채널 간섭 레벨들은 수신기 체인에 의해 거부되어야 하는, 인접한 채널의 RF 신호로부터 외부 전력에 의해 유발된 간섭이다.

서버 (212) 는 라디오 맵핑 데이터베이스 (402) 에 저장된 하나 이상의 라디오 파라미터들에 기초하여 머신 러닝 모델을 트레이닝하도록 사용된 ML (Machine Learning) 모듈 (404) 을 포함한다. ML 모듈 (404) 은 ML 모델에 기초하여 출력 스키마를 도출하도록 라디오 맵핑 데이터베이스 (402) 에 저장되는 입력 스키마로부터 하나 이상의 동적으로 변화된 파라미터들을 예측한다. 일부 실시 예들에서, ML 모듈 (404) 은 시간에 대해 하나 이상의 동적으로 변화된 파라미터들을 결정한다.

일부 실시 예들에서, 하나 이상의 동적으로 변화된 파라미터들로부터 도출된 출력 스키마는 위도, 경도, 고도, 및 예측된 라디오 파라미터들을 포함한다. 일부 실시 예들에서, 예측된 라디오 파라미터들은 CSI, RSRP, RSRQ, SINR, 채널 모델 및 채널 매트릭스를 포함한다.

ML 모듈 (404) 은 라디오 맵핑 데이터베이스 (402) 의 하나 이상의 동적으로 변화된 파라미터들을 업데이트한다. 일부 실시 예들에서, ML 모듈 (404) 은 최적의 무선 네트워크를 설계하기 위해 라디오 맵핑 데이터베이스 (402) 의 하나 이상의 동적으로 변화된 파라미터들을 업데이트한다.

ML 모듈 (404) 은 하나 이상의 라디오 파라미터들 또는 추출된 파라미터들에 기초하여 ML 모델을 동적으로 개선한다 (refine). ML 모듈 (404) 은 라디오 맵핑 데이터베이스 (402) 에 저장된 하나 이상의 라디오 파라미터들을 업데이트하기 위해 스펙트럼 모니터링 유닛 (210) 및 UE (104) 에 대한 트리거들을 생성한다.

일부 실시 예들에서, ML 모듈 (404) 은 UE (104) 의 위치에 대응하는 현재 채널 상태 정보 (CSI) 를 전송하기 위해 트리거들을 주기적으로 UE (104) 로 전송하고 그리고 UE (104) 로부터 수신된 현재 채널 상태 정보로 라디오 맵핑 데이터베이스 (402) 를 업데이트한다. 일부 실시 예들에서, ML 모듈 (404) 은 요청시 현재 채널 상태 정보 (CSI) 를 전송하기 위해 트리거들을 주기적으로 UE (104) 로 전송한다. 일부 실시 예들에서, 분석 컴포넌트들은 CSI를 사용하고 업데이트된 CSI로 라디오 맵핑 데이터베이스 (402) 를 업데이트한다.

일부 실시 예들에서, 라디오 맵핑 데이터베이스 (402) 는 커버리지 영역의 지점 각각 상의 정밀한 해상도로 외삽된 CSI를 포함한다. 일부 실시 예들에서, CSI는 (i) 하나 이상의 샘플링 지점들 주변의 커버리지 영역을 샘플링하고, (ii) 라디오 맵핑 데이터베이스 (402) 에 저장된 하나 이상의 RF 파라미터들의 특성에 기초하여 샘플링 지점을 선택하고, 그리고 (iii) 선택된 샘플링 지점이 하나 이상의 샘플링 지점들 내에 있으면 상기 CSI를 보간하거나 선택된 샘플링 지점이 하나 이상의 샘플링 지점들 내에 있지 않다면 CSI를 외삽함으로써 외삽된다.

일부 실시 예들에서, ML 모듈 (404) 은 계산에 사용된 알고리즘들을 사용하여 샘플링 지점을 선택한다. 일부 실시 예들에서, ML 모듈 (404) 은 커버리지 영역을 그리드들로 세분함으로써 위치 주변의 커버리지 영역을 샘플링한다. 일부 실시 예들에서, 그리드의 사이즈는 (i) 관심있는 주파수, 및 (ii) 라디오 전파에 영향을 주는 지형 중 적어도 하나에 기초하여 구성 가능하고 결정된다. 일부 실시 예들에서, ML 모듈 (404) 은 시뮬레이션 툴을 사용하여 그리드 내 CSI를 도출한다.

일부 실시 예들에서, ML 모듈 (404) 은 UE (104) 가 이동한다는 것을 기지국 (102) 이 식별할 때 도플러 시프트들을 추정한다. 라디오 맵핑 데이터베이스 (402) 는 하나 이상의 기지국들 (202A 내지 202N) 의 위치 정보 및 하나 이상의 기지국들 (202A 내지 202N) 로부터 방출되는 기준 신호들의 특성을 포함한다. 일부 실시 예들에서, 위치의 가까운 근방의 커버리지가 라디오 맵핑 데이터베이스 (402) 에 저장되는 측정된 정보를 포함한다면, ML 모듈 (404) 은 광선 추적 (ray tracing) 및 기타 RF 예측 툴들과 같은 하나 이상의 방법들을 사용하여 목표된 위치를 커버하도록 가까운 근방의 커버리지를 보간한다.

일부 실시 예들에서, ML 모듈 (404) 은 (i) GNSS (Global Navigation Satellite System) 좌표들의 변화들, (ii) 예측된 라디오 파라미터들 또는 (iii) GPS 좌표들이 UE (104) 에서 가용하다면 UE (104) 와 연관된 관성 센서들 중 적어도 하나를 사용하여 UE (104) 의 운동을 결정한다.

일부 실시 예들에서, ML 모델 (404) 은, GPS 좌표들이 UE (104) 에서 가용하지 않다면 가용한 OTDOA (Observed Time Difference of Arrival) 알고리즘 및 BLE 또는 Wi-Fi 기반 비콘들의 조합에 기초하여, UE (104) 의 위치를 결정한다.

일부 실시 예들에서, ML 모듈 (404) 은 (i) 하나 이상의 기지국들 (202A 내지 202N) 로부터 방출되는 기준 신호들의 정보를 획득하고 (ii) 삼각 측량을 사용하여, UE (104) 로부터 획득된 정보에 기초하여, UE (104) 의 위치를 결정함으로써 OTDOA (Observed Time Difference of Arrival) 알고리즘에 기초하여 UE (104) 의 위치를 결정한다. 일부 실시 예들에서, 정보는 하나 이상의 기지국들 (202A 내지 202N) 로부터 UE (104) 에서 수신된 제 1 수신된 신호와 후속하는 기준 신호들 사이에서 측정된 시간 인터벌을 포함한다. 일부 실시 예들에서, ML 모듈 (404) 은 주어진 영역 및 다중-경로 전파에 대한 지리 정보에 기초하여 삼각 측량을 사용하여 UE (104) 의 위치를 결정한다. 일부 실시 예들에서, 하나 이상의 기지국들 (202A 내지 202N) 과 연관된 기지국 송신기 각각은 "셀-특이적" 기준 신호를 방출한다. 일부 실시 예들에서, 수신기는 하나 이상의 기지국들 (202A 내지 202N) 로부터 매우 근접하여 기준 신호들을 수신하고 가장 가까운 기지국으로부터 수신된 기준 신호와 같은 제 1 수신된 신호와 후속하는 기준 신호들 사이의 시간 인터벌을 측정한다.

일부 실시 예들에서, 기지국 (102) 또는 eNodeB가 UE (104) 에 대해 빔 포밍해야 한다면, 기지국 (102) 은 (i) 기지국 (102) 으로 위치 정보를 전송하도록 UE (104) 에 요청하고, (ii) 위치 정보를 사용하고 현재 상태 정보 (CSI) 에 대해 라디오 맵핑 데이터베이스 (402) 에 쿼리하고, 그리고 (iii) 빔 포밍을 위해 라디오 맵핑 데이터베이스 (402) 로부터 검색된 CSI를 사용한다. 일부 실시 예들에서, 빔 포밍은 신호가 브로드캐스트 안테나로부터 모든 방향들로 확산되는 대신, 특정한 수신 디바이스를 향해 무선 신호를 포커싱하는 기법이다.

일부 실시 예들에서, NB-IoT 또는 LoRa와 같은 IoT 지향 통신 링크들이 업링크에서 RF 측정 데이터 및 UE (104) 위치를 전달하기 위해 사용되고, ATSC-3.0 또는 DVB-T2와 같은 브로드캐스트 기술들이 다운 링크에서 채널 상태 정보를 전달하기 위해 사용된다.

일부 실시 예들에서, 셀룰러 코어 네트워크는 UE (104) 를 서비스하고 핸드 오프 성능을 개선하기 위해 예측된 기지국에 대해 라디오 맵핑 데이터베이스 (402) 에 쿼리한다. ML 모듈 (404) 은 셀룰러 코어 네트워크와 라디오 맵핑 데이터베이스 (402) 사이에서 하나 이상의 라디오 파라미터들을 교환한다. 일부 실시 예들에서, 셀룰러 코어 네트워크는 미리 규정된 애플리케이션 프로그래밍 인터페이스들 (APIs) 을 통해 라디오 맵핑 데이터베이스 (402) 에 액세스한다. 일부 실시 예들에서, 라디오 맵핑 데이터베이스 (402) 는 하나 이상의 라디오 파라미터들을 검색하고 저장하기 위한 쿼리들의 세트를 지원한다. 일부 실시 예들에서, EPC (Packet Core) 또는 5G 코어의 가상화된 코어 컴포넌트는 라디오 맵핑 데이터베이스 (402) 에 인터페이싱한다. 일부 실시 예들에서, 클라우드-기반 애플리케이션은 라디오 맵핑 데이터베이스 (402) 로부터 하나 이상의 라디오 파라미터들에 액세스하기 위해 API들의 세트를 제공한다.

일부 실시 예들에서, UE (104) 가 위치로부터 이동하면, ML 모듈 (404) 은 UE (104) 를 서비스하도록 ML 모듈 (404) 에 의해 예측되는 새로운 기지국에 UE (104) 를 할당한다. ML 모듈 (404) 은 (i) 라디오 액세스 기술, 예를 들어, Wi-Fi, 셀룰러 주파수 대역, 등 (ii) 기지국 (102) 에 의해 합성되는 최적의 빔 형상, 또는 (iii) 위치를 서비스하기 위한 액세스 포인트 중 적어도 하나를 사용하여 UE (104) 를 서비스할 기지국 (102) 을 예측한다. ML 모듈 (404) 은 UHF (Ultra-High Frequency) 브로드캐스트 링크, 예를 들어, 상당한 스펙트럼이 가용하고 전파 특성들은 보다 양호한, ATSC 3.0/DVB-T2를 통해 액세스 포인트에 대응하는 액세스 정보를 UE (104) 에 전달한다.

ML 모듈 (404) 은 동적으로 예측된 라디오 파라미터들에 기초하여 위치에서 UE (104) 에 최적의 성능을 제공하도록 신호 파형들의 그룹을 설계하고 하나 이상의 라디오 파라미터들은 라디오 맵핑 데이터베이스 (402) 에 저장된 UE (104) 의 위치에 대응한다. 고 간섭 영역들의 경우, 공격자 노드와 희생 노드 모두가 이 실시 예에 기술된 라디오 맵핑 아키텍처 (400) 와 연관될 때마다, 연속적인 간섭 소거 또는 향상된 셀 간 간섭 조정과 같은, 단순화된 간섭 완화 메커니즘을 허용하는 동적 간섭-인식 파형의 클래스가 설계된다.

일부 실시 예들에서, 라디오 맵핑 아키텍처 (400) 는 하나 이상의 소프트웨어 API들이 사용자들로 하여금 서비스로 라디오 플랫폼을 통해 라디오 맵핑 데이터베이스 (402) 로부터 데이터에 액세스하게 하는 라디오 플랫폼으로서 기능하기 때문에 관심있는 파라미터들을 수집하는 광대역 스펙트럼 모니터링 유닛 및 플랫폼들을 포함한다.

ML 모듈 (404) 은 ML 모듈 (404) 에 의해 생성된 ML 모델에 기초하여 라디오 파라미터 예측 모델을 생성한다. ML 모듈 (404) 은 UE (104) 에 의해 센싱되는 RF 환경 또는 UE (104) 의 위치 중 적어도 하나에 변화가 있다면 업데이트된 라디오 파라미터들을 수용한다. ML 모듈 (404) 은 업데이트된 라디오 파라미터들에 기초하여 라디오 파라미터 예측 모델을 개선한다. ML 모듈 (404) 은 개선된 라디오 파라미터 예측 모델을 사용하여 UE (104) 의 주어진 위치에 대해 라디오 맵핑 데이터베이스 (402) 의 예측된 라디오 파라미터들을 업데이트한다.

도 5a는 본 명세서의 일부 실시 예들에 따른 도 4의 라디오 맵핑 데이터베이스 (402) 에 저장된 입력 스키마 (500) 를 예시하는 테이블 뷰이다. 하나 이상의 라디오 파라미터들로부터 스펙트럼 모니터링 유닛 (210) 에 의해 도출된 입력 스키마 (500) 는 하나 이상의 위치 파라미터들, 하나 이상의 RF 파라미터들, 하나 이상의 네트워크 파라미터들 및 하나 이상의 물리 계층 파라미터들을 포함한다. 하나 이상의 위치 파라미터들은 UE (104) 의 통합된 GNSS 모듈 또는 스펙트럼 모니터링 유닛 (210) 에 의해 결정될 때 측정 시간 (502), 위도 (504), 경도 (506), 고도 (508) 및 DoP (Dilution of Precision) (510) 를 포함한다. 하나 이상의 RF 파라미터들은 CIR (Channel Impulse Response), RSSI (Receive Strength Indicator) (516), RSRP (518), RSRQ (520), SINR (Signal-to-Interference-plus-Noise Ratio) (522), 인접 채널 간섭 레벨, 채널 모델 (524), 송신기 전력 (526) 및 캐리어 주파수 (528) 이다.

하나 이상의 네트워크 파라미터들은 (통신 및 측정 능력을 나타내는) UE의 모델 (512), UE (104) 에 가시적인 기지국들 (BTS) (514), PLMN (Public Land Mobile Network) 아이덴티티 (530), TAC (Type Allocation Code) (532), CA (Carrier Aggregation) 구성 (534) 및 PCI (Physical Cell ID) (536) 를 포함한다. 하나 이상의 물리 계층 파라미터들은 HARQ (Hybrid automatic repeat request) (538), 랭크 (Rank) (540), BLER (Block Error Rate) (542), 지터 (jitter) (544) 및 호 뮤팅 (call muting) (545) 을 포함한다.

일부 실시 예들에서, 하나 이상의 라디오 파라미터들은 도 4에 도시된 사용자 장비 (UE) (104) 및 스펙트럼 모니터링 유닛 (210) 에 의해 결정된다. 도시된 양들은 예시적인 것이고, 4G 네트워크에 대응한다. 일부 실시 예들에서, 파라미터들 중 일부는 2G, 3G, 5G 또는 Wi-Fi 네트워크에 대해 변화할 수도 있다. 일부 실시 예들에서, 상이한 세트의 파라미터들이 4G 네트워크에 대해서도 사용된다.

모델 (512) 은 측정 디바이스의 모델 번호, 예를 들어 스펙트럼 모니터링 유닛 (210) 의 타입을 지칭하고, 모바일 폰 모델, 즉 TM 타입이 또한 캡처된다. 기지국 (BTS) (514) 은 신호들이 측정 디바이스에서 검출 가능한 다수의 기지국들을 나타낸다. 기지국 (BTS) (514) 은 하나 이상의 기지국, 예를 들어, BTS A 내지 BTS N을 포함한다. 기지국 각각은 PCI (Physical Cell Identity), 예를 들어, 기지국, 등에 대응하는 PCI (546A) 및 기지국, 예를 들어 BTS A로부터 측정 유닛으로의 전파 시간과 연관된 지연 (550A) 을 포함한다. 일부 실시 예들에서, 기지국들 (514) 은 MU-MIMO (multi-user multiple input multiple output) 능력, 예를 들어 MU-MIMO (548A) 를 포함할 수도 있다. 이러한 경우들에서, 가시적 빔렛들 (beamlets) 각각과 연관된 전력 레벨들은 별도로 측정될 수도 있다.

도 5b는 본 명세서의 일부 실시 예들에 따른 도 4의 ML 모듈 (404) 로부터의 출력 스키마를 예시하는 테이블 뷰 (501) 이다. 출력 스키마 (501) 는 위도 (504A), 경도 (506A), 고도 (508A), 및 예측된 라디오 파라미터들 (552) 을 포함한다. 일부 실시 예들에서, 예측된 라디오 파라미터들 (552) 은 RSRP (518A), RSRQ (520A), SINR (522A), 채널 모델 (524A) 및 채널 매트릭스 (554) 를 포함한다.

도 6은 본 명세서의 일부 실시 예들에 따른 도 4의 스펙트럼 모니터링 유닛 (210) 의 서브-블록들의 전형적인 예를 도시하는 블록도 (600) 이다. 블록도 (600) 는 하나 이상의 RF 다운 컨버터들 (602A 내지 602N), 하나 이상의 소프트웨어-정의된 복조기들 (604A 내지 604N), 공통 클록 및 캐리어 기준 (605), 애자일 (agile) RF 다운-컨버터 (606), 향상된 소프트웨어-정의된 복조기 (608), 하나 이상의 튜닝 가능한 대역 제거 필터들 (tunable band reject filters) (609A 내지 609N), 주파수 스윕 소스 (frequency sweep source) (610), 안테나 (611), 제어 및 동기 버스 (612), GNSS (Global Navigation Satellite System) 모듈 (614), RAM (Random-Access Memory) (616), 플래시 메모리 (618), 메인 CPU 및 주변기기들 (620), 셀룰러 모뎀 (622) 및 모니터링 회로 (624) 를 포함한다.

RF 다운 컨버터들 (602A 내지 602N) 은 공통 주파수 및 타이밍 기준 (605) 을 포함한다. 하나 이상의 소프트웨어-정의된 복조기들 (604A 내지 604N) 은 메인 CPU 및 주변기기들 (620) 로 전송되는, I 샘플 및 Q 샘플의 형태로, 라디오 프레임의 상당한 부분을 캡처한다.

하나 이상의 소프트웨어-정의 복조기들 (604A 내지 604N) 및 향상된 소프트웨어-정의 복조기 (608) 는 포스트 데이터를 캡처한다. 메인 CPU 및 주변기기들 (620) 은 비 실시간으로 I 샘플들 및 Q 샘플들을 프로세싱한다. 이는 실시간 구현 예들의 어려움들로 인해 셀룰러 표준들에서 아직 활용되지 않은 보다 발전된 알고리즘들의 활용을 허용한다. 예를 들어, 연속적인 간섭 소거는, 종래의 셀룰러 수신기들에 의해 놓칠 수도 있는, 보다 강한 신호들 아래에 숨겨진 약한 신호들을 검출하기 위해 사용될 수도 있다. 일부 실시 예들에서, 기준 신호들에 대해, 신호의 선제적 (apriori) 정보 및 송신기의 위치로 인해, 깊게 임베딩된 신호들 정보가 결정된다.

메인 CPU 및 주변기기들 (620) 은 빔 포밍의 실현을 위해 "합성 어퍼처" 소프트웨어 수신기를 실현함으로써 비 실시간으로 데이터를 분석한다. 일부 실시 예들에서, 메인 CPU 및 주변기기들 (620) 은 수평선을 통해 전자적으로 조종되는 고도로 지향된 수신 안테나를 실현한다.

애자일 RF 다운-컨버터 (606) 는 (i) 상이한 캐리어 주파수들에서 RF 신호들을 캡처하고 (ii) 채널 누설들을 결정하기 위해 독립형 모드에서 사용된다. 일부 실시 예들에서, 애자일 RF 다운-컨버터 (606) 는 상이한 RF 통신 표준들을 병렬로 분석한다. 애자일 RF 다운-컨버터 (606) 와 함께 주파수 스윕 소스 (610) 는 향상된 소프트웨어-정의된 복조기(608) 로 하여금 주어진 위치에서 넓은 범위의 주파수들을 스캔하게 한다. 일부 실시 예들에서, 하나 이상의 튜닝 가능한 대역 제거 필터들 (609A 내지 609N) 은 원치 않은 협대역 간섭 신호들을 제거한다. 안테나 (611) 는 복수의 편광 각도들 (polarization angle) 에서 RF 신호를 센싱한다.

일부 실시 예들에서, 애자일 RF 다운-컨버터 (606), 향상된 소프트웨어-정의 복조기 (608), 하나 이상의 튜닝 가능한 대역 제거 필터들 (609A 내지 609N), 및 주파수 스윕 소스 (610) 은 예를 들어, 간섭 신호들을 발견하는, 예비 분석을 위해 처음 사용되고, 그 후 하나 이상의 RF 다운 컨버터들 (602A 내지 602N) 및 하나 이상의 소프트웨어-정의 복조기들 (604A 내지 604N) 과 같은 수신기들의 어레이가 이슈의 상세한 분석을 위해 사용된다. GNSS 모듈 (614) 은 주어진 위치의 위도, 경도 및 고도를 결정한다. 일부 실시 예들에서, GNSS 모듈 (614) 은 GNSS 에러를 결정한다. GNSS 모듈 (614) 은 GPS (Global Positioning System) 값들의 추정된 에러를 나타내는 DoP (Dilution of Precision) 를 제공한다. RAM (Random-access memory) (616) 은 현재 사용되고 있는 데이터 및 머신 코드를 저장하는 컴퓨터 데이터 스토리지의 일 형태이다. 플래시 메모리 (618) 는 전기적으로 제거되고 재 프로그래밍되는 전자 (반도체 (solid-state)) 비 휘발성 컴퓨터 저장 매체이다.

셀룰러 모뎀 (622) 은 음성 호출 및 데이터 호출을 할 수 있고 RSSI (Received Signal Strength Indicator) (516), RSRP (Reference Signal Receive Power) (518), RSRQ (Reference Signal Received Quality) (520), SINR (Signal-to-interference-plus-noise ratio) (522), BLER (Block Error Rate) (542), 패킷 지터 (544), 호 뮤팅 (545) 등을 측정할 수 있다. 일부 실시 예들에서, 모니터링 회로 (624) 는 UE (104) 에 대한 상업용 셀룰러 모뎀들의 물리 및 매체 액세스 계층 파라미터들이 애플리케이션 소프트웨어에 노출되지 않는다면 추가된다. 모니터링 회로 (624) 는 스케쥴 요청들, ACK (incidences of Acknowledgment), NACK (Negative Acknowledgment) 및 HARQ (Hybrid automatic repeat request) (538) 와 같은 이벤트들을 검출하기 위해 업링크 제어 시그널링을 스누핑한다 (snoop). 일부 실시 예들에서, HARQ (538) 의 높은 발생률은 전체 기지국들의 클러스터에서의 높은 혼잡 또는 네트워크 계획의 일부 이슈들을 나타낸다. 일부 실시 예들에서, 스펙트럼 모니터링 유닛 (210) 은 스케쥴 요청들, ACK의 발생들, NACK 및 HARQ (538) 와 같은 검출된 이벤트들을 캡처하고 이벤트들의 특정한 조합들의 발생에 기초하여 라디오 맵핑 데이터베이스 (402) 에 저장된 하나 이상의 라디오 파라미터들을 업데이트하기 위한 트리거들을 생성하는 이벤트 로거를 포함한다.

스펙트럼 모니터링 유닛 (210) 은 에러 전파를 검출하기 위한 에지 분석의 엘리먼트들을 포함할 수도 있고, 복수의 이벤트들이 단일 근본 원인에 대응하여 검출된다. 일부 실시 예들에서, 스펙트럼 모니터링 유닛 (210) 은 동작 지원 서브시스템들에 상당한 서비스 중단을 야기하는 주요 에러들을 통지할 수도 있다.

일부 실시 예들에서, 스펙트럼 모니터링 유닛 (210) 은 송신기로서 구성될 수도 있고, 송신기의 신호들은 근방의 다른 이러한 유닛들에 의해 모니터링될 수도 있다. 스펙트럼 모니터링 유닛 (210) 은 특정한 위치에서 라디오 환경을 특성화하기 위해 라디오 사운딩 액티비티들 (radio sounding activities) 에 대한 모든 RF 파라미터들을 가상으로 결정할 수도 있다. 일부 실시 예들에서, 결정된 RF 파라미터들은 불충분한 측정된 데이터가 있는 위치들에서 RF 커버리지를 결정하도록 ML 모듈 (404) 에 의해 사용된다. 일부 실시 예들에서, 규정된 표준들 및 독점적 표준들 모두가 사운딩 신호들이 라디오 사운딩 액티비티들을 위해 사용된다.

일부 실시 예들에서, 스펙트럼 모니터링 유닛 (210) 은 휴대용 유닛이다. 일부 실시 예들에서, 스펙트럼 모니터링 유닛 (210) 은 대중 교통 차량들, 예를 들어, 버스들, 기차들, 택시들 또는 심지어 개인 차량 상에 배치되고, 이는 다수의 유닛들을 사용하여 짧은 시간에 데이터의 신속한 수집을 허용한다.

도 7은 본 명세서의 일부 실시 예들에 따른, 라디오 맵핑 아키텍처 (400) 의 라디오 맵핑 데이터베이스 (402) 를 채우고 라디오 맵핑 데이터베이스 (402) 의 예측된 라디오 파라미터들을 업데이트된 라디오 파라미터들로 업데이트하는 방법 (700) 을 예시하는 흐름도이다. 단계 702에서, 방법 (700) 은 하나 이상의 라디오 파라미터들을 추출하도록 스펙트럼 모니터링 유닛 (210) 및 사용자 장비 (104) 을 인에이블하는 단계를 포함한다. 일부 실시 예들에서, 하나 이상의 라디오 파라미터들은 CIR (Channel Impulse Response), (ii) RSSI (Receive Strength Indicator), (iii) SINR (Signal-to-Interference-plus-Noise Ratio) 또는 신호-대-잡음비 (SNR), 및 (iv) 인접한 채널 간섭 레벨들을 포함한다. 단계 704에서, 방법 (700) 은 스펙트럼 모니터링 유닛 (210) 및 UE (104) 의 능력에 기초하여 사용자 장비 (104) 또는 스펙트럼 모니터링 유닛 (210) 으로부터 하나 이상의 라디오 파라미터들을 캡처하는 단계를 포함한다. 단계 706에서, 방법 (700) 은 라디오 맵핑 데이터베이스 (402) 의 하나 이상의 라디오 파라미터들을 주기적으로 업데이트하는 단계를 포함한다. 단계 708에서, 방법 (700) 은 하나 이상의 라디오 파라미터들을 라디오 맵핑 데이터베이스 (402) 에 저장한다.

단계 710에서, 방법 (700) 은 셀룰러 코어 네트워크와 라디오 맵핑 데이터베이스 (402) 사이에서 하나 이상의 라디오 파라미터들을 교환한다. 일부 실시 예들에서, 셀룰러 코어 네트워크, 라디오 액세스 네트워크 및 스케줄러는 미리 규정된 애플리케이션 프로그래밍 인터페이스들 (APIs) 을 통해 라디오 맵핑 데이터베이스 (402) 에 액세스한다. 일부 실시 예들에서, 기지국 (102) 과 함께 셀룰러 코어 네트워크는 정보의 대형 저장소 및 기지국 (102) 과 함께 사용자 장비 (104) 로부터 업링크 신호들의 도달 각도 및 채널 추정과 셀룰러 코어 네트워크의 연관성을 포함한다. 이들은 UE (104) 및 스펙트럼 모니터링 유닛 (210) 으로부터 이격되어 라디오 맵핑 데이터베이스 (402) 에 대한 부가적인 정보 소스로서 작용할 수도 있다. 이에 더하여, 셀룰러 코어 네트워크는 또한 셀룰러 코어 네트워크의 성능을 개선하기 위해 ML (Machine Learning) 모듈 (404) 에 의해 생성된 정보에 액세스할 수도 있다. 단계 712에서, 방법 (700) 은 ML 모듈 (404) 에 의해 생성된 머신 러닝 모델에 기초하여 라디오 파라미터 예측 모델을 생성하는 단계 및 사용자 장비 (104) 에 의해 센싱된 UE (104) 의 위치 또는 RF 환경 중 적어도 하나에 변화가 있다면 업데이트된 라디오 파라미터들을 수용하는 단계를 포함한다. 단계 714에서, 방법 (700) 은 업데이트된 라디오 파라미터들에 기초하여 라디오 파라미터 예측 모델을 개선하는 단계를 포함한다. 단계 716에서, 방법 (700) 은 개선된 라디오 파라미터 예측 모델을 사용하여 UE (104) 의 주어진 위치에 대해 라디오 맵핑 데이터베이스 (402) 내의 예측된 라디오 파라미터들을 업데이트하는 단계를 포함한다. 일부 실시 예들에서, 이 프로세스는 ML 모듈 (404) 이 거의 이상적으로 정확해질 때까지 계속된다.

일부 실시 예들에서, ML 모듈 (404) 은 주어진 지형에 대한 예측을 위한 최적의 방법론을 선택하고, 방법론에서 가정된 모델이 모델링 태스크들을 수행하기 위해 통합되는 파라미터들의 최적의 세트, 3D 지리 정보로부터 지형 분류 등을 찾는 것과 관련된 기능들을 포함하지만, 이로 제한되지 않는 머신 러닝 기능들을 포함한다. 일부 실시 예들에서, ML 모듈 (404) 은 휴리스틱스 (heuristics) 의 형태 또는 소프트 컴퓨팅의 엘리먼트들 (예를 들어, 텐서 플로우, 유전 알고리즘, 시뮬레이팅된 어닐링 또는 양자 컴퓨팅을 포함하는 신경 네트워크들) 또는 휴리스틱스 및 소프트 컴퓨팅 모두의 조합을 통합할 수도 있는 머신 러닝 알고리즘들을 포함한다.

도 8은 본 명세서의 일부 실시 예들에 따른 도 7의 라디오 파라미터 예측 모델을 튜닝하는 방법 (800) 을 예시하는 흐름도이다. 단계 802에서, 방법 (800) 은 3D 지형 맵을 임포트하는 단계를 포함한다. 일부 실시 예들에서, 라디오 파라미터 예측 모델은 셀룰러 사이트들의 추가, 제거 또는 장비 오작동을 고려할 수도 있다. 단계 804에서, 방법 (800) 은 유사한 RF 환경을 갖는 하나 이상의 영역들을 포함하는 세그먼트를 결정하기 위해 3D 지형 맵을 세그먼트화하는 단계를 포함한다. 단계 806에서, 방법 (800) 은 세그먼트를 통계적으로 샘플링한다. 단계 808에서, 방법 (800) 은 샘플링된 세그먼트에 대해 예비 예측된 라디오 파라미터들을 실행하는 것을 포함한다. 예비 예측된 라디오 파라미터들은 세그먼트에 대응하는 가장 적합한 라디오 파라미터 예측 모델에 기초하여 선택된다. 단계 810에서, 방법 (800) 은 세그먼트에 대한 현장 측정 데이터를 수집하는 단계를 포함한다. 단계 812에서, 방법 (800) 은 세그먼트에 기초하여 업그레이드된 라디오 파라미터 예측 모델을 획득하기 위해 하나 이상의 라디오 파라미터들을 사용하여 라디오 파라미터 예측 모델을 튜닝하는 단계를 포함한다. 단계 814에서, 방법 (800) 은 유사한 모폴로지 (morphology) 를 갖는 세그먼트들에 대한 예측을 수행하도록 업그레이드된 라디오 파라미터 예측 모델을 사용하는 단계를 포함한다.

도 9는 본 명세서의 일부 실시 예들에 따른, 라디오 파라미터 예측 모델에 의해 라디오 맵핑 데이터베이스 (402) 에 저장된 주어진 위치에 대한 기본적인 3D 지형 데이터 위에 오버레이되는 데이터의 층들을 예시하는 예시적인 뷰 (900) 이다. 예시적인 뷰 (900) 는 제 1 층 (902), 제 2 층 (904), 제 3 층 (906) 및 제 4 층 (908) 을 포함한다. 제 1 층 (902) 은 3D 지형 데이터를 나타내고, 제 2 층 (904) 은 라디오 파라미터들 예측의 제 1 레벨을 나타내고, 제 3 층 (906) 은 샘플 지점들의 측정 값을 나타내고 제 4 층 (908) 은 업그레이드된 라디오 파라미터 예측 모델에 기초하여 예측된 라디오 파라미터들을 나타낸다. 제 1 층 (902) 은 RF 전파에 영향을 주는 지리학적 특징들을 통합하고, 이는 나뭇잎들, 언덕들로부터의 나이프 에지 회절 (knife edge diffraction) 및 건물들 수역들 (buildings water bodies) 등을 포함한다. 일부 실시 예들에서, 데이터의 층들은 지리 데이터베이스로부터 입수 가능한 전통적인 지형 데이터 위에 부가된다. 나뭇잎 손실로 인한 식생 (vegetation) 의 깊이는 주어진 영역의 식생 맵핑에 기초하여 추정된다. 일부 실시 예들에서, 나뭇잎 및 나이프 에지 효과들을 포함하는 경로 손실이 계산되고 지리 데이터베이스에 저장된다. 일부 실시 예들에서, 투과된 파의 편광의 영향이 또한 따라서 고려된다. 제 2 층 (904) 및 제 4 층 (908) 은 상이한 신호 강도들을 나타내는 음영 처리된 영역들을 포함한다. 일부 실시 예들에서, 음영 영역들은 감소하는 신호 강도를 나타낸다. 예를 들어, 음영 처리된 영역 (904D) 의 신호 품질이 음영 처리된 영역 (904C) 의 신호 품질보다 우수하지만, 둘다 음영 처리된 영역 (904A) 보다 우수한 품질을 갖는다.

도 10은 본 명세서의 일부 실시 예들에 따른, 라디오 맵핑 아키텍처 (400) 를 사용하여 하나 이상의 동적으로 변화된 파라미터들을 예측하는 방법 (1000) 을 예시하는 흐름도이다. 단계 1002에서, 방법 (1000) 은 UE (104) 또는 스펙트럼 모니터링 유닛 (210) 중 적어도 하나를 사용하여, 하나 이상의 라디오 파라미터들을 캡처하는 단계를 포함한다. 단계 1004에서, 방법 (1000) 은 스펙트럼 모니터링 유닛 (210) 을 사용하여, 하나 이상의 라디오 파라미터들을 연속적으로 모니터링하고 라디오 맵핑 데이터베이스 (402) 에 하나 이상의 라디오 파라미터들을 저장하는 단계를 포함한다. 단계 1006에서, 방법 (1000) 은 스펙트럼 모니터링 유닛 (210) 을 사용하여, 라디오 맵핑 데이터베이스 (402) 에 입력 스키마 (500) 를 채우기 위해 하나 이상의 기지국들 (202A 내지 202N) 및 사용자 장비 (UE) (104) 에 대응하는 하나 이상의 라디오 파라미터들을 추출하고 라디오 맵핑 데이터베이스 (402) 의 추출된 파라미터들을 주기적으로 업데이트하는 단계를 포함한다. 단계 1008에서, 방법 (1000) 은 서버 (212) 와 연관된 머신 러닝 모듈 (404) 을 사용하여, 라디오 맵핑 데이터베이스 (402) 에 저장된 하나 이상의 라디오 파라미터들에 기초하여 머신 러닝 모델을 트레이닝하는 것을 포함한다.

단계 1010에서, 방법 (1000) 은 ML 모델에 기초하여 출력 스키마 (501) 를 도출하도록 라디오 맵핑 데이터베이스 (402) 에 저장되는 입력 스키마 (500) 로부터 하나 이상의 동적으로 변화된 파라미터들을 예측하는 단계를 포함한다. 단계 1012에서, 방법 (1000) 은 라디오 맵핑 데이터베이스 (402) 의 ML 모델에 의해 예측되는 하나 이상의 동적으로 변화된 파라미터들을 업데이트하는 단계를 포함한다. 단계 1014에서, 방법 (1000) 은 하나 이상의 라디오 파라미터들 또는 추출된 파라미터들에 기초하여 ML 모델을 동적으로 개선하는 단계를 포함한다. 단계 1016에서, 방법 (1000) 은 라디오 맵핑 데이터베이스 (402) 에 저장된 하나 이상의 라디오 파라미터들을 업데이트하도록 스펙트럼 모니터링 유닛 (210) 및 UE (104) 에 대한 트리거들을 생성하는 단계를 포함한다.

특정한 실시 예들의 전술한 기술은 다른 사람들이 현재 지식을 적용함으로써, 일반적인 개념으로부터 벗어나지 않고, 이러한 특정한 실시 예들을 용이하게 수정하고 그리고/또는 다양한 적용 예들에 적응시킬 수 있는 본 명세서의 실시 예들의 일반적인 본질을 완전히 드러낼 것이고, 따라서 이러한 적응들 및 수정들은 개시된 실시 예들의 등가물의 의미 및 범위 내에서 이해되어야 하고 그리고 이해되도록 의도된다. 본 명세서에 채용된 어법 또는 용어는 제한을 위한 것이 아니라 기술을 위한 것이라는 것이 이해되어야 한다. 따라서, 본 명세서의 실시 예들이 바람직한 실시 예들의 관점에서 기술되었지만, 당업자는 본 명세서의 실시 예들이 첨부된 청구항들의 정신 및 범위 내에서 수정되어 실시될 수 있다는 것을 인식할 것이다.

Claims

무선 네트워크 (wireless network) 를 위한 라디오 맵핑 아키텍처 (radio mapping architecture) (400) 에 있어서,
적어도 하나의 라디오 파라미터의 측정들을 수행하는 사용자 장비 (UE) (104); 또는
스펙트럼 모니터링 유닛 (210) 으로서,
적어도 하나의 라디오 파라미터 (Radio parameter) 를 캡처하고;
상기 적어도 하나의 라디오 파라미터를 연속적으로 모니터링하고 상기 적어도 하나의 라디오 파라미터를 라디오 맵핑 데이터베이스 (402) 에 저장하고;
상기 라디오 맵핑 데이터베이스 (402) 에 입력 스키마 (input schema) (500) 를 채우기 (populate) 위해 적어도 하나의 기지국 및 상기 사용자 장비 (UE) (104) 에 대응하는 상기 적어도 하나의 라디오 파라미터를 추출하고 그리고 상기 라디오 맵핑 데이터베이스 (402) 에 추출된 파라미터들을 주기적으로 업데이트하는―상기 입력 스키마 (500) 는 상기 라디오 맵핑 데이터베이스 (402) 의 데이터베이스 스키마이고 상기 라디오 맵핑 데이터베이스 (402) 의 구조를 기술함―, 상기 스펙트럼 모니터링 유닛;
상기 UE (104) 및 상기 스펙트럼 모니터링 유닛 (210) 으로부터 상기 적어도 하나의 라디오 파라미터를 주기적으로 캡처하는 상기 라디오 맵핑 데이터베이스 (402) 를 포함하는 서버 (212) 로서, 상기 라디오 맵핑 데이터베이스 (402) 는 스펙트럼 모니터링 유닛 (210) 으로부터 주기적으로 추출된 파라미터들 및 지리정보-삽입된 (geo-tagged) 결과들을 캡처하고, 상기 라디오 맵핑 데이터베이스 (402) 에 대한 상기 입력 스키마 (500) 는 (i) 상기 스펙트럼 모니터링 유닛 (210) 및 (ii) 상기 UE (104) 중 적어도 하나에 의해 센싱된 상기 적어도 하나의 라디오 파라미터로 업데이트되는 상기 서버; 및
머신 러닝 (Machine Learning; ML) 모듈 (404) 로서,
상기 라디오 맵핑 데이터베이스 (402) 에 저장된 상기 적어도 하나의 라디오 파라미터에 기초하여 머신 러닝 모델을 트레이닝하고;
상기 ML 모델에 기초하여 출력 스키마 (501) 를 도출하도록 상기 라디오 맵핑 데이터베이스 (402) 에 저장되는 상기 입력 스키마 (500) 로부터 적어도 하나의 동적으로 변화된 파라미터를 예측하고;
상기 라디오 맵핑 데이터베이스 (402) 에서 상기 ML 모델에 의해 예측되는 상기 적어도 하나의 동적으로 변화된 파라미터를 업데이트하고;
상기 적어도 하나의 라디오 파라미터 또는 상기 추출된 파라미터들에 기초하여 상기 ML 모델들을 동적으로 개선하고 (refine); 그리고
상기 라디오 맵핑 데이터베이스 (402) 에 저장된 상기 적어도 하나의 라디오 파라미터를 업데이트하기 위해 상기 스펙트럼 모니터링 유닛 (210) 및 상기 UE (104) 에 대한 트리거들을 생성하기 위해 사용되는, 상기 머신 러닝 모듈을 포함하는, 라디오 맵핑 아키텍처.
제 1 항에 있어서,
상기 적어도 하나의 라디오 파라미터로부터 상기 스펙트럼 모니터링 유닛 (210) 에 의해 도출된 상기 입력 스키마 (500) 는, 적어도 하나의 위치 파라미터, 적어도 하나의 RF 파라미터, 적어도 하나의 네트워크 파라미터 및 적어도 하나의 물리 계층 파라미터를 포함하는, 라디오 맵핑 아키텍처.
제 2 항에 있어서,
상기 적어도 하나의 위치 파라미터는 측정 시간 (502), 위도 (504), 경도 (506), 고도 (508) 및 DoP (Dilution of Precision) (510) 를 포함하고, 상기 적어도 하나의 RF 파라미터는 CIR (Channel Impulse Response), RSSI (Receive Strength Indicator) (516), RSRP (Reference Signal Received) (518), RSRQ (Reference Signal Received Quality) (520), SINR (Signal-to-Interference-plus-Noise Ratio) (522), 인접한 채널 간섭 레벨, 채널 모델 (524), 송신기 전력 (526) 및 캐리어 주파수 (528) 를 포함하고, 상기 적어도 하나의 RF 파라미터는 지리정보-삽입되고 타임-스탬핑되고 (time-stamped), 상기 적어도 하나의 네트워크 파라미터는 상기 UE (104) 의 모델 (512), 상기 UE (104) 에 가시적인 기지국들 (BTS) (514), PLMN (Public Land Mobile Network) 아이덴티티 (530), TAC (Type Allocation Code) (532), CA (Carrier Aggregation) 구성 (534) 및 PCI (Physical Cell ID) (536) 를 포함하고, 상기 적어도 하나의 물리 계층 파라미터는 HARQ (Hybrid automatic repeat request) (538), 랭크 (540), BLER (Block Error Rate) (542), 지터 (544) 및 호 뮤팅 (call muting) (545) 을 포함하는, 라디오 맵핑 아키텍처.
제 3 항에 있어서,
상기 기지국 (BTS) (514) 은 물리적 셀 ID (PCI) (546A 내지 546N) 및 기지국으로부터 상기 스펙트럼 모니터링 유닛 (210) 으로의 전파 시간과 연관된 지연 (550A 내지 550N) 을 포함하는 상기 기지국들의 수를 나타내고, 상기 기지국들 (514) 은 MU-MIMO (multi-user multiple input multiple output) 능력 (548A 내지 548N) 을 포함하는, 라디오 맵핑 아키텍처.
제 1 항에 있어서,
상기 적어도 하나의 동적으로 변화된 파라미터로부터 유도된 상기 출력 스키마 (501) 는 위도 (504A), 경도 (506A), 고도 (508A), 및 예측된 라디오 파라미터들 (552) 을 포함하고, 상기 예측된 라디오 파라미터들 (552) 은 RSRP (518A), RSRQ (520A), SINR (522A), 채널 모델 (524A) 및 채널 매트릭스 (554) 를 포함하는, 라디오 맵핑 아키텍처.
제 1 항에 있어서,
상기 ML 모듈 (404) 은 상기 동적으로 예측된 라디오 파라미터들에 기초한 위치에서 상기 UE (104) 에 최적의 성능을 제공하도록 신호 파형들의 그룹을 설계하고 그리고 상기 적어도 하나의 라디오 파라미터들은 상기 라디오 맵핑 데이터베이스 (402) 에 저장된 상기 UE (104) 의 위치에 대응하는, 라디오 맵핑 아키텍처.
제 1 항에 있어서,
상기 머신 러닝 모듈 (404) 은 상기 위치에 대응하는 현재 채널 상태 정보 (CSI) 를 전송하기 위해 상기 트리거들을 상기 UE (104) 로 주기적으로 전송하고 그리고 상기 UE (104) 로부터 수신된 상기 현재 채널 상태 정보로 상기 라디오 맵핑 데이터베이스 (402) 를 업데이트하는, 라디오 맵핑 아키텍처.
제 1 항에 있어서,
상기 머신 러닝 모듈 (404) 은 상기 기지국 (102) 이 상기 UE (104) 가 이동하고 있다는 것을 식별할 때 도플러 시프트들을 추정하는, 라디오 맵핑 아키텍처.
제 1 항에 있어서,
상기 머신 러닝 모듈 (404) 은 (i) GNSS (Global Navigation Satellite System) 좌표들의 변화들, (ii) 예측된 라디오 파라미터들 (552) 또는 (iii) GPS 좌표들이 상기 UE (104) 에서 가용하다면 상기 UE (104) 와 연관된 관성 센서들 중 적어도 하나를 사용하여 상기 UE (104) 의 상기 이동을 결정하는, 라디오 맵핑 아키텍처.
제 1 항에 있어서,
상기 UE (104) 에서 GPS 좌표들이 가용하지 않다면, 상기 머신 러닝 모듈 (404) 은 가용한 OTDOA (Observed Time Difference of Arrival) 알고리즘들 및 BLE (Bluetooth low energy) 또는 Wi-Fi 기반 비콘들의 조합에 기초하여 상기 UE (104) 의 위치를 결정하는, 라디오 맵핑 아키텍처.
제 1 항에 있어서,
상기 기지국 (102) 이 상기 UE (104) 로 빔 포밍 (beamform) 해야 한다면, 상기 기지국 (102) 은 (i) 상기 UE (104) 의 위치 정보를 전송하도록 상기 UE (104) 에 요청하고, (ii) 상기 UE (104) 에 의해 공유된 상기 위치 정보에 기초하여 현재 상태 정보 (CSI) 를 상기 라디오 맵핑 데이터베이스 (402) 에 쿼리하고 (query), 그리고 (iii) 빔 포밍하기 위해 상기 라디오 맵핑 데이터베이스 (402) 로부터 검색된 상기 CSI를 사용하는, 라디오 맵핑 아키텍처.
제 1 항에 있어서,
상기 라디오 맵핑 데이터베이스 (402) 는 커버리지 영역의 지점 각각 상의 정밀한 해상도로 외삽된 CSI를 포함하고,
상기 CSI는,
(i) 하나 이상의 샘플링 지점들 주변의 상기 커버리지 영역을 샘플링하는 단계;
(ii) 상기 라디오 맵핑 데이터베이스 (402) 에 저장되는 상기 적어도 하나의 RF 파라미터의 특성에 기초하여 샘플링 지점을 선택하는 단계; 및
(iii) 선택된 샘플링 지점이 상기 하나 이상의 샘플링 지점들 내에 있으면 상기 CSI를 보간하거나 상기 선택된 샘플링 지점이 상기 하나 이상의 샘플링 지점들 내에 있지 않다면 상기 CSI를 외삽하는 단계에 의해 외삽되는, 라디오 맵핑 아키텍처.
제 12 항에 있어서, 상기 머신 러닝 모듈 (404) 은 상기 커버리지 영역을 그리드들로 세분화함으로써 상기 커버리지 영역을 샘플링하고, 그리드의 사이즈는 (i) 관심 주파수, 및 (ii) 라디오 전파에 영향을 주는 지형 중 적어도 하나에 기초하여 구성 가능하고 결정되는, 라디오 맵핑 아키텍처.
제 1 항에 있어서,
상기 UE (104) 를 서비스하기 위해 예측된 기지국에 대해 상기 라디오 맵핑 데이터베이스 (402) 에 쿼리하는 셀룰러 코어 네트워크를 포함하는, 라디오 맵핑 아키텍처.
제 1 항에 있어서,
상기 머신 러닝 모듈 (404) 은,
상기 UE (104) 를 서비스할 상기 기지국 (102) 을 예측하고 상기 예측된 기지국을 상기 라디오 맵핑 데이터베이스 (402) 에 저장하고, 상기 머신 러닝 모듈 (404) 은 (i) 라디오 액세스 기술, (ii) 상기 기지국 (102) 에 의해 합성되는 최적의 빔 형상 또는 (iii) 상기 위치를 서비스하기 위한 액세스 포인트 중 적어도 하나를 사용하여 상기 UE (104) 를 서비스할 상기 기지국 (102) 을 예측하는, 라디오 맵핑 아키텍처.
제 1 항에 있어서,
상기 UE (104) 가 상기 위치로부터 이동하면, 상기 머신 러닝 모듈 (404) 은 상기 UE (104) 를 서비스하기 위해 상기 머신 러닝 모듈 (404) 에 의해 예측되는 새로운 기지국에 상기 UE (104) 를 할당하고, 상기 머신 러닝 모듈 (404) 은 상기 머신 러닝 모듈 (404) 에 의해 예측된 상기 액세스 포인트에 대응하는 액세스 정보를 UHF (Ultra-High Frequency) 브로드캐스트 링크를 통해 상기 UE (104) 로 전달하는, 라디오 맵핑 아키텍처.
제 1 항에 있어서,
상기 스펙트럼 모니터링 유닛 (210) 은,
공통 주파수 및 타이밍 기준 (605) 을 포함하는 복수의 RF 다운 컨버터들 (620A 내지 620N);
I 샘플들 및 Q 샘플들의 형태로 라디오 프레임의 상당한 부분을 캡처하는 복수의 소프트웨어-정의된 복조기들 (604A 내지 604N);
(i) 상이한 캐리어 주파수들에서 RF 신호들을 캡처하고 (ii) 채널 누설들을 결정하기 위해 독립형 모드에서 사용되는 애자일 RF 다운-컨버터 (606) 로서, 상기 애자일 RF 다운-컨버터 (606) 는 상이한 RF 통신 표준들을 병렬로 분석하는, 상기 애자일 RF 다운-컨버터;
애자일 RF 다운-컨버터 (606) 와 연관된 주파수 스윕 소스 (610) 로서, 향상된 소프트웨어 정의된 복조기 (Enhanced Software Defined Demodulator) (608) 로 하여금 주어진 (given) 위치에서 넓은 범위의 주파수들을 스캔하게 하는, 상기 주파수 스윕 소스를 포함하는, 라디오 맵핑 아키텍처.
제 1 항에 있어서,
상기 스펙트럼 모니터링 유닛 (210) 은,
상기 위치의 위도 (504), 경도 (506) 및 고도 (508) 를 결정하는 GNSS 모듈 (614) 로서, 상기 GNSS 모듈 (614) 은 GPS 값들의 추정된 에러를 나타내는 DoP (Dilution of Precision) (510) 를 제공하는, 상기 GNSS 모듈 (614);
네트워크에 음성 호출 및 데이터 호출을 할 수 있고 RSSI (Received Signal Strength Indicator) (516), RSRP (Reference Signal Receive Power) (518), RSRQ (Reference Signal Received Quality) (520), SINR (Signal-to-interference-plus-noise ratio) (522), BLER (Block Error Rate) (542), 패킷 지터 (544) 및 호 뮤팅 (545) 을 측정할 수 있는 셀룰러 모뎀 (622);
스케쥴 요청들을 포함하는 이벤트들, ACK (incidences of Acknowledgment), NACK (Negative Acknowledgment) 및 HARQ (Hybrid automatic repeat request) (538) 의 발생들을 검출하기 위해 업링크 제어 시그널링을 스누핑하는 (snoop) 모니터링 회로 (624); 및
상기 모니터링 회로 (624) 로부터 상기 검출된 이벤트들을 캡처하고 상기 이벤트들의 특정한 조합들의 발생에 기초하여 상기 라디오 맵핑 데이터베이스 (402) 에 저장된 상기 적어도 하나의 라디오 파라미터를 업데이트하도록 상기 트리거들을 생성하는 이벤트 로거를 포함하고, 상기 이벤트들의 특정한 조합들은 네트워크 중단, 재밍 (jamming) 의 검출, 간섭 검출과 관련되거나 예상된 트래픽보다 높은, 라디오 맵핑 아키텍처.
라디오 맵핑 아키텍처 (400) 의 라디오 맵핑 데이터베이스 (402) 를 채우고 업데이트된 라디오 파라미터들로 라디오 맵핑 데이터베이스 (402) 의 예측된 라디오 파라미터들 (552) 을 업데이트하는 방법에 있어서,
적어도 하나의 라디오 파라미터를 추출하도록 (i) 사용자 장비 (UE) (104) 및 (ii) 스펙트럼 모니터링 유닛 (210) 중 적어도 하나를 인에이블하는 단계;
상기 스펙트럼 모니터링 유닛 (210) 및 상기 UE (104) 의 능력에 기초하여 (i) 상기 스펙트럼 모니터링 유닛 (210) 및 (ii) 상기 UE (104) 중 적어도 하나로부터 상기 적어도 하나의 라디오 파라미터를 캡처하는 단계;
상기 적어도 하나의 라디오 파라미터를 상기 라디오 맵핑 데이터베이스 (402) 에 주기적으로 저장하는 단계;
셀룰러 코어 네트워크와 상기 라디오 맵핑 데이터베이스 (402) 사이에서 상기 적어도 하나의 라디오 파라미터를 교환하는 단계;
머신 러닝 모듈 (404) 에 의해 생성된 머신 러닝 모델에 기초하여 라디오 파라미터 예측 모델을 생성하는 단계;
상기 UE (104) 에 의해 센싱된 RF 환경 또는 상기 UE (104) 의 위치 중 적어도 하나에 변화가 있다면 상기 업데이트된 라디오 파라미터들을 수용하는 단계;
상기 업데이트된 라디오 파라미터들에 기초하여 상기 라디오 파라미터 예측 모델을 개선하는 단계; 및
개선된 라디오 파라미터 예측 모델을 사용하여 상기 UE (104) 의 주어진 (given) 위치에 대해 상기 라디오 맵핑 데이터베이스 (402) 의 상기 예측된 라디오 파라미터들 (552) 을 업데이트하는 단계를 포함하는, 방법.
제 19 항에 있어서,
상기 셀룰러 코어 네트워크, 라디오 액세스 네트워크 및 스케줄러는 미리 규정된 애플리케이션 프로그래밍 인터페이스들 (APIs) 을 통해 상기 라디오 맵핑 데이터베이스 (402) 에 액세스하는, 방법.
제 19 항에 있어서,
상기 기지국 (102) 과 함께 상기 셀룰러 코어 네트워크는 상기 채널 추정 및 상기 UE (104) 로부터의 상기 업링크 신호들의 도래의 각도 (angle of arrival) 와 상기 기지국 (102) 과 함께 상기 셀룰러 코어 네트워크의 연관을 포함하는 정보의 대형 저장소를 포함하고, 상기 라디오 맵핑 데이터베이스 (402) 는 상기 기지국 (102) 과 함께 상기 셀룰러 코어 네트워크로부터 상기 정보를 캡처하는, 방법.
제 19 항에 있어서,
상기 라디오 파라미터 예측 모델은,
(i) 3D 지형 맵을 임포트하고 (import);
(ii) 유사한 RF 환경을 갖는 적어도 하나의 영역을 포함하는 세그먼트를 결정하기 위해 상기 3D 지형 맵을 세그먼트화하는 단계;
(iii) 상기 세그먼트를 통계적으로 샘플링하고;
(iv) 샘플링된 세그먼트에 대해 예비 예측된 라디오 파라미터들을 실행하고―상기 예비 예측된 라디오 파라미터는 상기 세그먼트에 대응하는 최적의 라디오 파라미터 예측 모델에 기초하여 선택됨―;
(v) 상기 세그먼트에 대한 필드 측정 데이터를 수집하고;
(vi) 상기 세그먼트에 기초하여 업그레이드된 라디오 파라미터 예측 모델을 획득하기 위해 상기 적어도 하나의 라디오 파라미터를 사용하여 상기 라디오 파라미터 예측 모델을 튜닝하고; 그리고
(vii) 유사한 모폴로지 (morphology) 를 포함하는 상기 세그먼트들에 대한 상기 라디오 파라미터 예측을 수행하기 위해 상기 업그레이드된 라디오 파라미터 예측 모델을 사용하는, 방법.
제 22 항에 있어서,
상기 라디오 파라미터 예측 모델은 상기 라디오 맵핑 데이터베이스 (402) 의 주어진 위치에 대해 3D 지형 데이터 위에 오버레이되는 데이터 층들을 저장하고, 상기 데이터 층들은 제 1 층 (902), 제 2 층 (904), 제 3 층 (906), 및 제 4 층 (908) 을 포함하고, 상기 제 1 층 (902) 은 상기 3D 지형 데이터를 나타내고, 상기 제 2 층 (904) 은 상기 적어도 하나의 라디오 파라미터 예측의 제 1 레벨을 나타내고, 상기 제 3 층 (906) 은 샘플 지점들의 측정 값을 나타내고 그리고 상기 제 4 층 (908) 은 상기 업그레이드된 라디오 파라미터 예측 모델에 기초하여 상기 예측된 라디오 파라미터들을 나타내는, 방법.
라디오 맵핑 아키텍처 (400) 를 사용하여 적어도 하나의 동적으로 변화된 파라미터를 예측하는 방법에 있어서,
사용자 장비 (UE) (104) 또는 스펙트럼 모니터링 유닛 (210) 중 적어도 하나를 사용하여, 적어도 하나의 라디오 파라미터를 캡처하는 단계;
상기 스펙트럼 모니터링 유닛 (210) 을 사용하여, 상기 적어도 하나의 라디오 파라미터를 연속적으로 모니터링하고 상기 적어도 하나의 라디오 파라미터를 라디오 맵핑 데이터베이스 (402) 에 저장하는 단계;
상기 스펙트럼 모니터링 유닛 (210) 을 사용하여, 상기 라디오 맵핑 데이터베이스 (402) 에 대한 입력 스키마 (500) 를 채우기 위해 적어도 하나의 기지국 및 상기 사용자 장비 (UE) (104) 에 대응하는 상기 적어도 하나의 라디오 파라미터를 추출하고 상기 라디오 맵핑 데이터베이스 (402) 에서 추출된 파라미터들을 주기적으로 업데이트하는 단계;
서버 (212) 와 연관된 머신 러닝 모듈 (404) 을 사용하여, 상기 라디오 맵핑 데이터베이스 (402) 에 저장된 상기 적어도 하나의 라디오 파라미터에 기초하여 머신 러닝 모델을 트레이닝하는 단계;
상기 머신 러닝 모델에 기초하여 출력 스키마 (501) 를 도출하기 위해 상기 라디오 맵핑 데이터베이스 (402) 에 저장되는 상기 입력 스키마 (500) 로부터 상기 적어도 하나의 동적으로 변화된 파라미터를 예측하는 단계;
상기 라디오 맵핑 데이터베이스 (402) 에서 상기 머신 러닝 모델에 의해 예측되는 상기 적어도 하나의 동적으로 변화된 파라미터를 업데이트하는 단계;
상기 적어도 하나의 라디오 파라미터 또는 상기 추출된 파라미터들에 기초하여 상기 머신 러닝 모델을 동적으로 개선하는 단계; 및
상기 라디오 맵핑 데이터베이스 (402) 에 저장된 상기 적어도 하나의 라디오 파라미터를 업데이트하기 위해 상기 스펙트럼 모니터링 유닛 (210) 및 상기 UE (104) 로 트리거들을 생성하는 단계를 포함하는, 예측 방법.