KR20230150489A - 모바일 코어 네트워크의 네트워크 데이터 분석 기능 구축 방법 및 시스템 - Google Patents

Abstract

본 개시는 네트워크 데이터 분석 기능 구축 방법 및 시스템에 관한 것으로, 멀티 서버 클라우드 환경에서 플랫폼을 구축하고, 구축 시스템에 적어도 하나의 이미지를 등록하고, 등록된 적어도 하나의 이미지를 조합하여 분석 기능 패키지를 생성하고, 생성된 분석 기능 패키지를 플랫폼에 제공하는 것을 그 요지로 한다.

Description

모바일 코어 네트워크의 네트워크 데이터 분석 기능 구축 방법 및 시스템 {Method and system for building network data analysis function of Mobile Core Network}

본 개시는 네트워크 데이터 분석 기능 구축 방법 및 시스템에 대한 것으로서, 구체적으로, 머신 러닝을 이용하여 데이터 분석 및 예측 기능을 수행하는 모바일 코어 네트워크의 네트워크 데이터 분석 기능 구축 방법 및 시스템에 대한 기술이다.

최근 머신 러닝을 기반으로 네트워크 데이터를 분석하는 기능이 모바일 코어 표준에 도입되고 있다. 네트워크 데이터 분석 기능(Network Data Analysis Function, 이하, NWDAF)은 머신 러닝 기술을 기반으로 동작되며, 필요시에 재학습을 하여 활용되는 개념으로 정의된다.

NWDAF는 모바일 코어의 여러 기능에 데이터를 요청하고 이를 기반으로 분석 및 예측을 수행하며, 그 결과를 모바일 코어의 다른 기능에 제공하는 형태로 동작한다. NWDAF의 기능, 즉, 대표적인 케이스는 서비스 품질 예측, QoS 프로 비저닝을 위한 분석, 단말의 이동 패턴분석, 각종 정책 결정 등이 있다. 현재 표준에서는 개념적으로 어떠한 케이스를 위하여 다른 기능으로부터 무슨 데이터 수집할 것이며, 분석결과는 무엇인가 정의되고 있으며, 기본적인 요구사항 및 방향이 정해지고 있는 상황이다.

한편, NWDAF에서 운용할 수 있는 머신 러닝 모델에 관한 개발은 대부분 연구 단계에 있으며, 상당히 많은 종류의 모델들이 연구 발표되고 있다. 즉, 모바일 코어 표준에서 NWDAF의 개념은 정립되고 있으나 여기에 사용될 머신 러닝 모델은 사용자의 선택에 달려 있으며, 시간이 경과됨에 따라서 성능이 좋은 머신 러닝 모델이 생겨날 수 있다.

종래에는 어떠한 분석 또는 예측에 관한 알고리즘이 있는 경우에 이에 대한 실행환경만 시스템에 구축하는 것으로 이용이 가능해진다. 즉, 필요한 시스템 자원을 예상하여 구축규모를 설계하고 이를 설치하면 된다.

하지만 네트워크에 관련된 머신 러닝, 인공지능 모델을 살펴보면 동일한 분석 목적을 위해 개발된 경우에도 모델이 다르면 다른 내용의 입력 데이터 또는 다른 형태로 가공된 입력 데이터가 필요한 경우가 빈번하며, 따라서 단순히 모델을 변경하여 설치하는 것 만으로 인공지능 모델이 동작할 수 있는 환경을 구성할 수 없다.

따라서 학습 기반의 머신 러닝 모델 또는 인공지능 모델을 이용하고자 하는 경우에 단순하게 설치하는 것만으로 이용이 어려우며, 재학습을 위한 데이터 처리 환경이 같이 제공되어야 한다. 또한 머신 러닝 모델이 변경되는 경우, 관련된 데이터 수집, 데이터 처리, 학습 절차가 모두 변경될 수 있기 때문에 이를 용이하게 변경할 수 있는 환경이 요구되며, 학습 및 실행에 필요한 자원도 가변될 수 있기 ‹š문에 종래의 시스템 구축방법으로 이를 대처하기 어려워 머신러닝 기반의 네트워크 데이터 분석 기술 도입과 활용에 문제점이 있다.

본 발명은 모바일 코어의 네트워크 데이터 분석 기능(NWDAF) 시스템을 효과적으로 구축할 수 있고 네트워크에 머신 러닝 모델을 설치하여 사용할 수 있는 네트워크 데이터 분석 기능 구축 방법 및 시스템을 제공하는 것을 목적으로 한다.

본 개시의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있으며, 본 개시의 실시예에 의해 보다 분명하게 알게 될 것이다. 또한, 본 개시의 목적 및 장점들은 특허청구범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.

본 개시의 일 실시예에 따른, 네트워크 데이터 분석 기능 구축 방법은, 멀티 서버 클라우드 환경에서 플랫폼을 구축하는 단계; 상기 구축된 플랫폼을 기초로 적어도 하나의 이미지를 등록하는 단계; 등록된 상기 적어도 하나의 이미지를 조합하여 분석 기능 패키지를 생성하는 단계; 생성된 분석 기능 패키지를 제공하는 단계를 포함한다.

본 개시의 일 실시예에 따르면, 모바일 코어의 네트워크 데이터 분석기능에 대해서 이를 구축하는 방법과 다양한 분석 기능을 독립적으로 설치하고 동작시키는 방법을 제공함으로써 분석 기능별로 학습과 재학습이 용이하므로 사용자 편의성을 향상시킬 수 있다.

본 개시의 일 실시예에 따르면, 새로운 머신 러닝 모델을 설치할 경우, 이에 대해 의존적인 기능과 알고리즘을 세트로 설치하여 분석기능 별로 학습 또는 실행이 독립적으로 가능하므로 사용자 편의성을 향상시킬 수 있다.

본 개시의 일 실시예에 따르면, 동일한 분석 기능에 대해서 여러 개의 머신 러닝 모델을 복수로 설치하여 운용하는 것이 가능하므로 사용자 편의성을 향상시킬 수 있다.

본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 개시의 일 실시 예에 따른, NWDAF 개념도를 도시한 도면이다.
도 2는 본 개시의 일 실시 예에 따른, 5G 모바일 코어 아키텍처를 도시한 도면이다.
도 3은 본 개시의 일 실시 예에 따른, 구축 시스템 구성 및 NWDAF 관계도를 도시한 도면이다.
도 4는 본 개시의 일 실시 예에 따른, NWDAF 구축 및 신규 모델 패키지 설치 절차를 도시한 도면이다.
도 5는 본 개시의 일 실시 예에 따른, 머신 러닝 모델 학습 절차를 도시한 도면이다.
도 6은 본 개시의 일 실시 예에 따른, 분석 기능을 실행하는 절차를 도시한 도면이다.
도 7은 본 개시의 일 실시 예에 따른, 네트워크 데이터 분석 장치의 구성도를 도시한 도면이다.

이하에서는 첨부한 도면을 참고로 하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나, 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.

본 개시의 실시 예를 설명함에 있어서 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그에 대한 상세한 설명은 생략한다. 그리고, 도면에서 본 개시에 대한 설명과 관계없는 부분은 생략하였으며, 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

본 개시에 있어서, 서로 구별되는 구성요소들은 각각의 특징을 명확하게 설명하기 위함이며, 구성요소들이 반드시 분리되는 것을 의미하지는 않는다. 즉, 복수의 구성요소가 통합되어 하나의 하드웨어 또는 소프트웨어 단위로 이루어질 수도 있고, 하나의 구성요소가 분산되어 복수의 하드웨어 또는 소프트웨어 단위로 이루어질 수도 있다. 따라서, 별도로 언급하지 않더라도 이와 같이 통합된 또는 분산된 실시 예도 본 개시의 범위에 포함된다.

본 개시에 있어서, 다양한 실시 예에서 설명하는 구성요소들이 반드시 필수적인 구성요소들을 의미하는 것은 아니며, 일부는 선택적인 구성요소일 수 있다. 따라서, 일 실시 예에서 설명하는 구성요소들의 부분집합으로 구성되는 실시 예도 본 개시의 범위에 포함된다. 또한, 다양한 실시 예에서 설명하는 구성요소들에 추가적으로 다른 구성요소를 포함하는 실시 예도 본 개시의 범위에 포함된다.

본 개시에 있어서, 제1, 제2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용되며, 특별히 언급되지 않는 한 구성요소들 간의 순서 또는 중요도 등을 한정하지 않는다. 따라서, 본 개시의 범위 내에서 일 실시 예에서의 제1 구성요소는 다른 실시 예에서 제2 구성요소라고 칭할 수도 있고, 마찬가지로 일 실시예에서의 제2 구성요소를 다른 실시예에서 제1 구성요소라고 칭할 수도 있다.

본 개시의 어떤 구성요소가 다른 구성요소에 “연결되어” 있다거나 “접속되어” 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있으나, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성 요소가 다른 구성 요소에 “직접 연결되어” 있다거나, “직접 접속되어” 있다고 언급된 때에는, 중간에 다른 구성 요소가 존재하지 않는 것으로 이해되어야 할 것이다.

또한, 본 개시에 있어서 본 개시의 실시예를 도시한 일 도면이 다른 도면과 양자 택일의 실시예에 해당하지 않는 한 각 도면에 대한 설명은 서로 다른 도면에 적용될 수 있다.

이하, 도면을 참조하여 본 개시에 대하여 더욱 상세하게 설명할 것이다.

도 1은 본 개시의 일 실시 예에 따른, NWDAF 개념도를 도시한 도면이다.

NWDAF는 모바일 코어의 여러 기능에 데이터를 요청하고 이를 기반으로 분석 및 예측을 수행하며, 그 결과를 모바일 코어의 다른 기능에 제공하는 형태로 동작한다.

NWDAF의 기능, 즉, 대표적인 케이스는 서비스 품질 예측, QoS 제공을 위한 분석, 단말의 이동 패턴분석, 각종 정책 결정 등이 있다. 현재 표준에서는 개념적으로 어떠한 케이스를 위하여 다른 기능으로부터 무슨 데이터 수집할 것이며, 분석결과는 무엇인가 논의되고 있으며, 기본적인 요구사항 및 방향이 정해지고 있는 상황이다.

도 2는 본 개시의 일 실시 예에 따른, 5G 모바일 코어 아키텍처를 도시한 도면이다.

도 2에 도시한 바와 같이, 5G 모바일 코어에 도입되는 NWDAF(210)에서는 다른 기능으로부터 요구를 받아서 UE behavior, UE mobility prediction, UE abnormal, Service experience, QoS, Network load, Communication Pattern, Congestion information 등의 분석결과를 제공하며, 이러한 동작을 위하여 NWDAF(210)내에서는 머신 러닝 또는 인공지능 모델을 이용한다.

NWDAF(210)에 대해서는 내부적으로 예측 및 분석을 수행하는 실행기능과 모델을 학습시키는 학습기능으로 논리적으로 분할되는 것이 제시되고 있으나 이에 대한 상세한 방법은 없는 상황이다.

NWDAF(210)에서 각 분석기능은 서로 다른 머신 러닝 모델을 사용하게 되며, 특정 분석 기능에 대해서 수시로 더 성능이 좋은 머신 러닝 모델로 교체되거나 추가로 설치되어 다중 운용될 수 있을 것으로 판단된다. 현재까지 머신 러닝 또는 인공지능 연구결과들을 살펴보면 일반적으로 머신 러닝 모델이 변경되는 경우에 수집 데이터 종류 및 데이터의 사전처리 절차와 데이터 형식까지 변경되는 경우가 빈번하다. 따라서 모델의 변경은 데이터 수집 대상, 사전처리 알고리즘 및 학습 방법이 변경될 수 있으며, 추가적으로 학습 및 실행을 위한 자원의 필요량도 가변될 수 있다.

이를 위하여 본 발명에서는 단순히 머신 러닝 모델 뿐만 아니라 네트워크 제어 모듈, 데이터 사전처리 모듈, 데이터 수집 모듈, 학습 및 실행 환경 구성 모듈을 포함하여 패키지 세트로 생성하고 NWDAF 플랫폼에 이를 통합적으로 프로비저닝하여 특정한 분석기능에 대한 머신 러닝 모델을 구축하도록 한다.

도 3은 본 개시의 일 실시 예에 따른, 구축 시스템 구성 및 NWDAF 플랫폼을 도시한 도면이다.

도 3에 도시한 바와 같이, 전체 시스템(1000)은 구축 시스템(100), 컨테이너 이미지 데이터 베이스(300), NWDAF 플랫폼(200)을 포함한다.

구축 시스템(100)은 플랫폼 구축부(110), 이미지 관리부(120), 패키지 생성부(130), 패키지 프로비저닝부(140)를 포함한다.

플랫폼 구축부(110)는 멀티 서버 클라우드 환경의 플랫폼을 구축한다.

이미지 관리부(120)는 적어도 하나의 이미지를 등록한다.

패키지 생성부(130)는 등록된 상기 적어도 하나의 이미지를 조합하여 분석 기능 패키지를 생성한다.

패키지 프로비저닝부(140)는 생성된 분석 기능 패키지를 상기 플랫폼에 제공한다.

본 발명의 일 실시 예에서 NWDAF 플랫폼(200)은 컨테이너 기반의 클라우드 환경으로 구성하는 것으로 설명하며, 현재 알려진 기술로는 kubernetes 기반의 환경을 고려할 수 있다.

NWDAF를 구축해 주는 구축 시스템(100)은 먼저 NWDAF 플랫폼 설치 기능을 제공한다.

NWDAF 플랫폼(200)은 머신 러닝 패키지 세트가 설치될 수 있는 환경이 된다. 멀티 서버 클라우드 환경에서 kubernetes 환경을 고려하면 NWDAF 플랫폼 구축 절차는 서버의 컨테이너 기능 설치와 kubernetes 관리시스템 설치로 설명될 수 있다. 본 실시예에서 kubernetes를 예로 들어 설명하였지만 다른 방식의 컨테이너 기반 클라우드 또는 openstack과 같은 가상화 기반의 클라우드 방식과 관리 시스템도 해당될 수 있다.

본 발명의 구축 시스템을 이용하면 사용자는 먼저 이미지 관리 기능을 통하여 각 기능별 컨테이너 이미지를 생성하여 컨테이너 이미지 데이터 베이스(300)에 등록한다.

컨테이너 이미지 데이터 베이스(300)는 데이터 수집부(310), 데이터 사전처리부(320), API 및 프로토콜부(330), 학습 환경부(340), 머신 러닝 모델부(350) 및 실행 환경부(360)를 포함한다.

이하 도 3에서 컨테이너 이미지 데이터 베이스(300)에 나타낸 이미지들은 각각 다음과 같은 종류가 있을 수 있으며, 동일한 목적의 서로 다른 알고리즘이나 형식이 다른 데이터를 다루는 다른 이미지를 여러 개 등록해 두고 이중에 선택하여 사용할 수 있다.

데이터 수집부(310)는 다른 기능 또는 다른 시스템에서 데이터를 수집하는 기능을 담은 이미지를 포함한다.

데이터 사전처리부(320)는 수집된 데이터의 사전처리 알고리즘이 설치된 이미지를 포함한다.

API 및 프로토콜부(330)는 다른 기능에 데이터를 요청하거나 요청을 수신하는 연동 인터페이스 또는 API와 이를 구동하는데 필요한 프로토콜 기능을 갖춘 이미지를 포함한다.

학습 환경부(340)는 학습을 위한 환경 구성과 알고리즘을 담은 이미지를 포함한다.

머신 러닝 모델부(350)는 머신 러닝 모델을 정의한 이미지를 포함한다.

실행 환경부(360)는 실행을 위한 환경 구성을 담은 이미지를 포함한다.

도 4는 본 개시의 일 실시 예에 따른, NWDAF 구축 및 신규 모델 패키지 설치 절차를 도시한 도면이다.

구축 시스템의 패키지 생성 기능은 상기 설명한 이미지 데이터 베이스에 등록된 이미지 중에서 필요한 이미지를 선택하고 이를 조합하며, 동작에 필요한 추가 정보를 더하여 분석 기능 패키지 세트를 생성한다. 이렇게 생성된 분석 기능 패키지는 제공 기능을 통하여 NWDAF 플랫폼에 설치된다. 이에 대한 절차는 도 4와 같다.

먼저, 멀티 서버 클라우드 환경에서 플랫폼을 구축한다(S410).

구축 시스템에 적어도 하나의 이미지를 등록한다(S420).

등록된 적어도 하나의 이미지를 조합하여 분석 기능 패키지를 생성한다(S430).

생성된 분석 기능 패키지를 상기 구축된 플랫폼에 제공하여 설치한다(S440).

도 4에서 플랫폼 구축은 통상 최초 한 번만 수행되며, 이미지 등록 절차는 새로운 이미지가 필요할 때마다 새롭게 등록될 수 있다. 패키지 생성 및 패키지 제공은 통상 새로운 머신 러닝 모델을 NWDAF에 설치할 경우에 수행된다. 이때 기존 분석기능에 대해 새로운 모델이 개발된 상황이거나 완전히 새로운 목적의 분석기능이 추가로 도입된 상황일 수 있다.

도 5는 본 개시의 일 실시 예에 따른, 머신 러닝 모델 학습 절차를 도시한 도면이다.

이렇게 설치된 분석기능 패키지에는 API가 포함되며, 사용자의 제어에 의해서 데이터수집-사전처리-학습 과정을 통해 머신 러닝 모델을 학습시킬 수 있고 데이터 수집-분석 실행을 통해서 분석 결과를 출력 또는 외부에 제공하는 동작을 실행할 수도 있다. 이때 학습 또는 실행에 필요한 자원은 패키지 세트에 정의된 정보를 기반으로 결정되며, 이러한 절차는 도 5와 같다.

먼저, 학습 요청을 수신한다(S510).

데이터를 수집한다(S520).

데이터 사전 처리를 수행한다(S530).

학습 환경을 구성한다(S540).

학습을 수행한다(S550).

분석 실행 환경을 구성한다(S560).

상기 절차에 따르면 NWDAF에 설치된 분석 기능별로 패키지가 동작하는 상황에서 외부로부터 특정 분석 기능에 대한 학습 요청이 수신되면 패키지에 포함된 데이터 수집, 데이터 사전처리, 학습환경 구성 등에 포함된 이미지와 정보를 기반으로 상기 학습 절차가 수행되고 학습이 끝나면 학습된 머신 러닝 모델을 이용하여 실행환경이 구성된다. 학습은 많은 시간이 소요되기 때문에 학습 중에 기존의 분석 실행환경을 유지하여 분석 요청에 대응할 수 있다.

도 6은 본 개시의 일 실시 예에 따른, 분석 기능을 실행하는 절차를 도시한 도면이다.

도 6에 도시한 바와 같이, 먼저 분석 요청을 수신한다(S610).

데이터를 수집한다(S620).

수집된 데이터를 기초로 분석을 실행한다(S630).

분석 결과를 회신한다(S640).

분석 실행환경이 구성되면 외부에서 분석요청이 수신되는 것에 따라서 데이터를 수집하고 분석을 실행하여 그 결과를 회신하는 절차를 수행한다.

학습 및 분석 기능 실행은 다른 분석 기능과 독립적으로 구성되어 실행되기 때문에 분석 기능별로 학습을 별도로 시킬 수 있으며, 상호 영향을 받지 않도록 동작시킬 수 있다.

본 발명에 따르면, 분석 기능별 또는 머신 러닝 모델별로 여러가지 동작, 알고리즘, 자원의 차이가 예상되는 상황에서 데이터 수집, 처리, 학습, 실행을 패키지화하여 설치하며, 독립적으로 동작시켜 학습 및 재학습을 용이하게 하고 머신 러닝 모델 추가 또는 교체를 손쉽게 만든다.

본 발명에서 제안한 기능과 절차는 NWDAF에 국한되지 않고 네트워크 분석에 관련된 머신 러닝, 인공지능 모델 도입시에는 통상적인 구축 방법으로 적용될 수 있다.

도 7은 본 개시의 일 실시 예에 따른, 네트워크 데이터 분석 기능 구축 장치의 구성도를 도시한 도면이다.

도 7을 참조하면, 네트워크 데이터 분석 기능 구축 장치는 디바이스(1600)를 포함한다. 디바이스(1600)는 메모리(1602), 프로세서(1603), 송수신부(1604) 및 주변 장치(1601)를 포함할 수 있다. 또한, 일 예로, 디바이스(1600)는 다른 구성을 더 포함할 수 있으며, 상술한 실시 예로 한정되지 않는다. 이때, 일 예로, 디바이스(1600)는 상술한 네트워크 데이터 분석 기능 구축 장치일 수 있다.

보다 상세하게는, 도 7의 디바이스(1600)는 네트워크 데이터 분석 기능 구축 장치, 네트워크 데이터 분석 기능 구축 서버 등과 같은 예시적인 하드웨어/소프트웨어 아키텍처일 수 있다. 이때, 일 예로, 메모리(1602)는 비이동식 메모리 또는 이동식 메모리일 수 있다. 또한, 일 예로, 주변 장치(1601)는 디스플레이, GPS 또는 다른 주변기기들을 포함할 수 있으며, 상술한 실시예로 한정되지 않는다.

또한, 일 예로, 상술한 디바이스(1600)는 상기 송수신부(1604)와 같이 통신 회로를 포함할 수 있으며, 이에 기초하여 외부 디바이스와 통신을 수행할 수 있다.

또한, 일 예로, 프로세서(1603)는 범용 프로세서, DSP(digital signal processor), DSP 코어, 제어기, 마이크로 제어기, ASIC들(Application Specific Integrated Circuits), FPGA(Field Programmable Gate Array) 회로들, 임의의 다른 유형의 IC(integrated circuit) 및 상태 머신과 관련되는 하나 이상의 마이크로프로세서 중 적어도 하나 이상일 수 있다. 즉, 상술한 디바이스(1600)를 제어하기 위한 제어 역할을 수행하는 하드웨어적/소프트웨어적 구성일 수 있다.

이때, 프로세서(1603)는 네트워크 데이터 분석 기능 구축 장치의 다양한 필수 기능들을 수행하기 위해 메모리(1602)에 저장된 컴퓨터 실행가능한 명령어들을 실행할 수 있다. 일 예로, 프로세서(1603)는 신호 코딩, 데이터 처리, 전력 제어, 입출력 처리 및 통신 동작 중 적어도 어느 하나를 제어할 수 있다. 또한, 프로세서(1603)는 물리 계층, MAC 계층, 어플리케이션 계층들을 제어할 수 있다. 또한, 일 예로, 프로세서(1603)는 액세스 계층 및/또는 어플리케이션 계층 등에서 인증 및 보안 절차를 수행할 수 있으며, 상술한 실시 예로 한정되지 않는다.

일 예로, 프로세서(1603)는 송수신부(1604)를 통해 다른 장치들과 통신을 수행할 수 있다. 일 예로, 프로세서(1603)는 컴퓨터 실행가능한 명령어들의 실행을 통해 노드가 네트워크를 통해 다른 노드들과 통신을 수행하게 제어할 수 있다. 즉, 본 발명에서 수행되는 통신이 제어될 수 있다. 일 예로, 송수신부(1604)는 안테나를 통해 RF 신호를 전송할 수 있으며, 다양한 통신망에 기초하여 신호를 전송할 수 있다.

또한, 일 예로, 안테나 기술로서 MIMO 기술, 빔포밍 등이 적용될 수 있으며, 상술한 실시예로 한정되지 않는다. 또한, 송수신부(1604)를 통해 송수신한 신호는 변조 및 복조되어 프로세서(1603)에 의해 제어될 수 있으며, 상술한 실시 예로 한정되지 않는다.

본 개시의 다양한 실시 예는 모든 가능한 조합을 나열한 것이 아니고 본 개시의 대표적인 양상을 설명하기 위한 것이며, 다양한 실시 예에서 설명하는 사항들은 독립적으로 적용되거나 또는 둘 이상의 조합으로 적용될 수도 있다.

또한, 본 개시의 다양한 실시 예는 하드웨어, 펌웨어(firmware), 소프트웨어, 또는 그들의 결합 등에 의해 구현될 수 있다. 하드웨어에 의한 구현의 경우, 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 범용 프로세서(general processor), 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다. 예를 들어, 종단 혹은 에지에서 사용될 수 있는 비 일시적 컴퓨터 판독가능한 매체에 저장된 프로그램의 형식이나, 에지 혹은 클라우드에서 사용될 수 있는 비 일시적 컴퓨터 판독 가능한 매체에 저장된 프로그램의 형식으로도 구현될 수 있음은 자명하다. 또한, 다양한 하드웨어 및 소프트웨어의 결합으로도 구현될 수 있다.

본 개시의 범위는 다양한 실시 예의 방법에 따른 동작이 장치 또는 컴퓨터 상에서 실행되도록 하는 소프트웨어 또는 머신-실행 가능한 명령들(예를 들어, 운영체제, 애플리케이션, 펌웨어(firmware), 프로그램 등), 및 이러한 소프트웨어 또는 명령 등이 저장되어 장치 또는 컴퓨터 상에서 실행 가능한 비-일시적 컴퓨터-판독가능 매체(non-transitory computer-readable medium)를 포함한다.

이상에서 설명한 본 개시는, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 있어 본 개시의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능하므로, 본 개시의 범위는 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니다.

Claims (1)

1. 네트워크 데이터 분석 기능 구축 시스템에서,
   멀티 서버 클라우드 환경의 플랫폼을 구축하는 플랫폼 구축부;
   적어도 하나의 이미지를 등록하는 이미지 관리부;
   등록된 상기 적어도 하나의 이미지를 조합하여 분석 기능 패키지를 생성하는 패키지 생성부; 및
   생성된 분석 기능 패키지를 상기 플랫폼에 제공하는 패키지 프로비저닝부를 포함하는,
   네트워크 데이터 분석 기능 구축 시스템.