KR20230074510A - 무선 통신 시스템에서 스플릿 포인트를 조정하는 방법 및 장치 - Google Patents
무선 통신 시스템에서 스플릿 포인트를 조정하는 방법 및 장치 Download PDFInfo
- Publication number
- KR20230074510A KR20230074510A KR1020237013061A KR20237013061A KR20230074510A KR 20230074510 A KR20230074510 A KR 20230074510A KR 1020237013061 A KR1020237013061 A KR 1020237013061A KR 20237013061 A KR20237013061 A KR 20237013061A KR 20230074510 A KR20230074510 A KR 20230074510A
- Authority
- KR
- South Korea
- Prior art keywords
- split
- split point
- intermediate data
- base station
- point
- Prior art date
Links
- 238000004891 communication Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000013473 artificial intelligence Methods 0.000 claims description 108
- 230000015654 memory Effects 0.000 description 37
- 238000013528 artificial neural network Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 16
- 238000012549 training Methods 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 230000005540 biological transmission Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 238000013135 deep learning Methods 0.000 description 7
- 235000009499 Vanilla fragrans Nutrition 0.000 description 5
- 244000263375 Vanilla tahitensis Species 0.000 description 5
- 235000012036 Vanilla tahitensis Nutrition 0.000 description 5
- 230000001934 delay Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000001413 cellular effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000012886 linear function Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004984 smart glass Substances 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 241000760358 Enodes Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/098—Distributed learning, e.g. federated 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
- G06N3/08—Learning methods
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- 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
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
본 개시는 무선 통신 시스템에서 단말의 동작 방법을 제공할 수 있다. 본 개시의 일 예로써, 기지국으로부터 제1 스플릿 포인트(split point) 및 제2 스플릿 포인트 중 적어도 하나에 대한 정보를 수신하는 단계, 상기 제 1 스플릿 포인트에 기초하여 제 1 스플릿 인퍼런스(split inference)를 수행하고, 제 1 중간 데이터(intermediate data)를 생성하는 단계, 상기 기지국으로 상기 제1 중간 데이터를 송신하는 단계, 상기 기지국으로부터 상기 제2 스플릿 포인트에 기초하여 생성된 제2 중간 데이터를 수신하는 단계, 상기 제 2 중간 데이터에 기초하여 상기 제 2 스플릿 포인트부터 나머지 스플릿 인퍼런스를 수행하는 단계, 및 상기 제2 중간 데이터에 기초하여 상기 제2 스플릿 포인트를 조정하는 단계를 포함할 수 있다.
Description
이하의 설명은 무선 통신 시스템에서 AoI에 기반하여 스플릿 포인트(split point)를 조정하기 위한 장치 및 방법에 관한 것이다. 보다 구체적으로, 본 개시는 U자형의 스플릿 AI/ML(artificial intelligence/machine learning) 모델을 통해 스플릿 인퍼런스(inference)를 수행하는 시스템에서 스플릿 포인트를 결정하기 위한 장치 및 방법에 관한 것이다.
무선 접속 시스템이 음성이나 데이터 등과 같은 다양한 종류의 통신 서비스를 제공하기 위해 광범위하게 전개되고 있다. 일반적으로 무선 접속 시스템은 가용한 시스템 자원(대역폭, 전송 파워 등)을 공유하여 다중 사용자와의 통신을 지원할 수 있는 다중 접속(multiple access) 시스템이다. 다중 접속 시스템의 예들로는 CDMA(code division multiple access) 시스템, FDMA(frequency division multiple access) 시스템, TDMA(time division multiple access) 시스템, OFDMA(orthogonal frequency division multiple access) 시스템, SC-FDMA(single carrier frequency division multiple access) 시스템 등이 있다.
특히, 많은 통신 기기들이 큰 통신 용량을 요구하게 됨에 따라 기존 RAT(radio access technology)에 비해 향상된 모바일 브로드밴드(enhanced mobile broadband, eMBB) 통신 기술이 제안되고 있다. 또한 다수의 기기 및 사물들을 연결하여 언제 어디서나 다양한 서비스를 제공하는 mMTC(massive machine type communications) 뿐만 아니라 신뢰성 (reliability) 및 지연(latency) 민감한 서비스/UE(user equipment)를 고려한 통신 시스템이 제안되고 있다. 이를 위한 다양한 기술 구성들이 제안되고 있다.
본 개시는 무선 통신 시스템에서 스플릿 포인트(split point) 조정을 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 데이터의 AoI(age of information)을 고려하여 스플릿 포인트 결정을 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 데이터의 AoI를 고려하여 스플릿 포인트를 조정함으로써, 스플릿 인퍼런스(split inference)를 수행하는 시스템이 정보의 최신성을 유지하는 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 데이터의 AoI를 고려하여 스플릿 포인트를 조정함으로써, 스플릿 인퍼런스를 수행하는 실시간 환경을 반영하여 통신을 수행하는 장치 및 방법을 제공할 수 있다.
본 개시에서 이루고자 하는 기술적 목적들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 본 개시의 실시예들로부터 본 개시의 기술 구성이 적용되는 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
본 개시는 무선 통신 시스템에서 단말의 동작 방법을 제공할 수 있다. 본 개시의 일 예로서, 기지국으로부터 제1 스플릿 포인트(split point) 및 제2 스플릿 포인트 중 적어도 하나에 대한 정보를 수신하는 단계, 상기 제1 스플릿 포인트에 기초하여 제1 스플릿 인퍼런스(split inference)를 수행하고, 제1 중간 데이터(intermediate data)를 생성하는 단계, 상기 기지국으로 상기 제1 중간 데이터를 송신하는 단계, 상기 기지국으로부터 상기 제2 스플릿 포인트에 기초하여 생성된 제2 중간 데이터를 수신하는 단계, 상기 제2 중간 데이터에 기초하여 상기 제2 스플릿 포인트부터 나머지 스플릿 인퍼런스를 수행하는 단계, 및 상기 제2 중간 데이터에 기초하여 상기 제2 스플릿 포인트를 조정하는 단계를 포함할 수 있다.
본 개시의 일 예로서, 상기 제1 스플릿 포인트는, U자형 분할 인공지능 학습 모델에 기초하여 상기 단말이 상기 제1 스플릿 인퍼런스(split inference)를 수행하는 제1 지점을 지시하고, 상기 제2 스플릿 포인트는, 상기 U자형 분할 인공지능 학습 모델에 기초하여 상기 기지국이 제2 스플릿 인퍼런스를 수행하는 제2 지점을 지시할 수 있다.
본 개시의 일 예로서, 상기 단말은 상기 단말의 로우 데이터(raw data)가 인풋 레이어(input layer)로 전달된 시점에 대한 정보, 상기 제2 스플릿 포인트에 대한 정보를 상기 제1 중간 데이터와 함께 상기 기지국으로 전송하고, 상기 기지국이 수신한 상기 제1 중간 데이터 수신 시점에 대한 정보, 상기 제1 스플릿 포인트에 대한 정보를 상기 제2 중간 데이터와 함께 수신할 수 있다.
본 개시의 일 예로서, 상기 단말이 상기 제2 스플릿 포인트를 조정하는 단계는, 상기 제2 중간 데이터의 PAoI(Peak of AoI)를 측정하고, 측정된 상기 PAoI 값을 상기 기지국이 설정한 제1 임계값과 비교한 결과에 기초하여 상기 제2 스플릿 포인트를 조정하는 단계를 포함할 수 있다.
본 개시의 일 예로서, 상기 PAoI 값이 상기 제1 임계값보다 큰 경우 상기 제2 스플릿 포인트를 상기 인풋 레이어 방향으로 이동시키거나 유지하고, 상기 PAoI 값이 상기 제1 임계값보다 작은 경우 상기 제2 스플릿 포인트를 상기 아웃풋 레이어 방향으로 이동시키거나 유지할 수 있다.
본 개시의 일 예로서, 상기 제2 스플릿 포인트의 조정 위치는, 상기 제1 스플릿 포인트 이후와 상기 아웃풋 레이어 이전 사이에서 결정될 수 있다.
본 개시의 일 예로서, 상기 제1 스플릿 포인트는, 상기 기지국이 상기 단말로부터 수신한 상기 제1 중간 데이터의 PAoI를 측정하고, 측정된 상기 제1 중간 데이터의 PAoI 값이 상기 기지국이 설정한 제2 임계값보다 작은 경우 상기 아웃풋 레이어 방향으로 이동되거나 유지되고, 측정된 상기 제1 중간 데이터의 PAoI 값이 상기 제2 임계값보다 큰 경우 상기 인풋 레이어 방향으로 이동되거나 유지될 수 있다.
본 개시의 일 예로서, 상기 제1 스플릿 포인트의 조정 위치는, 인풋 레이어 이후와 상기 제2 스플릿 포인트 이전 사이에서 결정될 수 있다.
본 개시의 일 예로서, 무선 통신 시스템에서 기지국 동작 방법에 있어서, 제1 스플릿 포인트(split point) 및 제2 스플릿 포인트에 대한 초기 설정을 수행하는 단계, 단말로 상기 제1 스플릿 포인트 및 상기 제2 스플릿 포인트 중 적어도 하나에 대한 정보를 송신하는 단계, 상기 단말로부터 제1 중간 데이터를 수신하는 단계로써, 상기 제1 중간 데이터는 제1 스플릿 포인트에 기초하여 상기 단말이 수행한 제1 스플릿 인퍼런스(split inference)에 기초하여 생성되고, 상기 제1 중간 데이터에 기초하여 상기 제2 스플릿 포인트까지 제2 스플릿 인퍼런스를 수행하여 제2 중간 데이터를 생성하는 단계, 상기 제1 중간 데이터에 기초하여 상기 제1 스플릿 포인트를 조정하는 단계, 및 상기 생성된 제2 중간 데이터 및 조정된 상기 제1 스플릿 포인트에 대한 정보를 상기 단말로 전송하는 단계를 포함할 수 있다.
본 개시의 일 예로서, 무선 통신 시스템의 단말에 있어서, 송수신기; 및 상기 송수신기와 연결된 프로세서를 포함하고, 상기 프로세서는, 기지국으로부터 제1 스플릿 포인트(split point) 및 제2 스플릿 포인트 중 적어도 하나에 대한 정보를 수신하고, 상기 제1 스플릿 포인트에 기초하여 제1 스플릿 인퍼런스(split inference)를 수행하고, 제1 중간 데이터(intermediate data)를 생성하고, 상기 기지국으로 상기 제1 중간 데이터를 송신하고, 상기 기지국으로부터 상기 제2 스플릿 포인트에 기초하여 생성된 제2 중간 데이터를 수신하고, 상기 제2 중간 데이터에 기초하여 상기 제2 스플릿 포인트부터 나머지 스플릿 인퍼런스를 수행하고, 상기 제2 중간 데이터에 기초하여 상기 제2 스플릿 포인트를 조정할 수 있다.
본 개시의 일 예로서, 무선 통신 시스템의 기지국에 있어서, 송수신기; 및 상기 송수신기와 연결된 프로세서를 포함하며, 상기 프로세서는, 제1 스플릿 포인트(split point) 및 제2 스플릿 포인트에 대한 초기 설정을 수행하고, 단말로 상기 제1 스플릿 포인트 및 상기 제2 스플릿 포인트 중 적어도 하나에 대한 정보를 송신하고, 상기 단말로부터 제1 중간 데이터를 수신하고, 상기 제1 중간 데이터는 제1 스플릿 포인트에 기초하여 상기 단말이 수행한 제1 스플릿 인퍼런스(split inference)에 기초하여 생성되고, 상기 제1 중간 데이터에 기초하여 상기 제2 스플릿 포인트까지 제2 스플릿 인퍼런스를 수행하여 제2 중간 데이터를 생성하고, 상기 제1 중간 데이터에 기초하여 상기 제1 스플릿 포인트를 조정하고, 상기 생성된 제2 중간 데이터 및 조정된 상기 제1 스플릿 포인트에 대한 정보를 상기 단말로 전송할 수 있다.
본 개시의 일 예로서, 무선 통신 시스템에서 동작 방법에 있어서, 기지국이 제1 스플릿 포인트(split point) 및 제2 스플릿 포인트에 대한 초기 설정을 수행하는 단계, 상기 기지국이 단말로 상기 제1 스플릿 포인트 및 상기 제2 스플릿 포인트 중 적어도 하나에 대한 정보를 송신하는 단계, 상기 단말이 상기 제1 스플릿 포인트에 기초하여 제1 스플릿 인퍼런스(split inference)를 수행하고, 제1 중간 데이터(intermediate data)를 생성하는 단계, 상기 단말이 상기 기지국으로 상기 제1 중간 데이터 및 조정된 제 2 스플릿 포인트 정보 중 적어도 하나를 송신하는 단계, 상기 기지국이 상기 단말로부터 수신한 상기 제1 중간 데이터 및 상기 조정된 제 2 스플릿 포인트 정보 중 적어도 하나에 기초하여 상기 제2 스플릿 포인트까지 제2 스플릿 인퍼런스를 수행하여 제2 중간 데이터를 생성하는 단계, 상기 기지국이 상기 단말로부터 수신한 상기 제1 중간 데이터에 기초하여 상기 제1 스플릿 포인트를 조정하는 단계, 상기 기지국이 상기 생성된 제2 중간 데이터 및 조정한 상기 제1 스플릿 포인트에 대한 정보를 상기 단말로 전송하는 단계, 상기 단말이 상기 기지국으로부터 수신한 상기 제2 중간 데이터에 기초하여 상기 제2 스플릿 포인트부터 나머지 스플릿 인퍼런스를 수행하는 단계, 및 상기 단말이 상기 제2 중간 데이터에 기초하여 상기 제2 스플릿 포인트를 조정하는 단계를 포함할 수 있다. 본 개시의 일 예로서, 통신 장치에 있어서, 적어도 하나의 프로세서, 상기 적어도 하나의 프로세서와 연결되며, 상기 적어도 하나의 프로세서에 의해 실행됨에 따라 동작들을 지시하는 명령어를 저장하는 적어도 하나의 컴퓨터 메모리를 포함하며, 상기 동작들은, 기지국으로부터 제1 스플릿 포인트(split point) 및 제2 스플릿 포인트 중 적어도 하나에 대한 정보를 수신하고, 상기 제1 스플릿 포인트에 기초하여 제1 스플릿 인퍼런스(split inference)를 수행하고, 제1 중간 데이터(intermediate data)를 생성하고, 상기 기지국으로 상기 제1 중간 데이터를 송신하고, 상기 기지국으로부터 상기 제2 스플릿 포인트에 기초하여 생성된 제2 중간 데이터 및 상기 기지국이 조정한 상기 제1 스플릿 포인트에 대한 정보를 수신하고, 상기 제2 중간 데이터에 기초하여 상기 제2 스플릿 포인트부터 나머지 스플릿 인퍼런스를 수행하고, 상기 제2 중간 데이터에 기초하여 상기 제2 스플릿 포인트를 조정할 수 있다.
본 개시의 일 예로서, 적어도 하나의 명령어(instructions)을 저장하는 비-일시적인(non-transitory) 컴퓨터 판독 가능 매체(computer-readable medium)에 있어서, 프로세서에 의해 실행 가능한(executable) 상기 적어도 하나의 명령어를 포함하며, 상기 적어도 하나의 명령어는, 장치가, 기지국으로부터 제1 스플릿 포인트(split point) 및 제2 스플릿 포인트 중 적어도 하나에 대한 정보를 수신하고, 상기 제1 스플릿 포인트에 기초하여 제1 스플릿 인퍼런스(split inference)를 수행하고, 제1 중간 데이터(intermediate data)를 생성하고, 상기 기지국으로 상기 제1 중간 데이터를 송신하고, 상기 기지국으로부터 상기 제2 스플릿 포인트에 기초하여 생성된 제2 중간 데이터를 수신하고, 상기 제2 중간 데이터에 기초하여 상기 제2 스플릿 포인트부터 나머지 스플릿 인퍼런스를 수행하고, 상기 제2 중간 데이터에 기초하여 상기 제2 스플릿 포인트를 조정할 수 있다.
상술한 본 개시의 양태들은 본 개시의 바람직한 실시 예들 중 일부에 불과하며, 본 개시의 기술적 특징들이 반영된 다양한 실시 예들이 당해 기술분야의 통상적인 지식을 가진 자에 의해 이하 상술할 본 개시의 상세한 설명을 기반으로 도출되고 이해될 수 있다.
본 개시에 기초한 실시 예들에 의해 하기와 같은 효과가 있을 수 있다.
본 개시에 따르면, 무선 통신 시스템에서 데이터의 AoI(age of information)에 기초하여 스플릿 포인트(split point)를 조정할 수 있다.
본 개시에 따르면, 무선 통신 시스템에서 데이터의 AoI에 기초하여 스플릿 포인트를 조정함으로써 데이터의 최신성을 유지할 수 있다.
본 개시에 따르면, 무선 통신 시스템에서 데이터의 AoI에 기초하여 스플릿 포인트를 조정함으로써 스플릿 인퍼런스를 수행하는 실시간 환경을 반영할 수 있다.
본 개시에 따르면, 무선 통신 시스템에서 데이터의 AoI에 기초하여 스플릿 포인트를 조정함으로써 인퍼런스 결과의 왜곡 및/또는 에러를 감소시킬 수 있다.
본 개시의 실시예들에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 이하의 본 개시의 실시 예들에 대한 기재로부터 본 개시의 기술 구성이 적용되는 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다. 즉, 본 개시에서 서술하는 구성을 실시함에 따른 의도하지 않은 효과들 역시 본 개시의 실시예들로부터 당해 기술분야의 통상의 지식을 가진 자에 의해 도출될 수 있다.
이하에 첨부되는 도면들은 본 개시에 관한 이해를 돕기 위한 것으로, 상세한 설명과 함께 본 개시에 대한 실시 예들을 제공할 수 있다. 다만, 본 개시의 기술적 특징이 특정 도면에 한정되는 것은 아니며, 각 도면에서 개시하는 특징들은 서로 조합되어 새로운 실시 예로 구성될 수 있다. 각 도면에서의 참조 번호(reference numerals)들은 구조적 구성요소(structural elements)를 의미할 수 있다.
도 1은 본 개시에 적용 가능한 통신 시스템 예시를 나타낸 도면이다.
도 2는 본 개시에 적용 가능한 무선 기기의 예시를 나타낸 도면이다.
도 3은 본 개시에 적용 가능한 무선 기기의 다른 예시를 나타낸 도면이다.
도 4는 본 개시에 적용 가능한 휴대 기기의 예시를 나타낸 도면이다.
도 5는 본 개시에 적용 가능한 차량 또는 자율 주행 차량의 예시를 나타낸 도면이다.
도 6은 본 개시에 적용 가능한 AI(Artificial Intelligence)의 예시를 나타낸 도면이다.
도 7은 본 발명의 일 실시예에 따라 데이터 생성 및 수집과 관련한 자료를 나타낸 도면이다.
도 8은 본 개시의 일 실시예에 따른, 스플릿 AI/ML 모델을 수행하는 시스템의 예를 도시한다.
도 9는 본 개시의 일 실시예에 따른, U자형의 스플릿 AI/ML 모델이 적용된 시스템의 예를 도시한다.
도 10은 본 개시의 일 실시예에 따른 스플릿 엔진의 스플릿 포인트 결정을 위한 동작의 예를 도시한다.
도 11은 본 개시의 일 실시예에 따른 AoI(age of information)를 측정하는 예를 도시한다.
도 12는 본 개시의 일 실시예에 따른 CoUD(cost of update delay) 메트릭을 이용하여 AoI를 측정하는 예를 도시한다.
도 13은 본 개시의 일 실시예에 따른 VGG-16 모델의 후보자 스플릿 포인트(candidate split point) 설정에 따른 장치의 통신 성능 평가를 나타낸 그래프의 예를 도시한다.
도 14는 본 개시의 일 실시예에 따른 U자형의 스플릿 AI/ML 모델을 지원하는 시스템의 예를 도시한다.
도 15는 본 개시의 일 실시예에 따른 U자형의 AI/ML 스플릿 모델에서 스플릿 포인트를 조정하는 동작의 예를 도시한다.
도 16은 본 개시의 일 실시예에 따른 U자형의 스플릿 AI/ML 모델에서 기지국이 제1 스플릿 포인트를 조정하는 동작의 예를 도시한다.
도 17은 본 개시의 일 실시예에 따른 U자형의 스플릿 AI/ML 모델에서 장치가 제2 스플릿 포인트를 조정하는 동작의 예를 도시한다.
도 18은 본 개시의 일 실시예에 따른 U자형의 스플릿 AI/ML 모델이 적용되는 시스템에서 기지국이 제1 스플릿 포인트를 조정하는 동작을 예시한다.
도 19는 본 개시의 일 실시예에 따른 U자형의 스플릿 AI/ML 모델이 적용되는 시스템에서 장치가 기지국으로 스플릿 포인트 조정을 위한 정보를 전달하는 동작을 예시한다.
도 20은 본 개시의 일 실시예에 따른 U자형의 스플릿 AI/ML 모델이 적용되는 시스템에서 장치가 제2 스플릿 포인트를 조정하는 동작을 예시한다.
도 21 본 개시의 일 실시예에 따른 U자형의 스플릿 AI/ML 모델이 적용되는 시스템에서 장치가 스플릿 포인트를 조정하는 동작을 예시한다.
도 1은 본 개시에 적용 가능한 통신 시스템 예시를 나타낸 도면이다.
도 2는 본 개시에 적용 가능한 무선 기기의 예시를 나타낸 도면이다.
도 3은 본 개시에 적용 가능한 무선 기기의 다른 예시를 나타낸 도면이다.
도 4는 본 개시에 적용 가능한 휴대 기기의 예시를 나타낸 도면이다.
도 5는 본 개시에 적용 가능한 차량 또는 자율 주행 차량의 예시를 나타낸 도면이다.
도 6은 본 개시에 적용 가능한 AI(Artificial Intelligence)의 예시를 나타낸 도면이다.
도 7은 본 발명의 일 실시예에 따라 데이터 생성 및 수집과 관련한 자료를 나타낸 도면이다.
도 8은 본 개시의 일 실시예에 따른, 스플릿 AI/ML 모델을 수행하는 시스템의 예를 도시한다.
도 9는 본 개시의 일 실시예에 따른, U자형의 스플릿 AI/ML 모델이 적용된 시스템의 예를 도시한다.
도 10은 본 개시의 일 실시예에 따른 스플릿 엔진의 스플릿 포인트 결정을 위한 동작의 예를 도시한다.
도 11은 본 개시의 일 실시예에 따른 AoI(age of information)를 측정하는 예를 도시한다.
도 12는 본 개시의 일 실시예에 따른 CoUD(cost of update delay) 메트릭을 이용하여 AoI를 측정하는 예를 도시한다.
도 13은 본 개시의 일 실시예에 따른 VGG-16 모델의 후보자 스플릿 포인트(candidate split point) 설정에 따른 장치의 통신 성능 평가를 나타낸 그래프의 예를 도시한다.
도 14는 본 개시의 일 실시예에 따른 U자형의 스플릿 AI/ML 모델을 지원하는 시스템의 예를 도시한다.
도 15는 본 개시의 일 실시예에 따른 U자형의 AI/ML 스플릿 모델에서 스플릿 포인트를 조정하는 동작의 예를 도시한다.
도 16은 본 개시의 일 실시예에 따른 U자형의 스플릿 AI/ML 모델에서 기지국이 제1 스플릿 포인트를 조정하는 동작의 예를 도시한다.
도 17은 본 개시의 일 실시예에 따른 U자형의 스플릿 AI/ML 모델에서 장치가 제2 스플릿 포인트를 조정하는 동작의 예를 도시한다.
도 18은 본 개시의 일 실시예에 따른 U자형의 스플릿 AI/ML 모델이 적용되는 시스템에서 기지국이 제1 스플릿 포인트를 조정하는 동작을 예시한다.
도 19는 본 개시의 일 실시예에 따른 U자형의 스플릿 AI/ML 모델이 적용되는 시스템에서 장치가 기지국으로 스플릿 포인트 조정을 위한 정보를 전달하는 동작을 예시한다.
도 20은 본 개시의 일 실시예에 따른 U자형의 스플릿 AI/ML 모델이 적용되는 시스템에서 장치가 제2 스플릿 포인트를 조정하는 동작을 예시한다.
도 21 본 개시의 일 실시예에 따른 U자형의 스플릿 AI/ML 모델이 적용되는 시스템에서 장치가 스플릿 포인트를 조정하는 동작을 예시한다.
이하의 실시 예들은 본 개시의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 본 개시의 실시 예를 구성할 수도 있다. 본 개시의 실시 예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시 예의 일부 구성이나 특징은 다른 실시 예에 포함될 수 있고, 또는 다른 실시 예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 본 개시의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당업자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 본 개시를 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
본 명세서에서 본 개시의 실시예들은 기지국과 이동국 간의 데이터 송수신 관계를 중심으로 설명되었다. 여기서, 기지국은 이동국과 직접적으로 통신을 수행하는 네트워크의 종단 노드(terminal node)로서의 의미가 있다. 본 문서에서 기지국에 의해 수행되는 것으로 설명된 특정 동작은 경우에 따라서는 기지국의 상위 노드(upper node)에 의해 수행될 수도 있다.
즉, 기지국을 포함하는 다수의 네트워크 노드들(network nodes)로 이루어지는 네트워크에서 이동국과의 통신을 위해 수행되는 다양한 동작들은 기지국 또는 기지국 이외의 다른 네트워크 노드들에 의해 수행될 수 있다. 이때, '기지국'은 고정국(fixed station), Node B, eNB(eNode B), gNB(gNode B), ng-eNB, 발전된 기지국(advanced base station, ABS) 또는 엑세스 포인트(access point) 등의 용어에 의해 대체될 수 있다.
또한, 본 개시의 실시 예들에서 단말(terminal)은 사용자 기기(user equipment, UE), 이동국(mobile station, MS), 가입자국(subscriber station, SS), 이동 가입자 단말(mobile subscriber station, MSS), 이동 단말(mobile terminal) 또는 발전된 이동 단말(advanced mobile station, AMS) 등의 용어로 대체될 수 있다.
또한, 송신단은 데이터 서비스 또는 음성 서비스를 제공하는 고정 및/또는 이동 노드를 말하고, 수신단은 데이터 서비스 또는 음성 서비스를 수신하는 고정 및/또는 이동 노드를 의미한다. 따라서, 상향링크의 경우, 이동국이 송신단이 되고, 기지국이 수신단이 될 수 있다. 마찬가지로, 하향링크의 경우, 이동국이 수신단이 되고, 기지국이 송신단이 될 수 있다.
본 개시의 실시 예들은 무선 접속 시스템들인 IEEE 802.xx 시스템, 3GPP(3rd Generation Partnership Project) 시스템, 3GPP LTE(Long Term Evolution) 시스템, 3GPP 5G(5th generation) NR(New Radio) 시스템 및 3GPP2 시스템 중 적어도 하나에 개시된 표준 문서들에 의해 뒷받침될 수 있으며, 특히, 본 개시의 실시 예들은 3GPP TS(technical specification) 38.211, 3GPP TS 38.212, 3GPP TS 38.213, 3GPP TS 38.321 및 3GPP TS 38.331 문서들에 의해 뒷받침될 수 있다.
또한, 본 개시의 실시 예들은 다른 무선 접속 시스템에도 적용될 수 있으며, 상술한 시스템으로 한정되는 것은 아니다. 일 예로, 3GPP 5G NR 시스템 이후에 적용되는 시스템에 대해서도 적용 가능할 수 있으며, 특정 시스템에 한정되지 않는다.
즉, 본 개시의 실시 예들 중 설명하지 않은 자명한 단계들 또는 부분들은 상기 문서들을 참조하여 설명될 수 있다. 또한, 본 문서에서 개시하고 있는 모든 용어들은 상기 표준 문서에 의해 설명될 수 있다.
이하, 본 개시에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 개시의 예시적인 실시 형태를 설명하고자 하는 것이며, 본 개시의 기술 구성이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 본 개시의 실시 예들에서 사용되는 특정 용어들은 본 개시의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 본 개시의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
이하의 기술은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 등과 같은 다양한 무선 접속 시스템에 적용될 수 있다.
하기에서는 이하 설명을 명확하게 하기 위해, 3GPP 통신 시스템(e.g.(예, LTE, NR 등)을 기반으로 설명하지만 본 발명의 기술적 사상이 이에 제한되는 것은 아니다. LTE는 3GPP TS 36.xxx Release 8 이후의 기술을 의미할 수 있다. 세부적으로, 3GPP TS 36.xxx Release 10 이후의 LTE 기술은 LTE-A로 지칭되고, 3GPP TS 36.xxx Release 13 이후의 LTE 기술은 LTE-A pro로 지칭될 수 있다. 3GPP NR은 TS 38.xxx Release 15 이후의 기술을 의미할 수 있다. 3GPP 6G는 TS Release 17 및/또는 Release 18 이후의 기술을 의미할 수 있다. "xxx"는 표준 문서 세부 번호를 의미한다. LTE/NR/6G는 3GPP 시스템으로 통칭될 수 있다.
본 개시에 사용된 배경기술, 용어, 약어 등에 관해서는 본 발명 이전에 공개된 표준 문서에 기재된 사항을 참조할 수 있다. 일 예로, 36.xxx 및 38.xxx 표준 문서를 참조할 수 있다.
본 개시에 적용 가능한 통신 시스템
이로 제한되는 것은 아니지만, 본 문서에 개시된 본 개시의 다양한 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 기기들 간에 무선 통신/연결(예, 5G)을 필요로 하는 다양한 분야에 적용될 수 있다.
이하, 도면을 참조하여 보다 구체적으로 예시한다. 이하의 도면/설명에서 동일한 도면 부호는 다르게 기술하지 않는 한, 동일하거나 대응되는 하드웨어 블록, 소프트웨어 블록 또는 기능 블록을 예시할 수 있다.
도 1은 본 개시에 적용되는 통신 시스템 예시를 도시한 도면이다.
도 1을 참조하면, 본 개시에 적용되는 통신 시스템(100)은 무선 기기, 기지국 및 네트워크를 포함한다. 여기서, 무선 기기는 무선 접속 기술(예, 5G NR, LTE)을 이용하여 통신을 수행하는 기기를 의미하며, 통신/무선/5G 기기로 지칭될 수 있다. 이로 제한되는 것은 아니지만, 무선 기기는 로봇(100a), 차량(100b-1, 100b-2), XR(extended reality) 기기(100c), 휴대 기기(hand-held device)(100d), 가전(home appliance)(100e), IoT(Internet of Thing) 기기(100f), AI(artificial intelligence) 기기/서버(100g)를 포함할 수 있다. 예를 들어, 차량은 무선 통신 기능이 구비된 차량, 자율 주행 차량, 차량간 통신을 수행할 수 있는 차량 등을 포함할 수 있다. 여기서, 차량(100b-1, 100b-2)은 UAV(unmanned aerial vehicle)(예, 드론)를 포함할 수 있다. XR 기기(100c)는 AR(augmented reality)/VR(virtual reality)/MR(mixed reality) 기기를 포함하며, HMD(head-mounted device), 차량에 구비된 HUD(head-up display), 텔레비전, 스마트폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지(signage), 차량, 로봇 등의 형태로 구현될 수 있다. 휴대 기기(100d)는 스마트폰, 스마트패드, 웨어러블 기기(예, 스마트워치, 스마트글래스), 컴퓨터(예, 노트북 등) 등을 포함할 수 있다. 가전(100e)은 TV, 냉장고, 세탁기 등을 포함할 수 있다. IoT 기기(100f)는 센서, 스마트 미터 등을 포함할 수 있다. 예를 들어, 기지국(120), 네트워크(130)는 무선 기기로도 구현될 수 있으며, 특정 무선 기기(120a)는 다른 무선 기기에게 기지국/네트워크 노드로 동작할 수도 있다.
본 개시에 적용 가능한 통신 시스템
도 2는 본 개시에 적용될 수 있는 무선 기기의 예시를 도시한 도면이다.
도 2를 참조하면, 제1 무선 기기(200a)와 제2 무선 기기(200b)는 다양한 무선 접속 기술(예, LTE, NR)을 통해 무선 신호를 송수신할 수 있다. 여기서, {제1 무선 기기(200a), 제2 무선 기기(200b)}은 도 1의 {무선 기기(100x), 기지국(120)} 및/또는 {무선 기기(100x), 무선 기기(100x)}에 대응할 수 있다.
제1 무선 기기(200a)는 하나 이상의 프로세서(202a) 및 하나 이상의 메모리(204a)를 포함하며, 추가적으로 하나 이상의 송수신기(206a) 및/또는 하나 이상의 안테나(208a)을 더 포함할 수 있다. 프로세서(202a)는 메모리(204a) 및/또는 송수신기(206a)를 제어하며, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 구현하도록 구성될 수 있다. 예를 들어, 프로세서(202a)는 메모리(204a) 내의 정보를 처리하여 제1 정보/신호를 생성한 뒤, 송수신기(206a)을 통해 제1 정보/신호를 포함하는 무선 신호를 전송할 수 있다. 또한, 프로세서(202a)는 송수신기(206a)를 통해 제2 정보/신호를 포함하는 무선 신호를 수신한 뒤, 제2 정보/신호의 신호 처리로부터 얻은 정보를 메모리(204a)에 저장할 수 있다. 메모리(204a)는 프로세서(202a)와 연결될 수 있고, 프로세서(202a)의 동작과 관련한 다양한 정보를 저장할 수 있다. 예를 들어, 메모리(204a)는 프로세서(202a)에 의해 제어되는 프로세스들 중 일부 또는 전부를 수행하거나, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 수행하기 위한 명령들을 포함하는 소프트웨어 코드를 저장할 수 있다. 여기서, 프로세서(202a)와 메모리(204a)는 무선 통신 기술(예, LTE, NR)을 구현하도록 설계된 통신 모뎀/회로/칩의 일부일 수 있다. 송수신기(206a)는 프로세서(202a)와 연결될 수 있고, 하나 이상의 안테나(208a)를 통해 무선 신호를 송신 및/또는 수신할 수 있다. 송수신기(206a)는 송신기 및/또는 수신기를 포함할 수 있다. 송수신기(206a)는 RF(radio frequency) 유닛과 혼용될 수 있다. 본 개시에서 무선 기기는 통신 모뎀/회로/칩을 의미할 수도 있다.
제2 무선 기기(200b)는 하나 이상의 프로세서(202b), 하나 이상의 메모리(204b)를 포함하며, 추가적으로 하나 이상의 송수신기(206b) 및/또는 하나 이상의 안테나(208b)를 더 포함할 수 있다. 프로세서(202b)는 메모리(204b) 및/또는 송수신기(206b)를 제어하며, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 구현하도록 구성될 수 있다. 예를 들어, 프로세서(202b)는 메모리(204b) 내의 정보를 처리하여 제3 정보/신호를 생성한 뒤, 송수신기(206b)를 통해 제3 정보/신호를 포함하는 무선 신호를 전송할 수 있다. 또한, 프로세서(202b)는 송수신기(206b)를 통해 제4 정보/신호를 포함하는 무선 신호를 수신한 뒤, 제4 정보/신호의 신호 처리로부터 얻은 정보를 메모리(204b)에 저장할 수 있다. 메모리(204b)는 프로세서(202b)와 연결될 수 있고, 프로세서(202b)의 동작과 관련한 다양한 정보를 저장할 수 있다. 예를 들어, 메모리(204b)는 프로세서(202b)에 의해 제어되는 프로세스들 중 일부 또는 전부를 수행하거나, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 수행하기 위한 명령들을 포함하는 소프트웨어 코드를 저장할 수 있다. 여기서, 프로세서(202b)와 메모리(204b)는 무선 통신 기술(예, LTE, NR)을 구현하도록 설계된 통신 모뎀/회로/칩의 일부일 수 있다. 송수신기(206b)는 프로세서(202b)와 연결될 수 있고, 하나 이상의 안테나(208b)를 통해 무선 신호를 송신 및/또는 수신할 수 있다. 송수신기(206b)는 송신기 및/또는 수신기를 포함할 수 있다 송수신기(206b)는 RF 유닛과 혼용될 수 있다. 본 개시에서 무선 기기는 통신 모뎀/회로/칩을 의미할 수도 있다.
본 개시에 적용 가능한 무선 기기 구조
도 3은 본 개시에 적용되는 무선 기기의 다른 예시를 도시한 도면이다.
도 3을 참조하면, 무선 기기(300)는 도 2의 무선 기기(200a, 200b)에 대응하며, 다양한 요소(element), 성분(component), 유닛/부(unit), 및/또는 모듈(module)로 구성될 수 있다. 예를 들어, 무선 기기(300)는 통신부(310), 제어부(320), 메모리부(330) 및 추가 요소(340)를 포함할 수 있다. 통신부는 통신 회로(312) 및 송수신기(들)(314)을 포함할 수 있다. 예를 들어, 통신 회로(312)는 도 2의 하나 이상의 프로세서(202a, 202b) 및/또는 하나 이상의 메모리(204a, 204b)를 포함할 수 있다. 예를 들어, 송수신기(들)(314)는 도 2의 하나 이상의 송수신기(206a, 206b) 및/또는 하나 이상의 안테나(208a, 208b)을 포함할 수 있다. 제어부(320)는 통신부(310), 메모리부(330) 및 추가 요소(340)와 전기적으로 연결되며 무선 기기의 제반 동작을 제어한다. 예를 들어, 제어부(320)는 메모리부(330)에 저장된 프로그램/코드/명령/정보에 기반하여 무선 기기의 전기적/기계적 동작을 제어할 수 있다. 또한, 제어부(320)는 메모리부(330)에 저장된 정보를 통신부(310)을 통해 외부(예, 다른 통신 기기)로 무선/유선 인터페이스를 통해 전송하거나, 통신부(310)를 통해 외부(예, 다른 통신 기기)로부터 무선/유선 인터페이스를 통해 수신된 정보를 메모리부(330)에 저장할 수 있다.
본 개시가 적용 가능한 휴대 기기
도 4는 본 개시에 적용되는 휴대 기기의 예시를 도시한 도면이다.
도 4는 본 개시에 적용되는 휴대 기기를 예시한다. 휴대 기기는 스마트폰, 스마트패드, 웨어러블 기기(예, 스마트 워치, 스마트 글래스), 휴대용 컴퓨터(예, 노트북 등)을 포함할 수 있다. 휴대 기기는 MS(mobile station), UT(user terminal), MSS(mobile subscriber station), SS(subscriber station), AMS(advanced mobile station) 또는 WT(wireless terminal)로 지칭될 수 있다.
도 4를 참조하면, 휴대 기기(400)는 안테나부(408), 통신부(410), 제어부(420), 메모리부(430), 전원공급부(440a), 인터페이스부(440b) 및 입출력부(440c)를 포함할 수 있다. 안테나부(408)는 통신부(410)의 일부로 구성될 수 있다. 블록 410~430/440a~440c는 각각 도 3의 블록 310~330/340에 대응한다.
통신부(410)는 다른 무선 기기, 기지국들과 신호(예, 데이터, 제어 신호 등)를 송수신할 수 있다. 제어부(420)는 휴대 기기(400)의 구성 요소들을 제어하여 다양한 동작을 수행할 수 있다. 제어부(420)는 AP(application processor)를 포함할 수 있다. 메모리부(430)는 휴대 기기(400)의 구동에 필요한 데이터/파라미터/프로그램/코드/명령을 저장할 수 있다. 또한, 메모리부(430)는 입/출력되는 데이터/정보 등을 저장할 수 있다. 전원공급부(440a)는 휴대 기기(400)에게 전원을 공급하며, 유/무선 충전 회로, 배터리 등을 포함할 수 있다. 인터페이스부(440b)는 휴대 기기(400)와 다른 외부 기기의 연결을 지원할 수 있다. 인터페이스부(440b)는 외부 기기와의 연결을 위한 다양한 포트(예, 오디오 입/출력 포트, 비디오 입/출력 포트)를 포함할 수 있다. 입출력부(440c)는 영상 정보/신호, 오디오 정보/신호, 데이터, 및/또는 사용자로부터 입력되는 정보를 입력 받거나 출력할 수 있다. 입출력부(440c)는 카메라, 마이크로폰, 사용자 입력부, 디스플레이부(440d), 스피커 및/또는 햅틱 모듈 등을 포함할 수 있다.
일 예로, 데이터 통신의 경우, 입출력부(440c)는 사용자로부터 입력된 정보/신호(예, 터치, 문자, 음성, 이미지, 비디오)를 획득하며, 획득된 정보/신호는 메모리부(430)에 저장될 수 있다. 통신부(410)는 메모리에 저장된 정보/신호를 무선 신호로 변환하고, 변환된 무선 신호를 다른 무선 기기에게 직접 전송하거나 기지국에게 전송할 수 있다. 또한, 통신부(410)는 다른 무선 기기 또는 기지국으로부터 무선 신호를 수신한 뒤, 수신된 무선 신호를 원래의 정보/신호로 복원할 수 있다. 복원된 정보/신호는 메모리부(430)에 저장된 뒤, 입출력부(440c)를 통해 다양한 형태(예, 문자, 음성, 이미지, 비디오, 햅틱)로 출력될 수 있다.
본 개시가 적용 가능한 무선 기기 종류
도 5는 본 개시에 적용되는 차량 또는 자율 주행 차량의 예시를 도시한 도면이다.
도 5는 본 개시에 적용되는 차량 또는 자율 주행 차량을 예시한다. 차량 또는 자율 주행 차량은 이동형 로봇, 차량, 기차, 유/무인 비행체(aerial vehicle, AV), 선박 등으로 구현될 수 있으며, 차량의 형태로 한정되는 것은 아니다.
도 5를 참조하면, 차량 또는 자율 주행 차량(500)은 안테나부(508), 통신부(510), 제어부(520), 구동부(540a), 전원공급부(540b), 센서부(540c) 및 자율 주행부(540d)를 포함할 수 있다. 안테나부(550)는 통신부(510)의 일부로 구성될 수 있다. 블록 510/530/540a~540d는 각각 도 4의 블록 410/430/440에 대응한다.
통신부(510)는 다른 차량, 기지국(예, 기지국, 노변 기지국(road side unit) 등), 서버 등의 외부 기기들과 신호(예, 데이터, 제어 신호 등)를 송수신할 수 있다. 제어부(520)는 차량 또는 자율 주행 차량(500)의 요소들을 제어하여 다양한 동작을 수행할 수 있다. 제어부(520)는 ECU(electronic control unit)를 포함할 수 있다.
도 6은 본 개시에 적용되는 AI 기기의 예시를 도시한 도면이다. 일 예로, AI 기기는 TV, 프로젝터, 스마트폰, PC, 노트북, 디지털방송용 단말기, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), 라디오, 세탁기, 냉장고, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.
도 6을 참조하면, AI 기기(600)는 통신부(610), 제어부(620), 메모리부(630), 입/출력부(640a/640b), 러닝 프로세서부(640c) 및 센서부(640d)를 포함할 수 있다. 블록 910~930/940a~940d는 각각 도 3의 블록 310~330/340에 대응할 수 있다.
통신부(610)는 유무선 통신 기술을 이용하여 다른 AI 기기(예, 도 1, 100x, 120, 140)나 AI 서버(도 1, 140) 등의 외부 기기들과 유무선 신호(예, 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등)를 송수신할 수 있다. 이를 위해, 통신부(610)는 메모리부(630) 내의 정보를 외부 기기로 전송하거나, 외부 기기로부터 수신된 신호를 메모리부(630)로 전달할 수 있다.
제어부(620)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 기기(600)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 제어부(620)는 AI 기기(600)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다. 예를 들어, 제어부(620)는 러닝 프로세서부(640c) 또는 메모리부(630)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 기기(600)의 구성 요소들을 제어할 수 있다. 또한, 제어부(920)는 AI 장치(600)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리부(630) 또는 러닝 프로세서부(640c)에 저장하거나, AI 서버(도 1, 140) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
메모리부(630)는 AI 기기(600)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예를 들어, 메모리부(630)는 입력부(640a)로부터 얻은 데이터, 통신부(610)로부터 얻은 데이터, 러닝 프로세서부(640c)의 출력 데이터, 및 센싱부(640)로부터 얻은 데이터를 저장할 수 있다. 또한, 메모리부(930)는 제어부(620)의 동작/실행에 필요한 제어 정보 및/또는 소프트웨어 코드를 저장할 수 있다.
입력부(640a)는 AI 기기(600)의 외부로부터 다양한 종류의 데이터를 획득할 수 있다. 예를 들어, 입력부(620)는 모델 학습을 위한 학습 데이터, 및 학습 모델이 적용될 입력 데이터 등을 획득할 수 있다. 입력부(640a)는 카메라, 마이크로폰 및/또는 사용자 입력부 등을 포함할 수 있다. 출력부(640b)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다. 출력부(640b)는 디스플레이부, 스피커 및/또는 햅틱 모듈 등을 포함할 수 있다. 센싱부(640)는 다양한 센서들을 이용하여 AI 기기(600)의 내부 정보, AI 기기(600)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 얻을 수 있다. 센싱부(640)는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰 및/또는 레이더 등을 포함할 수 있다.
러닝 프로세서부(640c)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 러닝 프로세서부(640c)는 AI 서버(도 1, 140)의 러닝 프로세서부와 함께 AI 프로세싱을 수행할 수 있다. 러닝 프로세서부(640c)는 통신부(610)를 통해 외부 기기로부터 수신된 정보, 및/또는 메모리부(630)에 저장된 정보를 처리할 수 있다. 또한, 러닝 프로세서부(940c)의 출력 값은 통신부(610)를 통해 외부 기기로 전송되거나/되고, 메모리부(630)에 저장될 수 있다.
6G 시스템의 핵심 구현 기술
- 인공 지능(artificial Intelligence, AI)
6G 시스템에 가장 중요하며, 새로 도입될 기술은 AI이다. 4G 시스템에는 AI가 관여하지 않았다. 5G 시스템은 부분 또는 매우 제한된 AI를 지원할 것이다. 그러나, 6G 시스템은 완전히 자동화를 위해 AI가 지원될 것이다. 머신 러닝의 발전은 6G에서 실시간 통신을 위해 보다 지능적인 네트워크를 만들 것이다. 통신에 AI를 도입하면 실시간 데이터 전송이 간소화되고 향상될 수 있다. AI는 수많은 분석을 사용하여 복잡한 대상 작업이 수행되는 방식을 결정할 수 있다. 즉, AI는 효율성을 높이고 처리 지연을 줄일 수 있다.
핸드 오버, 네트워크 선택, 자원 스케줄링과 같은 시간 소모적인 작업은 AI를 사용함으로써 즉시 수행될 수 있다. AI는 M2M, 기계-대-인간 및 인간-대-기계 통신에서도 중요한 역할을 할 수 있다. 또한, AI는 BCI(brain computer interface)에서 신속한 통신이 될 수 있다. AI 기반 통신 시스템은 메타 물질, 지능형 구조, 지능형 네트워크, 지능형 장치, 지능형 인지 라디오(radio), 자체 유지 무선 네트워크 및 머신 러닝에 의해 지원될 수 있다.
최근 AI를 무선 통신 시스템과 통합하려고 하는 시도들이 나타나고 있으나, 이는 어플리케이션 계층(application layer), 네트워크 계층(network layer) 특히, 딥 러닝은 무선 자원 관리 및 할당(wireless resource management and allocation) 분야에 집중되어 왔다. 그러나, 이러한 연구는 점점 MAC 계층 및 물리 계층으로 발전하고 있으며, 특히 물리계층에서 딥 러닝을 무선 전송(wireless transmission)과 결합하고자 하는 시도들이 나타나고 있다. AI 기반의 물리계층 전송은, 근본적인 신호 처리 및 통신 메커니즘에 있어서, 전통적인 통신 프레임워크가 아니라 AI 드라이버에 기초한 신호 처리 및 통신 메커니즘을 적용하는 것을 의미한다. 예를 들어, 딥러닝 기반의 채널 코딩 및 디코딩(channel coding and decoding), 딥러닝 기반의 신호 추정(estimation) 및 검출(detection), 딥러닝 기반의 MIMO(multiple input multiple output) 매커니즘(mechanism), AI 기반의 자원 스케줄링(scheduling) 및 할당(allocation) 등을 포함할 수 있다.
머신 러닝은 채널 추정 및 채널 트래킹을 위해 사용될 수 있으며, DL(downlink)의 물리 계층(physical layer)에서 전력 할당(power allocation), 간섭 제거(interference cancellation) 등에 사용될 수 있다. 또한, 머신 러닝은 MIMO 시스템에서 안테나 선택, 전력 제어(power control), 심볼 검출(symbol detection) 등에도 사용될 수 있다.
그러나 물리계층에서의 전송을 위한 DNN의 적용은 아래와 같은 문제점이 있을 수 있다.
딥러닝 기반의 AI 알고리즘은 훈련 파라미터를 최적화하기 위해 수많은 훈련 데이터가 필요하다. 그러나 특정 채널 환경에서의 데이터를 훈련 데이터로 획득하는데 있어서의 한계로 인해, 오프라인 상에서 많은 훈련 데이터를 사용한다. 이는 특정 채널 환경에서 훈련 데이터에 대한 정적 훈련(static training)은, 무선 채널의 동적 특성 및 다이버시티(diversity) 사이에 모순(contradiction)이 생길 수 있다.
또한, 현재 딥 러닝은 주로 실제 신호(real signal)을 대상으로 한다. 그러나, 무선 통신의 물리 계층의 신호들은 복소 신호(complex signal)이다. 무선 통신 신호의 특성을 매칭시키기 위해 복소(complex) 도메인 신호의 검출하는 신경망(neural network)에 대한 연구가 더 필요하다.
이하, 머신 러닝에 대해 보다 구체적으로 살펴본다.
머신 러닝은 사람이 할 수 있거나 혹은 하기 어려운 작업을 대신해낼 수 있는 기계를 만들어 내기 위해 기계를 학습시키는 일련의 동작을 의미한다. 머신 러닝을 위해서는 데이터와 러닝 모델이 필요하다. 머신 러닝에서 데이터의 학습 방법은 크게 3가지 즉, 지도 학습(supervised learning), 비지도 학습(unsupervised learning) 그리고 강화 학습(reinforcement learning)으로 구분될 수 있다.
신경망 학습은 출력의 오류를 최소화하기 위한 것이다. 신경망 학습은 반복적으로 학습 데이터를 신경망에 입력시키고 학습 데이터에 대한 신경망의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 신경망의 에러를 신경망의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation) 하여 신경망의 각 노드의 가중치를 업데이트하는 과정이다.
지도 학습은 학습 데이터에 정답이 라벨링된 학습 데이터를 사용하며 비지도 학습은 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 지도 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링된 데이터 일 수 있다. 라벨링된 학습 데이터가 신경망에 입력되고 신경망의 출력(카테고리)과 학습 데이터의 라벨을 비교하여 오차(error)가 계산될 수 있다. 계산된 오차는 신경망에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 신경망의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 신경망의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 신경망의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 신경망의 학습 초기에는 높은 학습률을 사용하여 신경망이 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다
데이터의 특징에 따라 학습 방법은 달라질 수 있다. 예를 들어, 통신 시스템 상에서 송신단에서 전송한 데이터를 수신단에서 정확하게 예측하는 것을 목적으로 하는 경우, 비지도 학습 또는 강화 학습 보다는 지도 학습을 이용하여 학습을 수행하는 것이 바람직하다.
러닝 모델은 인간의 뇌에 해당하는 것으로서, 가장 기본적인 선형 모델을 생각할 수 있으나, 인공 신경망(artificial neural networks)와 같은 복잡성이 높은 신경망 구조를 러닝 모델로 사용하는 머신 러닝의 패러다임을 딥러닝(deep learning)이라 한다.
학습(learning) 방식으로 사용하는 신경망 코어(neural network cord)는 크게 심층 신경망(deep neural networks, DNN), 합성곱 신경망(convolutional deep neural networks, CNN), 순환 신경망(recurrent boltzmann machine, RNN) 방식이 있으며, 이러한 러닝 모델이 적용될 수 있다.
하기에서는 상술한 바에 기초하여 AI/ML(artificial intelligence/machine learning) 모델에 기초하여 스플릿 포인트(split point)를 조정하는 방법에 대해 서술한다.
상술한 바에 기초하여, 대규모 양의 데이터들(바이오 센서를 통해 수집된 고차원 데이터, 대용량 이미지, 대용량 비디오)이 AI/ML 모델을 통해 생성, 수집 및 처리될 수 있다. 이때, 데이터 생성 및 수집을 위한 장치는 셀룰러(cellular) 사물 인터넷(internet of things, IoT) 장치일 수 있다.
도 7은 본 발명의 일 실시예에 따라 데이터 생성 및 수집과 관련한 자료를 나타낸 도면이다.
도 7a를 참고하면, 데이터의 생성 및 수집을 위한 Cellular IoT 연결량이 꾸준히 증가 추세임을 알 수 있다. 오늘날 Cellular IoT 장치의 개수 증가로 인하여 Cellular IoT 연결량이 증가하였다. 이에 따라 장치의 대규모 양의 데이터 확보 또한 가능해졌다. 장치는 AI/ML 모델을 통해 대용량의 고차원 데이터를 분류하고 예측할 수 있다. 다량의 데이터를 처리하기 위한 AI/ML 모델의 성능 또한 향상되고 있다.
도 7b를 참고하면, 그래프는 대규모 뉴럴 네트워크(large neural network, LNN), 중규모 뉴럴 네트워크(medium neural network, MNN), 소규모 뉴럴 네트워크(small neural network, SNN) 및 전통적 학습 알고리즘(traditional learning algorithm, TLA)의 데이터 양과 성능 간의 관계를 도시한다. 그래프의 가로축은 데이터의 양, 세로축은 성능을 표시한다. 데이터의 양이 적은 소규모 데이터의 훈련 세트(small training sets)들이 있는 곳에서는 LNN, MNN, SNN 및 TLA 모두 성능이 점진적으로 증가하는 모습을 보인다. 다만, 데이터 양이 늘어남에 따라 성능 향상이 둔화되는 시점이 TLA, SNN, MNN 순으로 설정되는 반면, LNN의 경우 다른 모델 대비 더 많은 데이터를 사용하면서도 성능 향상이 잘 되는 것을 볼 수 있다. 따라서 방대한 양의 데이터를 처리하기 위해서는 데이터 양에 맞게 성능이 향상될 수 있는 대규모의 AI/ML 모델이 필요함을 알 수 있다.
AI/ML 모델은 성능 향상을 위해 다량의 데이터를 이용하여 지속적으로 학습함으로써, 딥(deep)하고 와이드(wide)한 모델을 구축할 수 있다. 이에 따라 모델의 크기가 점점 증가하게 되며, 모델은 수백만 개의 파라미터(parameter)까지 포함할 수 있다.
대규모 데이터를 처리하기 위해 모델의 크기가 증가하게 되면, 다음과 같은 문제점이 발생한다.
데이터의 양이 증가함에 따라 모델은 트레이닝(training) 및 인퍼런스(inference)를 수행하기 위해 큰 처리능력(computing power)이 필요할 수 있다. 하지만, 각 장치들의 처리능력은 제한되어 있다. 장치가 처리할 수 있는 데이터의 한계를 초과하게 되면, 장치는 AI/ML 모델을 통하여 트레이닝 및 인퍼런스를 수행할 수 없다. 일 예로, 인퍼런스는 데이터를 네트워크에 통과시켜 입력에 따른 결과를 출력하는 과정일 수 있다. 일 예로, 인퍼런스는 적어도 하나의 레이어들에 대한 계산을 수행하는 과정일 수 있다. 또한, 일 예로, 트레이닝은 인퍼런스 결과를 정답과 비교하여, 추후 인퍼런스 수행시 인퍼런스 결과가 정답과 근접하거나, 또는 일치하도록 네트워크 내부의 변수들을 조정하는 과정일 수 있다.
또한 각 장치에서 생성되거나 또는 수집된 데이터를 서버(기지국)로 오프로딩(offloading)하는 경우, 다량의 데이터를 자원이 제한된 업링크(uplink)로 전송함에 따라 지연의 문제가 발생하거나, 과도한 업링크 대역폭(uplink bandwidth)을 설정해야 하는 문제가 발생할 수 있다. 또한 로우 데이터(raw data)의 전송으로 인하여 다양한 유형의 개인 정보 보호 문제가 발생할 수 있다.
따라서 대규모 데이터를 처리하는 AI/ML 장치의 지연 문제를 해결하고 개인 정보를 보호하기 위해, 장치와 네트워크 간 설정된 AI/ML 모델을 분할하여 수행하기 위한 스플릿 AI/ML 모델(split AI/ML model)을 구축하는 것이 필요할 수 있다.
도 8은 본 개시의 일 실시예에 따른, 스플릿 AI/ML 모델을 수행하는 시스템(800)의 예를 도시한다.
도 8을 참고하면, 시스템(800)은 서비스(물체 인식, 증강 현실)의 요구사항(계산 능력치, 지연 속도, 개인 정보 보호)에 따라 분할된 레이어(layer) 단위로 스플릿 인퍼런스(split inference)를 수행하기 위한 스플릿 AI/ML 모델을 장치 및 서버(기지국)에 할당할 수 있다. 이때, 장치에 할당된 스플릿 모델(810)은 스플릿 포인트(split point)(850)까지 전방향 전파(forward propagation)로 데이터 처리를 수행하고, 스플릿 포인트(850)까지 수행한 결과(output)인 중간 데이터(intermediate data)(820)를 서버에 할당된 스플릿 모델(840)로 전달할 수 있다. 즉, 스플릿 포인트(850)는 AI/ML 모델의 인퍼런스 수행이 분할 되는 지점이다. 일 예로, 장치 및 서버 간에 스플릿 AI/ML 모델이 구축되면, 장치는 스플릿 포인트까지의 레이어들에 대한 스플릿 인퍼런스(split inference)를 수행할 수 있고, 서버는 스플릿 포인트 이후로의 레이어들에 대한 스플릿 인퍼런스를 수행할 수 있다. 서버에 할당된 스플릿 모델(840)은 장치에 할당된 스플릿 모델로부터 수신한 중간 데이터(820)를 이용하여 스플릿 인퍼런스를 수행할 수 있다. 서버에 할당된 스플릿 모델(840)은 스플릿 인퍼런스 수행이 완료된 결과인 레이블(830)을 장치로 전달할 수 있다.
일 예로, 장치(810)는 서버로부터 레이블(830)을 수신하여 인퍼런스를 수행할 수 있다. 장치가 학습(learning)을 수행하는 경우, 서버로부터 중간 데이터(820)에 대한 로스 펑션(loss function)의 그래디언트(gradient)를 수신하여 역전파(back propagation) 절차를 수행할 수 있다. 스플릿 인퍼런스는 분할 인퍼런스, 부분 인퍼런스 또는 이와 동등한 기술적 의미를 가지는 다른 용어로 지칭될 수 있으며, 특정 명칭으로 한정되는 것은 아닐 수 있다. 다만, 설명의 편의를 위해 하기에서는 스플릿 인퍼런스를 기준으로 서술한다.
도 8에서 살펴본 바와 같이, 장치 및 서버가 스플릿 AI/ML 모델을 통해 스플릿 인퍼런스를 수행하기 위해서는 스플릿 포인트가 필요하다. 스플릿 포인트는 인퍼런스를 수행하는 모델이 장치 및 서버로 분할되는 지점일 수 있다. 일 예로, 초기 스플릿 포인트는 스플릿 모델이 학습이 완료된 시점에 설정될 수 있다. 도 8과 같은 스플릿 모델 형식을 바닐라 스플릿 모델(vanilla split modeling)이라 할 수 있다.
도 8의 바닐라 스플릿 모델에서 장치는 기지국으로 장치가 갖고 있는 로우 데이터는 전달하지 않지만 여전히 레이블은 전달해야하기 때문에, 장치들의 제어 및 모니터링 내용과 같은 중요한 정보가 포함된 레이블에 대한 프라이버시 문제가 발생할 수 있다. 이를 해결하기 위해서, 아래의 도 9와 같이 U자형의 스플릿 AI/ML 모델을 이용할 수 있다.
도 9는 본 개시의 일 실시예에 따른, U자형의 스플릿 AI/ML 모델이 적용된 시스템(900)의 예를 도시한다.
도 9를 참고하면, 시스템(900)은 분할된 레이어 단위로 스플릿 인퍼런스를 수행하기 위한 스플릿 AI/ML 모델을 장치(910) 및 기지국(920)에 할당할 수 있다. 이때 시스템(900)은 기지국(920)이 아닌 장치(910)가 레이블(932)을 획득하도록 2개의 스플릿 포인트(940, 942) 설정하여 U자형의 스플릿 AI/ML 모델을 구현할 수 있다. 일 예로, 장치(910)에 할당된 스플릿 AI/ML 모델은 인풋 데이터(input data)(930)를 이용하여 인풋 레이어부터 제1 스플릿 포인트(940)까지의 레이어들에 대한 인퍼런스를 수행할 수 있다. 장치(910)는 인퍼런스 결과로서 제1 중간 데이터를 생성할 수 있고, 제1 중간 데이터를 기지국(920)으로 송신할 수 있다. 기지국(920)에 할당된 스플릿 AI/ML 모델은 장치(910)로부터 수신한 제1 중간 데이터를 이용하여 제1 스플릿 포인트(940)부터 제2 스플릿 포인트(942)까지의 레이어들에 대한 인퍼런스를 수행할 수 있다. 기지국(920)은 인퍼런스 결과로서 제2 중간 데이터를 생성할 수 있고, 제2 중간 데이터를 장치(910)로 송신할 수 있다. 이후 장치(910)에 할당된 스플릿 AI/ML 모델은 기지국(920)으로부터 수신한 제2 중간 데이터를 이용하여 제2 스플릿 포인트(942)부터 아웃풋 레이어까지 인퍼런스를 수행할 수 있다. 장치(910)는 인퍼런스 완료 결과로서 레이블(932)을 생성할 수 있다. 이경우 기지국(920)이 아닌 장치(910)에서 레이블(932)을 획득하므로 레이블(932)에 대한 프라이버시 문제를 해결할 수 있다.
AI/ML 모델을 분할하기 위한 위치인 스플릿 포인트는 스플릿 엔진(split engine)을 통해 결정될 수 있다. 스플릿 엔진은 장치로부터 서버에 업링크로 전송하는 중간 데이터의 크기 및 장치에서 스플릿 포인트까지의 레이어들을 계산하는데 필요한 계산 요구량을 수신하여 스플릿 포인트를 변경해야 하는 경우를 판단하고 스플릿 포인트를 조정할 수 있다. 스플릿 엔진은 판단 결과 및 조정 결과를 장치와 서버에 통지하고, 장치 및 서버는 조정된 스플릿 포인트에 따라 인퍼런스를 수행한다.
도 10은 본 개시의 일 실시예에 따른 스플릿 엔진의 스플릿 포인트 결정을 위한 동작의 예를 도시한다.
도 10을 참고하면, 장치(1030)는 장치에 할당된 스플릿 AI/ML 모델을 이용한 스플릿 인퍼런스(1032)를 수행함으로써 중간 데이터(1040)를 생성할 수 있다. 장치(1030)는 생성된 중간 데이터(1040)를 서버(1010)에 송신할 수 있다. 서버(1010)는 수신한 중간 데이터(1040)를 이용하여 네트워크에 할당된 스플릿 AI/ML 모델을 이용한 스플릿 인퍼런스(1012)를 수행할 수 있다.
스플릿 엔진(1020)은 중간 데이터(1040)의 크기 및 장치(1030)가 스플릿 포인트까지의 레이어들에 대한 계산을 하는데 필요한 계산 요구량에 기반하여 스플릿 포인트를 조정할 수 있다. 일 예로, 스플릿 엔진(1020)은 장치(1030)가 기존보다 더 많은 레이어들에 대한 스플릿 인퍼런스를 수행하는데 적합하다고 판단하면 스플릿 포인트를 아웃풋 레이어(output layer) 방향으로 조정할 수 있다. 또한 스플릿 엔진(1020)은 서버(1010)가 기존보다 더 많은 레이어들에 대한 스플릿 인퍼런스를 수행하는데 적합하다고 판단하면 스플릿 포인트를 인풋 레이어(input layer) 방향으로 조정할 수 있다.
도 10에서 살펴본 스플릿 엔진을 이용하여 스플릿 포인트를 결정하는 방법은 도 8의 바닐라 스플릿 AI/ML 모델을 기준으로하여 설계된 것이다. 따라서 바닐라 스플릿 AI/ML 모델에서 스플릿 엔진을 이용하여 스플릿 포인트를 결정하는 경우, 장치가 업링크를 통해 기지국으로 전달하는 중간 데이터만이 고려될 수 있다. U자형의 스플릿 AI/ML 모델은 스플릿 포인트를 결정 및 조정함에 있어서 바닐라 스플릿 AI/ML 모델과는 다르게, 장치가 업링크를 통해 기지국으로 전달하는 중간 데이터뿐만 아니라 기지국이 다운링크(downlink)를 통해 장치로 전달하는 중간 데이터 또한 고려됨이 필요하다.
스플릿 엔진은 중간 데이터의 크기 및 장치가 인풋 레이어(input layer)부터 스플릿 포인트까지의 레이어들에 대한 계산을 하는데 필요한 계산 요구량에 기반하여 스플릿 포인트를 반 정적(semi-static)으로 조정할 수 있다. 장치 및 기지국이 실시간 통신으로 스플릿 인퍼런스를 수행하는 경우 통신 성능 및 정보의 최신성은 중간 데이터들의 전송 상태에 따라 좌우될 수 있다. 스플릿 엔진을 이용하여 스플릿 포인트를 조정하는 방법은 주기적, 연속적으로 전달되는 중간 데이터의 실시간 환경을 반영하기 어려울 수 있다.
스플릿 인퍼런스를 수행하는 과정에서 정보의 최신성을 유지하기 위해서는 소스(source)에서 목적지(destination)로 전달되는 데이터의 시기적절함(timeliness) 또는 신선도(freshness)를 정량화하여, 정량화된 값에 기초하여 통신을 수행하는 것이 필요할 수 있다. 데이터의 최신성을 정량화하기 위해서는 데이터의 전송에 의한 지연시간 및 처리량 외에도 패킷 손실로 인한 지연 시간, 소스에서의 큐잉(queueing) 지연시간 또는 버퍼(buffer)를 고려하는 것이 필요할 수 있다. AoI(Age of information)은 목적지에서 수신된 인퍼런스 결과 정보인 중간 데이터의 신선도를 평가하기 위한 성능 지표이다.
이에 따라 본 개시는 장치 및 기지국이 U자형의 스플릿 AI/ML 모델을 통해 인퍼런스를 수행하는 경우, 최신의 정보를 유지할 수 있도록 장치 및 기지국 간에 업링크 및 다운링크로 전달되는 중간 데이터의 AoI(Age of Information)에 기반하여 스플릿 포인트를 조정하는 방안에 대해 제안한다.
이하 U자형의 스플릿 AI/ML 모델에서 스플릿 조정을 위한 지표가 되는 AoI에 대해 기술한다. AoI는 에이지(age) 또는 이와 동등한 기술적 의미를 가지는 다른 용어로 지칭될 수 있으며, 특정 명칭으로 한정되는 것은 아닐 수 있다.
AoI는 데이터의 생성 시간과 데이터의 사용 시간 간의 차이이다. AoI(
)는 하기 수학식 1과 같을 수 있다.
[수학식 1]
도 11은 본 개시의 일 실시예에 따른 AoI를 측정하는 예를 도시한다.
도 11을 참고하면, AoI(
)(1110)를 결정하는데 기여하는 두 가지 요소는 패킷 딜레이(packet delay)(1120, 1122) 및 인터 딜리버리 타임(inter-delivery time)(1130)일 수 있다. 일 예로, 패킷 딜레이(1120, 1122)는 패킷(1150) 생성부터 전달까지 경과된 시간이고, 인터 딜리버리 타임(1130)은 패킷(1150)이 수신측(1140)에 전달된 후 새로운 패킷(1150)이 수신측(1140)에 전달될 때까지 걸린 시간일 수 있다. 패킷 딜레이(1120, 1122)는 프로세싱 딜레이(processing delay), 큐잉 딜레이(queueing delay), 트랜스미션 딜레이(transmission delay) 및 프로파게이션 딜레이(propagation delay) 중 적어도 하나를 포함할 수 있다. 일 예로, 시스템은 AoI(
)(1110)를 수신측(1140)에게 패킷(1150)이 전달될 때까지 선형적으로 증가시킬 수 있다. 일 예로, 시스템은 패킷(1150)이 수신측(1140)에 도착하면 AoI(
)(1110)를 패킷 딜레이(1120, 1122)만큼까지 감소시킬 수 있다.
장치 및 기지국이 U자형의 스플릿 AI/ML 모델을 통해 스플릿 인퍼런스를 수행하는 과정에서 정보의 최신성을 유지하기 위해 AoI를 최소화하는 방향으로 시스템을 구성함이 필요하다. 하기 표 1은 고정된 서비스 레이트(service rate) 
및 가변적인 어라이벌 레이트(arrival rate) 
를 갖는 M/M/1 큐(queue)의 패킷 딜레이 및 인터 딜리버리 타임에 따른 평균 AoI를 예시한다.
 (pkt/sec) |
 (sec) |
 (sec) |
Average AoI (Sec) |
|
| ① | 0.01 | 1.01 | 100.00 | 101.00 |
| ② | 0.53 | 2.13 | 1.89 | 3.48 |
| ③ | 0.99 | 100.00 | 1.01 | 100.02 |
표 1을 참고하면, 높은 인터 딜리버리 타임을 갖는 ① 및 높은 패킷 딜레이를 갖는 ③은 각각 패킷 딜레이 및 인터 딜리버리 타임이 낮음에도 높은 평균 AoI를 가진다. 최소 평균 AoI를 갖는 ②는 패킷 딜레이 및 인터 딜리버리 타임이 모두 낮다. 즉, 작은 AoI를 갖기 위해서는 패킷 딜레이 및 인터 딜리버리 타임 두가지 지표 모두를 고려해야함을 알 수 있다. 지연 시간이 적은 패킷이 주기적으로 전달될 때 작은 AoI로 인하여 향상된 통신 성능을 얻을 수 있다. 즉, 최소의 AoI값을 ‘주기적으로’ 유지(해당 intermediate data의 freshness가 높아짐, 즉 데이터의 나이가 적게 유지됨))하는 것이 중요하다.수신측에서 정보의 상태를 최신으로 유지하고 통신 성능을 향상시키는 방법은 평균 AoI를 최소화하는 것이다. 이하에서는 U자형의 AI/ML 모델에서 정보의 최신성을 위해 스플릿 포인트를 조정하는데 기준이 되는 지표인 AoI를 계산하는 방법에 대해 기술한다.
AoI를 계산하고 최소화하는 것은 제공하는 서비스의 어플리케이션(application)에 따라 수학적으로 매우 복잡할 수 있다. 따라서 장치 및 기지국은 수신측에서 정보가 수신되기 직전의 최대 AoI 값을 측정한 PAoI(Peak Age of Information)를 스플릿 포인트 조정을 위해 활용할 수 있다. 장치 및 기지국은 PAoI 및 임의로 설정된 스레스홀드(threshold) 값을 비교하여 스플릿 포인트를 조정할 수 있다.
AoI의 증가하는 형태가 선형적이지 않은 경우 CoUD(Cost of Update Delay) 메트릭을 이용할 수 있다. 일 예로, CoUD(Cost of Update Delay, C(t))는 수신측에서의 정보의 오래됨(staleness)으로 인한 “불만”수준이나, 새로운 정보를 위한 “필요”수 준을 모델링하는 메트릭일 수 있다. CoUD 메트릭은 제공하려는 서비스마다, 또는 서비스에 적용되는 어플리케이션마다 상이할 수 있다. CoUD는 하기 수학식 2와 같다.
[수학식 2]
즉, CoUD 
는 AoI에 대한 수학식 1에 감소하지 않는 비선형 함수인 
를 적용한 것이다.
도 12는 본 개시의 일 실시예에 따른 CoUD 메트릭을 이용하여 AoI를 측정하는 예를 도시한다.
도 12를 참고하면, 비선형적인 CoUD 메트릭을 적용한 그래프의 예를 확인할 수 있다. 이때, AoI(
)는 하기와 같은 수학식 3으로 표현될 수 있다.
[수학식 3]
즉, AoI(
)에 서비스에 따른 비선형 함수 
를 적용하여 CoUD를 통해 정보의 노화가 선형적이지 않은 AoI를 측정할 수 있다. CoUD 메트릭은 제공하는 서비스에 따른 어플리케이션에 따라 다르게 설정할 수 있다. 일 예로, CoUD 메트릭을 통해 어플리케이션에서 획득한 정보에 대한 AoI를 측정할 수 있다.
데이터의 보안을 위해 U자형의 스플릿 모델을 적용한 시스템에서는 다수의 장치들이 기지국과 인퍼런스를 수행할 수 있고, 기지국과 업링크 및 다운링크로 통신하는 각각의 장치들의 무선상 환경이 상이할 수 있다. 따라서 U자형의 스플릿 모델을 적용한 시스템에서 장치 및 기지국이 스플릿 포인트를 조정할 때는 단순히 선형적(linear)으로 증가하는 AoI(
)가 아닌 서비스의 어플리케이션 링크(link)에 맞는 CoUD 메트릭을 적용한 
를 이용할 수 있다.
도 13은 본 개시의 일 실시예에 따른 VGG-16 모델의 후보자 스플릿 포인트(candidate split point) 설정에 따른 장치의 통신 성능 평가를 나타낸 그래프의 예를 도시한다.
도 13을 참고하면, VGG-16 모델이 30FPS(Frame Per Seconds)에서 동작할 때 스플릿 모델을 적용하기 위한 후보자 스플릿 포인트 설정에 따른 장치의 통신 성능을 알 수 있다. 표 2는 VGG-16 모델이 30FPS에서 동작할 때 설정된 후보자 스플릿 포인트에 따라 요구되는 업링크 데이터 레이트 및 장치에서의 인퍼런스 레이턴시(split inference latency)를 예시한다. 표 2는 227x227 인풋 이미지에 기반한 결과이다.
| Split point | Approximate output data size (MByte) | Required UL data rate (Mbps) @30FPS |
Device-side inference latency (ms) @33FPS |
| Candidate split point 0 (Cloud-based inference) |
0.6 | 145 | N/A |
| Candidate split point 1(after pool1 layer) | 3 | 720 | 55 |
| Candidate split point 2(after pool2 layer) | 1.5 | 360 | 115 |
| Candidate split point 3(after pool3 layer) | 0.8 | 192 | 240 |
| Candidate split point 4(after pool4 layer) | 0.5 | 120 | 390 |
| Candidate split point 5(after pool5 layer) | 0.1 | 24 | 470 |
| Candidate split point 6 (Device-based inference) |
N/A | N/A | 730 |
도 13 및 표 2을 살펴보면, 설정된 스플릿 포인트에 따라 장치가 스플릿 인퍼런스를 수행하여 생성한 중간 데이터의 크기, 생성한 중간 데이터를 기지국으로 전달하기 위한 무선상의 업링크 데이터 레이트 및 장치에서의 스플릿 인퍼런스 레이턴시가 상이함을 알 수 있다. 이는 장치와 기지국이 스플릿 AI/ML 모델을 통한 스플릿 인퍼런스를 수행할 때 상기 언급한 세가지 요소들을 모두 고려해야함을 의미한다. 또한 일반적으로 무선상 환경은 로지(lossy)한 환경이기 때문에 중간 데이터를 무선상으로 전달함으로써 생성되는 왜곡(distortion) 및 에러(error)를 고려해야 한다.
다만, 제공하려는 서비스의 어플리케이션에 따라 위에 언급한 여러 요소들을 모두 고려하여 스플릿 AI/ML 모델에서 스플릿 포인트를 조정하면 장치의 컴퓨팅 파워(computing power)에 비해 과도한 버든(burden)이 발생할 수 있다. 또한 기지국은 다수의 장치들과 N:1로 연결될 수 있기 때문에, 앞서 언급한 여러 요소들을 고려하여 각 장치마다 중간 데이터를 송수신하기 위한 스플릿 포인트를 조정하면 기지국의 컴퓨팅 파워에 비해 과도한 버든이 발생할 수 있다. U자형의 스플릿 AI/ML 모델 시스템에서 장치 및 기지국은 업링크 및 다운링크를 통해 전송되는 중간 데이터를 이용하여 인퍼런스를 수행하기 때문에 중간 데이터의 AoI가 인퍼런스 수행에 중요한 영향을 미친다. 따라서 장치 및 기지국의 과다한 버든 및 데이터의 로스를 방지하기 위하여 중간 데이터의 최신성/신선함을 나타내는 지표인 AoI를 이용하여 스플릿 포인트를 조정할 수 있다.
본 개시는 다수의 장치와 기지국 간 U자형의 스플릿 AI/ML 모델을 통해 스플릿 인퍼런스를 수행하는 상황에서, 인퍼런스 결과의 최신성/신선함을 향상시키기 위해 장치와 기지국 간에 업링크/다운링크를 통해 전달되는 중간 데이터의 AoI에 기반하여 스플릿 포인트를 조정하는 방안에 대해 제안한다.
도 14는 본 개시의 일 실시예에 따른 U자형의 스플릿 AI/ML 모델을 지원하는 시스템(1400)의 예를 도시한다.
도 14를 참고하면, 시스템(1400)은 복수의 장치(1410, 1412, 1414) 및 기지국(1420)을 포함할 수 있다. 일 예로, 복수의 장치(1410, 1412, 1414) 및 기지국(1420) 각각에는 스플릿 AI/ML 모델을 지원하는 AI/ML 모델이 탑재되어 있으며, 각각의 장치(1410, 1412, 1414) 및 기지국(1420)은 전체 AI/ML 모델을 보유할 수 있다. 일 예로, 기지국(1420)은 U자형의 스플릿 AI/ML 모델을 이용하여 서비스(장치들의 제어 및 상태 모니터링)를 제공하기 위하여, 초기 설정된 두 개의 스플릿 포인트 및 업링크/다운링크를 통해 전달되는 중간 데이터의 비선형적으로 증가하는 AoI를 계산하기 위해 사용되는 CoUD 메트릭의 감소하지 않는 비선형 함수 
를 각각의 장치들(1410, 1412, 1414)에게 전달할 수 있다. 일 예로, 
는 서비스에 따라 다르게 설정될 수 있으므로, 각각의 장치들 및 기지국은 다른 
가 설정될 수 있다.장치(1410, 1412, 1414) 및 기지국(1420)은 러닝(learning)을 수행한 후, 인퍼런스를 수행하는 시점부터 CoUD 메트릭을 적용하여 측정한 중간 데이터의 AoI에 기초하여 스플릿 포인트를 조정할 수 있다.
도 15는 본 개시의 일 실시예에 따른 U자형의 AI/ML 스플릿 모델(1500)에서 스플릿 포인트를 조정하는 동작의 예를 도시한다.
도 15를 참고하면, 장치(1510) 및 기지국(1520)은 제1 스플릿 포인트(1550) 및 제2 스플릿 포인트(1552) 설정에 의해 형성된 U자형의 스플릿 인퍼런스를 수행할 수 있다. 일 예로, 제1 스플릿 포인트(1550)는 장치(1510) 및 기지국(1520) 간에 설정된 첫 번째 스플릿 포인트일 수 있다. 제2 스플릿 포인트(1552)는 제1 스플릿 포인트(1550)에서 아웃풋 레이어(output layer) 방향으로 기지국(1520) 및 장치(1510) 간에 설정된 또 다른 스플릿 포인트일 수 있다. 장치(1510) 및 기지국(1520)은 각각 할당된 스플릿 AI/ML 모델을 통하여 U자형의 스플릿 인퍼런스를 수행할 수 있다. 일 예로, 장치(1510)는 인풋 레이어부터 제1 스플릿 포인트(1550)까지의 레이어들에 대한 스플릿 인퍼런스를 수행할 수 있다. 장치(1510)는 제1 스플릿 포인트(1550)까지 스플릿 인퍼런스를 수행한 결과로서 제1 중간 데이터(1560)를 생성할 수 있다. 장치(1510)는 생성한 제1 중간 데이터(1560)를 기지국(1520)에게 송신할 수 있다. 기지국(1520)은 장치(1510)로부터 수신한 제1 중간 데이터(1560)를 이용하여 제1 스플릿 포인트(1550)부터 제2 스플릿 포인트(1552)까지의 레리어들에 대한 스플릿 인퍼런스를 수행할 수 있다. 기지국(1520)은 제2 스플릿 포인트(1540)까지 스플릿 인퍼런스를 수행한 결과로서 제2 중간 데이터(1562)를 생성할 수 있다. 기지국(1520)은 생성한 제2 중간 데이터(1562)를 장치(1510)에게 송신할 수 있다. 장치(1510)는 기지국(1520)으로부터 수신한 제2 중간 데이터(1562)를 이용하여 제2 스플릿 포인트(1552)부터 아웃풋 레이어까지의 레이어들에 대한 스플릿 인퍼런스를 수행할 수 있다.
일 예로, 초기 설정 이후 장치(1510) 및 기지국(1520)에게는 U자형의 인퍼런스 수행을 위한 AI/ML 스플릿 모델이 할당될 수 있다. 장치(1510) 및 기지국(1520)은 할당된 AI/ML 스플릿 모델을 통해 각각 인퍼런스를 수행할 수 있다.
장치(1510) 및 기지국(1520)은 AoI를 최소화하여 최신의 정보를 유지하기 위하여 스플릿 포인트를 조정할 수 있다. 장치(1510) 및 기지국(1520)은 스플릿 포인트 조정의 기준이 되는 AoI를 측정할 수 있다. 일 예로, 장치(1510) 및 기지국(1520)은 AoI 계산의 단순화를 위하여 각각 중간 데이터를 수신한 시점에서의 AoI의 최대값인 PAoI를 측정할 수 있다. 일 예로, 장치(1510)는 인풋 레이어(1530)부터 제1 스플릿 포인트(1550)까지의 레이어들에 대한 인퍼런스 결과인 제1 중간 데이터(1560)를 기지국(1520)에 업링크로 전송한 시점에서 AoI를 증가시킬 수 있다. 장치(1510)는 기지국(1520)이 제1 스플릿 포인트(1550)부터 제2 스플릿 포인트(1552)까지의 레이어들에 대한 인퍼런스 결과인 제2 중간 데이터(1562)를 다운링크로 수신한 시점에서 CoUD 메트릭 결과인 
를 확인할 수 있다. 장치(1510)가 제2 중간 데이터(1562)를 수신한 시점에서 계산한 
은 하기 수학식 4과 같다.
[수학식 4]
수학식 4에서 
은 시간 t에서 기지국(1520)이 가장 최근에 업링크를 통해 장치(1510)로부터 제1 중간 데이터(1560)를 수신한 시간일 수 있다. 이때 
은 가장 신선한(freshness) 시간일 수 있다.
일 예로, 기지국(1520)은 U자형의 스플릿 인퍼런스 동작이 시작되는 시점에서 AoI를 증가시킬 수 있다. 기지국(1520)은 장치(1510)가 업링크를 통해 전송한 제1 중간 데이터(1560)를 수신한 시점의 CoUD 메트릭 결과인 
를 확인할 수 있다. 기지국(1520)이 제1 중간 데이터(1560)를 수신한 시점에서 계산한 
은 하기 수학식 5와 같다.
[수학식 5]
수학식 5에서 
은 시간 t에서 가장 최근에 센서 등으로부터 수집/생성된 장치(1510)의 로우 데이터가 인풋 레이어로 전달된 시간일 수 있다. 이때 
는 가장 신선한 시간일 수 있다.
장치(1510) 및 기지국(1520)은 측정된 AoI에 따라 스플릿 포인트를 조정할 수 있다. 스플릿 포인트는 초기 설정된 두 개의 스플릿 포인트의 수를 유지하면서 조정될 수 있다. 이때 초기에 설정된 두 개의 스플릿 포인트에 따라 스플릿 인퍼런스를 수행할 경우, 업링크/다운링크를 통해 전달되는 제1 중간 데이터(1560) 및 제2 중간 데이터(1562)가 최소의 AoI를 유지하여 최신의 데이터가 전달된다고 가정한다. 일 예로, 스플릿 포인트를 전체 모델 기준으로 인풋 레이어(1530) 방향으로 조정하는 경우, 장치가 로우 데이터에 대한 프라이버시를 보존하기 위해 액티베이션 펑션(activation function)을 최소 한 번은 거칠 수 있는 은닉 레이어까지만 스플릿 포인트를 조정할 수 있다. 일 예로, 스플릿 포인트를 전체 모델 기준으로 아웃풋 레이어(1540) 방향으로 조정하는 경우, U자형의 스플릿 AI/ML 모델의 구조를 유지하기 위해 아웃풋 레이어(1540) 전까지만 스플릿 포인트를 조정할 수 있다.
일 예로, U자형의 스플릿 AI/ML 모델에서 기지국이 스플릿 포인트를 조정하는 절차는 다음과 같을 수 있다.
기지국은 U자형의 스플릿 인퍼런스를 수행하기 위해 초기 설정된 CoUD 메트릭에 기초하여 스레스홀드 값 
을 설정할 수 있다. 
은 장치와 기지국 간에 초기 설정된 제1 스플릿 포인트까지의 장치의 인퍼런스 레이턴시 및 업링크를 통해 기지국으로 전달되는 제1 중간 데이터의 로스율을 고려하여 설정될 수 있다.
이후 기지국은 장치가 업링크를 통해 송신한 스플릿 포인트 조정을 위해 필요한 정보를 수신할 수 있다. 스플릿 포인트 조정을 위해 필요한 정보는 센서, 모니터 등에 의해 수집/생성된 데이터가 인풋 레이어로 전달된 시점에 대한 정보, 장치가 인풋 레이어부터 제1 스플릿 포인트까지의 레이어들에 대해 인퍼런스를 수행하여 생성한 결과인 제1 중간 데이터, 및 기지국이 제1 스플릿 포인트부터 제2 스플릿 포인트까지의 레이어들에 대한 인퍼런스를 수행하여 생성한 결과인 제2 중간 데이터의 AoI 측정값에 기반하여 조정된 제2 스플릿 포인트의 위치 정보 중 적어도 하나를 포함할 수 있다. 이때 기지국이 처음 스플릿 포인트 조정 절차를 수행하는 경우, 초기 설정된 제2 스플릿 포인트는 조정되지 않았으므로 제2 스플릿 포인트의 위치 정보는 기지국이 수신하지 않을 수 있다.
기지국은 장치로부터 스플릿 인퍼런스를 위해 필요한 정보가 수신된 시점의 CoUD 메트릭을 통해 PAoI를 확인할 수 있다. 기지국은 확인된 PAoI 값 및 스레스홀드 값을 비교한 결과에 따라 제1 스플릿 포인트를 조정할 수 있다. 또한 기지국은 장치로부터 수신한 정보들 및 제1 중간 데이터에 기초하여 스플릿 인퍼런스를 수행할 수 있다.
기지국은 전체 스플릿 AI/ML 모델을 보유하고 있기 때문에, 장치가 제1 스플릿 포인트까지 스플릿 인퍼런스를 수행한 결과인 제1 중간 데이터의 크기를 알 수 있다. 따라서 기지국은 다운링크를 통해 장치로 제1 중간 데이터의 수신 시점에 대한 정보 및 기지국이 인퍼런스를 수행한 결과인 제2 중간 데이터를 전달할 때, 조정된 제1 스플릿 포인트의 위치 정보 및 장치가 다음 업링크로 전송할 수 있는 자원을 함께 전달할 수 있다.
도 16은 본 개시의 일 실시예에 따른 U자형의 스플릿 AI/ML 모델에서 기지국이 제1 스플릿 포인트를 조정하는 동작의 예를 도시한다.
도 16a를 참고하면, 기지국은 
(1610) 및 PAoI(1620)을 비교한 결과에 따라 제1 스플릿 포인트를 조정할 수 있다. 일 예로 기지국은 
(1610)에 따라 제1 스플릿 포인트를 아웃풋 레이어 방향 또는 인풋 레이어 방향으로 조정하거나, 또는 유지할 수 있다. 일 예로, 기지국은 PAoI(1620) 값이 
(1610) 값보다 작은 구간에 속한다면 제1 스플릿 포인트를 아웃풋 레이어 방향으로 이동시키거나, 또는 유지할 수 있다. 일 예로, 기지국은 제1 스플릿 포인트가 첫 번째 은닉 레이어 이후에 위치한 상태에서 PAoI(1620) 값이 
(1610) 값보다 작은 구간에 속한다면 제1 스플릿 포인트를 유지할 수 있다. 일 예로, 기지국은 PAoI(1620) 값이 
값보다 큰 구간에 속한다면 제1 스플릿 포인트를 인풋 레이어 방향으로 이동시키거나, 또는 유지할 수 있다. 제1 스플릿 포인트의 위치는 하기 수학식 6에 해당되도록 결정될 수 있다. 즉, 제1 스플릿 포인트의 위치는 인풋 레이어 이후부터 제2 스플릿 포인트 이전 사이에서 결정될 수 있다.
[수학식 6]
1st hidden layer ≤ Split point 1 위치 < Split point 2 위치
도 16b를 참고하면, 비선형적으로 증가하는 AoI의 시간에 따른 변화의 예시를 확인할 수 있다. 기지국이 장치의 스플릿 인퍼런스 수행 결과인 제1 중간 데이터를 수신한 때에 측정하고 있는 AoI는, 제1 중간 데이터의 패킷 딜레이만큼까지 감소한 후, 또 다른 제1 중간 데이터가 수신되기 전까지 점진적으로 증가할 수 있다.
일 예로, U자형의 스플릿 AI/ML 모델에서 장치가 스플릿 포인트를 조정하는 절차는 다음과 같을 수 있다.
장치는 U자형의 스플릿 인퍼런스를 수행하기 위해 기지국으로부터 수신한 초기 설정된 CoUD 메트릭 기반하여 스레스홀드 값 
을 설정할 수 있다. 
은 초기 설정된 기지국의 스플릿 인퍼런스 레이턴시 및 다운링크를 통해 장치로 전달되는 기지국의 인퍼런스 수행 결과인 제2 중간 데이터의 로스율을 고려하여 설정될 수 있다.
이후 장치는 스플릿 포인트 조정을 위해 필요한 정보를 업링크를 통해 기지국으로 송신할 수 있다. 스플릿 포인트 조정을 위해 필요한 정보는 센서, 모니터 등의 장치에 의해 수집/생성된 데이터가 인풋 레이어로 전달된 시점에 대한 정보, 장치가 인풋 레이어부터 제1 스플릿 포인트까지의 레이어들에 대해 인퍼런스를 수행하여 생성한 결과인 제1 중간 데이터, 및 기지국이 제1 스플릿 포인트부터 제2 스플릿 포인트까지의 레이어들에 대한 인퍼런스를 수행하여 생성한 결과인 제2 중간 데이터의 AoI 값에 기초하여 조정된 제2 스플릿 포인트의 위치 정보 중 적어도 하나를 포함할 수 있다. 이때 기지국이 처음 스플릿 포인트 조정 절차를 수행하는 경우, 제2 스플릿 포인트는 조정되지 않고 초기 설정이 유지되므로 조정된 제2 스플릿 포인트의 위치 정보는 기지국이 수신하지 않을 수 있다.
이후, 장치는 기지국으로부터 제1 중간 데이터의 수신 시점에 대한 정보 및 기지국이 인퍼런스를 수행한 결과인 제2 중간 데이터 및 조정된 제1 스플릿 포인트의 위치 정보를 수신할 수 있다. 이때, 장치는 다운링크를 통해 기지국으로부터 제2 중간 데이터를 수신한 시점의 CoUD 메트릭을 통해 PAoI를 확인할 수 있다. 장치는 확인된 PAoI 값 및 스레스홀드 값을 비교한 결과에 따라 제2 스플릿 포인트를 조정할 수 있다. 또한 장치는 기지국이 제1 중간 데이터를 수신한 시점 및 기지국이 할당된 일부 레이어들에 대해 스플릿 인퍼런스를 수행한 결과인 제2 중간 데이터를 기지국으로부터 수신한 경우, 제2 중간 데이터를 이용하여 제2 스플릿 포인트부터 아웃풋 레이어까지의 레이어들에 대한 스플릿 인퍼런스를 수행할 수 있다.
장치는 제2 스플릿 포인트 조정 여부를 결정하면서, 기지국으로부터 수신한 조정된 제1 스플릿 포인트의 위치를 고려하여 새로운 로우 데이터에 대한 스플릿 인퍼런스를 수행하고 새로운 제1 중간 데이터를 생성할 수 있다. 이후 장치는 기지국으로 새로운 로우 데이터가 인풋 레이어로 전달된 시점에 대한 정보, 새로운 제1 중간 데이터 및 조정한 제2 스플릿 포인트의 위치 데이터를 기지국으로 전송할 수 있다.
도 17은 본 개시의 일 실시예에 따른 U자형의 스플릿 AI/ML 모델에서 장치가 제2 스플릿 포인트를 조정하는 동작의 예를 도시한다.
도 17a를 참고하면, 장치는 
(1710) 및 PAoI(1720)을 비교한 결과에 따라 제2 스플릿 포인트를 조정할 수 있다. 일 예로 장치는 
(1710)에 따라 제2 스플릿 포인트를 아웃풋 레이어 방향 또는 인풋 레이어 방향으로 조정하거나, 또는 유지할 수 있다. 일 예로, 장치는 PAoI(1720) 값이 
(1710)값보다 큰 구간에 속한다면 제2 스플릿 포인트를 인풋 레이어 방향으로 이동시키거나, 또는 유지할 수 있다. 즉, 제2 스플릿 포인트는 좌측으로 이동할 수 있다. 일 예로, 장치는 PAoI(1720) 값이 
값보다 작은 구간에 속한다면 제2 스플릿 포인트를 아웃풋 레이어 방향으로 이동시키거나, 또는 유지할 수 있다. 즉, 제 2 스플릿 포인트는 우측으로 이동할 수 있다. 이때, 일 예로, 제2 스플릿 포인트가 아웃풋 레이어 직전에 위치한 상태에서 PAoI(1720) 값이 
값보다 작은 구간에 포함된 경우(즉, 우측 이동으로 조정되는 구간에 포함), 제2 스플릿 포인트는 아웃풋 레이어 방향으로 이동하지 않고, 유지될 수 있다.
제2 스플릿 포인트의 위치는 하기 수학식 7에 해당되도록 결정될 수 있다. 즉, 제2 스플릿 포인트의 위치는 제2 스플릿 포인트 이후부터 아웃풋 레이어 이전 사이에서 결정될 수 있다.
[수학식 7]
Split point 1 위치 < Split point 2 위치 < Output layer
도 17b를 참고하면, 비선형적으로 증가하는 AoI의 시간에 따른 변화의 예시를 확인할 수 있다. 장치가 기지국의 스플릿 인퍼런스 결과인 제2 중간 데이터를 수신한 때에 측정하고 있는 AoI는, 제2 중간 데이터의 패킷 딜레이만큼까지 감소한 후, 또 다른 제1 중간 데이터가 수신되기 전까지 점진적으로 증가할 수 있다.
도 18은 본 개시의 일 실시예에 따른 U자형의 스플릿 AI/ML 모델이 적용되는 시스템에서 기지국이 제1 스플릿 포인트를 조정하는 동작을 예시한다. 하기 단계들은 상황 및/또는 설정에 따라 생략될 수 있으며, 특정한 단계들로 한정되는 것은 아니다.
도 18을 참고하면, S1801단계에서, 기지국은 장치로부터 제1 스플릿 포인트 조정을 위한 정보를 수신할 수 있다. 일 예로, 제1 스플릿 포인트는 장치와 기지국 간에 초기 설정된 제1 스플릿 포인트, 또는 초기 설정된 제1 스플릿 포인트에서 조정된 제1 스플릿 포인트 중 적어도 하나를 포함할 수 있다. 일 예로, 기지국이 수신하는 제1 스플릿 포인트 조정을 위한 정보는 인풋 레이어에 로우 데이터가 입력된 시점에 대한 정보, 제2 스플릿 포인트의 위치 데이터 및 장치가 인풋 레이어부터 제1 스플릿 포인트까지의 레이어들에 대해 인퍼런스를 수행한 결과인 제1 중간 데이터를 포함할 수 있다. 일 예로, 기지국이 장치로부터 제1 스플릿 포인트 조정을 위한 정보를 수신한 적이 없다면 스플릿 인퍼런스가 아직 수행되지 않은 것이므로, 기지국은 스플릿 인퍼런스 수행을 위한 초기설정을 할 수 있다. 초기설정은 장치 및 기지국의 스플릿 인퍼런스 수행 결과인 중간 데이터의 AoI를 계산하기 위한 CoUD 메트릭을 설정하는 것 및 AoI 증가를 시작시키는 것 중 적어도 하나를 포함할 수 있다.
S1803단계에서, 기지국은 장치로부터 제1 스플릿 포인트 조정을 위한 정보를 수신하였다면, 제1 스플릿 포인트 조정을 위한 정보의 수신 시점에서의 업링크 데이터의 PAoI를 측정할 수 있다. 일 예로, 업링크 데이터는 장치의 인퍼런스 결과인 제1 중간 데이터를 포함할 수 있다. 측정된 PAoI 값은 스플릿 포인트 조정의 기준이 될 수 있다. 이후 S1805단계에서, 기지국은 장치로부터 수신한 제1 중간 데이터를 이용하여 제1 스플릿 포인트부터 제2 스플릿 포인트까지의 레이어들에 대해 스플릿 인퍼런스를 수행할 수 있다. 기지국은 스플릿 인퍼런스 결과로서 제2 중간 데이터를 생성할 수 있다. 기지국은 생성한 제2 중간 데이터를 나머지 스플릿 인퍼런스 수행을 위하여 장치에게 송신할 수 있다.
S1807 단계에서, 기지국은 제1 스플릿 포인트를 조정할 수 있다. 일 예로, 기지국은 측정한 업링크 데이터의 PAoI 값 및 초기 설정된 임계값을 비교하여 제1 스플릿 포인트를 조정할 수 있다. 일 예로, 업링크 데이터의 PAoI 값이 임계값보다 작거나 같은 경우 제1 스플릿 포인트를 아웃풋 레이어 방향으로 이동시키거나, 또는 유지할 수 있다. 이때, 제1 스플릿 포인트는 제2 스플릿 포인트 이전까지만 아웃풋 레이어 방향으로 이동시킬 수 있다. 일 예로, 업링크 데이터의 PAoI 값이 임계값보다 큰 경우 제1 스플릿 포인트를 인풋 레이어 방향으로 이동시키거나, 또는 유지할 수 있다. 이때, 제1 스플릿 포인트는 인풋 데이터의 프라이버시 보존을 위해 첫 번째 은닉 레이어 이후까지만 인풋 레이어 방향으로 이동시킬 수 있다.
S1809단계에서, 기지국은 업링크 데이터의 AoI를 조정할 수 있다. 기지국은 업링크 데이터를 장치로부터 수신한 시점(Di) 및 인풋 레이어에 로우 데이터가 입력된 시점(Si) 간의 시간 차이를 비교할 수 있다. 일 예로, 로우 데이터가 입력된 시점은 장치에서 스플릿 인퍼런스가 시작되는 시점일 수 있다. 로우 데이터가 입력된 시점에 대한 정보는 장치에서 기지국으로 전달될 수 있다. 이후, 기지국은 측정한 업링크 데이터의 PAoI 값에서 
를 뺀만큼 AoI를 드롭(drop)시킬 수 있다. 일 예로, 
는 감소하지 않는 비선형함수일 수 있다. 
는 장치마다, 또는 적용되는 어플리케이션마다 상이할 수 있다. 이후, 기지국은 PAoI만큼 드롭시킨 AoI를 다시 증가시킬 수 있다.
S1811단계에서, 기지국은 장치로 제2 스플릿 포인트 조정을 위한 정보를 전송할 수 있다. 일 예로, 제2 스플릿 포인트는 제1 스플릿 포인트 이후에 초기 설정된 장치와 기지국 간의 첫 번째 스플릿 포인트, 또는 초기 설정에서 조정된 두 번째 스플릿 포인트 중 적어도 하나를 포함할 수 있다. 일 예로, 제2 스플릿 포인트 조정을 위한 정보는 기지국의 제1 중간 데이터 수신 시점에 대한 정보, 제1 스플릿 포인트의 위치 데이터 및 기지국이 제1 스플릿 포인트부터 제2 스플릿 포인트까지의 레이어에 대해 인퍼런스를 수행한 결과인 제2 중간 데이터 중 적어도 하나를 포함할 수 있다. 이때, 기지국은 전체 스플릿 AI/ML 모델을 보유하고 있기 때문에, 장치가 제1 스플릿 포인트까지 스플릿 인퍼런스를 수행한 결과인 제1 중간 데이터의 크기를 알 수 있다. 따라서 기지국은 다운링크를 통해 장치로 제1 중간 데이터의 수신 시점에 대한 정보 및 기지국이 인퍼런스를 수행한 결과인 제2 중간 데이터를 전달할 때, 조정된 제1 스플릿 포인트의 위치 정보 및 장치가 다음 업링크로 전송할 수 있는 자원을 함께 전달할 수 있다.
도 19는 본 개시의 일 실시예에 따른 U자형의 스플릿 AI/ML 모델이 적용되는 시스템에서 장치가 기지국으로 스플릿 포인트 조정을 위한 정보를 전달하는 동작을 예시한다. 하기 단계들은 상황 및/또는 설정에 따라 생략될 수 있으며, 특정한 단계들로 한정되는 것은 아니다.
도 19를 참고하면, S1901단계에서, 장치는 기지국으로 스플릿 포인트 조정을 위한 정보를 전달하기 위한 초기 정보를 확인할 수 있다. 일 예로, 장치는 로우 데이터가 인풋 레이어로 입력되었는지를 확인할 수 있다. 로우 데이터가 인풋 레이어로 입력되었다면, 장치는 입력된 시점을 기록할 수 있다. 일 예로, 장치는 기지국으로부터 수신한 제1 스플릿 포인트에 대한 정보가 있는지 확인할 수 있다. 기지국으로부터 제1 스플릿 포인트 정보를 수신하지 않았다면, 장치는 조정이 이루어지지 않은 초기 설정된 제1 스플릿 포인트를 이용할 수 있다. 기지국으로부터 제1 스플릿 포인트 정보를 수신하였다면, 장치는 수신된 제1 스플릿 포인트 정보를 반영하여 재설정된 제1 스플릿 포인트를 이용할 수 있다. S1903단계에서, 초기 정보를 확인 후 장치는 인풋 레이어부터 제1 스플릿 포인트까지의 레이어들에 대해 스플릿 인퍼런스를 수행할 수 있다. 장치는 스플릿 인퍼런스 결과로서 제1 중간 데이터를 생성할 수 있다.
S1905단계에서, 장치는 제2 스플릿 포인트 정보를 확인할 수 있다. 일 예로, 장치는 계산된 제2 스플릿 포인트가 있는지 확인할 수 있다. 계산된 제2 스플릿 포인트는 기지국이 제1 스플릿 포인트 조정을 위한 정보를 수신한 시점에 기초하여 계산한 다운링크 데이터의 AoI 값에 따라 조정한 제2 스플릿 포인트일 수 있다. 일 예로, 장치는 제2 스플릿 포인트가 계산되었다면 계산된 제2 스플릿 포인트를 이용할 수 있고, 계산되지 않았다면 초기 설정된 제2 스플릿 포인트를 사용할 수 있다.
S1907단계에서, 장치는 기지국으로 U자형의 스플릿 AI/ML 모델에서 스플릿 포인트 조정을 위한 정보를 전달할 수 있다. 일 예로, 스플릿 인퍼런스를 위한 정보는 로우 데이터가 인풋 레이어에 입력된 시점에 대한 정보, 제2 스플릿 포인트의 위치 데이터 및 장치가 제1 스플릿 포인트까지 스플릿 인퍼런스를 수행한 결과인 제1 중간 데이터 중 적어도 하나를 포함할 수 있다. 이후, 기지국은 장치로부터 스플릿 포인트 조정을 위한 정보를 수신하였는지 확인할 수 있고, 이후의 절차는 도 18과 같을 수 있다.
도 20은 본 개시의 일 실시예에 따른 U자형의 스플릿 AI/ML 모델이 적용되는 시스템에서 장치가 제2 스플릿 포인트를 조정하는 동작을 예시한다. 하기 단계들은 상황 및/또는 설정에 따라 생략될 수 있으며, 특정한 단계들로 한정되는 것은 아니다.
도 20을 참고하면, S2001단계에서, 장치는 기지국으로부터 제2 스플릿 포인트 조정을 위한 정보를 수신할 수 있다. 일 예로, 제2 스플릿 포인트는 제1 스플릿 포인트 이후 장치와 기지국 간에 초기에 설정된 제2 스플릿 포인트, 또는 초기 설정된 제2 스플릿 포인트에서 조정된 두 번째 스플릿 포인트 중 적어도 하나를 포함할 수 있다. 일 예로, 제2 스플릿 포인트 조정을 위한 정보는 기지국이 제1 중간 데이터를 수신한 시점에 대한 정보, 제1 스플릿 포인트 위치 데이터 및 기지국이 제1 스플릿 포인트부터 제2 스플릿 포인트까지의 레이어들에 대해 인퍼런스를 수행한 결과인 제2 중간 데이터를 포함할 수 있다.
S2003단계에서, 장치는 기지국으로부터 제2 스플릿 포인트 조정을 위한 정보를 수신하였다면, 제2 스플릿 포인트 조정을 위한 정보 수신 시점에서의 다운링크 데이터의 PAoI를 측정할 수 있다. 일 예로, 다운링크 데이터는 기지국의 인퍼런스 결과인 제2 중간 데이터를 포함할 수 있다. 측정된 PAoI 값은 스플릿 포인트 조정의 기준이 될 수 있다.
S2005단계에서 장치는 기지국으로부터 수신한 제2 중간 데이터를 이용하여 제2 스플릿 포인트부터 아웃풋 레이어까지의 레이어들에 대해 스플릿 인퍼런스를 수행할 수 있다. 즉, 장치는 기지국이 제1 스플릿 포인트부터 제2 스플릿 포인트까지의 레이어들에 대해 스플릿 인퍼런스를 수행한 후 남은 레이어들에 대한 스플릿 인퍼런스를 수행할 수 있다. 장치는 아웃풋 레이어까지 스플릿 인퍼런스를 수행한 결과로서 레이블을 생성할 수 있다.
S2007 단계에서, 장치는 제2 스플릿 포인트를 조정할 수 있다. 일 예로, 장치는 측정한 다운링크 데이터의 PAoI 값과 초기 설정된 임계값을 비교하여 제2 스플릿 포인트를 조정할 수 있다. 일 예로, 다운링크 데이터의 PAoI 값이 임계값보다 작거나 같은 경우 제2 스플릿 포인트를 아웃풋 레이어 방향으로 이동시키거나, 또는 유지할 수 있다. 이때, 제2 스플릿 포인트는 아웃풋 레이어 전까지만 아웃풋 레이어 방향으로 이동시킬 수 있다. 일 예로, 스플릿 인퍼런스 정보의 PAoI 값이 임계값보다 큰 경우 제2 스플릿 포인트를 인풋 레이어 방향으로 이동시키거나, 또는 유지할 수 있다. 이때, 제2 스플릿 포인트는 제1 스플릿 포인트 이후까지만 인풋 레이어 방향으로 이동시킬 수 있다.
S2009단계에서, 장치는 다운링크 데이터의 AoI를 조정할 수 있다. 장치는 다운링크 데이터를 기지국으로부터 수신한 시점(Di) 및 기지국이 단말로부터 제1 중간 데이터를 수신한 시점(Si) 간의 시간 차이를 비교할 수 있다. 이후, 장치는 측정한 다운링크 데이터의 PAoI 값에서 
를 뺀만큼 AoI를 드롭시킬 수 있다. 
는 장치마다, 또는 적용되는 어플리케이션마다 상이할 수 있다. 이후, 기지국은 PAoI만큼 드롭시킨 AoI를 다시 증가시킬 수 있다. 이후, 기지국은 PAoI만큼 드롭시킨 AoI를 다시 증가시킬 수 있다.
도 18 및 도 20에서 살펴본, 장치 및 기지국의 스플릿 포인트 조정 동작은 기지국이 서비스 종료를 알리기 전까지 반복해서 수행될 수 있다.
도 21 본 개시의 일 실시예에 따른 U자형의 스플릿 AI/ML 모델이 적용되는 시스템에서 장치가 스플릿 포인트를 조정하는 동작을 예시한다.
도 21을 참고하면, S2101단계에서, 장치는 기지국으로부터 제1 스플릿 포인트 및 제2 스플릿 포인트에 대한 정보 중 적어도 하나를 수신할 수 있다. 각각의 스플릿 포인트들은 스플릿 AI/ML 모델을 통해 인퍼런스를 수행하기 위한 지점을 지시할 수 있다. 일 예로, 제1 스플릿 포인트 및 제2 스플릿 포인트는 각각 기지국이 초기에 설정한 스플릿 포인트들일 수 있다. 일 예로, 제1 스플릿 포인트 및 제2 스플릿 포인트 중 적어도 하나는 초기 설정된 스플릿 포인트에서 조정된 스플릿 포인트일 수 있다.
S2103단계에서, 장치는 제1 스플릿 포인트에 기초하여 제1 스플릿 인퍼런스를 수행하고, 제1 중간 데이터를 생성할 수 있다. 일 예로, 장치는 기지국으로부터 수신한 스플릿 포인트에 대한 정보에 기초하여 인풋 레이어부터 제1 스플릿 포인트까지의 레이어들에 대한 스플릿 인퍼런스를 수행할 수 있다. 장치는 스플릿 인퍼런스의 결과로서 제1 중간 데이터를 생성할 수 있다.
S2105단계에서, 장치는 기지국으로 제1 중간 데이터를 송신할 수 있다. 일 예로, 장치는 제1 중간 데이터와 함께 장치의 로우 데이터가 인풋 레이어로 전달된 시점에 대한 정보 및 제2 스플릿 포인트에 대한 정보를 기지국으로 송신할 수 있다.
S2107단계에서, 장치는 기지국으로부터 제2 스플릿 포인트에 기초하여 생성된 제2 데이터를 수신할 수 있다. 일 예로, 기지국은 장치로부터 수신한 제1 중간 데이터를 이용하여 스플릿 인퍼런스를 수행할 수 있다. 일 예로, 기지국은 제1 스플릿 포인트부터 제2 스플릿 포인트까지의 레이어들에 대한 스플릿 인퍼런스를 수행하고, 스플릿 인퍼런스의 결과로서 제2 중간 데이터를 생성할 수 있다. 일 예로, 장치는 기지국이 수신한 제1 중간 데이터 수신 시점에 대한 정보 및 제1 스플릿 포인트에 대한 정보를 제2 중간 데이터와 함께 기지국으로부터 수신할 수 있다.
S2109단계에서, 장치는 기지국으로부터 수신한 제2 중간 데이터에 기초하여 제2 스플릿 포인트부터 나머지 스플릿 인퍼런스를 수행할 수 있다. 일 예로, 장치는 제2 스플릿 포인트부터 아웃풋 레이어까지의 레이어들에 대한 스플릿 인퍼런스를 수행할 수 있다. 장치는 스플릿 인퍼런스 수행 결과로서 레이블들을 생성할 수 있다. 장치와 기지국이 3분할된 레이어들에 대해 스플릿 인퍼런스를 수행함으로써 인풋 데이터 및 레이블에 대한 프라이버시를 보존할 수 있다.
S2111단계에서, 장치는 기지국으로부터 수신한 제2 중간 데이터에 기초하여 제2 스플릿 포인트를 조정할 수 있다. 일 예로, 장치는 측정한 제2 중간 데이터의 PAoI 값과 기지국이 초기 설정한 임계값을 비교하여 제2 스플릿 포인트를 조정할 수 있다. 일 예로, 제2 중간 데이터의 PAoI 값이 임계값보다 작거나 같은 경우 제2 스플릿 포인트를 아웃풋 레이어 방향으로 이동시키거나, 또는 유지할 수 있다. 이때, 제2 스플릿 포인트는 아웃풋 레이어 전까지만 아웃풋 레이어 방향으로 이동시킬 수 있다. 일 예로, 제2 중간 데이터의 PAoI 값이 임계값보다 큰 경우 제2 스플릿 포인트를 인풋 레이어 방향으로 이동시키거나, 또는 유지할 수 있다. 이때, 제2 스플릿 포인트는 제1 스플릿 포인트 이후까지만 인풋 레이어 방향으로 이동시킬 수 있다.
상기 단계들은 생략될 수 있으며, 경우에 따라 순서가 변동될 수 있다.
상기 설명한 제안 방식에 대한 일례들 또한 본 개시의 구현 방법들 중 하나로 포함될 수 있으므로, 일종의 제안 방식들로 간주될 수 있음은 명백한 사실이다. 또한, 상기 설명한 제안 방식들은 독립적으로 구현될 수도 있지만, 일부 제안 방식들의 조합 (또는 병합) 형태로 구현될 수도 있다. 상기 제안 방법들의 적용 여부 정보 (또는 상기 제안 방법들의 규칙들에 대한 정보)는 기지국이 단말에게 사전에 정의된 시그널 (예: 물리 계층 시그널 또는 상위 계층 시그널)을 통해서 알려주도록 규칙이 정의될 수가 있다.
본 개시는 본 개시에서 서술하는 기술적 아이디어 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 개시의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 개시의 등가적 범위 내에서의 모든 변경은 본 개시의 범위에 포함된다. 또한, 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시 예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함할 수 있다.
본 개시의 실시 예들은 다양한 무선접속 시스템에 적용될 수 있다. 다양한 무선접속 시스템들의 일례로서, 3GPP(3rd Generation Partnership Project) 또는 3GPP2 시스템 등이 있다.
본 개시의 실시 예들은 상기 다양한 무선접속 시스템뿐 아니라, 상기 다양한 무선 접속 시스템을 응용한 모든 기술 분야에 적용될 수 있다. 나아가, 제안한 방법은 초고주파 대역을 이용하는 mmWave, THz 통신 시스템에도 적용될 수 있다.
추가적으로, 본 개시의 실시 예들은 자유 주행 차량, 드론 등 다양한 애플리케이션에도 적용될 수 있다.
Claims (14)
- 무선 통신 시스템에서 단말의 동작 방법에 있어서,
기지국으로부터 제1 스플릿 포인트(split point) 및 제2 스플릿 포인트 중 적어도 하나에 대한 정보를 수신하는 단계;
상기 제1 스플릿 포인트에 기초하여 제1 스플릿 인퍼런스(split inference)를 수행하고, 제1 중간 데이터(intermediate data)를 생성하는 단계;
상기 기지국으로 상기 제1 중간 데이터를 송신하는 단계;
상기 기지국으로부터 상기 제2 스플릿 포인트에 기초하여 생성된 제2 중간 데이터를 수신하는 단계;
상기 제2 중간 데이터에 기초하여 상기 제2 스플릿 포인트부터 나머지 스플릿 인퍼런스를 수행하는 단계; 및
상기 제2 중간 데이터에 기초하여 상기 제2 스플릿 포인트를 조정하는 단계를 포함하는, 단말 동작 방법. - 제 1항에 있어서,
상기 제1 스플릿 포인트는, U자형 분할 인공지능 학습 모델에 기초하여 상기 단말이 상기 제1 스플릿 인퍼런스(split inference)를 수행하는 제1 지점을 지시하고,
상기 제2 스플릿 포인트는, 상기 U자형 분할 인공지능 학습 모델에 기초하여 상기 기지국이 제2 스플릿 인퍼런스를 수행하는 제2 지점을 지시하는, 단말 동작 방법. - 제 2항에 있어서,
상기 단말은 상기 단말의 로우 데이터(raw data)가 인풋 레이어(input layer)로 전달된 시점에 대한 정보, 상기 제2 스플릿 포인트에 대한 정보를 상기 제1 중간 데이터와 함께 상기 기지국으로 전송하고,
상기 기지국이 수신한 상기 제1 중간 데이터 수신 시점에 대한 정보, 상기 제1 스플릿 포인트에 대한 정보를 상기 제2 중간 데이터와 함께 수신하는, 단말 동작 방법. - 제 3항에 있어서,
상기 단말이 상기 제2 스플릿 포인트를 조정하는 단계는,
상기 제2 중간 데이터의 PAoI(Peak of AoI)를 측정하고, 측정된 상기 PAoI 값을 상기 기지국이 설정한 제1 임계값과 비교한 결과에 기초하여 상기 제2 스플릿 포인트를 조정하는 단계를 포함하는, 단말 동작 방법. - 제 4항에 있어서,
상기 PAoI 값이 상기 제1 임계값보다 큰 경우 상기 제2 스플릿 포인트를 상기 인풋 레이어 방향으로 이동시키거나 유지하고, 상기 PAoI 값이 상기 제1 임계값보다 작은 경우 상기 제2 스플릿 포인트를 상기 아웃풋 레이어 방향으로 이동시키거나 유지하는, 단말 동작 방법. - 제 5항에 있어서,
상기 제2 스플릿 포인트의 조정 위치는, 상기 제1 스플릿 포인트 이후와 상기 아웃풋 레이어 이전 사이에서 결정되는, 단말 동작 방법. - 제 2항에 있어서,
상기 제1 스플릿 포인트는, 상기 기지국이 상기 단말로부터 수신한 상기 제1 중간 데이터의 PAoI를 측정하고, 측정된 상기 제1 중간 데이터의 PAoI 값이 상기 기지국이 설정한 제2 임계값보다 작은 경우 상기 아웃풋 레이어 방향으로 이동되거나 유지되고, 측정된 상기 제1 중간 데이터의 PAoI 값이 상기 제2 임계값보다 큰 경우 상기 인풋 레이어 방향으로 이동되거나 유지되는, 단말 동작 방법. - 제 7항에 있어서,
상기 제1 스플릿 포인트의 조정 위치는, 인풋 레이어 이후와 상기 제2 스플릿 포인트 이전 사이에서 결정되는, 단말 동작 방법. - 무선 통신 시스템에서 기지국 동작 방법에 있어서,
제1 스플릿 포인트(split point) 및 제2 스플릿 포인트에 대한 초기 설정을 수행하는 단계;
단말로 상기 제1 스플릿 포인트 및 상기 제2 스플릿 포인트 중 적어도 하나에 대한 정보를 송신하는 단계;
상기 단말로부터 제1 중간 데이터를 수신하는 단계로써, 상기 제1 중간 데이터는 제1 스플릿 포인트에 기초하여 상기 단말이 수행한 제1 스플릿 인퍼런스(split inference)에 기초하여 생성되고;
상기 제1 중간 데이터에 기초하여 상기 제2 스플릿 포인트까지 제2 스플릿 인퍼런스를 수행하여 제2 중간 데이터를 생성하는 단계,
상기 제1 중간 데이터에 기초하여 상기 제1 스플릿 포인트를 조정하는 단계; 및
상기 생성된 제2 중간 데이터 및 조정된 상기 제1 스플릿 포인트에 대한 정보를 상기 단말로 전송하는 단계를 포함하는, 기지국 동작 방법. - 무선 통신 시스템의 단말에 있어서,
송수신기; 및
상기 송수신기와 연결된 프로세서를 포함하고,
상기 프로세서는,
기지국으로부터 제1 스플릿 포인트(split point) 및 제2 스플릿 포인트 중 적어도 하나에 대한 정보를 수신하고,
상기 제1 스플릿 포인트에 기초하여 제1 스플릿 인퍼런스(split inference)를 수행하고, 제1 중간 데이터(intermediate data)를 생성하고,
상기 기지국으로 상기 제1 중간 데이터를 송신하고,
상기 기지국으로부터 상기 제2 스플릿 포인트에 기초하여 생성된 제2 중간 데이터를 수신하고,
상기 제2 중간 데이터에 기초하여 상기 제2 스플릿 포인트부터 나머지 스플릿 인퍼런스를 수행하고,
상기 제2 중간 데이터에 기초하여 상기 제2 스플릿 포인트를 조정하는, 단말. - 무선 통신 시스템의 기지국에 있어서,
송수신기; 및
상기 송수신기와 연결된 프로세서를 포함하며,
상기 프로세서는,
제1 스플릿 포인트(split point) 및 제2 스플릿 포인트에 대한 초기 설정을 수행하고,
단말로 상기 제1 스플릿 포인트 및 상기 제2 스플릿 포인트 중 적어도 하나에 대한 정보를 송신하고,
상기 단말로부터 제1 중간 데이터를 수신하고, 상기 제1 중간 데이터는 제1 스플릿 포인트에 기초하여 상기 단말이 수행한 제1 스플릿 인퍼런스(split inference)에 기초하여 생성되고,
상기 제1 중간 데이터에 기초하여 상기 제2 스플릿 포인트까지 제2 스플릿 인퍼런스를 수행하여 제2 중간 데이터를 생성하고,
상기 제1 중간 데이터에 기초하여 상기 제1 스플릿 포인트를 조정하고,
상기 생성된 제2 중간 데이터 및 조정된 상기 제1 스플릿 포인트에 대한 정보를 상기 단말로 전송하는, 기지국. - 무선 통신 시스템에서 동작 방법에 있어서,
기지국이 제1 스플릿 포인트(split point) 및 제2 스플릿 포인트에 대한 초기 설정을 수행하는 단계;
상기 기지국이 단말로 상기 제1 스플릿 포인트 및 상기 제2 스플릿 포인트 중 적어도 하나에 대한 정보를 송신하는 단계;
상기 단말이 상기 제1 스플릿 포인트에 기초하여 제1 스플릿 인퍼런스(split inference)를 수행하고, 제1 중간 데이터(intermediate data)를 생성하는 단계;
상기 단말이 상기 기지국으로 상기 제1 중간 데이터 및 조정된 제 2 스플릿 정보 중 적어도 어느 하나를 송신하는 단계;
상기 기지국이 상기 단말로부터 수신한 상기 제1 중간 데이터 및 상기 조정된 제 2 스플릿 정보 중 적어도 어느 하나에 기초하여 상기 제2 스플릿 포인트까지 제2 스플릿 인퍼런스를 수행하여 제2 중간 데이터를 생성하는 단계;
상기 기지국이 상기 단말로부터 수신한 상기 제1 중간 데이터에 기초하여 상기 제1 스플릿 포인트를 조정하는 단계;
상기 기지국이 상기 생성된 제2 중간 데이터 및 조정한 상기 제1 스플릿 포인트에 대한 정보를 상기 단말로 전송하는 단계;
상기 단말이 상기 기지국으로부터 수신한 상기 제2 중간 데이터에 기초하여 상기 제2 스플릿 포인트부터 나머지 스플릿 인퍼런스를 수행하는 단계; 및
상기 단말이 상기 제2 중간 데이터에 기초하여 상기 제2 스플릿 포인트를 조정하는 단계를 포함하는, 동작 방법. - 통신 장치에 있어서,
적어도 하나의 프로세서;
상기 적어도 하나의 프로세서와 연결되며, 상기 적어도 하나의 프로세서에 의해 실행됨에 따라 동작들을 지시하는 명령어를 저장하는 적어도 하나의 컴퓨터 메모리를 포함하며,
상기 동작들은,
기지국으로부터 제1 스플릿 포인트(split point) 및 제2 스플릿 포인트 중 적어도 하나에 대한 정보를 수신하고,
상기 제1 스플릿 포인트에 기초하여 제1 스플릿 인퍼런스(split inference)를 수행하고, 제1 중간 데이터(intermediate data)를 생성하고,
상기 기지국으로 상기 제1 중간 데이터를 송신하고,
상기 기지국으로부터 상기 제2 스플릿 포인트에 기초하여 생성된 제2 중간 데이터 및 상기 기지국이 조정한 상기 제1 스플릿 포인트에 대한 정보를 수신하고,
상기 제2 중간 데이터에 기초하여 상기 제2 스플릿 포인트부터 나머지 스플릿 인퍼런스를 수행하고,
상기 제2 중간 데이터에 기초하여 상기 제2 스플릿 포인트를 조정하는, 통신 장치. - 적어도 하나의 명령어(instructions)을 저장하는 비-일시적인(non-transitory) 컴퓨터 판독 가능 매체(computer-readable medium)에 있어서,
프로세서에 의해 실행 가능한(executable) 상기 적어도 하나의 명령어를 포함하며,
상기 적어도 하나의 명령어는, 장치가,
기지국으로부터 제1 스플릿 포인트(split point) 및 제2 스플릿 포인트 중 적어도 하나에 대한 정보를 수신하고,
상기 제1 스플릿 포인트에 기초하여 제1 스플릿 인퍼런스(split inference)를 수행하고, 제1 중간 데이터(intermediate data)를 생성하고,
상기 기지국으로 상기 제1 중간 데이터를 송신하고,
상기 기지국으로부터 상기 제2 스플릿 포인트에 기초하여 생성된 제2 중간 데이터를 수신하고,
상기 제2 중간 데이터에 기초하여 상기 제2 스플릿 포인트부터 나머지 스플릿 인퍼런스를 수행하고,
상기 제2 중간 데이터에 기초하여 상기 제2 스플릿 포인트를 조정하는, 컴퓨터 판독 가능 매체.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200183638 | 2020-12-24 | ||
| KR20200183638 | 2020-12-24 | ||
| PCT/KR2021/017979 WO2022139230A1 (ko) | 2020-12-24 | 2021-12-01 | 무선 통신 시스템에서 스플릿 포인트를 조정하는 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230074510A true KR20230074510A (ko) | 2023-05-30 |
Family
ID=82159425
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020237013061A KR20230074510A (ko) | 2020-12-24 | 2021-12-01 | 무선 통신 시스템에서 스플릿 포인트를 조정하는 방법 및 장치 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20240086743A1 (ko) |
| EP (1) | EP4270253A1 (ko) |
| KR (1) | KR20230074510A (ko) |
| WO (1) | WO2022139230A1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024011581A1 (zh) * | 2022-07-15 | 2024-01-18 | 华为技术有限公司 | 一种通信方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200175361A1 (en) * | 2018-11-30 | 2020-06-04 | Alibaba Group Holding Limited | Partitioning of deep learning inference with dynamic offloading |
| KR20200113744A (ko) * | 2019-03-26 | 2020-10-07 | 한국전자통신연구원 | 심층 신경망 분할 방법 및 장치 |
-
2021
- 2021-12-01 WO PCT/KR2021/017979 patent/WO2022139230A1/ko active Application Filing
- 2021-12-01 KR KR1020237013061A patent/KR20230074510A/ko unknown
- 2021-12-01 EP EP21911297.6A patent/EP4270253A1/en active Pending
- 2021-12-01 US US18/269,437 patent/US20240086743A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| EP4270253A1 (en) | 2023-11-01 |
| US20240086743A1 (en) | 2024-03-14 |
| WO2022139230A1 (ko) | 2022-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113661727B (zh) | 用于无线网络的无线电接入网(ran)节点的神经网络的配置 | |
| KR20230066020A (ko) | 통신 시스템에서 연합 학습을 수행하기 위한 방법 및 장치 | |
| US20220116837A1 (en) | Method and apparatus for performing measurement in wireless communication system | |
| KR20230074510A (ko) | 무선 통신 시스템에서 스플릿 포인트를 조정하는 방법 및 장치 | |
| US20240073732A1 (en) | Method and device for adjusting split point in wireless communication system | |
| KR20230062821A (ko) | 무선 통신 시스템에서 연합학습을 수행하는 방법 및 이를 위한 장치 | |
| KR20230051203A (ko) | 무선 통신 시스템에서 하향링크를 전처리하는 방법 및 이를 위한 장치 | |
| KR20230058400A (ko) | 선택적 가중치 전송에 기반한 연합 학습 방법 및 그 단말 | |
| US20230319667A1 (en) | Apparatus and method for handover in wireless communication system | |
| KR20240021223A (ko) | 무선 통신 시스템에서 빔 관리를 수행하는 방법 및 이를 위한 장치 | |
| KR20230060505A (ko) | 연합학습을 위한 통신방법 및 이를 수행하는 디바이스 | |
| KR20230056622A (ko) | 무선 통신 시스템에서 단말 및 기지국의 신호 송수신 방법 및 장치 | |
| KR20230049664A (ko) | 무선 통신 시스템에서 주파수 대역 간 채널 공간 정보의 유사성에 기반한 통신 방법 및 이를 위한 장치 | |
| WO2023120768A1 (ko) | 무선 통신 시스템에서 신호 전송을 위한 장치 및 방법 | |
| WO2023101304A1 (ko) | 무선 통신 시스템에서 통신을 수행하는 방법 및 장치 | |
| WO2023101303A1 (ko) | 무선 통신 시스템에서 통신을 수행하는 방법 및 장치 | |
| US20240054351A1 (en) | Device and method for signal transmission in wireless communication system | |
| WO2023013857A1 (ko) | 무선 통신 시스템에서 데이터 학습을 수행하는 방법 및 장치 | |
| WO2023120781A1 (ko) | 무선 통신 시스템에서 신호 전송을 위한 장치 및 방법 | |
| KR20240052728A (ko) | 무선 통신 시스템에서 폴라 코드 기반의 인코더를 설정하기 위한 장치 및 방법 | |
| WO2023132384A1 (ko) | 전이 학습 수행 방법, 통신 기기, 프로세싱 장치 및 저장 매체 | |
| KR20240038652A (ko) | 무선 통신 시스템에서 배터리 효율을 고려하여 무선접속 기술을 선택하기 위한 장치 및 방법 | |
| KR20230096988A (ko) | 무선 통신 시스템에서 신호 전송을 위한 장치 및 방법 | |
| KR20240070506A (ko) | 무선 통신 시스템에서 위치에 기반하여 핸드오버를 수행하기 위한 장치 및 방법 | |
| KR20240026441A (ko) | 무선 통신 시스템에서 신호를 송수신하는 방법 및 장치 |