1 |
1
원격 무선 헤드(Remote Radio Head)의 형태로 개별 기지국 및 클라우드(Cloud)에 가상 머신의 형태로 베이스밴드 유닛을 포함하는 클라우드 무선 접속 네트워크에서 동적 리소스를 할당하는 장치에 있어서,심층 강화 학습(Deep Reinforcement Learning)을 사용하여 시간 영역을 나누어 원격 무선 헤드의 사용자 로드(User Load)에 대응한 컴퓨팅 리소스 할당 값과 실제 필요한 컴퓨팅 리소스 값의 차이 값이 미리 지정되는 값 이하가 될 때까지 부하 변동을 학습하고, 상기 시간 영역에 대응하여 상기 원격 무선 헤드의 상기 부하 변동을 예측하는 심층 강화 학습부;예측되는 상기 원격 무선 헤드의 부하 변동을 이용하여 상기 원격 무선 헤드에 대응하는 가상 머신(Virtual Machine)의 컴퓨팅 리소스를 계산하는 계산부; 및계산된 상기 컴퓨팅 리소스에 따라 상기 가상 머신의 크기를 조정하고, 상기 가상 머신에 할당하는 할당부를 포함하는,동적 리소스 할당 장치
|
2 |
2
제1항에 있어서,상기 심층 강화 학습부는,상기 심층 강화 학습을 사용하여 원격 무선 헤드의 부하 변동을 학습하는 학습부; 및상기 원격 무선 헤드의 상기 부하 변동을 예측하는 예측부를 포함하는 동적 리소스 할당 장치
|
3 |
3
제1항에 있어서,상기 심층 강화 학습부는,상기 가상 머신으로부터 보상 값을 획득하고, 상기 보상 값을 이용하여 상기 원격 무선 헤드의 상기 부하 변동을 예측하는 동적 리소스 할당 장치
|
4 |
4
원격 무선 헤드(Remote Radio Head)의 형태로 개별 기지국 및 클라우드(Cloud)에 가상 머신의 형태로 베이스밴드 유닛을 포함하는 클라우드 무선 접속 네트워크에서 동적 리소스 할당 장치의 동작 방법에 있어서(a) 심층 강화 학습(Deep Reinforcement Learning)을 사용하여 시간 영역을 나누어 원격 무선 헤드의 사용자 로드(User Load)에 대응한 컴퓨팅 리소스 할당 값과 실제 필요한 컴퓨팅 리소스 값의 차이 값이 미리 지정되는 값 이하가 될 때까지 부하 변동을 학습하고, 상기 시간 영역에 대응하여 상기 원격 무선 헤드(Remote Radio Head)의 상기 부하 변동을 예측하는 단계;(b) 예측되는 상기 원격 무선 헤드의 부하 변동을 이용하여 상기 원격 무선 헤드에 대응하는 가상 머신(Virtual Machine)의 컴퓨팅 리소스를 계산하는 단계; 및(c) 계산된 상기 컴퓨팅 리소스를 상기 가상 머신에 할당하는 단계를 포함하는,동적 리소스 할당 장치의 동작 방법
|
5 |
5
제4항에 있어서,(d) 상기 가상 머신으로부터 보상 값을 획득하고, 상기 보상 값을 이용하여 상기 원격 무선 헤드의 상기 부하 변동을 예측하는 단계를 더 포함하는,동적 리소스 할당 장치의 동작 방법
|
6 |
6
제4항에 있어서,상기 가상 머신이 복수인 경우에,상기 차이 값은 각각의 가상 머신에 대한 컴퓨팅 리소스의 필요 값과 컴퓨팅 리소스의 할당 값의 차이의 절댓값을 합산하여 계산하는 동적 리소스 할당 장치의 동작 방법
|