KR20230155805A - 이동 통신 시스템에서 연합 기계 학습 수행을 관리하기 위한 방법 및 장치 - Google Patents

Abstract

본 개시는 보다 높은 데이터 전송률을 지원하기 위한 5G 또는 6G 통신 시스템에 관련된 것이다.

Description

이동 통신 시스템에서 연합 기계 학습 수행을 관리하기 위한 방법 및 장치{METHOD AND APPARATUS FOR MANAGING FEDERATED MACHINE LEARNING PROCEDURES IN MOBILE NETWORK SYSTEM}

본 발명은 무선 통신 시스템에 관련된 것으로, 보다 구체적으로 이동 통신 시스템에서 연합 기계 학습을 관리하는 방법 및 장치를 제안한다.

5G 이동통신 기술은 빠른 전송 속도와 새로운 서비스가 가능하도록 넓은 주파수 대역을 정의하고 있으며, 3.5 기가헤르츠(3.5GHz) 등 6GHz 이하 주파수(‘Sub 6GHz’) 대역은 물론 28GHz와 39GHz 등 밀리미터파(㎜Wave)로 불리는 초고주파 대역(‘Above 6GHz’)에서도 구현이 가능하다. 또한, 5G 통신 이후(Beyond 5G)의 시스템이라 불리어지는 6G 이동통신 기술의 경우, 5G 이동통신 기술 대비 50배 빨라진 전송 속도와 10분의 1로 줄어든 초저(Ultra Low) 지연시간을 달성하기 위해 테라헤르츠(Terahertz) 대역(예를 들어, 95GHz에서 3 테라헤르츠(3THz) 대역과 같은)에서의 구현이 고려되고 있다.

5G 이동통신 기술의 초기에는, 초광대역 서비스(enhanced Mobile BroadBand, eMBB), 고신뢰/초저지연 통신(Ultra-Reliable Low-Latency Communications, URLLC), 대규모 기계식 통신 (massive Machine-Type Communications, mMTC)에 대한 서비스 지원과 성능 요구사항 만족을 목표로, 초고주파 대역에서의 전파의 경로손실 완화 및 전파의 전달 거리를 증가시키기 위한 빔포밍(Beamforming) 및 거대 배열 다중 입출력(Massive MIMO), 초고주파수 자원의 효율적 활용을 위한 다양한 뉴머롤로지 지원(복수 개의 서브캐리어 간격 운용 등)와 슬롯 포맷에 대한 동적 운영, 다중 빔 전송 및 광대역을 지원하기 위한 초기 접속 기술, BWP(Band-Width Part)의 정의 및 운영, 대용량 데이터 전송을 위한 LDPC(Low Density Parity Check) 부호와 제어 정보의 신뢰성 높은 전송을 위한 폴라 코드(Polar Code)와 같은 새로운 채널 코딩 방법, L2 선-처리(L2 pre-processing), 특정 서비스에 특화된 전용 네트워크를 제공하는 네트워크 슬라이싱(Network Slicing) 등에 대한 표준화가 진행되었다.

현재, 5G 이동통신 기술이 지원하고자 했던 서비스들을 고려하여 초기의 5G 이동통신 기술 개선(improvement) 및 성능 향상(enhancement)을 위한 논의가 진행 중에 있으며, 차량이 전송하는 자신의 위치 및 상태 정보에 기반하여 자율주행 차량의 주행 판단을 돕고 사용자의 편의를 증대하기 위한 V2X(Vehicle-to-Everything), 비면허 대역에서 각종 규제 상 요구사항들에 부합하는 시스템 동작을 목적으로 하는 NR-U(New Radio Unlicensed), NR 단말 저전력 소모 기술(UE Power Saving), 지상 망과의 통신이 불가능한 지역에서 커버리지 확보를 위한 단말-위성 직접 통신인 비 지상 네트워크(Non-Terrestrial Network, NTN), 위치 측위(Positioning) 등의 기술에 대한 물리계층 표준화가 진행 중이다.

뿐만 아니라, 타 산업과의 연계 및 융합을 통한 새로운 서비스 지원을 위한 지능형 공장 (Industrial Internet of Things, IIoT), 무선 백홀 링크와 액세스 링크를 통합 지원하여 네트워크 서비스 지역 확장을 위한 노드를 제공하는 IAB(Integrated Access and Backhaul), 조건부 핸드오버(Conditional Handover) 및 DAPS(Dual Active Protocol Stack) 핸드오버를 포함하는 이동성 향상 기술(Mobility Enhancement), 랜덤액세스 절차를 간소화하는 2 단계 랜덤액세스(2-step RACH for NR) 등의 기술에 대한 무선 인터페이스 아키텍쳐/프로토콜 분야의 표준화 역시 진행 중에 있으며, 네트워크 기능 가상화(Network Functions Virtualization, NFV) 및 소프트웨어 정의 네트워킹(Software-Defined Networking, SDN) 기술의 접목을 위한 5G 베이스라인 아키텍쳐(예를 들어, Service based Architecture, Service based Interface), 단말의 위치에 기반하여 서비스를 제공받는 모바일 엣지 컴퓨팅(Mobile Edge Computing, MEC) 등에 대한 시스템 아키텍쳐/서비스 분야의 표준화도 진행 중이다.

이와 같은 5G 이동통신 시스템이 상용화되면, 폭발적인 증가 추세에 있는 커넥티드 기기들이 통신 네트워크에 연결될 것이며, 이에 따라 5G 이동통신 시스템의 기능 및 성능 강화와 커넥티드 기기들의 통합 운용이 필요할 것으로 예상된다. 이를 위해, 증강현실(Augmented Reality, AR), 가상현실(Virtual Reality, VR), 혼합 현실(Mixed Reality, MR) 등을 효율적으로 지원하기 위한 확장 현실(eXtended Reality, XR), 인공지능(Artificial Intelligence, AI) 및 머신러닝(Machine Learning, ML)을 활용한 5G 성능 개선 및 복잡도 감소, AI 서비스 지원, 메타버스 서비스 지원, 드론 통신 등에 대한 새로운 연구가 진행될 예정이다.

또한, 이러한 5G 이동통신 시스템의 발전은 6G 이동통신 기술의 테라헤르츠 대역에서의 커버리지 보장을 위한 신규 파형(Waveform), 전차원 다중입출력(Full Dimensional MIMO, FD-MIMO), 어레이 안테나(Array Antenna), 대규모 안테나(Large Scale Antenna)와 같은 다중 안테나 전송 기술, 테라헤르츠 대역 신호의 커버리지를 개선하기 위해 메타물질(Metamaterial) 기반 렌즈 및 안테나, OAM(Orbital Angular Momentum)을 이용한 고차원 공간 다중화 기술, RIS(Reconfigurable Intelligent Surface) 기술 뿐만 아니라, 6G 이동통신 기술의 주파수 효율 향상 및 시스템 네트워크 개선을 위한 전이중화(Full Duplex) 기술, 위성(Satellite), AI(Artificial Intelligence)를 설계 단계에서부터 활용하고 종단간(End-to-End) AI 지원 기능을 내재화하여 시스템 최적화를 실현하는 AI 기반 통신 기술, 단말 연산 능력의 한계를 넘어서는 복잡도의 서비스를 초고성능 통신과 컴퓨팅 자원을 활용하여 실현하는 차세대 분산 컴퓨팅 기술 등의 개발에 기반이 될 수 있을 것이다.

이동 통신망에서 NWDAF(network data analytics function) 서비스 소비자(service consumer) 가 분석(analytics) 서비스를 요청할 때, 분석 서비스가 필요한 시간을 제공할 수 있다. 연합 학습을 지원하지 않는 NWDAF 학습 구조에서는 단일 객체 내에서 트레이닝 절차가 수행되어 주어진 시간 내에 서비스 제공 여부 및 시간 관리에 대한 판단을 수행할 수 있다. 연합 학습을 지원하는 NWDAF 학습 구조에서는 다수의 로컬 NWDAF 내에서 트레이닝이 수행되고 이를 중앙 NWDAF 로 취합하는 단계가 반복적으로 발생할 수 있다. 이러한 경우, 개별 로컬 NWDAF의 트레이닝 단계와 취합 단계에서의 시간 관리가 수행되어야 NWDAF 서비스 소비자가 요청한 시간 내에 트레이닝을 완료하고 분석 서비스 결과를 제공할 수 있다.

또한, NWDAF 가 연합 학습을 통해서 분석 서비스를 제공할 때, 다수의 NWDAF 가 학습에 참여하기 때문에 개별 NWDAF 에서 발생할 수 있는 비정상 이벤트를 모니터링해야한다. 연합 학습에 참여하는 개별 로컬 NWDAF 에서 발생하는 이벤트에 따라 연합 학습의 정확도와 완료 시간이 변할 수 있다. 안정적인 NWDAF 간 연합 학습을 수행하기 위해서는 비정상 이벤트에 대한 모니터링 및 대응 방법이 필요하다.

본 개시에 따른 중앙 NWDAF의 동작 방법은, 네트워크 기능(network function)으로부터 분석 요청(analytics request) 메시지를 수신하는 단계; 상기 분석 요청 메시지에 기초하여 연합 학습(federated learning; FL) 그룹(group)에 포함되는 로컬(local) NWDAF를 결정하는 단계; 상기 로컬 NWDAF에게 FL 로컬 행동 명령어(local behavior instruction)를 전송하는 단계; 상기 FL 로컬 행동 명령어에 대한 응답으로, 상기 로컬 NWDAF로부터 응답 메시지를 수신하는 단계; 상기 FL 로컬 행동 명령어에 기초하여 상기 로컬 NWDAF에 의해 생성된 로컬 모델(model)을 상기 로컬 NWDAF로부터 수신하는 단계; 상기 로컬 모델에 기초하여 글로벌(global) 모델을 생성하는 단계; 및 상기 글로벌 모델을 상기 NWDAF에게 전송하는 단계;를 포함한다.

본 개시에 따른, 중앙 NWDAF는, 네트워크 인터페이스; 및 상기 네트워크 인터페이스와 연결되는 프로세서를 포함한다. 상기 프로세서는, 네트워크 기능(network function)으로부터 분석 요청(analytics request) 메시지를 수신하고, 상기 분석 요청 메시지에 기초하여 연합 학습(federated learning; FL) 그룹(group)에 포함되는 로컬(local) NWDAF를 결정하고, 상기 로컬 NWDAF에게 FL 로컬 행동 명령어(local behavior instruction)를 전송하고, 상기 FL 로컬 행동 명령어에 대한 응답으로 상기 로컬 NWDAF로부터 응답 메시지를 수신하고, 상기 FL 로컬 행동 명령어에 기초하여 상기 로컬 NWDAF에 의해 생성된 로컬 모델(model)을 상기 로컬 NWDAF로부터 수신하고, 상기 로컬 모델에 기초하여 글로벌(global) 모델을 생성하고, 그리고 상기 글로벌 모델을 상기 NWDAF에게 전송한다.

NWDAF는 연합 학습을 통해서 분석 서비스를 제공할 때, 주어진 시간 내에 학습을 완료하여 분석 서비스 결과를 공급할 수 있다. 또한, NWDAF는 연합 학습을 수행하는 단계에서 비정상 이벤트가 발생했을 때, 이에 대한 대응을 수행하여 최종적으로 분석 서비스 결과를 안정적으로 제공할 수 있다.

도 1 은 본 개시에 따른 연합 학습(federated learning) 을 수행하기 위한 NWDAF 간 연결 구조를 도시한 개념도이다.
도 2는 본 개시에 따른 NWDAF를 지원하는 5G 시스템을 도시한 개념도이다.
도 3은 본 개시에 따른 중앙 NWDAF에서 연합 학습 단계 별 시간 조절을 수행하는 절차를 도시한 순서도이다.
도 4는 본 개시에 따른, 중앙 NWDAF에 분석 서비스를 제공하기 위해 연합 학습 그룹을 생성하는 절차를 도시한 순서도이다.
도 5는 본 개시에 따른 로컬 NWDAF에서 지연 상황 발생 이벤트를 모니터링하고 중앙 NWDAF 에 통지하는 절차를 도시한 순서도이다.
도 6은 본 개시에 따른 중앙 NWDAF를 도시한 블록도이다.
도 7은 본 개시에 따른 로컬 NWDAF 1를 도시한 블록도이다.
도 8은 본 개시에 따른 로컬 NWDAF 2를 도시한 블록도이다.

이하 첨부된 도를 참조하여 본 발명의 동작 원리를 상세히 설명한다. 그리고 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들이다. 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있으므로 그 정의는 본 명세서 전반에 걸친 내용에 따라 정해져야 한다.

본 게시에서 사용되는 망 객체(network entity) 및 엣지 컴퓨팅(Edge Computing) 시스템의 객체들을 지칭하는 용어, 메시지들을 지칭하는 용어, 식별 정보들을 지칭하는 용어 등은 설명의 편의를 위해 예시된 것이다. 따라서, 본 발명이 후술되는 용어들에 한정되는 것은 아니며, 동등한 기술적 의미를 가지는 대상을 지칭하는 다른 용어가 사용될 수 있다.

이하 편의를 위하여, 본 발명은 5G 시스템 규격에서 정의하는 용어와 명칭들을 사용하지만 상기 용어 및 명칭들에 의해 한정되는 것은 아니며, 다른 규격에 따르는 시스템에도 동일하게 적용될 수 있다.

본 발명은 이동 통신 시스템 내 연합 학습 (federated learning)을 지원하기 위한 방법을 제안한다. 구체적으로, 중앙 NWDAF 와 복수의 로컬 NWDAF 들 간 연합 학습을 수행하는 구조에서, 주어진 시간 내 analytics 를 제공하기 위한 time coordination 방법 및 학습 중 비정상 이벤트 발생 모니터링 및 대응 방법을 제안한다.

도 1은 본 개시에 따른 연합 학습(federated learning) 을 수행하기 위한 NWDAF 간 연결 구조를 도시한 개념도이다.

도 1을 참고하면, 다수의 로컬(local) NWDAF들(1110, 1120, 1130)은 중앙(Central) NWDAF(1000) 를 중심으로 각각 연결되어 연합 학습(federated learning)을 수행할 수 있다. 로컬 NWDAF(1110, 1120, 1130) 는 MTLF(model training logical function) 를 포함하고 있으며 자신과 연결되어 있는 로컬 데이터 소스(Data Source) NF(network function)(1210, 1220, 1230)(예를 들어, 로컬 NWDAF와 연결되어 있어 수집한 데이터를 제공할 수 있는 NF) 또는 OAM(Operations, Administration and Maintenance) 시스템 등일 수 있음)를 사용하여 ML(machine learning) 모델 트레이닝을 수행할 수 있다.

중앙 NWDAF(1000)는 지역적으로 분포되어 있는 로컬 NWDAF 들(1110, 1120, 1130)로부터 학습된ML 모델을 수집하고 연산하여 글로벌 ML모델 (global machine learning model 또는 aggregated machine learning model)을 생성할 수 있다. 중앙 NWDAF(1000)는 생성된 글로벌 ML 모델을 다시 로컬 NWDAF(1110, 1120, 1130) 에 배포할 수 있다. 로컬 NWDAF(1110, 1120, 1130) 는 글로벌 ML 모델을 기반으로 로컬 ML 모델 트레이닝을 수행하고 상술한 동작과 같이 업데이트된 로컬 ML 모델을 중앙 NWDAF(1000) 에 전송할 수 있다. 중앙 NWDAF(1000) 및 로컬 NWDAF(1110, 1120, 1130)는 사전에 결정되어 있는 모델 트레이닝 조건을 만족할 때까지 상술한 동작을 반복적으로 수행할 수 있다.

도 2는 본 개시에 따른 NWDAF를 지원하는 5G 시스템을 도시한 개념도이다.

도 2를 참고하면, NWDAF(1000) 를 지원하는 5G 시스템 구조는 다양한 네트워크 기능(network function, NF)을 포함할 수 있다. 예를 들어, 5G 시스템 구조는 액세스 및 이동성 관리 기능(access and mobility management function, AMF)(500), 세션 관리 기능(session management function, SMF)(600), 정책 제어 기능(policy control function, PCF)(700), 어플리케이션 기능(application function, AF)(800), 통합된 데이터 관리(unified data management, UDM)(900), 데이터 네트워크(data network, DN)(400), 사용자 평면 기능(user plane function, UPF)(300), (무선) 액세스 네트워크((radio) access network, (R)AN)(200), 단말 (user equipment, UE)(100)를 포함할 수 있다.

예를 들어, 각 NF들은 다음과 같은 기능을 지원할 수 있다.

- AMF(500)는 UE 단위의 접속 및 이동성 관리를 위한 기능을 제공하며, 하나의 UE 당 기본적으로 하나의 AMF에 연결될 수 있다.

- DN(400)은 예를 들어, 운영자 서비스, 인터넷 접속 또는 서드파티(3rd party) 서비스 등이 존재하는 5GS 외부의 네트워크를 의미한다. DN(400)은 UPF(300)로 하향링크 프로토콜 데이터 유닛(protocol data unit, PDU)을 전송하거나, UE(100)로부터 전송된 PDU를 UPF(300)로부터 수신할 수 있다.

- PCF(700)는 어플리케이션 서버로부터 패킷 흐름에 대한 정보를 수신하여, 이동성 관리, 세션 관리 등의 정책을 결정하는 기능을 제공할 수 있다. 구체적으로, PCF(700)는 네트워크 동작을 통제하기 위한 단일화된 정책 프레임워크 지원, 제어평면 기능(들)(예를 들어, AMF(500), SMF(600) 등)이 정책 규칙을 시행할 수 있도록 정책 규칙 제공, 사용자 데이터 저장소(user data repository, UDR) 내 정책 결정을 위해 관련된 가입 정보에 액세스하기 위한 프론트 엔드(front end) 구현 등의 기능을 지원할 수 있다.

- SMF(600)는 세션 관리 기능을 제공하며, UE(100)가 다수 개의 세션을 가지는 경우 각 세션 별로 서로 다른 SMF에 의해 관리될 수 있다.

- UDM(900)은 사용자의 가입 데이터, 정책 데이터 등을 저장할 수 있다.

- UPF(300)는 DN(400)으로부터 수신한 하향링크 PDU를 (R)AN(200)을 경유하여 UE(100)에게 전달하며, (R)AN(200)을 경유하여 UE(100)로부터 수신한 상향링크 PDU를 DN(400)으로 전달할 수 있다.

- AF(800)는 서비스 제공(예를 들어, 트래픽 라우팅 상에서 어플리케이션 영향, 네트워크 능력 노출(network capability exposure)에 대한 접근, 정책 제어를 위한 정책 프레임워크와의 상호동작 등의 기능을 지원)을 위해 3GPP 코어 네트워크와 상호 동작할 수 있다.

- NWDAF(1000)는 AnLF(analytics logical function) 와 MTLF(model training logical function) 중 적어도 하나의 기능을 포함하며 5G 시스템 내 데이터를 수집하고 수집된 데이터를 기반으로 분석(analytics) 서비스를 제공한다. 예를 들어, 데이터를 기반으로 머신 러닝 모델을 트레이닝하고 트레이닝된 모델을 기반으로 네트워크 운용 및 동작에 필요한 분석 자료를 제공할 수 있다.

도 3은 본 개시에 따른 중앙 NWDAF 에서 연합 학습 단계 별 시간 조절을 수행하는 절차를 도시한 순서도이다.

도 3을 참고하면, 단계 1에서 중앙 NWDAF(1000)는 연합 학습 그룹(Federated Learning group; FL group)을 생성할 수 있다. 예를 들어, 중앙 NWDAF(1000) 는 분석 서비스 소비자 (예를 들어, 네트워크 기능 또는 다른 NWDAF) 로부터 분석 요청을 수신할 수 있다. 중앙 NWDAF(1000)는 분석 요청에 기초하여 연합 학습을 수행할 것을 결정할 수 있다. 중앙 NWDAF(1000)는 상기 결정에 기초하여 연합 학습에 참여할 수 있는 로컬 NWDAF(1110, 1120)을 선택할 수 있다. 중앙 NWDAF(1000)는 선택된 로컬 NWDAF(1110, 1120)에 기초하여 연합 학습 그룹 (Federated Learning group; FL group) 을 생성할 수 있다.

단계 2에서 중앙 NWDAF(1000)는 단계 1에서 연합 학습 수행을 위해 선택된 로컬 NWDAF(1110, 1120)에 FL 로컬 행동 명령어(FL local behavior instruction) 을 제공할 수 있다. 예를 들어, 중앙 NWDAF(1000)는 FL 로컬 행동 명령어를 포함하는 메시지를 로컬 NWDAF(1110, 1120)에게 전송할 수 있다. 예를 들어, FL 로컬 행동 명령어는 다음의 정보를 포함할 수 있다.

- ML 모델 정보(ML model information): 연합 학습 모델 파라미터, 모델 구조, 모델 획득 가능 주소 (URL for downloading ML model)

- 글로벌 모델을 생성하기 위해 요구되는 파라미터(Required parameters for generating global model): 로컬 모델을 생성하는데 사용한 데이터 샘플 수, 기울기(gradient) 값, 가중치(weight) 값, 또는 사전에 약속된 프로파일 인덱스(profile index) 값

- 모니터링 및 리포팅이 필요한 이벤트 리스트: 이벤트(event) ID(s), 예를 들어, 지연 전송(late transmission) (로컬 NWDAF(1110, 1120)에서 로컬 모델 트레이닝 시간이 증가하여 central NWDAF(1000)에 로컬 모델 제공 시간이 지연됨을 알리는 리포팅 이벤트), 낮은 정확성(low accuracy) (로컬 NWDAF(1110, 1120) 에서 트레이닝한 로컬 모델의 정확도가 기준치 보다 낮음을 알리는 리포팅 이벤트, 낮은 정확성(low accuracy) 이벤트에 대한 모니터링 및 리포팅을 지시하는 경우, 정확성 임계(accuracy threshold) 값을 이벤트 식별자와 같이 제공할 수 있다), 데이터 부족(data shortage) 발생 (로컬 NWDAF(1110, 1120) 에서 로컬 모델 트레이닝을 위해 데이터 샘플을 제공하는 데이터 소스의 상태 이상 등으로 인해 데이터 샘플 획득이 어려워지는 상황 발생 리포팅 이벤트) 등의 이벤트 중 적어도 하나를 나타내는 이벤트(event) ID 값이 포함될 수 있다. 이러한 이벤트는 지연 상황 발생 이벤트(straggling event)로 표현될 수도 있으며, 별도의 구독(subscription) 서비스가 아닌 FL 로컬 행동 명령어를 제공하면서 지연 상황 발생 이벤트를 통지하기 위한 암시적인 구독(implicit subscribe to notify straggling event) 의 형태로 구독이 형성될 수 있다. 또는, 별도의 구독 요청(subscribe request) 를 통해서 지연 상황 발생 이벤트를 통지하기 위한 구독(subscription to notify straggling event) 가 수행될 수 있다.

- 에폭 시간(Epoch time) 요구 사항 정보

a) 예상 에폭 시간(Expected epoch time) 또는 예상 로컬 ML 모델 트레이닝 및 전송 시간(expected local ML model training and transmission time): 연합 학습을 수행할 때, 로컬 NWDAF(1110, 1120) 에서 로컬 모델 트레이닝을 수행 후, 중앙 NWDAF(1000)에 트레이닝 완료된 로컬 모델을 전송하기까지의 기대 시간 값

b) 로컬 ML 모델 트레이닝 시간 요구 사항(Local ML model training time requirement): 로컬 NWDAF(1110, 1120) 에서 로컬 모델 트레이닝 완료 후 central NWDAF(1000)에 전송하기 까지 걸리는 시간에 대한 요구 값

예상 에폭 시간(expected epoch time) 또는 예상 로컬 ML 모델 트레이닝 및 전송 시간(expected local ML model training and transmission time) 또는 로컬 ML 모델 트레이닝 시간 요구(local ML model training time requirement) 값은 연합 학습에 참여하는 로컬 NWDAF(1110, 1120)에 따라 다른 값이 제공되거나, 통일된 하나의 값이 제공될 수 있다. 관련된 상세한 절차는 다음의 도 4를 통해 설명한다. 예를 들어, 예상 에폭 시간, 또는 예상 로컬 ML 모델 트레이닝 및 전송 시간, 또는 로컬 ML 모델 트레이닝 시간 요구 값은 로컬 모델 트레이닝에 걸리는 시간에 영향을 줄 수 있는 개별 NWDAF(1110, 1120)의 부하(load) 상태, 데이터 샘플 수 등에 기초하여 로컬 NWDAF(1110, 1120)에 따라 다른 값으로 설정될 수 있다. 예를 들어, 중앙 NWDAF(1000)는 로컬 NWDAF(1110, 1120)가 관장하는 로컬 NWDAF(1110, 1120)의 ML 모델 트레이닝에 이용 가능한 데이터 정보에 포함되어 있는 데이터 셋 크기, 로컬 NWDAF(1110, 1120)와 연결되어 데이터 제공 가능한 네트워크 기능 인스턴스 수 또는 네트워크 기능 집합의 크기, 로컬 NWDAF(1110, 1120)가 데이터를 수집할 수 있는 PDU 세션 수, 로컬 NWDAF(1110, 1120)가 관장하는 데이터 네트워크 이름(data network name) 수, 데이터 네트워크 액세스 식별자(data network access idnentifier) 수에 비례하여 연합 학습 에폭 시간 요구 값의 크기를 결정할 수 있다. 중앙 NWDAF(1000)가 연합 학습 에폭 시간 요구 값의 크기를 결정하는데 사용하는 정보는 연합 학습 그룹 생성을 위한 로컬 NWDAF 탐색 단계에서 NRF(network repository function)(1300)로부터 획득하거나 연합 학습 그룹 내 멤버로 탐색된 로컬 NWDAF(1110, 1120)로부터 직접 획득할 수 있다.

로컬 NWDAF(1110, 1120)는 중앙 NWDAF(1000)로부터 FL 로컬 행동 명령어에 기초하여, 각각 데이터 수집(data collection)을 수행할 수 있다. 예를 들어, 로컬 NWDAF(1110, 1120)는 데이터 수집을 통해, 로컬 NWDAF(1110, 1120)의 부하(load) 상태, 또는 데이터 샘플 정보 (데이터 샘플 수 또는 예상되는 획득 가능 데이터 샘플 수, 데이터 수집 영역(data collection area) 크기 (추적 영역(tracking area) ID 개수), 데이터 소스(data source) 로 이용 가능한 네트워크 기능 인스턴스 수)를 결정할 수 있다.

단계 3에서, 로컬 NWDAF(1110, 1120)는 FL 로컬 행동 명령어에 대한 응답 메시지를 중앙 NWDAF(1000)에게 전송할 수 있다. 예를 들어, 로컬 NWDAF(1110, 1120)는 중앙 NWDAF(1000)로부터 수신한 FL 로컬 행동 명령어에 포함된 예상 에폭 시간, 또는 예상 로컬 ML 모델 트레이닝 및 전송 시간, 또는 로컬 ML 모델 트레이닝 시간 요구 사항에 대한 충족이 가능한지 여부를 결정할 수 있다. 예를 들어, 로컬 NWDAF(1110, 1120)의 부하(load) 상태 또는 데이터 샘플 정보 (데이터 샘플 수 또는 예상되는 획득 가능 데이터 샘플 수, 데이터 수집 영역(data collection area) 크기(추적 영역(tracking area) ID 개수), 데이터 소스(data source)로 이용 가능한 네트워크 기능 인스턴스 수)에 기초하여 FL 로컬 행동 명령어에 포함된 예상 에폭 시간, 또는 예상 로컬 ML 모델 트레이닝 및 전송 시간, 또는 로컬 ML 모델 트레이닝 시간 요구 사항에 대한 충족이 가능한지 여부를 결정할 수 있다.

로컬 NWDAF(1110, 1120)는 충족이 가능한 경우, 충족이 가능함을 알리는 지시자를 포함하는 응답 메시지를 중앙 NWDAF(1000)에게 전송할 수 있다.

로컬 NWDAF(1110, 1120)는 충족이 불가능하다고 결정되면 (1) 새로운 수정된 시간 값을 생성하여 상기 수정된 시간 값을 포함하는 응답 메시지를 중앙 NWDAF(1000)에 전송하거나, (2) 충족 불가능함을 알리는 지시자 및 데이터 샘플 정보를 포함하는 응답 메시지를 중앙 NWDAF(1000)에 전송할 수 있다. 중앙 NWDAF(1000)는 로컬 NWDAF(1110, 1120)로부터 응답 메시지를 수신할 수 있다. 중앙 NWDAF(1000)는 응답 메시지에 기초하여 새로운 에폭 시간(epoch time) 요구 사항을 결정할 수 있다.

중앙 NWDAF(1000)로부터 수신한 에폭 시간 요구 사항에 대한 응답은 로컬 NWDAF(1110, 1120)에 따라 상이할 수 있다.

단계 4에서, 중앙 NWDAF(1000)는 새로운 예상 에폭 시간 요구 사항을 로컬 NWDAF(1110, 1120)에게 제공할 수 있다. 예를 들어, 중앙 NWDAF(1000)는 새로운 예상 에폭 시간 요구 사항을 포함하는 메시지를 로컬 NWDAF(1110, 1120)에게 전송할 수 있다. 예를 들어, 중앙 NWDAF(1000)는 로컬 NWDAF(1110, 1120)로부터 수신한 에폭 시간 요구 사항에 대한 응답 메시지에 기초하여 새로운 에폭 시간 요구 사항을 결정할 수 있다. 중앙 NWDAF(1000)는 결정된 새로운 에폭 시간 요구 사항에 대응하는 값, 및 연학 학습 시작을 지시하는 지시자를 포함하는 메시지를 로컬 NWDAF(1110, 1120)에 전송할 수 있다. 상기 메시지는 동기화된 연합 학습 수행을 위한 타임 스탬프(timestamp) 값(절대 시간 값)을 포함할 수 있다.

예를 들어, 중앙 NWDAF(1000)는 로컬 NWDAF(1110, 1120)로부터 수신된 응답 메시지에 포함된 수정된 에폭 시간 요구 사항 중 가장 큰 에폭 시간 값을 새로운 에폭 시간 값으로 결정할 수 있다. 중앙 NWDAF(1000)는 결정된 새로운 에폭 시간 값에 기초하여 새로운 에폭 시간 요구 사항을 생성할 수 있다. 중앙 NWDAF(1000)는 생성된 새로운 에폭 시간 요구 사항을 연합 학습에 참여하는 로컬 NWDAF(1110, 1120)에 제공할 수 있다.

또는, 중앙 NWDAF(1000)는 미리 정해진 임계 값을 초과하는 에폭 시간 값을 응답한 로컬 NWDAF를 연합 학습에서 제외할 것을 결정할 수 있다. 중앙 NWDAF(1000)는 연합 학습에서 제외할 것으로 결정된 로컬 NWDAF에게 연합 학습 미참여 지시자를 포함하는 메시지를 전송할 수 있다.

중앙 NWDAF(1000)는 사업자 정책 또는 기 정의된 규칙에 기초하여 로컬 NWDAF(1110, 1120)로부터 제공된 수정된 에폭 시간 요구 사항에 대한 상술한 동작을 수행할 수 있다.

로컬 NWDAF(1110, 1120)는 중앙 NWDAF(1000)로부터 새로운 예상 에폭 시간 요구 사항을 포함하는 메시지를 수신할 수 있다. 로컬 NWDAF(1110, 1120)는 중앙 NWDAF(1000)로부터 수신한 메시지에 포함되는 새로운 에폭 시간(epoch time) 요구 사항 및 타임 스탬프(timestamp) 값에 기초하여 로컬 모델 트레이닝을 수행할 수 있다. 로컬 NWDAF(1110, 1120, 1130)는 로컬 모델 트레이닝 수행 시작과 동시에 에폭 시간(epoch time) 요구 값으로 설정된 타이머를 동작 시킬 수 있다.

단계 5에서, 로컬 NWDAF(1110, 1120)는 완료된 ML 로컬 모델을 중앙 NWDAF(1000)에 전송할 수 있다. 또한, 로컬 NWDAF(1110, 1120, 1130)는 단계 2에서 수신한 FL 로컬 행동 명령어에 기초하여 글로벌 모델을 생성하기 위해 요구되는 파라미터(Required parameters for generating global model)를 중앙 NWDAF(1000)에 전송할 수 있다.

중앙 NWDAF(1000)는 로컬 NWDAF(1110, 1120)로부터 각각 완료된 ML 로컬 모델을 수신할 수 있다.

단계 6에서, 중앙 NWDAF(1000)는 로컬 NWDAF(1110, 1120)로부터 수신한 로컬 모델에 대한 승인(acknowledgement) 메시지를 로컬 NWDAF(1110, 1120)에 전송할 수 있다.

로컬 NWDAF(1110, 1120)는 중앙 NWDAF(1000)로부터 승인 메시지를 수신할 수 있다.중앙 NWDAF(1000)는 로컬 NWDAF(1110, 1120)로부터 수신한 ML 로컬 모델, 및 글로벌 모델을 생성하기 위해 요구되는 파라미터 값에 기초하여 글로벌 모델을 생성할 수 있다.

단계 7에서, 중앙 NWDAF(1000)는 생성한 글로벌 모델, 에폭 ID (해당 에폭이 몇번 째 에폭 임을 나타내는 식별자), 및 타임 스탬프 값을 연합 학습에 참여하는 로컬 NWDAF(1110, 1120)에 전송할 수 있다.

도 4는 본 개시에 따른, 중앙 NWDAF 에서 NF에 분석 서비스를 제공하기 위해 연합 학습 그룹을 생성하는 절차를 도시한 순서도이다.

도 4를 참고하면, 단계 1에서, 연합 학습에 참여하여 로컬 NWDAF 역할을 수행할 수 있는 로컬 NWDAF(1110, 1120, 1130)는 NRF(1300)에 NF 등록 요청(registration request) 메시지를 전송할 수 있다. NRF(1300)는 로컬 NWDAF(1110, 1120, 1130)로부터 NF 등록 요청 메시지를 수신할 수 있다. NF 등록 요청 메시지는 다음의 정보를 포함할 수 있다.

- NWDAF 식별자 및 주소 정보

- 지원되는 모델 ID 및 정보(supported model ID(s) and information): 지원되는 ML 모델 식별자 및 메타 정보 (예를 들어, 지원하는 모델 사이즈, 파라미터 수 등을 포함할 수 있음)

- 지원하는 분석 ID(supported analytic ID(s)): 연합 학습을 통해서 제공할 수 있는 분석 식별자

- ML 모델 트레이닝에 이용 가능한 데이터 정보: (information for data set available at the local NWDAF): 데이터 샘플 수 또는, 데이터 셋 크기 (data set size), 로컬 NWDAF(1110, 1120, 1130)와 연결되어 데이터 제공 가능한 네트워크 기능 (data source NF)의 식별자 리스트, 종류 및 인스턴스 수 또는 네트워크 기능 집합의 크기 (cardinality of NF set associated to the local NWDAF), 로컬 NWDAF(1110, 1120, 1130)가 관장하는 PDU 세션 정보 (예를 들어, 숫자 및 PDU 세션 식별자 리스트의 형태를 지닐 수 있으며 로컬 NWDAF(1110, 1120, 1130)가 데이터를 수집할 수 있는 PDU 세션 수에 대한 정보를 포함한다), 로컬 NWDAF(1110, 1120, 1130)가 관장하는 단말의 수 (로컬 NWDAF(1110, 1120, 1130)가 데이터를 수집할 수 있는 단말의 수), 로컬 NWDAF(1110, 1120, 1130)가 관장하는 네트워크 슬라이스 인스턴스 정보 (네트워크 슬라이스 인스턴스 수, S-NSSAI 리스트), 데이터 분포 정보 (예를 들어, 데이터 분포도 특성으로서 로컬 NWDAF(1110, 1120, 1130)가 보유하거나 사용 가능한 데이터의 분포가 얼마나 독립적이고 동일한 특성을 지니고 분포되어 있는지에 대한 정보; how much the data set is independent and identically distributed (i.i.d), 또는 degree of (non-)IID 의 형태로 "Low", "Medium", "High" or "Highest 로 표현될 수 있다. 이러한 데이터 분포 정보는 dataset statistical properties 의 일부 파라미터 값으로 포함될 수도 있다.)

- 서비스 지역 (추적 영역 ID 리스트(tracking area ID list), 셀 ID 리스트(cell ID list) 등)

- 데이터 네트워크 이름(data network name) 또는 데이터 네트워크 액세스 식별자(data network access identifier): 로컬 NWDAF(1110, 1120, 1130)가 데이터를 수집하여 분석 서비스를 제공할 수 있는 데이터 네트워크 정보

단계 2에서, NRF(1300)는 NF 등록 응답 메시지를 로컬 NWDAF(1110, 1120, 1130)에게 전송할 수 있다. 예를 들어, NRF(1300)는 로컬 NWDAF(1110, 1120, 1130)의 정보를 저장할 수 있다. NRF(1300)는 로컬 NWDAF(1110, 1120, 1130)의 성공적인 등록 완료 여부를 포함하는 응답 메시지를 로컬 NWDAF(1110, 1120, 1130)에게 전송할 수 있다. 로컬 NWDAF(1110, 1120, 1130)는 NRF(1300)로부터 응답 메시지를 수신할 수 있다.

단계 3에서, 중앙 NWDAF(1000)는 NF 탐색 요청 메시지를 NRF(1300)에게 전송할 수 있다. 예를 들어, 중앙 NWDAF(1000)는 불특정한 NF(any NF)로부터 분석 요청(analytics request) 메시지를 수신할 수 있다. 예를 들어, NF는 도 2의 UE(100), (R)AN(200), UPF(300), DN(400), AMF(500), SMF(600), PCF(700), AF(800), UDM(900) 중 적어도 하나일 수 있다. 예를 들어, 분석 요청 메시지는 분석 ID, FL 수행 요청 지시자, NF 제공 데이터 공유 허용 여부 지시자, NF 보유 또는 제공 가능한 데이터 분포 정보, 분석 서비스 제공 시간 요구사항, 분석 서비스 정확도 요구사항 중 적어도 하나를 포함할 수 있다. 예를 들어, 중앙 NWDAF(1000)는 NF로부터 수신한 분석 요청 메시지에 분석 서비스 제공 시간 요구 사항이 포함되어 있다면, 해당 요구 사항을 포함하는 NWDAF 탐색 요청 메시지를 NRF(1300)에 전송할 수 있다. 중앙 NWDAF(1000)는 NWDAF 탐색 요청 메시지에 대한 응답으로 NRF(1300)로부터 해당 요구 사항을 충족할 수 있는 NWDAF 리스트를 포함하는 응답 메시지를 수신할 수 있다. 또는, 중앙 NWDAF(1000)는 해당 요구 사항을 포함하지 않는 NWDAF 탐색 요청 메시지를 NRF(1300)를 전송할 수 있다. 중앙 NWDAF(1000)는 기 저장된 이용 가능한 로컬 NWDAF 리스트에 기초하여, 해당 요구 사항을 충족할 수 있는 로컬 NWDAF(1110, 1120, 1130)를 결정할 수 있다.

중앙 NWDAF(1000)는 NF로부터 수신한 분석 요청 메시지에 기초하여 NF 탐색 요청 메시지를 생성할 수 있다. 예를 들어, NF 탐색 요청 메시지는 다음의 정보를 포함할 수 있다.

- FL 애그리게이터 능력(aggregator capability): FL 애그리게이터 역할을 수행할 수 있는 중앙 NWDAF(1000)에 대한 정보를 NRF(1300)에게 요청하기 위한 정보

- 연합 학습 지시자: FL에 참여 가능한 NWDAF에 대한 정보를 요청함을 나타내는 지시자

- 중앙 NWDAF 정보 (주소 및 식별자)

- 단말 식별자 또는 단말 그룹 식별자 (만약 NF 에서 요청한 분석이 특정 단말 또는 단말 그룹에 해당하는 경우에 포함될 수 있음)

- 지원되는 ML 모델 정보(Supported ML model information): 중앙 NWDAF(1000)에서 지원하며 연합 학습에 사용되는 ML 모델에 대한 정보(식별자 등), 연합 학습의 특성 상 동일한 모델에 대해서 트레이닝이 수행되어야 하므로 중앙 NWDAF(1000)에서 지원하는 모델과 동일한 모델을 지원하는 (중앙 NWDAF(1000)에서 지원하는 모델로 로컬 ML 모델 트레이닝을 수행할 수 있는) 로컬 NWDAF (FL 그룹에 참여할 수 있는 로컬 NWDAF)를 찾기 위해 사용될 수 있음

- 분석 ID: NF로부터 중앙 NWDAF(1000)로 요청된 분석 식별자, 연합 학습을 수행하는 목적인 분석에 대한 정보

- ML 모델 트레이닝에 이용 가능한 데이터 정보 요구 사항: 1 단계의 설명에 명시된 ML 모델 트레이닝에 이용 가능한 데이터 정보 값을 가질 수 있다. 해당 요구 사항을 만족하는 데이터를 보유하거나 사용 가능한 NWDAF 를 선택하는데 사용될 수 있다. 예를 들어 다음의 정보가 포함될 수 있다: 데이터 샘플 수 또는, 데이터 셋 크기 (data set size), 로컬 NWDAF와 연결되어 데이터 제공 가능한 네트워크 기능 (data source NF)의 식별자 리스트, 종류 및 인스턴스 수 또는 네트워크 기능 집합의 크기 (cardinality of NF set associated to the local NWDAF), 로컬 NWDAF 가 관장하는 PDU 세션 정보 (예를 들어, 숫자 및 PDU 세션 식별자 리스트의 형태를 지닐 수 있으며 로컬 NWDAF 가 데이터를 수집할 수 있는 PDU 세션 수에 대한 정보를 포함한다), 로컬 NWDAF 가 관장하는 단말의 수 (로컬 NWDAF 가 데이터를 수집할 수 있는 단말의 수), 로컬 NWDAF 가 관장하는 네트워크 슬라이스 인스턴스 정보 (네트워크 슬라이스 인스턴스 수, S-NSSAI 리스트)

단계 4에서, NRF(1300)는 NF 탐색 응답 메시지를 중앙 NWDAF(1000)에게 전송할 수 있다. 중앙 NWDAF(1000)는 NRF(1300)로부터 NF 탐색 응답 메시지를 수신할 수 있다. 예를 들어, NRF(1300)는 중앙 NWDAF(1000)로부터 수신한 NF 탐색 요청 메시지에 대응되는 로컬 NWDAF 정보를 포함하는 NF 탐색 응답 메시지를 중앙 NWDAF(1000)에게 전송할 수 있다. 예를 들어, 로컬 NWDAF 정보(복수의 로컬 NWDAF 에 대한 정보 제공 가능) 는 다음을 포함할 수 있다.

- 로컬 NWDAF 식별자 및 주소 리스트

- 개별 로컬 NWDAF의 ML 모델 트레이닝에 이용 가능한 데이터 정보: 데이터 샘플 수 또는, 데이터 셋 크기 (data set size), 로컬 NWDAF와 연결되어 데이터 제공 가능한 네트워크 기능 (data source NF)의 식별자 리스트, 종류 및 인스턴스 수 또는 네트워크 기능 집합의 크기(cardinality of NF set associated to the local NWDAF), 로컬 NWDAF가 관장하는 PDU 세션 정보 (예를 들어, 숫자 및 PDU 세션 식별자 리스트의 형태를 지닐 수 있으며 로컬 NWDAF가 데이터를 수집할 수 있는 PDU 세션 수에 대한 정보를 포함한다), 로컬 NWDAF가 관장하는 단말의 수 (로컬 NWDAF 가 데이터를 수집할 수 있는 단말의 수), 로컬 NWDAF가 관장하는 네트워크 슬라이스 인스턴스 정보(네트워크 슬라이스 인스턴스 수, S-NSSAI 리스트), 로컬 NWDAF가 관장하는 데이터 네트워크 이름 리스트 또는 데이터 네트워크 액세스 식별자 리스트

(예를 들어, NWDAF가 관장할 수 있다는 것은 해당 데이터에 대한 수집 및/또는 수집된 데이터로 학습을 통한 ML 모델 트레이닝이 가능하다는 것을 의미할 수 있다.)

- 개별 로컬 NWDAF의 지원되는 ML 모델 정보(Supported ML model information)

중앙 NWDAF(1000)는 NRF(1300)로부터 수신한 NF 탐색 응답 메시지에 기초하여 FL 그룹을 생성할 수 있다. 예를 들어, 중앙 NWDAF(1000)가 FL 그룹을 생성하는 동작은 도 3의 1 단계에서 설명된 동작과 동일 또는 유사할 수 있다.

단계 5에서, 중앙 NWDAF(1000)는 FL 로컬 행동 명령어를 포함하는 FL 요청 메시지를 로컬 NWDAF(1110, 1120, 1130)에게 전송할 수 있다. 로컬 NWDAF(1110, 1120, 1130)는 중앙 NWDAF(1000)로부터 FL 로컬 행동 명령어를 포함하는 FL 요청 메시지를 수신할 수 있다. 예를 들어, FL 요청 메시지가 송수신되는 동작은 도 3의 단계 2에서 설명된 동작과 동일 또는 유사할 수 있다. 예를 들어, 중앙 NWDAF(1000)는 탐색된 로컬 NWDAF의 ML 모델 트레이닝에 이용 가능한 데이터 정보에 기초하여 연합 학습 에폭 시간 요구 값(epoch time requirement value: 연합 학습에서 로컬 NWDAF(1110, 1120, 1130)에서 로컬 ML 모델 트레이닝을 완료하기까지 걸리는 시간에 대한 요구 값)을 결정할 수 있다. 예를 들어, 중앙 NWDAF(1000)는 탐색된 로컬 NWDAF(1110, 1120, 1130)의 ML 모델 트레이닝에 이용 가능한 데이터 정보에 포함되어 있는 데이터 셋 크기, 로컬 NWDAF(1110, 1120, 1130)와 연결되어 데이터 제공 가능한 네트워크 기능 인스턴스 수 또는 네트워크 기능 집합의 크기, 로컬 NWDAF(1110, 1120, 1130)가 데이터를 수집할 수 있는 PDU 세션 수, 로컬 NWDAF(1110, 1120, 1130)가 관장하는 데이터 네트워크 이름 수, 데이터 네트워크 액세스 식별자 수에 비례하여 연합 학습 에폭 시간 요구값의 크기를 결정할 수 있다. 중앙 NWDAF(1000)는 연합 학습 에폭 시간 요구 값을 포함하는 FL 요청 메시지를 로컬 NWDAF(1110, 1120, 1130)에 전송할 수 있다.

단계 6에서, 로컬 NWDAF(1110, 1120, 1130)는 FL 요청 메시지에 대한 응답으로 중앙 NWDAF(1000)에게 FL 응답 메시지를 전송할 수 있다. 중앙 NWDAF(1000)는 로컬 NWDAF(1110, 1120, 1130)로부터 FL 응답 메시지를 수신할 수 있다. 예를 들어, 로컬 NWDAF(1110, 1120, 1130)는 도 3의 단계 3에서 설명된 동작과 같이 중앙 NWDAF(1000)에 에폭 시간에 대한 응답을 전송하는 동작을 수행할 수 있다.

도 5는 본 개시에 따른 로컬 NWDAF에서 지연 상황 발생 이벤트를 모니터링하고 중앙 NWDAF에 통지하는 절차를 도시한 순서도이다.

도 5를 참고하면, 단계 1에서, 중앙 NWDAF(1000)는 연합 학습에 참여할 수 있는 로컬 NWDAF(1110, 1120)를 선택하여 연합 학습 그룹을 생성(FL Group Creation)할 수 있다.

단계 2에서, 중앙 NWDAF(1000)는 연합 학습에 참여하는 로컬 NWDAF(1110, 1120)에게 FL 로컬 행동 명령어를 전송할 수 있다. 로컬 NWDAF(1110, 1120)는 중앙 NWDAF(1000)로부터 FL 로컬 행동 명령어를 수신할 수 있다. FL 로컬 행동 명령어는 연합 학습 수행 중 발생하는 비정상 이벤트 또는 지연 상황 발생 이벤트 (straggling event)에 대한 보고를 수행할 것을 지시하는 지시자를 포함할 수 있다. 예를 들어, FL 로컬 행동 명령어는 다음의 정보를 포함할 수 있다.

- 통지 타겟 주소(Notification target address)

- 모니터링 및 리포팅이 필요한 이벤트 리스트: 이벤트 ID(s), 예를 들어, 지연 전송(late transmission)(로컬 NWDAF(1110, 1120)에서 로컬 모델 트레이닝 시간이 지연되어 중앙 NWDAF(1000)에 로컬 모델을 전송하는 시간이 지연됨을 알리는 보고 이벤트), 낮은 정확성(low accuracy)(로컬 NWDAF(1110, 1120)에서 트레이닝한 로컬 모델의 정확도가 기준치 보다 낮음을 알리는 보고 이벤트,낮은 정확성 이벤트에 대한 모니터링 및 보고를 지시하는 경우, 정확성 임계 값이 이벤트 ID와 함께 전송될 수 있다), 데이터 부족(data shortage) 발생 (로컬 NWDAF(1110, 1120)에서 로컬 모델 트레이닝을 위해 데이터 샘플을 제공하는 데이터 소스의 상태 이상 등으로 인해 데이터 샘플 획득이 어려워지는 상황이 발생함을 알리는 보고 이벤트) 등의 이벤트 중 적어도 하나를 나타내는 이벤트 ID 값을 포함할 수 있다. 상기 이벤트는 스트래글링 이벤트(straggling event)로 표현될 수도 있으며, 별도의 구독(subscription) 서비스가 아닌 FL 로컬 행동 명령어가 전송되는 경우, 스트래글링 이벤트를 알리기 위한 암시적인 구독(implicit subscribe to notify straggling event)의 형태로 구독 서비스가 형성될 수 있다. 또는, 별도의 구독 요청(subscribe request) 메시지를 통해서 스트래글링 이벤트를 알리기 위한 구독(subscription to notify straggling event) 서비스가 수행될 수 있다.

상술한 모니터링 및 보고가 필요한 리스트 중에서 지연 전송(late transmission)(로컬 모델 트레이닝 지연 이벤트 발생에 따른 로컬 모델 전송 지연) 관련 이벤트에 대한 보고를 지시하는 경우, 기준이 되는 시간 값을 전송하기 위한 에폭 시간(epoch time) 요구 사항 정보가 함께 제공될 수 있다. 예를 들어, 에폭 시간 요구 사항 정보는 다음과 같은 형태로 표현될 수 있다.

- 에폭 시간 요구 사항 정보

a) 기대되는 에폭 시간(Expected epoch time) 또는 기대되는 로컬 ML 모델 트레이닝 및 전송 시간(expected local ML model training and transmission time): 연합 학습을 수행할 때, 로컬 NWDAF(1110, 1120)에서 로컬 모델 트레이닝을 수행 후, 중앙 NWDAF(1000)에 트레이닝이 완료된 로컬 모델을 전송하기까지의 기대 시간 값

b) 로컬 ML 모델 트레이닝 시간 요구 사항(Local ML model training time requirement): 로컬 NWDAF(1110, 1120)에서 로컬 모델 트레이닝 완료 후 중앙 NWDAF(1000)에 전송하기 까지 걸리는 시간에 대한 요구 값

단계 3에서, 로컬 NWDAF(1110, 1120)는 FL 로컬 행동 명령어에 대한 각각의 응답 메시지를 중앙 NWDAF(1000)에 전송할 수 있다. 중앙 NWDAF(1000)는 로컬 NWDAF(1110, 1120)로부터 FL 로컬 행동 명령어에 대한 각각의 응답 메시지를 수신할 수 있다.각각의 응답 메시지는 로컬 NWDAF(1110, 1120)의 성공적인 구독 완료 여부, 및 구독 ID를 포함할 수 있다.

FL 로컬 행동 명령어에 대한 각각의 응답 메시지가 전송된 후, 중앙 NWDAF(1000) 및 로컬 NWDAF(1110, 1120)에서는 에폭 시간 시작에 대한 타이머가 작동될 수 있다.

로컬 NWDAF(1110, 1120)는 각각의 로컬 모델 트레이닝 동작을 수행할 수 있다.

또 다른 일례로, 로컬 NWDAF (1110, 1120) 은 도 3의 단계 3의 동작과 같이 FL 로컬 행동 명령어에 대한 응답을 에폭 시간 시작에 대한 타이머 작동 전에 중앙 NWDAF(1000)로 전송할 수 있다. 이 경우, 로컬 NWDAF(1110, 1120)는 도 3의 단계 4의 동작과 같이 새로운 예상 에폭 시간 요구 사항을 중앙 NWDAF (1000) 으로부터 수신한 후, 에폭 시간 시작에 대한 타이머를 작동할 수 있다.

단계 4-1에서 로컬 NWDAF 1(1110)은 ML 로컬 모델을 중앙 NWDAF(1000)에게 전송할 수 있다. 중앙 NWDAF(1000)는 로컬 NWDAF 1(1110)로부터 ML 로컬 모델을 수신할 수 있다. 예를 들어, 로컬 NWDAF 1(1110)은 성공적으로 에폭 시간 요구 사항이 지시하는 시간 내 로컬 트레이닝을 완료할 수 있다. 로컬 NWDAF 1(1110)은 로컬 트레이닝을 완료한 결과에 기초하여 ML 로컬 모델을 생성할 수 있다. 로컬 NWDAF 1(1110)은 생성된 ML 로컬 모델을 중앙 NWDAF(1000)에게 전송할 수 있다.

단계 4-2에서, 중앙 NWDAF(1000)는 로컬 NWDAF 1(1110)에게 ML 로컬 모델을 성공적으로 수신하였음을 알리는 승인(acknowledgement, ACK) 메시지를 전송할 수 있다. 로컬 NWDAF 1(1110)는 중앙 NWDAF(1000)로부터 승인 메시지를 수신할 수 있다.

단계 5에서, 로컬 NWDAF 2(1120)는 지연 상황 발생 이벤트 보고 메시지를 중앙 NWDAF(1000)에게 전송할 수 있다. 중앙 NWDAF(1000)는 로컬 NWDAF 2(1120)로부터 지연 상황 발생 이벤트 보고 메시지를 수신할 수 있다. 예를 들어, 로컬 NWDAF 2(1120)는 에폭 타임 요구 사항이 지시하는 시간에 근접하고, 요구 사항에 대한 충족이 불가능함을 결정할 수 있다. 예를 들어, 로컬 NWDAF 2(1120)는 에폭 타임 요구 사항이 지시하는 시간 내에 로컬 트레이닝을 완료하고 중앙 NWDAF(1000)에 로컬 모델을 전송할 수 없음을 결정할 수 있다. 로컬 NWDAF 2(1120)는 상기 결정에 기초하여 지연 상황 발생 이벤트 보고 메시지를 생성할 수 있다. 예를 들어, 지연 상황 발생 이벤트 보고 메시지는 이벤트 발생의 원인을 알기 위한 이벤트 ID, 구독 ID, 원인 코드(cause code)를 포함할 수 있다.

예를 들어, 로컬 NWDAF 2(1120)는 이벤트 ID 및 원인 코드를 결정하기 위해 주어진 상황을 판단할 수 있다. 예를 들어, 로컬 NWDAF 2(1120)는 로컬 모델 트레이닝이 정상적으로 수행 중이고 트레이닝 과정에서 정확성이 향상되는 상황임을 결정할 수 있다. 이때, 로컬 NWDAF 2(1120)는 지연 전송 이벤트 식별자 및 추가 시간 필요 원인 코드를 포함하는 지연 상황 발생 이벤트 보고 메시지를 생성할 수 있다. 또 다른 예로, 로컬 NWDAF 2(1120)는 로컬 모델 트레이닝 수행 중, 로컬 NWDAF 2(1120)와 연결된 데이터 소스인 네트워크 기능의 인스턴스가 종료되거나 과부하로 인해 더 이상 데이터 샘플을 전송할 수 없는 상황임을 감지할 수 있다. 이때, 로컬 NWDAF 2(1120)는 데이터 부족 이벤트 식별자 및 데이터 소스가 이상 상태임을 지시하는 원인 코드를 포함하는 지연 상황 발생 이벤트 보고 메시지를 생성할 수 있다. 또는, 로컬 NWDAF 2(1120)는 로컬 모델 트레이닝 수행 중, 정확성 값이 미리 정해진 임계 정확성 값 미만인 경우, 낮은 정확성 이벤트 식별자를 포함하는 지연 상황 발생 이벤트 보고 메시지를 생성할 수 있다.

중앙 NWDAF(1000)는 로컬 NWDAF 2(1120)로부터 수신한 지연 상황 발생 이벤트 보고 메시지에 대한 응답으로 승인 메시지를 로컬 NWDAF 2(1120)에게 전송할 수 있다. 로컬 NWDAF 2(1120)는 중앙 NWDAF(1000)로부터 승인 메시지를 수신할 수 있다.

단계 6에서, 중앙 NWDAF(1000)는 글로벌 모델을 생성할 수 있다. 예를 들어, 중앙 NWDAF(1000)는 로컬 NWDAF 1(1110)로부터 수신된 ML 로컬 모델 및 로컬 NWDAF 2(1120)로부터 수신된 지연 상황 발생 이벤트 보고 메시지에 기초하여 글로벌 모델을 생성할 수 있다. 예를 들어, 중앙 NWDAF(1000)는 로컬 NWDAF 2(1120)로부터 수신된 지연 상황 발생 이벤트 보고 메시지에 기초하여, 로컬 NWDAF 2(1120)의 로컬 모델이 에폭 시간 내 수신될 수 없음을 결정할 수 있다. 예를 들어, 중앙 NWDAF(1000)는 로컬 NWDAF 2(1120)로부터 수신된 원인 코드에 기초하여 로컬 NWDAF 2(1120)로부터 수신된 일부 ML 로컬 모델 만을 사용하여 글로벌 모델을 생성할 지, 또는 로컬 NWDAF 2(1120)를 연합 학습에서 제외할 지 결정할 수 있다. 예를 들어, 중앙 NWDAF(1000)는 지연 전송에 대한 이벤트 ID 와 원인 코드가 추가 시간 필요 원인 코드를 포함하는 지연 상황 발생 이벤트 보고 메시지를 수신한 경우, 중앙 NWDAF(1000)는 로컬 NWDAF 2(1120)로부터 전송이 지연된 로컬 모델을 제외하고, 로컬 NWDAF 2(1120)로부터 기 수신된 로컬 모델들 만으로 글로벌 모델을 생성할 수 있다. 또 다른 예시로, 중앙 NWDAF(1000)는 이벤트 ID 가 데이터 부족 또는 낮은 정확성을 지시하고, 원인 코드가 데이터 소스 상태 이상을 지시하는 지연 상황 발생 이벤트 보고 메시지를 수신한 경우, 로컬 NWDAF 2(1120)를 연합 학습에서 제외할 것을 결정할 수 있다.

단계 7-1에서 로컬 NWDAF 2(1120)는 전송이 지연된 ML 로컬 모델을 중앙 NWDAF(1000)에게 전송할 수 있다. 중앙 NWDAF(1000)는 로컬 NWDAF 2(1120)로부터 전송이 지연된 ML 로컬 모델을 수신할 수 있다. 예를 들어, 로컬 NWDAF 2(1120)는 5 단계에서 지연 전송 이벤트를 포함하는 지연 상황 발생 이벤트 보고 메시지를 수신한 이후, 지연된 로컬 트레이닝을 완료할 수 있다. 로컬 NWDAF 2(1120)는 지연 완료된 로컬 트레이닝에 기초하여, 전송이 지연된 로컬 모델을 생성할 수 있다. 로컬 NWDAF 2(1120)는 중앙 NWDAF(1000)에 전송이 지연된 로컬 모델을 전송할 수 있다. 로컬 NWDAF 2(1120)는 전송이 지연된 로컬 모델이 몇 번째 에폭 시간에서 생성된 것인지를 지시하는 에폭 시간 ID를 전송이 지연된 로컬 모델과 함께 중앙 NWDAF(1000)에 전송할 수 있다. 중앙 NWDAF(1000)는 로컬 NWDAF 2(1120)로부터 전송이 지연된 로컬 모델 및 에폭 시간 ID를 수신할 수 있다.

단계 7-2에서, 중앙 NWDAF(1000)는 로컬 NWDAF 2(1120)에게 승인 메시지를 전송할 수 있다. 로컬 NWDAF 2(1120)는 중앙 NWDAF(1000)로부터 승인 메시지를 수신할 수 있다. 예를 들어, 승인 메시지는 글로벌 생성 모델이 이미 완료되었음을 알리는 지시자를 포함할 수 있다.

단계 8에서, 중앙 NWDAF(1000)는 생성한 글로벌 모델을 로컬 NWDAF(1110, 1120)에게 전송할 수 있다. 로컬 NWDAF(1110, 1120)는 중앙 NWDAF(1000)로부터 글로벌 모델을 수신할 수 있다. 글로벌 모델은 연합 학습에서 제외된 로컬 NWDAF에게는 전송되지 않을 수 있다. 중앙 NWDAF(1000)는 생성한 글로벌 모델과 함께 에폭 시간 ID를 전송할 수 있다. 로컬 NWDAF(1110, 1120)는 중앙 NWDAF(1000)로부터 글로벌 모델 및 에폭 시간 ID를 수신할 수 있다. 단계 8의 동작은 로컬 NWDAF 2(1120)를 기준으로 단계 7의 동작 보다 먼저 수행될 수 있다.

로컬 NWDAF 2(1120)가 지연 상황 발생 이벤트 보고 메시지를 중앙 NWDAF(1000)에 전송한 후, 전송이 지연된 로컬 모델을 중앙 NWDAF(1000)에 전송하였다면, 중앙 NWDAF(1000)는 전송이 지연된 로컬 모델을 버퍼링하고, 전송이 지연된 로컬 모델을 다음 에폭 시간에 생성되는 글로벌 모델에 반영할 수 있다. 중앙 NWDAF (1000)는 전송이 지연될 로컬 모델을 버퍼링할 때, 해당 로컬 모델을 제공한 로컬 NWDAF 식별자와 에폭 시간 ID (몇번 째 에폭 단계/시간에서 해당 로컬 모델이 제공되어야 했는지를 기록하기 위해 사용할 수 있는 정보)와 맵핑하여 저장할 수 있다.

로컬 NWDAF(1110, 1120)는 수신된 글로벌 모델에 기초하여 로컬 모델을 업데이트할 수 있다. 로컬 NWDAF(1110, 1120) 업데이트된 로컬 모델에 대한 추가 로컬 트레이닝을 수행할 수 있다.

도 6은 본 개시에 따른 중앙 NWDAF(1000)를 도시한 블록도이다.

도 6을 참고하면, 본 개시에 따른 중앙 NWDAF(1000)는 중앙 NWDAF(1000)의 전반적인 동작을 제어하는 제어부(1002), 송신부 및 수신부를 포함하는 네트워크 인터페이스(1001) 및 메모리(1003)를 포함할 수 있다. 물론 상기 예시에 제한되는 것은 아니며 중앙 NWDAF(1000)는 도 6에 도시된 구성보다 더 많은 구성을 포함할 수도 있고, 더 적은 구성을 포함할 수도 있다.

본 개시에 따르면, 네트워크 인터페이스(1001)는 다른 네트워크 엔티티들(100, 200, 300, 400, 500, 600, 700, 800, 900, 1210, 1220, 1230, 1300) 또는 로컬 NWDAF(1110, 1120, 1130) 중 적어도 하나와 신호를 송수신할 수 있다. 다른 네트워크 엔티티들(100, 200, 300, 400, 500, 600, 700, 800, 900, 1210, 1220, 1230, 1300) 또는 로컬 NWDAF(1110, 1120, 1130) 중 적어도 하나와 송수신하는 신호는 제어 정보와 데이터를 포함할 수 있다.

본 개시에 따르면, 제어부(1002)는 상술한 도 3 내지 도 5의 동작을 수행하도록 중앙 NWDAF(1000)를 제어할 수 있다. 한편, 제어부(1002), 메모리(1003) 및 네트워크 인터페이스(1001)는 반드시 별도의 모듈들로 구현되어야 하는 것은 아니고, 단일 칩과 같은 형태로 하나의 구성부로 구현될 수 있음은 물론이다. 그리고, 제어부(1002) 및 네트워크 인터페이스(1001)는 전기적으로 연결될 수 있다. 또한, 제어부(1002)는 AP(Application Processor), CP(Communication Processor), 회로(circuit), 어플리케이션 특정(application-specific) 회로, 또는 적어도 하나의 프로세서(processor)일 수 있다.

본 개시에 따르면, 메모리(1003)는 중앙 NWDAF(1000)의 동작을 위한 기본 프로그램, 응용 프로그램, 설정 정보 등의 데이터를 저장할 수 있다. 특히, 메모리(1003)는 제어부(1002)의 요청에 따라 저장된 데이터를 제공한다. 메모리(1003)는 롬(ROM), 램(RAM), 하드디스크, CD-ROM 및 DVD 등과 같은 저장 매체 또는 저장 매체들의 조합으로 구성될 수 있다. 또한, 메모리(1003)는 복수 개일 수 있다. 또한 제어부(1002)는 메모리(1003)에 저장된 전술한 본 개시의 실시예들을 수행하기 위한 프로그램에 기초하여 전술한 실시예들을 수행할 수 있다.

도 7은 본 개시에 따른 로컬 NWDAF 1(1110)를 도시한 블록도이다.

도 7을 참고하면, 본 개시에 따른 로컬 NWDAF 1(1110)는 로컬 NWDAF 1(1110)의 전반적인 동작을 제어하는 제어부(1112), 송신부 및 수신부를 포함하는 네트워크 인터페이스(1111) 및 메모리(1113)를 포함할 수 있다. 물론 상기 예시에 제한되는 것은 아니며 로컬 NWDAF 1(1110)는 도 7에 도시된 구성보다 더 많은 구성을 포함할 수도 있고, 더 적은 구성을 포함할 수도 있다.

본 개시에 따르면, 네트워크 인터페이스(1111)는 다른 네트워크 엔티티들(100, 200, 300, 400, 500, 600, 700, 800, 900, 1210, 1220, 1230, 1300) 또는 중앙 NWDAF(1000) 중 적어도 하나와 신호를 송수신할 수 있다. 다른 네트워크 엔티티들(100, 200, 300, 400, 500, 600, 700, 800, 900, 1210, 1220, 1230, 1300) 또는 중앙 NWDAF(1000) 중 적어도 하나와 송수신하는 신호는 제어 정보와 데이터를 포함할 수 있다.

본 개시에 따르면, 제어부(1112)는 상술한 도 3 내지 도 5의 동작을 수행하도록 로컬 NWDAF 1(1110)를 제어할 수 있다. 한편, 제어부(1112), 메모리(1113) 및 네트워크 인터페이스(1111)는 반드시 별도의 모듈들로 구현되어야 하는 것은 아니고, 단일 칩과 같은 형태로 하나의 구성부로 구현될 수 있음은 물론이다. 그리고, 제어부(1112) 및 네트워크 인터페이스(1111)는 전기적으로 연결될 수 있다. 또한, 제어부(1112)는 AP(Application Processor), CP(Communication Processor), 회로(circuit), 어플리케이션 특정(application-specific) 회로, 또는 적어도 하나의 프로세서(processor)일 수 있다.

본 개시에 따르면, 메모리(1113)는 로컬 NWDAF 1(1110)의 동작을 위한 기본 프로그램, 응용 프로그램, 설정 정보 등의 데이터를 저장할 수 있다. 특히, 메모리(1113)는 제어부(1112)의 요청에 따라 저장된 데이터를 제공한다. 메모리(1113)는 롬(ROM), 램(RAM), 하드디스크, CD-ROM 및 DVD 등과 같은 저장 매체 또는 저장 매체들의 조합으로 구성될 수 있다. 또한, 메모리(1113)는 복수 개일 수 있다. 또한 제어부(1112)는 메모리(1113)에 저장된 전술한 본 개시의 실시예들을 수행하기 위한 프로그램에 기초하여 전술한 실시예들을 수행할 수 있다.

도 8은 본 개시에 따른 로컬 NWDAF 2(1120)를 도시한 블록도이다.

도 8을 참고하면, 본 개시에 따른 로컬 NWDAF 2(1120)는 로컬 NWDAF 2(1120)의 전반적인 동작을 제어하는 제어부(1122), 송신부 및 수신부를 포함하는 네트워크 인터페이스(1121) 및 메모리(1123)를 포함할 수 있다. 물론 상기 예시에 제한되는 것은 아니며 로컬 NWDAF 2(1120)는 도 8에 도시된 구성보다 더 많은 구성을 포함할 수도 있고, 더 적은 구성을 포함할 수도 있다.

본 개시에 따르면, 네트워크 인터페이스(1121)는 다른 네트워크 엔티티들(100, 200, 300, 400, 500, 600, 700, 800, 900, 1210, 1220, 1230, 1300) 또는 중앙 NWDAF(1000) 중 적어도 하나와 신호를 송수신할 수 있다. 다른 네트워크 엔티티들(100, 200, 300, 400, 500, 600, 700, 800, 900, 1210, 1220, 1230, 1300) 또는 중앙 NWDAF(1000) 중 적어도 하나와 송수신하는 신호는 제어 정보와 데이터를 포함할 수 있다.

본 개시에 따르면, 제어부(1122)는 상술한 도 3 내지 도 5의 동작을 수행하도록 로컬 NWDAF 2(1120)를 제어할 수 있다. 한편, 제어부(1122), 메모리(1123) 및 네트워크 인터페이스(1121)는 반드시 별도의 모듈들로 구현되어야 하는 것은 아니고, 단일 칩과 같은 형태로 하나의 구성부로 구현될 수 있음은 물론이다. 그리고, 제어부(1122) 및 네트워크 인터페이스(1121)는 전기적으로 연결될 수 있다. 또한, 제어부(1122)는 AP(Application Processor), CP(Communication Processor), 회로(circuit), 어플리케이션 특정(application-specific) 회로, 또는 적어도 하나의 프로세서(processor)일 수 있다.

본 개시에 따르면, 메모리(1123)는 로컬 NWDAF 2(1120)의 동작을 위한 기본 프로그램, 응용 프로그램, 설정 정보 등의 데이터를 저장할 수 있다. 특히, 메모리(1123)는 제어부(1122)의 요청에 따라 저장된 데이터를 제공한다. 메모리(1123)는 롬(ROM), 램(RAM), 하드디스크, CD-ROM 및 DVD 등과 같은 저장 매체 또는 저장 매체들의 조합으로 구성될 수 있다. 또한, 메모리(1123)는 복수 개일 수 있다. 또한 제어부(1122)는 메모리(1123)에 저장된 전술한 본 개시의 실시예들을 수행하기 위한 프로그램에 기초하여 전술한 실시예들을 수행할 수 있다.

설명의 편의를 위해, 도 6 내지 도 8은 중앙 NWDAF(1000), 로컬 NWDAF 1(1110) 및 로컬 NWDAF 2(1120)의 구조만을 설명하고 있지만, 도 2의 데이터 소스 NF(1210, 1220, 1230), 도 3의 UE(100), (R)AN(200), UPF(300), DN(400), AMF(500), SMF(600), PCF(700), AF(800), UDM(900), 로컬 NWDAF 3(1130)의 각각의 구조는 중앙 NWDAF(1000) 또는 로컬 NWDAF 1(1110)의 구조 또는 로컬 NWDAF 2(1120)의 구조와 동일 또는 유사할 수 있다.

본 발명의 상세한 설명에서는 구체적인 실시 예에 관해 설명하였으나, 본 발명의 범위에서 벗어나지 않는 한도 내에서 여러 가지 변형이 가능함은 물론이다. 그러므로 본 발명의 범위는 설명된 실시 예에 국한되어 정해져서는 아니 되며 후술하는 특허청구의 범위만 아니라 이 특허청구의 범위와 균등한 것들에 의해 정해져야 한다.

Claims (20)

1. 중앙 NWDAF (central network data analytics function)의 동작 방법에 있어서,
   네트워크 기능(network function)으로부터 분석 요청(analytics request) 메시지를 수신하는 단계;
   상기 분석 요청 메시지에 기초하여 연합 학습(federated learning; FL) 그룹(group)에 포함되는 로컬(local) NWDAF를 결정하는 단계;
   상기 로컬 NWDAF에게 FL 로컬 행동 명령어(local behavior instruction)를 전송하는 단계;
   상기 FL 로컬 행동 명령어에 대한 응답으로, 상기 로컬 NWDAF로부터 응답 메시지를 수신하는 단계;
   상기 FL 로컬 행동 명령어에 기초하여 상기 로컬 NWDAF에 의해 생성된 로컬 모델(model)을 상기 로컬 NWDAF로부터 수신하는 단계;
   상기 로컬 모델에 기초하여 글로벌(global) 모델을 생성하는 단계;
   상기 글로벌 모델을 상기 NWDAF에게 전송하는 단계;를 포함하는, 동작 방법.
2. 제1 항에 있어서,
   상기 FL 로컬 행동 명령어는, 지연 상황 발생 이벤트 통지 요청 정보, 상기 글로벌 모델을 생성하기 위해 요구되는 파라미터, 에폭 시간 요구 사항 정보(epoch time requirement)를 포함하는, 동작 방법.
3. 제2 항에 있어서,
   상기 에폭 시간 요구 사항 정보는, 기대되는 에폭 시간(expected epoch time), 기대되는 로컬 ML(machine learning) 모델 트레이닝 및 전송 시간(expected local ML model training and transmission time), 로컬 ML 모델 트레이닝 시간 요구 사항(local ML model training time requirement)을 포함하는, 동작 방법.
4. 제3 항에 있어서,
   상기 응답 메시지는, 상기 기대되는 에폭 시간, 또는 상기 기대되는 로컬 ML 모델 트레이닝 및 전송 시간, 또는 상기 로컬 ML 모델 트레이닝 시간 요구 사항을 충족시킬 수 있는지 여부를 지시하는 지시자를 포함하는 동작 방법.
5. 제4 항에 있어서,
   상기 응답 메시지는, 상기 기대되는 에폭 시간, 또는 상기 기대되는 로컬 ML 모델 트레이닝 및 전송 시간, 또는 상기 로컬 ML 모델 트레이닝 시간 요구 사항을 충족시킬 수 없는 경우, 새로운 기대되는 에폭 시간, 또는 새로운 기대되는 로컬 ML 모델 트레이닝 및 전송 시간, 또는 새로운 로컬 ML 모델 트레이닝 시간 요구 사항을 포함하는, 동작 방법.
6. 제5 항에 있어서,
   상기 응답 메시지에 대한 응답으로, 상기 응답 메시지에 기초하여 갱신된 에폭 시간 요구 사항 정보를 상기 로컬 NWDAF에게 전송하는 단계를 더 포함하는, 동작 방법.
7. 제1 항에 있어서,
   상기 수신된 로컬 모델에 대한 응답으로, 승인 메시지를 상기 로컬 NWDAF에게 전송하는 단계;를 더 포함하는, 동작 방법.
8. 제7 항에 있어서,
   상기 승인 메시지에 대한 응답으로 지연 상황 발생 이벤트 보고 메시지를 수신하는 단계;를 더 포함하는, 동작 방법.
9. 제8 항에 있어서,
   상기 글로벌 모델은 상기 지연 상황 발생 이벤트 보고 메시지 및 상기 로컬 모델에 기초하여 생성되는, 동작 방법.
10. 제8 항에 있어서,
    상기 상기 지연 상황 발생 이벤트 보고 메시지에 기초하여, 상기 로컬 NWDAF로부터 지연 전송되는 로컬 모델을 수신하는 단계를 더 포함하는, 동작 방법.
11. 중앙 NWDAF에 있어서,
    네트워크 인터페이스; 및
    상기 네트워크 인터페이스와 연결되는 프로세서를 포함하고,
    상기 프로세서는, 네트워크 기능(network function)으로부터 분석 요청(analytics request) 메시지를 수신하고, 상기 분석 요청 메시지에 기초하여 연합 학습(federated learning; FL) 그룹(group)에 포함되는 로컬(local) NWDAF를 결정하고, 상기 로컬 NWDAF에게 FL 로컬 행동 명령어(local behavior instruction)를 전송하고, 상기 FL 로컬 행동 명령어에 대한 응답으로 상기 로컬 NWDAF로부터 응답 메시지를 수신하고, 상기 FL 로컬 행동 명령어에 기초하여 상기 로컬 NWDAF에 의해 생성된 로컬 모델(model)을 상기 로컬 NWDAF로부터 수신하고, 상기 로컬 모델에 기초하여 글로벌(global) 모델을 생성하고, 그리고 상기 글로벌 모델을 상기 NWDAF에게 전송하는, 중앙 NWDAF.
12. 제11 항에 있어서,
    상기 FL 로컬 행동 명령어는, 지연 상황 발생 이벤트 통지 요청 정보, 상기 글로벌 모델을 생성하기 위해 요구되는 파라미터, 에폭 시간 요구 사항 정보(epoch time requirement)를 포함하는, 중앙 NWDAF.
13. 제12 항에 있어서,
    상기 에폭 시간 요구 사항 정보는, 기대되는 에폭 시간(expected epoch time), 기대되는 로컬 ML 모델 트레이닝 및 전송 시간(expected local ML model training and transmission time), 로컬 ML 모델 트레이닝 시간 요구 사항(local ML model training time requirement)을 포함하는, 중앙 NWDAF.
14. 제13 항에 있어서,
    상기 응답 메시지는, 상기 기대되는 에폭 시간, 또는 상기 기대되는 로컬 ML 모델 트레이닝 및 전송 시간, 또는 상기 로컬 ML 모델 트레이닝 시간 요구 사항을 충족시킬 수 있는지 여부를 지시하는 지시자를 포함하는, 중앙 NWDAF.
15. 제14 항에 있어서,
    상기 응답 메시지는, 상기 기대되는 에폭 시간, 또는 상기 기대되는 로컬 ML 모델 트레이닝 및 전송 시간, 또는 상기 로컬 ML 모델 트레이닝 시간 요구 사항을 충족시킬 수 없는 경우, 새로운 기대되는 에폭 시간, 또는 새로운 기대되는 로컬 ML 모델 트레이닝 및 전송 시간, 또는 새로운 로컬 ML 모델 트레이닝 시간 요구 사항을 포함하는, 중앙 NWDAF.
16. 제15 항에 있어서,
    상기 프로세서는,
    상기 응답 메시지에 대한 응답으로, 상기 응답 메시지에 기초하여 갱신된 에폭 시간 요구 사항 정보를 상기 로컬 NWDAF에게 전송하는, 중앙 NWDAF.
17. 제11 항에 있어서,
    상기 프로세서는.
    상기 수신된 로컬 모델에 대한 응답으로, 승인 메시지를 상기 로컬 NWDAF에게 전송하는, 중앙 NWDAF.
18. 제17 항에 있어서,
    상기 프로세서는,
    상기 승인 메시지에 대한 응답으로 지연 상황 발생 이벤트 보고 메시지를 수신하는, 중앙 NWDAF.
19. 제18 항에 있어서,
    상기 글로벌 모델은 상기 지연 상황 발생 이벤트 보고 메시지 및 상기 로컬 모델에 기초하여 생성되는, 중앙 NWDAF.
20. 제18 항에 있어서,
    상기 프로세서는,
    상기 상기 지연 상황 발생 이벤트 보고 메시지에 기초하여, 상기 로컬 NWDAF로부터 지연 전송되는 로컬 모델을 수신하는, 중앙 NWDAF.

Images