KR20220108594A - 인공 지능 기반 이동 통신망 품질 불량 원인 추론 시스템 - Google Patents

인공 지능 기반 이동 통신망 품질 불량 원인 추론 시스템 Download PDF

Info

Publication number
KR20220108594A
KR20220108594A KR1020210011759A KR20210011759A KR20220108594A KR 20220108594 A KR20220108594 A KR 20220108594A KR 1020210011759 A KR1020210011759 A KR 1020210011759A KR 20210011759 A KR20210011759 A KR 20210011759A KR 20220108594 A KR20220108594 A KR 20220108594A
Authority
KR
South Korea
Prior art keywords
quality
data
communication network
information
unit
Prior art date
Application number
KR1020210011759A
Other languages
English (en)
Other versions
KR102444841B1 (ko
Inventor
한준희
Original Assignee
주식회사 스파이어테크놀로지
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 주식회사 스파이어테크놀로지 filed Critical 주식회사 스파이어테크놀로지
Priority to KR1020210011759A priority Critical patent/KR102444841B1/ko
Publication of KR20220108594A publication Critical patent/KR20220108594A/ko
Application granted granted Critical
Publication of KR102444841B1 publication Critical patent/KR102444841B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Electromagnetism (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

본 발명은, 통신망 품질 측정 데이터로부터 품질 관련 정보를 추출하는 정보 추출부; 상기 정보 추출부에서 추출된 품질 관련 정보에 대한 전처리를 수행하는 전처리부; 상기 전처리된 품질 관련 정보로부터 신경망 모델로 입력할 모델 데이터를 생성하는 모델 데이터 생성부; 상기 모델 데이터 생성부에서 생성된 모델 데이터에 기초하여 이동 통신망 품질 클래스를 분류하기 위한 학습을 수행하는 신경망 모델; 품질 불량 원인의 파악 대상인 검사 데이터에 대해, 검사 데이터를 구성하는 품질 관련 정보와 이동 통신망 품질 클래스와의 연관 관계를 나타내는 매핑 정보를 생성하는 추론부; 및 상기 추론부에서 생성된 매핑 정보에 기초하여 상기 검사 데이터에 대한 품질 불량 원인을 나타내는 결과 정보를 제공하는 리포트 모듈를 포함하는 인공 지능 기반 이동 통신망 품질 불량 원인 추론 시스템을 제공한다.

Description

인공 지능 기반 이동 통신망 품질 불량 원인 추론 시스템{SYSTEM FOR DEDUCTING REASON OF QUALITY OF MOBILE COMMUNICATION NETWORK BASED ON ARTIFICIAL INTELLIGENCE}
본 발명은 인공 지능 기반 이동 통신망 품질 불량 원인 추론 시스템에 관한 것으로서, 보다 상세하게는, 인공 지능에 기반하여 이동 통신망의 품질 불량 원인을 효율적으로 신속하게 또한 정확하게 분석 및 추론할 수 있는 시스템에 관한 것이다.
이동 통신망 품질 측정 장치는 이동 통신사에서 제공하는 통신망의 최적화를 위하여 통신 관련 정보에 기초하여 통신망의 품질을 평가하는 장치로서, 품질 측정 장비를 통해 측정한 신호를 수집하고 이들을 분석하여 통화 불량, 음영 지역 확인, 통화 품질 분석 등의 작업을 수행한다.
특히, 최근에는 5G 이동 통신이 급속히 보급되고 있으나, 통신망이 아직 안정화되어 있지 않아서 통신망의 품질을 정확히 측정 및 분석하여 적절한 대책을 세워야 할 필요가 더욱 커지고 있다.
종래의 통신망의 품질 측정 방법으로서는, 예컨대, 이동 통신 사업자가 매 분기 단위로 전국의 도로, 공공 시설, 주요 건물, 철도, 지하철, 선박, 유동 거리, 인구 밀집지역 등에서 측정 장비를 이용하여 필드를 측정하고, 품질 취약 지역의 데이터를 최적화 엔지니어가 수동으로 분석해 오고 있다.
최적화 엔지니어에 의한 수동 분석 과정은,
1) 주기적으로 측정된 방대한 로그 데이터 중 각 담당 지역별로 품질 불량 호의 로그 파일을 수집하고,
2) 품질 분석 툴의 데이터 차트, 테이블, 로그 메시지 뷰어 등을 이용하여 불량 원인을 추론하고,
3) 동일 지역의 분석 내용이 일정량 쌓이면, 분석 내용에 따라 해당 지역의 통신 품질을 향상시키기 위해 적절한 조치를 취하도록 하는 과정으로 이루어진다.
예컨대, 5G 망의 신호가 약하고 인접 기지국과의 거리가 멀다면 기지국을 증설하는 조치를 취하도록 하고, 5G 망의 신호는 양호하고 인접 지역에 기지국이 충분하다면, 기지국을 최적화하는 조치를 취하도록 한다.
여기에서, 분기 단위 측정 데이터는 호(call) 단위 5G 속도 측정 데이터로서, 예컨대 국내 5G 이동 통신 사업자 중 하나인 KT의 경우 매 분기 약 200만건 이상의 측정 데이터가 생성된다. 따라서, 최적화 엔지니어가 수동으로 서비스 품질 저하 위치와 품질 저하 원인을 분석하는 작업 자체가 한계가 있다. 또한 분석 엔지니어의 능력에 따라 품질 분석이 일관적이지 않은 문제점도 있다.
대한민국 등록특허공보 제10-1518287호(2015.05.07.공고)
본 발명은 상기한 바와 같은 문제점을 해결하기 위한 것으로서, 인공 지능에 기반하여 이동 통신망의 품질 불량 원인을 효율적으로 신속하게 또한 정확하게 분석 및 추론할 수 있는 시스템을 제공하는 것을 목적으로 한다.
또한, 본 발명은, 인공 지능에 기반하여 이동 통신망의 품질과 관련된 방대한 양의 데이터를 학습 데이터로 활용하여 일관성 있는 분석 결과를 제공할 수 있는 시스템을 제공하는 것을 또 다른 목적으로 한다.
또한, 본 발명은, 이동 통신망의 품질과 관련된 데이터를 효율적으로 학습 데이터로 활용할 수 있는 시스템을 제공하는 것을 또 다른 목적으로 한다.
상기한 바와 같은 과제를 해결하기 위하여, 본 발명은, 인공 지능 기반 이동 통신망 품질 불량 원인 추론 시스템으로서, 통신망 품질 측정 데이터로부터 품질 관련 정보를 추출하는 정보 추출부; 상기 정보 추출부에서 추출된 품질 관련 정보에 대한 전처리를 수행하는 전처리부; 상기 전처리된 품질 관련 정보로부터 신경망 모델로 입력할 모델 데이터를 생성하는 모델 데이터 생성부; 상기 모델 데이터 생성부에서 생성된 모델 데이터에 기초하여 이동 통신망 품질 클래스를 분류하기 위한 학습을 수행하는 신경망 모델; 품질 불량 원인의 파악 대상인 검사 데이터에 대해, 검사 데이터를 구성하는 품질 관련 정보와 이동 통신망 품질 클래스와의 연관 관계를 나타내는 매핑 정보를 생성하는 추론부; 및 상기 추론부에서 생성된 매핑 정보에 기초하여 상기 검사 데이터에 대한 품질 불량 원인을 나타내는 결과 정보를 제공하는 리포트 모듈를 포함하는 인공 지능 기반 이동 통신망 품질 불량 원인 추론 시스템을 제공한다.
여기에서, 상기 정보 추출부는, 통신망 품질 측정 데이터로부터 측정 호별로 미리 설정된 주기마다 샘플링을 통해 품질 관련 정보를 추출하고, 상기 품질 관련 정보에 고유 식별자 정보를 추가할 수 있다.
또한, 상기 모델 데이터 생성부는, 상기 전처리된 품질 관련 정보를 각 고유 식별자 별로, X×Y 형태의 2차원 행렬 데이터로 구성하고, 이를 X×Y×X 형태의 3차원 행렬 데이터로 변환하여 모델 데이터를 생성(여기서, X는 품질 관련 정보를 구성하는 항목의 갯수이고, Y는 미리 설정된 시간 간격임)할 수 있다.
또한, 상기 신경망 모델은, 모델 데이터에 대한 특징 맵을 생성하는 특징 추출부와, 상기 특징 추출부에서 생성된 특징 맵에 기초하여 모델 데이터에 대한 분류 결과를 출력하는 분류부를 포함하고, 상기 특징 추출부는, 상기 X×Y×X 형태의 3차원 행렬 데이터인 모델 데이터에 대해 적어도 하나 이상의 필터에 의해 합성곱 연산을 적어도 1회 이상 수행하여 X×Y×N 형태의 3차원 행렬 데이터인 특징 맵을 추출하는 적어도 하나 이상의 컨볼루션 레이어를 포함하고-여기서, N은 최종 특징 맵을 생성하는데 사용된 필터의 채널 갯수임-, 상기 분류부는, 상기 특징 추출부에서 최종적으로 생성된 특징 맵을 Y개의 품질 관련 정보의 각 항목에 대해 매핑시키는 매핑 레이어를 포함하고, 상기 분류부는, 상기 매핑 레이어를 구성하는 N개의 노드에 대한 가중치에 의해 이동 통신망 품질 클래스를 분류할 수 있다.
또한, 상기 특징 추출부의 컨볼루션 레이어들은 모두 X×Y×N 형태의 3차원 행렬 데이터로 구성-여기서, N은 각 컨볼루션 레이어를 생성하는데 사용된 필터의 채널 갯수임-될 수 있다.
또한, 상기 분류부의 매핑 레이어는, 상기 특징 추출부에서 최종적으로 생성된 N개의 X×Y 형태의 2차원 행렬 데이터 각각에 대해 각 2차원 행렬의 모든 원소를 더하고 이에 대한 평균값을 구함으로써 획득될 수 있다.
또한, 상기 추론부는, 검사 데이터에 대해 신경망 모델의 특징 추출부에서 최종적으로 출력되는 특징 맵인 마지막 컨볼루션 레이어 및 상기 매핑 레이어와 이동 통신망 품질 클래스 사이의 가중치에 기초하여 매핑 정보를 생성할 수 있다.
또한, 상기 추론부는, 상기 특징 추출부에서 전달된 마지막 컨볼루션 레이어와 신경망 모델의 분류부에서 학습된 가중치를 가중합(weighted sum) 연산을 수행함으로써 매핑 정보를 생성할 수 있다.
본 발명에 의하면, 인공 지능에 기반하여 이동 통신망의 품질 불량 원인을 효율적으로 신속하게 또한 정확하게 분석 및 추론할 수 있는 시스템을 제공할 수 있다.
또한, 본 발명은, 인공 지능에 기반하여 이동 통신망의 품질과 관련된 방대한 양의 데이터를 학습 데이터로 활용하여 일관성 있는 분석 결과를 제공할 수 있으며, 이동 통신망의 품질과 관련된 데이터를 효율적으로 학습 데이터로 활용할 수 있는 시스템을 제공할 수 있다.
또한, 본 발명에 의하면, 종래 엔지니어에 의해 분석할 때는 불가능했던 대량의 품질 관련 데이터에 대한 분석이 가능하다는 장점이 있다. 사람이 일일이 불량 호를 분석하는데는 인적/시간적 한계가 있기에 일부 호들에 대해서만 분석이 진행되어 왔지만, 본 발명에 의하면 방대한 양의 품질 관련 데이터 전체를 학습에 활용하여 분석할 수 있는 효과가 있다.
또한, 5G 측정 장비를 이용한 필드 측정, 측정 결과 업로드, 데이터 수집, 분석 툴을 이용한 분석, 웹 분석 시스템 등의 다양한 영역에서 입력 데이터의 형식만 맞춰준다면, 본 발명에 의한 인공 지능 기반 이동 통신망 품질 불량 원인 추론 시스템에 적용할 수 있으므로, 본 발명에 의한 시스템을 자유롭게 확장할 수 있다.
또한, 본 발명에 의하면, 종래 엔지니어에 의해 분석할 때는 불가능 했던 실시간 이벤트 탐지와 보고, 대응 방법을 제공할 수 있다. 종래에는 품질 측정/측정 데이터 업로드/데이터 수집/엔지니어 확인의 절차로 특정 지역에서 발생한 이벤트를 분석하는 시점이 늦어져 실시간적 대응이 어려웠지만, 본 발명에 의하면, 자동화 시스템을 구축하여 실시간으로 불량 원인 탐지가 가능한 시스템 및 방법을 제공할 수 있다. 예컨대, 측정 데이터의 업로드 서버에서 업로드되는 로그파일을 자동으로 추적하여 본 발명에 의한 시스템을 활용하여 불량 원인을 추론하고, 추론된 결과를 지역별로 취합하여 제공하는 시스템 구축도 가능할 것이다.
도 1은 본 발명에 의한 인공 지능 기반 이동 통신망 품질 불량 원인 추론 시스템(100)의 구성을 나타낸 도면이다.
도 2는 정보 추출부(10)의 동작을 나타낸 도면이다.
도 3 및 도 4는 전처리부(20)의 구성 및 동작을 설명하기 위한 도면이다.
도 5는 데이터 생성부(30)의 동작을 설명하기 위한 도면이다.
도 6는 본 발명의 신경망 모델(40)의 구성을 설명하기 위한 도면이다.
도 7은 본 발명에 의한 신경망 모델(40)에서의 분류 정확도를 나타낸 도면이다.
도 8 및 도 9는 추론부(50)에서 매핑 정보를 생성하는 과정을 나타낸 도면이다.
도 10 및 도 11은 리포트 모듈(60)에 의해 제공되는 결과 정보를 예시적으로 나타낸 것이다.
이하, 첨부 도면을 참조하여 본 발명에 의한 실시예를 상세하게 설명하기로 한다.
도 1은 본 발명에 의한 인공 지능 기반 이동 통신망 품질 불량 원인 추론 시스템(100, 이하, 간단히 "시스템(100)"이라 한다)의 구성을 나타낸 도면이다.
도 1을 참조하면, 시스템(100)은, 정보 추출부(10), 전처리부(20), 모델 데이터 생성부(30), 신경망 모델(40), 추론부(50) 및 리포트 모듈(60)을 포함한다.
정보 추출부(10)는, 통신망 품질 측정 데이터로부터 품질 관련 정보를 추출하는 기능을 수행한다.
전처리부(20)는, 정보 추출부(10)에서 추출된 품질 관련 정보에 대한 전처리를 수행한다.
모델 데이터 생성부(30)는, 전처리부(20)에서 전처리된 품질 관련 정보로부터 신경망 모델(40)로 입력할 모델 데이터를 생성하는 기능을 수행한다.
신경망 모델(40)은, 모델 데이터 생성부(30)에서 생성된 모델 데이터에 기초하여 이동 통신망 품질 클래스를 분류하기 위한 학습을 수행하는 기능을 담당한다.
추론부(50)는, 품질 불량 원인의 파악 대상인 검사 데이터에 대해, 검사 데이터를 구성하는 품질 관련 정보와 이동 통신망 품질 클래스와의 연관 관계를 나타내는 매핑 정보를 생성하는 기능을 수행한다.
리포트 모듈(60)은, 추론부(50)에서 생성된 매핑 정보에 기초하여 검사 데이터에 대한 이동 통신망 품질 불량 원인을 나타내는 결과 정보를 제공하는 기능을 담당한다.
시스템(100)은 이러한 구성 요소에 의하여, 다수의 품질 관련 정보에 의해 이동 통신망 품질 클래스를 분류하기 위한 딥 러닝(Deep learning) 기반 학습을 수행하고, 품질 불량 원인의 파악 대상이 되는 검사 데이터에 대해 품질 관련 정보와의 연관 관계를 나타내는 매핑 정보를 생성함으로써, 품질 관련 정보 중에서 이동 통신망 품질 불량 원인으로 추론되는 정보를 제공할 수 있도록 동작한다.
이하, 이러한 구성 요소 및 시스템(100)의 전체적인 동작들에 대해 도 2 이하를 참조하여 보다 상세하게 설명한다.
도 2는 정보 추출부(10)의 동작을 나타낸 도면이다.
정보 추출부(10)는, 전술한 바와 같이, 통신망 품질 측정 데이터로부터 품질 관련 정보를 추출하는 기능을 수행한다.
여기에서, 통신망 품질 측정 데이터는, 이동 통신망 품질 측정 장비에 의해 측정된 로그 데이터로서(도 2의 (a) 참조), 예컨대 이동 통신망 사업자가 구비하는 데이터 서버(미도시)로부터 수집될 수 있다.
정보 추출부(10)는, 수집된 로그 데이터로부터 이동 통신망의 품질과 관련된 품질 관련 정보를 추출하는데, 로그 데이터로부터 필요한 주요 정보를 이동 통신 단말기의 모바일 칩 벤더(Mobile Chip Vendor)별로 제공되는 사양에 따라 파싱(parsing)하고 예컨대 1초 단위로 샘플링하여 도 2의 (b) 및 (c)에 나타낸 바와 같이 품질 관련 정보를 추출할 수 있다.
품질 관련 정보로는, 일실시예로서, 본 발명에서는, 5G 이동 통신망 품질 측정 데이터를 사용하였으며, 예컨대 다음과 같은 데이터일 수 있다.
1) RSRP(Reference Signal Received Power)
- 단말에 수신되는 Reference Signal의 Power
- RS(Reference Signal)와 실린 RE(Resource Element)의 Power 측정 평균 값
- H/O와 Cell Reselection의 기준값 등으로 활용됨
2) RSRQ(Reference Signal Received Quality)
- 단말에 수신되는 Power대비 Reference Signal Power의 비
- 신호 세기와 함께 간섭 등을 측정에 포함시키기 때문에, RSRP와 더불어 H/O 결정 지표
3) SINR(Signal to Interference Noise Ratio)
- 3GPP Spec에 정의된 항목은 아니며 단말 제조사마다 각기 구현
- 일반적으로 Serving Cell의 RS및 PDSCH Power를 기준으로 noise 대비 Serving Cell의 Signal Power로 RF의 Quality를 판단
4) DL/UL MCS (Modulation Coding Scheme)
- 시스템에서 단말로의 채널보고 상태에 따라 물리적인 Symbol에 몇 bits의 정보가 실린 RF를 보낼 것인가를 결정하는 Modulation 및 채널을 극복하기 위한 채널코딩을 어떻게 할 것인가 결정하는 level을 의미
5) Layer
- MIMO를 동작시키기 위해 Multi Ant 사이의 path의 독립성이 얼마나 유지되는가에 대해 시스템에 보고하는 값인 RI와 관련된 값으로 공간적으로 구분되는 레이어의 수를 의미
6) PDSCH/PUSCH BLER (Block Error Rate)
- 물리채널 블록 오류율
7) PUSCH Power (Physical Uplink Shared Channel Power)
- PUSCH 전송 Power (단말에서 기지국으로 전송하는 Power의 크기)
8) Rx/Tx Num of RB (Resource Block)
- 실제 데이터가 실려 있는 최소 단위의 자원 수
9) PCI (Physical Cell Identity)
- 단말이 서비스 받고 있는 Cell의 고유 ID
10) SSB (Synchronization Signal Block) Index
- 빔포밍 관련하여 서비스되는 빔의 변경을 감지
11) Network
- 단말에 서비스되고 있는 네트워크의 종류 (WCDMA, LTE, 5G, ...)
12) LTE PDSCH/PUSCH Throughput
- LTE 물리채널의 Throughput
13) 5G PDSCH/PUSCH Throughput
- 5G 물리채널의 Throughput
14) 데이터 측정 속도
- Application Layer의 Throughput
- 학습 데이터 준비 단계에서 불량(0)/양호(1)의 클래스(Class) 정보 생성에 사용
정보 추출부(10)는 측정 호(Call)별로 통신망 품질 측정 데이터로부터 미리 설정된 주기(예컨대 1초) 샘플링을 수행하여 상기와 같은 품질 관련 정보를 추출한다.
또한, 정보 추출부(10)는, 상기 추출된 품질 관련 정보에 각각의 측정 호(Call)를 구분하기 위해 측정 호(Call)별로 고유 식별자(ID) 정보를 추가한다. 고유 식별자 정보는 예컨대, 측정 일시+단말 전화번호+시퀀스 인덱스(Sequence Index)로 구성될 수 있다.
도 3 및 도 4는 전처리부(20)의 구성 및 동작을 설명하기 위한 도면이다.
전처리부(20)는, 전술한 바와 같이, 정보 추출부(10)에서 추출된 품질 관련 정보에 대한 전처리를 수행하는 수단으로서, 후술하는 모델 데이터 생성부(30)에서 신경망 모델(40)로 입력할 모델 데이터를 생성하기에 적합한 형태로 품질 관련 정보를 가공하는 등의 전처리를 수행하고, 신경망 모델(40)에서 학습 수행시 라벨(label)로 작용하는 이동 통신망 품질 클래스 분류 결과 정보를 생성하는 기능을 수행한다.
이를 위하여, 전처리부(20)는, 도 3에 나타낸 바와 같이, 일실시예로서, 데이터 가공부(21), 데이터 스케일링부(22), 추가 보정부(23) 및 결측치 처리부(24)를 포함할 수 있다.
데이터 가공부(21)는, 예컨대, 다음과 같은 처리를 수행할 수 있다.
1) PCI값을 이용해 측정 호(Call)내에서 PCI가 변경되었는지 여부를 나타내는 값으로 가공 (pci_cng) - 추가적으로 PCI 변경 전후 3초간의 5G PDSCH Throughput의 추이를 바탕으로 pci_cng 발생 이후 3초간의 가중치까지 계산하여 가공
2) SSB Index 값을 이용해 측정 호(Call)내에서 SSB Index값이 변경되었는지 여부를 나타내는 값으로 가공 (ssb_cng)
3) Network값을 이용해 Network이 5G로 서비스 되는지 여부를 나타내는 값으로 가공 (is_nr5g)
4) LTE PDSCH Throughput과 5G PDSCH Throughput과의 비율값으로 가공 (lte_vs_nr_rate) - LTE PDSCH Throughput / (LTE PDSCH Throughput + 5G PDSCH Throughput)
데이터 스케일링부(22)는 정보 추출부(10)에서 추출된 품질 관련 정보 중 적어도 일부에 대해 이상치, 특이값(outlier)에 덜 민감한 로버스트 스케일링(Robust Scaling)을 실시할 수 있다.
추가 보정부(23)는 데이터 스케일링부(22)를 통과한 데이터 중 아래와 같은 품질 관련 정보들에 -1을 곱해주어, 큰 숫자값이 품질 불량에 영향이 큼을 나타내도록 동일하게 맞춰준다.
rsrp, rsrq, sinr, rx_rb, tx_rb, layer, dl_mcs, ul_mcs
또한, 추가 보정부(23)는 로버스트 스케일링을 적용했으므로 중앙값(median)이 0을 기준으로 음수와 양수 값을 가지며, 이중 망 신호가 좋음을 나타내는 음수영역을 0으로 설정할 수 있다. 이는, 추후 추론부(50)에서 좀 더 명확하게 불량 원인이 추론되도록 하기 위함이다. 5G 체감 품질에 영향을 크게 미치지 않는 일부 입력 정보는 학습 과정에서 일부 의미없는 가중치를 갖게 되며 이는 추론부(50)에서 그 크기가 작긴 하지만 영향을 미치게 된다. 예컨대, DL 측정의 경우 UL쪽 입력 정보의 영향이 작고, UL측정의 경우 DL쪽 입력 정보의 영향이 작다.
결측치 처리부(24)는 값이 없는 항목을 0으로 채우기 위한 수단이다.
이와 같은 과정을 거쳐, 전처리부(20)는, 정보 추출부(10)에서 추출된 품질 관련 정보에 대해 분류부(40)에서 최적의 분류 결과를 얻을 수 있도록 품질 관련 정보를 하는 전처리를 수행할 수 있다.
예컨대, 앞서 설명한 바와 같이, 품질 관련 정보가 5G 이동 통신망 품질 측정 데이터에 의해 구성된 경우, 전처리부(20)에서 출력되는 정보는 다음과 같이 구성될 수 있다.
Call ID, RSRP, RSRQ, SINR, DL MCS, UL MCS, Layer, PDSCH BLER, PUSCH BLER, PUSCH Power, Tx Num of RB, Rx Num of RB, PCI 변경 여부, SSB 변경 여부, 5G 서비스 여부, LTE와 5G의 Throughput 비율
도 4는 5G 이동 통신망 품질 측정 데이터에 의한 품질 관련 정보에 대한 전처리부(20)의 동작을 예시적으로 나타낸 것으로서, 앞서 설명한 바와 같이, 품질 관련 정보들에 대해 가공, 스케일링, 추가 보정, 결측치 처리 등을 수행하였음을 알 수 있다.
다음으로, 모델 데이터 생성부(30)에 대해 설명한다.
모델 데이터 생성부(30)는, 전술한 바와 같이, 전처리부(20)에서 전처리된 품질 관련 정보로부터 신경망 모델(40)로 입력할 모델 데이터를 생성하는 기능을 수행한다.
여기에서, 신경망 모델(40)로 입력되는 모델 데이터는, 신경망 모델(40)의 학습 수행시 사용되는 학습 데이터 및 검증 데이터와, 품질 불량 원인의 파악 대상인 검사 데이터일 수 있다.
이를 위하여, 모델 데이터 생성부(30)는, 전술한 바와 같이, 전처리된 품질 관련 정보를 각 고유 식별자 별로, X×Y 형태의 2차원 행렬 데이터로 구성하고, 이를 X×Y×X 형태의 3차원 행렬 데이터로 변환하여 모델 데이터를 생성한다.
여기에서, X는 품질 관련 정보를 구성하는 항목의 갯수이고, Y는 미리 설정된 시간 간격이다.
도 5는 데이터 생성부(30)의 동작을 설명하기 위한 도면이다.
도 5의 (a)는, 전술한 바와 같이 전처리부(20)에 의해 전처리된 품질 관련 정보를 나타낸 것이다. 여기에서, 좌측의 필드는 고유 식별자(ID) 정보이고, 붉은 색 박스의 정보들이 품질 관련 정보를 구성한다. 각 품질 관련 정보는 15개의 항목으로 구성되고, 이들은 고유 식별자 정보에 대해 10초 동안 1초 마다 샘플링된 정보를 포함한다.
이를 X×Y 형태의 2차원 행렬 데이터로 구성한 것이 도 5의 (b)이며, 여기에서, 품질 관련 정보가 15개의 항목으로 구성되어 있으므로, X는 15이다. 또한, 시간 간격을 10초로 설정하였으므로, Y는 10이다.
따라서, 15×10 형태의 2차원 행렬 데이터를 얻을 수 있다.
여기에서, 고유 식별자 정보별로, 초당 샘플링된 횟수는 다를 수 있으므로, 이를 일정하게 하기 위하여, 다음과 같은 방법을 사용할 수 있다.
일반적으로, 품질 관련 정보는 5초 또는 10초 단위로 측정되므로, Y를 10으로 설정하고, 5초 미만의 품질 관련 정보는 버리고, 5초 이상 10초 미만인 경우에는 나머지 부분을 0으로 채워 10초의 데이터로 만든다. 또한, 10초 이상 15초 미만은 데이터 뒤의 10초를 사용하고, 15초 이상의 데이터는 상기한 바와 같은 방식에 따라 n개의 10초 데이터로 분리하여 생성한다.
이와 같이 하면, 도 5의 (b)와 같이, 전처리부(20)에서 전처리된 품질 관련 정보를 15×10 형태의 2차원 행렬 데이터로 구성할 수 있다.
다음으로, 모델 데이터 생성부(30)는, 도 5의 (c), (d)에 나타낸 바와 같이, 이러한 X×Y 형태의 2차원 행렬 데이터를 X개로 확장하여 X×Y×X 형태의 3차원 행렬 데이터를 구성하여 모델 데이터를 생성한다.
여기에서, X×Y 형태의 2차원 행렬 데이터를 X개로 확장하는 것은, 도 5의 (c)에 나타낸 바와 같이, 품질 관련 정보를 구성하는 X개의 항목 각각에 대해, 각 항목에 속하는 Y개의 컬럼 데이터만을 남기고 나머지 항목에 속하는 컬럼 데이터를 모두 0으로 채우는 방식을 사용할 수 있다. 품질 관련 정보를 구성하는 X개의 항목 각각에 대해 이러한 과정을 수행하면, 도 5의 (c)에 나타낸 바와 같이, X개의 X×Y 형태의 2차원 행렬 데이터를 얻을 수 있으며, 이를 도 5의 (d)에 나타낸 바와 같이 X×Y×X 형태의 3차원 행렬 데이터를 구성하여 모델 데이터를 생성할 수 있다.
이는, X×Y 형태의 2차원 행렬 데이터를 사용하는 경우, 각각의 입력 정보에 신경망 모델(40)에서 사용하는 동일한 필터값이 사용되기 때문에, 각각의 항목마다 별도의 필터값을 사용할 수 있도록 하기 위함이다.
이러한 X×Y×X 형태의 3차원 행렬 데이터는 신경망 모델(40)로 입력된다.
또한, 데이터 생성부(30)는, 이러한 과정과 함께, 전술한 바와 같이 전처리부(20)에서 생성된 라벨(label)로 작용하는 이동 통신망 품질 클래스 분류 결과 정보를 신경망 모델(40)로 전달하여 이동 통신망 품질 클래스를 분류하기 위한 학습에 사용될 수 있도록 한다.
다음으로, 신경망 모델(40)에 대해 설명한다.
전술한 바와 같이, 신경망 모델(40)은, 모델 데이터 생성부(30)에서 생성된 모델 데이터에 기초하여 이동 통신망 품질 클래스를 분류하기 위한 학습을 수행하는 기능을 담당한다.
전술한 바와 같이, 모델 데이터 생성부(30)에서 생성된 모델 데이터는 X×Y×X 형태의 3차원 행렬 데이터이므로, 이는 멀티 채널 이미지 형태로 볼 수 있다. 따라서, 본 발명에서의 신경망 모델(40)은 멀티 채널 이미지 형태의 데이터를 학습하고 분류하는데 적합한 CNN(Convolutional Neural Network) 모델 등과 같은 딥 러닝(Deep Learning) 신경망 모델을 사용하는 것이 바람직하다.
CNN 모델은 종래 알려져 있는 바와 같이, 이미지 형태의 입력 데이터에서 합성곱(Convolution)을 통해 특징 맵(feature map)을 추출하고, 특징 맵에 기초하여 입력 데이터를 분류할 수 있도록 가중치를 학습하는 모델이며, 이미지 분류, 물체 감지 등에 사용되고 있다.
이러한 CNN 모델은, 일반적으로, 특징 맵을 추출하는 특징 추출부와, 추출된 특징 맵에 기초하여 입력 데이터를 분류하는 분류부(classifier)를 포함한다.
여기에서, 특징 추출부는, 합성곱 연산을 수행하는 컨볼루션 레이어(convolution layer)와 풀링을 수행하는 풀링 레이어(pooling layer)가 적어도 하나 이상 배치되어 구성되고, 분류부는 특징 맵을 1차원으로 변환하는 플래튼 레이어(flatten layer)와 적어도 하나 이상의 전결합 레이어(fully connected layer)에 의해 입력 데이터에 대한 분류 결과를 출력하도록 동작하며, CNN 모델은 이러한 특징 추출부와 분류부에서의 파라미터(parameter)들과 가중치(weight)들의 오차가 최소화되도록 조절하는 과정을 통해 학습을 수행한다.
이러한 CNN 모델 자체는, 본 발명의 직접적인 목적이 아니며, 또한 종래 기술에 의해 잘 알려져 있는 것이므로, 이에 대한 상세 설명은 생략한다.
본 발명에서는, 이러한 CNN 모델 등에서 알려져 있는 컨볼루션 레이어와 풀링 레이어와 같이 특징 맵을 추출하는 과정을 사용하되, 다음과 같은 구성을 사용한다.
도 6는 본 발명의 신경망 모델(40)의 구성을 설명하기 위한 도면이다.
도 6을 참조하면, 신경망 모델(40)은, 특징 추출부(41)와 분류부(42)를 포함한다.
특징 추출부(41)는 모델 데이터에 대한 특징 맵을 생성하는 기능을 수행한다. 이를 위하여 특징 추출부(41)는, X×Y×X 형태의 3차원 행렬 데이터인 모델 데이터에 대해 적어도 하나 이상의 필터에 의해 합성곱 연산을 적어도 1회 이상 수행하여 X×Y×N 형태의 3차원 행렬 데이터인 특징 맵을 추출하는 적어도 하나 이상의 컨볼루션 레이어(C1,C2,C3,C4,411)를 포함한다.
여기에서, N은 2 이상의 정수이며, 합성곱 연산시의 필터의 채널의 갯수를 의미한다. 합성곱 연산시 필터의 채널 갯수는 사용되는 각각의 필터마다 다를 수 있으므로, 각각의 컨볼루션 레이어(C1,C2,C3,C4,411)의 N은 다른 값을 가질 수 있다.
여기에서, 각각의 컨볼루션 레이어(C1,C2,C3,C4,411)들은 모두 X×Y×N 형태의 3차원 행렬 데이터이다. 전술한 바와 같이, N은 필터마다 다를 수 있으므로 가변적인 값이지만, X와 Y는 입력되는 모델 데이터에서와 동일한 값이다. 따라서, 각 컨볼루션 레이어(C1,C2,C3,C4,411)들 사이의 필터들의 커널 사이즈(kernel size)는 1이며, 종래 일반적인 CNN 모델에서 사용하는 풀링 레이어는 사용하지 않는다.
이는 추후 설명하는 바와 같이, 추론부(50)에서 품질 불량 원인의 파악 대상인 검사 데이터에 대해 검사 데이터를 구성하는 품질 관련 정보와 이동 통신망 품질 클래스와의 매핑 관계를 정확하게 파악할 수 있도록 하기 위한 것이다. 이와 같이 구성하는 경우 분류 정확도는 다소 낮아질 수 있으나, 입력되는 품질 관련 정보와 후술하는 분류부(42)의 각 노드의 가중치에 대한 정확한 배열을 얻을 수 있다는 장점이 있다.
한편, 본 발명에서 특징 추출부(41)에서 컨볼루션 레이어(C1,C2,C3,C4,411)와 필터에 의해 특징 맵을 추출하는 방법들은 본 발명의 직접적인 목적이 아니며 종래 기술에 의해 알려진 방법을 사용할 수 있으므로 상세 설명은 생략한다.
한편, 분류부(42)는, 상기한 바와 같이, 특징 추출부(42)에서 생성된 특징 맵에 기초하여 모델 데이터에 대한 분류 결과를 출력하는 기능을 수행한다.
이를 위하여 분류부(42)는, 특징 추출부(41)에서 최종적으로 생성된 특징 맵(즉, 마지막 컨볼루션 레이어(C4))을 X개의 품질 관련 정보의 각 항목에 대해 매핑시키는 매핑 레이어(421)를 포함하고, 매핑 레이어(421)를 구성하는 X개의 노드에 대한 가중치(w1,w2, ..., w15)에 의해 이동 통신망 품질 클래스를 분류한다.
여기에서, 마지막 컨볼루션 레이어(C4)는 N개의 X×Y 형태의 2차원 행렬 데이터로 구성(여기서, N은 마지막 컨볼루션 레이어 생성시 사용된 필터의 채널 갯수임)되고, 매핑 레이어(421)는 N개의 X×Y 형태의 2차원 행렬 데이터 각각에 대해 예컨대 행렬의 각 원소를 모두 더하고 이에 대한 평균값을 구하는 전역 평균 풀링(GAP, Global Average Pooling)을 수행함으로써 획득할 수 있다.
또는, 매핑 레이어(421)는 N개의 X×Y 형태의 2차원 행렬 데이터 각각에 대해 행렬의 각 원소 중 가장 큰 값을 구하는 전역 평균 풀링(GMP, Global Maximum Pooling)을 수행함으로써 획득할 수도 있다.
따라서, 매핑 레이어(421)는 총 N개의 노드로 구성되고 이는 1×N의 행렬 데이터로 볼 수 있다.
매핑 레이어(421)를 구성하는 각각의 노드들은 최종적으로 이동 통신망 품질 클래스 즉, 불량 및 양호 노드들로 각각 연결되는 N×2개의 가중치를 가지며, 라벨로 작용하는 이동 통신망 품질 클래스 분류 결과 정보에 의해 이러한 가중치를 조절하는 과정을 반복하면서 입력되는 모델 데이터에 대한 분류 결과를 출력하고, 이러한 과정을 통해 신경망 모델(40)에 대한 학습이 수행된다.
이러한 구성의 분류부(42)는, 종래의 일반적인 CNN 모델과 비교할 때, 특징 맵을 1차원으로 변환하는 플래튼 레이어(flatten layer)와 전결합 레이어를 사용하지 않고 매핑 레이어(421)를 사용하여 분류 결과를 출력한다는 점에서 차이가 있다.
한편, 본 발명에서 분류부(42)에서 라벨로 작용하는 이동 통신망 품질 클래스 분류 결과 정보에 의해 가중치를 조절하는 방법 자체는 본 발명의 직접적인 목적이 아니며 종래 기술에 의해 알려진 방법을 사용할 수 있으므로 이 또한 상세 설명은 생략한다.
도 7은 본 발명에 의한 신경망 모델(40)에서의 분류 정확도를 나타낸 도면이다.
도 7의 (a), (b)에 나타낸 바와 같이, 에포크(epoch)를 반복함에 따라 분류 정확도(model accuracy)가 점차 상승하고 있음을 나타내며, 최종적으로는 95%를 넘는 정확도를 나타냄을 알 수 있다.
이와 같은 과정을 통해, 도 7의 (c)와 같이 학습된 모델 파일을 생성할 수 있으며, 여기에는 학습에 사용된 파라미터, 가중치가 저장되며, 이는 추론부(50)에서 사용될 수 있다.
다음으로, 추론부(50)에 대해 설명한다.
추론부(50)는 전술한 바와 같이, 품질 불량 원인의 파악 대상인 검사 데이터에 대해, 검사 데이터를 구성하는 품질 관련 정보와 이동 통신망 품질 클래스와의 연관 관계를 나타내는 매핑 정보를 생성하는 기능을 수행한다.
추론부(50)는, 검사 데이터에 대해 앞서 설명한 바와 같은 과정을 통해 학습된 신경망 모델(40)의 특징 추출부(41)에서 최종적으로 출력되는 특징 맵 즉, 마지막 컨볼루션 레이어(C4)와 앞서 설명한 바와 같은 과정을 통해 학습된 매핑 레이어(421)과 이동 통신망 품질 클래스 사이의 가중치에 기초하여 검사 데이터를 구성하는 품질 관련 정보와 이동 통신망 품질 클래스와의 연관 관계를 나타내는 매핑 정보를 생성한다.
여기에서, 검사 데이터는 상기한 바와 같은 신경망 모델(40)에서 학습이 완료된 상태에서, 품질 불량의 원인의 파악 대상인 데이터를 의미한다. 품질 불량의원인의 파악을 위하여 통신망 품질 측정 데이터가 정보 추출부(10)에 입력되면, 전술한 바와 같이, 정보 추출부(10), 전처리부(20) 및 모델 데이터 생성부(30)를 거쳐 검사 데이터에 대한 모델 데이터가 생성된다. 검사 데이터에 대해 생성된 모델 데이터는 신경망 모델(40)로 입력된다.
신경망 모델(40)의 특징 추출부(41)는 검사 데이터에 대해 앞서 설명한 바와 같은 과정을 통해 특징 맵을 생성하고, 최종적으로 생성된 특징 맵 즉, 마지막 컨볼루션 레이어를 추론부(50)로 전달한다. 이 경우, 검사 데이터에 대한 특징 맵은 반드시 분류부(42)로 전달될 필요는 없다.
도 8 및 도 9는 추론부(50)에서 매핑 정보를 생성하는 과정을 나타낸 도면이다.
도 8에 나타낸 바와 같이, 추론부(50)는 특징 추출부(41)에서 전달된 N개의 마지막 컨볼루션 레이어(C4)와 앞서 설명한 바와 같은 가중치(w1,w2,...w15)를 가중합(weighted sum) 연산을 수행함으로써 매핑 정보를 얻을 수 있다. 여기에서, 가중치(w1,w2,...w15)는 신경망 모델(40)에서 학습이 완료되면 정해지는 고정된 값이다. 즉, 매핑 정보는, 검사 데이터가 불량으로 분류된 경우, 가중치는 총 N개이고, 각 가중치를 대응하는 N개의 마지막 컨불루션 레이어들 각각에 대해 곱해주고, 이를 더해주는 가중합 연산에 의해 얻을 수 있으며, 결과적으로 매핑 정보는 입력된 품질 관련 정보와 동일한 차원의 행렬 데이터 즉, X×Y 형태의 2차원 행렬 데이터가 된다.
이와 같이 가중합 연산을 수행하면, 추론부(50)는 입력된 검사 데이터에 대해 검사 데이터를 구성하는 품질 관련 정보 중 어떠한 항목이 품질 불량 원인에 영향을 미쳤는가를 1:1로 정확히 매핑시킬 수 있는 매핑 정보를 얻을 수 있다.
추론부(50)는 도 9의 (a)와 같이 입력된 검사 데이터에 대해 앞서 설명한 바와 같은 가중합 연산을 수행하면 도 9의 (b)와 같은 매핑 정보를 얻을 수 있다.
도 9의 (b)에서 붉은색 박스는, 도 9의 (a)에서의 붉은색 박스의 값인 검사 데이터를 구성하는 품질 관련 정보 중 첫번째 컬럼인 "rsrp"에 대해 가중치(w1)가 반영되어 값이 변화되었음을 나타낸 것이다.
이와 같이 모든 가중치(w1,w2,...w15)와 특징 추출부(41)에서 전달된 마지막 컨볼루션 레이어(C4)와의 가중합 연산을 수행하면, 검사 데이터를 구성하는 품질 관련 정보와 이동 통신망 품질 클래스와의 연관 관계를 나타내는 매핑 정보를 얻을 수 있다.
이러한 매핑 정보는 입력된 검사 데이터를 구성하는 품질 관련 정보와 특징 추출부(41)에서 전달된 마지막 컨볼루션 레이어(C4)와의 1:1 매핑 관계를 나타내며, 높은 값을 가질수록 품질 불량의 주요 원인임을 의미한다.
도 9의 (c)는 이러한 매핑 정보를 시각화하여 표시한 히트 맵(Heat map)을 나타낸 것이다.
도 9의 (c)에서 짙은 색일수록 높은 값을 가지도록 표시하였으며, 따라서 짙은 색일수록 품질 불량의 주요 원인임을 직관적으로 파악할 수 있다.
도 8 및 도 9에서는 검사 데이터가 이동 통신망 품질 클래스 중 불량인 경우를 가정하였으므로, 매핑 정보는 품질 불량의 원인을 나타낸 것으로 설명하였으나, 검사 데이터가 이동 통신망 품질 클래스 중 양호인 경우에도 본 발명을 그대로 적용할 수 있다. 이 경우, 매핑 정보는 품질 양호의 주요 원인을 나타내게 된다.
다음으로, 리포트 모듈(60)에 대해 설명한다.
전술한 바와 같이, 리포트 모듈(60)은, 추론부(50)에서 생성된 매핑 정보에 기초하여 검사 데이터에 대한 이동 통신망 품질 불량 원인을 나타내는 결과 정보를 제공하는 기능을 담당한다.
전술한 바와 같이, 추론부(50)를 통해 생성된 매핑 정보는 품질 관련 정보와 동일한 크기 즉, X×Y 형태의 2차원 행렬 데이터이다.
앞서의 예에서, X는 15이고, Y는 10이므로, 이 데이터는 10초 동안 측정된 15개의 품질 관련 정보를 구성하는 항목에서 어느 항목이 이동 통신망 품질 클래스에 영향을 미쳤는지를 나타낸다.
리포트 모듈(60)은 이러한 데이터에 대해 호 전체(10초 전체)의 불량 원인을 순서대로 예컨대 5가지 항목과 확률, 매 초당 불량 원인을 순서대로 5가지 항목과 점수(Score)를 계산하여 결과 정보를 생성하여 제공할 수 있다.
도 10 및 도 11은 리포트 모듈(60)에 의해 제공되는 결과 정보를 예시적으로 나타낸 것이다.
도 10에 도시된 바와 같이, 리포트 모듈(60)에 의해 제공되는 결과 정보는 예컨대 다음과 같은 것을 포함할 수 있다.
1) Call_id (측정 호(Call)의 고유 ID)
2) 분류 예측 정확도 ([불량 확률, 양호 확률])
- 신경망 모델이 불량/양호를 예측한 각각의 확률
- 예컨대, [0.9, 0.1] 이라면, 신경망 모델은 해당 입력값은 불량일 확률이 90%, 양호일 확률이 10%라고 예측한 것임.
3) 초당 불량 원인 추론 정보
- 매 초당 불량 원인 Top 5 항목과 점수(0~1)
- 매핑 정보의 각 행은 측정된 데이터의 초를 의미하므로, 이를 기반으로 매핑 정보의 크기를 기준으로 초당 불량 원인값을 생성
4) 호(Call) 전체 불량 원인 추론 정보
- 불량 원인 Top 5 항목과 확률 (0~100%)
- 매핑 정보의 각 항목별(Column)로 매핑 정보의 크기를 이용하여, 호(Call) 전체 불량 원인값을 생성
- 그 외, 각 항목별로 학습 데이터로부터 얻어진 통계 데이터(4분위 통계 데이터, 대상: 전체, 불량호(호당), 불량호(초당))
5) 매핑 정보
6) 필요한 경우 히트 맵
또한, 리포트 모듈(60)은 이러한 결과 정보를 도 11에 나타낸 바와 같은 보고서 형태로 제공할 수도 있다.
이상에서, 본 발명에 의한 바람직한 실시예를 참조하여 본 발명을 설명하였으나 본 발명은 상기 실시예에 한정되지 아니하며, 기타 다양한 수정 및 변형 실시가 가능함은 물론이다.
100...인공 지능 기반 이동 통신망 품질 불량 원인 추론 시스템
10...정보 추출부
20...전처리부
30...모델 데이터 생성부
40...신경망 모델
50...추론부
60...리포트 모듈

Claims (8)

  1. 인공 지능 기반 이동 통신망 품질 불량 원인 추론 시스템으로서, ,
    통신망 품질 측정 데이터로부터 품질 관련 정보를 추출하는 정보 추출부;
    상기 정보 추출부에서 추출된 품질 관련 정보에 대한 전처리를 수행하는 전처리부;
    상기 전처리된 품질 관련 정보로부터 신경망 모델로 입력할 모델 데이터를 생성하는 모델 데이터 생성부;
    상기 모델 데이터 생성부에서 생성된 모델 데이터에 기초하여 이동 통신망 품질 클래스를 분류하기 위한 학습을 수행하는 신경망 모델;
    품질 불량 원인의 파악 대상인 검사 데이터에 대해, 검사 데이터를 구성하는 품질 관련 정보와 이동 통신망 품질 클래스와의 연관 관계를 나타내는 매핑 정보를 생성하는 추론부; 및
    상기 추론부에서 생성된 매핑 정보에 기초하여 상기 검사 데이터에 대한 품질 불량 원인을 나타내는 결과 정보를 제공하는 리포트 모듈
    를 포함하는 인공 지능 기반 이동 통신망 품질 불량 원인 추론 시스템.
  2. 청구항 1에 있어서,
    상기 정보 추출부는, 통신망 품질 측정 데이터로부터 측정 호별로 미리 설정된 주기마다 샘플링을 통해 품질 관련 정보를 추출하고, 상기 품질 관련 정보에 고유 식별자 정보를 추가하는 것을 특징으로 하는 인공 지능 기반 이동 통신망 품질 불량 원인 추론 시스템.
  3. 청구항 2에 있어서,
    상기 모델 데이터 생성부는, 상기 전처리된 품질 관련 정보를 각 고유 식별자 별로, X×Y 형태의 2차원 행렬 데이터로 구성하고, 이를 X×Y×X 형태의 3차원 행렬 데이터로 변환하여 모델 데이터를 생성(여기서, X는 품질 관련 정보를 구성하는 항목의 갯수이고, Y는 미리 설정된 시간 간격임)하는 것을 특징으로 하는 인공 지능 기반 이동 통신망 품질 불량 원인 추론 시스템.
  4. 청구항 3에 있어서,
    상기 신경망 모델은, 모델 데이터에 대한 특징 맵을 생성하는 특징 추출부와, 상기 특징 추출부에서 생성된 특징 맵에 기초하여 모델 데이터에 대한 분류 결과를 출력하는 분류부를 포함하고,
    상기 특징 추출부는, 상기 X×Y×X 형태의 3차원 행렬 데이터인 모델 데이터에 대해 적어도 하나 이상의 필터에 의해 합성곱 연산을 적어도 1회 이상 수행하여 X×Y×N 형태의 3차원 행렬 데이터인 특징 맵을 추출하는 적어도 하나 이상의 컨볼루션 레이어를 포함하고-여기서, N은 최종 특징 맵을 생성하는데 사용된 필터의 채널 갯수임-,
    상기 분류부는, 상기 특징 추출부에서 최종적으로 생성된 특징 맵을 X개의 품질 관련 정보의 각 항목에 대해 매핑시키는 매핑 레이어를 포함하고,
    상기 분류부는, 상기 매핑 레이어를 구성하는 N개의 노드에 대한 가중치에 의해 이동 통신망 품질 클래스를 분류하는 것을 특징으로 하는 인공 지능 기반 이동 통신망 품질 불량 원인 추론 시스템.
  5. 청구항 4에 있어서,
    상기 특징 추출부의 컨볼루션 레이어들은 모두 X×Y×N 형태의 3차원 행렬 데이터로 구성-여기서, N은 각 컨볼루션 레이어를 생성하는데 사용된 필터의 채널 갯수임-된 것을 특징으로 하는 인공 지능 기반 이동 통신망 품질 불량 원인 추론 시스템.
  6. 청구항 4에 있어서,
    상기 분류부의 매핑 레이어는, 상기 특징 추출부에서 최종적으로 생성된 N개의 X×Y 형태의 2차원 행렬 데이터 각각에 대해 각 2차원 행렬의 모든 원소를 더하고 이에 대한 평균값을 구함으로써 획득되는 것을 특징으로 하는 인공 지능 기반 이동 통신망 품질 불량 원인 추론 시스템.
  7. 청구항 4에 있어서,
    상기 추론부는, 검사 데이터에 대해 신경망 모델의 특징 추출부에서 최종적으로 출력되는 특징 맵인 마지막 컨볼루션 레이어 및 상기 매핑 레이어와 이동 통신망 품질 클래스 사이의 가중치에 기초하여 매핑 정보를 생성하는 것을 특징으로 하는 인공 지능 기반 이동 통신망 품질 불량 원인 추론 시스템.
  8. 청구항 7에 있어서,
    상기 추론부는, 상기 특징 추출부에서 전달된 마지막 컨볼루션 레이어와 신경망 모델의 분류부에서 학습된 가중치를 가중합(weighted sum) 연산을 수행함으로써 매핑 정보를 생성하는 것을 특징으로 하는 인공 지능 기반 이동 통신망 품질 불량 원인 추론 시스템.
KR1020210011759A 2021-01-27 2021-01-27 인공 지능 기반 이동 통신망 품질 불량 원인 추론 시스템 KR102444841B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210011759A KR102444841B1 (ko) 2021-01-27 2021-01-27 인공 지능 기반 이동 통신망 품질 불량 원인 추론 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210011759A KR102444841B1 (ko) 2021-01-27 2021-01-27 인공 지능 기반 이동 통신망 품질 불량 원인 추론 시스템

Publications (2)

Publication Number Publication Date
KR20220108594A true KR20220108594A (ko) 2022-08-03
KR102444841B1 KR102444841B1 (ko) 2022-09-19

Family

ID=82847248

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210011759A KR102444841B1 (ko) 2021-01-27 2021-01-27 인공 지능 기반 이동 통신망 품질 불량 원인 추론 시스템

Country Status (1)

Country Link
KR (1) KR102444841B1 (ko)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101518287B1 (ko) 2013-11-29 2015-05-07 네트웍오앤에스(주) 통화 불량 분석 방법 및 장치
KR20150115557A (ko) * 2014-04-04 2015-10-14 삼성전자주식회사 무선 통신 시스템에서 네트워크 품질 검사를 위한 장치 및 방법
KR20190004970A (ko) * 2017-07-05 2019-01-15 주식회사 케이티 네트워크품질 데이터 기반 실시간 고장원인분석 시스템 및 방법
KR102013141B1 (ko) * 2019-03-08 2019-08-22 원장식 네트워크 장비의 이상 검출 장치 및 방법
US20200127901A1 (en) * 2018-09-07 2020-04-23 Vmware, Inc. Service aware uplink quality degradation detection
US20200327377A1 (en) * 2019-03-21 2020-10-15 Illumina, Inc. Artificial Intelligence-Based Quality Scoring
KR20200119157A (ko) * 2019-04-09 2020-10-19 애니파이 주식회사 무선 네트워크 가변 접속을 제공하기 위한 품질 예측 정보 제공 장치
JP2020178266A (ja) * 2019-04-19 2020-10-29 ソフトバンク株式会社 推定プログラムの作成方法、学習用データセットの作成方法、推定装置、推定プログラム、推定方法、及び、通信品質改善システム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101518287B1 (ko) 2013-11-29 2015-05-07 네트웍오앤에스(주) 통화 불량 분석 방법 및 장치
KR20150115557A (ko) * 2014-04-04 2015-10-14 삼성전자주식회사 무선 통신 시스템에서 네트워크 품질 검사를 위한 장치 및 방법
KR20190004970A (ko) * 2017-07-05 2019-01-15 주식회사 케이티 네트워크품질 데이터 기반 실시간 고장원인분석 시스템 및 방법
US20200127901A1 (en) * 2018-09-07 2020-04-23 Vmware, Inc. Service aware uplink quality degradation detection
KR102013141B1 (ko) * 2019-03-08 2019-08-22 원장식 네트워크 장비의 이상 검출 장치 및 방법
US20200327377A1 (en) * 2019-03-21 2020-10-15 Illumina, Inc. Artificial Intelligence-Based Quality Scoring
KR20200119157A (ko) * 2019-04-09 2020-10-19 애니파이 주식회사 무선 네트워크 가변 접속을 제공하기 위한 품질 예측 정보 제공 장치
JP2020178266A (ja) * 2019-04-19 2020-10-29 ソフトバンク株式会社 推定プログラムの作成方法、学習用データセットの作成方法、推定装置、推定プログラム、推定方法、及び、通信品質改善システム

Also Published As

Publication number Publication date
KR102444841B1 (ko) 2022-09-19

Similar Documents

Publication Publication Date Title
CN110786046B (zh) 使用深度学习优化蜂窝网络
CN108513251B (zh) 一种基于mr数据的定位方法及系统
EP3803694B1 (en) Methods, apparatus and computer-readable mediums relating to detection of cell conditions in a wireless cellular network
CN106776341A (zh) 客户端程序的测试错误定位方法及装置
EP3525507B1 (en) Method and test system for mobile network testing as well as prediction system
CN111405585B (zh) 一种基于卷积神经网络的邻区关系预测方法
EP3525508B1 (en) Method and test system for mobile network testing
Gomez-Andrades et al. Data analytics for diagnosing the RF condition in self-organizing networks
CN113709779A (zh) 一种蜂窝网络故障诊断方法
KR101842088B1 (ko) 시그널링 세트들 또는 호들의 분석 및 분류
US20070004399A1 (en) Quality assessment for telecommunications network
CN111830070A (zh) 一种基于边缘计算的缺陷自动识别评判系统及方法
US10841820B2 (en) Method and test system for mobile network testing as well as prediction system
US20220167183A1 (en) Detecting interference in a wireless network
KR102444841B1 (ko) 인공 지능 기반 이동 통신망 품질 불량 원인 추론 시스템
Riaz et al. A hybrid deep learning-based (HYDRA) framework for multifault diagnosis using sparse MDT reports
CN113780398A (zh) 一种无线网络链路质量预测方法及系统
US20230292156A1 (en) Trajectory based performance monitoring in a wireless communication network
US11882460B2 (en) Apparatuses and methods to determine a high-resolution QoS prediction map
US11507803B2 (en) System for generating synthetic digital data for data multiplication
CN114745289A (zh) 网络性能数据的预测方法、装置、存储介质及设备
US11551061B2 (en) System for generating synthetic digital data of multiple sources
Dawood Geo-locating UEs Using Multi-output Decision Tree Regressor
Waheed et al. DeepChannel: Robust Multimodal Outdoor Channel Model Prediction in LTE Networks Using Deep Learning
TWI739481B (zh) 虛擬使用者裝置訊號合成系統及其方法

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant