KR20210092305A - 네트워크 시뮬레이션 플랫폼 생성 방법, 네트워크 시뮬레이션 방법 및 대응하는 장치 - Google Patents
네트워크 시뮬레이션 플랫폼 생성 방법, 네트워크 시뮬레이션 방법 및 대응하는 장치 Download PDFInfo
- Publication number
- KR20210092305A KR20210092305A KR1020217019934A KR20217019934A KR20210092305A KR 20210092305 A KR20210092305 A KR 20210092305A KR 1020217019934 A KR1020217019934 A KR 1020217019934A KR 20217019934 A KR20217019934 A KR 20217019934A KR 20210092305 A KR20210092305 A KR 20210092305A
- Authority
- KR
- South Korea
- Prior art keywords
- network
- black box
- performance indicator
- network performance
- box model
- Prior art date
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0852—Delays
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0852—Delays
- H04L43/087—Jitter
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
- H04L43/0888—Throughput
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
본 출원은 시뮬레이션 기술 분야에 관한 것으로, 5G 통신 시스템의 네트워크 시뮬레이션에 적용할 수 있는 네트워크 시뮬레이션 플랫폼 생성 방법, 네트워크 시뮬레이션 방법 및 대응하는 장치를 개시한다. 네트워크 시뮬레이션 플랫폼은 제1 블랙 박스 모델을 포함한다. 네트워크 시뮬레이션 플랫폼을 생성하는 방법은: 후보 네트워크 성능 지표 및 후보 네트워크 성능 지표와 관련된 특징 정보를 획득하는 단계 - 여기서 후보 네트워크 성능 지표와 관련된 특징 정보는 후보 네트워크 성능 지표의 획득에 필요한 특징 정보의 일부 또는 전부를 지칭함 - ; 및 머신 러닝 모델을 훈련시켜 제1 블랙 박스 모델을 획득하는 단계 - 여기서 제1 블랙 박스 모델의 출력 파라미터는 후보 네트워크 성능 지표이고, 제1 블랙 박스 모델의 입력 파라미터는 후보 네트워크 성능 지표와 관련된 특징 정보이며, 제1 블랙 박스 모델은 후보 네트워크 성능 지표를 시뮬레이션하는 데 사용됨 - 를 포함한다. 본 출원에서 제공하는 기술적 솔루션은 시뮬레이션 복잡성을 줄이는 데 도움이 되며 대규모 네트워크 시뮬레이션에 적용할 수 있다.
Description
본 출원은 2019년 5월 22일 중국 특허청에 출원된 중국 특허 출원 번호 제201910430994.3호, "METHOD FOR CREATING NETWORK SIMULATION PLATFORM, NETWORK SIMULATION METHOD, AND CORRESPONDING APPARATUSES", 에 대한 우선권을 주장하며, 그 전체 내용이 여기에 참조로 포함된다.
본 출원은 시뮬레이션 기술 분야에 관한 것으로, 특히 네트워크 시뮬레이션 플랫폼 생성 방법, 네트워크 시뮬레이션 방법 및 장치에 관한 것이다.
무선 통신 기술의 연구 개발은 주로 시뮬레이션 기술에 달려 있다. 무선 통신 시뮬레이션 기술은 링크 시뮬레이션, 시스템 시뮬레이션, 네트워크 시뮬레이션으로 나눌 수 있다. 링크 시뮬레이션은 채널-수준 시뮬레이션(예컨대, 물리적 채널 커버리지 및 용량 시뮬레이션)이고, 시스템 시뮬레이션은 기지국-수준 시뮬레이션(예컨대, 프로토콜 절차 및 스케줄링 시뮬레이션)이며, 네트워크 시뮬레이션은 네트워크-수준 시뮬레이션(예컨대, 네트워크 커버리지 및 용량 시뮬레이션)이다. 따라서, 네트워크 시뮬레이션은 상대적으로 큰 시뮬레이션 규모를 가지며 일반적으로는 수천 또는 수만 개의 기지국 수준에서 시뮬레이션된다.
기존의 네트워크 시뮬레이션은 정적 스냅 샷으로 구현되며 무선 네트워크에서 시간에 따라 변하는 기능을 효과적으로 반영할 수 없다. 그러나, 5G 통신 시스템은 상대적으로 높은 주파수, 상대적으로 좁은 빔을 가지며 환경 변화에 더 민감하다. 따라서, 기존의 네트워크 시뮬레이션은 5G 통신 시스템에 적용할 수 없다.
기존의 시스템 시뮬레이션은 동적 시뮬레이션을 구현할 수 있고, 시스템 시뮬레이션 기술을 네트워크 시뮬레이션에 적용할 수 있지만, 기존의 시스템 시뮬레이션에서는 네트워크 요소의 메시지 교환 메커니즘을 시뮬레이션할 필요가 있다. 결과적으로, 시뮬레이션 과정에서 계산량이 많아 시뮬레이션 결과를 빨리 얻을 수 없다. 특히, 시스템 시뮬레이션 기술을 네트워크 시뮬레이션에 적용할 때, 수천 또는 수만 개의 기지국이 있는 수준의 시뮬레이션에 필요한 시간은 수용될 수 없다.
기존의 링크 시뮬레이션 기술은 네트워크 시뮬레이션에 적용할 수 없다.
요약하면, 기존의 무선 통신 시뮬레이션 기술은 5G 통신 시스템의 네트워크 시뮬레이션에 효과적으로 적용될 수 없다. 따라서, 새로운 네트워크 시뮬레이션 기술이 시급히 제안되어야 한다.
본 출원의 실시 예는 5G 통신 시스템의 네트워크 시뮬레이션에 적용될 수 있는 네트워크 시뮬레이션 플랫폼을 생성하는 방법, 네트워크 시뮬레이션 방법 및 대응 장치를 제공한다.
제1 측면에 따르면, 본 출원의 실시 예는 네트워크 시뮬레이션 플랫폼을 생성하는 방법을 제공하는데, 여기서 네트워크 시뮬레이션 플랫폼은 적어도 하나의 블랙 박스 모델을 포함하고, 적어도 하나의 블랙 박스 모델은 제1 블랙 박스 모델을 포함한다. 상기 방법은 다음을 포함한다: 먼저, 후보 네트워크 성능 지표 및 후보 네트워크 성능 지표와 관련된 특징 정보를 획득하는 단계; 및 머신 러닝 모델을 훈련하여 제1 블랙 박스 모델을 획득하는 단계를 포함한다. 제1 블랙 박스 모델의 출력 파라미터는 후보 네트워크 성능 지표이고, 제1 블랙 박스 모델의 입력 파라미터는 후보 네트워크 성능 지표와 관련된 특징 정보이다. 제1 블랙 박스 모델은 후보 네트워크 성능 지표를 시뮬레이션하는 데 사용된다. 선택적으로, 후보 네트워크 성능 지표는 코어 네트워크의 네트워크 성능 지표, 베어링 네트워크의 네트워크 성능 지표, 액세스 네트워크의 네트워크 성능 지표 또는 교차 네트워크 네트워크 성능 지표를 포함한다. 교차 네트워크 네트워크 성능 지표는 코어 네트워크, 베어링 네트워크 및 액세스 네트워크 중 적어도 두 개의 네트워크에 의해 영향을 받는 네트워크 성능 지표를 말한다.
제1 측면에서 제공된 방법에 기초하여, 코어 네트워크, 베어링 네트워크 및/또는 액세스 네트워크에서 하나 이상의 후보 네트워크 성능 지표를 시뮬레이션하는 데 사용되는 블랙 박스 모델이 생성될 수 있다는 것을 알 수 있다. 입력 파라미터와 출력 파라미터(즉, 입력 인터페이스와 출력 인터페이스)는 각각의 블랙 박스 모델에 대해 정의된다. 이 경우, 네트워크 시뮬레이션 플랫폼이 생성된 것으로 간주될 수 있다. 네트워크 시뮬레이션 플랫폼에서는 후보 네트워크 성능 지표와 후보 네트워크 성능 지표와 관련된 입력 특징 정보가 주로 고려되며, 실제 네트워크에서의 프로토콜 절차를 시뮬레이션될 필요가 없다. 따라서, 네트워크 시뮬레이션 플랫폼은 상대적으로 복잡도가 낮으며 대규모 네트워크 시뮬레이션에 적용할 수 있다.
선택적으로, 후보 네트워크 성능 지표와 관련된 특징 정보는 후보 네트워크 성능 지표를 획득하는데 필요한 특징 정보의 일부 또는 전부를 의미한다.
가능한 설계에서, 적어도 하나의 블랙 박스 모델은 제2 블랙 박스 모델을 더 포함한다. 제2 블랙 박스 모델의 출력 파라미터는 제1 블랙 박스 모델의 입력 파라미터 중 하나이다. 즉, 본 출원의 실시 예는 블랙 박스 모델의 출력 파라미터를 다른 블랙 박스 모델의 입력 파라미터로 사용하는(즉, 블랙 박스 모델 간 연관 관계가 있는) 기술적 솔루션을 지원한다. 이 선택적인 기술적 솔루션은 "네트워크 성능 지표를 시뮬레이션하기 위해 시뮬레이션 프로세스 중에 복수의 블랙 박스 모델을 캐스케이드" 하기 위한 이론적 기반을 제공하고 종단 간(end-to-end) 시뮬레이션을 구현하기 위한 이론적 기반을 제공한다.
가능한 설계에서 제1 블랙 박스 모델의 출력 파라미터는 제1 네트워크의 네트워크 성능 지표이고 제2 블랙 박스 모델의 출력 파라미터는 제2 네트워크의 네트워크 성능 지표이다. 제1 네트워크는 코어 네트워크, 베어링 네트워크 또는 액세스 네트워크이다. 제2 네트워크는 코어 네트워크, 베어링 네트워크 및 액세스 네트워크 중 제1 네트워크가 아닌 임의의 네트워크이다. 즉, 본 출원의 실시 예는 교차 네트워크 네트워크 성능 지표의 시뮬레이션, 즉, 종단 간 시뮬레이션을 지원한다. 즉, 액세스 네트워크 부분의 모델, 베어링 네트워크 부분의 모델 및 코어 네트워크 부분의 모델이 협력적으로 네트워크 성능 지표의 시뮬레이션을 완료할 수 있다.
가능한 설계에서, 상기 방법은 훈련 데이터를 얻는 단계를 더 포함한다. 훈련 데이터는 실제 네트워크 또는 본 출원의 실시 예에서 제공되는 시뮬레이션 플랫폼이 아닌 다른 시뮬레이션 플랫폼에서 제공된다. 이 경우, 제1 블랙 박스 모델을 획득하기 위해 머신 러닝 모델을 훈련시키는 것은 제1 블랙 박스 모델을 획득하기 위해 훈련 데이터에 기초하여 머신 러닝 모델을 훈련시키는 것을 포함할 수 있다. 훈련 데이터가 실제 네트워크로부터 제공된다면 훈련 데이터가 시뮬레이션 정확도를 향상시키는 데 도움이된다는 것을 이해할 수 있다.
가능한 설계에서, 머신 러닝 모델에는 신경망 모델이 포함된다.
가능한 설계에서, 후보 네트워크 성능 지표는 순위(rank)를 포함하고 순위와 관련된 특징 정보에는 채널 매트릭스가 포함된다.
가능한 설계에서, 후보 네트워크 성능 지표는 채널 매트릭스를 포함하고 채널 매트릭스와 관련된 특징 정보는 다중 경로 파라미터 및 안테나 구성 파라미터를 포함한다.
가능한 설계에서, 후보 네트워크 성능 지표는 다중 경로 파라미터를 포함하고, 다중 경로 파라미터와 관련된 특징 정보는 전자 맵, 엔지니어링 파라미터 및 클러터(clutter) 유형 중 적어도 하나를 포함한다.
가능한 설계에서, 후보 네트워크 성능 지표는 셀의 채널 상태 확률 분포 파라미터를 포함하고, 셀의 채널 상태 확률 분포 파라미터와 관련된 특징 정보에는 셀의 그리드 채널 매트릭스 및 셀의 채널 상태 유지 시간 시퀀스가 포함된다.
가능한 설계에서, 후보 네트워크 성능 지표는 셀의 프리코딩 매트릭스를 포함하고, 셀의 프리코딩 매트릭스와 관련된 특징 정보는 셀의 그리드 채널 매트릭스를 포함한다.
가능한 구현에서, 시뮬레이션 단계에서, 블랙 박스 모델은 기존의 네트워크 시뮬레이션 플랫폼에서 메시지 큐 처리 프로세스를 대체하기 위해 사용될 수 있다. 특히, 블랙 박스 모델은 기존의 네트워크 시뮬레이션 플랫폼에서 네트워크 요소를 대체하는 데 사용되거나, 네트워크 요소에서 기능 모듈(예컨대, 채널 모델, 스케줄링 모델 또는 전송 모델)을 대체하는 데 사용될 수 있다. 선택적으로, 블랙 박스 모델을 사용하여 기존의 네트워크 시뮬레이션 플랫폼에서 네트워크 요소 또는 기능 모듈을 대체한 후, 블랙 박스 모델과 기존의 네트워크 시뮬레이션 플랫폼 간에 데이터를 교환할 수 있다. 즉, 본 출원의 실시 예에서 제공되는 블랙 박스 모델은 기존의 네트워크 시뮬레이션 플랫폼과 호환될 수 있다.
제2 측면에 따르면, 본 출원의 실시 예는 적어도 2개의 블랙 박스 모델을 포함하는 네트워크 시뮬레이션 플랫폼에 적용되는 네트워크 시뮬레이션 방법을 제공한다. 선택적으로, 시뮬레이션 플랫폼은 전술한 제1 측면 또는 제1 측면의 임의의 가능한 설계에 기초하여 생성된 시뮬레이션 플랫폼일 수 있다. 상기 방법은 다음을 포함한다: 먼저, 시뮬레이션될 제1 네트워크 성능 지표를 결정하는 단계; 적어도 2개의 블랙 박스 모델에서 상기 시뮬레이션될 제1 네트워크 성능 지표를 시뮬레이션하는 데 사용되는 제1 블랙 박스 모델을 검색하는 단계 - 여기서 상기 제1 블랙 박스 모델의 출력 파라미터는 상기 시뮬레이션될 제1 네트워크 성능 지표임 - ; 및 상기 제1 블랙 박스 모델의 입력 파라미터 값을 상기 제1 블랙 박스 모델에 입력하여 상기 제1 블랙 박스 모델의 출력 파라미터 값을 획득하고, 획득된 값을 상기 시뮬레이션될 제1 네트워크 성능 지표의 시뮬레이션 결과로 사용하는 단계.
이러한 기술적 솔루션에서, 시뮬레이션될 네트워크 성능 파라미터에 대해 시뮬레이션을 직접 수행할 수 있음을 알 수 있다. 메시지 처리 절차를 시뮬레이션하여 시뮬레이션될 네트워크 성능 파라미터에 대해 시뮬레이션을 간접적으로 수행하는 기존 기술의 기술적 솔루션과 비교하여, 본 기술적 솔루션은 시뮬레이션 효율성을 향상시키는 데 도움이된다.
가능한 설계에서, 시뮬레이션될 제1 네트워크 성능 지표에는: 코어 네트워크의 네트워크 성능 지표, 베어링 네트워크의 네트워크 성능 지표, 액세스 네트워크의 네트워크 성능 지표 또는 교차 네트워크 네트워크 성능 지표가 포함된다.
가능한 설계에서, 상기 방법은 다음을 추가로 포함한다: 적어도 2개의 블랙 박스 모델로부터, 시뮬레이션될 제2 네트워크 성능 지표를 시뮬레이션하는 데 사용되는 제2 블랙 박스 모델을 검색하는 단계 - 여기서 제2 블랙 박스의 출력 파라미터 모델은 제1 블랙 박스 모델의 입력 파라미터 중 하나임 - ; 및 제2 블랙 박스 모델의 입력 파라미터 값을 제2 블랙 박스 모델에 입력하여 제2 블랙 박스 모델의 출력 파라미터 값을 획득하고, 획득된 값을 시뮬레이션될 제2 네트워크 성능 지표의 시뮬레이션 결과로 사용하는 단계. 이를 바탕으로, 제1 블랙 박스 모델의 입력 파라미터 값을 제1 블랙 박스 모델에 입력하는 것은: 시뮬레이션될 제2 네트워크 성능 지표의 시뮬레이션 결과를 제1 블랙 박스 모델에 입력하는 것을 포함한다. 즉, 본 출원의 실시 예는 네트워크 성능 지표를 시뮬레이션하기 위해 블랙 박스 모델 간의 캐스케이딩을 지원한다.
가능한 설계에서, 제1 블랙 박스 모델의 출력 파라미터는 제1 네트워크의 네트워크 성능 지표이고 제2 블랙 박스 모델의 출력 파라미터는 제2 네트워크의 네트워크 성능 지표이다. 제1 네트워크는 코어 네트워크, 베어링 네트워크 또는 액세스 네트워크이고, 제2 네트워크는 코어 네트워크, 베어링 네트워크 및 액세스 네트워크 중 제1 네트워크 이외의 임의의 네트워크이다. 즉, 본 출원의 실시 예는 교차 네트워크 네트워크 성능 지표의 시뮬레이션, 즉, 종단 간 시뮬레이션을 지원한다. 즉, 액세스 네트워크 부분의 모델, 베어링 네트워크 부분의 모델 및 코어 네트워크 부분의 모델이 협력적으로 네트워크 성능 지표의 시뮬레이션을 완료할 수 있다.
가능한 설계에서, 시뮬레이션될 제1 후보 네트워크 성능 지표는 순위를 포함하고, 순위와 관련된 특징 정보는 채널 매트릭스를 포함한다.
가능한 설계에서, 시뮬레이션될 제1 네트워크 성능 지표는 채널 매트릭스를 포함하고, 제1 블랙 박스 모델의 출력 파라미터는 다중 경로 파라미터 및 안테나 구성 파라미터를 포함한다.
가능한 설계에서, 시뮬레이션될 제1 네트워크 성능 지표는 다중 경로 파라미터를 포함하고, 제1 블랙 박스 모델의 출력 파라미터에는 전자 맵, 엔지니어링 파라미터 및 클러터가 포함된다.
가능한 설계에서, 시뮬레이션될 제1 네트워크 성능 지표는 셀의 채널 상태 확률 분포 파라미터를 포함하고, 제1 블랙 박스 모델의 출력 파라미터는 셀의 그리드 채널 매트릭스와 셀의 채널 상태 유지 시간 시퀀스를 포함한다..
가능한 설계에서, 시뮬레이션될 제1 네트워크 성능 지표는 셀의 프리코딩 매트릭스를 포함하고, 제1 블랙 박스 모델의 출력 파라미터는 셀의 그리드 채널 매트릭스를 포함한다.
제3 측면에 따르면, 본 출원의 실시 예는 네트워크 시뮬레이션 플랫폼을 생성하기 위한 장치를 제공하고, 이 장치는 전술한 제1 측면에서 제공된 임의의 방법 또는 제1 측면의 임의의 가능한 설계를 수행하도록 구성될 수 있다. 이 장치는 서버 또는 칩일 수 있다.
가능한 설계에서, 장치는 전술한 제1 측면에서 제공된 방법 또는 제1 측면의 임의의 가능한 설계에 기초하여 기능 모듈로 분할될 수 있다. 예를 들어, 각각의 기능 모듈은 각각의 기능에 대응하는 분할을 통해 획득될 수 있거나, 둘 이상의 기능이 하나의 처리 모듈에 통합될 수 있다.
가능한 설계에서, 이 장치는 메모리 및 프로세서를 포함할 수 있다. 메모리는 컴퓨터 프로그램을 저장하도록 구성된다. 프로세서는 컴퓨터 프로그램을 호출하여 전술한 제1 측면에서 제공된 방법 또는 제1 측면의 임의의 가능한 설계를 수행하도록 구성된다.
제4 측면에 따르면, 본 출원의 실시 예는 네트워크 시뮬레이션 장치를 제공하고, 장치는 전술한 제2 측면에서 제공된 임의의 방법 또는 제2 측면의 임의의 가능한 설계를 수행하도록 구성될 수 있다. 이 장치는 서버 또는 칩일 수 있다.
가능한 설계에서, 이 장치는 전술한 제2 측면에서 제공된 방법 또는 제2 측면의 임의의 가능한 설계에 기초하여 기능 모듈로 분할될 수 있다. 예를 들어, 각각의 기능 모듈은 각각의 기능에 대응하는 분할을 통해 획득될 수 있거나, 둘 이상의 기능이 하나의 처리 모듈에 통합될 수 있다.
가능한 설계에서, 이 장치는 메모리 및 프로세서를 포함할 수 있고, 메모리는 컴퓨터 프로그램을 저장하도록 구성된다. 프로세서는 전술한 제2 측면에서 제공된 방법 또는 제2 측면의 임의의 가능한 설계를 수행하기 위해 컴퓨터 프로그램을 호출하도록 구성된다.
제5 측면에 따르면, 본 출원의 실시 예는 컴퓨터 프로그램(또는 명령어)이 컴퓨터 판독 가능 저장 매체에 저장되는 비 일시적 컴퓨터 판독 가능 저장 매체와 같은 컴퓨터 판독 가능 저장 매체를 제공하고, 컴퓨터 프로그램(또는 명령어)이 컴퓨터상에서 실행될 때, 컴퓨터는 전술한 제1 측면에서 제공된 임의의 방법 또는 제1 측면의 임의의 가능한 설계를 수행할 수 있다.
제6 측면에 따르면, 본 출원의 실시 예는 컴퓨터 판독 가능 저장 매체에 컴퓨터 프로그램(또는 명령어)이 저장되는 비 일시적 컴퓨터 판독 가능 저장 매체와 같은 컴퓨터 판독 가능 저장 매체를 제공하고, 컴퓨터 프로그램(또는 명령어)이 컴퓨터에서 실행될 때, 컴퓨터는 전술한 제2 측면에서 제공된 임의의 방법 또는 제2 측면의 임의의 가능한 설계를 수행할 수 있다.
제7 측면에 따르면, 본 출원의 실시 예는 컴퓨터 프로그램 제품을 제공하고, 컴퓨터 프로그램 제품이 컴퓨터에서 실행될 때, 전술한 제1 측면에서 제공된 임의의 방법 또는 제1 측면의 임의의 가능한 설계가 수행된다.
제8 측면에 따르면, 본 출원의 실시 예는 컴퓨터 프로그램 제품을 제공하고, 컴퓨터 프로그램 제품이 컴퓨터에서 실행될 때, 전술한 제2 측면에서 제공된 임의의 방법 또는 제2 측면의 임의의 가능한 설계가 수행된다.
위에서 제공된 네트워크 시뮬레이션 플랫폼 생성 장치, 네트워크 시뮬레이션 장치, 컴퓨터 저장 매체, 또는 컴퓨터 프로그램 제품 중 어느 하나가 상기 제공된 상응하는 방법으로 사용될 수 있음을 이해할 수 있다. 따라서, 달성될 수 있는 유익한 효과에 대해서는 해당 방법에서의 유익한 효과를 참조하며, 여기서는 다시 설명하지 않는다.
도 1은 기존의 네트워크 시뮬레이션 플랫폼의 개략도이다.
도 2는 본 출원의 실시 예에 적용 가능한 서버의 개략적인 구조도이다.
도 3은 본 출원의 실시 예에 따른 네트워크 시뮬레이션 플랫폼을 생성하기 위한 방법의 개략적인 흐름도이다.
도 4는 본 출원의 실시 예에 따른 네트워크 시뮬레이션 플랫폼의 개략도이다.
도 5a는 본 출원의 실시 예에 따른 블랙 박스 모델 간의 캐스케이딩의 개략도이다.
도 5b는 본 출원의 실시 예에 따른 블랙 박스 모델 간의 다른 유형의 캐스케이딩의 개략도이다.
도 6은 본 출원의 실시 예에 따른 다중 경로 파라미터 모델 및 채널 매트릭스 모델의 개략도이다.
도 7a는 본 출원의 실시 예에 적용 가능한 네트워크 시뮬레이션 플랫폼의 개략도이다.
도 7b는본 출원의 실시 예에 적용 가능한 다른 네트워크 시뮬레이션 플랫폼의 개략도이다.
도 8은 본 출원의 실시 예에 따른 네트워크 시뮬레이션 방법의 개략적인 흐름도이다.
도 9는 본 출원의 실시 예에 따른 다른 네트워크 시뮬레이션 방법의 개략적 인 흐름도이다.
도 10은 본 출원의 실시 예에 따른 네트워크 시뮬레이션 플랫폼을 생성하기 위한 장치의 개략적인 구조도이다.
도 11은 본 출원의 실시 예에 따른 네트워크 시뮬레이션 장치의 개략적인 구조도이다.
도 2는 본 출원의 실시 예에 적용 가능한 서버의 개략적인 구조도이다.
도 3은 본 출원의 실시 예에 따른 네트워크 시뮬레이션 플랫폼을 생성하기 위한 방법의 개략적인 흐름도이다.
도 4는 본 출원의 실시 예에 따른 네트워크 시뮬레이션 플랫폼의 개략도이다.
도 5a는 본 출원의 실시 예에 따른 블랙 박스 모델 간의 캐스케이딩의 개략도이다.
도 5b는 본 출원의 실시 예에 따른 블랙 박스 모델 간의 다른 유형의 캐스케이딩의 개략도이다.
도 6은 본 출원의 실시 예에 따른 다중 경로 파라미터 모델 및 채널 매트릭스 모델의 개략도이다.
도 7a는 본 출원의 실시 예에 적용 가능한 네트워크 시뮬레이션 플랫폼의 개략도이다.
도 7b는본 출원의 실시 예에 적용 가능한 다른 네트워크 시뮬레이션 플랫폼의 개략도이다.
도 8은 본 출원의 실시 예에 따른 네트워크 시뮬레이션 방법의 개략적인 흐름도이다.
도 9는 본 출원의 실시 예에 따른 다른 네트워크 시뮬레이션 방법의 개략적 인 흐름도이다.
도 10은 본 출원의 실시 예에 따른 네트워크 시뮬레이션 플랫폼을 생성하기 위한 장치의 개략적인 구조도이다.
도 11은 본 출원의 실시 예에 따른 네트워크 시뮬레이션 장치의 개략적인 구조도이다.
네트워크 시뮬레이션 시스템이라고도 하는 네트워크 시뮬레이션 플랫폼은 서버(또는 시뮬레이션 장치라고도 함)에서 실행되는 소프트웨어이며 네트워크 시뮬레이션 작업을 수행하는 데 사용된다. 네트워크 시뮬레이션 작업을 수행하는 것은 하나 이상의 네트워크 성능 지표(예컨대, 채널 매트릭스, 다중 경로 파라미터 및 셀 간섭)에 대한 시뮬레이션을 수행하는 것으로 이해될 수 있다.
도 1은 기존의 네트워크 시뮬레이션 플랫폼의 개략도를 보여준다. 도 1에 도시된 기존의 네트워크 시뮬레이션 플랫폼은 시스템 시뮬레이션 기술을 사용하여 구현되며, 기존의 네트워크 시뮬레이션 플랫폼의 시뮬레이션 과정은: 안테나 모델링(도 1의 안테나 어레이 모델의 생성 과정), 채널 모델링(도 1의 다중 모델 스펙트럼 채널의 생성 과정), 스케줄링 알고리즘 처리(도 1에 도시되지 않았으며 구체적으로는 MAC 계층에 포함될 수 있음) 및 프로토콜 절차 처리 등을 포함한다. 특정 구현 프로세스에서, 네트워크 시뮬레이션 플랫폼은 프로토콜 계층 간의 정보 교환을 시뮬레이션하고, 시뮬레이션된 프로토콜 계층을 기반으로 각각의 데이터 패킷을 처리하며, 네트워크 요소들 간의 데이터 패킷 교환을 시뮬레이션해야한다. 또한, 네트워크 시뮬레이션 플랫폼은 자원 스케줄링 프로세스, 베이스 밴드 처리 프로세스 등을 더 시뮬레이션할 수 있다.
도 1은 무선 통신 네트워크의 네트워크 요소가 서로 통신할 때 시뮬레이션해야 하는 프로토콜 계층과, 무선 에어 인터페이스 부분의 특징 정보를 나타낸다. 네트워크 요소에는: 원격 호스트, PDN 게이트웨이(PDN gateway, PGW) / 서빙 게이트웨이(serving gateway, SGW), 기지국 및 단말이 포함된다. PDN은 공용 데이터 네트워크(public data network)의 영문 약어이다. 원격 호스트의 경우, 시뮬레이션해야 하는 프로토콜 계층에는: 애플리케이션 계층, 전송 제어 프로토콜(Transmission Control Protocol, TCP) 계층 / 사용자 데이터 그램 프로토콜(User Datagram Protocol, UDP) 계층 및 인터넷 프로토콜(Internet Protocol, IP, IP) 계층이 포함된다. PGW / SGW의 경우, 시뮬레이션이 필요한 프로토콜 계층에는: 제1 IP 계층, 애플리케이션 계층, GPRS 터널링 프로토콜(GPRS tunneling protocol, GTP) 계층, UDP 계층 및 제2 IP 계층이 포함된다. GPRS는 일반 패킷 무선 서비스(general packet radio service)의 영어 약어이다. 제1 IP 계층은 원격 호스트의 IP 계층에 해당한다. 기지국의 경우, 시뮬레이션해야 하는 프로토콜 계층에는: PGW / SGW의 제2 IP 계층, UDP 계층 및 GTP 계층에 각각 대응하는 IP 계층, UDP 계층 및 GTP 계층과, 애플리케이션 계층, 무선 자원 제어(radio resource control, RRC) 계층, 패킷 데이터 컨버전스 프로토콜(Packet Data Convergence Protocol, PDCP) 계층, 무선 링크 제어(radio link control, RLC) 계층, 미디어 액세스 제어(Media Access Control, MAC) 계층 및 물리적(physical) 계층이 포함된다. 단말의 경우, 시뮬레이션이 필요한 프로토콜 계층에는: 기지국의 PHY 계층, MAC 계층, RLC 계층, PDCP 계층, RRC 계층에 각각 대응하는 PHY 계층, MAC 계층, RLC 계층, PDCP 계층 및 RRC 계층, 원격 호스트의 IP 계층, TCP / UDP 계층 및 애플리케이션 계층에 각각 대응하는 IP 계층, TCP / UDP 계층 및 애플리케이션 계층 이 포함된다.
"2개의 프로토콜 계층이 서로 대응한다"는 것은 2개의 프로토콜 계층 중 하나에 의해 수행되는 처리 프로세스가 다른 프로토콜 계층에 의해 수행되는 처리 프로세스에 대한 역 프로세스임을 의미한다. 또한, 무선 에어 인터페이스 부분의 특징 정보는 기지국과 단말 사이에서 더 시뮬레이션될 필요가 있다. 예를 들어, 스펙트럼 PHY 계층, 다중 모델 스펙트럼 채널, 빔 포밍 모델(빔 포밍 기술을 시뮬레이션하는 데 사용됨), 전파 손실 모델(정보 전송 프로세스 중 에너지 손실을 시뮬레이션하는 데 사용됨), 상호 정보 오류(mutual information error, miError) 모델, 안테나 어레이 모델(기지국 및 단말의 안테나 어레이의 특징을 시뮬레이션하는 데 사용됨) 등이 시뮬레이션되어야한다.
시스템 시뮬레이션 기술은 동적 시뮬레이션을 구현할 수 있지만, 네트워크 프로토콜 계층 간에 메시지를 교환하는 메커니즘과 네트워크 요소 간에 메시지를 교환하는 메커니즘을 시뮬레이션하여 시스템 시뮬레이션을 구현하므로, 계산량이 많고 시뮬레이션 효율성이 낮다. 따라서, 기존의 시스템 시뮬레이션은 대규모 네트워크에 적용할 수 없다. 또한, 시스템 시뮬레이션 기술은 주로 단일 기지국을 시뮬레이션하는 데 사용되며 무선 에어 인터페이스 부분의 시뮬레이션에 중점을 두므로, 종단 간 시뮬레이션(즉, 교차 네트워크(cross-network) 네트워크 성능 지표의 시뮬레이션)을 구현할 수 없다.
이를 바탕으로, 본 출원의 실시 예는 네트워크 시뮬레이션 플랫폼을 생성하는 방법 및 장치, 네트워크 시뮬레이션 방법 및 장치를 제공한다.
본 출원의 실시 예들에서 제공되는 기술적 솔루션은 5G 신 무선(New Radio, NR) 시스템, 미래 진화 시스템과 같은 5세대(5th generation, 5G) 이동 통신 시스템과 같은 다양한 통신 시스템, 또는 복수의 결합된 통신 시스템에 적용될 수 있거나, 또는 기존 통신 시스템에 적용될 수 있다. 네트워크 시뮬레이션 플랫폼 생성 방법을 수행하도록 구성된 서버(제1 서버로 표시됨)와 네트워크 시뮬레이션 방법을 수행하도록 구성된 서버(제2 서버로 표시됨)는 동일한 서버일 수도 있고 다른 서버일 수도 있다. 예를 들어, 제2 서버는 제1 서버가 생성한 네트워크 시뮬레이션 플랫폼을 획득하기 위해 제1 서버와 직접 또는 간접적으로 정보를 교환한 다음, 네트워크 시뮬레이션 플랫폼을 기반으로 네트워크 시뮬레이션을 수행할 수 있다. 특정 구현에서, 서버(제1 서버 및 제2 서버 포함)는 실제 네트워크에 배치된 임의의 장치일 수 있거나(또는 통합될 수 있거나) 실제 네트워크의 각각의 장치와 독립적인 장치일 수 있다.
도 2는 본 출원의 실시 예에 적용 가능한 서버(20)(전술한 제1 서버 및 제2 서버 포함)의 개략적인 구조도를 도시한다. 서버(20)는 네트워크 시뮬레이션 플랫폼을 생성하기 위한 방법 및/또는 본 출원의 실시 예에서 제공되는 네트워크 시뮬레이션 방법을 수행하도록 구성된다. 서버(20)는 적어도 하나의 프로세서(201), 통신 라인(202), 메모리(203) 및 적어도 하나의 통신 인터페이스(204)를 포함할 수 있다.
프로세서(201)는 중앙 처리 장치(central processing unit,, CPU), 마이크로 프로세서, 애플리케이션 특정 집적 회로(application-specific integrated circuit, ASIC) 또는 본 출원의 솔루션에서 프로그램 실행을 제어하도록 구성된 하나 이상의 집적 회로일 수 있다.
통신 라인(202)은 전술한 요소들(예컨대, 적어도 하나의 프로세서(201), 통신 라인(202), 메모리(203) 및 적어도 하나의 통신 인터페이스(204)) 사이에서 정보를 전송하기 위한 경로를 포함할 수 있다.
통신 인터페이스(204)는 임의의 트랜시버 유형의 장치이고 광역 네트워크(wide area network, WAN) 또는 근거리 통신망(local area network, LAN)과 같은 다른 장치 또는 통신 네트워크와 통신하도록 구성된다.
메모리(203)는 읽기 전용 메모리(read-only memory, ROM) 또는 정적 정보 및 명령을 저장할 수 있는 다른 유형의 정적 저장 장치, 또는 랜덤 액세스 메모리(random access memory, RAM) 또는 정보 및 명령을 저장할 수 있는 다른 유형의 동적 저장 장치, 또는 전기적으로 지울 수 있는 프로그래밍 가능한 읽기 전용 메모리(electrically erasable programmable read-only memory, EEPROM), 컴팩트 디스크 읽기 전용 메모리(compact disc read-only memory, CD-ROM) ) 또는 다른 컴팩트 디스크 저장소, 광학 디스크 저장소(콤팩트 디스크, 레이저 디스크, 광학 디스크, 디지털 다용도 디스크, Blu-ray 디스크 등 포함), 자기 디스크 저장 매체 또는 다른 자기 저장소 장치 또는 명령 또는 데이터 구조의 형태로 예상되는 프로그램 코드를 전달하거나 저장하도록 구성될 수 있고 컴퓨터에 의해 액세스 될 수 있는 임의의 다른 매체일 수 있다. 본 출원은 이에 제한되지 않습니다. 메모리(203)는 독립적으로 존재할 수 있으며, 통신 라인(202)을 사용하여 프로세서(201)에 연결된다. 메모리(203)는, 다르게는, 프로세서(201)와 통합될 수 있다. 본 출원의 실시 예에서 제공되는 메모리(203)는 일반적으로 비 휘발성일 수 있다. 메모리(203)는 본 출원의 솔루션을 실행하는 데 사용되는 컴퓨터 명령을 저장하도록 구성되며, 실행은 프로세서(201)에 의해 제어된다. 프로세서(201)는 메모리(203)에 저장된 컴퓨터 명령어를 실행하도록 구성되어, 본 출원의 다음 실시 예에서 제공되는 방법을 구현한다.
선택적으로, 본 출원의 실시 예에서 컴퓨터 명령어는 애플리케이션 프로그램 코드로도 지칭될 수 있으며, 이는 본 출원의 실시 예에서 특별히 제한되지 않는다.
특정 구현에서, 일 실시 예에서, 서버(20)는 도 1의 프로세서(201) 및 도 2의 프로세서(207)와 같은 복수의 프로세서를 포함할 수 있다. 이러한 각각의 프로세서는 단일 CPU(single CPU) 프로세서이거나 다중 CPU(multi CPU) 프로세서일 수 있다. 여기서, 프로세서는 데이터를 처리하도록 구성된 하나 이상의 장치, 회로 및/또는 처리 코어(예를 들어, 컴퓨터 프로그램 명령)일 수 있다.
특정 구현에서, 일 실시 예에서, 서버(20)는 출력 장치(205) 및/또는 입력 장치(206)를 더 포함할 수 있다. 출력 장치(205)는 프로세서(201)와 통신하고, 정보를 복수의 방식으로 표시할 수 있다. 예를 들어, 출력 장치(205)는 액정 디스플레이(liquid crystal display, LCD), 발광 다이오드(light emitting diode, LED) 디스플레이 장치, 음극선 관(cathode ray tube, CRT) 디스플레이 장치, 프로젝터(projector) 등일 수 있다. 입력 장치(206)는 프로세서(201)와 통신하고, 복수의 방식으로 사용자의 입력을 수신할 수 있다. 예를 들어, 입력 장치(206)는 마우스, 키보드, 터치 스크린 장치, 감지 장치 등일 수 있다.
다음은 독자가 쉽게 이해할 수 있도록 본 출원의 실시 예에서의 용어를 설명한다.
블랙 박스 모델(black box model)이라고도 하는 블랙 박스 모델은 환경 예측에 주로 사용되는 모델이다. 블랙 박스 모델은 입력-출력 관계(즉, 입력 파라미터와 출력 파라미터 간의 관계)를 기반으로 생성되며 출력 파라미터와 입력 파라미터 간의 일반적인 직접적인 인과 관계를 반영한다. 블랙 박스 모델에는 일반적으로 하나의 출력 파라미터와 하나 이상의 입력 파라미터가 있다.
종단 간 시뮬레이션은 네트워크 간 네트워크 성능 지표 시뮬레이션 또는 계층 간 네트워크 성능 지표 시뮬레이션이라고도한다. 교차 네트워크(또는 교차 계층) 네트워크 성능 지표는 복수 유형의 네트워크에 의해 영향을 받을 수 있는 네트워크 성능 지표를 의미한다. 복수의 유형의 네트워크(또는 복수의 네트워크 계층)는 코어 네트워크, 베어링 네트워크 및 액세스 네트워크를 포함한다. 예를 들어, 지연은 코어 네트워크 및 전송 네트워크의 영향을 받을 수 있다. 따라서, 지연은 교차 네트워크 네트워크 성능 지표로 간주될 수 있다. 확실히, 일부 구현에서, 지연은 코어 네트워크의 지연 또는 전송 네트워크의 지연과 같은 단일 네트워크 네트워크 성능 지표로 간주될 수도 있다.
본 출원의 설명에서, "적어도 하나"는 하나 이상을 포함한다. "복수"는 둘 이상을 의미한다. 예를 들어, A, B 및 C 중 적어도 하나는: A는 단독으로 존재하는 것, B는 단독으로 존재하는 것, C는 단독으로 존재하는 것, A와 B는 공존하는 것, A와 C는 공존하는 것, B와 C는 공존하는 것, 및 A, B 및 C는 공존하는 것을 포함한다. 본 출원의 설명에서 "/"는 "또는"을 나타내고, 예를 들어 A/B는 A 또는 B를 나타낼 수 있다. 본 출원에서 "및/또는"이라는 용어는 연관된 객체를 설명하기 위한 연관 관계만을 설명하며 세 가지 관계가 존재할 수 있음을 나타낸다. 예를 들어, A 및/또는 B는 A만 존재하고 A와 B가 모두 존재하며 B만 존재하는 세 가지 경우를 나타낼 수 있다.
본 출원의 설명에서, "예시적인" 또는 "예를 들어"와 같은 단어는 예시 또는 설명을 나타내기 위해 사용된다. 본 출원에서 "예시적인" 또는 "예를 들어"로 기술된 임의의 실시 예 또는 설계 방식은 다른 실시 예 또는 설계 방식보다 더 바람직하거나 더 많은 이점을 갖는 것으로 설명되어서는 안된다. 정확하게, "예시적인" 또는 "예시적인"등의 단어의 사용은 특정 방식으로 상대적인 개념을 제시하기 위한 것이다.
다음은 첨부된 도면을 참조하여 본 출원의 실시 예에서 제공되는 기술적 솔루션을 설명한다. 본 출원의 실시 예에서 설명된 서비스 시나리오는 본 출원의 실시 예의 기술적 솔루션을 보다 명확하게 설명하기위한 것이며, 본 출원의 실시 예에서 제공되는 기술적 솔루션에 대한 어떠한 제한도 구성하지 않는다는 점에 유의해야한다. 통상의 기술자는 네트워크 아키텍처의 진화 및 새로운 서비스 시나리오의 출현으로, 본 출원의 실시 예에서 제공되는 기술 솔루션이 유사한 기술 문제에 동일하게 적용될 수 있음을 알고 있다.
도 3은 본 출원의 실시 예에 따라 네트워크 시뮬레이션 플랫폼을 생성하기위한 방법의 개략적인 흐름도를 도시한다. 네트워크 시뮬레이션 플랫폼은 적어도 하나의 블랙 박스 모델을 포함한다. 본 출원의 실시 예에서, 네트워크 시뮬레이션 플랫폼을 생성하는 것은 특히 적어도 하나의 블랙 박스 모델 각각을 생성하는 것을 포함한다. 본 실시 예에서는 적어도 하나의 블랙 박스 모델에 포함된 제1 블랙 박스 모델의 생성을 예로 들어 설명한다. 제1 블랙 박스 모델은 적어도 하나의 블랙 박스 모델 중 어느 하나일 수 있다. 도 1에 도시된 방법에는 다음 단계가 포함된다.
S101. 서버는 후보 네트워크 성능 지표와 후보 네트워크 성능 지표와 관련된 기능 정보를 획득한다.
서버가 후보 네트워크 성능 지표 및 후보 네트워크 성능 지표와 관련된 특징 정보를 획득하는 구체적인 구현은 본 출원의 실시 예에서 제한되지 않는다. 예를 들어, 서버는 사용자가 지시하거나 다른 장치에 의해 전송된 후보 네트워크 성능 지표 및 후보 네트워크 성능 지표와 관련된 특징 정보를 수신할 수 있다. 다른 예를 들어, 서버는 사용자가 지시한 정보 또는 다른 장치가 전송한 정보에 기초하여 후보 네트워크 성능 지표 및 후보 네트워크 성능 지표와 관련된 특징 정보를 결정할 수 있다.
후보 네트워크 성능 지표는 코어 네트워크, 베어링 네트워크 또는 액세스 네트워크의 임의의 네트워크 성능 지표이거나 교차 네트워크 네트워크 성능 지표일 수 있다. 코어 네트워크의 성능 지표는 사용자 분포 특성, 사용자 움직임 특성, 서비스 특성, 지연, 서비스 품질(quality of service, QoS), 평균 의견 점수 MOS(mean opinion score, MOS), 지터, 처리량 등을 포함할 수 있다. 베어링 네트워크의 성능 지표는 지연, 지터, 처리량 등 중 적어도 하나를 포함할 수 있다. 액세스 네트워크의 성능 지표는 간섭, 커버리지, 채널 용량, 처리량, 랭크, 지터 등 중 적어도 하나를 포함할 수 있다. 교차 네트워크 네트워크 성능 지표는 지연, 지터, 처리량 등을 포함할 수 있다. 특정 구현에서 후보 네트워크 성능 지표는 기존 네트워크 시뮬레이션 기술이 시뮬레이션될 수 있는 임의의 네트워크 성능 지표일 수 있다. 물론, 본 출원의 실시 예는 이에 제한되지 않는다.
하나의 후보 네트워크 성능 지표와 관련된 특징 정보는 후보 네트워크 성능 지표를 얻기 위해 필요한 기능 정보의 일부 또는 전부를 의미한다. 하나의 후보 네트워크 성능 지표와 관련된 특징 정보는 하나 이상의 파라미터일 수 있다. 하나 이상의 파라미터는 후보 네트워크 성능 지표 등에 대한 영향의 정도에 기초하여 구체적으로 결정될 수 있다. 예를 들어, 하나 이상의 파라미터는 후보 네트워크 성능 지표에 상대적으로 큰 영향을 미치는 하나 이상의 파라미터일 수 있다.
예를 들어, 후보 네트워크 성과 지표는 순위를 포함하고, 순위와 관련된 특징 정보는 채널 매트릭스 등을 포함한다. 순위가 단말의 순위인 경우, 채널 매트릭스는 단말과 단말의 주 서빙 기지국 간의 채널 매트릭스일 수 있다.
예를 들어, 후보 네트워크 성능 지시자는 채널 매트릭스를 포함하고, 채널 매트릭스와 관련된 특징 정보는 다중 경로 파라미터, 안테나 구성 파라미터 등을 포함한다. 채널 매트릭스가 단말과 단말의 주 서빙 셀 간의 채널 매트릭스인 경우, 다중 경로 파라미터는 단말과 주 서빙 셀 간의 채널의 다중 경로 파라미터일 수 있으며, 안테나 구성 파라미터는 단말의 안테나 구성 파라미터 및 주 서빙 기지국의 안테나 구성 파라미터이다. 다중 경로 파라미터는 각도, 지연 확산 등을 포함할 수 있다. 안테나 구성 파라미터는 안테나 어레이에 포함된 안테나의 수량 및 방향과 같은 정보를 포함할 수 있다.
예를 들어, 후보 네트워크 성능 지표는 다중 경로 파라미터를 포함하고, 다중 경로 파라미터와 관련된 특징 정보는 전자 맵, 엔지니어링 파라미터 및 클러터 중 적어도 하나를 포함한다. 다중 경로 파라미터가 단말과 주 서빙 기지국 사이의 채널의 다중 경로 파라미터일 수 있는 경우, 전자 맵, 엔지니어링 파라미터 및 클러터는 각각 단말과 주 서빙 기지국이 위치한 물리적 환경을 나타내는 데 사용되는 전자 맵, 엔지니어링 파라미터 및 클러터이다. 이 경우, 다중 경로 파라미터의 시뮬레이션 정확도가 향상될 수 있다.
예를 들어, 후보 네트워크 성능 지시자는 셀의 채널 상태 확률 분포 파라미터를 포함하고, 셀의 채널 상태 확률 분포 파라미터와 관련된 특징 정보는 셀의 그리드 채널 매트릭스, 셀의 채널 상태 유지 시간 시퀀스 등을 포함한다.
예를 들어, 후보 네트워크 성능 지시자는 셀의 프리코딩 매트릭스를 포함하고, 셀의 프리코딩 매트릭스와 관련된 특징 정보는 셀의 그리드 채널 매트릭스 등을 포함한다.
S102. 서버가 훈련 데이터를 결정하고 획득한다. 트레이닝 데이터는 복수의 값 세트를 포함하고, 각각의 값 세트는 후보 네트워크 성능 지표의 하나의 값 및 값을 얻기 위해 사용되는 특정 특징 정보를 포함한다. 특정 특징 정보는 S101에서 결정된 특징 정보의 일례로 이해될 수 있다. 예를 들어, S101에서 결정된 특징 정보가 채널 매트릭스를 포함하는 경우 특징 정보의 인스턴스는 특정 매트릭스이다. 또 다른 예로, S101에서 결정된 특징 정보가 다중 경로 파라미터를 포함하는 경우, 특징 정보의 인스턴스는 특정 단말과 특정 단말의 주 서빙 기지국 사이의 채널의 다중 경로 파라미터이다.
예를 들어, 후보 네트워크 성능 지표가 채널 매트릭스를 포함하고 채널 매트릭스와 관련된 특징 정보가 다중 경로 파라미터 및 안테나 구성 파라미터를 포함하는 경우, 훈련 데이터는: {다중 경로 파라미터 1, 안테나 구성 파라미터 1 및 채널 매트릭스 1}, {다중 경로 파라미터 2, 안테나 구성 파라미터 2 및 채널 매트릭스 2} 등을 포함할 수 있다. {다중 경로 파라미터 n, 안테나 구성 파라미터 n 및 채널 매트릭스 n}은 훈련 데이터의 값 집합이며, 값 집합은 입력 파라미터 값이 다중 경로 파라미터 n 및 안테나 구성 파라미터 n일 때, 출력 파라미터의 값이 채널 매트릭스 n임을 나타내는데 사용되며, 여기서 n은 1보다 크거나 같은 값이다.
선택적으로, S102의 훈련 데이터는 실제 네트워크 또는 본 출원의 실시 예에서 제공되는 시뮬레이션 플랫폼이 아닌 다른 시뮬레이션 플랫폼에서 제공된다. 실제 네트워크는 실제로 구축된 네트워크를 의미하며, 네트워크는 PGW, SGW, 기지국, 단말과 같은 네트워크 요소를 포함할 수 있다. 예를 들어, 실제 네트워크는 사이트(구체적으로는 도시와 같은 지역)에 실제로 배포된 네트워크일 수 있다. 다른 시뮬레이션 플랫폼은 종래 기술의 임의의 네트워크 시뮬레이션 플랫폼, 예를 들어 도 1에 도시된 네트워크 시뮬레이션 플랫폼일 수 있다. 또는, 다른 시뮬레이션 플랫폼은 미래의 네트워크 시뮬레이션 플랫폼이 될 수 있다.
S103. 제1 블랙 박스 모델을 얻기 위해 훈련 데이터를 기반으로 머신 러닝 모델을 훈련한다. 제1 블랙 박스 모델의 출력 파라미터는 후보 네트워크 성능 지표이고, 제1 블랙 박스 모델의 입력 파라미터는 S101에서 결정된 후보 네트워크 성능 지표와 관련된 특징 정보이다. 제1 블랙 박스 모델은 후보 네트워크 성능 지표를 시뮬레이션하는 데 사용된다.
선택적으로, 머신 러닝 모델의 유형은 이미지 기반 신경망 모델 또는 컨볼 루션 신경망(convolutional neural network, CNN)과 같은 신경망 모델을 포함할 수 있다. 또한, 머신 러닝 모델의 유형은 회귀 모델 또는 분류 모델과 같은 통계적 학습 모델을 포함할 수 있다.
S103은 후보 네트워크 성능 지표 및 후보 네트워크 성능 지표와 관련된 특징 정보에 기초하여 머신 러닝 모델을 선택하는 것을 포함할 수 있다. 예를 들어, 후보 네트워크 성능 지표가 다중 경로 파라미터인 경우, 선택된 머신 러닝 모델은 이미지 기반 신경망 모델과 같은 딥 러닝 모델일 수 있다. 다른 예로, 후보 네트워크 성능 지표가 채널 매트릭스인 경우, 선택된 머신 러닝 모델은 컨볼루션 신경망(CNN)일 수 있다. 그 다음, 학습 데이터를 기반으로 머신 러닝 모델을 학습하여 제1 블랙 박스 모델을 얻는다. 머신 러닝 모델 학습의 특정 구현은 본 출원의 실시 예에 제한되지 않습니다. 예를 들어, 종래 기술을 참조할 수 있다. 다양한 네트워크 성능 지표를 시뮬레이션하는 데 사용되는 머신 러닝 모델은 동일하거나 다를 수 있다.
전술한 S101 내지 S103을 기반으로, 하나의 후보 네트워크 성능 지표를 시뮬레이션하기 위해 사용되는 블랙 박스 모델이 생성될 수 있고, 코어 네트워크, 베어링 네트워크 및/또는 액세스 네트워크에서 하나 이상의 후보 네트워크 성능 지표를 시뮬레이션하기 위해 사용되는 블랙 박스 모델은 유사한 방법을 사용하여 별도로 생성될 수 있음을 이해할 수 있다. 입력 파라미터와 출력 파라미터(즉, 입력 인터페이스와 출력 인터페이스)는 각 블랙 박스 모델에 대해 정의된다. 이 경우, 네트워크 시뮬레이션 플랫폼이 생성된 것으로 볼 수 있다.
도 4는 본 출원의 실시 예에 따른 네트워크 시뮬레이션 플랫폼의 개략도를 도시한다. 도 4에 도시된 네트워크 시뮬레이션 플랫폼은: 액세스 네트워크 부분, 베어링 네트워크 부분 및 코어 네트워크 부분을 포함한다. 액세스 네트워크 부분에는 채널 매트릭스, 간섭, 커버리지, 채널 용량 및 순위와 같은 네트워크 성능 지표를 시뮬레이션하는 데 각각 사용되는 채널 모델, 간섭 모델, 커버리지 모델, 채널 용량 모델, 랭크 모델 등이 포함된다. 베어링 네트워크 부분은 지연, 지터 및 전송 자원 매핑과 같은 네트워크 성능 지표를 시뮬레이션하는 데 각각 사용되는 지연 모델, 지터 모델, 전송 자원 매핑 모델 등을 포함한다. 핵심 네트워크 부분에는 사용자 분포 모델, 사용자 모션 모델, 서비스 모델, QoS 모델, MOS 모델 등이 포함되며, 이들은 각각 사용자 분포 특징, 사용자 모션 특징, 서비스 특징, QoS 및 MOS를 시뮬레이션하는 데 사용된다. 도 4의 각각의 모델은 블랙 박스 모델일 수 있다.
특정 구현 프로세스에서, 액세스 네트워크의 경우, 무선 운영자는 커버리지, 간섭 및 용량과 같은 성능 지표를 고려한다. 이를 바탕으로, 커버리지, 간섭 및 용량을 후보 네트워크 성능 지표로 사용하여 S101 ~ S103을 수행할 수 있으며, 커버리지 시뮬레이션에 사용되는 블랙 박스 모델, 간섭 시뮬레이션에 사용되는 블랙 박스 모델 및 용량을 시뮬레이션하는 데 사용되는 블랙 박스 모델을 생성할 수 있다. 이 프로세스는 커버리지, 간섭 및 용량에 대한 블랙 박스 모델링 프로세스라고도 한다.
선택적으로 네트워크 시뮬레이션 플랫폼은 제2 블랙 박스 모델을 더 포함한다. 제2 블랙 박스 모델의 출력 파라미터는 제1 블랙 박스 모델의 입력 파라미터 중 하나이다. 제1 블랙 박스 모델이 복수의 입력 파라미터를 갖는 경우, 복수의 입력 파라미터 중 임의의 하나 이상의 입력 파라미터는 본 출원의 실시 예에서 제공되는 블랙 박스 모델의 출력 파라미터일 수 있다.
이 선택적 기술 솔루션은 본 출원의 실시 예가 하나의 블랙 박스 모델의 출력 파라미터를 다른 블랙 박스 모델의 입력 파라미터로 사용하는 기술적 솔루션을 지원함을 나타낸다(즉, 블랙 박스 모델 간에 연관 관계가 있음). 예를 들어, 도 5a를 참조하면, 다중 경로 파라미터 모델의 출력 파라미터(즉, 다중 경로 파라미터)는 채널 모델의 입력 파라미터로 사용될 수 있다. 채널 모델의 출력 파라미터(즉, 채널 매트릭스)는 간섭 모델, 커버리지 모델, 채널 용량 모델, 랭크 모델의 입력 파라미터로 사용될 수 있다.
이 선택적 기술 솔루션은, "네트워크 성능 지표를 시뮬레이션하기 위해 시뮬레이션 프로세스 중에 복수의 블랙 박스 모델을 캐스케이드" 하기 위한 이론적 기반을 제공하고 종단 간 시뮬레이션을 구현하기 위한 이론적 기반을 제공한다.
선택적으로 제1 블랙 박스 모델의 출력 파라미터는 제1 네트워크의 네트워크 성능 지표이고 제2 블랙 박스 모델의 출력 파라미터는 제2 네트워크의 네트워크 성능 지표이다. 제1 네트워크는 코어 네트워크, 베어링 네트워크 또는 액세스 네트워크이고; 제2 네트워크는 코어 네트워크, 베어링 네트워크 및 액세스 네트워크 중 제1 네트워크 이외의 임의의 네트워크이다. 즉, 본 출원의 실시 예는 교차 네트워크 네트워크 성능 지표의 시뮬레이션을 지원한다. 즉, 종단 간 시뮬레이션을 지원한다. 즉, 액세스 네트워크 부분의 모델, 베어링 네트워크 부분의 모델 및 코어 네트워크 부분의 모델이 협력적으로 네트워크 성능 지표의 시뮬레이션을 완료할 수 있다.
예를 들어, 도 5b를 참조하면, 액세스 네트워크 부분의 채널 용량 모델의 출력 파라미터(즉, 채널 용량), 액세스 네트워크 부분의 서비스 모델의 출력 파라미터, 코어 네트워크 부분의 QoS 모델의 출력 파라미터(즉, QoS 요구)는 베어링 네트워크에서 지연 모델의 입력 파라미터로 사용될 수 있다.
본 출원의 실시 예에서 제공하는 네트워크 시뮬레이션 플랫폼 생성 방법은 주로 후보 네트워크 성능 지표 및 후보 네트워크 성능 지표와 관련된 입력 특징 정보에 중점을 두며 실제 네트워크에서 프로토콜 절차를 시뮬레이션될 필요가 없다. 따라서, 상대적으로 복잡도가 낮아 대규모 네트워크 시뮬레이션에 적용할 수 있다.
이하에서는 전술한 특정 실시 예를 이용하여 네트워크 시뮬레이션 플랫폼을 생성하는 방법을 설명한다.
이 실시 예의 목적은 채널 매트릭스를 시뮬레이션될 수 있는 블랙 박스 모델을 생성하는 것이다. 이를 기반으로, 후보 네트워크 성능 지표는 채널 매트릭스이고 채널 매트릭스와 관련된 특징 정보는 다중 경로 파라미터이다. 본 출원의 실시 예에 따른 채널 매트릭스 시뮬레이션에 사용되는 블랙 박스 모델 생성 방법은 다음과 같다.
단계 1: 훈련 데이터를 얻는다. 훈련 데이터는 복수의 값 세트를 포함한다. 각각의 값 세트에는 채널 매트릭스와 채널 매트릭스를 얻는 데 사용되는 다중 경로 파라미터의 값이 포함된다.
일부 구현에서, 다중 경로 파라미터의 값은 다중 경로 파라미터 모델에 기초하여 결정될 수 있다. 다중 경로 파라미터 모델은 레이 트레이싱 모델 또는 통계 모델과 같은 종래 기술에서 제공되는 다중 경로 파라미터 모델일 수 있다. 대안으로, 다중 경로 파라미터 모델은 본 출원의 실시 예에서 제공되는 다중 경로 파라미터를 시뮬레이션하기 위해 사용되는 블랙 박스 모델일 수 있다. 도 6은 본 출원의 실시 예에 따른 다중 경로 파라미터 모델 및 채널 매트릭스 모델의 개략도를 도시한다.
일부 다른 구현에서, 다중 경로 파라미터의 값은 실제로 측정된 데이터에 기초하여 추정될 수 있다.
단계 2: 획득한 훈련 데이터를 신경망 모델(예컨대, 3GPP 프로토콜 모델)에 입력하고 신경망 모델을 훈련하여 채널 매트릭스를 시뮬레이션하는 데 사용되는 블랙 박스 모델을 얻는다.
다중 경로 파라미터는 광선 추적 또는 실제 측정된 데이터에서 얻을 수 있음을 이해할 수 있다. 따라서, 다중 경로 파라미터 모델 획득 과정과 채널 매트릭스 획득 과정을 별도로 수행할 수 있으며, 훈련 효율을 높이기 위해 병렬적 훈련을 수행할 수 있다.
기존 기술에서 채널 매트릭스 시뮬레이션에 필요한 다중 경로 파라미터는 일반적으로 통계 모델 또는 광선 추적 모델을 기반으로 획득된다는 점에 유의해야 한다. 채널 매트릭스 시뮬레이션에 필요한 다중 경로 파라미터를 통계 모델을 기반으로 구하면, 통계 모델을 이용하여 시뮬레이션에 필요한 다중 경로 파라미터를 무작위로 생성한다. 따라서, 실제 환경에서 채널 응답을 정확하게 반영할 수 없다. 광선 추적 모델 등에 기초하여 채널 매트릭스를 시뮬레이션하는 데 필요한 다중 경로 파라미터는: 알고리즘을 사용하여 이들 광선의 평면 파 추정 및 추적 반사 거동 및 산란 거동을 기반으로 전자지도에서 많은 수의 광선을 생성함으로써, 시뮬레이션에 필요한 다중 경로 파라미터를 최종적으로 생성한다. 이 방법은 상대적으로 계산 효율이 낮고 대규모 시뮬레이션 시나리오에 적용할 수 없다. 이 실시 예에서, 블랙 박스 모델에 기반한 다중 경로 파라미터의 시뮬레이션을 위해, 무선 전파 환경의 특징은 전자지도 및 엔지니어링 파라미터로부터 직접 획득될 수 있고, 대응하는 다중 경로 파라미터는 이러한 특징들에 기초하여 생성될 수 있다. 이러한 방식에서, 시뮬레이션이 더 효율적이다. 따라서, 블랙 박스 시뮬레이션 모델은 대규모 시뮬레이션 시나리오에 적용할 수 있다.
특정 구현 프로세스에서, 본 출원의 실시 예에서 제공되는 네트워크 시뮬레이션 플랫폼은 외부적으로 라이브러리 형태의 호출 인터페이스를 제공할 수 있다. 네트워크 시뮬레이션 플랫폼의 블랙 박스 모델(예를 들어, 도 4에 도시된 각 블랙 박스 모델)을 개별적으로 호출하거나 복수의 블랙 박스 모델을 공동 호출하여 네트워크 성능 지표의 시뮬레이션을 완료할 수 있다. 또한, 네트워크 간 네트워크 성능 지표의 시뮬레이션은 직접 종단 간 호출을 통해 추가로 완료될 수 있다. 사용자는 시뮬레이션 요구 사항(예컨대, 사용자 및 시뮬레이션 효율성과 관련된 지표)에 따라 다양한 호출 모드를 유연하게 선택할 수 있다.
특정 구현 프로세스에서, 시뮬레이션 단계에서 블랙 박스 모델은 기존 네트워크 시뮬레이션 플랫폼에서 메시지 큐 처리 프로세스를 대체하는 데 사용될 수 있다. 특히, 블랙 박스 모델은 기존의 네트워크 시뮬레이션 플랫폼에서 네트워크 요소를 대체하는 데 사용되거나, 네트워크 요소에서 기능 모듈(예컨대, 채널 모델, 스케줄링 모델 또는 전송 모델)을 대체하는 데 사용될 수 있다.
기존의 네트워크 시뮬레이션 플랫폼에서 네트워크 요소를 대체하기 위해 블랙 박스 모델을 사용하는 경우, 블랙 박스 모델의 출력 파라미터는 도 7a에 도시된 바와 같이 네트워크 요소의 기능 모듈의 출력 파라미터이다. 도 7a의 블랙 박스 모델은 기지국을 대체한다. 기존의 네트워크 시뮬레이션 플랫폼에서 기능 모듈을 대체하기 위해 블랙 박스 모델을 사용하는 경우, 도 7b에 도시된 것처럼, 블랙 박스 모델의 입력 파라미터는 기능 모듈의 입력 파라미터와 같고, 블랙 박스 모델의 출력 파라미터는 기능 모듈의 출력 파라미터와 동일하다. 도 7b의 블랙 박스 모델은 채널 모델을 대체한다. 도 7a 및 도 7b는 도 1에 기초하여 도시된다. 도 7b의 블랙 박스 모델은 기지국에 포함된 다중 모델 스펙트럼 채널(채널 모델로 이해될 수 있음)을 대체한다.
블랙 박스 모델을 사용하여 기존 네트워크 시뮬레이션 플랫폼에서 네트워크 요소 또는 기능 모듈을 대체한 후, 블랙 박스 모델과 기존 네트워크 시뮬레이션 플랫폼간에 데이터를 교환할 수 있다. 즉, 본 출원의 실시 예에서 제공되는 블랙 박스 모델은 기존의 네트워크 시뮬레이션 플랫폼과 호환될 수 있다.
도 8은 본 출원의 실시 예에 따른 네트워크 시뮬레이션 방법의 개략적인 흐름도를 도시한다. 이 방법은 적어도 2개의 블랙 박스 모델을 포함하는 네트워크 시뮬레이션 플랫폼에 적용된다. 선택적으로, 네트워크 시뮬레이션 플랫폼에서 블랙 박스 모델을 생성하는 방법은 전술한 설명을 참조한다. 도 8에 도시된 방법에는 다음의 단계가 포함된다:
S201. 서버는 시뮬레이션될 제1 네트워크 성능 지표를 결정한다. 시뮬레이션될 제1 네트워크 성능 지표는 시뮬레이션해야 하는 네트워크 성능 지표일 수 있다.
예를 들어, 서버는 사용자가 표시한(또는 다른 장치에 의해 표시되는) 네트워크 성능 지표를 수신하고 네트워크 성능 지표를 시뮬레이션될 제1 네트워크 성능 지표로 사용하거나 네트워크 성능 지표를 분석하여, 그 네트워크 성능 지표와 관련된 네트워크 성능 지표를 시뮬레이션될 제1 네트워크 성능 지표로 사용한다.
S202. 서버는 적어도 2개의 블랙 박스 모델에서 시뮬레이션될 제1 네트워크 성능 지표를 시뮬레이션하는 데 사용되는 제1 블랙 박스 모델을 검색한다. 제1 블랙 박스 모델의 출력 파라미터는 시뮬레이션될 제1 네트워크 성능 지표이다.
구체적으로, 서버는 적어도 2개의 블랙 박스 모델 중에서 출력 파라미터가 시뮬레이션될 제1 네트워크 성능 지표인 블랙 박스 모델을 제1 블랙 박스 모델로 선택할 수 있다.
S203. 서버는 제1 블랙 박스 모델의 입력 파라미터 값을 제1 블랙 박스 모델에 입력하여 제1 블랙 박스 모델의 출력 파라미터 값을 획득하고, 획득된 값을 시뮬레이션될 제1 네트워크 성능 지표의 시뮬레이션 결과로 사용한다.
예를 들어, 제1 블랙 박스 모델이 채널 모델이고 단말과 단말의 주 서빙 기지국 간의 채널 매트릭스를 시뮬레이션하는 데 사용된다고 가정하면, 제1 블랙 박스 모델의 입력 파라미터 값은: 단말의 안테나 구성 파라미터 값, 주 서빙 기지국의 안테나 구성 파라미터 값, 단말과 주 서빙 기지국 간의 다중 경로 파라미터 값 등을 포함할 수 있다. 이를 바탕으로, 시뮬레이션될 제1 네트워크 성능 지표의 시뮬레이션 결과는 단말과 주 서빙 기지국 사이의 채널 매트릭스가 된다.
본 출원의 실시 예에서 제공하는 네트워크 시뮬레이션 방법에 따르면, 시뮬레이션될 네트워크 성능 파라미터를 직접 시뮬레이션할 수 있다. 시뮬레이션될 네트워크 성능 파라미터를 메시지 처리 절차를 시뮬레이션하여 간접적으로 시뮬레이션하는 기존 기술의 기술적 솔루션과 비교하여, 본 출원의 실시 예에서 네트워크 시뮬레이션 방법은 시뮬레이션 효율성을 향상시키는 데 도움이 된다.
도 9는 본 출원의 실시 예에 따른 네트워크 시뮬레이션 방법의 개략적인 흐름도를 도시한다. 이 방법은, 적어도 2개의 블랙 박스 모델을 포함하는 네트워크 시뮬레이션 플랫폼에 적용된다. 도 9에 도시된 방법에는 다음의 단계가 포함된다.
S301 및 S302에 대해서는 위의 S201 및 S202를 참조한다. 물론, 본 출원의 실시 예는 이에 제한되지 않는다.
S303. 서버는 제2 블랙 박스 모델에서 시뮬레이션될 제2 네트워크 성능 지표를 시뮬레이션하는 데 사용되는 제2 블랙 박스 모델을 검색하는데, 여기서 제2 블랙 박스의 출력 파라미터는 제1 블랙 박스 모델의 입력 파라미터 중 하나이다.
특히, 서버가 제1 블랙 박스 모델의 입력 파라미터 중 하나가 적어도 두 개의 블랙 박스 모델 중 하나의 출력 파라미터라고 판단하면, 서버는 입력 파라미터를 시뮬레이션될 제2 네트워크 성능 지표로 사용하고, 그 블랙 박스 모델을 제2 블랙 박스 모델로 사용한다.
예를 들어, 시뮬레이션될 제1 네트워크 성능 지표가 채널 매트릭스인 경우, 채널 모델(즉, 제1 블랙 박스 모델)의 입력 파라미터 중 하나가 다중 경로 파라미터이므로, 다중 경로 파라미터는 시뮬레이션될 제2 네트워크 성능 지표로 사용되며, 다중 경로 파라미터 모델은 제2 블랙 박스 모델로 사용될 수 있다.
S304. 서버는 제2 블랙 박스 모델의 입력 파라미터 값을 제2 블랙 박스 모델에 입력하여 제2 블랙 박스 모델의 출력 파라미터 값을 획득하고, 획득한 값을 시뮬레이션될 제2 네트워크 성능 지표의 시뮬레이션 결과로 사용한다.
예를 들어, 제2 블랙 박스 모델이 다중 경로 파라미터 모델이고 시뮬레이션될 제1 네트워크 성능 지표가 단말과 단말의 주 서빙 기지국 간의 채널 매트릭스라고 가정하면, 서버는 제2 블랙 박스 모델에, 단말과 주 서빙 기지국이 위치하는 물리적 환경의 전자지도, 엔지니어링 파라미터 및 클러터를 입력할 수 있다. 이를 바탕으로, 시뮬레이션될 제2 네트워크 성능 지표의 시뮬레이션 결과는 단말과 주 서빙 기지국 사이의 채널의 다중 경로 파라미터가 된다.
S302, S303 및 S304의 실행 순서는 본 출원의 실시 예에서 제한되지 않는다. 예를 들어, S302는 S303 및 S304 이전에 수행되거나, S303 및 S304는 S302 이전에 수행될 수 있거나, S302는 S303 및 S304의 수행 과정에서 수행될 수 있다.
S305. 서버는 시뮬레이션될 제2 네트워크 성능 지표의 시뮬레이션 결과를 제1 블랙 박스 모델에 입력하여 제1 블랙 박스 모델의 출력 파라미터 값을 획득하고, 획득한 값을 시뮬레이션될 제1 네트워크 성능 지표의 시뮬레이션 결과로 사용한다.
구체적으로, 제1 블랙 박스 모델에 다른 입력 파라미터(구체적으로는 제2 블랙 박스 모델의 출력 파라미터가 아닌 다른 입력 파라미터)가 있는 경우, 서버는 시뮬레이션될 제2 네트워크 성능 지표의 시뮬레이션 결과에 대응하는 다른 입력 파라미터의 값을 제1 블랙 박스 모델에 더 입력할 수 있고, 이에 따라 제1 블랙 박스 모델의 출력 파라미터 값을 획득한다. 구체적인 예는 위의 S203의 구체적인 예를 참조한다.
전술한 내용은 주로 방법의 관점에서 본 출원의 실시 예에서 제공되는 솔루션을 설명한다. 전술한 기능을 구현하기 위해, 각 기능을 수행하도록 구성된 해당 하드웨어 구조 및/또는 해당 소프트웨어 모듈이 포함된다. 통상의 기술자는 본 명세서에 개시된 실시 예에서 설명된 예의 유닛 및 알고리즘 단계와 결합하여, 본 출원이 하드웨어 또는 하드웨어와 컴퓨터 소프트웨어의 조합에 의해 구현될 수 있다는 것을 쉽게 인식해야 한다. 기능이 하드웨어에 의해 수행되는지 또는 컴퓨터 소프트웨어에 의해 구동되는 하드웨어에 의해 수행되는지 여부는 특정 응용 프로그램 및 기술 솔루션의 설계 제약에 따라 다르다. 통상의 기술자는 각각의 특정 애플리케이션에 대해 설명된 기능을 구현하기 위해 상이한 방법을 사용할 수 있지만, 그 구현이 본 출원의 범위를 벗어나는 것으로 간주되어서는 안된다.
본 출원의 실시 예에 따르면, 서버는 전술한 방법 예에 따라 기능 모듈로 구분될 수 있다. 예를 들어, 각 기능 모듈은 각 기능에 대응하는 분할을 통해 획득될 수 있거나, 둘 이상의 기능이 하나의 처리 모듈에 통합될 수 있다. 통합 모듈은 하드웨어 형태로 구현되거나 소프트웨어 기능 모듈 형태로 구현될 수 있다. 본 출원의 본 실시 예에서, 모듈로의 분할은 하나의 예이며, 단지 논리적인 기능 분할이라는 점에 유의해야한다. 실제 구현에서는, 다른 분할 방식이 사용될 수 있다.
도 10은 본 출원의 실시 예에 따라 네트워크 시뮬레이션 플랫폼을 생성하기 위한 장치(100)의 개략적인 구조도를 도시한다. 예를 들어, 장치(100)는 네트워크 시뮬레이션 플랫폼 생성 방법을 수행하도록 구성된 전술한 서버일 수 있다. 예를 들어, 장치(100)는 도 3에 도시된 방법에서 서버에 의해 수행되는 단계를 수행하도록 구성될 수 있다.
네트워크 시뮬레이션 플랫폼은 적어도 하나의 블랙 박스 모델을 포함하고, 적어도 하나의 블랙 박스 모델은 제1 블랙 박스 모델을 포함한다. 장치(100)는 획득 유닛(1001) 및 훈련 유닛(1002)을 포함한다. 획득 유닛(1001)은 후보 네트워크 성능 지표 및 후보 네트워크 성능 지표와 관련된 특징 정보를 획득하도록 구성된다. 훈련 유닛(1002)은 제1 블랙 박스 모델을 얻기 위해 머신 러닝 모델을 훈련시키도록 구성된다. 제1 블랙 박스 모델의 출력 파라미터는 후보 네트워크 성능 지표이다. 제1 블랙 박스 모델의 입력 파라미터는 후보 네트워크 성능 지표와 관련된 기능 정보이다. 제1 블랙 박스 모델은 후보 네트워크 성능 지표를 시뮬레이션하는 데 사용된다. 선택적으로, 후보 네트워크 성능 지표와 관련된 특징 정보는 후보 네트워크 성능 지표를 획득하는데 필요한 특징 정보의 일부 또는 전부를 의미한다.
예를 들어, 도 3을 참조하면, 획득 유닛(1001)은 구체적으로 S101을 수행하도록 구성될 수 있고, 트레이닝 유닛(1002)은 구체적으로 S103을 수행하도록 구성될 수 있다.
선택적으로, 후보 네트워크 성능 지표는 코어 네트워크의 네트워크 성능 지표, 베어링 네트워크의 네트워크 성능 지표, 액세스 네트워크의 네트워크 성능 지표 또는 교차 네트워크 네트워크 성능 지표를 포함한다.
선택적으로, 적어도 하나의 블랙 박스 모델은 제2 블랙 박스 모델을 더 포함한다. 제2 블랙 박스 모델의 출력 파라미터는 제1 블랙 박스 모델의 입력 파라미터 중 하나이다.
선택적으로, 제1 블랙 박스 모델의 출력 파라미터는 제1 네트워크의 네트워크 성능 지표이고 제2 블랙 박스 모델의 출력 파라미터는 제2 네트워크의 네트워크 성능 지표이다. 제1 네트워크는 코어 네트워크, 베어링 네트워크 또는 액세스 네트워크이다. 제2 네트워크는 코어 네트워크, 베어링 네트워크 및 액세스 네트워크 중 제1 네트워크가 아닌 임의의 네트워크이다.
선택적으로, 획득 유닛(1001)은 훈련 데이터를 획득하도록 추가로 구성된다. 훈련 데이터는 실제 네트워크 또는 본 출원의 실시 예에서 제공되는 시뮬레이션 플랫폼이 아닌 다른 시뮬레이션 플랫폼에서 제공된다. 훈련 유닛(1002)은 제1 블랙 박스 모델을 획득하기 위해 훈련 데이터에 기초하여 머신 러닝 모델을 훈련 시키도록 구체적으로 구성된다. 예를 들어, 도 3을 참조하면, 획득 유닛(1001)은 S102를 수행하도록 구체적으로 구성될 수 있다.
선택적으로, 머신 러닝 모델에는 신경망 모델이 포함된다.
선택적으로, 후보 네트워크 성능 지표는 순위를 포함하고 순위와 관련된 특징 정보는 채널 매트릭스를 포함한다. 선택적으로, 후보 네트워크 성능 지표는 채널 매트릭스를 포함하고, 채널 매트릭스와 관련된 특징 정보는 다중 경로 파라미터 및 안테나 구성 파라미터를 포함한다. 선택적으로, 후보 네트워크 성능 지표는 다중 경로 파라미터를 포함하고 다중 경로 파라미터와 관련된 특징 정보에는 전자 맵, 엔지니어링 파라미터 및 클러터가 포함된다. 선택적으로, 후보 네트워크 성능 지표는 셀의 채널 상태 확률 분포 파라미터를 포함하고, 셀의 채널 상태 확률 분포 파라미터와 관련된 특징 정보에는 셀의 그리드 채널 매트릭스 및 셀의 채널 상태 유지 시간 시퀀스가 포함된다. 선택적으로, 후보 네트워크 성능 지표는 셀의 프리코딩 매트릭스를 포함하고, 셀의 프리코딩 매트릭스와 관련된 특징 정보는 셀의 그리드 채널 매트릭스를 포함한다.
일례에서, 도 2에 도시된 바와 같이, 획득 유닛(1001) 및 트레이닝 유닛(1002)은 모두 메모리(203)에 저장된 컴퓨터 프로그램을 호출함으로써 도 2의 프로세서(201)에 의해 구현될 수 있다.
전술한 선택적 방식에 대한 구체적인 설명은 전술한 방법 실시 예를 참조하고, 세부 사항은 여기서 다시 설명하지 않는다. 또한, 위에서 제공된 장치(100)의 설명 및 유익한 효과에 대한 설명은 전술한 대응하는 방법 실시 예를 참조하고, 세부 사항은 여기서 다시 설명하지 않는다.
전술한 유닛들 각각에 의해 상응하게 수행되는 동작은 단지 특정 예에 불과하다는 점에 유의해야 한다. 각각의 유닛이 실제로 수행하는 동작에 대해서는, 도 3에서 설명한 실시 예를 바탕으로 전술한 설명에서 언급한 동작 또는 단계를 참조한다.
도 11은 본 출원의 실시 예에 따른 네트워크 시뮬레이션 장치(110)의 개략적 인 구조도를 도시한다. 이 장치는 적어도 두 개의 블랙 박스 모델을 포함하는 네트워크 시뮬레이션 플랫폼에서 사용될 수 있다. 예를 들어, 장치(110)는 네트워크 시뮬레이션 방법을 수행하도록 구성된 전술한 서버일 수 있다. 예를 들어, 장치(110)는 도 8 또는 도 9에 도시된 방법에서 서버에 의해 수행되는 단계를 수행하도록 구성될 수 있다.
장치(110)는 결정 유닛(1101), 검색 유닛(1102) 및 시뮬레이션 유닛(1103)을 포함한다. 결정 유닛(1101)은 시뮬레이션될 제1 네트워크 성능 지표를 결정하도록 구성된다. 검색 유닛(1102)은 적어도 2개의 블랙 박스 모델로부터 시뮬레이션될 제1 네트워크 성능 지표를 시뮬레이션하는 데 사용되는 제1 블랙 박스 모델을 검색하도록 구성된다. 제1 블랙 박스 모델의 출력 파라미터는 시뮬레이션될 제1 네트워크 성능 지표이다. 시뮬레이션 유닛(1103)은: 제1 블랙 박스 모델의 입력 파라미터 값을 제1 블랙 박스 모델에 입력하여 제1 블랙 박스 모델의 출력 파라미터 값을 획득하고, 획득된 값을 시뮬레이션될 제1 네트워크 성능 지표의 시뮬레이션 결과로 사용하도록 구성된다. 예를 들어, 도 8을 참조하면, 결정 유닛(1101)은 S201을 수행하도록 구성될 수 있고, 검색 유닛(1102)은 S202를 수행하도록 구성될 수 있으며, 시뮬레이션 유닛(1103)은 S203을 수행하도록 구성될 수 있다. 다른 예를 들어, 도 9를 참조하면, 결정 유닛(1101)은 S301을 수행하도록 구성될 수 있고, 검색 유닛(1102)은 S302를 수행하도록 구성될 수 있으며, 시뮬레이션 유닛(1103)은 S304 및 S305를 수행하도록 구성될 수 있다.
선택적으로, 시뮬레이션될 제1 네트워크 성능 지표는 코어 네트워크의 네트워크 성능 지표, 베어링 네트워크의 네트워크 성능 지표, 액세스 네트워크의 네트워크 성능 지표 또는 교차 네트워크 네트워크 성능 지표를 포함한다.
선택적으로, 검색 유닛(1102)은 적어도 2개의 블랙 박스 모델로부터 시뮬레이션될 제2 네트워크 성능 지표를 시뮬레이션하는 데 사용되는 제2 블랙 박스 모델을 검색하도록 추가로 구성된다. 제2 블랙 박스 모델의 출력 파라미터는 제1 블랙 박스 모델의 입력 파라미터 중 하나이다. 시뮬레이션 유닛(1103)은 또한: 제2 블랙 박스 모델의 입력 파라미터 값을 제2 블랙 박스 모델에 입력하여 제2 블랙 박스 모델의 출력 파라미터 값을 획득하고, 획득된 값을 시뮬레이션될 제2 네트워크 성능 지표의 시뮬레이션 결과로 사용하도록 구성된다. 제1 블랙 박스 모델의 입력 파라미터 값을 제1 블랙 박스 모델에 입력할 때, 시뮬레이션 부(1103)는 구체적으로, 시뮬레이션될 제2 네트워크 성능 지표의 시뮬레이션 결과를 제1 블랙 박스 모델에 입력하도록 구성된다. 예를 들어, 도 9를 참조하면, 검색 유닛(1102)은 S303을 수행하도록 구성될 수 있고, 시뮬레이션 유닛(1103)은 S305를 수행하도록 구성될 수 있다.
선택적으로, 제1 블랙 박스 모델의 출력 파라미터는 제1 네트워크의 네트워크 성능 지표이고 제2 블랙 박스 모델의 출력 파라미터는 제2 네트워크의 네트워크 성능 지표이다. 제1 네트워크는 코어 네트워크, 베어링 네트워크 또는 액세스 네트워크이다. 제2 네트워크는 코어 네트워크, 베어링 네트워크 및 액세스 네트워크 중 제1 네트워크가 아닌 임의의 네트워크이다.
선택적으로, 시뮬레이션될 제1 네트워크 성능 지표는 순위를 포함하고, 순위와 관련된 특징 정보는 채널 매트릭스를 포함한다.
선택적으로, 시뮬레이션될 제1 네트워크 성능 지표는 채널 매트릭스를 포함하고, 제1 블랙 박스 모델의 출력 파라미터는 다중 경로 파라미터 및 안테나 구성 파라미터를 포함한다.
선택적으로, 시뮬레이션될 제1 네트워크 성능 지표는 다중 경로 파라미터를 포함하고 제1 블랙 박스 모델의 출력 파라미터에는 전자 맵, 엔지니어링 파라미터 및 클러터가 포함된다.
선택적으로, 시뮬레이션될 제1 네트워크 성능 지표는 셀의 채널 상태 확률 분포 파라미터를 포함하고, 제1 블랙 박스 모델의 출력 파라미터는 셀의 그리드 채널 매트릭스 및 셀의 채널 상태 유지 시간 시퀀스를 포함한다.
선택적으로, 시뮬레이션될 제1 네트워크 성능 지표는 셀의 프리코딩 매트릭스를 포함하고, 제1 블랙 박스 모델의 출력 파라미터는 셀의 그리드 채널 매트릭스를 포함한다.
일례에서, 도 2를 참조하면, 결정부(1101), 검색부(1102) 및 시뮬레이션부(1103)는 메모리(203)에 저장된 컴퓨터 프로그램을 호출함으로써 도 2의 프로세서(201)에 의해 구현될 수 있다.
전술한 선택적 방식에 대한 구체적인 설명은 전술한 방법 실시 예를 참조하고, 세부 사항은 여기서 다시 설명하지 않는다. 또한, 위에서 제공된 장치(110)의 설명 및 유익한 효과에 대한 설명은 전술한 대응하는 방법 실시 예를 참조하고, 세부 사항은 여기서 다시 설명하지 않는다.
전술한 유닛들 각각에 의해 상응하게 수행되는 동작은 단지 특정 예에 불과하다는 점에 유의해야 한다. 각각의 유닛이 실제로 수행하는 동작에 대해서는 도 8 또는 도 9에서 설명한 실시 예를 바탕으로 전술한 설명에서 언급한 동작 또는 단계를 참조한다.
위에서 설명한 프로세서는 하드웨어 또는 소프트웨어를 사용하여 구현될 수 있음을 유의해야 한다. 하드웨어를 사용하여 구현하는 경우 프로세서는 논리 회로, 집적 회로 등일 수 있다. 소프트웨어를 이용하여 구현하는 경우, 프로세서는 범용 프로세서일 수 있으며 메모리에 저장된 소프트웨어 코드를 읽어 구현된다. 메모리는 프로세서에 통합되거나 프로세서 외부에 위치하여 독립적으로 존재할 수 있다.
본 출원의 실시 예는 칩을 더 제공한다. 칩은 전술한 프로세서의 기능을 구현하도록 구성된 회로 및 하나 이상의 인터페이스를 통합한다. 선택적으로, 칩에 의해 지원되는 기능은 도 3, 도 8, 도 9에 설명된 실시 예에서의 처리 동작을 포함할 수 있고, 세부 사항은 여기서 다시 설명하지 않는다.
통상의 기술자는 전술한 실시 예의 단계의 전부 또는 일부가 관련 하드웨어를 지시하는 프로그램에 의해 구현될 수 있다는 것을 이해할 수 있다. 전술한 프로그램은 컴퓨터 판독 가능 저장 매체에 저장될 수 있다. 전술한 저장 매체는 읽기 전용 메모리, 랜덤 액세스 메모리 등일 수 있다. 처리 장치 또는 프로세서는 중앙 처리 장치, 범용 프로세서, 주문형 집적 회로(application-specific integrated circuit, ASIC), 마이크로 프로세서(digital signal processor, DSP), 필드 프로그래밍 가능 게이트 어레이(field programmable gate array, FPGA) 또는 다른 프로그래밍 가능 논리 장치, 트랜지스터 논리 장치, 하드웨어 구성 요소 또는 이들의 조합일 수 있다.
본 출원의 실시 예는 명령어를 포함하는 컴퓨터 프로그램 제품을 더 제공한다. 명령어가 컴퓨터에서 실행될 때, 컴퓨터는 전술한 실시 예의 임의의 방법을 수행할 수 있다. 컴퓨터 프로그램 제품에는 하나 이상의 컴퓨터 지침이 포함되어 있다. 컴퓨터 프로그램 명령이 컴퓨터에 로드되어 실행될 때, 본 출원의 실시 예에 따른 절차 또는 기능은 전부 또는 부분적으로 생성된다. 컴퓨터는 범용 컴퓨터, 전용 컴퓨터, 컴퓨터 네트워크 또는 기타 프로그램 가능한 장치일 수 있다. 컴퓨터 명령은 컴퓨터 판독 가능 저장 매체에 저장되거나 컴퓨터 판독 가능 저장 매체로부터 다른 컴퓨터 판독 가능 저장 매체로 전송될 수 있다. 예를 들어, 컴퓨터 명령은 웹 사이트, 컴퓨터, 서버 또는 데이터 센터에서 유선(예컨대, 동축 케이블, 광섬유 또는 디지털 가입자 회선(digital subscriber line, DSL)) 또는 무선(예컨대, 적외선, 라디오 또는 마이크로파) 방식으로 다른 웹 사이트, 컴퓨터, 서버 또는 데이터 센터로 전송될 수 있다. 컴퓨터 저장 매체는 하나 이상의 사용 가능한 매체를 통합하는 컴퓨터, 또는 서버 또는 데이터 센터와 같은 데이터 저장 장치에 의해 액세스 가능한 임의의 사용 가능한 매체일 수 있다. 사용 가능한 매체는 자기 매체(예컨대, 플로피 디스크, 하드 디스크 또는 자기 테이프), 광학 매체(예컨대, DVD), 반도체 매체(예컨대, 솔리드 스테이트 드라이브(solid state disk, SSD)) 등일 수 있다.
본 출원의 실시 예에서 제공되고 메모리, 컴퓨터 판독 가능 저장 매체 및 통신 칩과 같은, 그러나 이에 제한되지는 않는 컴퓨터 명령 또는 컴퓨터 프로그램을 저장하도록 구성된 모든 전술한 구성 요소는, 비 일시적(non-transitory)이다.
청구된 애플리케이션을 구현하는 과정에서, 통상의 기술자는 첨부된 도면, 개시된 내용 및 첨부된 청구 범위를 참조하여 개시된 실시 예의 다른 변형을 이해하고 구현할 수 있다. 청구항에서 "포함하는"은 다른 구성 요소 또는 다른 단계를 배제하지 않으며, "a" 또는 "일"은 복수의 의미를 배제하지 않는다. 단일 프로세서 또는 다른 유닛은 청구 범위에 열거된 여러 기능을 구현할 수 있다. 일부 측정은 서로 다른 종속 청구항에 기록되지만 이러한 측정을 결합하여 더 나은 효과를 낼 수 없다는 의미는 아니다.
본 출원은 특정한 특징 및 그 실시 예를 참조하여 설명되었지만, 본 출원의 범위를 벗어나지 않고 다양한 수정 및 조합이 이루어질 수 있다. 상응하여, 명세서 및 첨부 도면은 첨부된 청구범위에 의해 정의된 본 출원의 예시적인 설명일 뿐이며, 본 출원의 범위를 포함하는 임의의 또는 모든 수정, 변형, 조합 또는 등가물로 간주된다.
Claims (26)
- 네트워크 시뮬레이션 플랫폼을 생성하기 위한 방법으로서,
상기 네트워크 시뮬레이션 플랫폼은 적어도 하나의 블랙 박스 모델을 포함하고, 적어도 하나의 블랙 박스 모델은 제1 블랙 박스 모델을 포함하며,
상기 방법은,
후보 네트워크 성능 지표 및 상기 후보 네트워크 성능 지표와 관련된 특징 정보를 획득하는 단계 - 상기 후보 네트워크 성능 지표와 관련된 특징 정보는 후보 네트워크 성능 지표를 획득하는데 필요한 특징 정보의 일부 또는 전부를 지칭함 - ; 및
머신 러닝 모델을 훈련하여 상기 제1 블랙 박스 모델을 획득하는 단계 - 여기서 상기 제1 블랙 박스 모델의 출력 파라미터는 상기 후보 네트워크 성능 지표이고, 상기 제1 블랙 박스 모델의 입력 파라미터는 상기 후보 네트워크 성능 지표와 관련된 특징 정보이며, 상기 제1 블랙 박스 모델은 상기 후보 네트워크 성능 지표를 시뮬레이션하는 데 사용됨 -
를 포함하는 방법. - 제1항에 있어서,
상기 후보 네트워크 성능 지표는, 코어 네트워크의 네트워크 성능 지표, 또는 베어링 네트워크의 네트워크 성능 지표, 또는 액세스 네트워크의 네트워크 성능 지표, 또는 교차 네트워크(cross-network) 네트워크 성능 지표를 포함하는, 방법. - 제1항 또는 제2항에 있어서,
상기 적어도 하나의 블랙 박스 모델은 제2 블랙 박스 모델을 더 포함하고, 상기 제2 블랙 박스 모델의 출력 파라미터는 상기 제1 블랙 박스 모델의 입력 파라미터 중 하나인, 방법. - 제3항에 있어서,
상기 제1 블랙 박스 모델의 출력 파라미터는 제1 네트워크의 네트워크 성능 지표이고, 상기 제2 블랙 박스 모델의 출력 파라미터는 제2 네트워크의 네트워크 성능 지표이며, 여기서
상기 제1 네트워크는 코어 네트워크, 또는 베어링 네트워크 또는 액세스 네트워크이고, 상기 제2 네트워크는 코어 네트워크, 베어링 네트워크 및 액세스 네트워크 중 상기 제1 네트워크가 아닌 임의의 네트워크인, 방법. - 제1항 내지 제4항 중 어느 한 항에 있어서,
상기 방법이,
훈련 데이터를 획득하는 단계 - 여기서 상기 훈련 데이터는 실제 네트워크 또는 상기 시뮬레이션 플랫폼이 아닌 다른 시뮬레이션 플랫폼에서 나온 것임 -
를 더 포함하고,
머신 러닝 모델을 훈련하여 상기 제1 블랙 박스 모델을 획득하는 단계가,
상기 훈련 데이터에 기초하여 머신 러닝 모델을 훈련하여 상기 제1 블랙 박스 모델을 획득하는 단계를 포함하는, 방법. - 제1항 내지 제5항 중 어느 한 항에 있어서,
상기 머신 러닝 모델은 신경망 모델을 포함하는, 방법. - 제1항 내지 제6항 중 어느 한 항에 있어서,
상기 후보 네트워크 성능 지표는 순위를 포함하고, 상기 순위와 관련된 특징 정보는 채널 매트릭스를 포함하거나; 또는
상기 후보 네트워크 성능 지표는 채널 매트릭스를 포함하고, 상기 채널 매트릭스와 관련된 특징 정보는 다중 경로 파라미터 및 안테나 구성 파라미터를 포함하거나; 또는
상기 후보 네트워크 성능 지표는 다중 경로 파라미터를 포함하고, 상기 다중 경로 파라미터와 관련된 특징 정보는 전자 지도, 엔지니어링 파라미터 및 클러터 유형을 포함하거나; 또는
상기 후보 네트워크 성능 지표는 셀의 채널 상태 확률 분포 파라미터를 포함하고, 상기 셀의 채널 상태 확률 분포 파라미터와 관련된 특징 정보는 상기 셀의 그리드 채널 매트릭스 및 상기 셀의 채널 상태 유지 시간 시퀀스를 포함하거나; 또는
상기 후보 네트워크 성능 지표는 셀의 프리코딩 매트릭스를 포함하고, 상기 셀의 프리코딩 매트릭스와 관련된 특징 정보는 상기 셀의 그리드 채널 매트릭스를 포함하는, 방법. - 네트워크 시뮬레이션 방법으로서,
상기 방법은 적어도 2개의 블랙 박스 모델을 포함하는 네트워크 시뮬레이션 플랫폼에 적용되며, 상기 방법은,
시뮬레이션될 제1 네트워크 성능 지표를 결정하는 단계;
상기 적어도 2개의 블랙 박스 모델에서, 상기 시뮬레이션될 제1 네트워크 성능 지표를 시뮬레이션하는 데 사용되는 제1 블랙 박스 모델을 검색하는 단계 - 여기서 상기 제1 블랙 모델의 출력 파라미터는 상기 시뮬레이션될 제1 네트워크 성능 지표임 - ; 및
상기 제1 블랙 박스 모델의 입력 파라미터 값을 상기 제1 블랙 박스 모델에 입력하여 상기 제1 블랙 박스 모델의 출력 파라미터 값을 획득하고, 그 획득된 값을 상기 시뮬레이션될 제1 네트워크 성능 지표의 시뮬레이션 결과로서 사용하는 단계
를 포함하는 방법. - 제8항에 있어서,
상기 시뮬레이션될 제1 네트워크 성능 지표는 코어 네트워크의 네트워크 성능 지표, 또는 베어링 네트워크의 네트워크 성능 지표, 또는 액세스 네트워크의 네트워크 성능 지표, 또는 교차 네트워크 네트워크 성능 지표를 포함하는, 방법. - 제8항 또는 제9항에 있어서,
상기 방법은,
상기 적어도 2개의 블랙 박스 모델에서, 시뮬레이션될 제2 네트워크 성능 지표를 시뮬레이션하는 데 사용되는 제2 블랙 박스 모델을 검색하는 단계 - 여기서 상기 제2 블랙 박스 모델의 출력 파라미터는 상기 제1 블랙 박스 모델의 입력 파라미터 중 하나임 - ; 및
상기 제2 블랙 박스 모델의 입력 파라미터 값을 상기 제2 블랙 박스 모델에 입력하여 상기 제2 블랙 박스 모델의 출력 파라미터 값을 획득하고, 그 획득한 값을 시뮬레이션될 제2 네트워크 성능 지표의 시뮬레이션 결과로서 사용하는 단계
를 더 포함하고,
상기 제1 블랙 박스 모델의 입력 파라미터 값을 상기 제1 블랙 박스 모델에 입력하는 것은,
상기 시뮬레이션될 제2 네트워크 성능 지표의 시뮬레이션 결과를 상기 제1 블랙 박스 모델에 입력하는 것을 포함하는, 방법. - 제10항에 있어서,
상기 제1 블랙 박스 모델의 출력 파라미터는 제1 네트워크의 네트워크 성능 지표이고, 상기 제2 블랙 박스 모델의 출력 파라미터는 제2 네트워크의 네트워크 성능 지표이며, 여기서
상기 제1 네트워크는 코어 네트워크, 또는 베어링 네트워크 또는 액세스 네트워크이고, 상기 제2 네트워크는 코어 네트워크, 베어링 네트워크 및 액세스 네트워크 중 상기 제1 네트워크가 아닌 임의의 네트워크인, 방법. - 제8항 내지 제11항 중 어느 한 항에 있어서,
상기 시뮬레이션될 제1 네트워크 성능 지표는 순위를 포함하고, 상기 순위와 관련된 특징 정보는 채널 매트릭스를 포함하거나; 또는
상기 시뮬레이션될 제1 네트워크 성능 지표는 채널 매트릭스를 포함하고, 상기 제1 블랙 박스 모델의 출력 파라미터는 다중 경로 파라미터 및 안테나 구성 파라미터를 포함하거나; 또는
상기 시뮬레이션될 제1 네트워크 성능 지표는 다중 경로 파라미터를 포함하고, 상기 제1 블랙 박스 모델의 출력 파라미터는 전자 지도, 엔지니어링 파라미터 및 클러터 유형을 포함하거나; 또는
상기 시뮬레이션될 제1 네트워크 성능 지표는 셀의 채널 상태 확률 분포 파라미터를 포함하고, 상기 제1 블랙 박스 모델의 출력 파라미터는 셀의 그리드 채널 매트릭스 및 셀의 채널 상태 유지 시간 시퀀스를 포함하거나; 또는
상기 시뮬레이션될 제1 네트워크 성능 지표는 셀의 프리코딩 매트릭스를 포함하고, 상기 제1 블랙 박스 모델의 출력 파라미터는 셀의 그리드 채널 매트릭스를 포함하는, 방법. - 네트워크 시뮬레이션 플랫폼을 생성하기 위한 장치로서,
네트워크 시뮬레이션 플랫폼은 적어도 하나의 블랙 박스 모델을 포함하고, 상기 적어도 하나의 블랙 박스 모델은 제1 블랙 박스 모델을 포함하며,
상기 장치는,
후보 네트워크 성능 지표 및 상기 후보 네트워크 성능 지표와 관련된 특징 정보를 획득하도록 구성된 획득 유닛 - 여기서, 상기 후보 네트워크 성능 지표와 관련된 특징 정보는 상기 후보 네트워크 성능 지표를 획득하는 데 필요한 특징 정보의 일부 또는 전부를 지칭함 - ; 및
상기 제1 블랙 박스 모델을 얻기 위해 머신 러닝 모델을 훈련시키도록 구성된 훈련 유닛 - 여기서 상기 제1 블랙 박스 모델의 출력 파라미터는 상기 후보 네트워크 성능 지표이고, 상기 제1 블랙 박스 모델의 입력 파라미터는 상기 후보 네트워크 성능 지표와 관련된 특징 정보이며, 상기 제1 블랙 박스 모델은 상기 후보 네트워크 성능 지표를 시뮬레이션하는 데 사용됨 -
를 포함하는 장치. - 제13항에 있어서,
상기 후보 네트워크 성능 지표는 코어 네트워크의 네트워크 성능 지표, 또는 베어링 네트워크의 네트워크 성능 지표, 또는 액세스 네트워크의 네트워크 성능 지표, 또는 교차 네트워크 네트워크 성능 지표를 포함하는, 장치. - 제13항 또는 제14항에 있어서,
상기 적어도 하나의 블랙 박스 모델은 제2 블랙 박스 모델을 더 포함하고, 상기 제2 블랙 박스 모델의 출력 파라미터는 상기 제1 블랙 박스 모델의 입력 파라미터 중 하나인, 장치. - 제15항에 있어서,
상기 제1 블랙 박스 모델의 출력 파라미터는 제1 네트워크의 네트워크 성능 지표이고, 상기 제2 블랙 박스 모델의 출력 파라미터는 제2 네트워크의 네트워크 성능 지표이며, 여기서
상기 제1 네트워크는 코어 네트워크, 또는 베어링 네트워크 또는 액세스 네트워크이고, 상기 제2 네트워크는 코어 네트워크, 베어링 네트워크 및 액세스 네트워크 중 상기 제1 네트워크가 아닌 임의의 네트워크인, 장치. - 제13항 내지 제16항 중 어느 한 항에 있어서,
상기 획득 유닛은 훈련 데이터를 획득하도록 추가로 구성되고, 상기 훈련 데이터는 실제 네트워크 또는 상기 시뮬레이션 플랫폼이 아닌 다른 시뮬레이션 플랫폼으로부터 나온 것이며,
상기 훈련 유닛은 구체적으로, 상기 제1 블랙 박스 모델을 얻기 위해 상기 훈련 데이터에 기초하여 머신 러닝 모델을 훈련시키도록 구성되는, 장치. - 제13항 내지 제17항 중 어느 한 항에 있어서,
상기 머신 러닝 모델은 신경망 모델을 포함하는, 장치. - 제13항 내지 제18항 중 어느 한 항에 있어서,
상기 후보 네트워크 성능 지표는 순위를 포함하고, 상기 순위와 관련된 특징 정보는 채널 매트릭스를 포함하거나; 또는
상기 후보 네트워크 성능 지표는 채널 매트릭스를 포함하고, 상기 채널 매트릭스와 관련된 특징 정보는 다중 경로 파라미터 및 안테나 구성 파라미터를 포함하거나; 또는
상기 후보 네트워크 성능 지표는 다중 경로 파라미터를 포함하고, 상기 다중 경로 파라미터와 관련된 특징 정보는 전자 지도, 엔지니어링 파라미터 및 클러터 유형을 포함하거나; 또는
상기 후보 네트워크 성능 지표는 셀의 채널 상태 확률 분포 파라미터를 포함하고, 상기 셀의 채널 상태 확률 분포 파라미터와 관련된 특징 정보는 셀의 그리드 채널 매트릭스 및 셀의 채널 상태 유지 시간 시퀀스를 포함하거나; 또는
상기 후보 네트워크 성능 지표는 셀의 프리코딩 매트릭스를 포함하고, 상기 셀의 프리코딩 매트릭스와 관련된 특징 정보는 셀의 그리드 채널 매트릭스를 포함하는, 장치. - 네트워크 시뮬레이션 장치로서,
상기 장치는 적어도 2개의 블랙 박스 모델을 포함하는 네트워크 시뮬레이션 플랫폼에서 사용되며, 상기 장치는,
시뮬레이션될 제1 네트워크 성능 지표를 결정하도록 구성된 결정 유닛;
상기 적어도 2개의 블랙 박스 모델에서, 상기 시뮬레이션될 제1 네트워크 성능 지표를 시뮬레이션하는 데 사용되는 제1 블랙 박스 모델을 검색하도록 구성된 검색 유닛 - 여기서 상기 제1 블랙 박스 모델의 출력 파라미터는 상기 시뮬레이션될 제1 네트워크 성능 지표임 - ; 및
상기 제1 블랙 박스 모델의 입력 파라미터 값을 상기 제1 블랙 박스 모델에 입력하여 상기 제1 블랙 박스의 출력 파라미터 값을 획득하고, 그 획득된 값을 상기 시뮬레이션될 제1 네트워크 성능 지표의 시뮬레이션 결과로서 사용하도록 구성되는 시뮬레이션 유닛
을 포함하는 장치. - 제20항에 있어서,
상기 시뮬레이션될 제1 네트워크 성능 지표는 코어 네트워크의 네트워크 성능 지표, 또는 베어링 네트워크의 네트워크 성능 지표, 또는 액세스 네트워크의 네트워크 성능 지표, 또는 교차 네트워크 네트워크 성능 지표를 포함하는, 장치. - 제20항 또는 제21항에 있어서,
상기 검색 유닛은 추가로, 상기 적어도 2개의 블랙 박스 모델에서, 시뮬레이션될 제2 네트워크 성능 지표를 시뮬레이션하는 데 사용되는 제2 블랙 박스 모델을 검색하도록 구성되며, 여기서 상기 제2 블랙 박스 모델의 출력 파라미터는 상기 제1 블랙 박스 모델의 입력 파라미터이고,
상기 시뮬레이션 유닛은 추가로, 상기 제2 블랙 박스 모델의 입력 파라미터 값을 상기 제2 블랙 박스 모델에 입력하여 상기 제2 블랙 박스 모델의 출력 파라미터 값을 획득하고, 그 획득된 값을 상기 시뮬레이션될 제2 네트워크 성능 지표의 시뮬레이션 결과로 사용하도록 구성되며,
상기 제1 블랙 박스 모델의 입력 파라미터 값을 상기 제1 블랙 박스 모델에 입력할 때, 상기 시뮬레이션 유닛은 구체적으로, 상기 시뮬레이션될 제2 네트워크 성능 지표의 시뮬레이션 결과를 상기 제1 블랙 박스 모델에 입력하도록 구성되는, 장치. - 제22항에 있어서,
상기 제1 블랙 박스 모델의 출력 파라미터는 제1 네트워크의 네트워크 성능 지표이고, 상기 제2 블랙 박스 모델의 출력 파라미터는 제2 네트워크의 네트워크 성능 지표이며, 여기서
상기 제1 네트워크는 코어 네트워크, 또는 베어링 네트워크 또는 액세스 네트워크이고, 상기 제2 네트워크는 코어 네트워크, 베어링 네트워크 및 액세스 네트워크 중 상기 제1 네트워크가 아닌 임의의 네트워크인, 장치. - 제20항 내지 제23항 중 어느 한 항에 있어서,
상기 시뮬레이션될 제1 네트워크 성능 지표는 순위를 포함하고, 상기 순위와 관련된 특징 정보는 채널 매트릭스를 포함하거나; 또는
상기 시뮬레이션될 제1 네트워크 성능 지표는 채널 매트릭스를 포함하고, 상기 제1 블랙 박스 모델의 출력 파라미터는 다중 경로 파라미터 및 안테나 구성 파라미터를 포함하거나; 또는
상기 시뮬레이션될 제1 네트워크 성능 지표는 다중 경로 파라미터를 포함하고, 상기 제1 블랙 박스 모델의 출력 파라미터는 전자 지도, 엔지니어링 파라미터 및 클러터 유형을 포함하거나; 또는
상기 시뮬레이션될 제1 네트워크 성능 지표는 셀의 채널 상태 확률 분포 파라미터를 포함하고, 상기 제1 블랙 박스 모델의 출력 파라미터는 셀의 그리드 채널 매트릭스 및 셀의 채널 상태 유지 시간 시퀀스를 포함하거나; 또는
상기 시뮬레이션될 제1 네트워크 성능 지표는 셀의 프리코딩 매트릭스를 포함하고, 상기 제1 블랙 박스 모델의 출력 파라미터는 셀의 그리드 채널 매트릭스를 포함하는, 장치. - 메모리 및 프로세서를 포함하는, 네트워크 시뮬레이션 플랫폼을 생성하기 위한 장치로서, 상기 메모리는 컴퓨터 프로그램을 저장하도록 구성되고, 상기 프로세서는 제1항 내지 제7항 중 어느 한 항에 따른 방법을 수행하기 위해 상기 컴퓨터 프로그램을 실행하도록 구성되는, 장치.
- 메모리 및 프로세서를 포함하는 네트워크 시뮬레이션 장치로서, 상기 메모리는 컴퓨터 프로그램을 저장하도록 구성되고, 상기 프로세서는 제8항 내지 제12항 중 어느 한 항에 따른 방법을 수행하기 위해 상기 컴퓨터 프로그램을 실행하도록 구성되는, 네트워크 시뮬레이션 장치.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910430994.3 | 2019-05-22 | ||
| CN201910430994.3A CN111988156B (zh) | 2019-05-22 | 2019-05-22 | 创建网络仿真平台的方法和网络仿真方法及相应装置 |
| PCT/CN2020/091813 WO2020233708A1 (zh) | 2019-05-22 | 2020-05-22 | 创建网络仿真平台的方法和网络仿真方法及相应装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210092305A true KR20210092305A (ko) | 2021-07-23 |
| KR102543557B1 KR102543557B1 (ko) | 2023-06-13 |
Family
ID=73435998
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020217019934A KR102543557B1 (ko) | 2019-05-22 | 2020-05-22 | 네트워크 시뮬레이션 플랫폼 생성 방법, 네트워크 시뮬레이션 방법 및 대응하는 장치 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US11856424B2 (ko) |
| EP (1) | EP3879758A4 (ko) |
| KR (1) | KR102543557B1 (ko) |
| CN (1) | CN111988156B (ko) |
| WO (1) | WO2020233708A1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11424991B2 (en) * | 2020-11-06 | 2022-08-23 | Google Llc | Change impact simulation analysis |
| CN115941004A (zh) * | 2021-08-11 | 2023-04-07 | 华为技术有限公司 | 一种通信方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9439081B1 (en) * | 2013-02-04 | 2016-09-06 | Further LLC | Systems and methods for network performance forecasting |
| CN108234198A (zh) * | 2017-12-19 | 2018-06-29 | 清华大学 | 一种基站流量预测方法和设备 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101237395A (zh) * | 2007-02-01 | 2008-08-06 | 北京邮电大学 | 宽带移动通信网络性能的分层动态仿真实现方法 |
| CN103747455B (zh) | 2013-12-27 | 2018-03-09 | 南京信息工程大学 | 基于非均匀散射体分布的信道建模方法及参数匹配方法 |
| CN105634787B (zh) * | 2014-11-26 | 2018-12-07 | 华为技术有限公司 | 网络关键指标的评估方法、预测方法及装置和*** |
| CN105553584A (zh) | 2015-12-10 | 2016-05-04 | 国网山东省电力公司烟台供电公司 | 一种3d mimo信道建模的方法 |
| CN105491599B (zh) * | 2015-12-21 | 2019-03-08 | 南京华苏科技有限公司 | 预测lte网络性能指标的新型回归*** |
| TWI647934B (zh) * | 2017-04-21 | 2019-01-11 | 思銳科技股份有限公司 | 網路拓樸實機模擬方法與系統 |
| CN106961122A (zh) | 2017-05-08 | 2017-07-18 | 河海大学常州校区 | 一种基于特征模型的微电网动态等效建模方法 |
| CA2977300A1 (en) * | 2017-08-25 | 2019-02-25 | Vahid POURAHMADI | System and methods for channel modeling/estimation in a wireless communication network |
| CN108564241A (zh) | 2018-01-09 | 2018-09-21 | 河海大学常州校区 | 一种基于特征模型的微电网群等效聚合方法 |
| CN108365903B (zh) | 2018-01-29 | 2021-02-02 | 哈尔滨工程大学 | 一种基于随机散射簇的三维Massive MIMO信道建模方法 |
| CN108512621B (zh) | 2018-03-02 | 2020-12-29 | 东南大学 | 一种基于神经网络的无线信道建模方法 |
| CN109217955B (zh) * | 2018-07-13 | 2020-09-15 | 北京交通大学 | 基于机器学习的无线环境电磁参数拟合方法 |
| US10477426B1 (en) * | 2019-02-06 | 2019-11-12 | Accenture Global Solutions Limited | Identifying a cell site as a target for utilizing 5th generation (5G) network technologies and upgrading the cell site to implement the 5G network technologies |
| US20200327449A1 (en) * | 2019-04-15 | 2020-10-15 | Accenture Global Solutions Limited | User retention platform |
-
2019
- 2019-05-22 CN CN201910430994.3A patent/CN111988156B/zh active Active
-
2020
- 2020-05-22 KR KR1020217019934A patent/KR102543557B1/ko active IP Right Grant
- 2020-05-22 WO PCT/CN2020/091813 patent/WO2020233708A1/zh unknown
- 2020-05-22 EP EP20808886.4A patent/EP3879758A4/en active Pending
-
2021
- 2021-06-11 US US17/345,273 patent/US11856424B2/en active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9439081B1 (en) * | 2013-02-04 | 2016-09-06 | Further LLC | Systems and methods for network performance forecasting |
| CN108234198A (zh) * | 2017-12-19 | 2018-06-29 | 清华大学 | 一种基站流量预测方法和设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| US11856424B2 (en) | 2023-12-26 |
| EP3879758A1 (en) | 2021-09-15 |
| KR102543557B1 (ko) | 2023-06-13 |
| EP3879758A4 (en) | 2022-03-09 |
| CN111988156B (zh) | 2022-04-05 |
| CN111988156A (zh) | 2020-11-24 |
| US20210306881A1 (en) | 2021-09-30 |
| WO2020233708A1 (zh) | 2020-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gawłowicz et al. | Ns-3 meets openai gym: The playground for machine learning in networking research | |
| Municio et al. | Simulating 6TiSCH networks | |
| Li et al. | READ: Robustness-oriented edge application deployment in edge computing environment | |
| Uusitalo et al. | Hexa-X the European 6G flagship project | |
| Bandani et al. | Multiplicative long short-term memory-based software-defined networking for handover management in 5G network | |
| US10805171B1 (en) | Understanding network entity relationships using emulation based continuous learning | |
| US9940187B2 (en) | Nexus determination in a computing device | |
| US10833933B2 (en) | Systems and methods for optimizing a cloud deployed service based on performance metrics of the cloud service | |
| Zarrad et al. | Evaluating network test scenarios for network simulators systems | |
| US11539590B2 (en) | Detect impact of network maintenance in software defined infrastructure | |
| US20210209481A1 (en) | Methods and systems for dynamic service performance prediction using transfer learning | |
| US10728773B2 (en) | Automated intelligent self-organizing network for optimizing network performance | |
| De Maio et al. | Multi-objective mobile edge provisioning in small cell clouds | |
| US11856424B2 (en) | Method for creating network simulation platform, network simulation method, and corresponding apparatuses | |
| US8996341B2 (en) | Generating and evaluating expert networks | |
| US20220386136A1 (en) | Facilitating heterogeneous network analysis and resource planning for advanced networks | |
| Aral et al. | Simulators and emulators for edge computing | |
| Gilly et al. | End-to-end simulation environment for mobile edge computing | |
| Noor et al. | Portkey: Adaptive key-value placement over dynamic edge networks | |
| Liang et al. | Contextual fuzzing: automated mobile app testing under dynamic device and environment conditions | |
| Ray et al. | Modeling and verification of service allocation policies for multi-access edge computing using probabilistic model checking | |
| US11121805B2 (en) | Systems and methods for determining initial channel quality conditions of a channel for provision of content | |
| Rege et al. | Realistic context generation for mobile app testing and performance evaluation | |
| US20240054386A1 (en) | Client selection in open radio access network federated learning | |
| US20240135209A1 (en) | Data privacy preservation in machine learning training |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |