KR20220042928A - 복수의 액세스 네트워크 장치들에 대한 자동 구성 네트워크를 구현하는 방법 및 이를 수행하는 전자 장치 - Google Patents

복수의 액세스 네트워크 장치들에 대한 자동 구성 네트워크를 구현하는 방법 및 이를 수행하는 전자 장치 Download PDF

Info

Publication number
KR20220042928A
KR20220042928A KR1020200126359A KR20200126359A KR20220042928A KR 20220042928 A KR20220042928 A KR 20220042928A KR 1020200126359 A KR1020200126359 A KR 1020200126359A KR 20200126359 A KR20200126359 A KR 20200126359A KR 20220042928 A KR20220042928 A KR 20220042928A
Authority
KR
South Korea
Prior art keywords
state
access network
time point
time
history information
Prior art date
Application number
KR1020200126359A
Other languages
English (en)
Inventor
이태섭
김태정
김학성
송주환
장서우
최민석
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020200126359A priority Critical patent/KR20220042928A/ko
Priority to US17/235,291 priority patent/US11589299B2/en
Priority to PCT/KR2021/005980 priority patent/WO2022065623A1/en
Priority to CN202180066455.1A priority patent/CN116235529A/zh
Priority to EP21872663.6A priority patent/EP4183160A4/en
Publication of KR20220042928A publication Critical patent/KR20220042928A/ko

Links

Images

Classifications

    • 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
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
    • H04W88/18—Service support devices; Network management devices
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

본 문서에 개시되는 일 실시 예에 따른 전자 장치가 적어도 하나의 셀(cell)들을 포함하는 액세스 네트워크의 상태를 조정하는 방법은, 제1 시점에서 상기 액세스 네트워크의 상태 이력 정보를 획득하는 단계, 상기 획득한 상태 이력 정보에 기초하여, 상기 액세스 네트워크의 상태를 조정하는데 소요되는 제1 시간을 결정하는 단계, 상기 제1 시점 및 상기 제1 시간에 기초하여, 상기 액세스 네트워크의 상태를 조정하는 기준 시점인 제2 시점을 결정하는 단계, 상기 획득된 상태 이력 정보에 기초하여, 상기 제2 시점에서의 상기 액세스 네트워크의 상태를 예측하는 단계, 상기 예측된 상기 제2 시점에서의 상기 액세스 네트워크의 상태에 기초하여, 상기 액세스 네트워크의 상태를 조정하기 위한 상태 제어 파라미터들의 값을 도출하는 단계, 및 상기 도출된 상태 제어 파라미터들의 값을 상기 액세스 네트워크에 전달하는 단계를 포함하고, 상기 액세스 네트워크에 전달되는 상기 상태 제어 파라미터들의 값은 상기 액세스 네트워크의 상태가 조정되도록 상기 제2 시점에서 상기 액세스 네트워크의 상태 제어 파라미터에 적용되는 것을 특징으로 할 수 있다.

Description

복수의 액세스 네트워크 장치들에 대한 자동 구성 네트워크를 구현하는 방법 및 이를 수행하는 전자 장치{A METHOD OF IMPLEMENTING AN SELF-ORGANIZING NETWORK FOR A PLURALITY OF ACCESS NETWORK DEVICES AND AN ELECTRONIC DEVICE PERFORMING THE SAME}
본 문서에서 개시되는 실시 예들은 액세스 네트워크 장치에 대한 자동 구성 네트워크를 구현하는 방법 및 이를 수행하는 전자 장치에 관한 것이다.
통신 기술의 발달에 따라 사용자들은 단말을 이용하여 기지국과 통신함으로써 다양한 형태의 작업을 수행할 수 있다. 예를 들어, 사용자들은 각자의 단말을 이용하여, 음성 메시지 또는 문자 메시지를 송수신하거나, 음원 또는 영상을 재생할 수도 있고, 인터넷을 사용할 수도 있다.
기지국은 단말들에 무선 통신 서비스를 제공하기 위해, 복수의 단말들과 액세스 네트워크를 구성할 수 있다. 액세스 네트워크 장치로서 기지국은 복수의 섹터들(sectors)을 포함할 수 있고, 각각의 섹터는 주파수 대역에 따른 복수의 셀들(cells)을 포함할 수 있다. 각각의 셀에 대해서는 복수의 단말들이 연결될 수 있고, 복수의 단말들 각각에 대한 무선 통신 서비스가 제공될 수 있다.
액세스 네트워크 장치에 대한 자동 구성 네트워크(self-organizing network, SON)는 주변 상황에 자동적으로 적응하여 스스로 망을 구성하는 네트워크를 의미하며, 통신망 커버리지 및 전송 용량 확장의 경제성 문제를 해결하고 네트워크 운용과 네트워크 관리의 경제적 효용성을 높이기 위한 목적으로 사용된다. 자동 구성 네트워크를 구현하기 위해서는 복수의 액세스 네트워크 장치들로부터 데이터를 수집하여 분석하고 최적화된 설정을 도출할 수 있는 중앙 서버가 필요할 수 있다.
중앙 서버를 이용하여 복수의 액세스 네트워크 장치들에 대한 자동 구성 네트워크를 구현하는 경우, 상당한 개수의 액세스 네트워크 장치들로부터 필요한 데이터를 수집하고 분석하는 데에는 막대한 시간이 필요할 수 있다. 이 경우, 액세스 네트워크 장치들로부터 데이터를 수집하는 시점 및 중앙 서버가 최적화된 설정을 도출하는 시점 사이에는 상당한 시간적 괴리가 발생할 수 있다. 이로 인해, 중앙 서버가 최적화된 설정을 도출한 시점에서의 액세스 네트워크들의 상태는 데이터를 수집한 시점에서의 액세스 네트워크들의 상태로부터 많은 변화가 발생하였을 수 있다. 중앙 서버가 도출한 최적화된 설정은 상기 설정이 적용되는 시점에서는 더 이상 적절한 설정이 아닐 수 있고, 결과적으로 자동 구성 네트워크를 효과적으로 구현하는 데에 어려움이 있을 수 있다.
본 문서에 개시되는 기술적 사상은 상기의 문제점들을 해결하기 위한 것으로서, 액세스 네트워크 장치들로부터 데이터를 수집하는 시점과 최적화된 설정을 도출하는 시점 사이의 시간적 괴리로 인해 발생하는 문제를 해결하고, 자동 구성 네트워크를 효과적으로 구현하는 방법 및 이를 수행하는 전자 장치를 제공하는 데에 있다.
본 문서에 개시되는 일 실시 예에 따른 전자 장치가 적어도 하나의 셀(cell)들을 포함하는 액세스 네트워크의 상태를 조정하는 방법은, 제1 시점에서 상기 액세스 네트워크의 상태 이력 정보를 획득하는 단계, 상기 획득한 상태 이력 정보에 기초하여, 상기 액세스 네트워크의 상태를 조정하는데 소요되는 제1 시간을 결정하는 단계, 상기 제1 시점 및 상기 제1 시간에 기초하여, 상기 액세스 네트워크의 상태를 조정하는 기준 시점인 제2 시점을 결정하는 단계, 상기 획득된 상태 이력 정보에 기초하여, 상기 제2 시점에서의 상기 액세스 네트워크의 상태를 예측하는 단계, 상기 예측된 상기 제2 시점에서의 상기 액세스 네트워크의 상태에 기초하여, 상기 액세스 네트워크의 상태를 조정하기 위한 상태 제어 파라미터들의 값을 도출하는 단계, 및 상기 도출된 상태 제어 파라미터들의 값을 상기 액세스 네트워크에 전달하는 단계를 포함하고, 상기 액세스 네트워크에 전달되는 상기 상태 제어 파라미터들의 값은 상기 액세스 네트워크의 상태가 조정되도록 상기 제2 시점에서 상기 액세스 네트워크의 상태 제어 파라미터에 적용되는 것을 특징으로 할 수 있다.
본 문서에 개시되는 일 실시 예에 따른 적어도 하나의 셀(cell)들을 포함하는 액세스 네트워크의 상태를 조정하는 전자 장치는, 적어도 하나의 프로세서 및 상기 적어도 하나의 프로세서와 연결되는 메모리를 포함하고, 상기 적어도 하나의 프로세서는, 제1 시점에서 상기 액세스 네트워크의 상태 이력 정보를 획득하고, 상기 획득한 상태 이력 정보에 기초하여, 상기 액세스 네트워크의 상태를 조정하는데 소요되는 제1 시간을 결정하고, 상기 제1 시점 및 상기 제1 시간에 기초하여, 상기 액세스 네트워크의 상태를 조정하는 기준 시점인 제2 시점을 결정하고, 상기 획득된 상태 이력 정보에 기초하여, 상기 제2 시점에서의 상기 액세스 네트워크의 상태를 예측하고, 상기 예측된 상기 제2 시점에서의 상기 액세스 네트워크의 상태에 기초하여, 상기 액세스 네트워크의 상태를 조정하기 위한 상태 제어 파라미터들의 값을 도출하고, 및 상기 도출된 상태 제어 파라미터들의 값을 상기 액세스 네트워크에 전달하도록 설정되고, 상기 액세스 네트워크에 전달되는 상기 상태 제어 파라미터들의 값은 상기 액세스 네트워크의 상태가 조정되도록 상기 제2 시점에서 상기 액세스 네트워크의 상태 제어 파라미터에 적용되는 것을 특징으로 할 수 있다.
본 문서에 개시되는 실시 예들에 따르면, 액세스 네트워크 장치들로부터 데이터를 수집하는 시점과 최적화된 설정을 도출하는 시점 사이의 시간적 괴리로부터 발생할 수 있는 상태 변화의 영향을 감소시킬 수 있다. 이를 통해, 도출된 설정의 신뢰도를 향상시킬 수 있고, 액세스 네트워크 장치들에 대한 부하 분산 효과 또는 소모 전력 절약 효과를 증가시킬 수 있다.
이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1은 일 실시 예에 따른, 복수의 액세스 네트워크 장치들 및 복수의 액세스 네트워크의 상태를 조정하는 서버를 포함하는 통신 시스템을 나타낸다.
도 2는 일 실시 예에 따른, 복수의 액세스 네트워크의 상태를 조정하는 전자 장치의 블록도를 나타낸다.
도 3은 일 실시 예에 따른, 액세스 네트워크 장치의 블록도를 나타낸다.
도 4는 일 실시 예에 따른, 액세스 네트워크의 상태를 조정하는 방법에 대한 흐름도를 나타낸다.
도 5는 일 실시 예에 따른, 액세스 네트워크의 상태를 조정하기 위한 전자 장치들의 동작을 설명하기 위한 도면이다.
도 6은 일 실시 예에 따른, 액세스 네트워크에 대한 예측된 상태와 실제 상태의 차이를 산출하는 방법을 설명하기 위한 도면이다.
도 7a는 일 실시 예에 따른, 액세스 네트워크의 상태를 조정하는 방법에 따른 액세스 네트워크의 상태 조정을 설명하기 위한 도면이다.
도 7b는 다른 실시 예에 따른, 액세스 네트워크의 상태를 조정하는 방법에 따른 액세스 네트워크의 상태 조정을 설명하기 위한 도면이다.
도 8은 일 실시 예에 따른, 제1 인공지능 학습 모델의 훈련 방법을 설명하기 위한 도면이다.
도 9는 일 실시 예에 따른, 제1 인공지능 학습 모델 및 제2 인공지능 학습 모델의 훈련 방법을 설명하기 위한 도면이다.
도면의 설명과 관련하여, 동일 또는 유사한 구성요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
도 1은 일 실시 예에 따른, 복수의 액세스 네트워크 장치들 및 복수의 액세스 네트워크들의 상태를 조정하는 서버를 포함하는 통신 시스템을 나타낸다.
도 1을 참조하면, 통신 시스템(100)은 서버(101) 및 복수의 액세스 네트워크 장치들(110)을 포함할 수 있고, 복수의 액세스 네트워크 장치들(110)은 제1 액세스 네트워크 장치(111), 제2 액세스 네트워크 장치(112), 및 제3 액세스 네트워크 장치(113)를 포함할 수 있다. 다양한 실시 예에 따르면, 서버(101)와 연결되는 액세스 네트워크 장치의 수는 도 1에 도시된 바에 한정되지 않는다.
일 실시 예에 따르면, 서버(101)는 복수의 액세스 네트워크 장치들(110) 각각과 데이터를 송수신할 수 있다. 예를 들면, 서버(101)는 복수의 액세스 네트워크 장치들(110) 각각으로부터 지정된 시점에서의 복수의 액세스 네트워크들 각각의 상태와 관련된 정보를 수신할 수 있다. 예컨대, 서버(101)는 복수의 액세스 네트워크 장치들(110) 각각으로부터 t0 부터 t1 까지의 복수의 액세스 네트워크의 상태에 대한 정보를 수신할 수 있다. 다른 예를 들면, 서버(101)는 복수의 액세스 네트워크들 각각의 상태를 조정하기 위한 파라미터의 값에 대한 정보를 복수의 액세스 네트워크 장치들(110) 각각에 송신할 수 있다. 예컨대, 서버(101)는 복수의 액세스 네트워크들 각각의 t2 에서의 상태를 조정하기 위한 파라미터의 값에 대한 정보를 복수의 액세스 네트워크 장치들(110) 각각에 송신할 수 있다. 일 실시 예에서, t2는 t1보다 늦고 t1은 t0보다 늦은 시간으로 이해될 수 있다.
다양한 실시 예에 따르면, 서버(101)는 복수의 액세스 네트워크 장치들(110) 각각이 복수의 액세스 네트워크 각각의 상태에 대한 조정을 수행하도록 적절한 파라미터의 값을 도출할 수 있다. 예를 들어, 제1 액세스 네트워크 장치(111)는 액세스 네트워크의 상태에 대하여 제1 액세스 네트워크 장치(111)에 포함되는 복수의 셀들 사이의 부하 분산(load balancing)이 이루어지도록 상태 조정을 수행할 수 있고, 서버(101)는 제1 액세스 네트워크 장치(111)의 액세스 네트워크 상태와 관련된 정보에 기초하여 상기 복수의 셀들 사이에 부하 분산이 이루어질 수 있도록 적절한 파라미터의 값을 도출할 수 있다. 다른 예를 들어, 제2 액세스 네트워크 장치(112)는 액세스 네트워크 상태에 대하여 소모 전력을 감소시키기 위한 상태 조정을 수행할 수 있고, 서버(101)는 제2 액세스 네트워크 장치(112)의 액세스 네트워크 상태와 관련된 정보에 기초하여, 소모 전력을 감소시킬 수 있도록 적절한 파라미터의 값을 도출할 수 있다.
다양한 실시 예에 따르면, 복수의 액세스 네트워크 장치들(110) 각각은 기지국에 해당할 수 있고 또는 기지국의 일부 구성인 중앙 장치(central unit, CU), 분배 장치(distributed unit, DU), 디지털 신호 처리 장치(digital unit, DU), 또는 무선 장치(radio unit, RU)를 포함할 수 있다. 일 실시 예에 따르면, 복수의 액세스 네트워크 장치들(110) 각각은 복수의 셀들을 포함할 수 있다. 예컨대, 기지국의 하나의 지역적 단위인 섹터에는 주파수 대역에 따라 복수의 셀들이 포함될 수 있고, 복수의 단말들은 복수의 셀들 중 어느 하나의 셀에 선택되어 연결될 수 있다.
다양한 실시 예에 따르면, 복수의 액세스 네트워크 장치들(110)은 복수의 셀들의 부하가 서로 균등해질 수 있도록 상태를 조정할 수 있고 또는 복수의 셀들 전체에서 소모되는 전력이 감소될 수 있도록 상태를 조정할 수도 있다. 다양한 실시 예에서, 복수의 액세스 네트워크 장치들(110)은 상태를 조정하기 위해 상태 조정과 연관되는 파라미터들의 값을 변경시킬 수 있다. 예를 들어, 복수의 액세스 네트워크 장치들(110)은 서버(101)에서 도출된 상기 파라미터들의 값을 서버(101)로부터 수신할 수 있고, 상기 수신된 값으로 파라미터들의 값을 변경시킴으로써 각각의 액세스 네트워크의 상태를 조정할 수 있다.
일 실시 예에 따르면, 복수의 액세스 네트워크 장치들(110) 각각은 지정된 시점 또는 지정된 시간 구간에서의 액세스 네트워크의 상태와 관련된 정보를 서버(101)에 전달할 수 있다. 예를 들어, 복수의 액세스 네트워크 장치들(110) 각각은 지정된 시간 간격으로 액세스 네트워크의 상태와 관련된 정보를 서버(101)에 전달할 수 있다. 다른 예를 들어, 복수의 액세스 네트워크 장치들(110) 각각은 서버(101)로부터 수신된 요청 메시지에 응답하여 액세스 네트워크의 상태와 관련된 정보를 서버(101)에 전달할 수 있다.
도 2는 일 실시 예에 따른, 복수의 액세스 네트워크의 상태를 조정하는 전자 장치의 블록도를 나타낸다.
도 2를 참조하면, 전자 장치(200)는 프로세서(210), 입력부(220), 출력부(230), 메모리(240), 및 복수의 동작 가능한 모듈을 포함하는 모듈부(250)를 포함할 수 있다. 다양한 실시 예에 따르면, 전자 장치(200)의 구성은 도 2에 도시된 바에 한정되지 않고 도 2에 도시되지 않는 구성을 추가로 포함할 수도 있고, 도 2에 도시된 구성 중 일부를 생략할 수도 있다. 예를 들면, 도 2에는 복수의 동작 가능한 모듈들이 모두 모듈부(250)에 포함되는 것으로 도시되어 있으나, 복수의 모듈들 중 적어도 일부는 메모리(240)에 저장되는 소프트웨어 모듈로 구현될 수도 있다. 예컨대, 상태 정보 획득 모듈(251)은 도 2에 도시된 바와 같이 모듈부(250)에 포함되는 별도의 하드웨어 모듈로 구현되지 않고, 소프트웨어 모듈로서 메모리(240)에 저장될 수 있고, 프로세서(210)에 의해 실행됨으로써 동작될 수 있다. 일 실시 예에 따르면, 전자 장치(200)는 도 1에 도시된 서버(101)와 동일 또는 유사한 구성으로 이해될 수 있다.
프로세서(210)는 전자 장치(200)에 포함된 구성들과 전기적으로 연결되어, 전자 장치(200)에 포함된 구성들의 제어 및/또는 통신에 관한 연산이나 데이터 처리를 실행할 수 있다. 일 실시 예에 따르면, 프로세서(210)는 다른 구성들 중 적어도 하나로부터 수신된 명령 또는 데이터를 메모리(240)에 로드하여 처리하고, 결과 데이터를 메모리(240)에 저장할 수 있다.
입력부(220) 및 출력부(230)는 프로세서(210)와 전기적으로 연결되고, 전자 장치(200) 외부의 다른 전자 장치, 예컨대, 도 1에 도시된 각각의 액세스 네트워크 장치들(110)과 데이터를 송신 또는 수신하기 위한 인터페이스 구성일 수 있다. 일 실시 예에 따르면, 입력부(220)는 예컨대, 데이터 통신 모듈(255)을 통해 액세스 네트워크 장치로부터 수신된 액세스 네트워크의 상태와 관련된 정보를 입력받을 수 있고, 출력부(230)는 예컨대, 데이터 통신 모듈(255)을 통해 액세스 네트워크 장치로 송신되는 상태 제어 파라미터의 값을 출력할 수 있다.
메모리(240)는 프로세서(210)와 전기적으로 연결되고 전자 장치(200)에 포함된 구성들의 동작과 관련된 명령 또는 데이터를 저장할 수 있다. 다양한 실시 예에 따르면, 메모리(240)는 상태 정보 획득 모듈(251)을 이용하여 획득된 액세스 네트워크들의 상태와 관련된 정보, 파라미터 값 결정 모듈(254)을 이용하여 획득된 상태 제어 파라미터의 값, 또는 상기 동작들에 대한 인스트럭션들(instructions) 등을 저장할 수 있다. 일 실시 예에 따르면, 메모리(240)는 모듈부(250)에 포함되는 적어도 일부의 모듈들이 프로세서(210)에 의해 실행되는 소프트웨어로 구현되는 경우 그러한 소프트웨어 모듈을 실행하기 위한 인스트럭션들을 저장할 수도 있다.
모듈부(250)는 전자 장치(200)에서 실행되는 복수의 동작들을 구현하기 위한 복수의 모듈들을 포함할 수 있다. 다양한 실시 예에 따르면, 모듈부(250)는 도 2에 도시된 복수의 모듈들 중 적어도 일부를 구현하기 위한 하나의 하드웨어 구성일 수도 있고, 각각의 모듈을 구현하기 위한 복수의 하드웨어들을 개념적으로 포함하는 구성으로 이해될 수도 있다. 다양한 실시 예에 따르면, 모듈부(250)의 구성은 도 2에 도시된 바에 한정되지 않고, 도 2에 도시된 모듈부(250)에 포함되는 복수의 모듈들 중 적어도 일부는 소프트웨어로 구현됨으로써 메모리(240)에 저장될 수 있다.
상태 정보 획득 모듈(251)은 프로세서(210)에 의해 실행됨으로써, 액세스 네트워크의 상태와 관련된 정보를 획득할 수 있다. 일 실시 예에 따르면, 액세스 네트워크 장치는 적어도 하나의 셀들을 포함할 수 있고, 각각의 셀은 연결된 복수의 UE들에 대하여 무선 자원을 할당할 수 있다. 다양한 실시 예에서, 무선 자원은 일정한 시간에 제한된 수의 사용자만이 공유할 수 있는 한정된 자원으로써 무선 통신을 위한 주파수 자원으로 이해될 수 있다. 일 실시 예에서, 무선 자원은 직교 주파수 분할 다중화 (orthogonal frequency division multiplexing, OFDM) 방식의 무선 통신에서 리소스 블록(resource block, RB)을 의미할 수 있다.
일 실시 예에 따르면, 액세스 네트워크의 상태는 액세스 네트워크 장치에 포함되는 각각의 셀이 복수의 UE들에 대하여 무선 자원을 할당하는 것과 연관된 상태일 수 있다. 예를 들어, 액세스 네트워크의 상태는 액세스 네트워크 장치에 포함되는 적어도 하나의 셀들 각각에 대한, 현재 연결되어 있는 UE의 수, 무선 자원의 할당 비율(PRB utilization or usage), IP 처리율(IP throughput), 및 다운링크 데이터 사용량(DL data volume) 중 적어도 하나와 관련될 수 있다.
일 실시 예에서, 액세스 네트워크 장치는 4개의 셀을 포함할 수 있고, 액세스 네트워크의 상태는 제1 셀에 현재 연결되어 있는 UE의 수, 제2 셀에 현재 연결되어 있는 UE의 수, 제3 셀에 현재 연결되어 있는 UE의 수, 및 제4 셀에 현재 연결되어 있는 UE의 수를 나타낼 수 있다. 다른 실시 예에서, 액세스 네트워크 장치는 4개의 셀을 포함할 수 있고, 액세스 네트워크의 상태는 제1 셀에서 할당할 수 있는 무선 자원의 전체 사이즈 대비 현재 복수의 UE들에게 할당된 무선 자원의 사이즈의 비율, 제2 셀에서 할당할 수 있는 무선 자원의 전체 사이즈 대비 현재 복수의 UE들에게 할당된 무선 자원의 사이즈의 비율, 제3 셀에서 할당할 수 있는 무선 자원의 전체 사이즈 대비 현재 복수의 UE들에게 할당된 무선 자원의 사이즈의 비율, 및 제4 셀에서 할당할 수 있는 무선 자원의 전체 사이즈 대비 현재 복수의 UE들에게 할당된 무선 자원의 사이즈의 비율을 나타낼 수 있다. 또 다른 실시 예에서, 액세스 네트워크 장치는 4개의 셀을 포함할 수 있고, 액세스 네트워크의 상태는 상기 예들과 유사하게, 각각의 셀에 대하여 연결된 복수의 UE들에 대한 IP 처리율을 나타내거나, 각각의 셀에 대하여 다운링크 데이터 사용량을 나타낼 수도 있다.
일 실시 예에 따르면, 전자 장치(200)는 복수의 액세스 네트워크 장치들과 연결될 수 있고, 상태 정보 획득 모듈(251)은 복수의 액세스 네트워크 장치들 각각에 대하여, 액세스 네트워크의 상태와 관련된 정보들을 획득할 수 있다.
일 실시 예에 따르면, 상태 정보 획득 모듈(251)은 획득 시점에서의 액세스 네트워크의 상태와 관련된 정보를 획득할 수 있다. 예를 들면, 상태 정보 획득 모듈(251)은 제1 시점에서, 상기 제1 시점에서의 액세스 네트워크의 상태와 관련된 정보를 획득할 수 있다. 일 실시 예에서, 상태 정보 획득 모듈(251)은 지정된 시간 간격에 따라, 획득 시점에서의 액세스 네트워크의 상태와 관련된 정보를 획득할 수도 있다. 예를 들면, 상태 정보 획득 모듈(251)은 제1 시점에서, 상기 제1 시점에서의 액세스 네트워크의 상태와 관련된 정보를 획득하고, 상기 제1 시점으로부터 지정된 시간이 경과한 제2 시점에서, 상기 제2 시점에서의 액세스 네트워크의 상태와 관련된 정보를 획득할 수도 있다.
일 실시 예에 따르면, 상태 정보 획득 모듈(251)은 획득 시점인 제1 시점에서의 액세스 네트워크의 상태 이력 정보를 획득할 수 있다. 상태 이력 정보는 예를 들어, 상기 획득 시점인 제1 시점으로부터 지정된 과거 시간 동안의 하나 이상의 시점들 각각에서의 액세스 네트워크의 상태와 관련된 정보를 포함할 수 있다. 예컨대, 상태 이력 정보는 제1 시점에서의 액세스 네트워크의 상태만을 포함할 수도 있고, 또는 제1 시점에서의 액세스 네트워크의 상태 및 제1 시점으로부터 지정된 시간만큼 이른 시점에서의 액세스 네트워크의 상태를 포함할 수도 있다. 다양한 실시 예에서, 상기 지정된 과거 시간은 미리 지정된 값으로 설정될 수 있으며, 사용자 또는 인공지능 학습 모델에 의해 설정될 수 있고, 또는 설정된 값으로부터 변경될 수도 있다.
예측 시점 결정 모듈(252)은 프로세서(210)에 의해 실행됨으로써, 액세스 네트워크의 상태를 조정하는데 소요되는 제1 시간을 결정할 수 있다. 다양한 실시 예에 따르면, 상기 제1 시간은 액세스 네트워크 장치로부터 액세스 네트워크의 상태와 관련된 정보들을 획득하는 시간, 상기 획득한 정보들을 기준 시간에 기초하여 수합하는 시간, 지정된 시점에서의 액세스 네트워크의 상태를 예측하는 시간, 액세스 네트워크의 상태를 최적화하기 위한 파라미터들의 값을 도출하는 시간, 또는 상기 도출된 파라미터들의 값을 액세스 네트워크 장치로 전달하는 시간 중 적어도 하나 이상을 포함할 수 있다.
일 실시 예에서, 예측 시점 결정 모듈(252)은 상태 정보 획득 모듈(251)이 제1 시점에서 획득한 상태 이력 정보에 기초하여 상기 제1 시간을 결정할 수 있다. 일 실시 예에서, 상기 제1 시간은 상태 이력 정보의 양에 기초하여 증가할 수 있다. 다양한 실시 예에서, 상태 이력 정보의 양은 액세스 네트워크들의 개수에 따라 증가할 수 있고, 각각의 액세스 네트워크에 포함되는 적어도 하나의 셀들의 개수에 따라 증가할 수 있으며, 상태 이력 정보에 포함되는 하나 이상의 시점들에 따라 증가할 수도 있다. 획득된 상태 이력 정보의 양이 증가하면, 상태 이력 정보를 분석하고, 처리하는 시간이 증가할 수 있고, 상태 이력 정보에 기초하여 액세스 네트워크의 상태를 조정하기 위한 파라미터들의 값을 도출하는데 걸리는 시간도 증가할 수 있다.
일 실시 예에 따르면, 예측 시점 결정 모듈(252)은 획득된 상태 이력 정보의 양을 미리 설정된 크기와 비교함으로써 액세스 네트워크의 상태를 조정하는데 소요되는 제1 시간을 결정할 수 있다. 예를 들어, 통상적으로 획득되는 상태 이력 정보의 양에 대한 정보가 사용자에 의해 입력될 수 있고, 대응하여 소요되는 시간에 대한 정보도 사용자에 의해 입력될 수 있다. 예측 시점 결정 모듈(252)은 획득된 상태 이력 정보의 양을 상기 사용자에 의해 입력된 정보와 비교하고, 비율 계산에 의해 상기 제1 시간을 결정할 수 있다. 다른 예를 들어, 상태 이력 정보의 양 및 대응하여 소용되는 제1 시간의 예상 값은 테이블 형식으로 미리 메모리(240)에 저장될 수 있고, 예측 시점 결정 모듈(252)은 상기 테이블을 참조하여, 획득된 상태 이력 정보의 양과 가장 비슷한 크기를 선택함으로써 상기 제1 시간을 결정할 수도 있다. 또 다른 예를 들어, 예측 시점 결정 모듈(252)은 인공지능 학습 모델을 이용함으로써, 상기 제1 시간을 결정할 수도 있다. 상기 인공지능 학습 모델은 획득되는 상태 이력 정보 및 액세스 네트워크의 상태를 조정하는데 실제 걸리는 시간을 이용하여 훈련될 수 있고, 상기 제1 시간을 결정하는데 사용될 수 있다.
일 실시 예에 따르면, 예측 시점 결정 모듈(252)은 과거의 동일 또는 유사한 조건하에서 결정되었던 제1 시간을 고려하여 제1 시간을 결정할 수도 있다. 예를 들어, 예측 시점 결정 모듈(252)은 동일 또는 유사한 시간대, 동일 또는 유사한 요일, 동일 또는 유사한 계절, 동일 또는 유사한 날씨, 동일 또는 유사한 이벤트 등 동일 또는 유사한 상황에 대하여, 과거에 결정되었던 제1 시간을 현재 시점에서의 제1 시간으로 결정할 수 있다. 다양한 실시 예에서, 예측 시점 결정 모듈(252)은 과거의 동일 또는 유사한 조건에서의 통계적 자료를 이용함으로써 제1 시간을 결정하는데 걸리는 시간을 감소시킬 수 있고, 전자 장치(200)의 부하를 감소시킬 수 있다.
일 실시 예에서, 예측 시점 결정 모듈(252)은 전날 동일한 시간대에 결정되었던 제1 시간을 현재 시점에서의 제1 시간으로 결정할 수도 있다. 예컨대, 오후 1시에서의 상태 이력 정보의 양은 전날 동일한 오후 1시에서의 상태 이력 정보의 양과 동일 또는 유사할 수 있다. 예측 시점 결정 모듈(252)은 전날 오후 1시에서 결정되었던 제1 시간을 현재 시점에서의 제1 시간으로 결정함으로써 제1 시간을 결정하는데 걸리는 시간 또는 부하를 감소시킬 수 있다.
다른 실시 예에서, 예측 시점 결정 모듈(252)은 일주일 전 동일한 요일의 동일한 시간대에서 결정되었던 제1 시간을 현재 시점에서의 제1 시간으로 결정할 수도 있다. 예컨대, 토요일 오후 1시에서의 상태 이력 정보의 양은 일주일 전 토요일 오후 1시에서의 상태 이력 정보의 양과 동일 또는 유사할 수 있다. 예측 시점 결정 모듈(252)은 일주일 전 토요일 오후 1시에서 결정되었던 제1 시간을 현재 시점에서의 제1 시간으로 결정함으로써 제1 시간을 결정하는데 걸리는 시간 또는 부하를 감소시킬 수 있다.
또 다른 실시 예에서, 예측 시점 결정 모듈(252)은 동일 또는 유사한 이벤트가 있었던 시간에 결정되었던 제1 시간을 현재 시점에서의 제1 시간으로 결정할 수도 있다. 예컨대, 콘서트, 페스티벌, 또는 집회가 열리고 있는 시간의 상태 이력 정보의 양은 동일 또는 유사한 규모의 콘서트, 페스티벌 또는 집회가 있었던 시간의 상태 이력 정보의 양과 동일 또는 유사할 수 있다. 예측 시점 결정 모듈(252)은 과거의 동일 또는 유사한 규모의 콘서트, 페스티벌 또는 집회가 있었던 시간에 결정되었던 제1 시간을 현재 시점에서의 제1 시간으로 결정함으로써 제1 시간을 결정하는데 걸리는 시간 또는 부하를 감소시킬 수 있다.
일 실시 예에 따르면, 예측 시점 결정 모듈(252)은 상태 이력 정보를 획득한 제1 시점 및 상기 결정한 제1 시간에 기초하여, 액세스 네트워크의 상태를 조정하는 기준 시점인 제2 시점을 결정할 수 있다. 일 실시 예에서, 상기 제2 시점은 상기 제1 시점으로부터 상기 제1 시간이 경과한 시점보다 시간적으로 늦을 수 있다. 예를 들면, 상기 제2 시점은 상기 제1 시점으로부터 상기 제1 시간 및 상기 제1 시간을 결정하는데 소요된 시간이 경과한 시점보다 시간적으로 늦을 수 있다. 다양한 실시 예에 따르면, 예측 시점 결정 모듈(252)이 결정한 상기 제1 시간은 액세스 네트워크의 상태를 조정하는데 실제로 소요되는 시간과 차이가 발생할 수 있기 때문에, 예측 시점 결정 모듈(252)은 상기 제2 시점을 상기 제1 시점으로부터 상기 제1 시간이 경과한 시점보다 시간적으로 충분히 경과한 시점으로 결정할 수도 있다.
일 실시 예에 따르면, 예측 시점 결정 모듈(252)은 액세스 네트워크의 상태를 조정하는 기준 시점인 제2 시점을 먼저 결정하고, 상기 제2 시점에 기초하여 상태 이력 정보를 획득하는 제1 시점을 결정할 수도 있다. 일 실시 예에서, 예측 시점 결정 모듈(252)은 지정된 계획에 기초하여 상기 제2 시점을 결정할 수 있다. 예를 들어, 예측 시점 결정 모듈(252)은 매주 특정한 요일의 지정된 시간 또는 매일 지정된 시간에 액세스 네트워크의 상태가 조정되도록 상기 지정된 시간을 상기 제2 시점으로 결정할 수 있다. 다른 예를 들어, 예측 시점 결정 모듈(252)은 지정된 시간 간격으로 액세스 네트워크의 상태가 조정되도록 상기 지정된 시간 간격에 따라 상기 제2 시점을 결정할 수도 있다. 또 다른 예를 들어, 예측 시점 결정 모듈(252)은 특정한 이벤트, 예컨대, 행사 또는 집회가 발생할 계획인 시점에서 액세스 네트워크의 상태가 조정되도록 상기 이벤트가 발생할 계획인 시점을 상기 제2 시점을 결정할 수도 있다.
일 실시 예에서, 상기 제2 시점이 상태 이력 정보를 획득하는 제1 시점보다 먼저 결정되는 경우, 예측 시점 결정 모듈(252)은 상기 결정된 제2 시점에 기초하여 상기 제1 시점을 결정할 수 있다. 예를 들면, 예측 시점 결정 모듈(252)은 과거의 동일 또는 유사한 조건하에서 결정되었던 제1 시간을 고려하여 제1 시간을 결정할 수 있고, 상기 제2 시점 및 상기 제1 시간에 기초하여 상기 제1 시간을 결정할 수 있다. 일 실시 예에서, 상기 제1 시점은 상기 제2 시점으로부터 상기 제1 시간만큼 이른 시점보다 시간적으로 빠를 수 있다. 예를 들면, 상기 제1 시점은 상기 제2 시점으로부터 상기 제1 시간 및 상기 제1 시간을 결정하는데 소요된 시간만큼 이른 시점 보다 시간적으로 빠를 수 있다. 다양한 실시 예에 따르면, 예측 시점 결정 모듈(252)이 결정한 상기 제1 시간은 액세스 네트워크의 상태를 조정하는데 실제로 소요되는 시간과 차이가 발생할 수 있기 때문에, 예측 시점 결정 모듈(252)은 상기 제1 시점을 상기 제2 시점으로부터 상기 제1 시간만큼 이른 시점보다 시간적으로 충분히 빠른 시점으로 결정할 수도 있다.
상태 예측 모듈(253)은 프로세서(210)에 의해 실행됨으로써, 예측 시점 결정 모듈(252)이 결정한 상기 제2 시점에서의 액세스 네트워크의 상태를 예측할 수 있다. 일 실시 예에 따르면, 상태 예측 모듈(253)은 제1 인공지능 학습 모델을 이용하여, 상태 정보 획득 모듈(251)이 제1 시점에서 획득한 상태 이력 정보에 기초하여, 상기 제2 시점에서의 액세스 네트워크의 상태를 예측할 수 있다. 다양한 실시 예에 따르면, 상태 예측 모듈(253)은 지정된 시간 구간 동안 복수의 시점들에서의 액세스 네트워크의 상태를 예측할 수도 있다. 예를 들면, 상태 예측 모듈(253)은 지정된 시간 구간 동안 상기 제2 시점을 포함하는 복수의 시점들에서의 액세스 네트워크의 상태를 예측할 수도 있다. 일 실시 예에서, 상기 복수의 시점은 상기 제2 시점보다 지정된 시간만큼 이른 시점 또는 상기 제2 시점보다 지정된 시간만큼 늦은 시점을 포함할 수 있다. 상기 복수의 시점들에서의 예측된 액세스 네트워크의 상태는 상기 복수의 시점들에서의 실제 액세스 네트워크의 상태와 비교됨으로써 제1 인공지능 학습 모델의 훈련에 이용될 수 있다. 예컨대, 복수의 시점들에서 예측된 상태는 실제 상태와 비교될 수 있고 제1 인공지능 학습 모델에 대한 복수의 피드백들이 획득될 수 있다.
일 실시 예에서, 상태 예측 모듈(253)은 상기 상태 이력 정보와 상기 제1 시점 및 상기 제2 시점 사이의 시간을 제1 인공지능 학습 모델에 대한 입력으로 이용할 수 있다. 상태 예측 모듈(253)은 제1 인공지능 학습 모델을 이용하여 상기 제1 시점으로부터 상기 제2 시점까지의 시간이 경과할 동안 액세스 네트워크의 상태의 변경을 예측할 수 있고, 제2 시점에서의 예측된 액세스 네트워크의 상태를 제1 인공지능 학습 모델의 출력으로 획득할 수 있다. 다른 실시 예에서, 상기 제1 시점 및 상기 제2 시점 사이의 시간 대신 상기 제1 시점 및 상기 제2 시점 자체가 제1 인공지능 학습 모델의 입력으로 활용될 수도 있다.
다양한 실시 예에 따르면, 액세스 네트워크의 상태는 시간에 따라 변경될 수 있다. 예를 들어, 액세스 네트워크 장치에서 각각의 셀에 연결되어 있는 UE들의 수는 시간에 따라 증가하거나 감소할 수 있다. 상태 예측 모듈(253)은 상기 제1 인공지능 학습 모델을 이용함으로써, 제1 시점에서 획득한 각각의 셀에 연결되어 있는 UE들의 수가 변경되는 이력과 상기 제1 시점 및 상기 제2 시점 사이의 시간 경과에 기초하여, 상기 제2 시점에서 각각의 셀에 연결되어 있는 UE들의 수를 예측할 수 있다.
일 실시 예에 따르면, 상태 예측 모듈(253)은 상기 제2 시점에서의 액세스 네트워크의 상태를 예측함에 있어서, 상기 제1 시점 및 상기 제2 시점 사이의 적어도 하나의 제3 시점에서의 액세스 네트워크의 상태를 더 이용할 수도 있다. 예를 들어, 상태 정보 획득 모듈(251)은 상기 제1 시점에서 상태 이력 정보를 획득한 후, 상태 예측 모듈(253)이 상기 제2 시점에서의 액세스 네트워크의 상태를 예측하기 전까지의 시간 동안 적어도 하나의 제3 시점에서 액세스 네트워크의 상태를 획득할 수 있다. 상태 예측 모듈(253)은 제1 시점에서 획득된 상태 이력 정보, 상기 획득된 제3 시점에서의 액세스 네트워크의 상태를 이용하여, 제2 시점에서의 액세스 네트워크의 상태를 예측할 수 있다. 이를 통해, 상태 예측 모듈(253)은 제2 시점에서의 액세스 네트워크의 상태에 대한 예측 정확도를 보다 향상시킬 수 있다.
일 실시 예에 따르면, 상태 예측 모듈(253)은 상기 제2 시점에서의 액세스 네트워크의 상태를 예측함에 있어서, 상기 제1 시점 및 상기 제2 시점 사이의 적어도 하나의 제3 시점에서의 획득된 액세스 네트워크의 상태 및 파라미터 값 결정 모듈(254)에 의해 도출된 상기 제3 시점에서의 상태 제어 파라미터들의 값을 더 이용할 수도 있다. 예를 들어, 상태 정보 획득 모듈(251)은 상기 제1 시점에서 상태 이력 정보를 획득한 후, 상태 예측 모듈(253)이 상기 제2 시점에서의 액세스 네트워크의 상태를 예측하기 전까지의 시간 동안 적어도 하나의 제3 시점에서 액세스 네트워크의 상태를 획득할 수 있다. 파라미터 값 결정 모듈(254)은 상기 획득된 제3 시점에서의 액세스 네트워크의 상태에 기초하여 액세스 네트워크의 상태 조정을 위한 상태 제어 파라미터들의 값을 도출할 수 있다. 일 실시 예에서, 상태 예측 모듈(253)은 상기 획득된 제3 시점에서의 액세스 네트워크의 상태 및 상기 도출된 제3 시점에서의 상태 제어 파라미터들의 값을 이용하여, 제3 시점에서 조정될 액세스 네트워크의 상태를 예측할 수도 있다. 일 실시 예에서, 상태 예측 모듈(253)은 제1 시점에서 획득된 상태 이력 정보, 상기 제3 시점에서 조정될 액세스 네트워크의 상태를 이용하여, 제2 시점에서의 액세스 네트워크의 상태를 예측할 수 있다. 이를 통해, 상태 예측 모듈(253)은 제2 시점에서의 액세스 네트워크의 상태에 대한 예측 정확도를 보다 향상시킬 수 있다.
일 실시 예에 따르면, 상태 예측 모듈(253)은 상기 제2 시점에서의 액세스 네트워크의 상태를 예측함에 있어서, 상기 제1 시점 및 상기 제2 시점 사이의 적어도 하나의 제3 시점에서의 예측된 액세스 네트워크의 상태를 더 이용할 수도 있다. 예를 들어, 상태 예측 모듈(253)은 제2 시점에서의 액세스 네트워크의 상태를 예측하는 것과 별개로, 제1 시점 이전의 시점에서 상기 제3 시점에서의 액세스 네트워크의 상태를 예측하는 동작을 먼저 수행할 수 있다. 일 실시 예에서, 상태 예측 모듈(253)은 제1 시점에서 획득된 상태 이력 정보, 상기 예측된 제3 시점에서의 액세스 네트워크의 상태를 이용하여, 제2 시점에서의 액세스 네트워크의 상태를 예측할 수 있다. 이를 통해, 상태 예측 모듈(253)은 제3 시점에서의 액세스 네트워크의 상태를 액세스 네트워크 장치로부터 획득하는 시간을 절약하면서, 제2 시점에서의 액세스 네트워크의 상태에 대한 예측 정확도를 보다 향상시킬 수 있다.
일 실시 예에 따르면, 상태 예측 모듈(253)은 상기 제2 시점에서의 액세스 네트워크의 상태를 예측함에 있어서, 상기 제1 시점 및 상기 제2 시점 사이의 적어도 하나의 제3 시점에서의 예측된 액세스 네트워크의 상태 및 파라미터 값 결정 모듈(254)에 의해 도출된 상기 제3 시점에서의 상태 제어 파라미터들의 값을 더 이용할 수도 있다. 예를 들어, 상태 예측 모듈(253)은 제2 시점에서의 액세스 네트워크의 상태를 예측하는 것과 별개로, 제1 시점 이전의 시점에서 상기 제3 시점에서의 액세스 네트워크의 상태를 예측하는 동작을 먼저 수행할 수 있다. 파라미터 값 결정 모듈(254)은 상기 예측된 제3 시점에서의 액세스 네트워크의 상태에 기초하여 액세스 네트워크의 상태 조정을 위한 상태 제어 파라미터들의 값을 도출할 수 있다. 일 실시 예에서, 상태 예측 모듈(253)은 상기 예측된 제3 시점에서의 액세스 네트워크의 상태 및 상기 도출된 제3 시점에서의 상태 제어 파라미터들의 값을 이용하여, 제3 시점에서 조정될 액세스 네트워크의 상태를 예측할 수도 있다. 일 실시 예에서, 상태 예측 모듈(253)은 제1 시점에서 획득된 상태 이력 정보, 상기 제3 시점에서 조정될 액세스 네트워크의 상태를 이용하여, 제2 시점에서의 액세스 네트워크의 상태를 예측할 수 있다. 이를 통해, 상태 예측 모듈(253)은 제3 시점에서의 액세스 네트워크의 상태를 액세스 네트워크 장치로부터 획득하는 시간을 절약하면서, 제2 시점에서의 액세스 네트워크의 상태에 대한 예측 정확도를 보다 향상시킬 수 있다.
다양한 실시 예에 따르면, 상태 예측 모듈(253)이 이용하는 상기 제1 인공지능 학습 모델은 강화 학습(reinforcement learning), 지도 학습(supervised learning), 기계 학습(machine learning), 연속 학습(continual learning), 연합 학습(federated learning), 심층 학습(deep learning)중 적어도 하나를 포함할 수 있다. 일 실시 예에서, 상기 제1 인공지능 학습 모델은 지도 학습일 수 있고, 상태 예측 모듈(253)은 상기 제1 인공지능 학습 모델을 지도 학습의 훈련 방식으로 훈련시킬 수 있다. 예를 들어, 상태 예측 모듈(253)은 예측된 상기 제2 시점에서의 액세스 네트워크의 상태와 상태 정보 획득 모듈(251)로부터 획득된 상기 제2 시점에서의 액세스 네트워크의 상태를 비교할 수 있고, 상기 예측된 상태와 상기 획득된 상태의 차이를 피드백으로 제공함으로써 상기 제1 인공지능 학습 모델을 훈련시킬 수 있다. 상태 예측 모듈(253)은 다양한 시점에서 제1 인공지능 학습 모델을 이용하여 액세스 네트워크의 상태를 예측할 수 있고, 상기 예측된 상태를 상태 정보 획득 모듈(251)로부터 획득한 상태와 비교하는 과정을 반복할 수 있다. 상태 예측 모듈(253)은 상기 반복되는 과정을 통해 제1 인공지능 학습 모델의 정확도를 향상시킬 수 있다.
다양한 실시 예에 따르면, 상태 예측 모듈(253)은 액세스 네트워크의 특정 조건에 따른 상태 이력과 관련된 정보를 이용하여, 제1 인공지능 학습 모델을 훈련시킬 수 있다. 예를 들면, 상태 예측 모듈(253)은 특정 요일 또는 특정 시간에 따른 액세스 네트워크의 상태 이력을 이용하여 제1 인공지능 학습 모델을 훈련시킬 수 있다. 다른 예를 들면, 제1 인공지능 학습 모델은 특정 이벤트, 예컨대, 행사, 집회, 또는 공휴일 등에 따른 액세스 네트워크의 상태 이력을 이용하여 제1 인공지능 학습 모델을 훈련시킬 수도 있다.
다양한 실시 예에 따르면, 제1 인공지능 학습 모델은 별도의 모듈로 구현됨으로써 모듈부(250)에 포함되거나 메모리(240)에 저장될 수도 있고, 또는 전자 장치(200)의 외부의 다른 전자 장치에 포함될 수도 있다. 예컨대, 제1 인공지능 학습 모델은 데이터 통신 모듈(255)과 유선 또는 무선으로 통신하는 전자 장치(200) 외부의 다른 전자 장치에 포함될 수도 있고, 입력부(220) 또는 출력부(230)를 통해 다양한 인터페이스(예: USB)를 이용하여 연결되는 전자 장치(200) 외부의 저장 장치에 저장될 수도 있다.
파라미터 값 결정 모듈(254)은 프로세서(210)에 의해 실행됨으로써, 상태 예측 모듈(253)로부터 예측된 상기 제2 시점에서의 액세스 네트워크의 상태에 기초하여 액세스 네트워크의 상태를 조정하기 위한 상태 제어 파라미터들의 값을 도출할 수 있다. 상태 제어 파라미터들은 액세스 네트워크의 상태에 영향을 주는 파라미터들로 이해될 수 있다. 예를 들어, 상태 제어 파라미터들은 액세스 네트워크 장치에 포함되는 복수의 셀들에 대하여 셀의 부하를 조정하거나 셀의 온 또는 오프를 조정하는데 영향을 줌으로써 액세스 네트워크의 상태에 영향을 줄 수 있다. 일 실시 예에 따르면, 상태 제어 파라미터들은 참조 신호 수신 전력(reference signal received power, RSRP) 임계 값, 참조 신호 수신 품질(reference signal received quality, RSRQ) 임계 값, 물리 자원 블록(physical radio block, PRB) 비율 임계 값, 또는 셀 재선택 우선순위(cell re-selection priority) 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따르면, 참조 신호 수신 전력 임계 값 또는 참조 신호 수신 품질 임계 값은 셀의 서비스 영역(cell coverage)을 조절하는데 영향을 줄 수 있다. 예를 들어, 복수의 셀들 중 제1 셀에 대하여, 참조 신호 수신 전력 임계 값 또는 참조 신호 수신 품질 임계 값이 증가하면, 제1 셀의 서비스 영역은 감소할 수 있고, 참조 신호 수신 전력 임계 값 또는 참조 신호 수신 품질 임계 값이 감소하면, 제1 셀의 서비스 영역은 증가할 수 있다. 제1 셀의 서비스 영역이 증가하면 제1 셀에 연결되는 단말의 수는 증가할 수 있고, 제1 셀의 서비스 영역이 감소하면 제1 셀에 연결되는 단말의 수는 감소할 수 있다.
일 실시 예에 따르면, 물리 자원 블록 비율 임계 값은 셀 또는 액세스 네트워크 장치들(110)의 파워 증폭기의 온(on) 또는 오프(off)를 결정하는데 영향을 줄 수 있다. 일 실시 예에서, 하나의 셀에서 셀에 연결된 단말들에 할당하는 무선 자원의 비율이 물리 자원 블록 비율 임계 값 보다 낮은 경우 셀 또는 액세스 네트워크 장치들(110)의 파워 증폭기는 오프되도록 설정될 수 있다. 일 실시 예에서, 복수의 셀들 중 제1 셀에서 할당하는 무선 자원의 비율이 지정된 값을 가질 때, 제1 셀에 대한 물리 자원 블록 비율 임계 값이 상기 지정된 값보다 큰 값을 가지도록 제1 셀에 대한 물리 자원 블록 비율 임계 값을 증가시키면 제1 셀은 오프될 수 있다.
일 실시 예에 따르면, 셀 재선택 우선순위는 셀에 연결되는 단말의 수를 조절하는데 영향을 줄 수 있다. 예를 들어, 복수의 셀들 중 제1 셀에 대하여 셀 재선택 우선순위의 값을 증가시키면, 제1 셀에 연결되는 단말의 수는 증가할 수 있다. 다른 예를 들어, 제1 셀에 대하여 셀 재선택 우선순위의 값을 감소시키면, 제1 셀에 연결되는 단말의 수는 감소할 수 있다.
일 실시 예에 따르면, 상기 상태 제어 파라미터들의 값은 상태 정보 획득 모듈(251)이 액세스 네트워크의 상태 정보 이력을 획득하는 제1 시점 및 예측 시점 결정 모듈(252)이 액세스 네트워크의 상태를 조정하는 기준 시점으로 결정한 제2 시점 사이의 시간 동안 도출될 수 있다.
다양한 실시 예에 따르면, 상태 제어 파라미터들의 값은 액세스 네트워크의 상태를 어떤 목적으로 조정하는지에 따라 다르게 도출될 수 있다. 예를 들면, 상태 제어 파라미터들의 값은 액세스 네트워크 장치에 포함되는 적어도 하나의 셀들 각각에 대한 부하 분산(load balancing)을 위한 목적으로 도출될 수 있다. 일 실시 예에서, 상태 제어 파라미터들의 값은 액세스 네트워크 장치에 포함되는 적어도 하나의 셀들 각각에 대하여, 현재 연결되어 있는 UE의 수가 균등해지도록 도출될 수 있고, 또는 상기 적어도 하나의 셀들 각각에 대하여 무선 자원의 할당 비율이 균등해지도록 도출될 수도 있다. 다른 실시 예에서, 상태 제어 파라미터들의 값은 상기 적어도 하나의 셀들 각각에 대하여 연결되는 UE의 수를 제어함으로써 IP 처리율이 균등해지도록 도출될 수 있고, 또는 상기 적어도 하나의 셀들 각각에 대하여 연결되는 UE의 수를 제어함으로써 다운 링크 데이터 사용량이 균등해지도록 도출될 수도 있다. 다양한 실시 예에서, 적어도 하나의 셀들 각각에 대한 부하 분산은 각각의 셀들의 상태 사이의 표준편차가 감소되도록 액세스 네트워크의 상태를 조정하는 것으로 이해될 수 있다.
다른 예를 들면, 상태 제어 파라미터들의 값은 액세스 네트워크 장치에 포함되는 적어도 하나의 셀들에 대한 소비 전력을 조정하기 위한 목적으로 도출될 수도 있다. 일 실시 예에서, 상태 제어 파라미터들의 값은 상기 적어도 하나의 셀들 전체에서 소비되는 전력이 감소되도록 액세스 네트워크의 상태를 조정할 수 있다. 예컨대, 적어도 어느 하나의 셀에 대하여 현재 연결되어 있는 UE의 수가 지정된 수준 보다 작은 경우, 전체 소비 전력을 감소시킬 수 있다면 상기 연결되어 있는 UE들을 다른 셀에 연결시키고 상기 적어도 어느 하나의 셀 또는 액세스 네트워크 장치들(110)의 파워 증폭기의 전원이 차단되도록 상태 제어 파라미터들의 값을 도출할 수도 있다. 예컨대, 적어도 어느 하나의 셀에 대하여 무선 자원의 할당 비율이 지정된 수준 보다 작은 경우, 전체 소비 전력을 감소시킬 수 있다면 상기 적어도 하나의 셀에 연결되어 있는 UE들에 대한 무선 자원 할당이 다른 셀에서 이루어지도록 하고 상기 적어도 어느 하나의 셀 또는 액세스 네트워크 장치들(110)의 파워 증폭기의 전원이 차단되도록 상태 제어 파라미터들의 값을 도출할 수도 있다.
일 실시 예에 따르면, 파라미터 값 결정 모듈(254)은 상태 제어 파라미터들의 값과 함께 파라미터 값 적용 시간을 결정할 수도 있다. 상기 파라미터 값 적용 시간은, 예를 들면, 도출된 상태 제어 파라미터들의 값이 액세스 네트워크에 적용될 수 있는 최소 시간 또는 도출된 상태 제어 파라미터들의 값이 다시 업데이트되지 않고 적용될 수 있는 최소 시간으로 이해될 수 있다. 일 실시 예에서, 파라미터 값 결정 모듈(254)은 상태 예측 모듈(253)이 예측한 상기 제2 시점에서의 액세스 네트워크의 상태에 기초하여, 상기 파라미터 값 적용 시간을 결정할 수 있다. 다른 실시 예에서, 파라미터 값 결정 모듈(254)은 상태 정보 획득 모듈(251)이 획득한 상태 이력 정보에 기초하여, 상기 파라미터 값 적용 시간을 결정할 수도 있다.
일 실시 예에서, 상기 도출된 상태 제어 파라미터들의 값 및 상기 결정된 파라미터 값 적용 시간은 액세스 네트워크 장치들(110)에 전달될 수 있다. 일 실시 예에서, 파라미터 값 결정 모듈(254)은 상기 제2 시점으로부터 상기 결정된 파라미터 값 적용 시간이 경과하기 전까지는 새로운 상태 제어 파라미터들의 값을 도출하지 않을 수 있다. 다른 실시 예에서, 파라미터 값 결정 모듈(254)은 상기 제2 시점으로부터 상기 결정된 파라미터 값 적용 시간이 경과하기 전이더라도, 액세스 네트워크 장치들(110)로부터 SON 서버가 새로운 상태 제어 파라미터들의 값에 대한 요청 메시지를 획득하는 경우에는 새로운 상태 제어 파라미터들의 값을 도출할 수도 있다. 또 다른 실시 예에서, 파라미터 값 결정 모듈(254)은 상기 제2 시점으로부터 상기 결정된 파라미터 값 적용 시간이 경과하기 전이더라도, 미리 설정된 계획 또는 새로운 이벤트의 발생에 따라 상태 예측 모듈(253)으로부터 새로운 시점에서의 액세스 네트워크의 상태가 예측되는 경우, 새로운 상태 제어 파라미터들의 값을 도출할 수도 있다.
일 실시 예에 따르면, 파라미터 값 결정 모듈(254)은 제2 인공지능 학습 모델을 이용하여, 상태 예측 모듈(253)이 예측한 상기 제2 시점에서의 액세스 네트워크의 상태에 기초하여, 액세스 네트워크의 상태를 조정하기 위한 상태 제어 파라미터들의 값을 도출할 수 있다. 일 실시 예에서, 파라미터 값 결정 모듈(254)은 상기 예측된 제2 시점에서의 액세스 네트워크의 상태를 제2 인공지능 학습 모델에 대한 입력으로 이용할 수 있다. 파라미터 값 결정 모듈(254)은 제2 인공지능 학습 모델을 이용하여, 상태를 조정하는 목적이 부하 분산인지, 소비 전력 조정인지, 또는 다른 목적인지 여부에 따라 상기 목적이 이루어지도록 하는 상태 제어 파라미터들의 값의 조합을 예측하고 도출할 수 있다.
다양한 실시 예에 따르면, 파라미터 값 결정 모듈(254)이 이용하는 상기 제2 인공지능 학습 모델은 강화 학습, 지도 학습, 기계 학습, 연속 학습, 연합 학습, 심층 학습 중 적어도 하나를 포함할 수 있다. 일 실시 예에서, 상기 제2 인공지능 학습 모델은 강화 학습일 수 있고, 파라미터 값 결정 모듈(254)은 상기 제2 인공지능 학습 모델을 강화 학습의 훈련 방식으로 훈련시킬 수 있다. 예를 들어, 파라미터 값 결정 모듈(254)은 상태 정보 획득 모듈(251)로부터 획득한 제1 시점의 액세스 네트워크의 상태를 강화 학습 모델의 상태(state) 변수로 이용하고, 제2 인공지능 학습 모델의 결과인 결정된 상태 제어 파라미터 값을 강화 학습 모델의 동작(action) 변수로 이용하고, 결정된 상태 제어 파라미터 값이 적용된 후 액세스 네트워크의 상태를 상태 정보 획득 모듈(251)로부터 획득함으로써 보상(reward) 변수의 값을 산출할 수 있다. 파라미터 값 결정 모듈(254)은 다양한 시점에서 상기 동작을 반복함으로써 제2 인공지능 학습 모델을 훈련시킬 수 있다.
다양한 실시 예에 따르면, 제2 인공지능 학습 모델은 별도의 모듈로 구현됨으로써 모듈부(250)에 포함되거나 메모리(240)에 저장될 수도 있고, 또는 전자 장치(200)의 외부의 다른 전자 장치에 포함될 수도 있다. 예컨대, 제2 인공지능 학습 모델은 데이터 통신 모듈(255)과 유선 또는 무선으로 통신하는 전자 장치(200) 외부의 다른 전자 장치에 포함될 수도 있고, 입력부(220) 또는 출력부(230)를 통해 다양한 인터페이스(예: USB)를 이용하여 연결되는 전자 장치(200) 외부의 저장 장치에 저장될 수도 있다.
데이터 통신 모듈(255)은 프로세서(210)에 의해 실행됨으로써, 전자 장치(200) 외부의 다른 전자 장치들과 데이터를 송신 또는 수신할 수 있다. 예를 들어, 데이터 통신 모듈(255)은 복수의 액세스 네트워크 장치들로부터 복수의 액세스 네트워크들의 상태와 관련된 정보를 수신할 수 있다. 다른 예를 들어, 데이터 통신 모듈(255)은 복수의 액세스 네트워크 장치들에 대하여 복수의 액세스 네트워크들의 상태를 조정하기 위한 상태 제어 파라미터들의 값에 대한 정보를 송신할 수 있다.
도 3은 일 실시 예에 따른, 액세스 네트워크 장치의 블록도를 나타낸다.
도 3을 참조하면, 액세스 네트워크 장치(300)는 프로세서(310), 입력부(320), 출력부(330), 메모리(340), 및 복수의 동작 가능한 모듈을 포함하는 모듈부(350)를 포함할 수 있다. 다양한 실시 예에 따르면, 액세스 네트워크 장치(300)의 구성은 도 3에 도시된 바에 한정되지 않고 도 3에 도시되지 않는 구성을 추가로 포함할 수도 있고, 도 3에 도시된 구성 중 일부를 생략할 수도 있다. 예를 들면, 도 3에는 복수의 동작 가능한 모듈들이 모두 모듈부(350)에 포함되는 것으로 도시되어 있으나, 복수의 모듈들 중 적어도 일부는 메모리(340)에 저장되는 소프트웨어 모듈로 구현될 수도 있다. 예컨대, 파라미터 제어 모듈(351)은 도 3에 도시된 바와 같이 모듈부(350)에 포함되는 별도의 하드웨어 모듈로 구현되지 않고, 소프트웨어 모듈로서 메모리(340)에 저장될 수 있고, 프로세서(310)에 의해 실행됨으로써 동작될 수 있다.
일 실시 예에 따르면, 액세스 네트워크 장치(300)는 도 1에 도시된 액세스 네트워크 장치(111, 112, 113)와 동일 또는 유사한 구성으로 이해될 수 있으며, 도 2에 도시된 전자 장치(200)와 전기적으로 연결되는 구성으로 이해될 수 있다. 일 실시 예에 따르면, 액세스 네트워크 장치(300)는 적어도 하나의 셀을 포함할 수 있고, 각각의 셀은 하나 이상의 UE들과 연결됨으로써, 상기 하나 이상의 UE들에 대한 요청에 응답하고 상기 하나 이상의 UE들에 대한 무선 자원을 할당할 수 있다. 도 3에 있어서, 프로세서(310), 입력부(320), 출력부(330), 및 모듈부(350)에는, 도 2의 프로세서(210), 입력부(220), 출력부(230), 및 모듈부(250)에 대한 설명이 동일 또는 유사하게 적용될 수 있다.
파라미터 제어 모듈(351)은 프로세서(310)에 의해 실행됨으로써, 액세스 네트워크의 상태가 조정되도록 상태 제어 파라미터의 값을 변경시킬 수 있다. 예를 들어, 파라미터 제어 모듈(351)은 상태 제어 파라미터에 데이터 통신 모듈(355)을 통해 서버(예: 도 2의 전자 장치(200))로부터 수신된 상태 제어 파라미터의 값을 적용함으로써 상태 제어 파라미터의 값을 변경할 수 있다.
일 실시 예에 따르면, 파라미터 제어 모듈(351)은 특정 조건에 기초하여 상태 제어 파라미터의 값을 변경할 수도 있다. 예를 들어, 파라미터 제어 모듈(351)은 상태 비교 모듈(353)이 액세스 네트워크의 예측된 상태와 실제 상태를 비교한 결과에 기초하여 상태 제어 파라미터의 값을 변경할 수도 있다. 일 실시 예에서, 파라미터 제어 모듈(351)은 상태 비교 모듈(353)이 상기 예측된 상태와 상기 실제 상태의 차이가 지정된 수준보다 작은 것으로 결정하면, 상태 제어 파라미터의 값을 서버로부터 수신된 값으로 변경할 수 있다. 일 실시 예에서, 파라미터 제어 모듈(351)은 상태 비교 모듈(353)이 상기 예측된 상태와 상기 실제 상태의 차이가 지정된 수준 이상인 것으로 결정하면, 상태 제어 파라미터의 값을 서버로부터 수신된 값으로 변경하지 않고 기존의 값으로 유지할 수 있다.
상태 모니터링 모듈(352)은 프로세서(310)에 의해 실행됨으로써, 액세스 네트워크의 상태를 모니터링하고, 지정된 시점에서의 액세스 네트워크의 상태를 획득할 수 있다. 액세스 네트워크의 상태는 액세스 네트워크 장치(300)에 포함되는 적어도 하나의 셀들 각각에 대한, 현재 연결되어 있는 UE의 수, 무선 자원의 할당 비율(PRB Utilization), IP 처리율(IP throughput), 및 다운링크 데이터 사용량(DL data volume) 중 적어도 하나와 관련될 수 있다.
일 실시 예에 따르면, 상태 모니터링 모듈(352)은 지정된 시간 간격으로 액세스 네트워크의 상태에 대한 정보를 획득할 수 있다. 예를 들어 상태 모니터링 모듈(352)은 지정된 시간 구간 동안 지정된 시간 간격으로 액세스 네트워크의 상태에 대한 정보를 획득할 수 있고, 상기 획득한 정보를 이용하여 상기 지정된 시간 구간 동안의 상태 이력 정보를 메모리(340)에 저장할 수도 있다. 다른 실시 예에 따르면, 상태 모니터링 모듈(352)은 서버로부터 수신된 요청에 기초하여 액세스 네트워크의 상태에 대한 정보를 획득할 수도 있다. 또 다른 실시 예에 따르면, 상태 모니터링 모듈(352)은 액세스 네트워크 장치(300)에 포함되는 다른 모듈의 요청에 기초하여 액세스 네트워크의 상태에 대한 정보를 획득할 수도 있다. 예를 들면, 상태 모니터링 모듈(352)은 파라미터 제어 모듈(351) 또는 상태 비교 모듈(353)의 요청에 기초하여 액세스 네트워크의 상태에 대한 정보를 획득할 수도 있다.
상태 비교 모듈(353)은 프로세서(310)에 의해 실행됨으로써, 지정된 시점에서의 액세스 네트워크의 예측된 상태와 실제 액세스 네트워크의 실제 상태를 비교할 수 있다. 일 실시 예에 따르면, 상기 예측된 상태는 서버로부터 획득된 정보에 기초할 수 있다. 일 실시 예에 따르면, 상기 실제 상태는 상태 모니터링 모듈(352)로부터 획득할 수 있다.
일 실시 예에 따르면, 상태 비교 모듈(353)은 상기 예측된 상태와 상기 실제 상태 사이의 차이를 별도의 파라미터로 표현할 수 있다. 예를 들면, 상태 비교 모듈(353)은 상기 예측된 상태 및 상기 실제 상태의 차이를 나타내는 벡터를 생성할 수 있다. 일 실시 예에서, 액세스 네트워크 장치(300)가 4개의 셀을 포함하고, 상기 4개의 셀에 대한 상태로서 각각의 셀에 현재 연결되는 UE들의 개수가 이용되는 경우라면, 상기 벡터는 각각의 셀에서 예측된 UE의 개수와 실제 UE의 개수의 차이를 나타내는 4차원 벡터로 표현될 수 있다. 다른 실시 예에서, 액세스 네트워크 장치(300)가 4개의 셀을 포함하고, 상기 4개의 셀에 대한 상태로서 각각의 셀에 현재 연결되는 UE들의 개수 및 각각의 셀에서의 IP 처리량이 이용되는 경우라면, 상기 벡터는 각각의 셀에서 예측된 UE의 개수와 실제 UE의 개수의 차이 및 예측된 IP 처리량과 실제 IP 처리량의 차이를 나타내는 8차원 벡터로 표현될 수 있다. 다양한 실시 예에서, 상기 벡터는 액세스 네트워크 장치(300)에 포함되는 셀의 개수 및 액세스 네트워크의 상태를 나타내는 변수의 개수에 기초하여 다양한 차원의 벡터로 표현될 수 있다. 일 실시 예에 따르면, 상태 비교 모듈(353)은 상기 벡터를 크기로 수치화할 수 있고 임계 값과 비교할 수 있다. 예를 들어, 상태 비교 모듈(353)은 상기 벡터의 각 차원의 요소들을 이용하여 평균 제곱 값 또는 근 평균 제곱 값을 산출할 수 있고, 산출된 값을 임계 값과 비교함으로써, 예측된 상태와 실제 상태의 차이가 지정된 수준 보다 작은지 여부를 판단할 수 있다.
일 실시 예에 따르면, 상태 비교 모듈(353)은 상기 예측된 상태와 상기 실제 상태의 차이를 비교한 결과를 파라미터 제어 모듈(351)에 전달할 수 있다. 예를 들면, 상태 비교 모듈(353)은 상기 예측된 상태와 상기 실제 상태의 차이를 임계 값과 비교한 결과를 파라미터 제어 모듈(351)에 전달할 수 있다.
임계 값 설정 모듈(354)은 프로세서(310)에 의해 실행됨으로써, 상태 비교 모듈(353)에서 사용되는 임계 값을 설정할 수 있다. 예를 들어, 임계 값은 사용자에 의해 미리 지정된 값으로 설정될 수 있다. 다른 예를 들어, 임계 값은 액세스 네트워크의 안정성 또는 부하 정도에 기초하여 설정될 수 있다. 예컨대, 임계 값이 상대적으로 높은 경우, 상태 제어 파라미터의 값이 변경되는 빈도는 상대적으로 높을 수 있고 액세스 네트워크의 안정성 또는 부하에 영향을 줄 수 있다. 한편 임계 값이 상대적으로 낮은 경우, 상태 제어 파라미터의 값이 변경되는 빈도는 상대적으로 낮을 수 있고, 적절한 조정이 이루어지지 않을 수 있다. 또 다른 예를 들어, 임계 값은 별도의 인공지능 학습 모델을 이용하여 설정될 수도 있다.
데이터 통신 모듈(355)은 프로세서(310)에 의해 실행됨으로써, 액세스 네트워크 장치(300) 외부의 전자 장치들(예: 도 2의 전자 장치(200))과 데이터를 송신 또는 수신할 수 있다. 예를 들어, 데이터 통신 모듈(355)은 서버에 대하여 액세스 네트워크의 상태와 관련된 정보를 송신할 수 있다. 다른 예를 들어, 데이터 통신 모듈(355)은 서버로부터 액세스 네트워크의 상태를 조정하기 위한 상태 제어 파라미터들의 값에 대한 정보를 수신할 수 있다.
도 4는 일 실시 예에 따른, 액세스 네트워크의 상태를 조정하는 방법에 대한 흐름도를 나타낸다.
도 4를 참조하면, 일 실시 예에 따른 전자 장치(예: 도 2의 전자 장치(200))가 액세스 네트워크의 상태를 조정하는 방법은 단계 401 내지 단계 411을 포함할 수 있다. 일 실시 예에서, 단계 401 내지 단계 411은 전자 장치의 프로세서(예: 도 2의 프로세서(210))에 의해 수행될 수 있다. 다양한 실시 예에 따르면, 전자 장치가 액세스 네트워크의 상태를 조정하는 방법은 도 4에 도시된 바에 한정되지 않으며, 도 4에 도시되지 않은 단계를 더 포함하거나 도 4에 도시된 단계 중 적어도 하나를 생략할 수 있다.
단계 401에서, 전자 장치는 제1 시점에서 액세스 네트워크 장치(예 도 3의 액세스 네트워크 장치(300))로부터 상태 이력 정보를 획득할 수 있다. 상태 이력 정보는 예컨대, 상기 제1 시점으로부터 지정된 과거 시간 동안의 하나 이상의 시점들 각각에서의 액세스 네트워크의 상태와 관련된 정보를 포함할 수 있다. 액세스 네트워크의 상태와 관련된 정보는 예컨대, 액세스 네트워크 장치에 포함되는 적어도 하나의 셀들 각각에 대한, 현재 연결되어 있는 UE의 수, 무선 자원의 할당 비율(PRB Utilization), IP 처리율(IP throughput), 및 다운링크 데이터 사용량(DL data volume) 중 적어도 하나와 관련될 수 있다.
단계 403에서, 전자 장치는 액세스 네트워크의 상태를 조정하기 위한 제1 시간을 결정할 수 있다. 다양한 실시 예에 따르면, 상기 제1 시간은 액세스 네트워크 장치로부터 액세스 네트워크의 상태와 관련된 정보들을 획득하는 시간, 상기 획득한 정보들을 기준 시간에 기초하여 수합하는 시간, 지정된 시점에서의 액세스 네트워크의 상태를 예측하는 시간, 액세스 네트워크의 상태를 최적화하기 위한 파라미터들의 값을 도출하는 시간, 또는 상기 도출된 파라미터들의 값을 액세스 네트워크 장치로 전달하는 시간 중 적어도 하나 이상을 포함할 수 있다.
단계 405에서, 전자 장치는 제1 시점 및 제1 시간에 기초하여 제2 시점을 결정할 수 있다. 제2 시점은 액세스 네트워크의 상태를 조정하는 기준 시점으로 이해될 수 있다. 일 실시 예에서, 상기 제2 시점은 상기 제1 시점으로부터 상기 제1 시간이 경과한 시점보다 시간적으로 늦을 수 있다. 예를 들면, 상기 제2 시점은 상기 제1 시점으로부터 상기 제1 시간 및 상기 제1 시간을 결정하는데 소요된 시간이 경과한 시점보다 시간적으로 늦을 수 있다.
단계 407에서, 전자 장치는 제2 시점에서의 액세스 네트워크의 상태를 예측할 수 있다. 일 실시 예에 따르면, 전자 장치는 상기 단계 401에서 획득한 상태 이력 정보 및 제1 인공지능 학습 모델에 기초하여 제2 시점에서의 액세스 네트워크의 상태를 예측할 수 있다. 예를 들어, 제1 인공지능 학습 모델은 지정된 시간이 경과한 시점에서의 액세스 네트워크의 상태를 예측하기 위한 인공지능 모델일 수 있으며, 제1 인공지능 학습 모델에는 액세스 네트워크의 상태 이력 정보가 입력될 수 있다. 일 실시 예에서, 제1 시점에 대한 정보 및 제2 시점에 대한 정보는 상기 지정된 시간을 설정하기 위해 제1 인공지능 학습 모델에 입력될 수 있다. 다른 실시 예에서, 제1 시점 및 제2 시점의 시간적 차이에 대한 정보는 상기 지정된 시간을 설정하기 위해 제1 인공지능 학습 모델에 입력될 수 있다.
단계 409에서, 전자 장치는 상기 단계 407에서 예측된 제2 시점에서의 액세스 네트워크의 상태에 기초하여, 액세스 네트워크의 상태를 조정하기 위한 상태 제어 파라미터들의 값을 도출할 수 있다. 다양한 실시 예에 따르면, 전자 장치는 예측된 제2 시점에서의 액세스 네트워크의 상태에 있어서, 복수의 셀들 사이의 부하 분산을 목적으로 또는 복수의 셀들의 소모 전력을 조정하기 위한 목적으로 상태 제어 파라미터들의 값을 도출할 수 있다. 예를 들어, 전자 장치는 복수의 셀들 사이의 부하 분산이 되도록 특정 셀에 대한 참조 신호 수신 전력 임계 값, 참조 신호 수신 품질 임계 값, 또는 셀 재선택 우선순위를 도출할 수 있다. 다른 예를 들어, 전자 장치는 복수의 셀들의 소모 전력을 조정하기 위한 목적으로 특정 셀에 대한 물리 자원 블록 비율 임계 값을 도출할 수 있다.
일 실시 예에 따르면, 상태 제어 파라미터들의 값은 예측된 제2 시점에서의 액세스 네트워크의 상태 및 제2 인공지능 학습 모델에 기초하여 도출될 수 있다. 예를 들어, 제2 인공지능 학습 모델은 지정된 액세스 네트워크의 상태에 대하여 부하 분산 또는 소모 전력 조정을 위한 적절한 상태 제어 파라미터들의 값을 도출하기 위한 인공지능 모델일 수 있다. 일 실시 예에 따르면, 제2 인공지능 학습 모델에는 예측된 제2 시점에서의 액세스 네트워크의 상태가 입력될 수 있고, 보상이 최대가 되도록 하는, 예컨대, 조정된 액세스 네트워크의 상태의 부하 분산 정도 또는 소모 전력의 감소된 정도가 최대가 되도록 하는 상태 제어 파라미터들의 값을 도출해낼 수 있다.
단계 411에서, 전자 장치는 상기 단계 409에서 도출된 상태 제어 파라미터들의 값을 액세스 네트워크 장치에 전달할 수 있다. 상태 제어 파라미터들의 값은 액세스 네트워크 장치에 전달되어 액세스 네트워크 장치에 포함되는 복수의 셀들에 적용될 수 있고, 액세스 네트워크의 상태가 조정될 수 있다.
도 5는 일 실시 예에 따른, 액세스 네트워크의 상태를 조정하기 위한 전자 장치들의 동작을 설명하기 위한 도면이다.
도 5를 참조하면, 일 실시 예에 따른 전자 장치들(예: 도 2의 전자 장치(200) 및 도 3의 액세스 네트워크 장치(300))이 액세스 네트워크의 상태를 조정하는 방법은 단계 501 내지 단계 512를 포함할 수 있다. 일 실시 예에 따르면, 도 5에 도시된 SON 서버(200)는 도 2의 전자 장치(200)일 수 있다. 일 실시 예에서, 단계 501 내지 단계 512는 전자 장치들의 프로세서(예: 도 2의 프로세서(210) 또는 도 3의 프로세서(310))에 의해 수행될 수 있다. 다양한 실시 예에 따르면, 전자 장치들이 액세스 네트워크의 상태를 조정하는 방법은 도 5에 도시된 바에 한정되지 않으며, 도 5에 도시되지 않은 단계를 더 포함하거나 도 5에 도시된 단계 중 적어도 하나를 생략할 수 있다.
단계 501에서, SON 서버(200)는 제1 시점에서의 상태 이력 정보를 액세스 네트워크 장치(300)에 요청할 수 있다. 일 실시 예에서, 요청 메시지는 SON 서버(200)로부터 액세스 네트워크 장치(300)로 전달될 수 있고, 액세스 네트워크 장치(300)는 상기 요청 메시지에 응답하여 제1 시점에서의 상태 이력 정보를 SON 서버(200)에 전달할 수 있다. 일 실시 예에 따르면, 액세스 네트워크 장치(300)는 지정된 시간 간격에 따라, 액세스 네트워크의 상태를 메모리에 저장할 수 있고, 지정된 수의 시점들에서의 액세스 네트워크의 상태에 기초하여 상태 이력 정보를 생산할 수 있다. 다양한 실시 예에 따르면, 액세스 네트워크 장치(300)는 지정된 시간 간격에 따라 주기적으로 상태 이력 정보를 생산하거나 갱신할 수 있고 또는 SON 서버(200)의 요청 메시지에 응답하여 상태 이력 정보를 생산할 수도 있다. 일 실시 예에 따르면, 상기 단계 501은 생략될 수도 있다. 예컨대, SON 서버(200)는 상태 이력 정보를 액세스 네트워크 장치(300)에 요청하지 않을 수 있고, 액세스 네트워크 장치(300)는 요청 메시지와 무관하게 주기적으로 상태 이력 정보를 SON 서버(200)에 전달할 수 있다.
단계 503에서, SON 서버(200)는 액세스 네트워크의 상태를 조정하기 위한 제1 시간을 결정할 수 있다. 일 실시 예에서, 제1 시간은 단계 501에서 SON 서버(200)가 요청함으로써 획득한 상태 이력 정보에 기초하여 결정될 수 있다. 단계 503에 대해서는 도 4의 단계 403의 설명이 동일 또는 유사하게 적용될 수 있다.
단계 505에서, SON 서버(200)는 제1 시점 및 제1 시간에 기초하여 제2 시점을 결정할 수 있다. 제2 시점은 액세스 네트워크의 상태를 조정하는 기준 시점으로 이해될 수 있다. 단계 505에 대해서는 도 4의 단계 405의 설명이 동일 또는 유사하게 적용될 수 있다.
단계 507에서, SON 서버(200)는 제3 시점에서 액세스 네트워크의 상태를 액세스 네트워크 장치(300)에 요청할 수 있다. 일 실시 예에 따르면, 제3 시점은 상기 제1 시점 및 상기 제2 시점 사이의 시점이며, 상기 제3 시점은 적어도 하나 이상의 시점일 수 있다. 일 실시 예에서, 상기 제3 시점은 단계 509가 수행되는 시점보다는 이전 시점일 수 있다. 일 실시 예에 따르면, 요청 메시지는 SON 서버(200)로부터 액세스 네트워크 장치(300)로 전달될 수 있고, 액세스 네트워크 장치(300)는 상기 요청 메시지에 응답하여 제3 시점에서의 액세스 네트워크의 상태와 관련된 정보를 SON 서버(200)에 전달할 수 있다. 일 실시 예에서, 제3 시점이 복수인 경우, 액세스 네트워크 장치(300)는 액세스 네트워크의 복수의 상태와 관련된 정보를 SON 서버(200)에 전달할 수 있다. 일 실시 예에 따르면, 상기 단계 507은 생략될 수도 있다. 예컨대, 액세스 네트워크 장치(300)는 요청 메시지와 무관하게 지정된 시간 간격으로 액세스 네트워크의 상태를 SON 서버(200)에 전달할 수 있다. 이 경우, SON 서버(200)는 제3 시점에서의 액세스 네트워크의 상태를 액세스 네트워크 장치(300)에 요청하지 않을 수 있다.
단계 509에서, SON 서버(200)는 제2 시점에서의 액세스 네트워크의 상태를 예측할 수 있다. 일 실시 예에 따르면, SON 서버(200)는 상기 단계 501에서 획득한 상태 이력 정보 및 제1 인공지능 학습 모델에 기초하여 제2 시점에서의 액세스 네트워크의 상태를 예측할 수 있다. 단계 509에 대해서는 도 4의 단계 407의 설명이 동일 또는 유사하게 적용될 수 있다.
일 실시 예에 따르면, SON 서버(200)는 상기 단계 501에서 획득한 상태 이력 정보, 상기 단계 507에서 획득한 제3 시점에서의 액세스 네트워크의 상태 및 제1 인공지능 학습 모델에 기초하여 제2 시점에서의 액세스 네트워크의 상태를 예측할 수 있다. 제3 시점에서의 액세스 네트워크의 상태는 제1 시점에서 획득한 상태 이력 정보보다 늦은 시점에서 획득한 정보이기 때문에, SON 서버(200)는 제3 시점에서의 액세스 네트워크의 상태를 이용하여 제2 시점에서의 액세스 네트워크의 상태를 보다 정확하게 예측할 수 있다.
일 실시 예에 따르면, 단계 509에서 예측된 제2 시점에서의 액세스 네트워크의 상태와 관련된 정보는 액세스 네트워크 장치(300)에 전달될 수 있다.
단계 510에서, 액세스 네트워크 장치(300)는 SON 서버(200)로부터 SON 서버(200)에서 예측된 제2 시점에서의 액세스 네트워크의 상태를 획득하고, 제2 시점에서의 액세스 네트워크의 예측된 상태와 실제 상태를 비교할 수 있다. 일 실시 예에 따르면, 액세스 네트워크 장치(300)는 상기 예측된 상태와 상기 실제 상태 사이의 차이를 별도의 파라미터로 표현할 수 있다. 예를 들면, 액세스 네트워크 장치(300)는 상기 예측된 상태 및 상기 실제 상태의 차이를 나타내는 벡터를 생성할 수 있다. 일 실시 예에서, 상기 벡터는 크기를 나타내는 값으로 수치화 될 수 있고, 상기 수치화된 값은 지정된 임계 값과 비교될 수 있다. 일 실시 예에서, 상기 수치화된 값이 지정된 임계 값보다 작으면, 예측된 상태를 신뢰할 수 있다고 판단할 수 있고, 상기 수치화된 값이 지정된 임계 값 이상이면, 예측된 상태를 신뢰하기 어렵다고 판단할 수 있다.
단계 511에서, SON 서버(200)는 상기 단계 509에서 예측된 제2 시점에서의 액세스 네트워크의 상태에 기초하여, 액세스 네트워크의 상태를 조정하기 위한 상태 제어 파라미터들의 값을 도출할 수 있다. 일 실시 예에 따르면, 상태 제어 파라미터들의 값은 예측된 제2 시점에서의 액세스 네트워크의 상태 및 제2 인공지능 학습 모델에 기초하여 도출될 수 있다. 단계 511에 대해서는 도 4의 단계 409의 설명이 동일 또는 유사하게 적용될 수 있다.
일 실시 예에 따르면, 단계 511에서 도출된 상태 제어 파라미터들의 값은 액세스 네트워크 장치(300)에 전달될 수 있다.
단계 512에서, 액세스 네트워크 장치(300)는 단계 510에서 제2 시점에서의 액세스 네트워크의 예측된 상태와 실제 상태를 비교한 결과에 기초하여 상태 제어 파라미터를 적용할 수 있다. 일 실시 예에서, 단계 510에서 비교한 결과, 예측된 상태를 신뢰할 수 있다고 판단한 경우, 액세스 네트워크 장치(300)는 SON 서버(200)로부터 획득한 상태 제어 파라미터의 값을 이용하여 상태 제어 파라미터를 복수의 셀들에 적용할 수 있다. 다른 실시 예에서, 단계 510에서 비교한 결과, 예측된 상태를 신뢰하기 어렵다고 판단한 경우, 액세스 네트워크 장치(300)는 SON 서버(200)로부터 획득한 상태 제어 파라미터의 값을 이용하지 않고 기존의 상태 제어 파라미터의 값을 이용하여 상태 제어 파라미터를 복수의 셀들에 적용할 수 있다.
다양한 실시 예에 따르면, 단계 501 내지 단계 512의 순서는 도 5에 도시된 바에 한정되지는 않는다. 예를 들면, 단계 509의 결과로서 예측된 제2 시점에서의 상태와 관련된 정보는 단계 510 및 단계 511 이전에 SON 서버(200)로부터 액세스 네트워크 장치(300)에 전달되는 것으로 도시되어 있으나, 예측된 제2 시점에서의 상태와 관련된 정보는 단계 511 이후에 도출된 상태 제어 파라미터와 함께 액세스 네트워크 장치(300)로 전달될 수도 있다. 이 경우, 단계 510은 단계 511 이후에 수행될 수 있다.
다양한 실시 예에 따르면, 도 5에서 도시되지는 않았으나, SON 서버(200)는 단계 501 내지 단계 512와 무관하게 제1 인공지능 학습 모델 및/또는 제2 인공지능 학습 모델을 훈련시키는 단계를 수행할 수 있다. 예를 들어, SON 서버(200)는 단계 501 내지 단계 512 중 어느 하나의 단계가 수행되는 도중, 단계 501이 수행되기 이전 또는 단계 512가 수행된 이후에 제1 인공지능 학습 모델 및/또는 제2 인공지능 학습 모델을 훈련시킬 수 있다. 제1 인공지능 학습 모델 및 제2 인공지능 학습 모델의 훈련 방법에 대해서는 도 8 및 도 9에서 후술된다.
도 6은 일 실시 예에 따른, 액세스 네트워크에 대한 예측된 상태와 실제 상태의 차이를 산출하는 방법을 설명하기 위한 도면이다.
도 6을 참조하면, SON 서버(200)(예: 도 2의 전자 장치(200))는 액세스 네트워크의 t+Δ에서의 상태를 예측할 수 있고, 액세스 네트워크 장치(300)는 t+Δ에서의 실제 상태를 획득할 수 있다. 일 실시 예에서, t는 본 명세서에서 설명된 제1 시점으로 이해될 수 있고, Δ는 본 명세서에서 설명된 제1 시간으로 이해될 수 있고, t+Δ는 본 명세서에서 설명된 제2 시점으로 이해될 수 있다.
일 실시 예에 따르면, 제2 시점에서의 액세스 네트워크의 예측된 상태는 벡터
Figure pat00001
(610)로 표현될 수 있고, 제2 시점에서의 액세스 네트워크의 실제 상태는 벡터
Figure pat00002
(620)로 표현될 수 있다. 예를 들어, 벡터
Figure pat00003
(610) 및 벡터
Figure pat00004
(620)는 동일한 복수의 차원을 가질 수 있으며, 벡터
Figure pat00005
(610) 및 벡터
Figure pat00006
(620)의 차수 n은 액세스 네트워크 장치(300)에 포함되는 셀들의 수 및 액세스 네트워크의 상태와 관련된 정보의 종류의 수에 기초할 수 있다. 예를 들어, 액세스 네트워크 장치(300)에 네 개의 셀들이 포함되고, 액세스 네트워크의 상태와 관련된 정보는 현재 연결되어 있는 UE의 수 및 무선 자원의 할당 비율, 총 두 개의 종류가 사용되는 경우, 벡터
Figure pat00007
(610) 및 벡터
Figure pat00008
(620)의 차수는 8차일 수 있다. 다른 예를 들어, 액세스 네트워크 장치(300)에 여섯 개의 셀들이 포함되고 액세스 네트워크의 상태와 관련된 정보는 현재 연결되어 있는 UE의 수 총 한 개의 종류만 사용되는 경우, 벡터
Figure pat00009
(610) 및 벡터
Figure pat00010
(620) 의 차수는 6차일 수 있다.
일 실시 예에 따르면, 제2 시점에서의 액세스 네트워크의 예측된 상태와 실제 상태는 제2 시점에서의 액세스 네트워크를 예측하는 제1 인공지능 학습 모델의 신뢰도를 판단하기 위해 상호 간에 비교될 수 있다. 예를 들면, 벡터
Figure pat00011
(610) 및 벡터
Figure pat00012
(620) 의 각 성분의 차이를 계산함으로써 벡터
Figure pat00013
(630)가 산출될 수 있다. 일 실시 예에서, 벡터
Figure pat00014
(630)는 크기를 나타낼 수 있는 값으로 수치화 됨으로써 임계 값과 비교될 수 있다. 예를 들면, 벡터
Figure pat00015
(630)의 크기는 각 성분의 평균 제곱 값으로 표현될 수 있거나 또는 각 성분의 근 평균 제곱 값으로 표현될 수 있고, 상기 평균 제곱 값 또는 근 평균 제곱 값은 임계 값과 비교될 수 있다.
도 7a는 일 실시 예에 따른, 액세스 네트워크의 상태를 조정하는 방법에 따른 액세스 네트워크의 상태 조정을 설명하기 위한 도면이다. 도 7b는 다른 실시 예에 따른, 액세스 네트워크의 상태를 조정하는 방법에 따른 액세스 네트워크의 상태 조정을 설명하기 위한 도면이다.
도 7a 및 도 7b를 참조하면, SON 서버(200) 및 액세스 네트워크 장치(300)는 각각의 시점들에서의 액세스 네트워크의 상태와 관련된 정보를 가질 수 있다. 일 실시 예에 따르면, 각각의 시점들에서의 액세스 네트워크의 상태와 관련된 정보는 SON 서버(200) 및 액세스 네트워크 장치(300) 상호간에 전달될 수 있고, 액세스 네트워크의 상태를 조정하기 위해 사용될 수 있다.
다양한 실시 예에 따르면, 도 7a 또는 도 7b에 도시된 액세스 네트워크의 상태 조정은 일 예에 불과할 뿐 액세스 네트워크의 상태를 조정하는 방법은 도 7a 또는 도 7b에 도시된 바에 한정되지 않는다. 예를 들어, 도 7a 및 도 7b에서는 복수의 셀들의 개수가 네 개인 것으로 도시되었으나, 복수의 셀들의 개수는 이에 제한되지 않고 다양한 값을 가질 수 있다. 다른 예를 들어, 도 7a 및 도 7b에서는 액세스 네트워크의 상태와 관련하여 각각의 셀에 대해 현재 연결된 UE의 수가 사용되는 것으로 도시되었으나, 액세스 네트워크의 상태는 다른 종류의 변수들이 사용될 수 있으며, 변수들의 수 역시 다양한 값을 가질 수 있다. 예컨대, 액세스 네트워크의 상태는 각각의 셀에 대한, 현재 연결되어 있는 UE의 수, 무선 자원의 할당 비율, IP 처리율, 및 다운링크 데이터 사용량 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따르면, 액세스 네트워크 장치(300)는 제1 시점에서의 액세스 네트워크의 상태(701)를 획득할 수 있고 제1 시점에서의 액세스 네트워크의 상태(701)는 SON 서버(200)로 전달될 수 있다. 일 실시 예에 따르면, 제1 시점에서, 제1 셀에 연결되는 UE의 수는 80이고, 제2 셀에 연결되는 UE의 수는 50이고, 제3 셀에 연결되는 UE의 수는 50이고, 제4 셀에 연결되는 UE의 수는 20일 수 있다.
일 실시 예에 따르면, SON 서버(200)는 제1 시점에서의 액세스 네트워크의 상태(701)에 기초하여 예측된 제2 시점에서의 액세스 네트워크의 상태(710)를 도출할 수 있다. 일 실시 예에서, SON 서버(200)는 제2 시점에서 제1 셀에 연결되는 UE의 수를 45로 예측할 수 있고, 제2 시점에서 제2 셀에 연결되는 UE의 수를 50으로 예측할 수 있고, 제2 시점에서 제3 셀에 연결되는 UE의 수를 50으로 예측할 수 있고, 제2 시점에서 제4 셀에 연결되는 UE의 수를 55로 예측할 수 있다.
일 실시 예에 따르면, SON 서버(200)는 예측된 제2 시점에서의 액세스 네트워크의 상태(710)에 기초하여 복수의 셀들 사이의 부하 분산이 이루어지도록 상태 제어 파라미터를 도출할 수 있다. 일 실시 예에서, SON 서버(200)는 예측된 제2 시점에서의 액세스 네트워크의 상태(710)에 기초하여 각각의 셀에서의 상태 조정 값들(711)을 결정할 수 있다. SON 서버(200)에서 결정된 상태 조정 값들(711)에 기초하여 상태 제어 파라미터를 도출할 수 있다. 일 실시 예에 따르면, SON 서버(200)는 제1 셀에 연결되는 UE의 수를 5만큼 증가시키고 제4 셀에 연결되는 UE의 수를 5만큼 감소시키도록 상태 제어 파라미터를 도출할 수 있다.
일 실시 예에 따르면, SON 서버(200)는 예측된 제2 시점에서의 액세스 네트워크의 상태(710) 및 상태 조정 값들(711)에 따른 상태 제어 파라미터들을 액세스 네트워크 장치(300)에 전달할 수 있다.
일 실시 예에서, 도 7a를 참조하면, 액세스 네트워크 장치(300)는 제2 시점에서 실제 액세스 네트워크의 상태(720a)를 획득할 수 있다. 일 실시 예에 따르면, 액세스 네트워크 장치(300)는 예측된 제2 시점에서의 액세스 네트워크의 상태(710)와 실제 제2 시점에서의 액세스 네트워크의 상태(720a)를 비교할 수 있고, 상호 간의 차이를 나타내는 벡터
Figure pat00016
(730a)를 산출할 수 있다. 일 실시 예에 따르면, 예측된 상태(710)와 실제 상태(720a)의 차이를 나타내는 벡터
Figure pat00017
(730a)는 수치화 됨으로써 임계 값과 비교될 수 있다. 예를 들어, 벡터
Figure pat00018
(730a)는 각 성분들에 대한 근 평균 제곱 값으로 수치화 될 수 있고, 임계값은 예컨대, 5로 설정될 수 있다. 이 경우, 벡터
Figure pat00019
(730a)의 근 평균 제곱 값은
Figure pat00020
이며, 임계 값인 5보다 작다고 판단될 수 있다. 일 실시 예에서, 벡터
Figure pat00021
(730a)의 수치화된 크기는 임계 값보다 작으므로 액세스 네트워크 장치(300)는 SON 서버(200)로부터 획득한 정보를 신뢰할 수 있다고 판단할 수 있다. 액세스 네트워크 장치(300)는 SON 서버(200)로부터 획득한 상태 제어 파라미터 값들을 적용할 수 있고, 각각의 셀에 연결되는 UE의 수는 조정될 수 있다. 일 실시 예에서, 액세스 네트워크의 최종 상태(740a)는 제2 시점에서의 액세스 네트워크의 상태(720a)로부터 조정될 수 있다. 예를 들어, 제1 셀에 연결되는 UE의 수는 40에서 45로 조정될 수 있고, 제4 셀에 연결되는 UE의 수는 60에서 55로 조정될 수 있다.
다른 실시 예에서, 도 7b를 참조하면, 액세스 네트워크 장치(300)는 제2 시점에서 실제 액세스 네트워크의 상태(720b)를 획득할 수 있다. 일 실시 예에 따르면, 액세스 네트워크 장치(300)는 예측된 제2 시점에서의 액세스 네트워크의 상태(710)와 실제 제2 시점에서의 액세스 네트워크의 상태(720b)를 비교할 수 있고, 상호 간의 차이를 나타내는 벡터
Figure pat00022
(730b)를 산출할 수 있다. 일 실시 예에 따르면, 예측된 상태(710)와 실제 상태(720b)의 차이를 나타내는 벡터
Figure pat00023
(730b)는 수치화 됨으로써 임계 값과 비교될 수 있다. 예를 들어, 벡터
Figure pat00024
(730b)는 각 성분들에 대한 근 평균 제곱 값으로 수치화 될 수 있고, 임계값은 예컨대, 5로 설정될 수 있다. 이 경우, 벡터
Figure pat00025
(730b)의 근 평균 제곱 값은
Figure pat00026
이며, 임계 값인 5보다 크다고 판단될 수 있다. 일 실시 예에서, 벡터
Figure pat00027
(730b)의 수치화된 크기는 임계 값보다 작으므로 액세스 네트워크 장치(300)는 SON 서버(200)로부터 획득한 정보를 신뢰하기 어렵다고 판단할 수 있다. 액세스 네트워크 장치(300)는 SON 서버(200)로부터 획득한 상태 제어 파라미터 값들을 적용하지 않을 수 있고, 각각의 셀에 연결되는 UE의 수는 유지될 수 있다. 이 경우, 액세스 네트워크 장치(300)은 상태 제어 파라미터 값들을 다시 획득하기 위해 SON 서버(200)에 상태 제어 파라미터 값을 요청하는 메시지를 전달할 수도 있다.
도 8은 일 실시 예에 따른, 제1 인공지능 학습 모델의 훈련 방법을 설명하기 위한 도면이다.
일 실시 예에 따르면, 제1 인공지능 학습 모델(801)은 상태 이력 정보(810)의 적어도 일부를 입력으로 사용할 수 있다. 다양한 실시 예에 따르면, 제1 인공지능 학습 모델(801)에 입력되는 상태 이력 정보(810)는 지정된 기간의 액세스 네트워크의 상태 이력 정보, 예컨대, 최근 1주일 동안의 액세스 네트워크의 상태 이력 정보를 포함할 수 있고, 지정된 기간 동안 특정 조건과 관련된 정보, 예컨대, 최근 한달 동안 특정 요일별 상태 이력 정보, 최근 한달 동안 특정 시간별 상태 이력 정보를 포함할 수도 있다. 일 실시 예에 따르면, 제1 인공지능 학습 모델(801)에 입력되는 상태 이력 정보는 특정 이벤트와 관련된 상태 이력 정보, 예컨대, 행사, 집회, 또는 공휴일 등에 따른 상태 이력 정보를 포함할 수도 있다.
일 실시 예에 따르면, 제1 인공지능 학습 모델(801)은 다양한 상태 이력 정보(810)가 입력됨으로써 훈련 및 테스트가 반복될 수 있다. 예를 들어, 제1 인공지능 학습 모델(801)은 상태 이력 정보(810) 중 일부의 시간 구간에 대한 정보(811)을 이용하여, 상기 상태 이력 정보(810) 중 상기 일부의 시간 구간보다 시간적으로 늦은 지정된 시점에서의 액세스 네트워크의 상태를 예측할 수 있다. 제1 인공지능 학습 모델(801)은 상기 상태 이력 정보(810) 중 상기 지정된 시점에서의 액세스 네트워크의 실제 상태(812)를 획득할 수 있다. 상기 예측된 상태(820)는 상기 획득된 실제 상태(812)와 비교됨으로써 제1 인공지능 학습 모델(801)은 테스트 될 수 있다. 상기 비교 결과(830)는 피드백으로 이용될 수 있고, 제1 인공지능 학습 모델(801)은 훈련될 수 있다. 제1 인공지능 학습 모델(801)은 상태 이력 정보(810)의 다양한 시간 구간을 이용하여 다양한 시점에서의 액세스 네트워크의 상태를 예측하고 테스트하는 동작을 반복함으로서 훈련될 수 있다.
도 9는 일 실시 예에 따른, 제1 인공지능 학습 모델 및 제2 인공지능 학습 모델의 훈련 방법을 설명하기 위한 도면이다.
일 실시 예에 따르면, 제1 인공지능 학습 모델(801)은 앞서 도 8에서 설명된 바와 같이, 액세스 네트워크 장치(300)로부터 상태 이력 정보를 획득하고 액세스 네트워크의 상태를 예측함으로써 훈련될 수 있다. 예를 들면, 제1 인공지능 학습 모델(801)은 상태 이력 정보 중 일부를 이용하여 특정 시점에서의 액세스 네트워크의 상태를 예측하고, 상기 예측된 상태를 상태 이력 정보 중 상기 특정 시점에서의 액세스 네트워크의 실제 상태와 비교함으로써 훈련될 수 있다.
일 실시 예에 따르면, 제1 인공지능 학습 모델(801)이 도출한 액세스 네트워크의 예측된 상태는 제2 인공지능 학습 모델(901)에 상태(state) 변수로서 입력됨으로써 제2 인공지능 학습 모델(901)의 훈련에 이용될 수 있다. 일 실시 예에서, 제2 인공지능 학습 모델(901)은 제1 인공지능 학습 모델(801)이 도출한 특정 시점에서의 액세스 네트워크의 예측된 상태에 기반하여, 동작(action) 변수로서 상기 예측된 상태가 조정되기 위한 상태 제어 파라미터를 도출할 수 있다. 제2 인공지능 학습 모델(901)은 액세스 네트워크 장치(300)로부터 상기 특정 시점 이후의 액세스 네트워크의 상태를 획득함으로써 보상(reward) 변수를 산출할 수 있다. 상기 보상 변수는 예컨대, 조정된 액세스 네트워크의 상태의 부하 분산 정도 또는 소모 전력의 감소된 정도를 포함할 수 있다. 일 실시 예에서, 제2 인공지능 학습 모델(901)은 상기 보상 변수의 값이 증가하도록 바람직하게는, 최대화되도록 상태 제어 파라미터를 도출할 수 있고, 상기 과정을 반복함으로써 훈련될 수 있다.
본 문서에 개시되는 일 실시 예에 따른 전자 장치가 적어도 하나의 셀(cell)들을 포함하는 액세스 네트워크의 상태를 조정하는 방법은, 제1 시점에서 상기 액세스 네트워크의 상태 이력 정보를 획득하는 단계, 상기 획득한 상태 이력 정보에 기초하여, 상기 액세스 네트워크의 상태를 조정하는데 소요되는 제1 시간을 결정하는 단계, 상기 제1 시점 및 상기 제1 시간에 기초하여, 상기 액세스 네트워크의 상태를 조정하는 기준 시점인 제2 시점을 결정하는 단계, 상기 획득된 상태 이력 정보에 기초하여, 상기 제2 시점에서의 상기 액세스 네트워크의 상태를 예측하는 단계, 상기 예측된 상기 제2 시점에서의 상기 액세스 네트워크의 상태에 기초하여, 상기 액세스 네트워크의 상태를 조정하기 위한 상태 제어 파라미터들의 값을 도출하는 단계, 및 상기 도출된 상태 제어 파라미터들의 값을 상기 액세스 네트워크에 전달하는 단계를 포함하고, 상기 액세스 네트워크에 전달되는 상기 상태 제어 파라미터들의 값은 상기 액세스 네트워크의 상태가 조정되도록 상기 제2 시점에서 상기 액세스 네트워크의 상태 제어 파라미터에 적용되는 것을 특징으로 할 수 있다.
일 실시 예에 따르면, 상기 방법은 상기 제1 시점 및 상기 제2 시점 사이의 적어도 하나의 제3 시점에서의 상기 액세스 네트워크의 상태를 획득하는 단계를 더 포함하고, 상기 제2 시점에서의 상기 액세스 네트워크의 상태를 예측하는 상기 단계는, 상기 획득된 상태 이력 정보 및 상기 획득된 상기 제3 시점에서의 상기 액세스 네트워크의 상태에 기초하여, 상기 제2 시점에서의 상기 액세스 네트워크의 상태를 예측하는 단계를 포함할 수 있다.
일 실시 예에 따르면, 상기 상태 이력 정보는 제1 상태 이력 정보에 대응하고, 상기 방법은 상기 제1 시점보다 이른 제4 시점에서 상기 액세스 네트워크의 제2 상태 이력 정보를 획득하는 단계 및 상기 제2 상태 이력 정보에 기초하여 상기 제1 시점 및 상기 제2 시점 사이의 적어도 하나의 제3 시점에서의 상기 액세스 네트워크의 상태를 예측하는 단계를 더 포함하고, 상기 제2 시점에서의 상기 액세스 네트워크의 상태를 예측하는 상기 단계는, 상기 획득된 제1 상태 이력 정보 및 상기 예측된 상기 제3 시점에서의 상기 액세스 네트워크의 상태에 기초하여, 상기 제2 시점에서의 상기 액세스 네트워크의 상태를 예측하는 단계를 포함하는 것을 특징으로 할 수 있다.
일 실시 예에서, 상기 방법은 상기 예측된 상기 제3 시점에서의 상기 액세스 네트워크의 상태에 기초하여, 상기 제3 시점에서의 상기 액세스 네트워크의 상태를 조정하기 위한 상태 제어 파라미터들의 값을 도출하는 단계 및 상기 예측된 상기 제3 시점에서의 상기 액세스 네트워크의 상태 및 상기 제3 시점에서의 상기 액세스 네트워크의 상태를 조정하기 위해 도출된 상태 제어 파라미터들의 값에 기초하여, 상기 제3 시점에서 조정될 상기 액세스 네트워크의 상태를 예측하는 단계를 더 포함하고, 상기 제2 시점에서의 상기 액세스 네트워크의 상태를 예측하는 상기 단계는, 상기 획득된 제1 상태 이력 정보 및 상기 제3 시점에서 조정될 것으로 예측된 상기 액세스 네트워크의 상태에 기초하여, 상기 제2 시점에서의 상기 액세스 네트워크의 상태를 예측하는 단계를 포함하는 것을 특징으로 할 수 있다.
일 실시 예에 따르면, 상기 상태 제어 파라미터들의 값을 도출하는 단계는, 상기 제1 시점 및 상기 제2 시점 사이의 시간 동안 상기 상태 제어 파라미터들의 값을 도출하는 것일 수 있다.
일 실시 예에서, 상기 방법은 상기 예측된 상기 제2 시점에서의 상기 액세스 네트워크의 상태와 관련된 정보를 상기 액세스 네트워크에 전달하는 단계를 더 포함하고, 상기 예측된 상기 제2 시점에서의 상기 액세스 네트워크의 상태는 상기 액세스 네트워크에서 상기 제2 시점의 상기 액세스 네트워크의 실제 상태와 비교되고, 상기 상태 제어 파라미터들의 값은 상기 비교 결과에 기초하여 상기 제2 시점에서 상기 액세스 네트워크의 상기 상태 제어 파라미터에 적용되는 것을 특징으로 할 수 있다.
일 실시 예에서, 상기 예측된 상기 제2 시점에서의 상기 액세스 네트워크의 상태 및 상기 제2 시점의 상기 액세스 네트워크의 상기 실제 상태의 차이는 오차 값(error value)으로 산출되고, 상기 산출된 오차 값이 미리 지정된 임계 값보다 작으면, 상기 상태 제어 파라미터들의 값은 상기 제2 시점에서 상기 액세스 네트워크의 상기 상태 제어 파라미터에 적용될 수 있다.
일 실시 예에 따르면, 상기 액세스 네트워크의 상태는 상기 적어도 하나의 셀들 각각에 대한, 현재 연결되어 있는 UE의 수, 무선 자원의 할당 비율(PRB Utilization), IP 처리율(IP throughput), 및 다운링크 데이터 사용량(DL data volume) 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따르면, 상기 제2 시점에서의 상기 액세스 네트워크의 상태는 제1 인공지능 학습 모델을 이용하여 예측되고, 상기 상태 제어 파라미터들의 값은 제2 인공지능 학습 모델을 이용하여 도출되며, 상기 제1 인공지능 학습 모델 및 상기 제2 인공지능 학습 모델 각각은 강화 학습(reinforcement learning), 지도 학습(supervised learning), 기계 학습(machine learning), 연속 학습(continual learning), 연합 학습(federated learning), 심층 학습(deep learning)중 적어도 하나를 포함할 수 있다.
일 실시 예에 따르면, 상기 상태 제어 파라미터들의 값을 도출하는 상기 단계는, 상기 액세스 네트워크에서 상기 적어도 하나의 셀들 각각에 대한 부하 분산(load balancing)을 위해 상기 상태 제어 파라미터들의 값을 도출하는 단계를 포함할 수 있다.
일 실시 예에 따르면, 상기 상태 제어 파라미터들의 값을 도출하는 상기 단계는, 상기 액세스 네트워크에서 상기 적어도 하나의 셀들에 대한 소모 전력을 조정하기 위해 상기 상태 제어 파라미터들의 값을 도출하는 단계를 포함할 수 있다.
일 실시 예에 따르면, 상기 방법은 상기 제2 시점에서, 상기 액세스 네트워크의 상태를 획득하는 단계를 더 포함하고, 상기 제1 인공지능 학습 모델은 상기 상태 이력 정보, 상기 예측된 상기 제2 시점에서의 상기 액세스 네트워크의 상태, 및 상기 획득된 상기 제2 시점에서의 상기 액세스 네트워크의 상태에 기초하여 훈련되는 것을 특징으로 할 수 있다.
일 실시 예에 따르면, 상기 방법은 상기 제2 시점 이후의 제4 시점에서, 상기 액세스 네트워크의 상태를 획득하는 단계를 더 포함하고, 상기 제2 인공지능 학습 모델은 상기 예측된 상기 제2 시점에서의 상기 액세스 네트워크의 상태, 상기 도출된 상태 제어 파라미터들의 값, 및 상기 획득된 상기 제4 시점에서의 상기 액세스 네트워크의 상태에 기초하여 훈련되는 것을 특징으로 할 수 있다.
일 실시 예에 따르면, 상기 상태 제어 파라미터는 참조 신호 수신 전력(reference signal received power, RSRP) 임계 값, 참조 신호 수신 품질(reference signal received quality, RSRQ) 임계 값, 물리 자원 블록(physical radio block, PRB) 비율 임계 값, 또는 셀 재선택 우선순위(cell re-selection priority) 중 적어도 하나를 포함할 수 있다.
본 문서에 개시되는 일 실시 예에 따른 적어도 하나의 셀(cell)들을 포함하는 액세스 네트워크의 상태를 조정하는 전자 장치는, 적어도 하나의 프로세서 및 상기 적어도 하나의 프로세서와 연결되는 메모리를 포함하고, 상기 적어도 하나의 프로세서는, 제1 시점에서 상기 액세스 네트워크의 상태 이력 정보를 획득하고, 상기 획득한 상태 이력 정보에 기초하여, 상기 액세스 네트워크의 상태를 조정하는데 소요되는 제1 시간을 결정하고, 상기 제1 시점 및 상기 제1 시간에 기초하여, 상기 액세스 네트워크의 상태를 조정하는 기준 시점인 제2 시점을 결정하고, 상기 획득된 상태 이력 정보에 기초하여, 상기 제2 시점에서의 상기 액세스 네트워크의 상태를 예측하고, 상기 예측된 상기 제2 시점에서의 상기 액세스 네트워크의 상태에 기초하여, 상기 액세스 네트워크의 상태를 조정하기 위한 상태 제어 파라미터들의 값을 도출하고, 및 상기 도출된 상태 제어 파라미터들의 값을 상기 액세스 네트워크에 전달하도록 설정되고, 상기 액세스 네트워크에 전달되는 상기 상태 제어 파라미터들의 값은 상기 액세스 네트워크의 상태가 조정되도록 상기 제2 시점에서 상기 액세스 네트워크의 상태 제어 파라미터에 적용되는 것을 특징으로 할 수 있다.
일 실시 예에 따르면, 상기 적어도 하나의 프로세서는 상기 제1 시점 및 상기 제2 시점 사이의 적어도 하나의 제3 시점에서의 상기 액세스 네트워크의 상태를 획득하고, 상기 획득된 상태 이력 정보 및 상기 획득된 상기 제3 시점에서의 상기 액세스 네트워크의 상태에 기초하여, 상기 제2 시점에서의 상기 액세스 네트워크의 상태를 예측하도록 설정되는 것을 특징으로 할 수 있다.
일 실시 예에 따르면, 상기 상태 이력 정보는 제1 상태 이력 정보에 대응하고, 상기 적어도 하나의 프로세서는 상기 제1 시점보다 이른 제4 시점에서 상기 액세스 네트워크의 제2 상태 이력 정보를 획득하고 및 상기 제2 상태 이력 정보에 기초하여 상기 제1 시점 및 상기 제2 시점 사이의 적어도 하나의 제3 시점에서의 상기 액세스 네트워크의 상태를 예측하도록 더 설정되며, 상기 획득된 제1 상태 이력 정보 및 상기 예측된 상기 제3 시점에서의 상기 액세스 네트워크의 상태에 기초하여, 상기 제2 시점에서의 상기 액세스 네트워크의 상태를 예측하도록 설정되는 것을 특징으로 할 수 있다.
일 실시 예에서, 상기 적어도 하나의 프로세서는 상기 예측된 상기 제3 시점에서의 상기 액세스 네트워크의 상태에 기초하여, 상기 제3 시점에서의 상기 액세스 네트워크의 상태를 조정하기 위한 상태 제어 파라미터들의 값을 도출하고 및 상기 예측된 상기 제3 시점에서의 상기 액세스 네트워크의 상태 및 상기 제3 시점에서의 상기 액세스 네트워크의 상태를 조정하기 위해 도출된 상태 제어 파라미터들의 값에 기초하여, 상기 제3 시점에서 조정될 상기 액세스 네트워크의 상태를 예측하도록 더 설정되고, 상기 획득된 제1 상태 이력 정보 및 상기 제3 시점에서 조정될 것으로 예측된 상기 액세스 네트워크의 상태에 기초하여, 상기 제2 시점에서의 상기 액세스 네트워크의 상태를 예측하도록 설정되는 것을 특징으로 할 수 있다.
일 실시 예에 따르면, 상기 적어도 하나의 프로세서는 상기 제1 시점 및 상기 제2 시점 사이의 시간 동안 상기 상태 제어 파라미터들의 값을 도출하도록 설정될 수 있다.
일 실시 예에서, 상기 적어도 하나의 프로세서는 상기 예측된 상기 제2 시점에서의 상기 액세스 네트워크의 상태와 관련된 정보를 상기 액세스 네트워크에 전달하도록 설정되고, 상기 예측된 상기 제2 시점에서의 상기 액세스 네트워크의 상태는 상기 액세스 네트워크에서 상기 제2 시점의 상기 액세스 네트워크의 실제 상태와 비교되고, 상기 상태 제어 파라미터들의 값은 상기 비교 결과에 기초하여 상기 제2 시점에서 상기 액세스 네트워크의 상기 상태 제어 파라미터에 적용되는 것을 특징으로 할 수 있다.
일 실시 예에서, 상기 예측된 상기 제2 시점에서의 상기 액세스 네트워크의 상태 및 상기 제2 시점의 상기 액세스 네트워크의 상기 실제 상태의 차이는 오차 값(error value)으로 산출되고, 상기 산출된 오차 값이 미리 지정된 임계 값보다 작으면, 상기 상태 제어 파라미터들의 값은 상기 제2 시점에서 상기 액세스 네트워크의 상기 상태 제어 파라미터에 적용될 수 있다.
일 실시 예에 따르면, 상기 액세스 네트워크의 상태는 상기 적어도 하나의 셀들 각각에 대한, 현재 연결되어 있는 UE의 수, 무선 자원의 할당 비율(PRB Utilization), IP 처리율(IP throughput), 및 다운링크 데이터 사용량(DL data volume) 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따르면, 상기 제2 시점에서의 상기 액세스 네트워크의 상태는 제1 인공지능 학습 모델을 이용하여 예측되고, 상기 상태 제어 파라미터들의 값은 제2 인공지능 학습 모델을 이용하여 도출되며, 상기 제1 인공지능 학습 모델 및 상기 제2 인공지능 학습 모델 각각은 강화 학습(reinforcement learning), 지도 학습(supervised learning), 기계 학습(machine learning), 연속 학습(continual learning), 연합 학습(federated learning), 심층 학습(deep learning)중 적어도 하나를 포함할 수 있다.
일 실시 예에 따르면, 상기 적어도 하나의 프로세서는 상기 제2 시점에서, 상기 액세스 네트워크의 상태를 획득하도록 설정되고, 상기 제1 인공지능 학습 모델은 상기 상태 이력 정보, 상기 예측된 상기 제2 시점에서의 상기 액세스 네트워크의 상태, 및 상기 획득된 상기 제2 시점에서의 상기 액세스 네트워크의 상태에 기초하여 훈련되는 것을 특징으로 할 수 있다.
일 실시 예에 따르면, 상기 적어도 하나의 프로세서는 상기 제2 시점 이후의 제4 시점에서, 상기 액세스 네트워크의 상태를 획득하도록 설정되고, 상기 제2 인공지능 학습 모델은 상기 예측된 상기 제2 시점에서의 상기 액세스 네트워크의 상태, 상기 도출된 상태 제어 파라미터들의 값, 및 상기 획득된 상기 제4 시점에서의 상기 액세스 네트워크의 상태에 기초하여 훈련되는 것을 특징으로 할 수 있다.
일 실시 예에 따르면, 상기 상태 제어 파라미터는 참조 신호 수신 전력(reference signal received power, RSRP) 임계 값, 참조 신호 수신 품질(reference signal received quality, RSRQ) 임계 값, 물리 자원 블록(physical radio block, PRB) 비율 임계 값, 또는 셀 재선택 우선순위(cell re-selection priority) 중 적어도 하나를 포함하는 것을 특징으로 할 수 있다.
본 문서의 다양한 실시 예들 및 이에 사용된 용어들은 본 문서에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 해당 실시 예의 다양한 변경, 균등물, 및/또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및/또는 B 중 적어도 하나", "A, B 또는 C" 또는 "A, B 및/또는 C 중 적어도 하나" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", "첫째" 또는 "둘째" 등의 표현들은 해당 구성요소들을, 순서 또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에 "(기능적으로 또는 통신적으로) 연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제 3 구성요소)를 통하여 연결될 수 있다.
본 문서에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구성된 유닛을 포함하며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 모듈은 ASIC(application-specific integrated circuit)으로 구성될 수 있다.
본 문서의 다양한 실시 예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media)(예: 내장 메모리 또는 외장 메모리)에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시 예들에 따른 전자 장치를 포함할 수 있다. 상기 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 상기 프로세서의 제어 하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.
일 실시 예에 따르면, 본 문서에 개시된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시 예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시 예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 다양한 실시 예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.
본 개시에 따른 인공지능과 관련된 기능은 프로세서와 메모리를 통해 동작된다. 프로세서는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 메모리에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는, 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.
기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어 질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.
인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다. 인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.
본 개시에 따른 전자 장치가 적어도 하나의 셀(cell)들을 포함하는 액세스 네트워크의 상태를 조정하는 방법에 있어서, 액세스 네트워크의 상태 또는 상태 제어 파라미터를 추론 또는 예측하기 위한 방법으로 액세스 네트워크의 상태 이력 정보를 이용하여 제2 시점에서의 액세스 네트워크의 상태 또는 상태 제어 파라미터의 값을 최적화하기 위해 인공지능 모델을 이용할 수 있다. 프로세서는 상기 데이터에 대해 전처리 과정을 수행하여 인공지능 모델의 입력으로 사용하는 데에 적합한 형태로 변환할 수 있다. 인공지능 모델은 학습을 통해 만들어 질 수 있다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다.
추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론(Knowledge based Reasoning), 최적화 예측(Optimization Prediction), 선호 기반 계획(Preference-based Planning), 추천(Recommendation) 등을 포함한다.

Claims (20)

  1. 전자 장치가 적어도 하나의 셀(cell)들을 포함하는 액세스 네트워크의 상태를 조정하는 방법에 있어서,
    제1 시점에서 상기 액세스 네트워크의 상태 이력 정보를 획득하는 단계;
    상기 획득한 상태 이력 정보에 기초하여, 상기 액세스 네트워크의 상태를 조정하는데 소요되는 제1 시간을 결정하는 단계;
    상기 제1 시점 및 상기 제1 시간에 기초하여, 상기 액세스 네트워크의 상태를 조정하는 기준 시점인 제2 시점을 결정하는 단계;
    상기 획득된 상태 이력 정보에 기초하여, 상기 제2 시점에서의 상기 액세스 네트워크의 상태를 예측하는 단계;
    상기 예측된 상기 제2 시점에서의 상기 액세스 네트워크의 상태에 기초하여, 상기 액세스 네트워크의 상태를 조정하기 위한 상태 제어 파라미터들의 값을 도출하는 단계; 및
    상기 도출된 상태 제어 파라미터들의 값을 상기 액세스 네트워크에 전달하는 단계를 포함하고,
    상기 액세스 네트워크에 전달되는 상기 상태 제어 파라미터들의 값은 상기 액세스 네트워크의 상태가 조정되도록 상기 제2 시점에서 상기 액세스 네트워크의 상태 제어 파라미터에 적용되는, 방법.
  2. 제1 항에 있어서,
    상기 제1 시점 및 상기 제2 시점 사이의 적어도 하나의 제3 시점에서의 상기 액세스 네트워크의 상태를 획득하는 단계를 더 포함하고,
    상기 제2 시점에서의 상기 액세스 네트워크의 상태를 예측하는 상기 단계는,
    상기 획득된 상태 이력 정보 및 상기 획득된 상기 제3 시점에서의 상기 액세스 네트워크의 상태에 기초하여, 상기 제2 시점에서의 상기 액세스 네트워크의 상태를 예측하는 단계를 포함하는, 방법.
  3. 제1 항에 있어서,
    상기 상태 이력 정보는 제1 상태 이력 정보에 대응하고,
    상기 제1 시점보다 이른 제4 시점에서 상기 액세스 네트워크의 제2 상태 이력 정보를 획득하는 단계; 및
    상기 제2 상태 이력 정보에 기초하여 상기 제1 시점 및 상기 제2 시점 사이의 적어도 하나의 제3 시점에서의 상기 액세스 네트워크의 상태를 예측하는 단계를 더 포함하고,
    상기 제2 시점에서의 상기 액세스 네트워크의 상태를 예측하는 상기 단계는,
    상기 획득된 제1 상태 이력 정보 및 상기 예측된 상기 제3 시점에서의 상기 액세스 네트워크의 상태에 기초하여, 상기 제2 시점에서의 상기 액세스 네트워크의 상태를 예측하는 단계를 포함하는, 방법.
  4. 제3 항에 있어서,
    상기 예측된 상기 제3 시점에서의 상기 액세스 네트워크의 상태에 기초하여, 상기 제3 시점에서의 상기 액세스 네트워크의 상태를 조정하기 위한 상태 제어 파라미터들의 값을 도출하는 단계; 및
    상기 예측된 상기 제3 시점에서의 상기 액세스 네트워크의 상태 및 상기 제3 시점에서의 상기 액세스 네트워크의 상태를 조정하기 위해 도출된 상태 제어 파라미터들의 값에 기초하여, 상기 제3 시점에서 조정될 상기 액세스 네트워크의 상태를 예측하는 단계를 더 포함하고,
    상기 제2 시점에서의 상기 액세스 네트워크의 상태를 예측하는 상기 단계는,
    상기 획득된 제1 상태 이력 정보 및 상기 제3 시점에서 조정될 것으로 예측된 상기 액세스 네트워크의 상태에 기초하여, 상기 제2 시점에서의 상기 액세스 네트워크의 상태를 예측하는 단계를 포함하는, 방법.
  5. 제1 항에 있어서,
    상기 상태 제어 파라미터들의 값을 도출하는 단계는, 상기 제1 시점 및 상기 제2 시점 사이의 시간 동안 상기 상태 제어 파라미터들의 값을 도출하는 것인, 방법.
  6. 제5 항에 있어서,
    상기 예측된 상기 제2 시점에서의 상기 액세스 네트워크의 상태와 관련된 정보를 상기 액세스 네트워크에 전달하는 단계를 더 포함하고,
    상기 예측된 상기 제2 시점에서의 상기 액세스 네트워크의 상태는 상기 액세스 네트워크에서 상기 제2 시점의 상기 액세스 네트워크의 실제 상태와 비교되고,
    상기 상태 제어 파라미터들의 값은 상기 비교 결과에 기초하여 상기 제2 시점에서 상기 액세스 네트워크의 상기 상태 제어 파라미터에 적용되는, 방법.
  7. 제6 항에 있어서,
    상기 예측된 상기 제2 시점에서의 상기 액세스 네트워크의 상태 및 상기 제2 시점의 상기 액세스 네트워크의 상기 실제 상태의 차이는 오차 값(error value)으로 산출되고,
    상기 산출된 오차 값이 미리 지정된 임계 값보다 작으면, 상기 상태 제어 파라미터들의 값은 상기 제2 시점에서 상기 액세스 네트워크의 상기 상태 제어 파라미터에 적용되는, 방법.
  8. 제1 항에 있어서,
    상기 액세스 네트워크의 상태는 상기 적어도 하나의 셀들 각각에 대한, 현재 연결되어 있는 UE의 수, 무선 자원의 할당 비율(PRB Utilization), IP 처리율(IP throughput), 및 다운링크 데이터 사용량(DL data volume) 중 적어도 하나를 포함하는, 방법.
  9. 제1 항에 있어서,
    상기 제2 시점에서의 상기 액세스 네트워크의 상태는 제1 인공지능 학습 모델을 이용하여 예측되고,
    상기 상태 제어 파라미터들의 값은 제2 인공지능 학습 모델을 이용하여 도출되며,
    상기 제1 인공지능 학습 모델 및 상기 제2 인공지능 학습 모델 각각은 강화 학습(reinforcement learning), 지도 학습(supervised learning), 기계 학습(machine learning), 연속 학습(continual learning), 연합 학습(federated learning), 심층 학습(deep learning)중 적어도 하나를 포함하는, 방법.
  10. 제1 항에 있어서,
    상기 상태 제어 파라미터들의 값을 도출하는 상기 단계는,
    상기 액세스 네트워크에서 상기 적어도 하나의 셀들 각각에 대한 부하 분산(load balancing)을 위해 상기 상태 제어 파라미터들의 값을 도출하는 단계를 포함하는, 방법.
  11. 제1 항에 있어서,
    상기 상태 제어 파라미터들의 값을 도출하는 상기 단계는,
    상기 액세스 네트워크에서 상기 적어도 하나의 셀들에 대한 소모 전력을 조정하기 위해 상기 상태 제어 파라미터들의 값을 도출하는 단계를 포함하는, 방법.
  12. 제9 항에 있어서,
    상기 제2 시점에서, 상기 액세스 네트워크의 상태를 획득하는 단계를 더 포함하고,
    상기 제1 인공지능 학습 모델은 상기 상태 이력 정보, 상기 예측된 상기 제2 시점에서의 상기 액세스 네트워크의 상태, 및 상기 획득된 상기 제2 시점에서의 상기 액세스 네트워크의 상태에 기초하여 훈련되는, 방법.
  13. 제9 항에 있어서,
    상기 제2 시점 이후의 제4 시점에서, 상기 액세스 네트워크의 상태를 획득하는 단계를 더 포함하고,
    상기 제2 인공지능 학습 모델은 상기 예측된 상기 제2 시점에서의 상기 액세스 네트워크의 상태, 상기 도출된 상태 제어 파라미터들의 값, 및 상기 획득된 상기 제4 시점에서의 상기 액세스 네트워크의 상태에 기초하여 훈련되는, 방법.
  14. 제1 항에 있어서,
    상기 상태 제어 파라미터는 참조 신호 수신 전력(reference signal received power, RSRP) 임계 값, 참조 신호 수신 품질(reference signal received quality, RSRQ) 임계 값, 물리 자원 블록(physical radio block, PRB) 비율 임계 값, 또는 셀 재선택 우선순위(cell re-selection priority) 중 적어도 하나를 포함하는, 방법.
  15. 적어도 하나의 셀(cell)들을 포함하는 액세스 네트워크의 상태를 조정하는 전자 장치에 있어서,
    적어도 하나의 프로세서; 및
    상기 적어도 하나의 프로세서와 연결되는 메모리;를 포함하고,
    상기 적어도 하나의 프로세서는,
    제1 시점에서 상기 액세스 네트워크의 상태 이력 정보를 획득하고,
    상기 획득한 상태 이력 정보에 기초하여, 상기 액세스 네트워크의 상태를 조정하는데 소요되는 제1 시간을 결정하고,
    상기 제1 시점 및 상기 제1 시간에 기초하여, 상기 액세스 네트워크의 상태를 조정하는 기준 시점인 제2 시점을 결정하고,
    상기 획득된 상태 이력 정보에 기초하여, 상기 제2 시점에서의 상기 액세스 네트워크의 상태를 예측하고,
    상기 예측된 상기 제2 시점에서의 상기 액세스 네트워크의 상태에 기초하여, 상기 액세스 네트워크의 상태를 조정하기 위한 상태 제어 파라미터들의 값을 도출하고, 및
    상기 도출된 상태 제어 파라미터들의 값을 상기 액세스 네트워크에 전달하도록 설정되고,
    상기 액세스 네트워크에 전달되는 상기 상태 제어 파라미터들의 값은 상기 액세스 네트워크의 상태가 조정되도록 상기 제2 시점에서 상기 액세스 네트워크의 상태 제어 파라미터에 적용되는, 전자 장치.
  16. 제15 항에 있어서,
    상기 적어도 하나의 프로세서는
    상기 제1 시점 및 상기 제2 시점 사이의 적어도 하나의 제3 시점에서의 상기 액세스 네트워크의 상태를 획득하고,
    상기 획득된 상태 이력 정보 및 상기 획득된 상기 제3 시점에서의 상기 액세스 네트워크의 상태에 기초하여, 상기 제2 시점에서의 상기 액세스 네트워크의 상태를 예측하도록 설정되는, 전자 장치.
  17. 제15 항에 있어서,
    상기 상태 이력 정보는 제1 상태 이력 정보에 대응하고,
    상기 적어도 하나의 프로세서는
    상기 제1 시점보다 이른 제4 시점에서 상기 액세스 네트워크의 제2 상태 이력 정보를 획득하고 및
    상기 제2 상태 이력 정보에 기초하여 상기 제1 시점 및 상기 제2 시점 사이의 적어도 하나의 제3 시점에서의 상기 액세스 네트워크의 상태를 예측하도록 더 설정되며,
    상기 획득된 제1 상태 이력 정보 및 상기 예측된 상기 제3 시점에서의 상기 액세스 네트워크의 상태에 기초하여, 상기 제2 시점에서의 상기 액세스 네트워크의 상태를 예측하도록 설정되는, 전자 장치.
  18. 제17 항에 있어서,
    상기 적어도 하나의 프로세서는
    상기 예측된 상기 제3 시점에서의 상기 액세스 네트워크의 상태에 기초하여, 상기 제3 시점에서의 상기 액세스 네트워크의 상태를 조정하기 위한 상태 제어 파라미터들의 값을 도출하고 및
    상기 예측된 상기 제3 시점에서의 상기 액세스 네트워크의 상태 및 상기 제3 시점에서의 상기 액세스 네트워크의 상태를 조정하기 위해 도출된 상태 제어 파라미터들의 값에 기초하여, 상기 제3 시점에서 조정될 상기 액세스 네트워크의 상태를 예측하도록 더 설정되고,
    상기 획득된 제1 상태 이력 정보 및 상기 제3 시점에서 조정될 것으로 예측된 상기 액세스 네트워크의 상태에 기초하여, 상기 제2 시점에서의 상기 액세스 네트워크의 상태를 예측하도록 설정되는, 전자 장치.
  19. 제15 항에 있어서,
    상기 제2 시점에서의 상기 액세스 네트워크의 상태는 제1 인공지능 학습 모델을 이용하여 예측되고,
    상기 상태 제어 파라미터들의 값은 제2 인공지능 학습 모델을 이용하여 도출되며,
    상기 제1 인공지능 학습 모델 및 상기 제2 인공지능 학습 모델 각각은 강화 학습(reinforcement learning), 지도 학습(supervised learning), 기계 학습(machine learning), 연속 학습(continual learning), 연합 학습(federated learning), 심층 학습(deep learning)중 적어도 하나를 포함하는, 전자 장치.
  20. 제 15항에 있어서,
    상기 상태 제어 파라미터는 참조 신호 수신 전력(reference signal received power, RSRP) 임계 값, 참조 신호 수신 품질(reference signal received quality, RSRQ) 임계 값, 물리 자원 블록(physical radio block, PRB) 비율 임계 값, 또는 셀 재선택 우선순위(cell re-selection priority) 중 적어도 하나를 포함하는, 전자 장치.
KR1020200126359A 2020-09-28 2020-09-28 복수의 액세스 네트워크 장치들에 대한 자동 구성 네트워크를 구현하는 방법 및 이를 수행하는 전자 장치 KR20220042928A (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020200126359A KR20220042928A (ko) 2020-09-28 2020-09-28 복수의 액세스 네트워크 장치들에 대한 자동 구성 네트워크를 구현하는 방법 및 이를 수행하는 전자 장치
US17/235,291 US11589299B2 (en) 2020-09-28 2021-04-20 Method of implementing self-organizing network for plurality of access network devices and electronic device for performing the same
PCT/KR2021/005980 WO2022065623A1 (en) 2020-09-28 2021-05-13 Method of implementing self-organizing network for plurality of access network devices and electronic device for performing the same
CN202180066455.1A CN116235529A (zh) 2020-09-28 2021-05-13 实现多个接入网络设备的自组织网络的方法和执行该方法的电子装置
EP21872663.6A EP4183160A4 (en) 2020-09-28 2021-05-13 METHOD FOR IMPLEMENTING A SELF-ORGANIZING NETWORK FOR MULTIPLE ACCESS NETWORK DEVICES AND ELECTRONIC DEVICE FOR IMPLEMENTING SAME

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200126359A KR20220042928A (ko) 2020-09-28 2020-09-28 복수의 액세스 네트워크 장치들에 대한 자동 구성 네트워크를 구현하는 방법 및 이를 수행하는 전자 장치

Publications (1)

Publication Number Publication Date
KR20220042928A true KR20220042928A (ko) 2022-04-05

Family

ID=80821940

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200126359A KR20220042928A (ko) 2020-09-28 2020-09-28 복수의 액세스 네트워크 장치들에 대한 자동 구성 네트워크를 구현하는 방법 및 이를 수행하는 전자 장치

Country Status (5)

Country Link
US (1) US11589299B2 (ko)
EP (1) EP4183160A4 (ko)
KR (1) KR20220042928A (ko)
CN (1) CN116235529A (ko)
WO (1) WO2022065623A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102582086B1 (ko) * 2022-12-30 2023-09-22 주식회사 에스티씨랩 디지털 서비스 기반 서비스 서버의 진입 관리 방법 및 서버

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220042928A (ko) * 2020-09-28 2022-04-05 삼성전자주식회사 복수의 액세스 네트워크 장치들에 대한 자동 구성 네트워크를 구현하는 방법 및 이를 수행하는 전자 장치

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8335161B2 (en) * 2010-02-03 2012-12-18 Bridgewater Systems Corp. Systems and methods for network congestion management using radio access network congestion indicators
EP2453691A1 (en) 2010-11-15 2012-05-16 Nokia Siemens Networks GmbH & Co. KG Conflict handling in self-organizing networks
IL234002A (en) 2014-08-07 2016-06-30 Wireless Technologies Pte Ltd Cellwize Method and system for independent networking
US10200884B2 (en) 2015-01-14 2019-02-05 Futurewei Technologies, Inc. Analytics-assisted, multi-agents, self-learning, self-managing, flexible and adaptive framework for intelligent SON
US10499328B2 (en) 2015-04-06 2019-12-03 Cable Television Laboratories, Inc. Self-organizing network (SON) with fast initial link setup (FILS)
US10193981B2 (en) 2016-12-23 2019-01-29 Centurylink Intellectual Property Llc Internet of things (IoT) self-organizing network
US9930617B1 (en) * 2017-03-17 2018-03-27 At&T Intellectual Property I, L.P. State change enabled by a hierarchical class of a radio access network device
WO2019001722A1 (en) 2017-06-29 2019-01-03 Huawei Technologies Co., Ltd. SYSTEMS AND METHOD FOR PREDICTING FLOWS IN A NETWORK
US11038769B2 (en) 2017-11-16 2021-06-15 Verizon Patent And Licensing Inc. Method and system for virtual network emulation and self-organizing network control using deep generative models
US10708806B2 (en) * 2018-01-02 2020-07-07 Verizon Patent And Licensing Inc. Systems and methods for a self-organizing network based on user equipment information
KR20220042928A (ko) * 2020-09-28 2022-04-05 삼성전자주식회사 복수의 액세스 네트워크 장치들에 대한 자동 구성 네트워크를 구현하는 방법 및 이를 수행하는 전자 장치

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102582086B1 (ko) * 2022-12-30 2023-09-22 주식회사 에스티씨랩 디지털 서비스 기반 서비스 서버의 진입 관리 방법 및 서버
KR102633182B1 (ko) * 2022-12-30 2024-02-02 주식회사 에스티씨랩 디지털 서비스 기반의 발급된 키를 활용한 진입 관리 서버 및 방법

Also Published As

Publication number Publication date
US11589299B2 (en) 2023-02-21
WO2022065623A1 (en) 2022-03-31
US20220104113A1 (en) 2022-03-31
CN116235529A (zh) 2023-06-06
EP4183160A4 (en) 2024-01-10
EP4183160A1 (en) 2023-05-24

Similar Documents

Publication Publication Date Title
US11758415B2 (en) Method and apparatus of sharing information related to status
CN111522669A (zh) 横向联邦学习系统优化方法、装置、设备及可读存储介质
Dias et al. Adapting sampling interval of sensor networks using on-line reinforcement learning
US20220230062A1 (en) Dynamic network configuration
KR20220042928A (ko) 복수의 액세스 네트워크 장치들에 대한 자동 구성 네트워크를 구현하는 방법 및 이를 수행하는 전자 장치
JP6635895B2 (ja) 電力需要制御システム、電力需要制御方法、アグリゲータシステム、需要家電力管理システム、及びプログラム
US11632713B2 (en) Network capability exposure method and device thereof
US11558262B2 (en) Method and an apparatus for fault prediction in network management
CN113114480B (zh) 一种数据的上报方法及相关设备
Patman et al. Data-driven edge computing resource scheduling for protest crowds incident management
CN117412334A (zh) 一种异构无线网络承载电力业务资源调度方法
Yang et al. Collaborative clustering parallel reinforcement learning for edge-cloud digital twins manufacturing system
WO2021250445A1 (en) Network performance assessment
CN114500561B (zh) 电力物联网网络资源分配决策方法、系统、设备及介质
KR20220055363A (ko) 복수의 모델들 중 어느 하나의 모델을 이용하여 기지국의 네트워크의 상태를 조정하기 위한 상태 제어 파라미터를 제어하는 방법 및 이를 수행하는 전자 장치
KR20220026110A (ko) 자가 발전원을 갖는 네트워크 내에서의 에너지 관리 방법, 이를 수행하기 위한 장치 및 시스템
WO2023119623A1 (ja) 管理装置、通信システム、制御方法、及び非一時的なコンピュータ可読媒体
Zhang Resource Management in Mobile Edge Computing for Compute-intensive Application
Min et al. A Novel 5G Digital Twin Approach for Traffic Prediction and Elastic Network Slice Management
Wu et al. Reinforcement learning for communication load balancing: approaches and challenges
US20230396564A1 (en) Information processing apparatus and information processing method
Li et al. Online Traffic Prediction in Multi-RAT Heterogeneous Network: A User-Cybertwin Asynchronous Learning Approach
CN117479049B (zh) 用于智慧燃气的数据传输管控方法、物联网系统及介质
Zalokostas-Diplas et al. Experimental Evaluation of ML Models for Dynamic VNF Autoscaling
KR20220059237A (ko) 복수의 단말들에 무선 자원을 제공하기 위한 복수의 셀들을 제어하는 방법 및 이를 수행하는 전자 장치

Legal Events

Date Code Title Description
A201 Request for examination