KR20220008539A

KR20220008539A - 3차원 셀룰러 네트워크에서 간헐적 인식 연합 학습 방법

Info

Publication number: KR20220008539A
Application number: KR1020200086749A
Authority: KR
Inventors: 홍충선; 라티프울라 칸; 김도현
Original assignee: 경희대학교 산학협력단
Priority date: 2020-07-14
Filing date: 2020-07-14
Publication date: 2022-01-21
Also published as: KR102416342B1

Abstract

본 발명에 따른 3차원 셀룰러 네트워크에서 간헐적 인식 연합 학습을 수행하는 학습 프레임워크 시스템이 제공된다. 상기 학습 프레임워크 시스템은 로컬 학습 모델과 로컬 데이터를 각각 구비하는 복수의 FUE(flying UE)들을 포함하는 FUE 모듈; 상기 FUE 모듈과 인터페이스되고, 각 군집 별로 로컬 모델 정보를 상기 복수의 FUE들 중 대표 FUE들로부터 수신하는 복수의 FBS(flying BS)들을 포함하는 FBS 모듈; 및 상기 FBS 모듈과 인터페이스되고, 상기 로컬 모델 정보가 통합된 서브-글로벌 모델 정보를 상기 복수의 FBS들로부터 수신하는 위성 모듈을 포함하고, 상기 서브-글로벌 모델 정보와 연관된 글로벌 연합 학습 모델은 각 군집 내에서 FUE들과 대표 FUE 사이에서 학습 모델 업데이트가 반복적인 방식으로 수행되어 계산될 수 있다.

Description

3차원 셀룰러 네트워크에서 간헐적 인식 연합 학습 방법{Intermittency-aware federated learning method for 3D cellular network}

본 발명은 간헐적 인식 연합 학습 방법에 관한 것이다. 보다 상세하게는, 3차원 셀룰러 네트워크에서 간헐적 인식 연합 학습 방법 및 이를 수행하는 시스템에 대한 것이다.

flying-user equipments (FUEs), flying base stations (FBSs), 위성 및 지상에 위치한 코어 네트워크로 구성된 3차원 셀룰러 네트워크는 6세대 무선 시스템의 필수적인 부분으로 간주될 수 있다. 이러한 3차원 셀룰러 네트워크의 FUE에서 다양한 통신 및 서비스 기능을 구현하기 위해 경로 계획 조정 등에 있어 기계 학습(machine learning)을 고려할 수 있다.

하지만, 기존의 기계 학습은 학습을 위해 사용자 장치에서 중앙 서버로 데이터를 전송해야 한다. 따라서, 사용자 장치에서 중앙 서버로 데이터를 전송함에 있어 개인 정보 유출 문제를 가지고 있다는 문제점이 있다.

다른 기능을 가진 FUEs에 대해 3차원 셀룰러 네트워크를 가능하게 하는 것은 상당히 중요하다.다른 기능을 가진 FUEs에 대해 3차원 셀룰러 네트워크를 가능하게 하기 위해 기존의 기계 학습 기반의 접근법을 사용할 수 있다. 하지만, 전술한 바와 같이, 3차원 셀룰러 네트워크의 다른 기능을 갖는 FUEs에서 중앙 서버로 데이터를 전송함에 있어 특히 개인 정보 유출 문제를 가지고 있다는 문제점이 있다.

따라서, 본 발명의 목적은 전술한 문제를 해결하기 위해, 3차원 셀룰러 네트워크에서 간헐적 인식 연합 학습 방법 및 이를 수행하는 시스템을 제공함에 있다.

또한, 본 발명의 목적은 FUEs, FBSs, 위성 및 지상에 위치한 코어 네트워크로 구성된 3차원 셀룰러 네트워크에 대한 새로운 프레임워크, 즉 간헐적 인식 연합 학습을 제공하기 위한 것이다.

또한, 본 발명의 목적은 개인 정보 유출에 대처하여 최종 장치와 서버 간에 정보 데이터가 아닌 학습 모델 매개변수만을 전송하는 연합 학습 방법을 제공할 수 있다.

또한, 본 발명의 목적은 3차원 셀룰러 네트워크를 위한 새로운 간헐적 인식 연합 학습 프레임워크를 제공하기 위한 것이다.

상기와 같은 과제를 해결하기 위한 본 발명에 따른 3차원 셀룰러 네트워크에서 간헐적 인식 연합 학습 방법이 제공된다. 상기 학습 프레임워크 시스템은 로컬 학습 모델과 로컬 데이터를 각각 구비하는 복수의 FUE(flying UE)들을 포함하는 FUE 모듈; 상기 FUE 모듈과 인터페이스되고, 각 군집 별로 로컬 모델 정보를 상기 복수의 FUE들 중 대표 FUE들로부터 수신하는 복수의 FBS(flying BS)들을 포함하는 FBS 모듈; 및 상기 FBS 모듈과 인터페이스되고, 상기 로컬 모델 정보가 통합된 서브-글로벌 모델 정보를 상기 복수의 FBS들로부터 수신하는 위성 모듈을 포함하고, 상기 서브-글로벌 모델 정보와 연관된 글로벌 연합 학습 모델은 각 군집 내에서 FUE들과 대표 FUE 사이에서 학습 모델 업데이트가 반복적인 방식으로 수행되어 계산될 수 있다. 한편, 상기 각 군집 내에서 상기 서브-글로벌 모델 정보를 훈련하는 과정은 상기 각 군집 별로 이미 점유된 주파수 대역을 재사용하여 반복적으로 이루어지고, 상기 FUE들과 상기 대표 FUE 사이의 통신은 상기 FUE들과 FBS 간 통신보다 낮은 지연 시간을 갖도록 설정될 수 있다.

일 실시 예에 따르면, 지상에 위치하고, 상기 위성 모듈과 인터페이스되는 코어 네트워크를 더 포함하고, 상기 위성 모듈은 갱신된 상기 서브-글로벌 모델 정보와 연관된 모델 매개변수를 상기 코어 네트워크에 위치한 서버로 전송할 수 있다.

일 실시 예에 따르면, 상기 서버는 상기 모델 매개변수에 기반하여 글로벌 연합 학습 모델을 획득하고, 상기 글로벌 연합 학습 모델을 상기 위성 모듈로 전달하고, 상기 위성 모듈은 상기 글로벌 연합 학습 모델을 상기 FBS들을 통해 상기 대표 FUE들로 전송할 수 있다.

일 실시 예에 따르면, 상기 서버는 제1 FBS로부터 제1 모델 매개변수 및 제2 FBS로부터 제2 모델 매개변수를 획득하고, 상기 제1 모델 매개변수 및 상기 제2 모델 매개변수에 기반하여 상기 글로벌 연합 학습 모델을 갱신할 수 있다.

일 실시 예에 따르면, 상기 대표 FUE들은 상기 갱신된 글로벌 연합 학습 모델을 상기 복수의 FUE들 중 관련 FUE에 배포하여 상기 로컬 학습 모델을 갱신하고, 상기 위성 모듈은 상기 갱신된 글로벌 연합 학습 모델과 상기 관련 FUE와 연관된 FUE 매개 변수를 상기 대표 FUE들로 전송할 수 있다.

일 실시 예에 따르면, 상기 로컬 학습 모델을 갱신하는 학습 과정은 상기 갱신된 글로벌 연합 학습 모델이 임계치 이상의 정확도를 갖는 것으로 수렴할 때까지 반복적인 방식으로 진행될 수 있다.

일 실시 예에 따르면, 상기 FUE 모듈과 인터페이스되고, 상기 복수의 FUE들을 각 군집 별로 그룹 설정하도록 구성된 클러스터 매니저를 더 포함하고, 상기 갱신된 글로벌 연합 학습 모델이 임계치 이상의 정확도로 수렴하지 않는다고 판단되면, 상기 클러스터 매니저는 상기 복수의 FUE들에 대한 군집 클러스터링을 변경할 수 있다.

일 실시 예에 따르면, 상기 갱신된 글로벌 연합 학습 모델이 임계치 이상의 정확도를 갖는 것으로 수렴하지 않는다고 판단되고, 상기 각 군집 내의 FUE가 각 군집 영역을 벗어난다고 판단되면, 상기 클러스터 매니저는 상기 각 군집 영역을 벗어난 FUE와 연관된 군집에 대한 군집 클러스터링을 변경할 수 있다.

일 실시 예에 따르면, 상기 복수의 FUE들에 대한 군집 클러스터의 변경에 따른 제2 글로벌 연합 학습 모델이 임계치 이상의 정확도로 수렴하지 않는다고 판단되면, 상기 클러스터 매니저는 상기 변경된 군집 클러스터링에 대해 대표 FUE를 변경할 수 있다.

본 발명의 다른 양상에 따른 3차원 셀룰러 네트워크에서 간헐적 인식 연합 학습 방법이 제공된다. 상기 학습 방법은 복수의 FUE들과 FBS들을 포함하는 학습 프레임워크 시스템에 수행되고, 상기 방법은 로컬 학습 모델과 로컬 데이터를 각각 구비하는 복수의 FUE들 중 대표 FUE들로부터 각각의 FBS들이 로컬 모델 정보를 획득하는 로컬 모델 정보 획득 과정; 로컬 모델 정보가 통합된 서브-글로벌 모델 정보를 위성 모듈이 획득하는 서브-글로벌 모델 정보 획득 과정; 및 상기 서브-글로벌 모델 정보와 연관된 글로벌 연합 학습 모델을 코어 네트워크 내의 서버가 획득하는 글로벌 연합 학습 모델 획득 과정을 포함할 수 있다.

상기 서브-글로벌 모델 정보와 연관된 글로벌 연합 학습 모델은 각 군집 내에서 FUE들과 대표 FUE 사이에서 학습 모델 업데이트가 반복적인 방식으로 수행되어 계산될 수 있다. 한편, 상기 각 군집 내에서 상기 서브-글로벌 모델 정보를 훈련하는 과정은 상기 각 군집 별로 이미 점유된 주파수 대역을 재사용하여 반복적으로 이루어지고, 상기 FUE들과 상기 대표 FUE 사이의 통신은 상기 FUE들과 FBS 간 통신보다 낮은 지연 시간을 갖도록 설정될 수 있다.

일 실시 예에 따르면, 상기 위성 모듈과 인터페이스되는 상기 코어 네트워크는 지상에 위치하고, 상기 글로벌 연합 학습 모델 획득 과정에서, 상기 위성 모듈은 갱신된 상기 서브-글로벌 모델 정보와 연관된 모델 매개변수를 상기 코어 네트워크에 위치한 상기 서버로 전송할 수 있다.

일 실시 예에 따르면, 상기 글로벌 연합 학습 모델 획득 과정에서, 상기 서버는 상기 모델 매개변수에 기반하여 글로벌 연합 학습 모델을 획득하고, 상기 글로벌 연합 학습 모델을 상기 위성 모듈로 전달할 수 있다. 상기 학습 방법은 상기 위성 모듈이 상기 글로벌 연합 학습 모델을 상기 FBS들을 통해 상기 대표 FUE들로 전송하는 글로벌 연합 학습 모델 전송 과정을 더 포함할 수 있다.

일 실시 예에 따르면, 상기 글로벌 연합 학습 모델 획득 과정에서, 상기 서버는 제1 FBS로부터 제1 모델 매개변수 및 제2 FBS로부터 제2 모델 매개변수를 획득하고, 상기 제1 모델 매개변수 및 상기 제2 모델 매개변수에 기반하여 상기 글로벌 연합 학습 모델을 갱신할 수 있다.

일 실시 예에 따르면, 상기 학습 방법은 상기 대표 FUE들이 상기 갱신된 글로벌 연합 학습 모델을 상기 복수의 FUE들 중 관련 FUE에 배포하여 상기 로컬 학습 모델을 갱신하는 로컬 학습 모델 갱신 과정을 더 포함할 수 있다. 상기 글로벌 연합 학습 모델 전송 과정에서, 상기 위성 모듈은 상기 갱신된 글로벌 연합 학습 모델과 상기 관련 FUE와 연관된 FUE 매개 변수를 상기 대표 FUE들로 전송할 수 있다.

일 실시 예에 따르면, 상기 로컬 학습 모델 갱신 과정은 상기 갱신된 글로벌 연합 학습 모델이 임계치 이상의 정확도를 갖는 것으로 수렴할 때까지 반복적인 방식으로 진행될 수 있다. 상기 학습 방법은 상기 갱신된 글로벌 연합 학습 모델이 임계치 이상의 정확도로 수렴하지 않는다고 판단되면, 클러스터 매니저는 상기 복수의 FUE들에 대한 군집 클러스터링을 변경하는 군집 클러스터링 변경 과정을 더 포함할 수 있다.

일 실시 예에 따르면, 상기 갱신된 글로벌 연합 학습 모델이 임계치 이상의 정확도를 갖는 것으로 수렴하지 않는다고 판단되고, 상기 각 군집 내의 FUE가 각 군집 영역을 벗어난다고 판단되면, 상기 군집 클러스터링 변경 과정에서 상기 클러스터 매니저는 상기 각 군집 영역을 벗어난 FUE와 연관된 군집에 대한 군집 클러스터링을 변경할 수 있다.

일 실시 예에 따르면, 상기 복수의 FUE들에 대한 군집 클러스터의 변경에 따른 제2 글로벌 연합 학습 모델이 임계치 이상의 정확도로 수렴하지 않는다고 판단되면, 상기 학습 방법은 상기 클러스터 매니저가 상기 변경된 군집 클러스터링에 대해 대표 FUE를 변경하는 대표 FUE 변경 과정을 더 포함할 수 있다.

본 발명의 또 다른 양상에 따른 학습 프레임워크를 통해 간헐적 인식 연합 학습을 수행하는 3차원 셀룰러 네트워크 시스템이 제공된다. 상기 3차원 셀룰러 네트워크 시스템은 로컬 학습 모델과 로컬 데이터를 각각 구비하는 복수의 FUE(flying UE)들; 상기 FUE들과 인터페이스되고, 각 군집 별로 로컬 모델 정보를 상기 복수의 FUE들 중 대표 FUE들로부터 수신하도록 구성된 복수의 FBS(flying BS)들; 및 상기 FBS들과 인터페이스되고, 상기 로컬 모델 정보가 통합된 서브-글로벌 모델 정보를 상기 복수의 FBS들로부터 수신하는 LEO 위성을 포함할 수 있다.

일 실시 예에 따르면, 상기 3차원 셀룰러 네트워크 시스템은 지상에 위치하고, 상기 LEO 위성과 인터페이스되는 코어 네트워크에 위치한 서버를 더 포함할 수 있다. 상기 LEO 위성은 갱신된 상기 서브-글로벌 모델 정보와 연관된 모델 매개변수를 상기 서버로 전송하고, 상기 서버는 상기 모델 매개변수에 기반하여 글로벌 연합 학습 모델을 획득하고, 상기 글로벌 연합 학습 모델을 상기 LEO 위성으로 전달하고, 상기 LEO 위성은 상기 글로벌 연합 학습 모델을 상기 FBS들을 통해 상기 대표 FUE들로 전송할 수 있다.

일 실시 예에 따르면, 상기 서버는 제1 FBS로부터 제1 모델 매개변수 및 제2 FBS로부터 제2 모델 매개변수를 획득하고, 상기 제1 모델 매개변수 및 상기 제2 모델 매개변수에 기반하여 상기 글로벌 연합 학습 모델을 갱신하고, 상기 대표 FUE들은 상기 갱신된 글로벌 연합 학습 모델을 상기 복수의 FUE들 중 관련 FUE에 배포하여 상기 로컬 학습 모델을 갱신하고, 상기 LEO 위성은 상기 갱신된 글로벌 연합 학습 모델과 상기 관련 FUE와 연관된 FUE 매개 변수를 상기 대표 FUE들로 전송할 수 있다.

본 발명에 따르면, 3차원 셀룰러 네트워크에서 간헐적 인식 연합 학습 방법 및 이를 수행하는 시스템을 제공할 수 있다.

본 발명에 따르면, FUEs, FBSs, 위성 및 지상에 위치한 코어 네트워크로 구성된 3차원 셀룰러 네트워크에 대한 새로운 프레임워크, 즉 간헐적 인식 연합 학습을 제공할 수 있다.

본 발명에 따르면, 개인 정보 유출에 대처하여 최종 장치와 서버 간에 정보 데이터가 아닌 학습 모델 매개변수만을 전송하는 연합 학습 방법을 제공할 수 있다.

본 발명에 따르면, 본 발명의 목적은 3차원 셀룰러 네트워크를 위한 새로운 간헐적 인식 연합 학습 프레임워크를 제공할 수 있다.

본 발명에 따르면, 제안된 간헐적 인식 연합 학습 프레임워크를 통해 FUE를 위한 글로벌 공유 모델을 학습하여 다양한 스마트 애플리케이션에 사용할 수 있다.

상술한 본 발명의 특징 및 효과는 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해 질 것이며, 그에 따라 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다.

도 1은 본 발명에 따른 간헐적 인식 연합 학습을 수행하는 3차원 셀룰러 네트워크 시스템을 나타낸다.
도 2는 본 발명에 따른 연합 학습 프레임워크 시퀀스 다이어그램을 나타낸다.
도 3은 본 발명에 따른 연합 학습 프레임워크의 구성을 나타낸다.
도 4는 본 발명의 일 실시 예에 따른 3차원 셀룰러 네트워크에서 간헐적 인식 연합 학습 방법의 흐름도를 나타낸다.
도 5는 본 발명의 다른 실시 예에 따른 3차원 셀룰러 네트워크에서 간헐적 인식 연합 학습 방법의 흐름도를 나타낸다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 구체적으로 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용한다.

제1, 제2등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다.

일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않아야 한다.

이하의 설명에서 사용되는 구성요소에 대한 접미사 모듈, 블록 및 부는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.

이하, 본 발명의 바람직한 실시 예를 첨부한 도면을 참조하여 당해 분야에 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 설명한다. 하기에서 본 발명의 실시 예를 설명함에 있어, 관련된 공지의 기능 또는 공지의 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.

이하에서는, 본 발명에 따른 3차원 셀룰러 네트워크에서 간헐적 인식 연합 학습 방법에 대해 설명한다. 이와 관련하여, 본 발명의 목적은 전술한 문제를 해결하기 위해, 3차원 셀룰러 네트워크에서 간헐적 인식 연합 학습 방법 및 이를 수행하는 시스템을 제공함에 있다. 또한, 본 발명의 목적은 FUEs, FBSs, 위성 및 지상에 위치한 코어 네트워크로 구성된 3차원 셀룰러 네트워크에 대한 새로운 프레임워크, 즉 간헐적 인식 연합 학습을 제공하기 위한 것이다. 또한, 본 발명의 목적은 개인 정보 유출에 대처하여 최종 장치와 서버 간에 정보 데이터가 아닌 학습 모델 매개변수만을 전송하는 연합 학습 방법을 제공할 수 있다. 또한, 본 발명의 목적은 3차원 셀룰러 네트워크를 위한 새로운 간헐적 인식 연합 학습 프레임워크를 제공하기 위한 것이다.

본 발명에서는 사용자 장치에서 중앙 서버로 데이터를 전송하지 않고 글로벌 모델을 학습할 수 있는 연합 학습을 사용한다. 따라서 연합 학습은 다양한 기계 학습 모델의 훈련을 위해 3차원 셀룰러 네트워크에서 사용될 수 있다. 연합 학습은 중앙 서버와 사용자 장치의 반복적인 상호 작용에서 무선 통신을 통해 이들 사이의 학습 모델 매개변수만 교환하는 것에 기초한다. 연합 학습 교육 과정은 중앙 서버와 원활하게 연결되도록 해야 한다.

이와 관련하여, 도 1은 본 발명에 따른 간헐적 인식 연합 학습을 수행하는 3차원 셀룰러 네트워크 시스템을 나타낸다. 한편, 도 2는 본 발명에 따른 연합 학습 프레임워크 시퀀스 다이어그램을 나타낸다.

도 1을 참조하면, 3차원 셀룰러 네트워크 시스템은 복수의 FUE들(100), 복수의 FBS들(200) 및 LEO 위성(300)을 포함할 수 있다. 도 2를 참조하면, 3차원 셀룰러 네트워크 시스템은 코어 네트워크 내에 위치하는 서버(400)를 더 포함할 수 있다.

복수의 FUE들(100)은 각 군집 별로 클러스터링 (그룹핑)될 수 있다. 복수의 FBS들(200)은 각 군집 별 대표 FUE와 통신을 수행할 수 있다. LEO 위성(300)은 복수의 FBS들(200)과 통신을 수행할 수 있다. 서버(400)는 지상에 위치하고, LEO 위성(300)과 인터페이스되는 코어 네트워크에 위치할 수 있다.

제안한 프레임워크에서 첫 번째는 여러 군집은 어떤 사회적 인식 기준에 기초하여 형성되는 것이다. 모든 군집에는 자체 군집장(서버 역할을 담당)이 있으며, 하위 글로벌 모델을 훈련하기 위해 반복적으로 다른 FUE와 통신한다. 군집 내에서 서브 글로벌 모델을 훈련하는 것의 장점은 이미 점유된 주파수 대역을 재사용하는 것이다. 또한, FUE와 FUE 통신은 FUE와 FBS 간 통신 보다 더 낮은 지연 시간을 가진다. 모든 군집 내의 하위 글로벌 모델은 FUE와 그것의 군집장(FUE) 사이의 반복적 상호작용을 사용하여 형성된다. 하위 글로벌 모델 계산 후, 모든 군집장은 하위 글로벌 모델 매개변수를 집계가 이루어지는 FBS로 전송한다. FBS에서 서브 글로벌 모델 집계가 끝난 후, 하위 글로벌 모델은 원격 위성으로 전송된다. 위성은 통합된 하위 글로벌 모델을 지상 코어 네트워크로 전송하며, 여기서 글로벌 모델은 하위 글로벌 모델들의 집계를 통해 계산된다.

갱신된 글로벌 모델은 위성으로 보내진다. 마지막으로 글로벌 모델 매개변수는 위성을 통해 FBS로 다시 전송되며, 이는 각 군집장으로 전송된다. 이러한 연합 학습의 장점은 모든 군집에 대한 소규모 FUE 집합 중 하위 글로벌 모델을 학습함으로써 간헐적인 연결에 대처할 수 있다는 것이다. 그리고 군집 형성 단계에서는 하위 글로벌 모델 훈련 과정 중 FUE가 서로 근접하게 유지되도록 해야 한다. 소수의 FUE가 서로 연결될 확률은 주변에 많은 수의 FUE가 위치한 것에 비해 매우 높다. 따라서 제안된 간헐적 인식 연합 학습 프레임워크는 실제 구현에 현실성이 높다.

3차원 셀룰러 네트워크는 다양한 스마트 서비스를 가능하게 하는 6세대 무선 시스템의 필수적인 부분이다. 전통적인 기계 학습을 사용하여 스마트 애플리케이션을 제공하는 3차원 셀룰러 네트워크를 활성화하는 것은 학습을 위해 사용자 장치에서 중앙 서버로 데이터를 전송하는 것을 기반으로 하기 때문에 심각한 개인 정보 유출 문제를 안고 있다. 따라서, 본 발명에서는 사용자 장치의 데이터를 전송하지 않고 사용자 장치와 에지/클라우드 서버 간의 학습 모델 매개변수 전송을 반복적으로 수행한다. 따라서, 학습 모델 매개변수 전송을 기반으로 하는 3차원 셀룰러 네트워크에서 스마트 서비스를 활성화하기 위해 연합 학습을 사용할 수 있어 사용자의 개인 정보를 보호할 수 있다.

연합 학습은 개인 정보 보호의 이점을 제공하지만, 3D 셀룰러 네트워크에 대해 다음과 같은 몇 가지 구현 과제를 안고 있다.

1) 통신 자원 제약: 연합 학습은 글로벌 연합 학습 모델 교육을 위해 사용자 장치와 에지/클라우드 서버 간에 학습 모델 매개변수를 전송하기 위한 성공적인 반복적 상호작용을 기반으로 한다. 최종 장치와 에지/클라우드 서버 간에 이러한 유형의 반복적인 학습 모델 매개변수 교환은 통신 자원에 제한을 가한다.

2) 간헐적 연결: 3차원 셀룰러 네트워크는 FUE(100), FBS(200) 및 위성(300)으로 구성된다. 3차원 셀룰러 네트워크는 지상 통신에 비해 이동성이 높고 3차원 셀룰러 네트워크에서 FUE와 FBS의 움직임으로 인해 발생한다. FUE와 위성 간의 통신 연결은 지상 통신에 비해 지연이 더 높다. 또한 FUE, FBS, 인공위성의 이동성 특성 때문에 핸드오프가 빈번하게 발생할 수 있다. 위에서 논의된 모든 요인은 3차원 셀룰러 네트워크에서 통신 연결의 간헐적 특성을 야기한다.

한편, 통신 자원 제약 및 간헐적 연결을 가진 3차원 셀룰러 네트워크에 대한 연합 학습 모델 훈련을 위해, 새로운 프레임워크를 제안하고자 한다. 즉, 본 발명에서는 3차원 셀룰러 네트워크에 대한 연합 학습 모델 훈련을 위해 간헐적 인식 연합 학습을 제안한다. 이와 관련하여, 도 3은 본 발명에 따른 연합 학습 프레임워크의 구성을 나타낸다. 도 3을 참조하면, 제안된 프레임워크는 다음과 같은 단계로 구성될 수 있다.

1단계) 군집 형성: 우선, FUE의 여러 군집은 일부 유효 기준에 기초하여 형성된다. 이 기준은 다중 군집에 대한 군집장을 선택하는 동안 사회적 연계, 거리 및 각 군집 간 중심성을 고려해야 한다. 그런 다음 이전에 선택된 군집장을 가진 여러 개의 FUE 군집이 형성된다.

2단계) 연결: 군집 형성 후 연결이 실행된다. 제안하는 모델에는 FBS와의 FUE 연결과 위성과의 FBS 연결 등 두 가지 유형의 연결이 필요하다. 첫째, 군집장은 시스템 처리량을 최대화하는 몇 가지 효과적인 기준을 사용하여 FBS와 연결된다. 특정 FBS의 경우, 여러 군집장을 연결하여 더 많은 군집에 대한 지원을 제공할 수 있다. FUE와 FBS 간의 직접적인 통신 대신 군집화의 이유는 이미 점유하고 있는 3차원 셀룰러 네트워크의 주파수 대역을 재이용하기 위해서다. 둘째, FBS는 통신 지연 시간을 최소화하기 위해 그러한 방식으로 위성과 연결된다.

3단계) 하위 글로벌 모델 계산: 군집화 및 연결 단계 후에 특정 군집 내에서 모든 장치가 로컬 학습 모델을 계산한다. 로컬 학습 모델 매개변수는 하위 글로벌 모델 집계가 이루어지는 군집장으로 전송된다. 하위 글로벌 모델 계산의 이 과정은 FUE와 군집장 사이의 상호작용에 의해 모든 군집 내에서 몇 번의 반복으로 이루어진다.

4단계) 글로벌 모델 계산: 모든 군집 내에서 하위 글로벌 모델 연산 후, 하위 글로벌 모델은 FBS에 의해 위성으로 전송된다. 3차원 셀룰러 네트워크의 모든 위성은 글로벌 모델 집계가 이루어지는 코어 네트워크에 연결된다. 그런 다음 업데이트된 글로벌 모델은 FBS로 다시 전송되고 FBS는 이를 각 군집장으로 전송한다. 마지막으로 모든 군집의 군집장은 갱신된 글로벌 모델을 관련 장치로 전송한다. 이러한 연합 학습의 패션은 글로벌 모델 정확도 수준으로 수렴되기 전까지 반복적으로 이루어진다.

본 발명에서 제안하고자 하는 기술적 특징은 다음곽 같다. 한편, 본 발명에서 청구하고자 하는 사항은 이러한 기술적 특징에 기반하는 것을 원칙으로 하지만, 이하의 기술적 특징에 한정되는 것은 아니다.

1) 3차원 셀룰러 네트워크에서 연합 학습을 위한 새로운 프레임워크

계층적 방식으로 효율적인 연합 학습 모델 교육을 가능하게 하는 3차원 셀룰러 네트워크에서 연합 학습을 위한 새로운 프레임워크를 제안한다. 3차원 셀룰러 네트워크에서 학습하는 두 가지 수준의 계층적 패션은 FUE 수준에서 하위 글로벌 모델을 학습한 다음 핵심 네트워크 수준에서 글로벌 모델 연산을 포함한다.

2) 확장 가능한 프레임워크

제안된 프레임워크는 확장성을 제공한다. FUEs는 쉽게 군집을 형성하고 FBS 중 하나에 연결할 수 있으므로 연합 학습 과정에 참여할 수 있다. 이러한 학습 방식은 연합 학습 과정에 새로운 FUE를 쉽게 추가할 수 있기 때문에 확장성이 향상된다.

3) 견고한 프레임워크

제안된 프레임워크는 단일 FB를 사용하는 3차원 셀룰러 네트워크에 대한 기존의 연합 학습에 비해 향상된 견고성을 제공한다. 단일 FB를 사용하는 3차원 셀룰러 네트워크에 대한 전통적인 연합 학습에서, 일련의 FUE는 글로벌 연합 학습 모델의 훈련을 위해 에지 컴퓨팅 서버 기반 FBS와 반복적으로 통신할 수 있다. 그러나 에지 컴퓨팅 서버 기반 FBS의 오작동으로 연합 학습이 실패하게 된다. 반면에, 제안하는 프레임워크에서는, 여러 하위 글로벌 모델들이 다른 FBS로 보내지고, 따라서 강화된 견고함을 제공한다.

4) 통신 자원에 대해 효율적인 프레임워크

제안된 프레임워크는 연합 학습의 계층적 구조를 사용하므로 향상된 자원 효율적 운영을 제공한다. 하위 글로벌 모델 연산의 첫 번째 단계에서, 모든 FUE 군집 내에서, 이미 점유된 리소스 블록은 하위 글로벌 모델을 산출하기 위해 FUE와 군집장 사이의 학습 모델 매개변수의 반복적인 교환에 사용되며, 따라서 통신 자원 효율적 연산을 제공한다.

전술한 바와 같이, 3차원 셀룰러 네트워크에서 간헐적 인식 연합 학습 방법의 기술적 특징과 관련하여, 도 1 내지 도 3을 참조하여 본 발명에서 제안하는 3차원 셀룰러 네트워크 시스템에 대하여 설명하면 다음과 같다. 제안된 프레임워크에는 주로 네 개의 계층으로 이루어져 있다. 첫 번째 계층은 전세계적으로 공유된 기계 학습 모델을 훈련시키고자 하는 일련의 FUE(100)로 구성된다. 통신 자원 제약으로 인해, 우선 군집 집합은 자체 군집장으로 형성된다. 하위 글로벌 연합 학습 모델은 모든 군집 내에서 FUE(100)와 군집장 FUE 사이의 반복적인 방식으로 학습 모델 업데이트를 전송하여 계산된다. 둘째는 하위 글로벌 모델 계산 후, 모든 군집장은 하위 글로벌 모델을 관련 FBS(200)로 전송하며, 하위 글로벌 모델 집계가 이루어진다. 다음으로 집계된 갱신된 하위 글로벌 모델은 모두 위성(300)으로 전송되며, 이는 다시 모델 매개변수를 지상에 위치한 코어 네트워크에 위치한 서버(400)로 전송한다. 최종 글로벌 연합 학습 모델은 코어 네트워크에 위치한 서버(400)에 통합하여 얻는다. 계산된 글로벌 모델은 위성(300)에 의해 해당하는 FBS(200)로 전송되며, 이는 다시 군집장 FUE로 전송된다. 마지막으로, 군집장은 갱신된 글로벌 모델을 관련 FUE(100)에 배포하여 로컬 모델을 갱신한다. 학습의 과정은 글로벌 연합 학습 모델이 일정 정확성에 수렴할 때까지 반복적인 방식으로 진행될 수 있다.

이하에서는, 본 발명에 따른 3차원 셀룰러 네트워크에서 간헐적 인식 연합 학습 방법과 이를 수행하는 학습 프레임워크 시스템 및 3차원 셀룰러 네트워크 시스템에 대해 설명하기로 한다. 이와 관련하여, 도 1 내지 도 3을 참조하여 학습 프레임워크 시스템 및 3차원 셀룰러 네트워크 시스템의 구성 요소에 대해 설명하면 다음과 같다.

1) FUEs 환경: FUEs 환경은 글로벌 연합 학습 모델의 학습에 참여하는 하는 공중 FUE로 구성된다.

2) FUE 모듈: FUE 모듈은 공중에서 비행하는 모든 노드가 될 수 있다. 멀티로터 드론, 고정익 드론, 싱글로터 헬리콥터가 될 수 있다

3) 로컬 학습 모델 모듈: FUE 모듈에 위치한 이 모듈은 로컬 학습 모델을 실행하여 로컬 학습 모델 매개 변수를 계산한다.

4) 로컬 데이터 모듈: 로컬 데이터 모듈은 로컬 학습 모델의 학습에 사용되는 로컬 장치 데이터를 저장한다.

5) FBSs 환경: FBS 환경은 비행 노드로 구성된다. 이 노드들은 충분한 계산 자원을 가진 멀티로터 드론, 고정익 드론, 단일 로터 헬리콥터가 될 수 있다.

6) FBSs 모듈: FBS 모듈은 FUE의 기지국 역할을 한다. 제안된 간헐적 인식 연합 학습의 경우 다른 군집장에서 수신한 하위 글로벌 모델의 집계를 수행한다. 더욱이 이 모듈은 집계된 하위 글로벌 모델을 코어 네트워크 서버로 전송하기 위해 위성과 통신한다.

7) 하위 글로벌 모델 모듈: 하위 글로벌 모델 모듈은 다른 군집장(FUE)로부터 수신된 하위 글로벌 모델의 집계를 수행한다.

8) 위성 환경: 위성 환경은 FBS와 코어 네트워크 사이의 통신 릴레이 역할을 하는 일련의 위성으로 구성된다.

9) 위성 모듈: 위성 모듈은 지상에 위치한 FBS 및 코어 네트워크와 통신할 수 있는 모든 위성(예: LEO 위성)이 될 수 있다.

10) 코어 네트워크 모듈: 코어 네트워크 모듈은 지상에 위치한 코어 네트워크로 구성되며 위성 모듈을 통한 FBS와의 통신을 담당한다.

11) 글로벌 모델 계산 모듈: 글로벌 모델 계산 모듈은 서로 다른 FBS의 통합된 하위 글로벌 모델을 모두 취합하여 글로벌 연합 학습 모델의 연산을 수행할 수 있다.

12) 군집 관리자 모듈: 군집 관리자 모듈은 FUE의 군집화를 담당한다. 먼저 군집장 역할을 할 FUE가 선택된다. FUE의 선택에 따라, 하위 글로벌 모델을 훈련하는 데 사용되는 군집이 형성된다.

도 1 내지 도 3을 참조하여, 본 발명의 일 양상에 따른 3차원 셀룰러 네트워크에서 간헐적 인식 연합 학습을 수행하는 학습 프레임워크 시스템에 대해 설명하면 다음과 같다. 이와 관련하여, 도 3은 본 발명에 따른 연합 학습 프레임워크의 구성을 나타낸다.

학습 프레임워크 시스템은 FUE 모듈(1), FBS 모듈(5) 및 위성 모듈(8)를 포함할 수 있다. 이와 관련하여, FUE 모듈(1)은 복수의 FUE들을 포함할 수 있고, 각각의 FUE들(2)은 로컬 학습 모델(3) 및 로컬 데이터(4)를 구비할 수 있다. 또한, FBS 모듈(5)은 복수의 FBS들을 포함할 수 있고, 각각의 FBS들(6)은 서브-글로벌 모델 모듈(7)을 포함할 수 있다. 위성 모듈(8)은 각각의 위성 모듈(9)을 포함할 수 있다.

FUE 모듈(1)은 로컬 학습 모델과 로컬 데이터를 각각 구비하는 복수의 FUE(flying UE)들을 포함할 수 있다. FBS 모듈(5)은 FUE 모듈과 인터페이스되고, 각 군집 별로 로컬 모델 정보를 상기 복수의 FUE들 중 대표 FUE들로부터 수신하는 복수의 FBS(flying BS)들을 포함할 수 있다. 위성 모듈(8)은 FBS 모듈과 인터페이스되고, 상기 로컬 모델 정보가 통합된 서브-글로벌 모델 정보를 상기 복수의 FBS들로부터 수신하도록 구성될 수 있다. 서브-글로벌 모델 정보와 연관된 글로벌 연합 학습 모델은 각 군집 내에서 FUE들과 대표 FUE 사이에서 학습 모델 업데이트가 반복적인 방식으로 수행되어 계산될 수 있다.

학습 프레임워크 시스템은 지상에 위치하고, 상기 위성 모듈과 인터페이스되는 코어 네트워크(10)를 더 포함할 수 있다. 위성 모듈(8)은 갱신된 상기 서브-글로벌 모델 정보와 연관된 모델 매개변수를 상기 코어 네트워크(10)에 위치한 서버로 전송할 수 있다.

코어 네트워크(10)에 위치한 서버는 상기 모델 매개변수에 기반하여 글로벌 연합 학습 모델을 획득하고, 상기 글로벌 연합 학습 모델을 상기 위성 모듈(8)로 전달할 수 있다. 상기 위성 모듈(8)은 상기 글로벌 연합 학습 모델을 상기 FBS들을 통해 상기 대표 FUE들로 전송할 수 있다.

코어 네트워크(10)에 위치한 서버는 제1 FBS로부터 제1 모델 매개변수 및 제2 FBS로부터 제2 모델 매개변수를 획득하고, 상기 제1 모델 매개변수 및 상기 제2 모델 매개변수에 기반하여 상기 글로벌 연합 학습 모델을 갱신할 수 있다. 상기 대표 FUE들은 상기 갱신된 글로벌 연합 학습 모델을 상기 복수의 FUE들 중 관련 FUE에 배포하여 상기 로컬 학습 모델을 갱신할 수 있다. 상기 위성 모듈(8)은 상기 갱신된 글로벌 연합 학습 모델과 상기 관련 FUE와 연관된 FUE 매개 변수를 상기 대표 FUE들로 전송할 수 있다.

한편, 상기 로컬 학습 모델을 갱신하는 학습 과정은 상기 갱신된 글로벌 연합 학습 모델이 임계치 이상의 정확도를 갖는 것으로 수렴할 때까지 반복적인 방식으로 진행될 수 있다. 이와 관련하여, 학습 프레임워크 시스템은 상기 FUE 모듈과 인터페이스되고, 상기 복수의 FUE들을 각 군집 별로 그룹 설정하도록 구성된 클러스터 매니저(12)를 더 포함할 수 있다. 상기 갱신된 글로벌 연합 학습 모델이 임계치 이상의 정확도로 수렴하지 않는다고 판단되면, 상기 클러스터 매니저(12)는 상기 복수의 FUE들에 대한 군집 클러스터링을 변경할 수 있다.

한편, 군집 클러스터링은 글로벌 연합 학습 모델이 임계치 이상의 정확도로 수렴하지 않는 경우 복수의 FUE들의 위치를 기반으로 수행될 수 있다. 이와 관련하여, 코어 네트워크(10)에 위치한 서버는 갱신된 글로벌 연합 학습 모델이 임계치 이상의 정확도를 갖는 것으로 수렴하지 않는다고 판단되고, 상기 각 군집 내의 FUE가 각 군집 영역을 벗어난다고 판단되는지를 판단할 수 있다. 이 경우, 상기 클러스터 매니저(12)는 상기 각 군집 영역을 벗어난 FUE와 연관된 군집에 대한 군집 클러스터링을 변경할 수 있다.

한편, 군집 클러스터링이 수행된 경우에도 갱신된 글로벌 연합 학습 모델이 임계치 이상의 정확도를 갖는 것으로 수렴하지 않는다고 판단되면, 군집 클러스터링이 아닌 다른 방식으로 시스템을 일부 변경할 수 있다. 이와 관련하여, 코어 네트워크(10)에 위치한 서버는 상기 복수의 FUE들에 대한 군집 클러스터의 변경에 따른 제2 글로벌 연합 학습 모델이 임계치 이상의 정확도로 수렴하는지 여부를 판단할 수 있다. 군집 클러스터의 변경에 따른 제2 글로벌 연합 학습 모델이 임계치 이상의 정확도로 수렴하지 않는다고 판단되면, 클러스터 매니저(12)는 상기 변경된 군집 클러스터링에 대해 대표 FUE를 변경할 수 있다.

따라서, 변경된 군집 클러스터링 및 변경된 대표 FUE를 기반으로, 전술한 서브-글로벌 모델 정보와 연관된 글로벌 연합 학습 모델과 관련한 학습 모델 업데이트가 반복적인 방식으로 수행될 수 있다. 이와 관련하여, 각 군집 내에서 서브-글로벌 모델 정보를 훈련하는 과정은 상기 각 군집 별로 이미 점유된 주파수 대역을 재사용하여 반복적으로 이루어지고, 상기 FUE들과 상기 대표 FUE 사이의 통신은 상기 FUE들과 FBS 간 통신보다 낮은 지연 시간을 갖는다.

이하에서는 본 발명의 다른 양상에 따른 3차원 셀룰러 네트워크에서 간헐적 인식 연합 학습 방법에 대해 설명하면 다음과 같다. 이와 관련하여, 상기 학습 방법은 복수의 FUE들과 FBS들을 포함하는 학습 프레임워크 시스템에 수행될 수 있다. 한편, 도 4는 본 발명의 일 실시 예에 따른 3차원 셀룰러 네트워크에서 간헐적 인식 연합 학습 방법의 흐름도를 나타낸다. 도 5는 본 발명의 다른 실시 예에 따른 3차원 셀룰러 네트워크에서 간헐적 인식 연합 학습 방법의 흐름도를 나타낸다.

도 1 내지 도 4를 참조하면, 간헐적 인식 연합 학습 방법은 로컬 모델 정보 획득 과정(S100), 서브-글로벌 모델 정보 획득 과정(S200) 및 글로벌 연합 학습 모델 획득 과정(S300)을 포함하도록 구성될 수 있다. 한편, 간헐적 인식 연합 학습 방법은 글로벌 연합 학습 모델 전송 과정(S400) 및 로컬 학습 모델 갱신 과정(S500)을 더 포함할 수 있다. 도 1 내지 도 5를 참조하면, 간헐적 인식 연합 학습 방법은 군집 클러스터링 변경 과정(S600) 및 대표 FUE 변경 과정(S700)을 더 포함할 수 있다.

로컬 모델 정보 획득 과정(S100)에서, 로컬 학습 모델과 로컬 데이터를 각각 구비하는 복수의 FUE들 중 대표 FUE들로부터 각각의 FBS들이 로컬 모델 정보를 획득할 수 있다. 서브-글로벌 모델 정보 획득 과정(S200)에서, 로컬 모델 정보가 통합된 서브-글로벌 모델 정보를 위성 모듈이 획득할 수 있다. 글로벌 연합 학습 모델 획득 과정(S300)에서, 상기 서브-글로벌 모델 정보와 연관된 글로벌 연합 학습 모델을 코어 네트워크 내의 서버가 획득할 수 있다.

위성 모듈과 인터페이스되는 상기 코어 네트워크는 지상에 위치할 수 있다. 글로벌 연합 학습 모델 획득 과정(S300)에서, 상기 위성 모듈은 갱신된 상기 서브-글로벌 모델 정보와 연관된 모델 매개변수를 상기 코어 네트워크에 위치한 상기 서버로 전송할 수 있다.

한편, 글로벌 연합 학습 모델 획득 과정(S300)에서, 상기 서버는 상기 모델 매개변수에 기반하여 글로벌 연합 학습 모델을 획득하고, 상기 글로벌 연합 학습 모델을 상기 위성 모듈로 전달할 수 있다. 글로벌 연합 학습 모델 전송 과정(S400)에서, 위성 모듈이 상기 글로벌 연합 학습 모델을 상기 FBS들을 통해 상기 대표 FUE들로 전송할 수 있다. 이와 관련하여, 각 군집 내에서 서브-글로벌 모델 정보를 훈련하는 과정은 상기 각 군집 별로 이미 점유된 주파수 대역을 재사용하여 반복적으로 이루어지고, 상기 FUE들과 상기 대표 FUE 사이의 통신은 상기 FUE들과 FBS 간 통신보다 낮은 지연 시간을 갖는다.

한편, 글로벌 연합 학습 모델 획득 과정(S300)에서, 서버는 제1 FBS로부터 제1 모델 매개변수 및 제2 FBS로부터 제2 모델 매개변수를 획득할 수 있다. 또한, 상기 제1 모델 매개변수 및 상기 제2 모델 매개변수에 기반하여 상기 글로벌 연합 학습 모델을 갱신할 수 있다.

한편, 로컬 학습 모델 갱신 과정(S500)에서, 대표 FUE들은 상기 갱신된 글로벌 연합 학습 모델을 상기 복수의 FUE들 중 관련 FUE에 배포하여 상기 로컬 학습 모델을 갱신할 수 있다. 이와 관련하여, 글로벌 연합 학습 모델 전송 과정(S400)에서, 상기 위성 모듈은 상기 갱신된 글로벌 연합 학습 모델과 상기 관련 FUE와 연관된 FUE 매개 변수를 상기 대표 FUE들로 전송할 수 있다. 이와 관련하여, 상기 관련 FUE와 연관된 FUE 매개 변수는 해당 변수를 송신 및 수신하는 엔티티 간에만 식별화될 수 있도록 익명화 또는 암호화될 수 있다.

한편, 로컬 학습 모델 갱신 과정(S500)은 상기 갱신된 글로벌 연합 학습 모델이 임계치 이상의 정확도를 갖는 것으로 수렴할 때까지 반복적인 방식으로 진행될 수 있다. 상기 갱신된 글로벌 연합 학습 모델이 임계치 이상의 정확도로 수렴하지 않는다고 판단되면, 클러스터 매니저는 상기 복수의 FUE들에 대한 군집 클러스터링을 변경하는 군집 클러스터링 변경 과정(S600)을 더 수행될 수 있다.

상기 갱신된 글로벌 연합 학습 모델이 임계치 이상의 정확도를 갖는 것으로 수렴하지 않는다고 판단되고, 상기 각 군집 내의 FUE가 각 군집 영역을 벗어난다고 판단되면, 상기 군집 클러스터링 변경 과정(S600)에서 상기 클러스터 매니저는 상기 각 군집 영역을 벗어난 FUE와 연관된 군집에 대한 군집 클러스터링을 변경할 수 있다. 한편, 상기 복수의 FUE들에 대한 군집 클러스터의 변경에 따른 제2 글로벌 연합 학습 모델이 임계치 이상의 정확도로 수렴하지 않는다고 판단되면, 상기 클러스터 매니저는 상기 변경된 군집 클러스터링에 대해 대표 FUE를 변경하는 대표 FUE 변경 과정(S700)을 더 수행할 수 있다. 대표 FUE 변경 과정(S700)이 수행된 이후 컬 모델 정보 획득 과정(S100) 이하의 과정이 반복될 수 있다.

한편, 글로벌 연합 학습 모델이 임계치 이상의 정확도를 갖는 것으로 수렴한다고 판단되면, 통신 연결이 필요한지 여부에 따라 전술한 과정을 반복하거나 또는 간헐적 인식 연합 학습 과정을 종료할 수 있다. 이와 관련하여, 글로벌 연합 학습 모델이 임계치 이상의 정확도를 갖는 것으로 수렴하고 갱신된 로컬 모델에 따라 통신 연결이 필요하면, 서브-글로벌 모델 정보 획득 과정(S200) 이하의 과정이 반복될 수 있다. 하지만, 이러한 절차에 한정되는 것은 아니고, 로컬 모델 정보를 다시 획득할 필요가 있다고 판단되면, 로컬 모델 정보 획득 과정(S100) 이하의 과정이 반복될 수 있다. 반면에, 글로벌 연합 학습 모델이 임계치 이상의 정확도를 갖는 것으로 수렴하고 갱신된 로컬 모델에 따라 통신 연결이 필요하지 않다고 판단되면, 간헐적 인식 연합 학습 과정을 종료할 수 있다.

이상에서는 본 발명에 따른 3차원 셀룰러 네트워크에서 간헐적 인식 연합 학습 방법 및 이를 수행하는 학습 프레임워크 시스템에 대해 설명하였다. 이하에서는 본 발명의 또 다른 양상에 따른 학습 프레임워크를 통해 간헐적 인식 연합 학습을 수행하는 3차원 셀룰러 네트워크 시스템에 대해 설명하기로 한다. 이와 관련하여, 간헐적 인식 연합 학습 방법 및 학습 프레임워크 시스템에 대한 전술한 모든 설명이 3차원 셀룰러 네트워크 시스템에 대해 적용 가능하다.

도 1 내지 도 5를 참조하면, 3차원 셀룰러 네트워크 시스템은 복수의 FUE(flying UE)들(100), 복수의 FBS(flying BS)(200) 및 LEO 위성(300)을 포함하도록 구성 가능하다. 또한, 3차원 셀룰러 네트워크 시스템은 코어 네트워크에 위치한 서버(400)를 더 포함할 수 있다.

복수의 FUE들(100)은 로컬 학습 모델과 로컬 데이터를 각각 구비하도록 구성될 수 있다. 복수의 FBS들(200)는 FUE들(100)과 인터페이스되고, 각 군집 별로 로컬 모델 정보를 복수의 FUE들(100) 중 대표 FUE들로부터 수신하도록 구성될 수 있다. LEO 위성(300)은 복수의 FBS들(200)과 인터페이스되고, 상기 로컬 모델 정보가 통합된 서브-글로벌 모델 정보를 상기 복수의 FBS들(200)로부터 수신할 수 있다. 한편, 서브-글로벌 모델 정보와 연관된 글로벌 연합 학습 모델은 각 군집 내에서 FUE들(100)과 대표 FUE 사이에서 학습 모델 업데이트가 반복적인 방식으로 수행되어 계산될 수 있다.

한편, LEO 위성(300)은 갱신된 상기 서브-글로벌 모델 정보와 연관된 모델 매개변수를 상기 서버(400)로 전송할 수 있다. 서버(400)는 상기 모델 매개변수에 기반하여 글로벌 연합 학습 모델을 획득하고, 상기 글로벌 연합 학습 모델을 상기 LEO 위성(300)으로 전달할 수 있다. LEO 위성(300)은 상기 글로벌 연합 학습 모델을 상기 FBS들(200)을 통해 상기 대표 FUE들로 전송할 수 있다.

한편, 서버(400)는 제1 FBS로부터 제1 모델 매개변수 및 제2 FBS로부터 제2 모델 매개변수를 획득하고, 상기 제1 모델 매개변수 및 상기 제2 모델 매개변수에 기반하여 상기 글로벌 연합 학습 모델을 갱신할 수 있다. 대표 FUE들은 상기 갱신된 글로벌 연합 학습 모델을 상기 복수의 FUE(100)들 중 관련 FUE에 배포하여 상기 로컬 학습 모델을 갱신할 수 있다. LEO 위성(300)은 상기 갱신된 글로벌 연합 학습 모델과 상기 관련 FUE와 연관된 FUE 매개 변수를 상기 대표 FUE들로 전송할 수 있다.

이상에서는 발명에 따른 3차원 셀룰러 네트워크에서 간헐적 인식 연합 학습 방법 및 이를 수행하는 학습 프레임워크 시스템 및 3차원 셀룰러 네트워크 시스템에 대해 살펴보았다. 본 발명에 따른 3차원 셀룰러 네트워크에서 간헐적 인식 연합 학습 방법의 활용분야는 스마트 배송 서비스(예: 에어드론 배송 서비스), 재난 관리, 군사 감시 및 스마트 헬스케어 분야이다. 본 발명에 따른 기술적 효과에 대해 살펴보면 다음과 같다.

본 발명에 따르면, 3차원 셀룰러 네트워크를 위한 새로운 간헐적 인식 연합 학습 프레임워크를 제공할 수 있다.

또한, 본 발명에 따른 특허기술의 사업화 전망은 다음과 같다. 사업적인 측면에서 제안된 간헐적 인식 연합 학습 프레임워크를 스마트 군사 애플리케이션, 스마트 전달 서비스, 스마트 모니터링 등에 사용할 수 있다.

소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능뿐만 아니라 각각의 구성 요소들에 대한 설계 및 파라미터 최적화는 별도의 소프트웨어 모듈로도 구현될 수 있다. 적절한 프로그램 언어로 쓰여진 소프트웨어 어플리케이션으로 소프트웨어 코드가 구현될 수 있다. 상기 소프트웨어 코드는 메모리에 저장되고, 제어부(controller) 또는 프로세서(processor)에 의해 실행될 수 있다.

Claims

3차원 셀룰러 네트워크에서 간헐적 인식 연합 학습을 수행하는 학습 프레임워크 시스템에 있어서,
로컬 학습 모델과 로컬 데이터를 각각 구비하는 복수의 FUE(flying UE)들을 포함하는 FUE 모듈;
상기 FUE 모듈과 인터페이스되고, 각 군집 별로 로컬 모델 정보를 상기 복수의 FUE들 중 대표 FUE들로부터 수신하는 복수의 FBS(flying BS)들을 포함하는 FBS 모듈; 및
상기 FBS 모듈과 인터페이스되고, 상기 로컬 모델 정보가 통합된 서브-글로벌 모델 정보를 상기 복수의 FBS들로부터 수신하는 위성 모듈을 포함하고,
상기 서브-글로벌 모델 정보와 연관된 글로벌 연합 학습 모델은 각 군집 내에서 FUE들과 대표 FUE 사이에서 학습 모델 업데이트가 반복적인 방식으로 수행되어 계산되고,
상기 각 군집 내에서 상기 서브-글로벌 모델 정보를 훈련하는 과정은 상기 각 군집 별로 이미 점유된 주파수 대역을 재사용하여 반복적으로 이루어지고, 상기 FUE들과 상기 대표 FUE 사이의 통신은 상기 FUE들과 FBS 간 통신보다 낮은 지연 시간을 갖는, 학습 프레임워크 시스템.
제1 항에 있어서,
지상에 위치하고, 상기 위성 모듈과 인터페이스되는 코어 네트워크를 더 포함하고,
상기 위성 모듈은 갱신된 상기 서브-글로벌 모델 정보와 연관된 모델 매개변수를 상기 코어 네트워크에 위치한 서버로 전송하는, 학습 프레임워크 시스템.
제2 항에 있어서,
상기 서버는 상기 모델 매개변수에 기반하여 글로벌 연합 학습 모델을 획득하고, 상기 글로벌 연합 학습 모델을 상기 위성 모듈로 전달하고,
상기 위성 모듈은 상기 글로벌 연합 학습 모델을 상기 FBS들을 통해 상기 대표 FUE들로 전송하는, 학습 프레임워크 시스템.
제3 항에 있어서,
상기 서버는 제1 FBS로부터 제1 모델 매개변수 및 제2 FBS로부터 제2 모델 매개변수를 획득하고, 상기 제1 모델 매개변수 및 상기 제2 모델 매개변수에 기반하여 상기 글로벌 연합 학습 모델을 갱신하는, 학습 프레임워크 시스템.
제4 항에 있어서,
상기 대표 FUE들은 상기 갱신된 글로벌 연합 학습 모델을 상기 복수의 FUE들 중 관련 FUE에 배포하여 상기 로컬 학습 모델을 갱신하고,
상기 위성 모듈은 상기 갱신된 글로벌 연합 학습 모델과 상기 관련 FUE와 연관된 FUE 매개 변수를 상기 대표 FUE들로 전송하는, 학습 프레임워크 시스템.
제5 항에 있어서,
상기 로컬 학습 모델을 갱신하는 학습 과정은 상기 갱신된 글로벌 연합 학습 모델이 임계치 이상의 정확도를 갖는 것으로 수렴할 때까지 반복적인 방식으로 진행되는, 학습 프레임워크 시스템.
제6 항에 있어서,
상기 FUE 모듈과 인터페이스되고, 상기 복수의 FUE들을 각 군집 별로 그룹 설정하도록 구성된 클러스터 매니저를 더 포함하고,
상기 갱신된 글로벌 연합 학습 모델이 임계치 이상의 정확도로 수렴하지 않는다고 판단되면, 상기 클러스터 매니저는 상기 복수의 FUE들에 대한 군집 클러스터링을 변경하는, 학습 프레임워크 시스템.
제5 항에 있어서,
상기 갱신된 글로벌 연합 학습 모델이 임계치 이상의 정확도를 갖는 것으로 수렴하지 않는다고 판단되고, 상기 각 군집 내의 FUE가 각 군집 영역을 벗어난다고 판단되면, 상기 클러스터 매니저는 상기 각 군집 영역을 벗어난 FUE와 연관된 군집에 대한 군집 클러스터링을 변경하는, 학습 프레임워크 시스템.
제7 항에 있어서,
상기 복수의 FUE들에 대한 군집 클러스터의 변경에 따른 제2 글로벌 연합 학습 모델이 임계치 이상의 정확도로 수렴하지 않는다고 판단되면, 상기 클러스터 매니저는 상기 변경된 군집 클러스터링에 대해 대표 FUE를 변경하는, 학습 프레임워크 시스템.
3차원 셀룰러 네트워크에서 간헐적 인식 연합 학습 방법에 있어서, 상기 학습 방법은 복수의 FUE들과 FBS들을 포함하는 학습 프레임워크 시스템에 수행되고, 상기 방법은
로컬 학습 모델과 로컬 데이터를 각각 구비하는 복수의 FUE들 중 대표 FUE들로부터 각각의 FBS들이 로컬 모델 정보를 획득하는 로컬 모델 정보 획득 과정;
로컬 모델 정보가 통합된 서브-글로벌 모델 정보를 위성 모듈이 획득하는 서브-글로벌 모델 정보 획득 과정; 및
상기 서브-글로벌 모델 정보와 연관된 글로벌 연합 학습 모델을 코어 네트워크 내의 서버가 획득하는 글로벌 연합 학습 모델 획득 과정을 포함하고,
상기 서브-글로벌 모델 정보와 연관된 글로벌 연합 학습 모델은 각 군집 내에서 FUE들과 대표 FUE 사이에서 학습 모델 업데이트가 반복적인 방식으로 수행되어 계산되는, 학습 방법.
제10 항에 있어서,
상기 위성 모듈과 인터페이스되는 상기 코어 네트워크는 지상에 위치하고,
상기 글로벌 연합 학습 모델 획득 과정에서, 상기 위성 모듈은 갱신된 상기 서브-글로벌 모델 정보와 연관된 모델 매개변수를 상기 코어 네트워크에 위치한 상기 서버로 전송하는, 학습 방법.
제11 항에 있어서,
상기 글로벌 연합 학습 모델 획득 과정에서, 상기 서버는 상기 모델 매개변수에 기반하여 글로벌 연합 학습 모델을 획득하고, 상기 글로벌 연합 학습 모델을 상기 위성 모듈로 전달하고,
상기 위성 모듈이 상기 글로벌 연합 학습 모델을 상기 FBS들을 통해 상기 대표 FUE들로 전송하는 글로벌 연합 학습 모델 전송 과정을 더 포함하는, 학습 방법.
제12 항에 있어서,
상기 글로벌 연합 학습 모델 획득 과정에서,
상기 서버는 제1 FBS로부터 제1 모델 매개변수 및 제2 FBS로부터 제2 모델 매개변수를 획득하고, 상기 제1 모델 매개변수 및 상기 제2 모델 매개변수에 기반하여 상기 글로벌 연합 학습 모델을 갱신하는, 학습 방법.
제13 항에 있어서,
상기 대표 FUE들은 상기 갱신된 글로벌 연합 학습 모델을 상기 복수의 FUE들 중 관련 FUE에 배포하여 상기 로컬 학습 모델을 갱신하는 로컬 학습 모델 갱신 과정을 더 포함하고,
상기 글로벌 연합 학습 모델 전송 과정에서, 상기 위성 모듈은 상기 갱신된 글로벌 연합 학습 모델과 상기 관련 FUE와 연관된 FUE 매개 변수를 상기 대표 FUE들로 전송하는, 학습 방법.
제14 항에 있어서,
상기 로컬 학습 모델 갱신 과정은 상기 갱신된 글로벌 연합 학습 모델이 임계치 이상의 정확도를 갖는 것으로 수렴할 때까지 반복적인 방식으로 진행되고,
상기 갱신된 글로벌 연합 학습 모델이 임계치 이상의 정확도로 수렴하지 않는다고 판단되면, 클러스터 매니저는 상기 복수의 FUE들에 대한 군집 클러스터링을 변경하는 군집 클러스터링 변경 과정을 더 포함하는, 학습 방법.
제15 항에 있어서,
상기 갱신된 글로벌 연합 학습 모델이 임계치 이상의 정확도를 갖는 것으로 수렴하지 않는다고 판단되고, 상기 각 군집 내의 FUE가 각 군집 영역을 벗어난다고 판단되면, 상기 군집 클러스터링 변경 과정에서 상기 클러스터 매니저는 상기 각 군집 영역을 벗어난 FUE와 연관된 군집에 대한 군집 클러스터링을 변경하는, 학습 방법.
제15 항에 있어서,
상기 복수의 FUE들에 대한 군집 클러스터의 변경에 따른 제2 글로벌 연합 학습 모델이 임계치 이상의 정확도로 수렴하지 않는다고 판단되면, 상기 클러스터 매니저는 상기 변경된 군집 클러스터링에 대해 대표 FUE를 변경하는 대표 FUE 변경 과정을 더 포함하는, 학습 방법.
학습 프레임워크를 통해 간헐적 인식 연합 학습을 수행하는 3차원 셀룰러 네트워크 시스템에 있어서,
로컬 학습 모델과 로컬 데이터를 각각 구비하는 복수의 FUE(flying UE)들;
상기 FUE들과 인터페이스되고, 각 군집 별로 로컬 모델 정보를 상기 복수의 FUE들 중 대표 FUE들로부터 수신하도록 구성된 복수의 FBS(flying BS)들; 및
상기 FBS들과 인터페이스되고, 상기 로컬 모델 정보가 통합된 서브-글로벌 모델 정보를 상기 복수의 FBS들로부터 수신하는 LEO 위성을 포함하고,
상기 서브-글로벌 모델 정보와 연관된 글로벌 연합 학습 모델은 각 군집 내에서 FUE들과 대표 FUE 사이에서 학습 모델 업데이트가 반복적인 방식으로 수행되어 계산되는, 3차원 셀룰러 네트워크 시스템.
제18 항에 있어서,
지상에 위치하고, 상기 LEO 위성과 인터페이스되는 코어 네트워크에 위치한 서버를 더 포함하고,
상기 LEO 위성은 갱신된 상기 서브-글로벌 모델 정보와 연관된 모델 매개변수를 상기 서버로 전송하고,
상기 서버는 상기 모델 매개변수에 기반하여 글로벌 연합 학습 모델을 획득하고, 상기 글로벌 연합 학습 모델을 상기 LEO 위성으로 전달하고,
상기 LEO 위성은 상기 글로벌 연합 학습 모델을 상기 FBS들을 통해 상기 대표 FUE들로 전송하는, 3차원 셀룰러 네트워크 시스템.
제19 항에 있어서,
상기 서버는 제1 FBS로부터 제1 모델 매개변수 및 제2 FBS로부터 제2 모델 매개변수를 획득하고, 상기 제1 모델 매개변수 및 상기 제2 모델 매개변수에 기반하여 상기 글로벌 연합 학습 모델을 갱신하고,
상기 대표 FUE들은 상기 갱신된 글로벌 연합 학습 모델을 상기 복수의 FUE들 중 관련 FUE에 배포하여 상기 로컬 학습 모델을 갱신하고,
상기 LEO 위성은 상기 갱신된 글로벌 연합 학습 모델과 상기 관련 FUE와 연관된 FUE 매개 변수를 상기 대표 FUE들로 전송하는, 3차원 셀룰러 네트워크 시스템.