KR20220116899A - 인공지능을 이용한 실시간 ip망 성능 평가 방법 및 장치 - Google Patents

Abstract

본 발명은 IP망의 성능 평가에 관한 것으로서, 더욱 상세하게는 IP망에 대한 성능 측정을 인공지능을 통하여 이용함으로써 보다 효율적이고 신뢰성 있도록 하기 위한 인공지능을 이용한 실시간 IP망 성능 평가 방법 및 장치에 관한 것이다.

Description

인공지능을 이용한 실시간 IP망 성능 평가 방법 및 장치{Real-time IP network performance evaluation method and device using artificial intelligence}

본 발명은 IP망의 성능 평가에 관한 것으로서, 더욱 상세하게는 IP망에 대한 성능 측정을 인공지능을 통하여 이용함으로써 보다 효율적이고 신뢰성 있도록 하기 위한 인공지능을 이용한 실시간 IP망 성능 평가 방법 및 장치에 관한 것이다.

일반적으로 IP망은 기존의 일반 전화, 무선 전화 및 인터넷망을 하나의 패킷 구조로 통합한 통신망으로, 개방 모듈형 표준 프로토콜과 개방 인터페이스로 되어 있어 회사, 이동 사무실, 이동 통신 이용자 및 재택근무자들의 욕구충족에 적합하며 유연성, 가변성 및 저렴성 등의 장점이 있다. 또한 언제 어디서나 뉴스, 일기, 주식 시세 및 계정 잔고 등과 같은 웹 기반 정보를 단순한 음성 메시지나 전화 등으로 얻을 수 있다. 이러한 IP망의 특징은 다양한 기술로 제공되는 하부 통신망으로 이루어지는 품질 보장형 트래픽 전달로 요약될 수 있다. 따라서 구현된 통신 환경이 다양한 초고속 서비스의 품질을 효율적으로 제공하기 위한 IP망의 기본 능력에 적합한가를 확인하여야 하고, 이를 위해서는 합당한 평가가 필수적이며 신뢰성 있는 평가 방법론이 개발되어야 한다. 이를 위해 그간 시뮬레이션(Simulation) 방식과 분석적 모델링(Analytical Modeling) 방식 등을 통한 방법이 수행되어 왔지만, 아직까지는 미흡한 실정이다. 그 중 하나로 베이스라인 특정 방법은 IP 트래픽 생성 장치와 IP 트래픽 분석 장치 간에 하나의 IP 경로를 설정하여 패킷 전달 성능을 평가하는 방법인데, 단일 IP 장치에 대해 적용하기에는 적합하나 통신망을 구성하는 각 경로의 특성을 확인하는 것이 불가능한 단점이 있다.

또한 프랑스 ENL(European Networks Laboratory)에서 수행하는 방식으로 베이스라인 측정 방법에 백그라운드 트래픽을 발생시켜 시험용 IP 트래픽이 간섭을 겪게 하는 방법이 있는데, 이 방법은 IP 특성이 다수의 수신 패킷을 버퍼에 저장한 후 송신하는 방식을 통하여 통계적 다중화를 경험하게 하여 성능의 저하를 발생시키지만 단일 IP 장치에 한정된 특성만을 보게 되는 단점이 있다.

한편 IP 통신망의 성능 평가 방법은 첫 번째로 종단 간 경로를 구성하는 성능 평가 대상이 규정되어야 하며, 두 번째로 IP 트래픽의 특성을 최대한 살릴 수 있는 시험 트래픽을 제공할 수 있어야 한다. 그리고 세 번째로 실시간 평가가 가능하게 하여 운용되는 IP망과 동일한 성능평가환경을 제공하여야 한다.

이러한 IP망의 특징은 다양한 기술로 제공되는 하부 통신망으로 이루어지는 품질 보장형 트래픽 전달로 요약할 수 있다.

KR 10-2012-0064862 A

본 발명은 이와 같은 문제점을 해결하기 위하여 창안된 것으로서, IP망에 대한 성능 측정을 인공지능을 이용함으로써 보다 효율적이고 신뢰성 있도록 하기 위한 인공지능을 이용한 실시간 IP망 성능 평가 방법 및 장치를 제공하는 것을 그 목적으로 한다.

이와 같은 목적을 달성하기 위하여 본 발명에 따른 인공지능을 이용하여 실시간 IP망의 성능을 평가하는 방법으로서, (a) IP망으로부터 트래픽 성능 측정 데이터를 수신하는 단계; 및 (b) 상기 단계 (a)에서 수신된 트래픽 성능 측정 데이터를 입력으로 하여, 기 학습된 인공지능 모델과 비교하여 IP망의 성능을 분류하는 단계를 포함한다.

상기 트래픽 성능 측정 데이터는 지연(delay), 손실(loss), 불안정(jitter) 데이터 중 적어도 어느 하나 이상인 것이다.

상기 단계 (b)의 인공지능 모델은,

CNN(convolutional neural network)를 포함하는 것이다.

이와 같은 목적을 달성하기 위한 본 발명의 다른 측면은 인공지능을 이용한 실시간 IP망의 성능 평가를 위한, 비일시적 저장 매체에 저장된 컴퓨터 프로그램으로서, 비일시적 저장 매체에 저장되며, 프로세서에 의하여, (a) IP망으로부터 트래픽 성능 측정 데이터를 수신하는 단계; 및 (b) 상기 단계 (a)에서 수신된 트래픽 성능 측정 데이터를 입력으로 하여, 기 학습된 인공지능 모델과 비교하여 IP망의 성능을 분류하는 단계가 실행되도록 하는 명령을 포함하는 인공지능을 이용한 실시간 IP망의 성능평가 방법을 수행하기 위한, 비일시적 저장 매체에 저장된 컴퓨터 프로그램.

이와 같은 목적을 달성하기 위한 본 발명의 또 다른 측면은 인공지능을 이용한 실시간 IP망의 성능 평가 방법을 수행하기 위한 장치로서, (a) IP망으로부터 트래픽 성능 측정 데이터를 수신하는 단계; 및 (b) 상기 단계 (a)에서 수신된 트래픽 성능 측정 데이터를 입력으로 하여, 기 학습된 인공지능 모델과 비교하여 IP망의 성능을 분류하는 단계가 실행되도록 하는, 인공지능을 이용한 실시간 IP망의 성능 평가 장치.

본 발명에 의하면, 현실적인 네트워크 환경을 반영하면서 성능을 확인하고, IP망의 성능 측정을 위해 경로 측정과 트래픽 간섭 측정을 인공지능을 활용하여 실시간적으로 측정하면서 성능 측정에 소요되는 시간과 비용을 절감함으로 IP망의 성능을 실시간적으로 평가하고, IP망의 성능과 서비스 품질 수준을 개선시키는 효과가 있다.

도 1은 본 발명에 따른 인공지능을 이용한 실시간 IP망 성능 평가 어플리케이션이 탑재된 장치의 구성을 나타낸 도면.
도 2는 본 발명에 따른 인공지능을 이용한 실시간 IP망 성능 평가 방법을 나타낸 순서도.
도 3은 도 2에 따른 과정의 인공지능 모델에서 학습 데이터를 얻기 위한 장치 구성을 나타낸 도면.

이하 첨부된 도면을 참조로 본 발명의 바람직한 실시예를 상세히 설명하기로 한다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.

도 1은 본 발명에 따른 인공지능을 이용한 실시간 IP망 성능 평가 어플리케이션이 탑재된 장치의 구성을 나타낸 도면이다.

인공지능을 이용한 실시간 IP망 성능 평가 장치는 프로세서(110), 프로그램과 데이터를 저장하는 비휘발성 저장부(120), 실행 중인 프로그램들을 저장하는 휘발성 메모리(130), 다른 기기와 통신을 수행하기 위한 통신부(140), 이들 장치 사이의 내부 통신 통로인 버스 등으로 이루어져 있다. 실행 중인 프로그램으로는, 장치 드라이버, 운영 체계(Operating System), 및 다양한 어플리케이션이 있을 수 있다. 도시되지는 않았지만 전자장치는 배터리와 같은 전력제공부를 포함한다.

IP망의 성능 평가 어플리케이션(220)은 IP 망의 트래픽 성능 측정 데이터를 이용하여 IP망의 성능을 분류하는 역할을 수행한다. 이러한 IP망의 성능 평가 어플리케이션(220)은 인공지능을 이용한 실시간 IP망 성능 평가 장치(100)에 설치되는 프로그램이며, IP망의 성능 평가 어플리케이션(220) 수행에 의한 IP망의 성능 평가 방법에 관하여는 이하 도 2를 참조하여 상세히 후술하기로 한다.

도 2는 본 발명에 따른 인공지능을 이용한 실시간 IP망 성능 평가 방법을 나타낸 순서도이다.

도 2는 도 1의 IP망의 성능 평가 어플리케이션(220)의 동작에 의해 수행되어지는데, 먼저 IP망으로부터 트래픽 성능 측정 데이터를 수신하고(S110), 이 수신된 트래픽 성능 측정 데이터를 입력으로 하여, 기 학습된 인공지능 모델과 비교하여 IP 망의 성능을 분류한다(S120). 여기서 트래픽 성능 측정 데이터는 지연(delay), 손실(loss), 신호불안정(jitter) 데이터 중 적어도 어느 하나 이상이며, 인공지능 모델은 CNN(convolutional neural network)일 수 있지만 이로써 한정하는 것은 아니다. 그리고 분류는 S(매우양호), A(양호), B(보통), C(나쁨), D(매우나쁨) 등급으로 분류된다.

인공지능 모델은 입력 레이어, 히든 레이어 및 출력 레이어를 포함한다. 입력 레이어는 각각의 전처리 데이터를 입력으로 받으며, 히든 레이어는 다수의 레이어로 구성될 수 있으며, 각 레이어는 컨볼루션 레이어 및 풀링 레이어를 포함한다. 컨볼루션 레이어는 컨볼루션 필터를 이용하여 각 레이어에 입력된 전처리 데이터에 컨볼루션 연산을 수행하고, 특징을 생성한다. 그리고 풀링(pooling)을 통해 생성된 특징의 크기를 감소시키는데, 이때 컨볼루션 레이어 및 풀링 레이어를 특징 추출부로 나타낼 수 있다. 출력 레이어는 특징 추출부에서 표현된 다양한 특징으로 조합하여 클래스(class)를 분류한다. 이때, 출력 레이어는 완전 연결 레이어(fully connected)로 구성될 수 있으며 분류기로 나타내기도 한다. 일반적으로 인공 심층 신경망의 구조(예컨대, 히든 레이어의 수, 각 레이어에서의 필터의 수와 크기 등)는 미리 결정되며, 각 레이어에서의 필터(특히, 컨볼루션 필터)의 가중치 메트릭스(weight matrix)는 이미 어느 클래스에 속할지 정답이 알려진 데이터들을 이용하여 적절한 값으로 산정된다. 이와 같이 이미 정답이 알려진 데이터들을 ‘학습 데이터’라고 하고, 필터의 가중치 메트릭스를 결정하는 과정을 ‘학습’이라고 한다.

본 발명의 인공지능을 이용한 학습 모델은 크게 학습 단계와 분류 단계로 구성된다. 학습 단계는 데이터 수집, 데이터 특징 필터링, 가설정의, Cost 함수정의, 학습 순서로 진행되며, 분류 단계는 실제 데이터를 이용해서 학습한 결과를 추정하여 분류하는 단계이다.

도 3은 도 2에 따른 과정의 인공지능 모델에서 학습 데이터를 얻기 위한 장치 구성을 나타낸 도면이다.

도 3을 참조하면, 학습 데이터를 얻기 위한 장치는 IP 망에서 제공하는 서비스에 따른 테스트 트래픽을 생성하기 위한 테스트 트래픽 생성부(10), 테스트 트랙픽 생성부(10)에서 생성된 테스트 트래픽에 간섭으로 작용할 백그라운드 트래픽을 각각 생성하기 위한 적어도 하나 이상으로 구비된 백그라운드 트래픽 생성부(30), 일측 종단을 통하여 테스트 트래픽 생성부(10)에서 생성된 테스트 트래픽을 입력받고, 백그라운트 트래픽 생성부(30)에서 생성된 각 백그라운드 트래픽을 상응하여 입력받아, 기 설정된 IP 시험 경로(종단 간 시험 경로)와 간섭 시험 경로에 따라 해당 트래픽을 타측 종단으로 라우팅(전송)하기 위한 적어도 하나 이상의 라우터(20) 및 적어도 하나 이상의 라우터(20)로부터 타측 종단을 통하여 전달받은 트래픽을 분석하여 IP망의 성능을 분석하는 트래픽 분석부(40)를 포함한다. 이때 트래픽 분석부(40)는 종단 간에 전달되는 또는 손실된 테스트 트래픽을 통하여 종단 간 경로에 대한 성능을 분석하고, 테스트 트래픽에 대한 백그라운드 트래픽의 간섭을 측정한다. 여기서 측정된 데이터는 지연(delay), 손실(loss), 신호불안정(jitter) 데이터이며, 측정된 데이터를 인공지능에 모델에 입력하여 학습을 시키게 되고 이를 등급(leveling)화 시키게 된다.

이때 대역폭은 IP망에서 제공될 수 있는 다양한 서비스의 특성을 감안하여, 세 종류의 대역폭을 이용한다. 즉 음성과 같은 저속의 트래픽을 위해 500kbps의 대역폭, 저품질 영상을 위한 2Mbps 대역폭, 및 고품질 영상을 위한 10Mbps 대역폭의 세 가지 종류의 테스트 트래픽을 이용할 수 있다. 또한 패킷 사이즈에 대한 고려도 이루어져야 한다. 즉 IP망 환경에서의 다양한 서비스들은 그 고유의 특성에 따라 다양한 사이즈의 패킷에 의해 전달된다. 따라서 게임에서의 명령어와 같은 작은 사이즈의 64bytes의 패킷에서부터 대용량 전송을 위한 1500bytes 사이즈의 패킷까지 다양한 크기의 패킷을 이용한다.

그리고 백그라운드 트래픽은 성능 평가 결과의 엄격한 공정성과 신뢰성 확보를 위해 IP 계층에서 등간격을 유지한 트래픽으로 정의한 테스트 트래픽과는 달리, 실제 운용 환경과 유사한 조건을 갖추어야 한다. 이때 트래픽의 집선 및 분배 기능을 감안하여 백그라운드 트래픽에 대해 두 가지 방향의 적용을 고려한다. 즉 UNI(User Network Interface)측은 다양한 가입자로부터의 트래픽을 NNI(Network Network Interface)측으로 집선하며, 반면에 NNI측으로부터의 트래픽은 적합한 UNI 측 가입자에게 배분되어야 한다. 따라서 이와 같은 트래픽 운용 상황을 고려하여 서로 다른 트래픽의 생성이 필요하며, 본 발명에서는 이러한 조건을 갖춘 백그라운드 트래픽을 생성하여 학습시키며, UNI → NNI 트래픽은 10Mbps 대역폭과 100Mbps 대역폭을 이용하고, 패킷 사이즈는 게임 명령어 64bytes부터 대용량 전송을 위한 1500bytes를 이용한다. 그리고 NNI → UNI 트래픽은 100 Mbps 대역폭과 1Gbps 대역폭을 이용하고, 패킷 사이즈는 게임 명령어 64bytes부터 대용량 전송을 위한 1500bytes이다.

이상과 같이, 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 이것에 의해 한정되지 않으며 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 본 발명의 기술사상과 아래에 기재될 특허청구범위의 균등범위 내에서 다양한 수정 및 변형이 가능함은 물론이다.

100: 인공지능을 이용한 실시간 IP망의 성능 평가 장치
110: 프로세서
120: 저장부
130: 메모리
140: 통신부
220: IP망의 성능 평가 어플리케이션

Claims (5)

1. 인공지능을 이용하여 실시간 IP망의 성능을 평가하는 방법으로서,
   (a) IP망으로부터 트래픽 성능 측정 데이터를 수신하는 단계; 및
   (b) 상기 단계 (a)에서 수신된 트래픽 성능 측정 데이터를 입력으로 하여, 기 학습된 인공지능 모델과 비교하여 IP망의 성능을 분류하는 단계
   를 포함하는 인공지능을 이용한 실시간 IP망 성능 평가 방법.
2. 청구항 1에 있어서,
   상기 트래픽 성능 측정 데이터는 지연(delay), 손실(loss), 불안정(jitter) 데이터 중 적어도 어느 하나 이상인 것
   을 특징으로 하는 인공지능을 이용한 실시간 IP망 성능 평가 방법.
3. 청구항 1에 있어서
   상기 단계 (b)의 인공지능 모델은,
   CNN(convolutional neural network)를 포함하는 것
   을 특징으로 하는 인공지능을 이용한 실시간 IP망 성능 평가 방법.
4. 인공지능을 이용한 실시간 IP망의 성능 평가를 위한, 비일시적 저장 매체에 저장된 컴퓨터 프로그램으로서,
   비일시적 저장 매체에 저장되며, 프로세서에 의하여,
   (a) IP망으로부터 트래픽 성능 측정 데이터를 수신하는 단계; 및
   (b) 상기 단계 (a)에서 수신된 트래픽 성능 측정 데이터를 입력으로 하여, 기 학습된 인공지능 모델과 비교하여 IP망의 성능을 분류하는 단계
   가 실행되도록 하는 명령을 포함하는 인공지능을 이용한 실시간 IP망의 성능평가 방법을 수행하기 위한, 비일시적 저장 매체에 저장된 컴퓨터 프로그램.
5. 인공지능을 이용한 실시간 IP망의 성능 평가 방법을 수행하기 위한 장치로서,
   (a) IP망으로부터 트래픽 성능 측정 데이터를 수신하는 단계; 및
   (b) 상기 단계 (a)에서 수신된 트래픽 성능 측정 데이터를 입력으로 하여, 기 학습된 인공지능 모델과 비교하여 IP망의 성능을 분류하는 단계
   가 실행되도록 하는, 인공지능을 이용한 실시간 IP망의 성능 평가 장치.

Images