WO2024101729A1 - 무선 통신 시스템에서 페이징 절차를 위한 방법 및 장치 - Google Patents

무선 통신 시스템에서 페이징 절차를 위한 방법 및 장치 Download PDF

Info

Publication number
WO2024101729A1
WO2024101729A1 PCT/KR2023/016744 KR2023016744W WO2024101729A1 WO 2024101729 A1 WO2024101729 A1 WO 2024101729A1 KR 2023016744 W KR2023016744 W KR 2023016744W WO 2024101729 A1 WO2024101729 A1 WO 2024101729A1
Authority
WO
WIPO (PCT)
Prior art keywords
base station
period
data
mobility data
mobility
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/KR2023/016744
Other languages
English (en)
French (fr)
Inventor
김대진
김수영
곽명천
남동호
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from KR1020220156597A external-priority patent/KR20240066020A/ko
Application filed by Samsung Electronics Co Ltd filed Critical Samsung Electronics Co Ltd
Priority to EP23888991.9A priority Critical patent/EP4601371A4/en
Publication of WO2024101729A1 publication Critical patent/WO2024101729A1/ko
Priority to US19/192,988 priority patent/US20250261166A1/en
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W68/00—User notification, e.g. alerting and paging, for incoming communication, change of service or the like
    • H04W68/02—Arrangements for increasing efficiency of notification or paging channel
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W60/00—Affiliation to network, e.g. registration; Terminating affiliation with the network, e.g. de-registration
    • H04W60/04—Affiliation to network, e.g. registration; Terminating affiliation with the network, e.g. de-registration using triggered events
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W68/00—User notification, e.g. alerting and paging, for incoming communication, change of service or the like
    • H04W68/04—User notification, e.g. alerting and paging, for incoming communication, change of service or the like multi-step notification using statistical or historical mobility data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W68/00—User notification, e.g. alerting and paging, for incoming communication, change of service or the like
    • H04W68/06—User notification, e.g. alerting and paging, for incoming communication, change of service or the like using multi-step notification by changing the notification area
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W8/00—Network data management
    • H04W8/02—Processing of mobility data, e.g. registration information at HLR [Home Location Register] or VLR [Visitor Location Register]; Transfer of mobility data, e.g. between HLR, VLR or external networks

Definitions

  • This disclosure relates to wireless communication systems, and more particularly to methods and devices for reducing paging load.
  • the 5G communication system or pre-5G communication system is called a Beyond 4G Network communication system or a Post LTE (Long Term Evolution) system.
  • 5G communication systems are being considered for implementation in ultra-high frequency (mmWave) bands (such as the 60 GHz band).
  • mmWave ultra-high frequency
  • the 5G communication system uses beamforming, massive array multiple input/output (massive MIMO), and full dimension multiple input/output (FD-MIMO). ), array antenna, analog beamforming, and large scale antenna technologies are being discussed.
  • the 5G communication system includes advanced small cells, advanced small cells, cloud radio access networks (cloud RAN), ultra-high density networks, and devices.
  • D2D Device to Device communication
  • wireless backhaul moving network
  • cooperative communication Coordinated Multi-Points (CoMP)
  • CoMP Coordinated Multi-Points
  • interference cancellation etc.
  • the 5G system uses FQAM (Hybrid Frequency Shift Keying and Quadrature Amplitude Modulation) and SWSC (Sliding Window Superposition Coding), which are advanced coding modulation (ACM) methods, and FBMC (Filter Bank Multi Carrier), which is an advanced access technology. ), NOMA (Non Orthogonal Multiple Access), and SCMA (Sparse Code Multiple Access) are being developed.
  • FQAM Hybrid Frequency Shift Keying and Quadrature Amplitude Modulation
  • SWSC Small Cell Multi Carrier
  • NOMA Non Orthogonal Multiple Access
  • SCMA Synchrom Code Multiple Access
  • a plurality of terminals registered with an access and mobility management function (AMF) Receiving mobility data related to the movement frequency of the plurality of terminals from a learning algorithm learned to derive a candidate paging area based on the mobility data and mobility data for a first period among the mobility data, 1 Deriving a candidate paging area, determining reliability of the derived first candidate paging area using test data for the first period, and based on the reliability, a paging message transmitted from the network node identifying at least one base station to receive, and transmitting the paging message to the at least one base station, wherein the test data for the first period includes the plurality of base stations after the first period. It may include mobility data about terminals.
  • AMF access and mobility management function
  • a network node in a wireless communication system includes at least one transceiver, and at least one processor operably coupled to the at least one transceiver, At least one processor receives mobility data related to the movement frequency of the plurality of terminals from a plurality of terminals registered in the AMF, and uses a learning algorithm learned to derive a candidate paging area based on the mobility data and the mobility data. Based on the mobility data for the first period, a first candidate paging area is derived, using test data for the first period, reliability of the derived first candidate paging area is determined, and the reliability is determined.
  • Methods and devices according to various embodiments of the present disclosure can reduce paging load by sequentially attempting paging to base stations where the terminal is likely to move.
  • FIG. 1 illustrates the configuration of a wireless communication system according to various embodiments of the present disclosure.
  • Figure 2 shows the configuration of a terminal in a wireless communication system according to various embodiments of the present disclosure.
  • Figure 3 shows the configuration of a base station in a wireless communication system according to various embodiments of the present disclosure.
  • FIG. 4 illustrates the configuration of an access and mobility management function (AMF) according to various embodiments of the present disclosure.
  • AMF access and mobility management function
  • Figure 5 illustrates the mobility of a terminal between base stations according to various embodiments of the present disclosure.
  • FIG. 6 shows a transition probability matrix according to various embodiments of the present disclosure.
  • FIG. 7 illustrates a smart paging algorithm according to various embodiments of the present disclosure.
  • FIG. 8 illustrates a candidate tracking area (TA) through machine learning according to various embodiments of the present disclosure.
  • Figure 9 shows performance evaluation results according to various embodiments of the present disclosure.
  • FIG. 10 illustrates the configuration of a network entity for smart paging according to various embodiments of the present disclosure.
  • Figure 11 shows the operation sequence of AMF for smart paging according to various embodiments of the present disclosure.
  • FIG. 12 illustrates an AI (artificial intelligence)-based performance evaluation sequence according to various embodiments of the present disclosure.
  • the base station is an entity that performs resource allocation for the terminal and may be at least one of gNode B, eNode B, Node B, BS (Base Station), wireless access unit, base station controller, or node on the network.
  • a terminal may include a user equipment (UE), a mobile station (MS), a cellular phone, a smartphone, a computer, or a multimedia system capable of performing communication functions.
  • UE user equipment
  • MS mobile station
  • UL uplink
  • UL refers to a wireless transmission path of a signal transmitted from a terminal to a base station.
  • LTE or LTE-A system may be described below as an example, embodiments of the present disclosure can also be applied to other communication systems with similar technical background or channel types.
  • this may include the 5th generation mobile communication technology (5G, new radio, NR) developed after LTE-A, and the term 5G hereinafter may also include the existing LTE, LTE-A, and other similar services.
  • 5G new radio
  • this disclosure may be applied to other communication systems through some modifications without significantly departing from the scope of the present disclosure at the discretion of a person with skilled technical knowledge.
  • each block of the processing flow diagrams and combinations of the flow diagram diagrams can be performed by computer program instructions.
  • These computer program instructions can be mounted on a processor of a general-purpose computer, special-purpose computer, or other programmable data processing equipment, so that the instructions performed through the processor of the computer or other programmable data processing equipment are described in the flow chart block(s). It creates the means to perform functions.
  • These computer program instructions may also be stored in computer-usable or computer-readable memory that can be directed to a computer or other programmable data processing equipment to implement a function in a particular manner, so that the computer-usable or computer-readable memory
  • the instructions stored in may also produce manufactured items containing instruction means that perform the functions described in the flow diagram block(s).
  • Computer program instructions can also be mounted on a computer or other programmable data processing equipment, so that a series of operational steps are performed on the computer or other programmable data processing equipment to create a process that is executed by the computer, thereby generating a process that is executed by the computer or other programmable data processing equipment. Instructions that perform processing equipment may also provide steps for executing the functions described in the flow diagram block(s).
  • each block may represent a module, segment, or portion of code that includes one or more executable instructions for executing specified logical function(s).
  • each block may represent a module, segment, or portion of code that includes one or more executable instructions for executing specified logical function(s).
  • 'unit or part' used in this disclosure refers to software or a hardware component such as a field-programmable gate array (FPGA) or application specific integrated circuit (ASIC), and 'unit' refers to a specific unit or part. Can be configured to perform roles.
  • ' ⁇ part' is not limited to software or hardware.
  • ' ⁇ part' may be configured to reside on an addressable storage medium and may be configured to execute one or more processors. Therefore, as an example, ' ⁇ part' refers to components such as software components, object-oriented software components, class components, and task components, processes, functions, properties, and procedures. , subroutines, segments of program code, drivers, firmware, microcode, circuitry, data, databases, data structures, tables, arrays, and variables.
  • components and 'parts' may be combined into a smaller number of components and 'parts' or may be further separated into additional components and 'parts'. Additionally, components and 'parts' may be implemented to regenerate one or more CPUs within a device or a secure multimedia card. Additionally, in an embodiment, ' ⁇ unit' may include one or more processors and/or devices.
  • 3GPP 3rd Generation Partnership Project Long Term Evolution
  • 5G Fifth Generation Partnership Project
  • NR Long Term Evolution
  • LTE Long Term Evolution
  • present disclosure is not limited by terms and names, and can be equally applied to systems that comply with other standards.
  • connection node a term referring to network entities
  • a term referring to messages a term referring to an interface between network objects
  • various identification information a term referring to an interface between network objects. Terms are illustrated for convenience of explanation. Accordingly, the present disclosure is not limited to the terms described below, and other terms referring to objects having equivalent technical meaning may be used.
  • This disclosure relates to a machine learning method and device for reducing paging load in a wireless communication system.
  • a network node e.g., a mobility management entity (MME) or an access and mobility management function (AMF)
  • MME mobility management entity
  • AMF access and mobility management function
  • a technique for reducing paging load by transmitting a paging message is explained.
  • the base station to which the terminal is expected to move that is, the base station transmitting the paging message, is referred to as a paging base station.
  • 1 shows an example of a wireless communication system according to various embodiments of the present disclosure. 1 shows some of the nodes that use a wireless channel in a wireless communication system, including AMF 130, base station 112, base station 114, base station 116, base station 122, base station 124, and base station. (126), exemplifies the terminal 140.
  • the terminal 140 is a device used by a user and can communicate through a wireless channel formed with the base stations 112, 114, 116, 122, 124, and 126, that is, an access network. .
  • the terminal 140 may be operated without user involvement. That is, at least one of the terminals 140 is a device that performs machine type communication (MTC) and may not be carried by the user.
  • the terminal 140 is a 'terminal', 'user equipment (UE)', 'mobile station', 'subscriber station', and 'customer premises equipment (CPE). )', 'remote terminal', 'wireless terminal', 'vehicle terminal', 'user device' or other terms with equivalent technical meaning. You can.
  • Base stations 112, 114, 116, 122, 124, and 126 are network infrastructure that provides wireless connectivity. Base stations 112, 114, 116, 122, 124, and 126 have coverage defined as a certain geographic area based on the distance over which signals can be transmitted. Hereinafter, the term 'coverage' used may refer to a service coverage area in the base stations 112, 114, 116, 122, 124, and 126.
  • the base stations 112, 114, 116, 122, 124, and 126 may cover one cell or multiple cells. Here, multiple cells can be divided by the frequency they support and the area of the sector they cover.
  • the base stations 112, 114, 116, 122, 124, and 126 are 'access point (AP)', 'eNodeB (eNB)', and 5G node ( 5th generation node). ', '5G NodeB', 'gNB (next generation node B)', 'wireless point', 'transmission/reception point (TRP)', 'distributed unit , DU)', 'radio unit (RU)', remote radio head (RRH), or other terms with equivalent technical meaning.
  • base stations 112, 114, 116, 122, 124, and 126 may be connected to one or more TRPs.
  • the base stations 112, 114, 116, 122, 124, and 126 may transmit a downlink signal or receive an uplink signal to the electronic device 101 through one or more TRPs.
  • the AMF 130 provides functions for terminal access and mobility management, and each terminal can be basically connected to one AMF.
  • the AMF 130 provides signaling between core network nodes for mobility between 3 rd generation partnership project (3GPP) access networks, and a CP interface between radio access networks (e.g., 5G radio access network (RAN)).
  • 3GPP 3 rd generation partnership project
  • RAN 5G radio access network
  • N2 interface radio access networks
  • NAS signaling with the terminal 101 identification of the SMF
  • provision of delivery of a session management message between the terminal and the SMF may be performed.
  • Some or all of the functions of AMF can be supported within a single instance of AMF.
  • the terminal 101 can transmit or receive messages through the AMF 130 and NAS signaling.
  • NAS signaling may refer to a functional layer for exchanging signaling and traffic messages between a terminal and the core network in the 5GS (5G system) protocol stack.
  • the terminal 101 can transmit a message to the AMF or receive a message from the AMF via the base station.
  • the base station may transmit the message to the terminal 101 or the AMF without interpreting it. Mobility of the terminal 101 may be supported through NAS signaling.
  • AMF Access Mobility Management Entity
  • LTE long term evolution
  • MME mobility management entity
  • the communication system includes a stand alone (SA) deployment structure that performs communication only with 5G communication entities, or an NSA (NSA) that uses 4G entities and 5G entities for 5G communication. It may also include a non-stand alone) batch structure.
  • the communication system of the present disclosure may include a network deployment structure composed of 4G entities.
  • SA stand alone
  • NSA NSA
  • the present disclosure describes embodiments assuming a 5G communication network, but if the same concept is applicable to other systems within a range that can be understood by those with ordinary skill in the art, other systems may be applied.
  • Figure 2 shows the configuration of a terminal according to various embodiments of the present disclosure.
  • the configuration illustrated in FIG. 3 can be understood as the configuration of the terminal 101 in FIG. 1.
  • Terms such as '... unit' and '... unit' used hereinafter refer to a unit that processes at least one function or operation, and may be implemented as hardware, software, or a combination of hardware and software. .
  • the terminal 101 may include a communication unit 210, a storage unit 220, and a control unit 230.
  • the communication unit 210 may perform functions for transmitting and receiving signals through a wireless channel.
  • the communication unit 210 may perform a conversion function between a baseband signal and a bit string according to the physical layer standard of the system.
  • the communication unit 210 may generate complex symbols by encoding and modulating the transmission bit string.
  • the communication unit 210 can restore the baseband signal to a received bit stream through demodulation and decoding.
  • the communication unit 210 may up-convert the baseband signal into a radio frequency (RF) band signal and transmit it through an antenna, and down-convert the RF band signal received through the antenna into a baseband signal.
  • the communication unit 210 may include a transmission filter, a reception filter, an amplifier, a mixer, an oscillator, a digital-to-analog converter (DAC), an analog-to-digital converter (ADC), etc.
  • DAC digital-to-analog converter
  • ADC analog-to-digital converter
  • the communication unit 210 may include multiple transmission and reception paths. Furthermore, the communication unit 210 may include an antenna unit. The communication unit 210 may include at least one antenna array composed of multiple antenna elements. In terms of hardware, the communication unit 210 may be composed of digital and analog circuits (eg, radio frequency integrated circuit (RFIC)). Here, the digital circuit and analog circuit can be implemented in one package. Additionally, the communication unit 210 may include multiple RF chains. The communication unit 210 may perform beamforming. The communication unit 210 may apply a beamforming weight to the signal to be transmitted and received in order to give directionality according to the settings of the control unit 230.
  • RFIC radio frequency integrated circuit
  • the communication unit 210 can transmit and receive signals.
  • the communication unit 210 may include at least one transceiver.
  • the communication unit 210 may receive a downlink signal.
  • the downlink signal may include a synchronization signal, a reference signal, a configuration message, control information, or downlink data.
  • the communication unit 210 can transmit an uplink signal.
  • Uplink signals may include random access-related signals (e.g., random access preamble (RAP), Msg3 (message 3)), reference signals, power headroom report (PHR), etc. there is.
  • RAP random access preamble
  • Msg3 messagessage 3
  • PHR power headroom report
  • the communication unit 210 may include different communication modules to process signals in different frequency bands. Furthermore, the communication unit 210 may include multiple communication modules to support multiple different wireless access technologies. For example, different wireless access technologies include bluetooth low energy (BLE), wireless fidelity (Wi-Fi), WiFi gigabyte (WiGig), and cellular networks (e.g., long term evolution (LTE), new radio (NR)). ), etc. may be included. Additionally, different frequency bands may include super high frequency (SHF) (e.g., 2.5 GHz, 5 GHz) bands and millimeter wave (e.g., 38 GHz, 60 GHz, etc.) bands. . In addition, the communication unit 210 uses the same wireless access technology on different frequency bands (e.g., unlicensed band for licensed assisted access (LAA), citizens broadband radio service (CBRS) (e.g., 3.5 GHz)). You can also use .
  • different wireless access technologies include bluetooth low energy (BLE), wireless fidelity (Wi-Fi), WiFi gigabyte (WiGig), and
  • the communication unit 210 can transmit and receive signals as described above. Accordingly, all or part of the communication unit 210 may be referred to as a 'transmitting unit', a 'receiving unit', or a 'transmitting/receiving unit'. Additionally, in the following description, transmission and reception performed through a wireless channel may be used to mean that the above-described processing is performed by the communication unit 210.
  • the storage unit 220 may store data such as basic programs, application programs, and setting information for the operation of the terminal 101.
  • the storage unit 220 may be comprised of volatile memory, non-volatile memory, or a combination of volatile memory and non-volatile memory. Additionally, the storage unit 220 may provide stored data upon request from the control unit 230.
  • the control unit 230 can control the overall operations of the terminal 101.
  • the control unit 230 may transmit and receive signals through the communication unit 210.
  • the control unit 230 can record and read data in the storage unit 220.
  • the control unit 230 can perform protocol stack functions required by communication standards.
  • the control unit 230 may include at least one processor.
  • the control unit 230 may include at least one processor or microprocessor, or may be part of a processor. Additionally, a portion of the communication unit 210 and the control unit 230 may be referred to as CP.
  • the control unit 230 may include various modules for performing communication. According to various embodiments, the control unit 230 may control the terminal to perform operations according to various embodiments described later.
  • Figure 3 shows the configuration of a base station according to various embodiments of the present disclosure.
  • the configuration illustrated in FIG. 2 may be understood as the configuration of the base station 112 in FIG. 1 .
  • Terms such as '... unit' and '... unit' used hereinafter refer to a unit that processes at least one function or operation, and may be implemented as hardware, software, or a combination of hardware and software.
  • the base station 112 may include a communication unit 310, a backhaul communication unit 320, a storage unit 330, and a control unit 340.
  • the communication unit 310 may perform functions for transmitting and receiving signals through a wireless channel. Accordingly, the communication unit 310 may also be called a wireless communication unit. For example, the communication unit 310 may perform a conversion function between a baseband signal and a bit string according to the physical layer standard of the system. For example, when transmitting data, the communication unit 310 may generate complex symbols by encoding and modulating the transmission bit string. Additionally, when receiving data, the communication unit 310 can restore the baseband signal to a received bit stream through demodulation and decoding. Additionally, the communication unit 310 may up-convert the baseband signal into a radio frequency (RF) band signal and transmit it through an antenna, and down-convert the RF band signal received through the antenna into a baseband signal. To this end, the communication unit 310 may include a transmission filter, a reception filter, an amplifier, a mixer, an oscillator, a digital-to-analog converter (DAC), an analog-to-digital converter (ADC), etc.
  • RF radio frequency
  • the communication unit 310 may include multiple transmission and reception paths. Furthermore, the communication unit 310 may include at least one antenna array composed of multiple antenna elements. In terms of hardware, the communication unit 310 may be composed of a digital unit and an analog unit, and the analog unit is composed of a number of sub-units depending on operating power, operating frequency, etc. It can be.
  • the communication unit 310 can transmit and receive signals.
  • the communication unit 310 may include at least one transceiver.
  • the communication unit 310 may transmit a synchronization signal, reference signal, system information, configuration message, control information, or data. Additionally, the communication unit 310 may perform beamforming.
  • the communication unit 310 can transmit and receive signals as described above. Accordingly, all or part of the communication unit 310 may be referred to as a ‘transmitting unit’, a ‘receiving unit’, or a ‘transmitting/receiving unit’. Additionally, in the following description, transmission and reception performed through a wireless channel may be used to mean that the processing as described above is performed by the communication unit 310.
  • the backhaul communication unit 320 provides an interface for communicating with other nodes in the network. That is, the backhaul communication unit 320 converts a bit string transmitted from the base station 112 to another node, for example, another access node, another base station, upper node, core network, etc., into a physical signal, and Physical signals can be converted into bit strings.
  • the storage unit 330 may store data such as basic programs, application programs, and setting information for operation of the base station 112.
  • the storage unit 330 may include memory.
  • the storage unit 330 may be comprised of volatile memory, non-volatile memory, or a combination of volatile memory and non-volatile memory. Additionally, the storage unit 330 may provide stored data upon request from the control unit 340.
  • the control unit 340 can control the overall operations of the base station 112. For example, the control unit 340 may transmit and receive signals through the communication unit 310 or the backhaul communication unit 320. Additionally, the control unit 340 can write and read data to and from the storage unit 330. Additionally, the control unit 340 can perform protocol stack functions required by communication standards. For this purpose, the control unit 340 may include at least one processor.
  • the configuration of the base station 112 shown in FIG. 3 is only an example of a base station, and examples of base stations that perform various embodiments of the present disclosure are not limited to the configuration shown in FIG. 3. That is, according to various embodiments, some configurations may be added, deleted, or changed.
  • the base station is described as one entity, but the present disclosure is not limited to this.
  • a base station may be implemented to form an access network with distributed deployment as well as integrated deployment.
  • the base station is divided into a central unit (CU) and a digital unit (DU), with the CU performing upper layer functions (e.g., packet data convergence protocol (PDCP), radio resource control (RRC)), and the DU
  • the DU of the base station may be implemented to perform lower layer functions (e.g., medium access control (MAC), physical (PHY)).
  • MAC medium access control
  • PHY physical
  • FIG. 4 illustrates the configuration of an access and mobility management function (AMF) according to various embodiments of the present disclosure.
  • the configuration illustrated in FIG. 4 may be understood as AMF 130 of FIG. 1 .
  • Terms such as '... unit' and '... unit' used hereinafter refer to a unit that processes at least one function or operation, and may be implemented as hardware, software, or a combination of hardware and software.
  • the AMF may include a communication unit 410, a storage unit 420, and a control unit 430.
  • the communication unit 410 may perform functions for transmitting and receiving signals in a wired communication environment.
  • the communication unit 410 may include a wired interface for controlling direct connection between devices through a transmission medium (eg, copper wire, optical fiber).
  • a transmission medium eg, copper wire, optical fiber
  • the communication unit 410 may transmit an electrical signal to another device through a copper wire or perform conversion between an electrical signal and an optical signal.
  • the communication unit 410 can transmit and receive signals between network entities forming a core network according to wired communication interface standards.
  • the communication unit 410 may perform functions for transmitting and receiving signals through a wireless channel.
  • the communication unit 410 may perform a conversion function between a baseband signal and a bit string according to the physical layer standard of the system.
  • the communication unit 410 may generate complex symbols by encoding and modulating the transmission bit string.
  • the communication unit 410 can restore the baseband signal to a received bit stream through demodulation and decoding.
  • the communication unit 410 may up-convert the baseband signal into a radio frequency (RF) band signal and transmit it through an antenna, and down-convert the RF band signal received through the antenna into a baseband signal.
  • the communication unit 410 may include a transmission filter, a reception filter, an amplifier, a mixer, an oscillator, a digital-to-analog converter (DAC), an analog-to-digital converter (ADC), etc.
  • DAC digital-to-analog converter
  • ADC analog-to-digital converter
  • the communication unit 410 can transmit and receive signals as described above. Accordingly, all or part of the communication unit 410 may be referred to as a ‘transmitting unit’, a ‘receiving unit’, or a ‘transmitting/receiving unit’. Additionally, in the following description, transmission and reception performed through a wireless channel may be used to mean that the processing as described above is performed by the communication unit 410.
  • the storage unit 420 may store data such as basic programs, applications, and setting information for the operation of network entities.
  • the storage unit 420 may be comprised of volatile memory, non-volatile memory, or a combination of volatile memory and non-volatile memory. Additionally, the storage unit 420 may provide stored data upon request from the control unit 430.
  • the control unit 430 can control the overall operations of the AMF.
  • the control unit 430 may transmit and receive signals through the communication unit 410.
  • the control unit 430 can write and read data into the storage unit 420.
  • the control unit 430 can perform protocol stack functions required by communication standards.
  • the protocol stack may be included in the communication unit 410.
  • the control unit 430 may include at least one processor.
  • AMF may be a network entity that manages the mobility of the terminal.
  • AMF can identify the location of a terminal based on a tracking area (TA), which is a set of one or more cells.
  • TA tracking area
  • RRC radio resource control
  • the AMF can know the location of the terminal on a cell basis.
  • the core network recognizes that the core and the terminal are connected, and since RAN (radio access network) paging is performed, the AMF is also in the terminal's You can know the location.
  • the terminal is in the RRC idle state, the AMF only knows the registered TA and does not know the location of the terminal, so the AMF may need to transmit a paging message to connect to the terminal.
  • a conventional paging method (for example, paging order 3) is described with reference to FIG. 1 as follows. In the description below, it can be assumed that TA1 (110) and TA2 (120) are included in the TAL.
  • AMF 130 may transmit a first paging message to the base station 112 that terminal 101 last connected to. If there is no response to the first paging message, the AMF 130 may transmit a second paging message to the base stations 112, 114, and 116 included in TA1 110 to which the base station 112 belongs. If there is no response to the second paging message, the AMF 130 will transmit a third paging message to the base stations 112, 114, 116, 122, 124, and 126 included in the TAL to which the base station 112 belongs. You can.
  • the AMF includes the base station that most recently transmitted a paging message (hereinafter referred to as the reference base station), base stations belonging to the TA of the reference base station (hereinafter referred to as the reference TA), and base stations belonging to the TAL of the reference TA (hereinafter referred to as the reference TAL).
  • Paging messages can be sequentially transmitted to base stations.
  • the first may be a tracking area update (TAU) load where the terminal reports its location to the AMF. For example, if the number of cells included in the TA is small, the energy consumption of the terminal may be high due to frequent TAU.
  • the second may be the paging load transmitted by the AMF to the terminal. For example, if a large number of base stations included in the TA are configured, the number of paging messages (e.g., S1 application protocol (S1AP) or NG application protocol (NGAP)) may increase, consuming a lot of network resources. . That is, the TAU load and paging load are affected by the configuration of the TA and may be in a trade-off relationship. Therefore, there is a need to reduce resource waste by reducing the number of unnecessary paging message transmissions within the network.
  • S1AP S1 application protocol
  • NGAP NG application protocol
  • the present disclosure relates to a method and apparatus for reducing paging load by obtaining the optimal number of base stations (ie, paging base stations) for paging message transmission in each step. If the paging attempt by all paging base stations fails in this step, AMF configures the paging base stations again in the next step. At this time, since the range of the paging base station increases as the stage progresses, it may be required to design which base station to set as the paging base station in a specific stage, considering the total number of paging messages.
  • base stations ie, paging base stations
  • the minimum paging load can be obtained by sequentially attempting paging to base stations with a high probability of movement.
  • the paging order of the present disclosure may be limited.
  • the paging order is described as 3 as an example, but embodiments of the present disclosure are not limited thereto.
  • the paging order is
  • the network entity may be AMF.
  • the number of paging messages generated in the AMF 130 is defined as an objective function, and a procedure for minimizing the number of paging messages based on the objective function is described.
  • AMF 130 may acquire mobility data.
  • the AMF 130 may obtain mobility data from a plurality of terminals registered with the AMF.
  • mobility data may include data on the actual movement frequency of all terminals registered in the AMF moving from a specific base station to the same or different base station.
  • Figure 5 illustrates the mobility of a terminal between base stations according to various embodiments of the present disclosure.
  • the mobility of the terminal may mean the probability of the terminal moving between base stations.
  • the probability that a terminal moves from one base station to another within n base stations can be expressed as P.
  • UE mobility is not limited to only including the probability that the UE moves from one base station to another base station.
  • the mobility of the terminal may include the probability that the terminal moves within one base station belonging to n base stations.
  • FIG. 6 shows a transition probability matrix according to various embodiments of the present disclosure.
  • a transition probability matrix can be represented.
  • the above-described mobility of the terminal that is, the probability of the terminal moving from one base station to another base station within n base stations and the probability of the terminal moving within one base station may be a function representing the probability of the terminal moving within one base station as a matrix.
  • AMF 130 can obtain movement probability.
  • the AMF 130 may obtain a movement probability based on a Markov model.
  • the AMF 130 may obtain the probability of movement of the terminal based on the acquired mobility data. For example, when moving from base station j to base station k, the probability can be expressed as P j,k .
  • the AMF 130 may obtain P , which is a movement probability matrix, based on the acquired mobility data.
  • the AMF 130 may obtain a sequence for the probability that the terminal moves from base station j, which was last registered with the AMF 130, to base station k.
  • the sequence for the probability of moving from base station j to base station k is It can be expressed as
  • the base station j that the terminal last registered with the AMF 130 may be the base station that the terminal in the RRC connected state was connected to before switching to the RRC idle state.
  • the base station j that the terminal last registered with the AMF 130 may be the base station that the terminal in the RRC inactive state was connected to before switching to the RRC idle state.
  • the AMF 130 may obtain a partial sequence excluding the case where the terminal does not move from base station j.
  • the partial sequence is It can be expressed as
  • subsequence may be a sequence sorted in descending order (i.e. ).
  • Obtained partial sequence Based on, if the terminal leaves base station j, the base station The probability of moving to can be determined. For example, if the terminal leaves base station j, the base station Probability of moving to ( ) can be expressed as the equation below.
  • equation 1 may represent the probability of leaving base station j. That is, since the primary paging message is transmitted only to base station j, is the probability that the first paging fails ( ) can be expressed.
  • the failure probability of secondary paging can be expressed using . for example, If defined as , the probability of secondary paging failing ( ) can be expressed as the equation below.
  • Equation 3 It can be. thus, may be a strictly decreasing function in the interval [0, M-1]. Additionally, referring to Equation 4 below, may be a convex function.
  • AMF 130 may determine an objective function. According to one embodiment, the AMF 130 may determine an objective function based on movement probability. According to one embodiment, the objective function may represent the number of paging messages transmitted by the AMF 130.
  • the generalized objective function ( ) can be defined as the equation below.
  • the base stations selected for paging are It can be determined from the definition of (e.g., sorted in descending order starting from the gNB with the highest probability of moving). Accordingly, once the number of base stations to transmit the paging message in each paging order (h) is determined, the number of base stations to transmit the paging message can be determined.
  • the number of paging messages transmitted by the AMF 130 in paging orders 2 and 3 can be defined as the equation below.
  • the AMF 130 transmits primary paging only to base station j, It can be. If primary paging fails, secondary paging is performed. Is It can be decided based on .
  • the AMF 130 determines the number of base stations to transmit a paging message in paging order 2 ( ), the base stations that will transmit the paging message, that is, the paging base stations, can be identified.
  • the number of base stations to transmit a paging message ( ) the following equation can be defined.
  • AMF 130 may determine the number of base stations to transmit the paging message. According to one embodiment, the AMF 130 may determine the number of base stations to transmit a paging message through a machine learning algorithm. According to one embodiment, the AMF 130 sets the initial value of the number of base stations ( ) and the initial value of the objective function accordingly ( ), the machine learning algorithm can be started. At this time, the number of base stations ( ) may be input data of the objective function. According to one embodiment, the AMF 130 may estimate the number of base stations in the next learning order. For example, the equation for estimating the number of base stations in the next learning order can be defined as follows.
  • the AMF 130 may set the value of the objective function of the next learning order.
  • the AMF 130 may set the value of the objective function of the next learning order based on the result of comparing the value of the objective function of the estimated next learning order with the value of the objective function of the current learning order. .
  • AMF 130 estimates the value of the objective function of the next learning order ( ) and the value of the objective function of the current learning order ( ) can be set as the value of the objective function of the next learning order. That is, the value of the objective function represents the number of paging messages, so the number of base stations ( ) can be set in a direction that minimizes the value of the objective function.
  • the equation for setting the objective function of the next learning order can be defined as follows.
  • AMF 130 may determine the number of base stations in the next learning order. According to one embodiment, the AMF 130 may determine the number of base stations in the next learning order based on a result of comparing the value of the objective function of the estimated next learning order with the value of the objective function of the current learning order. For example, when the objective function of the estimated next learning order is smaller than the objective function of the current learning order, the AMF 130 divides the number of base stations of the estimated next learning order in Equation 10 into the number of base stations of the next learning order. You can decide ( ). That is, since learning has been performed in a way that reduces the number of paging messages, the AMF 130 can determine the number of base stations in the estimated next learning order as the number of base stations for next learning.
  • the AMF 130 may determine the number of base stations in the current learning order as the number of base stations in the next learning order. (for example, ). That is, when the value of the objective function increases, the AMF 130 increases the number of base stations ( ) may not be updated.
  • the AMF 130 performs an operation to minimize the number of paging messages described above a specified number of times (e.g., ) can be repeated as many times as At this time, may be a pre-designated value representing the number of repetitions required to minimize the number of paging messages transmitted by the AMF 130.
  • Can be determined based on the number of base stations included in the TA.
  • Can be determined based on the number of base stations included in the TAL.
  • FIG. 7 illustrates a smart paging algorithm according to various embodiments of the present disclosure.
  • the algorithm of FIG. 7 may be called a smart paging algorithm.
  • the algorithm is not limited to any one name.
  • AMF 130 may identify base stations to transmit a paging message. According to one embodiment, the AMF 130 may identify base stations to transmit a paging message based on the partial sequence sorted in descending order from the base station with the highest probability of movement and the number of base stations to transmit the paging message. According to one embodiment, a partial sequence sorted in descending order starting from the base station with the highest probability of movement may be identified for each paging order. According to one embodiment, the number of base stations to transmit a paging message can be identified for each paging order. According to one embodiment, the AMF 130 may sequentially transmit paging messages to identified base stations according to the paging order. According to one embodiment, the paging message may be transmitted by broadcasting. That is, when the primary paging fails, the AMF 130 transmits the paging message only to the identified optimal base stations instead of transmitting the paging message to all base stations belonging to the TA or TAL, thereby reducing the paging load. .
  • AMF performing the operations as a mobility management entity.
  • another core network entity eg, MME
  • MME may perform the following operations.
  • some of the above-described operations may be performed in the AMF, and others may be performed in an external device (eg, a server) connected to the AMF.
  • the above-described operations that is, paging base station design operations for each order, are performed in an external device, and the AMF may obtain and apply only the performance results.
  • Figure 8 illustrates a candidate TA through machine learning according to various embodiments of the present disclosure.
  • TA3 may be a new candidate TA that includes at least one base station identified through the above-described procedures (eg, smart paging algorithm) among the base stations included in TA1 and TA2.
  • the candidate TA may refer to the TA predicted by AMF (or MME) through the above-described procedures.
  • Figure 9 shows performance evaluation results according to various embodiments of the present disclosure.
  • Methods for evaluating the reliability of base stations that will transmit a paging message derived by the algorithm of FIG. 7 can be described.
  • Methods for evaluating the reliability of base stations that will transmit paging messages may be methods for evaluating the performance of the machine learning results (eg, smart paging algorithm) of FIG. 7 described above.
  • the machine learning results eg, smart paging algorithm
  • the source base station (eg, source gNB) that provides services to the terminal before the terminal moves may be set to X.
  • Area.ML.X (eg, based on gNB X) may mean a set of predicted gNBs derived through a proposed algorithm (eg, smart paging algorithm).
  • Area.ML.X may mean a set of optimized (or predicted) destination base stations (eg, destination gNB) for source gNB X.
  • Area.Real.X (for example, based on gNB X) may be a set of base stations to which the terminal actually moved.
  • it may mean a set of destination base stations (eg, destination gNB) that actually sent a paging response to a source base station (eg, source gNB X). and may mean the relationship concentration (or cardinality) of the set, that is, the number of elements included in the set. for example, It can be.
  • the performance evaluation method for machine learning results can be expressed as the following equation.
  • Equation 12 may mean the number of base stations to which the terminal actually moved among the base stations (e.g., gNB) included in the predicted paging area divided by the base station (e.g., gNB) to which the terminal actually moved. .
  • Eval_succ is evaluated based on the area the terminal moved to, and can be evaluated through very fast calculations.
  • Equation 13 can mean the total number of times the terminal moves to base stations corresponding to the intersection of the set of predicted base stations and the set of base stations to which the terminal actually moved divided by the total number of times the terminal moved to the base stations to which it actually moved. there is.
  • Eval_succ_weight may be a more accurate performance evaluation method because it includes the total number of actual UE movements.
  • the results of the performance evaluation (e.g., Eval_succ_weight) derived based on Equation 13 can represent more accurate result values than the results of the performance evaluation (e.g., Eval_succ) derived based on Equation 12. .
  • the performance evaluation method for machine learning may not have to be evaluated only using the performance evaluation method of Equation 13 described above. Additionally, the above-described performance evaluation methods are merely examples, and the performance evaluation method for machine learning may be evaluated by methods other than Equation 12 or Equation 13 described above. In addition, both the performance evaluation methods according to Equation 12 and Equation 13 described above may be considered.
  • evaluation of the predicted paging area through machine learning can be performed by an AI model.
  • the AI model for determining the reliability of the predicted paging area derived through machine learning can perform operations to increase the reliability of the predicted paging area through the above-described machine learning based on the results of the performance evaluation.
  • the AMF determines that the result of the performance evaluation derived by at least one of the above-described performance evaluation methods is less than or equal to an arbitrary threshold (for example, the lowest threshold of performance determined by the network operator).
  • the AI model can enable AMF to re-perform the aforementioned smart paging algorithm based on more mobility data.
  • an AI model may allow AMF to derive a new predicted paging area using mobility data for a longer period than the mobility data used to derive the predicted paging area being evaluated. At this time, mobility data for a longer period may mean mobility data of the terminal accumulated over a longer period of time.
  • the AMF when the result value of the performance evaluation derived by at least one of the above-described performance evaluation methods is greater than an arbitrary threshold (e.g., the lowest threshold of performance determined by the network operator), the AMF The AI model can enable AMF to perform paging procedures based on already derived predicted paging areas. However, the AI model may allow AMF to perform a paging procedure based on the derived expected paging area even if the result value of the performance evaluation derived by at least one of the above-mentioned performance evaluation methods is equal to an arbitrary threshold value. there is.
  • an arbitrary threshold e.g., the lowest threshold of performance determined by the network operator
  • the AI model may determine whether to perform the above-described operations based on requirements including at least one of an arbitrary threshold, the communication environment of the cell where the terminal is located, or the average movement area distribution of the terminals. Additionally, the AI model may be included in the control unit 430 of the AMF, and operations of the AI model may be performed by at least one processor included in the control unit 430. Alternatively, the AI model may be included in a network entity included in the AMF separately from the control unit 430 of the AMF.
  • FIG. 10 illustrates the configuration of a network entity for smart paging according to various embodiments of the present disclosure.
  • configurations of a network entity eg, control unit 430 that performs a smart paging operation and interactions between configurations may be described.
  • the call processing module 1010 can collect the mobility of the terminal and transmit the collected data to the communication module 1020 of the machine learning server (ML server).
  • ML server machine learning server
  • the communication module 1020 may transmit collected data (eg, mobility data) received from the call processing module 1010 to the data processing module 1030. Additionally, the communication module 1020 may transmit information about the optimized paging area for each base station received from the training & evaluation module 1060 to the call processing module 1010.
  • collected data eg, mobility data
  • the communication module 1020 may transmit information about the optimized paging area for each base station received from the training & evaluation module 1060 to the call processing module 1010.
  • the data processing module 1030 may periodically merge collected data (eg, mobility data) received from the communication module 1020 and store them on the disk 1080.
  • collected data eg, mobility data
  • the DB manager module 1070 can read network configuration information (for example, including at least one of gNB, TA, or TAL settings) stored in the DB, and the read network configuration information can be read by the learning & evaluation module 1060. It can be passed on.
  • network configuration information for example, including at least one of gNB, TA, or TAL settings
  • the training & evaluation module 1060 can perform machine learning algorithm operations and evaluation operations based on data stored in the disk 1080.
  • the learning & evaluation module 1060 can periodically store the predicted paging area in the disk 1080 and transmit it to the communication module 1020.
  • the disk manager module 1070 may periodically delete data stored on the disk 1080 according to a set value.
  • Figure 11 shows the operation sequence of AMF for smart paging according to various embodiments of the present disclosure.
  • the call processing module 1010 may collect mobility data and transmit it to the communication module 1020.
  • the data may refer to mobility data transmitted by the terminal through the base station.
  • the mobility data of the terminal may be stored in the storage unit 420 of the AMF. Accordingly, the mobility data of the terminal that AMF will use to derive the optimal paging area may be part or all of the mobility data stored in the storage unit 420. Additionally, the overlap period of mobility data for deriving the optimal paging area among the mobility data stored in the storage unit 420 may be determined by an AI model.
  • the data processing module 1030 converts the mobility data of the terminal into a form for machine learning (e.g., an objective function ) can be converted to Specifically, the data processing module 1030 may calculate and convert the probability of the terminal moving to the destination base stations based on the source base station. And AMF can create learning data by collecting mobility data (e.g., Equations 1 to 9).
  • the training and evaluation module 1060 may perform the smart paging algorithm of FIG. 7 using the refined data output through step 1020 as input data.
  • the data output through step 1020 may have various values depending on the overlapping method. For example, there may be a method of overlapping data collected over a week, overlapping data collected over a day, or overlapping three weeks' worth of data on an hourly basis.
  • the overlapping method is not limited to the above-described examples, and the data output through step 1020 may be output as overlaid values using various methods other than the above-described examples.
  • AMF may request additional information required for learning (e.g., the number of base stations included in the TAL) from the DB manager module 1050.
  • the training and evaluation module 1060 may evaluate the reliability of the predicted paging area derived from the learning algorithm in step 1030 through test data (e.g., the example in FIG. 9).
  • the optimized paging area derived through the learning algorithm may be affected by the data overlap method.
  • the optimized paging area derived through a learning algorithm may have differences in reliability depending on at least one of the period or unit of data overlap.
  • step 1150 information about the optimized paging area derived in step 1040 may be transmitted to the call processing module 1010 to perform a paging procedure based on the optimized paging area derived in step 1040.
  • FIG. 12 shows a performance evaluation procedure based on artificial intelligence (AI) according to various embodiments of the present disclosure.
  • AI artificial intelligence
  • the machine learning algorithm of FIG. 12 may include an AI model.
  • the AI model may be a model trained to output a predicted paging area using mobility data for a predetermined period and input data generated from the mobility data.
  • AMF may receive mobility data from a plurality of terminals registered with AMF.
  • the mobility data may include mobility data of a plurality of terminals for a specific period of time in the past (e.g., time before using a learning algorithm to derive a paging area) for all terminals registered with the AMF. .
  • AMF may generate input data based on mobility data for a specific period among the collected mobility data. For example, the AMF may select mobility data for a first period from among the received mobility data and generate input data based on the mobility data for the selected first period. At this time, the input data may be data input to perform a learning algorithm. Alternatively, input data may refer to learning data needed for an AI model to derive the optimal predicted paging area based on a learning algorithm.
  • AMF may derive a predicted paging area through machine learning based on the generated input data.
  • AMF can derive a predicted paging area from input data based on mobility data for the first period by using a learning algorithm learned to derive a predicted paging area based on mobility data.
  • AMF may perform a reliability evaluation on the predicted paging area derived through a machine learning algorithm.
  • the AMF may determine the reliability of the derived first candidate paging area using test data for the first period.
  • Test data for the first period may include mobility data for a plurality of terminals after the first period.
  • Mobility data in step 1210 may include mobility data for a first period and a period after the first period, and mobility data for the first period may be input to a learning algorithm and used to derive a candidate paging area. .
  • Mobility data after the first period may be used to evaluate the reliability of the candidate paging area derived from the mobility data for the first period.
  • the candidate paging area may be used in the same sense as the predicted paging area.
  • step 1240 may refer to a performance evaluation operation for a learning algorithm for deriving a predicted paging area. Accordingly, the AI model may evaluate the performance of the learning algorithm and omit, change, and/or add at least one step of the smart paging algorithm of FIG. 7.
  • the AMF may check whether the result of the performance evaluation in step 1240 is greater than an arbitrary threshold (for example, the lowest threshold of performance determined by the network operator). If the performance evaluation result value is less than or equal to an arbitrary threshold value, AMF returns to step 1220 and performs an operation (e.g., steps 1220 to 1250) to derive a re-optimized paging area based on the new mobility data. You can.
  • the AMF may select mobility data for a second period from among mobility data and generate new input data based on the mobility data for the selected second period.
  • the mobility data for the second period may mean data that overlaps (or is collected) in a different manner from the mobility data for the first period used to derive the predicted paging area that is the evaluation target.
  • the overlapping (or collection) method may be at least one of a method of varying the collection period of mobility data or a method of varying the unit of the collection period.
  • step 1260 if the performance evaluation result value is greater than a certain threshold, the AMF can identify base stations included in the candidate (predicted) paging area and perform a paging procedure by transmitting a paging message to the identified base stations.
  • the performance evaluation result value is greater than an arbitrary threshold, other requirements (for example, include at least one of the communication environment of the cell where the terminal is located or the distribution of the average moving area of the terminals) ), you may return to step 1220 and perform an operation (for example, steps 1220 to 1250) to derive a re-optimized paging area based on new mobility data.
  • the AI model satisfies other requirements (for example, at least one of the communication environment of the cell where the terminal is located or the distribution of the average moving area of the terminals) even if the performance evaluation result value is greater than an arbitrary threshold value. Including), at least one step of the smart paging algorithm of FIG. 7 may be omitted, changed, and/or added. And the AI model can derive the optimal paging area based on the improved smart paging algorithm.
  • An AI model may be composed of multiple neural network layers.
  • Each of the plurality of neural network layers has a plurality of weight values, and neural network calculation is performed through calculation between the calculation result of the previous layer and the plurality of weights.
  • Multiple weights of multiple neural network layers can be optimized based on the learning results of the AI model. For example, a plurality of weights may be updated so that loss or cost values obtained from the AI model are reduced or minimized during the learning process.
  • DNN deep neural networks
  • CNN Convolutional Neural Network
  • DNN Deep Neural Network
  • RNN Recurrent Neural Network
  • RBM Restricted Boltzmann Machine
  • DBN Deep Belief Network
  • BNN Bidirectional Recurrent Deep Neural Network
  • DNN Deep Q-Networks
  • the method according to various embodiments according to the present disclosure has a reduction effect in the number of paging messages.
  • the method according to various embodiments of the present disclosure organizes base stations with a high probability of movement of the terminal based on mobility data in descending order and determines the number of base stations to transmit a paging message in the paging order through a machine learning algorithm, The number of paging messages can be reduced. Since the number of paging messages required for mobility management is reduced, the wired and/or wireless resources of the communication network can be operated more efficiently. Additionally, in a 5G communication system in which the number of base stations included in the same area is greater than in the case of LTE, a greater benefit in terms of cost may occur if the same rate of performance gain as that of the LTE communication system is obtained.
  • the method of transmitting a paging message to all base stations belonging to the TA and/or TAL may result in a paging load and consume a large amount of network resources. Accordingly, a technology for reducing paging load by transmitting paging messages only to a specific number of base stations with a high probability that the terminal has moved, using terminal mobility data and machine learning algorithms, has been described.
  • the base station uses logical channels (e.g., paging control channel (PCCH)), transport channels (e.g., paging channel (PCH)), and physical channels ( For example, this results in a reduction in the number of RRC paging messages transmitted to the terminal through PDSCH (physical downlink shared channel). That is, according to various embodiments of the present disclosure, by reducing the number of unnecessary paging message transmissions. While maintaining or improving service quality, the efficiency of wired and wireless resources required for the operation of a wireless communication system can be increased. Meanwhile, the present disclosure has been described based on a static tracking area list (S-TAL), but may also be applied to a dynamic tracking area list (D-TAL) by expanding the machine learning algorithm.
  • S-TAL static tracking area list
  • D-TAL dynamic tracking area list
  • the data overlap method is diversified through simulation using an AI model, better performance can be achieved in terms of paging success rate.
  • a specific number of base stations with a high probability that the terminal has moved can be identified through the terminal's mobility data and a machine learning algorithm, and the data overlap method can be changed through a performance evaluation method through an AI model.
  • the optimal paging area can be derived.
  • the movement frequency of the plurality of terminals is related to the plurality of terminals registered in the AMF.
  • Receiving mobility data deriving a first candidate paging area based on mobility data for a first period of the mobility data and a learning algorithm learned to derive a candidate paging area based on the mobility data, Using test data for a first period, determining reliability of the derived first candidate paging area, based on the reliability, identifying at least one base station to receive a paging message transmitted from the network node. and transmitting the paging message to the at least one base station, wherein the test data for the first period may include mobility data regarding the plurality of terminals after the first period. there is.
  • a base station included in the first candidate paging area may be identified as the at least one base station.
  • the second period when the reliability is less than a certain threshold, deriving a second candidate paging area based on mobility data for a second period among the mobility data and the learning algorithm, the second period Further comprising: additionally determining reliability of the second candidate paging area using test data for, and additionally identifying the at least one base station based on the additionally determined reliability,
  • the test data for two periods may include mobility data regarding the plurality of terminals after the second period.
  • deriving the first candidate paging area includes identifying movement probabilities of the plurality of terminals between base stations belonging to the TAL based on mobility data for the first period, It may include generating an objective function based on the identified movement probabilities, and deriving the first candidate paging area using the objective function and the learning algorithm.
  • the mobility data for the first period and the mobility data for the second period may be at least one of mobility data collected during different periods or mobility data collected in different time units.
  • the objective function may be generated based on the number of paging messages transmitted by the network node.
  • the step of identifying movement probabilities of the plurality of terminals between base stations belonging to the TAL includes identifying the base station that transmitted the registration request message received from the plurality of terminals to the network node. , and identifying probabilities of the plurality of terminals moving from a base station registered to the network node to another base station, wherein the other base station may be a base station that is not registered in the network node among base stations belonging to the TAL. .
  • the network node may be AMF or MME.
  • a network node includes at least one transceiver, and at least one processor operably coupled to the at least one transceiver, and the at least one The processor receives mobility data related to the movement frequency of the plurality of terminals from a plurality of terminals registered in the AMF, a learning algorithm learned to derive a candidate paging area based on the mobility data, and a first of the mobility data.
  • test data for the first period is: It may include mobility data regarding the plurality of terminals.
  • a base station included in the first candidate paging area may be identified as the at least one base station.
  • a second candidate paging area is derived based on mobility data for a second period among the mobility data and the learning algorithm, and in the second period Reliability of the second candidate paging area is additionally determined using test data for the second candidate paging area, and based on the additionally determined reliability, the at least one base station is additionally identified, and the test data for the second period is , may include mobility data regarding the plurality of terminals after the second period.
  • the step of deriving the first candidate paging area includes identifying movement probabilities of the plurality of terminals between base stations belonging to the TAL based on mobility data for the first period, and identifying An objective function may be generated based on the movement probabilities, and the first candidate paging area may be derived using the objective function and the learning algorithm.
  • the mobility data for the first period and the mobility data for the second period may be at least one of mobility data collected during different periods or mobility data collected in different time units.
  • the objective function may be generated based on the number of paging messages transmitted by the network node.
  • the at least one processor identifies a base station that transmitted the registration request message received from the plurality of terminals to the network node, and the plurality of terminals are registered from the base station to the network node. Probabilities of moving to another base station are identified, and the other base station may be a base station that is not registered with the network node among base stations belonging to the TAL.
  • the network node may be AMF or MME.
  • AI-related functions are operated through a processor and memory.
  • the processor may consist of one or multiple processors.
  • one or more processors may be a general-purpose processor such as a CPU, AP, or DSP (Digital Signal Processor), a graphics-specific processor such as a GPU or VPU (Vision Processing Unit), or an AI-specific processor such as an NPU.
  • One or more processors control input data to be processed according to predefined operation rules or AI models stored in memory.
  • the AI-specific processors may be designed with a hardware structure specialized for processing a specific AI model.
  • Predefined operation rules or AI models are characterized by being created through learning.
  • being created through learning means that the basic AI model is learned using a large number of learning data by a learning algorithm, thereby creating a predefined operation rule or AI model set to perform the desired characteristics (or purpose). do.
  • This learning may be performed on the device itself on which the AI according to the present disclosure is performed, or may be performed through a separate server and/or system.
  • Examples of learning algorithms include supervised learning, unsupervised learning, semi-supervised learning, or reinforcement learning, but are not limited to the examples described above.
  • a computer-readable storage medium that stores one or more programs (software modules) may be provided.
  • One or more programs stored in a computer-readable storage medium are configured to be executable by one or more processors in an electronic device (configured for execution).
  • One or more programs include instructions that cause the electronic device to execute methods according to embodiments described in the claims or specification of the present disclosure.
  • These programs may include random access memory, non-volatile memory, including flash memory, read only memory (ROM), and electrically erasable programmable ROM. (electrically erasable programmable read only memory, EEPROM), magnetic disc storage device, compact disc-ROM (CD-ROM), digital versatile discs (DVDs), or other forms of disk storage. It can be stored in an optical storage device or magnetic cassette. Alternatively, it may be stored in a memory consisting of a combination of some or all of these. Additionally, multiple configuration memories may be included.
  • non-volatile memory including flash memory, read only memory (ROM), and electrically erasable programmable ROM. (electrically erasable programmable read only memory, EEPROM), magnetic disc storage device, compact disc-ROM (CD-ROM), digital versatile discs (DVDs), or other forms of disk storage. It can be stored in an optical storage device or magnetic cassette. Alternatively, it may be stored in a memory consisting of a combination of some or all of these. Additionally, multiple configuration memories may
  • the program may be distributed through a communication network such as the Internet, an intranet, a local area network (LAN), a wide area network (WAN), or a storage area network (SAN), or a combination thereof. It may be stored on an attachable storage device that is accessible. This storage device can be connected to a device performing an embodiment of the present disclosure through an external port. Additionally, a separate storage device on a communication network may be connected to the device performing an embodiment of the present disclosure.
  • a communication network such as the Internet, an intranet, a local area network (LAN), a wide area network (WAN), or a storage area network (SAN), or a combination thereof. It may be stored on an attachable storage device that is accessible. This storage device can be connected to a device performing an embodiment of the present disclosure through an external port. Additionally, a separate storage device on a communication network may be connected to the device performing an embodiment of the present disclosure.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

본 개시(disclosure)는 LTE(long term evolution)와 같은 4G(4th generation) 통신 시스템 이후 보다 높은 데이터 전송률을 지원하기 위한 5G(5th generation) 또는 pre-5G 통신 시스템에 관련된 것이다. 본 개시의 다양한 실시 예들에 따르면, 네트워크 노드는 AMF에 등록된 복수의 단말들로부터 상기 복수의 단말들의 이동 빈도에 관련된 이동성 데이터를 수신하는 단계, 이동성 데이터에 기초하여 후보 페이징 영역을 도출하기 위하여 학습된 학습 알고리즘 및 상기 이동성 데이터 중 제1 기간에 대한 이동성 데이터에 기반하여, 제1 후보 페이징 영역을 도출하는 단계, 상기 제1 기간에 대한 테스트 데이터를 이용하여, 상기 도출된 제1 후보 페이징 영역의 신뢰도를 판단하는 단계를 포함할 수 있다.

Description

무선 통신 시스템에서 페이징 절차를 위한 방법 및 장치
본 개시는 무선 통신 시스템에 관한 것으로, 보다 구체적으로 페이징(paging) 부하를 감소시키기 위한 방법 및 장치에 관한 것이다.
4G(4th generation) 통신 시스템 상용화 이후 증가 추세에 있는 무선 데이터 트래픽 수요를 충족시키기 위해, 개선된 5G(5th generation) 통신 시스템 또는 pre-5G 통신 시스템을 개발하기 위한 노력이 이루어지고 있다. 이러한 이유로, 5G 통신 시스템 또는 pre-5G 통신 시스템은 4G 네트워크 이후(Beyond 4G Network) 통신 시스템 또는 LTE(Long Term Evolution) 시스템 이후(Post LTE) 시스템이라 불리어지고 있다.
높은 데이터 전송률을 달성하기 위해, 5G 통신 시스템은 초고주파(mmWave) 대역(예를 들어, 60기가(60GHz) 대역과 같은)에서의 구현이 고려되고 있다. 초고주파 대역에서의 전파의 경로손실 완화 및 전파의 전달 거리를 증가시키기 위해, 5G 통신 시스템에서는 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO), 전차원 다중 입출력(Full Dimensional MIMO, FD-MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beamforming), 및 대규모 안테나(large scale antenna) 기술들이 논의되고 있다.
또한 시스템의 네트워크 개선을 위해, 5G 통신 시스템에서는 진화된 소형 셀, 개선된 소형 셀(advanced small cell), 클라우드 무선 액세스 네트워크(cloud radio access network, cloud RAN), 초고밀도 네트워크(ultradense network), 기기 간 통신(Device to Device communication, D2D), 무선 백홀(wireless backhaul), 이동 네트워크(moving network), 협력 통신(cooperative communication), CoMP(Coordinated Multi-Points), 및 수신 간섭제거(interference cancellation) 등의 기술 개발이 이루어지고 있다.
이 밖에도, 5G 시스템에서는 진보된 코딩 변조(Advanced Coding Modulation, ACM) 방식인 FQAM(Hybrid Frequency Shift Keying and Quadrature Amplitude Modulation) 및 SWSC(Sliding Window Superposition Coding)과, 진보된 접속 기술인 FBMC(Filter Bank Multi Carrier), NOMA(Non Orthogonal Multiple Access), 및 SCMA(Sparse Code Multiple Access) 등이 개발되고 있다. 전술한 것과 무선통신 시스템의 발전에 따라 다양한 서비스를 제공할 수 있게 됨으로써, 이러한 서비스들을 원활하게 제공하기 위한 방안이 요구되고 있다.
최근, 통신 시스템의 발전에 따라 페이징(paging) 절차에서 페이징 메시지 개수를 절감하고, 페이징 성공률을 증가시키기 위한 방법이 강구되고 있다. 특히, 기계학습(machine learning) 알고리즘을 적용하여 보다 방대한 데이터에 기반하여 페이징 절차를 개선하기 위한 연구가 계속되고 있다. 또한, AI(artificial intelligence)에 기반하여 전술한 기계학습 알고리즘을 개선하기 위한 연구도 병행되고 있다.
단말의 이동성 데이터를 기반으로 한 기계학습 알고리즘을 제안한다. 제안된 알고리즘을 통해, 페이징 성공률을 증가시키는 동시에 네트워크 자원을 소모하는 비중이 큰 S1AP/NGAP 페이징 메시지 수를 최소화하는 페이징 영역을 얻을 수 있다. 또한, 최적의 페이징 영역을 도출함으로써, 페이징(paging) 부하를 감소시키는 장치 및 방법을 제공한다.
또한, 최적의 페이징 영역을 도출하기 위한 AI 모델 기반의 성능 평가 방법 및 장치를 제공한다.
본 문서에 개시되는 다양한 실시 예에 따르면, 무선 통신 시스템에서 네트워크 노드(network node)가 페이징 메시지를 송신할 기지국을 식별하는 방법에 있어서, AMF(access and mobility management function)에 등록된 복수의 단말들로부터 상기 복수의 단말들의 이동 빈도에 관련된 이동성 데이터를 수신하는 단계, 이동성 데이터에 기초하여 후보 페이징 영역을 도출하기 위하여 학습된 학습 알고리즘 및 상기 이동성 데이터 중 제1 기간에 대한 이동성 데이터에 기반하여, 제1 후보 페이징 영역을 도출하는 단계, 상기 제1 기간에 대한 테스트 데이터를 이용하여, 상기 도출된 제1 후보 페이징 영역의 신뢰도를 판단하는 단계, 상기 신뢰도에 기반하여, 상기 네트워크 노드로부터 송신되는 페이징 메시지를 수신할 적어도 하나의 기지국을 식별하는 단계, 및 상기 적어도 하나의 기지국에게 상기 페이징 메시지를 송신하는 단계를 포함하며, 상기 제1 기간에 대한 상기 테스트 데이터는, 상기 제1 기간 이후의 상기 복수의 단말들에 관한 이동성 데이터를 포함할 수 있다.
본 문서에 개시되는 다양한 실시 예에 따르면, 무선 통신 시스템에서 네트워크 노드(network node)에 있어서, 적어도 하나의 송수신기, 및 상기 적어도 하나의 송수신기에 동작 가능하게 결합된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, AMF에 등록된 복수의 단말들로부터 상기 복수의 단말들의 이동 빈도에 관련된 이동성 데이터를 수신하고, 이동성 데이터에 기초하여 후보 페이징 영역을 도출하기 위하여 학습된 학습 알고리즘 및 상기 이동성 데이터 중 제1 기간에 대한 이동성 데이터에 기반하여, 제1 후보 페이징 영역을 도출하고, 상기 제1 기간에 대한 테스트 데이터를 이용하여, 상기 도출된 제1 후보 페이징 영역의 신뢰도를 판단하고, 상기 신뢰도에 기반하여, 상기 네트워크 노드로부터 송신되는 페이징 메시지를 수신할 적어도 하나의 기지국을 식별하고, 및 상기 적어도 하나의 기지국에게 상기 페이징 메시지를 송신하며, 상기 제1 기간에 대한 상기 테스트 데이터는, 상기 제1 기간 이후의 상기 복수의 단말들에 관한 이동성 데이터를 포함할 수 있다.
본 개시의 다양한 실시 예들에 따른 방법 및 장치는, 단말이 이동할 확률이 높은 기지국들에게 순차적으로 페이징을 시도함으로써, 페이징(paging) 부하를 감소시킬 수 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 다양한 실시 예들에 따른 무선 통신 시스템의 구성을 도시한다.
도 2는 본 개시의 다양한 실시예들에 따른 무선 통신 시스템에서 단말의 구성을 도시한다.
도 3은 본 개시의 다양한 실시 예들에 따른 무선 통신 시스템에서 기지국의 구성을 도시한다.
도 4는 본 개시의 다양한 실시 예들에 따른 AMF(access and mobility management function)의 구성을 도시한다.
도 5는 본 개시의 다양한 실시 예들에 따른 기지국들 간 단말의 이동성을 도시한다.
도 6은 본 개시의 다양한 실시 예들에 따른 전이 확률 행렬을 도시한다.
도 7은 본 개시의 다양한 실시 예들에 따른 스마트 페이징(paging) 알고리즘을 도시한다.
도 8은 본 개시의 다양한 실시 예들에 따른 기계 학습을 통한 후보 TA (tracking area)를 도시한다.
도 9는 본 개시의 다양한 실시 예들에 따른 성능 평가 결과를 도시한다.
도 10은 본 개시의 다양한 실시 예들에 따른 스마트 페이징을 위한 네트워크 엔티티의 구성을 도시한다.
도 11은 본 개시의 다양한 실시 예들에 따른 스마트 페이징을 위한 AMF의 동작 순서를 도시한다.
도 12는 본 개시의 다양한 실시예들에 따른 AI(artificial intelligence) 기반의 성능 평가 순서를 도시한다.
이하, 본 개시의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
실시예를 설명함에 있어서 본 개시가 속하는 기술 분야에 익히 알려져 있고 본 개시와 직접적으로 관련이 없는 기술 내용에 대해서는 설명을 생략한다. 이는 불필요한 설명을 생략함으로써 본 개시의 요지를 흐리지 않고 더욱 명확히 전달하기 위함이다.
마찬가지 이유로 첨부된 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 개략적으로 도시되었다. 또한, 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니다. 각 도면에서 동일한 또는 대응하는 구성 요소에는 동일한 참조 번호를 부여하였다.
본 개시의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시의 개시가 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시는 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다. 또한 본 개시를 설명함에 있어서 관련된 기능 또는 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단된 경우 그 상세한 설명은 생략한다. 그리고 후술되는 용어들은 본 개시에서의 기능을 고려하여 정의된 용어들로써 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
이하, 기지국은 단말의 자원 할당을 수행하는 주체로서, gNode B, eNode B, Node B, BS(Base Station), 무선 접속 유닛, 기지국 제어기, 또는 네트워크 상의 노드 중 적어도 하나일 수 있다. 단말은 UE(User Equipment), MS(Mobile Station), 셀룰러폰, 스마트폰, 컴퓨터, 또는 통신기능을 수행할 수 있는 멀티미디어시스템을 포함할 수 있다. 본 개시에서 하향링크(Downlink; DL)는 기지국이 단말에게 송신하는 신호의 무선 송신 경로이고, 상향링크는(Uplink; UL)는 단말이 기국에게 송신하는 신호의 무선 송신경로를 의미한다. 또한, 이하에서 LTE 또는 LTE-A 시스템을 일예로서 설명할 수도 있지만, 유사한 기술적 배경 또는 채널형태를 갖는 여타의 통신시스템에도 본 개시의 실시예가 적용될 수 있다. 예를 들어 LTE-A 이후에 개발되는 5세대 이동통신 기술(5G, new radio, NR)이 이에 포함될 수 있으며, 이하의 5G는 기존의 LTE, LTE-A 및 유사한 다른 서비스를 포함하는 개념일 수도 있다. 또한, 본 개시는 숙련된 기술적 지식을 가진 자의 판단으로써 본 개시의 범위를 크게 벗어나지 아니하는 범위에서 일부 변형을 통해 다른 통신시스템에도 적용될 수 있다.
이때, 처리 흐름도 도면들의 각 블록과 흐름도 도면들의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수 있음을 이해할 수 있을 것이다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 흐름도 블록(들)에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 흐름도 블록(들)에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 흐름도 블록(들)에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 블록은 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실행 예들에서는 블록들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예를 들면, 잇달아 도시되어 있는 두 개의 블록들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
본 개시에서 사용되는 '~부(unit or part)'라는 용어는 소프트웨어 또는 FPGA(field-Programmable Gate Array) 또는 ASIC(Application Specific Integrated Circuit)과 같은 하드웨어 구성요소를 의미하며, '~부'는 특정한 역할들을 수행하도록 구성될 수 있다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 실행시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다. 또한 실시예에서 '~부'는 하나 이상의 프로세서 및/또는 장치를 포함할 수 있다.
이하 설명의 편의를 위하여, 3GPP(3rd Generation Partnership Project Long Term Evolution) 기반의 통신 규격(예를 들어 5G, NR, LTE 또는 이와 유사한 시스템의 규격)에서 정의하고 있는 용어 및 명칭들이 일부 사용될 수 있다. 하지만, 본 개시가 용어 및 명칭들에 의해 한정되는 것은 아니며, 다른 규격에 따르는 시스템에도 동일하게 적용될 수 있다.
이하 설명에서 사용되는 접속 노드(node)를 식별하기 위한 용어, 네트워크 개체(network entity)들을 지칭하는 용어, 메시지들을 지칭하는 용어, 망 객체들 간 인터페이스를 지칭하는 용어, 또는 다양한 식별 정보들을 지칭하는 용어는 설명의 편의를 위해 예시된 것이다. 따라서, 본 개시는 이하에서 설명되는 용어들에 한정되는 것은 아니며, 동등한 기술적 의미를 가지는 대상을 지칭하는 다른 용어가 사용될 수 있다.
본 개시는, 무선 통신 시스템에서 페이징(paging) 부하 절감을 위한 기계 학습 방법 및 그 장치에 관한 것이다. 구체적으로, 본 개시는 무선 통신 시스템에서 단말의 이동성을 관리하는 네트워크 노드(예를 들어, MME(mobility management entity) 또는 AMF(access and mobility management function))가 단말이 이동할 확률이 높은 기지국들에게 순차적으로 페이징 메시지를 전송함으로써, 페이징 부하를 감소시키는 기술을 설명한다. 이하, 설명의 편의를 위해, 단말이 이동할 것으로 예측되는 기지국, 즉, 페이징 메시지를 전송하는 기지국은 페이징 기지국으로 지칭되어 서술된다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은, 본 개시의 다양한 실시 예들에 따른 무선 통신 시스템의 예를 도시한다. 도 1은 무선 통신 시스템에서 무선 채널을 이용하는 노드(node)들의 일부로서, AMF(130), 기지국(112), 기지국(114), 기지국(116), 기지국(122), 기지국(124), 기지국(126), 단말(140)을 예시한다.
도 1을 참조하면, 단말(140)은 사용자에 의해 사용되는 장치로서, 기지국(112, 114, 116, 122, 124, 126)과 형성되는 무선 채널, 즉 액세스 네트워크를 통해 통신을 수행할 수 있다. 경우에 따라, 단말(140)은 사용자의 관여 없이 운영될 수 있다. 즉, 단말(140) 중 적어도 하나는 기계 타입 통신(machine type communication, MTC)을 수행하는 장치로서, 사용자에 의해 휴대되지 않을 수 있다. 단말(140)은 '단말(terminal)', '사용자 장비(user equipment, UE)', '이동국(mobile station)', '가입자국(subscriber station)', '고객 댁내 장치(customer premises equipment, CPE)', '원격 단말(remote terminal)', '무선 단말(wireless terminal)', '차량(vehicle)용 단말', '사용자 장치(user device)' 또는 이와 동등한 기술적 의미를 가지는 다른 용어로 지칭될 수 있다.
기지국(112, 114, 116, 122, 124, 126)은 무선 접속을 제공하는 네트워크 인프라스트럭쳐(infrastructure)이다. 기지국(112, 114, 116, 122, 124, 126)은 신호를 송신할 수 있는 거리에 기초하여 일정한 지리적 영역으로 정의되는 커버리지(coverage)를 가진다. 이하, 사용되는 '커버리지'의 용어는, 기지국(112, 114, 116, 122, 124, 126)에서 서비스 가능한 영역(service coverage area)를 가리킬 수 있다. 기지국(112, 114, 116, 122, 124, 126)은 하나의 셀(one cell)을 커버할 수도 있고, 다수의 셀들(multiple cells)을 커버할 수도 있다. 여기서, 다수의 셀들은 지원하는 주파수(frequency), 커버하는 섹터(sector)의 영역에 의해 구분될 수 있다.
기지국(112, 114, 116, 122, 124, 126)은 기지국(base station) 외에 '액세스 포인트(access point, AP)', '이노드비(eNodeB, eNB)', 5G 노드(5th generation node)', '5G 노드비(5G NodeB)', 'gNB(next generation node B)', '무선 포인트(wireless point)', '송수신 포인트(transmission/reception point, TRP)', '분산 유닛(distributed unit, DU)', '무선 유닛(radio unit, RU)', 원격 무선 장비(remote radio head, RRH) 또는 이와 동등한 기술적 의미를 가지는 다른 용어로 지칭될 수 있다. 다양한 실시 예들에 따라, 기지국(112, 114, 116, 122, 124, 126)은 하나 이상의 TRP들과 연결될 수 있다. 기지국(112, 114, 116, 122, 124, 126)은 하나 이상의 TRP들을 통해, 전자 장치(101)에게 하향 링크 신호를 전송하거나 상향 링크 신호를 수신할 수 있다.
AMF(130)는 단말의 접속 및 이동성 관리를 위한 기능을 제공하며, 하나의 단말 당 기본적으로 하나의 AMF에 연결될 수 있다. 구체적으로, AMF(130)는 3GPP(3rd generation partnership project) 액세스 네트워크들 간의 이동성을 위한 코어 네트워크 노드들 간 시그널링, 무선 액세스 네트워크(예를 들어, 5G RAN(radio access network)) 간 CP 인터페이스(N2 인터페이스), 단말(101)과의 NAS 시그널링, SMF의 식별, 단말과 SMF 간 세션 관리 메시지의 전달 제공 중 적어도 하나의 기능을 수행할 수 있다. AMF의 일부 또는 전체의 기능들은 하나의 AMF의 단일 인스턴스(instance) 내에서 지원될 수 있다.
단말(101)은 AMF(130)와 NAS 시그널링을 통해 메시지를 송신하거나 수신할 수 있다. NAS 시그널링이란, 5GS(5G system) 프로토콜 스택에서 단말과 코어 네트워크 간 시그널링, 트래픽 메시지를 주고받기 위한 기능적인 계층을 의미할 수 있다. NAS 계층에서 단말(101)은 기지국을 경유하여 AMF에게 메시지를 전송하거나, AMF로부터 메시지를 수신할 수 있다. 이 때, 기지국은 해당 메시지를 해석하지 않고 단말(101) 또는 AMF에게 전달할 수 있다. NAS 시그널링을 통해 단말(101)의 이동성이 지원될 수 있다.
아래에서는, AMF로 서술되었으나, NR 환경 외에 다른 무선 통신 시스템의 환경이 고려될 수 있다. 일 실시 예에 따라, 본 개시의 다양한 실시 예들은 LTE(long term evolution) 통신 시스템이 이용되는 무선 환경에서 적용될 수 있다. 이 때, 이동성 관리를 위한 엔티티로서, AMF 대신 MME(mobility management entity)가 이용될 수 있다. 즉, 후술되는 본 개시의 AMF 동작들은 MME에 의해 수행될 수 있다.
본 개시의 다양한 실시 예들에 따른 통신 시스템은 5G 통신 엔티티(entity)들로만 통신을 수행하는 SA(stand alone) 배치(deployment) 구조를 포함하거나 5G 통신을 위하여 4G 엔티티들 및 5G 엔티티들을 사용하는 NSA(non stand alone) 배치 구조를 포함할 수도 있다. 뿐만 아니라, 일 실시 예에 따라, 본 개시의 통신 시스템은 4G 엔티티들로 구성되는 네트워크 배치 구조를 포함할 수도 있다. 이하, 본 개시는 5G 통신 네트워크를 가정하여 실시 예들을 설명하나, 통상의 기술력을 가진 자가 이해할 수 있는 범주 안에서 다른 시스템에서도 같은 개념이 적용 가능한 경우, 다른 시스템이 적용될 수 있다.
도 2는, 본 개시의 다양한 실시 예들에 따른 단말의 구성을 도시한다. 도 3에 예시된 구성은 도 1의 단말(101)의 구성으로서 이해될 수 있다. 이하 사용되는 '...부', '...기' 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어, 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
도 2를 참조하면, 단말(101)은 통신부(210), 저장부(220), 제어부(230)을 포함할 수 있다.
통신부(210)는 무선 채널을 통해 신호를 송수신하기 위한 기능들을 수행할 수 있다. 예를 들어, 통신부(210)는 시스템의 물리 계층 규격에 따라 기저대역 신호 및 비트열 간 변환 기능을 수행할 수 있다. 예를 들어, 데이터 송신 시, 통신부(210)는 송신 비트열을 부호화 및 변조함으로써 복소 심볼들을 생성할 수 있다. 또한, 데이터 수신 시, 통신부(210)는 기저대역 신호를 복조 및 복호화를 통해 수신 비트열로 복원할 수 있다. 또한, 통신부(210)는 기저대역 신호를 RF(radio frequency) 대역 신호로 상향 변환한 후 안테나를 통해 송신하고, 안테나를 통해 수신되는 RF 대역 신호를 기저대역 신호로 하향 변환할 수 있다. 이를 위해, 통신부(210)는 송신 필터, 수신 필터, 증폭기, 믹서, 오실레이터, DAC(digital-to-analog converter), ADC(analog-to-digital converter) 등을 포함할 수 있다.
또한, 통신부(210)는 다수의 송수신 경로(path)들을 포함할 수 있다. 나아가, 통신부(210)는 안테나부를 포함할 수 있다. 통신부(210)는 다수의 안테나 요소(element)들로 구성된 적어도 하나의 안테나 어레이를 포함할 수 있다. 하드웨어의 측면에서, 통신부(210)는 디지털 및 아날로그 회로(예를 들어, RFIC(radio frequency integrated circuit))로 구성될 수 있다. 여기서, 디지털 회로 및 아날로그 회로는 하나의 패키지로 구현될 수 있다. 또한, 통신부(210)는 다수의 RF 체인들을 포함할 수 있다. 통신부(210)는 빔포밍(beamforming)을 수행할 수 있다. 통신부(210)는 송수신하고자 하는 신호에 제어부(230)의 설정에 따른 방향성을 부여하기 위해, 신호에 빔포밍 가중치를 적용할 수 있다.
또한, 통신부(210)는 신호를 송수신할 수 있다. 이를 위해, 통신부(210)는 적어도 하나의 송수신기(transceiver)를 포함할 수 있다. 통신부(210)는 하향 링크 신호를 수신할 수 있다. 하향링크 신호는 동기 신호(synchronization signal), 기준 신호(reference signal), 설정 메시지(configuration message), 제어 정보(control information) 또는 하향링크 데이터 등을 포함할 수 있다. 또한, 통신부(210)는 상향 링크 신호를 송신할 수 있다. 상향 링크 신호는 랜덤 액세스 관련 신호(예를 들어, 랜덤 액세스 프리앰블(random access preamble, RAP), Msg3(message 3)), 기준 신호, 전력 헤드룸 보고(power headroom report, PHR) 등을 포함할 수 있다.
또한, 통신부(210)는 서로 다른 주파수 대역의 신호들을 처리하기 위해 서로 다른 통신 모듈들을 포함할 수 있다. 나아가, 통신부(210)는 서로 다른 다수의 무선 접속 기술을 지원하기 위해 다수의 통신 모듈들을 포함할 수 있다. 예를 들어, 서로 다른 무선 접속 기술들은 BLE(bluetooth low energy), Wi-Fi(wireless fidelity), WiGig(WiFi gigabyte), 셀룰러 망(예를 들어, LTE(long term evolution), NR(new radio)) 등을 포함할 수 있다. 또한, 서로 다른 주파수 대역들은 극고단파(super high frequency, SHF)(예를 들어, 2.5GHz, 5GHz) 대역, 밀리미터파(millimeter wave)(예를 들어, 38GHz, 60GHz 등) 대역을 포함할 수 있다. 또한, 통신부(210)는 서로 다른 주파수 대역(예를 들어, LAA(licensed Assisted Access)를 위한 비면허 대역, CBRS(citizens broadband radio service)(예를 들어, 3.5 GHz)) 상에서 동일한 방식의 무선 접속 기술을 이용할 수도 있다.
통신부(210)는 전술한 바와 같이 신호를 송신 및 수신할 수 있다. 이에 따라, 통신부(210)의 전부 또는 일부는 '송신부', '수신부' 또는 '송수신부'로 지칭될 수 있다. 또한, 이하 설명에서 무선 채널을 통해 수행되는 송신 및 수신은 통신부(210)에 의해 전술한 바와 같은 처리가 수행되는 것을 포함하는 의미로 사용될 수 있다.
저장부(220)는 단말(101)의 동작을 위한 기본 프로그램, 응용 프로그램, 설정 정보 등의 데이터를 저장할 수 있다. 저장부(220)은 휘발성 메모리, 비휘발성 메모리 또는 휘발성 메모리와 비휘발성 메모리의 조합으로 구성될 수 있다. 그리고, 저장부(220)은 제어부(230)의 요청에 따라 저장된 데이터를 제공할 수 있다.
제어부(230)는 단말(101)의 전반적인 동작들을 제어할 수 있다. 예를 들어, 제어부(230)은 통신부(210)를 통해 신호를 송신 및 수신할 수 있다. 또한, 제어부(230)은 저장부(220)에 데이터를 기록하고 읽을 수 있다. 그리고, 제어부(230)는 통신 규격에서 요구하는 프로토콜 스택의 기능들을 수행할 수 있다. 이를 위해, 제어부(230)는 적어도 하나의 프로세서(processor)를 포함할 수 있다. 제어부(230)는 적어도 하나의 프로세서 또는 마이크로(micro) 프로세서를 포함하거나, 또는, 프로세서의 일부일 수 있다. 또한, 통신부(210)의 일부 및 제어부(230)은 CP라 지칭될 수 있다. 제어부(230)은 통신을 수행하기 위한 다양한 모듈들을 포함할 수 있다. 다양한 실시 예들에 따라, 제어부(230)는 단말이 후술하는 다양한 실시 예들에 따른 동작들을 수행하도록 제어할 수 있다.
도 3은, 본 개시의 다양한 실시 예들에 따른 기지국의 구성을 도시한다. 도 2에 예시된 구성은 도 1의 기지국(112)의 구성으로서 이해될 수 있다. 이하 사용되는 '...부', '...기' 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
도 3을 참고하면, 기지국(112)은 통신부(310), 백홀 통신부(320), 저장부(330), 제어부(340)를 포함할 수 있다.
통신부(310)는 무선 채널을 통해 신호를 송수신하기 위한 기능들을 수행할 수 있다. 따라서, 통신부(310)은 무선 통신부로 호칭될 수도 있다. 예를 들어, 통신부(310)는 시스템의 물리 계층 규격에 따라 기저대역 신호 및 비트열 간 변환 기능을 수행할 수 있다. 예를 들어, 데이터 송신 시, 통신부(310)는 송신 비트열을 부호화 및 변조함으로써 복소 심볼들을 생성할 수 있다. 또한, 데이터 수신 시, 통신부(310)는 기저대역 신호를 복조 및 복호화를 통해 수신 비트열로 복원할 수 있다. 또한, 통신부(310)는 기저대역 신호를 RF(radio frequency) 대역 신호로 상향 변환한 후 안테나를 통해 송신하고, 안테나를 통해 수신되는 RF 대역 신호를 기저대역 신호로 하향 변환할 수 있다. 이를 위해, 통신부(310)는 송신 필터, 수신 필터, 증폭기, 믹서, 오실레이터, DAC(digital-to-analog converter), ADC(analog-to-digital converter) 등을 포함할 수 있다.
또한, 통신부(310)는 다수의 송수신 경로(path)를 포함할 수 있다. 나아가, 통신부(310)는 다수의 안테나 요소(element)들로 구성된 적어도 하나의 안테나 어레이를 포함할 수 있다. 하드웨어 측면에서, 통신부(310)는 디지털 유닛(digital unit) 및 아날로그 유닛(analog unit)으로 구성될 수 있으며, 아날로그 유닛은 동작 전력, 동작 주파수 등에 따라 다수의 서브 유닛(sub-unit)들로 구성될 수 있다.
통신부(310)는 신호를 송수신할 수 있다. 이를 위해, 통신부(310)는 적어도 하나의 송수신기(transceiver)를 포함할 수 있다. 예를 들어, 통신부(310)는 동기 신호(synchronization signal), 기준 신호(reference signal), 시스템 정보, 설정 메시지(configuration message), 제어 정보(control information) 또는 데이터 등을 전송할 수 있다. 또한, 통신부(310)는 빔포밍(beamforming)을 수행할 수 있다.
통신부(310)는 전술한 바와 같이 신호를 송신 및 수신할 수 있다. 이에 따라, 통신부(310)의 전부 또는 일부는 '송신부', '수신부' 또는 '송수신부'로 지칭될 수 있다. 또한, 이하 설명에서, 무선 채널을 통해 수행되는 송신 및 수신은 통신부(310)에 의해 전술한 바와 같은 처리가 수행되는 것을 포함하는 의미로 사용될 수 있다.
백홀 통신부(320)는 네트워크 내 다른 노드들과 통신을 수행하기 위한 인터페이스를 제공한다. 즉, 백홀통신부(320)은 기지국(112)에서 다른 노드, 예를 들어, 다른 접속 노드, 다른 기지국, 상위 노드, 코어 네트워크 등으로 송신되는 비트열을 물리적 신호로 변환하고, 다른 노드로부터 수신되는 물리적 신호를 비트열로 변환할 수 있다.
저장부(330)는 기지국(112)의 동작을 위한 기본 프로그램, 응용 프로그램, 설정 정보 등의 데이터를 저장할 수 있다. 저장부(330)은 메모리(memory)를 포함할 수 있다. 저장부(330)은 휘발성 메모리, 비휘발성 메모리 또는 휘발성 메모리와 비휘발성 메모리의 조합으로 구성될 수 있다. 그리고, 저장부(330)은 제어부(340)의 요청에 따라 저장된 데이터를 제공할 수 있다.
제어부(340)는 기지국(112)의 전반적인 동작들을 제어할 수 있다. 예를 들어, 제어부(340)는 통신부(310) 또는 백홀 통신부(320)을 통해 신호를 송신 및 수신할 수 있다. 또한, 제어부(340)는 저장부(330)에 데이터를 기록하고 읽을 수 있다. 그리고, 제어부(340)는 통신 규격에서 요구하는 프로토콜 스택(protocol stack)의 기능들을 수행할 수 있다. 이를 위해, 제어부(340)는 적어도 하나의 프로세서(processor)를 포함할 수 있다.
도 3에 도시된 기지국(112)의 구성은, 기지국의 일 예일뿐, 도 3에 도시된 구성으로부터 본 개시의 다양한 실시 예들을 수행하는 기지국의 예가 한정되지 않는다. 즉, 다양한 실시 예들에 따라, 일부 구성이 추가, 삭제, 변경될 수 있다.
도 3에서는 기지국을 하나의 엔티티(entity)로 서술하였으나, 본 개시는 이에 한정되지 않는다. 본 개시의 다양한 실시 예들에 따른 기지국은 일체형 배치뿐만 아니라 분산 배치(distributed deployment)를 갖는 액세스 네트워크(access network)를 형성하도록 구현될 수 있다. 일 실시 예에 따라, 기지국은 CU(central unit)와 DU(digital unit)로 구별되어, CU는 상위 계층 기능(예를 들어, PDCP(packet data convergence protocol, RRC(radio resource control)), DU는 하위 계층 기능(예를 들어, MAC(medium access control), PHY(physical))을 수행하도록 구현될 수 있다. 기지국의 DU는 무선 채널 상에 빔 커버리지(coverage)를 형성할 수 있다.
도 4는, 본 개시의 다양한 실시 예들에 따른 AMF(access and mobility management function)의 구성을 도시한다. 도 4에 예시된 구성은 도 1의 AMF(130)으로서 이해될 수 있다. 이하 사용되는 '...부', '...기' 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
도 4를 참고하면, AMF는 통신부(410), 저장부(420), 제어부(430)를 포함할 수 있다.
통신부(410)는 유선 통신 환경에서 신호를 송수신하기 위한 기능들을 수행할 수 있다. 통신부(410)는 전송 매체(transmission medium)(예를 들어, 구리선, 광섬유)를 통해 장치와 장치 간의 직접적인 연결을 제어하기 위한 유선 인터페이스를 포함할 수 있다. 예를 들어, 통신부(410)는 구리선을 통해 다른 장치에게 전기적 신호를 전달하거나, 전기적 신호와 광신호 간 변환을 수행할 수 있다. 통신부(410)는 유선 통신 인터페이스 규격에 따라 코어 네트워크를 형성하는 네트워크 엔티티들 간 신호를 송수신할 수 있다.
통신부(410)는 무선 채널을 통해 신호를 송수신하기 위한 기능들을 수행할 수 있다. 예를 들어, 통신부(410)는 시스템의 물리 계층 규격에 따라 기저대역 신호 및 비트열 간 변환 기능을 수행할 수 있다. 예를 들어, 데이터 송신 시, 통신부(410)는 송신 비트열을 부호화 및 변조함으로써 복소 심볼들을 생성할 수 있다. 또한, 데이터 수신 시, 통신부(410)는 기저대역 신호를 복조 및 복호화를 통해 수신 비트열로 복원할 수 있다. 또한, 통신부(410)는 기저대역 신호를 RF(radio frequency) 대역 신호로 상향 변환한 후 안테나를 통해 송신하고, 안테나를 통해 수신되는 RF 대역 신호를 기저대역 신호로 하향 변환할 수 있다. 이를 위해, 통신부(410)는 송신 필터, 수신 필터, 증폭기, 믹서, 오실레이터, DAC(digital-to-analog converter), ADC(analog-to-digital converter) 등을 포함할 수 있다.
통신부(410)는 전술한 바와 같이 신호를 송신 및 수신할 수 있다. 이에 따라, 통신부(410)의 전부 또는 일부는 '송신부', '수신부' 또는 '송수신부'로 지칭될 수 있다. 또한, 이하 설명에서, 무선 채널을 통해 수행되는 송신 및 수신은 통신부(410)에 의해 전술한 바와 같은 처리가 수행되는 것을 포함하는 의미로 사용될 수 있다.
저장부(420)는 네트워크 엔티티의 동작을 위한 기본 프로그램, 응용 프로그램, 설정 정보 등의 데이터를 저장할 수 있다. 저장부(420)는 휘발성 메모리, 비휘발성 메모리 또는 휘발성 메모리 및 비휘발성 메모리의 조합으로 구성될 수 있다. 그리고, 저장부(420)는 제어부(430)의 요청에 따라 저장된 데이터를 제공할 수 있다.
제어부(430)는 AMF의 전반적인 동작들을 제어할 수 있다. 예를 들어, 제어부(430)는 통신부(410)를 통해 신호를 송신 및 수신할 수 있다. 또한, 제어부(430)는 저장부(420)에 데이터를 기록하고 읽을 수 있다. 그리고, 제어부(430)는 통신 규격에서 요구하는 프로토콜 스택(protocol stack)의 기능들을 수행할 수 있다. 다른 구현 예에 따라, 프로토콜 스택은 통신부(410)에 포함될 수 있다. 이를 위해, 제어부(430)는 적어도 하나의 프로세서(processor)를 포함할 수 있다.
AMF는 단말의 이동성을 관리하는 네트워크 엔티티(network entity)일 수 있다. AMF는 하나 이상의 셀(cell)들의 집합인 TA(tracking area)를 단위로 단말의 위치를 식별할 수 있다. 단말이 AMF에 접속 가능한 RRC(radio resource control) 연결 상태의 경우, AMF는 단말의 위치를 셀 단위로 알 수 있다. NR(new radio)에서 도입된 단말의 RRC 비활성(inactive) 상태의 경우, 코어 네트워크는 코어와 단말이 연결된 상태라고 인지하며, RAN(radio access network) 페이징이 수행되는 상황이므로, 역시 AMF는 단말의 위치를 알 수 있다. 그러나, 단말이 RRC 유휴(idle) 상태에 있는 경우, AMF는 등록된 TA만 알고 있을 뿐, 단말의 위치를 알지 못하므로, AMF는 단말과의 연결을 위해 페이징 메시지를 전송해야 할 수 있다.
종래의 페이징 방법(예를 들어, 페이징 차수 3)을 도 1을 참고하여 설명하면 아래와 같다. 아래의 설명에서는 TAL에 TA1(110) 및 TA2(120)가 포함되는 것으로 가정할 수 있다.
AMF(130)은 단말(101)이 마지막으로 접속한 기지국(112)에게 제1차 페이징 메시지를 전송할 수 있다. 제1차 페이징 메시지에 대하여 응답이 없는 경우, AMF(130)은 기지국(112)이 속한 TA1(110)에 포함되는 기지국들(112, 114, 116)에게 제2차 페이징 메시지를 전송할 수 있다. 제2차 페이징 메시지에 대하여 응답이 없는 경우, AMF(130)은 기지국(112)이 속한 TAL에 포함되는 기지국들(112, 114, 116, 122, 124, 126)에게 제3차 페이징 메시지를 전송할 수 있다. 즉, AMF는, 가장 최근에 페이징 메시지를 전송한 기지국(이하, 기준 기지국으로 지칭), 기준 기지국의 TA(이하, 기준 TA)에 속한 기지국들, 기준 TA의 TAL(이하, 기준 TAL)에 속한 기지국들에게 순차적으로 페이징 메시지를 전송할 수 있다.
전술한 종래의 페이징 방법을 참고하면, 코어 네트워크에서 사용되는 단말의 이동성 관리에는 두 개의 시그널링 부하가 존재할 수 있다. 첫 번째는 단말이 자신의 위치를 AMF에게 알리는 TAU(tracking area update) 부하일 수 있다. 예를 들어, TA에 포함되는 셀들의 개수가 적게 구성된 경우, 빈번한 TAU로 인하여 단말의 에너지 소모가 클 수 있다. 두 번째는, AMF가 단말에게 전송하는 페이징 부하일 수 있다. 예를 들어, TA에 포함되는 기지국들의 개수를 많이 구성된 경우, 페이징 메시지(예를 들어, S1AP(S1 application protocol) 또는 NGAP(NG application protocol))의 개수가 증가하여 네트워크 자원이 많이 소모될 수 있다. 즉, TAU 부하와 페이징 부하는 TA의 구성(configuration)에 영향을 받으며, 트레이드 오프(tradeoff) 관계일 수 있다. 따라서, 네트워크 내에서 불필요한 페이징 메시지 전송의 횟수를 감소시킴으로써, 자원 낭비를 줄일 필요가 있다.
이하, 본 개시는 단계 별 페이징 메시지 전송을 위한 기지국(즉, 페이징 기지국)들의 최적의 개수를 획득함으로써, 페이징 부하를 감소시키는 방법 및 장치에 관한 것이다. AMF는 해당 단계에서 페이징 기지국들 모두에 의한 페이징 시도가 실패한다면, 다음 단계에서 다시 페이징 기지국들을 구성하게 된다. 이 때, 단계가 진행될수록 페이징 기지국의 범위(range)가 증가하기 때문에, 전체 페이징 메시지들의 개수를 고려하여, 특정 단계에서 어떤 기지국을 페이징 기지국으로 설정할 것인지의 설계(design)가 요구될 수 있다.
단말이 마지막으로 AMF에 등록한 기지국에서 다른 기지국으로 이동할 확률이 주어지는 경우, 이동할 확률이 높은 기지국들에게 순차적으로 페이징을 시도함으로써, 최소의 페이징 부하를 얻을 수 있을 것이다. 다만, 페이징 시도 횟수가 증가함에 따라 지연 시간(latency)이 증가할 수 있으므로, 일 실시 예에 따라, 본 개시의 페이징 차수는 제한될 수 있다. 이하, 본 개시에서 페이징 차수는 3을 예로 들어 서술되나, 본 개시의 실시 예들이 이에 한정되는 것은 아니다. 페이징 차수는
본 개시의 일 실시 예에 따라, 네트워크 엔티티는 AMF일 수 있다. 이하, AMF(130)에서 발생하는 페이징 메시지의 개수를 목적 함수로 정의하고, 목적 함수에 기반하여 페이징 메시지 개수를 최소화하는 절차가 서술된다.
이하, 본 개시의 다양한 실시 예들을 설명하기 위해 사용되는 표현 방식이 표 1에서 설명된다.
Figure PCTKR2023016744-appb-img-000001
Figure PCTKR2023016744-appb-img-000002
AMF(130)는 이동성 데이터를 획득할 수 있다. 일 실시 예에 따라, AMF(130)는 AMF에 등록된 복수의 단말들로부터 이동성 데이터를 획득할 수 있다. 예를 들어, 이동성 데이터는 AMF에 등록된 모든 단말들이 특정 기지국에서 동일하거나 다른 기지국으로 이동하는 실제 이동 빈도에 관한 데이터를 포함할 수 있다.
도 5는 본 개시의 다양한 실시 예들에 따른 기지국들 간 단말의 이동성을 도시한다.
도 5를 참조하면, 기지국들 간 단말의 이동성(mobility)이 수식으로 설명될 수 있다. 단말의 이동성은 기지국 들간 단말이 이동할 확률을 의미할 수 있다. 예를 들어, n개의 기지국들 내에서 단말이 하나의 기지국에서 다른 하나의 기지국으로 이동할 확률을 P로 표현될 수 있다. 다만, 단말은 이동성은 단말이 하나의 기지국에서 다른 하나의 기지국으로 이동하는 확률만 포함하는 것으로 제한되는 것은 아니다. 단말의 이동성은 단말이 n개의 기지국들에 속하는 하나의 기지국 내에서 이동할 확률을 포함할 수도 있다.
도 6은 본 개시의 다양한 실시 예들에 따른 전이 확률 행렬을 도시한다.
도 6을 참조하면, 전이 확률 행렬을 나타낼 수 있다. 전술한 단말의 이동성 즉, n개의 기지국들 내에서 단말이 하나의 기지국에서 다른 하나의 기지국으로 이동할 확률 및 단말이 하나의 기지국 내에서 이동할 확률을 행렬로 나타낸 함수일 수 있다.
AMF(130)는 이동 확률을 획득할 수 있다. 일 실시 예에 따라, AMF(130)은 Markov model에 기반하여 이동 확률을 획득할 수 있다. 일 실시 예에 따라, AMF(130)는 획득한 이동성 데이터에 기반하여 단말의 이동 확률을 획득할 수 있다. 예를 들어, 기지국 j에서 기지국 k로 이동할 경우, 그 확률은 P j,k로 표현될 수 있다. 일 실시 예에 따라, AMF(130)는 획득한 이동성 데이터에 기반하여 이동 확률 행렬인 P를 획득할 수 있다.
일 실시 예에 따라, AMF(130)는 단말이 마지막으로 AMF(130)에 등록한 기지국 j로부터 기지국 k로 이동하는 확률에 대한 수열(sequence)를 획득할 수 있다. 기지국 j로부터 기지국 k로 이동하는 확률에 대한 수열은
Figure PCTKR2023016744-appb-img-000003
로 표현될 수 있다. 단말이 마지막으로 AMF(130)에 등록한 기지국 j는 RRC 연결(connected) 상태의 단말이 RRC 유휴 상태로 전환하기 전에 접속하고 있던 기지국일 수 있다. 단말이 마지막으로 AMF(130)에 등록한 기지국 j는 RRC 비활성(inactive) 상태의 단말이 RRC 유휴 상태로 전환하기 전에 접속하고 있던 기지국일 수 있다.
일 실시 예에 따라, AMF(130)는 단말이 기지국 j에서 이동하지 않는 경우를 제외한 부분 수열(subsequence)를 획득할 수 있다. 부분 수열은
Figure PCTKR2023016744-appb-img-000004
로 표현될 수 있다. 일 실시 예에 따라, 부분 수열
Figure PCTKR2023016744-appb-img-000005
는 내림 차순으로 정렬된 수열일 수 있다(즉,
Figure PCTKR2023016744-appb-img-000006
). 획득한 부분 수열
Figure PCTKR2023016744-appb-img-000007
에 기반하여, 단말이 기지국 j에서 벗어난 경우, 기지국
Figure PCTKR2023016744-appb-img-000008
로 이동할 확률을 결정할 수 있다. 예를 들어, 단말이 기지국 j에서 벗어난 경우, 기지국
Figure PCTKR2023016744-appb-img-000009
로 이동할 확률(
Figure PCTKR2023016744-appb-img-000010
)은 아래의 수학식과 같이 표현될 수 있다.
Figure PCTKR2023016744-appb-img-000011
수학식 1에서,
Figure PCTKR2023016744-appb-img-000012
는 기지국 j에서 벗어날 확률을 나타낼 수 있다. 즉, 1차 페이징 메시지는 기지국 j로만 전송되므로,
Figure PCTKR2023016744-appb-img-000013
는 1차 페이징이 실패할 확률(
Figure PCTKR2023016744-appb-img-000014
)을 나타낼 수 있다.
일 실시 예에 따라,
Figure PCTKR2023016744-appb-img-000015
는 내림순으로 정렬된 수열일 수 있다(즉,
Figure PCTKR2023016744-appb-img-000016
). 즉,
Figure PCTKR2023016744-appb-img-000017
이 내림 차순으로 정렬된 수열이므로,
Figure PCTKR2023016744-appb-img-000018
또한 내림 차순으로 정렬된 수열일 수 있다. 내림차순으로 정렬된
Figure PCTKR2023016744-appb-img-000019
를 이용하여 2차 페이징의 실패 확률이 표현될 수 있다. 예를 들어,
Figure PCTKR2023016744-appb-img-000020
로 정의되는 경우, 2차 페이징의 실패할 확률(
Figure PCTKR2023016744-appb-img-000021
)은 아래의 수학식과 같이 표현될 수 있다.
Figure PCTKR2023016744-appb-img-000022
Figure PCTKR2023016744-appb-img-000023
는 음이 아닌 정수들의 집합 위에서 정의된 함수이다. 분석을 위하여,
Figure PCTKR2023016744-appb-img-000024
의 연속 확장 함수(continuation extension of function)
Figure PCTKR2023016744-appb-img-000025
를 수학식과 같이 정의될 수 있다.
Figure PCTKR2023016744-appb-img-000026
수학식 3에서,
Figure PCTKR2023016744-appb-img-000027
,
Figure PCTKR2023016744-appb-img-000028
,
Figure PCTKR2023016744-appb-img-000029
일 수 있다. 따라서,
Figure PCTKR2023016744-appb-img-000030
는 [0, M-1] 구간에서 순 감소(strictly decreasing) 함수일 수 있다. 또한, 아래의 수학식 4를 참고하면,
Figure PCTKR2023016744-appb-img-000031
는 볼록(convex) 함수일 수 있다.
Figure PCTKR2023016744-appb-img-000032
AMF(130)는 목적 함수를 결정할 수 있다. 일 실시 예에 따라, AMF(130)는 이동 확률 기반의 목적 함수를 결정할 수 있다. 일 실시 예에 따라, 목적 함수는 AMF(130)가 전송하는 페이징 메시지의 개수를 나타낼 수 있다. 예를 들어, 일반화된 목적 함수(
Figure PCTKR2023016744-appb-img-000033
)는 아래의 수학식과 같이 정의될 수 있다.
Figure PCTKR2023016744-appb-img-000034
여기에서,
Figure PCTKR2023016744-appb-img-000035
로 정의될 수 있다. 각 변수는 표 1에 따라 정의될 수 있다.
페이징을 위해 선택되는 기지국들은
Figure PCTKR2023016744-appb-img-000036
의 정의(예를 들어, 이동할 확률이 높은 gNB 부터 내림차순으로 정렬)로부터 결정될 수 있다. 따라서, 각 페이징 차수(h)에서의 페이징 메시지를 전송할 기지국들의 개수가 결정되면, 페이징 메시지를 전송할 기지국들의 개수가 결정될 수 있다. 이하, 페이징 차수가 3인 경우(즉, h=3)를 예로써, 본 개시의 실시 예가 서술된다.
전술한 수학식 1 내지 5를 참고하면, 페이징 차수 2 및 3에서 AMF(130)가 전송하는 페이징 메시지의 개수는 아래의 수학식과 같이 정의될 수 있다.
Figure PCTKR2023016744-appb-img-000037
여기서, 1차 페이징은 AMF(130)가 기지국 j에게만 전송하므로
Figure PCTKR2023016744-appb-img-000038
일 수 있다. 1차 페이징이 실패한 경우, 2차 페이징이 수행되므로,
Figure PCTKR2023016744-appb-img-000039
는
Figure PCTKR2023016744-appb-img-000040
에 기초하여 결정될 수 있다.
Figure PCTKR2023016744-appb-img-000041
2차 페이징이 실패한 경우, 3차 페이징이 수행되므로,
Figure PCTKR2023016744-appb-img-000042
는
Figure PCTKR2023016744-appb-img-000043
에 기초하여 결정될 수 있다. 전술한 수학식 6, 7을 참고하면, 페이징 차수 3까지의 AMF(130)가 전송하는 페이징 메시지의 개수를 나타내는 목적 함수(
Figure PCTKR2023016744-appb-img-000044
)는 아래의 수학식과 같이 정의될 수 있습니다.
Figure PCTKR2023016744-appb-img-000045
이동 확률이 높은 기지국부터 내림 차순으로 정렬된 상태이므로, AMF(130)는 페이징 차수 2에서 페이징 메시지를 전송할 기지국들의 개수(
Figure PCTKR2023016744-appb-img-000046
)를 결정하면, 페이징 메시지를 전송할 기지국들, 즉 페이징 기지국들이 식별될 수 있다.
일 실시 예에 따라, 페이징 메시지를 전송할 기지국들의 개수(
Figure PCTKR2023016744-appb-img-000047
)를 결정하기 위하여, 아래와 같은 수학식이 정의될 수 있다.
Figure PCTKR2023016744-appb-img-000048
AMF(130)는 페이징 메시지를 전송할 기지국들의 개수를 결정할 수 있다. 일 실시 예에 따라, AMF(130)는 기계 학습(machine learning) 알고리즘을 통해 페이징 메시지를 전송할 기지국들의 개수를 결정할 수 있다. 일 실시 예에 따라, AMF(130)은 기지국들 개수의 초기 값(
Figure PCTKR2023016744-appb-img-000049
)과 이에 따른 목적 함수의 초기 값(
Figure PCTKR2023016744-appb-img-000050
)을 설정함으로써, 기계 학습 알고리즘을 개시할 수 있다. 이때, 기지국들의 개수(
Figure PCTKR2023016744-appb-img-000051
)는 목적 함수의 입력 데이터일 수 있다. 일 실시 예에 따라, AMF(130)은 다음 학습 차수의 기지국들 개수를 추정할 수 있다. 예를 들어, 다음 학습 차수의 기지국들의 개수를 추정하는 수학식은 아래와 같이 정의될 수 있다.
Figure PCTKR2023016744-appb-img-000052
여기에서,
Figure PCTKR2023016744-appb-img-000053
는 다음 학습 차수의 기지국들의 개수를 추정하기 위하여 정의된 임의의 계수일 수 있다.
일 실시 예에 따라, AMF(130)은 다음 학습 차수의 목적 함수의 값을 설정할 수 있다. 일 실시 예에 따라, AMF(130)은 추정되는 다음 학습 차수의 목적 함수의 값과 현재 학습 차수의 목적 함수의 값을 비교한 결과에 기반하여, 다음 학습 차수의 목적 함수의 값을 설정할 수 있다. 예를 들어, AMF(130)은 추정되는 다음 학습 차수의 목적 함수의 값(
Figure PCTKR2023016744-appb-img-000054
)과 현재 학습 차수의 목적 함수의 값(
Figure PCTKR2023016744-appb-img-000055
) 중 작은 값을 다음 학습 차수의 목적 함수의 값으로 설정할 수 있다. 즉, 목적 함수의 값은 페이징 메시지의 개수를 나타내므로, 기지국들의 개수(
Figure PCTKR2023016744-appb-img-000056
)는 목적 함수의 값을 최소화하는 방향으로 설정될 수 있다. 예를 들어, 다음 학습 차수의 목적 함수를 설정하는 수학식은 아래와 같이 정의될 수 있다.
Figure PCTKR2023016744-appb-img-000057
일 실시 예에 따라, AMF(130)은 다음 학습 차수의 기지국들의 개수를 결정할 수 있다. 일 실시 예에 따라, AMF(130)은 추정되는 다음 학습 차수의 목적 함수의 값과 현재 학습 차수의 목적 함수의 값을 비교한 결과에 기반하여, 다음 학습 차수의 기지국들의 개수를 결정할 수 있다. 예를 들어, AMF(130)은 추정되는 다음 학습 차수의 목적 함수가 현재 학습 차수의 목적 함수보다 작은 경우, 수학식 10에서 추정된 다음 학습 차수의 기지국들의 개수를 다음 학습 차수의 기지국들의 개수로 결정할 수 있다(
Figure PCTKR2023016744-appb-img-000058
). 즉, 페이징 메시지의 개수가 줄어드는 방향으로 학습이 이루어졌으므로, AMF(130)은 추정된 다음 학습 차수의 기지국들의 개수를 다음 학습을 위한 기지국들의 개수로 결정할 수 있다. 반면에, AMF(130)은 추정되는 다음 학습 차수의 목적 함수의 값이 현재 학습 차수의 목적 함수의 값보다 큰 경우, 현재 학습 차수의 기지국들의 개수를 다음 학습 차수의 기지국들의 개수로 결정할 수 있다(예를 들어,
Figure PCTKR2023016744-appb-img-000059
). 즉, AMF(130)은 목적 함수의 값이 커지는 경우에는 기지국들의 개수(
Figure PCTKR2023016744-appb-img-000060
)를 업데이트하지 않을 수 있다.
일 실시 예에 따라, AMF(130)은 전술한 페이징 메시지의 개수를 최소화하기 위한 동작을 지정된 횟수(예를 들어,
Figure PCTKR2023016744-appb-img-000061
) 만큼 반복할 수 있다. 이때,
Figure PCTKR2023016744-appb-img-000062
는 AMF(130)가 전송하는 페이징 메시지의 개수를 최소화하기 위해 필요한 반복(iteration) 횟수로 미리 지정된 값일 수 있다. 일 실시 예에 따라,
Figure PCTKR2023016744-appb-img-000063
는 TA에 포함된 기지국들의 개수에 기반하여 결정될 수 있다. 일 실시 예에 따라,
Figure PCTKR2023016744-appb-img-000064
는 TAL에 포함된 기지국들의 개수에 기반하여 결정될 수 있다.
도 7은 본 개시의 다양한 실시 예들에 따른 스마트 페이징 알고리즘을 도시한다.
도 7을 참조하면, 전술한 AMF(130)의 동작들을 설명하기 위한 페이징 알고리즘이 설명될 수 있다. 도 7의 알고리즘은 스마트 페이징 알고리즘으로 호칭될 수 있다. 다만, 알고리즘은 어느 하나의 호칭으로 제한되는 것은 아니다.
AMF(130)는 페이징 메시지를 전송할 기지국들을 식별할 수 있다. 일 실시 예에 따라, AMF(130)는 이동 확률이 높은 기지국부터 내림 차순으로 정렬된 부분 수열과 페이징 메시지를 전송할 기지국들의 개수에 기반하여, 페이징 메시지를 전송할 기지국들을 식별할 수 있다. 일 실시 예에 따라, 이동 확률이 높은 기지국부터 내림 차순으로 정렬된 부분 수열은 페이징 차수 각각에 대해 식별될 수 있다. 일 실시 예에 따라, 페이징 메시지를 전송할 기지국들의 개수는 페이징 차수 각각에 대해 식별될 수 있다. 일 실시 예에 따라, AMF(130)는 식별된 기지국들에게 페이징 차수에 따라 순차적으로 페이징 메시지를 전송할 수 있다. 일 실시 예에 따라, 페이징 메시지는 브로드캐스팅(broadcasting) 방식으로 전송될 수 있다. 즉, AMF(130)는 1차 페이징이 실패한 경우, TA 또는 TAL에 속한 모든 기지국들에게 페이징 메시지를 전송하는 대신, 식별된 최적의 기지국들에게만 페이징 메시지를 전송함으로써, 페이징 부하를 감소시킬 수 있다.
전술한 동작들은 이동성 관리 엔티티로서 AMF가 상기 동작들을 수행하는 것으로 서술되었다. 그러나, 본 개시의 실시 예들은 이에 한정되지 않는다. 일 실시 예에 따라, 다른 코어 네트워크 엔티티(예를 들어, MME)가 하기의 동작들을 수행할 수도 있다. 또한, 일 실시 예에 따라, 전술한 동작들 중 일부는 AMF에서 수행되고, 다른 일부는 AMF와 연결된 외부 장치(예를 들어, 서버)에서 수행될 수 있다. 또한, 일 실시 예에 따라, 전술한 동작들, 즉 차수 별 페이징 기지국 설계 동작들은 외부 장치에서 수행되고, AMF는 상기 수행 결과만을 획득 및 적용할 수도 있다.
도 8은 본 개시의 다양한 실시 예들에 따른 기계 학습을 통한 후보 TA를 도시한다.
도 8을 참조하면, 도 7의 스마트 페이징 알고리즘을 통해 식별된 기지국들(예를 들어, AMF(130)가 페이징 메시지를 전송할 기지국들)(116, 118, 124, 또는 122 중 적어도 하나를 포함)을 포함하는 후보(또는 예측) TA(예를 들어, TA3)(140)이 설명될 수 있다. 일 실시예에 따라, TA3는 TA1 및 TA2에 포함된 기지국들 중 전술한 절차들(예를 들어, 스마트 페이징 알고리즘)을 통해 식별된 적어도 하나의 기지국을 포함하는 새로운 후보 TA가 식별될 수 있다. 이때, 후보 TA는 AMF(또는 MME)가 전술한 절차들을 통해 예측한 TA를 의미할 수 있다.
도 9는 본 개시의 다양한 실시 예들에 따른 성능 평가 결과를 도시한다.
도 9를 참조하면, 도 7의 알고리즘에 의해 도출된 페이징 메시지를 전송할 기지국들에 대한 신뢰도를 평가하기 위한 방법들이 설명될 수 있다. 페이징 메시지를 전송할 기지국들에 대한 신뢰도를 평가하기 위한 방법들은 전술한 도 7의 기계 학습 결과(예를 들어, 스마트 페이징 알고리즘)에 대한 성능을 평가하기 위한 방법일 수 있다. 기계 학습 결과에 대한 성능을 평가하기에 앞서, 다음 설정들이 정의될 수 있다.
단말이 이동 전 해당 단말에 서비스를 제공하는 소스 기지국(예를 들어, source gNB)은 X로 설정될 수 있다. Area.ML.X(예를 들어, gNB X를 기준)는 제안된 알고리즘(예를 들어, 스마트 페이징 알고리즘)을 통해 도출된 예측 gNB들의 집합을 의미할 수 있다. 예를 들어, 예를 들어, Area.ML.X는 source gNB X에 대하여, 최적화된(또는, 예측된) 목적 기지국(예를 들어, destination gNB)들의 집합을 의미할 수 있다. 또한, Area.Real.X(예를 들어, gNB X를 기준)는 단말이 실제로 이동한 기지국들의 집합일 수 있다. 예를 들어, 소스 기지국(예를 들어, source gNB X)에 대하여, 실제로 페이징 응답을 한 목적 기지국(예를 들어, destination gNB)들의 집합을 의미할 수 있다. 그리고
Figure PCTKR2023016744-appb-img-000065
은 집합의 관계 농도(또는, 차수)(cardinality) 즉, 집합에 포함된 원소의 개수를 의미할 수 있다. 예를 들어,
Figure PCTKR2023016744-appb-img-000066
일 수 있다.
기계 학습 결과에 대한 성능 평가 방법은 아래와 같은 수학식으로 나타낼 수 있다.
Figure PCTKR2023016744-appb-img-000067
수학식 12는 예측 페이징 영역 안에 포함된 기지국(예를 들어, gNB)들 중 단말이 실제 이동한 기지국의 개수를 단말이 실제 이동한 기지국(예를 들어, gNB)로 나눈 값을 의미할 수 있다. Eval_succ은 단말이 이동한 영역을 기반으로 평가한 것으로 매우 빠른 연산을 통해 평가가 이루어질 수 있다.
Figure PCTKR2023016744-appb-img-000068
수학식 13은 단말이 예측 기지국들의 집합과 단말이 실제로 이동한 기지국들의 집합의 교집합에 해당하는 기지국들로 이동한 총 횟수를 단말이 실제로 이동한 기지국들로 이동한 총 횟수로 나눈 값을 의미할 수 있다. 전술한 수학식 12(예를 들어, Eval_succ)에 비해 Eval_succ_weight는 실제 단말이 이동한 개수를 모두 포함하므로 더 정확한 성능 평가 방법일 수 있다.
예를 들어, 도 9에서 gNB 1은 단말이 gNB X에서 gNB 1으로 이동한 횟수가 997회이고, gNB 1은 단말이 gNB X에서 gNB 1으로 이동한 횟수가 997회일 때, Eval_succ는 단말이 이동한 gNB의 개수 대비, 예측 페이징 영역 안에 존재하는 gNB의 개수일 수 있다. 따라서, Eval_succ=1/(1+3)=0.25일 수 있다. 그리고 Eval_succ_weight은 다른 gNB로 단말이 이동한 전체 횟수 대비, 예측 페이징 영역에 속하는 이동 횟수일 수 있다. 따라서, Eval_succ_weight=997/(997 + 3)=0.997일 수 있다. 그러므로 수학식 13에 기반하여 도출된 성능 평가(예를 들어, Eval_succ_weight)의 결과는 수학식 12에 기반하여 도출된 성능 평가(예를 들어, Eval_succ)의 결과에 비해 더 정확한 결과 값을 나타낼 수 있다.
다만, 기계 학습에 대한 성능 평가 방법이 전술한 수학식 13의 성능 평가 방법만으로 평가되어야만 하는 것은 아닐 수 있다. 또한, 전술한 성능 평가 방법들은 하나의 예시에 지나지 않으며, 기계 학습에 대한 성능 평가 방법은 전술한 수학식 12 또는 수학식 13 이외에 다른 방법에 의해 평가될 수 있다. 또한, 전술한 수학식 12 및 수학식 13에 의한 성능 평가 방법이 모두 고려될 수도 있다.
전술한 평가 방법에 기반하여 기계 학습을 통한 예측 페이징 영역에 대한 평가는 AI 모델에 의해 수행될 수 있다. 기계 학습을 통해 도출된 예측 페이징 영역의 신뢰도를 판단하기 위한 AI 모델은 성능 평가의 결과에 기반하여 전술한 기계 학습을 통해 예측된 페이징 영역에 대한 신뢰도를 상승시키기 위한 동작을 수행할 수 있다.
일 실시예에 따라, AMF는 전술한 성능 평가 방법들 중 적어도 하나에 의해 도출된 성능 평가의 결과 값이 임의의 임계 값(예를 들어, 망 사업자가 결정한 성능의 최저 임계 값)보다 작거나 같은 경우, AI 모델은 AMF가 더 많은 이동성 데이터를 기반으로 전술한 스마트 페이징 알고리즘을 다시 수행하게 할 수 있다. 예를 들어, AI 모델은 AMF가 평가 대상인 예측 페이징 영역을 도출하는데 사용한 이동성 데이터보다 더 긴 기간에 대한 이동성 데이터를 사용하여 새로운 예측 페이징 영역을 도출하게 할 수 있다. 이때, 더 긴 기간에 대한 이동성 데이터는 더 오랜 기간동안 축적된 단말의 이동성 데이터를 의미할 수 있다.
일 실시예에 따라, AMF는 전술한 성능 평가 방법들 중 적어도 하나에 의해 도출된 성능 평가의 결과 값이 임의의 임계 값(예를 들어, 망 사업자가 결정한 성능의 최저 임계 값)보다 큰 경우, AI 모델은 AMF가 이미 도출된 예측 페이징 영역을 기반으로 페이징 절차를 수행하게 할 수 있다. 다만, AI 모델은 전술한 성능 평가 방법들 중 적어도 하나에 의해 도출된 성능 평가의 결과 값이 임의의 임계 값과 같은 경우에도, AMF가 도출된 예상 페이징 영역을 기반으로 페이징 절차를 수행하게 할 수도 있다.
AI 모델은 임의의 임계 값, 단말이 위치하는 셀의 통신 환경, 또는 단말들의 평균 이동 영역 분포 중 적어도 하나를 포함하는 요건들을 기반으로 전술한 동작들의 수행 여부를 결정할 수 있다. 또한, AI 모델은 AMF의 제어부(430)에 포함될 수 있고, AI 모델의 동작들은 제어부(430)에 포함된 적어도 하나의 프로세서에 의해 수행될 수 있다. 또는, AI 모델은 AMF의 제어부(430)와 별도로 AMF에 포함된 네트워크 엔티티에 포함될 수도 있다.
도 10은 본 개시의 다양한 실시 예들에 따른 스마트 페이징을 위한 네트워크 엔티티의 구성을 도시한다.
도 10을 참조하면, 스마트 페이징 동작을 수행하는 네트워크 엔티티(예를 들어, 제어부(430))의 구성들 및 구성들 간의 상호 작용이 설명될 수 있다.
호 처리 모듈(1010)은 단말의 이동성을 수집할 수 있고, 기계 학습 서버(ML server)의 통신 모듈(1020)로 수집한 데이터를 전달할 수 있다.
통신 모듈(1020)은 호 처리 모듈(1010)로부터 수신한 수집 데이터(예를 들어, 이동성 데이터)를 데이터 처리 모듈(1030)로 전달할 수 있다. 그리고 통신 모듈(1020)은 학습(training) & 평가 모듈(1060)로부터 수신한 기지국 별 최적화된 페이징 영역에 대한 정보 등을 호 처리 모듈(1010)로 전달할 수 있다.
데이터 처리 모듈(1030)은 통신 모듈(1020)로부터 수신한 수집 데이터(예를 들어, 이동성 데이터)를 주기적으로 병합(merge)하여 디스크(disk)(1080)에 저장할 수 있다.
DB 관리자 모듈(1070)은 DB에 저장되어 있는 망 구성 정보(예를 들어, gNB, TA, 또는 TAL 설정 중 적어도 하나를 포함)를 읽을 수 있고, 읽은 망 구성 정보를 학습 & 평가 모듈(1060)로 전달할 수 있다.
학습(training) & 평가 모듈(1060)은 디스크(1080)에 저장된 데이터를 기준으로 기계 학습 알고리즘 동작 및 평가 동작을 수행할 수 있다. 학습 & 평가 모듈(1060)은 예측된 페이징 영역을 주기적으로 디스크(1080)에 저장할 수 있고, 통신 모듈(1020)로 전달할 수 있다.
디스크 관리자 모듈(1070)은 설정된 값에 따라 주기적으로 디스크(1080)에 저장된 데이터를 삭제할 수 있다.
도 11은 본 개시의 다양한 실시 예들에 따른 스마트 페이징을 위한 AMF의 동작 순서를 도시한다.
도 11을 참조하면, AMF(또는 MME)에 의해 수행되는 기계 학습을 통한 페이징 메시지를 전송할 기지국들의 예측 및 기계 학습 방법에 대한 성능 평가를 통한 최적의 페이징 영역 도출 방법이 설명될 수 있다.
1110 단계에서, 호 처리 모듈(1010)은 이동성 데이터를 수집하여 통신 모듈(1020)으로 전달할 수 있다. 이때, 데이터는 단말이 기지국을 통해 전송한 이동성 데이터를 의미할 수 있다. 단말의 이동성 데이터는 AMF의 저장부(420)에 저장될 수 있다. 따라서, AMF가 최적의 페이징 영역을 도출하기 위해 사용할 단말의 이동성 데이터는 저장부(420)에 저장된 이동성 데이터의 일부 또는 전부일 수 있다. 또한, 저장부(420)에 저장된 이동성 데이터 중 최적의 페이징 영역을 도출하기 위한 이동성 데이터의 중첩 기간은 AI 모델에 의해 결정될 수 있다.
1120 단계에서, 데이터 처리 모듈(1030)은 단말의 이동성 데이터는 기계 학습을 위한 형태(예를 들어, 목적 함수
Figure PCTKR2023016744-appb-img-000069
)로 변환될 수 있다. 구체적으로, 데이터 처리 모듈(1030)은 소스 기지국을 기준으로 단말의 목적 기지국들로의 이동 확률을 계산하여 변환할 수 있다. 그리고 AMF는 이동성 데이터를 취합하여 학습 데이터를 만들 수 있다(예를 들어, 수학식 1 내지 9).
1130 단계에서, 트레이닝 및 평가 모듈(1060)은 1020 단계를 통해 출력된 정제된 데이터를 입력 데이터로 하여 도 7의 스마트 페이징 알고리즘을 수행할 수 있다. 이때, 1020 단계를 통해 출력된 데이터는 중첩 방식에 따라서 다양한 값을 가질 수 있다. 예를 들어, 일주일 동안 수집한 데이터를 중첩하는 방식, 하루동안 수집한 데이터를 중첩하는 방식, 또는 한시간 단위로 3주치 데이터를 중첩하는 방식이 있을 수 있다. 다만, 중첩 방식은 전술한 예시에 제한되는 것은 아니며, 1020 단계를 통해 출력된 데이터는 전술한 예시들 이외에 다양한 방법들로 중첩된 값으로 출력될 수도 있다. AMF는 학습에 필요한 부가적인 정보(예를 들어, TAL에 포함된 기지국들의 개수)를 DB 관리자 모듈(1050)에 요청할 수 있다.
1140 단계에서, 트레이닝 및 평가 모듈(1060)은 1030 단계의 학습 알고리즘에서 나온 예측 페이징 영역의 신뢰도를 시험 데이터(예를 들어, 도 9의 예시)를 통해 평가할 수 있다. 이때, 학습 알고리즘을 통해서 도출된 최적화된 페이징 영역은 데이터 중첩 방식에 영향을 받을 수 있다. 예를 들어, 학습 알고리즘을 통해서 도출된 최적화된 페이징 영역은 데이터 중첩의 기간, 또는 단위 중 적어도 하나에 의해 신뢰도에 차이가 발생할 수 있다.
1150 단계에서, 1040 단계에서 도출된 최적화된 페이징 영역을 기반으로 페이징 절차를 수행하기 위해, 호 처리 모듈(1010)로 도출된 최적화된 페이징 영역에 대한 정보가 전달될 수 있다.
도 12는 본 개시의 다양한 실시예들에 따른 AI(artificial intelligence) 기반의 성능 평가 순서를 도시한다.
도 12를 참조하면, AI에 기반한 AMF의 최적화된 페이징 영역 도출 동작의 순서가 설명될 수 있다. 한편, 도 12의 기계 학습 알고리즘은 AI 모델을 포함할 수 있다. 이 경우, AI 모델은 소정의 기간에 대한 이동성 데이터 및 이동성 데이터로부터 생성된 입력 데이터를 이용하여, 예측 페이징 영역을 출력하도록 훈련된 모델일 수 있다.
1210 단계에서, AMF는 AMF에 등록된 복수의 단말들로부터 이동성 데이터 수신할 수 있다. 예를 들어, 이동성 데이터는 AMF에 등록된 모든 단말들이 과거(예를 들어, 페이징 영역을 도출하기 위한 학습 알고리즘을 사용하기 전의 시간)의 특정 기간 동안의 복수의 단말들의 이동성 데이터를 포함할 수 있다.
1220 단계에서, AMF는 수집된 이동성 데이터들 중 특정 기간에 대한 이동성 데이터에 기반하여 입력 데이터를 생성할 수 있다. 예를 들어, AMF는 수신된 이동성 데이터 중에서 제1 기간에 대한 이동성 데이터를 선택할 수 있고, 선택된 제1 기간에 대한 이동성 데이터에 기반하여 입력 데이터를 생성할 수 있다. 이때, 입력 데이터는 학습 알고리즘을 수행하기 위해 입력되는 데이터일 수 있다. 또는 입력 데이터는 AI 모델이 학습 알고리즘을 기반으로 최적의 예측 페이징 영역을 도출하기 위해 필요한 학습 데이터를 의미할 수도 있다.
1230 단계에서, AMF는 생성된 입력 데이터에 기반하여 기계 학습을 통한 예측 페이징 영역을 도출할 수 있다. AMF는 이동성 데이터에 기초하여 예측 페이징 영역을 도출하기 위하여 학습된 학습 알고리즘을 이용함으로써, 제1 기간에 대한 이동성 데이터에 기반한 입력 데이터로부터 예측 페이징 영역을 도출할 수 있다.
1240 단계에서, AMF는 기계 학습 알고리즘을 통해 도출된 예측 페이징 영역에 대한 신뢰도 평가를 수행할 수 있다. 일 실시 예에 따라, AMF는 제1 기간에 대한 테스트 데이터를 이용하여, 도출된 제1 후보 페이징 영역의 신뢰도를 판단할 수 있다. 제1 기간에 대한 테스트 데이터는, 제1 기간 이후의 복수의 단말들에 관한 이동성 데이터를 포함할 수 있다. 1210 단계에서의 이동성 데이터는 제1 기간 및 제1 기간 이후의 기간 동안의 이동성 데이터를 포함할 수 있으며, 제1 기간에 대한 이동성 데이터가 학습 알고리즘에 입력되어 후보 페이징 영역을 도출하는데 이용될 수 있다. 제1 기간 이후의 이동성 데이터는, 제1 기간에 대한 이동성 데이터로부터 도출된 후보 페이징 영역의 신뢰도를 평가하는데 이용될 수 있다. 이때, 후보 페이징 영역은 예측된 페이징 영역과 동일한 의미로 사용될 수 있다.
일 실시 예에 따라, 1240 단계는 예측 페이징 영역을 도출하기 위한 학습 알고리즘에 대한 성능 평가 동작을 의미할 수도 있다. 따라서, AI 모델은 학습 알고리즘의 성능을 평가하여, 도 7의 스마트 페이징 알고리즘의 적어도 하나의 단계를 생략, 변경, 및/또는 추가할 수도 있다.
1250 단계에서, AMF는 1240 단계의 성능 평가의 결과 값이 임의의 임계 값(예를 들어, 망 사업자가 결정한 성능의 최저 임계 값)보다 큰 값을 갖는지 확인할 수 있다. 성능 평가 결과 값이 임의의 임계 값보다 작거나 같은 경우, AMF는 1220 단계로 돌아가 새로운 이동성 데이터를 기반으로 다시 최적화된 페이징 영역을 도출하기 위한 동작(예를 들어, 1220 내지 1250 단계)를 수행할 수 있다. 일 실시 예에 따라, AMF는 이동성 데이터 중에서 제2 기간에 대한 이동성 데이터를 선택할 수 있고, 선택된 제2 기간에 대한 이동성 데이터에 기반하여 새로운 입력 데이터를 생성할 수 있다. 이때, 제2 기간에 대한 이동성 데이터는 평가 대상인 예측 페이징 영역을 도출하는데 사용한 제1 기간에 대한 이동성 데이터와 중첩(또는, 수집) 방식을 달리하는 데이터를 의미할 수 있다. 예를 들어, 중첩(또는, 수집) 방식은 이동성 데이터의 수집 기간을 달리하는 방식 또는 수집 기간의 단위를 달리하는 방식 중 적어도 하나일 수 있다.
1260 단계에서, AMF는 성능 평가 결과 값이 임의의 임계 값보다 큰 경우, 후보(예측) 페이징 영역에 포함되는 기지국들을 식별할 수 있고, 식별된 기지국들로 페이징 메시지 전송함으로써 페이징 절차를 수행할 수 있다. 다만, 일 실시 예에 따라, 성능 평가 결과 값이 임의의 임계 값보다 큰 경우에도 다른 요건들(예를 들어, 단말이 위치하는 셀의 통신 환경, 또는 단말들의 평균 이동 영역 분포 중 적어도 하나를 포함)에 따라 1220 단계로 돌아가 새로운 이동성 데이터를 기반으로 다시 최적화된 페이징 영역을 도출하기 위한 동작(예를 들어, 1220 내지 1250 단계)을 수행할 수도 있다. 이 경우, 제1 기간 및 제2 기간과 상이한 제3 기간에 대한 이동성 데이터에 기초하여, 예측 페이징 영역의 도출 및 도출된 페이징 영역에 대한 신뢰도 평가가 추가적으로 수행될 수 있다. 일 실시 예에 따라, AI 모델은 성능 평가 결과 값이 임의의 임계 값보다 큰 경우에도 다른 요건들(예를 들어, 단말이 위치하는 셀의 통신 환경, 또는 단말들의 평균 이동 영역 분포 중 적어도 하나를 포함)에 따라, 도 7의 스마트 페이징 알고리즘의 적어도 하나의 단계를 생략, 변경, 및/또는 추가할 수도 있다. 그리고 AI 모델은 개선된 스마트 페이징 알고리즘에 기반하여 최적의 페이징 영역을 도출할 수 있다.
AI 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 AI 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 AI 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다. 인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN(Convolutional Neural Network), DNN(Deep Neural Network), RNN(Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN(Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.
페이징이 실패한 경우, 기지국, TA에 속한 기지국들, TAL에 속한 기지국들에 순차적으로 페이징 메시지를 전송하는 종래 기술과 비교할 때, 본 개시에 따른 다양한 실시 예들에 따른 방법은 페이징 메시지 개수의 절감 효과를 제공할 수 있다. 즉, 본 개시의 다양한 실시 예들에 따른 방법은, 이동성 데이터에 기반하여 단말이 이동할 확률이 높은 기지국들을 내림차순으로 정리하고, 기계 학습 알고리즘을 통해 페이징 차수에서 페이징 메시지를 전송할 기지국들의 개수를 결정함으로써, 페이징 메시지의 개수를 감소시킬 수 있다. 이동성 관리를 위하여 요구되는 페이징 메시지의 개수가 감소하므로, 통신망의 유선 자원 및/또는 무선 자원이 보다 효율적으로 운용될 수 있다. 또한, 같은 면적에 포함된 기지국의 개수가 LTE의 경우보다 많은 5G 통신 시스템에서는, LTE 통신 시스템과 같은 비율의 성능 이득을 얻는 경우에 비용 측면에서 보다 큰 이득이 발생할 수 있다.
그리고 TA 및/또는 TAL에 속한 모든 기지국들에게 페이징 메시지를 전송하는 방식은 페이징 부하를 초래하여, 네트워크 자원을 소모하는 비중이 클 수 있다. 따라서, 단말의 이동성 데이터 및 기계 학습 알고리즘을 통하여, 단말이 이동하였을 확률이 높은 특정 개수의 기지국들에게만 페이징 메시지를 전송함으로써, 페이징 부하를 감소시키는 기술이 설명되었다. AMF 또는 MME로부터 전송되는 페이징 메시지의 개수가 감소된다면, 결과적으로 기지국에서 논리 채널(예를 들어, PCCH(paging control channel)), 전송 채널(예를 들어, PCH(paging channel)), 물리 채널(예를 들어, PDSCH(physical downlink shared channel))을 통해 단말에게 전송되는 RRC 페이징 메시지 개수의 감소를 불러온다. 즉, 본 개시의 다양한 실시 예들에 따르면, 불필요한 페이징 메시지 전송의 개수를 줄임으로써. 서비스 품질을 유지 또는 향상시키는 동시에, 무선 통신 시스템의 운영을 위해 요구되는 유선 자원 및 무선 자원의 효율을 높일 수 있다. 한편, 본 개시는 S-TAL(static tracking area list)를 기반으로 설명되었으나, 기계 학습 알고리즘을 확장하여 D-TAL(dynamic tracking area list)의 경우에도 적용될 수 있을 것이다.
그리고 AI 모델을 통한 시뮬레이션을 통해서 데이터 중첩 방식을 다양화하는 경우, 페이징 성공률 측면에서 보다 좋은 성능이 발휘될 수 있다. 본 개시의 실시예 들에 따라, 단말의 이동성 데이터 및 기계 학습 알고리즘을 통하여 단말이 이동하였을 확률이 높은 특정 개수의 기지국들이 식별될 수 있고, AI 모델을 통한 성능 평가 방법을 통해 데이터 중첩 방식을 달리하여 최적의 페이징 영역이 도출될 수 있다.
전술한 바와 같은 본 개시의 일 실시 예에 따른 무선 통신 시스템에서 네트워크 노드가 페이징 메시지를 송신할 기지국을 식별하는 방법에 있어서, AMF에 등록된 복수의 단말들로부터 상기 복수의 단말들의 이동 빈도에 관련된 이동성 데이터를 수신하는 단계, 이동성 데이터에 기초하여 후보 페이징 영역을 도출하기 위하여 학습된 학습 알고리즘 및 상기 이동성 데이터 중 제1 기간에 대한 이동성 데이터에 기반하여, 제1 후보 페이징 영역을 도출하는 단계, 상기 제1 기간에 대한 테스트 데이터를 이용하여, 상기 도출된 제1 후보 페이징 영역의 신뢰도를 판단하는 단계, 상기 신뢰도에 기반하여, 상기 네트워크 노드로부터 송신되는 페이징 메시지를 수신할 적어도 하나의 기지국을 식별하는 단계, 및 상기 적어도 하나의 기지국에게 상기 페이징 메시지를 송신하는 단계를 포함하며, 상기 제1 기간에 대한 상기 테스트 데이터는, 상기 제1 기간 이후의 상기 복수의 단말들에 관한 이동성 데이터를 포함할 수 있다.
일 실시 예에 따라, 상기 신뢰도가 임의의 임계 값 이상인 경우, 상기 제1 후보 페이징 영역에 포함된 기지국을 상기 적어도 하나의 기지국으로 식별할 수 있다.
일 실시 예에 따라, 상기 신뢰도가 임의의 임계 값보다 작은 경우, 상기 이동성 데이터 중 제2 기간에 대한 이동성 데이터 및 상기 학습 알고리즘에 기반하여, 제2 후보 페이징 영역을 도출하는 단계, 상기 제2 기간에 대한 테스트 데이터를 이용하여, 상기 제2 후보 페이징 영역의 신뢰도를 추가적으로 판단하는 단계, 및 상기 추가적으로 판단된 신뢰도에 기초하여, 상기 적어도 하나의 기지국을 추가로 식별하는 단계를 더 포함하며, 상기 제2 기간에 대한 상기 테스트 데이터는, 상기 제2 기간 이후의 상기 복수의 단말들에 관한 이동성 데이터를 포함할 수 있다.
일 실시 예에 따라, 상기 제1 후보 페이징 영역을 도출하는 단계는, 상기 제1 기간에 대한 이동성 데이터에 기반하여, 상기 TAL에 속한 기지국들 간 상기 복수의 단말들의 이동 확률들을 식별하는 단계, 상기 식별된 이동 확률들에 기반하여 목적 함수(objective function)을 생성하는 단계, 및 상기 목적 함수 및 상기 학습 알고리즘을 이용하여, 상기 제1 후보 페이징 영역을 도출하는 단계를 포함할 수 있다.
일 실시 예에 따라, 상기 제1 기간에 대한 이동성 데이터와 상기 제2 기간에 대한 이동성 데이터는 서로 다른 기간 동안 수집된 이동성 데이터 또는 서로 다른 시간 단위로 수집된 이동성 데이터 중 적어도 하나일 수 있다.
일 실시 예에 따라, 상기 목적 함수는 상기 네트워크 노드가 전송하는 페이징 메시지의 개수에 기초하여 생성될 수 있다.
일 실시 예에 따라, 상기 TAL에 속한 기지국들 간 상기 복수의 단말들의 이동 확률들을 식별하는 단계는, 상기 복수의 단말들로부터 수신한 등록 요청 메시지를, 상기 네트워크 노드로 송신한 기지국을 식별하는 단계, 및 상기 복수의 단말들이 상기 네트워크 노드에 등록된 기지국으로부터 다른 기지국으로 이동할 확률들을 식별하는 단계를 포함하며, 상기 다른 기지국은 상기 TAL에 속한 기지국들 중에서 상기 네트워크 노드에 등록되지 않은 기지국일 수 있다.
일 실시 예에 따라, 상기 네트워크 노드는 AMF 또는 MME일 수 있다.
전술한 바와 같은 본 개시의 일 실시 예에 따른 무선 통신 시스템에서 네트워크 노드에 있어서, 적어도 하나의 송수신기, 및 상기 적어도 하나의 송수신기에 동작 가능하게 결합된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, AMF에 등록된 복수의 단말들로부터 상기 복수의 단말들의 이동 빈도에 관련된 이동성 데이터를 수신하고, 이동성 데이터에 기초하여 후보 페이징 영역을 도출하기 위하여 학습된 학습 알고리즘 및 상기 이동성 데이터 중 제1 기간에 대한 이동성 데이터에 기반하여, 제1 후보 페이징 영역을 도출하고, 상기 제1 기간에 대한 테스트 데이터를 이용하여, 상기 도출된 제1 후보 페이징 영역의 신뢰도를 판단하고, 상기 신뢰도에 기반하여, 상기 네트워크 노드로부터 송신되는 페이징 메시지를 수신할 적어도 하나의 기지국을 식별하고, 및 상기 적어도 하나의 기지국에게 상기 페이징 메시지를 송신하며, 상기 제1 기간에 대한 상기 테스트 데이터는, 상기 제1 기간 이후의 상기 복수의 단말들에 관한 이동성 데이터를 포함할 수 있다.
일 실시 예에 따라, 상기 신뢰도가 임의의 임계 값 이상인 경우, 상기 제1 후보 페이징 영역에 포함된 기지국을 상기 적어도 하나의 기지국으로 식별할 수 있다.
일 실시 예에 따라, 상기 신뢰도가 임의의 임계 값보다 작은 경우, 상기 이동성 데이터 중 제2 기간에 대한 이동성 데이터 및 상기 학습 알고리즘에 기반하여, 제2 후보 페이징 영역을 도출하고, 상기 제2 기간에 대한 테스트 데이터를 이용하여, 상기 제2 후보 페이징 영역의 신뢰도를 추가적으로 판단하고, 상기 추가적으로 판단된 신뢰도에 기초하여, 상기 적어도 하나의 기지국을 추가로 식별하며, 상기 제2 기간에 대한 상기 테스트 데이터는, 상기 제2 기간 이후의 상기 복수의 단말들에 관한 이동성 데이터를 포함할 수 있다.
일 실시 예에 따라, 상기 제1 후보 페이징 영역을 도출하는 단계는, 상기 제1 기간에 대한 이동성 데이터에 기반하여, 상기 TAL에 속한 기지국들 간 상기 복수의 단말들의 이동 확률들을 식별하고, 상기 식별된 이동 확률들에 기반하여 목적 함수을 생성하고, 상기 목적 함수 및 상기 학습 알고리즘을 이용하여, 상기 제1 후보 페이징 영역을 도출할 수 있다.
일 실시 예에 따라, 상기 제1 기간에 대한 이동성 데이터와 상기 제2 기간에 대한 이동성 데이터는 서로 다른 기간 동안 수집된 이동성 데이터 또는 서로 다른 시간 단위로 수집된 이동성 데이터 중 적어도 하나일 수 있다.
일 실시 예에 따라, 상기 목적 함수는 상기 네트워크 노드가 전송하는 페이징 메시지의 개수에 기초하여 생성될 수 있다.
일 실시 예에 따라, 상기 적어도 하나의 프로세서는, 상기 복수의 단말들로부터 수신한 등록 요청 메시지를, 상기 네트워크 노드로 송신한 기지국을 식별하고, 상기 복수의 단말들이 상기 네트워크 노드에 등록된 기지국으로부터 다른 기지국으로 이동할 확률들을 식별하며, 상기 다른 기지국은 상기 TAL에 속한 기지국들 중에서 상기 네트워크 노드에 등록되지 않은 기지국일 수 있다.
일 실시 예에 따라, 상기 네트워크 노드는 AMF 또는 MME일 수 있다.
본 개시에 따른 AI과 관련된 기능은 프로세서와 메모리를 통해 동작된다. 프로세서는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 AI 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 메모리에 저장된 기 정의된 동작 규칙 또는 AI 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 AI 전용 프로세서인 경우, AI 전용 프로세서는, 특정 AI 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.
기 정의된 동작 규칙 또는 AI 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 AI 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 AI 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 AI이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.
본 개시의 청구항 또는 명세서에 기재된 실시 예들에 따른 방법들은 하드웨어, 소프트웨어, 또는 하드웨어와 소프트웨어의 조합의 형태로 구현될(implemented) 수 있다.
소프트웨어로 구현하는 경우, 하나 이상의 프로그램(소프트웨어 모듈)을 저장하는 컴퓨터 판독 가능 저장 매체가 제공될 수 있다. 컴퓨터 판독 가능 저장 매체에 저장되는 하나 이상의 프로그램은, 전자 장치(device) 내의 하나 이상의 프로세서에 의해 실행 가능하도록 구성된다(configured for execution). 하나 이상의 프로그램은, 전자 장치로 하여금 본 개시의 청구항 또는 명세서에 기재된 실시 예들에 따른 방법들을 실행하게 하는 명령어(instructions)를 포함한다.
이러한 프로그램(소프트웨어 모듈, 소프트웨어)은 랜덤 액세스 메모리 (random access memory), 플래시(flash) 메모리를 포함하는 불휘발성(non-volatile) 메모리, 롬(read only memory, ROM), 전기적 삭제가능 프로그램가능 롬(electrically erasable programmable read only memory, EEPROM), 자기 디스크 저장 장치(magnetic disc storage device), 컴팩트 디스크 롬(compact disc-ROM, CD-ROM), 디지털 다목적 디스크(digital versatile discs, DVDs) 또는 다른 형태의 광학 저장 장치, 마그네틱 카세트(magnetic cassette)에 저장될 수 있다. 또는, 이들의 일부 또는 전부의 조합으로 구성된 메모리에 저장될 수 있다. 또한, 각각의 구성 메모리는 다수 개 포함될 수도 있다.
또한, 프로그램은 인터넷(Internet), 인트라넷(Intranet), LAN(local area network), WAN(wide area network), 또는 SAN(storage area network)과 같은 통신 네트워크, 또는 이들의 조합으로 구성된 통신 네트워크를 통하여 접근(access)할 수 있는 부착 가능한(attachable) 저장 장치(storage device)에 저장될 수 있다. 이러한 저장 장치는 외부 포트를 통하여 본 개시의 실시 예를 수행하는 장치에 접속할 수 있다. 또한, 통신 네트워크상의 별도의 저장장치가 본 개시의 실시 예를 수행하는 장치에 접속할 수도 있다.
전술한 본 개시의 구체적인 실시 예들에서, 개시에 포함되는 구성 요소는 제시된 구체적인 실시 예에 따라 단수 또는 복수로 표현되었다. 그러나, 단수 또는 복수의 표현은 설명의 편의를 위해 제시한 상황에 적합하게 선택된 것으로서, 본 개시가 단수 또는 복수의 구성 요소에 제한되는 것은 아니며, 복수로 표현된 구성 요소라 하더라도 단수로 구성되거나, 단수로 표현된 구성 요소라 하더라도 복수로 구성될 수 있다.
한편 본 개시의 상세한 설명에서는 구체적인 실시 예에 관해 설명하였으나, 본 개시의 범위에서 벗어나지 않는 한도 내에서 여러 가지 변형이 가능함은 물론이다. 그러므로 본 개시의 범위는 설명된 실시 예에 국한되어 정해져서는 아니 되며 후술하는 특허청구의 범위뿐만 아니라 이 특허청구의 범위와 균등한 것들에 의해 정해져야 한다.

Claims (15)

  1. 무선 통신 시스템에서 네트워크 노드(network node)가 페이징 메시지를 송신할 기지국을 식별하는 방법에 있어서,
    AMF(access and mobility management function)에 등록된 복수의 단말들로부터 상기 복수의 단말들의 이동 빈도에 관련된 이동성 데이터를 수신하는 동작;
    이동성 데이터에 기초하여 후보 페이징 영역을 도출하기 위하여 학습된 학습 알고리즘 및 상기 이동성 데이터 중 제1 기간에 대한 이동성 데이터에 기반하여, 제1 후보 페이징 영역을 도출하는 동작;
    상기 제1 기간에 대한 테스트 데이터를 이용하여, 상기 도출된 제1 후보 페이징 영역의 신뢰도를 판단하는 동작;
    상기 신뢰도에 기반하여, 상기 네트워크 노드로부터 송신되는 페이징 메시지를 수신할 적어도 하나의 기지국을 식별하는 동작; 및
    상기 적어도 하나의 기지국에게 상기 페이징 메시지를 송신하는 동작을 포함하며,
    상기 제1 기간에 대한 상기 테스트 데이터는, 상기 제1 기간 이후의 상기 복수의 단말들에 관한 이동성 데이터를 포함하는, 방법.
  2. 청구항 1에 있어서,
    상기 신뢰도가 임의의 임계 값 이상인 경우, 상기 제1 후보 페이징 영역에 포함된 기지국을 상기 적어도 하나의 기지국으로 식별하는, 방법.
  3. 청구항 1에 있어서,
    상기 신뢰도가 임의의 임계 값보다 작은 경우, 상기 이동성 데이터 중 제2 기간에 대한 이동성 데이터 및 상기 학습 알고리즘에 기반하여, 제2 후보 페이징 영역을 도출하는 동작;
    상기 제2 기간에 대한 테스트 데이터를 이용하여, 상기 제2 후보 페이징 영역의 신뢰도를 추가적으로 판단하는 동작; 및
    상기 추가적으로 판단된 신뢰도에 기초하여, 상기 적어도 하나의 기지국을 추가로 식별하는 동작을 더 포함하며,
    상기 제2 기간에 대한 상기 테스트 데이터는, 상기 제2 기간 이후의 상기 복수의 단말들에 관한 이동성 데이터를 포함하는, 방법.
  4. 청구항 1에 있어서,
    상기 제1 후보 페이징 영역을 도출하는 동작은,
    상기 제1 기간에 대한 이동성 데이터에 기반하여, TAL(tracking area list)에 속한 기지국들 간 상기 복수의 단말들의 이동 확률들을 식별하는 동작;
    상기 식별된 이동 확률들에 기반하여 목적 함수(objective function)을 생성하는 동작; 및
    상기 목적 함수 및 상기 학습 알고리즘을 이용하여, 상기 제1 후보 페이징 영역을 도출하는 동작을 포함하는, 방법.
  5. 청구항 3에 있어서,
    상기 제1 기간에 대한 이동성 데이터와 상기 제2 기간에 대한 이동성 데이터는 서로 다른 기간 동안 수집된 이동성 데이터 또는 서로 다른 시간 단위로 수집된 이동성 데이터 중 적어도 하나인, 방법.
  6. 청구항 4에 있어서,
    상기 목적 함수는 상기 네트워크 노드가 전송하는 페이징 메시지의 개수에 기초하여 생성되는, 방법.
  7. 청구항 4에 있어서,
    상기 TAL에 속한 기지국들 간 상기 복수의 단말들의 이동 확률들을 식별하는 동작은,
    상기 복수의 단말들로부터 수신한 등록 요청 메시지를, 상기 네트워크 노드로 송신한 기지국을 식별하는 동작; 및
    상기 복수의 단말들이 상기 네트워크 노드에 등록된 기지국으로부터 다른 기지국으로 이동할 확률들을 식별하는 동작을 포함하며,
    상기 다른 기지국은 상기 TAL에 속한 기지국들 중에서 상기 네트워크 노드에 등록되지 않은 기지국인, 방법.
  8. 청구항 1에 있어서,
    상기 네트워크 노드는 AMF(access and mobility management function) 엔티티 또는 MME(mobility management entity)인, 방법.
  9. 네트워크 노드(network node)에 있어서,
    송수신기; 및
    상기 송수신기에 결합된 적어도 하나의 프로세서를 포함하고,
    상기 적어도 하나의 프로세서는,
    AMF(access and mobility management function)에 등록된 복수의 단말들로부터 상기 복수의 단말들의 이동 빈도에 관련된 이동성 데이터를 수신하고,
    이동성 데이터에 기초하여 후보 페이징 영역을 도출하기 위하여 학습된 학습 알고리즘 및 상기 이동성 데이터 중 제1 기간에 대한 이동성 데이터에 기반하여, 제1 후보 페이징 영역을 도출하고,
    상기 제1 기간에 대한 테스트 데이터를 이용하여, 상기 도출된 제1 후보 페이징 영역의 신뢰도를 판단하고,
    상기 신뢰도에 기반하여, 상기 네트워크 노드로부터 송신되는 페이징 메시지를 수신할 적어도 하나의 기지국을 식별하고,
    상기 적어도 하나의 기지국에게 상기 페이징 메시지를 송신하며,
    상기 제1 기간에 대한 상기 테스트 데이터는, 상기 제1 기간 이후의 상기 복수의 단말들에 관한 이동성 데이터를 포함하는, 장치.
  10. 청구항 9에 있어서,
    상기 신뢰도가 임의의 임계 값 이상인 경우, 상기 제1 후보 페이징 영역에 포함된 기지국을 상기 적어도 하나의 기지국으로 식별하는, 장치.
  11. 청구항 9에 있어서,
    상기 신뢰도가 임의의 임계 값보다 작은 경우, 상기 이동성 데이터 중 제2 기간에 대한 이동성 데이터 및 상기 학습 알고리즘에 기반하여, 제2 후보 페이징 영역을 도출하고,
    상기 제2 기간에 대한 테스트 데이터를 이용하여, 상기 제2 후보 페이징 영역의 신뢰도를 추가적으로 판단하고,
    상기 추가적으로 판단된 신뢰도에 기초하여, 상기 적어도 하나의 기지국을 추가로 식별하며,
    상기 제2 기간에 대한 상기 테스트 데이터는, 상기 제2 기간 이후의 상기 복수의 단말들에 관한 이동성 데이터를 포함하는, 장치.
  12. 청구항 9에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 제1 기간에 대한 이동성 데이터에 기반하여, TAL(tracking area list)에 속한 기지국들 간 상기 복수의 단말들의 이동 확률들을 식별하고,
    상기 식별된 이동 확률들에 기반하여 목적 함수(objective function)을 생성하고,
    상기 목적 함수 및 상기 학습 알고리즘을 이용하여, 상기 제1 후보 페이징 영역을 도출하는, 장치.
  13. 청구항 11에 있어서,
    상기 제1 기간에 대한 이동성 데이터와 상기 제2 기간에 대한 이동성 데이터는 서로 다른 기간 동안 수집된 이동성 데이터 또는 서로 다른 시간 단위로 수집된 이동성 데이터 중 적어도 하나인, 장치.
  14. 청구항 12에 있어서,
    상기 목적 함수는 상기 네트워크 노드가 전송하는 페이징 메시지의 개수에 기초하여 생성되는, 장치.
  15. 청구항 12에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 복수의 단말들로부터 수신한 등록 요청 메시지를, 상기 네트워크 노드로 송신한 기지국을 식별하고,
    상기 복수의 단말들이 상기 네트워크 노드에 등록된 기지국으로부터 다른 기지국으로 이동할 확률들을 식별하며,
    상기 다른 기지국은 상기 TAL에 속한 기지국들 중에서 상기 네트워크 노드에 등록되지 않은 기지국이며,
    상기 네트워크 노드는 AMF(access and mobility management function) 엔티티 또는 MME(mobility management entity)인, 장치.
PCT/KR2023/016744 2022-11-07 2023-10-26 무선 통신 시스템에서 페이징 절차를 위한 방법 및 장치 Ceased WO2024101729A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP23888991.9A EP4601371A4 (en) 2022-11-07 2023-10-26 METHOD AND APPARATUS FOR A RADIO MESSAGING PROCEDURE IN A WIRELESS COMMUNICATION SYSTEM
US19/192,988 US20250261166A1 (en) 2022-11-07 2025-04-29 Method and apparatus for paging procedure in a wireless communication system

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR20220147255 2022-11-07
KR10-2022-0147255 2022-11-07
KR1020220156597A KR20240066020A (ko) 2022-11-07 2022-11-21 무선 통신 시스템에서 페이징 절차를 위한 방법 및 장치
KR10-2022-0156597 2022-11-21

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US19/192,988 Continuation US20250261166A1 (en) 2022-11-07 2025-04-29 Method and apparatus for paging procedure in a wireless communication system

Publications (1)

Publication Number Publication Date
WO2024101729A1 true WO2024101729A1 (ko) 2024-05-16

Family

ID=91032800

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/016744 Ceased WO2024101729A1 (ko) 2022-11-07 2023-10-26 무선 통신 시스템에서 페이징 절차를 위한 방법 및 장치

Country Status (3)

Country Link
US (1) US20250261166A1 (ko)
EP (1) EP4601371A4 (ko)
WO (1) WO2024101729A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20250317896A1 (en) * 2024-04-03 2025-10-09 Verizon Patent And Licensing Inc. Systems and methods for adaptive paging

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8565795B2 (en) * 2008-09-28 2013-10-22 Huawei Technologies Co., Ltd. Method and apparatus for allocating paging areas
KR20220033384A (ko) * 2020-09-09 2022-03-16 삼성전자주식회사 무선 통신 시스템에서 페이징 부하를 감소시키기 위한 방법 및 장치
KR102405484B1 (ko) * 2019-12-04 2022-06-03 세종대학교산학협력단 시계열 분석 간편화를 위한 자동화된 딥러닝 스튜디오
KR102408756B1 (ko) * 2019-03-18 2022-06-15 미쓰비시덴키 가부시키가이샤 이상 검지 장치 및 이상 검지 방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10070412B1 (en) * 2017-04-20 2018-09-04 At&T Intellectual Property I, L.P. Paging based on individual user mobility patterns
CN110505688B (zh) * 2018-05-18 2022-04-29 中国移动通信有限公司研究院 寻呼方法、装置、系统、网络设备及存储介质
WO2021190768A1 (en) * 2020-03-27 2021-09-30 Telefonaktiebolaget Lm Ericsson (Publ) Methods, apparatus and machine-readable media relating to paging in a communications network

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8565795B2 (en) * 2008-09-28 2013-10-22 Huawei Technologies Co., Ltd. Method and apparatus for allocating paging areas
KR102408756B1 (ko) * 2019-03-18 2022-06-15 미쓰비시덴키 가부시키가이샤 이상 검지 장치 및 이상 검지 방법
KR102405484B1 (ko) * 2019-12-04 2022-06-03 세종대학교산학협력단 시계열 분석 간편화를 위한 자동화된 딥러닝 스튜디오
KR20220033384A (ko) * 2020-09-09 2022-03-16 삼성전자주식회사 무선 통신 시스템에서 페이징 부하를 감소시키기 위한 방법 및 장치

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"3rd Generation Partnership Project; Technical Specification Group Services and System Aspects; Study of Enablers for Network Automation for 5G 5G System (5GS); Phase 3 (Release 18)", 3GPP STANDARD; TECHNICAL REPORT; 3GPP TR 23.700-81, 3RD GENERATION PARTNERSHIP PROJECT (3GPP), MOBILE COMPETENCE CENTRE ; 650, ROUTE DES LUCIOLES ; F-06921 SOPHIA-ANTIPOLIS CEDEX ; FRANCE, no. V0.4.0, 6 September 2022 (2022-09-06), Mobile Competence Centre ; 650, route des Lucioles ; F-06921 Sophia-Antipolis Cedex ; France, pages 1 - 257, XP052210688 *
See also references of EP4601371A4 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20250317896A1 (en) * 2024-04-03 2025-10-09 Verizon Patent And Licensing Inc. Systems and methods for adaptive paging

Also Published As

Publication number Publication date
EP4601371A1 (en) 2025-08-13
EP4601371A4 (en) 2025-12-24
US20250261166A1 (en) 2025-08-14

Similar Documents

Publication Publication Date Title
WO2023277454A1 (en) Method and apparatus for channel environment classification in wireless network system
WO2021194323A1 (ko) 무선 통신 시스템에서 단말 정책 적용에 따른 세션 관리 방법
WO2020060143A1 (ko) 무선 통신 시스템에서 전송 전력을 제어하는 방법 및 장치
WO2022060186A1 (ko) 무선 통신 시스템에서 프론트홀 전송을 위한 장치 및 방법
EP3213424A1 (en) Method and apparatus for multiuser beamforming in wireless communication systems
WO2024096355A1 (en) Method and device for reporting csi based on ai model in wireless communication system
WO2022025382A1 (en) Method and apparatus for doppler pre-compensation
WO2016068521A1 (en) Method and apparatus for multiuser beamforming in wireless communication systems
WO2021230570A1 (en) Methods and apparatus for network load balancing optimization
WO2019124957A1 (en) Apparatus and method for measurement configuration in wireless communication system
WO2023008979A1 (en) A system and method for communication load balancing in unseen traffic scenarios
WO2022080935A1 (ko) 무선 통신 시스템에서 하이브리드 빔포밍 통신을 수행하는 방법 및 장치
WO2019172683A1 (ko) 무선 통신 시스템에서 시스템 정보를 획득하기 위한 장치 및 방법
WO2024101729A1 (ko) 무선 통신 시스템에서 페이징 절차를 위한 방법 및 장치
WO2019039886A1 (ko) 무선 통신 시스템에서 대역을 공유하기 위한 장치 및 방법
WO2010016714A2 (ko) 무선 통신 시스템에서 인접 셀 간섭을 제거하기 위한 장치 및 그 방법
WO2023177240A1 (en) Method and apparatus for an srs procedure
EP4150956A1 (en) Apparatus and method for load balancing in wireless communication system
WO2024072121A1 (ko) 무선 통신 시스템에서 상향링크 신호의 동기화를 지원하기 위한 방법 및 장치
WO2023013854A1 (en) Method and apparatus of beam management with measurement aging
WO2020076056A1 (ko) 트래픽 오프로딩을 제어하기 위한 장치 및 방법
WO2025100829A1 (en) Method and apparatus for a diffusion model based on a wireless channel estimation
WO2023008956A1 (en) Method and apparatus for providing uplink signal-based location service
WO2024155156A1 (ko) 무선 통신 시스템에서 성능 정보의 송수신을 위한 방법 및 장치
WO2020055137A1 (ko) 무선 통신 시스템에서 데이터를 송수신하는 방법 및 장치

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23888991

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023888991

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2023888991

Country of ref document: EP

Effective date: 20250506

NENP Non-entry into the national phase

Ref country code: DE

WWP Wipo information: published in national office

Ref document number: 2023888991

Country of ref document: EP