WO2023008932A1 - 셀 온 또는 오프 트래픽 기반 임계값을 결정하기 위한 전자 장치 및 전자 장치의 동작 방법 - Google Patents

셀 온 또는 오프 트래픽 기반 임계값을 결정하기 위한 전자 장치 및 전자 장치의 동작 방법 Download PDF

Info

Publication number
WO2023008932A1
WO2023008932A1 PCT/KR2022/011138 KR2022011138W WO2023008932A1 WO 2023008932 A1 WO2023008932 A1 WO 2023008932A1 KR 2022011138 W KR2022011138 W KR 2022011138W WO 2023008932 A1 WO2023008932 A1 WO 2023008932A1
Authority
WO
WIPO (PCT)
Prior art keywords
performance
value
electronic device
processor
model
Prior art date
Application number
PCT/KR2022/011138
Other languages
English (en)
French (fr)
Inventor
최민석
김경래
우효경
장서우
장홍준
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
Priority claimed from KR1020220031476A external-priority patent/KR20230017712A/ko
Application filed by 삼성전자 주식회사 filed Critical 삼성전자 주식회사
Priority to EP22849908.3A priority Critical patent/EP4358598A1/en
Priority to CN202280052132.1A priority patent/CN117796050A/zh
Priority to US17/946,662 priority patent/US20230032030A1/en
Publication of WO2023008932A1 publication Critical patent/WO2023008932A1/ko

Links

Images

Classifications

    • 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
    • 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
    • H04L41/14—Network analysis or design
    • 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
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Definitions

  • Various embodiments disclosed in this document relate to an electronic device and an operating method of the electronic device for determining a threshold value based on cell on or off traffic. Specifically, various embodiments disclosed in this document relate to an electronic device and an operating method of the electronic device for determining a cell on or off threshold through reinforcement learning in order to reduce power consumption while maintaining network performance.
  • the 5G communication system or pre-5G communication system is being called a system after a 4G network (Beyond 4G Network) communication system or an LTE system (Post LTE).
  • 4G network Beyond 4G Network
  • LTE system Post LTE
  • the 5G communication system is implemented in a mmWave band (eg, a band of 6 gigabytes (6 GHz) or more) in addition to the band used by LTE (a band of 6 gigabytes (6 GHz) or less) is being considered
  • a mmWave band eg, a band of 6 gigabytes (6 GHz) or more
  • LTE a band of 6 gigabytes (6 GHz) or less
  • beamforming, massive MIMO, Full Dimensional MIMO (FD-MIMO), array antenna, analog beam-forming, and large scale antenna technologies are being discussed.
  • cells are turned off when the traffic is lower than a specified off threshold based on real-time traffic, and cells in an inactive state are activated when the traffic is higher than the activation threshold. You can use turn on method. However, since it is difficult to predict the surrounding environment according to turning off the cell, the off threshold value may be set conservatively low, and thus reducing power consumption may be limited.
  • the problem to be solved by the present invention is to determine an off threshold value for turning off a network cell and an activation threshold value for activating a network cell as described above, regional and / or time
  • An electronic device and an operating method of the electronic device that reduce power consumption while maintaining network performance to be guaranteed at a minimum by adaptively applying reinforcement learning to the electronic device are provided.
  • An electronic device includes a communication circuit, a memory for storing a learning model, and a processor, wherein the processor acquires data related to a network condition of a base station from the communication circuit, and determines the network condition and A traffic off threshold for calculating a performance index related to network performance based on related data, learning the model based on the performance index, and turning off a cell based on the learned model. It is possible to determine and deliver the determined off threshold to the base station through the communication circuit.
  • An operating method of an electronic device includes an operation of acquiring data related to a network condition of a base station from a communication circuit, and an operation of calculating a performance indicator related to network performance based on the data related to the network condition. , an operation of learning a model based on the performance indicator, an operation of determining an off threshold of traffic for turning off a cell based on the learned model, and the determined off through the communication circuit ( off) threshold may be transmitted to the base station.
  • an electronic device may adaptively turn on/off a cell in response to traffic conditions.
  • the electronic device may provide a model adaptive to a region and/or time to determine a traffic off threshold value for turning off a cell.
  • the electronic device may provide a model adaptive to a region and/or time to determine an activation threshold of traffic for activating a cell.
  • the electronic device may set constraints such as a minimum performance level to maintain network performance equal to or higher than a specified level.
  • the electronic device can reduce power consumption while maintaining network performance.
  • FIG. 1 is a block diagram of an electronic device in a network environment, according to various embodiments.
  • FIG. 2 is a block diagram of an electronic device according to various embodiments.
  • FIG. 3 is a flowchart illustrating a method for a processor to control an electronic device to determine an off threshold and/or an activation threshold, according to various embodiments.
  • 4A and 4B are diagrams illustrating an operation of generating compressed data by a processor in various ways based on a performance indicator according to various embodiments.
  • FIG. 5 is a diagram illustrating the structure of a learning model according to various embodiments.
  • FIG. 6 is a diagram illustrating a structure of a learned model according to various embodiments.
  • FIG. 7 is a graph illustrating experimental results of power consumption according to PRB usage for each off threshold, according to various embodiments.
  • FIG. 1 is a block diagram of an electronic device 101 within a network environment 100, according to various embodiments.
  • an electronic device 101 communicates with an electronic device 102 through a first network 198 (eg, a short-range wireless communication network) or through a second network 199. It may communicate with at least one of the electronic device 104 or the server 108 through (eg, a long-distance wireless communication network). According to one embodiment, the electronic device 101 may communicate with the electronic device 104 through the server 108 .
  • a first network 198 eg, a short-range wireless communication network
  • the server 108 e.g, a long-distance wireless communication network
  • the electronic device 101 includes a processor 120, a memory 130, an input module 150, an audio output module 155, a display module 160, an audio module 170, a sensor module ( 176), interface 177, connection terminal 178, haptic module 179, camera module 180, power management module 188, battery 189, communication module 190, subscriber identification module 196 , or the antenna module 197 may be included.
  • at least one of these components eg, the connection terminal 178) may be omitted or one or more other components may be added.
  • some of these components eg, sensor module 176, camera module 180, or antenna module 197) are integrated into a single component (eg, display module 160). It can be.
  • the processor 120 for example, executes software (eg, the program 140) to cause at least one other component (eg, hardware or software component) of the electronic device 101 connected to the processor 120. It can control and perform various data processing or calculations. According to one embodiment, as at least part of data processing or operation, the processor 120 transfers instructions or data received from other components (e.g., sensor module 176 or communication module 190) to volatile memory 132. , processing commands or data stored in the volatile memory 132 , and storing resultant data in the non-volatile memory 134 .
  • software eg, the program 140
  • the processor 120 transfers instructions or data received from other components (e.g., sensor module 176 or communication module 190) to volatile memory 132. , processing commands or data stored in the volatile memory 132 , and storing resultant data in the non-volatile memory 134 .
  • the processor 120 may include a main processor 121 (eg, a central processing unit or an application processor) or a secondary processor 123 (eg, a graphic processing unit, a neural network processing unit ( NPU: neural processing unit (NPU), image signal processor, sensor hub processor, or communication processor).
  • a main processor 121 eg, a central processing unit or an application processor
  • a secondary processor 123 eg, a graphic processing unit, a neural network processing unit ( NPU: neural processing unit (NPU), image signal processor, sensor hub processor, or communication processor.
  • NPU neural network processing unit
  • the secondary processor 123 may be implemented separately from or as part of the main processor 121 .
  • the secondary processor 123 may, for example, take the place of the main processor 121 while the main processor 121 is in an inactive (eg, sleep) state, or the main processor 121 is active (eg, running an application). ) state, together with the main processor 121, at least one of the components of the electronic device 101 (eg, the display module 160, the sensor module 176, or the communication module 190) It is possible to control at least some of the related functions or states.
  • the auxiliary processor 123 eg, image signal processor or communication processor
  • the auxiliary processor 123 may include a hardware structure specialized for processing an artificial intelligence model.
  • AI models can be created through machine learning. Such learning may be performed, for example, in the electronic device 101 itself where the artificial intelligence model is performed, or may be performed through a separate server (eg, the server 108).
  • the learning algorithm may include, for example, supervised learning, unsupervised learning, semi-supervised learning or reinforcement learning, but in the above example Not limited.
  • the artificial intelligence model may include a plurality of artificial neural network layers.
  • Artificial neural networks include deep neural networks (DNNs), convolutional neural networks (CNNs), recurrent neural networks (RNNs), restricted boltzmann machines (RBMs), deep belief networks (DBNs), bidirectional recurrent deep neural networks (BRDNNs), It may be one of deep Q-networks or a combination of two or more of the foregoing, but is not limited to the foregoing examples.
  • the artificial intelligence model may include, in addition or alternatively, software structures in addition to hardware structures.
  • the memory 130 may store various data used by at least one component (eg, the processor 120 or the sensor module 176) of the electronic device 101 .
  • the data may include, for example, input data or output data for software (eg, program 140) and commands related thereto.
  • the memory 130 may include volatile memory 132 or non-volatile memory 134 .
  • the program 140 may be stored as software in the memory 130 and may include, for example, an operating system 142 , middleware 144 , or an application 146 .
  • the input module 150 may receive a command or data to be used by a component (eg, the processor 120) of the electronic device 101 from the outside of the electronic device 101 (eg, a user).
  • the input module 150 may include, for example, a microphone, a mouse, a keyboard, a key (eg, a button), or a digital pen (eg, a stylus pen).
  • the sound output module 155 may output sound signals to the outside of the electronic device 101 .
  • the sound output module 155 may include, for example, a speaker or a receiver.
  • the speaker can be used for general purposes such as multimedia playback or recording playback.
  • a receiver may be used to receive an incoming call. According to one embodiment, the receiver may be implemented separately from the speaker or as part of it.
  • the display module 160 may visually provide information to the outside of the electronic device 101 (eg, a user).
  • the display module 160 may include, for example, a display, a hologram device, or a projector and a control circuit for controlling the device.
  • the display module 160 may include a touch sensor set to detect a touch or a pressure sensor set to measure the intensity of force generated by the touch.
  • the audio module 170 may convert sound into an electrical signal or vice versa. According to one embodiment, the audio module 170 acquires sound through the input module 150, the sound output module 155, or an external electronic device connected directly or wirelessly to the electronic device 101 (eg: Sound may be output through the electronic device 102 (eg, a speaker or a headphone).
  • the audio module 170 acquires sound through the input module 150, the sound output module 155, or an external electronic device connected directly or wirelessly to the electronic device 101 (eg: Sound may be output through the electronic device 102 (eg, a speaker or a headphone).
  • the sensor module 176 detects an operating state (eg, power or temperature) of the electronic device 101 or an external environmental state (eg, a user state), and generates an electrical signal or data value corresponding to the detected state. can do.
  • the sensor module 176 may include, for example, a gesture sensor, a gyro sensor, an air pressure sensor, a magnetic sensor, an acceleration sensor, a grip sensor, a proximity sensor, a color sensor, an IR (infrared) sensor, a bio sensor, It may include a temperature sensor, humidity sensor, or light sensor.
  • the interface 177 may support one or more designated protocols that may be used to directly or wirelessly connect the electronic device 101 to an external electronic device (eg, the electronic device 102).
  • the interface 177 may include, for example, a high definition multimedia interface (HDMI), a universal serial bus (USB) interface, an SD card interface, or an audio interface.
  • HDMI high definition multimedia interface
  • USB universal serial bus
  • SD card interface Secure Digital Card interface
  • audio interface audio interface
  • connection terminal 178 may include a connector through which the electronic device 101 may be physically connected to an external electronic device (eg, the electronic device 102).
  • the connection terminal 178 may include, for example, an HDMI connector, a USB connector, an SD card connector, or an audio connector (eg, a headphone connector).
  • the haptic module 179 may convert electrical signals into mechanical stimuli (eg, vibration or motion) or electrical stimuli that a user may perceive through tactile or kinesthetic senses.
  • the haptic module 179 may include, for example, a motor, a piezoelectric element, or an electrical stimulation device.
  • the camera module 180 may capture still images and moving images. According to one embodiment, the camera module 180 may include one or more lenses, image sensors, image signal processors, or flashes.
  • the power management module 188 may manage power supplied to the electronic device 101 .
  • the power management module 188 may be implemented as at least part of a power management integrated circuit (PMIC), for example.
  • PMIC power management integrated circuit
  • the battery 189 may supply power to at least one component of the electronic device 101 .
  • the battery 189 may include, for example, a non-rechargeable primary cell, a rechargeable secondary cell, or a fuel cell.
  • the communication module 190 is a direct (eg, wired) communication channel or a wireless communication channel between the electronic device 101 and an external electronic device (eg, the electronic device 102, the electronic device 104, or the server 108). Establishment and communication through the established communication channel may be supported.
  • the communication module 190 may include one or more communication processors that operate independently of the processor 120 (eg, an application processor) and support direct (eg, wired) communication or wireless communication.
  • the communication module 190 is a wireless communication module 192 (eg, a cellular communication module, a short-range wireless communication module, or a global navigation satellite system (GNSS) communication module) or a wired communication module 194 (eg, : a local area network (LAN) communication module or a power line communication module).
  • a wireless communication module 192 eg, a cellular communication module, a short-range wireless communication module, or a global navigation satellite system (GNSS) communication module
  • GNSS global navigation satellite system
  • wired communication module 194 eg, : a local area network (LAN) communication module or a power line communication module.
  • a corresponding communication module is a first network 198 (eg, a short-range communication network such as Bluetooth, wireless fidelity (WiFi) direct, or infrared data association (IrDA)) or a second network 199 (eg, legacy It may communicate with the external electronic device 104 through a cellular network, a 5G network, a next-generation communication network, the Internet, or a telecommunications network such as a computer network (eg, a LAN or a WAN).
  • a telecommunications network such as a computer network (eg, a LAN or a WAN).
  • These various types of communication modules may be integrated as one component (eg, a single chip) or implemented as a plurality of separate components (eg, multiple chips).
  • the wireless communication module 192 uses subscriber information (eg, International Mobile Subscriber Identifier (IMSI)) stored in the subscriber identification module 196 within a communication network such as the first network 198 or the second network 199.
  • subscriber information eg, International Mobile Subscriber Identifier (IMSI)
  • IMSI International Mobile Subscriber Identifier
  • the electronic device 101 may be identified or authenticated.
  • the wireless communication module 192 may support a 5G network after a 4G network and a next-generation communication technology, for example, NR access technology (new radio access technology).
  • NR access technologies include high-speed transmission of high-capacity data (enhanced mobile broadband (eMBB)), minimization of terminal power and access of multiple terminals (massive machine type communications (mMTC)), or high reliability and low latency (ultra-reliable and low latency (URLLC)).
  • eMBB enhanced mobile broadband
  • mMTC massive machine type communications
  • URLLC ultra-reliable and low latency
  • -latency communications can be supported.
  • the wireless communication module 192 may support a high frequency band (eg, mmWave band) to achieve a high data rate, for example.
  • the wireless communication module 192 uses various technologies for securing performance in a high frequency band, such as beamforming, massive multiple-input and multiple-output (MIMO), and full-dimensional multiplexing. Technologies such as input/output (FD-MIMO: full dimensional MIMO), array antenna, analog beam-forming, or large scale antenna may be supported.
  • the wireless communication module 192 may support various requirements defined for the electronic device 101, an external electronic device (eg, the electronic device 104), or a network system (eg, the second network 199).
  • the wireless communication module 192 is a peak data rate for eMBB realization (eg, 20 Gbps or more), a loss coverage for mMTC realization (eg, 164 dB or less), or a U-plane latency for URLLC realization (eg, Example: downlink (DL) and uplink (UL) each of 0.5 ms or less, or round trip 1 ms or less) may be supported.
  • eMBB peak data rate for eMBB realization
  • a loss coverage for mMTC realization eg, 164 dB or less
  • U-plane latency for URLLC realization eg, Example: downlink (DL) and uplink (UL) each of 0.5 ms or less, or round trip 1 ms or less
  • the antenna module 197 may transmit or receive signals or power to the outside (eg, an external electronic device).
  • the antenna module 197 may include an antenna including a radiator formed of a conductor or a conductive pattern formed on a substrate (eg, PCB).
  • the antenna module 197 may include a plurality of antennas (eg, an array antenna). In this case, at least one antenna suitable for a communication method used in a communication network such as the first network 198 or the second network 199 is selected from the plurality of antennas by the communication module 190, for example. can be chosen A signal or power may be transmitted or received between the communication module 190 and an external electronic device through the selected at least one antenna.
  • other components eg, a radio frequency integrated circuit (RFIC) may be additionally formed as a part of the antenna module 197 in addition to the radiator.
  • RFIC radio frequency integrated circuit
  • the antenna module 197 may form a mmWave antenna module.
  • the mmWave antenna module includes a printed circuit board, an RFIC disposed on or adjacent to a first surface (eg, a lower surface) of the printed circuit board and capable of supporting a designated high frequency band (eg, mmWave band); and a plurality of antennas (eg, array antennas) disposed on or adjacent to a second surface (eg, a top surface or a side surface) of the printed circuit board and capable of transmitting or receiving signals of the designated high frequency band. can do.
  • peripheral devices eg, a bus, general purpose input and output (GPIO), serial peripheral interface (SPI), or mobile industry processor interface (MIPI)
  • signal e.g. commands or data
  • commands or data may be transmitted or received between the electronic device 101 and the external electronic device 104 through the server 108 connected to the second network 199 .
  • Each of the external electronic devices 102 or 104 may be the same as or different from the electronic device 101 .
  • all or part of operations executed in the electronic device 101 may be executed in one or more external electronic devices among the external electronic devices 102 , 104 , or 108 .
  • the electronic device 101 when the electronic device 101 needs to perform a certain function or service automatically or in response to a request from a user or another device, the electronic device 101 instead of executing the function or service by itself.
  • one or more external electronic devices may be requested to perform the function or at least part of the service.
  • One or more external electronic devices receiving the request may execute at least a part of the requested function or service or an additional function or service related to the request, and deliver the execution result to the electronic device 101 .
  • the electronic device 101 may provide the result as at least part of a response to the request as it is or additionally processed.
  • cloud computing distributed computing, mobile edge computing (MEC), or client-server computing technology may be used.
  • the electronic device 101 may provide an ultra-low latency service using, for example, distributed computing or mobile edge computing.
  • the external electronic device 104 may include an internet of things (IoT) device.
  • Server 108 may be an intelligent server using machine learning and/or neural networks. According to one embodiment, the external electronic device 104 or server 108 may be included in the second network 199 .
  • the electronic device 101 may be applied to intelligent services (eg, smart home, smart city, smart car, or health care) based on 5G communication technology and IoT-related technology.
  • FIG. 2 is a block diagram of an electronic device according to various embodiments.
  • an electronic device 200 (eg, the electronic device 101 of FIG. 1 ) includes a processor 220 (eg, the processor 120 of FIG. 1 ) and a memory 230 (eg, the electronic device 101 of FIG. 1 ). memory 130) and/or communication circuitry 290 (eg, communication module 190 of FIG. 1).
  • the components included in FIG. 2 are for some of the components included in the electronic device 200, and the electronic device 200 may also include various other components as shown in FIG. 1 .
  • the communication circuit 290 communicates with an external electronic device (eg, a base station) through a network (eg, the first network 198 and/or the second network 199 of FIG. 1 ) to obtain various information. Can receive and / or transmit.
  • an external electronic device eg, a base station
  • a network eg, the first network 198 and/or the second network 199 of FIG. 1
  • the communication circuitry 290 may collect data related to the network condition of the base station.
  • data related to the network condition may include statistical data of the base station (e.g., Available Downlink PRB (the number of downlink resource blocks available in the corresponding cell and/or ), Used Downlink PRB (the number of downlink resource blocks used in the corresponding cell). )) may be included.
  • the memory 230 may store a learning model.
  • the learning model may be a reinforcement learning model of a markov decision process (MDP) method.
  • MDP may be a method of designating a reward value for an action that can be taken in an arbitrary state and learning a model so that the reward is maximized. That is, MDP may be a method of determining an action with a maximum reward for each state.
  • the learning model may be updated according to a result learned by the processor 220 and stored in the memory 230 .
  • the processor 220 may determine a traffic off threshold value for turning off a cell and/or a traffic activation threshold value for activating a cell.
  • the processor 220 may obtain data related to a network condition from the communication circuit 290 .
  • the processor 220 may calculate a performance index value based on the performance index.
  • the performance indicator value may be data related to network performance.
  • the performance indicator may be a key performance indicator (KPI) defined by an operator to indicate network performance based on data related to network conditions.
  • KPI key performance indicator
  • the performance indicator may include physical resource block (PRB) usage, IP throughput, number of UEs connected to RRC, handover count, and downlink volume.
  • PRB usage information eg, average downlink PRB usage, (%)
  • PRB usage eg, Used Downlink PRB/Available Downlink PRB
  • the processor 220 divides and overlaps the acquired performance index values into designated period units (eg, 1 day), and then sorts the performance index values by time.
  • designated period units eg, 1 day
  • the processor 220 may generate period-unit compressed data in various ways based on performance index values arranged by time.
  • the first method may be a method of generating compressed data by extracting the largest value from performance index values sorted by time.
  • the second method may be a method of generating compressed data by extracting a higher value of a specified ratio from performance index values sorted by time.
  • the third method may be a method of generating compressed data by extracting an average value from performance index values sorted by time.
  • the fourth method may be a method of generating compressed data by extracting a lower value of a specified ratio from performance index values sorted by time.
  • the fifth method may be a method of generating compressed data by extracting the smallest value from performance index values sorted by time.
  • Compressed data generated in the first method may be trained in a direction to ensure network stability during model learning, and compressed data generated in the fifth method may be learned in a direction to enhance energy saving.
  • the processor 220 may simulate compressed data with a simulator.
  • the processor 220 may evaluate the compressed data by simulating a cell on-off condition using a simulator.
  • the processor 220 may train a learning model based on compressed data simulated by a simulator.
  • the processor 220 may set constraints. Constraints can be settings to train the learning model to behave in a specific way.
  • the processor 220 may receive a type of target performance and a minimum performance level to set constraints.
  • the type of target performance is a performance indicator value (e.g. PRB (physical resource block usage) information, IP throughput, number of UEs connected to RRC, handover count, downlink It may be a performance indicator value (e.g., IP throughput) to be used for learning among volume (downlink volume).
  • the minimum performance criterion is the minimum level for the result of the behavior of the learned model to be satisfied ( Example: 1 Mbps).
  • the learning model may be a reinforcement learning model of a markov decision process (MDP) method.
  • MDP may be a method of designating a reward value for an action that can be taken in an arbitrary state and learning a model so that the reward is maximized. That is, the MDP method may be a learning method of determining an action having a maximum reward for each state.
  • the processor 220 may set a state, an action, and a reward to the learning model.
  • the state may include day and/or time information based on compressed data simulated by a simulator, cell on and/or off state, and a specified time ago (e.g., 4 hours ago). It may include at least one of PRB usage and throughput before a specified time (eg, 4 hours ago).
  • the action may include cell off thresholds and/or activation thresholds.
  • compensation is a reward that adds (+) a specified value when power consumption decreases, a reward that adds (+) a specified value when the target performance increases, and a specified value that is subtracted when the target performance is less than the minimum performance level.
  • (-) Can include penalties.
  • the compensation in response to the constraint that the target performance is IP throughput and the minimum performance criterion is 1Mbps, the compensation is a compensation that adds a specified value when the IP throughput increases, and a specified value when the throughput is less than 1Mbps. It may include a reduced penalty.
  • the processor 220 may determine a traffic off threshold value for turning off a cell and/or a traffic activation threshold value for activating a cell.
  • the processor 220 inputs a state to the learned model based on data related to network conditions and/or compressed data simulated by a simulator, and the traffic basis for turning off a cell.
  • a traffic-based activation threshold for turning off and/or activating may be obtained from the model.
  • FIG. 3 is an electronic device for determining an off threshold and/or an activation threshold of traffic for a processor (eg, the processor 220 of FIG. 2) according to various embodiments.
  • a flowchart illustrating a method of controlling a device eg, the electronic device 200 of FIG. 2 ).
  • the processor 220 in operation 310, may obtain data related to network conditions.
  • the processor 220 may obtain data related to a network condition from the communication circuit 290 .
  • data related to the network condition is statistical data of the base station (e.g., Available Downlink PRB (the number of downlink resource blocks available in the corresponding cell and/or Used Downlink PRB (the number of downlink resource blocks used in the corresponding cell))) can include
  • the processor 220 in operation 320, may calculate a performance indicator value.
  • the processor 220 may calculate a performance index value based on the performance index.
  • the performance indicator value may be data related to network performance.
  • the performance indicator may be a key performance indicator (KPI) defined by an operator to indicate network performance based on data related to network conditions.
  • KPI key performance indicator
  • performance indicators include PRB (physical resource block) usage information, IP throughput, number of UEs connected to RRC, handover count, and downlink volume. can do.
  • the processor 220 calculates PRB usage information (eg, average downlink PRB usage, (%)), which is a performance index value, based on PRB usage (eg, Used Downlink PRB/Available Downlink PRB), which is a performance index.
  • PRB usage information eg, average downlink PRB usage, (%)
  • PRB usage eg, Used Downlink PRB/Available Downlink PRB
  • the processor 220 may compress the performance indicator value for a specified period.
  • the processor 220 divides the acquired performance indicator values into specified period units (eg, 1 day) and sorts the performance indicator values by time.
  • the processor 220 may generate compressed data in various ways based on performance index values sorted by time.
  • the first method may be a method of generating compressed data by extracting the largest value from performance index values sorted by time.
  • the second method may be a method of generating compressed data by extracting a higher value of a specified ratio from performance index values sorted by time.
  • the third method may be a method of generating compressed data by extracting an average value from performance index values sorted by time.
  • the fourth method may be a method of generating compressed data by extracting a lower value of a specified ratio from performance index values sorted by time.
  • the fifth method may be a method of generating compressed data by extracting the smallest value from performance index values sorted by time.
  • Compressed data generated in the first method may be trained in a direction to ensure network stability during model learning, and compressed data generated in the fifth method may be learned in a direction to enhance energy saving.
  • the processor 220 in operation 340, may simulate the simulator based on the compressed data.
  • the processor 220 may simulate compressed data with a simulator.
  • the processor 220 may, in operation 350, train a learning model based on the compressed data simulated by the simulator.
  • the processor 220 may set constraints. Constraints may be settings for learning data in a specific direction for a learning model.
  • the processor 220 may set constraints by receiving target performance and minimum performance level.
  • the target performance is a performance indicator value (eg, PRB (physical resource block usage) information, IP throughput, number of UEs connected to RRC, handover count, downlink volume ( downlink volume)) to be used for learning (e.g., IP throughput).
  • the minimum performance criterion is the minimum level for the result of the behavior of the learned model to be satisfied (e.g., 1 Mbps).
  • the learning model may be a reinforcement learning model of a markov decision process (MDP) method.
  • MDP may be a method of designating a reward value for an action that can be taken in an arbitrary state and learning a model so that the reward is maximized. That is, MDP may be a method of determining an action with a maximum reward for each state.
  • the processor 220 may set a state, an action, and a reward to the learning model.
  • the state may include day and/or time information based on compressed data simulated by a simulator, cell on and/or off state, and a specified time ago (e.g., 4 hours ago). It may include at least one of PRB usage and throughput before a specified time (eg, 4 hours ago).
  • the action may include cell off and/or activation thresholds.
  • the reward applies a specified value when power consumption decreases (+), a specified value is added when a target performance increases (+), and a specified value is subtracted (-) when the target performance is less than the minimum performance level.
  • ) may include a penalty.
  • the compensation in response to the constraint that the target performance is IP throughput and the minimum performance criterion is 1Mbps, the compensation is a compensation that adds a specified value when the IP throughput increases, and a specified value when the throughput is less than 1Mbps. It may include a reduced penalty.
  • the processor 220 may determine, in operation 360, a traffic threshold for turning off and/or an activation threshold for activating a cell.
  • the processor 220 inputs a state to the learned model based on data related to network conditions and/or compressed data simulated by a simulator, and turns off the cell based on the obtained output data.
  • a traffic-based activation threshold for off and/or activation based on traffic to be turned off may be obtained from the model.
  • 4A and 4B show an operation (eg, operation 320 of FIG. 3 , operation 320 of FIG. 3 ) in which a processor (eg, the processor 220 of FIG. 2 ) according to various embodiments generates compressed data in various ways based on a performance index value.
  • a processor eg, the processor 220 of FIG. 2
  • 330 is a diagram shown to explain.
  • 4A may be a diagram illustrating a graph of performance index values according to various embodiments.
  • the x-axis of the graph may indicate hours, and the y-axis may indicate performance index values (eg, PRB usage (%)).
  • the processor 220 may calculate a performance index value based on the performance index.
  • the performance indicator may be a KPI defined by an operator to indicate network performance based on data related to network conditions.
  • performance indicators include PRB (physical resource block) usage information, IP throughput, number of UEs connected to RRC, handover count, and downlink volume. can do.
  • the processor 220 calculates PRB usage information (eg, average downlink PRB usage, (%)), which is a performance index value, based on PRB usage (eg, Used Downlink PRB/Available Downlink PRB), which is a performance index.
  • PRB usage information eg, average downlink PRB usage, (%)
  • PRB usage eg, Used Downlink PRB/Available Downlink PRB
  • the processor 220 may compress the performance index value for a specified period.
  • the processor 220 divides the acquired performance indicator values into specified period units (eg, 1 day) and sorts the performance indicator values by time.
  • 4B may be a diagram illustrating a graph of data obtained by arranging performance index values for a specified period according to various embodiments.
  • the x-axis of the graph may indicate the time of day (daily hours, 0-24), and the y-axis may indicate the performance index value (eg, PRB usage (%)).
  • the processor 220 may generate compressed data in various ways based on performance index values sorted by time.
  • the first method may be a method of generating compressed data by extracting the largest value from performance index values sorted by time.
  • the second method may be a method of generating compressed data by extracting a higher value of a specified ratio from performance index values sorted by time.
  • the third method may be a method of generating compressed data by extracting an average value from performance index values sorted by time.
  • the fourth method may be a method of generating compressed data by extracting a lower value of a specified ratio from performance index values sorted by time.
  • the fifth method may be a method of generating compressed data by extracting the smallest value from performance index values sorted by time.
  • compressed data generated by extraction in the first method may be a max compaction graph
  • compressed data generated by extraction in the fifth method may be a min compaction graph
  • FIG. 5 is a diagram illustrating the structure of a learning model according to various embodiments.
  • the processor 220 may learn a learning model (eg, operation 350 of FIG. 3 ) based on the compressed data simulated by the simulator.
  • a system level simulator may simulate compressed data with a simulator by adjusting SLS parameters.
  • the SLS simulation machine may simulate compressed data corresponding to a state to be input to a learning model with a simulator.
  • a system level simulator cluster may be a set of SLS machines that perform SLS in parallel through multiple remote machines in order to compensate for a simulation speed limit of a single SLS.
  • SLS cluster at least one SLS machine can simulate compressed data with a simulator in a distributed manner.
  • the SLS replicator may set an environment state by adjusting SLS parameters based on field data.
  • Performance indicators may include physical resource block (PRB) usage information, IP throughput, the number of UEs connected to RRC, handover count, and downlink volume.
  • SLS parameters may include a packet size and a request interval.
  • the learning model may be a markov decision process (MDP) type reinforcement learning model.
  • MDP may be a method of designating a reward value for an action that can be taken in an arbitrary state and learning a model so that the reward is maximized. That is, MDP may be a method of determining an action with a maximum reward for each state.
  • agents 1 to N may set a state, action, and reward in a learning model.
  • state (s) includes day and/or time information, cell on and/or off state, and PRB usage (PRB usage), and throughput for a specified period of time (eg, the time from now to 4 hours ago).
  • PRB usage PRB usage
  • action (a) may include cell off and/or activation thresholds.
  • compensation (r) includes compensation that adds (+) a specified value when power consumption decreases, compensation that adds (+) a specified value when target performance increases, and subtracts a specified value when target performance is less than the minimum performance level.
  • (-) Can include penalties.
  • the first agent may learn a learning model (RL model) based on the compressed data simulated by the simulator in the first state.
  • RL model learning model
  • the learning model is a first state at t ( ), the first action at t ( ) for the first probability distribution ( ) can be output.
  • the first agent (Agent 1) has a first state at t+1 obtained from SLS ( ) and the first compensation at t ( ) can be determined and entered into the learning model (RL model).
  • the learning model is a first state at t ( ), the first action at t ( ) and the first compensation at t ( ), the first state at t ( ) to the first action at t ( ) is selected from the first probability distribution ( ) can be output.
  • the first agent may learn the learning model (RL model) by repeating the above process until t becomes a specified value (eg, 23) from 0.
  • RL model learning model
  • the Nth agent may learn a learning model (RL model) based on the compressed data simulated by the simulator in the Nth state.
  • RL model learning model
  • the learning model (RL model) is the Nth state at t ( ), the Nth action at t ( ) for the Nth probability distribution ( ) can be output.
  • the Nth agent (Agent N) is in the Nth state at t + 1 obtained from SLS ( ) and the Nth compensation at t ( ) can be determined and entered into the learning model (RL model).
  • the learning model (RL model) is the Nth state at t ( ), the Nth action at t ( ) and the Nth compensation at t ( ), the Nth state at t ( ) to the Nth action at t ( ) from the Nth probability distribution ( ) can be output.
  • the Nth agent may learn a learning model (RL model) by repeating the above process until t becomes a specified value (eg, 23) from 0.
  • RL model learning model
  • FIG. 6 is a diagram illustrating a structure of a learned model according to various embodiments.
  • a processor eg, the processor 220 of FIG. 2
  • An activation threshold may be determined (eg, operation 360 of FIG. 3 ).
  • the agent provides a state ( RL model ) based on the performance indicator value. ) can be entered.
  • the learning model (RL model) is a state at t ( ), the behavior at t+1 ( ) for the probability distribution ( ) can be output.
  • the processor 220 outputs an action ( Based on ), an off threshold and/or an activation threshold of traffic for turning off a cell may be determined.
  • FIG. 7 is a graph illustrating experimental results of power consumption according to PRB usage for each off threshold, according to various embodiments.
  • the off threshold may indicate a traffic threshold for turning off a cell.
  • the x-axis indicates average PRB usage per day and the y-axis indicates average power consumption per day, and each graph may be a graph showing average power consumption according to average PRB usage for each off threshold.
  • No ES is the graph when the off threshold is not set
  • Default is the graph when the off threshold is set to a fixed value
  • AI-ES: TPut 5Mbps is off ( off)
  • AI-ES: TPut 3Mbps is the minimum performance when the off threshold is determined by the learning model
  • the difference in power consumption by graph in the area with low average PRB usage (eg 27%) is greater than the difference in power consumption by graph in the area with high average PRB usage (eg 80%). there is. That is, when an off threshold is determined and applied by the learning model according to the present invention, network quality is maintained in an area and/or time with high PRB usage, and power consumption is reduced in an area and/or time with low PRB usage. can be reduced
  • An electronic device 200 includes a communication circuit 290, a memory 230 for storing a learning model, and a processor 220, and the processor 220 runs from the communication circuit 290 to a base station.
  • Obtains data related to network conditions of the network conditions calculates a performance indicator value related to network performance according to a performance indicator based on the data related to the network status, and calculates the performance indicator value related to the performance indicator according to the performance indicator.
  • learning determining an off threshold of traffic for turning off a cell based on the learned model, and passing the determined off threshold through the communication circuit 290 to the base station. can be forwarded to
  • the processor 220 determines an activation threshold of traffic for activating the cell based on the learned model, and the communication circuit ( 290), the determined activation threshold may be transmitted to the base station.
  • the performance indicators include physical resource block (PRB) usage information, IP throughput, the number of UEs connected to RRC, handover count, It may include at least one of downlink volumes.
  • PRB physical resource block
  • the processor 220 may compress the performance indicator value for a specified period and train the model based on the compressed performance indicator value.
  • the processor 220 generates compressed data by extracting the largest value from the performance indicator value, extracting a higher value of a specified ratio from the performance indicator value A second method of generating compressed data by extracting an average value from the performance indicator value, a third method of generating compressed data by extracting an average value from the performance indicator value, and a fourth method of generating compressed data by extracting a lower value of a specified ratio from the performance indicator value ,
  • the performance indicator value may be compressed by using at least one of a fifth method of generating compressed data by extracting a minimum value from the performance indicator value.
  • the processor 220 may simulate the compressed performance index value in a simulator and train the model based on the simulated data.
  • the processor 220 learns the model by the MDP method, and the action including a state related to the network environment and an off threshold of the cell. ), a reward related to power consumption and network performance may be set in the model, and the model may be trained to determine an action with the highest reward.
  • the processor 220 recalls a target performance, which is a type of performance targeted for model learning, and a minimum performance criterion, which is a minimum level for the result of the behavior of the learned model to be satisfied. can be set in the model.
  • the state includes day and/or time information, cell on and/or off state, and PRB usage before a specified time. , the throughput before the specified time.
  • the reward is a reward for applying a specified value when power consumption decreases, a reward for applying a specified value when a target performance increases, and a specified value when the target performance is less than a minimum performance level. It may include at least one of the penalties for subtracting .
  • An operating method of the electronic device 200 includes an operation of obtaining data related to network conditions of a base station from a communication circuit 290, and a performance index related to network performance based on the data related to the network conditions.
  • the determined off threshold value may be delivered to the base station through the operation of determining the value and the communication circuit 290 .
  • an operation of determining an activation threshold of traffic for activating the cell based on the learned model and the communication circuit 290 may include an operation of transmitting the determined activation threshold to the base station through.
  • the performance indicators include physical resource block (PRB) usage information, IP throughput, the number of UEs connected to RRC, and the number of handovers. count) and downlink volume.
  • PRB physical resource block
  • the operating method of the electronic device 200 may include compressing the performance indicator value for a specified period and learning the model based on the compressed performance indicator value.
  • a first method of generating compressed data by extracting the largest value from the performance indicator value, and extracting a higher value of a specified ratio from the performance indicator value to compress data A second method of generating, a third method of generating compressed data by extracting an average value from the performance indicator value, a fourth method of generating compressed data by extracting a lower value of a specified ratio from the performance indicator value, the performance An operation of compressing the performance indicator value by at least one of a fifth method of generating compressed data by extracting a minimum value from the indicator value may be included.
  • an operation of copying the compressed performance indicator value to a simulator and an operation of learning the model based on the simulated data may be included.
  • an operation of learning the model by an MDP method a state related to a network environment, an action including an off threshold of a cell,
  • a target performance which is a type of performance subject to model learning
  • a minimum performance criterion which is a minimum level for the result of an action of the learned model to be satisfied, are set in the model. action may be included.
  • the state includes day and/or time information, cell on and/or off state, and PRB usage before a specified time ( PRB usage), and at least one of throughput before a specified time.
  • the reward may include compensation for applying a specified value when power consumption decreases, compensation for applying a specified value when target performance increases, and target performance when the target performance is less than a minimum performance level. If not, it may include at least one of the penalties that reduce the specified value.
  • Electronic devices may be devices of various types.
  • the electronic device may include, for example, a portable communication device (eg, a smart phone), a computer device, a portable multimedia device, a portable medical device, a camera, a wearable device, or a home appliance.
  • a portable communication device eg, a smart phone
  • a computer device e.g., a smart phone
  • a portable multimedia device e.g., a portable medical device
  • a camera e.g., a portable medical device
  • a camera e.g., a portable medical device
  • a camera e.g., a portable medical device
  • a camera e.g., a camera
  • a wearable device e.g., a smart bracelet
  • first, second, or first or secondary may simply be used to distinguish a given component from other corresponding components, and may be used to refer to a given component in another aspect (eg, importance or order) is not limited.
  • a (e.g., first) component is said to be “coupled” or “connected” to another (e.g., second) component, with or without the terms “functionally” or “communicatively.”
  • the certain component may be connected to the other component directly (eg by wire), wirelessly, or through a third component.
  • module used in various embodiments of this document may include a unit implemented in hardware, software, or firmware, and is interchangeable with terms such as, for example, logic, logical blocks, parts, or circuits.
  • a module may be an integrally constructed component or a minimal unit of components or a portion thereof that performs one or more functions.
  • the module may be implemented in the form of an application-specific integrated circuit (ASIC).
  • ASIC application-specific integrated circuit
  • a storage medium eg, internal memory 136 or external memory 138
  • a machine eg, electronic device 101
  • a processor eg, the processor 120
  • a device eg, the electronic device 101
  • the one or more instructions may include code generated by a compiler or code executable by an interpreter.
  • the device-readable storage medium may be provided in the form of a non-transitory storage medium.
  • the storage medium is a tangible device and does not contain a signal (e.g. electromagnetic wave), and this term refers to the case where data is stored semi-permanently in the storage medium. It does not discriminate when it is temporarily stored.
  • a signal e.g. electromagnetic wave
  • the method according to various embodiments disclosed in this document may be included and provided in a computer program product.
  • Computer program products may be traded between sellers and buyers as commodities.
  • a computer program product is distributed in the form of a device-readable storage medium (e.g. compact disc read only memory (CD-ROM)), or through an application store (e.g. Play StoreTM) or on two user devices (e.g. It can be distributed (eg downloaded or uploaded) online, directly between smart phones.
  • a device-readable storage medium e.g. compact disc read only memory (CD-ROM)
  • an application store e.g. Play StoreTM
  • two user devices e.g. It can be distributed (eg downloaded or uploaded) online, directly between smart phones.
  • at least part of the computer program product may be temporarily stored or temporarily created in a device-readable storage medium such as a manufacturer's server, an application store server, or a relay server's memory.
  • each component (eg, module or program) of the above-described components may include a single object or a plurality of entities, and some of the plurality of entities may be separately disposed in other components. there is.
  • one or more components or operations among the aforementioned corresponding components may be omitted, or one or more other components or operations may be added.
  • a plurality of components eg modules or programs
  • the integrated component may perform one or more functions of each of the plurality of components identically or similarly to those performed by a corresponding component of the plurality of components prior to the integration. .
  • the actions performed by a module, program, or other component are executed sequentially, in parallel, iteratively, or heuristically, or one or more of the actions are executed in a different order, or omitted. or one or more other actions may be added.

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)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

다양한 실시예에 따른 전자 장치에서, 전자 장치는 통신 회로, 학습 모델을 저장하는 메모리 및 프로세서를 포함하고, 상기 프로세서는 상기 통신 회로로부터 기지국의 네트워크 상황과 관련된 데이터를 획득하고, 상기 네트워크 상황과 관련된 데이터에 기반하여 성능 지표에 따라 네트워크 성능과 관련된 성능 지표 값을 산출하고, 상기 성능 지표에 따라 산출된 상기 성능 지표 값에 기반하여 상기 모델을 학습시키고, 상기 학습된 모델에 기반하여 셀을 오프(off)하기 위한 트래픽의 오프(off) 임계값을 결정하고, 상기 통신 회로를 통하여 상기 결정된 오프(off) 임계값을 상기 기지국에 전달할 수 있다. 이 밖에 다양한 실시예들이 가능하다.

Description

셀 온 또는 오프 트래픽 기반 임계값을 결정하기 위한 전자 장치 및 전자 장치의 동작 방법
본 문서에 개시된 다양한 실시예들은, 셀 온 또는 오프 트래픽 기반 임계값을 결정하기 위한 전자 장치 및 전자 장치의 동작 방법에 관한 것이다. 구체적으로, 본 문서에 개시된 다양한 실시예들은 네트워크 성능을 유지하면서 소비 전력을 줄이기 위하여 강화 학습으로 셀 온 또는 오프 임계값을 결정하기 위한 전자 장치 및 전자 장치의 동작 방법에 관한 것이다.
4G 통신 시스템 상용화 이후 증가 추세에 있는 무선 데이터 트래픽 수요를 충족시키기 위해, 개선된 5G 통신 시스템 또는 pre-5G 통신 시스템을 개발하기 위한 노력이 이루어지고 있다. 이러한 이유로, 5G 통신 시스템 또는 pre-5G 통신 시스템은 4G 네트워크 이후 (Beyond 4G Network) 통신 시스템 또는 LTE 시스템 이후 (Post LTE) 이후의 시스템이라 불리어지고 있다. 높은 데이터 전송률을 달성하기 위해, 5G 통신 시스템은 LTE가 사용하던 대역(6기가(6GHz) 이하 대역) 외에 초고주파(mmWave) 대역 (예를 들어, 6기가(6GHz) 이상의 대역 같은)에서의 구현도 고려되고 있다. 5G 통신 시스템에서는 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO), 전차원 다중입출력(Full Dimensional MIMO: FD-MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 및 대규모 안테나 (large scale antenna) 기술들이 논의되고 있다.
모바일 네트워크 기술이 발전하면서, 네트워크의 신뢰성, 대역폭, 응답시간과 같은 성능의 개선이 요구되고 있다. 요구사항을 충족 시키기 위하여, 네트워크 사업자들은 새로운 기술을 도입하거나 설치하는 기지국 수를 증가시키고 있다. 이러한 기술의 질적, 양적 증가로 인하여 통신 네트워크 서비스에 대한 소비 전력이 증가 되고 있다.
네트워크 서비스의 소비 전력을 제어하기 위하여, 실시간 트래픽에 기반하여 지정된 오프(off) 임계값 보다 트래픽이 낮을 경우에 셀을 끄고, 활성화(activation) 임계값보다 트래픽이 높을 경우 주변의 비활성화 상태의 셀을 켜는 방식을 사용할 수 있다. 하지만, 셀을 오프(off)함에 따른 주변 환경을 예측하기 어렵기 때문에, 일반적으로 오프(off) 임계값은 보수적으로 낮게 설정될 수 있고, 이에 따라 소비 전력을 감소하는데에는 제한적일 수 있다.
본 발명이 해결하고자 하는 과제는 상기와 같이 네트워크 셀을 오프(off)하기 위한 오프(off) 임계값 및 활성화(activation)하는 활성화(activation) 임계값을 결정하는 데에 있어서, 지역 및/또는 시간에 적응적으로 강화 학습을 적용하여 최소한으로 보장해야 할 네트워크 성능을 유지하면서, 전력 소모를 줄이는 전자 장치 및 전자 장치의 동작 방법을 제공하는 것이다.
본 문서에서 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 문서에 개시된 다양한 실시예에 따른 전자 장치는, 통신 회로, 학습 모델을 저장하는 메모리 및 프로세서를 포함하고, 상기 프로세서는 상기 통신 회로로부터 기지국의 네트워크 상황과 관련된 데이터를 획득하고, 상기 네트워크 상황과 관련된 데이터에 기반하여 네트워크 성능과 관련된 성능 지표를 산출하고, 상기 성능 지표에 기반하여 상기 모델을 학습시키고, 상기 학습된 모델에 기반하여 셀을 오프(off)하기 위한 트래픽의 오프(off) 임계값을 결정하고, 상기 통신 회로를 통하여 상기 결정된 오프(off) 임계값을 상기 기지국에 전달할 수 있다.
본 문서에 개시된 다양한 실시예에 따른 전자 장치의 동작 방법은, 통신 회로로부터 기지국의 네트워크 상황과 관련된 데이터를 획득하는 동작, 상기 네트워크 상황과 관련된 데이터에 기반하여 네트워크 성능과 관련된 성능 지표를 산출하는 동작, 상기 성능 지표에 기반하여 모델을 학습시키는 동작, 상기 학습된 모델에 기반하여 셀을 오프(off)하기 위한 트래픽의 오프(off) 임계값을 결정하는 동작 및 상기 통신 회로를 통하여 상기 결정된 오프(off) 임계값을 상기 기지국에 전달할 수 있다.
다양한 실시예에 따르면, 전자 장치는 트래픽 상황에 대응하여 적응적으로 셀을 온(on)/오프(off)할 수 있다.
다양한 실시예에 따르면, 전자 장치는 셀을 오프(off)하기 위한 트래픽의 오프(off) 임계값 결정에 지역 및/또는 시간에 적응적인 모델을 제공할 수 있다.
다양한 실시예에 따르면, 전자 장치는 셀을 활성화(activation)하기 위한 트래픽의 활성화(activiation) 임계값 결정에 지역 및/또는 시간에 적응적인 모델을 제공할 수 있다.
다양한 실시예에 따르면, 전자 장치는 최소 성능 수준과 같은 제약 사항을 설정하여 지정된 수준 이상의 네트워크 성능을 유지할 수 있다.
다양한 실시예에 따르면, 전자 장치는 네트워크 성능을 유지하면서, 전력 소모를 줄일 수 있다.
도면의 설명과 관련하여, 동일 또는 유사한 구성 요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경 내의 전자 장치의 블럭도이다.
도 2는, 다양한 실시예에 따른 전자 장치의 블록도이다.
도 3은, 다양한 실시예에 따른 프로세서가 오프(off) 임계값 및/또는 활성화(activation) 임계값을 결정하기 위하여 전자 장치를 제어하는 방법을 도시한 흐름도이다.
도 4A 및 4B는, 다양한 실시예에 따른 프로세서가, 성능 지표에 기반하여 다양한 방식으로 압축 데이터를 생성하는 동작을 설명하기 위하여 도시한 도면이다.
도 5는, 다양한 실시예에 따른 학습 모델의 구조를 도시한 도면이다.
도 6은, 다양한 실시예에 따라, 학습된 모델의 구조를 도시한 도면이다.
도 7은, 다양한 실시예에 따라, 오프(off) 임계값별 PRB 사용량에 따른 소비 전력의 실험 결과를 도시한 그래프이다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
도 2는, 다양한 실시예에 따른 전자 장치의 블록도이다.
도 2를 참조하면, 전자 장치(200)(예 : 도 1의 전자 장치(101))는 프로세서(220)(예: 도 1의 프로세서(120)), 메모리(230)(예: 도 1의 메모리(130)) 및/또는 통신 회로(290) (예: 도 1의 통신 모듈(190))를 포함할 수 있다. 도 2에 포함된 구성 요소는 전자 장치(200)에 포함된 구성들의 일부에 대한 것이며 전자 장치(200)는 이 밖에도 도 1에 도시된 것과 같이 다양한 구성요소를 포함할 수 있다.
다양한 실시예에 따르면, 통신 회로(290)는 네트워크(예 : 도 1의 제1네트워크(198) 및/또는 제2네트워크(199))를 통하여 외부 전자 장치(예 : 기지국)와 통신하여 다양한 정보를 수신 및/또는 송신할 수 있다.
일 실시예에 따르면, 통신 회로(290)는 기지국의 네트워크 상황과 관련된 데이터를 수집할 수 있다. 예를 들어, 네트워크 상황과 관련된 데이터는 기지국의 통계 데이터(예 : Available Downlink PRB (해당 셀에서 사용 가능한 다운 링크 리소스 블럭 수 및/또는 ), Used Downlink PRB (해당 셀에서 사용 된 다운 링크 리소스 블럭 수 ))를 포함할 수 있다.
다양한 실시예에 따르면, 메모리(230)는 학습 모델을 저장할 수 있다.
일 실시예에 따르면, 학습 모델은 MDP(마르코프 결정 과정, markov decision process) 방식의 강화 학습 모델일 수 있다. MDP는, 임의의 상태(state)에서 취할 수 있는 행동(action)에 대한 보상(reward) 값을 지정하여, 보상(reward)이 최대가 되도록 모델을 학습하는 방식일 수 있다. 즉, MDP는 상태(state)마다 보상(reward)이 최대가 되는 행동(action)을 결정하는 방식일 수 있다.
일 실시예에 따르면, 학습 모델은 프로세서(220)에 의하여 학습된 결과에 따라 업데이트되어 메모리(230)에 저장될 수 있다.
다양한 실시예에 따르면, 프로세서(220)는 셀을 오프(off)하기 위한 트래픽의 오프(off) 임계값 및/또는 활성화(activation)하기 위한 트래픽의 활성화(activation) 임계값을 결정할 수 있다.
일 실시예에 따르면, 프로세서(220)는, 통신 회로(290)로부터 네트워크 상황과 관련된 데이터를 획득할 수 있다.
일 실시예에 따르면, 프로세서(220)는, 성능 지표에 기반하여 성능 지표 값을 산출할 수 있다. 예를 들어, 성능 지표 값은 네트워크 성능과 관련된 데이터일 수 있다.
예를 들어, 성능 지표는 네트워크 상황과 관련된 데이터에 기반하여, 네트워크 성능을 나타내기 위하여 사업자가 정의하는 KPI(key performance indicator)일 수 있다. 예를 들어, 성능 지표는 PRB(physical resource block) 사용량(usage), IP 스루풋(IP throughput), RRC에 연결된 UE 수, 핸드오버 횟수(handover count), 다운링크 볼륨(downlink volumn)을 포함할 수 있다. 예를 들어, 프로세서(220)는 성능 지표인 PRB 사용량(예 : Used Downlink PRB/Available Downlink PRB)에 기반하여 성능 지표 값인 PRB 사용량 정보(예 : 평균 다운링크 PRB사용량, (%))를 산출할 수 있다.
일 실시예에 따르면, 프로세서(220)는, 획득한 성능 지표 값을 지정된 기간 단위(예 : 1 day)로 분할 및 중첩한 후, 시간별로 성능 지표 값을 정렬할 수 있다.
일 실시예에 따르면, 프로세서(220)는, 시간별로 정렬된 성능 지표 값에 기반하여 다양한 방식으로 기간 단위의 압축 데이터를 생성할 수 있다. 예를 들어, 제 1 방식은 시간별로 정렬된 성능 지표 값에서 가장 큰 값을 추출하여 압축 데이터를 생성하는 방식일 수 있다. 예를 들어, 제 2 방식은 시간별로 정렬된 성능 지표 값에서 지정된 비율의 상위 값을 추출하여 압축 데이터를 생성하는 방식일 수 있다. 예를 들어, 제 3 방식은 시간별로 정렬된 성능 지표 값에서 평균 값을 추출하여 압축 데이터를 생성하는 방식일 수 있다. 예를 들어, 제 4 방식은 시간별로 정렬된 성능 지표 값에서 지정된 비율의 하위 값을 추출하여 압축 데이터를 생성하는 방식일 수 있다. 예를 들어, 제 5 방식은 시간별로 정렬된 성능 지표 값에서 가장 작은 값을 추출하여 압축 데이터를 생성하는 방식일 수 있다. 제 1 방식으로 생성된 압축 데이터는 모델이 학습 시 망 안정성을 보장하는방향으로 학습될 수 있고, 제 5 방식으로 생성된 압축 데이터는 에너지 절약을 강하게 하는 방향으로 학습될 수 있다.
일 실시예에 따르면, 프로세서(220)는, 압축 데이터를 시뮬레이터로 모사할 수 있다. 예를 들어, 프로세서(220)는 시뮬레이터를 이용하여 압축 데이터에 대하여 셀 온 오프 상황을 시뮬레이팅하여 평가할 수 있다.
일 실시예에 따르면, 프로세서(220)는, 시뮬레이터로 모사된 압축 데이터에 기반하여 학습 모델을학습시킬 수 있다.
일 실시예에 따르면, 프로세서(220)는, 제약 사항을 설정할 수 있다. 제약 사항은, 학습 모델을 특정한 방식으로 행동하도록 학습시키기 위한 설정일 수 있다. 예를 들어, 프로세서(220)는 대상 성능의 타입과 최소 성능 수준을 입력받아 제약 사항을 설정할 수 있다. 예를 들어, 대상 성능의 타입은 성능 지표 값(예 : PRB(physical resource block 사용량(usage) 정보, IP 스루풋(IP throughput), RRC에 연결 된 UE 수, 핸드오버 횟수(handover count), 다운링크 볼륨(downlink volumn)) 중에서 학습에 사용될 성능 지표 값(예 : IP 스루풋(IP throughput))일 수 있다. 예를 들어, 최소 성능 기준은, 학습된 모델이 행동한 결과가 만족하기 위한 최소 수준(예 : 1Mbps)일 수 있다.
일 실시예에 따르면, 학습 모델은 MDP(마르코프 결정 과정, markov decision process) 방식의 강화 학습 모델일 수 있다. MDP는, 임의의 상태(state)에서 취할 수 있는 행동(action)에 대한 보상(reward) 값을 지정하여, 보상(reward)이 최대가 되도록 모델을 학습하는 방식일 수 있다. 즉, MDP 방식은 상태(state)마다 보상(reward)이 최대가 되는 행동(action)을 결정하는 방식의 학습 방법일 수 있다.
일 실시예에 따르면, 프로세서(220)는, 상태(state), 행동(action), 보상(reward)을 학습 모델에 설정할 수 있다.
예를 들어, 상태(state)는 시뮬레이터로 모사된 압축 데이터에 기반한 요일 및/또는 시간 정보, 셀의 온(on) 및/또는 오프(off)) 상태, 지정된 시간 전의 (예 : 4시간 전) PRB 사용량(PRB usage), 지정된 시간 전(예 : 4시간 전)의 스루풋(throughput) 중 적어도 하나를 포함할 수 있다.
예를 들어, 행동(action)은 셀의 오프(off) 임계값 및/또는 활성화(activation) 임계값(thresholds)을 포함할 수 있다.
예를 들어, 보상(reward)은 소비 전력 감소 시 지정된 값을 가하는(+) 보상, 대상 성능이 증가 시 지정된 값을 가하는(+) 보상, 대상 성능이 최소 성능 수준보다 작으면 지정된 값을 감하는(-) 패널티를 포함할 수 있다. 예를 들어, 제약 사항이 대상 성능이 IP 스루풋(IP throughput)이고, 최소 성능 기준이 1Mbps임에 대응하여, 보상은 IP 스루풋이 증가하면 지정된 값을 가하는 보상, 스루풋이 1Mbps보다 작으면 지정된 값을 감하는 패널티를 포함할 수 있다.
일 실시예에 따르면, 프로세서(220)는, 셀을 오프(off)하기 위한 트래픽의 오프(off) 임계값 및/또는 활성화(activation)하기 위한 트래픽의 활성화(activation) 임계값 결정할 수 있다.
일 실시예에 따르면, 프로세서(220)는 학습된 모델에 네트워크 상황과 관련된 데이터 및/또는 시뮬레이터로 모사된 압축 데이터에 기반하여 상태(state)를 입력하고, 셀을 오프(off)하기 위한 트래픽 기반의 오프(off) 및/또는 활성화(activation)하기 위한 트래픽 기반의 활성화(activation) 임계값을 모델로부터 획득할 수 있다.
도 3은, 다양한 실시예에 따른 프로세서(예 : 도 2 의 프로세서(220))가 오프(off) 임계값 및/또는 활성화(activation)하기 위한 트래픽의 활성화(activation) 임계값을 결정하기 위하여 전자 장치(예 : 도 2의 전자 장치(200))를 제어하는 방법을 도시한 흐름도이다.
다양한 실시예에 따르면, 프로세서(220)는, 동작 310에서, 네트워크 상황과 관련된 데이터를 획득할 수 있다.
일 실시예에 따르면, 프로세서(220)는, 통신 회로(290)로부터 네트워크 상황과 관련된 데이터를 획득할 수 있다. 예를 들어, 네트워크 상황과 관련된 데이터는 기지국의 통계 데이터(예 : Available Downlink PRB (해당 셀에서 사용 가능한 다운 링크 리소스 블럭 수 및/또는 Used Downlink PRB (해당 셀에서 사용 된 다운 링크 리소스 블럭 수))를 포함할 수 있다.
다양한 실시예에 따르면, 프로세서(220)는, 동작 320에서, 성능 지표 값을 산출할 수 있다.
일 실시예에 따르면, 프로세서(220)는, 성능 지표에 기반하여 성능 지표 값을 산출할 수 있다. 예를 들어, 성능 지표 값은 네트워크 성능과 관련된 데이터일 수 있다.
예를 들어, 성능 지표는 네트워크 상황과 관련된 데이터에 기반하여, 네트워크 성능을 나타내기 위하여 사업자가 정의하는 KPI(key performance indicator)일 수 있다. 예를 들어, 성능 지표는 PRB(physical resource block) 사용량(usage) 정보, IP 스루풋(IP throughput), RRC에 연결 된 UE 수, 핸드오버 횟수(handover count), 다운링크 볼륨(downlink volumn)을 포함할 수 있다. 예를 들어, 프로세서(220)는 성능 지표인 PRB 사용량(예 : Used Downlink PRB/Available Downlink PRB)에 기반하여 성능 지표 값인 PRB 사용량 정보(예 : 평균 다운링크 PRB사용량, (%))를 산출할 수 있다.
다양한 실시예에 따르면, 프로세서(220)는, 동작 330에서, 성능 지표 값을 지정된 기간에 대하여 압축할 수 있다.
일 실시예에 따르면, 프로세서(220)는, 획득한 성능 지표 값을 지정된 기간 단위(예 : 1 day)로 분할하여 시간별로 성능 지표 값을 정렬할 수 있다.
일 실시예에 따르면, 프로세서(220)는, 시간별로 정렬된 성능 지표 값에 기반하여 다양한 방식으로 압축 데이터를 생성할 수 있다. 예를 들어, 제 1 방식은 시간별로 정렬된 성능 지표 값에서 가장 큰 값을 추출하여 압축 데이터를 생성하는 방식일 수 있다. 예를 들어, 제 2 방식은 시간별로 정렬된 성능 지표 값에서 지정된 비율의 상위 값을 추출하여 압축 데이터를 생성하는 방식일 수 있다. 예를 들어, 제 3 방식은 시간별로 정렬된 성능 지표 값에서 평균 값을 추출하여 압축 데이터를 생성하는 방식일 수 있다. 예를 들어, 제 4 방식은 시간별로 정렬된 성능 지표 값에서 지정된 비율의 하위 값을 추출하여 압축 데이터를 생성하는 방식일 수 있다. 예를 들어, 제 5 방식은 시간별로 정렬된 성능 지표 값에서 가장 작은 값을 추출하여 압축 데이터를 생성하는 방식일 수 있다.
제 1 방식으로 생성된 압축 데이터는 모델이 학습 시 망 안정성을 보장하는방향으로 학습될 수 있고, 제 5 방식으로 생성된 압축 데이터는 에너지 절약을 강하게 하는 방향으로 학습될 수 있다.
다양한 실시예에 따르면, 프로세서(220)는, 동작 340에서, 압축 데이터에 기반하여 시뮬레이터를 모사할 수 있다.
일 실시예에 따르면, 프로세서(220)는, 압축 데이터를 시뮬레이터로 모사할 수 있다.
다양한 실시예에 따르면, 프로세서(220)는, 동작 350에서, 시뮬레이터로 모사된 압축 데이터에 기반하여 학습 모델을 학습시킬 수 있다.
일 실시예에 따르면, 프로세서(220)는, 제약 사항을 설정할 수 있다. 제약 사항은, 학습 모델을 데이터를 특정 방향으로 학습시키기 위한 설정일 수 있다. 예를 들어, 프로세서(220)는 대상 성능과 최소 성능 수준을 입력받아 제약 사항을 설정할 수 있다. 예를 들어, 대상 성능은 성능 지표 값(예 : PRB(physical resource block 사용량(usage) 정보, IP 스루풋(IP throughput), RRC에 연결 된 UE 수, 핸드오버 횟수(handover count), 다운링크 볼륨(downlink volumn)) 중에서 학습에 사용될 성능 지표 값(예 : IP 스루풋(IP throughput))일 수 있다. 예를 들어, 최소 성능 기준은, 학습된 모델이 행동한 결과가 만족하기 위한 최소 수준(예 : 1Mbps)일 수 있다.
일 실시예에 따르면, 학습 모델은 MDP(마르코프 결정 과정, markov decision process) 방식의 강화 학습 모델일 수 있다. MDP는, 임의의 상태(state)에서 취할 수 있는 행동(action)에 대한 보상(reward) 값을 지정하여, 보상(reward)이 최대가 되도록 모델을 학습하는 방식일 수 있다. 즉, MDP는 상태(state)마다 보상(reward)이 최대가 되는 행동(action)을 결정하는 방식일 수 있다.
일 실시예에 따르면, 프로세서(220)는, 상태(state), 행동(action), 보상(reward)을 학습 모델에 설정할 수 있다.
예를 들어, 상태(state)는 시뮬레이터로 모사된 압축 데이터에 기반한 요일 및/또는 시간 정보, 셀의 온(on) 및/또는 오프(off)) 상태, 지정된 시간 전의 (예 : 4시간 전) PRB 사용량(PRB usage), 지정된 시간 전(예 : 4시간 전)의 스루풋(throughput) 중 적어도 하나를 포함할 수 있다.
예를 들어, 행동(action)은 셀의 오프(off)) 및/또는 활성화(activation) 임계값(thresholds)을 포함할 수 있다.
예를 들어, 보상(reward)은 소비 전력 감소 시 지정된 값을 가하고(+), 대상 성능이 증가 시 지정된 값을 가하고(+), 대상 성능이 최소 성능 수준보다 작으면 지정된 값을 감하는(-) 패널티를 포함할 수 있다. 예를 들어, 제약 사항이 대상 성능이 IP 스루풋(IP throughput)이고, 최소 성능 기준이 1Mbps임에 대응하여, 보상은 IP 스루풋이 증가하면 지정된 값을 가하는 보상, 스루풋이 1Mbps보다 작으면 지정된 값을 감하는 패널티를 포함할 수 있다.
다양한 실시예에 따르면, 프로세서(220)는, 동작 360에서, 셀을 오프(off)하기 위한 트래픽의 임계값 및/또는 활성화(activation)하기 위한 활성화(activation) 임계값을 결정할 수 있다.
일 실시예에 따르면, 프로세서(220)는 학습된 모델에 네트워크 상황과 관련된 데이터 및/또는 시뮬레이터로 모사된 압축 데이터에 기반하여 상태(state)를 입력하고, 획득한 출력 데이터에 기반하여 셀을 오프(off)하기 위한 트래픽 기반의 오프(off) 및/또는 활성화(activation)하기 위한 트래픽 기반의 활성화(activation) 임계값을 모델로부터 획득할 수 있다.
도 4A 및 4B는, 다양한 실시예에 따른 프로세서(예 : 도 2의 프로세서(220))가, 성능 지표 값에 기반하여 다양한 방식으로 압축 데이터를 생성하는 동작(예 : 도 3의 동작 320, 동작 330)을 설명하기 위하여 도시한 도면이다.
도 4A는 다양한 실시예에 따른, 성능 지표 값의 그래프를 도시한 도면일 수 있다. 그래프의 x축은 시간(hours), y축은 성능 지표 값(예 : PRB 사용량(%))를 지시할 수 있다.
다양한 실시예에 따르면, 프로세서(220)는, 성능 지표에 기반하여 성능 지표 값을 산출할 수 있다. 예를 들어, 성능 지표는 네트워크 상황과 관련된 데이터에 기반하여, 네트워크 성능을 나타내기 위하여 사업자가 정의하는 KPI일 수 있다.
예를 들어, 성능 지표는 PRB(physical resource block) 사용량(usage) 정보, IP 스루풋(IP throughput), RRC에 연결 된 UE 수, 핸드오버 횟수(handover count), 다운링크 볼륨(downlink volumn)을 포함할 수 있다. 예를 들어, 프로세서(220)는 성능 지표인 PRB 사용량(예 : Used Downlink PRB/Available Downlink PRB)에 기반하여 성능 지표 값인 PRB 사용량 정보(예 : 평균 다운링크 PRB사용량, (%))를 산출할 수 있다.
다양한 실시예에 따르면, 프로세서(220)는, 성능 지표 값을 지정된 기간에 대하여 압축할 수 있다.
일 실시예에 따르면, 프로세서(220)는, 획득한 성능 지표 값을 지정된 기간 단위(예 : 1 day)로 분할하여 시간별로 성능 지표 값을 정렬할 수 있다.
도 4B는 다양한 실시예에 따른, 성능 지표 값을 지정된 기간에 대하여 정렬한데이터의 그래프를 도시한 도면일 수 있다. 그래프의 x축은 하루중의 시간(daily hours, 0-24), y축은 성능 지표 값(예 : PRB 사용량(%))을 지시할 수 있다.
일 실시예에 따르면, 프로세서(220)는, 시간별로 정렬된 성능 지표 값에 기반하여 다양한 방식으로 압축 데이터를 생성할 수 있다. 예를 들어, 제 1 방식은 시간별로 정렬된 성능 지표 값에서 가장 큰 값을 추출하여 압축 데이터를 생성하는 방식일 수 있다. 예를 들어, 제 2 방식은 시간별로 정렬된 성능 지표 값에서 지정된 비율의 상위 값을 추출하여 압축 데이터를 생성하는 방식일 수 있다. 예를 들어, 제 3 방식은 시간별로 정렬된 성능 지표 값에서 평균 값을 추출하여 압축 데이터를 생성하는 방식일 수 있다. 예를 들어, 제 4 방식은 시간별로 정렬된 성능 지표 값에서 지정된 비율의 하위 값을 추출하여 압축 데이터를 생성하는 방식일 수 있다. 예를 들어, 제 5 방식은 시간별로 정렬된 성능 지표 값에서 가장 작은 값을 추출하여 압축 데이터를 생성하는 방식일 수 있다.
예를 들어, 도 4B를 참조하면, 제 1 방식으로 추출하여 생성된 압축 데이터는 max compacition 그래프일 수 있고, 제 5 방식으로 추출하여 생성된 압축 데이터는 min compaction 그래프일 수 있다.
도 5는, 다양한 실시예에 따른 학습 모델의 구조를 도시한 도면이다.
다양한 실시예에 따르면, 프로세서(220)는 시뮬레이터로 모사된 압축 데이터에 기반하여 학습 모델을 학습(예 : 도 3의 동작 350)시킬 수 있다.
다양한 실시예에 따르면, SLS 머신(SLS)(system level simulatorr)은, 압축 데이터를 SLS 파라미터(SLS parameters)를 조정함으로서 시뮬레이터로 모사할 수 있다. 예를 들어, SLS 시뮬레이션 머신(SLS)은 학습 모델에 입력할 상태(state)에 대응하는 압축 데이터를 시뮬레이터로 모사할 수 있다.
다양한 실시에에 따르면, SLS 클러스터(system level simulator cluster)는 단일 SLS의 시뮬레이션 속도 제한을 보완하기 위하여, 다중 원격 머신을 통해 병렬로 SLS를 수행하는 SLS 머신들의 집합일 수 있다. 예를 들어, SLS 클러스터는 적어도 하나의 SLS 머신이 분산적으로 압축 데이터를 시뮬레이터로 모사할 수 있다.
다양한 실시예에 따르면, SLS 리플리케이터(SLS replicator)는, 필드 데이터(Field data)에 기반하여, SLS 파라미터(SLS parameter)을 조절하여 환경 상태(state)를 설정할 수 있다.
성능 지표는 PRB(physical resource block) 사용량(usage) 정보, IP 스루풋(IP throughput), RRC에 연결 된 UE 수, 핸드오버 횟수(handover count), 다운링크 볼륨(downlink volumn)을 포함할 수 있다. SLS 파라미터(SLS parameters)는, 패킷 사이즈(packet size), 리퀘스트 간격(request interval)을 포함할 수 있다.
다양한 실시예에 따르면, 학습 모델(RL model)은 MDP(마르코프 결정 과정, markov decision process) 방식의 강화 학습 모델일 수 있다. MDP는, 임의의 상태(state)에서 취할 수 있는 행동(action)에 대한 보상(reward) 값을 지정하여, 보상(reward)이 최대가 되도록 모델을 학습하는 방식일 수 있다. 즉, MDP는 상태(state)마다 보상(reward)이 최대가 되는 행동(action)을 결정하는 방식일 수 있다.
일 실시예에 따르면, 에이전트(Agent 1~N)는, 상태(state), 행동(action), 보상(reward)을 학습 모델에 설정할 수 있다.
예를 들어, 상태(s)는 요일 및/또는 시간 정보, 셀의 온(on) 및/또는 오프(off)) 상태, 지정된 시간 동안(예 : 현재부터 4시간 전까지의 시간) PRB 사용량(PRB usage), 지정된 시간 동안(예 : 현재부터 4시간 전까지의 시간)의 스루풋(throughput) 중 적어도 하나를 포함할 수 있다.
예를 들어, 행동(a)은 셀의 오프(off)) 및/또는 활성화(activation) 임계값(thresholds)을 포함할 수 있다.
예를 들어, 보상(r)은 소비 전력 감소 시 지정된 값을 가하는(+) 보상, 대상 성능이 증가 시 지정된 값을 가하는(+) 보상, 대상 성능이 최소 성능 수준보다 작으면 지정된 값을 감하는(-) 패널티를 포함할 수 있다.
일 실시예에 따르면, 제 1 에이전트(Agent 1)는, 제 1 상태에서의 시뮬레이터로 모사된 압축 데이터에 기반하여 학습 모델(RL model)을 학습시킬 수 있다.
예를 들어, 학습 모델(RL model)은, t에서의 제 1 상태(
Figure PCTKR2022011138-appb-img-000001
)에서, t에서의 제 1 행동(
Figure PCTKR2022011138-appb-img-000002
)에 대한 제 1 확률 분포(
Figure PCTKR2022011138-appb-img-000003
)를 출력할 수 있다.
예를 들어, 제 1 에이전트(Agent 1)은, SLS로부터 획득한 t+1에서의 제 1 상태(
Figure PCTKR2022011138-appb-img-000004
) 및 t에서의 제 1 보상(
Figure PCTKR2022011138-appb-img-000005
)을 결정하여 학습 모델(RL model)에 입력할 수 있다.
예를 들어, 학습 모델(RL model)은 t에서의 제 1 상태(
Figure PCTKR2022011138-appb-img-000006
), t에서의 제 1 행동(
Figure PCTKR2022011138-appb-img-000007
) 및 t에서의 제 1 보상(
Figure PCTKR2022011138-appb-img-000008
)에 기반하여, t에서의 제 1 상태(
Figure PCTKR2022011138-appb-img-000009
)에서 t에서의 제 1 행동(
Figure PCTKR2022011138-appb-img-000010
)을 선택할 제 1 확률 분포(
Figure PCTKR2022011138-appb-img-000011
)를 출력할 수 있다.
예를 들어, 제 1 에이전트(Agent 1)는, t가 0 부터 지정된 값(예 : 23)이 될 때까지 상기 과정을 반복하여 학습 모델(RL model)을 학습시킬 수 있다.
일 실시예에 따르면, 제 N 에이전트(Agent N)는, 제 N 상태에서의 시뮬레이터로 모사된 압축 데이터에 기반하여 학습 모델(RL model)을 학습시킬 수 있다.
일 실시예에 따르면, 학습 모델(RL model)은, t에서의 제 N 상태(
Figure PCTKR2022011138-appb-img-000012
)에서, t에서의 제 N 행동(
Figure PCTKR2022011138-appb-img-000013
)에 대한 제 N 확률 분포(
Figure PCTKR2022011138-appb-img-000014
)를 출력할 수 있다.
일 실시예에 따르면, 제 N 에이전트(Agent N)은, SLS로부터 획득한 t+1에서의 제 N 상태(
Figure PCTKR2022011138-appb-img-000015
) 및 t에서의 제 N 보상(
Figure PCTKR2022011138-appb-img-000016
)을 결정하여 학습 모델(RL model)에 입력할 수 있다.
일 실시예에 따르면, 학습 모델(RL model)은 t에서의 제 N 상태(
Figure PCTKR2022011138-appb-img-000017
), t에서의 제 N 행동(
Figure PCTKR2022011138-appb-img-000018
) 및 t에서의 제 N 보상(
Figure PCTKR2022011138-appb-img-000019
)에 기반하여, t에서의 제 N 상태(
Figure PCTKR2022011138-appb-img-000020
)에서 t에서의 제 N 행동(
Figure PCTKR2022011138-appb-img-000021
)을 선택할 제 N 확률 분포(
Figure PCTKR2022011138-appb-img-000022
)를 출력할 수 있다.
예를 들어, 제 N 에이전트(Agent N)는, t가 0 부터 지정된 값(예 : 23)이 될 때까지 상기 과정을 반복하여 학습 모델(RL model)을 학습시킬 수 있다.
도 6은, 다양한 실시예에 따라, 학습된 모델의 구조를 도시한 도면이다.
다양한 실시예에 따르면, 프로세서(예 : 도 2의 프로세서(220))는 학습된 모델에 기초하여 셀을 오프(off)하기 위한 트래픽의 오프(off) 임계값 및/또는 활성화(activation)하기 위한 활성화(activation) 임계값을 결정(예 : 도 3의 동작 360)할 수 있다.
다양한 실시예에 따르면, 에이전트(Agent)는, 성능 지표 값에 기반하여 학습 모델(RL model)에 상태(
Figure PCTKR2022011138-appb-img-000023
)를 입력할 수 있다.
다양한 실시예에 따르면, 학습 모델(RL model)은, t에서의 상태(
Figure PCTKR2022011138-appb-img-000024
)에서, t+1에서의 행동(
Figure PCTKR2022011138-appb-img-000025
)에 대한 확률 분포(
Figure PCTKR2022011138-appb-img-000026
)를 출력할 수 있다.
다양한 실시예에 따르면, 프로세서(220)는, 출력한 행동(
Figure PCTKR2022011138-appb-img-000027
)에 기반하여 셀을 오프(off)하기 위한 트래픽의 오프(off) 임계값 및/또는 활성화(activation) 임계값을 결정할 수 있다.
도 7은, 다양한 실시예에 따라, 오프(off) 임계값별 PRB 사용량에 따른 소비 전력의 실험 결과를 도시한 그래프이다.
오프(off) 임계값은 셀을 오프(off)하기 위한 트래픽의 임계값을 지시할 수 있다.
x축은 하루 평균 PRB 사용량, y축은 하루 평균 소비 전력을 지시하고, 각 그래프는 오프(off) 임계값별 평균 PRB 사용량에 따른 평균 소비 전력을 나타내는 그래프일 수 있다. 예를 들어, No ES는 오프(off) 임계값을 설정하지않은 경우의 그래프, Default는 오프(off) 임계값을 고정된 값으로 설정한 경우의 그래프, AI-ES : TPut=5Mbps는 오프(off) 임계값을 학습 모델에 의하여 결정한 경우에, 최소 성능 수준을 5Mbps로 설정한 경우의 그래프, AI-ES : TPut=3Mbps는 오프(off) 임계값을 학습 모델에 의하여 결정한 경우에, 최소 성능 수준을 3Mbps로 설정한 경우의 그래프, AI-ES : TPut=2Mbps는 오프(off) 임계값을 학습 모델에 의하여 결정한 경우에, 최소 성능 수준을 2Mbps로 설정한 경우의 그래프일 수 있다.
그래프를 참조하면, 오프(off) 임계값을 설정하지않은 경우(No ES)에 소비 전력이 높고, 학습 모델에 의하여 오프(off) 임계값을 결정하고, 최소 성능 수준을 2Mbps로 설정한 경우(AI-ES : TPut=2Mbps)에 소비 전력이 낮음을 확인할 수 있다. 즉, 학습 모델에 의하여 오프(off) 임계값을 결정하고, 최소 성능 수준을 낮게 설정할수록 전력 소비가 줄어들 수 있다.
또한, 그래프를 참조하면, 평균 PRB 사용량이 낮은 구역(예 : 27%)에서의 그래프별 전력 소비 차이가 평균 PRB 사용량이 높은 구역(예 : 80%)에서의 그래프별 전력 소비 차이보다 큼을 확인할 수 있다. 즉, 본 발명에 따른 학습 모델에 의하여 오프(off) 임계값을 결정하여 이를 적용하는 경우, PRB 사용량이 높은 지역 및/또는 시간에서는 네트워크 품질을 유지하고, 적은 지역 및/또는 시간에서는 전력 소비를 줄일 수 있다.
다양한 실시예에 따른 전자 장치(200)는, 통신 회로(290), 학습 모델을 저장하는 메모리(230) 및 프로세서(220)를 포함하고, 상기 프로세서(220)는 상기 통신 회로(290)로부터 기지국의 네트워크 상황과 관련된 데이터를 획득하고, 상기 네트워크 상황과 관련된 데이터에 기반하여 성능 지표에 따라 네트워크 성능과 관련된 성능 지표 값을 산출하고, 상기 성능 지표에 따라 산출된 상기 성능 지표 값에 기반하여 상기 모델을 학습시키고, 상기 학습된 모델에 기반하여 셀을 오프(off)하기 위한 트래픽의 오프(off) 임계값을 결정하고, 상기 통신 회로(290)를 통하여 상기 결정된 오프(off) 임계값을 상기 기지국에 전달할 수 있다.
다양한 실시예에 따른 전자 장치(200)에서, 상기 프로세서(220)는 상기 학습된 모델에 기반하여 상기 셀을 활성화(activation)하기 위한 트래픽의 활성화(activation) 임계값을 결정하고, 상기 통신 회로(290)를 통하여 상기 결정된 활성화(activation) 임계값을 상기 기지국에 전달할 수 있다.
다양한 실시예에 따른 전자 장치(200)에서, 상기 성능 지표는 PRB(physical resource block) 사용량(usage) 정보, IP 스루풋(IP throughput), RRC에 연결 된 UE 수, 핸드오버 횟수(handover count), 다운링크 볼륨(downlink volumn) 중 적어도 하나를 포함할 수 있다.
다양한 실시예에 따른 전자 장치(200)에서, 상기 프로세서(220)는 상기 성능 지표 값을 지정된 기간에 대하여 압축하고, 상기 압축된 성능 지표 값에 기반하여 상기 모델을 학습시킬 수 있다.
다양한 실시예에 따른 전자 장치(200)에서, 상기 프로세서(220)는 상기 성능 지표 값에서 가장 큰 값을 추출하여 압축 데이터를 생성하는 제 1 방식, 상기 성능 지표 값에서 지정된 비율의 상위 값을 추출하여 압축 데이터를 생성하는 제 2 방식, 상기 성능 지표 값에서 평균 값을 추출하여 압축 데이터를 생성하는 제 3 방식, 상기 성능 지표 값에서 지정된 비율의 하위 값을 추출하여 압축 데이터를 생성하는 제 4 방식, 상기 성능 지표 값에서 최소 값을 추출하여 압축 데이터를 생성하는 제 5 방식 중 적어도 하나의 방식으로 상기 성능 지표 값을 압축할 수 있다.
다양한 실시예에 따른 전자 장치(200)에서, 상기 프로세서(220)는 상기 압축된 성능 지표 값을 시뮬레이터에 모사하고, 상기 모사된 데이터에 기반하여 상기 모델을 학습시킬 수 있다.
다양한 실시예에 따른 전자 장치(200)에서, 상기 프로세서(220)는 상기 모델을 MDP 방식으로 학습시키고, 네트워크 환경과 관련된 상태(state), 셀의 오프(off) 임계값을 포함하는 행동(action), 소비 전력 및 네트워크 성능과 관련된 보상(reward)을 상기 모델에 설정하고, 보상(reward)이 가장 높은 행동(action)을 결정하도록 상기 모델을 학습시킬 수 있다.
다양한 실시예에 따른 전자 장치(200)에서, 상기 프로세서(220)는 모델 학습의 대상이 되는 성능의 타입인 대상 성능 및 학습된 모델이 행동한 결과가 만족하기 위한 최소 수준인 최소 성능 기준을 상기 모델에 설정할 수 있다.
다양한 실시예에 따른 전자 장치(200)에서, 상기 상태(state)는 요일 및/또는 시간 정보, 셀의 온(on) 및/또는 오프(off)) 상태, 지정된 시간 전의 PRB 사용량(PRB usage), 지정된 시간 전의 스루풋(throughput) 중 적어도 하나를 포함할 수 있다.
다양한 실시예에 따른 전자 장치(200)에서, 상기 보상(reward)은 소비 전력 감소 시 지정된 값을 가하는 보상, 대상 성능이 증가 시 지정된 값을 가하는 보상, 대상 성능이 최소 성능 수준보다 작으면 지정된 값을 감하는 패널티 중 적어도 하나를 포함할 수 있다.
다양한 실시예에 따른 전자 장치(200)의 동작 방법은, 통신 회로(290)로부터 기지국의 네트워크 상황과 관련된 데이터를 획득하는 동작, 상기 네트워크 상황과 관련된 데이터에 기반하여 성능 지표에 따라 네트워크 성능과 관련된 성능 지표 값을 산출하는 동작, 상기 성능 지표에 따라 산출된 상기 성능 지표 값에 기반하여 모델을 학습시키는 동작, 상기 학습된 모델에 기반하여 셀을 오프(off)하기 위한 트래픽의 오프(off) 임계값을 결정하는 동작 및 상기 통신 회로(290)를 통하여 상기 결정된 오프(off) 임계값을 상기 기지국에 전달할 수 있다.
다양한 실시예에 따른 전자 장치(200)의 동작 방법에서, 상기 학습된 모델에 기반하여 상기 셀을 활성화(activation)하기 위한 트래픽의 활성화(activation) 임계값을 결정하는 동작 및 상기 통신 회로(290)를 통하여 상기 결정된 활성화(activation) 임계값을 상기 기지국에 전달하는 동작을 포함할 수 있다.
다양한 실시예에 따른 전자 장치(200)의 동작 방법에서, 상기 성능 지표는 PRB(physical resource block) 사용량(usage) 정보, IP 스루풋(IP throughput), RRC에 연결 된 UE 수, 핸드오버 횟수(handover count), 다운링크 볼륨(downlink volumn) 중 적어도 하나를 포함할 수 있다.
다양한 실시예에 따른 전자 장치(200)의 동작 방법에서, 상기 성능 지표 값을 지정된 기간에 대하여 압축하는 동작 및 상기 압축된 성능 지표 값에 기반하여 상기 모델을 학습시키는 동작을 포함할 수 있다.
다양한 실시예에 따른 전자 장치(200)의 동작 방법에서, 상기 성능 지표 값에서 가장 큰 값을 추출하여 압축 데이터를 생성하는 제 1 방식, 상기 성능 지표 값에서 지정된 비율의 상위 값을 추출하여 압축 데이터를 생성하는 제 2 방식, 상기 성능 지표 값에서 평균 값을 추출하여 압축 데이터를 생성하는 제 3 방식, 상기 성능 지표 값에서 지정된 비율의 하위 값을 추출하여 압축 데이터를 생성하는 제 4 방식, 상기 성능 지표 값에서 최소 값을 추출하여 압축 데이터를 생성하는 제 5 방식 중 적어도 하나의 방식으로 상기 성능 지표 값을 압축하는 동작을 포함할 수 있다.
다양한 실시예에 따른 전자 장치(200)의 동작 방법에서, 상기 압축된 성능 지표 값을 시뮬레이터에 모사하는 동작 및 상기 모사된 데이터에 기반하여 상기 모델을 학습시키는 동작을 포함할 수 있다.
다양한 실시예에 따른 전자 장치(200)의 동작 방법에서, 상기 모델을 MDP 방식으로 학습시키는 동작, 네트워크 환경과 관련된 상태(state), 셀의 오프(off) 임계값을 포함하는 행동(action), 소비 전력 및 네트워크 성능과 관련된 보상(reward)을 상기 모델에 설정하는 동작 및 보상(reward)이 가장 높은 행동(action)을 결정하도록 상기 모델을 학습시키는 동작을 포함할 수 있다.
다양한 실시예에 따른 전자 장치(200)의 동작 방법에서, 모델 학습의 대상이 되는 성능의 타입인 대상 성능 및 학습된 모델이 행동한 결과가 만족하기 위한 최소 수준인 최소 성능 기준을 상기 모델에 설정하는 동작을 포함할 수 있다.
다양한 실시예에 따른 전자 장치(200)의 동작 방법에서, 상기 상태(state)는 요일 및/또는 시간 정보, 셀의 온(on) 및/또는 오프(off)) 상태, 지정된 시간 전의 PRB 사용량(PRB usage), 지정된 시간 전의 스루풋(throughput) 중 적어도 하나를 포함할 수 있다.
다양한 실시예에 따른 전자 장치(200)의 동작 방법에서, 상기 보상(reward)은 소비 전력 감소 시 지정된 값을 가하는 보상, 대상 성능이 증가 시 지정된 값을 가하는 보상, 대상 성능이 최소 성능 수준보다 작으면 지정된 값을 감하는 패널티 중 적어도 하나를 포함할 수 있다.
다양한 실시 예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시 예들로 한정하려는 것이 아니며, 해당 실시 예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다.
도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다.
본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서의 다양한 실시예들에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.

Claims (15)

  1. 전자 장치에 있어서,
    통신 회로;
    학습 모델을 저장하는 메모리 및
    프로세서를 포함하고,
    상기 프로세서는
    상기 통신 회로로부터 기지국의 네트워크 상황과 관련된 데이터를 획득하고,
    상기 네트워크 상황과 관련된 데이터에 기반하여 성능 지표에 따라 네트워크 성능과 관련된 성능 지표 값을 산출하고,
    상기 성능 지표에 따라 산출된 상기 성능 지표 값에 기반하여 상기 모델을 학습시키고,
    상기 학습된 모델에 기반하여 셀을 오프(off)하기 위한 트래픽의 오프(off) 임계값을 결정하고,
    상기 통신 회로를 통하여 상기 결정된 오프(off) 임계값을 상기 기지국에 전달하는
    전자 장치.
  2. 제 1 항에 있어서,
    상기 프로세서는
    상기 학습된 모델에 기반하여 상기 셀을 활성화(activation)하기 위한 트래픽의 활성화(activation) 임계값을 결정하고,
    상기 통신 회로를 통하여 상기 결정된 활성화(activation) 임계값을 상기 기지국에 전달하는
    전자 장치.
  3. 제 1 항에 있어서,
    상기 성능 지표는
    PRB(physical resource block) 사용량(usage) 정보, IP 스루풋(IP throughput), RRC에 연결 된 UE 수, 핸드오버 횟수(handover count), 다운링크 볼륨(downlink volumn) 중 적어도 하나를 포함하는
    전자 장치.
  4. 제 1 항에 있어서,
    상기 프로세서는
    상기 성능 지표 값을 지정된 기간에 대하여 압축하고,
    상기 압축된 성능 지표 값에 기반하여 상기 모델을 학습시키는
    전자 장치.
  5. 제 4 항에 있어서,
    상기 프로세서는
    상기 성능 지표 값에서 가장 큰 값을 추출하여 압축 데이터를 생성하는 제 1 방식,
    상기 성능 지표 값에서 지정된 비율의 상위 값을 추출하여 압축 데이터를 생성하는 제 2 방식,
    상기 성능 지표 값에서 평균 값을 추출하여 압축 데이터를 생성하는 제 3 방식,
    상기 성능 지표 값에서 지정된 비율의 하위 값을 추출하여 압축 데이터를 생성하는 제 4 방식,
    상기 성능 지표 값에서 최소 값을 추출하여 압축 데이터를 생성하는 제 5 방식 중 적어도 하나의 방식으로 상기 성능 지표 값을 압축하는
    전자 장치.
  6. 제 4 항에 있어서,
    상기 프로세서는
    상기 압축된 성능 지표 값을 시뮬레이터에 모사하고,
    상기 모사된 데이터에 기반하여 상기 모델을 학습시키는
    전자 장치.
  7. 제 1 항에 있어서,
    상기 프로세서는
    상기 모델을 MDP 방식으로 학습시키고,
    네트워크 환경과 관련된 상태(state),
    셀의 오프(off) 임계값을 포함하는 행동(action),
    소비 전력 및 네트워크 성능과 관련된 보상(reward)을 상기 모델에 설정하고,
    보상(reward)이 가장 높은 행동(action)을 결정하도록 상기 모델을 학습시키는
    전자 장치.
  8. 제 7 항에 있어서,
    상기 프로세서는
    모델 학습의 대상이 되는 성능의 타입인 대상 성능 및 학습된 모델이 행동한 결과가 만족하기 위한 최소 수준인 최소 성능 기준을 상기 모델에 설정하는
    전자 장치.
  9. 제 7 항에 있어서,
    상기 상태(state)는 요일 및/또는 시간 정보, 셀의 온(on) 및/또는 오프(off)) 상태, 지정된 시간 전의 PRB 사용량(PRB usage), 지정된 시간 전의 스루풋(throughput) 중 적어도 하나를 포함하는
    전자 장치.
  10. 제 7 항에 있어서,
    상기 보상(reward)은
    소비 전력 감소 시 지정된 값을 가하는 보상, 대상 성능이 증가 시 지정된 값을 가하는 보상, 대상 성능이 최소 성능 수준보다 작으면 지정된 값을 감하는 패널티 중 적어도 하나를 포함하는
    전자 장치.
  11. 전자 장치의 동작 방법에 있어서,
    통신 회로로부터 기지국의 네트워크 상황과 관련된 데이터를 획득하는 동작;
    상기 네트워크 상황과 관련된 데이터에 기반하여 성능 지표에 따라 네트워크 성능과 관련된 성능 지표 값을 산출하는 동작;
    상기 성능 지표에 따라 산출된 상기 성능 지표 값에 기반하여 모델을 학습시키는 동작;
    상기 학습된 모델에 기반하여 셀을 오프(off)하기 위한 트래픽의 오프(off) 임계값을 결정하는 동작; 및
    상기 통신 회로를 통하여 상기 결정된 오프(off) 임계값을 상기 기지국에 전달하는
    전자 장치의 동작 방법.
  12. 제 11 항에 있어서,
    상기 학습된 모델에 기반하여 상기 셀을 활성화(activation)하기 위한 트래픽의 활성화(activation) 임계값을 결정하는 동작 및
    상기 통신 회로를 통하여 상기 결정된 활성화(activation) 임계값을 상기 기지국에 전달하는 동작을 포함하는
    전자 장치의 동작 방법.
  13. 제 11 항에 있어서,
    상기 성능 지표는
    PRB(physical resource block) 사용량(usage) 정보, IP 스루풋(IP throughput), RRC에 연결 된 UE 수, 핸드오버 횟수(handover count), 다운링크 볼륨(downlink volumn) 중 적어도 하나를 포함하는
    전자 장치의 동작 방법.
  14. 제 11 항에 있어서,
    상기 성능 지표 값을 지정된 기간에 대하여 압축하는 동작 및
    상기 압축된 성능 지표 값에 기반하여 상기 모델을 학습시키는 동작을 포함하는
    전자 장치의 동작 방법.
  15. 제 14 항에 있어서,
    상기 성능 지표 값에서 가장 큰 값을 추출하여 압축 데이터를 생성하는 제 1 방식,
    상기 성능 지표 값에서 지정된 비율의 상위 값을 추출하여 압축 데이터를 생성하는 제 2 방식,
    상기 성능 지표 값에서 평균 값을 추출하여 압축 데이터를 생성하는 제 3 방식,
    상기 성능 지표 값에서 지정된 비율의 하위 값을 추출하여 압축 데이터를 생성하는 제 4 방식,
    상기 성능 지표 값에서 최소 값을 추출하여 압축 데이터를 생성하는 제 5 방식 중 적어도 하나의 방식으로 상기 성능 지표 값을 압축하는 동작을 포함하는
    전자 장치의 동작 방법.
PCT/KR2022/011138 2021-07-28 2022-07-28 셀 온 또는 오프 트래픽 기반 임계값을 결정하기 위한 전자 장치 및 전자 장치의 동작 방법 WO2023008932A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP22849908.3A EP4358598A1 (en) 2021-07-28 2022-07-28 Electronic device for determining cell on or off traffic-based threshold value, and operating method thereof
CN202280052132.1A CN117796050A (zh) 2021-07-28 2022-07-28 用于确定基于业务的小区开启或关闭阈值的电子装置及其操作方法
US17/946,662 US20230032030A1 (en) 2021-07-28 2022-09-16 Electronic device and operation method of electronic device for deciding cell on or off threshold based on traffic

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2021-0099223 2021-07-28
KR20210099223 2021-07-28
KR1020220031476A KR20230017712A (ko) 2021-07-28 2022-03-14 셀 온 또는 오프 트래픽 기반 임계값을 결정하기 위한 전자 장치 및 전자 장치의 동작 방법
KR10-2022-0031476 2022-03-14

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/946,662 Continuation US20230032030A1 (en) 2021-07-28 2022-09-16 Electronic device and operation method of electronic device for deciding cell on or off threshold based on traffic

Publications (1)

Publication Number Publication Date
WO2023008932A1 true WO2023008932A1 (ko) 2023-02-02

Family

ID=85087950

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/011138 WO2023008932A1 (ko) 2021-07-28 2022-07-28 셀 온 또는 오프 트래픽 기반 임계값을 결정하기 위한 전자 장치 및 전자 장치의 동작 방법

Country Status (1)

Country Link
WO (1) WO2023008932A1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102216141B1 (ko) * 2019-11-29 2021-02-16 국방과학연구소 다중 기지국 대용량 안테나 시스템 내 기지국들의 온/오프를 결정하는 방법 및 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102216141B1 (ko) * 2019-11-29 2021-02-16 국방과학연구소 다중 기지국 대용량 안테나 시스템 내 기지국들의 온/오프를 결정하는 방법 및 장치

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CMCC (MODERATOR): "SoD Data Collection Use Cases", 3GPP DRAFT; R3-212689, 3RD GENERATION PARTNERSHIP PROJECT (3GPP), MOBILE COMPETENCE CENTRE ; 650, ROUTE DES LUCIOLES ; F-06921 SOPHIA-ANTIPOLIS CEDEX ; FRANCE, vol. RAN WG3, no. Online; 20210517 - 20210527, 25 May 2021 (2021-05-25), Mobile Competence Centre ; 650, route des Lucioles ; F-06921 Sophia-Antipolis Cedex ; France , XP052013896 *
CMCC: "TR 37.817 v0.2.0 (Cover Page)", 3GPP DRAFT; R3-212990, 3RD GENERATION PARTNERSHIP PROJECT (3GPP), MOBILE COMPETENCE CENTRE ; 650, ROUTE DES LUCIOLES ; F-06921 SOPHIA-ANTIPOLIS CEDEX ; FRANCE, vol. RAN WG3, no. electronic; 20210517 - 20210528, 8 June 2021 (2021-06-08), Mobile Competence Centre ; 650, route des Lucioles ; F-06921 Sophia-Antipolis Cedex ; France , XP052027089 *
ERICSSON: "AI/ML for energy efficiency use case discussion", 3GPP DRAFT; R3-212315, 3RD GENERATION PARTNERSHIP PROJECT (3GPP), MOBILE COMPETENCE CENTRE ; 650, ROUTE DES LUCIOLES ; F-06921 SOPHIA-ANTIPOLIS CEDEX ; FRANCE, vol. RAN WG3, no. Online meeting; 20210517 - 20210527, 6 May 2021 (2021-05-06), Mobile Competence Centre ; 650, route des Lucioles ; F-06921 Sophia-Antipolis Cedex ; France , XP052001612 *
ZTE, CHINA UNICOM, CMCC: "Solution to AI based UE Trajectory prediction", 3GPP DRAFT; R3-212029, 3RD GENERATION PARTNERSHIP PROJECT (3GPP), MOBILE COMPETENCE CENTRE ; 650, ROUTE DES LUCIOLES ; F-06921 SOPHIA-ANTIPOLIS CEDEX ; FRANCE, vol. RAN WG3, no. Online; 20210517 - 20210528, 7 May 2021 (2021-05-07), Mobile Competence Centre ; 650, route des Lucioles ; F-06921 Sophia-Antipolis Cedex ; France , XP052002275 *

Similar Documents

Publication Publication Date Title
WO2022080634A1 (ko) 인공 신경망 학습 방법 및 이를 지원하는 전자 장치
WO2021261784A1 (ko) 전송 속도를 조절하기 위한 전자 장치 및 그의 동작 방법
WO2023008932A1 (ko) 셀 온 또는 오프 트래픽 기반 임계값을 결정하기 위한 전자 장치 및 전자 장치의 동작 방법
WO2022181965A1 (ko) 업사이클링 기능을 제공하기 위한 방법 및 이를 지원하는 전자 장치
WO2022035050A1 (ko) 전자 장치 및 그 제어 방법
WO2022154263A1 (ko) 전자 장치 및 전자 장치의 동작 방법
WO2023113211A1 (ko) 기지국이 전송하는 신호의 빔 포밍 패턴을 결정하는 장치 및 방법
WO2022250273A1 (ko) 측정에 의한 전력 소모를 줄이기 위한 전자 장치 및 그의 동작 방법
WO2022234984A1 (ko) 전자 장치 및 전자 장치의 동작 방법
WO2024014884A1 (ko) Cpu 클럭을 제어하는 전자 장치, 그 동작 방법, 및 저장 매체
WO2022114648A1 (ko) 배경 화면을 설정하기 위한 전자 장치 및 그의 동작 방법
WO2022045614A1 (ko) 최적화된 네트워크 통신을 제공하는 전자 장치 및 그 방법
WO2022265280A1 (ko) 저조도 노이즈를 제거하는 전자 장치 및 그 작동 방법
WO2022220424A1 (ko) 모바일 핫스팟을 제공하는 전자 장치 및 그의 동작 방법
WO2024076068A1 (ko) 복수의 프로세스들의 릴리즈를 제어하기 위한 전자 장치 및 그 방법
WO2023219416A1 (ko) 사용자 단말의 이동성 예측을 위한 서버의 동작 방법 및 그 서버
WO2023113303A1 (ko) 전자 장치 및 외부 장치에서의 출력 데이터 결정 방법
WO2024048943A1 (ko) 전자 장치 및 전자 장치의 어플리케이션 성능 최적화 방법
WO2022098004A1 (ko) 통신 연결을 통하여 데이터를 전송하는 전자 장치와 이의 동작 방법
WO2022225161A1 (ko) 네트워크 상태 및 처리량의 모니터링에 기초하여 문제 발생시 회복 루틴을 수행하는 프로세서 및 이를 포함하는 전자 장치
WO2022163907A1 (ko) 전자 장치 및 이의 제어 방법
WO2023063580A1 (ko) 무선 통신 수행 방법 및 이를 지원하는 전자 장치
WO2023149722A1 (ko) 전력에 기반한 무선 통신 방법 및 전자 장치
WO2023120921A1 (ko) 펌웨어 업데이트 방법, 상기 방법을 수행하는 전자 장치 및 충전 장치
WO2022154150A1 (ko) 전자 장치 및 그 제어 방법

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: 22849908

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2022849908

Country of ref document: EP

Ref document number: 22849908

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 202280052132.1

Country of ref document: CN

ENP Entry into the national phase

Ref document number: 2022849908

Country of ref document: EP

Effective date: 20240115

NENP Non-entry into the national phase

Ref country code: DE