1 |
1
네트워크 내 복수의 기지국들 각각에 탑재된 복수개의 제어장치들 중 제 1 기지국에 탑재된 제 1 제어장치가 나머지 기지국들 각각의 단말 연결 정보를 수집하는 단계;상기 제 1 제어장치가 각각의 단말 연결 정보들을 딥러닝 모델에 입력하는 단계; 및상기 제 1 제어장치가 상기 딥러닝 모델에서 출력된 상기 복수의 기지국들 각각에 대한 과금정보를 토대로 상기 복수의 기지국들 각각의 단말 연결을 제어하는 단계;를 포함하는 이종 네트워크 자원 할당 방법
|
2 |
2
제 1 항에 있어서,상기 제 1 제어장치는 상기 과금정보에 따라 로드가 높은 특정 기지국에 연결된 적어도 하나의 단말이 타 기지국에 연결되도록 제어하는 이종 네트워크 자원 할당 방법
|
3 |
3
제 2 항에 있어서,상기 제 1 제어장치는 과금정보가 높은 기지국을 상기 특정 기지국으로 판단하고, 상기 특정 기지국에 연결된 적어도 하나의 단말에 페널티를 부과하여 기지국 연결을 변경하는 이종 네트워크 자원 할당 방법
|
4 |
4
제 1 항에 있어서,상기 제 1 제어장치는 그래디언트 기반의 타겟값을 달성하기 위하여 상기 딥러닝 모델의 손실함수를 최소화하도록 가중치를 갱신하는 이종 네트워크 자원 할당 방법
|
5 |
5
제 1 항에 있어서, 상기 제 1 기지국은 이종 네트워크에 포함된 복수의 기지국들 중 셀의 크기가 가장 큰 고용량 기지국이고, 상기 제 1 제어장치는 상기 고용량 기지국에 탑재된 제어장치인 이종 네트워크 자원 할당 방법
|
6 |
6
제 1 항에 있어서, 상기 딥러닝 모델은 과금정보를 계산하도록 학습된 순환신경망(RNN)이고,상기 제 1 제어장치는 상기 연결정보들을 상기 순환신경망의 입력 시퀀스로 입력하는 이종 네트워크 자원 할당 방법
|
7 |
7
네트워크 내 복수의 기지국들 중 제 1 기지국에 탑재되어 나머지 기지국들 각각의 단말 연결 정보를 수집하는 통신장치;상기 단말 연결 정보들을 입력받아 상기 복수의 기지국들의 과금정보를 출력하도록 학습된 딥러닝 모델을 저장하는 저장장치; 및상기 딥러닝 모델에서 출력된 상기 복수의 기지국들 각각에 대한 과금정보를 토대로 상기 복수의 기지국들 각각의 단말 연결을 제어하는 제어장치;를 포함하는 이종 네트워크 자원 할당 장치
|
8 |
8
제 7 항에 있어서,상기 제어장치는 상기 과금정보에 따라 로드가 높은 특정 기지국에 연결된 적어도 하나의 단말이 타 기지국에 연결되도록 제어하는 이종 네트워크 자원 할당 장치
|
9 |
9
제 8 항에 있어서,상기 제어장치는 과금정보가 높은 기지국을 상기 특정 기지국으로 판단하고, 상기 특정 기지국에 연결된 적어도 하나의 단말에 페널티를 부과하여 기지국 연결을 변경하는 이종 네트워크 자원 할당 장치
|
10 |
10
제 7 항에 있어서,상기 제어장치는 그래디언트 기반의 타겟값을 달성하기 위하여 상기 딥러닝 모델의 손실함수를 최소화하도록 가중치를 갱신하는 이종 네트워크 자원 할당 장치
|
11 |
11
제 7 항에 있어서, 상기 제 1 기지국은 이종 네트워크에 포함된 복수의 기지국들 중 셀의 크기가 가장 큰 고용량 기지국이고, 상기 제어장치는 상기 고용량 기지국에 탑재되는 이종 네트워크 자원 할당 장치
|
12 |
12
제 7 항에 있어서, 상기 딥러닝 모델은 과금정보를 계산하도록 학습된 순환신경망(RNN)이고,상기 제어장치는 상기 연결정보들을 상기 순환신경망의 입력 시퀀스로 입력하는 이종 네트워크 자원 할당 장치
|