요약본 발명은 5G 에지 네트워크에서 서포트 벡터 머신(Support Vector Machine, 이하 "SVM"이라 총칭함) 알고리즘을 적용하여 미디어 포렌식하고 모바일 에지 컴퓨팅(Mobile Edge Computing, 이하 "MEC"라 총칭함) 서버를 프런트홀(Fronthaul) 게이트웨이에 통합하여 게이트웨이 리소스를 상향링크(Uplink, UL)와 하향링크(Downlink, DL)로 구분하되, 하향링크 상태에 따라 상향링크 전송을 제어하여 트래픽 정체를 해소하여 사용자 서비스 품질(Quality of Service, 이하 "QoS"라 총칭함)를 향상시키는 5G 에지 네트워크의 지능형 미디어 포렌식 및 트래픽 처리 방법에 관한 것으로, 5G 에지 네트워크에서 SVM 알고리즘을 적용하여 미디어 포렌식하고 MEC 서버를 프런트홀 게이트웨이에 통합하여 게이트웨이 리소스를 UL과 DL로 구분하되, DL 상태에 따라 UL 전송을 제어함으로써, UL/DL 자원 활용도에 따라 통신 트래픽을 조절하고 포워딩 트래픽을 제어하여 신뢰성, 지연 시간, 통신 처리량 등 다양한 중요한 QoS 요소 측면에서 우수한 성능을 얻을 수 있다.
대표 청구항5G 에지 네트워크의 지능형 미디어 포렌식 및 트래픽 처리 방법으로서,MEC(Mobile Edge Computing) 서버가 로(Raw) 데이터를 저장하는 단계;상기 MEC 서버가 상기 저장된 로 데이터를 필터링하며, 트레이닝(training) 데이터를 포함하는 상기 필터링된 데이터를 SVM(Support Vector Machine)에 입력하는 단계;상기 SVM이 상기 입력받은 필터링된 데이터에 기초하여, ML(Machine Learning) 알고리즘을 통해 모델을 트레이닝하기 위한 트레이닝 데이터 세트가 각각의 대상 등급과 타겟(target) 등급을 정의하는 단계;상기 SVM이 상기 입력받은 필터링된 데이터 전체를 학습용 데이터 및 테스트 데이터 용으로 무작위 하위 집합으로 분할하여 모델 정밀도 테스트를 진행하는 단계;상기 SVM이 상기 타겟 등급을 제외한 나머지 모든 등급의 각 등급에 적합하도록 One-vs-Rest 분류기를 적용하는 단계;상기 SVM이 SVC(Support Vector Classification)를 구성하는 단계;상기 SVM이 RBF(Radial Basis Function)가 상기 ML 알고리즘에 적용할 커널 유형을 지정하게 하는 단계;상기 SVM은 상기 모델 정밀도 테스트를 통해 모델이 구성되면, 테스트 데이터 하위 집합에 대한 정밀도 점수 추정을 계산하기 위해 상기 SVM에 맞게 트레이닝 데이터 하위 집합을 입력시키는 단계;상기 SVM이 상기 입력된 트레이닝 데이터 하위 집합이 적합한 지를 판단하는 단계;상기 SVM이 평균 정확도를 복귀하는 단계;상기 SVM이 상기 평균 정확도가 만족되는 지를 판단하는 단계; 및상기 SVM이 보이지 않는 데이터를 예측하는 단계를 포함하는 5G 에지 네트워크의 지능형 미디어 포렌식 및 트래픽 처리 방법.
