WO2022173244A1 - 가상 네트워크 기능의 고가용성을 위한 장치 및 방법 - Google Patents

가상 네트워크 기능의 고가용성을 위한 장치 및 방법 Download PDF

Info

Publication number
WO2022173244A1
WO2022173244A1 PCT/KR2022/002041 KR2022002041W WO2022173244A1 WO 2022173244 A1 WO2022173244 A1 WO 2022173244A1 KR 2022002041 W KR2022002041 W KR 2022002041W WO 2022173244 A1 WO2022173244 A1 WO 2022173244A1
Authority
WO
WIPO (PCT)
Prior art keywords
vnf
operation mode
information
network device
mode
Prior art date
Application number
PCT/KR2022/002041
Other languages
English (en)
French (fr)
Inventor
서승수
김인숙
Original Assignee
삼성전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자 주식회사 filed Critical 삼성전자 주식회사
Publication of WO2022173244A1 publication Critical patent/WO2022173244A1/ko
Priority to US18/232,564 priority Critical patent/US20230403208A1/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0654—Management of faults, events, alarms or notifications using network fault recovery
    • H04L41/0663—Performing the actions predefined by failover planning, e.g. switching to standby network elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/40—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using virtualisation of network functions or resources, e.g. SDN or NFV entities
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
    • H04L43/0817—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking functioning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/20—Arrangements for monitoring or testing data switching networks the monitoring system or the monitored elements being virtualised, abstracted or software-defined entities, e.g. SDN or NFV

Definitions

  • This disclosure relates generally to a communication system, and more particularly to an apparatus and method for high availability of virtual network functions in a communication system.
  • NFV network function virtualization
  • the present disclosure provides an apparatus and method for high availability of a virtual network function in a communication system.
  • the present disclosure provides an apparatus and method for adaptively coping with a failure or disaster of a VNF in a communication system.
  • the present disclosure provides an apparatus and method for predicting the state of a VNF through a deep learning model in order to reduce problems that may occur in a structure in which a VNF or a high availability controller (HAC) is duplicated in a communication system.
  • HAC high availability controller
  • the present disclosure provides an apparatus and method for predicting the state of a VNF through an artificial intelligence algorithm when a situation occurs in which the state of the VNF or the HAC cannot be determined under a predetermined condition in a communication system.
  • a method performed by a network device in a communication system includes a process of identifying information related to a first virtual network function (VNF), information related to the first VNF and a process of identifying an estimated operation mode of the first VNF based on a deep learning model, a process of identifying a current operation mode of the first VNF, and an estimated operation mode of the first VNF and the first VNF based on the current operation mode of the first VNF, comprising the step of identifying the operation mode of the first VNF, the first VNF is redundant with the second VNF, and the operation mode is an active mode or a standby mode It can be one of the modes.
  • VNF virtual network function
  • a network device includes at least one transceiver and at least one processor operatively connected to the at least one transceiver, wherein the at least one processor includes a first virtual network Identify information related to a function (virtual network function, VNF), and identify an estimated operation mode of the first VNF based on the information related to the first VNF and a deep learning model, and and identify a current operating mode, and based on the estimated operating mode of the first VNF and the current operating mode of the first VNF, identify the operating mode of the first VNF, wherein the first VNF and the second VNF They are duplicated together, and the operation mode may be either an active mode or a standby mode.
  • VNF virtual network function
  • Apparatus and method according to various embodiments of the present disclosure based on the data collected in real time the operation mode of the redundant virtual network function (VNF) using a deep learning (deep learning) model can decide
  • apparatus and method according to various embodiments of the present disclosure may prevent redundant VNFs from operating in a dual state.
  • the apparatus and method according to various embodiments of the present disclosure can ensure high reliability and high availability by repeatedly learning data generated from the VNF to accurately determine the operation mode of the VNF.
  • FIG. 1 illustrates a communication system according to various embodiments of the present disclosure.
  • FIG. 2 illustrates a framework of network function virtualization (NFV) according to various embodiments of the present disclosure.
  • NFV network function virtualization
  • VNF virtual network function
  • FIG. 4 illustrates a redundancy structure of a VNF according to an embodiment of the present disclosure.
  • FIG. 5 illustrates an operation flow of a network device for changing an operation mode of a VNF according to an embodiment of the present disclosure.
  • FIG. 6 illustrates an operation flow of a network device for learning a deep learning model according to an embodiment of the present disclosure.
  • FIG. 7 illustrates a configuration of a network device according to various embodiments of the present disclosure.
  • a hardware access method will be described as an example.
  • various embodiments of the present disclosure include technology using both hardware and software, various embodiments of the present disclosure do not exclude a software-based approach.
  • terms referring to network entities, terms referring to components of devices, and the like are exemplified for convenience of description. Accordingly, the present disclosure is not limited to the terms described below, and other terms having equivalent technical meanings may be used.
  • the present disclosure describes various embodiments using terms defined in some communication standards (eg, 3rd generation partnership project (3GPP), European telecommunication standards institute (ETSI)), but this is only an example for description. .
  • 3GPP 3rd generation partnership project
  • ETSI European telecommunication standards institute
  • an expression of more than or less than a certain condition may be used to determine whether a specific condition is satisfied or satisfied, but this is only a description to express an example, and more or less description is excluded. not to do Conditions described as 'more than' may be replaced with 'more than', conditions described as 'less than', and conditions described as 'more than and less than' may be replaced with 'more than and less than'.
  • the present disclosure describes a technique for increasing the availability of a redundant virtual network function (VNF) in a communication system. More specifically, the present disclosure describes a technique for determining the state of VNFs using deep learning.
  • NFV network function virtualization
  • a network service is provided by installing network function software on general-purpose hardware, so that a service environment can be dynamically provided according to service requirements and circumstances.
  • the communication system must ensure high availability so that a service is provided without interruption even when a network device fails.
  • VNFs are provisioned to multiple virtual machines (VMs) and duplicated, or a high availability controller (HAC) is used.
  • VMs virtual machines
  • HAC high availability controller
  • the embodiments of the present disclosure prevent a dual state even when the network device cannot determine the state of the VNF under a predetermined condition or cannot determine the state of the counterpart VNF (or HAC) due to communication disconnection, etc. and proposes procedures, signaling and operations to ensure high availability.
  • 1 illustrates a communication system according to various embodiments of the present disclosure.
  • 1 is a user plane function (UPF) 105, an authentication server function (AUSF) 107, AMF as part of a terminal 101, a base station 103, and 5 th generation (5G) core network functions.
  • UPF user plane function
  • AUSF authentication server function
  • AMF authentication server function
  • 5G 5 th generation
  • SMF session management function
  • NSSF network slice selection function
  • UDM unified data management
  • NRF network function repository function
  • PCF policy control function
  • NEF network exposure function
  • AF application function
  • the terminal 101 may access a data network through the base station 103 and the UPF 105 .
  • a packet data unit (PDU) session In order for the terminal to transmit and receive data through the UPF 105, a packet data unit (PDU) session must be created, and one PDU session may include one or more quality of service (QoS) flows.
  • QoS quality of service
  • the terminal 101 is a 'terminal', 'mobile station', 'subscriber station', 'remote terminal', 'wireless terminal', 'user equipment' (user device)' or may be referred to as another term having an equivalent technical meaning.
  • the base station 103 is a network infrastructure that provides radio access as a radio access network (RAN) node.
  • the base station 103 may have coverage defined as a certain geographic area based on a distance at which signals can be transmitted.
  • the term 'coverage' used may refer to a service coverage area in the base station 103 .
  • the base station 103 may cover one cell or may cover multiple cells. Here, a plurality of cells may be divided by a supported frequency and a covered sector area.
  • the AUSF 107 may provide functions for authentication of subscribers and networks.
  • the AMF 109 may provide functions for registration management, reachability management, connection management, and mobility management.
  • the SMF 111 may provide functions for PDU session management, IP (internet protocol) address allocation, and GTP-U tunnel management.
  • the NSSF 113 may provide a function for selecting a network slice.
  • the UDM 115 may provide a function for storing and managing subscription information of the terminal 101 .
  • the NRF 117 may provide a function for managing a network function (NF).
  • the PCF 119 may provide a function for managing a policy related to session management and a policy related to mobility management.
  • the NEF 121 may provide a function for providing information on a network function within the 5G system to an external network function.
  • the AF 123 may provide a function of an application server supporting a specific service.
  • the above-described core network functions may be implemented as software on general-purpose hardware rather than individual dedicated hardware by applying a network function virtualization (NFV) technology. That is, network functions can be virtualized by being separated from hardware. Accordingly, network devices can easily allocate resources (eg storage space, bandwidth, central processing unit (CPU)) to virtual network functions (VNFs), and their installation and removal are also fast, so scalability, It can provide resilience, flexibility and agility.
  • resources eg storage space, bandwidth, central processing unit (CPU)
  • VNFs virtual network functions
  • FIG. 1 illustrates virtualization of core network functions
  • embodiments according to the present disclosure are not limited thereto. That is, to all network infrastructures such as routers, firewalls, network address translation (NAT), provider edge (PE), customer premises equipment (CPE), and load balancers in the present disclosure. The following embodiments may be applied.
  • NAT network address translation
  • PE provider edge
  • CPE customer premises equipment
  • NFV network function virtualization
  • NFVI network function virtualization infrastructure
  • the framework of NFV may include an NFVI layer and a VNF layer.
  • the NFVI layer may be composed of physical hardware, a virtualization layer, and virtualization resources.
  • the physical hardware may include computing hardware, storage hardware, and network hardware that provide processing, storage, and connection to the VNF through a virtualization layer (eg, a hypervisor). Physical hardware is not designed for a specific network function, and may be commercial off the shelf (COTS) as general purpose hardware devices.
  • the virtualization layer may provide physical hardware resources to the VNF in the form of a virtual machine (VM). That is, the virtualization layer may provide virtualized computing, storage, and network resources to the software (VNF) that the VM accommodates.
  • the VNF layer is a layer that virtualizes network functions and may include one or more VNFs.
  • Communication systems may be required to ensure high availability so that services are not disconnected. At this time, if a failure occurs in a network device or a disaster (eg, fire, earthquake, large-scale power outage, etc.) occurs, rapid recovery is required.
  • VNF redundancy or high availability controller HAC may be used.
  • the active mode may be a mode in which the network device allocates virtualized resources for the VNF through a virtual machine (VM).
  • the standby mode may be a mode in which the network device does not allocate virtualized resources for the VNF.
  • a VNF in an active mode and a VNF in a standby mode may share high availability state information through a session formed by a link connected to each other.
  • VNFs can periodically check status changes and failures of themselves and their counterparts through messages, determine failures according to predetermined conditions, and change operation modes.
  • a dual active or dual standby state of the VNF may occur. have.
  • service interruption may occur.
  • HAC is a device that monitors and manages the status of one or more VNFs.
  • the network device can guarantee high availability without configuring the lower connected VNFs in a redundant structure.
  • the HAC controls the VNF 223 or the VNF 225 to also perform the function of the VNF 221, thereby ensuring high availability.
  • the HAC itself in order to guarantee the high availability of the HAC itself, there is a limitation in that the HAC itself must be configured as redundant (active/standby HAC). Accordingly, when a situation that cannot be determined based on a predetermined condition occurs or the state of the counterpart HAC cannot be determined due to communication disconnection, etc., service disconnection may occur.
  • the embodiments of the present disclosure determine and predict the state of the VNF through learning, and even if a situation that cannot be determined based on a scenario or a situation of communication disconnection occurs, a method for increasing the availability of a network function is proposed. . By estimating the state of the VFN through machine learning/deep learning, high availability with high reliability for network functions can be ensured.
  • VNF virtual network function
  • the redundant structure of the VNF may include a physically separated redundant structure and a logically separated redundant structure.
  • VNFs can be duplicated (eg, geo-redundancy) in different network devices.
  • VNF #1 (311) and VNF #3 (315) may be implemented in the network device 310 and the network device 320, respectively.
  • VNFs can be duplicated within one network device (eg, local redundancy). For example, it may be implemented in the network device 310, such as VNF #2 (313).
  • One of the redundant VNFs may operate in an active mode, and the other may operate in a standby mode.
  • 3 shows an example in which two VNFs are duplicated, but this is only an example.
  • three or more VNFs may be duplicated and some of them may operate in an active mode, and others may operate in a standby mode.
  • two network devices 310 and 320 are illustrated in FIG. 3 , this is only an example.
  • VNFs may be duplicated across three or more network devices.
  • the deep learning model may be a long short-term memory (LSTM) among recurrent neural networks (RNNs) suitable for time-series data analysis.
  • the deep learning model may be a gated recurrent unit (GRU) neural network.
  • LSTM long short-term memory
  • RNNs recurrent neural networks
  • GRU gated recurrent unit
  • embodiments according to the present disclosure are not limited to LSTM or GRU, and other neural networks may be applied.
  • Terms such as ' ⁇ unit' used below mean a unit for processing at least one function or operation, which may be implemented as hardware or software or a combination of hardware and software.
  • the network device 310 may include a database 301 , a learning unit 303 , an analysis unit 305 , and a control unit 307 , and may implement one or more VNFs.
  • the database 301 may store information related to the VNF.
  • the VNF-related information may store at least one of status information of the counterpart VNF, VNF information, resource information of the VNF, network packet information transmitted/received from a virtual network interface card (VNIC), and failure information of the VNF.
  • the VNF information may include at least one of the number and each state of VNFs connected to the lower part of the VNF.
  • the resource information of the VNF may include at least one of a virtual central processing unit (CPU) usage and a memory usage.
  • the network packet information transmitted and received by the VNIC may include at least one of a packet length, a protocol, an Internet protocol (IP) address, a port number, and packet flow information.
  • the database 301 may synchronize all data stored with a database of another network device 320 .
  • the learning unit 303 may receive VNF-related information from the database 301 .
  • the learning unit 303 may preprocess the received information.
  • the preprocessing may be to convert the received information into a value between 0 and 1 through min-max normalization.
  • the learning unit 303 may extract features to be used for deep learning model learning based on the pre-processed information and configure a data set.
  • the data set may include a training data set, a validation data set, and an evaluation data set.
  • the learning unit 303 may learn a deep learning model based on the data set.
  • the learning unit 303 may update the criterion for determining the state of the VNF by incremental learning of information related to the continuously generated VNF.
  • the learning unit 303 may store the parameters of the learned deep learning model in the database 301 .
  • the parameter may include at least one of a weight and a bias. The stored parameters can be shared with other network devices.
  • the analysis unit 305 may receive (in real time) information related to the VNF from the VNF.
  • the VNF-related information may include at least one of status information of the counterpart VNF, information of the VNF, resource information of the VNF, network packet information transmitted/received from a virtual network interface card (VNIC), and failure information of the VNF.
  • the analysis unit 305 may identify the high availability state of the VNF based on the information related to the VNF and the judgment criterion of the learned deep learning model. According to an embodiment, the analyzer 305 may identify the high availability state of the VNF based on the amount of resources currently used by the VNF.
  • the resource amount may include at least one of virtual CPU usage and virtual memory usage.
  • the analyzer 305 may identify that the high availability state is abnormal because the current VNF 311a is operating in the active mode.
  • the threshold value may be a criterion determined based on deep learning model learning.
  • the analysis unit 305 may transmit an operation mode change message to the control unit 307 when it is identified that the state of the VNF is abnormal.
  • the analyzer 305 may identify that the high availability state is normal because the current VNF 311a is operating in the active mode. have. When it is identified that the high availability state of the VNF is normal, the analysis unit 305 may monitor information related to the VNF.
  • the controller 307 may change the operation mode of the VNF.
  • the control unit 307 may receive the operation mode change message of the VNF 311a from the analysis unit 305 .
  • the controller 307 may change the operation mode of the VNF 311a to a standby mode.
  • the controller 307 may receive the operation mode change message of the VNF 313a from the analyzer 305 .
  • the controller 307 may change the operation mode of the VNF 313a to the standby mode and change the operation mode of the VNF 313b to the active mode. That is, the network device can prevent a dual state while ensuring high availability by also changing the operation mode of the VNFs duplicated together in the device.
  • VNF virtual network function
  • the analyzer 405 may determine the operation mode of the VNF 413 .
  • the analyzer 405 may determine the operation mode of the VNF 413 based on information related to the VNF 413 received from the VNF 413 .
  • Information related to the VNF 413 includes state information of the VNF 411 (eg, active mode), state information of the VNF 413 (eg, standby mode), and a resource of the VNF 413 . ) information, network packet information transmitted and received from a virtual network interface card (VNIC), and failure information of the VNF.
  • the resource information of the VNF 413 may include at least one of a usage amount of a virtual central processing unit (CPU) used by the VNF 413 and a memory usage amount of the VNF 413 .
  • CPU virtual central processing unit
  • the network packet information transmitted and received by the VNIC may include at least one of a packet length, a protocol, an Internet protocol (IP) address, a port number, and packet flow information.
  • the analyzer 405 may identify an estimated state (eg, an active mode) of the VNF 413 based on the received information related to the VNF 413 and the deep learning model. That is, information related to the VNF 413 may be used as an input of the deep learning model to identify the estimated state of the VNF 413 .
  • the network device may identify the estimated state of the VNF based on the amount of resources currently used by the VNF. For example, when the amount of resources currently used by the VNF exceeds a threshold value, the network device may identify that the estimated state of the VNF is the active mode. As another example, when the amount of resources currently used by the VNF is less than or equal to a threshold value, the network device may identify that the estimated state of the VNF is the standby mode.
  • the resource amount may include at least one of virtual CPU usage and virtual memory usage.
  • the threshold value may be determined based on deep learning model learning.
  • the network device may identify the estimated state of the VNF based on the amount of packets related to the VNF currently transmitted/received through the VNIC. For example, the network device may identify that the estimated state of the VNF is the active mode when the amount of packets related to the VNF transmitted/received through the current VNIC exceeds a threshold value. As another example, when the amount of packets related to the VNF currently transmitted and received through the VNIC is less than or equal to a threshold value, the network device may identify that the estimated state of the VNF is the standby mode.
  • the threshold value may be determined based on deep learning model learning.
  • the analyzer 405 may identify a current state (eg, standby mode) of the VNF 413 .
  • the analyzer 405 may determine the operation mode of the VNF 413 based on the estimated state of the VNF 413 and the current state of the VNF 413 . For example, when the estimated state of the VNF 413 and the current state of the VNF 413 do not match, the analysis unit 405 determines to change the operation mode of the VNF 413 and the control unit 407 to transmit an operation mode change message. For example, when the estimated state of the VNF 413 and the current state of the VNF 413 match, the analysis unit 405 determines not to change the operation mode of the VNF 413 , and the VNF 413 . It is possible to monitor (monitoring) the information related to the VNF (413) received from.
  • the controller 407 may change the operation modes of the VNFs 411 and 413 .
  • the controller 407 may change the operation modes of the VNFs 411 and 413 .
  • the controller 407 changes the operation mode of the VNF 411 to the standby mode and changes the operation mode of the VNF 413 to the active mode.
  • VNF virtual network function
  • the network device may identify information related to the VNF.
  • the information related to the VNF may be information collected from the VNF.
  • the VNF-related information may include at least one of status information of the counterpart VNF, VNF information, resource information of the VNF, network packet information transmitted/received from a virtual network interface card (VNIC), and failure information of the VNF.
  • the state information of the counterpart VNF may be information about the operation mode of the VNF implemented in another network device in the case of geo redundancy.
  • the VNF information may be information about the number of VNFs implemented in a network device and each operation mode in the case of local redundancy.
  • the resource information of the VNF may include at least one of a usage amount of a virtual central processing unit (CPU) used by the VNF and a memory usage amount.
  • the network packet information transmitted and received by the VNIC may include at least one of a packet length, a protocol, an Internet protocol (IP) address, a port number, and packet flow information.
  • IP Internet protocol
  • the network device may identify a high availability state of the VNF.
  • the network device may identify the high availability state based on the VNF-related information and the deep learning model.
  • the network device may identify the high availability state of the VNF based on the current operating mode of the VNF and the estimated operating mode of the VNF.
  • the estimated operation mode of the VNF may be identified based on information related to the VNF and a deep learning model.
  • the network device may identify that the high availability state of the VNF is normal.
  • the network device may identify that the high availability state of the VNF is abnormal.
  • the network device may determine an operating mode of the VNF.
  • the network device may determine the operation mode of the VNF based on the high availability state of the VNF.
  • the network device may maintain monitoring for information related to the VNF.
  • the network device may change the operation mode of the VNF when the high availability state of the VNF is abnormal.
  • the network device can change the operation mode of the VNF implemented in the network device. For example, referring to FIG. 3 , when the high availability state of the VNF 311a is identified as abnormal, the network device 310 may change the operation mode of the VNF 311a to a standby mode.
  • the network device may change the operation mode of VNFs implemented in the network device. For example, referring to FIG. 3 , when the high availability state of the VNF 313a is identified as abnormal, the network device 310 changes the operation mode of the VNF 313a to the standby mode, and the VNF 313b You can change the operation mode of the to active mode.
  • FIG. 6 illustrates an operation flow of a network device for learning a deep learning model according to an embodiment of the present disclosure.
  • the network device may identify information related to a virtual network function (VNF).
  • the VNF-related information may include at least one of status information of the counterpart VNF, VNF information, resource information of the VNF, network packet information transmitted/received from a virtual network interface card (VNIC), and failure information of the VNF.
  • the state information of the counterpart VNF may be information about the operation mode of the VNF implemented in another network device in the case of geo redundancy.
  • the VNF information may be information about the number of VNFs implemented in a network device and each operation mode in the case of local redundancy.
  • the resource information of the VNF may include at least one of a usage amount of a virtual central processing unit (CPU) used by the VNF and a memory usage amount.
  • the network packet information transmitted and received by the VNIC may include at least one of a packet length, a protocol, an Internet protocol (IP) address, a port number, and packet flow information.
  • IP Internet protocol
  • the network device may preprocess information related to the identified VNF.
  • the pre-processing may be to convert the identified VNF-related information into a value between 0 and 1 by normalizing the min-maximum.
  • the network device may extract features to be used for deep learning model training based on the pre-processed information.
  • the network device may configure a data set based on the pre-processed information.
  • the data set may include a training data set, a validation data set, and an evaluation data set.
  • the network device may train the deep learning model.
  • the network device may learn a deep learning model based on the training data set.
  • the network device may validate the learned deep learning model.
  • the network device may validate the trained deep learning model based on the validation data set.
  • the network device may repeat operations 650 and 660 for one or more times based on the verification result.
  • the network device may identify whether the performance of the verified deep learning model is suitable.
  • the network device may identify whether the performance of the verified deep learning model is suitable based on the evaluation data set.
  • the network device may end the operation according to FIG. 6 .
  • the network device may repeat the operation according to FIG. 6 by adding information related to the VNF.
  • the network device 700 may include a processor 710 , a memory 720 , and a transceiver 730 .
  • the configuration illustrated in FIG. 7 may be understood as a configuration of the network devices 310 and 320 illustrated in FIG. 3 .
  • the processor 710 may control the overall operation of the network device. For example, the processor 710 may transmit and receive signals through the transceiver 730 . In addition, the processor 710 may write data to and read data from the memory 720 . In addition, the processor 710 may perform functions of a protocol stack required by a communication standard. To this end, the processor 710 may include at least one processor. The processor 710 may control the network device to perform operations according to the above-described embodiments. According to an embodiment, the processor 710 may include at least one of the learning unit 303 , the analysis unit 305 , and the control unit 307 of FIG. 3 . In addition, the processor 710 may include at least one of the learning unit 403 , the analysis unit 405 , and the control unit 407 of FIG. 4 .
  • the memory 720 may store data such as a basic program, an application program, and setting information for the operation of the network device.
  • the memory 720 may be configured as a volatile memory, a non-volatile memory, or a combination of a volatile memory and a non-volatile memory.
  • the memory 720 may provide stored data according to a request of the processor 710 .
  • the memory 720 may include the database 301 of FIG. 3 .
  • the memory 720 may include the database 401 of FIG. 4 .
  • the transceiver 730 may perform functions for transmitting and receiving signals through a wired channel or a wireless channel. For example, the transceiver 730 may perform a conversion function between a baseband signal and a bit stream according to a physical layer standard of a system. For example, when transmitting data, the transceiver 730 may generate complex symbols by encoding and modulating a transmission bit stream. Also, when receiving data, the transceiver 730 may restore the baseband signal to a received bit stream through demodulation and decoding. In addition, the transceiver 730 may up-convert a baseband signal into a radio frequency (RF) band signal, transmit it through an antenna, and down-convert an RF band signal received through the antenna into a baseband signal. The transceiver 730 may convert a bit string transmitted to another network device in the network into a physical signal and convert a physical signal received from another network device into a bit string. The transceiver 730 may include at least one transceiver for this purpose.
  • VNF virtual network function
  • HAC high availability controller
  • the method performed by the network device includes a process of identifying information related to a first virtual network function (VNF), information related to the first VNF, and A process of identifying an estimated operation mode of the first VNF based on a deep learning model, a process of identifying a current operation mode of the first VNF, and an estimated operation mode of the first VNF and the first VNF based on the current operation mode of the first VNF, comprising the step of identifying the operation mode of the first VNF, the first VNF is redundant with the second VNF, and the operation mode is an active mode or a standby mode It can be one of the modes.
  • VNF virtual network function
  • the information related to the first VNF includes the state of the first VNF, the state of the second VNF, resource information of the first VNF, resource information of the second VNF, and VNIC ( It may include at least one of packet information transmitted/received from a virtual network interface card), failure information of the first VNF, and failure information of the second VNF.
  • the determining of the operation mode of the first VNF may include monitoring information related to the first VNF when the estimated operation mode of the first VNF and the current operation mode of the first VNF match. monitoring and, when the estimated operation mode of the first VNF and the current operation mode of the first VNF do not match, changing the operation mode of the first VNF.
  • the deep learning model may be one of a long short-term memory (LSTM) or a gated recurrent unit (GRU).
  • LSTM long short-term memory
  • GRU gated recurrent unit
  • the first VNF may be implemented by the network device, and the second VNF may be implemented by another network device.
  • the method may include receiving information related to the second VNF from the other network device.
  • the method may include transmitting parameter information of the deep learning model to the other network device, wherein the parameter information includes information about a weight and a bias of the deep learning model.
  • the first VNF and the second VNF may be implemented by the network device.
  • the deep learning model may be obtained by repeatedly learning information related to the first VNF.
  • the network packet information transmitted and received by the VNIC may include at least one of a packet length, a protocol, an Internet protocol (IP) address, a port number, and packet flow information.
  • IP Internet protocol
  • the network device includes at least one transceiver and at least one processor operatively connected to the at least one transceiver, wherein the at least one processor includes a first Identify information related to a virtual network function (VNF), and identify an estimated operation mode of the first VNF based on the information related to the first VNF and a deep learning model, and and identify a current operating mode of the VNF, and based on the estimated operating mode of the first VNF and the current operating mode of the first VNF, identify an operating mode of the first VNF, wherein the first VNF is a second It is redundant with the VNF, and the operation mode may be one of an active mode or a standby mode.
  • VNF virtual network function
  • the information related to the first VNF includes the state of the first VNF, the state of the second VNF, resource information of the first VNF, resource information of the second VNF, and VNIC ( It may include at least one of packet information transmitted/received from a virtual network interface card), failure information of the first VNF, and failure information of the second VNF.
  • the at least one processor monitors information related to the first VNF, and When the estimated operation mode of the first VNF and the current operation mode of the first VNF do not match, the operation mode of the first VNF may be changed.
  • the deep learning model may be one of a long short-term memory (LSTM) or a gated recurrent unit (GRU).
  • LSTM long short-term memory
  • GRU gated recurrent unit
  • the first VNF may be implemented by the network device, and the second VNF may be implemented by another network device.
  • the at least one processor may be configured to receive information related to the second VNF from the other network device.
  • the at least one processor is configured to transmit parameter information of the deep learning model to the other network device, and the parameter information is based on a weight and a bias of the deep learning model. It may contain information about
  • the first VNF and the second VNF may be implemented by the network device.
  • the deep learning model may be obtained by repeatedly learning information related to the first VNF.
  • the network packet information transmitted and received by the VNIC may include at least one of a packet length, a protocol, an Internet protocol (IP) address, a port number, and packet flow information.
  • IP Internet protocol
  • a computer-readable storage medium storing one or more programs (software modules) may be provided.
  • One or more programs stored in the computer-readable storage medium are configured to be executable by one or more processors in an electronic device (device).
  • One or more programs include instructions for causing an electronic device to execute methods according to embodiments described in a claim or specification of the present disclosure.
  • These programs include random access memory, non-volatile memory, including flash memory, read only memory, ROM, electrically erasable programmable ROM. (electrically erasable programmable read only memory, EEPROM), magnetic disc storage device, compact disc-ROM (CO-ROM), digital versatile discs (DVDs), or other It may be stored in an optical storage device or a magnetic cassette. Alternatively, it may be stored in a memory composed of a combination of some or all thereof. In addition, each configuration memory may be included in plurality.
  • non-volatile memory including flash memory, read only memory, ROM, electrically erasable programmable ROM. (electrically erasable programmable read only memory, EEPROM), magnetic disc storage device, compact disc-ROM (CO-ROM), digital versatile discs (DVDs), or other It may be stored in an optical storage device or a magnetic cassette. Alternatively, it may be stored in a memory composed of a combination of some or all thereof. In addition, each configuration memory may be included in plurality.
  • the program is transmitted through a communication network consisting of a communication network such as the Internet, an intranet, a local area network (LAN), a wide area network (WAN), or a storage area network (SAN), or a combination thereof. It may be stored on an attachable storage device that can be accessed. Such a storage device may be connected to a device implementing an embodiment of the present disclosure through an external port. In addition, a separate storage device on the communication network may be connected to the device implementing the embodiment of the present disclosure.
  • a communication network such as the Internet, an intranet, a local area network (LAN), a wide area network (WAN), or a storage area network (SAN), or a combination thereof. It may be stored on an attachable storage device that can be accessed.
  • Such a storage device may be connected to a device implementing an embodiment of the present disclosure through an external port.
  • a separate storage device on the communication network may be connected to the device implementing the embodiment of the present disclosure.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

본 개시(disclosure)는 LTE(long term evolution)와 같은 4G(4th generation) 통신 시스템 이후 보다 높은 데이터 전송률을 지원하기 위한 5G(5th generation) 또는 pre-5G 통신 시스템에 관련된 것이다. 본 개시는 통신 시스템에서 네트워크 장치에 의해 수행되는 방법으로, 제1 가상 네트워크 기능(virtual network function, VNF)와 관련된 정보를 식별하는 과정, 상기 제1 VNF와 관련된 정보 및 딥러닝(deep learning) 모델에 기반하여 상기 제1 VNF의 추정 동작 모드를 식별하는 과정, 상기 제1 VNF의 현재 동작 모드를 식별하는 과정 및 상기 제1 VNF의 추정 동작 모드 및 상기 제1 VNF의 현재 동작 모드에 기반하여, 상기 제1 VNF의 동작 모드를 식별하는 과정을 포함하고, 상기 제1 VNF는 제2 VNF와 함께 이중화(redundancy)되고, 상기 동작 모드는 활성(active) 모드 또는 대기(standby) 모드 중 하나일 수 있다.

Description

가상 네트워크 기능의 고가용성을 위한 장치 및 방법
본 개시(disclosure)는 일반적으로 통신 시스템에 관한 것으로, 보다 구체적으로 통신 시스템에서 가상 네트워크 기능의 고가용성을 위한 장치 및 방법에 관한 것이다.
기존의 네트워크 장치는 특정 네트워크 기능을 수행하기 위하여 전용 하드웨어로서 설계되었다. 즉, 전용 하드웨어와 소프트웨어의 조합으로 네트워크 기능을 제공하므로 유연성 및 확장성이 제약되고, 운용 비용이 높아지는 문제점이 있었다. 이러한 이유로, 네트워크 기능을 전용 하드웨어 대신 소프트웨어 기반의 범용 하드웨어(예: COTS(commercial off the shelf))에 가상화 시키는 네트워크 기능 가상화(network function virtualization, NFV) 기술이 고려되고 있다.
상술된 바와 같은 논의를 바탕으로, 본 개시(disclosure)는, 통신 시스템에서 가상 네트워크 기능(virtual network function)의 고가용성(high availability)을 위한 장치 및 방법을 제공한다.
또한, 본 개시는, 통신 시스템에서 VNF의 장애 또는 재해가 발생한 경우, 적응적으로 대처하기 위한 장치 및 방법을 제공한다.
또한, 본 개시는, 통신 시스템에서 VNF 또는 HAC(high availability controller)를 이중화한 구조에서 발생할 수 있는 문제를 감소시키기 위해, 딥러닝(deep learning) 모델을 통해 VNF의 상태를 예측하기 위한 장치 및 방법을 제공한다.
또한, 본 개시는, 통신 시스템에서 미리 정해진 조건으로 VNF 또는 HAC의 상태를 판단할 수 없는 상황이 발생한 경우, 인공지능 알고리즘을 통해 VNF의 상태를 예측하기 위한 장치 및 방법을 제공한다.
본 개시(disclosure)의 일 실시 예에 따른 통신 시스템에서 네트워크 장치에 의해 수행되는 방법은, 제1 가상 네트워크 기능(virtual network function, VNF)과 관련된 정보를 식별하는 과정, 상기 제1 VNF와 관련된 정보 및 딥러닝(deep learning) 모델에 기반하여 상기 제1 VNF의 추정 동작 모드를 식별하는 과정, 상기 제1 VNF의 현재 동작 모드를 식별하는 과정 및 상기 제1 VNF의 추정 동작 모드 및 상기 제1 VNF의 현재 동작 모드에 기반하여, 상기 제1 VNF의 동작 모드를 식별하는 과정을 포함하고, 상기 제1 VNF는 제2 VNF와 함께 이중화되고, 상기 동작 모드는 활성(active) 모드 또는 대기(standby) 모드 중 하나일 수 있다.
본 개시의 일 실시 예에 따른 통신 시스템에서 네트워크 장치는 적어도 하나의 송수신부 및 상기 적어도 하나의 송수신부에 동작 가능하게 연결된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 제1 가상 네트워크 기능(virtual network function, VNF)과 관련된 정보를 식별하고, 상기 제1 VNF와 관련된 정보 및 딥러닝(deep learning) 모델에 기반하여 상기 제1 VNF의 추정 동작 모드를 식별하고, 상기 제1 VNF의 현재 동작 모드를 식별하고, 상기 제1 VNF의 추정 동작 모드 및 상기 제1 VNF의 현재 동작 모드에 기반하여, 상기 제1 VNF의 동작 모드를 식별하도록 구성되고, 상기 제1 VNF는 제2 VNF와 함께 이중화되고, 상기 동작 모드는 활성(active) 모드 또는 대기(standby) 모드 중 하나일 수 있다.
본 개시(disclosure)의 다양한 실시 예들에 따른 장치 및 방법은, 딥러닝(deep learning) 모델을 활용하여 이중화 된 가상 네트워크 기능(virtual network function, VNF)의 동작 모드를 실시간으로 수집되는 데이터에 기반하여 결정할 수 있다.
또한, 본 개시의 다양한 실시 예들에 따른 장치 및 방법은, 이중화 된 VNF들이 이중 상태(dual state)로 동작하는 것을 방지할 수 있다.
또한, 본 개시의 다양한 실시 예들에 따른 장치 및 방법은, VNF에서 생성되는 데이터를 반복 학습하여 VNF의 동작 모드를 정확하게 결정함으로써, 높은 신뢰도의 고가용성을 보장할 수 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은, 본 개시의 다양한 실시 예들에 따른 통신 시스템을 도시한다.
도 2는, 본 개시의 다양한 실시 예들에 따른 네트워크 기능 가상화(network function virtualization, NFV)의 프레임워크(framework)를 도시한다.
도 3은, 본 개시의 일 실시 예에 따른 가상 네트워크 기능(virtual network function, VNF)의 이중화 구조를 도시한다.
도 4는, 본 개시의 일 실시 예에 따른 VNF의 이중화 구조를 도시한다.
도 5는, 본 개시의 일 실시 예에 따른 VNF의 동작 모드를 변경하기 위한 네트워크 장치의 동작 흐름을 도시한다.
도 6은, 본 개시의 일 실시 예에 따른 딥러닝(deep learning) 모델을 학습하기 위한 네트워크 장치의 동작 흐름을 도시한다.
도 7은 본 개시의 다양한 실시 예들에 따른 네트워크 장치의 구성을 도시한다.
본 개시(disclosure)에서 사용되는 용어들은 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 다른 실시 예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 사용되는 용어들은 본 개시에 기재된 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 본 개시에 사용된 용어들 중 일반적인 사전에 정의된 용어들은, 관련 기술의 문맥상 가지는 의미와 동일 또는 유사한 의미로 해석될 수 있으며, 본 개시에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 개시에서 정의된 용어일지라도 본 개시의 실시 예들을 배제하도록 해석될 수 없다.
이하에서 설명되는 본 개시의 다양한 실시 예들에서는 하드웨어적인 접근 방법을 예시로서 설명한다. 하지만, 본 개시의 다양한 실시 예들에서는 하드웨어와 소프트웨어를 모두 사용하는 기술을 포함하고 있으므로, 본 개시의 다양한 실시 예들이 소프트웨어 기반의 접근 방법을 제외하는 것은 아니다. 또한, 네트워크 객체(network entity)들을 지칭하는 용어, 장치의 구성요소를 지칭하는 용어 등은 설명의 편의를 위해 예시된 것이다. 따라서, 본 개시가 후술되는 용어들에 한정되는 것은 아니며, 동등한 기술적 의미를 가지는 다른 용어가 사용될 수 있다.
또한, 본 개시는, 일부 통신 규격(예: 3GPP(3rd generation partnership project), ETSI(european telecommunication standards institute))에서 정의하는 용어들을 이용하여 다양한 실시 예들을 설명하지만, 이는 설명을 위한 예시일 뿐이다.
또한, 본 개시에서, 특정 조건의 만족(satisfied), 충족(fulfilled) 여부를 판단하기 위해 초과 또는 미만의 표현이 사용될 수 있으나, 이는 일 예를 표현하기 위한 기재일 뿐 이상 또는 이하의 기재를 배제하는 것이 아니다. '이상'으로 기재된 조건은 '초과', '이하'로 기재된 조건은 '미만', '이상 및 미만'으로 기재된 조건은 '초과 및 이하'로 대체될 수 있다.
이하 본 개시(disclosure)는 통신 시스템에서 이중화 된 가상 네트워크 기능(virtual network function, VNF)의 가용성을 높이기 위한 기술을 설명한다. 보다 구체적으로, 본 개시는 VNF들의 상태를 딥러닝(deep learning)을 활용하여 판단하는 기술을 설명한다. NFV(network function virtualization) 기술에 의하면, 범용 하드웨어에 네트워크 기능 소프트웨어를 설치하여 네트워크 서비스를 제공하므로, 서비스 요구사항 및 상황에 따라 동적으로 서비스 환경을 제공할 수 있다. 통신 시스템은 네트워크 장치에 장애가 발생한 경우라도 서비스가 단절되지 않고 제공되도록 고가용성(high availability)을 보장해야 한다. NFV 기술에서는 고가용성을 보장하기 위하여 VNF를 다수의 가상 머신(virtual machine, VM)으로 프로비저닝(provisioning)하여 이중화 하거나, HAC(high availability controller)를 이용하고 있다. 그러나, 통신 단절 등으로 이중화 된 VNF들(또는 HAC들) 간에 상태 정보를 교환할 수 없거나, 미리 정해진 조건으로는 동작 모드를 결정할 수 없는 경우가 발생할 수 있다. 따라서, 본 개시의 실시 예들은 네트워크 장치가 미리 정해진 조건으로 VNF의 상태를 판단할 수 없거나 통신 단절 등으로 상대 VNF(또는 HAC)의 상태를 판단할 수 없는 경우라도 이중 상태(dual state)를 방지하고 고가용성(high availability)을 보장하기 위한 절차, 시그널링 및 동작을 제안한다.
도 1은 본 개시의 다양한 실시 예들에 따른 통신 시스템을 도시한다. 도 1은 단말(101), 기지국(103) 및 5G(5th generation) 코어 네트워크(core network) 기능들의 일부로서 UPF(user plane function)(105), AUSF(authentication server function)(107), AMF(access and mobility management function)(109), SMF(session management function)(111), NSSF(network slice selection function)(113), UDM(unified data management)(115), NRF(network function repository function)(117), PCF(policy control function)(119), NEF(network exposure function)(121), AF(application function)(123)을 예시한다.
단말(101)은 기지국(103) 및 UPF(105)를 통해 데이터 네트워크(data network)에 접속할 수 있다. 단말이 UPF(105)를 통해 데이터를 송수신 하기 위해서는 PDU(packet data unit) 세션(session)을 생성해야 하며, 하나의 PDU 세션은 하나 이상의 QoS(quality of service) 플로우(flow)를 포함할 수 있다. 단말(101)은 '단말(terminal)', '이동국(mobile station)', '가입자국(subscriber station)', '원격 단말(remote terminal)', '무선 단말(wireless terminal)', '사용자 장치(user device)' 또는 이와 동등한 기술적 의미를 가지는 다른 용어로 지칭될 수 있다.
기지국(103)은 RAN(radio access network) 노드로서 무선 접속을 제공하는 네트워크 인프라스트럭쳐(infrastructure)이다. 기지국(103)은 신호를 송신할 수 있는 거리에 기반하여 일정한 지리적 영역으로 정의되는 커버리지(coverage)를 가질 수 있다. 이하, 사용되는 '커버리지'의 용어는 기지국(103)에서 서비스 가능한 영역(service coverage area)를 가리킬 수 있다. 기지국(103)은 하나의 셀(one cell)을 커버할 수도 있고, 다수의 셀들(multiple cells)을 커버할 수도 있다. 여기서, 다수의 셀들은 지원하는 주파수(frequency), 커버하는 섹터(sector)의 영역에 의해 구분될 수 있다.
AUSF(107)는 가입자 및 네트워크의 인증(authentication)을 위한 기능을 제공할 수 있다. AMF(109)는 등록(registration) 관리, 접근성(reachability) 관리, 접속(connection) 관리, 이동성(mobility) 관리를 위한 기능을 제공할 수 있다. SMF(111)는 PDU 세션 관리, IP(internet protocol) 주소 할당, GTP-U 터널 관리를 위한 기능을 제공할 수 있다. NSSF(113)는 네트워크 슬라이스(network slice)를 선택하기 위한 기능을 제공할 수 있다. UDM(115)은 단말(101)의 가입 정보를 저장하고 관리하기 위한 기능을 제공할 수 있다. NRF(117)는 네트워크 기능(network function, NF)을 관리하기 위한 기능을 제공할 수 있다. PCF(119)는 세션 관리와 관련된 정책 및 이동성 관리와 관련된 정책을 관리하기 위한 기능을 제공할 수 있다. NEF(121)은 5G 시스템 내의 네트워크 기능에 대한 정보를 외부 네트워크 기능에 제공하기 위한 기능을 제공할 수 있다. AF(123)은 특정 서비스를 지원하는 어플리케이션 서버의 기능을 제공할 수 있다.
상술된 코어 네트워크의 기능들은 네트워크 기능 가상화(network function virtualization, NFV) 기술을 적용하여 개별적인 전용 하드웨어가 아닌 범용 하드웨어에 소프트웨어로서 구현될 수 있다. 즉, 네트워크 기능이 하드웨어와 분리되어 가상화 될 수 있다. 이에 따라, 네트워크 장치는 가상 네트워크 기능(virtual network function, VNF)에 쉽게 자원(예: 저장 공간, 대역폭, CPU(central processing unit))을 할당할 수 있으며, 그 설치 및 제거도 신속하므로 확장성, 탄력성, 유연성 및 신속성을 제공할 수 있다.
한편, 도 1에서는 코어 네트워크 기능들의 가상화를 예시하고 있으나, 본 개시에 따른 실시 예들은 이에 한정되지 않는다. 즉, 라우터(router), 방화벽(firewall), NAT(network address translation), PE(provider edge), CPE(customer premises equipment), 부하 분산기(load balancer) 등 모든 네트워크 인프라스트럭처(infrastructure)에 본 개시에 따른 실시 예들이 적용될 수 있다.
도 2는 본 개시의 다양한 실시 예들에 따른 네트워크 기능 가상화(network function virtualization, NFV)의 프레임워크(framework)를 도시한다. 도 2에서는 NFV 기술이 적용된 네트워크 장치를 설명하며, 이는 네트워크 기능 가상화 인프라스트럭처(network function virtualization infrastructure, NFVI)로 지칭될 수 있다.
도 2를 참고하면, NFV의 프레임워크는 NFVI 계층과 VNF 계층을 포함할 수 있다. NFVI 계층은 물리적 하드웨어, 가상화 계층, 가상화 자원으로 구성될 수 있다. 물리적 하드웨어는 가상화 계층(예: 하이퍼바이저(hypervisor))을 통해 VNF에 대한 처리, 저장 및 연결을 제공하는 컴퓨팅(computing) 하드웨어, 스토리지(storage) 하드웨어, 네트워크(network) 하드웨어를 포함할 수 있다. 물리적 하드웨어는 특정 네트워크 기능을 위해 설계되지 않으며, 범용 하드웨어 장치들로서 상용 제품(COTS(commercial off the shelf))일 수 있다. 가상화 계층은 물리적 하드웨어의 자원을 가상 머신(virtual machine, VM) 형태로 VNF에게 제공할 수 있다. 즉, 가상화 계층은 가상화된 컴퓨팅, 스토리지, 네트워크 자원을 VM이 수용하는 소프트웨어(VNF)에게 제공할 수 있다. VNF 계층은 네트워크 기능을 가상화로 구현하는 계층으로, 하나 이상의 VNF를 포함할 수 있다.
통신 시스템은 서비스가 단절되지 않도록 고가용성을 보장할 것이 요구될 수 있다. 이 때, 네트워크 장치에 장애가 발생하거나 재해(예: 화재, 지진, 대규모 정전 등)가 발생한다면, 신속한 복구가 요구된다. NFV 기술을 이용하는 고가용성(high availability)을 보장하기 위해, VNF의 이중화 또는 HAC(high availability controller)이 이용될 수 있다.
VNF 이중화의 경우, 활성(active) 모드로 동작 중인 VNF에 장애 또는 재해가 발생한 경우, 네트워크 장치는 미리 정해진 조건에 따라 대기(standby) 모드로 동작 중인 VNF을 활성 모드로 전환함으로써, 고가용성을 보장할 수 있다. 활성 모드는 네트워크 장치가 가상 머신(virtual machine, VM)을 통해 VNF를 위한 가상화 된 자원을 할당한 모드일 수 있다. 대기 모드는 네트워크 장치가 VNF를 위한 가상화 된 자원을 할당하지 않은 모드일 수 있다. 예를 들어, 활성 모드의 VNF와 대기 모드의 VNF는 서로 연결된 링크에 의해 형성된 세션을 통해 고가용성 상태 정보를 공유할 수 있다. VNF들은 자신과 상대의 상태 변화 및 장애 발생을 메시지를 통해 주기적으로 확인하여, 미리 정해진 조건에 따라 장애 발생을 판단하고 동작 모드를 변경할 수 있다. 그러나, 미리 정해진 조건에 기반하여 판단될 수 없는 상황이 발생하거나 통신 단절 등으로 상대 VNF의 상태를 파악할 수 없는 경우에는 VNF의 이중 활성(dual active) 또는 이중 대기(dual standby) 상태가 발생될 수 있다. 특히, 이중 대기 상태의 경우, 서비스의 단절이 발생할 수 있다.
HAC은 하나 이상의 VNF의 상태를 감시하고 관리하는 장치이다. HAC을 이용하는 경우, 네트워크 장치는 하위 연결된 VNF를 이중화 구조로 구성하지 않아도 고가용성을 보장할 수 있다. 예를 들어, HAC은 VNF(221)가 서비스를 제공할 수 없는 경우, VNF(223) 또는 VNF(225)을 제어하여 VNF(221)의 기능도 수행하게 함으로써, 고가용성을 보장할 수 있다. 그러나, HAC 자체의 고가용성을 보장하기 위해서는 HAC 자체를 이중화(active/standby HAC)으로 구성해야 하는 한계점이 존재한다. 따라서, 미리 정해진 조건에 기반하여 판단될 수 없는 상황이 발생하거나 통신 단절 등으로 상대 HAC의 상태를 파악할 수 없는 경우에는 서비스의 단절이 발생될 수 있다.
결국, VNF를 이중화 하는 구조 또는 HAC을 이용하는 구조만에 의해서는 네트워크 기능의 고가용성이 높은 수준까지 보장될 수 없다. 따라서, 본 개시의 실시 예들은 학습(learning)을 통해 VNF의 상태를 판단 및 예측하여 시나리오 기반으로 판단될 수 없는 상황 또는 통신 단절의 상황이 발생하더라도, 네트워크 기능의 가용성을 높이기 위한 방안을 제안한다. 기계 학습(machine learning)/딥러닝(deep learning)을 통해 VFN의 상태를 추정함으로써 네트워크 기능에 대한 높은 신뢰도를 갖는 고가용성이 보장될 수 있다.
도 3은 본 개시의 일 실시 예에 따른 가상 네트워크 기능(virtual network function, VNF)의 이중화 구조를 도시한다. VNF의 이중화 구조는 물리적으로 분리된 이중화 구조와 논리적으로 분리된 이중화 구조를 포함할 수 있다. 물리적으로 분리된 이중화 구조는 서로 다른 네트워크 장치에 VNF가 이중화(예: 지오 리던던시(geo redundancy)) 될 수 있다. 예를 들어, VNF #1(311) 및 VNF #3(315)와 같이 각각 네트워크 장치(310) 및 네트워크 장치(320)에서 구현될 수 있다. 논리적으로 분리된 이중화 구조는 하나의 네트워크 장치 내에서 VNF가 이중화(예: 로컬 리던던시(local redundancy)) 될 수 있다. 예를 들어, VNF #2(313)와 같이 네트워크 장치(310)에서 구현될 수 있다. 이중화 된 VNF들 중 하나는 활성(active) 모드로 동작할 수 있으며, 다른 하나는 대기(standby) 모드로 동작할 수 있다. 도 3에서는 두 개의 VNF들이 이중화 된 예가 도시되고 있으나, 이는 예시일 뿐이다. 일 실시 예에 따라, 세 개 이상의 VNF들을 이중화 하여 그 중 일부는 활성 모드로 동작하고, 나머지는 대기 모드로 동작할 수 있다. 또한, 도 3에서는 두 개의 네트워크 장치들(310, 320)이 도시되고 있으나, 이는 예시일 뿐이다. 일 실시 예에 따라, 세 개 이상의 네트워크 장치들에 걸쳐 VNF들이 이중화 될 수 있다.
도 3에서는 딥러닝(deep learning) 모델을 활용하여 이중화 된 VNF의 동작 모드를 결정하는 기술이 설명된다. 일 실시 예에 따라, 딥러닝 모델은 시계열 데이터 분석에 적합한 순환신경망(recurrent neural network, RNN) 중 LSTM(long short-term memory)일 수 있다. 다른 실시 예에서, 딥러닝 모델은 GRU(gated recurrent unit) 신경망일 수 있다. 그러나, 본 개시에 따른 실시 예들은 LSTM 또는 GRU에 한정되지 않으며, 다른 신경망이 적용될 수 있다. 이하 사용되는 '~부'등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
도 3을 참고하면, 네트워크 장치(310)는 데이터베이스(301), 학습부(303), 분석부(305), 제어부(307)를 포함할 수 있으며, 하나 이상의 VNF들을 구현할 수 있다.
데이터베이스(301)는 VNF와 관련된 정보를 저장할 수 있다. VNF와 관련된 정보는 상대 VNF의 상태 정보, VNF 정보, VNF의 리소스(resource) 정보, VNIC(virtual network interface card)에서 송수신 된 네트워크 패킷 정보, VNF의 장애 정보 중 적어도 하나를 저장할 수 있다. VNF 정보는 VNF의 하위에 연결된 VNF의 개수와 각각의 상태 중 적어도 하나를 포함할 수 있다. VNF의 리소스 정보는 가상 CPU(central processing unit)의 사용량, 메모리 사용량 중 적어도 하나를 포함할 수 있다. VNIC에서 송수신 된 네트워크 패킷 정보는 패킷의 길이, 프로토콜, IP(internet protocol) 주소, 포트 번호, 패킷 플로우 정보 중 적어도 하나를 포함할 수 있다. 또한, 데이터베이스(301)는 다른 네트워크 장치(320)의 데이터베이스와 저장하고 있는 모든 데이터를 동기화 할 수 있다.
학습부(303)는 데이터베이스(301)로부터 VNF와 관련된 정보를 제공받을 수 있다. 학습부(303)는 제공받은 정보를 전처리(preprocessing)할 수 있다. 전처리는 제공받은 정보를 최소-최대 정규화(normalization)을 통해 0과 1 사이의 값으로 변환하는 것일 수 있다. 학습부(303)는 전처리 된 정보에 기반하여 딥러닝 모델 학습에 사용할 특징을 추출하고, 데이터 셋(set)을 구성할 수 있다. 데이터 셋은 학습 데이터 셋, 검증 데이터 셋, 평가 데이터 셋을 포함할 수 있다. 학습부(303)는 데이터 셋에 기반하여 딥러닝 모델을 학습할 수 있다. 학습부(303)는 지속적으로 생성되는 VNF와 관련된 정보를 점진적 학습(incremental learning)하여 VNF의 상태를 판단하는 기준을 갱신할 수 있다. 학습부(303)는 학습된 딥러닝 모델의 파라미터를 데이터베이스(301)에 저장할 수 있다. 파라미터는 가중치(weight), 바이어스(bias) 중 적어도 하나를 포함할 수 있다. 저장된 파라미터는 다른 네트워크 장치와 공유될 수 있다.
분석부(305)는 VNF로부터 VNF와 관련된 정보를 (실시간으로) 수신할 수 있다. VNF와 관련된 정보는 상대 VNF의 상태 정보, VNF의 정보, VNF의 리소스(resource) 정보, VNIC(virtual network interface card)에서 송수신 된 네트워크 패킷 정보, VNF의 장애 정보 중 적어도 하나를 포함할 수 있다. 분석부(305)는 VNF와 관련된 정보 및 학습된 딥러닝 모델의 판단 기준에 기반하여 VNF의 고가용성 상태를 식별할 수 있다. 일 실시 예에 따라, 분석부(305)는 현재 VNF가 사용하는 자원량에 기반하여 VNF의 고가용성 상태를 식별할 수 있다. 자원량은 가상 CPU 사용량 또는 가상 메모리 사용량 중 적어도 하나를 포함할 수 있다. 예를 들어, 분석부(305)는 현재 VNF(311a)가 사용하는 자원량이 임계 값 이하인 경우, 현재 VNF(311a)가 활성 모드로 동작하고 있으므로, 고가용성 상태가 비정상인 것으로 식별할 수 있다. 여기에서, 임계 값은 딥러닝 모델 학습에 기반하여 결정된 판단기준일 수 있다. 분석부(305)는 VNF의 상태가 비정상인 것으로 식별된 경우, 동작 모드 변경 메시지를 제어부(307)에게 전송할 수 있다. 다른 예를 들어, 분석부(305)는 현재 VNF(311a)가 사용하는 자원량이 임계 값을 초과하는 경우, 현재 VNF(311a)가 활성 모드로 동작하고 있으므로, 고가용성 상태가 정상인 것으로 식별할 수 있다. 분석부(305)는 VNF의 고가용성 상태가 정상인 것으로 식별된 경우, VNF와 관련된 정보를 모니터링(monitoring)할 수 있다.
제어부(307)는 분석부(305)로부터 동작 모드 변경 메시지를 수신한 경우, VNF의 동작 모드를 변경할 수 있다. 예를 들어, 제어부(307)는 분석부(305)로부터 VNF(311a)의 동작 모드 변경 메시지를 수신할 수 있다. 이 경우, 제어부(307)는 VNF(311a)의 동작 모드를 대기 모드로 변경할 수 있다. 일 실시 예에 따라, 제어부(307)는 분석부(305)로부터 VNF(313a)의 동작 모드 변경 메시지를 수신할 수 있다. 이 경우, 이중화(local redundancy)되어 있으므로, 제어부(307)는 VNF(313a)의 동작 모드를 대기 모드로 변경하고, VNF(313b)의 동작 모드를 활성 모드로 변경할 수 있다. 즉, 네트워크 장치는 장치 내에서 함께 이중화 된 VNF의 동작 모드도 함께 변경함으로써 고가용성을 보장함과 동시에 이중 상태(dual state)를 방지할 수 있다.
도 4는 본 개시의 일 실시 예에 따른 가상 네트워크 기능(virtual network function, VNF)의 이중화 구조를 도시한다. 도 4에서는 이중화(local redundancy) 구조에서 네트워크 장치(410)에서 VNF(413)의 동작 모드를 결정하는 동작이 서술된다. 도 4에서는 학습부(403)가 데이터베이스(401)로부터 제공받은 데이터를 기반으로 점진적 학습(incremental learning)한 딥러닝(deep learning) 모델을 전제로 한다.
분석부(405)는 VNF(413)의 동작 모드를 결정할 수 있다. 분석부(405)는 VNF(413)으로부터 수신된 VNF(413)와 관련된 정보에 기반하여 VNF(413)의 동작 모드를 결정할 수 있다. VNF(413)와 관련된 정보는 VNF(411)의 상태 정보(예: 활성(active) 모드), VNF(413)의 상태 정보(예: 대기(standby) 모드), VNF(413)의 리소스(resource) 정보, VNIC(virtual network interface card)에서 송수신 된 네트워크 패킷 정보, VNF의 장애 정보 중 적어도 하나를 포함할 수 있다. VNF(413)의 리소스 정보는 VNF(413)가 사용하는 가상 CPU(central processing unit)의 사용량, 메모리 사용량 중 적어도 하나를 포함할 수 있다. VNIC에서 송수신 된 네트워크 패킷 정보는 패킷의 길이, 프로토콜, IP(internet protocol) 주소, 포트 번호, 패킷 플로우 정보 중 적어도 하나를 포함할 수 있다. 분석부(405)는 수신된 VNF(413)와 관련된 정보 및 딥러닝 모델에 기반하여 VNF(413)의 추정되는 상태(예: 활성 모드)를 식별할 수 있다. 즉, VNF(413)와 관련된 정보를 딥러닝 모델의 입력으로서 사용하여 VNF(413)의 추정되는 상태를 식별할 수 있다.
일 실시 예에 따라, 네트워크 장치는 현재 VNF가 사용하는 자원량에 기반하여 VNF의 추정 상태를 식별할 수 있다. 예를 들어, 네트워크 장치는 현재 VNF가 사용하는 자원량이 임계 값을 초과하는 경우, VNF의 추정 상태가 활성 모드인 것으로 식별할 수 있다. 다른 예를 들어, 네트워크 장치는 현재 VNF가 사용하는 자원량이 임계 값 이하인 경우, VNF의 추정 상태가 대기 모드인 것으로 식별할 수 있다. 자원량은 가상 CPU 사용량 또는 가상 메모리 사용량 중 적어도 하나를 포함할 수 있다. 여기에서, 임계 값은 딥러닝 모델 학습에 기반하여 결정될 수 있다.
일 실시 예에 따라, 네트워크 장치는 현재 VNIC를 통해 송수신되는 VNF에 관련된 패킷의 양에 기반하여 VNF의 추정 상태를 식별할 수 있다. 예를 들어, 네트워크 장치는 현재 VNIC를 통해 송수신되는 VNF에 관련된 패킷의 양이 임계 값을 초과하는 경우, VNF의 추정 상태가 활성 모드인 것으로 식별할 수 있다. 다른 예를 들어, 네트워크 장치는 현재 VNIC를 통해 송수신되는 VNF에 관련된 패킷의 양이 임계 값 이하인 경우, VNF의 추정 상태가 대기 모드인 것으로 식별할 수 있다. 여기에서, 임계 값은 딥러닝 모델 학습에 기반하여 결정될 수 있다.
분석부(405)는 VNF(413)의 현재 상태(예: 대기 모드)를 식별할 수 있다. 분석부(405)는 VNF(413)의 추정되는 상태 및 VNF(413)의 현재 상태에 기반하여 VNF(413)의 동작 모드를 결정할 수 있다. 예를 들어, 분석부(405)는 VNF(413)의 추정되는 상태 및 VNF(413)의 현재 상태가 일치하지 않는 경우, VNF(413)의 동작 모드를 변경하는 것으로 결정하고, 제어부(407)로 동작 모드 변경 메시지를 전송할 수 있다. 예를 들어, 분석부(405)는 VNF(413)의 추정되는 상태 및 VNF(413)의 현재 상태가 일치하는 경우, VNF(413)의 동작 모드를 변경하지 않는 것으로 결정하고, VNF(413)로부터 수신되는 VNF(413)와 관련된 정보를 모니터링(monitoring)할 수 있다.
제어부(407)는 VNF(411) 및 VNF(413)의 동작 모드를 변경할 수 있다. 제어부(407)는 분석부(405)로부터 동작 모드 변경 메시지를 수신한 경우, VNF(411) 및 VNF(413)의 동작 모드를 변경할 수 있다. 예를 들어, 제어부(407)는 분석부(405)로부터 동작 모드 변경 메시지를 수신한 경우, VNF(411)의 동작 모드를 대기 모드로 변경하고, VNF(413)의 동작 모드를 활성 모드로 변경할 수 있다.
도 5는 본 개시의 일 실시 예에 따른 가상 네트워크 기능(virtual network function, VNF)의 동작 모드를 변경하기 위한 네트워크 장치의 동작 흐름을 도시한다.
동작(510)에서, 네트워크 장치는 VNF와 관련된 정보를 식별할 수 있다. VNF와 관련된 정보는 VNF에서 수집된 정보일 수 있다. VNF와 관련된 정보는 상대 VNF의 상태 정보, VNF 정보, VNF의 리소스(resource) 정보, VNIC(virtual network interface card)에서 송수신 된 네트워크 패킷 정보, VNF의 장애 정보 중 적어도 하나를 포함할 수 있다. 상대 VNF의 상태 정보는 이중화(geo redundancy)의 경우에 다른 네트워크 장치에 구현된 VNF의 동작 모드에 관한 정보일 수 있다. VNF 정보는 이중화(local redundancy)의 경우에, 네트워크 장치에 구현된 VNF의 개수 및 각각의 동작 모드에 관한 정보일 수 있다. VNF의 리소스 정보는 VNF가 사용하는 가상 CPU(central processing unit)의 사용량, 메모리 사용량 중 적어도 하나를 포함할 수 있다. VNIC에서 송수신 된 네트워크 패킷 정보는 패킷의 길이, 프로토콜, IP(internet protocol) 주소, 포트 번호, 패킷 플로우 정보 중 적어도 하나를 포함할 수 있다.
동작(520)에서, 네트워크 장치는 VNF의 고가용성 상태를 식별할 수 있다. 네트워크 장치는 VNF 관련 정보 및 딥러닝 모델에 기반하여 고가용성 상태를 식별할 수 있다. 네트워크 장치는 VNF의 현재 동작 모드 및 VNF의 추정 동작 모드에 기반하여 VNF의 고가용성 상태를 식별할 수 있다. VNF의 추정 동작 모드는 VNF와 관련된 정보 및 딥러닝(deep learning) 모델에 기반하여 식별될 수 있다. 네트워크 장치는 VNF의 현재 동작 모드와 VNF의 추정 동작 모드가 일치하는 경우, VNF의 고가용성 상태가 정상인 것으로 식별할 수 있다. 네트워크 장치는 VNF의 현재 동작 모드와 VNF의 추정 동작 모드가 일치하지 않는 경우, VNF의 고가용성 상태가 비정상인 것으로 식별할 수 있다.
동작(530)에서, 네트워크 장치는 VNF의 동작 모드를 결정할 수 있다. 네트워크 장치는 VNF의 고가용성 상태에 기반하여 VNF의 동작 모드를 결정할 수 있다. 네트워크 장치는 VNF의 고가용성 상태가 정상인 경우, VNF와 관련된 정보에 대한 모니터링(monitoring)을 유지할 수 있다. 네트워크 장치는 VNF의 고가용성 상태가 비정상인 경우, VNF의 동작 모드를 변경할 수 있다. 지오 리던던시(geo redundancy)로 이중화 된 경우, 네트워크 장치는 네트워크 장치에서 구현된 VNF의 동작 모드를 변경할 수 있다. 예를 들어, 도 3을 참조하면, VNF(311a)의 고가용성 상태가 비정상인 것으로 식별된 경우, 네트워크 장치(310)는 VNF(311a)의 동작 모드를 대기 모드로 변경할 수 있다. 로컬 리던던시(local redundancy)로 이중화 된 경우, 네트워크 장치는 네트워크 장치에서 구현된 VNF들의 동작 모드를 변경할 수 있다. 예를 들어, 도 3을 참조하면, VNF(313a)의 고가용성 상태가 비정상인 것으로 식별된 경우, 네트워크 장치(310)는 VNF(313a)의 동작 모드를 대기 모드로 변경하고, VNF(313b)의 동작 모드를 활성 모드로 변경할 수 있다.
도 6은 본 개시의 일 실시 예에 따른 딥러닝(deep learning) 모델을 학습하기 위한 네트워크 장치의 동작 흐름을 도시한다.
동작(610)에서, 네트워크 장치는 가상 네트워크 기능(virtual network function, VNF)와 관련된 정보를 식별할 수 있다. VNF와 관련된 정보는 상대 VNF의 상태 정보, VNF 정보, VNF의 리소스(resource) 정보, VNIC(virtual network interface card)에서 송수신 된 네트워크 패킷 정보, VNF의 장애 정보 중 적어도 하나를 포함할 수 있다. 상대 VNF의 상태 정보는 이중화(geo redundancy)의 경우에 다른 네트워크 장치에 구현된 VNF의 동작 모드에 관한 정보일 수 있다. VNF 정보는 이중화(local redundancy)의 경우에, 네트워크 장치에 구현된 VNF의 개수 및 각각의 동작 모드에 관한 정보일 수 있다. VNF의 리소스 정보는 VNF가 사용하는 가상 CPU(central processing unit)의 사용량, 메모리 사용량 중 적어도 하나를 포함할 수 있다. VNIC에서 송수신 된 네트워크 패킷 정보는 패킷의 길이, 프로토콜, IP(internet protocol) 주소, 포트 번호, 패킷 플로우 정보 중 적어도 하나를 포함할 수 있다.
동작 (620)에서, 네트워크 장치는 식별된 VNF와 관련된 정보를 전처리(preprocessing) 할 수 있다. 전처리는 식별된 VNF와 관련된 정보를 최소-최대 정규화(normalization)하여 0과 1 사이의 값으로 변환하는 것일 수 있다.
동작(630)에서, 네트워크 장치는 전처리 된 정보에 기반하여 딥러닝 모델 학습에 사용할 특징을 추출할 수 있다.
동작(640)에서, 네트워크 장치는 전처리 된 정보에 기반하여 데이터 셋(set)을 구성할 수 있다. 데이터 셋은 학습 데이터 셋, 검증 데이터셋, 평가 데이터셋을 포함할 수 있다.
동작(650)에서, 네트워크 장치는 딥러닝 모델을 학습할 수 있다. 네트워크 장치는 학습 데이터 셋에 기반하여 딥러닝 모델을 학습할 수 있다. 동작(660)에서, 네트워크 장치는 학습된 딥러닝 모델을 검증할 수 있다. 네트워크 장치는 검증 데이터 셋에 기반하여 학습된 딥러닝 모델을 검증할 수 있다. 네트워크 장치는 검증 결과에 기반하여 동작(650) 및 동작(660)을 하나 이상의 횟수 동안 반복할 수 있다.
동작 (670)에서, 네트워크 장치는 검증된 딥러닝 모델의 성능이 적합한지 여부를 식별할 수 있다. 네트워크 장치는 평가 데이터 셋에 기반하여 검증된 딥러닝 모델의 성능이 적합한지 여부를 식별할 수 있다. 네트워크 장치는 검증된 딥러닝 모델의 성능이 적합한 경우, 도 6에 따른 동작을 종료할 수 있다. 네트워크 장치는 검증된 딥러닝 모델의 성능이 적합하지 않은 경우, VNF와 관련된 정보를 추가하여 도 6에 따른 동작을 반복할 수 있다.
도 7은 본 개시의 다양한 실시 예들에 따른 네트워크 장치의 구성을 도시한다. 도 7을 참고하면 네트워크 장치(700)는 프로세서(710), 메모리(720), 송수신기(730)를 포함할 수 있다. 도 7에 예시된 구성은 도 3에 예시된 네트워크 장치(310, 320)의 구성으로서 이해될 수 있다.
프로세서(710)는 네트워크 장치의 전반적인 동작을 제어할 수 있다. 예를 들어, 프로세서(710)는 송수신기(730)를 통해 신호를 송신 및 수신할 수 있다. 또한, 프로세서(710)는 메모리(720)에 데이터를 기록하고, 읽을 수 있다. 그리고, 프로세서(710)는 통신 규격에서 요구하는 프로토콜 스택(protocol stack)의 기능들을 수행할 수 있다. 이를 위해, 프로세서(710)는 적어도 하나의 프로세서를 포함할 수 있다. 프로세서(710)는 네트워크 장치가 전술된 실시 예들에 따른 동작들을 수행하도록 제어할 수 있다. 일 실시 예에 따라, 프로세서(710)는 도 3의 학습부(303), 분석부(305) 또는 제어부(307) 중 적어도 하나를 포함할 수 있다. 또한, 프로세서(710)는 도 4의 학습부(403), 분석부(405) 또는 제어부(407) 중 적어도 하나를 포함할 수 있다.
메모리(720)는 네트워크 장치의 동작을 위한 기본 프로그램, 응용 프로그램, 설정 정보 등의 데이터를 저장할 수 있다. 메모리(720)는 휘발성 메모리, 비휘발성 메모리 또는 휘발성 메모리와 비휘발성 메모리의 조합으로 구성될 수 있다. 메모리(720)는 프로세서(710)의 요청에 따라 저장된 데이터를 제공할 수 있다. 일 실시 예에 따라, 메모리(720)는 도 3의 데이터베이스(301)를 포함할 수 있다. 또한, 메모리(720)는 도 4의 데이터베이스(401)를 포함할 수 있다.
송수신기(730)는 유선 채널 또는 무선 채널을 통해 신호를 송수신하기 위한 기능들을 수행할 수 있다. 예를 들어, 송수신기(730)는 시스템의 물리 계층 규격에 따라 기저대역 신호 및 비트열 간 변환 기능을 수행할 수 있다. 예를 들어, 데이터 송신 시, 송수신기(730)는 송신 비트열을 부호화 및 변조함으로써 복소 심볼들을 생성할 수 있다. 또한, 데이터 수신시, 송수신기(730)는 기저대역 신호를 복조 및 복호화를 통해 수신 비트열로 복원할 수 있다. 또한, 송수신기(730)는 기저대역 신호를 RF(radio frequency) 대역 신호로 상향 변환한 후 안테나를 통해 송신하고, 안테나를 통해 수신되는 RF 대역 신호를 기저대역 신호로 하향 변환할 수 있다. 송수신기(730)는 네트워크 내 다른 네트워크 장치로 송신되는 비트열을 물리적 신호로 변환하고, 다른 네트워크 장치로부터 수신되는 물리적 신호를 비트열로 변환할 수 있다. 송수신기(730)는 이를 위해 적어도 하나의 송수신기를 포함할 수 있다.
도 1 내지 도 7을 통하여, 딥러닝(deep learning) 모델을 이용하여 가상 네트워크 기능(virtual network function, VNF)의 동작 모드를 결정하는 기술이 설명되었다. 기존의 고가용성(high availability) 보장과 관련된 기술들은 이중화 된 VNF들(또는 HAC(high availability controller)) 간의 통신이 단절되거나 미리 정의된 조건으로 판단될 수 없는 상황이 발생되는 경우, 이중 상태(dual state) 또는 서비스 단절의 문제가 발생할 수 있었다. 반면에, 본 개시에 따른 실시 예들에 따르면, VNF에서 수집되는 정보들을 반복 학습하여 네트워크 장치가 정확하게 이중화 된 VNF들의 고가용성 상태를 판단할 수 있으므로, 높은 신뢰도의 고가용성을 보장할 수 있다.
상술된 바와 같은 본 개시의 일 실시 예에 따른 네트워크 장치에 의해 수행되는 방법은, 제1 가상 네트워크 기능(virtual network function, VNF)와 관련된 정보를 식별하는 과정과, 상기 제1 VNF와 관련된 정보 및 딥러닝(deep learning) 모델에 기반하여 상기 제1 VNF의 추정 동작 모드를 식별하는 과정과, 상기 제1 VNF의 현재 동작 모드를 식별하는 과정 및 상기 제1 VNF의 추정 동작 모드 및 상기 제1 VNF의 현재 동작 모드에 기반하여, 상기 제1 VNF의 동작 모드를 식별하는 과정을 포함하고, 상기 제1 VNF는 제2 VNF와 함께 이중화되고, 상기 동작 모드는 활성(active) 모드 또는 대기(standby) 모드 중 하나일 수 있다.
일 실시 예에 따라, 상기 제1 VNF와 관련된 정보는, 상기 제1 VNF의 상태, 상기 제2 VNF의 상태, 상기 제1 VNF의 자원(resource) 정보, 상기 제2 VNF의 자원 정보, VNIC(virtual network interface card)에서 송수신 된 패킷 정보, 상기 제1 VNF의 장애 정보, 상기 제2 VNF의 장애 정보 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따라, 상기 제1 VNF의 동작 모드를 결정하는 과정은, 상기 제1 VNF의 추정 동작 모드와 상기 제1 VNF의 현재 동작 모드가 일치하는 경우, 상기 제1 VNF와 관련된 정보를 모니터링(monitoring)하는 과정 및 상기 제1 VNF의 추정 동작 모드와 상기 제1 VNF의 현재 동작 모드가 불일치하는 경우, 상기 제1 VNF의 동작 모드를 변경하는 과정을 포함할 수 있다.
일 실시 예에 따라, 상기 딥러닝 모델은 LSTM(long short-term memory) 또는 GRU(gated recurrent unit) 중 하나일 수 있다.
일 실시 예에 따라, 상기 제1 VNF는 상기 네트워크 장치에 의해 구현되고, 상기 제2 VNF는 다른 네트워크 장치에 의해 구현될 수 있다.
일 실시 예에 따라, 상기 다른 네트워크 장치로부터 상기 제2 VNF와 관련된 정보를 수신하는 과정을 포함할 수 있다.
일 실시 예에 따라, 상기 딥러닝 모델의 파라미터 정보를 상기 다른 네트워크 장치에게 전송하는 과정을 포함하고, 상기 파라미터 정보는 상기 딥러닝 모델의 가중치(weight), 바이어스(bias)에 관한 정보를 포함할 수 있다.
일 실시 예에 따라, 상기 제1 VNF 및 상기 제2 VNF는 상기 네트워크 장치에 의해 구현될 수 있다.
일 실시 예에 따라, 상기 딥러닝 모델은 상기 제1 VNF와 관련된 정보를 반복 학습하여 획득될 수 있다.
일 실시 예에 따라, 상기 VNIC에서 송수신 된 네트워크 패킷 정보는 패킷의 길이, 프로토콜, IP(internet protocol) 주소, 포트 번호, 패킷 플로우 정보 중 적어도 하나를 포함할 수 있다.
상술된 바와 같은 본 개시의 일 실시 예에 따른 네트워크 장치는, 적어도 하나의 송수신부 및 상기 적어도 하나의 송수신부에 동작 가능하게 연결된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 제1 가상 네트워크 기능(virtual network function, VNF)와 관련된 정보를 식별하고, 상기 제1 VNF와 관련된 정보 및 딥러닝(deep learning) 모델에 기반하여 상기 제1 VNF의 추정 동작 모드를 식별하고, 상기 제1 VNF의 현재 동작 모드를 식별하고, 상기 제1 VNF의 추정 동작 모드 및 상기 제1 VNF의 현재 동작 모드에 기반하여, 상기 제1 VNF의 동작 모드를 식별하도록 구성되고, 상기 제1 VNF는 제2 VNF와 함께 이중화되고, 상기 동작 모드는 활성(active) 모드 또는 대기(standby) 모드 중 하나일 수 있다.
일 실시 예에 따라, 상기 제1 VNF와 관련된 정보는, 상기 제1 VNF의 상태, 상기 제2 VNF의 상태, 상기 제1 VNF의 자원(resource) 정보, 상기 제2 VNF의 자원 정보, VNIC(virtual network interface card)에서 송수신 된 패킷 정보, 상기 제1 VNF의 장애 정보, 상기 제2 VNF의 장애 정보 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따라, 상기 적어도 하나의 프로세서는, 상기 제1 VNF의 추정 동작 모드와 상기 제1 VNF의 현재 동작 모드가 일치하는 경우, 상기 제1 VNF와 관련된 정보를 모니터링(monitoring)하고, 상기 제1 VNF의 추정 동작 모드와 상기 제1 VNF의 현재 동작 모드가 불일치하는 경우, 상기 제1 VNF의 동작 모드를 변경하도록 구성될 수 있다.
일 실시 예에 따라, 상기 딥러닝 모델은 LSTM(long short-term memory) 또는 GRU(gated recurrent unit) 중 하나일 수 있다.
일 실시 예에 따라, 상기 제1 VNF는 상기 네트워크 장치에 의해 구현되고, 상기 제2 VNF는 다른 네트워크 장치에 의해 구현될 수 있다.
일 실시 예에 따라, 상기 적어도 하나의 프로세서는, 상기 다른 네트워크 장치로부터 상기 제2 VNF와 관련된 정보를 수신하도록 구성될 수 있다.
일 실시 예에 따라, 상기 적어도 하나의 프로세서는, 상기 딥러닝 모델의 파라미터 정보를 상기 다른 네트워크 장치에게 전송하도록 구성되고, 상기 파라미터 정보는 상기 딥러닝 모델의 가중치(weight), 바이어스(bias)에 관한 정보를 포함할 수 있다.
일 실시 예에 따라, 상기 제1 VNF 및 상기 제2 VNF는 상기 네트워크 장치에 의해 구현될 수 있다.
일 실시 예에 따라, 상기 딥러닝 모델은 상기 제1 VNF와 관련된 정보를 반복 학습하여 획득될 수 있다.
일 실시 예에 따라, 상기 VNIC에서 송수신 된 네트워크 패킷 정보는 패킷의 길이, 프로토콜, IP(internet protocol) 주소, 포트 번호, 패킷 플로우 정보 중 적어도 하나를 포함할 수 있다.
본 개시의 청구항 또는 명세서에 기재된 실시 예들에 따른 방법들은 하드웨어, 소프트웨어, 또는 하드웨어와 소프트웨어의 조합의 형태로 구현될(implemented) 수 있다.
소프트웨어로 구현하는 경우, 하나 이상의 프로그램(소프트웨어 모듈)을 저장하는 컴퓨터 판독 가능 저장 매체가 제공될 수 있다. 컴퓨터 판독 가능 저장 매체에 저장되는 하나 이상의 프로그램은, 전자 장치(device) 내의 하나 이상의 프로세서에 의해 실행 가능하도록 구성된다(configured for execution). 하나 이상의 프로그램은, 전자 장치로 하여금 본 개시의 청구항 또는 명세서에 기재된 실시 예들에 따른 방법들을 실행하게 하는 명령어(instructions)를 포함한다.
이러한 프로그램(소프트웨어 모듈, 소프트웨어)은 랜덤 액세스 메모리(random access memory), 플래시(flash) 메모리를 포함하는 비휘발성(non-volatile) 메모리, 롬(read only memory, ROM), 전기적 삭제 가능 프로그램 가능 롬(electrically erasable programmable read only memory, EEPROM), 자기 디스크 저장 장치(magnetic disc storage device), 컴팩트 디스크 롬(compact disc-ROM, CO-ROM), 디지털 다목적 디스크(digital versatile discs, DVDs) 또는 다른 형태의 광학 저장 장치, 마그네틱 카세트(magnetic cassette)에 저장될 수 있다. 또는, 이들의 일부 또는 전부의 조합으로 구성된 메모리에 저장될 수 있다. 또한, 각각의 구성 메모리는 다수 개 포함될 수도 있다.
또한, 프로그램은 인터넷(Internet), 인트라넷(Intranet), LAN(local area network), WAN(wide area network), 또는 SAN(storage area network)과 같은 통신 네트워크, 또는 이들의 조합으로 구성된 통신 네트워크를 통하여 접근(access)할 수 있는 부착 가능한(attachable) 저장 장치(storage device)에 저장될 수 있다. 이러한 저장 장치는 외부 포트를 통하여 본 개시의 실시 예를 수행하는 장치에 접속할 수 있다. 또한, 통신 네트워크상의 별도의 저장장치가 본 개시의 실시 예를 수행하는 장치에 접속할 수도 있다.
상술한 본 개시의 구체적인 실시 예들에서, 개시에 포함되는 구성 요소는 제시된 구체적인 실시 예에 따라 단수 또는 복수로 표현되었다. 그러나, 단수 또는 복수의 표현은 설명의 편의를 위해 제시한 상황에 적합하게 선택된 것으로서, 본 개시가 단수 또는 복수의 구성 요소에 제한되는 것은 아니며, 복수로 표현된 구성 요소라 하더라도 단수로 구성되거나, 단수로 표현된 구성 요소라 하더라도 복수로 구성될 수 있다.
한편 본 개시의 상세한 설명에서는 구체적인 실시 예에 관해 설명하였으나, 본 개시의 범위에서 벗어나지 않는 한도 내에서 여러 가지 변형이 가능함은 물론이다. 그러므로 본 개시의 범위는 설명된 실시 예에 국한되어 정해져서는 아니 되며 후술하는 특허청구의 범위뿐만 아니라 이 특허청구의 범위와 균등한 것들에 의해 정해져야 한다.

Claims (15)

  1. 통신 시스템에서 네트워크 장치에 의해 수행되는 방법에 있어서,
    제1 가상 네트워크 기능(virtual network function, VNF)와 관련된 정보를 식별하는 과정;
    상기 제1 VNF와 관련된 정보 및 딥러닝(deep learning) 모델에 기반하여 상기 제1 VNF의 추정 동작 모드를 식별하는 과정;
    상기 제1 VNF의 현재 동작 모드를 식별하는 과정; 및
    상기 제1 VNF의 추정 동작 모드 및 상기 제1 VNF의 현재 동작 모드에 기반하여, 상기 제1 VNF의 동작 모드를 식별하는 과정을 포함하고,
    상기 제1 VNF는 제2 VNF와 함께 이중화(redundancy)되고,
    상기 동작 모드는 활성(active) 모드 또는 대기(standby) 모드 중 하나인 방법.
  2. 제1항에 있어서,
    상기 제1 VNF와 관련된 정보는, 상기 제1 VNF의 상태, 상기 제2 VNF의 상태, 상기 제1 VNF의 자원(resource) 정보, 상기 제2 VNF의 자원 정보, VNIC(virtual network interface card)에서 송수신 된 패킷 정보, 상기 제1 VNF의 장애 정보, 상기 제2 VNF의 장애 정보 중 적어도 하나를 포함하는 방법.
  3. 제1항에 있어서, 상기 제1 VNF의 동작 모드를 결정하는 과정은,
    상기 제1 VNF의 추정 동작 모드와 상기 제1 VNF의 현재 동작 모드가 일치하는 경우, 상기 제1 VNF와 관련된 정보를 모니터링(monitoring)하는 과정; 및
    상기 제1 VNF의 추정 동작 모드와 상기 제1 VNF의 현재 동작 모드가 불일치하는 경우, 상기 제1 VNF의 동작 모드를 변경하는 과정을 포함하는 방법.
  4. 제1항에 있어서,
    상기 딥러닝 모델은 LSTM(long short-term memory) 또는 GRU(gated recurrent unit) 중 하나인 방법.
  5. 제1항에 있어서,
    상기 제1 VNF는 상기 네트워크 장치에 의해 구현되고,
    상기 제2 VNF는 다른 네트워크 장치에 의해 구현되는 방법.
  6. 제5항에 있어서,
    상기 다른 네트워크 장치로부터 상기 제2 VNF와 관련된 정보를 수신하는 과정을 포함하는 방법.
  7. 제5항에 있어서,
    상기 딥러닝 모델의 파라미터 정보를 상기 다른 네트워크 장치에게 전송하는 과정을 포함하고,
    상기 파라미터 정보는 상기 딥러닝 모델의 가중치(weight), 바이어스(bias)에 관한 정보를 포함하는 방법.
  8. 제1항에 있어서,
    상기 제1 VNF 및 상기 제2 VNF는 상기 네트워크 장치에 의해 구현되는 방법.
  9. 제2항에 있어서,
    상기 딥러닝 모델은 상기 제1 VNF와 관련된 정보를 반복 학습하여 획득되는 방법.
  10. 제2항에 있어서,
    상기 VNIC에서 송수신 된 네트워크 패킷 정보는 패킷의 길이, 프로토콜, IP(internet protocol) 주소, 포트 번호, 패킷 플로우 정보 중 적어도 하나를 포함하는 방법.
  11. 통신 시스템에서 네트워크 장치에 있어서,
    적어도 하나의 송수신부; 및
    상기 적어도 하나의 송수신부에 동작 가능하게 연결된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는,
    제1 가상 네트워크 기능(virtual network function, VNF)와 관련된 정보를 식별하고,
    상기 제1 VNF와 관련된 정보 및 딥러닝(deep learning) 모델에 기반하여 상기 제1 VNF의 추정 동작 모드를 식별하고,
    상기 제1 VNF의 현재 동작 모드를 식별하고,
    상기 제1 VNF의 추정 동작 모드 및 상기 제1 VNF의 현재 동작 모드에 기반하여, 상기 제1 VNF의 동작 모드를 식별하도록 구성되고,
    상기 제1 VNF는 제2 VNF와 함께 이중화(redundancy)되고,
    상기 동작 모드는 활성(active) 모드 또는 대기(standby) 모드 중 하나인 네트워크 장치.
  12. 제11항에 있어서,
    상기 제1 VNF와 관련된 정보는, 상기 제1 VNF의 상태, 상기 제2 VNF의 상태, 상기 제1 VNF의 자원(resource) 정보, 상기 제2 VNF의 자원 정보, VNIC(virtual network interface card)에서 송수신 된 패킷 정보, 상기 제1 VNF의 장애 정보, 상기 제2 VNF의 장애 정보 중 적어도 하나를 포함하는 네트워크 장치.
  13. 제11항에 있어서, 상기 적어도 하나의 프로세서는,
    상기 제1 VNF의 추정 동작 모드와 상기 제1 VNF의 현재 동작 모드가 일치하는 경우, 상기 제1 VNF와 관련된 정보를 모니터링(monitoring)하고,
    상기 제1 VNF의 추정 동작 모드와 상기 제1 VNF의 현재 동작 모드가 불일치하는 경우, 상기 제1 VNF의 동작 모드를 변경하도록 구성되는 네트워크 장치.
  14. 제11항에 있어서,
    상기 딥러닝 모델은 LSTM(long short-term memory) 또는 GRU(gated recurrent unit) 중 하나인 네트워크 장치.
  15. 제11항에 있어서,
    상기 제1 VNF는 상기 네트워크 장치에 의해 구현되고,
    상기 제2 VNF는 다른 네트워크 장치에 의해 구현되는 네트워크 장치.
PCT/KR2022/002041 2021-02-10 2022-02-10 가상 네트워크 기능의 고가용성을 위한 장치 및 방법 WO2022173244A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US18/232,564 US20230403208A1 (en) 2021-02-10 2023-08-10 Apparatus and method for high availability of virtual network function

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210019456A KR20220115437A (ko) 2021-02-10 2021-02-10 가상 네트워크 기능의 고가용성을 위한 장치 및 방법
KR10-2021-0019456 2021-02-10

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/232,564 Continuation US20230403208A1 (en) 2021-02-10 2023-08-10 Apparatus and method for high availability of virtual network function

Publications (1)

Publication Number Publication Date
WO2022173244A1 true WO2022173244A1 (ko) 2022-08-18

Family

ID=82838481

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/002041 WO2022173244A1 (ko) 2021-02-10 2022-02-10 가상 네트워크 기능의 고가용성을 위한 장치 및 방법

Country Status (3)

Country Link
US (1) US20230403208A1 (ko)
KR (1) KR20220115437A (ko)
WO (1) WO2022173244A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4377848A1 (en) * 2021-07-27 2024-06-05 Nokia Technologies Oy Trust related management of artificial intelligence or machine learning pipelines

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200063943A (ko) * 2018-11-23 2020-06-05 포항공과대학교 산학협력단 기계학습을 적용한 가상 네트워크 기능 자원의 수요 예측 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200063943A (ko) * 2018-11-23 2020-06-05 포항공과대학교 산학협력단 기계학습을 적용한 가상 네트워크 기능 자원의 수요 예측 방법

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHERRARED SIHEM: "Fault management of programmable multi-tenant networks", NETWORKING AND INTERNET ARCHITECTURE [CS.NI]. UNIVERSITÉ RENNES 1., 26 June 2020 (2020-06-26), XP055957866, Retrieved from the Internet <URL:https://tel.archives-ouvertes.fr/tel-03047092/document> [retrieved on 20220905] *
KIM HEE-GON; JEONG SE-YEON; LEE DO-YOUNG; CHOI HEEYOUL; YOO JAE-HYUNG; HONG JAMES WON-KI: "A Deep Learning Approach to VNF Resource Prediction using Correlation between VNFs", 2019 IEEE CONFERENCE ON NETWORK SOFTWARIZATION (NETSOFT), IEEE, 24 June 2019 (2019-06-24), pages 444 - 449, XP033601974, DOI: 10.1109/NETSOFT.2019.8806620 *
LI BAOJIA; LU WEI; LIU SIQI; ZHU ZUQING: "Deep-learning-assisted network orchestration for on-demand and cost-effective VNF service chaining in inter-DC elastic optical networks", JOURNAL OF OPTICAL COMMUNICATIONS AND NETWORKING, IEEE, USA, vol. 10, no. 10, 1 October 2018 (2018-10-01), USA, XP011701742, ISSN: 1943-0620, DOI: 10.1364/JOCN.10.000D29 *
PEI JIANING; HONG PEILIN; XUE KAIPING; LI DEFANG; WEI DAVID S. L.; WU FENG: "Two-Phase Virtual Network Function Selection and Chaining Algorithm Based on Deep Learning in SDN/NFV-Enabled Networks", IEEE JOURNAL ON SELECTED AREAS IN COMMUNICATIONS, IEEE SERVICE CENTER, PISCATAWAY., US, vol. 38, no. 6, 13 April 2020 (2020-04-13), US , pages 1102 - 1117, XP011789778, ISSN: 0733-8716, DOI: 10.1109/JSAC.2020.2986592 *

Also Published As

Publication number Publication date
US20230403208A1 (en) 2023-12-14
KR20220115437A (ko) 2022-08-17

Similar Documents

Publication Publication Date Title
US11003516B2 (en) Geographical redundancy and dynamic scaling for virtual network functions
US8611208B2 (en) Autonomic error recovery for a data breakout appliance at the edge of a mobile data network
CN115550155A (zh) 用于捕获和/或使用分组来促进故障检测的方法和装置
WO2021158001A1 (ko) 무선 통신 시스템에서 서비스 수요 정보 분석을 통한 자원 관리 방법 및 장치
WO2021071298A1 (en) Apparatus and method for analyzing network data related to terminal in roaming state in wireless communication system
US11336545B2 (en) Network device measurements employing white boxes
US11310098B2 (en) Diagnosing intermediary network nodes
EP3970015A1 (en) Apparatus and method for adjusting resources in cloud system
WO2021045531A1 (en) Apparatus and method for network automation in wireless communication system
WO2022173244A1 (ko) 가상 네트워크 기능의 고가용성을 위한 장치 및 방법
Zahid et al. On the tradeoff between performance and programmability for software defined WiFi networks
CN103109502A (zh) 对毫微微小区簇接入进行负载平衡的方法和装置
WO2021060598A1 (ko) 이동통신망과 브로드밴드망의 인터넷 이원화 접속 시스템 및 방법, 이를 위한 고객 댁내 장치
EP3847843A1 (en) Methods and systems for recovery of network elements in a communication network
US12108492B2 (en) Systems and methods for radio unit backup connections
US20230337018A1 (en) Centralized unit user plane (cu-up) and centralized unit control plane (cu-cp) standby pods in a cloud-native fifth generation (5g) wireless telecommunication network
US20230337019A1 (en) Microservices for centralized unit user plane (cu-up) and centralized unit control plane (cu-cp) standby pods in a cloud-native fifth generation (5g) wireless telecommunication network
US11546237B2 (en) Multi-access edge computing architecture and detection method thereof
US8566460B1 (en) Method and apparatus for initiating temporary configuration allowing remote accessing via a network device
Rabia et al. A new SDN-based next generation fronthaul interface for a partially centralized C-RAN
Hätönen et al. An SDN perspective on multi-connectivity and seamless flow migration
CN106804054B (zh) 一种虚拟化基站接入网络共享传输资源的方法及装置
WO2023282526A1 (en) Method and electronic device for scheduling software upgrade of network devices
WO2024035030A1 (en) Method and apparatus for network performance management
US11902129B1 (en) Vendor-agnostic real-time monitoring of telecommunications networks

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22753004

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22753004

Country of ref document: EP

Kind code of ref document: A1