KR20240024319A

KR20240024319A - 하나 이상의 무선 액세스 네트워크 기능을 사용하기 위한 무선 액세스 노드의 설정

Info

Publication number: KR20240024319A
Application number: KR1020247004466A
Authority: KR
Inventors: 에릭 크리스티안 굴베르그; 랭비트 양그라토케; 루카스 비야레; 헤다야티 사마라 케샤바르즈
Original assignee: 텔레폰악티에볼라겟엘엠에릭슨(펍)
Priority date: 2021-07-26
Filing date: 2021-07-26
Publication date: 2024-02-23
Also published as: CN117859363A; WO2023006177A1; EP4378194A1

Abstract

본 개시는 하나 이상의 RAN 기능을 사용하도록 RAN(Radio Access Network) 노드를 설정하는 방법을 제공한다. 방법은 RAN 노드에 대한 입력 데이터를 획득하는 단계를 포함하며, 여기서 입력 데이터는 RAN 노드에 대한 설정 정보 및 성능 정보를 포함한다. 입력 데이터, 하나 이상의 목표 성과 지표 및 RAN 노드에 대한 하나 이상의 자원 상의 제약을 기반으로, 최적화 프로세스는 RAN 노드에 의한 활성화를 위한 하나 이상의 RAN 기능을 선택하는 데 사용된다. 최적화 프로세스는 입력 데이터와 RAN 기능의 선택을 기반으로 하나 이상의 자원의 사용량과 하나 이상의 목표 성과 지표의 값을 예측하기 위한 하나 이상의 모델을 사용한다. RAN 노드는 하나 이상의 선택된 RAN 기능을 사용하도록 설정된다.

Description

하나 이상의 무선 액세스 네트워크 기능을 사용하기 위한 무선 액세스 노드의 설정

본 개시의 실시예는 무선 액세스 네트워크에 관한 것으로서, 특히 하나 이상의 무선 액세스 네트워크 기능을 사용하기 위해 무선 액세스 노드를 설정하는 방법, 장치 및 기계 판독 가능한 매체에 관한 것이다.

무선 통신 네트워크에서, 무선 장치는 일반적으로 무선 액세스 네트워크(Radio Access Network; RAN)에서의 하나 이상의 기지국을 통해 코어 네트워크에 연결된다. RAN에서의 기지국의 기능은 중앙 유닛(central unit; CU)과 분산 유닛(distributed unit; DU)의 두 유닛에 걸쳐 논리적으로 분할될 수 있다.

도 1은 4개의 예시적인 RAN, 즉 D-RAN(Distributed RAN)(110), C-RAN(Centralised RAN)(120), HLS(high-layer split) 가상화된 RAN(130)을 가진 D-RAN 및 HLS 가상화된 RAN(140)을 가진 C-RAN을 도시한다. 이러한 RAN의 각각은 하나 이상의 무선 장치(도시되지 않음)를 (예를 들어, 하나 이상의 백홀 링크에 의해) 코어 네트워크(100)에 연결하도록 동작 가능하다.

D-RAN(110)에서, 기지국용 CU와 DU는 기지국 사이트에 배치된다. 따라서, 예를 들어, D-RAN(110)에서의 기지국은 둘 다 사이트에 위치되는 기저 대역 유닛(baseband unit; BBU) 및 원격 무선 유닛(remote radio unit;RRU) 또는 원격 무선 헤드(remote radio head; RRH)를 포함할 수 있다. 이에 비해, C-RAN(120)에서, 다수의 기지국 사이트에 대한 기저 대역 처리는 중앙 위치(central location)에서 수행된다. 따라서, 도 1에 도시된 바와 같이 CU와 DU는 무선 장치로부터 멀리 떨어져 있다.

다양한 RAN 아키텍처 상의 추가의 정보는 2019년 11월 7일, Ericsson Technology Review #10, 5G New Radio RAN and transport choices that minimize TCO에서 확인될 수 있다.

기지국에는 성능을 최적화하고, 자원 소비를 최소화하며 기능을 향상시킬 수 있는 부가적인 기능이 점점 더 많이 제공되고 있다. 이 기능은 하나 이상의 파일을 실행함으로써 특정 기지국에서 활성화될 수 있도록 소프트웨어로 구현될 수 있다. 이러한 기능의 예는 통신 네트워크에서 O-RAN(Open RAN) 기지국(200)과 오케스트레이션 및 자동화 유닛(orchestration and automation unit)(202)을 도시하는 도 2에 도시되어 있다. 오케스트레이션 및 자동화 유닛(202)은 예를 들어 관리 및 오케스트레이션 유닛(management and orchestration unit; MANO)을 포함할 수 있다. 오케스트레이션 및 자동화 유닛(202)은 정책 및 서비스 관리, RAN 분석 및 모델 트레이닝(model training)을 포함하는 기지국(200)에 대한 다양한 기능을 제공할 수 있는 비실시간 RIC(Radio or RAN Intelligent Controller)(도시되지 않음)를 포함한다.

기지국(200)은 소프트웨어 RAN 기능을 호스팅하기 위한 소프트웨어 플랫폼인 거의 실시간 RIC(206)를 포함한다. 이러한 소프트웨어 RAN 기능의 예는 RCM(Radio Connection Management)(204a), MM(Mobility Management)(204b), QoS(Quality of Service) 관리(204c) 및 IM(Interference Management)(204d)를 포함한다. 거의 실시간 RIC(206)는 기지국(200)에 의해 실행될 수 있는 다른 RAN 기능을 저장하는 RAN 데이터베이스(208)를 더 포함한다.

도 2는 기지국에 의해 활성화될 수 있는 RAN 기능의 타입의 일부 예를 도시한다. RAN 기능에는 다양한 타입이 있으며, 연관된 이점은 예를 들어 트래픽의 타입 또는 볼륨, 기지국의 위치, 기지국이 사용하는 주파수 대역, 가장 가까운 이웃 기지국까지의 거리(다른 사이트 간(inter-site) 거리) 등에 따라 상황에 따라 다를 수 있다. 따라서, 일부 RAN 기능은 다른 기지국보다 일부 기지국에 더 유리할 수 있다.

또한, RAN 기능을 실행하는 것은 자원 집약적일 수 있으므로, 특정 기지국에서 사용 가능한 모든 RAN 기능을 동시에 실행하는 것이 불가능한 경우가 종종 있다. RAN 기능은 일반적으로 BBU(baseband unit)에 의해 실행되며, 이는 자원 제약이 BBU가 기지국 사이트에 있는 기지국(예를 들어, D-RAN에서의 기지국)에 대해 특정 문제를 제기할 수 있음을 의미한다. 기지국 사이트는 종종 처리 능력, 스토로지, 메모리 등의 측면에서 제한된 자원을 가지며, 이는 어떤 기능(및 기능의 조합)이 기지국에서 실행할 수 있음을 제한한다. 또한, 기지국은 제한된 수의 네트워크 및/또는 이용 가능한 무선 자원을 가질 수 있으며, 이는 다른 제약 계층을 부가한다.

본 개시의 실시예는 이러한 문제 및 다른 문제를 해결하려고 노력한다.

하나 이상의 RAN 기능을 사용하도록 RAN 노드를 설정하는 방법이 제공된다. 이 방법은 RAN 노드에 대한 입력 데이터를 획득하는 단계를 포함한다. 입력 데이터는 RAN 노드에 대한 설정 정보와 성능 정보를 포함한다. 입력 데이터, 하나 이상의 목표 성과 지표(target performance indicator) 및 RAN 노드에 대한 하나 이상의 자원 상의 제약(constraint)을 기반으로, RAN 노드에 의한 활성화를 위한 하나 이상의 RAN 기능을 선택하기 위한 최적화 프로세스가 사용된다. 하나 이상의 RAN 기능은 복수의 RAN 기능으로부터 선택된다. 최적화 프로세스는 입력 데이터 및 RAN 기능의 선택에 기초하여 하나 이상의 자원의 사용량 및 하나 이상의 목표 성과 지표의 값을 예측하기 위한 하나 이상의 모델을 사용하여 하나 이상의 RAN 기능을 선택하도록 설정된다. 방법은 하나 이상의 선택된 RAN 기능을 사용하도록 RAN 노드를 설정하는 단계를 더 포함한다.

추가 양태에서, 상술한 방법을 수행하도록 설정된 장치가 제공된다. 다른 양태에서는 컴퓨터 프로그램이 제공된다. 컴퓨터 프로그램은 장치의 적어도 하나의 프로세서 상에서 실행될 때 장치가 상술한 방법을 수행하게 하는 명령어를 포함한다. 추가 양태에서, 컴퓨터 프로그램을 포함하는 캐리어가 제공되며, 여기서 캐리어는 전자 신호, 광학 신호, 무선 신호 또는 비일시적 기계 판독 가능한 저장 매체 중 하나이다.

본 개시의 또 다른 양태는 하나 이상의 RAN 기능을 사용하도록 RAN 노드를 설정하는 장치를 제공한다. 장치는 처리 회로 및 기계 판독 가능한 매체를 포함하며, 여기서 기계 판독 가능한 매체는 장치가 RAN 노드에 대한 입력 데이터를 획득하기 위해 동작 가능하도록 처리 회로에 의해 실행 가능한 명령어를 포함한다. 입력 데이터는 RAN 노드에 대한 설정 정보와 성능 정보로 설정된다. 장치는 또한 입력 데이터, 하나 이상의 목표 성과 지표 및 RAN 노드에 대한 하나 이상의 자원 상의 제약에 기초하여 RAN 노드에 의한 활성화를 위한 하나 이상의 RAN 기능을 선택하기 위해 최적화 프로세스를 사용하도록 동작 가능하다. 하나 이상의 RAN 기능은 복수의 RAN 기능으로부터 선택된다. 최적화 프로세스는 입력 데이터 및 RAN 기능의 선택에 기초하여 하나 이상의 자원의 사용량 및 하나 이상의 목표 성과 지표의 값을 예측하기 위한 하나 이상의 모델을 사용하여 하나 이상의 RAN 기능을 선택하도록 설정된다. 장치는 또한 하나 이상의 선택된 RAN 기능을 사용하기 위해 RAN 노드를 설정하도록 동작 가능하다.

본 명세서에 개시된 실시예는 RAN 노드의 설정 및 성능에 기초하여 선택되는 하나 이상의 RAN 기능을 사용하도록 RAN 노드를 설정함으로써 RAN 노드의 기능을 동적으로 적응시키는 방법 및 장치를 제공한다. 이러한 맞춤형 접근 방식은 부가적인 오버헤드를 최소화하면서 RAN 노드의 성능을 유리하게 향상시킨다.

본 개시의 예를 더 잘 이해하고, 예가 어떻게 구현될 수 있는지 보다 명확하게 보여주기 위해, 이제 오직 예로서 다음의 도면에 대한 참조가 이루어질 것이다.
도 1은 코어 네트워크에 연결된 예시적인 무선 액세스 네트워크(RAN)를 도시한다.
도 2는 통신 네트워크에 대한 예시적인 아키텍처의 블록도를 도시한다.
도 3은 본 개시의 실시예에 따른 통신 네트워크의 예를 도시한다.
도 4-6은 본 개시의 실시예에 따른 방법의 흐름도를 도시한다.
도 7은 본 개시의 실시예에 따른 시그널링 흐름의 다이어그램을 도시한다.
도 8은 본 개시의 실시예에 따른 방법의 흐름도를 도시한다.
도 9 및 10은 본 개시의 실시예에 따른 장치의 예를 도시한다.

도 3은 본 개시의 실시예에 따른 통신 네트워크(300)를 도시한다. 통신 네트워크는 GSM(Global System for Mobile communications), WCDMA(Wide Code-Division Multiple Access), LTE(Long Term Evolution), NR(New Radio), WiFi, WiMAX, 또는 Bluetooth 무선 기술과 같은 임의의 적합한 무선 통신 프로토콜 또는 기술을 구현할 수 있다. 하나의 특정 예에서, 통신 네트워크(300)는 3GPP(3^rd Generation Partnership Project)에 의해 개발된 타입과 같은 셀룰러 통신 네트워크의 일부를 형성한다. 통상의 기술자는 명확성을 위해 통신 네트워크의 다양한 구성 요소가 도 3에서 생략되었음을 이해할 것이다.

네트워크(300)는 제1 무선 액세스 네트워크(RAN) 노드(302a) 및 제2 RAN 노드(302b)(세트적으로 302)를 포함한다. RAN 노드(302)는 백홀 네트워크(306)를 통해 코어 네트워크(304)에 연결된다. 예시된 실시예에서, 2개의 RAN 노드(302)가 도시되어 있지만, 통상의 기술자는 네트워크(300)가 임의의 수의 RAN 노드를 포함할 수 있고 도시된 것보다 더 많은 RAN 노드를 포함할 수 있다. RAN 노드(302)는 예를 들어 무선 기지국, Node B, eNB(evolved Node B) 또는 gNB(NR NodeB)와 같은 기지국을 포함할 수 있다.

제1 RAN 노드(302a)는 실행할 수 있는 복수의 RAN 기능에 액세스할 수 있다. 이러한 맥락에서, RAN 기능(예를 들어, RAN 특징)은 제1 RAN 노드(302a)에 의해 실행(예를 들어, 활성화)될 수 있는 소프트웨어 프로그램을 포함한다. RAN 기능은 제1 RAN 노드(302a)에서 이용 가능할 수 있다. 예를 들어, RAN 기능을 위한 실행 가능한 소프트웨어 프로그램은 제1 RAN 노드(302a)에 저장될 수 있다. 이러한 RAN 기능 중 하나를 활성화하기 위해, 제1 RAN 노드(302a)는 관련된 저장된 소프트웨어 프로그램을 실행할 수 있다. 대안적으로, RAN 기능 중 하나 이상은 요청 시 제1 RAN 노드(302a)에 이용 가능할 수 있다. 예를 들어, 실행 가능한 소프트웨어 프로그램 중 일부 또는 전부는 예를 들어 코어 네트워크(304)의 노드와 같은 통신 네트워크(300)의 다른 노드에 저장될 수 있다. 제1 RAN 노드(302a)는 다른 노드에 요청을 송신하고 이에 응답하여 하나 이상의 실행 가능한 파일을 수신함으로써 이러한 소프트웨어 프로그램에 액세스할 수 있다.

통상의 기술자는 RAN 기능이 다양한 기능 또는 목적을 가질 수 있다는 것을 이해할 것이다. RAN 기능의 예는 부록 A에 제공된다. 특정 RAN 기능은 예를 들어 대기 시간(latency)을 감소시키고, 커버리지를 증가시키고/시키거나 자원 사용량을 감소시킴으로써 제1 RAN 노드(302a)의 성능을 향상시킬 수 있다. 일부 RAN 기능은 이것이 사용되는 상황에 따라 특히 유익할 수 있다. 이러한 예 중 하나는 RAN 노드에서 실행될 때 상이한 셀의 다수의 섹터 캐리어로부터의 안테나 신호를 조합하여 업링크 처리량을 증가시키도록 동작 가능한 업링크 조정 다중 지점 수신(Uplink Coordinated Multi-Point Reception) 기능이다. 이는 셀 경계(cell border)에 있는 무선 장치에 특히 효과적일 수 있다. 셀 경계에 있는 사용자를 위한 업링크 처리량 이득(uplink throughput gain)은 RAN 노드가 배치(deploy)되는 부하 및 시나리오에 따라 달라질 수 있다. 이득은 마이크로 셀에 가까운 매크로 셀에 연결된 무선 장치에 특히 중요하다. 결과적으로, 이는 RAN 노드가 마이크로 셀에 인접한 매크로 셀을 서빙하는 경우 이 기능을 활성화하는데 특히 유리할 수 있다. 대조적으로, 셀의 중앙을 향해 클러스터링된(clustered) 무선 장치만을 서빙하는 RAN 노드는 이러한 기능의 더 제한된 이점을 경험할 수 있다.

따라서, 상이한 RAN 기능은 예를 들어 제1 RAN 노드(302)가 동작하고 있는 상황(context)(예를 들어 이의 트래픽, 위치, 다른 사이트 간 거리 등) 및 이의 설정(예를 들어 주파수 대역 등)에 따라 제1 RAN 노드(302)에 상이한 이점을 제공할 수 있다. 또한, 제1 RAN 노드(302)에 대한 RAN 기능의 적합도은 시간에 따라 변할 수 있다. 예를 들어, 제1 RAN 노드(302)가 스포츠 경기장에 가까우면, 이는 연결을 원하는 장치의 수가 증가할 것으로 예상되는 스포츠 게임 중에 용량을 최적화하는 RAN 기능을 실행하는데 유리할 수 있다. 그러나, 게임 간 수요가 감소할 것으로 예상되는 경우에는 에너지를 절약하는 RAN 기능을 실행하는데 유리할 수 있다.

제1 RAN 노드(302)에서의 자원 제한은 추가의 복잡성의 계층을 부가한다. 제1 RAN 노드(302)의 사이트에서의 제한된 자원(예를 들어, 처리 능력, 메모리, 스토리지, 네트워킹 자원 등)으로 인해 제1 RAN 노드(302)에 사용 가능한 모든 RAN 기능을 활성화하는 것은 기술적으로 실행 가능하지 않을 수 있다. 따라서, 임의의 특정 RAN 기능의 이점은 자원 비용과 균형이 이루어져야 한다.

제1 RAN 노드(302)에서 실행할 어떤 RAN 기능을 결정하는 한 가지 방법은 제1 RAN 노드(302)의 속성에 기초하여 하나 이상의 RAN 기능을 수동으로 선택하는 것이다. 따라서, 예를 들어, 무선 엔지니어(radio engineer)는 제1 RAN 노드(302)가 배치되는 환경(예를 들어 도시, 교외 또는 시골인지 여부), 다른 사이트 간 거리, 이의 위치, 주파수 대역 및/또는 안테나/섹터 설정 등에 기초하여 제1 RAN 노드(302)에 의해 활성화될 RAN 기능을 선택할 수 있다. 그러나, 이는 각각의 RAN 노드에 대한 RAN 기능의 선택이 무선 엔지니어에 의해 수동으로 최적화될 필요가 있기 때문에 많은 수의 RAN 노드로 확장하기 어렵다. 또한, 모든 변경에 응답하여 RAN 노드에서 실행되는 RAN 기능을 동적으로 적응하는 것이 어려울 수 있다.

보다 확장 가능한 솔루션은 복수의 카테고리에 따라 RAN 노드를 분류하고 이의 분류에 따라 특정 RAN 노드에서 어떤 RAN 특징이 활성화되어야 함을 나타내는 템플릿(template)을 생성하는 것을 포함한다. 예를 들어, RAN 기능의 하나의 템플릿 세트는 시골 사이트(rural site)에 제공될 수 있고, RAN 기능의 다른 템플릿 세트는 도시 사이트(urban site)에 제공될 수 있다. 템플릿을 사용하면 구현 비용을 줄일 수 있지만, 이러한 템플릿은 임의의 특정 카테고리 내에서 RAN 노드 간의 변동을 설명하지 못할 수 있다. 또한, 템플릿 기반 접근 방식의 변경에 응답하여 RAN 기능의 선택을 동적으로 적응시키는 것이 어렵다.

본 개시는 이들 문제 및 다른 문제를 해결하고자 한다. 하나 이상의 RAN 기능을 사용하도록 RAN 노드를 설정하는 방법이 제공된다. 이 방법은 입력 데이터가 설정 정보와 성능 정보를 포함하는 RAN 노드에 대한 입력 데이터를 획득하는 단계를 포함한다. 입력 데이터, 하나 이상의 목표 성과 지표 및 RAN 노드에 대한 하나 이상의 자원 상의 제약을 기반으로, RAN 노드에 의한 활성화를 위한 하나 이상의 RAN 기능이 선택된다. 하나 이상의 RAN 기능은 최적화 프로세스를 사용하여 복수의 RAN 기능으로부터 선택된다. 최적화 프로세스는 입력 데이터 및 RAN 기능의 선택에 기초하여 하나 이상의 자원의 사용량 및 하나 이상의 목표 성과 지표의 값을 예측하기 위한 하나 이상의 모델을 사용하여 하나 이상의 RAN 기능을 선택하도록 설정된다. 방법은 하나 이상의 선택된 RAN 기능을 사용하도록 RAN 노드를 설정하는 단계를 더 포함한다.

하나 이상의 목표 성과 지표 및 RAN 노드에 대한 하나 이상의 자원에 대한 제약을 기반으로 RAN 노드에 의한 활성화를 위한 하나 이상의 RAN 기능을 선택함으로써, 본 개시의 실시예는 RAN 노드에 이용 가능한 제한된 자원만이 있는 경우에도 RAN 기능이 RAN 노드 성능을 최적화하는 데 사용될 수 있는 방법을 제공한다. RAN 노드의 설정 정보와 성능 정보를 최적화 프로세스에 입력한다는 것은 최적화 프로세스가 이의 RAN 기능의 선택을 RAN 노드의 특정 요구에 맞추어 성능을 더 향상시킬 수 있음을 의미한다. 하나 이상의 자원의 사용량과 하나 이상의 목표 성과 지표의 값을 예측하기 위한 하나 이상의 모델을 사용함으로써, 최적화 프로세스는 RAN 기능의 특정 선택이 RAN 노드의 현재 속성이 주어지면 자원 사용량과 성능에 어떻게 영향을 미칠 수 있는지를 평가할 수 있다.

따라서, 본 명세서에 개시된 실시예는 RAN 노드의 기능을 동적으로 적응시키기 위한 효율적인 방법을 제공한다. RAN 노드에 특정한 정보를 기반으로 RAN 기능을 선택하는 이러한 맞춤형 접근 방식은 동작 비용을 최소화하면서 RAN 노드의 성능을 더욱 향상시킨다.

따라서, 본 개시의 실시예에 따르면, 제1 RAN 노드(302)는 하나 이상의 RAN 기능을 사용하도록 설정될 수 있다. 최적화 프로세스는 제1 RAN 노드(302)에 사용 가능한 복수의 RAN 기능으로부터 제1 RAN 노드(302)에 의한 활성화를 위한 하나 이상의 RAN 기능을 선택하는 데 사용된다. 최적화 프로세스는 입력 데이터, 제1 RAN 노드(302)의 하나 이상의 자원 상의 제약 및 제1 RAN 노드(302)에 대한 하나 이상의 목표 성과 지표를 사용한다.

입력 데이터는 제1 RAN 노드(302)에 대한 설정 정보 및 성능 정보를 포함한다. 따라서, 입력 데이터는 예를 들어 제1 RAN 노드(302)의 동작 및 제1 RAN 노드(302)에 대한 네트워크 성능을 나타낼 수 있다.

최적화 프로세스는 하나 이상의 자원 상의 제약에 따라 하나 이상의 목표 성과 지표에 의해 나타내어진 바와 같이 제1 RAN 노드(302)의 성능을 최적화하는 하나 이상의 RAN 기능의 선택을 식별하려고 한다. 따라서, 하나 이상의 목표 성과 지표는 최적화 프로세스가 최적화하려고 하는 하나 이상의 성과 지표(예를 들어 핵심 성과 지표(key performance indicator; KPI)를 포함한다. 이러한 성과 지표 중 일부의 경우, 이러한 성과 지표를 최적화하는 것은 이의 값을 최대화하는 것을 추구하는 것을 포함한다. 이러한 성과 지표의 예는 SSSR(Session Setup Success Rate) 및 처리량(예를 들어, 다운링크 사용자 처리량(downlink user throughput; DLUT))을 포함할 수 있다.

다른 성과 지표의 경우, 더 작은 값이 바람직할 수 있다. 따라서, 일부 성과 지표의 최소값은 RAN 노드의 성능이 최대화되었음을 나타낼 수 있다. 이러한 성과 지표의 경우, 최적화는 이의 값을 최소화하려는 것을 포함할 수 있다. 이러한 성과 지표의 예는 대기 시간(예를 들어, 다운링크 대기 시간(downlink latency; LAT_DL) 및 전력 소비를 포함할 수 있다.

어떤 상황에서는 제약을 충족하는 경우 최적화된 것으로 간주되는 다른 성과 지표가 있을 수 있다. 예를 들어, 시골 사이트에서의 RAN 노드의 경우, 최소 용량 임계값이 초과되면 최적의 솔루션이 커버리지를 최대화할 수 있다. 따라서, 해당 RAN 노드에 대한 하나 이상의 목표 성과 지표는 최적화 프로세스가 최대화하려고 하는 제1 목표 성과 지표(커버리지)와 최적화 프로세스가 제약을 만족하려고 하는(최소 임계값을 초과하는) 제2 목표 성과 지표(용량)를 포함할 수 있다.

따라서, 하나 이상의 목표 성과 지표는, 예를 들어, 최적화 프로세스가 최대화(예를 들어 SSSR, DLUT)하고, 최소화(예를 들어 LAT_DL, 전력 소비)하도록 추구거나 제약을 만족하도록 결정하는 하나 이상의 성과 지표를 포함할 수 있다.

하나 이상의 자원 상의 제약은 예를 들어 최대 프로세스 사용량(예를 들어, 중앙 처리 장치(Central Processing Unit; CPU) 사용량) 또는 최대 메모리 사용량과 같은 제1 RAN 노드(302)의 특정 자원 상의 상한(upper limit)을 포함할 수 있다. 따라서, 최적화 프로세스는 자원 제약을 만족시키는 하나 이상의 RAN 기능을 선택하고 제1 RAN 노드(302)의 설정 및 성능에 기초하여 하나 이상의 목표 성과 지표를 최적화하려고 할 수 있다.

최적화 프로세스는 하나 이상의 모델을 사용하여 하나 이상의 RAN 기능을 선택한다. 모델은 제1 RAN 노드(302)에 대한 RAN 기능의 주어진 선택, 하나 이상의 자원의 사용량 및 하나 이상의 목표 성과 지표의 값에 대해 예측하는 데 사용될 수 있다. 따라서, 최적화 프로세스는 예를 들어 제1 RAN 노드(302)에 대한 RAN 기능의 가능한 조합의 파라미터 공간을 탐색하기 위한 모델을 사용할 수 있다.

특정 예에서, 모델은 복수의 RAN 노드에 대한 훈련 데이터(training data)를 사용하여 개발될 수 있다. 예를 들어, 모델은 제1 RAN 노드(302a)와 제2 RAN 노드(302b) 모두에 대한 훈련 데이터를 사용하여 개발될 수 있다. 간략하게, 훈련 데이터는 복수의 RAN 노드에 대한 설정 정보, 성능 정보 및 RAN 기능 활성화 정보를 포함한다. 훈련 데이터의 수집 및 하나 이상의 모델의 개발은 도 5 및 6과 관련하여 아래에서 더 상세히 논의된다.

따라서, 최적화 프로세스는 제1 RAN 노드(302a)에 대한 하나 이상의 RAN 기능을 선택한다. RAN 노드는 하나 이상의 선택된 RAN 기능을 사용하도록 설정된다. 예를 들어, 방법이 제1 RAN 노드(302a)에 의해 수행될 때, 제1 RAN 노드(302a)는 제1 RAN 노드(302a)에서 아직 실행되지 않은 선택된 RAN 기능 중 임의의 기능을 활성화할 수 있다. 제1 RAN 노드(302a)는 부가적으로 또는 대안적으로 최적화 프로세스에 의해 선택되지 않은 하나 이상의 RAN 기능을 비활성화할 수 있다. RAN 기능은 하나 이상의 실행 가능한 소프트웨어 프로그램을 포함할 수 있으므로, RAN 기능을 활성화하는 것은 RAN 기능을 위한 하나 이상의 소프트웨어 프로그램을 실행하는 것을 포함할 수 있다. RAN 기능을 비활성화하는 것은 RAN 기능에 대한 하나 이상의 소프트웨어 프로그램의 실행을 중단하거나 중지하는 것을 포함할 수 있다.

따라서, 본 개시의 실시예는 설정 및 성능에 기초하여 하나 이상의 RAN 기능을 사용하도록 RAN 노드를 효율적으로 설정하는 방법을 제공한다. 하나 이상의 RAN 기능이 RAN 노드의 하나 이상의 자원 상의 제약을 기반으로 선택되므로, 임의의 자원 제한에도 불구하고 RAN 모드의 성능이 최적화될 수 있다.

도 4는 본 개시의 실시예에 따라 하나 이상의 RAN 기능을 사용하도록 RAN 노드를 설정하는 방법(400)을 도시한다. RAN 노드는 예를 들어 도 3과 관련하여 상술한 제1 RAN 노드(302a) 또는 도 2와 관련하여 상술한 O-RAN 기지국(200)일 수 있다.

방법(400)은 RAN 노드에 대한 사이트 특정 정보가 수집되는 단계(402)에서 시작된다. 단계(404)에서는 사이트 특정 정보로부터 설정 및 성능 정보를 추출된다.

사이트 특정 정보는 설정 및 성능 정보를 획득하기 위해 단계(404)에서 구문 분석(parse)되는 원시 데이터(raw data)를 포함한다. 사이트 특정 정보는 예를 들어 하나 이상의 이진 파일 및/또는 XML(Extensible Markup Language) 파일을 포함할 수 있다. 이 정보는 주기적으로(예를 들어, 데이터 수집 에이전트에 의해) 수집될 수 있으므로, RAN 노드의 동작 및 성능에 대한 정기적인 업데이트를 제공한다.

설정 정보는 RAN 노드의 동작과 관련된다. 따라서, 설정 정보는 예를 들어 RAN 노드에 대한 하나 이상의 동작 파라미터를 포함할 수 있다. 동작 파라미터는 예를 들어 제1 RAN 노드에 의해 사용되는 주파수 대역, 서비스 상태, RAN 노드에서 현재 활성적인 RAN 기능 등과 같은 설정 가능한 파라미터를 포함할 수 있다. 동작 파라미터는 부가적으로 또는 대안적으로 설정할 수 없거나 최소한 쉽게 변경되지 않는 다른 정적 파라미터를 포함할 수 있다. 이러한 정적 파라미터는 예를 들어 RAN 노드의 위치, RAN 노드에서의 하드웨어(예를 들어, 송신(Tx) 및/또는 수신(Rx) 안테나의 수) 등을 포함할 수 있다.

성능 정보는 RAN 노드에 의해 제공되는 연결성을 나타낼 수 있으므로 네트워크 성능을 나타낼 수 있다. 성능 정보는 예를 들어 pmRrcConnEstab, pmRrcConnEstabSucc, pmRrcConnEstabAttReatt 및 RRCMMEOVL 중 하나 이상과 같은 하나 이상의 성능 관리(performance management; PM) 카운터를 포함할 수 있다. 부가적으로 또는 대안적으로, 성능 정보는 PM 카운터를 사용하여 계산되는 성과 지표(예를 들어, 핵심 성과 지표(KPI))를 포함할 수 있다. 예를 들어, 성능 정보는 pmRrcConnEstab, pmRrcConnEstabSucc, pmRrcConnEstabAttReatt 및 RRCMMEOVL PM 카운터를 사용하여 계산될 수 있는 SSSR을 포함할 수 있다.

통상의 기술자는 성능 정보 및 설정 정보가 사이트 특정 정보로부터 추출될 수 있는 다양한 방법이 있음을 이해할 것이다. 이러한 상황에서 데이터 추출은 예를 들어 관련 정보를 추출하기 위해 사이트 특정 정보를 필터링하는 것, 일정 기간에 걸쳐 수집된 값을 조합(예를 들어, 합산 또는 평균화)하는 것, 다수의 측정 및 속성을 기반으로 복합 값(composite value)을 계산하는 것, 분류하는 것(예를 들어, 사이트 특정 정보를 기반으로 RAN 노드를 분류하는 것) 및 임의의 다른 적합한 데이터 처리 기술 중 하나 이상을 포함할 수 있다.

성능 정보는 미리 정해진 기간(예를 들어, 15분)에 걸쳐 수집된 사이트 특정 정보를 기반으로 결정될 수 있다. 따라서, 성능 정보는 해당 기간에 걸쳐 평균화되는 하나 이상의 값(예를 들어, 성과 지표)을 포함할 수 있다. 이는 사이트 특정 정보의 노이즈에 대한 성능 정보의 민감도를 줄일 수 있다. 설정 정보는 성능 정보와 달리 특정 시점에 캡처된 사이트 특정 정보(예를 들어, 스냅샷(snapshot))를 기반으로 할 수 있다. 설정 정보는 노이즈에 덜 민감하고 성능 정보보다 장기간에 걸쳐 변할 가능성이 높으므로, 설정 정보에 대한 스냅샷을 사용하면 자원 오버헤드와 정확성 사이에서 적절한 절충안을 제공할 수 있다.

RAN 노드가 현재 임의의 RAN 기능을 실행하지 않은 경우, 방법은 RAN 기능(본 명세서에서는 RAN 특징 또는 RAN 소프트웨어 특징이라고도 함)의 초기 세트 f가 선택되는 단계(406)로 진행된다. 이러한 RAN 기능의 초기 세트는 단계(404)에서 획득된 설정 및 성능 정보에 기초하여 선택될 수 있다. 대안적으로, RAN 기능의 초기 세트는 미리 결정될 수 있다. 예를 들어, RAN 기능의 템플릿 세트는 RAN 노드에 대한 방법이 처음 수행될 때 사용될 수 있다.

그렇지 않으면, RAN 노드가 현재 하나 이상의 RAN 기능을 실행하는 경우, RAN 기능의 초기 세트 f는 RAN 노드에서 활성적인 하나 이상의 RAN 기능(예를 들어, 현재 RAN 노드에 의해 사용되고 있는 RAN 기능)을 포함한다.

단계(408)에서, 설정 정보, 성능 정보 및 RAN 기능의 초기 세트 f는 RAN 노드에 대한 하나 이상의 자원 상의 제약 및 하나 이상의 목표 성과 지표와 함께 최적화 프로세스에 입력된다.

자원 제약은 RAN 노드와 관련된 임의의 자원에 관한 것일 수 있다. 따라서, 예를 들어, 자원 제약은 전력 소비, 프로세서 사용량(예를 들어, 프로세서의 수 또는 처리 능력의 비율), 메모리(예를 들어, 랜덤 액세스 메모리), 스토리지 및 하나 이상의 네트워크 자원 중 하나 이상에 대한 제약을 포함할 수 있다. 하나 이상의 네트워크 자원은 예를 들어 신호를 송신 및/또는 수신하기 위한 하나 이상의 시간 및/또는 주파수 자원(예를 들어 물리적 자원 블록(physical resource block; PRB)과 같은 다수의 자원 블록) 및/또는 하나 이상의 제어 채널 요소(control channel element; CCE)를 포함할 수 있다.

목표 성과 지표는 하나 이상의 RAN 기능을 선택할 때 최적화 프로세스가 최적화하려고 하는 하나 이상의 성과 지표를 명시한다. 상술한 바와 같이, 최적화는 각각의 성과 지표 및/또는 특정 RAN 노드에 따라 다양한 형태를 취할 수 있다. 예를 들어, 일부 성과 지표(예를 들어, 커버리지)를 최대화하는 것이 바람직할 수 있지만, 다른 성과 지표(예를 들어, 대기 시간)를 최소화하는 것이 바람직할 수 있다. 또한, 일부 성과 지표는 제약을 충족시킴으로써(예를 들어, 미리 결정된 범위의 값을 가짐으로서) 최적화될 수 있다. 하나 이상의 목표 성과 지표는 이러한 성과 지표의 임의의 조합을 포함할 수 있다. 따라서, 예를 들어, 하나 이상의 목표 성과 지표는 최소화될 제1 성과 지표 및 최대 임계치 미만으로 유지되는 제2 성과 지표를 포함할 수 있다.

목표 성과 지표는 최적화되어야 하는 방법의 인디케이션(indication)를 포함할 수 있다. 예를 들어, 제약이 적용되는 성과 지표의 경우, 목표 성과 지표는 제약을 포함할 수 있다. 다른 예에서, 최대화된다는 성과 지표에 대한 목표 성과 지표는 성과 지표가 최대화된다는 것을 나타내는 플래그를 포함할 수 있다.

대안적으로, 최적화 프로세스는 하나 이상의 성과 지표 자체를 최적화하는 방법을 결정하도록 설정될 수 있다. 예를 들어, 최적화 프로세스는 하나 이상의 성과 지표를 최대화하도록 미리 설정될 수 있다. 다른 예에서, 최적화 프로세스에는 성과 지표에 대한 제약이 미리 설정될 수 있다.

단계(410)에서, 최적화 프로세스는 RAN 노드에 의한 활성화를 위해 하나 이상의 RAN 기능 f*을 반환한다.

최적화 프로세스는 설정 정보, 성능 정보 및 RAN 기능의 선택에 기초하여 하나 이상의 자원의 사용량 및 하나 이상의 목표 성과 지표의 값을 예측하는 하나 이상의 예측 모델을 사용하여 하나 이상의 RAN 기능을 선택한다. 최적화 프로세스는 예측 모델을 사용하여 RAN 기능의 선택을 변경하는 것이 하나 이상의 (제약된) 자원의 사용량과 목표 성과 지표에 어떤 영향을 미치는지 결정할 수 있다. 최적화 프로세스는 설정 정보, 성능 정보 및 RAN 기능의 선택에 의해 정의된 파라미터 공간을 탐색할 시작점으로서 RAN 기능의 초기 세트 f를 사용할 수 있다. 대안적으로, RAN 기능의 초기 세트 f를 결정하는 단계는 생략될 수 있고, 최적화 프로세스는 파라미터 공간 자체를 탐색하기 위한 초기 시작점을 결정할 수 있다. 이 파라미터 공간을 탐색함으로써, 최적화 프로세스는 하나 이상의 목표 성과 지표에 반영된 바와 같이 RAN 노드의 성능을 최적화하면서 자원 사용 제약을 충족하는 RAN 기능의 세트 f*를 선택할 수 있다.

통상의 기술자는 이러한 방식으로 파라미터 공간을 탐색하는 데 적합한 다양한 방법이 있음을 이해할 것이다. 최적화 프로세스는 예측 모델 및 상술한 입력을 사용하여 RAN 기능 세트를 선택하기 위해 임의의 적합한 프로세스 또는 알고리즘을 사용할 수 있다.

특정 실시예에서, 최적화 프로세스는 유전자 알고리즘으로서도 지칭되는 유전적 프로세스(genetic process)를 포함한다. 통상의 기술자는 유전적 프로세스에 익숙할 것이므로 본 명세서에서는 상세히 논의되지 않을 것이다. 간단히 말해서, 유전적 프로세스는 적합도에 따라 후보 솔루션의 모집단을 반복적으로 발전시킴으로써 최적의 솔루션을 결정하려고 한다. 각각의 후보 솔루션은 변형되거나 변경될 수 있는 속성(또는 유전자)의 세트를 특징으로 한다. 각각의 후보 솔루션의 적합도는 적합도 기능(fitness function)를 사용하여 결정된 적합도 점수(fitness score)를 통해 평가될 수 있다.

프로세스의 각각의 반복에서, 후보 솔루션의 서브세트는 해당 적합도 점수를 기반으로 선택된다. 선택된 후보 솔루션은 후속 반복을 위한 차세대 후보 솔루션을 형성하기 위해 조합되고/되거나 변형된다. 차세대를 생성하기 위해 더 나은 적합도 점수를 가진 후보 솔루션을 선택함으로써, 후보자 모집단은 더 나은 적합도 점수를 향해 진화되어 더 최적의 솔루션을 향해 진화된다. 가능한 후보의 파라미터 공간은 한 세대의 후보 솔루션을 조합하고/하거나 변형하여 다음 세대의 후보를 형성하는 프로세스를 통해 탐색된다.

따라서, 본 개시의 실시예에 따르면, 유전적 프로세스는 복수의 RAN 기능의 후보 세트를 초기화하고 RAN 기능의 후보 세트를 반복적으로 변경함으로써 하나 이상의 RAN 기능의 세트 f'를 선택하기 위해 사용될 수 있다. RAN 기능의 후보 세트의 시작 모집단은 예를 들어 하나 이상의 RAN 기능 f'의 초기 선택에 기초하여 결정될 수 있다. 프로세스의 각각의 반복에서, 유전적 프로세스는 하나 이상의 자원 제약을 충족하고 하나 이상의 목표 성과 지표의 값을 최적화하는 후보 세트를 유지하도록 선택할 수 있다. 따라서, 예를 들어, 자원 제약이 RAN 노드에서 요구되는 메모리에 대한 상한 임계값을 포함하는 경우, 유전적 프로세스는 메모리 사용량을 이러한 상한 임계값 미만으로 유지하기 위해 하나 이상의 예측 모델에 따라 예측되는 후보 RAN 기능만 유지할 수 있다.

다른 실시예에서, 최적화 프로세스는 컨텍츄얼 밴딧(contextual bandit) 알고리즘이라고도 불리는 컨텍츄얼 밴딧 프로세스를 포함할 수 있다. 통상의 기술자는 컨텍츄얼 밴딧 프로세스에 익숙할 것이므로 본 명세서에서는 상세히 논의하지 않을 것이다. 간단히 말하면, 컨텍츄얼 밴딧 프로세스는 학습 에이전트(learning agent)가 환경과 상호 작용하고 수치적 보상(numerical reward)을 최대화하기 위해 시행 착오 프로세스(trial-and-error process)를 통해 동작을 수행하는 강화 학습 프로세스이다. 학습 에이전트는 취할 다수의 가능한 동작으로부터 하나의 동작을 반복적으로 선택하고 해당 결정으로부터 생성하는 보상을 결정한다. 선택을 할 때, 에이전트는 과거에 취해진 동작의 보상뿐만 아니라 현재 반복과 연관된 특징 또는 컨텍스트 벡터를 고려한다. 반복적인 반복을 통해, 에이전트는 특징 벡터를 기반으로 선택된 동작과 연관된 보상을 예측하는 방법을 학습하려고 한다. 그런 다음, 에이전트는 보상을 최대화하기 위한 동작을 선택할 수 있다.

따라서, 본 개시의 실시예에 따르면, 최적의 RAN 기능 세트 f'를 선택하기 위해 컨텍츄얼 밴딧 프로세스가 사용될 수 있다. 컨텍츄얼 밴딧 프로세스는 복수의 RAN 기능을 검색하고, 이를 선택하여 하나 이상의 자원 제약을 충족하고 하나 이상의 목표 성과 지표를 최적화하는 방법을 학습할 수 있다. 컨텍츄얼 밴딧 프로세스는 설정 정보 및 성능 정보에 의해 명시된 바와 같이 RAN 노드의 상황과 보상 기능을 최적화하는 RAN 기능의 선택 간의 매핑을 학습함으로써 이를 수행할 수 있다.

컨텍츄얼 밴딧 프로세스는 탐색(exploration)과 활용(exploitation) 사이의 균형을 사용하여 잠재적인 RAN 기능을 탐색하여 이 매핑을 더 잘 학습하고 사용 가능한 설정 및 성능 정보를 사용하여 성능을 최적화할 수 있다. 이러한 상황에서, 활용은 학습 에이전트에 의해 명시된 RAN 기능이 세트를 사용(또는 활성화)하는 것을 지칭하는 반면, 탐색은 매핑을 더욱 개선하기 위해 새로운 RAN 기능 선택을 실험하는 것을 의미한다.

유전적 프로세스와 컨텍츄얼 밴딧 프로세스는 모두 목적 기능(objective function)를 사용하여 제안된 RAN 기능 세트가 하나 이상의 자원 사용 제약을 얼마나 잘 충족하고 목표 성과 지표를 최적화하는지를 결정한다. 유전적 프로세스의 상황에서, 이러한 목적 기능은 적합도 기능으로서 지칭된다. 컨텍츄얼 밴딧 프로세스의 경우, 이는 보상 기능으로서 지칭된다.

목적 기능의 형태는 목표 성과 지표에 따라 달라질 수 있다. 최적화 프로세스가 목표 성과 지표 중 적어도 하나를 최대화하거나 최소화하려고 하는 실시예의 경우, 적합한 보상 기능의 예는 다음과 같다:

여기서 S는 설정 및 성능 정보에 의해 명시된 바와 같은 RAN 노드의 상태이다. OptimizedPIs(S)는 최대화되거나 최소화될 적어도 하나의 목표 성과 지표 세트이다. LimitedResources(S)는 하나 이상의 제약에 의해 제약된 자원 세트이다. D_pred(S,f,r)은 RAN 기능 세트 f가 사이트 S에서 활성화된 경우 하나 이상의 예측 모델에 의해 결정된 자원 r의 예측 수요이다. PIpred(S,f,k)는 하나 이상의 예측 모델에 의해 결정된 목표 성과 지표 k의 예측 값이다. w(S,k) 및 w(S,r)은 각각 상이한 목표 성과 지표 값과 제약을 받는 자원의 상대적 중요도를 조정하도록 설정될 수 있는 가중치이다. 일반적으로, w(S,k)는 최적화 프로세스가 최대화하려고 하는 임의의 목표 성과 지표에 대해 양수일 수 있다. 따라서, w(S,k)는 최적화 프로세스가 최소화하려고 하는 임의의 목표 성과 지표에 대해 음수일 수 있다.

상술한 목적 기능을 사용함으로써, 최적화 프로세스는 제약된 자원의 소비를 최소화하면서 목표 성과 지표의 값을 효율적으로 최적화(예를 들어, 적절하게 최대화 또는 최소화)할 수 있다. 그러나, 통상의 기술자는 대안적인 목적 기능이 사용될 수 있다는 것을 이해할 것이다.

최적화 프로세스에 의해 선택된 하나 이상의 RAN 기능이 하나 이상의 자원에 대한 제약을 충족할 것으로 예측되도록 보장하기 위해, 최적화 프로세스에는 다음과 같은 제약이 적용될 수 있다:

여기서 D_cons(S,r)은 자원 r에 대한 제약이다. 따라서, 최적화 프로세스는 이러한 제약에 따라 목적 기능을 최대화하려고 할 수 있다.

또한, 상술한 바와 같이, 최적화 프로세스는 또한 하나 이상의 목표 성과 지표에 대한 제약을 받을 수 있다. 따라서, 최적화 프로세스에 추가 제약이 적용될 수 있다.

여기서 ConstrainedPI(S)는 최적화 프로세스가 (예를 들어, 최대화 또는 최소화보다는) 제약을 추구하는 하나 이상의 목표 성과 지표 세트이다.

상술한 목적 기능이 유전적 프로세스 및 컨텍츄얼 밴딧 프로세스의 상황에서 설명되지만, 통상의 기술자는 이들이 다른 최적화 프로세스에 의해 대안적으로 사용될 수 있음을 이해할 것이다. 일반적으로, 최적화 프로세스는 상술한 것과 같은 목적 기능을 사용하여 하나 이상의 RAN 기능을 선택할 수 있다. 따라서, 목적 기능은 하나 이상의 RAN 기능을 선택할 때 목적 기능을 최대화하거나 최소화하려고 할 수 있다.

단계(412)에서, RAN 노드에 의해 사용하기 위한 RAN 기능 f'의 최종 세트는 최적화 프로세스에 의해 제안된 하나 이상의 RAN 기능 f*에 기초하여 결정된다.

일부 실시예에서, RAN 노드에서 동시에 활성적일 수 있는 RAN 기능의 수에 대한 제한은 단계(412)에서 적용될 수 있다. 따라서, RAN 노드에서 동시에 실행될 수 있는 RAN 기능의 수에 대한 제한이 적용될 수 있다. RAN 기능의 공급자는 RAN 노드에서 활성적인 RAN 기능의 수에 따라 증가하는 라이센스 비용(licensing fee)을 청구할 수 있다. 따라서, 구현 비용을 줄이기 위해, 단계(412)에서 제안된 RAN 기능 f*를 모두 구현하지 않는 것으로 결정될 수 있다. 따라서, RAN 기능의 최종 세트 f'는 RAN 노드에 의해 제안된 RAN 기능의 서브세트 f*를 포함할 수 있다. 최적화 프로세스에 의해 제안된 RAN 기능의 수를 (예를 들어 네트워크에 의해 제공된) RAN 기능의 최대 임계값 수와 비교함으로써 결정이 이루어질 수 있다.

RAN 노드에 대한 RAN 기능 f'의 최종 세트는 부가적으로 또는 대안적으로 RAN 노드에서 실행 중인 어떤 RAN 기능에 대해 이루어질 수 있는 변경의 수에 대한 제한에 기초하여 결정될 수 있다. 최적화 프로세스가 대규모 변경을 생성할지라도 업데이트될 RAN 기능의 수를 제한하는 결정이 이루어질 수 있다. 기계 학습 프로세스를 사용하여 최적화 프로세스가 개발되는 실시예에서, 이는 훈련 단계 초기에 학습 프로세스와 연관된 위험을 완화할 수 있다. 이러한 프로세스는 과신(overconfidence)으로 인해 어려움을 겪을 수 있으며, 이는 최적화 프로세스가 자신보다 더 나은 성능을 발휘한다고 생각할 수 있으며, 따라서 최적화되지 않은 변경 사항을 제안할 수 있음을 의미한다. 한 번에 변경할 수 있는 변경 수(예를 들어, 활성화되거나 비활성화되는 RAN 기능의 수)를 제한함으로써 최적화 프로세스가 RAN 노드에서 활성 기능을 변경할 수 있는 속도가 제한되어 안정성을 제공한다.

단계(412)는 부가적으로 또는 대안적으로 최적화 프로세스에 의해 제안된 RAN 기능 세트 f*에 대한 하나 이상의 목표 성과 지표의 예측 값을 오퍼레이터(예를 들어, 무선 엔지니어)가 RAN 노드에 대해 수동으로 선택한 RAN 기능의 세트에 대한 목표 성과 지표의 예측된 값과 비교하는 단계를 포함할 수 있다. 최적화 프로세스에 의해 제안된 RAN 기능 세트가 수동으로 선택된 RAN 기능 세트보다 성능이 떨어지는 것으로 예측되는 경우, 최적화 프로세스에 의해 제안된 RAN 기능 세트 중 하나 이상(예를 들어 전체)이 폐기될 수 있다. 이러한 부가적인 검사를 사용하면 최적화 프로세스가 적어도 수동 오퍼레이터만큼 수행되는지 확인할 수 있다. RAN 기능의 두 세트 모두에 대한 예측된 목표 성과 지표는 상술한 하나 이상의 모델을 사용하여 결정될 수 있다. 최적화 프로세스가 기계 학습 프로세스를 사용하여 개발되는 실시예에서, 이러한 비교는 특히 학습 프로세스의 초기 단계 동안 유용할 수 있다.

따라서, 단계(412)에서, RAN 노드에 대한 RAN 기능의 최종 세트 f'는 최적화 프로세스에 의해 제안된 하나 이상의 RAN 기능 세트 f*에 기초하여 결정된다. 그 후, 방법은 단계(414)로 진행한다.

대안적으로, 단계(412)는 생략될 수 있고, 방법은 단계(410)로부터 단계(414)로 직접 진행할 수 있음으로써, RAN 노드에 대한 RAN 기능의 최종 세트 f'는 최적화 프로세스에 의해 제공되는 RAN 기능 세트에 상응한다.

단계(414)에서, RAN 노드는 RAN 기능의 최종 세트를 사용(예를 들어, 실행)하도록 설정된다. 단계(414)는 RAN 노드에서 현재 활성적인 RAN 기능을 최적화 프로세스에 의해 제안된 RAN 기능의 최종 세트와 비교하는 단계를 포함할 수 있다. 예를 들어, 최적화 프로세스에 의해 제안된 RAN 기능 세트는 RAN 노드에서 이미 실행 중인 하나 이상의 RAN 기능을 포함할 수 있다. 따라서, 단계(412)에서, RAN 기능 중 일부가 이미 활성적이므로 최적화 프로세스에 의해 제안된 RAN 기능 세트의 서브세트만을 활성화하도록 결정될 수 있다. 다른 예에서, RAN 기능 세트는 RAN 노드에서 현재 활성적인 하나 이상의 RAN 기능을 포함하지 않을 수 있다. 따라서, 단계(412)에서, 현재 실행 중이지만 RAN 기능 세트에 포함되지 않은 하나 이상의 RAN 기능을 비활성화하는 것이 결정될 수 있다. 다른 예에서, 최적화 프로세스에 의해 제안된 RAN 기능 세트는 RAN 노드에서 현재 활성적인 RAN 기능와 동일할 수 있다. 따라서, RAN 노드에서 RAN 기능이 활성화되거나 비활성화되지 않아야 된다는 것이 결정될 수 있다.

따라서, 예를 들어, 방법(400)이 RAN 노드 자체에 의해 수행되면, RAN 노드는 RAN 기능의 최종 세트와 현재 실행 중인 RAN 기능의 비교를 기반으로 하나 이상의 제1 RAN 기능을 활성화(예를 들어 실행)하고/하거나 하나 이상의 제2 RAN 기능을 비활성화(예를 들어 실행 중지)할 수 있다.

대안적인 실시예에서, 방법(400)은 예를 들어 RAN 노드에 연결된 코어 네트워크에서의 노드와 같은 다른 노드에 의해 수행될 수 있다. 이러한 다른 노드는 최적화 노드로서 지칭된다. 이 실시예에서, 어떤 RAN 기능이 활성화하고/하거나 비활성화하는지에 대한 결정은 예를 들어 RAN 노드 또는 최적화 노드에서 이루어질 수 있다. 따라서, 예를 들어, 최적화 노드는 활성화할 하나 이상의 제1 RAN 기능 및/또는 비활성화할 하나 이상의 제2 RAN 기능을 결정할 수 있고, 이에 따라 하나 이상의 제1 RAN 기능을 활성화하고/하거나 하나 이상의 제2 RAN 기능을 비활성화한다는 인디케이션을 RAN 노드로 송신할 수 있다. 대안적으로, 최적화 노드는 단순히 RAN 기능의 최종 세트의 인디케이션을 RAN 노드로 송신할 수 있고, RAN 노드는 이러한 인디케이션에 기초하여 어떤 RAN 기능이 활성화하고/하거나 비활성화할지를 결정할 수 있다.

일부 실시예에서, RAN 기능의 최종 세트에서의 RAN 기능 중 일부 또는 전부는 RAN 노드에서 이용 가능하지 않을 수 있다. 따라서, 예를 들어, RAN 노드는 이를 활성화하기 전에 RAN 기능(예를 들어 하나 이상의 실행 가능한 파일) 중 일부 또는 전부를 획득할 필요가 있을 수 있다. 이러한 예에서, RAN 노드는 하나 이상의 RAN 기능을 저장하는 저장소 노드(repository node)로서 지칭되는 다른 노드로부터 RAN 기능의 최종 세트 중 하나 이상을 수신할 수 있다. 예를 들어, 저장소 노드는 다른 RAN 노드 또는 코어 네트워크 노드일 수 있다. RAN 노드는 저장소 노드로부터 누락된 RAN 기능을 요청할 수 있다. RAN 노드는 (예를 들어, 활성화할 하나 이상의 제1 RAN 기능을 결정한 것에 응답하여) 자발적으로 요청을 송신할 수 있다. 대안적으로, RAN 노드는 최적화 노드에 의해 요청을 송신하도록 지시받을 수 있다.

방법(400)은 단계(400)에서 복수의 RAN 기능을 사용하도록 RAN 노드를 설정하는 것으로 종료할 수 있다. 대안적으로, 방법(400)은 RAN 노드에 대한 추가적인 사이트 특정 정보가 수집되는 단계(402)로 복귀할 수 있다. 따라서, 방법(400)은 한 번 이상 반복될 수 있다. 일부 예에서, 방법(400)은 RAN 노드에서 실행되는 RAN 기능이 RAN 노드의 설정 또는 성능의 변화에 따라 적응되도록 주기적으로 (예를 들어 일정한 간격으로) 수행될 수 있다. 다른 예에서, 방법(400)은 RAN 노드에 대한 설정 및/또는 성능 정보의 변경에 응답하여 수행될 수 있다. 예를 들어, 방법은 동작 파라미터 또는 성과 지표가 임계값보다 많이 변경되었다는 결정에 응답하여 개시될 수 있다.

따라서, 방법(400)에 따르면, RAN 노드는 최적화 프로세스를 사용하여 선택되는 하나 이상의 RAN 기능을 사용하도록 설정된다. 상술한 바와 같이, 최적화 프로세스는 설정 정보, 성능 정보 및 RAN 기능의 선택을 기반으로 하나 이상의 자원의 사용량 및 하나 이상의 목표 성과 지표의 값을 예측하기 위해 하나 이상의 모델(예측 모델과 동일한 것으로 지칭됨)을 사용한다. 통상의 기술자는 다양한 모델이 이러한 목적에 적합할 수 있음을 이해할 것이다. 예를 들어, 하나 이상의 예측 모델은 RAN 노드의 성능 및 동작에 대한 복수의 RAN 기능의 효과에 대한 이론적 이해에 기초하여 개발된 하나 이상의 이론적 모델을 포함할 수 있다.

부가적으로 또는 대안적으로, 하나 이상의 예측 모델은 복수의 RAN 노드에 대한 훈련 데이터를 사용하여 개발된 하나 이상의 모델을 포함할 수 있다. 이러한 상황에서, 복수의 RAN 노드는 최적화 프로세스가 궁극적으로 사용되는 RAN 노드를 포함할 수 있거나 포함하지 않을 수 있다. 훈련 데이터는 복수의 RAN 노드에 대한 설정 정보, 성능 정보 및 RAN 기능 활성화 정보를 포함한다. RAN 기능 활성화 정보는 상응하는 성능 정보 및 설정 정보에 대해 특정 RAN 노드에서 어떤 RAN 기능이 활성화되었는지(있는 경우)를 나타낸다. 따라서, 훈련 데이터는 상이한 RAN 기능이 RAN 노드의 성능 및/또는 자원 사용에 어떻게 영향을 미치는지를 결정하는 데 사용될 수 있다.

도 5는 하나 이상의 예측 모델을 훈련하기 위한 훈련 데이터를 생성하는 예시적인 방법을 도시한다. 방법은 예를 들어 코어 네트워크(304)와 같은 코어 네트워크에서의 노드에 의해 수행될 수 있다. 예를 들어, 이 방법은 도 4와 관련하여 상술한 하나 이상의 모델에 대한 훈련 데이터를 생성하는 데 사용될 수 있다.

단계(502)에서, 사이트 특정 정보는 복수의 RAN 노드(500)에 대해 수집된다. 도 5에서, 이러한 RAN 노드(500)는 eNB로서 라벨링(labelling)된다. 그러나, 통상의 기술자는 RAN 노드가 기지국, eNB, gNB 등과 같은 RAN 노드의 임의의 조합을 포함할 수 있다는 것을 이해할 것이다.

사이트 특정 정보는 복수의 RAN 노드의 각각에 대한 설정 정보, 성능 정보 및 RAN 기능 활성화 정보를 추출할 수 있는 원시(raw) 데이터를 포함한다. 따라서, 사이트 특정 정보는 예를 들어 복수의 RAN 노드에 대한 하나 이상의 CM 카운터, PM 카운터 및/또는 성과 지표(예를 들어 KPI)를 포함할 수 있다.

사이트 특정 정보는 복수의 RAN 노드(500)로부터 직접 수신될 수 있다. 일 예에서, 데이터 수집 에이전트는 복수의 RAN 노드의 각각에 배치되어 각각의 RAN 노드에 대한 사이트 특정 정보를 수집하여 분석한다(collate). 데이터 수집 에이전트는 수집하여 분석된 정보를 관리 노드로 송신할 수 있다. 따라서, 관리 노드는 복수의 RAN 노드의 모두에 대한 사이트 특정 정보를 수신할 수 있다. 관리 노드는 사이트 특정 정보를 수집하는 데 적합한 RAN 노드에 연결된 임의의 노드일 수 있다. 예를 들어, 관리 노드는 ENM(Ericsson Network Manager)일 수 있다.

단계(504)에서, 사이트 특정 정보는 설정 정보, 성능 정보 및 RAN 기능 활성화 정보를 획득하기 위해 처리(예를 들어 구문 분석)된다. RAN 노드의 각각에 대한 설정 정보 및 성능은 도 4와 관련하여 상술한 바와 같을 수 있다. 따라서, 예를 들어, RAN 노드에 대한 설정 정보는 주파수 대역, 셀의 수, RX/TX 안테나의 수 등과 같은 하나 또는 동작 파라미터를 포함할 수 있다. 성능 정보는 예를 들어 RRC 연결된 사용자의 수, PRB 활용 및/또는 평균 경로 손실과 같은 네트워크 성능을 나타내는 하나 이상의 측정값을 포함할 수 있다. 설정 정보 및 성능 정보는 RAN 노드마다 상이할 수 있다. 예를 들어, 하나의 RAN 노드에 대한 성능 정보는 다른 RAN 노드에 대한 성능 정보에는 존재하지 않는 파라미터 또는 지표를 포함할 수 있다.

RAN 기능 활성화 정보는 각각의 RAN 노드에 대해 성능 정보 및 설정 정보가 관련된 기간 동안 어떤 RAN 기능이 활성적(예를 들어, 실행 중)인지를 나타낸다. 이 정보가 제공될 수 있는 다양한 방법이 있다. 일 예에서, RAN 기능 활성화 정보는 이진 배열을 포함하며, 여기서 배열 엔트리의 각각은 1 또는 0의 값을 가질 수 있다. 각각의 배열 엔트리는 RAN 기능에 상응하고, 값 1은 연관된 RAN 기능이 활성적임을 나타내는 반면, 값 0은 연관된 RAN 기능이 비활성적임을 나타낸다.

단계(508)에서, 복수의 RAN 노드(500)에 대한 설정 정보 및 성능 정보가 저장된다. 이 정보는 쉽게 접근할 수 있도록 중앙 집중식 위치(centralised location)(508)(예를 들어, 중앙 서버)에 저장될 수 있다. 특정 예에서, 이 정보는 예를 들어 RAN 노드에 연결된 코어 네트워크에서의 노드에 저장될 수 있다. 정보는 관리 노드(예를 들어, 사이트 특정 정보가 수집되는 곳)에 저장될 수 있다.

데이터 수집(502), 추출(504) 및 저장(506) 단계는 한 번 이상 반복될 수 있다. 방법의 각각의 반복은 예를 들어 미리 결정된 기간의 경과(예를 들어 방법이 주기적으로 수행되는 경우) 또는 복수의 RAN 노드 중 적어도 하나의 설정 또는 성능의 변경에 의해 트리거될 수 있다. 새로운 정보가 추출되고 저장되면, (예를 들어, 중앙 집중식 위치에) 저장된 어떤 기존 정보에 부가될 수 있다. 시간이 지남에 따라 새로운 설정, 성능 및 RAN 기능 활성화 정보를 반복적으로 부가함으로써, 예측 모델을 개발하기 위한 강력한 데이터 세트가 생성될 수 있다. 더 크고 더 포괄적인 데이터 세트를 형성하면 이러한 데이터 세트를 사용하여 개발된 모든 모델의 정확도가 향상될 수 있다.

따라서, 본 개시는 RAN 노드에 대해 하나 이상의 자원의 사용량 및 하나 이상의 목표 성과 지표의 값을 예측하기 위한 하나 이상의 모델을 개발하기 위한 훈련 데이터를 생성하는 방법을 제공한다. 그러나, 통상의 기술자는 훈련 데이터를 생성하는 다른 방법이 있다는 것을 이해할 것이며, 따라서 본 개시는 이 자체로 제한되지 않는다.

도 6은 복수의 RAN 노드에 대한 훈련 데이터를 사용하여 모델을 개발하는 두 가지 예시적인 방법을 도시한다. 훈련 데이터는 예를 들어 도 5와 관련하여 상술한 방법에 따라 생성된 훈련 데이터를 포함할 수 있다. 복수의 RAN 노드는 임의의 적합한 RAN 노드를 포함할 수 있다. 따라서, 복수의 RAN 노드는 예를 들어 도 2와 관련하여 상술한 O-RAN 기지국(200) 및/또는 도 3과 관련하여 상술한 RAN 노드(302)를 포함할 수 있다.

도 6은 두 가지 방법을 도시하며, 제1 방법(600a)은 RAN 노드에 대한 하나 이상의 성과 지표(예를 들어, 핵심 성과 지표(KPI))의 값을 예측하기 위한 모델을 개발하기 위한 것이고, 제2 방법(600b)은 RAN 노드에 대한 하나 이상의 자원의 사용량을 예측하기 위한 모델을 개발하기 위한 것이다.

제1 방법(600a)에서, 설정 정보(602a), 성능 정보(604a) 및 RAN 기능 활성화 정보(606a)를 포함하는 훈련 데이터는 목표 성과 지표(예를 들어, KPI)의 값(610a)을 예측하기 위한 모델(608a)을 개발하는 데 사용된다. 이 예에서, 하나의 목표 성과 지표를 예측하기 위한 하나의 모델(608a)이 개발되었다. 따라서, 예를 들어, 목표 성과 지표마다 하나의 모델(608a)이 개발될 수 있다. 이러한 접근 방식은 임의의 모델 파라미터 또는 계수만이 단일 목표 성과 지표를 예측하기 위해 조정될 필요가 있으므로 보다 정확한 모델을 제공한다. 대안적으로, 하나의 모델(608a)은 복수의 목표 성과 지표를 예측하는 데 사용될 수 있다. 이러한 접근 방식은 다수의 별개의 모델을 실행하는 것보다 자원를 덜 사용하여 실행하는(예를 들어, 메모리 및/또는 처리 능력을 덜 사용하는) 모델을 제공할 수 있다.

방법(600a)에 따르면, 모델(608a)은 훈련 데이터를 기계 학습 프로세스에 입력함으로써 개발된다. 기계 학습 프로세스는 예를 들어 회귀(regression) 프로세스를 포함할 수 있다. 따라서, 기계 학습 프로세스는 랜덤 포레스트 프로세스(random forest process), 회귀 트리(regression tree), 지원 벡터 회귀, 신경망 또는 KNN(k-nearest-neighbours) 프로세스 중 하나 이상을 포함할 수 있다.

일 예에서, 랜덤 포레스트 프로세스는 하나 이상의 목표 성과 지표를 예측하기 위한 모델을 개발하기 위해 사용된다. 랜덤 포레스트 프로세스의 하이퍼파라미터는 트리의 수 = 100과 무제한 트리 깊이를 포함한다. 표 1은 SSSR, SARR(Session Abnormal Release Rate), MPAR_in(Minutes Per Abnormal Release rate including Mobility Management Entity drops), MPAR_ex(Minutes Per Abnormal Release rate excluding Mobility Management Entity drops), 반송파 집성(Carrier Aggregation; CA, 이는 셀 가용성을 나타낼 수 있음), 이 예에 따라 개발된 HOSR_intra(Handover Success rate for intra frequency handovers) 및 HOSR_inter(Handover Success Rate for interfrequency handovers)을 예측하기 위한 모델의 정확도를 나타낸다. 훈련 정확도 열(column)은 훈련 데이터(예를 들어, 훈련된 것과 동일한 데이터)에 적용될 때 각각의 모델의 정확도를 나타낸다. 테스트 정확도 열은 보이지 않는 데이터(예를 들어, 훈련 데이터와 중첩되지 않는 데이터)에 적용될 때 각각의 모델의 정확도를 나타낸다. 변동은 훈련 정확도와 테스트 정확도 열 간의 차이를 캡처(capture)한다.

KPI	훈련 acc. (%)	테스트 acc. (%)	변동
SSSR	99.98	99.96	0.02
SARR	97.15	78.23	19.48
MPAR_in	97.35	77.83	20.05
MPAR_ex	97.41	81.67	16.15
CA	100.00	100.00	0.00
HOSR_intra	99.95	99.55	0.40
HOSR_inter	99.80	98.58	1.23

표 1

표 1은 방법(600a)이 성과 지표에 따라 75-100% 사이의 정확도를 갖는 목표 성과 지표를 예측하기 위한 모델을 생성할 수 있다는 것을 보여준다.

방법(600a)을 사용하여 개발된 모델의 정확도를 더욱 향상시키기 위해, 도메인 지식(domain knowledge)이 사용될 수 있다. 통상의 기술자는 도메인 지식의 개념에 익숙할 것이지만, 간략히 도메인 지식은 모델이 동작하는 도메인 또는 환경에 특정한 정보를 포함한다. 따라서, 도메인 지식은 특정 분야의 전문 지식(expertise) 또는 노하우(know-how)와 관련될 수 있다. 도메인 지식은 일반적으로 해당 분야의 (인간) 전문가로부터의 입력을 사용하여 생성된다. 따라서, 모델의 개발에서의 도메인 지식을 사용하면 (사이트 특정 정보로부터의) 경험적 모델의 이점과 (도메인 지식으로부터의) 이론적 접근의 이점을 효과적으로 조합할 수 있다. 일 예에서, 기계 학습 프로세스는 하나 이상의 사전의 것(priors)을 사용하는 베이지안 학습 프로세스(Bayesian learning process)를 포함한다. 하나 이상의 사전의 것은 도메인 지식에 기초할 수 있다. 따라서, 도메인 지식은 기계 학습 프로세스에 사용되는 하나 이상의 사전 확률 분포를 제한하거나 명시하는 데 사용될 수 있다. 예를 들어, 도메인 지식은 목표 파라미터 인디케이션에 대한 최대 달성 가능한 값을 나타낼 수 있고, 목표 파라미터 인디케이션과 관련된 사전의 것은 이러한 달성 가능한 최대 값을 초과하는 값의 확률이 0임을 나타내기 위해 잘릴 수 있다.

특정 예에서, 확률적 베이지안 신경망(probabilistic Bayesian neural network)은 SSSR 또는 MPAR과 같은 목표 성과 지표를 예측하는 데 사용될 수 있다. 베이지안 신경망에 대한 추가의 상세 사항은 “Building probabilistic Bayesian neural network models with TensorFlow Probability”, Khalid Salama, 2021/01/15, https://keras.io/examples/keras_ recipes/bayesian_neural_networks/에서 확인될 수 있다. 이 접근 방식에서, 하나 이상의 목표 성과 지표는 정규 분포로서 모델링될 수 있다. 이 접근 방식은 하나 이상의 목표 성과 지표에 대한 평균 및 분산 파라미터의 사전 추정을 필요로 한다. 이러한 값을 획득하기 위해, 하나 이상의 목표 성과 지표와 관련된 도메인 지식이 사용될 수 있다. 예를 들어, 실제 배치(real-life deployment)를 위한 일반적인 평균 SSSR은 약 99인 반면, 일반적인 평균 MPAR은 약 55인 것으로 알려져 있다. 분산의 경우, 분산은 평균의 약 5~10%라고 가정할 수 있다. 이는 하나 이상의 목표 성과 지표의 값을 예측하기 위한 하나 이상의 모델의 개발을 더욱 개선하기 위해 도메인 지식이 어떻게 사용될 수 있는지에 대한 일 예를 예시한다.

하나 이상의 자원의 사용량을 예측하기 위한 모델을 개발하는 방법(600b)은 방법(600a)과 실질적으로 동일할 수 있지만, 목표 파라미터 지표보다는 자원 사용량에 대한 것이다. 따라서, 방법(600b)은 본 명세서에서 상세히 설명되지 않는다. 간략하게, 방법(600b)은 RAN 노드의 특정 자원의 소비 또는 사용량(610b)을 예측하기 위한 모델(608b)을 개발하기 위해 설정 정보(602b), 성능 정보(604b) 및 RAN 기능 활성화 정보(606b)를 포함하는 훈련 데이터를 사용하는 단계를 포함한다. 도 6에 도시된 모델(608b)은 하나의 자원 소비를 예측하기 위한 것이지만, 통상의 기술자는 방법(600b)이 일반적으로 하나 이상의 자원 소비를 예측하기 위한 모델을 개발하는 데 사용될 수 있다는 것을 이해할 것이다.

도 6은 하나 이상의 성과 지표의 값과 RAN 노드에 대한 하나 이상의 자원의 사용량을 예측하기 위한 두 개의 별개의 모델을 도시하지만, 본 개시는 그 자체로서 제한되지 않는다. 방법(600a, 600b)은 하나 이상의 성과 지표의 값과 하나 이상의 자원의 사용량을 모두 예측하기 위한 단일 모델을 개발하도록 적응될 수 있다. 따라서, 일반적으로, 본 개시는 이러한 예측을 하기 위한 하나 이상의 모델을 개발하는 방법을 제공한다.

도 7은 본 개시의 실시예에 따른 시그널링 흐름의 다이어그램을 도시한다. 시그널링은 하나 이상의 RAN 기능을 사용하도록 RAN 노드(704)를 설정하기 위한 것이다. 시그널링은 최적화 노드(702), RAN 노드(704) 및 저장소(706) 사이에서 이루어진다. 최적화 노드(702)는 예를 들어 도 4와 관련하여 상술한 최적화 노드일 수 있다. RAN 노드(704)는 예를 들어 도 1과 관련하여 상술한 제1 RAN 노드(302a)를 포함하는 본 명세서에 설명된 RAN 노드 중 임의의 것일 수 있다.

단계(708)에서, RAN 노드(704)는 RAN 노드(704)에 대한 설정 정보 및 성능 정보를 최적화 노드(702)로 송신한다. 설정 정보 및 성능 정보는 도 3-5 중 어느 하나와 관련하여 상술한 바와 같을 수 있다. 따라서, RAN 노드(704)는 상술한 단계(402-404)와 관련하여 설명된 바와 같이 자신의 사이트 특정 정보로부터 설정 정보 및 성능 정보를 추출할 수 있다.

대안적으로, RAN 노드(704)는 단계(708)에서 RAN 노드(704)에 대한 사이트 특정 정보를 송신할 수 있다. 사이트 특정 정보는 예를 들어 도 4와 관련하여 상술한 바와 같을 수 있다. 따라서, 사이트 특정 정보는 RAN 노드(704)에 대한 설정 정보 및 성능 정보가 추출될 수 있는 데이터를 포함할 수 있다.

RAN 노드(704)는 요청 시(예를 들어, 최적화 노드(702)로부터의 요청에 응답하여) 또는 자신의 주도로 이러한 정보(예를 들어, 사이트 특정 정보 또는 설정 및 성능 정보)를 최적화 노드(702)로 송신할 수 있다. 예를 들어, RAN 노드(704)는 미리 결정된 간격으로 이러한 정보를 송신할 수 있다.

RAN 노드(704)는 또한 단계(710)에서 어떤 RAN 특징이 RAN 노드(704)에서 실행 중인지(예를 들어 활성적인지)를 나타내는 RAN 노드(704)에 대한 RAN 특징 활성화 정보를 송신할 수 있다.

단계(710)에서, 최적화 노드(702)는 설정 정보, 성능 정보, 하나 이상의 목표 성과 지표 및 RAN 노드(704)에 대한 하나 이상의 자원 상의 제약에 기초하여 RAN 노드(704)에 대한 복수의 RAN 기능으로부터 하나 이상의 RAN 기능을 선택한다.

최적화 노드(702)가 RAN 노드(704)로부터 사이트 특정 정보를 수신하는 실시예에서, 최적화 노드(702)는 하나 이상의 RAN 기능을 선택하기 전에 사이트 특정 정보로부터 설정 정보 및 성능 정보를 추출한다. 최적화 노드(702)는 도 4와 관련하여 상술한 단계(404)에 따라 이러한 정보를 추출할 수 있다.

최적화 노드(702)는 (예를 들어, 설정 정보 및/또는 성능 정보를 포함하는 메시지에서) RAN 노드(704)로부터 하나 이상의 목표 성과 지표 및 제약을 수신할 수 있다. 대안적으로, 최적화 노드(702)에는 이러한 정보의 일부 또는 전부가 미리 설정될 수 있다. 예를 들어, 최적화 노드(702)에는 RAN 노드(704)에 대한 최대 전력 소비가 미리 설정될 수 있다. 또 다른 대안에서, 최적화 노드(702)는 목표 성과 지표 중 적어도 하나와 RAN 노드(704)에 대한 하나 이상의 자원 상의 제약을 다른 노드로부터 수신할 수 있다.

최적화 노드(702)는 입력 데이터 및 RAN 기능의 선택에 기초하여 하나 이상의 자원의 사용량 및 하나 이상의 목표 성과 지표의 값을 예측하기 위한 하나 이상의 모델을 사용하여 하나 이상의 RAN 기능을 선택하기 위한 최적화 프로세스를 사용한다. 최적화 프로세스는 예를 들어 단계(710)가 도 4의 단계(408-412)에 상응하도록 도 4에 설명된 바와 같을 수 있다. 따라서, 최적화 노드(702)는 단계(710)에서 최적화 프로세스를 사용하여 RAN 노드(704)에 의한 활성화를 위해 하나 이상의 RAN 기능 f*를 선택할 수 있다.

단계(716)에서, 최적화 노드(702)는 하나 이상의 RAN 기능의 최종 세트에 대한 인디케이션을 RAN 노드(704)로 송신함으로써 하나 이상의 RAN 기능의 최종 세트를 사용하도록 RNA 노드(704)를 설정한다.

RAN 기능의 최종 세트는 단계(710)에서 선택된 하나 이상의 RAN 기능 f*에 상응할 수 있다. 대안적으로, RAN 기능의 최종 세트는 단계(710)에서 선택된 하나 이상의 RAN 기능 f*의 서브세트를 포함할 수 있다. 이러한 예에서, 인디케이션을 RAN 노드(704)로 송신하기 전에, 최적화 노드(702)는 또한 구현할 하나 이상의 RAN 기능의 서브세트 f*를 선택할 수 있다. 예를 들어, 최적화 노드(702)는 도 4의 단계(410에서 상술한 방법 중 임의의 방법을 사용할 수 있다. 이러한 예에서, 최적화 노드(702)는 단계(712)에서 선택된 RAN 기능의 이러한 서브세트의 인디케이션을 RAN 노드(704)로 송신한다.

최적화 노드(702)는 어레이(array)를 사용하여 RAN 노드(704)에 RAN 기능의 최종 세트를 나타낼 수 있다. 따라서, 예를 들어, 최적화 노드(702)는 각각의 어레이 엔트리가 복수의 RAN 기능에 상응하는 어레이를 RAN 노드(704)로 송신할 수 있다. 각각의 어레이 엔트리는 상응하는 RAN 기능이 RAN 노드(704)에서 활성적(예를 들어, TRUE 또는 1) 또는 비활성적(예를 들어, FALSE 또는 0)인지를 나타내는 플래그를 포함할 수 있다. 대안적으로, 최적화 노드(702)는 RAN 기능의 최종 세트에 상응하는 리스트를 RAN 노드(704)로 송신할 수 있다.

단계(714)에서, RAN 노드(704)는 최적화 노드(702)로부터 수신된 인디케이션에 기초하여 활성화할 하나 이상의 제1 RAN 기능 및/또는 비활성화할 하나 이상의 제2 RAN 기능을 결정한다. 따라서, RAN 노드(704)는 어떤 RAN 기능이 현재 실행 중인지를 최적화 노드(702)로부터의 인디케이션과 비교하여 어떤 기능이 활성화되거나 비활성화되는지를 결정할 수 있다. 예를 들어, RAN 노드(704)는 단계(714)에서 최적화 노드(702)에 의해 나타내어졌지만 현재 RAN 노드(704)에서 실행되고 있지 않다는 결정에 응답하여 Multi-Target RRC Connection Re-establishment 기능을 활성화하기로 결정할 수 있다.

RAN 노드(704)는 활성화할 하나 이상의 제1 RAN 기능을 RAN 노드(704)에서 이용 가능한(예를 들어 저장되어 있는) RAN 기능과 비교한다. 활성화될 기능 중 하나 이상이 RAN 노드에 저장되어 있지 않다는 결정에 응답하여, RAN 노드(704)는 이러한 기능에 대한 요청(714)을 저장소(706)로 송신한다. 저장소(706)는 (예를 들어 하나 이상의 실행 가능한 파일을 가진) 요청된 기능으로 응답한다.

단계(718)에서, RAN 노드(704)는 하나 이상의 제1 RAN 기능(예를 들어, 아직 실행되고 있지 않은 메시지(712)에 나타내어진 RAN 기능)를 활성화한다. 따라서, RAN 노드(704)는 단계(716)에서 메시지(712)에 나타내어지고 아직 실행되고 있지 않은 로컬로 저장된 임의의 RAN 기능와 함께 저장소로부터 수신된 임의의 RAN 기능을 활성화한다. 단계(718)에서, RAN 노드(704)는 또한 하나 이상의 최종 RAN 기능에 포함되지 않고 현재 실행 중인 임의의 RAN 기능을 비활성화할 수 있다. 이러한 방식으로, RAN 노드(704)는 단계(712)에서 최적화 노드(702)에 의해 나타내어진 기능에 상응하도록 활성적 RAN 기능을 업데이트한다.

도 7과 관련하여 설명된 시그널링 흐름에서, RAN 노드(704)는 최적화 노드(702)로부터의 하나 이상의 최종 RAN 기능의 인디케이션에 기초하여 어떤 RAN 기능이 활성화하거나 비활성화할지를 결정한다. 대안적으로, 최적화 노드(702)는 인디케이션을 RAN 노드(704)로 송신하기 전에 (단계(710)에서 수신될 수 있는) RAN 노드(704)에 대한 RAN 특징 활성화 정보를 최종 RAN 기능의 세트와 비교하여 RAN 노드(704)에 의해 활성화될 하나 이상의 제1 RAN 기능 및/또는 RAN 노드(704)에 의해 비활성화될 하나 이상의 제2 RAN 기능을 결정한다. 그런 다음, 최적화 노드(704)는 단계(712)에서 하나 이상의 제1 RAN 기능 및/또는 하나 이상의 제2 RAN 기능의 인디케이션을 RAN 노드(704)로 송신하여 하나 이상의 최종 RAN 기능을 사용하도록 RAN 노드(704)를 설정한다.

도 8은 본 개시의 실시예에 따라 하나 이상의 RAN 기능을 사용하도록 RAN 노드를 설정하는 방법(800)의 흐름도를 도시한다. 하나 이상의 RAN 기능은 실행될 수 있는(예를 들어, RAN 노드에 의해 실행되는) 하나 이상의 소프트웨어 기능 또는 특징을 포함할 수 있다. RAN 노드는 예를 들어 도 2와 관련하여 상술한 기지국(200)을 포함할 수 있다. 대안적으로, RAN 노드는 예를 들어 도 3 및 도 7과 관련하여 상술한 RAN 노드(302a 또는 704) 중 하나를 포함할 수 있다. 특정 예에서, RAN 노드는 도 1과 관련하여 상술한 D-RAN(110)과 같은 D-RAN에 대한 RAN 노드일 수 있다.

방법은 RAN 노드 자체에 의해 수행될 수 있다. 대안적으로, 방법은 코어 네트워크에서의 노드와 같이 RAN 노드에 연결된 다른 노드에 의해 수행될 수 있다. 특정 예에서, 방법은 (예를 들어 클라우드 아키텍처에서) 복수의 마이크로 서비스로서 구현될 수 있다. 따라서, 다음의 방법의 하나 이상의 단계는 각각의 기능에 의해 수행될 수 있다. 이러한 예에서, 기능은 방법(800)이 이들 사이에서 수행되는 데 필요한 임의의 정보를 송신하도록 설정된다. 기능 간의 통신은 더 높은 수준의 클라우드 인프라를 사용할 수 있다. 예를 들어, 기능 간의 통신은 Kubernetes, docker 또는 모든 유사한 서비스 중 하나 이상을 사용할 수 있다. 부가적으로 또는 대안적으로, 기능은 방법(800)의 단계 사이에서 데이터를 저장하기 위해 클라우드 저장소를 사용할 수 있다. 다른 대안에서, 메시지 버스(예를 들어 Kafka)는 기능 간의 통신을 용이하게 하기 위해 사용될 수 있다.

방법은 RAN 노드에 대한 입력 데이터가 획득되는 단계(802)에서 시작된다. 입력 데이터는 RAN 노드에 대한 설정 정보와 성능 정보를 포함한다. 따라서, 단계(802)는 예를 들어 도 4의 단계(402-404) 또는 도 7의 단계(708)에 상응할 수 있다.

단계(804)에서, 최적화 프로세스는 RAN 노드에 의한 활성화를 위해 복수의 RAN 기능으로부터 하나 이상의 RAN 기능을 선택하는 데 사용된다. 선택은 입력 데이터, 하나 이상의 목표 성과 지표 및 RAN 노드에 대한 하나 이상의 자원 상의 제약을 기반으로 이루어진다. 최적화 프로세스는 입력 데이터 및 RAN 기능의 선택에 기초하여 하나 이상의 자원의 사용량 및 하나 이상의 목표 성과 지표의 값을 예측하기 위한 하나 이상의 모델을 사용하여 하나 이상의 RAN 기능을 선택하도록 설정된다. 따라서, 단계(804)는 예를 들어 도 4의 단계(410-412) 또는 도 7의 단계(710)에 상응할 수 있다.

하나 이상의 모델은 복수의 RAN 노드에 대한 훈련 데이터를 사용하여 개발될 수 있으며, 여기서 훈련 데이터는 복수의 RAN 노드에 대한 설정 정보, 성능 정보 및 RAN 기능 활성화 정보를 포함한다. 훈련 데이터를 생성하기 위한 예시적인 방법은 도 5와 관련하여 상술하였다. 하나 이상의 모델을 개발하기 위한 예시적인 방법은 도 6과 관련하여 상술하였다.

단계(806)에서, RAN 노드는 선택된 RAN 기능을 사용하도록 설정된다. 예를 들어, 단계(806)는 도 4의 단계(414) 또는 도 7의 단계(712)에 상응할 수 있다. 방법(800)이 RAN 노드에 의해 수행되는 예에서, 단계(806)는 선택된 RAN 기능에 기초하여 하나 이상의 RAN 기능을 활성화 및/또는 비활성화하는 단계를 포함할 수 있다. 방법(800)이 다른 곳에서 수행되는 대안적인 예에서, 단계(806)는 선택된 RAN 기능을 사용하도록 RAN 노드에 지시하기 위한 인디케이션을 RAN 노드로 송신하는 단계를 포함할 수 있다.

도 9는 본 개시의 실시예에 따라 하나 이상의 RAN 기능을 사용하도록 RAN 노드를 설정하는 장치(900)의 개략도이다. RAN 노드는 예를 들어 도 2와 관련하여 상술한 기지국(200)을 포함할 수 있다. 대안적으로, RAN 노드는 예를 들어 도 3 및 도 7과 관련하여 상술한 RAN 노드(302a 또는 704) 중 하나를 포함할 수 있다. 특정 예에서, RAN 노드는 D-RAN을 위한 것일 수 있다.

장치(1000)는 RAN 노드 그 자체일 수 있다. 대안적으로, 장치(1000)는 예를 들어 도 3과 관련하여 상술한 코어 네트워크(304)와 같은 코어 네트워크에서의 노드일 수 있다. 장치(1000)는 예를 들어 도 2와 관련하여 상술한 오케스트레이션 및 자동화 기능(orchestration and automation function)(202)일 수 있다.

장치(900)는 도 8을 참조하여 설명된 예시적인 방법(800) 및 가능하게는 본 명세서에 개시된 임의의 다른 프로세스 또는 방법을 수행하도록 동작 가능할 수 있다. 또한, 도 8의 방법(800)은 반드시 장치(900)에 의해서만 수행될 필요는 없다는 것을 이해해야 한다. 방법의 적어도 일부 동작은 하나 이상의 다른 엔티티에 의해 수행될 수 있다.

장치(900)는 RAN 노드에 대한 입력 데이터를 획득하도록 설정되는 획득 유닛(902)을 포함하며, 여기서 입력 데이터는 RAN 노드에 대한 설정 정보 및 성능 정보를 포함한다. 장치(900)는 입력 데이터, 하나 이상의 목표 성과 지표 및 RAN 노드에 대한 하나 이상의 자원 상의 제약에 기초하여 RAN 노드에 대한 복수의 RAN 기능으로부터 하나 이상의 RAN 기능을 선택하기 위한 최적화 프로세스를 사용하도록 설정되는 최적화 유닛(904)을 더 포함한다. 최적화 프로세스는 입력 데이터 및 RAN 기능의 선택에 기초하여 하나 이상의 자원의 사용량 및 하나 이상의 목표 성과 지표의 값을 예측하기 위한 하나 이상의 모델을 사용하여 하나 이상의 RAN 기능을 선택하도록 설정된다. 장치(900)는 하나 이상의 선택된 RAN 기능을 사용하기 위해 RAN 노드를 설정하도록 설정되는 설정 유닛(906)을 더 포함한다. 따라서, 예를 들어, 획득 유닛(902), 최적화 유닛(904) 및 설정 유닛(906)은 단계(802, 804 및 806)(도 8과 관련하여 위에서 설명됨)를 각각 수행하도록 설정될 수 있다.

장치(900)는 하나 이상의 마이크로 프로세서 또는 마이크로 제어부뿐만 아니라 디지털 신호 프로세서(digital signal processor; DSP), 특수 목적 디지털 로직 등을 포함할 수 있는 다른 디지털 하드웨어를 포함할 수 있는 처리 회로를 포함할 수 있다. 처리 회로는 판독 전용 메모리(read-only memory; ROM), 랜덤 액세스 메모리, 캐시 메모리, 플래시 메모리 장치, 광학 저장 장치 등과 같은 하나 또는 여러 타입의 메모리를 포함할 수 있는 메모리에 저장된 프로그램 코드를 실행하도록 설정될 수 있다. 메모리에 저장된 프로그램 코드는 여러 실시예에서 본 명세서에 설명된 기술 중 하나 이상을 실행하기 위한 명령어뿐만 아니라 하나 이상의 통신 및/또는 데이터 통신 프로토콜을 실행하기 위한 프로그램 명령어를 포함한다. 일부 구현에서, 처리 회로는 획득 유닛(902), 최적화 유닛(904) 및 개시 유닛(906), 및 장치(900)의 임의의 다른 적절한 유닛이 본 개시의 하나 이상의 실시예에 따라 상응하는 기능을 수행하도록 하는 데 사용될 수 있다.

장치(900)는 장치(900)에 전력을 공급하도록 설정된 전원 공급 회로(도시되지 않음)를 부가적으로 포함할 수 있다.

도 10은 본 개시의 실시예에 따라 하나 이상의 RAN 기능을 사용하도록 RAN 노드를 설정하는 장치(1000)의 개략도이다. RAN 노드는 예를 들어 도 2와 관련하여 상술한 기지국(200)을 포함할 수 있다. 대안적으로, RAN 노드는 예를 들어 도 3 및 도 7과 관련하여 상술한 RAN 노드(302a 또는 704) 중 하나를 포함할 수 있다. 특정 예에서, RAN 노드는 도 1과 관련하여 설명한 D-RAN(110)과 같은 D-RAN을 위한 것일 수 있다.

장치(1000)는 RAN 노드 그 자체일 수 있다. 대안적으로, 장치(1000)는 예를 들어 도 3과 관련하여 상술한 코어 네트워크(304)와 같은 코어 네트워크에서의 노드일 수 있다. 장치(1000)는 예를 들어 도 2와 관련하여 상술한 오케스트레이션 및 자동화 기능(202)일 수 있다.

장치(1000)는 처리 회로(또는 로직)(1002)를 포함한다. 처리 회로(1002)는 장치(1000)의 동작을 제어하고, 예를 들어 도 8과 관련하여 상술한 방법(800) 및 가능하게는 본 명세서에 개시된 임의의 다른 프로세스 또는 방법을 구현할 수 있다. 처리 회로(1002)는 본 명세서에 설명된 방식으로 장치를 제어하도록 설정되거나 프로그래밍된 하나 이상의 프로세서, 처리 유닛, 멀티 코어 프로세서 또는 모듈을 포함할 수 있다. 특정 구현예에서, 처리 회로(1002)는 장치(1000)와 관련하여 본 명세서에 설명된 방법의 개별 또는 다수의 단계를 수행하도록 각각 설정되거나 수행하기 위한 복수의 소프트웨어 및/또는 하드웨어 모듈을 포함할 수 있다.

간략하게, 장치(1000)의 처리 회로(1002)는 RAN 노드에 대한 입력 데이터를 획득하도록 동작 가능하며, 여기서 입력 데이터는 RAN 노드에 대한 설정 정보 및 성능 정보를 포함한다. 장치(1000)는 또한 입력 데이터, 하나 이상의 목표 성과 지표 및 RAN 노드에 대한 하나 이상의 자원 상의 제약에 기초하여 RAN 노드에 의한 활성화를 위해 복수의 RAN 기능으로부터 하나 이상의 RAN 기능을 선택하기 위한 최적화 프로세스를 사용하도록 동작 가능하다. 최적화 프로세스는 입력 데이터 및 RAN 기능의 선택에 기초하여 하나 이상의 자원의 사용량 및 하나 이상의 목표 성과 지표의 값을 예측하기 위한 하나 이상의 모델을 사용하여 하나 이상의 RAN 기능을 선택하도록 설정된다. 장치(1000)는 또한 하나 이상의 선택된 RAN 기능을 사용하기 위해 RAN 노드를 설정하도록 동작 가능하다.

선택적으로, 장치(1000)는 기계 판독 가능한 저장 매체(예를 들어, 메모리)(1004)를 포함할 수 있다. 일부 예에서, 장치(1000)의 기계 판독 가능한 저장 매체(1004)는 장치(1000)와 관련하여 본 명세서에 설명된 방법을 수행하기 위해 장치(1000)의 처리 회로(1002)에 의해 실행될 수 있는 명령어(예를 들어 프로그램 코드)를 저장하도록 설정될 수 있다. 대안적으로 또는 부가적으로, 장치(1000)의 기계 판독 가능한 저장 매체(1004)는 본 명세서에 설명된 임의의 요청, 자원, 정보, 데이터, 신호 등을 저장하도록 설정될 수 있다. 장치(1000)의 처리 회로(1002)는 본 명세서에 설명된 임의의 요청, 자원, 정보, 데이터, 신호 등을 저장하기 위해 장치(1000)의 기계 판독 가능한 저장 매체(1004)를 제어하도록 설정될 수 있다.

일부 예에서, 장치(1000)는 선택적으로 통신 인터페이스(1006)를 포함할 수 있다. 장치(1000)의 통신 인터페이스(1006)는 다른 가상 노드와 같은 다른 노드와 통신하는데 사용하기 위한 것일 수 있다. 예를 들어, 장치(1000)의 통신 인터페이스(1006)는 요청, 자원, 정보, 데이터, 신호 등을 다른 노드로 송신하고/하거나 다른 노드로부터 수신하도록 설정될 수 있다. 장치(1000)의 처리 회로(1002)는 요청, 자원, 정보, 데이터, 신호 등을 다른 노드로 송신하고/하거나 다른 노드로부터 수신하기 위해 장치(1000)의 통신 인터페이스(1006)를 제어하도록 설정될 수 있다.

예시된 실시예에서, 처리 회로(1002), 기계 판독 가능한 매체(1004) 및 인터페이스(1006)는 직렬로 서로 동작 가능하게 결합된다. 다른 실시예에서, 이러한 구성 요소는 직접적으로 또는 간접적으로 상이한 방식으로 서로 결합될 수 있다. 예를 들어, 구성 요소는 시스템 버스 또는 다른 통신 회선을 통해 서로 결합될 수 있다.

장치(1000)가 RAN 노드 자체를 포함하는 실시예에서, 장치(1000)는 장치(1000)의 기능(예를 들어, RAN 노드의 기능)이 분산되는 복수의 별개의 유닛을 포함할 수 있다. 따라서, 장치(1000)는 예를 들어 O-RAN(Open Radio Access Network) 노드와 같은 분산형(예를 들어 모듈형) RAN 노드일 수 있다.

이들 실시예에서, 장치(1000)는 무선 장치 제어부(예를 들어, 기저 대역 처리 유닛) 및 하나 이상의 원격 무선 장치 노드(예를 들어, 무선 주파수 송수신기)를 포함할 수 있다. 무선 장치 노드는 무선 장치 제어부와 같은 위치에 있지 않으며, 특히, 무선 장치 노드는 무선 장치 제어부가 다수의 원격 무선 장치 노드를 중앙에서 서빙할 수 있도록 무선 장치 제어부로부터 상당한 거리에 위치될 수 있다.

무선 장치 제어부는 원격 무선 장치 노드에 직간접적으로 연결될 수 있다. 무선 장치 노드는 하나 이상의 광섬유 링크(예를 들어, 무손실 광섬유 링크)를 통해 무선 장치 제어부에 연결될 수 있다. 분산형 RAN 노드에서의 유닛 간의 인터페이스는 CPRI(Common Public Radio Interface)에 의해 정의되며, CPRI는 다양한 공급업체로부터 장치의 상호 운용성을 가능하게 하기 위해 무선 분산형 RAN 노드에서 무선 장치 제어부와 무선 장치 노드 간의 프로토콜 인터페이스를 표준화한다. 필요한 연결(예를 들어, 광섬유 링크)의 수를 줄이기 위해, 무선 장치 노드는 예를 들어 공통 CPRI 집중 장치(concentrator)에 연결될 수 있다.

따라서, 장치(1000)가 분산형 RAN 노드를 포함하는 실시예에서, 처리 회로(1002) 및 기계 판독 가능한 매체(1004)는 예를 들어 장치(1000)의 일부를 형성하는 하나 이상의 무선 장치 노드를 제어하도록 설정된 무선 장치 제어부에 포함될 수 있다. 따라서, 본 명세서에 설명된 방법(예를 들어, 방법(400))은 장치(1000)의 무선 장치 제어부에 의해 수행될 수 있다. 대안적으로, 처리 회로(1002) 및 기계 판독 가능한 매체(1004)는 (예를 들어, 송수신기에서) 무선 장치 노드 중 하나에 포함될 수 있다.

상술한 실시예는 본 발명을 제한하기보다는 예시하며, 통상의 기술자는 첨부된 진술문(statement)의 범위를 벗어나지 않고 많은 대안적인 실시예를 설계할 수 있다는 것이 주목되어야 한다. "포함하는(comprising)"이라는 단어는 청구항에 열거된 것 이외의 요소 또는 단계의 존재를 배제하지 않으며, "a" 또는 "an"은 복수를 배제하지 않으며, 단일 프로세서 또는 다른 유닛은 아래의 진술문에 인용된 여러 유닛의 기능을 수행할 수 있다. "제1", "제2"이라는 용어가 사용되는 경우, 이는 단지 특정 특징을 편리하게 식별하기 위한 라벨로서만 이해되어야 한다. 특히, 달리 명시적으로 언급되지 않는 한, 이는 복수의 이러한 특징 중 제1 또는 제2 특징(즉, 시간 또는 공간에서 발생하는 이러한 특징 중 제1 또는 제2 특징)을 설명하는 것으로서 해석되지 않아야 한다. 본 명세서에 개시된 방법의 단계는 달리 명시되지 않는 한 임의의 순서로 수행될 수 있다. 진술문의 모든 참조 부호는 해당 범위를 제한하도록 해석되지 않아야 한다.

부록 A

Claims

하나 이상의 무선 액세스 네트워크(RAN) 기능을 사용하도록 RAN 노드를 설정하는 방법에 있어서,
RAN 노드에 대한 입력 데이터 - 입력 데이터는 RAN 노드에 대한 설정 정보와 성능 정보를 포함함 - 를 획득하는 단계(404; 708; 802);
입력 데이터, 하나 이상의 목표 성과 지표 및 RAN 노드에 대한 하나 이상의 자원 상의 제약을 기반으로, RAN 노드에 의한 활성화를 위한 복수의 RAN 기능으로부터 하나 이상의 RAN 기능을 선택하기 위한 최적화 프로세스를 사용하는 단계(410; 710; 804)로서, 최적화 프로세스는 입력 데이터 및 RAN 기능의 선택에 기초하여 하나 이상의 자원의 사용량 및 하나 이상의 목표 성과 지표의 값을 예측하기 위한 하나 이상의 모델을 사용하여 하나 이상의 RAN 기능을 선택하도록 설정되는, 사용하는 단계(410; 710; 804); 및
하나 이상의 선택된 RAN 기능을 사용하도록 RAN 노드를 설정하는 단계(414; 712; 806)를 포함하는, RAN 노드를 설정하는 방법.
제 1 항에 있어서,
하나 이상의 모델은 복수의 RAN 노드에 대한 훈련 데이터를 사용하여 개발되고, 훈련 데이터는 복수의 RAN 노드에 대한 설정 정보, 성능 정보 및 RAN 기능 활성화 정보를 포함하는, RAN 노드를 설정하는 방법.
제 2 항에 있어서,
하나 이상의 모델은 훈련 데이터를 기계 학습 프로세스에 입력함으로써 개발되는, RAN 노드를 설정하는 방법.
제 3 항에 있어서,
기계 학습 프로세스는 베이지안 학습 프로세스를 포함하고, 베이지안 학습 프로세스에 대한 하나 이상의 사전의 것은 도메인 지식에 기초하는, RAN 노드를 설정하는 방법.
제 1 항 내지 제 4 항 중 어느 한 항에 있어서,
하나 이상의 모델은 하나 이상의 자원의 사용량을 예측하기 위한 제1 모델 및 하나 이상의 목표 성과 지표의 값을 예측하기 위한 제2 모델을 포함하는, RAN 노드를 설정하는 방법.
제 1 항 내지 제 5 항 중 어느 한 항에 있어서,
최적화 프로세스는 컨텍츄얼 밴딧 프로세스 또는 복수의 RAN 기능에 의해 정의된 파라미터 공간을 탐색하도록 설정된 유전적 프로세스를 포함하는, RAN 노드를 설정하는 방법.
제 1 항 내지 제 6 항 중 어느 한 항에 있어서,
최적화 프로세스는 RAN 노드에서 활성화될 때 하나 이상의 자원 상의 제약이 충족되도록 하는 것으로 예측되는 하나 이상의 RAN 기능을 선택하도록 설정되는, RAN 노드를 설정하는 방법.
제 1 항 내지 제 7 항 중 어느 한 항에 있어서,
하나 이상의 목표 성과 지표는 제1 성과 지표를 포함하고, 최적화 프로세스는 RAN 노드에서 활성화될 때 제1 성과 지표를 최대화하거나 최소화하는 것으로 예측되는 하나 이상의 RAN 기능을 선택하도록 설정되는, RAN 노드를 설정하는 방법.
제 1 항 내지 제 8 항 중 어느 한 항에 있어서,
하나 이상의 목표 성과 지표는 제2 성과 지표를 포함하고, 최적화 프로세스는 RAN 노드에서 활성화될 때 제2 성과 지표가 제2 성과 지표 상의 제약을 만족하게 하도록 예측되는 하나 이상의 RAN 기능을 선택하도록 설정되는, RAN 노드를 설정하는 방법.
제 1 항 내지 제 9 항 중 어느 한 항에 있어서,
선택된 RAN 기능의 수가 임계값을 초과한다는 결정에 응답하여, 선택된 RAN 기능의 서브세트만을 사용하도록 RAN 노드를 설정하는 단계를 더 포함하는, RAN 노드를 설정하는 방법.
제 1 항 내지 제 10 항 중 어느 한 항에 있어서,
최적화 프로세스는 RAN 노드에서 현재 활성적인 임의의 RAN 기능에 기초하여 RAN 노드에서의 활성화를 위한 하나 이상의 RAN 기능을 선택하도록 더 설정되는, RAN 노드를 설정하는 방법.
제 1 항 내지 제 11 항 중 어느 한 항에 있어서,
미리 결정된 시간 간격으로 반복되는, RAN 노드를 설정하는 방법.
제 1 항 내지 제 12 항 중 어느 한 항에 있어서,
RAN 노드는 분산형 RAN(D-RAN)에 있는, RAN 노드를 설정하는 방법.
제 1 항 내지 제 13 항 중 어느 한 항에 있어서,
선택된 RAN 기능을 사용하도록 RAN 노드를 설정하는 단계는 선택된 RAN 기능을 사용하도록 RAN 노드의 RAN 지능형 제어부(RIC)를 설정하는 단계를 포함하는, RAN 노드를 설정하는 방법.
제 14 항에 있어서,
MANO(Management and Orchestration) 노드에 의해 수행되는, RAN 노드를 설정하는 방법.
제 1 항 내지 제 15 항 중 어느 한 항에 있어서,
선택된 RAN 기능을 사용하도록 RAN 노드를 설정하는 단계는 선택된 RAN 기능의 인디케이션을 RAN 노드로 송신하는 단계를 포함하는, RAN 노드를 설정하는 방법.
제 16 항에 있어서,
선택된 RAN 기능을 사용하도록 RAN 노드를 설정하는 단계는 RAN 기능 저장소로부터 선택된 RAN 기능 중 적어도 하나를 요청하도록 RAN 노드에 지시하는 단계를 더 포함하는, RAN 노드를 설정하는 방법.
제 1 항 내지 제 14 항 중 어느 한 항에 있어서,
방법은 RAN 노드에 의해 수행되고, 선택된 RAN 기능을 사용하도록 RAN 노드를 설정하는 단계는,
선택된 RAN 기능 중 하나 이상의 제1 RAN 기능을 활성화하는 단계; 및
복수의 RAN 기능 중 하나 이상의 제2 RAN 기능을 비활성화하는 단계 중 하나 이상을 포함하는, RAN 노드를 설정하는 방법.
제 18 항에 있어서,
RAN 기능 저장소로부터 하나 이상의 제1 RAN 기능 중 적어도 하나를 요청하는 단계를 더 포함하는, RAN 노드를 설정하는 방법.
제 18 항 또는 제 19 항에 있어서,
선택된 RAN 기능과 RAN 노드에서 현재 활성적인 임의의 RAN 기능의 비교에 기초하여 하나 이상의 제1 RAN 기능 및/또는 하나 이상의 제2 RAN 기능을 결정하는 단계를 더 포함하는, RAN 노드를 설정하는 방법.
제 1 항 내지 제 20 항 중 어느 한 항에 있어서,
복수의 RAN 기능의 각각은 하나 이상의 실행 가능한 소프트웨어 프로그램을 포함하는, RAN 노드를 설정하는 방법.
컴퓨터 프로그램으로서,
적어도 하나의 프로세서 상에서 실행될 때 적어도 하나의 프로세서가 제 1 항 내지 제 21 항 중 어느 한 항에 따른 방법을 수행하게 하는 명령어를 포함하는, 컴퓨터 프로그램.
제 22 항에 따른 컴퓨터 프로그램을 포함하는 캐리어로서,
전자 신호, 광학 신호, 무선 신호 또는 컴퓨터 판독 가능한 저장 매체 중 하나를 포함하는, 캐리어.
컴퓨터 프로그램 제품으로서,
제 22 항에 따른 컴퓨터 프로그램을 저장한 비일시적 컴퓨터 판독 가능한 매체를 포함하는, 컴퓨터 프로그램 제품.
장치로서,
제 1 항 내지 제 21 항 중 어느 한 항에 따른 방법을 수행하도록 적응되는, 장치.
하나 이상의 RAN 기능을 사용하도록 무선 액세스 네트워크(RAN) 노드를 설정하는 장치(1000)에 있어서,
처리 회로(1002) 및 기계 판독 가능한 매체(1004)를 포함하며, 기계 판독 가능한 매체는 장치가,
RAN 노드에 대한 입력 데이터 - 입력 데이터는 RAN 노드에 대한 설정 정보와 성능 정보를 포함함 - 를 획득하고(404; 708; 802);
입력 데이터, 하나 이상의 목표 성과 지표 및 RAN 노드에 대한 하나 이상의 자원 상의 제약을 기반으로, RAN 노드에 의한 활성화를 위한 복수의 RAN 기능으로부터 하나 이상의 RAN 기능을 선택하기 위한 최적화 프로세스 - 최적화 프로세스는 입력 데이터 및 RAN 기능의 선택에 기초하여 하나 이상의 자원의 사용량 및 하나 이상의 목표 성과 지표의 값을 예측하기 위한 하나 이상의 모델을 사용하여 하나 이상의 RAN 기능을 선택하도록 설정됨 - 를 사용하며(410; 710; 804);
하나 이상의 선택된 RAN 기능을 사용하도록 RAN 노드를 설정하도록(414; 712; 806) 동작 가능하도록 처리 회로에 의해 실행 가능한 명령어를 포함하는, RAN 노드를 설정하는 장치(1000).
제 26 항에 있어서,
제 2 항 내지 제 21 항 중 어느 한 항에 따른 방법을 수행하도록 더 동작 가능한, 장치(1000).