| 1 |
1
서비스 기능의 자원 사용량 예측 방법을 수행하는 장치에 있어서,다수의 서비스 기능 체인에 대한 virtualized network function (VNF)들의 순서가 포함된 SFC 테이블 엔트리, 각 VNF들의 자원 사용량에 대한 정보가 포함된 자원 사용량 테이블 및 VNF들의 식별자 정보가 포함된 VNF 테이블을 저장하도록 구성된 메모리; 및상기 VNF들의 자원 사용량에 대한 정보를 상기 자원 사용량 테이블에 업데이트하고, 상기 업데이트된 정보에 기반하여 상기 VNF들의 자원 사용량을 예측하고, 상기 예측된 자원 사용량에 따른 적절한 컴퓨팅 자원을 데이터 평면상의 VNF들에 할당하도록 구성된 프로세서를 포함하는, 자원 사용량 예측 장치
|
| 2 |
2
제1 항에 있어서,상기 프로세서는,상기 SFC 테이블을 통해 상기 VNF들의 순서를 추출하고,상기 VNF 테이블을 통해 상기 VNF들의 식별자 정보를 추출하고,상기 추출된 VNF들의 식별자 정보 및 VNF들의 순서에 기반하여, 패킷이 지나야 하는 실제 네트워크상의 경로인 service function path (SFP)를 식별하는, 자원 사용량 예측 장치
|
| 3 |
3
제2 항에 있어서,상기 프로세서는,SFC 도메인으로 유입되는 서로 다른 서비스 유형의 패킷들을 상기 VNF들의 식별자 정보에 대응하는 서비스의 형태로 상기 SFP에 띠라 정의된 네트워크 경로를 통해 전달하여, 상기 VNF들의 순서에 따라 목적지로 패킷 전송이 수행되도록 제어하는, 자원 사용량 예측 장치
|
| 4 |
4
제2 항에 있어서,상기 프로세서는,상기 식별된 SFP 및 상기 자원 사용량 테이블에 업데이트된 자원 사용량에 대한 정보에 기반하여, 미래의 자원 사용량과 연관된 target dependent long-term recurrent convolutional network (TD-LRCN) 학습을 수행하는 학습부; 및상기 학습된 결과에 따라 상기 VNF들의 미래의 자원 사용량을 예측하고, 상기 예측된 자원 사용량에 따른 적절한 컴퓨팅 자원을 데이터 평면상의 VNF들에 할당하도록 구성된 사용량 예측부를 포함하는, 자원 사용량 예측 장치
|
| 5 |
5
제4 항에 있어서,상기 프로세서는,복수의 업 스트림들의 각각을 LSTM 모델에 기반하여 미래의 자원 사용량을 예측하는 업 스트림 VNF 학습 모듈; 미래의 자원 사용량과 과거 자원 사용량과의 상관관계를 학습하는 템포럴(temporal) 학습 모듈; 및복수의 다운 스트림들의 각각을 LSTM 모델에 기반하여 미래의 자원 사용량을 예측하는 다운 스트림 VNF 학습 모듈을 포함하고,상기 업 스트림들 및 상기 다운 스트림들은 패킷이 들어오는 방향에 존재하는 VNF 및 패킷이 나가는 방향에 존재하는 VNF 인지 여부를 기준으로 분류되는, 자원 사용량 예측 장치
|
| 6 |
6
제5 항에 있어서,상기 업 스트림 VNF 학습 모듈 및 상기 다운 스트림 VNF 학습 모듈은,특정 VNF의 자원 사용량과 주변 VNF들의 자원 사용량과의 관계를 학습하고, 상기 학습된 관계를 상기 미래의 자원 사용량을 예측하는 것에 반영하는, 자원 사용량 예측 장치
|
| 7 |
7
제5 항에 있어서,상기 업 스트림 VNF 학습 모듈 및 상기 다운 스트림 VNF 학습 모듈은,‘복수의 LSTM 모델들의 각각의 출력을 인접한 LSTM 모델에 입력하여, 상기 복수의 업 스트림들 중 제1 업 스트림의 제1 출력과 상기 복수의 다운 스트림들 중 제1 다운 스트림에 대응하는 제2 출력을 완전 연결 레이어(fully connected layer)로 입력되도록 제어하는, 자원 사용량 예측 장치
|
| 8 |
8
제5 항에 있어서,상기 업 스트림 VNF 학습 모듈 및 상기 다운 스트림 VNF 학습 모듈은,가장 최신의 정보가 가장 큰 영향을 미치도록 하기 위해 가장 과거의 자원 사용량에 대한 정보를 가장 먼저 입력하고, 가장 최근의 정보를 가장 나중에 입력하는 구조로 형성되고,상기 프로세서는,상기 업 스트림 VNF 학습 모듈의 제1 출력, 상기 다운 스트림 VNF 학습 모듈의 제2 출력 및 상기 템포럴 학습 모듈의 제3 출력이 입력되도록 구성된 완전 연결 레이어(fully connected layer)를 더 포함하는, 자원 사용량 예측 장치
|
| 9 |
9
제7 항에 있어서,상기 프로세서는,상기 제1 다운 스트림에 대응하는 제1 LSTM 모듈의 제1 출력, 상기 제1 업 스트림에 대응하는 제1 LSTM 모듈의 제2 출력 및 상기 템포럴 학습 모듈 내의 LSTM 모듈의 제3 출력이 상기 완전 연결 레이어로 입력되도록 제어하고,상기 제1 출력, 상기 제2 출력 및 상기 제3 출력이 상기 완전 연결 레이어에서합산되어 출력된 최종 출력값을 상기 미래의 자원 사용량으로 예측하는, 자원 사용량 예측 장치
|
| 10 |
10
제3 항에 있어서,상기 프로세서는,제어 평면(Control Plane)에서 SDN (Software Defined Network) 방식으로 학습된 결과에 따라 상기 VNF들의 미래의 자원 사용량을 예측하고, 상기 예측된 자원 사용량에 따른 적절한 컴퓨팅 자원을 데이터 평면(Date Plance)상의 VNF들에 할당하고,상기 SFC 도메인으로 유입되는 패킷들을 상기 SFP에 띠라 정의된 네트워크 경로를 통해 상기 VNF들의 순서 및 상기 예측된 미래의 자원 사용량에 따라 목적지로 패킷 전송을 수행하는, 자원 사용량 예측 장치
|
| 11 |
11
서비스 기능의 자원 사용량을 예측하는 방법에 있어서, 상기 방법은 자원 사용량 예측 장치에 의해 수행되고, 상기 방법은,다수의 서비스 기능 체인에 대한 virtualized network function (VNF)들의 순서가 포함된 SFC 테이블, 각 VNF들의 자원 사용량에 대한 정보가 포함된 자원 사용량 테이블 및 VNF들의 식별자 정보가 포함된 VNF 테이블을 구성하는 SFC/VNF 테이블 구성 과정;상기 VNF들의 자원 사용량에 대한 정보를 상기 자원 사용량 테이블에 업데이트하고, 상기 업데이트된 정보에 기반하여 상기 VNF들의 미래의 자원 사용량을 예측하는 자원 사용량 예측 과정; 및상기 예측된 자원 사용량에 따른 적절한 컴퓨팅 자원을 데이터 평면상의 VNF들에 할당하는 자원 할당 과정을 포함하는, 자원 사용량 예측 방법
|
| 12 |
12
제11 항에 있어서,상기 자원 할당 과정의 이후에,상기 SFC 테이블을 통해 추출된 VNF들의 식별자 정보 및 및 상기 VNF 테이블을 통해 추출된 VNF들의 순서에 기반하여, 패킷이 지나야 하는 실제 네트워크상의 경로인 service function path (SFP)를 식별하는 SFP 식별 과정; 및SFC 도메인으로 유입되는 패킷들을 상기 식별된 SFP에 띠라 정의된 네트워크 경로를 통해 상기 VNF들의 순서 및 상기 예측된 미래의 자원 사용량에 따라 목적지로 패킷 전송을 수행하는 패킷 전송 제어 과정을 더 포함하는, 자원 사용량 예측 방법
|
| 13 |
13
제12 항에 있어서,상기 자원 사용량 예측 과정은,복수의 업 스트림들의 각각 또는 복수의 다운 스트림들의 각각을 LSTM 모델에 기반하여 학습하고, 미래의 자원 사용량과 과거 자원 사용량과의 상관관계를 학습하는 자원 사용량 학습 과정; 및상기 LSTM 모델에 기반하여 학습된 결과 및 상기 상관 관계에 따라 상기 미래의 자원 사용량을 예측하는 미래 자원 사용량 예측 과정을 포함하는, 자원 사용량 예측 방법
|
| 14 |
14
제12 항에 있어서,상기 자원 사용량 학습 과정은,패킷이 들어오는 방향에 존재하는 VNF 및 패킷이 나가는 방향에 존재하는 VNF 인지 여부를 구분하여, 상기 패킷을 업 스트림 또는 다운 스트림으로 판단하는 업 스트림/다운 스트림 구분 과정;상기 패킷이 업 스트림이라고 판단되면, 상기 패킷 복수의 업 스트림들의 각각을 LSTM 모델에 기반하여 미래의 자원 사용량을 예측하는 업 스트림 VNF 학습 과정; 상기 패킷이 다운 스트림이라고 판단되면, 상기 패킷 복수의 다운 스트림들의 각각을 LSTM 모델에 기반하여 미래의 자원 사용량을 예측하는 다운 스트림 VNF 학습 과정; 및 미래의 자원 사용량과 과거 자원 사용량과의 상관관계를 학습하는 과거/미래 상관관계 학습 과정을 포함하는, 자원 사용량 예측 방법
|
| 15 |
15
제14 항에 있어서,상기 자원 사용량 학습 과정은,제1 다운 스트림에 대응하는 제1 LSTM 모듈의 제1 출력, 제1 업 스트림에 대응하는 제1 LSTM 모듈의 제2 출력 및 템포럴 학습 모듈 내의 LSTM 모듈의 제3 출력이 완전 연결 레이어로 입력되도록 구성하는 완전 연결 레이어 구성 과정을 더 포함하고,상기 자원 사용량 학습 과정의 이후에,상기 제1 출력, 상기 제2 출력 및 상기 제3 출력이 상기 완전 연결 레이어에서합산되어 출력된 최종 출력값을 상기 미래의 자원 사용량으로 예측하는 미래 자원 사용량 예측 과정을 더 포함하는, 자원 사용량 예측 방법
|
