Ⅰ. 서 론

현재의 무선 인터넷 망에 적용되어 있는 핸드오 버 기법은 신호의 세기를 기반으로 핸드오버 가능 한 인접 셀 목록을 관리하며, 서빙 기지국의 신호의 세기가 정해진 임계값 이하로 떨어지면 핸드오버 절차를 수행한다. 이 때, 차량 환경에서는 다음과 같은 요소들이 고려되어야 한다.

차량 환경에 적합한 핸드오버 기술들은 크게 거 시적인 관점과 미시적인 관점으로 분류할 수 있다. 미시적인 차량의 움직임을 고려한 핸드오버 기술들 은 주로, 차량의 속도 [1], 방향 [2], 신호의 세기 [3-7]의 변화들을 관찰하여 이를 도로들의 배치 현 황을 고려하여 목적지 셀들을 정하는 방식이다. 이 러한 방식들은 차량의 과거 움직임이 크게 변화하 지 않는 교외나 고속도로 환경에 적합하지만, 교차 로나 신호등이 많은 도시 환경에는 적합하지 않다. 반면, 거시적인 접근 방법 [8-10]은 차량의 이동 패 턴을 지속적으로 관찰한 후, 데이터마이닝 기술을 활용하여 적절한 목적지 셀을 정한다. 이 기술은 방 대한 양의 트레이스 데이터가 필요하며, 이들을 분 석할 수 있는 분석 기술이 필요하여 계산 복잡도가 매우 높아질 수 있는 단점이 있다.

본 논문에서는 차량의 이동 경로를 지속적으로 학습하여 Mobility Behavior Profile (MBP)을 작성하 고, 이를 토대로 차량의 핸드오버 과정을 Discrete-Time Markov Chain (DTMC)으로 모델링 한 다. DTMC 모델을 기반으로 셀 경계에서 이동 가능 성이 높은 목적지 셀로 핸드오버를 수행함으로써, 불필요한 인접 cell 스캐닝 절차나 핸드오버 절차를 제거할 수 있다. 아울러 MBP에 의해 결정된 목적 지 셀이 충분한 수준의 신호의 세기를 제공하는지 와 지나치게 짧게 체류하는 셀이 아닌지를 확인하 기 위하여, 기계학습 기법인 AdaBoost 기법을 도입 하였다. 본 논문에서는 차량 별로 MBP를 유지한다.

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

Ⅱ. 차량 이동성 관리 기술

제안 기술은 차량 환경에서 핸드오버 발생시 셀 천이과정에 대한 데이터를 학습하여 차량별로 MBP 를 생성하고, 이를 토대로 핸드오버 과정을 DTMC 로 모델링한다. 이후, AdaBoost 기법을 통해, DTMC 모델에 의해 선택된 셀이 충분한 체류시간과 신호 의 세기를 보장할 수 있는지 검증한다.

1. MBP 생성

초기에는 Training data가 존재하지 않기 때문에 기존 핸드오버 기법으로 핸드오버를 수행하면서 핸 드오버 정보들을 학습하여 MBP를 생성한다. 알고 리듬 1은 기존 핸드오버 기법으로 핸드오버를 수행 하면서 MBP를 생성하고, Training data를 수집하는 과정을 나타낸다.

차량과 현재 체류중인 셀 i간의 현재 신호의 세 기 αi(t)가 핸드오버 임계치 이하로 값을 가질 경우, 기존 핸드오버 기법을 이용하여 목적지 셀을 결정 하여 핸드오버를 수행한다. 이 때, 이웃 셀들 중 가 장 큰 신호의 세기를 갖는 cell j를 목적지 셀로 결 정한다. 이 단계에서는 차량이 기존 핸드오버 방식 으로 핸드오버를 수행하면서 핸드오버 기록을 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 qij값을 1 증가시킨다. 아울러, 핸드오버를 수행할 때, 차량이 이전 셀에서 의 체류시간과 평균 신호의 세기를 MBP에 어트리 뷰트로 저장한다.

2. DTMC를 이용한 핸드오버 모델링

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 핸드오버 를 수행했을 때 차량이 위치할 셀의 확률을 나타내 며, 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 2를 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. 도심에서는 차량의 이동궤적 에 따라서 최적의 목적지 셀이 존재함에도 불구하 고, 신호의 세기가 큰 셀로 핸드오버를 수행하여 목 적지 셀에 짧은 시간만 체류하고 다시 최적의 셀로 핸드오버를 수행하는 경우가 발생한다. 이러한 경 우에는 불필요한 핸드오버의 수행 횟수가 증가한 다. 이런 문제점을 해결하기 위해서는 핸드오버가 불필요한 셀을 건너 뛰어 직접 그 다음에 위치할 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 pij가 가장 큰 셀 j를 선택한다. 선택된 셀 j의 신호의 세기 αj(t) 가 임계치보다 크고, 선택된 셀 j와 현재 셀 i간의 신호의 차이가 히스테리시스 마진보다 크다면 셀 j 를 목적지 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 못했 다는 것은 차량이 평소의 이동궤적이 아닌 새로운 이동궤적으로 이동을 하고 있다는 의미다. 이런 경 우에는 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.

3. 핸드오버 오실레이션

P²을 이용하여 핸드오버를 수행하는 경우, 그림 1과 같이 Stage 1, 2, 3가 계속 반복되는 오실레이션 현상이 발생할 수 있다. Stage 1처럼 기존 핸드오버 방법으로 cell 1에서 cell 5까지 핸드오버를 수행하 며 학습을 수행하게 되면 cell 1에서 핸드오버를 수 행하게 될 때, cell 2가 가장 높은 1-step 천이확률을 갖고, cell 3가 가장 높은 2-step 천이확률을 갖게 된 다. 이 때, cell 1에서 cell 3로 직접 핸드오버가 가능 하다면 Stage 2처럼 P²을 이용한 핸드오버를 통해 cell 3로 핸드오버를 수행하게 된다. 계속 Stage 2처 럼 핸드오버를 수행하며 학습하게 되면 cell 3의 1-step 천이확률과 cell 4의 2-step 천이확률이 점점 높아지게 된다. 이 때, 2-step 천이확률이 가장 높은 셀만 cell 4로 변경되게 되면 Stage 3처럼 cell 1에서 cell 4로 핸드오버를 수행하려 하지만, cell 4로 직접 핸드오버가 불가능하기 때문에 P를 이용하여 cell 2 로 핸드오버를 수행하게 된다.

이와 같은 오실레이션 현상을 해결하기 위해 직 전 라운드에 발생한 P²을 이용한 핸드오버 정보들 을 학습한다. P²을 이용한 핸드오버를 수행할 때 별 도의 어트리뷰트들로 구성된 회귀 인스턴스를 생성 한다.

만일, Stage 3와 같은 문제가 발생하게 되면, Stage 2로 회귀시키기 위해 직전 라운드에 생성된 회귀 인스턴스 와의 비교를 통해 Stage 2에 해당하 는 회귀 인스턴스를 찾는다. 만약, 회귀 인스턴스가 존재한다면 저장 된 목적지 셀 (cell 3)로 핸드오버 를 수행한다. Cell 3가 가장 높은 1-step 천이확률을 갖게 될 때까지 Stage 3를 Stage 2로 회귀시켜줌으 로써 오실레이션 현상을 제거한다.

4. P²을 이용한 핸드오버의 타당성 검증

P²을 이용하여 핸드오버를 수행하는 경우, 핸드 오버 수행횟수를 감소시키면서 서비스 품질을 향상 시킬 수 있다. 하지만 오히려 핸드오버 수행횟수를 증가시키거나, 서비스 품질을 저하시키는 결과를 초 래할 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 핸드 오버를 방지하기 위하여 기계학습 기법의 일종인 AdaBoost 기법을 이용하여 P²을 이용한 핸드오버의 타당성을 검증한다. 이 과정은 데이터마이닝을 통 하여, 레코드의 클래스를 구분하고, AdaBoost를 이 용한 P²을 이용한 핸드오버의 타당성을 검증하는 2 가지의 단계로 수행된다.

첫 번째 단계에서는, 데이터마이닝을 이용하여 클래스 별로 트레이닝 데이터들을 구분한다. 트레 이닝 데이터 그룹에는 다양한 위치와 환경에서 핸 드오버를 수행 정보를 담은 인스턴스들이 존재한 다. P²을 이용한 핸드오버의 타당성을 검증하기 위 해서는 비슷한 위치와 환경에서 핸드오버를 수행한 인스턴스들 간의 비교가 필요하다. 그렇기 때문에 비슷한 위치와 환경에서 핸드오버를 수행한 인스턴 스들을 분류하는 작업이 필요하다. 본 논문에서는 Unsupervised Clustering 기법을 이용하여 유사한 인 스턴스들을 클래스 단위로 분류를 한다. 이 때, 비 슷한 위치와 환경이 유사한 인스턴스들을 분류해야 하므로 어트리뷰트들 중 Previous cell, Current cell, Neighbor cell 1~3, Target cell을 입력 어트리뷰트로 설정한다. 자세한 어트리뷰트의 설명은 지면 관계 상 생략한다.

두 번째 단계에서는, AdaBoost를 이용하여 Class 내의 P²을 이용한 핸드오버의 타당성을 검증한다. 첫 번째 단계에서 분류된 클래스별로 AdaBoost를 수행한다. 이 때, 클래스에 P²을 이용한 핸드오버를 수행한 인스턴스들과 그 외의 기법을 이용하여 핸 드오버를 수행한 인스턴스가 둘 다 존재할 경우에 만 AdaBoost를 수행한다.

AdaBoost 기법을 이용하여 P²을 이용한 핸드오버 가 그 외의 핸드오버보다 목적지 셀에서 더 좋은 품질의 서비스를 공급 받았는지 검사한다.

Ⅲ. 시뮬레이션

실험에서는 그림 2와 같이, 순환버스 03, 지선버 스 1124, 4426, 6654, 총 4개의 버스노선이 이용된 다. 신호의 세기 (RSSI) 값은 Cost 231 Hata propagation model을 이용하여 추출하였다. 그림 2의 점들은 버스 정류장을 의미하고, 차량은 각 정류장 사이를 9-45km/h의 속도로 이동한다.

그림 3은 단말이 버스노선을 따라 이동하는 동안 에 발생한 핸드오버 횟수를 나타내고, 그림 4는 단 말이 버스노선을 따라 이동하는 동안의 평균 처리 율 (throughput)을 나타낸다. 예를 들어, 순환버스 03 번 실험에서 기존 핸드오버 기법은 평균 28회의 핸 드오버가 발생하였으며, 13.148 Mbps의 평균 처리 율을 보여줬다. 제안하는 핸드오버 기법은 평균 15.1회의 핸드오버가 발생하였으며, 14.592 Mbps의 평균 처리율을 보여줬다.

그림 3, 4에서 보듯이, 순환버스 03번 실험에서 기존 핸드오버 기법은 평균 26.3회의 핸드오버가 발생하였으며, 13.141 Mbps의 평균 처리율을 보여 줬다. 제안하는 핸드오버 기법은 평균 15.6회의 핸 드오버가 발생하였으며, 14.377 Mbps의 평균 처리 율을 보여줬다. 제안하는 핸드오버 기법에서 40.6% 의 핸드오버 횟수 감소와 9.4%의 평균 처리율 향상 이 관측 되었다.

IⅤ. 결 론

본 논문에서는 무선 인터넷 서비스 성능의 향상 을 위해 MN의 핸드오버를 학습하여 생성된 DTMC 의 1-step 또는 2-step 천이확률 행렬을 이용하여 핸 드오버를 수행하는 기법을 제안하였다. 실험에서는 MN가 순환버스 03, 지선버스 1124, 4426, 6654의 버스노선을 따라 이동을 하는 모든 경우와, 경로를 100%, 75% 준수하는 모든 경우에서 제안하는 핸드 오버 기법이 핸드오버의 획수를 감소시켜주고, 평 균 처리율을 향상시키는 결과를 확인하였다. AdaBoost의 이용할 경우 이용하지 않을 경우보다 핸드오버의 횟수는 증가하지만 평균 처리율이 향상 되는 결과도 확인하였다.

이를 통하여 제안하는 핸드오버 기법이 어느 정 도의 방향성을 갖거나, 일정한 경로를 이동하는 MN에게 향상된 무선 인터넷 서비스를 제공할 수 있다는 사실을 확인하였다.