KR20220021438A - 네트워크 데이터 분석 기능 장치를 위한 기계학습 모델 관리 방법 - Google Patents

네트워크 데이터 분석 기능 장치를 위한 기계학습 모델 관리 방법 Download PDF

Info

Publication number
KR20220021438A
KR20220021438A KR1020210107543A KR20210107543A KR20220021438A KR 20220021438 A KR20220021438 A KR 20220021438A KR 1020210107543 A KR1020210107543 A KR 1020210107543A KR 20210107543 A KR20210107543 A KR 20210107543A KR 20220021438 A KR20220021438 A KR 20220021438A
Authority
KR
South Korea
Prior art keywords
machine learning
learning model
nwdaf
model
information
Prior art date
Application number
KR1020210107543A
Other languages
English (en)
Inventor
이수환
신명기
이승익
Original Assignee
한국전자통신연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to US17/402,151 priority Critical patent/US20220108214A1/en
Publication of KR20220021438A publication Critical patent/KR20220021438A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W8/00—Network data management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/04—Network management architectures or arrangements
    • H04L41/042—Network management architectures or arrangements comprising distributed management centres cooperatively managing the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0876—Aspects of the degree of configuration automation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
    • H04L41/5058—Service discovery by the service manager
    • H04L67/16—
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/51—Discovery or management thereof, e.g. service location protocol [SLP] or web services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/60—Subscription-based services using application servers or record carriers, e.g. SIM application toolkits
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W48/00—Access restriction; Network selection; Access point selection
    • H04W48/16—Discovering, processing access restriction or access information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W48/00—Access restriction; Network selection; Access point selection
    • H04W48/18—Selecting a network or a communication service
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W60/00—Affiliation to network, e.g. registration; Terminating affiliation with the network, e.g. de-registration
    • H04W60/04—Affiliation to network, e.g. registration; Terminating affiliation with the network, e.g. de-registration using triggered events
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/12—Wireless traffic scheduling
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W8/00—Network data management
    • H04W8/18—Processing of user or subscriber data, e.g. subscribed services, user preferences or user profiles; Transfer of user or subscriber data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/40—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using virtualisation of network functions or resources, e.g. SDN or NFV entities
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Automation & Control Theory (AREA)
  • Debugging And Monitoring (AREA)

Abstract

네트워크 데이터 분석 기능 장치를 위한 기계학습 모델 관리 방법이 개시된다. 네트워크 데이터 분석 기능 장치는 네트워크 데이터에 대한 분석 논리 기능(AnLF) 또는 기계학습 모델 훈련 논리 기능(MTLF) 중 적어도 하나를 실행할 수 있다.

Description

네트워크 데이터 분석 기능 장치를 위한 기계학습 모델 관리 방법 {MANAGEMENT METHOD OF MACHINE LEARNING MODEL FOR NETWORK DATA ANALYTICS FUNCTION DEVICE}
본 발명은 네트워크 데이터 분석 기능 장치를 위한 기계학습 모델 관리 방법에 관한 것으로, 보다 구체적으로는 본 발명은 기계학습 모델을 학습하고, 프로비저닝하며 업데이트하는 과정을 제안한다.
5G 이동통신 시스템에서는 시스템의 자동화 및 최적화를 위해 NWDAF가 각 네트워크 기능 및 응용기능의 로우 데이터를 수집하여 빅데이터화 하고, 빅데이터를 가공하여 네트워크 분석 정보를 제공한다.
이를 위해, NWDAF는 네트워크 분석 정보를 도출하기 위해 기계학습 모델을 고려할 수 있다. 하지만, 다양한 조건에서 어떻게 기계학습 모델을 이용할 것인지에 대해 구체적인 방안이 제시되지 못하고 있다.
본 발명은 네트워크 데이터 분석 기능 장치(NWDAF)를 위한 기계학습 모델의 프로비저닝 방법을 제공한다.
본 발명은 네트워크 데이터 분석 기능 장치(NWDAF)를 위한 기계학습 모델의 업데이트 방법을 제공한다.
본 발명은 네트워크 데이터 분석 기능 장치(NWDAF)를 위한 기계학습 모델의 공유 방법을 제공한다.
본 발명의 일실시예에 따른 제1 NWDAF 장치가 수행하는 기계학습 모델의 탐색 방법은 NRF 장치에 기계학습 모델의 탐색 요청 서비스 작업을 호출하는 단계; 상기 기계학습 모델의 탐색 요청 서비스 작업에 대해, 상기 NRF 장치로부터 탐색 응답 서비스 작업을 호출하는 단계; 상기 탐색 응답 서비스 작어에 포함된 NWDAF 인스턴스를 선택하는 단계를 포함하고, 상기 탐색 요청 서비스 작업은, MTLF(Model Training logical function)를 수행하는 제2 NWDAF 장치가 제공한 기계학습 모델과 관련된 정보를 포함할 수 있다.
상기 NRF 장치는, 상기 제2 NWDAF 장치로부터 네트워크 기능의 등록 요청 서비스 작업을 호출하여 MTLF에 대한 NF 프로파일을 저장하고, 상기 등록 요청 서비스는, (i) Analytic ID의 리스트, (ii) 지원된 서비스(Supported service), (iii) 서빙 영역 및 (iv) S-NSSAI 중 적어도 하나를 포함할 수 있다.
상기 NRF 장치는, 상기 제2 NWDAF 장치로부터 네트워크 기능의 등록 요청 서비스 작업을 호출하여 MTLF에 대한 NF 프로파일을 저장하고, 상기 등록 요청 서비스 작업은, (i) Analytic ID의 리스트, (ii) 지원된 서비스(Supported service), (iii) 서빙 영역, (iv)S-NSSAI (Subscribed Network Slice Selection Assistance Information) 및 (v) 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information) 중 적어도 하나를 포함할 수 있다.
상기 NWDAF 인스턴스를 선택하는 단계는, (i) S-NSSAI, (ii) Analytic ID, (iii) 지원된 서비스(Supported service),(iv) NWDAF 서빙 영역 정보(Serving Area information), (v) NWDAF 지역 정보(location information), (vi) 데이터 소스의 NF 타입(NF type of a data source), (vii) 데이터 소스의 NF Set ID(NF Set ID of the data source), (viii) 지원된 분석 지연(Supported Analytics Delay), (ix) NWDAF 능력(Capabilities) 중 적어도 하나에 기초하여 NWDAF 인스턴스를 선택할 수 있다.
상기 제1 NWDAF 장치는, 연합 학습의 로컬 훈련(local training)을 수행하고, MTLF(Model Training logical function)를 지원하며, 상기 제2 NWDAF 장치는, 연합 학습의 글로벌 훈련(global training)을 수행하고, MTLF을 지원할 수 있다.
상기 등록 요청 서비스 작업은, (i) Analytic ID의 리스트, 지원된 서비스(Supported service) 및 서빙 영역 및 S-NSSAI, 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information), 기계학습 모델 훈련 능력 또는 기계학습 모델의 업데이트 능력 중 적어도 하나를 포함할 수 있다.
본 발명의 일실시예에 따른 제1 NWDAF 장치가 수행하는 기계학습 모델의 프로비저닝 방법은 MTLF를 수행하는 제2 NWDAF 장치에 기계학습 모델의 프로비저닝에 대한 구독 서비스 작업을 호출하는 단계; 상기 제2 NWDAF 장치로부터 상기 구독 서비스에 대한 통지 서비스 작업을 호출하는 단계를 포함할 수 있다.
상기 구독 서비스 작업은, (i) 분석 ID(Analytic ID), (ii) S-NSSAI(Subscribed Network Slice Selection Assistance Information), (iii) 관심 타겟 영역(Target Area of Interest), (iv) 어플리케이션 ID(Application ID), (v) 타겟 사용자 단말(Target UE), (v) 기계학습 모델 타겟 기간(ML Model target period) 및 (vi) 만료 시간(Expiry time) 중 적어도 하나를 포함할 수 있다.
상기 구독 서비스 작업은, (i) 분석 ID(Analytic ID), (ii) S-NSSAI(Subscribed Network Slice Selection Assistance Information), (iii) 관심 타겟 영역(Target Area of Interest), (iv) 어플리케이션 ID(Application ID), (v) 타겟 사용자 단말(Target UE), (v) 기계학습 모델 타겟 기간(ML Model target period), (vi) 만료 시간(Expiry time) 및 (vii) 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information) 중 적어도 하나를 포함할 수 있다.
상기 통지 서비스 작업은, (i) 기계학습 모델 파일, 또는 기계학습 모델 파일 주소를 포함하는 기계학습 모델 정보(ML Model Information), (ii) 유효성 기간(Validity period) 및 (iii) 공간 유효성(Spatial Validity) 중 적어도 하나를 포함할 수 있다.
상기 통지 서비스 작업은, (i) 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information), (ii) 유효성 기간(Validity period) 및 (iii) 공간 유효성(Spatial Validity) 중 적어도 하나를 포함할 수 있다.
상기 기계학습 모델의 프로비저닝에 대한 구독 서비스 작업을 호출하는 단계는, 제1 기계학습 모델의 프로비저닝에 대한 구독이 완료된 이후에, 제2 기계학습 모델의 프로비저닝에 대한 구독 서비스 작업을 호출하고, 상기 구독 서비스 작업은, 상기 제1 기계학습 모델에 대한 구독 ID와 동일한 구독 ID를 포함할 수 있다.
상기 구독 서비스 작업은, (i) 분석 ID(Analytic ID), (ii) S-NSSAI(Subscribed Network Slice Selection Assistance Information), (iii) 관심 타겟 영역(Target Area of Interest), (iv) 어플리케이션 ID(Application ID), (v) 타겟 사용자 단말(Target UE), (v) 기계학습 모델 타겟 기간(ML Model target period), (vi) 만료 시간(Expiry time), (vii) 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information) 및 (viii) 대체 기계학습 모델 플래그(alternative ML model flag) 중 적어도 하나를 포함할 수 있다.
상기 제1 NWDAF 장치는, 연합 학습의 로컬 훈련(local training)을 수행하고, MTLF(Model Training logical function)를 지원하며, 상기 제2 NWDAF 장치는, 연합 학습의 글로벌 훈련(global training)을 수행하고, MTLF을 지원할 수 있다.
상기 통지 서비스 작업은, (i) 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information), (ii) 유효성 기간(Validity period) 및 (iii) 공간 유효성(Spatial Validity) 적어도 하나를 포함할 수 있다.
상기 제1 NWDAF 장치는, 기계학습 모델에 대해 연합 학습의 로컬 훈련을 수행하고, 상기 제2 NWDAF 장치는, 기계학습 모델에 대해 연합 학습의 글로벌 훈련을 수행하고, 로컬적으로 기계학습 모델을 훈련하는 단계; 상기 제2 NWDAF 장치로 기계학습 모델의 업데이트 통지 서비스 작업을 호출하는 단계; 및 상기 기계학습 모델을 글로벌적으로 업데이트를 수행한 제2 NWDAF 장치로부터 기계학습 모델의 프로비저닝에 대한 통지 서비스 작업을 호출하는 단계를 더 포함할 수 있다.
상기 제1 NWDAF 장치는, 기계학습 모델에 대해 연합 학습의 로컬 훈련을 수행하고, 상기 제2 NWDAF 장치는, 기계학습 모델에 대해 연합 학습의 글로벌 훈련을 수행하고, 상기 기계학습 모델에 대해 로컬적으로 훈련하는 단계; 글로벌적으로 기계학습 모델을 업데이트하는 제2 NWDAF 장치에 기계학습 모델의 업데이트 통지 서비스 작업을 호출하는 단계를 더 포함할 수 있다.
본 발명의 일실시예에 따른 제1 NWDAF 장치가 수행하는 기계학습 모델의 정보 요청 방법은 상기 제1 NWDAF 장치가 MTLF를 수행하는 제2 NWDAF 장치에 기계학습 모델의 모델 정보에 대한 요청 서비스 작업을 호출하는 단계; 상기 제2 NWDAF 장치로부터 상기 요청 서비스 작업에 대한 응답 서비스 작업을 호출하는 단계를 포함할 수 있다.
상기 요청 서비스 작업은, (i) 분석 ID(Analytic ID), (ii) S-NSSAI(Subscribed Network Slice Selection Assistance Information), (iii) 관심 타겟 영역(Target Area of Interest), (iv) 어플리케이션 ID(Application ID), (v) 타겟 사용자 단말(Target UE), (v) 기계학습 모델 타겟 기간(ML Model target period) 및 (vi) 만료 시간(Expiry time) 중 적어도 하나를 포함할 수 있다.
상기 요청 서비스 작업은, (i) 분석 ID(Analytic ID), (ii) S-NSSAI(Subscribed Network Slice Selection Assistance Information), (iii) 관심 타겟 영역(Target Area of Interest), (iv) 어플리케이션 ID(Application ID), (v) 타겟 사용자 단말(Target UE), (v) 기계학습 모델 타겟 기간(ML Model target period), (vi) 만료 시간(Expiry time) 및 (vii) 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information) 중 적어도 하나를 포함할 수 있다.
상기 응답 서비스 작업은, (i) 기계학습 모델 파일, 또는 기계학습 모델 파일 주소를 포함하는 기계학습 모델 정보(ML Model Information), (ii) 유효성 기간(Validity period) 및 (iii) 공간 유효성(Spatial Validity) 중 적어도 하나를 포함할 수 있다.
상기 응답 서비스 작업은, (i) 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information), (ii) 유효성 기간(Validity period) 및 (iii) 공간 유효성(Spatial Validity) 중 적어도 하나를 포함할 수 있다.
상기 제1 NWDAF 장치는, 연합 학습의 로컬 훈련(local training)을 수행하고, MTLF(Model Training logical function)를 지원하며, 상기 제2 NWDAF 장치는, 연합 학습의 글로벌 훈련(global training)을 수행하고, MTLF을 지원할 수 있다.
상기 응답 서비스 작업은, (i) 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information), (ii) 유효성 기간(Validity period) 및 (iii) 공간 유효성(Spatial Validity) 중 적어도 하나를 포함할 수 있다.
본 발명의 일실시예에 따른 기계학습 모델의 업데이트 방법은 제1 NWDAF 장치를 선택한 제2 NWDAF 장치로부터 기계학습 모델의 훈련 구독 서비스 작업의에 대한 호출을 수신하는 단계; 상기 기계학습 모델에 대해 로컬적으로 훈련하는 단계; 및 상기 기계학습 모델을 글로벌적으로 업데이트하는 제2 NWDAF 장치에 기계학습 모델의 훈련 통지 서비스 작업을 호출하는 단계를 포함할 수 있다.
상기 제1 NWDAF 장치는, 기계학습 모델에 대해 연합 학습의 로컬 훈련을 수행하고, 상기 제2 NWDAF 장치는, 기계학습 모델에 대해 연합 학습의 글로벌 훈련을 수행할 수 있다.
기계학습 모델의 업데이트 방법은 제1 NWDAF 장치를 선택한 제2 NWDAF 장치로부터 기계학습 모델의 훈련 요청 서비스 작업의 호출을 수신하는 단계; 상기 기계학습 모델에 대해 로컬적으로 훈련하는 단계; 상기 기계학습 모델을 글로벌적으로 업데이트하는 제2 NWDAF 장치에 기계학습 모델의 훈련 응답 서비스 작업을 호출하는 단계를 포함할 수 있다.
상기 제1 NWDAF 장치는, 기계학습 모델에 대해 연합 학습의 로컬 훈련을 수행하고, 상기 제2 NWDAF 장치는, 기계학습 모델에 대해 연합 학습의 글로벌 훈련을 수행할수 있다.
본 발명의 일실시예에 따른 네트워크 데이터 분석 기능 장치(NWDAF)를 위한 기계학습 모델의 프로비저닝 방법을 통해 기계학습 모델을 효율적으로 활용할 수 있다.
본 발명의 일실시예에 따르면, 네트워크 데이터 분석 기능 장치(NWDAF)를 위한 기계학습 모델의 업데이트 방법을 통해 기계학습 모델이 제공하는 네트워크 데이터의 분석 결과의 정확성을 향상시킬 수 있다.
본 발명의 일실시예에 따르면, 네트워크 데이터 분석 기능 장치(NWDAF)를 위한 기계학습 모델의 공유 방법을 통해 다양한 버전의 기계학습 모델을 효율적으로 이용할 수 있다.
도 1은 본 발명의 일실시예에 따른 네트워크 데이터 분석 과정을 설명하기 위한 도면이다.
도 2는 본 발명의 일실시예에 따른 네트워크 데이터 분석 기능 장치의 동작을 설명하기 위한 도면이다.
도 3은 본 발명의 일실시예에 따른 네트워크 데이터 분석 기능 장치의 구조를 설명하기 위한 도면이다.
도 4는 본 발명의 일실시예에 따른 기계학습 모델의 탐색 과정을 도시한 플로우차트이다.
도 5는 본 발명의 일실시예에 따른 기계학습 모델 프로비저닝 과정을 도시한 플로우차트이다.
도 6은 본 발명의 일실시예에 따른 기계학습 모델 요청 과정을 도시한 플로우차트이다.
도 7은 본 발명의 일실시예에 따른 기계학습 모델의 협상 과정을 구체적으로 도시한 플로우차트이다.
도 8은 본 발명의 일실시예에 따른 연합 학습을 고려한 기계학습 모델의 탐색 과정 1을 구체적으로 도시한 플로우차트이다.
도 9는 본 발명의 일실시예에 따른 연합 학습을 고려한 기계학습 모델의 탐색 과정 2을 구체적으로 도시한 플로우차트이다.
도 10은 본 발명의 일실시예에 따른 연합 학습을 고려한 기계학습 모델 프로비저닝 방법을 도시한 플로우차트이다.
도 11은 본 발명의 일실시예에 따른 연합 학습을 고려한 기계학습 모델의 요청 과정을 도시한 플로우차트이다.
도 12는 본 발명의 일실시예에 따른 연합 학습을 고려한 기계학습 모델의 프로비저닝 방법 이후 기계학습 모델의 업데이트 과정을 도시한 플로우차트이다.
도 13은 본 발명의 일실시예에 따른 연합 학습을 고려한 기계학습 모델 요청 과정 이후 기계학습 모델의 업데이트 과정을 도시한 플로우차트이다.
도 14는 본 발명의 일실시예에 따른 연합 학습을 고려한 기계학습 모델의 업데이트 구독 과정을 도시한 플로우차트이다.
도 15는 본 발명의 일실시예에 따른 연합 학습을 고려한 기계학습 모델의 훈련 요청 과정을 도시한 플로우차트이다.
도 16 및 도 17은 본 발명의 일실시예에 따른 기계학습 모델의 처리 과정을 도시한 도면이다.
도 18은 본 발명의 일실시예에 따른 기계학습 모델의 평가 및 업데이트 과정을 도시한 도면이다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
아래 설명하는 실시예들에는 다양한 변경이 가해질 수 있다. 아래 설명하는 실시예들은 실시 형태에 대해 한정하려는 것이 아니며, 이들에 대한 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1 또는 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 이해되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
실시예에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 실시예를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수 개의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일실시예에 따른 네트워크 데이터 분석 과정을 설명하기 위한 도면이다.
<데이터 분석을 위한 참조 아키텍처>
NWDAF(네트워크 데이터 분석 기능) 장치(101)는 5GC(5G Core Network)에 대해 지정된 메커니즘 및 인터페이스를 사용한다.
NWDAF 장치(101)는 서로 다른 목적을 위해 서로 다른 엔티티와 상호 작용할 수 있다.
AMF (Access and Mobility Management Function), SMF(Session Management Function), PCF(Policy Control Function), UDM(Unified Data Management), AF(직접 또는 NEF를 통해) 및 OAM에서 제공하는 이벤트 구독을 기반으로 한 데이터 수집
DCCF(Data Collection Coordination Function)(데이터 수집 조정 기능)를 사용한 분석 및 데이터 수집
데이터 저장소에서 정보 검색(예: 구독이자 관련 정보의 경우 UDM을 통한 UDR)
ADRF(Analytics Data Repository Function)에서 정보 저장 및 검색
MFAF(Messaging Framework Adapter Function)에서 분석 및 데이터 수집
NF(Network Function)에 대한 정보 검색(예: NF 관련 정보의 경우 NRF에서)
소비자에 대한 분석의 주문형 제공.
소비자에게 대량 데이터 제공.
NWDAF 장치(101)의 단일 인스턴스 또는 여러 인스턴스가 PLMN에 배포될 수 있다. 여러 NWDAF 인스턴스가 배포되는 경우, 아키텍처는 NWDAF 장치(101)를 중앙 NF 장치(102), 분산 NF 모음 또는 이 둘의 조합으로 배포하는 것을 지원할 수 있다. 여러 NWDAF 인스턴스가 배포된 경우, NWDAF 장치(101)는 집계 포인트(aggregation point)(즉, 분석의 집계 또는 훈련되지 않은 초기 모델의 기계학습 모델 또는 훈련된 모델의 집계를 수행하는 NWDAF 장치) 역할을 할 수 있다. 또한, NWDAF 장치(101)는 다른 서비스 영역을 가질 수 있는 또 다른 NWDAF 장치에서 분석 정보를 수집하여 집계 분석(분석(Analytics) ID당)을 생성하거나, 또는 NWDAF 장치 각각에 기계학습 모델을 훈련시켜 연합학습 또는 집계 훈련(분석 ID당)을 수행할 수 있다.
NWDAF 장치(101)가 여러 개 있는 경우, NWDAF 장치(101)들은 서로 동일한 유형의 분석 결과를 제공할 필요는 없다. 즉, 일부의 NWDAF 장치(101)는 특정 유형의 분석을 제공하는 데 전문화될 수 있다. Analytic ID는 NWDAF 장치(101)가 생성할 수 있는 지원되는 분석 유형을 식별하는 데 사용될 수 있다.
NWDAF 장치(101)의 인스턴스는 5GC NF(Network Function)와 함께 배치될 수 있다.
NWDAF 장치(101)는 5GC NF 및 OAM에 대한 분석을 제공할 수 있다. NWDAF 장치(101)는 다음과 같이 분해될 수 있다.
(i) 분석 논리 기능(AnLF: Analytics logical function):
AnLF를 수행하는 NWDAF 장치(101)는 추론을 수행하고 분석 정보를 도출(즉, 분석 소비자 요청에 따라 통계 및/또는 예측을 도출)할 수 있다. 그리고, AnLF를 수행하는 NWDAF 장치(101)는 네트워크 데이터에 대한 분석 서비스(예: Nnwdaf_AnalyticsSubscription 또는 Nnwdaf_AnalyticsInfo)를 노출할 수 있다.
(ii) 모델 훈련 논리 기능(MTLF: Model Training logical function)
MTLF를 수행하는 NWDAF 장치(101)는 기계 학습(ML: Machine Learning) 모델을 훈련하고, 새로운 훈련 서비스 (예: 훈련되지 않은 초기버전 또는 훈련된 모델의 제공)를 노출할 수 있다.
NWDAF 장치(101)는 모델 훈련 논리 기능(MTLF), 분석 논리 기능(AnLF) 각각을 포함하거나 또는 두 가지 기능 모두를 지원할 수 있다. 본 발명에서, MTLF나 AnLF로 표시되지 않은 NWDAF 장치(101)는 MTLF, AnLF 모두 수행할 수 있다.
AnLF를 수행하는 NWDAF 장치(101)는 훈련된 기계학습 모델을 검색하기 위해 MTLF를 수행하는 NWDAF 장치의 ID 및 분석 ID가 설정될 수 있다. AnLF를 수행하는 NWDAF 장치(101)는 MTLF ID를 이용하여 MTLF를 수행하는 NWDAF 장치를 검색할 수 있다.
그리고, MTLF를 수행하는 NWDAF 장치(101)가 연합학습을 위해 MTLF를 지원하는 NWDAF 장치를 탐색하여 선택할 수 있다. 이 경우, NWDAF 장치(101)는 연합 학습에서 로컬 훈련과 글로벌 훈련을 수행할 수 있다.
네트워크 데이터에 대한 분석 정보는 과거 이벤트에 대한 통계 정보이거나 예측 정보일 수 있다. 다양한 NWDAF 장치의 인스턴스가 5GC에 존재할 수 있으며, 분석 유형별로 전문화될 수 있다. NWDAF 장치의 인스턴스는 NRF(Network Repository Function) 장치에 저장된 NWDAF 장치의 프로필에 설명되어 있다.
분석 출력의 정확성을 보장하기 위해, NWDAF 장치(101)는 비정상적인 UE 목록 및 관찰된 시간 윈도우(observered time window)를 포함하는 UE(User Equipment)의 비정상적인 행동 분석(abnormal behaviour analytics)에 기초하여 비정상적인 UE(들)로부터 입력 데이터를 감지하고 삭제할 수 있다. 그리고, NWDAF 장치(101)는 관찰된 시간 윈도우 동안 비정상적인 UE 목록과 관련된 입력 데이터 없이 새로운 모델을 생성하거나 및/또는 네트워크 데이터에 대한 분석 결과를 생성한 후, 새로운 모델이나 네트워크 데이터를 구독된 NWDAF 장치(101)에게 전송하거나 또는 업데이트할 수 있다.
노이즈 데이터로 인해 이전 분석의 정확도 감소에 대해 NWDAF 장치(101)는 가 소비자인 NF 장치(102)에게 알릴 수 있다.
NF 장치(102)가 필요한 분석 유형에 필요한 서비스 작업(예: 분석 노출 작업 또는 기계학습 모델 프로비저닝 작업 또는 기계학습 모델 훈련 작업)를 제공할 수 있는 MTLF, AnLF 중 어느 하나를 포함하거나 또는 MTLF 및 AnLF를 모두 포함하는 NWDAF 장치(101)의 인스턴스를 검색하고 선택하도록 지원하기 위해 각 NWDAF 장치(101)의 인스턴스는 다음 정보를 제공할 수 있다.
-NF 프로필의 다른 NRF 등록 요소와 함께 NRF에 등록할 때 지원되는 Analytic ID 목록(지원되는 서비스별로 가능).
특정 유형의 분석에 대한 일부 특정 서비스 작업에 대한 지원을 제공하는 NWDAF 인스턴스 검색이 필요한 NF 장치(102)는 필요한 서비스 작업 및 필수 분석 ID를 지원하는 NWDAF 장치(101)에 대해 NRF를 쿼리할 수 있다.
MTLF를 수행하는 NWDAF 장치(101)는 Analytic ID에 대해 기계학습 모델 제공 및 훈련이 가능할 때, 기계학습 모델 프로비저닝 서비스 및 훈련 서비스 (즉, Nnwdaf_MLModelProvision, Nnwdaf_MLModelInfo, Nnwdaf_MLModelUpdate, Nnwdaf_MLModelTraining, Nnwdaf_MLModelTrainingInfo)를 등록할 수 있다.
소비자인 5GC NF 및 OAM은 NWDAF 장치(101)에서 제공하는 데이터 분석을 사용하는 방법을 결정할 수 있다.
5GC NF(s)와 NWDAF 장치(101)는 간의 상호 작용은 PLMN 내에서 발생할 수 있다.
NWDAF 장치(101)는 NF 애플리케이션 로직에 대한 지식이 없다. NWDAF는 구독 데이터를 사용할 수 있지만 통계 목적으로만 사용할 수 있다. NWDAF 아키텍처를 사용하면 유연한 수의 레이어/분기를 사용하여 계층/트리에 여러 NWDAF 인스턴스를 정렬할 수 있다. 계층 구조 계층의 수와 구성은 물론 각 NWDAF 인스턴스의 기능은 변경될 수 있다.
계층적 배치에서 NWDAF 장치(101)는 DCCF, MFAF가 네트워크에 없을 때 다른 NWDAF에서 수집한 데이터를 기반으로 분석을 생성하기 위한 데이터 수집 노출 기능을 제공할 수 있다.
일부 네트워크 배포에서 NWDAF 장치(101)는 검색 가능하게 만들기 위해(예: UE 이동성 분석을 위해) NWDAF 장치(101)는 서비스 작업 중인 UE 및 관련 분석 ID에 대해 UDM(Nudm_UECM_Registration 서비스 작업)에 등록하도록 구성할 수 있다.).
NWDAF 장치(101)가 UE에 서비스를 제공하거나 UE에 대한 데이터 수집을 시작할 때 UDM에 등록할 수 있다. UDM의 등록 취소는 NWDAF 장치(101)가 관련 분석 ID에 대한 UE에 대한 분석 컨텍스트 정보를 삭제할 때 발생할 수 있다.
사용자 단말(UE)의 분석을 위한 데이터 수집 절차는 사용자 동의가 요구될 수 있다.
도 2는 본 발명의 일실시예에 따른 네트워크 데이터 분석 기능 장치의 동작을 설명하기 위한 도면이다.
5G 시스템 아키텍처를 사용하면 분석 논리 기능(AnLF)을 포함하는 NWDAF 장치(201)가 모델 훈련 논리 기능(MTLF)을 지원하는 다른 NWDAF 장치(202)에서 훈련되지 않은 초기 모델의 기계학습 모델 또는 훈련된 기계학습 모델에 대한 프로비저닝 서비스 작업 및 훈련 서비스 작업을 사용할 수 있다.
분석 논리 기능 및 모델 교육 논리 기능은 다음과 같이 정의될 수 있다.
(i) 분석 논리 기능(AnLF): 분석 논리 기능을 포함하는 NWDAF 장치(101)는 추론을 수행하고 분석 정보를 도출(즉, 분석 소비자 요청에 따라 통계 및/또는 예측을 도출)하고 분석 서비스(예: Nnwdaf_AnalyticsSubscription 또는 Nnwdaf_AnalyticsInfo)를 노출할 수 있다.
(ii) MTLF(모델 훈련 논리 기능): 모델 훈련 논리 기능을 포함하는 NWDAF 장치(101)는 기계 학습(ML) 모델을 훈련하고 새로운 훈련 서비스 (예: 훈련된 모델 제공 및 모델 훈련)를 노출할 수 있다.
본 발명에서 분석 논리 기능(AnLF)는 Nnwdaf_AnalyticsInfo (데이터 분석 정보) 또는 Nnwdaf_AnalyticsSubscription (분석 구독) 서비스를 지원할 수 있다. 그리고, 모델 훈련 논리 기능(MTLF)는 Nnwdaf_MLModelProvision(기계학습 모델 프로비저닝), Nnwdaf_MLModelInfo(기계학습 모델 정보 요청), Nnwdaf_MLModelUpdate(기계학습 모델 업데이트), Nnwdaf_MLModelTraining(기계학습 모델 훈련), Nnwdaf_MLModelTrainingInfo (기계학습 모델 훈련 정보)와 같은 서비스를 지원할 수 있다.
Nnwdaf 인터페이스는 NWDAF에서 훈련되지 않은 초기버전 또는 훈련된 기계학습 모델 프로비저닝 서비스를 요청하고 구독하는 데 사용될 수 있다. NWDAF의 기계학습 모델 프로비저닝 서비스를 도 5에서 설명될 수 있다. 또한, Nnwdaf 인터페이스는 MTLF를 지원하는 NWDAF 장치(101)는 모델 학습 및 협력 학습을 위해 기계학습 모델 훈련 서비스를 요청하고 구독하는 데 사용될 수 있다. NWDAF의 기계학습 모델 훈련 서비스는 도 11 부터 도 15까지 묘사된 동작에 의해 설명될 수 있다.
도 3은 본 발명의 일실시예에 따른 네트워크 데이터 분석 기능 장치의 구조를 설명하기 위한 도면이다.
도 3의 I을 참고하면, MTLF 기능을 수행하는 NWDAF 장치의 동작이 설명된다. NWDAF 장치는 Model provisioning server(Operator), Model Provisioning server (3rd Party) 또는 MTLF 기능을 수행하는 다른 NWDAF 장치로부터 초기 버전의 기계학습 모델을 수신할 수 있다. 그러면, NWDAF 장치는 초기 버전의 기계학습 모델을 훈련한 후, Nnwdaf_MLModelProvision 서비스(모델 프로비저닝 서비스)또는 Nnwdaf_MLModelInfo 서비스 (모델 정보 서비스)를 통해 훈련된 기계학습 모델을 AnLF 기능 또는 MTLF 기능을 수행하는 NWDAF 장치에 제공할 수 있다. 또한, 기계학습 모델의 업데이트를 위해, NWDAF 장치는 Nnwdaf_MLModelUpdate, Nnwdaf_MLModelTraining 또는 Nnwdaf_MLModelTrainingJnfo 서비스를 이용할 수 있다.
도 3의 II를 참고하면, AnLF 기능을 수행하는 NWDAF 장치의 동작이 수행된다. 도 3의 II에 설명되는 NWDAF 장치는 DCCF 장치, 데이터 소스(NF 장치 또는 ADRF 장치)로부터 데이터를 수집하고, MTLF 기능을 수행하는 NWDAF 장치로부터 기계학습 모델을 수신할 수 있다.
그러면, AnLF 기능을 수행하는 NWDAF 장치는 기계학습 모델을 이용하여 수집된 데이터를 분석할 수 있다. 데이터의 분석 결과는 통계 또는 예측의 방식으로 소비자 NF 장치에 제공될 수 있다.
도 4는 본 발명의 일실시예에 따른 기계학습 모델의 탐색 과정을 도시한 플로우차트이다.
< NWDAF 발견 및 선택>
NWDAF 장치(401)(서비스 소비자)는 NWDAF 검색 원칙을 사용하여 요청된 분석 정보 및 필요한 분석 기능 및/또는 요청된 기계학습 모델 정보를 지원하는 NWDAF 장치를 선택할 수 있다.
NWDAF 장치(401)는 다른 검색 및 선택 파라미터가 필요할 수 있다. 검색 및 선택 메커니즘을 수행하는 다양한 방법은 다양한 유형의 분석/데이터(NF 관련 분석/데이터 및 UE 관련 분석/데이터)에 따라 다를 수 있다. NF 관련 분석 또는 데이터는 SUPI 또는 SUPI 그룹이 필요하지 않은 분석/데이터를 나타낼 수 있다(예: NF 부하 분석). UE 관련 분석/데이터는 SUPI 또는 SUPI 그룹이 필요한 분석/데이터(예: UE 이동성 분석)를 나타낼 수 있다.
NRF를 사용하여 AnLF를 지원하는 NWDAF 장치 또는 MTLF를 지원하는 NWDAF 장치를 검색하기 위해, 다음과 같은 조건이 만족될 필요가 있다.
(i) 제공/훈련 받고자 하는 기계학습 모델이 NF(들)와 관련되어 있고 (ii) NWDAF 서비스 소비자(NWDAF 제외)가 요청된 데이터 분석에 대한 관심 영역을 제공할 수 없는 경우, NWDAF 장치(401)는 후보 NWDAF에서 서비스 영역이 큰 NWDAF를 선택할 수 있다. 발견의 응답에서. 대안적으로, NWDAF 장치(401)가 집계 능력(Aggregation capability) (예: 기계학습 모델 집계 능력) 또는 기계학습 모델 업데이트 능력을 가지는 NWDAF(들)를 수신하는 경우, NWDAF 장치(401)는 바람직하게는 큰 서빙 영역을 가지며 집계 능력(예: 기계학습 모델 집계 능력 또는 기계학습 모델 업데이트 능력) 또는 기계학습 모델 업데이트 능력을 가지는 NWDAF 장치를 선택할 수 있다.
NWDAF 장치(401)가 요청된 데이터 분석을 제공할 수 없는 경우(예: NF 장치가 NWDAF 장치의 서비스 영역을 벗어났기 때문에, 선택한 NWDAF 장치가 분석 요청/구독을 거부하는 경우), NWDAF 장치(401)는 다른 타겟 NWDAF 장치를 결정하기 위해 NF 장치의 서비스 영역으로 NRF 장치(402)에 쿼리할 수 있다.
(ii) 제공/훈련 받고자 하는 기계학습 모델이 UE(들)와 관련되고 NWDAF 서비스 소비자(NWDAF 제외)가 요청된 제공/훈련 받고자 하는 기계학습 모델에 대한 관심 영역을 제공할 수 없는 경우, NWDAF 장치(401)는 후보 NWDAF 장치(403)에서 서비스 영역이 큰 NWDAF 장치(403)를 선택할 수 있다. 발견 응답에서. 대안적으로, NWDAF 장치(401)가 집계 능력(예: 기계학습 모델 집계 능력, 기계학습 모델 업데이트 능력)을 가지는 NWDAF 장치(403)(들)을 수신하는 경우, NWDAF 장치(401)는 바람직하게는 큰 서빙 영역을 가지는 집계 능력(예: 기계학습 모델 집계 능력 또는 기계학습 모델 업데이트 능력)을 가지는 NWDAF 장치(403)를 선택한다.
NWDAF 장치(401)가 요청된 UE(들)에 대한 제공/훈련 받고자 하는 기계학습 모델을 제공할 수 없는 경우(예: NWDAF가 다른 서비스 영역을 제공함), NWDAF 장치(401)가 제공/훈련 받고자 하는 기계학습 모델의 제공에 대한 구독 또는 요청을 거부하거나 지정된 대로 UE를 서비스하는 AMF를 결정할 수 있다. AMF로부터 UE 위치 정보를 요청하고 UE(들)이 위치한 지역을 서비스하는 다른 타겟 NWDAF를 발견하기 위해 NWDAF 장치(401)는 UE가 위치한 트래킹 영역으로 NRF 장치(402)를 조회할 수 있다.
- NWDAF 장치(401)가 NF 세트 ID 또는 NF 유형으로 식별되는 특정 데이터 소스에서 데이터를 수집할 수 있는 NWDAF 장치(403)를 검색해야 하는 경우, NWDAF 장치(401)가 검색 요청에서 NF 세트 ID 또는 NF 유형을 제공하는 NRF 장치(402)에 쿼리할 수 있다.
특정 UE를 서비스하는 데이터 소스의 NF 세트 ID 또는 NF 유형은 결정될 수 있다.
주어진 UE에 대해 UDM에 등록된 NWDAF를 검색하기 위해서, UE 관련 데이터 또는 분석에 관심이 있는 NWDAF 장치(401) 또는 기타 NWDAF는 UDM 장치에 쿼리를 만들어 이미 UE에 서비스를 제공하고 있는 NWDAF 장치(403)의 인스턴스를 검색할 수 있다.
PCF는 시그널링을 통해 특정 UE에 대해 AMF, SMF 및 UPF에 의해 사용되는 NWDAF 장치(403)를 알 수 있다. 이를 통해 PCF는 특정 UE에 대해 이미 사용 중인 동일한 NWDAF 장치(403)의 인스턴스를 선택할 수 있다.
NWDAF 장치(401)가 데이터 수집 노출 기능이 있는 NWDAF 장치(403)를 검색해야 하는 경우 NWDAF 장치(401)는 Nnwdaf_DataManagement 서비스 및 관련 NF 유형의 데이터 소스 또는 관련 NF 세트 데이터 소스의 ID를 제공하는 NWDAF 장치(403)를 NRF 장치(402)를 통해 검색할 수 있다.
MTLF를 지원하는 NWDAF 장치(403)를 검색하기 위해, MTLF를 지원하는 NWDAF 장치(401)는 NRF 장치(402)에 대한 등록 요청에 분석 ID당 제공 및 훈련 가능한 기계학습 모델에 대해 분석 필터 정보를 포함할 수 있다.
MTLF를 지원하는 NWDAF 장치(403)의 발견 동안 NRF 장치(402)는 하나 이상의 후보 NWDAF 장치(403)의 인스턴스를 NF 소비자에게 반환할 수 있으며 각 후보 NWDAF 장치(403)의 인스턴스에는 분석 ID별로 훈련된 기계학습 모델에 대한 분석 필터 정보를 포함할 수 있다.
< NWDAF 발견 및 선택>
MTLF를 지원하는 NWDAF 장치(403)의 여러 인스턴스가 네트워크에 배포될 수 있다. NF 소비자는 NWDAF 정보가 다른 수단(예: NF 소비자)에 로컬로 구성될 수 있다.
NF 소비자는 UDM 장치에 추가 쿼리를 만들 수 있다. NF 소비자의 MTLF를 지원하는 NWDAF 장치(403)의 선택 기능은 사용 가능한 MTLF를 지원하는 NWDAF 장치(403)의 인스턴스를 기반으로 NWDAF 인스턴스를 선택할 수 있다.
NRF 장치(402)는 하나 이상의 후보 MTLF를 지원하는 NWDAF 장치(403)의 인스턴스를 반환할 수 있으며, 각 후보 NWDAF 장치(403)의 인스턴스(등록된 프로필 기반)는 지원되는 분석 지연보다 작거나 같은 시간으로 분석 ID를 지원할 수 있다.
NWDAF 선택을 위해 NF 소비자는 아래의 항목 중 적어도 하나 이상을 고려한다.
- S-NSSAI.
- 분석 ID.
- 분석 ID별로 지원 가능한 서비스. (예, 기계학습 모델 제공/ 훈련 서비스)
- NWDAF 서비스 지역 정보, 즉 NWDAF가 분석, 기계학습 모델 제공, 기계학습 모델 훈련 및/또는 데이터를 제공할 수 있는 TAI 목록.
- NWDAF 위치 정보, 분석 구독 이전 대상을 결정하기 위한 선택인 경우
- DCCF가 NWDAF에서 호스팅되는 경우
- 데이터 소스의 NF 유형
- NF 데이터 소스의 ID를 설정한다.
NWDAF 장치(401)가 필요한 데이터 수집을 조정할 책임이 있는 다른 NWDAF 장치(403)(MTLF 지원)를 검색해야 한다고 결정할 때 사용할 수 있다. NWDAF 장치(401)는 데이터 소스의 NF 세트 ID를 사용하여 NRF 장치(402)를 통해 타겟되는 NWDAF 장치(403)에 대한 새로운 검색을 수행할 수 있다.
Nnwdaf_DataManagement 서비스를 지원하는 NWDAF 검색을 위해 NWDAF 장치(403)의 프로필의 NWDAF 서비스 영역 정보가 사용될 수 있다.
데이터 소스의 NF 유형 또는 데이터 소스의 NF 세트 ID의 존재는 NWDAF가 그러한 NF 세트 또는 NF 유형에서 데이터를 수집할 수 있음을 나타낸다
- 요청된 Analytic ID의 지원되는 Analytics 지연.
NWDAF 배포 인스턴스가 여러 개인 경우 다음 요소도 고려할 수 있다.
- NWDAF 기능:
-분석 집계 기능.
-분석 메타데이터 프로비저닝 기능.
NF 소비자가 NRF 발견 응답을 기반으로 적절한 NWDAF 장치(403)의 인스턴스를 결정할 수 없을 때 적용 가능하며 UDM에 NWDAF 등록이 지원되는 경우 NF 소비자는 UDM(Nudm_UECM_Get 서비스 작업)을 쿼리하여 UE에 서비스 를 제공하는 NWDAF의 ID이다. NF 소비자는 이미 분석 ID에 대해 UE에 서비스 를 제공하는 NWDAF 인스턴스를 선택하기 위해 다음 요소를 고려할 수 있다.
- SUPI.
- 분석 ID.
기계학습 모델 프로비저닝 및 모델 훈련을 위해 MTLF를 지원하는 NWDAF 장치(103)를 선택할 때 NWDAF 장치(401)는 다음과 같은 추가 요소를 고려할 수 있다.
- 분석 ID별로 훈련된 기계학습 모델에 대한 분석 필터.
- 기계학습 모델 집계 능력 (ML model aggregation capability)
도 5는 본 발명의 일실시예에 따른 기계학습 모델 프로비저닝 과정을 도시한 플로우차트이다.
<기계학습 모델의 프로비저닝 절차>
도 5는 기계학습 모델의 프로비저닝 절차가 설명된다.
AnLF 또는 MTLF를 수행하는 NWDAF 장치(501)는 기계학습 모델을 검색하기 위해 MTLF를 수행하는 NWDAF 장치(502)와 관련된 NWDAF 장치의 ID(들) 및 분석 ID(들)에 대한 구성 정보를 포함할 수 있다. 즉, MTLF를 수행하는 NWDAF 장치(102)는 분석 ID(들)에 대해 NWDAF 장치 ID에 대응하는 기계학습 모델을 AnLF 또는 MTLF를 수행하는 NWDAF 장치(501)에 제공할 수 있다.
AnLF 또는 MTLF를 수행하는 NWDAF 장치(501)는 MTLF ID를 포함하는 NWDAF 장치(502)의 세트를 MTLF를 수행하는 NWDAF 장치(502)에 대한 검색을 위해 사용할 수 있다.
<기계학습 모델 구독(subscribe)/구독 취소(unsubscribe)>
도 5의 경우, 서비스 소비자인 AnLF를 수행하는 NWDAF 장치(501)는 MTLF를 수행하는 NWDAF 장치(502)에 구독 또는 구독 취소할 수 있다. 이 때, 구독 또는 구독 취소하는 것은 AnLF를 수행하는 NWDAF 장치(501)가 도출하는 분석과 관련된 기계학습 모델이며, 기계학습 모델의 프로비저닝 서비스(Nnwdaf_MLModelProvision)를 이용하여 MTLF를 수행하는 NWDAF 장치(501)로부터 통지를 수신할 수 있다.
통지를 통해 수신한 기계학습 모델 정보는 AnLF를 수행하는 NWDAF 장치(501)에서 분석을 출력하기 위해 사용될 수 있다. 기계학습 모델에 대한 프로비저닝 서비스는 NWDAF 장치(501)에서 기존 기계학습 모델 구독을 수정하는 데 사용될 수 있다. NWDAF 장치(501)는 동시에 다른 NWDAF(들)이 제공하는 서비스의 소비자이자 다른 NWDAF 장치(502)(들)에 대해 서비스의 제공자가 될 수 있다.
단계 1에서, 서비스 소비자인 NWDAF 장치(501)는 기계학습 모델의 프로비저닝에 대한 구독 서비스 작업(Nnwdaf_MLModelProvision_Subscribe) 또는 기계학습 모델의 프로비저닝에 대한 구독 취소 서비스 작업 (Nnwdaf_MLModelProvision_Unsubscribe)을 호출하여 분석 ID(Analytic ID)와 연결된 MTLF를 지원하는 NWDAF 장치(502)에서 훈련된 기계학습 모델을 구독, 수정 또는 취소할 수 있다. NWDAF 장치(501)가 사용하는 파라미터는 (i) 분석 ID(Analytic ID), (ii) S-NSSAI, (iii) 관심 타겟 영역(Target Area of Interest), (iv) 어플리케이션 ID(Application ID), (v) 타겟 사용자 단말(Target UE), (vi) 기계학습 모델 타겟 기간(ML Model target period), (vii) 만료 시간(Expiry time) 및 (viii)기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information) 중 적어도 하나를 포함할 수 있다.
Analytic ID와 연결된 훈련된 기계학습 모델에 대한 구독이 수신되면, MTLF가 포함된 NWDAF 장치(502)는 다음 과정을 수행할 수 있다.
NWDAF 장치(502)는 (i) 기존의 기계학습 모델을 구독에 사용할 수 있는지 여부를 결정하거나 또는 (ii) 구독에 대해 기존의 기계학습 모델에 대한 추가 훈련을 트리거해야 하는지 여부를 결정할 수 있다.
MTLF를 수행하는 NWDAF 장치(502)는 이미 구독되고 있는 기계학습 모델에 대한 추가 훈련이 필요하다고 결정할 수 있다. MTLF를 수행하는 NWDAF 장치(502)가 이미 구독되고 있는 기계학습 모델에 대한 추가 훈련이 필요하다고 결정하면, NWDAF 장치(502)는 기계학습 모델의 훈련에 필요한 데이터를 NF 장치, DCCF 장치 또는 OAM 장치에서 수집할 수 있다.
NWDAF 장치(501)의 서비스 작업의 호출이 구독 수정 또는 구독 취소인 경우, NWDAF 장치(501)는 기계학습 모델의 프로비저닝에 대한 구독 서비스 작업(Nnwdaf_MLModelProvision_Subscribe)의 호출에서 수정할 식별자(구독 상관 ID)를 포함할 수 있다.
단계 2에서, NWDAF 장치(501)가 Analytic ID(들)와 연결된 훈련된 기계학습 모델(들)을 구독하는 경우, MTLF를 수행하는 NWDAF 장치(502)는 기계학습 모델 프로비저닝에 대한 통지 서비스 작업(Nnwdaf_MLModelProvision_Notify)을 호출하여 훈련된 기계학습 모델 정보(예: 훈련된 기계학습 모델의 파일 *?*주소)를 NWDAF 장치(501)에 전달할 수 있다.
MTLF를 수행하는 NWDAF 장치(502)는 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information), 유효성 기간(Validity period) 및 공간 유효성(Spatial Validity) 중 적어도 하나를 포함할 수 있다.
MTLF를 수행하는 NWDAF 장치(502)는 Nnwdaf_MLModelProvision_Notify 서비스 작업을 호출하여 MTLF를 수행하는 NWDAF 장치(502)가 이전에 제공된 훈련된 기계학습 모델에 재훈련이 필요하다고 결정할 때 사용 가능한 재훈련된 기계학습 모델에 알릴 수 있다.
단계 1의 과정이 구독 수정(즉, 구독 상관 ID 포함)을 위한 것인 경우 MTLF를 수행하는 NWDAF 장치(502)는 기계학습 모델의 프로비저닝에 대한 통지 서비스 작업(Nnwdaf_MLModelProvision_Notify)을 호출하여 이전에 제공된 것과 다른 새로운 학습된 기계학습 모델을 제공하거나 재학습된 기계학습 모델을 제공할 수 있다.
<기계학습 모델 프로비저닝의 내용>
도 5에서 설명된 기계학습 모델 프로비저닝 서비스 소비자 (즉, NWDAF장치(501))는 아래 나열된 입력 파라미터를 제공할 수 있다.
- 기계학습 모델을 사용할 분석 정보:
- Analytic ID 목록: 기계학습 모델이 사용되는 분석을 식별하기 위해 사용된다.
-분석 필터 정보: 기계학습 모델을 통해 분석하고자 하는 슬라이스 및 지역 등의 대상 (예: S-NSSAI, 관심 분야, 등) 을 식벽하기 위해 사용된다.
-분석 보고 대상: 기계학습 모델을 통해 분석하고자 하는 개체, 특정 UE와 같은 엔터티, UE(들) 그룹 또는 모든 UE(즉, 모든 UE)를 나타낸다.
-ML Model 대상 기간: Analytics용 기계학습 모델이 요청되는 시간 간격[시작, 종료]을 나타낸다. 시간 간격은 실제 시작 시간과 실제 종료 시간으로 표현된다(예: UTC 시간을 통해).
- 통지 대상 주소(+ 통지 상관 ID): 기계학습 모델 제공자 NWDAF로부터 수신된 통지를 이 구독과 연관시킬 수 있다.
기계학습 모델 공급자 NWDAF(즉, NWDAF의 MTLF) 장치(502)는 기계학습 모델 프로비저닝 서비스 작업의 서비스 소비자인 NWDAF 장치(501)에 아래 나열된 출력 정보를 제공한다.
- (Nnwdaf_MLModelProvision_Notify에만 해당) 통지 상관 정보
- Analytic ID에 대한 기계학습 모델 파일 주소(예: URL 또는 FQDN) 또는 기계학습 모델이 저장된 ADRF ID를 포함하는 기계학습 모델 정보.
- 유효 기간: 제공된 기계학습 모델을 적용할 수 있는 기간을 나타낸다.
- 공간 유효성: 제공된 기계학습 모델을 적용할 수 있는 영역을 나타낸다.
공간 유효성 및 유효 기간은 NWDAF 장치(502)의 MTLF 내부 논리에 의해 결정되며, 동작 1에서 NWDAF 장치(501)가 분석 필터 정보에 관심 공간(Area of Interest)을 제공하거나, 기계학습 모델 대상 기간을 제공하는 경우, NWDAF 장치(502)가 제공하는 공간 유효성 분석 필터 정보에 관심 공간 영역의 일부 또는 전체를 포함하고, 유효기간은 기계학습 모델 대상 기간의 일부 또는 전체를 포함할 수 있다.
<Nnwdaf_MLModelProvision 서비스-기계학습 모델의 프로비저닝 서비스>
서비스 설명: 이 서비스를 사용하면 구독 파라미터와 일치하는 기계학습 모델을 사용할 수 있게 되면 소비자가 통지를 받을 수 있다.
NWDAF에 의해 구독이 수락되면 소비자 NF 장치는 이 구독을 추가로 관리(수정, 삭제)할 수 있도록 하는 식별자(구독 상관 ID)를 NWDAF로부터 수신한다. 기계학습 모델 구독의 수정은 운영자 정책 및 구성을 기반으로 NWDAF에 의해 시행될 수 있다.
(1) Nnwdaf_MLModelProvision_Subscribe 서비스 작업(기계학습 모델의 프로비저닝에 대한 구독 서비스 작업)의 동작
서비스 작업 이름: Nnwdaf_MLModelProvision_Subscribe.
설명: 특정 파라미터를 사용하여 NWDAF 기계학습 모델 프로비저닝을 구독할 수 있다.
필수 입력: 통지 대상 주소(+ 통지 상관 ID)에 정의된 분석 ID(들).
Inputs, Optional: 구독 상관 ID(기계학습 모델 구독 수정 시), Analytics 정보 보고를 위해 충족해야 하는 조건을 나타내는 Analytics Filter 정보, ML이 적용되는 개체를 나타내는 Analytics Reporting Target 분석을 위한 모델은 특정 UE, UE(들) 그룹 또는 임의의 UE(즉, 모든 UE)와 같은 엔티티가 요청될 수 있다.
필수 출력: 구독이 수락된 경우: 구독 상관 ID(이 구독 관리에 필요).
출력, 선택 사항: 없음.
(2) Nnwdaf_MLModelProvision_Unsubscribe 서비스 작업(기계학습 모델의 프로비저닝에 대한 구독 취소 서비스 작업)의 동작
서비스 작업 이름: Nnwdaf_MLModelProvision_Unsubscribe.
설명: NWDAF 기계학습 모델 제공 구독을 취소할 수 있다.
입력, 필수: 구독 상관 관계 ID.
입력, 선택 사항: 없음.
출력, 필수: 작업 실행 결과 표시.
출력, 선택 사항: 없음.
(3) Nnwdaf_MLModelProvision_Notify 서비스 작업(기계학습 모델의 프로비저닝에 대한 통지 서비스 작업)의 동작
서비스 작업 이름: Nnwdaf_MLModelProvision_Notify.
설명: NWDAF는 특정 NWDAF 서비스에 구독한 소비자 인스턴스에 기계학습 모델 정보를 알릴 수 있다.
입력, 필수: 튜플 세트(Analytic ID, 모델 파일의 주소(예: URL 또는 FQDN)), 통지 상관 정보.
입력, 선택 사항: 없음.
출력, 필수: 작업 실행 결과 표시.
출력, 선택 사항: 없음.
도 6은 본 발명의 일실시예에 따른 기계학습 모델 요청 과정을 도시한 플로우차트이다.
도 6을 참고하면, NWDAF 서비스 소비자, 즉 NWDAF 장치(601)이 Nnwdaf_MLModelInfo 서비스를 사용하여 MTLF 기계학습 모델 정보를 포함하는 NWDAF 장치(602)에 요청할 수 있다.
기계학습 모델 정보는 AnLF를 수행하는 NWDAF 장치(101)에서 네트워크 데이터를 분석하는데 사용된다. NWDAF 장치(601)는 (예: NWDAF(MTLF+AnLF))는 동시에 다른 NWDAF 장치(602)가 제공하는 서비스의 소비자이자 다른 NWDAF(들)에 이 서비스의 제공자가 될 수 있다.
단계 1에서, AnLF를 지원하는 NWDAF 장치(601)는 기계학습 모델의 정보 요청 서비스 작업(Nnwdaf_MLMoldelInfo_Request)을 호출하여 Analytic ID와 연결된 기계학습 모델(들)을 MTLF를 지원하는 NWDAF 장치(602)에 요청할 수 있다. NWDAF 서비스 소비자인 NWDAF 장치(601)가 정보 요청 서비스 작업을 호출할 때 사용되는 파라미터는 분석 ID(Analytic ID), S-NSSAI, 관심 타겟 영역(Target Area of Interest), 어플리케이션 ID(Application ID), 타겟 사용자 단말(Target UE), 기계학습 모델 타겟 기간(ML Model target period), 만료 시간(Expiry time) 중 적어도 하나를 포함할 수 있다.
Analytics에 대한 기계학습 모델 정보에 대한 요청이 수신되면 MTLF를 수행하는 NWDAF 장치(602)는 아래 과정을 수행할 수 있다.
NWDAF 장치(602)는 (i) 기존의 훈련된 기계학습 모델을 요청에 사용할 수 있는지 여부를 결정하거나 또는 (ii) 기존의 훈련된 기계학습 모델에 대한 추가 훈련 트리거가 요청에 필요한지 여부를 결정할 수 있다.
MTLF를 수행하는 NWDAF 장치(602)가 이미 요청된 기계학습 모델에 대해 추가 훈련이 필요하다고 결정하면 이 NWDAF는 기계학습 모델 훈련에 필요한 NF 장치, DCCF 장치 또는 OAM 장치에서 데이터 수집을 시작할 수 있다.
단계 2에서, MTLF를 수행하는 NWDAF 장치(602)는 기계학습 모델의 정보 요청 응답 서비스 작업(Nnwdaf_MLModelInfo_Request response)을 호출하여 NWDAF 장치(601)(서비스 소비자)에게 기계학습 모델 정보(기계학습 모델 파일의 주소 포함)로 응답할 수 있다. MTLF를 수행하는 NWDAF 장치(103)는 (i) 기계학습 모델 정보(ML Model Information), (ii) 유효성 기간 및 (iii) 공간 유효성 중 적어도 하나를 포함하는 기계학습 모델의 정보 요청 응답 서비스 작업을 호출할 수 있다. 이 때, 기계학습 모델 정보는 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함할 수 있다.
도 7은 본 발명의 일실시예에 따른 기계학습 모델의 협상 과정을 구체적으로 도시한 플로우차트이다.
단계 1에서, NWDAF 장치(701)과 NWDAF 장치(702) 간에 기계학습 모델의 구독이 이미 도 5의 과정을 통해 진행될 수 있다. 여기서, NWDAF 장치(701)는 도 5의 NWDAF 장치(501)에 대응하고, NWDAF 장치(702)는 도 5의 NWDAF 장치(502)에 대응할 수 있다.
단계 2에서, NWDAF 장치(701)는 기계학습 모델로부터 생성된 네트워크 데이터의 분석 결과를 평가할 수 있다. 이를 위해 도 18이 이용될 수 있다.
단계 3에서, NWDAF 장치(701)는 기계학습 모델의 프로비저닝에 대한 구독 서비스 작업(Nnwdaf_MLModelProvision_Subscribe)을 NWDAF 장치(702)에 호출할 수 있다. 이 때, 구독 서비스 작업에 포함된 구독 ID는 단계 1에서 사용된 구독 ID와 동일할 수 있다.
즉, NWDAF 장치(701)는 단계 3의 구독 서비스 작업을 다시 호출할 때 이전에 기계학습 모델의 프로비저닝에 대한 구독 서비스 작업을 호출할 때 포함된 파라미터를 동일하게 포함하여 NWDAF 장치(702)에 이전과는 다른 새로운 기계학습 모델을 요청하거나 이전에 구독 또는 요청 과정을 통해 제공된 기계학습 모델을 재요청할 수 있다. 이 때, NWDAF 장치(701)는 단계 3에서 기계학습 모델의 프로비저닝에 대한 구독 서비스 작업에 대체 기계학습 모델 플래그(Alternative ML model flag)를 포함시켜 NWDAF 장치(702)에 이전과는 다른 새로운 기계학습 모델을 요청하거나 이전 제공된 기계학습 모델을 재요청할 수 있다.
단계 4에서, NWDAF 장치(702)는 NWDAF 장치에 기계학습 모델의 프로비저닝에 대한 통지 서비스 작업(Nnwdaf_MLModelProvision_Notify)을 호출할 수 있다. 이 때, 통지 서비스 작업은 단계 1에서 제공된 기계학습 모델과 다른 기계학습 모델 정보(예: 기계학습 모델 파일, 기계학습 모델 파일 주소, 모델 버전 또는 모델 ID 중 적어도 하나를 포함함), 유효성 기간, 공간 유효성 중 적어도 하나를 포함할 수 있다.
도 8은 본 발명의 일실시예에 따른 연합 학습을 고려한 기계학습 모델의 탐색 과정 1을 구체적으로 도시한 플로우차트이다.
도 8의 탐색 과정은 도 4에서 설명한 탐색 과정과 유사하다.
< NWDAF 발견 및 선택>
도 8에서 NWDAF 장치(801)와 NWDAF 장치(803)는 연합 학습(federation learning)에 참여하며, 모두 MTLF를 포함하고 있다. NWDAF 장치(801)는 연합 학습에서 로컬 훈련을 수행하고, NWDAF 장치(803)는 연합 학습에서 글로벌 훈련을 수행할 수 있다.
NWDAF 장치(801)(서비스 소비자)는 요청된 분석 정보 및 필요한 분석 기능 및/또는 요청된 기계학습 모델 제공 및 기계학습 모델 훈련을 지원하는 NWDAF 장치(803)를 검색하여 선택할 수 있다.
NWDAF 장치(801)는 다른 검색 및 선택 파라미터가 필요할 수 있다. 검색 및 선택 메커니즘을 수행하는 다양한 방법은 다양한 유형의 분석을 처리하는 ML model/데이터(NF 관련 분석을 처리하는 기계학습 모델 / 데이터 및 UE 관련 분석을 처리하는 기계학습 모델 /데이터)에 따라 다를 수 있다. NF 장치와 관련된 관련 분석을 처리하는 기계학습 모델 또는 데이터는 SUPI 또는 SUPI 그룹이 필요하지 않은 분석을 처리하는 기계학습 모델 / 데이터를 나타낼 수 있다(예: NF 부하 분석을 처리하는 기계학습 모델). UE 관련 분석을 처리하는 ML model/데이터는 SUPI 또는 SUPI 그룹이 필요한 분석을 처리하는 기계학습 모델 / 데이터(예: UE 이동성 분석을 처리하는 기계학습 모델)를 나타낼 수 있다.
NRF를 사용하여 MTLF를 수행하는 NWDAF 장치를 검색하기 위해, 다음과 같은 조건이 만족될 필요가 있다.
(i) 모델 훈련이 NF(들)와 관련되어 있고 NWDAF 서비스 소비자(NWDAF 제외)가 요청된 모델 훈련에 대한 관심 영역을 제공할 수 없는 경우, NWDAF 장치(801)는 후보 NWDAF에서 서비스 영역이 큰 NWDAF 장치(803)를 선택할 수 있다. NWDAF 장치(801)가 기계학습 모델 업데이트 능력을 가지는 NWDAF 장치(803)(들)에 대한 정보를 수신하는 경우, NWDAF 장치(801)는 바람직하게는 큰 서빙 영역을 가지며, 기계학습 모델 업데이트 능력을 가지는 NWDAF 장치(803)를 선택할 수 있다.
NWDAF 장치(803)가 요청된 기계학습 모델을 제공할 수 없는 경우(예: 네트워크 데이터의 수집을 위한 NF 장치가 NWDAF의 서비스 영역을 벗어났기 때문에 선택한 NWDAF가 분석 요청/구독을 거부하는 경우), NWDAF 장치(801)는 다른 대상 NWDAF(803)를 선택하기 위해 NF 장치의 서비스 영역으로 NRF 장치(802)에 쿼리할 수 있다.
(ii) 모델 훈련이 UE(들)와 관련되고 NWDAF 서비스 소비자(NWDAF 장치(803))가 요청된 모델 훈련에 대한 관심 영역을 제공할 수 없는 경우, NWDAF 장치(801)는 후보 NWDAF 장치(803)에서 서비스 영역이 큰 NWDAF 장치(803)를 선택할 수 있다. 발견 응답에서. 대안적으로, NWDAF 장치(801)가 기계학습 모델 업데이트 능력을 가지는 NWDAF 장치(803)(들)을 수신하는 경우, NWDAF 장치(801)는 바람직하게는 큰 서빙 영역을 가지며, 기계학습 모델 업데이트 능력을 가지는 NWDAF 장치(803)를 선택한다.
NWDAF 장치(803)가 요청된 UE(들)에 대한 ML model을 제공할 수 없거나 또는 훈련을 제공할 수 없는 경우(예: NWDAF가 다른 서비스 영역을 제공함), NWDAF 장치(803)가 분석 요청/구독을 거부하거나 지정된 대로 UE를 서비스하는 AMF를 결정할 수 있다. AMF로부터 UE 위치 정보를 요청하고 UE(들)이 위치한 지역을 서비스하는 다른 타겟 NWDAF를 발견하기 위해 NWDAF 장치(803)는 UE가 위치한 트래킹 영역으로 NRF 장치(802)를 조회할 수 있다.
- NWDAF 장치(801)가 NF 세트 ID 또는 NF 유형으로 식별되는 특정 데이터 소스에서 데이터를 수집할 수 있는 NWDAF 장치(803)를 검색해야 하는 경우, NWDAF 장치(801)가 검색 요청에서 NF 세트 ID 또는 NF 유형을 제공하는 NRF 장치(802)에 쿼리할 수 있다.
특정 UE를 서비스하는 데이터 소스의 NF 세트 ID 또는 NF 유형은 결정될 수 있다.
주어진 UE에 대해 UDM에 등록된 NWDAF를 검색하기 위해서, UE 관련 데이터 또는 기계학습 모델 제공 및 훈련에 관심이 있는 NWDAF 장치(801) 또는 기타 NWDAF는 UDM 장치에 쿼리를 만들어 이미 UE에 서비스를 제공하고 있는 NWDAF 장치(803)의 인스턴스를 검색할 수 있다.
PCF는 시그널링을 통해 특정 UE에 대해 AMF, SMF 및 UPF에 의해 사용되는 NWDAF 장치(803)를 알 수 있다. 이를 통해 PCF는 특정 UE에 대해 이미 사용 중인 동일한 NWDAF 장치(803)의 인스턴스를 선택할 수 있다.
NWDAF 장치(801)가 데이터 수집 노출 기능이 있는 NWDAF 장치(803)를 검색해야 하는 경우 NWDAF 장치(801)는 Nnwdaf_DataManagement 서비스 작업 및 관련 NF 유형의 데이터 소스 또는 관련 NF 세트 데이터 소스의 ID를 제공하는 NWDAF 장치(803)를 NRF 장치(802)를 통해 검색할 수 있다.
MTLF를 수행하는 NWDAF 장치(803)를 검색하기 위해, MTLF를 수행하는 NWDAF 장치(801)는 NRF 장치(802)에 대한 등록 요청에 분석 ID당 훈련된 기계학습 모델에 대해 분석 필터 정보, 훈련 및 제공 가능한 ML model ID 또는 ML Model ID와 기계학습 모델 버전, 기계학습 모델 집계 능력 중 적어도 하나를 포함할 수 있다.
MTLF를 수행하는 NWDAF 장치(803)의 발견 동안 NRF 장치(802)는 하나 이상의 후보 NWDAF 장치(803)의 인스턴스를 NF 소비자에게 반환할 수 있으며 각 후보 NWDAF 장치(803)의 인스턴스에는 분석 ID별로 훈련되지 않은 초기 모델의 기계학습 모델 또는 훈련된 기계학습 모델에 대한 분석 필터 정보를 포함할 수 있다.
도 8에서, NWADF 장치(801)는 연합 학습에서 로컬 훈련을 수행하고, NWDAF 장치(803)는 연합 학습에서 글로벌 훈련을 수행할 수 있다.
단계 1에서, NWDAF 장치(803)는 NWDAF 장치(803)에 대한 등록 서비스 작업(Nnrf_NFManagement_NFRegister request)를 NRF 장치(802)에 호출할 수 있다. 이 때, 등록 서비스 작업은 (i) 지원된 분석 ID들의 리스트(List of supported Analytic IDs), (ii) NWDAF 장치(803)가 지원하는 서비스(예: Nnwdaf_MLModelProvision service, Nnwdaf_MLModelInfo service), (iii) 기계학습 모델이 제공되는 서빙 영역(Serving Area), (iv) S-NSSAI, (v) 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information) 및 (vi) 연합학습 능력 (기계학습 모델의 훈련 결과에 대한 집계 능력(예: 기계학습 모델 업데이트 능력) 중 적어도 하나를 포함할 수 있다.
단계 2에서, NRF 장치(802)는 NWDAF 장치(803)의 NF 장치의 프로파일을 저장할 수 있다.
단계 3에서, NRF 장치(802)는 NWDAF 장치(803)에 등록 응답 서비스 작업(Nnrf_NFManagement_NFRegister response)을 호출할 수 있다.
단계 4에서, NWDAF 장치(801)는 NWDAF 장치(803)를 검색하기 위한 요청 서비스 작업(Nnrf_NFDiscovery_Request)를 NRF 장치(802)에 호출할 수 있다. 이 때, 요청 서비스 작업은 (i) 지원된 분석 ID들의 리스트(List of supported Analytic IDs), (ii) NWDAF 장치(803)가 지원하는 서비스(예: Nnwdaf_MLModelProvision service, Nnwdaf_MLModelInfo service), (iii) 기계학습 모델이 제공되는 서빙 영역(Serving Area), (iv) S-NSSAI, (v) 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information) 및 (vi) 연합학습 능력 (기계학습 모델의 훈련 결과에 대한 집계 능력(예: 기계학습 모델 업데이트 능력) 중 적어도 하나를 포함할 수 있다.
그리고, 단계 5에서, NRF 장치(802)는 NWDAF 장치(801)에 탐색 요청 응답 서비스 작업(Nnrf_NFDiscovery_Request_response)을 호출할 수 있다. 여기서, 응답 서비스 작업은 NWDAF 장치(803)의 인스턴스 ID의 리스트 및 주소를 포함할 수 있다.
단계 5에서, NWDAF 장치(801)는 MTLF 기능을 수행하는 NWDAF 장치를 선택할 수 있다.
도 9는 본 발명의 일실시예에 따른 연합 학습을 고려한 기계학습 모델의 탐색 과정 2을 구체적으로 도시한 플로우차트이다.
< NWDAF 발견 및 선택>
도 9에서 NWDAF 장치(901)와 NWDAF 장치(903)는 연합 학습(federation learning)에 참여하며, 모두 MTLF를 포함하고 있다. NWDAF 장치(901)는 연합 학습에서 로컬 훈련을 수행하고, NWDAF 장치(903)는 연합 학습에서 글로벌 훈련을 수행할 수 있다.
NWDAF 장치(903)(서비스 소비자)는 NWDAF 검색 원칙을 사용하여 요청된 분석 정보 및 필요한 분석 기능 및/또는 요청된 기계학습 모델 훈련을 지원하는 NWDAF 장치(901)를 선택할 수 있다. 이 경우, NWDAF 장치(903)는 NWDAF 장치(901) 검색을 위해 기계학슴 모델 훈련 서비스(Nnwdaf_MLModelTraining) 또는 기계학습 모델 정보 서비스(Nnwdaf_MLModelTrainingInfo) 중 적어도 하나를 지원한다.
NWDAF 장치(903)는 다른 검색 및 선택 파라미터가 필요할 수 있다. 검색 및 선택 메커니즘을 수행하는 다양한 방법은 다양한 유형의 기계학습 모델/데이터(NF 관련 분석을 처리하는 기계학습 모델 /데이터 및 UE 관련 분석을 처리하는 기계학습 모델 /데이터)에 따라 다를 수 있다. NF 관련 분석을 처리하는 기계학습 모델 또는 데이터는 SUPI 또는 SUPI 그룹이 필요하지 않은 분석을 처리하는 기계학습 모델 /데이터를 나타낼 수 있다(예: NF 부하 분석을 처리하는 기계학습 모델). UE 관련 분석을 처리하는 기계학습 모델 /데이터는 SUPI 또는 SUPI 그룹이 필요한 분석을 처리하는 기계학습 모델 /데이터(예: UE 이동성 분석을 처리하는 기계학습 모델)를 나타낼 수 있다.
NRF를 사용하여 MTLF를 지원하는 NWDAF 장치(803)를 검색하기 위해, 다음과 같은 조건이 만족될 필요가 있다.
(i) 훈련할 기계학습 모델이 NF(들)와 관련되어 있고 NWDAF 서비스 소비자(NWDAF 제외)가 요청된 기계학습 모델 훈련에 대한 관심 영역을 제공할 수 없는 경우, NWDAF 장치(903)는 후보 NWDAF에서 서비스 영역이 큰 NWDAF를 선택할 수 있다. 발견의 응답에서. 대안적으로, NWDAF 장치(903)가 기계학습 모델 업데이트 능력을 가지는 NWDAF(들)를 수신하는 경우, NWDAF 장치(903)는 바람직하게는 큰 서빙 영역에 대한 기계학습 모델 업데이트 능력을 가지는 NWDAF 장치(901)를 선택할 수 있다.
NWDAF 장치(903)가 요청된 기계학습 모델 훈련을 제공할 수 없는 경우(예: 연락할 NF가 NWDAF의 서비스 영역을 벗어났기 때문에 선택한 NWDAF가 분석 요청/구독을 거부하는 경우), NWDAF 장치(903)는 다른 대상 NWDAF(901)를 결정하기 위해 연락할 NF의 서비스 영역으로 NRF 장치(902)에 쿼리할 수 있다.
(ii) 훈련할 기계학습 모델이 UE(들)와 관련되고 NWDAF 서비스 소비자(NWDAF 제외)가 요청된 기계학습 모델 훈련에 대한 관심 영역을 제공할 수 없는 경우, NWDAF 장치(903)는 후보 NWDAF 장치(901)에서 서비스 영역이 큰 NWDAF 장치(901)를 선택할 수 있다. 발견 응답에서. 대안적으로, NWDAF 장치(903)가 기계학습 모델 집계 능력을 가지는 NWDAF 장치(901)(들)을 수신하는 경우, NWDAF 장치(903)는 바람직하게는 큰 서빙 영역을 가지며, 기계학습 모델 업데이트 능력을 가지는 NWDAF 장치(901)를 선택한다.
NWDAF 장치(901)가 요청된 UE(들)에 대한 기계학습 모델 훈련을 제공할 수 없는 경우(예: NWDAF가 다른 서비스 영역을 제공함), NWDAF 장치(901)가 기계학습 모델 훈련 요청/구독을 거부하거나 지정된 대로 UE를 서비스하는 AMF를 결정할 수 있다. AMF로부터 UE 위치 정보를 요청하고 UE(들)이 위치한 지역을 서비스하는 다른 타겟 NWDAF를 발견하기 위해 NWDAF 장치(901)는 UE가 위치한 트래킹 영역으로 NRF 장치(902)를 조회할 수 있다.
- NWDAF 장치(903)가 NF 세트 ID 또는 NF 유형으로 식별되는 특정 데이터 소스에서 데이터를 수집할 수 있는 NWDAF 장치(901)를 검색해야 하는 경우, NWDAF 장치(901)가 검색 요청에서 NF 세트 ID 또는 NF 유형을 제공하는 NRF 장치(902)에 쿼리할 수 있다.
특정 UE를 서비스하는 데이터 소스의 NF 세트 ID 또는 NF 유형은 결정될 수 있다.
주어진 UE에 대해 UDM에 등록된 NWDAF를 검색하기 위해서, UE 관련 데이터 또는 분석에 관심이 있는 NWDAF 장치(903) 또는 기타 NWDAF는 UDM 장치에 쿼리를 만들어 이미 UE에 서비스를 제공하고 있는 NWDAF 장치(901)의 인스턴스를 검색할 수 있다.
PCF는 시그널링을 통해 특정 UE에 대해 AMF, SMF 및 UPF에 의해 사용되는 NWDAF 장치(903)를 알 수 있다. 이를 통해 PCF는 특정 UE에 대해 이미 사용 중인 동일한 NWDAF 장치(903)의 인스턴스를 선택할 수 있다.
NWDAF 장치(903)가 데이터 수집 노출 기능이 있는 NWDAF 장치(901)를 검색해야 하는 경우 NWDAF 장치(903)는 Nnwdaf_DataManagement 서비스 작업 및 관련 NF 유형의 데이터 소스 또는 관련 NF 세트 데이터 소스의 ID를 제공하는 NWDAF 장치(901)를 NRF 장치(902)를 통해 검색할 수 있다.
MTLF를 지원하는 NWDAF 장치(901)를 검색하기 위해, MTLF를 지원하는 NWDAF 장치(901)는 NRF 장치(902)에 대한 등록 요청에 분석 ID당 훈련할 수 있는 기계학습 모델에 대해 분석 필터 정보, 모델 훈련을 위해 제공 가능한 서비스 (즉, Nnwdaf_MLModelTraining 서비스 또는 Nnwdaf_MLModelTrainingInfo 서비스) 중 적어도 하나 이상을 포함할 수 있다.
MTLF를 지원하는 NWDAF 장치(901)의 발견 동안 NRF 장치(902)는 하나 이상의 후보 NWDAF 장치(901)의 인스턴스를 NF 소비자에게 반환할 수 있으며 각 후보 NWDAF 장치(901)의 인스턴스에는 분석 ID별로 훈련할 수 있는 기계학습 모델에 대한 분석 필터 정보를 포함할 수 있다.
도 9에서, NWADF 장치(901)는 연합 학습에서 로컬 훈련을 수행하고, NWDAF 장치(903)는 연합 학습에서 글로벌 훈련을 수행할 수 있다.
단계 1에서, NWDAF 장치(901)는 NWDAF 장치(901)에 대한 등록 서비스 작업(Nnrf_NFManagement_NFRegister request)를 NRF 장치(902)에 호출할 수 있다. 이 때, 등록 서비스 작업은 List of supported Analytic IDs, per Supported service (예: Nnwdaf_MLModelTraining 서비스 또는 Nnwdaf_MLModelTrainingInfo 서비스), 기계학습 모델이 제공되는 Serving Area, S-NSSAI, 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information) 및 연합학습 능력 (기계학습 모델의 훈련 능력) 중 적어도 하나 이상을 포함할 수 있다.
단계 2에서, NRF 장치(902)는 NWDAF 장치(901)의 NF 장치의 프로파일을 저장할 수 있다.
단계 3에서, NRF 장치(902)는 NWDAF 장치(901)에 Nnrf_NFManagement_NFRegister response를 호출할 수 있다.
단계 4에서, NWDAF 장치(903)는 NWDAF 장치(901)를 검색하기 위한 요청 서비스 작업(Nnrf_NFDiscovery_Request_request)을 NRF 장치(902)에 호출할 수 있다. 이 때, 요청 서비스 작업은 Analytic IDs, per Supported service (예: Nnwdaf_MLModelTraining 서비스 또는 Nnwdaf_MLModelTrainingInfo 서비스) , 기계학습 모델이 제공되는 Serving Area, S-NSSAI, 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information)와 연합학습 능력 (예: 기계학습 모델 훈련 능력) 중 적어도 하나 이상을 포함할 수 있다.
그리고, 단계 5에서, NRF 장치(902)는 NWDAF 장치(903)에 응답 서비스 작업(Nnrf_NFDiscovery_Request_response)을 호출할 수 있다. 여기서, 응답 서비스 작업은 NWDAF 장치(901)의 인스턴스 ID의 리스트 및 주소를 포함할 수 있다.
단계 5에서, NWDAF 장치(903)는 MTLF 기능을 수행하는 로컬 기계학습 모델학습이 가능한 적어도 하나 이상의 NWDAF 장치(901)를 선택할 수 있다.
도 10은 본 발명의 일실시예에 따른 연합 학습을 고려한 기계학습 모델 프로비저닝 방법을 도시한 플로우차트이다.
도 10는 도 5의 프로비저닝 과정과 실질적으로 동일할 수 있다. 다만, 도 10에서 NWDAF 장치(1001)와 NWDAF 장치(1002)는 연합 학습(federation learning)에 참여하며, 모두 MTLF를 포함할 수 있다. NWDAF 장치(1001)는 연합 학습에서 로컬 훈련을 수행하고, NWDAF 장치(1002)는 연합 학습에서 글로벌 훈련을 수행할 수 있다.
<기계학습 모델의 프로비저닝 절차>
도 10는 기계학습 모델의 프로비저닝 절차가 설명된다.
NWDAF 장치(1001)는 훈련되지 않은 초기 모델의 기계학습 모델 또는 훈련된 기계학습 모델을 검색하기 위해 MTLF를 수행하는 NWDAF 장치의 ID(들) 및 분석 ID(들)로 로컬로 구성될 수 있다. NWDAF 장치(1001)는 필요한 경우 MTLF ID를 포함하는 구성된 NWDAF 장치(1002)의 세트 내에서 NWDAF 장치(1002)에 대한 검색을 사용할 수 있다.
<기계학습 모델 구독(subscribe)/구독 취소(unsubscribe)>
도 10의 경우, 서비스 소비자인 MTLF를 수행하는 NWDAF 장치(1001)가 MTLF를 수행하는 NWDAF 장치(1002)에서 구독/구독 취소하는 데 사용되어 관련 분석의 기계학습 모델 정보에 대해 기계학습 모델의 프로비저닝 서비스(Nnwdaf_MLModelProvision)를 이용하여 MTLF를 수행하는 NWDAF 장치(501)로부터 통지를 수신할 수 있다.
통지를 통해 수신한 기계학습 모델 정보는 NWDAF 장치(1001)에서 기계학습 모델을 훈련하기 위해 사용될 수 있다. 프로비저닝 서비스는 또한 NWDAF 장치(1001)에서 기존 기계학습 모델 구독을 수정하는 데 사용된다. NWDAF 장치(1001)(예: NWDAF(MTLF+AnLF))는 동시에 다른 NWDAF(들)이 제공하는 이 서비스의 소비자이자 다른 NWDAF 장치(1002) (들)에 이 서비스의 제공자가 될 수 있다.
단계 1에서, 서비스 소비자인 NWDAF 장치(1001)는 기계학습 모델의 프로비저닝에 대한 구독 서비스 작업(Nnwdaf_MLModelProvision_Subscribe) 또는 기계학습 모델의 프로비저닝에 대한 구독 취소 서비스 작업 (Nnwdaf_MLModelProvision_Unsubscribe)을 호출하여 Analytic ID와 연결된 훈련되지 않은 초기 모델의 기계학습 모델 또는 훈련된 기계학습 모델을 구독, 수정 또는 취소할 수 있다.
NWDAF 장치(1001)가 사용하는 파라미터는 (i) 분석 ID(Analytic ID), (ii) S-NSSAI, (iii) 관심 타겟 영역(Target Area of Interest), (iv) 어플리케이션 ID(Application ID), (v) 타겟 사용자 단말(Target UE), (vi) 기계학습 모델 타겟 기간(ML Model target period), (vii) 만료 시간(Expiry time) 및 (viii)기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information) 중 적어도 하나를 포함할 수 있다.
Analytic ID와 연결된 훈련되지 않은 초기 모델의 기계학습 모델 또는 훈련된 기계학습 모델에 대한 구독이 수신되면, MTLF가 포함된 NWDAF 장치(1002)는 다음 과정을 수행할 수 있다.
NWDAF 장치(1002)는 (i) 기존의 훈련된 기계학습 모델을 구독에 사용할 수 있는지 여부를 결정하거나 또는 (ii) 구독에 대해 기존의 훈련된 기계학습 모델에 대한 추가 훈련을 트리거해야 하는지 여부를 결정할 수 있다.
MTLF를 수행하는 NWDAF 장치(1002)는 기존 기계학습 모델에 대한 추가 훈련이 필요하다고 결정할 수 있다. NWDAF 장치(1002)가 추가 훈련이 필요하다고 결정하면, NWDAF 장치(1002)는 기계학습 모델의 훈련에 필요한 데이터를 NF 장치, DCCF 장치 또는 OAM 장치에서 수집할 수 있다.
NWDAF 장치(1001)의 서비스 작업의 호출이 구독 수정 또는 구독 취소를 위한 것이면, NWDAF 장치(1001)는 Nnwdaf_MLModelProvision_Subscribe의 호출에서 수정할 식별자(구독 상관 ID)를 포함할 수 있다.
단계 2에서, NWDAF 장치(1001)는 Analytic ID(들)와 연결된 훈련되지 않은 초기 모델의 기계학습 모델 또는 훈련된 기계학습 모델(들)을 구독하는 경우, NWDAF 장치(1002)는 훈련되지 않은 초기 모델의 기계학습 모델 정보 또는 훈련된 기계학습 모델 정보를 포함하는 Nnwdaf_MLModelProvision_Notify 서비스 작업을 호출하여 훈련되지 않은 초기 모델의 기계학습 모델 또는 훈련된 기계학습 모델의 파일 *?*주소를 전송할 수 있다.
MTLF를 수행하는 NWDAF 장치(1002)가 제공할 수 있는 훈련되지 않은 초기 모델의 기계학습 모델 정보 또는 훈련된 기계학습 모델 정보는 (i)기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information), (ii) 유효성 기간(Validity period) 및 (iii)공간 유효성(Spatial Validity) 중 적어도 하나를 포함할 수 있다.
MTLF를 수행하는 NWDAF 장치(1002)는 기계학습 모델의 프로비저닝에 대한 통지 서비스 작업(Nnwdaf_MLModelProvision_Notify)을 호출하여 MTLF를 수행하는 NWDAF 장치(1002)가 이전에 제공된 훈련되지 않은 초기 모델의 기계학습 모델 또는 훈련된 기계학습 모델에 재훈련이 필요하다고 결정할 때 사용 가능한 재훈련된 기계학습 모델에 알릴 수 있다.
단계 1의 과정이 구독 수정(즉, 구독 상관 ID 포함)을 위한 것인 경우 MTLF를 수행하는 NWDAF 장치(1002)는 이전에 제공된 것과 다른 새로운 학습된 기계학습 모델을 제공하거나 Nnwdaf_MLModelProvision_Notify 서비스 작업을 호출하여 재학습된 기계학습 모델을 제공할 수 있다.
도 11은 본 발명의 일실시예에 따른 연합 학습을 고려한 기계학습 모델의 요청 과정을 도시한 플로우차트이다.
도 11은 도 6의 기계학습 모델의 요청 과정과 실질적으로 동일할 수 있다. 다만, 도 11에서 NWDAF 장치(1101)와 NWDAF 장치(1102)는 연합 학습(federation learning)에 참여하며, 모두 MTLF를 포함할 수 있다. NWDAF 장치(1101)는 연합 학습에서 로컬 훈련을 수행하고, NWDAF 장치(1102)는 연합 학습에서 글로벌 훈련을 수행할 수 있다.
도 11을 참고하면, NWDAF 서비스 소비자, 즉 NWDAF 장치(1101)이 Nnwdaf_MLModelInfo 서비스 작업을 사용하여 기계학습 모델 정보를 포함하는 NWDAF 장치(1102)에 요청할 수 있다.
기계학습 모델 정보는 NWDAF 장치(111)에서 네트워크 데이터를 분석하는데 사용된다. NWDAF 장치(1101)는 (예: NWDAF(MTLF+AnLF))는 동시에 다른 NWDAF 장치(1102)가 제공하는 서비스의 소비자이자 다른 NWDAF(들)에 이 서비스의 제공자가 될 수 있다.
단계 1에서, NWDAF 장치(1101)는 기계학습 모델의 정보 요청 서비스 작업(Nnwdaf_MLMoldelInfo_Request)을 호출하여 Analytic ID와 연결된 기계학습 모델(들)을 요청할 수 있다. NWDAF 서비스 소비자가 제공할 수 있는 파라미터는 분석 ID(Analytic ID), S-NSSAI, 관심 타겟 영역(Target Area of Interest), 어플리케이션 ID(Application ID), 타겟 사용자 단말(Target UE), 기계학습 모델 타겟 기간(ML Model target period), 만료 시간(Expiry time), 및 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information) 중 적어도 하나를 포함할 수 있다.
Analytics에 대한 기계학습 모델 정보에 대한 요청이 수신되면 MTLF를 수행하는 NWDAF 장치(1102)는 아래 과정을 수행할 수 있다.
(i) 기존의 훈련된 기계학습 모델을 요청에 사용할 수 있는지 여부를 결정하거나 또는 (ii) 기존의 훈련된 기계학습 모델에 대한 추가 훈련 트리거가 요청에 필요한지 여부를 결정할 수 있다.
MTLF를 수행하는 NWDAF 장치(1102)가 추가 훈련이 필요하다고 결정하면 이 NWDAF는 기계학습 모델 훈련에 필요한 NF 장치, DCCF 장치 또는 OAM 장치에서 데이터 수집을 시작할 수 있다.
단계 2에서, MTLF를 수행하는 NWDAF 장치(1102)는 기계학습 모델의 정보 요청 서비스 작업(Nnwdaf_MLModelInfo_Request)에 대한 기계학습 모델의 정보 요청 응답 서비스 작업(Nnwdaf_MLModelInfo_Request response)을 호출하여 NWDAF 장치(1101)(서비스 소비자)에게 기계학습 모델 정보, 유효성 기간, 공간 유효성 중 적어도 하나를 포함하여 응답할 수 있다. MTLF를 수행하는 NWDAF가 제공할 수 있는 기계학습 모델 정보는 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함할 수 있다.
도 12은 본 발명의 일실시예에 따른 연합 학습을 고려한 기계학습 모델의 프로비저닝 방법 이후 기계학습 모델의 업데이트 과정을 도시한 플로우차트이다.
도 12을 참고하면, 단계 1 및 단계 2는 도 9에서 설명하는 단계 1와 단계 2와 동일하다. 다만 단계 1의 서비스 작업은 (i) 분석 ID(Analytic ID), (ii) S-NSSAI, (ii) 관심 타겟 영역(Target Area of Interest), (iv) 타겟 사용자 단말(Target UE), (v) 기계학습 모델 타겟 기간(ML Model target period), (vi) 만료 시간(Expiry time) 및 (vii) 기계학습 모델의 업데이트 최대 개수 중 적어도 하나를 더 포함할 수 있다.
그리고, 단계 2의 서비스 작업은 (i)기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information), (ii) 유효성 기간(Validity period), (iii) 공간 유효성(Spatial Validity), (iv) 기계학습 모델의 업데이트에 필요한 요청된 파라미터에 대한 설명 및 (v) 업데이트 리포팅 시간에 대한 버짓(budget)에 대한 설명 (예: top-k gradient, threshold for sparsification of gradient, 등) 중 적어도 하나를 포함할 수 있다.
단계 3에서, NWDAF 장치(1201)는 기계학습 모델을 로컬적으로 훈련할 수 있다.
단계 4에서, NWDAF 장치(1201)는 글로벌적으로 업데이트하는 NWDAF 장치(1202)에 기계학습 모델의 업데이트 통지 서비스 작업(Nnwdaf_MLModelUpdate_Notify)을 호출할 수 있다. 통지 서비스 작업은 (i) Analytic ID, (ii) 기계학습 모델 업데이트를 위한 요청된 파라미터(예: 그레디언트(gradient)), (iii) 타임스탬프(time stamp), (iv) 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information), 및 (v)훈련 영역 (예: 훈련에 대상이된 TA(타겟 영역: Target Area) 리스트 등) 중 적어도 하나를 포함할 수 있다.
단계 5에서, NWDAF 장치(1202)는 기계학습 모델을 글로벌적으로 업데이트할 수 있다. 여기서, 글로벌적으로 기계학습 모델을 업데이트한다는 것은 복수의 NWDAF 장치(1202)들 각각에서 로컬적으로 훈련된 기계학습 모델을 집계(aggregation)한 후, 다항식으로 표현되는 기계학습 모델의 그레디언트(gradient)를 반영하여 기계학습 모델을 변경하는 것을 의미할 수 있다.
단계 6에서, NWDAF 장치(1202)는 기계학습 모델의 프로비저닝에 대한 통지 서비스 작업을 NWDAF 장치(1201)에 호출할 수 있다. 이 때, 통지 서비스 작업은 업데이트된 모델이 포함될 수 있다.
도 13는 본 발명의 일실시예에 따른 연합 학습을 고려한 기계학습 모델 요청 과정 이후 기계학습 모델의 업데이트 과정을 도시한 플로우차트이다.
도 13를 참고하면, 단계 1 및 단계 2는 도 10에서 설명하는 단계 1와 단계 2와 동일하다. 다만 단계 1의 서비스 작업은 (i) 분석 ID(Analytic ID), (ii) S-NSSAI, (ii) 관심 타겟 영역(Target Area of Interest), (iv) 타겟 사용자 단말(Target UE), (v) 기계학습 모델 타겟 기간(ML Model target period), (vi) 만료 시간(Expiry time) 및 (vii) 기계학습 모델의 업데이트 최대 개수 중 적어도 하나를 더 포함할 수 있다. 그리고, 단계 2의 서비스 작업은 (i)기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information), (ii) 유효성 기간(Validity period), (iii) 공간 유효성(Spatial Validity), (iv) 기계학습 모델의 업데이트에 필요한 요청된 파라미터에 대한 설명 및 (v) 업데이트 리포팅 시간에 대한 버짓(budget)에 대한 설명 (예: top-k gradient, threshold for sparsification of gradient, 등) 중 적어도 하나를 포함할 수 있다.
단계 3에서, NWDAF 장치(1301)는 기계학습 모델을 로컬적으로 훈련할 수 있다.
단계 4에서, NWDAF 장치(1301)는 글로벌 업데이트를 수행하는 NWDAF 장치(1302)에 기계학습 모델의 업데이트 통지 서비스 작업(Nnwdaf_MLModelUpdate_Notify)을 호출할 수 있다. 업데이트 통지 서비스 작업은 (i) Analytic ID, (ii) 기계학습 모델 업데이트를 위한 요청된 파라미터(예: 그레디언트(gradient)), (iii) 타임스탬프(time stamp), (iv) 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information), 및 (v)훈련 영역 (예: 훈련에 대상이된 TA 리스트 등) 중 적어도 하나를 포함할 수 있다.
단계 5에서, NWDAF 장치(1302)는 기계학습 모델을 글로벌적으로 업데이트할 수 있다. 여기서, 글로벌적으로 기계학습 모델을 업데이트한다는 것은 로컬적으로 훈련된 기계학습 모델을 집계(aggregation), 예를 들어 평균 또는 가중치 평균등을 한 후, 다항식으로 표현되는 기계학습 모델의 집계된 그레디언트(gradient) 값을 반영하여 기계학습 모델을 변경하는 것을 의미할 수 있다.
도 14은 본 발명의 일실시예에 따른 연합 학습을 고려한 기계학습 모델의 업데이트 구독 과정을 도시한 플로우차트이다.
도 14에서, NWDAF 장치(1401)와 NWDAF 장치(1402)는 연합 학습(federation learning)에 참여하며, 모두 MTLF를 포함할 수 있다. NWDAF 장치(1401)는 연합 학습에서 로컬 훈련을 수행하고, NWDAF 장치(1402)는 연합 학습에서 글로벌 훈련을 수행할 수 있다.
도 14의 단계 1에서, NWDAF 장치 1(901)와 NRF 장치(902) 및 NWDAF 장치(1403)는 도 9에서 이미 설명한 MTLF 기능을 수행하는 NWDAF 장치(903)의 탐색 과정과 동일하다.
단계 2에서, NWDAF 장치(1403)는 기계학습 모델의 훈련 구독 서비스 작업(Nnwdaf_MLModelTraining_Subscribe)을 NWDAF 장치(1401)에 호출할 수 있다. 이 때, 훈련 구독 서비스 작업은 (i) Analytic ID, (ii) S-NSSAI, (iii) 관심 타겟 영역(Target Area of Interest), (iv) 어플리케이션 ID(Application ID), (v) 타겟 사용자 단말(Target UE), (vi) 기계학습 모델의 타겟 기간(ML Model target period), (vii) 만료 시간(Expiry time), 및 (viii) 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information) 중 적어도 하나를 포함할 수 있다. 그리고, 훈련 구독 서비스 작업은 Descriptions of the requested parameters for model update 및 Description of the budget for update reporting time (예: target reporting time) 중 적어도 하나를 더 포함할 수 있다.
단계 3에서, NWDAF 장치 (1401)는 기계학습 모델을 로컬적으로 훈련할 수 있다.
단계 4에서, NWDAF 장치(1401)는 글로벌 업데이트를 수행하는 NWDAF 장치(1402)에 기계학습 모델의 훈련 통지 서비스 작업(Nnwdaf_MLModelTraining_Notify)을 호출할 수 있다. 훈련 통지 서비스 작업은 (i) Analytic ID, (ii) 기계학습 모델 업데이트를 위한 요청된 파라미터(예: 그레디언트(gradient)), (iii) 타임스탬프(time stamp), (iv) 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information), 및 (v)훈련 영역 (예: 훈련에 대상이된 TA 리스트 등) 중 적어도 하나를 포함할 수 있다.
단계 5에서, NWDAF 장치(1402)는 기계학습 모델을 글로벌적으로 업데이트할 수 있다. 여기서, 글로벌적으로 기계학습 모델을 업데이트한다는 것은 로컬적으로 훈련된 기계학습 모델을 집계(aggregation) 예를들어, 로컬 훈련 결과인 그레디언트의 평균 또는 가중치 평균 등을 한 후, 다항식으로 표현되는 기계학습 모델의 그레디언트(gradient)를 반영하여 기계학습 모델을 변경하는 것을 의미할 수 있다.
도 15는 본 발명의 일실시예에 따른 연합 학습을 고려한 기계학습 모델의 훈련 요청 과정을 도시한 플로우차트이다.
도 15에서, NWDAF 장치(1501)와 NWDAF 장치(1502)는 연합 학습(federation learning)에 참여하며, 모두 MTLF를 포함할 수 있다. NWDAF 장치(1501)는 연합 학습에서 로컬 훈련을 수행하고, NWDAF 장치(1502)는 연합 학습에서 글로벌 훈련을 수행할 수 있다.
도 15의 단계 1에서, NWDAF 장치 1(901)와 NRF 장치(902) 및 NWDAF 장치(1403)는 도 9에서 이미 설명한 MTLF 기능을 수행하는 NWDAF 장치(903)의 탐색 과정과 동일하다.
단계 2에서, NWDAF 장치(1503)는 기계학습 모델의 훈련 요청 서비스 작업(Nnwdaf_MLModelTrainingInfo_request)을 NWDAF 장치(1502)에 호출할 수 있다. 이 때, 훈련 요청 서비스 작업은 (i) Analytic ID, (ii) S-NSSAI, (ii) 관심 타겟 영역(Target Area of Interest), (iv) 어플리케이션 ID(Application ID), (v) Target UE, (vi) 기계학습 모델 타겟 기간(ML Model target period), (vi) 만료 시간(Expiry time) 및 (vii) 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information) 중 적어도 하나를 포함할 수 있다. 그리고, 훈련 요청 서비스 작업은 기계학습 모델의 업데이트에 필요한 요청된 파라미터에 대한 설명 및 (v) 업데이트 리포팅 시간에 대한 버짓(budget)에 대한 설명 (예: top-k gradient, threshold for sparsification of gradient, 등) 중 적어도 하나를 더 포함할 수 있다.
단계 3에서, NWDAF 장치 (1501)는 NWDAF 장치(1101)는 기계학습 모델을 로컬적으로 훈련할 수 있다.
단계 4에서, NWDAF 장치(1501)는 글로벌 훈련을 수행하는 NWDAF 장치(1502)에 기계학습 모델의 훈련 요청 응답 서비스 작업(Nnwdaf_MLModelTrainingInfo_request response)을 호출할 수 있다. 훈련 응답 서비스 작업은 Analytic ID, requested parameters for ML model update (e.g., gradient), 타임스탬프(time stamp), 훈련 영역 (예: 훈련에 대상이된 TA 리스트 등), 기계학습 모델의 ID 및 기계학습 모델의 버전 중 적어도 하나를 포함할 수 있다.
단계 5에서, NWDAF 장치(1502)는 기계학습 모델을 글로벌적으로 업데이트할 수 있다. 여기서, 글로벌적으로 기계학습 모델을 업데이트한다는 것은 로컬적으로 훈련된 기계학습 모델을 집계(aggregation) 예를 들어, 로컬 훈련 결과인 그레디언트의 평균 또는 가중치 평균 등을 한 후, 다항식으로 표현되는 기계학습 모델의 그레디언트(gradient)를 반영하여 기계학습 모델을 변경하는 것을 의미할 수 있다.
Service Name Service Operations Operation
Semantics		 Example Consumer(s)
Nnwdaf_MLModelProvision Subscribe Subscribe / Notify NWDAF
(ML Model Consumer)
Unsubscribe
Notify
Nnwdaf_MLModelInfo Request Request / Response NWDAF
(ML Model Consumer)
Nnwdaf_MLModelUpdate Notify Subscribe / Notify NWDAF(ML Model Provider)
Nnwdaf_MLModelTraining Subscribe Subscribe / Notify NWDAF
(ML Model global training NWDAF)
Unsubscribe
Notify
Nnwdaf_MLModelTraingInfo Request Request / Response NWDAF
(ML Model global training NWDAF)
표 1은 도 12 내지 도 16에서 설명되는 서비스를 도시한다.Nnwdaf_MLModelProvision 서비스 작업 또는 Nnwdaf_MLModelInfo 서비스 작업은 다음 입력 및 출력이 포함될 수 있다.
(i) 입력:
- 분석 ID 또는 구성된 기계학습 모델 정보(예: 특정 용도 또는 사전 구성된 기계학습 모델 ID)(사용 가능한 경우)
(ii) 출력:
- 요청된 각 Analytic ID에 대해 모델 파라미터가 있는 해당 기계학습 모델 설명, 여기서 모델 파라미터가 있는 기계학습 모델 설명에는 기계학습 모델 유형(예: 신경망), 기계학습 모델 구조(예: 가중치를 설명하는 가중치 행렬) 및 신경망의 각 노드에 대한 연결 및 계층 중 적어도 하나가 포함된다..
- 모델 ID 및 모델 버전, 여기서 모델 ID 및 버전은 기계학습 모델 제공자 NWDAF의 전역 고유 정보가 아니라 로컬 정보일 수 있다.
- 선택 사항: 모델 업데이트를 위해 요청된 파라미터에 대한 설명 및 업데이트 보고 시간을 위한 예산에 대한 설명. 여기서 모델 업데이트를 위해 요청된 파라미터에 대한 설명에는 요청된 파라미터(예: 기울기 및 기울기를 구체화하는 특정 방법(예: top-k 기울기, 기울기의 희소화를 위한 임계값 등)
Nnwdaf_MLModelUpdate_Notify 서비스 작업에는 다음 입력 및 출력이 포함될 필요가 있다.
(i) 입력:
- 분석 ID 및 모델 업데이트 요청 파라미터(예: 그래디언트), 업데이트 타임스탬프, 대상 모델 ID 및 업데이트 버전
- 선택사항: 가능한 경우 업데이트된 모델 평가
(ii) 출력:
- 성공 또는 실패 표시
기계학습 모델 공급자 NWDAF가 Nnwdaf_ModelProvision_Notify를 호출하여 소비자 NWDAF에 모델을 제공할 때 공급자 NWDAF는 소비자 NWDAF가 모델을 훈련할 수 있는 경우 로컬 업데이트된 모델 파라미터의 결과를 얻기 위해 소비자 NWDAF의 Nnwdaf_ModelUpdate 서비스 작업에 (암시적으로) 구독할 수 있다.
Nnwdaf_MLModelTraining_서비스 작업 또는 Nnwdaf_MLModelTrainingInfo 서비스 작업에는 다음 입력 및 출력이 포함될 필요가 있다.
(i) 입력:
- Analytic ID, Expiry time, ML Model 정보 (ML Model 파일, 모델 ID, 모델 버전)
- 선택사항: 모델 업데이트를 위해 요청된 파라미터에 대한 설명 및 업데이트 보고 시간을 위한 예산에 대한 설명. 여기서 모델 업데이트를 위해 요청된 파라미터에 대한 설명에는 요청된 파라미터(예: 기울기 및 기울기를 구체화하는 특정 방법(예: top-k 기울기, 기울기의 희소화를 위한 임계값 등), S-NSSAI, Target Area of Interest, Application ID, Target UE, ML Model target period,
(ii) 출력:
- Analytic ID, requested parameters for ML model update (e.g., gradient), 타임스탬프(time stamp), 훈련 대상이 된 기계학습 모델의 ID 및 기계학습 모델의 버전, 훈련 영역 (예: 훈련에 대상이된 TA 리스트 등)
도 16 및 도 17은 본 발명의 일실시예에 따른 기계학습 모델의 처리 과정을 도시한 도면이다.
단계 1에서, 기계학습 모델의 공급자인 NWDAF 장치 1(1601)는 훈련되지 않은 초기버전 또는 훈련된 모델의 제공 기능(즉, 지원되는 분석 ID 목록이 있는 "MLModelProvision 서비스 작업")을 NRF 장치(1603)에 프로필의 일부로 등록할 수 있다.
단계 2에서, NRF 장치(1603)는 NWDAF 장치 1(1601)의 NWDAF 프로필을 저장할 수 있다.
단계 3에서, NRF 장치(1603)는 NWDAF 장치 1(1601)에 등록 응답 서비스 작업을 호출할 수 있다.
단계 4에서, NWDAF 장치 2(1602)는 "MLModelProvision 서비스"를 제공하는 NWDAF 장치 1(1601)을 검색하기 위해 서비스 파라미터 목록(예: Analytic ID 등)을 포함하는 탐색 요청 서비스 작업을 NRF 장치(1603)에 호출할 수 있다.
단계 5에서, NRF 장치(1603)는 "MLModelProvision 서비스"를 제공하는 NWDAF 장치 1(1601)의 인스턴스를 포함하는 탐색 요청 응답 서비스 작업을 NWDAF 장치 2(1602)에 호출할 수 있다.
단계 6에서, 소비자 NWDAF 장치 2(1602)는 검색된 공급자 NWDAF 장치 1(1601)의 인스턴스를 이용하여 "MLModelProvision 서비스"의 요청 서비스 작업 또는 구독 서비스 작업을 NWDAF 장치 1(1601)에 호출할 수 있다.
단계 7에서, NWDAF 장치 1(1601)는 훈련되지 않은 초기버전 또는 훈련된 모델에 대한 모델 파라미터를 포함하는 요청 응답 서비스 작업 또는 구독 통지 서비스 작업을 NWDAF 장치 2(1602)에 호출할 수 있다.
단계 8에서, NWDAF 장치 2(1602)는 기계학습 모델을 훈련할 수 있는 경우 모델 및 모델 파라미터를 로컬로 훈련할 수 있다
단계 9에서, NWADF 장치 2(1602)는 기계학습 모델을 훈련한 후에 로컬적으로 기계학습 모델을 평가할 수도 있다.
단계 10에서, 기계학습 모델의 구독이 진행된 경우, NWDAF 장치 2(1602)는 기계학습 모델의 업데이트 통지 서비스 작업("Nnwdaf_MLModelUpdate_Notify")을 NWDAF 장치 1(1601)에 호출하여 로컬적으로 훈련한 기계학습 모델에 대한 정보를 전달할 수 있다.
단계 11에서, NWDAF 장치 1(1601)는 NWDAF 장치 2(1602)로부터 전달된 훈련된 기계학습 모델을 집계하여 글로벌적으로 훈련된 기계학습 모델을 기반으로 기계학습 모델을 업데이트할 수있다.
단계 11에서, NWDAF 장치 1(1601)는 기계학습 모델에 대해 평가할 수 있다.
단계 12에서, NWDAF 장치 1(1601)는 기계학습 모델의 프로비저닝에 대한 통지 서비스 작업을 통해 업데이트된 기계학습 모델을 NWDAF 장치 2(1602)에 전달할 수 있다.
도 18은 본 발명의 일실시예에 따른 기계학습 모델의 평가 및 업데이트 과정을 도시한 도면이다.
도 18을 참고하면, 단계(i)에서, 컨슈머 네트워크 기능 장치(102)는 네트워크 데이터 분석 기능 장치(101)에 네트워크 데이터의 분석 요청 서비스 작업을 호출할 수 있다. 이 때, 컨슈머 네트워크 기능 장치(102)는 네트워크 데이터의 분석 요청 서비스 작업(ex. Nnwdaf_AnalyticsInfo_Request) 또는 네트워크 데이터의 분석 구독 서비스 작업(ex. Nnwdaf_AnalyticsSubscription_Subscribe)를 네트워크 데이터 분석 기능 장치(101)에 호출할 수 있다.
네트워크 데이터의 분석 요청 서비스 작업 또는 네트워크 데이터의 분석 구독 서비스 작업은 컨슈머 네트워크 기능 장치의 타입(type)(ex. AMF 또는 SMF 등) 및 유즈케이스 인디케이션을 포함할 수 있다. 또는, 네트워크 데이터의 분석 요청 서비스 작업 또는 네트워크 데이터의 분석 구독 서비스 작업은 분석 필터 정보(analytics filter information)를 더 포함할 수도 있다.
여기서, 타입은 컨슈머 네트워크 기능 장치가 어떤 종류의 네트워크 기능 장치인지를 구분하기 위한 정보이다. 그리고, 유즈케이스 인디케이션은 복수의 유즈케이스들을 나타내는 정보이다. 일례로, 유즈케이스 인디케이션은 컨슈머 네트워크 기능 장치(102)가 요청한 네트워크 데이터의 분석(analytics)에 대한 목적(purpose)을 식별한다.
단계(ii)에서, 네트워크 데이터 분석 기능 장치(101)는 프로바이더 네트워크 기능 장치(103) 또는 OAM 장치(105)로부터 제1 네트워크 데이터를 수집할 수 있다. 그리고, 네트워크 데이터 분석 기능 장치(101)는 컨슈머 네트워크 기능 장치(102)로부터 수신한 네트워크 데이터의 분석 요청에 따라 수집한 제1 네트워크 데이터를 분석을 수행하여 제1 네트워크 데이터에 대한 분석 정보를 생성할 수 있다.
이 때, 네트워크 데이터 분석 기능 장치(101)는 제1 네트워크 데이터에 대한 분석 정보를 생성하는 분석 모델을 식별할 수 있다. 일례로, 네트워크 데이터 분석 기능 장치(101)는 분석 모델을 스스로 생성하거나 또는 다른 엔티티에서 생성한 분석 모델을 불러올 수 있다.
일례로, 분석 모델은 분석 리포팅의 타겟(Target of Analytics Reporting), 분석 리포팅 파라미터(Analytics Reporting Parameters), 분석 필터 정보(Analytics Filter Information), 네트워크 기능 장치의 타입 (NF Type) 또는 유즈케이스 인디케이션 중 적어도 하나에 기초하여 결정될 수 있다.
이 때, 분석 리포팅의 타겟은 사용자 단말 또는 사용자 단말의 그룹을 의미할 수 있다. 그리고, 분석 리포팅 파라미터는, 네트워크 데이터 분석 기능 장치(101)가 수집한 제1 네트워크 데이터에 대한 타임스탬프, 제1 네트워크 데이터에 대한 수집 주기 등을 포함할 수 있다. 분석 필터 정보는 사용자 단말의 위치, 사용자 단말이 사용하는 슬라이스 정보 등을 포함할 수 있다. 그리고, 네트워크 기능 장치의 타입은 컨슈머 네트워크 기능 장치(102)의 종류를 구분하기 위한 정보를 의미할 수 있다. 또한, 유즈케이스 인디케이션은 복수의 유즈케이스들을 나타내는 정보를 의미할 수 있다.
단계(iii)에서, 네트워크 데이터 분석 기능 장치(101)가 특정 유즈케이스 또는 컨슈머 네트워크 기능 장치(102)에 대한 분석 모델을 평가하기 위해, 컨슈머 네트워크 기능 장치(102)로부터 피드백을 획득할 필요가 있다. 그러면, 네트워크 데이터 분석 기능 장치(101)는 컨슈머 네트워크 기능 장치(102)로부터 수신한 네트워크 데이터의 분석 요청에 응답하여 제1 네트워크 데이터의 분석 정보를 컨슈머 네트워크 기능 장치(102)에 제공할 수 있다.
이 때, 네트워크 데이터의 분석 요청에 대한 응답은 네트워크 데이터의 분석 요청에 대한 응답 서비스 작업 (ex. Nnwdaf_AnalyticsInfo_Request_response) 또는 네트워크 데이터의 분석 구독에 대한 통지 서비스 작업 (Nnwdaf_AnalyticsSubscription_Notify)를 포함할 수 있다.
네트워크 데이터의 분석 요청에 대한 응답 서비스 작업 또는 네트워크 데이터의 분석 구독에 대한 통지 서비스 작업은 피드백 인디케이션(Feedback Indication) 또는 만료 시간(Expiry Time)을 포함할 수 있다. 피드백 인디케이션은 컨슈머 네트워크 기능 장치(102)로부터 제1 네트워크 데이터의 분석 정보에 대한 피드백을 수신할 필요가 있는지를 식별하는 정보이다. 그리고 만료 시간은 피드백을 획득하기 위한 만료 시간을 식별한다.
단계(iv)에서, 컨슈머 네트워크 기능 장치(102)는 네트워크 데이터 분석 기능 장치(101)로부터 제1 네트워크 데이터에 대한 분석 정보를 수신할 수 있다. 그리고, 제1 네트워크 데이터에 대한 분석 정보를 포함하는 네트워크 데이터의 분석 요청에 대한 응답 서비스 작업 또는 네트워크 데이터의 분석 구독에 대한 통지 서비스 작업에 피드백 인디케이션이 인에이블(enable)된 경우, 컨슈머 네트워크 기능 장치(102)는 제1 네트워크 데이터의 분석 정보에 대한 피드백을 네트워크 분석 기능 장치(101)에 제공할 수 있다. 이 때, 컨슈머 네트워크 기능 장치(102)는 네트워크 데이터의 분석 정보에 대한 피드백은 피드백 서비스 작업(ex. Nnwdaf_AnalyticsInfo_Feedback 또는 Nnwdaf_AnalyticsSubscription_Feedback)를 통해 네트워크 데이터 분석 장치(101)에 제공할 수 있다.
여기서, 피드백 서비스 작업은 분석 정보 ID(Analytic ID), 분석 정보의 사용 여부(Analytics Usage), 컨슈머 네트워크 기능 장치의 타입 (NF Type), 유즈케이스 인디케이션(Use Case Indication), 평가값 (Evaluation value), 통지 타겟 주소(Notification Target Address) (+ 통지 상관 ID(Notification Correlation Id)), 피드백에 대한 타임스탬프 중 적어도 하나를 포함할 수 있다.
분석 정보 ID는 피드백과 관련된 분석 정보를 나타내는 정보이다. 분석 정보의 사용 여부는 컨슈머 네트워크 기능 장치(102)가 제1 네트워크 데이터에 대한 분석 정보를 사용했는지 여부를 식별하기 위한 정보이다. 분석 정보의 사용 여부는 컨슈머 네트워크 기능 장치(102)가 분석 정보에 의해 하나 또는 복수의 행동을 수행했을 때 인에이블될 수 있다.
컨슈머 네트워크 기능 장치의 타입은 컨슈머 네트워크 기능 장치(102)가 어떤 종류의 네트워크 기능 장치인지(ex. AMF 또는 SMF)를 식별하기 위한 정보이다. 유즈케이스 인디케이션은 제1 네트워크 데이터에 대한 분석 정보에 따라 컨슈머 네트워크 기능 장치(102)가 수행한 행동(action)의 목적(purpose)을 식별하기 위한 정보이다. 유즈케이스 인디케이션은 복수의 유즈케이스들을 나타낸다.
본 발명의 일실시예에 따르면, 단계(i)에서 설명한 유즈케이스 인디케이션과 단계(iv)에서 설명하는 유즈케이스 인디케이션은 다를 수 있다. 왜냐하면, 컨슈머 네트워크 기능 장치(102)는 단계(i)에서 설명되는 유즈케이스 인디케이션이 나타내는 유즈케이스에 대해 행동을 수행하지 않기 때문이다.
평가값은 컨슈머 네트워크 기능 장치(102)가 네트워크 데이터 분석 기능 장치(101)로부터 획득한 제1 네트워크 데이터의 분석 정보에 대한 만족도를 나타낸다. 평가값은 컨슈머 네트워크 기능 장치(102)가 제1 네트워크 데이터의 분석 정보를 평가할 때 제공된다.
통지 타겟 주소와 통지 상관 정보는 네트워크 데이터의 분석을 구독했을 때의 정보이다. 통지 타겟 주소는 컨슈머 네트워크 기능 장치의 주소를 나타낸다. 통지 상관 ID는 구독이 적용되었을 때, 네트워크 데이터 분석 기능 장치(101)로부터의 통지들(notifications)을 컨슈머 네트워크 기능 장치(102)에 대해 상관(correlation)하기 위한 정보이다. 피드백에 대한 타임스탬프는 컨슈머 네트워크 기능 장치가 피드백을 생성한 시점을 의미한다.
단계(v)에서, 네트워크 데이터 분석 기능 장치(101)는 프로바이더 네트워크 기능 장치(103) 또는 OAM 장치(105)로부터 제2 네트워크 데이터를 수집할 수 있다. 제1 네트워크 데이터는 제2 네트워크 데이터와 동일하거나 또는 다를 수 있다. 단계(ii)에서 설명되는 프로바이더 네트워크 기능 장치(103)는 도 1의 제1 프로바이더 네트워크 기능 장치(103-1)에 대응할 수 있고, 단계(v)에서 설명되는 프로바이더 네트워크 기능 장치(103)는 도 1의 제2 프로바이더 네트워크 기능 장치(103-2)에 대응할 수 있다.
단계(vi)에서, 네트워크 데이터 분석 기능 장치(101)는 컨슈머 네트워크 기능 장치(102)부터 획득한 피드백 및 단계(v)에서 수집한 제2 네트워크 데이터에 기초하여 제1 네트워크 데이터의 분석 정보를 평가할 수 있다. 그리고, 네트워크 데이터 분석 기능 장치(101)는 평가 결과에 기초하여 특정 유즈케이스 또는 특정 네트워크 기능 장치에 대해 제1 네트워크 데이터의 분석 정보를 생성할 때 사용한 분석 방법을 변경할 수 있다. 일례로, 네트워크 데이터 분석 기능 장치(101)는 제1 네트워크 데이터의 분석 정보를 생성할 때 이용된 분석 모델을 업데이트(예를 들면, 최적화 또는 분석 모델을 추가적으로 훈련함)할 수 있다.
한편, 본 발명에 따른 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성되어 마그네틱 저장매체, 광학적 판독매체, 디지털 저장매체 등 다양한 기록 매체로도 구현될 수 있다.
본 명세서에 설명된 각종 기술들의 구현들은 디지털 전자 회로조직으로, 또는 컴퓨터 하드웨어, 펌웨어, 소프트웨어로, 또는 그들의 조합들로 구현될 수 있다. 구현들은 데이터 처리 장치, 예를 들어 프로그램가능 프로세서, 컴퓨터, 또는 다수의 컴퓨터들의 동작에 의한 처리를 위해, 또는 이 동작을 제어하기 위해, 컴퓨터 프로그램 제품, 즉 정보 캐리어, 예를 들어 기계 판독가능 저장 장치(컴퓨터 판독가능 매체) 또는 전파 신호에서 유형적으로 구체화된 컴퓨터 프로그램으로서 구현될 수 있다. 상술한 컴퓨터 프로그램(들)과 같은 컴퓨터 프로그램은 컴파일된 또는 인터프리트된 언어들을 포함하는 임의의 형태의 프로그래밍 언어로 기록될 수 있고, 독립형 프로그램으로서 또는 모듈, 구성요소, 서브루틴, 또는 컴퓨팅 환경에서의 사용에 적절한 다른 유닛으로서 포함하는 임의의 형태로 전개될 수 있다. 컴퓨터 프로그램은 하나의 사이트에서 하나의 컴퓨터 또는 다수의 컴퓨터들 상에서 처리되도록 또는 다수의 사이트들에 걸쳐 분배되고 통신 네트워크에 의해 상호 연결되도록 전개될 수 있다.
컴퓨터 프로그램의 처리에 적절한 프로세서들은 예로서, 범용 및 특수 목적 마이크로프로세서들 둘 다, 및 임의의 종류의 디지털 컴퓨터의 임의의 하나 이상의 프로세서들을 포함한다. 일반적으로, 프로세서는 판독 전용 메모리 또는 랜덤 액세스 메모리 또는 둘 다로부터 명령어들 및 데이터를 수신할 것이다. 컴퓨터의 요소들은 명령어들을 실행하는 적어도 하나의 프로세서 및 명령어들 및 데이터를 저장하는 하나 이상의 메모리 장치들을 포함할 수 있다. 일반적으로, 컴퓨터는 데이터를 저장하는 하나 이상의 대량 저장 장치들, 예를 들어 자기, 자기-광 디스크들, 또는 광 디스크들을 포함할 수 있거나, 이것들로부터 데이터를 수신하거나 이것들에 데이터를 송신하거나 또는 양쪽으로 되도록 결합될 수도 있다. 컴퓨터 프로그램 명령어들 및 데이터를 구체화하는데 적절한 정보 캐리어들은 예로서 반도체 메모리 장치들, 예를 들어, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic Media), CD-ROM(Compact Disk Read Only Memory), DVD(Digital Video Disk)와 같은 광 기록 매체(Optical Media), 플롭티컬 디스크(Floptical Disk)와 같은 자기-광 매체(Magneto-Optical Media), 롬(ROM, Read Only Memory), 램(RAM, Random Access Memory), 플래시 메모리, EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM) 등을 포함한다. 프로세서 및 메모리는 특수 목적 논리 회로조직에 의해 보충되거나, 이에 포함될 수 있다.
또한, 컴퓨터 판독가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용매체일 수 있고, 컴퓨터 저장매체 및 호출매체를 모두 포함할 수 있다.
본 명세서는 다수의 특정한 구현물의 세부사항들을 포함하지만, 이들은 어떠한 발명이나 청구 가능한 것의 범위에 대해서도 제한적인 것으로서 이해되어서는 안되며, 오히려 특정한 발명의 특정한 실시형태에 특유할 수 있는 특징들에 대한 설명으로서 이해되어야 한다. 개별적인 실시형태의 문맥에서 본 명세서에 기술된 특정한 특징들은 단일 실시형태에서 조합하여 구현될 수도 있다. 반대로, 단일 실시형태의 문맥에서 기술한 다양한 특징들 역시 개별적으로 또는 어떠한 적절한 하위 조합으로도 복수의 실시형태에서 구현 가능하다. 나아가, 특징들이 특정한 조합으로 동작하고 초기에 그와 같이 청구된 바와 같이 묘사될 수 있지만, 청구된 조합으로부터의 하나 이상의 특징들은 일부 경우에 그 조합으로부터 배제될 수 있으며, 그 청구된 조합은 하위 조합이나 하위 조합의 변형물로 변경될 수 있다.
마찬가지로, 특정한 순서로 도면에서 동작들을 묘사하고 있지만, 이는 바람직한 결과를 얻기 위하여 도시된 그 특정한 순서나 순차적인 순서대로 그러한 동작들을 수행하여야 한다거나 모든 도시된 동작들이 수행되어야 하는 것으로 이해되어서는 안 된다. 특정한 경우, 멀티태스킹과 병렬 프로세싱이 유리할 수 있다. 또한, 상술한 실시형태의 다양한 장치 컴포넌트의 분리는 그러한 분리를 모든 실시형태에서 요구하는 것으로 이해되어서는 안되며, 설명한 프로그램 컴포넌트와 장치들은 일반적으로 단일의 소프트웨어 제품으로 함께 통합되거나 다중 소프트웨어 제품에 패키징 될 수 있다는 점을 이해하여야 한다.
한편, 본 명세서와 도면에 개시된 본 발명의 실시 예들은 이해를 돕기 위해 특정 예를 제시한 것에 지나지 않으며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시 예들 이외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 자명한 것이다.

Claims (26)

  1. 제1 NWDAF 장치가 수행하는 기계학습 모델의 탐색 방법에 있어서,
    NRF 장치에 기계학습 모델의 탐색 요청 서비스 작업을 호출하는 단계;
    상기 기계학습 모델의 탐색 요청 서비스 작업에 대해, 상기 NRF 장치로부터 탐색 응답 서비스 작업을 호출하는 단계;
    상기 탐색 응답 서비스 작업에 포함된 NWDAF 인스턴스를 선택하는 단계
    를 포함하고,
    상기 탐색 요청 서비스 작업은,
    MTLF(Model Training logical function)를 수행하는 제2 NWDAF 장치가 제공한 기계학습 모델과 관련된 정보를 포함하는 기계학습 모델의 탐색 방법.
  2. 제1항에 있어서,
    상기 NRF 장치는,
    상기 제2 NWDAF 장치로부터 네트워크 기능의 등록 요청 서비스 작업을 호출하여 MTLF에 대한 NF 프로파일을 저장하고,
    상기 등록 요청 서비스 작업은,
    (i) Analytic ID의 리스트, (ii) 지원된 서비스(Supported service), (iii) 서빙 영역 및 (iv) S-NSSAI 중 적어도 하나를 포함하는 기계학습 모델의 탐색 방법.
  3. 제1항에 있어서,
    상기 NRF 장치는,
    상기 제2 NWDAF 장치로부터 네트워크 기능의 등록 요청 서비스 작업을 호출하여 MTLF에 대한 NF 프로파일을 저장하고,
    상기 등록 요청 서비스 작업은,
    (i) Analytic ID의 리스트, (ii) 지원된 서비스(Supported service), (iii) 서빙 영역, (iv)S-NSSAI (Subscribed Network Slice Selection Assistance Information) 및 (v) 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information) 중 적어도 하나를 포함하는 기계학습 모델의 탐색 방법.
  4. 제1항에 있어서,
    상기 NWDAF 인스턴스를 선택하는 단계는,
    (i) S-NSSAI, (ii) Analytic ID, (iii) 지원된 서비스(Supported service),(iv) NWDAF 서빙 영역 정보(Serving Area information), (v) NWDAF 지역 정보(location information), (vi) 데이터 소스의 NF 타입(NF type of a data source), (vii) 데이터 소스의 NF Set ID(NF Set ID of the data source), (viii) 지원된 분석 지연(Supported Analytics Delay), (ix) NWDAF 능력(Capabilities) 중 적어도 하나에 기초하여 NWDAF 인스턴스를 선택하는 기계학습 모델의 탐색 방법.
  5. 제1항에 있어서,
    상기 제1 NWDAF 장치는, 연합 학습의 로컬 훈련(local training)을 수행하고, MTLF(Model Training logical function)를 지원하며,
    상기 제2 NWDAF 장치는, 연합 학습의 글로벌 훈련(global training)을 수행하고, MTLF을 지원하는 기계학습 모델의 탐색 방법.
  6. 제5항에 있어서,
    상기 등록 요청 서비스 작업은,
    (i) Analytic ID의 리스트, 지원된 서비스(Supported service) 및 서빙 영역 및 S-NSSAI, 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information), 기계학습 모델 훈련 능력 또는 기계학습 모델의 업데이트 능력 중 적어도 하나를 포함하는 기계학습 모델의 탐색 방법.
  7. 제1 NWDAF 장치가 수행하는 기계학습 모델의 프로비저닝 방법에 있어서,
    MTLF를 수행하는 제2 NWDAF 장치에 기계학습 모델의 프로비저닝에 대한 구독 서비스 작업을 호출하는 단계;
    상기 제2 NWDAF 장치로부터 상기 구독 서비스에 대한 통지 서비스 작업을 호출하는 단계
    를 포함하는 기계학습 모델의 프로비저닝 방법.
  8. 제7항에 있어서,
    상기 구독 서비스 작업은,
    (i) 분석 ID(Analytic ID), (ii) S-NSSAI(Subscribed Network Slice Selection Assistance Information), (iii) 관심 타겟 영역(Target Area of Interest), (iv) 어플리케이션 ID(Application ID), (v) 타겟 사용자 단말(Target UE), (v) 기계학습 모델 타겟 기간(ML Model target period) 및 (vi) 만료 시간(Expiry time) 중 적어도 하나를 포함하는 기계학습 모델의 프로비저닝 방법.
  9. 제7항에 있어서,
    상기 구독 서비스 작업은,
    (i) 분석 ID(Analytic ID), (ii) S-NSSAI(Subscribed Network Slice Selection Assistance Information), (iii) 관심 타겟 영역(Target Area of Interest), (iv) 어플리케이션 ID(Application ID), (v) 타겟 사용자 단말(Target UE), (v) 기계학습 모델 타겟 기간(ML Model target period), (vi) 만료 시간(Expiry time) 및 (vii) 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information) 중 적어도 하나를 포함하는 기계학습 모델의 프로비저닝 방법.
  10. 제7항에 있어서,
    상기 통지 서비스 작업은,
    (i) 기계학습 모델 파일, 또는 기계학습 모델 파일 주소를 포함하는 기계학습 모델 정보(ML Model Information), (ii) 유효성 기간(Validity period) 및 (iii) 공간 유효성(Spatial Validity) 중 적어도 하나를 포함하는 기계학습 모델의 프로비저닝 방법.
  11. 제7항에 있어서,
    상기 통지 서비스 작업은,
    (i) 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information), (ii) 유효성 기간(Validity period) 및 (iii) 공간 유효성(Spatial Validity) 중 적어도 하나를 포함하는 기계학습 모델의 프로비저닝 방법.
  12. 제7항에 있어서,
    상기 기계학습 모델의 프로비저닝에 대한 구독 서비스 작업을 호출하는 단계는,
    제1 기계학습 모델의 프로비저닝에 대한 구독이 완료된 이후에, 제2 기계학습 모델의 프로비저닝에 대한 구독 서비스 작업을 호출하고,
    상기 구독 서비스 작업은,
    상기 제1 기계학습 모델에 대한 구독 ID와 동일한 구독 ID를 포함하는 기계학습 모델의 프로비저닝 방법.
  13. 제12항에 있어서,
    상기 구독 서비스 작업은,
    (i) 분석 ID(Analytic ID), (ii) S-NSSAI(Subscribed Network Slice Selection Assistance Information), (iii) 관심 타겟 영역(Target Area of Interest), (iv) 어플리케이션 ID(Application ID), (v) 타겟 사용자 단말(Target UE), (v) 기계학습 모델 타겟 기간(ML Model target period), (vi) 만료 시간(Expiry time), (vii) 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information) 및 (viii) 대체 기계학습 모델 플래그(alternative ML model flag) 중 적어도 하나를 포함하는 기계학습 모델의 프로비저닝 방법.
  14. 제7항에 있어서,
    상기 제1 NWDAF 장치는, 연합 학습의 로컬 훈련(local training)을 수행하고, MTLF(Model Training logical function)를 지원하며,
    상기 제2 NWDAF 장치는, 연합 학습의 글로벌 훈련(global training)을 수행하고, MTLF을 지원하는 기계학습 모델의 프로비저닝 방법.
  15. 제14항에 있어서,
    상기 통지 서비스 작업은,
    (i) 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information), (ii) 유효성 기간(Validity period) 및 (iii) 공간 유효성(Spatial Validity) 적어도 하나를 포함하는 기계학습 모델의 프로비저닝 방법.
  16. 제7항에 있어서,
    상기 제1 NWDAF 장치는, 기계학습 모델에 대해 연합 학습의 로컬 훈련을 수행하고,
    상기 제2 NWDAF 장치는, 기계학습 모델에 대해 연합 학습의 글로벌 훈련을 수행하고,
    로컬적으로 기계학습 모델을 훈련하는 단계;
    상기 제2 NWDAF 장치로 기계학습 모델의 업데이트 통지 서비스 작업을 호출하는 단계;
    상기 기계학습 모델을 글로벌적으로 업데이트를 수행한 제2 NWDAF 장치로부터 기계학습 모델의 프로비저닝에 대한 통지 서비스 작업을 호출하는 단계
    를 더 포함하는 기계학습 모델의 프로비저닝 방법.
  17. 제7항에 있어서,
    상기 제1 NWDAF 장치는, 기계학습 모델에 대해 연합 학습의 로컬 훈련을 수행하고,
    상기 제2 NWDAF 장치는, 기계학습 모델에 대해 연합 학습의 글로벌 훈련을 수행하고,
    상기 기계학습 모델에 대해 로컬적으로 훈련하는 단계;
    글로벌적으로 기계학습 모델을 업데이트하는 제2 NWDAF 장치에 기계학습 모델의 업데이트 통지 서비스 작업을 호출하는 단계
    를 더 포함하는 기계학습 모델의 프로비저닝 방법.
  18. 제1 NWDAF 장치가 수행하는 기계학습 모델의 정보 요청 방법에 있어서,
    상기 제1 NWDAF 장치가 MTLF를 수행하는 제2 NWDAF 장치에 기계학습 모델의 모델 정보에 대한 요청 서비스 작업을 호출하는 단계;
    상기 제2 NWDAF 장치로부터 상기 요청 서비스 작업에 대한 응답 서비스 작업을 호출하는 단계
    를 포함하는 기계학습 모델의 정보 요청 방법.
  19. 제18항에 있어서,
    상기 요청 서비스 작업은,
    (i) 분석 ID(Analytic ID), (ii) S-NSSAI(Subscribed Network Slice Selection Assistance Information), (iii) 관심 타겟 영역(Target Area of Interest), (iv) 어플리케이션 ID(Application ID), (v) 타겟 사용자 단말(Target UE), (v) 기계학습 모델 타겟 기간(ML Model target period) 및 (vi) 만료 시간(Expiry time) 중 적어도 하나를 포함하는 기계학습 모델의 정보 요청 방법.
  20. 제18항에 있어서,
    상기 요청 서비스 작업은,
    (i) 분석 ID(Analytic ID), (ii) S-NSSAI(Subscribed Network Slice Selection Assistance Information), (iii) 관심 타겟 영역(Target Area of Interest), (iv) 어플리케이션 ID(Application ID), (v) 타겟 사용자 단말(Target UE), (v) 기계학습 모델 타겟 기간(ML Model target period), (vi) 만료 시간(Expiry time) 및 (vii) 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information) 중 적어도 하나를 포함하는 기계학습 모델의 정보 요청 방법.
  21. 제18항에 있어서,
    상기 응답 서비스 작업은,
    (i) 기계학습 모델 파일, 또는 기계학습 모델 파일 주소를 포함하는 기계학습 모델 정보(ML Model Information), (ii) 유효성 기간(Validity period) 및 (iii) 공간 유효성(Spatial Validity) 중 적어도 하나를 포함하는 기계학습 모델의 정보 요청 방법.
  22. 제18항에 있어서,
    상기 응답 서비스 작업은,
    (i) 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information), (ii) 유효성 기간(Validity period) 및 (iii) 공간 유효성(Spatial Validity) 중 적어도 하나를 포함하는 기계학습 모델의 정보 요청 방법.
  23. 제18항에 있어서,
    상기 제1 NWDAF 장치는, 연합 학습의 로컬 훈련(local training)을 수행하고, MTLF(Model Training logical function)를 지원하며,
    상기 제2 NWDAF 장치는, 연합 학습의 글로벌 훈련(global training)을 수행하고, MTLF을 지원하는 기계학습 모델의 정보 요청 방법.
  24. 제23항에 있어서,
    상기 응답 서비스 작업은,
    (i) 기계학습 모델 파일 주소, 기계학습 모델 파일, 모델 ID 및 모델 버전 중 적어도 하나를 포함하는 기계학습 모델 정보(ML Model Information), (ii) 유효성 기간(Validity period) 및 (iii) 공간 유효성(Spatial Validity) 중 적어도 하나를 포함하는 기계학습 모델의 정보 요청 방법.
  25. 기계학습 모델의 업데이트 방법에 있어서,
    제1 NWDAF 장치를 선택한 제2 NWDAF 장치로부터 기계학습 모델의 훈련 구독 서비스 작업의에 대한 호출을 수신하는 단계;
    상기 기계학습 모델에 대해 로컬적으로 훈련하는 단계;
    상기 기계학습 모델을 글로벌적으로 업데이트하는 제2 NWDAF 장치에 기계학습 모델의 훈련 통지 서비스 작업을 호출하는 단계
    를 포함하고,
    상기 제1 NWDAF 장치는, 기계학습 모델에 대해 연합 학습의 로컬 훈련을 수행하고,
    상기 제2 NWDAF 장치는, 기계학습 모델에 대해 연합 학습의 글로벌 훈련을 수행하는 기계학습 모델의 업데이트 방법.
  26. 기계학습 모델의 업데이트 방법에 있어서,
    제1 NWDAF 장치를 선택한 제2 NWDAF 장치로부터 기계학습 모델의 훈련 요청 서비스 작업의 호출을 수신하는 단계;
    상기 기계학습 모델에 대해 로컬적으로 훈련하는 단계;
    상기 기계학습 모델을 글로벌적으로 업데이트하는 제2 NWDAF 장치에 기계학습 모델의 훈련 응답 서비스 작업을 호출하는 단계
    를 포함하고,
    상기 제1 NWDAF 장치는, 기계학습 모델에 대해 연합 학습의 로컬 훈련을 수행하고, 상기 제2 NWDAF 장치는, 기계학습 모델에 대해 연합 학습의 글로벌 훈련을 수행하는 기계학습 모델의 업데이트 방법.
KR1020210107543A 2020-08-13 2021-08-13 네트워크 데이터 분석 기능 장치를 위한 기계학습 모델 관리 방법 KR20220021438A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/402,151 US20220108214A1 (en) 2020-08-13 2021-08-13 Management method of machine learning model for network data analytics function device

Applications Claiming Priority (18)

Application Number Priority Date Filing Date Title
KR20200101945 2020-08-13
KR1020200101945 2020-08-13
KR1020200108740 2020-08-27
KR20200108740 2020-08-27
KR1020210022055 2021-02-18
KR20210022055 2021-02-18
KR1020210024702 2021-02-24
KR20210024702 2021-02-24
KR20210039682 2021-03-26
KR1020210039682 2021-03-26
KR20210042573 2021-04-01
KR1020210042573 2021-04-01
KR20210050036 2021-04-16
KR1020210050036 2021-04-16
KR20210059184 2021-05-07
KR1020210059184 2021-05-07
KR20210068523 2021-05-27
KR1020210068523 2021-05-27

Publications (1)

Publication Number Publication Date
KR20220021438A true KR20220021438A (ko) 2022-02-22

Family

ID=80494516

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210107543A KR20220021438A (ko) 2020-08-13 2021-08-13 네트워크 데이터 분석 기능 장치를 위한 기계학습 모델 관리 방법

Country Status (2)

Country Link
US (1) US20220108214A1 (ko)
KR (1) KR20220021438A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102477839B1 (ko) 2022-03-15 2022-12-15 주식회사 파프리카데이터랩 데이터 내 검출된 객체의 특성을 이용한 데이터 유효성 검사 방법 및 장치
WO2023173075A1 (en) * 2022-03-11 2023-09-14 Intel Corporation Training updates for network data analytics functions (nwdafs)
WO2023214736A1 (ko) * 2022-05-04 2023-11-09 삼성전자 주식회사 이동 통신 시스템에서 연합 기계 학습 수행을 관리하기 위한 방법 및 장치

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230093963A1 (en) * 2021-09-28 2023-03-30 Qualcomm Incorporated Artificial intelligence based enhancements for idle and inactive state operations
US20230262433A1 (en) * 2022-02-11 2023-08-17 Verizon Patent And Licensing Inc. Method and system for discovery of network analytics
EP4270872A1 (en) * 2022-04-27 2023-11-01 Nokia Technologies Oy Authorized machine learning model retrieval for a communications network
WO2023215720A1 (en) * 2022-05-02 2023-11-09 Intel Corporation Authorization and authentication of machine learning model transfer
WO2023213288A1 (zh) * 2022-05-05 2023-11-09 维沃移动通信有限公司 模型获取方法及通信设备
GB202211702D0 (en) * 2022-05-06 2022-09-21 Samsung Electronics Co Ltd Method and Apparatus for Application Federated Learning Flexible Operation over 5GS
CN117082564A (zh) * 2022-05-06 2023-11-17 华为技术有限公司 一种通信方法和装置
WO2023227937A1 (en) * 2022-05-25 2023-11-30 Telefonaktiebolaget Lm Ericsson (Publ) Method and apparatus for controlling the training of machine learning models in pipelined analytics service implementations
WO2023241818A1 (en) * 2022-06-15 2023-12-21 Lenovo (Singapore) Pte. Ltd Protecting machine learning models in a wireless communication network
FR3138710A1 (fr) * 2022-08-05 2024-02-09 Orange Procédé de traitement d’une requête d’analyse statistique ou prédictive, procédé de communication et entités applicatives aptes à mettre en œuvre ces procédés
EP4322493A1 (en) * 2022-08-09 2024-02-14 Nokia Technologies Oy Method to monitor accuracy of analytics in a mobile communication system
WO2024032876A1 (en) * 2022-08-09 2024-02-15 Nokia Technologies Oy Managing distributed network functions in a core network
WO2024100035A1 (en) * 2022-11-07 2024-05-16 Telefonaktiebolaget Lm Ericsson (Publ) Authorizing federated learning participant in 5g system (5gs)
WO2024099875A1 (en) * 2022-11-07 2024-05-16 Telefonaktiebolaget Lm Ericsson (Publ) Security for ai/ml model storage and sharing
WO2024110083A1 (en) * 2023-08-09 2024-05-30 Lenovo (Singapore) Pte. Ltd. Support for machine learning enabled analytics
WO2024079365A1 (en) * 2023-10-02 2024-04-18 Lenovo (Singapore) Pte. Ltd. Notification handling for vertical federated learning enablement

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023173075A1 (en) * 2022-03-11 2023-09-14 Intel Corporation Training updates for network data analytics functions (nwdafs)
KR102477839B1 (ko) 2022-03-15 2022-12-15 주식회사 파프리카데이터랩 데이터 내 검출된 객체의 특성을 이용한 데이터 유효성 검사 방법 및 장치
WO2023214736A1 (ko) * 2022-05-04 2023-11-09 삼성전자 주식회사 이동 통신 시스템에서 연합 기계 학습 수행을 관리하기 위한 방법 및 장치

Also Published As

Publication number Publication date
US20220108214A1 (en) 2022-04-07

Similar Documents

Publication Publication Date Title
KR20220021438A (ko) 네트워크 데이터 분석 기능 장치를 위한 기계학습 모델 관리 방법
US11832169B2 (en) Service registration and discovery in a communications network
CN111226497B (zh) 通信网络中的服务注册
US20210377754A1 (en) Entities and Methods for Automatic Configuration and Selection of Analytics Network Function Instances in 5G Networks
CN102609435A (zh) 使用实时处理器的大规模事件评估
CN114902622B (zh) 用于确定模型以数字化地分析输入数据的网络实体
CN110413868A (zh) 信息推荐方法、装置、系统及存储介质
CN110447025A (zh) 在物联网中启用语义混搭
US20210367854A1 (en) Method for data collection using multiple network data analytics functions device
KR20200116845A (ko) Nwdaf를 위한 af 장치로부터의 네트워크 데이터 수집 방법
CN112840691A (zh) 在网络中发现可收集数据和分析数据的设备和方法
CN110543512B (zh) 一种信息同步方法，装置及系统
US20220272010A1 (en) Network entities for supporting analytics generation
Gao et al. Big data sensing and service: A tutorial
US20160094485A1 (en) Open m2m system and method
CN110515750B (zh) 一种应用拓扑生成方法、系统及集群
US10237689B2 (en) Method for changing update period of location information in M2M system
CN115499421B (zh) 一种基于三层架构的微服务架构模式系统
US20220353145A1 (en) Network entities for supporting analytics generation in a mobile network
CN114342454A (zh) 无线核心网络中整合分析报告的分发
US10467193B1 (en) Real-time ad hoc querying of data records
KR102504700B1 (ko) 복수의 네트워크 데이터 분석 기능 장치를 이용한 데이터 수집 방법
KR102003941B1 (ko) 서비스 공통 실행 환경에서의 서비스 통합 관리 시스템
CN108073638A (zh) 数据诊断方法及装置
Ganchev et al. The creation of a data management platform for use in the UCWW