1 |
1
이동 통신 네트워크 환경의 변화에 따라 이동성 관련 파라미터(parameter)를 최적화하는 방법으로서,상기 네트워크 환경에 의해 결정되는 고정 파라미터, 최적화 대상인 최적화 파라미터의 집합 및 머신 러닝(machine learning)을 이용하여 구축한 성능평가 모델을 기초로 파라미터의 초기값을 결정하는 단계;상기 파라미터의 초기값을 상기 네트워크 환경에 적용하여 성능평가지수를 산출하는 단계; 및상기 성능평가지수 및 미리 설정된 성능평가목표지수를 비교하여 상기 파라미터의 초기값이 최종 최적화된 이동성 관련 파라미터 값인지를 결정하는 단계를 포함하는, 파라미터 최적화 방법
|
2 |
2
청구항 1에 있어서,상기 파라미터의 초기값을 결정하는 단계는,사용가능한 개별 최적화 파라미터 값의 조합을 기초로 상기 최적화 파라미터의 집합을 생성하는 단계를 포함하는, 파라미터 최적화 방법
|
3 |
3
청구항 1에 있어서,상기 파라미터의 초기값을 결정하는 단계는,상기 성능평가 모델을 통해 상기 고정 파라미터 및 상기 최적화 파라미터의 집합을 기초로 성능평가지수 추정치를 산출하는 단계를 포함하는, 파라미터 최적화 방법
|
4 |
4
청구항 3에 있어서,상기 파라미터의 초기값을 결정하는 단계는,상기 최적화 파라미터의 집합 중 상기 성능평가지수 추정치가 가장 높은 최적화 파라미터를 추출하는 단계; 및상기 추출한 최적화 파라미터에 포함된 개별 최적화 파라미터 값을 파라미터의 초기값으로 결정하는 단계를 더 포함하는, 파라미터 최적화 방법
|
5 |
5
청구항 1에 있어서,상기 파라미터의 초기값을 결정하는 단계는,데이터베이스에 저장된 학습용 데이터 셋(set)을 기초로 머신 러닝을 수행하여 상기 성능평가 모델을 구축하는 단계를 포함하는, 파라미터 최적화 방법
|
6 |
6
청구항 5에 있어서,상기 학습용 데이터 셋은,학습용 파라미터 및 상기 학습용 파라미터에 따른 성능평가지수를 포함하는, 파라미터 최적화 방법
|
7 |
7
청구항 5에 있어서,상기 파라미터의 초기값 및 상기 성능평가지수를 상기 학습용 데이터 셋에 추가하는 단계를 더 포함하는, 파라미터 최적화 방법
|
8 |
8
청구항 5에 있어서,상기 최종 최적화된 이동성 관련 파라미터 값인지를 결정하는 단계는,상기 성능평가지수가 상기 성능평가목표지수보다 크지 않은 경우, 파라미터 최적화 알고리즘을 수행하는 단계;상기 파라미터 최적화 알고리즘의 결과값을 상기 네트워크 환경에 적용하여 성능평가지수를 재산출하는 단계;상기 재산출한 성능평가지수가 상기 성능평가목표지수보다 클 때까지 상기 파라미터 최적화 알고리즘을 수행하는 단계 및 상기 성능평가지수를 재산출하는 단계를 반복하여 수행하는 단계; 및상기 재산출한 성능평가지수가 상기 성능평가목표지수보다 큰 경우, 상기 파라미터 최적화 알고리즘의 결과값을 상기 최종 최적화된 이동성 관련 파라미터 값으로 결정하는 단계를 포함하는, 파라미터 최적화 방법
|
9 |
9
청구항 8에 있어서,상기 최종 최적화된 이동성 관련 파라미터 값인지를 결정하는 단계는,상기 파라미터 최적화 알고리즘의 결과값 및 상기 재산출한 성능평가지수를 상기 학습용 데이터 셋에 추가하는 단계를 더 포함하는, 파라미터 최적화 방법
|
10 |
10
청구항 9에 있어서,상기 학습용 데이터 셋의 추가에 따라 상기 학습용 데이터 셋의 변화량이 미리 설정된 값보다 큰 경우, 상기 추가된 학습용 데이터 셋을 포함하여 머신 러닝을 통해 성능평가 모델을 재구축하는 단계를 더 포함하는, 파라미터 최적화 방법
|
11 |
11
이동 통신 네트워크 환경의 변화에 따라 이동성 관련 파라미터(parameter)를 최적화하는 장치로서,프로세서(processor); 및상기 프로세서를 통해 실행되는 적어도 하나의 명령이 저장된 메모리(memory)를 포함하고,상기 적어도 하나의 명령은,상기 네트워크 환경에 의해 결정되는 고정 파라미터, 최적화 대상인 최적화 파라미터의 집합 및 머신 러닝(machine learning)을 이용하여 구축한 성능평가 모델을 기초로 파라미터의 초기값을 결정하도록 실행되고,상기 파라미터의 초기값을 상기 네트워크 환경에 적용하여 성능평가지수를 산출하도록 실행되고,상기 성능평가지수 및 미리 설정된 성능평가목표지수를 비교하여 상기 파라미터의 초기값이 최종 최적화된 이동성 관련 파라미터 값인지를 결정하도록 실행되는, 파라미터 최적화 장치
|
12 |
12
청구항 11에 있어서,상기 적어도 하나의 명령은,사용가능한 개별 최적화 파라미터 값의 조합을 기초로 상기 최적화 파라미터의 집합을 생성하도록 실행되는, 파라미터 최적화 장치
|
13 |
13
청구항 11에 있어서,상기 적어도 하나의 명령은,상기 성능평가 모델을 통해 상기 고정 파라미터 및 상기 최적화 파라미터의 집합을 기초로 성능평가지수 추정치를 산출하도록 실행되는, 파라미터 최적화 장치
|
14 |
14
청구항 13에 있어서,상기 적어도 하나의 명령은,상기 최적화 파라미터의 집합 중 상기 성능평가지수 추정치가 가장 높은 최적화 파라미터를 추출하도록 실행되고,상기 추출한 최적화 파라미터에 포함된 개별 최적화 파라미터 값을 파라미터의 초기값으로 결정하도록 실행되는, 파라미터 최적화 장치
|
15 |
15
청구항 11에 있어서,상기 적어도 하나의 명령은,데이터베이스에 저장된 학습용 데이터 셋(set)을 기초로 머신 러닝을 수행하여 상기 성능평가 모델을 구축하도록 실행되는, 파라미터 최적화 장치
|
16 |
16
청구항 15에 있어서,상기 학습용 데이터 셋은,학습용 파라미터 및 상기 학습용 파라미터에 따른 성능평가지수를 포함하는, 파라미터 최적화 장치
|
17 |
17
청구항 15에 있어서,상기 적어도 하나의 명령은,상기 파라미터의 초기값 및 상기 성능평가지수를 상기 학습용 데이터 셋에 추가하도록 실행되는, 파라미터 최적화 장치
|
18 |
18
청구항 15에 있어서,상기 적어도 하나의 명령은,상기 성능평가지수가 상기 성능평가목표지수보다 크지 않은 경우, 파라미터 최적화 알고리즘을 수행하도록 실행되고,상기 파라미터 최적화 알고리즘의 결과값을 상기 네트워크 환경에 적용하여 성능평가지수를 재산출하도록 실행되고,상기 재산출한 성능평가지수가 상기 성능평가목표지수보다 클 때까지 상기 파라미터 최적화 알고리즘의 수행 및 상기 성능평가지수의 재산출을 반복하여 수행하도록 실행되고,상기 재산출한 성능평가지수가 상기 성능평가목표지수보다 큰 경우, 상기 파라미터 최적화 알고리즘의 결과값을 상기 최종 최적화된 이동성 관련 파라미터 값으로 결정하도록 실행되는, 파라미터 최적화 장치
|
19 |
19
청구항 18에 있어서,상기 적어도 하나의 명령은,상기 파라미터 최적화 알고리즘의 결과값 및 상기 재산출한 성능평가지수를 상기 학습용 데이터 셋에 추가하도록 실행되는, 파라미터 최적화 장치
|
20 |
20
청구항 19에 있어서,상기 학습용 데이터 셋의 추가에 따라 상기 학습용 데이터 셋의 변화량이 미리 설정된 값보다 큰 경우, 상기 추가된 학습용 데이터 셋을 포함하여 머신 러닝을 통해 성능평가 모델을 재구축하도록 실행되는, 파라미터 최적화 장치
|