KR20240061646A - 네트워크 관리 방법 및 그 시스템, 저장 매체 - Google Patents

Abstract

네트워크 관리 방법 및 그 시스템, 저장 매체를 개시하였다. 상기 방법은, 목표 대상의 파라미터 변화값을 획득하는 단계, -여기서, 파라미터 변화값은 DT 가상 모델로부터 얻어지며, DT 가상 모델은 물리 모델에 따라 구축되고, 물리 모델은 물리적 네트워크의 엔티티 객체로 구성되며, 파라미터 변화값은 목표 대상의 전송 성능 변화를 나타냄-(S110); 파라미터 변화값을 미리 훈련된 감지 모델에 입력하여 감지 모델로부터 출력된 상태 예측 결과를 획득하는 단계(S120); 상태 예측 결과를 미리 훈련된 인지 모델에 입력하여 인지 모델로부터 출력된 설정 조정 정보를 획득하는 단계(S130); 에뮬레이션 검증이 끝난 후 설정 조정 정보에 따라 물리 모델을 조정하는 단계(S140)를 포함한다.

Description

네트워크 관리 방법 및 그 시스템, 저장 매체

관련 출원의 상호 참조

본 출원은 2021년 9월 22일자로 중국에 출원한 출원 번호 제202111108462.1호의 중국 특허 출원에 대한 우선권을 주장하고, 그 모든 내용은 참조로 본 출원에 포함된다.

본 출원은 광통신 네트워크 분야에 관한 것으로, 특히 네트워크 관리 방법 및 그 시스템, 저장 매체에 관한 것이나 이에 한정되지 않는다.

인지 광 네트워크 기술은 기계 학습을 기반으로 하는 차세대 지능형 광 네트워크 제어 기술로서, 네트워크 환경을 자동으로 감지, 이해 및 학습하고 네트워크 설정을 실시간 조정하여 네트워크 환경의 변화에 지능적으로 적응할 수 있을 뿐만 아니라 빠른 오류 감지 및 위치 결정, 실시간 광학 경로의 성능 모니터링 및 품질 예측, 전송 매개 변수 자동 최적화, 트래픽 예측 및 경로 계획, 오류 원인 찾기 및 광 계층 회복 시간 단축 등을 구현할 수도 있다. 이로써 전체 광 네트워크의 전반적인 품질을 개선하고, 자율 주행 광 네트워크(ADON), 인텐트 기반 광 네트워크(IBON), 클라우드-광 융합 등 새로운 지능형 광 네트워크 관리 기술을 위해 네트워크 관리 기술을 제공한다.

광 네트워크의 인지 분석 및 에뮬레이션은 물리적 네트워크 환경 및 운행에 영향주지 않은 전제 하에서 이루어져야 한다. 일반적으로 디지털 트윈(Digital Twin, DT) 기술을 사용하여 물리 대상의 고충실도 디지털 가상 모델을 구축하고, 물리 대상의 동작을 시뮬레이션해야 하지만 DT에서 생성된 가상 모델은 데이터의 기초로만 사용될 수 있다. 현재 DT와 인지 광 네트워크 기술의 협업을 구현할 수 있는 관련 기술은 존재하지 않는다.

이하, 본 명세서에 상세히 기재된 발명에 대해 개략적으로 기술한다. 이는 청구항의 보호 범위를 한정하기 위한 목적은 아니다.

본 출원의 실시예는 네트워크 관리 방법 및 그 시스템, 저장 매체를 제공한다.

제1 측면에서, 본 출원의 실시예는 목표 대상의 파라미터 변화값을 획득하는 단계, -여기서, 상기 파라미터 변화값은 DT 가상 모델로부터 얻어지며, DT 가상 모델은 물리 모델에 따라 구축되고, 상기 물리 모델은 물리적 네트워크의 엔티티 객체로 구성되며, 상기 파라미터 변화값은 상기 목표 대상의 전송 성능 변화를 나타냄-; 상기 파라미터 변화값을 미리 훈련된 감지 모델에 입력하여 상기 감지 모델로부터 출력된 상태 예측 결과를 획득하는 단계; 상기 상태 예측 결과를 미리 훈련된 인지 모델에 입력하여 상기 인지 모델로부터 출력된 설정 조정 정보를 획득하는 단계; 상기 설정 조정 정보가 에뮬레이션 검증을 통과하면, 상기 설정 조정 정보에 따라 상기 물리 모델을 조정하는 단계를 포함하는 네트워크 관리 방법을 제공한다.

제2 측면에서, 본 출원의 실시예는 네트워크 관리 시스템을 제공한다. 상기 시스템은 메모리, 프로세서 및 메모리에 저장되어 프로세서에서 실행 가능한 컴퓨터 프로그램을 포함하고, 상기 프로세서는 상기 컴퓨터 프로그램을 실행할 때 제1 측면에 따른 네트워크 관리 방법을 구현한다.

본 출원의 기타 특징 및 장점은 후속 명세서에서 기술되며, 명세서를 통해 부분적으로 자명하게 되거나 본 출원의 구현을 통해 이해하게 될 것이다. 본 출원의 목적 및 기타 장점은 명세서, 청구범위 및 첨부 도면에서 특별히 언급된 구조에 의해 구현되고 얻어진다.

첨부 도면은 본 출원의 기술적 방안을 더욱 잘 이해하도록 제공되며, 명세서의 일부를 구성하여 본 출원의 실시예와 함께 본 출원의 기술적 방안을 해석하나 본 출원의 기술적 방안을 한정하지 않는다.
도 1은 본 출원의 일 실시예에 의해 제공된 네트워크 관리 방법의 흐름도이다.
도 2는 본 출원의 다른 일 실시예에 의해 제공된 DT case 모델 및 물리 모델의 구조도이다.
도 3은 본 출원의 다른 일 실시예에 의해 제공된 DT case 모델의 구조도이다.
도 4는 본 출원의 다른 일 실시예에 의해 제공된 목표 대상을 결정하는 흐름도이다.
도 5는 본 출원의 다른 일 실시예에 의해 제공된 환경 데이터 세트를 획득하는 흐름도이다.
도 6은 본 출원의 다른 일 실시예에 의해 제공된 신호 생성 모델을 구축하는 흐름도이다.
도 7은 본 출원의 다른 일 실시예에 의해 제공된 파라미터 변화값을 생성하는 흐름도이다.
도 8은 본 출원의 다른 일 실시예에 의해 제공된 설정 조정 정보를 획득하는 흐름도이다.
도 9는 본 출원의 다른 일 실시예에 의해 제공된 설정 조정 정보를 적용하는 흐름도이다.
도 10은 본 출원의 다른 일 실시예에 의해 제공된 네트워크 관리 방법의 예시 흐름도이다.
도 11은 본 출원의 다른 일 실시예에 의해 제공된 인지 모델 및 감지 모델을 훈련하는 흐름도이다.
도 12는 본 출원의 다른 일 실시예에 의해 제공된 인지 모델의 예시도이다.
도 13은 본 출원의 다른 일 실시예에 의해 제공된 예시1의 토폴로지 개략도이다.
도 14는 본 출원의 다른 일 실시예에 의해 제공된 예시1의 흐름도이다.
도 15는 본 출원의 다른 일 실시예에 의해 제공된 네트워크 관리 시스템의 구조도이다.

본 출원의 목적, 기술적 방안 및 이점을 보다 명확하게 이해하기 위해, 이하에서는 첨부 도면 및 실시예를 결부하여 본 출원을 더 상세하게 설명한다. 여기에 기술된 특정 실시예는 단지 본 출원을 설명하기 위해 사용될 뿐 본 출원을 제한하는 용도로 사용되는 것이 아님을 이해해야 한다.

유의해야 할 것은, 비록 장치 개략도에 기능 모듈별로 구획하고, 흐름도에 로직 순서를 설명하였으나, 어떤 경우에 장치의 모듈 또는 흐름도의 순서와 다르게 도시되거나 기술된 단계로 수행될 수도 있다. 명세서, 청구범위 및 상기 첨부 도면 중의 용어 "제1 ", "제2 " 등은 유사한 대상을 구별하기 위해 사용되는 것이며, 특정 순서 또는 선후 서열을 설명하기 위해 사용되는 것은 아니다.

본 출원은 네트워크 관리 방법 및 그 시스템, 저장 매체를 제공한다. 상기 방법은 목표 대상의 파라미터 변화값을 획득하는 단계, -여기서, 상기 파라미터 변화값은 DT 가상 모델로부터 얻어지며, DT 가상 모델은 물리 모델에 따라 구축되고, 상기 물리 모델은 물리적 네트워크의 엔티티 객체로 구성되며, 상기 파라미터 변화값은 상기 목표 대상의 전송 성능 변화를 나타냄-; 상기 파라미터 변화값을 미리 훈련된 감지 모델에 입력하여 상기 감지 모델로부터 출력된 상태 예측 결과를 획득하는 단계; 상기 상태 예측 결과를 미리 훈련된 인지 모델에 입력하여 상기 인지 모델로부터 출력된 설정 조정 정보를 획득하는 단계; 상기 설정 조정 정보가 에뮬레이션 검증을 통과하면, 상기 설정 조정 정보에 따라 상기 물리 모델을 조정하는 단계를 포함한다. 본 출원의 실시예에 따른 솔루션은 DT 가상 모델을 데이터 기초로 하고 감지 모델을 통해 물리 모델의 변화 및 변화 추세를 감지 및 예측하고 인지, 감지 및 예측한 결과를 인지 모델의 입력으로 하여 물리적 네트워크의 설정 조정 정보를 획득하고, 에뮬레이션 검증을 거친 후 물리적 네트워크에 대한 자동 관리를 구현한다.

이하에서는 본 출원의 네트워크 관리 방법에 대해 추가 설명한다.

도 1에 도시된 바와 같이, 도 1은 본 출원의 일 실시예에 의해 제공된 네트워크 관리 방법으로서 단계 S110, 단계 S120, 단계 S130 및 단계 S140을 포함하나 이에 한정되지 않는다.

단계 S110: 목표 대상의 파라미터 변화값을 획득하되, 여기서, 파라미터 변화값은 DT 가상 모델로부터 얻어지며, DT 가상 모델은 물리 모델에 따라 구축되고, 물리 모델은 물리적 네트워크의 엔티티 객체로 구성되며, 파라미터 변화값은 목표 대상의 전송 성능 변화를 나타낸다.

유의해야 할 것은, 물리 모델은 임의 엔티티 객체로 구성되며, 예를 들어 복수의 라우팅 노드 및 전송 링크로 구성된 광 전송 네트워크(Optical Transport Network, OTN) 토폴로지 환경이다. 본 실시예는 물리 모델의 구체적인 구성에 대해 한정하지 않는다. 목표 대상은 물리 모델 중 임의 엔티티 객체일 수 있는 바, 분석 필요에 따라 선택하면 된다.

유의해야 할 것은, 파라미터 변화값에 대응하는 파라미터는 목표 대상의 임의 성능 파라미터일 수 있으며, 본 실시예는 파라미터 유형에 대해 구체적으로 한정하지 않으며, 목표 대상의 전송 성능을 나타낼 수만 있다면 충분하다. 파라미터 변화값은 성능 파라미터의 값의 변화 폭일 수 있는데, 예를 들어 대역폭의 증가 또는 감소이거나 포트 수의 증가 또는 감소일 수 있으며, 또한 상태의 변화 등일 수도 있는 바, 엔티티 객체의 성능 파라미터의 변화를 나타낼 수만 있으면 충분하다.

유의해야 할 것은, DT case는 일반적으로 베이스 모델 및 기능 모델을 포함한다. 본 실시예에서 DT case의 계층 구조는 도 2를 참조할 수 있다. 베이스 모델은 DT 가상 모델이고, 기능 모델은 감지 모델 및 인지 모델을 포함하며, 여기서, DT 가상 모델은 물리 모델에 대해 추상화 가상 처리를 거쳐 얻어지고, DT 가상 모델을 베이스 모델로 하고, 후속 진행하게 되는 감지 분석, 인지 분석의 모델 기초 및 수학 배경으로 하며; 추상화 가상 모델은 각각 감지 알고리즘 모델, 인지 알고리즘 모델의 구축, 훈련 및 추리 기초가 된다.

단계 S120: 파라미터 변화값을 미리 훈련된 감지 모델에 입력하여 감지 모델로부터 출력된 상태 예측 결과를 획득한다.

유의해야 할 것은, 감지 모델은 상기 DT case의 기능 모델에 속한다. DT case의 응용 시나리오에 따라 목표 대상의 가상 모델 정보를 추출한다. 물리 모델에서 목표 대상의 트래픽 또는 성능 파라미터, 대상 상태 등 데이터를 샘플링하여 상기 입력과 출력으로 하여 대응되는 감지 모델을 훈련하여 생성한다. 감지 모델은 컨볼루션 신경망(Convolution Neural Network, CNN), 심층 신경망(Deep Neural Network, DNN), 심층 강화 학습(Deep Reinforcement Learning, DRL) 등과 같은 예측 가능한 임의 AI(Artificial Intelligence, AI) 기술에 의해 구현될 수 있다. 본 실시예에서는 감지 모델에 구체적으로 사용되는 알고리즘에 대해 추가 한정하지 않는다.

유의해야 할 것은, 감지 모델을 통해 DT case 목표 대상이 처한 네트워크 환경 변화가 해당 목표 대상의 현재 네트워크 상태, 네트워크 서비스에 미치는 파급 영향을 추정 및 예측하여 상태 예측 결과를 얻을 수 있다. 예를 들어 링크의 상태가 트래픽 저부하 상태인 경우 대상 유형에 따라 상태 예측 결과를 다르게 조정하면 된다.

DT 가상 모델은 물리 모델이 처한 환경의 파라미터를 묘사하며, 감지 모델을 통해 파라미터 변화로 인한 환경 변화에 대해 자발적으로 예측하고 감지할 수 있다. 이로써 네트워크를 추가 인지하기 위해 트래거 신호 및 모델 입력을 제공하여 OTN에 대한 자동화 검출을 구현할 수 있음을 이해할 수 있다.

단계 S130: 상태 예측 결과를 미리 훈련된 인지 모델에 입력하여 인지 모델로부터 출력된 설정 조정 정보를 획득한다.

유의해야 할 것은, 인지 모델은 상기 DT case의 기능 모델에 속하며, DT case의 응용 시나리오에 따라 목표 대상의 가상 모델 정보를 추출할 수 있다. 감지 모델에 의해 분석하여 얻은 상태 예측 결과를 입력으로 하고, AI 기술 학습을 결합하여 대응되는 인지 모델을 생성하며, 상기 알고리즘 모델을 통해 상기 DT case 목표 대상의 설정 조정 정보를 추정하여 획득한다. 인지 모델은 인지 기술을 구현할 수 있는 임의 인지 기술과 관련된 알고리즘을 사용하면 되는 바, 예를 들어, 배우-평가자(Actor-Critic) 알고리즘이다. 본 실시예에서는 특정 알고리즘 및 그 구현 방식에 대해 상세히 설명하지 않는다. 본 기술분야의 통상의 기술자는 인지 모델을 설정하기 위해 실제 필요에 따라 적절한 알고리즘을 선택할 동기를 갖게 된다.

유의해야 할 것은, 인지 모델, 감지 모델 및 DT 가상 모델의 관계는 도 3을 참조할 수 있으며, DT 가상 모델은 베이스 구조 모델로서, 인지 모델 및 감지 모델을 위해 물리 모델의 환경 데이터를 제공한다. 감지 모델로부터 출력된 상태 예측 결과는 인지 모델의 입력으로서 감지 모델과 인지 모델을 직렬 연결하여 데이터로부터 자발적 감지 변화를 획득하여 설정 조정 정보를 결정함으로써 폐루프의 형식으로 네트워크의 자동화 및 지능화 관리를 구현할 수 있다.

유의해야 할 것은, 같은 DT case 중의 3가지 모델은 감지 및 인지 분석 처리에서 대상 구조 및 기능 분석의 필요에 따라 각 모델을 분할하여 여러 개의 하위 실예를 만들 수도 있으며 여기서는 이에 대해 반복 설명하지 않기로 한다.

단계 S140: 설정 조정 정보가 에뮬레이션 검증을 통과하면, 설정 조정 정보에 따라 물리 모델을 조정한다.

유의해야 할 것은, 인지 기술을 이용하여 얻은 설정 조정 정보는 성능 파라미터의 조정과 같은 임의 사용 가능한 설정 정보일 수 있으며, 전송 경로 등을 조정하는 설정 변경 정책일 수도 있는 바, 물리 모델이 처한 엔티티 환경을 변화시킬 수 있으면 충분하다.

유의해야 할 것은, 설정 조정 정보가 물리 모델에 불필요한 파생 효과를 주지 않도록 하기 위해, 적용 전에 에뮬레이션 검증을 수행할 수 있다. 본 실시예에서는 에뮬레이션 검증하는 구체적인 과정에 대해 추가 한정하지 않으며, 설정 조정 정보를 갖고 있는 경우에 본 기술분야의 통상의 기술자는 에뮬레이션 검증을 수행하는 방법에 대해 잘 알고 있으므로 여기서는 이에 대해 반복 설명하지 않기로 한다.

유의해야 할 것은, 본 실시예의 전체 과정은 하나의 순환 반복 과정으로서, 전체 네트워크 자율성 생명 주기를 걸쳐 목표 대상과 관련된 네트워크 환경의 변화를 실시간 모니터링하고 감지하여 목표 대상의 관련 상태 변화를 추정 및 예측할 수 있다. AI 기술 및 에뮬레이션 기술을 통해 인지 판단 및 분석 후의 목표 대상에 대한 설정 조정 정보를 획득하고, 물리적 네트워크 환경에서 상기 설정 조정 정보를 실시하고, 이와 동시에 인지 프로세스에는 변경된 네트워크에 대한 에뮬레이션 및 설정을 포함한다. 인지 모델은 설정 변경의 적시성, 정확성을 최적화 구현하여 해당 네트워크 관리 시스템 모델링 및 알고리즘 성능의 품질 평가 기준으로 삼을 수 있다.

본 실시예의 기술적 솔루션을 통해, 자동화 및 지능화의 인지 분석을 구현할 수 있으며 물리적 네트워크 환경의 설정을 변경하려는 시도 횟수를 효과적으로 줄이고, 문제를 해결하기 위한 설정 변경의 정확성을 향상시키며, 파라미터 조정이 네트워크 서비스의 정상적인 작동에 미치는 영향을 줄일 수 있다.

한편, 일 실시예에서 도 4를 참조하면, 도 1의 실시예에 도시된 단계 S110 이전에 단계 S410 내지 단계 S420을 포함하나 이에 한정되지 않는다.

단계 S410: 물리 모델 중 성능 파라미터가 변화된 엔티티 객체를 목표 대상으로 결정한다.

또는, 단계 S420: 분석 필요 정보를 획득하여 분석 필요 정보 중의 분석 대상을 목표 대상으로 결정한다.

유의해야 할 것은, 물리적 네트워크에 있어서, 엔티티 객체의 성능 파라미터는 유동적인 상태 또는 불변의 상태를 유지할 수 있다. 예를 들어, 링크 포트의 수는 일반적으로 일정하며, 전송 링크의 트래픽은 실시간 변화하므로 성능 파라미터가 변화된 엔티티 객체를 목표 대상으로 삼고, DT 가상 모델을 통해 그 파라미터 변화값을 획득하여 감지 및 인지하며; 분석의 필요에 따라 목표 대상을 선택할 수도 있는데, 예를 들어 생존성 분석 필요에 따라 링크 포트의 수의 변화 또는 전송 링크에 오류가 발생하여 물리적 네트워크에 미치는 영향을 분석해야 한다. 본 기술분야의 통상의 기술자는 실제 필요에 따라 목표 대상 결정 방법을 선택할 수 있으며, 여기서는 이에 대해 추가 한정하지 않는다.

한편, 일 실시예에서 도 5를 참조하면, 도 1의 실시예에 도시된 단계 S120을 수행하기 전에, 단계 S510을 포함하나 이에 한정되지 않는다.

단계 S510: DT 가상 모델로부터 물리 모델에 대응하는 환경 데이터 세트를 획득하되, 환경 데이터 세트는 물리 모델 중 각 엔티티 객체의 성능 파라미터 및 상태 파라미터를 포함한다.

유의해야 할 것은, DT case를 구축한 후, 물리 모델의 네트워크 환경을 실시간 모니터링하여 대응되는 환경 데이터를 수집함으로써 다양한 환경 데이터로 구성된 환경 데이터 세트를 형성할 수 있다. 환경 데이터 세트는 각각의 엔티티 객체의 성능 파라미터 및 상태 파라미터를 포함하며, 구체적인 수집 방식에 대해서는 반복 설명하지 않기로 한다.

한편, 일 실시예에서 도 6을 참조하면, 도 5의 실시예에 도시된 단계 S510를 수행한 후에 단계 S610 내지 단계 S630을 포함하나 이에 한정되지 않는다.

단계 S610: 미리 설정된 시계열을 획득한다.

단계 S620: 시계열상에서 성능 파라미터 및 상태 파라미터의 확률 분포를 결정한다.

단계 S630: 확률 분포 및 시계열에 따라 신호 생성 모델을 구축한다.

유의해야 할 것은, 물리적 데이터 샘플링의 비 적시성, 우발적인 중단 또는 샘플링 조건 미구비 등의 경우를 방지하기 위해, 성능 파라미터와 상태 파라미터를 얻은 후 커널 스무딩(Kernel smoothing) 방법을 사용하여 지정된 시계열에서 해당 파라미터의 확률 분포를 얻을 수 있고 이에 기초하여 신호 생성 모델을 구축하여 신호 생성 모델이 확률 분포에 따라 생성된 실제 환경에 나타나지 않는 데이터를 샘플 파라미터로 하여 감지 및 인지에 사용하여 네트워크 분석 및 관리를 구현할 수 있다.

유의해야 할 것은, 시계열은 임의 길이의 시구간일 수 있으며, 링크 트래픽을 예로 들면, 월단위로 매월 첫날의 링크 트래픽을 수집하여 커널 스무딩 방식으로 수치 상에서 링크 트래픽의 확률 분포를 결정하며, 구축된 신호 생성 모델은 상기 확률 분포에 따라 향후 수 개월 첫날의 링크 트래픽을 결정할 수 있다.

한편, 일 실시예에서 도 7을 참조하면, 도 1의 실시예에 도시된 단계 S110는 단계 S710 내지 단계 S720을 포함하나 이에 한정되지 않는다.

단계 S710: 목표 분석 타이밍을 결정한다.

단계 S720: 신호 생성 모델에 따라 목표 분석 타이밍에서 목표 대상의 파라미터 변화값을 구축한다.

유의해야 할 것은, 목표 분석 타이밍은 임의 길이의 시구간, 예를 들어 향후 3개월의 첫날일 수 있으며, 실제 분석 필요에 따라 결정하면 충분하다.

유의해야 할 것은, 신호 생성 모델은 성능 파라미터 및 상태 파라미터의 확률 분포에 의해 결정되므로 목표 분석 타이밍을 결정한 후, 신호 생성 모델을 통해 목표 분석 타이밍에서 목표 대상의 파라미터 변화값을 생성하여 시뮬레이션 환경에서 데이터를 생성하므로 에뮬레이션 효율을 향상시킬 수 있다.

한편, 일 실시예에서 도 8을 참조하면, 도 1의 실시예에 도시된 단계 S130은 단계 S810 내지 단계 S820을 포함하나 이에 한정되지 않는다.

단계 S810: 미리 설정된 목표 상태 및 제약 조건을 획득한다.

단계 S820: 환경 데이터 세트, 목표 상태, 상태 예측 결과 및 제약 조건을 인지 모델에 입력하여 인지 모델로부터 출력된 목표 대상의 설정 조정 정보를 획득한다.

유의해야 할 것은, 목표 상태는 목표 대상에 대한 것일 수도, 전체 물리 모델에 대한 것일 수도 있다. 예를 들어 OTN 네트워크에서 목표 대상은 전송 링크일 수 있으며, "'최대 로드밸런스'를 궤적 최종 보상으로 함"을 목표 상태로 설정하므로 인지 모델을 통해 상기 목표 상태를 구현할 수 있는 설정 조정 정보를 획득할 수 있다.

유의해야 할 것은, 제약 조건은 미리 설정할 수 있으며, 감지 모델로부터 출력된 상태 예측 결과에 따라 결정할 수도 있다. 예를 들어 하나의 링크 오류를 시뮬레이션해야 하는 경우, 제약 조건을 해당 전송 링크 사용불가로 설정하여 인지 모델이 제약 조건에 따라 인지하고 예측하도록 할 수 있다. 또 예를 들면, 획득된 상태 예측 결과에서 경로A는 정체 경로이고, 경로B는 부하가 낮은 경로일 경우, 경로A를 필수 회피 제약으로 하고, 경로B를 필수 제약으로 한다. 구체적인 제약 조건의 선택 방식은 실제 분석 필요에 따라 결정할 수 있으며 여기서는 이에 대해 반복 설명하지 않기로 한다.

유의해야 할 것은, 인지 모델은 Actor-Critic의 DRL 기술을 사용하여 환경 데이터 세트, 목표 상태, 상태 예측 결과 및 제약 조건을 인지 모델에 입력하여 DRL 기술을 통해 글로벌 또는 로컬 인지 최적화를 수행함으로써 인지 최적화된 설정 조정 정보를 획득하여 네트워크 최적화를 구현할 수 있다.

한편, 일 실시예에서 도 9를 참조하면, 도 1의 실시예에 도시된 단계 S140은 단계 S910 내지 단계 S920을 더 포함하나 이에 한정되지 않는다.

단계 S910: 설정 조정 정보에 따라 에뮬레이션 검증을 수행하여 에뮬레이션 결과를 획득한다.

단계 S920: 에뮬레이션 결과가 물리 모델의 작동 상태가 설정 기준에 부합됨을 나타낸 경우, 설정 조정 정보가 에뮬레이션 검증을 통과한 것으로 판단한다.

유의해야 할 것은, 설정 조정 정보는 현재 물리 환경 및 감지 모델의 예측 결과로부터 얻어지며, 설정 조정 정보를 물리 모델에 적용한 후 파생 효과가 발생할 수 있는데, 예를 들어 목표 대상인 전송 링크의 트래픽에 대해 한정한 후 다른 전송 링크의 트래픽 증가가 발생하여 링크 정체가 생긴 경우에, 최적화 효과를 확보하기 위해, 설정 조정 정보를 획득한 후 에뮬레이터를 통해 에뮬레이션을 수행한다. 본 실시예에서는 에뮬레이터 및 특정 에뮬레이션 방법에 대해 한정하지 않으며, 본 기술분야의 통상의 기술자는 설정 조정 정보를 갖고 있는 경우 실제 필요에 따라 적절한 에뮬레이터를 선택할 동기를 갖게 된다.

유의해야 할 것은, 설정 기준은 물리적 네트워크에 대한 성능 요구, 예를 들어 조정 후 전송 링크에 정체가 발생하지 않거나 또는 트래픽이 미리 설정된 임계값을 만족하는 것에 따라 결정되며, 설정 기준은 실제 필요에 따라 조정하면 된다.

본 출원의 실시예의 DT case 협업 관계를 더욱 잘 설명하기 위해, 이하에서는 하나의 구체적인 예시를 제시한다. 도 10에 도시된 바와 같이, 본 예시의 네트워크 관리 방법은 단계 S1010 내지 단계 S1080을 포함하나 이에 한정되지 않는다.

단계 S1010: 물리적 네트워크 환경을 실시간 모니터링하여 상기 DT case와 관련된 네트워크 환경 데이터를 수집한다.

단계 S1021: 지정된 물리 모델에 대해 DT case를 구축하고 단계 S1031을 수행하되, 여기서 DT case는 베이스 모델 및 기능 모델을 포함하며, 베이스 모델은 DT 가상 모델이고, 기능 모델은 감지 모델 및 인지 모델을 포함한다.

단계 S1022: DT 가상 모델에 따라 환경 데이터 세트를 구축하고, 단계 S1032 또는 단계 S1033을 수행한다.

단계 S1031: 환경 데이터 세트에 따라 물리적 네트워크 환경의 파라미터 변화값을 결정하고, 예측해야 하며 감지 모델이 사용 가능하면, 단계 S1042 또는 단계 S1043을 수행하며, 예측할 필요가 없는 경우 단계 S1041을 수행한다.

단계 S1032: 환경 데이터 세트에 따라 신호 생성기를 구축하고, 감지 모델이 사용 가능하면 단계 S1042를 수행한다.

단계 S1033: AI 기술을 사용하여 대응되는 감지 모델을 훈련, 구축 및 갱신한다.

단계 S1041: DT 가상 모델에 기반하여 물리적 네트워크의 환경 변화를 판단 분석하여 상태 예측 결과를 얻고, 감지 모델이 사용 가능하면 단계 S1060을 수행한다.

단계 S1042: 파라미터 변화값을 입력으로 하여 상태 예측 결과를 얻고, 감지 모델이 사용 가능하면 단계 S1060을 수행한다.

단계 S1043: 신호 생성기에 따라 네트워크 성능의 시계열의 파라미터 변화값을 생성하여 상태 예측 결과를 예측하고, 감지 모델이 사용 가능하면 단계 S1060을 수행한다.

단계 S1050: 환경 데이터 세트 및 상태 예측 결과에 따라 인지 모델을 구축하고 훈련한다.

단계 S1060: 환경 데이터 세트 및 상태 예측 결과를 인지 모델의 입력으로 하여 설정 변경 정보를 예측하여 얻는다.

단계 S1070: 에뮬레이터(emulator)을 호출하여 설정 변경 정보에 대해 에뮬레이션하여 설정 변경의 실현 가능성 및 네트워크 환경에 대한 파생 효과를 결정하고, 에뮬레이션 결과가 네트워크 운영 요구를 만족하면, 단계 S1080을 수행하고, 그렇지 않으면 단계 S1060을 다시 수행한다.

단계 S1080: 설정 변경 정보를 물리적 네트워크에 적용한다.

한편, 일 실시예에서 도 11을 참조하면, 도 5의 실시예에 도시된 단계 S520은 단계 S1110을 포함하나 이에 한정되지 않는다.

단계 S1110: 역전파 알고리즘을 통해 인지 모델에서 감지 모델까지의 훈련을 진행하되, 여기서, 성능 파라미터는 감지 모델의 훈련 입력이고, 상태 파라미터는 감지 모델의 훈련 출력이며, 상태 예측 결과 및 환경 데이터 세트는 인지 모델의 훈련 입력이고, 목표 상태를 인지 모델의 출력으로 결정한다.

유의해야 할 것은, 환경 데이터 세트를 구비하는 기초 상에서 성능 파라미터를 입력으로 하고, 상태 파라미터를 출력으로 하여 훈련된 감지 모델이 성능 파라미터의 변화에 따라 대응되는 상태 파라미터를 예측하도록 한다. 예를 들어, 순환 신경망(Recurrent Neural Network, RNN)을 감지 모델의 AI 알고리즘으로 하고, 본 기술분야의 통상의 기술자는 심층 학습 모델의 훈련 방법에 대해 잘 알고 있으므로 이에 대해 반복 설명하지 않기로 한다.

유의해야 할 것은, 본 실시예에서 감지 모델과 인지 모델을 직렬 조합하고, 역전파 알고리즘을 이용하여 인지 모델 및 감지 모델 중의 모델 파라미터에 대해 연쇄 법칙에 기반한 기울기 하강/상승 방법을 통해 반복 업데이트를 진행하되 직렬 모델의 파라미터 기울기가 0에 가까워지면 전반적인 반복 업데이터가 종료된다. 이로써 인지 모델에서 감지 모델까지의 단대단 AI모델의 일괄 훈련을 완료하고, 역전파 알고리즘 및 연쇄 법칙은 본 기술분야의 통상의 기술자에게 잘 알려진 기술이므로 여기서는 이에 대해 반복 설명하지 않기로 한다. 역전파 방식으로 훈련하면 인지 모델에서 감지 모델까지 일체로 직렬 연결되어 물리적 네트워크의 자동 검출, 자동 최적화 및 자동 문제 해결에 유리하므로 물리적 네트워크의 안정성을 향상시킬 수 있다.

유의해야 할 것은, 감지 모델은 RNN 기술을 이용하여 전체 시계열 주기의 다른 순간에 네트워크 서비스 트래픽 분포를 RNN 입력으로 하여 전체 시계열 주기의 다른 순간에 OTN 네트워크의 핵심 링크 상태를 예측하고 현재 네트워크 토폴로지 상태와 결합하여 인지 모델의 입력으로 하며 인지 모델은 Actor-Critic의 DRL 기술을 사용할 수 있으며, 훈련을 거친 후 최적의 OTN 네트워크 트래픽 최적화 변경 설정 솔루션을 추정하여 얻을 수 있다. 예를 들어, 도 12에 도시된 구조와 같이, 성능 파라미터는 네트워크 서비스 트래픽 분포이고, 여기서 t는 성능 파라미터의 개수이며, X1 내지 Xt를 RNN 유닛에 입력하여 예측하되, 여기서 X1을 RNN 유닛 1에 입력한 후에, 출력된 상태 예측 결과는 전체 시계열 주기의 다른 순간에 키 링크의 상태이며, 여기서 입력 X1에 해당하는 출력은 Z1 이고 이와 같이 유추하면 감지 모델에서 상태 예측 결과를 출력한 후 Z1 내지 Zt 및 환경 데이터 세트는 인지 모델의 훈련 입력으로 사용되며 목표 상태는 인지 모델의 목적 함수로 사용되어 인지 모델의 훈련을 구현한다. 본 기술분야의 통상의 기술자는 입력과 출력이 있는 조건에서 심층 학습 네트워크의 훈련 방법에 대해 잘 알고 있으며 여기서는 이에 대해 반복 설명하지 않기로 한다.

본 출원의 기술적 솔루션을 더 잘 설명하기 위해 이하 특정 예시를 제시한다.

본 예시에서, 물리 모델은 도 13에 도시된 OTN Mesh 네트워킹 토폴로지를 예로 하고, 해당 네트워크에는 6개의 데이터 유닛ODUflex 서비스 경로가 있는데 경로1:A-S, 경로2:A-K, 경로3:K-C, 경로4:A-B-C, 경로5:T-C, 경로6:S-N-T이다. 여기서, 상기 물리 모델에는 핵심 링크1:S-N, 핵심 링크2:A-B를 더 포함하고, 여기서, 본 예시는 목표 분석 타이밍을 15분으로 한다.

도 14를 참조하면, 본 예시의 방법은 단계 S1410 내지 단계 S1450을 포함하나 이에 한정되지 않는다.

단계 S1410: 현재의 OTN 네트워크 트래픽 분포를 DT case의 목표 대상으로 결정하고, 대응되는 DT case의 DT 가상 모델을 구축한다.

단계 S1420: DT case의 OTN 네트워크 트래픽 추상화 가상 모델 및 OTN 네트워크 트래픽 감지 분석 필요에 의해 OTN 네트워크 트래픽 감지 알고리즘 모델을 구축한다.

유의해야 할 것은, 감지 모델의 구조는 도 12를 참조할 수 있으며, RNN을 예로 들면, 각 시각t의 입력은 벡터 형식이며, 상기 벡터의 각 원소는 연속 변량이고, t시각의 각 ODUflex 서비스의 매 15분의 평균 트래픽 값을 나타내며, 단위 Gbit/s이다.

단계 S1430: 감지 모델을 통해 핵심 링크의 추세 상태를 예측한다.

유의해야 할 것은, 상기 X_t의 입력에 따라 대응되는 매 시각t의 출력이 임을 예측하고 여기서, Z_t는 벡터 형식이며, 각 원소는 불연속 변량이고, t시각 n개의 OTN 네트워크 토폴로지 핵심 링크의 추세 상태값을 나타내며, 추세 상태는 수치값으로 표시되는데, 예를 들어 0은 트래픽 정상 상태를 나타내고, 1은 트래픽 증가 상태를 나타내며, 2는 트래픽 정체를 나타내고, 3은 트래픽 감소 상태를 나타내며, 4는 트래픽 부하가 낮음을 나타낸다.

단계 S1440: DT case의 OTN 네트워크 트래픽 추상화 가상 모델과 OTN 네트워크 트래픽 감지 알고리즘 모델의 추정 출력 및 OTN 네트워크 트래픽 인지 분석 필요에 의해 DT case의 OTN 네트워크 트래픽 인지 알고리즘 모델을 구축한다.

유의해야 할 것은, 본 예시에서 DT case에서 OTN 네트워크 트래픽 인지 분석 프로세스의 인지 알고리즘 모델은 DRL 기술의 Actor-Critic 알고리즘을 주요 사용하며, 상기 Actor-Critic 알고리즘 실예의 입력은 OTN 현재의 네트워크 토폴로지, 서비스 분포, 0 내지 t 시각에 각 핵심 링크의 정체 추세 상태를 포함하고, 상기 입력에 기반하여 정체 링크를 회피 제약으로 하고, 낮은 부하 링크를 필수 제약 조건으로 할 수 있다.

단계 S1450: DT case의 OTN 네트워크 트래픽 인지 알고리즘 모델 출력의 조정 정책을 획득하고 조정 정책에 따라 물리 모델을 조정한다.

한편, 도 15를 참조하면, 본 출원의 일 실시예는 네트워크 관리 시스템을 더 제공한다. 상기 네트워크 관리 시스템(1500)은 메모리(1510), 프로세서(1520) 및 메모리(1510)에 저장되어 프로세서(1520) 상에서 실행 가능한 컴퓨터 프로그램을 포함한다.

프로세서(1520) 및 메모리(1510)는 버스 또는 다른 방식으로 연결될 수 있다.

상술한 실시예의 네트워크 관리 방법을 구현하기 위해 필요한 비일시적 소프트웨어 프로그램 및 명령은 메모리(1510)에 저장되고, 프로세서(1520)에 의해 실행될 경우, 상기 실시예의 네트워크 관리 방법을 수행하며, 예를 들어, 도 1의 방법 단계 S110 내지 단계 S140, 도 4의 방법 단계 S410 내지 단계 S420, 도 5의 방법 단계 S510, 도 6의 방법 단계 S610 내지 단계 S630, 도 7의 방법 단계 S710 내지 단계 S720, 도 8의 방법 단계 S810 내지 단계 S820, 도 9의 방법 단계 S910 내지 단계 S920, 도 11의 방법 단계 S1110을 수행한다.

전술한 장치 실시예는 예시일 뿐이며, 여기서 분리 부재로 설명된 유닛은 물리적으로 분리되거나 분리되지 않을 수 있으며, 즉, 한 장소에 위치하거나 여러 네트워크 유닛에 분산될 수 있다. 실제 필요에 따라 일부 또는 모든 모듈을 선택하여 본 실시예의 해결수단의 목적을 달성할 수 있다.

한편, 본 출원의 일 실시예는 컴퓨터 판독 가능한 저장 매체를 더 제공한다. 상기 컴퓨터 판독 가능한 저장 매체에는 하나의 프로세서 또는 제어기에 의해 실행되는 컴퓨터 실행 가능한 명령이 저장되어 있다. 예를 들어, 상기 네트워크 관리 시스템의 실시예 중 하나의 프로세서에 의해 실행되어 상기 프로세서가 상기 실시예 중의 네트워크 관리 방법을 수행하도록 한다. 예를 들어, 도 1의 방법 단계 S110 내지 단계 S140, 도 4의 방법 단계 S410 내지 단계 S420, 도 5의 방법 단계 S510, 도 6의 방법 단계 S610 내지 단계 S630, 도 7의 방법 단계 S710 내지 단계 S720, 도 8의 방법 단계 S810 내지 단계 S820, 도 9의 방법 단계 S910 내지 단계 S920, 도 11의 방법 단계 S1110을 수행한다. 본 기술분야의 통상의 기술자는 본 명세서에 개시된 방법들의 일부 또는 전부 단계, 시스템들이 소프트웨어, 펌웨어, 하드웨어, 및 이들의 적절한 조합으로 구현될 수 있다는 것을 이해할 것이다. 어셈블리들의 일부 또는 전부는 중앙 프로세서, 디지털 신호 프로세서 또는 마이크로 프로세서와 같은 소프트웨어로서, 또는 하드웨어로서, 또는 주문형 집적 회로와 같은 집적 회로로서 구현될 수도 있다. 이러한 소프트웨어는 컴퓨터 저장 매체(또는 비일시적 매체) 및 통신 매체(또는 일시적 매체)를 포함하는 컴퓨터 판독 가능한 매체에 분포될 수 있다. 본 기술분야의 통상의 기술자에게 잘 알려진 바와 같이, 용어 "컴퓨터 저장 매체"는 정보(예컨대, 컴퓨터 판독 가능한 명령, 데이터 구조, 프로그램 모듈 또는 다른 데이터)의 저장을 위한 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 착탈식 및 비착탈식 매체를 포함한다. 컴퓨터 판독 가능한 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 다른 메모리 기술, CD-ROM, 디지털 다목적 디스크(digital versatile disk)(DVD) 또는 다른 광디스크 스토리지, 자기 카세트, 자기 테이프, 저장 장치 스토리지 또는 다른 자기 스토리지 디바이스들, 또는 원하는 정보를 저장하는데 사용될 수도 있고 컴퓨터에 의해 액세스될 수도 있는 임의의 다른 매체를 포함하지만, 이에 한정되지 않는다. 한편, 통신 매체는 일반적으로, 컴퓨터 판독 가능한 명령, 데이터 구조, 프로그램 모듈, 또는 반송파 또는 다른 전송 메커니즘과 같은 변조된 데이터 신호의 다른 데이터를 포함하고, 임의의 정보 전달 매체들을 포함할 수도 있다는 것이 본 기술분야의 통상의 기술자에게 잘 알려져 있다.

본 출원의 실시예는 목표 대상의 파라미터 변화값을 획득하는 단계, -여기서, 상기 파라미터 변화값은 DT 가상 모델로부터 얻어지며, DT 가상 모델은 물리 모델에 따라 구축되고, 상기 물리 모델은 물리적 네트워크의 엔티티 객체로 구성되며, 상기 파라미터 변화값은 상기 목표 대상의 전송 성능 변화를 나타냄-; 상기 파라미터 변화값을 미리 훈련된 감지 모델에 입력하여 상기 감지 모델로부터 출력된 상태 예측 결과를 획득하는 단계; 상기 상태 예측 결과를 미리 훈련된 인지 모델에 입력하여 상기 인지 모델로부터 출력된 설정 조정 정보를 획득하는 단계; 상기 설정 조정 정보가 에뮬레이션 검증을 통과하면, 상기 설정 조정 정보에 따라 상기 물리 모델을 조정하는 단계를 포함한다. 본 출원의 실시예에 따른 솔루션은 DT 가상 모델을 데이터 기초로 하고 감지 모델을 통해 물리 모델의 변화 및 변화 추세를 감지 및 예측하고 감지 및 예측한 결과를 인지 모델의 입력으로 하여 물리적 네트워크의 설정 조정 정보를 획득하며, 에뮬레이션 검증을 거친 후 물리적 네트워크에 대한 자동 관리를 구현한다. 본 출원의 실시예는 DT 기술 및 인지 광 네트워크 기술을 결합하여 광 네트워크의 자동 관리를 구현할 수 있다.

이상, 본 출원의 일부 구현 방식에 대해 구체적으로 설명하였으나, 본 출원은 상기 구현 방식에 제한되지 않으며, 본 기술분야의 통상의 기술자는 본 출원의 정신에 위배되지 않은 범주에서 다양하고 균등한 변형 또는 교체를 진행할 수 있으며, 이러한 균등한 변형과 교체는 모두 본 출원의 청구범위에 속한다.

Claims (11)

1. 목표 대상의 파라미터 변화값을 획득하는 단계, -여기서, 상기 파라미터 변화값은 DT(디지털 트윈) 가상 모델로부터 얻어지며, DT 가상 모델은 물리 모델에 따라 구축되고, 상기 물리 모델은 물리적 네트워크의 엔티티 객체로 구성되며, 상기 파라미터 변화값은 상기 목표 대상의 전송 성능 변화를 나타냄-;
   상기 파라미터 변화값을 미리 훈련된 감지 모델에 입력하여 상기 감지 모델로부터 출력된 상태 예측 결과를 획득하는 단계;
   상기 상태 예측 결과를 미리 훈련된 인지 모델에 입력하여 상기 인지 모델로부터 출력된 설정 조정 정보를 획득하는 단계;
   상기 설정 조정 정보가 에뮬레이션 검증을 통과하면, 상기 설정 조정 정보에 따라 상기 물리 모델을 조정하는 단계를 포함하는 네트워크 관리 방법.
2. 청구항 1에 있어서,
   상기 목표 대상의 파라미터 변화값을 획득하기 전에,
   상기 물리 모델 중 성능 파라미터가 변화된 엔티티 객체를 상기 목표 대상으로 결정하는 단계;
   또는,
   분석 필요 정보를 획득하여 상기 분석 필요 정보 중의 분석 대상을 상기 목표 대상으로 결정하는 단계를 더 포함하는 네트워크 관리 방법.
3. 청구항 1에 있어서,
   상기 파라미터 변화값을 미리 훈련된 감지 모델에 입력하기 전에,
   상기 DT 가상 모델로부터 상기 물리 모델에 대응하는 환경 데이터 세트를 획득하는 단계, -상기 환경 데이터 세트는 상기 물리 모델 중 상기 각 엔티티 객체의 성능 파라미터 및 상태 파라미터를 포함함-;을 더 포함하는 네트워크 관리 방법.
4. 청구항 3에 있어서,
   상기 DT 가상 모델로부터 상기 물리 모델에 대응하는 환경 데이터 세트를 획득한 후에,
   미리 설정된 시계열을 획득하는 단계;
   상기 시계열에서 상기 성능 파라미터 및 상기 상태 파라미터의 확률 분포를 결정하는 단계;
   상기 확률 분포 및 상기 시계열에 따라 신호 생성 모델을 구축하는 단계를 더 포함하는 네트워크 관리 방법.
5. 청구항 4에 있어서,
   상기 목표 대상의 파라미터 변화값을 획득하는 단계는,
   목표 분석 타이밍을 결정하는 단계;
   상기 신호 생성 모델에 따라 상기 목표 분석 타이밍에서 상기 목표 대상의 상기 파라미터 변화값을 구축하는 단계를 포함하는 네트워크 관리 방법.
6. 청구항 3에 있어서,
   상기 상태 예측 결과를 미리 훈련된 인지 모델에 입력하여 상기 인지 모델로부터 출력된 설정 조정 정보를 획득하는 단계는,
   미리 설정된 목표 상태 및 제약 조건을 획득하는 단계;
   상기 환경 데이터 세트, 상기 목표 상태, 상기 상태 예측 결과 및 상기 제약 조건을 상기 인지 모델에 입력하여 상기 인지 모델로부터 출력된 상기 목표 대상에 대한 설정 조정 정보를 획득하는 단계를 포함하는 네트워크 관리 방법.
7. 청구항 1에 있어서,
   상기 설정 조정 정보가 에뮬레이션 검증을 통과하는 것은,
   상기 설정 조정 정보에 따라 에뮬레이션 검증을 수행하여 상기 에뮬레이션 결과를 획득하는 단계;
   상기 에뮬레이션 결과가 상기 물리 모델의 작동 상태가 미리 설정된 기준에 부합됨을 나타낸 경우, 상기 설정 조정 정보가 상기 에뮬레이션 검증을 통과한 것으로 판단하는 단계를 포함하는 네트워크 관리 방법.
8. 청구항 6에 있어서,
   상기 DT 가상 모델로부터 상기 물리 모델에 대응하는 환경 데이터 세트를 획득한 후에,
   역전파 알고리즘을 통해 상기 인지 모델에서 상기 감지 모델까지의 훈련을 진행하는 단계를 포함하고,
   여기서, 상기 성능 파라미터는 상기 감지 모델의 훈련 입력이며, 상기 상태 파라미터는 상기 감지 모델의 훈련 출력이고, 상기 상태 예측 결과 및 상기 환경 데이터 세트는 상기 인지 모델의 훈련 입력이며, 상기 목표 상태를 상기 인지 모델의 출력으로 결정하는 네트워크 관리 방법.
9. 청구항 8에 있어서,
   상기 역전파 알고리즘을 통해 상기 인지 모델에서 상기 감지 모델까지의 훈련을 진행하는 단계는,
   출력단으로부터 입력단까지의 순서에 따라 상기 인지 모델 및 상기 감지 모델 중 각 층 네트워크의 출력 결과에 대한 그래디언트(gradient) 값을 결정하는 단계;
   상기 그래디언트 값이 미리 설정된 훈련 조건을 만족할 경우, 상기 인지 모델의 출력단으로부터 상기 감지 모델의 입력단까지의 훈련이 완료된 것으로 판단하는 단계를 포함하는 네트워크 관리 방법.
10. 메모리, 프로세서 및 메모리에 저장되어 프로세서에서 실행 가능한 컴퓨터 프로그램을 포함하고, 여기서 상기 프로세서는 상기 컴퓨터 프로그램을 실행할 때 청구항 1 내지 청구항 9 중 어느 한 항에 따른 네트워크 관리 방법을 구현하는 네트워크 관리 시스템.
11. 청구항 1 내지 청구항 9 중 어느 한 항에 따른 상기 네트워크 관리 방법을 수행하는 컴퓨터 실행 가능한 명령이 저장된 컴퓨터 판독 가능한 저장 매체.