본 기술은 채널 정보, 이전 타임 슬롯까지의 사용자 평균 처리량, 이전 타임 슬롯의 선택 사용자를 트레이닝 데이터로 삼아 기계 학습 기반 비례 공정 스케줄링(PFS) 채널 할당 모델을 형성하고, 테스트 데이터를 입력해 사용자-채널 할당을 결정하는 무선 통신 네트워크 패킷 스케줄링 방법 및 장치입니다.
비례 공정 스케줄링은 시스템 처리량과 공정성 사이의 균형이 우수해 널리 쓰이지만, 기존 패킷 스케줄링 해법은 대부분 규정된 알고리즘이나 반복 계산에 의존해 연산 부담이 큰 문제가 있었습니다. 네트워크 자원 할당에 기계 학습을 도입하려는 시도는 있었으나 특정 스케줄링 알고리즘에 대한 적용 타당성과 효과는 충분히 검증되지 않은 한계가 존재했습니다.
본 기술은 다항식 서포트 벡터 머신으로 PFS의 할당 결과를 학습하고, 할당 결과의 지연이 기준값을 넘으면 다항식 차수를 조정해 모델을 다시 학습시키는 성능 평가 루프를 갖춥니다. 이를 통해 매 슬롯 반복 계산 없이 적은 계산량으로 사용자를 채널에 효율적으로 할당할 수 있습니다. LTE·5G 기지국 스케줄러, 다중 반송파 셀룰러 시스템, 엣지 컴퓨팅 기반 무선 자원 관리에 적용될 수 있어 공정성을 유지하면서 스케줄링 지연과 기지국 연산 부하를 함께 낮출 수 있습니다.
본 발명은 교육부의 초신뢰저지연서비스를 위한 학습기반 포그 네트워크 캐싱 최적화 기술 연구 지원을 통해 개발되었습니다.
N/A
