Ⅰ. 서 론

최근 스마트폰과 태블릿 PC가 널리 보급되면서, 차량, 버스, 전철, 기차 등 이동하는 모든 환경에서 무선 인터넷 서비스를 제공받는 것이 가능해졌다. 무선 인터넷 사업자들은 도심에서의 서비스 품질을 향상시키기 위해 cell 크기를 줄이는 한편, cell을 중 첩하여 배치하는 경향을 보인다. 그로 인하여 다수 의 hot spot, microcell 들이 도심에 설치되어 있으며, 전철이나 기차와 같은 대형 운송수단에는 이동 릴 레이 (Mobile Relay Station)를 설치하기도 한다. 이 와 같이 작고 중첩된 cell 환경에서는 핸드오버가 빈번하게 발생하여 서비스 품질이 저하된다. 특히, 고속으로 이동하거나, cell 크기가 작은 도심 환경을 이동하는 차량 환경에서는 cell 체류시간 (cell dwell time)이 수 초에 불과하여 만족스런 서비스를 이용 자에게 제공하기 어렵다.

현재의 무선 인터넷 망에 적용되어 있는 핸드오버 기법은 신호의 세기를 기반으로 핸드오버가 가능한 인접 셀 목록을 관리하며, 서빙 기지국의 신호의 세 기가 정해진 임계값 이하로 떨어지면 핸드오버 절 차를 수행한다. 이 때, 차량 환경에서는 다음과 같 은 요소들이 고려되어야 한다.

핸드오버는 서비스 품질 저하와 시그널링 오버 헤드를 유발하므로, 핸드오버 빈도를 줄이는 것이 중요하다. 핸드오버 시그널링 오버헤드를 줄이기 위해, 기존의 위치추정 기법을 핸드오버에 적용하는 연구들이 수행되었다[1-4]. 관련연구 [1]에서는 MN (Mobile Node)의 이동궤적을 이용하여 목적지 cell을 예측하여 핸드오버를 수행한다. 관련연구 [2]에서는 MN의 순간적인 궤도 추적과 cell geometry, 그리고 MN의 전체적인 이동패턴을 이용하는 HLP(Hierarchical location prediction) 알고리듬을 이용하여 목적지 기 지국을 예측하고 핸드오버를 수행한다. 이로 인하여 MN에서 끊임없는 서비스를 제공할 수 있는 확률을 높여줄 수 있다. 관련연구 [3]에서는 MCAS(Motion classification assisted strategy)를 이용하여 MN의 지 리적 위치와 이동속도를 구해낸다. 이를 이용하여 MN의 이동 시나리오를 예측하고 목적지 셀을 결정 한 뒤 핸드오버를 수행한다. 이로 인하여 핸드오버 지연시간과 패킷 손실을 줄일 수 있다. 관련연구 [4]에서는 셀 마다 이동 단말의 과거 셀과 목적지 셀의 위치를 수집하여 Mobility Pattern Table을 생성 한다. 향후 다른 MN가 핸드오버를 위한 스캐닝을 수행할 때 cell에서 생성된 Mobility Pattern Table을 이용하여 인접셀들 중에서 선별적인 스캐닝을 수행 한다. 이로 인하여 핸드오버를 위한 스캐닝 시간을 단축시킬 수 있고, 패킷 손실을 줄여줄 수 있다. 이 연구들을 이용하면, 인접 기지국으로의 스캐닝을 줄일 수 있으며, 예측 결과가 타당한 경우, Target cell로 정확히 핸드오버 할 수 있는 장점이 있다. 하 지만 예측을 위한 계산량이 많거나, 알고리듬이 복 잡하여 실제로 적용하는데 어려움이 있다.

최근 historical data를 핸드오버에 활용하는 연구가 진행되었다[5-6]. 관련연구 [5]에서는 계산 오버헤드 를 줄이기 위하여 이동방향에 따른 MN의 미래 위치 를 구분하는 zone 개념을 도입하였다. L차 Markov predictor를 이용하여 MN의 서비스 요구성을 예측 하고, historical records, 차량의 경로정보와 이동 방 향 및 속도, cell의 체류 시간을 이용하여 MN가 핸 드오버를 수행할 cell을 예측한다. 관련연구 [6]에서 는 MN가 출발지점의 cell에서 도착지점의 cell까지 이동하는 동안의 총 가중치가 최대가 되도록 하는 cell들로 핸드오버를 수행하는 Maximum Total Weight (MTW) 방법과, 단계적인 가중치가 최대인 cell로 핸드오버를 수행하는 Step-by-Step Maximum Weight (SSMW) 방법을 제안하였다. 미시적인 관점에서는 차량의 이동 속도와 방향, 그리고 GIS 정보를 이용 하여 예상되는 목적지 셀로 핸드오버를 결정하며, 거시적인 관점에서는 차량의 이동 속성을 지속적으 로 학습하여, 학습 결과를 토대로 목적지 셀을 예측 하게 된다. 미시적인 이동만을 고려한 방식은 시 외 곽지역에는 잘 적용될 수 있지만, 교차로가 많은 도 심에는 적용하기 어렵다. 거시적인 관점은 방대한 양의 trace data들로부터 이동하는 차량의 목적지 기 지국을 예측하며, 지속적으로 학습데이터를 업데이 트한다. 후자는 계산량이 많거나, 알고리듬이 복잡 하여 차량 환경에 적용하기 어려운 단점이 있다. 참 고문헌 [7]에서는 trace data들로부터 통계적인 이동 모델을 생성 연구를 수행하였다.

본 논문에서는 차량의 이동 경로를 지속적으로 학습하여 Mobility Behavior Profile (MBP)을 작성하고, 이를 토대로 차량의 핸드오버 과정을 Discrete-Time Markov Chain (DTMC)으로 모델링 한다. DTMC 모 델을 기반으로 셀 경계에서 이동 가능성이 높은 목 적지 셀로 핸드오버를 수행함으로써, 불필요한 인 접 cell 스캐닝 절차나 핸드오버 절차를 제거할 수 있다. 아울러 MBP에 의해 결정된 목적지 셀이 충 분한 수준의 신호의 세기를 제공하는지와 지나치게 짧게 체류하는 셀이 아닌지를 확인하기 위하여, 인 공지능 기법인 AdaBoost 기법을 도입하였다. 본 논 문에서는 차량 별로 MBP를 유지한다.

본 논문의 구성은 다음과 같다. 2장에서는 제안하는 핸드오버 기법에 대해서 설명을 하고 3장에서는 실험을 통한 성능분석을 수행하고, 4장에서는 결론을 맺는다.

Ⅱ. 제안하는 핸드오버 기법

본 논문에서는 핸드오버 발생시 셀 천이과정에 대한 데이터를 학습하여 차량별로 MBP를 생성하 고, 이를 토대로 핸드오버 과정을 DTMC로 모델링 한다. DTMC에 기반하여, 핸드오버를 생략하고 직 접 다음 단계의 셀로 접속이 가능한지 확인하며, 생 략이 불가능한 경우, DTMC 이동 패턴 모델에 기반 하여 핸드오버를 수행한다.

1. 제안하는 핸드오버 기법

본 논문에서 제안하는 핸드오버 기법은 크게 세단 계로 나누어 볼 수 있다. 첫 번째 단계는, MBP를 생 성하는 단계이다. 이 단계에서는 차량이 기존 핸드오 버 방식으로 핸드오버를 수행하면서 핸드오버 기록 을 Handover Records Matrix (HRM) Q에 저장한다.

Q가 존재하지 않는 경우 Q의 모든 인자는 0으로 설정하여 생성하고, 차량이 현재 셀 i에서 목적지 셀 j로 핸드오버를 수행하면 q_ij값을 1 증가시킨다. 아울러, 핸드오버를 수행할 때, 차량이 이전 셀에서 의 체류시간과 평균 신호의 세기를 MBP에 어트리 뷰트로 저장한다. 본 논문에서는 어트리뷰트들에 대 한 설명은 생략한다.

두 번째 단계는, DTMC의 천이확률 행렬을 생성 하는 단계이다. 이전 단계에서 얻어낸 Q를 이용하 여 DTMC의 1차천이 확률 행렬 P와 2차천이 확률 행렬 P²을 생성한다. P는 식 (2)로 표현할 수 있다.

여기서, 각 행의 합은 1이어야 하며, p_ij는 셀 i에서 셀 j로 핸드오버할 확률이므로 아래를 만족시킨다.

2차 천이확률 P²은 차량이 셀 i에서 2차례 핸드오 버를 수행했을 때 차량이 위치할 셀의 확률을 나 타내며, P² = P ⋅ P 으로 쉽게 얻어낼 수 있다. P²은 식 (4)로 표현할 수 있다.

마찬가지로, ∑ j r i j = 1 , 0 ≤ r i j ≤ 1 을 만족시킨다.

세 번째 단계는, 1차천이 확률 행렬 P와 2차천이 확률 행렬 P²을 이용하여 핸드오버를 수행하는 단 계이다. 핸드오버 수행은 제안한 알고리듬 1을 따른 다. 차량과 현재 셀 i간의 신호의 세기 α_i(t)가 핸드 오버 임계치 이하로 떨어지는 경우, P²을 이용하여 목적지 셀을 결정한다. P²을 이용하여 목적지 셀을 결정하는 과정은 10~14줄과 같다. 인접 셀 중 r_ij가 가장 큰 cell j를 선택한다. 선택된 cell j의 신호의 세기 α_j(t)가 임계치보다 크고, 선택된 cell j와 현재 셀 i간의 신호 세기 차이가 히스테리시스 마진보다 크다면 셀 j를 목적지 셀로 결정한다.

우선적으로 P²을 이용하여 Target cell을 결정하는 이유는 다음과 같다. 기존 핸드오버 기법은 MN의 이동은 전혀 고려하지 않고, 오직 신호의 세기만을 이용하여 목적지 셀을 선택하게 된다. 시 외곽 지역의 경우에는 큰 문제가 없겠지만, 도심에서는 차량의 이동궤적에 따라서 최적의 목적지 셀이 존재함에도 불구하고, 신호의 세기가 큰 셀로 핸드오버를 수행 하여 목적지 셀에 짧은 시간만 체류하고 다시 최적 의 셀로 핸드오버를 수행하는 경우가 발생한다. 이 러한 경우에는 불필요하게 핸드오버의 수행횟수가 증가하고, 서비스의 품질을 저하되는 문제점이 발 생한다. 이런 문제점을 해결하기 위해서는 핸드오 버가 불필요한 셀을 건너 뛰어 직접 그 다음에 위 치할 셀로 핸드오버를 수행한다.

만약 P²을 이용하여 목적지 셀을 결정하지 못한 경우는 P를 이용하여 목적지 셀을 결정하고, 그 과 정은 17~22줄과 같다. 인접 셀들 중 p_ij가 가장 큰 셀 j를 선택한다. 선택된 셀 j의 신호의 세기 α_j(t) 가 임계치보다 크고, 선택된 셀 j와 현재 셀 i간의 신호 의 차이가 히스테리시스 마진보다 크다면 셀 j를 목 적지 셀로 결정한다.

만약 P를 이용하여도 목적지 셀을 결정하지 못할 경우는 기존 핸드오버 기법을 이용하여 목적지 셀 을 결정하고, 그 과정은 24~29줄과 같다. 인접 셀들 중 가장 큰 신호의 세기를 갖는 셀 j를 목적지 셀로 결정한다. P을 이용하여 목적지 셀을 결정하지 못 했다는 것은 차량이 평소의 이동궤적이 아닌 새로 운 이동궤적으로 이동을 하고 있다는 의미다. 이런 경우에는 새로운 이동궤적을 이동할 때의 핸드오버 정보들의 학습이 필요하기 때문에, 기존 핸드오버 기법을 이용하여 Target cell을 결정한다. 차량이 핸 드오버를 수행하면, 행렬 Q, P, P²을 갱신한다.

2. P²을 이용한 핸드오버의 타당성 검증

P²을 이용하여 핸드오버를 수행하는 경우, 핸드 오버 수행횟수를 감소시키면서 서비스 품질을 향상 시킬 수 있다. 하지만 <그림 1>과 같은 경우처럼 오 히려 핸드오버 수행횟수를 증가시키거나, 서비스 품 질을 저하시키는 결과를 초래할 가능성도 존재한다.

차량은 P²을 이용하여 셀 1에서 2로 핸드오버를 수행한다. 하지만 곧 차량이 셀 2의 커버리지는 벗 어나 다시 셀 3로 핸드오버를 수행하게 된다. 이처 럼 P²을 이용하여 핸드오버를 수행하는 경우, 핸드 오버를 수행한 셀의 중간에 벗어나 셀 체류 시간이 짧거나, 평균 신호의 세기가 P나 기존 핸드오버 기 반으로 선택된 셀보다 낮은 경우가 존재할 수 있다. 이와 같은 성능을 저하시키는 P²을 이용한 핸드오 버를 방지하기 위하여 AI 기법의 일종인 AdaBoost 기법을 이용하여 P²을 이용한 핸드오버의 타당성을 검증한다. 이 과정은 데이터 마이닝을 통하여, 레코 드의 클래스를 구분하고, AdaBoost를 이용한 P²을 이용한 핸드오버의 타당성을 검증하는 2가지의 단 계로 수행된다. 본 논문에서는 분량의 제한으로 인 해 구체적인 설명은 생략하며, AdaBoost 기법에 대 해서만 간략히 서술한다.

AdaBoost 기법을 이용하여 P²을 이용한 핸드오버 가 그 외의 핸드오버보다 목적지 셀에서 더 좋은 품질의 서비스를 공급 받았는지 검사한다. 알고리듬 2를 수행하면, Final classifier가 생성이 되고, vertical line, horizontal line 성분을 모두 갖고 있는 경우에는 P²을 이용한 핸드오버가 충분한 체류시간과 평균 신호의 세기가 다른 방식의 핸드오버보다 우수함을 알 수 있다.

Ⅲ. 실험 및 성능분석

차량을 실제 서울 버스노선과 동일하게 이동하는 경우를 가정하여, 이동성 관리 기법의 성능을 비교 한다. <그림 2>에와 같이, 순환버스 03, 지선버스 1124, 4426, 6654, 총 4개의 버스노선이 이용된다. 신호의 세기 (RSSI) 값은 Cost 231 Hata propagation model을 이용하여 추출하였다.

<그림 2>의 점들은 버스 정류장을 의미하고, 차량 은 각 정류장 사이를 9-45km/h의 속도로 이동한다. 성능 분석을 위해 기지국 간격을 300m - 700m로 변 경해 가면서 총 핸드오버 발생 횟수와 평균 처리율 을 관찰하였다. <그림 3, 4>에 기지국 간격에 따른 평균 핸드오버의 횟수와 처리율이 나타나 있다. 실 험에서는 기지국의 송신 전력은 기지국 간격과 무 관하계 일정하다고 가정하였다. 기지국 간격이 멀어 질수록 셀들의 숫자가 줄어들며, 따라서 핸드오버의 빈도도 감소하는 것을 확인할 수 있다. 또한 중첩된 셀 영역이 줄어들어 간격이 700미터에서는 기존 방 식과 제안 방식의 성능이 동일함을 확인할 수 있었 다. 기지국 간격이 짧아질수록 인접 기지국의 숫자 가 늘어나며, P²을 이용한 핸드오버를 통한 성능 향 상이 가능하다. 따라서 제안한 방식은 셀들이 서로 중첩되어 있는 도심환경에 적합함을 알 수 있다.

평균 처리율의 경우, 기지국 간격이 좁아질수록 제안 방식이 높음을 확인할 수 있으며, 이는 자주가 는 경로에 적합한 기지국으로 핸드오버를 하여, 평 균 신호의 세기가 높았기 때문이다.

<그림 5>와 같이 경로 준수율을 변화시켜가며 평 균 핸드오버의 횟수를 관찰하였다. 경로 준수율은 정류장의 정차 여부로 측정하였으며, 10개의 정류 장 중 1개의 정류장을 패스하면 90%의 경로준수율 로 가정하였다. <그림 5>에서 보듯이 경로 준수율 이 높을수록 제안 방안의 성능 향상이 높음을 확인 할 수 있었으며, 이는 학습한 대로 움직였을 때, 가 장 성능 향상이 두드러짐을 보여주는 것이다.

Ⅳ. 결 론

본 논문에서는 규칙적인 이동 경로를 갖는 차량 의 이동 패턴을 학습하여 핸드오버 제어를 수행함 으로서 핸드오버 빈도를 줄이고, 체류 시간이 매우 짧거나 이동 가능성이 낮은 셀로의 핸드오버를 방 지하는 연구를 수행하였다. 이를 위해, 차량의 이동 패턴을 Markov Chain으로 모델링하였으며, 각 셀에 서의 체류시간과 평균 신호의 세기를 관찰하여 핸 드오버 제어에 이용하였다. 제안한 이동성 관리 기 법의 검증을 위해 4개의 서울 시내버스 노선에 대 해 적용하였으며, 실험 결과 제안 기법이 기존의 핸 드오버 기법보다 핸드오버 빈도를 줄일 수 있으며, 버스 왕복 구간 동안의 평균 처리율이 더 높음을 확인할 수 있었다.