KR20210138947A

KR20210138947A - 다중채널 자원할당 방법 및 시스템

Info

Publication number: KR20210138947A
Application number: KR1020200057058A
Authority: KR
Inventors: 조성현; 김지형; 노재원; 박주한; 안세영
Original assignee: 한양대학교 에리카산학협력단
Priority date: 2020-05-13
Filing date: 2020-05-13
Publication date: 2021-11-22
Also published as: KR102567255B1; KR20220058509A; WO2021230649A1

Abstract

다중채널 자원할당 방법 및 시스템에 대한 것으로 다중채널 자원할당 방법은 차량디바이스(Vehicle User Equipment, VUE), 셀룰러디바이스(Cellular User Equipment, CUE), 매크로기지국(Macro Base Station, MBS) 및 펨토셀(Femto-Cell, FC)이 포함되어 있는 무선통신채널에서의 초기 자원할당 테이블을 추출하는 단계, 자원할당 테이블의 적어도 하나의 페어를 마스크(Mask) 처리하는 단계, 마스크 처리가 되지 않은 자원할당 테이블의 페어의 페어링(Pairing) 정보를 변형하는 단계, 자원할당 테이블이 글로벌 옵티마(Global Optima)에 수렴하는지 여부를 판단하는 단계 및 자원할당 테이블이 글로벌 옵티마에 수렴하는 경우, 최적의 페어링 정보를 갖는다고 판단하여 최적 자원할당 테이블을 도출하는 단계를 포함한다.

Description

다중채널 자원할당 방법 및 시스템{Method And System For Allocating Multi-Channel Resource}

복수의 링크가 동 채널을 사용할 때 디바이스들이 어떻게 페어링되는지 정하고, 주파수자원을 서로 다르게 할당할 수 있는 다중채널 자원할당 방법 및 시스템에 관한 것이다.

이종망 네트워크(Heterogeneous Network), 셀룰러 기반 차량통신(Cellular-V2X), 비직교 다중접속방식(N0n-Orthogonal Multiple Access, NOMA) 등의 기술들은 현재 상당 부분 이미 구현되어 있거나 근 시일 내에 실현될 이동통신 기술들이다.

이종망 네트워크는 기존의 기지국(매크로셀) 안에 소형 기지국(펨토셀 또는 스몰셀)이 배치되어 운용하는 기술이다. 또한, 셀룰러 기반 차량통신이란 이동성이 있는 차량이 셀룰러 통신 기반으로 차량 간 통신을 하거나 기지국과 통신하는 기술을 의미한다. 또한, 비직교 다중접속방식이란 동 채널에 복수의 링크가 통신하는 기술을 의미한다. 일반적으로 송신전력 제어를 통해 하나의 송신부에서 두 개 이상의 수신부에 동 채널로 동시에 데이터를 전송하는 기술을 의미한다.

최근에는 이러한 기술들을 융합해서 동시에 사용하는 기술들이 고려되고 있다. 이 때, 어떤 링크들이 서로 같은 채널을 써야 하고, 각 디바이스들의 전송 파워는 어떻게 설정되어야 하는지 결정하는 기술을 무선자원할당(Wireless Resource Allocation) 기술이라고 한다. 무선자원할당이 제대로 동작하면 동 채널을 사용하는 링크 간 간섭이 최소화되어 전체 셀의 데이터 전송량이 극대화된다.

무선자원할당 기법은 채널자원할당 기법과 전송출력결정 기법의 두 부분으로 구성된다고 볼 수 있다. 기존의 채널자원할당 기법의 경우, 정수계획법(Integer Programming Problem) 문제이므로 Non-Convex 문제이지만, Temporary Relaxation을 통해 자원할당 요소를 실수(Real Number)로 가정하여 Convex 문제로 바꾸어 문제를 푼 뒤, 제한조건을 통해 다시 정수해로 바꾸는 방법을 주로 사용한다. 채널자원할당이 되고 나면 전송출력결정 문제도 제한조건들을 사용해서 Convex 문제로 만들거나 Convex 문제임을 보인 다음 이를 통해 전송출력을 결정하게 된다.

하지만, 풀고자 하는 시스템이 복잡할수록 주어진 문제가 Convex임을 보이거나 간단하게 Convex 문제로 치환하는 일이 어려워지고 있다. 예를 들어, 이종망 네트워크, 셀룰러 기반 차량통신 및 비직교 다중접속방식이 동시에 사용되는 시스템에서 다중 채널자원할당까지 지원하게 되는 시스템의 경우 여러 요소가 경쟁적으로 작용하므로 정수계획법을 해결한다고 해도 Convex임을 보이기는 어렵다. 따라서 이렇게 복잡한 무선통신시스템에서의 자원할당을 위해서 Non-Convex 문제를 푸는 새로운 접근 방법이 필요한 실정이다.

대한민국공개특허공보 제10-2019-0098043호(자원 할당 방법, 한국전자통신연구원, 울산과학기술원, 2019.08.21) 대한민국등록특허공보 제10-1269743호(유전자 알고리즘을 이용하여 펨토셀의 자원을 할당하는 펨토셀 자원 할당 장치, 인하대학교 산학협력단, 2013.05.24) 대한민국등록특허공보 제10-2030128호(기계학습을 이용한 무선 백홀망 자원할당방법 및 자원할당 장치, 한국과학기술원, 2019.10.01)

Convex임을 보이거나 Convex 문제로 치환하기 어려운 복잡한 무선통신상황에서의 Non-Convex 무선자원할당의 최적화를 위한 다중채널 자원할당 방법 및 시스템을 제공한다.

다중채널 자원할당 방법의 일 실시예는 차량디바이스(Vehicle User Equipment, VUE), 셀룰러디바이스(Cellular User Equipment, CUE), 매크로기지국(Macro Base Station, MBS) 및 펨토셀(Femto-Cell, FC)이 포함되어 있는 무선통신채널에서의 초기 자원할당 테이블을 추출하는 단계, 자원할당 테이블의 적어도 하나의 페어를 마스크(Mask) 처리하는 단계, 마스크 처리가 되지 않은 자원할당 테이블의 페어의 페어링(Pairing) 정보를 변형하는 단계, 자원할당 테이블이 글로벌 옵티마(Global Optima)에 수렴하는지 여부를 판단하는 단계 및 자원할당 테이블이 글로벌 옵티마에 수렴하는 경우, 최적의 페어링 정보를 갖는다고 판단하여 최적 자원할당 테이블을 도출하는 단계를 포함할 수 있다.

또한, 무선통신채널은 상향링크에서 셀룰러디바이스가 펨토셀에 연결되고, 차량디바이스가 매크로기지국 및 인접(Adjacent) 차량디바이스에 비직교 다중접속방식으로 데이터를 동시에 송신할 수 있도록 형성된 채널인 것을 특징으로 할 수 있다.

또한, 무선통신채널에서의 초기 스테이트(State)를 추출하는 단계를 더 포함하고, 스테이트는 차량디바이스, 셀룰러디바이스, 매크로기지국 및 펨토셀에서 형성되는 6개의 링크 및 간섭 스테이트에 대한 거리 및 채널 랜덤변수를 곱한 값으로 구성되는 것을 특징으로 할 수 있다.

또한, 링크는 V2Vadj(VUE To Adjacent VUE) 링크, V2M(VUE To MBS) 링크 및 C2F(CUE To FC) 링크를 포함하고, 간섭 스테이트는 V2F(VUE To FC) 간섭 스테이트, C2Vadj(CUE To Adjacent VUE) 간섭 스테이트 및 C2M(CUE To MBS) 간섭 스테이트를 포함할 수 있다.

또한, 자원할당 테이블은 무선채널번호를 데이터로 포함하는 3행 x N열 크기의 2차원 배열인 것을 특징으로 할 수 있다.

또한, 마스크 처리하는 단계는 유전알고리즘 및 딥러닝 모델을 이용하여 현 세대에서 최적의 페어링 정보를 갖는다고 판단된 적어도 하나의 페어를 마스크 처리하고, 다음 세대로 넘어갈 시 자원할당 테이블의 페어를 고정하는 것을 특징으로 할 수 있다.

또한, 유전알고리즘 및 딥러닝 모델의 각 세대에서 도출된 자원할당 테이블 및 마지막 세대에서 도출된 자원할당 테이블을 비교하여, 자원할당상황이 같으면 1로 정의하고 다르면 0으로 정의함으로써, 1로 정의된 페어가 최적의 페어링 정보를 갖는다고 결정할 수 있다.

또한, 페어링 정보를 변형하는 단계는 자원할당 테이블 내에 포함되어 있는 페어를 랜덤하게 섞는 셔플링(Shuffling)을 수행할 수 있다.

또한, 글로벌 옵티마는 V2Vadj 링크, V2M 링크 및 C2F 링크가 하나의 페어를 이루어 하나의 무선통신채널자원을 공유하여 사용할 시, 3개 링크의 페어링 정보 및 주파수자원이 최적으로 분배된 최적해인 것을 특징으로 할 수 있다.

또한, 자원할당 테이블 상에 마스크 처리된 페어가 많을수록 글로벌 옵티마에 더 수렴하는 것을 특징으로 할 수 있다.

또한, 자원할당 테이블이 글로벌 옵티마에 수렴하지 않는 경우, 최적의 페어링 정보를 갖지 않는다고 판단하여, 유전알고리즘 및 딥러닝 모델 상에 미리 설정된 세대 수만큼 마스크 처리하는 단계 내지 판단하는 단계를 반복적으로 수행할 수 있다.

다중채널 자원할당 시스템의 일 실시예는 차량디바이스(Vehicle User Equipment, VUE), 셀룰러디바이스(Cellular User Equipment, CUE), 매크로기지국(Macro Base Station, MBS) 및 펨토셀(Femto-Cell, FC)이 포함되어 있는 무선통신채널에서의 초기 자원할당 테이블을 추출하는 채널정보 추출부, 자원할당 테이블의 적어도 하나의 페어를 마스크(Mask) 처리하는 마스크 처리부, 마스크 처리가 되지 않은 자원할당 테이블의 페어의 페어링(Pairing) 정보를 변형하는 셔플링(Shuffling)부, 자원할당 테이블이 글로벌 옵티마(Global Optima)에 수렴하는지 여부를 판단하는 판단부 및 자원할당 테이블이 글로벌 옵티마에 수렴하는 경우, 최적의 페어링 정보를 갖는다고 판단하여 최적 자원할당 테이블을 도출하는 최적 자원할당부를 포함할 수 있다.

또한, 채널정보 추출부는 초기 스테이트(State)를 더 추출할 수 있다.

또한, 자원할당 테이블이 글로벌 옵티마에 수렴하지 않는 경우, 최적의 페어링 정보를 갖지 않는다고 판단하여, 유전알고리즘 및 딥러닝 모델을 기초로 미리 설정된 세대 수만큼 마스크 처리부 내지 판단부가 반복적으로 수행될 수 있다.

유전 알고리즘 및 딥러닝을 통해 자원 테이블을 최적화시키는 비직교 다중접속방식 기반 다중채널 자원할당 방법 및 시스템을 제공할 수 있다.

도 1은 일 실시예에 따른 무선통신채널을 나타내는 개념도이다.
도 2는 일 실시예에 따른 다중채널 자원할당 방법을 나타내는 순서도이다.
도 3은 일 실시예에 따른 다중채널 자원할당을 나타내는 개념도이다.
도 4는 일 실시예에 따른 데이터 생성 알고리즘 및 딥러닝 모델을 학습시키는 것을 나타내는 도면이다.
도 5는 일 실시예에 따른 마스크를 추론하는 알고리즘을 나타내는 도면이다.
도 6은 일 실시예에 따른 본 발명의 효과를 나타내는 그래프이다.
도 7은 일 실시예에 따른 다중채널 자원할당 시스템을 나타내는 블록도이다.

이하, 첨부된 도면을 참조하여 기술되는 실시예를 통하여 발명을 통상의 기술자가 용이하게 이해하고 재현할 수 있도록 상세히 기술하기로 한다. 다만, 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 발명 실시예들의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다.

이하에서 사용되는 용어들은 실시예에서의 기능을 고려하여 선택된 용어들로써, 그 용어의 의미는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로, 후술하는 실시예에서 사용된 용어의 의미는 이하에서 구체적으로 정의된 경우에는 그 정의에 따르며, 구체적인 정의가 없는 경우는 통상의 기술자들이 일반적으로 인식하는 의미로 해석되어야 할 것이다. 또한, 각 도면에서 제시된 동일한 참조번호 또는 부호는 실질적으로 동일한 기능을 수행하는 부품 또는 구성요소를 나타낸다.

이하, 첨부된 도면 및 이에 기재된 내용들을 참조하여 본 발명의 실시예에 따른 다중채널 자원할당 방법 및 시스템을 상세히 설명하도록 한다.

도 1은 본 발명의 실시예에 따른 무선통신채널을 나타내는 개념도이다.

도 1을 참조하면, 무선통신채널(1)은 차량디바이스(100), 인접 차량디바이스(110), 셀룰러디바이스(200), 매크로기지국(300) 및 펨토셀(400)이 포함되어 있을 수 있다.

또한, 무선통신채널(1)은 상향링크에서 셀룰러디바이스(200)가 펨토셀(400)에 연결되고, 차량디바이스(100)가 매크로기지국(300) 및 인접 차량디바이스(110)에 비직교 다중접속방식으로 데이터를 동시에 송신할 수 있도록 형성된 채널인 것을 특징으로 할 수 있다. 여기서 비직교 다중접속방식이란 동일한 채널 내에서 복수의 링크가 통신하는 기술을 의미한다.

또한, 무선통신채널(1)은 기존의 매크로기지국(300) 내에 펨토셀(400)이 배치되어 운용하는 기술인 이종망 네트워크를 포함할 수 있다.

또한, 무선통신채널(1)은 이동성이 있는 차량이 셀룰러 통신 기반으로 차량 간 통신을 하거나 기지국과 통신하는 기술을 의미하는 셀룰러 기반 차량통신을 포함할 수 있다.

따라서, 무선통신채널(1)은 비직교 다중접속방식, 이종망 네트워크 및 셀룰러 기반 차량통신을 포함하여 형성된 차량통신채널일 수 있다.

또한, 무선통신채널(1) 내에 포함되어 있는 차량디바이스(100), 셀룰러디바이스(200), 매크로기지국(300) 및 펨토셀(400)에서 6개의 링크 및 간섭 스테이트가 형성될 수 있다.

또한, 링크는 차량디바이스(100)에서 인접 차량디바이스(110)로 데이터를 송신하는 V2Vadj(VUE To Adjacent VUE) 링크(130), 차량디바이스(100)에서 매크로기지국(300)으로 데이터를 송신하는 V2M(VUE To MBS) 링크(150) 및 셀룰러디바이스(200)에서 펨토셀(400)로 데이터를 송신하는 C2F(CUE To FC) 링크(210)를 포함할 수 있다.

또한, 간섭 스테이트는 차량디바이스(100)에서 펨토셀(400)로 데이터를 송신하는 데 있어서 발생하는 교란현상인 V2F(VUE To FC) 간섭 스테이트(170), 셀룰러디바이스(200)에서 인접 차량디바이스(110)로 데이터를 송신하는 데 있어서 발생하는 교란현상인 C2Vadj(CUE To Adjacent VUE) 간섭 스테이트(230) 및 셀룰러디바이스(200)에서 매크로기지국(300)으로 데이터를 송신하는 데 있어서 발생하는 교란현상인 C2M(CUE To MBS) 간섭 스테이트(250)를 포함할 수 있다.

도 2는 본 발명의 실시예에 따른 다중채널 자원할당 방법을 나타내는 순서도이다.

도 2를 참조하면, 다중채널 자원할당 방법은 차량디바이스(100), 셀룰러디바이스(200), 매크로기지국(300) 및 펨토셀(400)이 포함되어 있는 무선통신채널(1)에서의 초기 자원할당 테이블(10)을 추출하는 단계(S100), 자원할당 테이블(10)의 적어도 하나의 페어를 마스크(30) 처리하는 단계(S110), 마스크(30) 처리가 되지 않은 자원할당 테이블(10)의 페어의 페어링 정보를 변형하는 단계(S120), 자원할당 테이블(10)이 글로벌 옵티마에 수렴하는지 여부를 판단하는 단계(S130) 및 자원할당 테이블(10)이 글로벌 옵티마에 수렴하는 경우, 최적의 페어링 정보를 갖는다고 판단하여 최적 자원할당 테이블(50)을 도출하는 단계(S140)를 포함할 수 있다.

또한, 다중채널 자원할당 방법은 무선통신채널(1)에서의 초기 스테이트를 추출하는 단계를 더 포함할 수 있다.

또한, 스테이트는 차량디바이스(100), 셀룰러디바이스(200), 매크로기지국(300) 및 펨토셀(400)에서 형성되는 6개의 링크 및 간섭 스테이트에 대한 거리 및 채널 랜덤변수를 곱한 값으로 구성되는 것을 특징으로 할 수 있다.

또한, 유전알고리즘을 위한 스테이트는 S = {dist_v2v * h_v2v, dist_v2f * h_v2f, dist_v2m * h_v2m, dist_c2v * h_c2v, dist_c2f * h_c2f, dist_c2m * h_c2m}으로 정의할 수 있다. 여기서 dist는 차량디바이스(100), 셀룰러디바이스(200), 매크로기지국(300) 및 펨토셀(400) 간의 거리를 나타내며, h는 채널 랜덤변수를 나타낼 수 있다. 아울러, 채널 랜덤변수는 무선통신에서 생기는 노이즈(Fast Fading)의 정도를 랜덤하게 생성한 수를 나타낼 수 있으며, |h|2, h ~ CN(0,1)로 정의할 수 있다.

또한, 마스크(30) 처리하는 단계(S110)는 유전알고리즘 및 딥러닝 모델을 이용하여 현 세대에서 최적의 페어링 정보를 갖는다고 판단된 적어도 하나의 페어를 마스크(30) 처리하고, 다음 세대로 넘어갈 시 자원할당 테이블(10)의 페어를 고정하는 것을 특징으로 할 수 있다.

또한, 유전알고리즘 및 딥러닝 모델의 각 세대에서 도출된 자원할당 테이블(10) 및 마지막 세대에서 도출된 자원할당 테이블(10)을 비교하여, 자원할당상황이 같으면 1로 정의하고 다르면 0으로 정의함으로써, 1로 정의된 상기 페어가 상기 최적의 정보를 갖는다고 결정할 수 있다. 여기서 유전알고리즘을 통해 정의된 1 또는 0 값은 스테이트 값에 저장됨으로써, 각 세대에서 도출된 스테이트를 보고 1 또는 0을 예측할 수 있다.

또한, 페어링 정보를 변형하는 단계(S120)는 자원할당 테이블(10) 내에 포함되어 있는 페어를 랜덤하게 섞는 셔플링(Shuffling)을 수행할 수 있다. 이 때, 셔플링은 유전알고리즘 상에서 유전자를 변이(Mutation) 또는 교배(Crossover)시키는 것을 대체할 수 있다.

또한, 자원할당 테이블(10) 상에 마스크(30) 처리된 페어가 많을수록 글로벌 옵티마에 더 수렴하는 것을 특징으로 할 수 있다.

또한, 자원할당 테이블(10)이 글로벌 옵티마에 수렴하지 않는 경우, 최적의 페어링 정보를 갖지 않는다고 판단하여, 유전알고리즘 및 딥러닝 모델 상에 미리 설정된 세대 수만큼 마스크(30) 처리하는 단계(S110) 내지 판단하는 단계(S130)를 반복적으로 수행할 수 있다.

이상 도 2를 참조하여 다중채널 자원할당 방법에 대해 설명하였다. 이상에서 설명하지 않은 부분이나 더 구체적인 설명이 필요한 부분에 대해서는 도 3을 참조하여 설명하도록 한다.

도 3은 본 발명의 실시예에 따른 다중채널 자원할당을 나타내는 개념도이다.

도 3을 참조하면, 자원할당 테이블(10)은 무선채널번호를 데이터로 포함하는 3행 x N열 크기의 2차원 배열인 것을 특징으로 할 수 있다.

또한, 자원할당 테이블(10) 내의 번호는 차량디바이스(100), 셀룰러디바이스(200) 및 펨토셀(400)이 무선통신을 할 시 사용하게 되는 채널 번호를 나타낼 수 있다.

또한, 자원할당 테이블(10)에서 하나의 열은 하나의 페어(Pair)라고 나타낼 수 있다. 따라서 자원할당 테이블(10) 내에는 N개의 페어가 존재할 수 있다.

또한, 셀룰러디바이스(200)의 채널번호는 2차원 배열의 인덱스(Index) 번호를 나타낼 수 있다. 따라서 도 3에 명시된 셀룰러디바이스(200)의 채널번호가 1, 2, 3, ...,N으로 표기된 것이다. 또한, 자원할당 테이블(10) 내에는 셀룰러디바이스(200)의 채널번호가 포함되어 있지 않은 형태로 되어 있지만, 상기에서 설명하였듯이 셀룰러디바이스(200)는 2차원 배열의 인덱스 번호를 채널번호로 사용하기 때문에 셀룰러디바이스(200)의 채널번호 또한 자원할당 테이블(10)에 속하는 데이터로 볼 수 있다.

또한, Level은 해당 페어가 사용하는 서브 채널(Sub Channel)의 개수를 의미하고, 1 내지 5의 범위를 포함할 수 있다. 이를 통해, Level이 1이면 해당 페어 내의 차량디바이스(100), 셀룰러디바이스(200) 및 펨토셀(400)은 서브 채널을 1개만 사용하여 통신하는 것을 의미할 수 있고, Level이 2 내지 5이면 해당 개수만큼의 서브 채널들을 사용하여 통신하는 것을 의미할 수 있다.

이상에서는 도 3에 대해 용이한 이해를 돕기 위해 용어 및 구성에 대해 설명하였다. 이하부터는 도 2에서 설명한 다중채널 자원할당 방법을 기반으로 좀 더 자세하게 서술하도록 한다. 다만, 용이한 설명을 위해 도 3에서 첫 번째로 개시된 자원할당 테이블(10)을 시작으로 시계방향으로 1단계, 2단계, 3단계 및 4단계로 통칭하여 설명하도록 한다.

도 3을 참조하면, 1단계는 무선통신채널(1)에서의 채널정보를 포함하고 있는 초기 자원할당 테이블(10)을 추출하는 것을 나타낼 수 있다.

또한, 2단계에서는 자원할당 테이블(10)의 적어도 하나의 페어를 마스크(30) 처리하는 것을 나타낼 수 있다. 여기서 유전알고리즘 및 딥러닝 모델에 의해 학습된 각 세대에서의 채널 랜덤변수(1 또는 0)를 통해 마스크(30)를 처리하는 판단을 할 수 있다. 2단계에서 2열 및 4열은 마지막 세대의 자원할당 테이블(10)의 자원할당상황이 동일하다고 판단되어 마스크(30)를 처리할 수 있고, 나머지 페어는 동일하지 않다고 판단되어 마스크(30)를 처리하지 않을 수 있다.

또한, 2단계에서 2열 및 4열은 마스크(30) 처리가 되었기 때문에 고정된 상태로 3단계를 진행할 수 있다. 3단계는 마스크(30) 처리가 되지 않은 페어의 페어링 정보를 변형하는 것을 나타낼 수 있다. 페어링 정보를 변형할 시, 유전알고리즘에서 유전자를 변형시킬 때 쓰이는 변이(Mutation) 및 교배(Crossover)를 대신하여 페어를 랜덤하게 섞는 셔플링을 수행할 수 있다. 따라서 3단계는 마스크(30) 처리가 되지 않은 페어의 페어링 정보가 변형된 것을 나타낸다.

이후, 4단계에서는 3열을 제외한 나머지 페어가 마스크(30) 처리된 모습을 볼 수 있는데, 3단계에서 도출된 자원할당 테이블(10)이 미리 설정된 세대 수(N)동안 글로벌 옵티마에 수렴하지 않았기 때문에 마스크(30)를 처리하는 단계(S110) 내지 판단하는 단계(S130)를 반복적으로 수행한 뒤, 최적 자원할당 테이블(50)이 도출된 것을 나타낼 수 있다. 여기서 글로벌 옵티마는 V2Vadj 링크(130), V2M 링크(150) 및 C2F 링크(210)가 하나의 페어를 이루어 하나의 무선통신채널자원을 공유하여 사용할 시, 3개 링크(130&150&210)의 페어링 정보 및 주파수자원이 최적으로 분배된 최적해인 것을 특징으로 할 수 있다. 따라서 미리 설정된 세대 수(N)만큼 유전알고리즘 및 딥러닝 모델을 적용함에 따라, 마스크(30)를 처리하고, 페어의 페어링 정보를 변형하며, 글로벌 옵티마에 수렴하는지 여부를 판단함으로써 최적의 자원을 분배하는 것이다. 즉, 최적 자원할당 테이블(50)은 세대를 거듭할수록 글로벌 옵티마에 더 수렴할 것이고, 마지막 세대에 있는 자원할당 테이블(10)은 최적 자원할당 테이블(50)과 같을 수 있다.

도 4는 본 발명의 실시예에 따른 데이터 생성 알고리즘 및 딥러닝 모델을 학습시키는 것을 나타내는 도면이다.

도 4는 본 발명을 실시하기 위한 프로세스 중 첫 번째 단계에 속하는 알고리즘이다. 첫 번째 단계는 시뮬레이션을 통한 데이터생성 및 딥러닝 학습에 대한 프로세스이며, 두 번째 단계는 학습된 딥러닝 모델을 통해 어떻게 자원할당을 수행하는지에 대한 프로세스이다. 두 번째 단계는 도 5를 참조하여 후술하도록 한다.

도 4를 참조하면, 첫 번째 프로세스는 데이터 생성을 위해서, 시뮬레이션 상에서 주어진 시스템에 대한 채널 자원할당 정보를 자원할당 테이블(10)로 구성하고, 이를 유전알고리즘을 통해 푸는 것이다. 도 4에서 S가 나타내는 바는 스테이트(State)이고, A는 자원할당 테이블(10)이며, R은 보상(Reward)을 의미하고, P는 Pool을 의미하며,

는 Best Pool을 의미한다. 특히 R은 V2Vadj 링크(130), V2M 링크(150) 및 C2F 링크(210)의 데이터 레이트(Data Rate)의 합을 의미할 수 있다. 이하에서 설명하게 될 내용에 대해서는 상기에서 기재한 S, A 및 R을 이용하여 알고리즘을 각 라인 별로 설명하도록 한다.

우선, Function Gathering_data() 라고 명시되어 있는 알고리즘부터 살펴보자면, 3번 라인부터 유전알고리즘이 미리 설정된 세대 수(g=1, ... , MAX_GENERATION)만큼 반복하게 된다.

또한, 5번 라인은 각 세대에 대해서 유전알고리즘을 위한 Pool을 만드는 반복문을 의미한다.

또한, 6번 라인에서 초기 A는 변이(Mutation)을 대체하는 셔플링(Shuffling)을 수행하여 A`를 생성하게 된다.

또한, 7번 라인에서 A`를 적용한 R을 계산하고, 이후 8번 라인을 통해 처음 S에 대한 A` 및 R은

에 저장된다. 상기에서 설명한 3번 라인 내지 8번 라인을 반복적으로 수행하여 각 세대 별 Pool을 완성해 나간다.

또한, 9번 라인에서 각 세대 별 Pool에서 가장 결과가 좋았던 A 및 R을 추출한다. 여기서 추출된 A가 각 세대의 대표 A가 되는 것이다.

또한, 10번 라인에서 대표 A가 적용된 S는 S`으로 표기되어, 11번 라인에서 S` 및 대표 A가

에 저장된다.

이 때, 유전알고리즘에 필요한 S는 변하지 않고, A만 바뀐 상태로 다음 세대에 진입하게 된다. 현재 유전알고리즘의 목적은 처음 주어진 S에 대해 가장 좋은 A를 만드는 것이므로, 유전알고리즘이 진행되는 동안의 S는 업데이트 되지 않아야 한다. 특히 S`은

에 저장되는데, 이는 유전알고리즘이 진행되는 동안 다양한 상황의 S`과 A의 페어링 정보를 수집하는 데 목적이 있는 것이다. 따라서 S가 가장 좋지 않은 경우부터 가장 좋은 경우까지 다양한 경우에 대해 어떠한 A가 주어져야 하는지에 대해 다양한 데이터를 확보하는 것에 의의를 두는 것이다.

모든 세대에 대한 데이터 수집이 끝나고 나면, 각 세대에서 도출된 A는 최종 A와 비교하게 된다. 12번 라인부터 14번 라인에서 쓰이는 용어에 대해 먼저 설명하자면, s는

에 저장되어 있는 각 세대 별 S`을 의미하고, a는

에 저장되어 있는 각 세대 별 A를 의미하며, Q는 각 세대의 각 페어에서 도출된 A와 최종적으로 도출된 A의 자원할당상황이 같으면 1, 아니면 0으로 정의되는 것을 의미한다.

또한, 12번 라인 내지 15번 라인은 S로부터 상기에서 설명한 방식을 통해 수집된 Q를 추정하는 훈련을 받는 것을 나타내고 있다. 충분히 학습된 뉴럴네트워크는 주어진 S의 각 페어에서 도출된 S를 보고 Q를 예측할 수 있게 된다. Q가 1이면 현재 페어의 A는 최종적으로 도출될 A와 같을 거라 예측할 것이기 때문에 변경할 필요가 없다는 의미가 된다.

아울러, Function Gathering_data() 상단에 위치한 딥러닝 모델을 학습시키는 알고리즘에 대해 설명하도록 한다.

2번 라인에서는 Function Gathering_data()를 호출하여 S 및 Q를 가져와 각각 X 및 Y에 저장한다.

또한, 3번 라인에서는 뉴럴네트워크에 X값 및 현재의

값을 입력하여 Q를 예측하는 것을 나타내고 있다. 여기서

값은 뉴럴네트워크의 Weight 및 Bias 값을 의미할 수 있다.

또한, 4번 라인에서 Q 및 Y를 비교하여 해당 결과를 평가한 Cost 값을 계산하게 된다. 여기서 -ylog(q)는 뉴럴네트워크의 Cost 값을 계산할 때 사용하는 Cross-Entropy를 의미할 수 있다.

또한, Adam Optimizer를 사용하여 Cost 값을 기반으로

값을 업데이트하고, 반복적으로 하여 딥러닝 모델을 학습시켜 나가는 것을 의미한다.

위와 같은 방법으로 딥러닝 모델은 유전알고리즘을 통하여 도출된 결과 즉, 특정 S에 적합한 마스크(30)를 지도학습(Supervised Learning) 방식으로 학습할 수 있다.

도 5는 본 발명의 실시예에 따른 마스크를 추론하는 알고리즘을 나타내는 도면이다.

도 5를 참조하면, 미리 훈련된 신경망을 통해 마스크(30)를 추론하는 단계를 도시하고 있다. 마스크(30)를 추론하는 데에는 두 가지 모드가 있는데, 첫 번째는 기존의 보상함수를 그대로 사용하는 DMOR(Deep Mask with Original Reward) 모드이고, 두 번째는 딥러닝을 통해 보상함수에 가중치를 부여하는 DMMR(Deep Mask with Modified Reward) 모드이다. DMOR 모드 및 DMMR 모드 간의 차이점은 유전알고리즘에서 보상의 형태에 있다. DMOR 모드는 기존의 보상을 그대로 사용하는 반면, DMMR 모드에서는 각 세대의 마스크(30) 합계가 보상에 반영되는 것이다. 즉, 자원할당 테이블(10)의 마스크(30)에 1이 더 포함되어 있으면, 각 세대 별 Pool에서 가장 결과가 좋은 자원할당 테이블(10)로 선택될 가능성이 증가하는 것이다. Pool에 더 나은 평균 보상이 있는 자원할당 테이블(10)이 있어도, 더 적절한 페어를 많이 포함하는 것이 향후 셔플링을 통해 결과가 더 좋은 자원할당 테이블(10)을 찾는데 유리할 수 있기 때문이다.

도 4 및 도 5를 종합하면, 본 발명은 유전알고리즘으로 자원할당 테이블(10)을 최적화하는 데 있다. 교배(Crossover)는 없으며, 변이(Mutation)는 페어를 랜덤하게 섞는 셔플링으로 대체될 수 있다. 이에 따라 자원할당 테이블(10)의 페어들은 무작위로 선택되어 순서가 바뀔 수 있고, 이 때 자원할당 테이블(10)의 순서만 변경되므로 주어진 제약 조건은 보장될 수 있다. 모든 세대에서 딥러닝 모델은 최상의 자원할당 테이블(10)을 확인하여 부분적으로 마스크(30) 처리를 하게 되는데, 자원할당 테이블(10) 상에 마스크(30) 처리된 페어는 다음 셔플링에 참여하지 않는 것을 특징으로 할 수 있다. 이는 마스크(30)가 모든 세대에 대한 유전알고리즘의 치수를 감소시킨다는 것을 의미하고, 마스크(30) 처리된 페어의 수가 증가함에 따라 글로벌 옵티마에 수렴을 가속화하는 것이다. 이는 현 세대에서 다음 세대로 넘어갈 때, 이전 세대의 적절한 페어를 마스크(30)를 통해 보존하게 되면, 나머지 페어들 중에서 셔플링을 통해 적절한 페어가 발견되면 다음 세대의 적절한 페어의 개수가 이전 세대의 적절한 페어의 개수보다 크거나 같게 되는 것이다.

또한, 도 1 내지 도 5를 참조하여 본 발명을 종합해본다면, 본 발명은 뉴럴네트워크로 자원할당 테이블(10)의 특정 부분을 마스크(30) 처리함으로써, 유전알고리즘의 최적화 능력을 향상시킴과 동시에, 뉴럴네트워크가 어떻게 적절한 부분을 찾아서 마스크(30) 처리하여 최적화 성능을 향상시키는지를 나타내고 있다. 아울러, 뉴럴네트워크는 주어진 채널 환경의 조합(각 디바이스들의 페어링 상태로부터 링크 및 간섭의 채널정보 획득)이 유전알고리즘으로부터 얻어진 더 나은 조합의 자원할당 테이블(10)에 속하는지 여부를 판단하도록 학습될 수 있다. 이렇게 학습함에 따라 주어진 디바이스 페어링 조합이 더 나은 조합의 자원할당 테이블(10)에 속하는지 여부를 판단할 수 있게 되는 것이다.

도 6은 본 발명의 실시예에 따른 본 발명의 효과를 나타내는 그래프이다.

도 6을 참조하면, DMMR, DMOR, CGA(Continuous Genetic Algorithm) 및 NCGA(Non-Continuous Genetic Algorithm)의 초(sec) 당 최대 주파수 효율(bps/Hz)을 나타내고 있다. 기존의 채널 자원할당 기법으로 딥러닝을 사용하지 않고 유전알고리즘만을 사용하여 자원할당하는 CGA 또는 NCGA로 푸는 경우, 도 6에서 도시하고 있는 바와 같이 본 발명에서 적용한 DMMR 모드 및 DMOR 모드에 비해, 시간이 흐름에 따라 최대 주파수 효율이 현저히 떨어지는 것을 볼 수 있다. 물론 DMMR 모드 및 DMOR 모드도 약 3초 이후부터는 CGA 및 NCGA와 마찬가지로 일정하게 유지되는 모습을 보이고 있지만, 처음 약 3초동안 최대 주파수 효율이 급격히 상승하는 것에서 큰 차이점을 보이고 있다.

도 7은 본 발명의 실시예에 따른 다중채널 자원할당 시스템을 나타내는 블록도이다.

도 7을 참조하면, 다중채널 자원할당 시스템은 차량디바이스(100), 셀룰러디바이스(200), 매크로기지국(300) 및 펨토셀(40)이 포함되어 있는 무선통신채널(1)에서의 초기 자원할당 테이블(10)을 추출하는 채널정보 추출부(500), 자원할당 테이블(10)의 적어도 하나의 페어를 마스크(30) 처리하는 마스크 처리부(600), 마스크(30) 처리가 되지 않은 자원할당 테이블(10)의 페어의 페어링 정보를 변형하는 셔플링부(700), 자원할당 테이블(10)이 글로벌 옵티마에 수렴하는지 여부를 판단하는 판단부(800) 및 자원할당 테이블(10)이 글로벌 옵티마에 수렴하는 경우, 최적의 페어링 정보를 갖는다고 판단하여 최적 자원할당 테이블(50)을 도출하는 최적 자원할당부(900)를 포함할 수 있다.

또한, 채널정보 추출부(500)는 초기 스테이트를 더 추출할 수 있다.

또한, 자원할당 테이블(10)이 글로벌 옵티마에 수렴하지 않는 경우, 최적의 페어링 정보를 갖지 않는다고 판단하여, 유전알고리즘 및 딥러닝 모델을 기초로 미리 설정된 세대 수만큼 마스크 처리부(600) 내지 판단부(800)가 반복적으로 수행될 수 있다.

상기의 설명은 기술적 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명의 기술분야에서 통상의 지식을 가진 자라면 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다. 따라서 상기에 개시된 실시예 및 첨부된 도면들은 기술적 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예 및 첨부된 도면에 의하여 기술적 사상의 범위가 한정되는 것은 아니다. 그 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술적 사상은 권리범위에 포함되는 것으로 해석되어야 할 것이다.

1: 무선통신채널
10: 자원할당 테이블
30: 마스크
50: 최적 자원할당 테이블
100: 차량디바이스
110: 인접 차량디바이스
130: V2Vadj 링크
150: V2M 링크
170: V2F 간섭 스테이트
200: 셀룰러디바이스
210: C2F 링크
230: C2Vadj 간섭 스테이트
250: C2M 간섭 스테이트
300: 매크로기지국
400: 펨토셀
500: 채널정보 추출부
600: 마스크 처리부
700: 셔플링부
800: 판단부
900: 최적 자원할당부

Claims

차량디바이스(Vehicle User Equipment, VUE), 셀룰러디바이스(Cellular User Equipment, CUE), 매크로기지국(Macro Base Station, MBS) 및 펨토셀(Femto-Cell, FC)이 포함되어 있는 무선통신채널에서의 초기 자원할당 테이블을 추출하는 단계;
상기 자원할당 테이블의 적어도 하나의 페어를 마스크(Mask) 처리하는 단계;
상기 마스크 처리가 되지 않은 자원할당 테이블의 페어의 페어링(Pairing) 정보를 변형하는 단계;
상기 자원할당 테이블이 글로벌 옵티마(Global Optima)에 수렴하는지 여부를 판단하는 단계; 및
상기 자원할당 테이블이 글로벌 옵티마에 수렴하는 경우, 상기 최적의 페어링 정보를 갖는다고 판단하여 최적 자원할당 테이블을 도출하는 단계;
를 포함하는 다중채널 자원할당 방법.
제1항에 있어서,
상기 무선통신채널은,
상향링크에서 상기 셀룰러디바이스가 상기 펨토셀에 연결되고, 상기 차량디바이스가 상기 매크로기지국 및 인접(Adjacent) 차량디바이스에 비직교 다중접속방식으로 데이터를 동시에 송신할 수 있도록 형성된 채널인 것을 특징으로 하는 다중채널 자원할당 방법.
제1항에 있어서,
상기 무선통신채널에서의 초기 스테이트(State)를 추출하는 단계를 더 포함하고,
상기 스테이트는,
상기 차량디바이스, 셀룰러디바이스, 매크로기지국 및 펨토셀에서 형성되는 6개의 링크 및 간섭 스테이트에 대한 거리 및 채널 랜덤변수를 곱한 값으로 구성되는 것을 특징으로 하는 다중채널 자원할당 방법.
제3항에 있어서,
상기 링크는,
V2Vadj(VUE To Adjacent VUE) 링크, V2M(VUE To MBS) 링크 및 C2F(CUE To FC) 링크를 포함하고,
상기 간섭 스테이트는,
V2F(VUE To FC) 간섭 스테이트, C2Vadj(CUE To Adjacent VUE) 간섭 스테이트 및 C2M(CUE To MBS) 간섭 스테이트를 포함하는 다중채널 자원할당 방법.
제1항에 있어서,
상기 자원할당 테이블은,
무선채널번호를 데이터로 포함하는 3행 x N열 크기의 2차원 배열인 것을 특징으로 하는 다중채널 자원할당 방법.
제1항에 있어서,
상기 마스크 처리하는 단계는,
유전알고리즘 및 딥러닝 모델을 이용하여 현 세대에서 상기 최적의 페어링 정보를 갖는다고 판단된 적어도 하나의 페어를 마스크 처리하고, 다음 세대로 넘어갈 시 상기 자원할당 테이블의 페어를 고정하는 것을 특징으로 하는 다중채널 자원할당 방법.
제6항에 있어서,
상기 유전알고리즘 및 딥러닝 모델의 각 세대에서 도출된 상기 자원할당 테이블 및 마지막 세대에서 도출된 상기 자원할당 테이블을 비교하여, 자원할당상황이 같으면 1로 정의하고 다르면 0으로 정의함으로써, 1로 정의된 상기 페어가 상기 최적의 페어링 정보를 갖는다고 결정하는 다중채널 자원할당 방법.
제1항에 있어서,
상기 페어링 정보를 변형하는 단계는,
상기 자원할당 테이블 내에 포함되어 있는 페어를 랜덤하게 섞는 셔플링(Shuffling)을 수행하는 다중채널 자원할당 방법.
제1항에 있어서,
상기 글로벌 옵티마는,
V2Vadj 링크, V2M 링크 및 C2F 링크가 하나의 페어를 이루어 하나의 무선통신채널자원을 공유하여 사용할 시, 상기 3개 링크의 페어링 정보 및 주파수자원이 최적으로 분배된 최적해인 것을 특징으로 하는 다중채널 자원할당 방법.
제1항에 있어서,
상기 자원할당 테이블 상에 마스크 처리된 페어가 많을수록 상기 글로벌 옵티마에 더 수렴하는 것을 특징으로 하는 다중채널 자원할당 방법.
제1항에 있어서,
상기 자원할당 테이블이 글로벌 옵티마에 수렴하지 않는 경우, 상기 최적의 페어링 정보를 갖지 않는다고 판단하여, 유전알고리즘 및 딥러닝 모델 상에 미리 설정된 세대 수만큼 상기 마스크 처리하는 단계 내지 상기 판단하는 단계를 반복적으로 수행하는 다중채널 자원할당 방법.
차량디바이스(Vehicle User Equipment, VUE), 셀룰러디바이스(Cellular User Equipment, CUE), 매크로기지국(Macro Base Station, MBS) 및 펨토셀(Femto-Cell, FC)이 포함되어 있는 무선통신채널에서의 초기 자원할당 테이블을 추출하는 채널정보 추출부;
상기 자원할당 테이블의 적어도 하나의 페어를 마스크(Mask) 처리하는 마스크 처리부;
상기 마스크 처리가 되지 않은 자원할당 테이블의 페어의 페어링(Pairing) 정보를 변형하는 셔플링(Shuffling)부;
상기 자원할당 테이블이 글로벌 옵티마(Global Optima)에 수렴하는지 여부를 판단하는 판단부; 및
상기 자원할당 테이블이 글로벌 옵티마에 수렴하는 경우, 상기 최적의 페어링 정보를 갖는다고 판단하여 최적 자원할당 테이블을 도출하는 최적 자원할당부;
를 포함하는 다중채널 자원할당 시스템.
제12항에 있어서,
상기 채널정보 추출부는 초기 스테이트(State)를 더 추출하는 다중채널 자원할당 시스템.
제12항에 있어서,
상기 자원할당 테이블이 글로벌 옵티마에 수렴하지 않는 경우, 상기 최적의 페어링 정보를 갖지 않는다고 판단하여, 유전알고리즘 및 딥러닝 모델을 기초로 미리 설정된 세대 수만큼 상기 마스크 처리부 내지 상기 판단부가 반복적으로 수행되는 다중채널 자원할당 시스템.