디지털 라이브러리[ 검색결과 ]
LTRE: Lightweight Traffic Redundancy Elimination in Software-Defined Wireless Mesh Networks
Gwangwoo Park, Wontae Kim, Joonwoo Kim, Sangheon Pack
http://doi.org/10.5626/JOK.2017.44.9.976
낮은 비용으로 무선 네트워킹 인프라를 구축할 수 있는 무선 메쉬 네트워크에서는 제한된 무선 자원을 효율적으로 이용하기 위해 패킷 전송(특히, 불필요하게 중복되는 패킷 전송)을 신중하게 처리해야 한다. 본 논문에서는 컨트롤러를 통한 중앙 집중식의 관리가 가능한 소프트웨어 정의 네트워킹 기반의 무선 메쉬 네트워크에서 불필요하게 중복 전송되는 데이터의 양을 감소시키기 위해 경량화된 중복 제거기법을 제안한다. 제안하는 중복 제거 기법은 감소되는 트래픽 양을 극대화하기 위해 컨트롤러가 1) 기계학습 기반의 정보 요청, 2) ID기반의 소스 라우팅, 3) 인기도 기반의 캐쉬 업데이트를 통해 중복 제거 효과를 극대화시킬 수 있는 최적의 경로를 결정한다. 시뮬레이션 결과는 제안하는 기법을 통해 전체 트래픽 부하를 18.34%-48.89% 만큼 감소시킬 수 있음을 보여준다.
포인터 네트워크를 이용한 한국어 의존 구문 분석
http://doi.org/10.5626/JOK.2017.44.8.822
본 논문에서는 멀티 태스크 학습 기반 포인터 네트워크를 이용한 한국어 의존 구문 분석 모델을 제안한다. 멀티 태스크 학습은 두 개 이상의 문제를 동시에 학습시켜 성능을 향상시키는 방법으로, 본 논문에서는 이 방법에 기반한 포인터 네트워크를 이용하여 어절 간의 의존 관계와 의존 레이블 정보를 동시에 구하여 의존 구문 분석을 수행한다. 어절 기반의 의존 구문 분석에서 형태소 기반의 멀티 태스크 학습 기반 포인터 네트워크를 수행하기 위하여 입력 기준 5가지를 정의하고, 성능 향상을 위하여 finetuning 방법을 적용한다. 실험 결과, 본 논문에서 제안한 모델이 기존 한국어 의존 구문 분석 연구들 보다 좋은 UAS 91.79%, LAS 89.48%의 성능을 보였다.
포인터 네트워크를 이용한 멘션탐지
http://doi.org/10.5626/JOK.2017.44.8.774
멘션(mention)은 명사 또는 명사구를 중심어로 가지며, 수식어를 포함하여 어떤 의미를 정의하는 구(chunk)를 구성한다. 문장 내에서 멘션을 추출하는 것을 멘션탐지라 한다. 멘션들 중에서 서로 같은 의미의 멘션들을 찾아내는 것을 상호참조해결이라 한다. 포인터 네트워크는 RNN encoder-decoder 모델을 기반으로, 주어진 입력 열에 대응되는 위치를 출력 결과로 갖는 모델이다. 본 논문에서는 멘션탐지에 포인터 네트워크를 이용할 것을 제안한다. 멘션탐지에 포인터 네트워크를 적용하면 기존의 순차 문제로는 해결할 수 없었던 중첩된 멘션탐지 문제를 해결할 수 있다. 실험 결과, 본 논문에서 제안한 멘션탐지의 성능이 규칙기반 보다 7.65%p 이상 높은 F1 80.07%를 보였으며, 이를 이용한 상호참조해결 성능이 CoNLL F1 56.67%(멘션 경계), 60.11%(중심어 경계)로 규칙기반 멘션탐지를 이용한 상호참조해결에 비하여 7.68%p, 1.5%p 더 좋은 성능을 보였다.
전장관리시스템의 정상/비정상 종료 시 망 가입상태 복원
http://doi.org/10.5626/JOK.2017.44.8.749
음성 통화위주의 무기체계는 정보교환 시 지연/오류/훼손이 발생하며 자체 메시지 형식을 가진 무기체계는 메시지 형식이 상이하여 데이터 유통이 제한된다. 따라서 표준화된 데이터 형식을 활용하여 전송 품질을 보장하고 전송량을 최소화 할 수 있는 한국형 가변 메시지 형식(Korean Variable Message Format)이 개발되었다. 지상전술데이터링크 체계는 KVMF 표준 메시지를 활용하는 전장관리시스템을 기동 무기체계에 탑재하여 빠르고 정확하게 전술정보를 공유하는 체계이다. 본 논문에서는 전장관리시스템의 정상/비정상 종료상황 발생 시, 망 가입상태 복원기능을 통해 즉각적인 임무수행을 할 수 있는 방안에 대해 연구한다.
Cooperative Detection of Moving Source Signals in Sensor Networks
Minh N. H. Nguyen, Pham Chuan, Choong Seon Hong
http://doi.org/10.5626/JOK.2017.44.7.726
무선 센서 네트워크의 분산 센싱 및 예측에 대한 실제 Application에서 네트워크 환경 센싱기능은 움직이는 소스 신호의 잡음 및 많은 센싱 정보들 때문에 매우 동적인 기능을 요구한다. 최근의 Distributed Online Convex Optimization 프레임워크는 분산된 방식으로 센서 네트워크를 통해 확률적인 학습 문제를 해결하기 위한 유망한 접근법으로 개발되었다. 기존의 Distributed Saddle Point Algorithm (DSPA)의 학습 결과에서 수렴 속도와 안정성은 이동성의 영향을 받을 수 있다. 이에 본 논문에서는 움직이는 소스 신호 시나리오의 동시 검출에서 예측을 안정화하고 보다 나은 수렵 속도를 달성하기 위해 통합 Sliding Windows 메커니즘을 제안한다.
A Markov Approximation-Based Approach for Network Service Chain Embedding
Pham Chuan, Minh N. H. Nguyen, Choong Seon Hong
http://doi.org/10.5626/JOK.2017.44.7.719
네트워크의 관리 비용을 줄이고 성능을 향상시키기 위해 ETSI(European Telecommunication Standards Institute)는 클라우드 · 데이터 센터에서 네트워크 기능(Network Function)을 소프트웨어 형태로 구현할 수 있는 네트워크 기능 가상화(Network Function Virtualization) 개념을 도입했다. 네트워크기능 가상화 구조 내에서 네트워크 기능을 물리적 노드(예: 범용 서버)에 네트워크 기능을 호스팅하여 실제 리소스를 공유할 수 있다. 네트워크 기능 가상화를 지원하는 네트워크 서비스 제공 업체의 경우, 효율적인 자원 할당 방법을 통해 운영비용(OPEX) 및 자본 비용(CAPEX)를 줄일 수 있다. 이에 본 논문에서는 최적화 방법을 통해 Network Service Chain Embedding 문제를 분석하고 Markov Approximation 프레임워크 기반 최적의 솔루션을 제안한다. 제안사항에 대한 시뮬레이션 결과는 평균 CPU 사용률이 73%, 링크 사용률이 최대 53% 증가함을 보여준다.
물체 검출 컨벌루션 신경망 설계를 위한 효과적인 네트워크 파라미터 추출
http://doi.org/10.5626/JOK.2017.44.7.668
최근 몇 년간 딥러닝(deep learning)은 음성 인식, 영상 인식, 물체 검출을 비롯한 다양한 패턴인식 분야에서 혁신적인 성능 발전을 거듭해왔다. 그에 비해 네트워크가 어떻게 작동하는지에 대한 깊은 이해는 잘 이루어지지 않고 있다. 본 논문은 효과적인 신경망 네트워크를 구성하기 위해 네트워크 파라미터들이 신경망 내부에서 어떻게 작동하고, 어떤 역할을 하고 있는지 분석하였다. Faster R-CNN 네트워크를 기반으로 하여 신경망의 과적합(overfitting)을 막는 드랍아웃(dropout) 확률과 앵커 박스 크기, 그리고 활성 함수를 변화시켜 학습한 후 그 결과를 분석하였다. 또한 드랍아웃과 배치 정규화(batch normalization) 방식을 비교해보았다. 드랍아웃 확률은 0.3일 때 가장 좋은 성능을 보였으며 앵커 박스의 크기는 최종 물체 검출 성능과 큰 관련이 없다는 것을 알 수 있었다. 드랍아웃과 배치 정규화 방식은 서로를 완전히 대체할 수는 없는 것을 확인할 수 있었다. 활성화 함수는 음수 도메인의 기울기가 0.02인 leaky ReLU가 비교적 좋은 성능을 보였다.
무선 환경에서 끊김 없는 HTTP 적응적 스트리밍을 위한 지터 기반 전송률 조절 기법
http://doi.org/10.5626/JOK.2017.44.6.628
HTTP 적응적 스트리밍(HTTP adaptive streaming)은 서버가 다양한 품질의 비디오를 저장해놓고 클라이언트가 세그먼트 처리량을 기반으로 가용대역폭을 예측하여 알맞은 품질을 요청함으로 체감 품질을 향상시키는 기법이다. 그러나 대역폭 변화가 빈번하고 높은 손실률을 갖는 무선 환경에서는 실제 네트워크의 대역폭을 측정하는데 어려움이 있다. 대역폭 측정 오류로 인한 빈번한 품질 변화와 재생 끊김 현상은 체감 품질을 저하시킨다. 본 논문에서는 지연의 편차인 지터를 패킷 단위로 측정하고 지터에 따라 가중치를 부여하여 가용대역폭을 측정하는 기법을 제안한다. 제안하는 기법은 급격한 대역폭 변화로 인해 높은 지터가 발생하는 경우 대역폭 변화를 적게 반영하여 비디오 품질 변화를 줄이고 버퍼 언더플로우를 완화시킨다. 실험을 통해 제안하는 기법이 무선 환경에서 버퍼 언더플로우를 완화시키고 빈번한 품질 변화를 감소시켜 체감 품질을 향상시키는 것을 확인하였다.
포인터 네트워크를 이용한 한국어 대명사 상호참조해결
포인터 네트워크(Pointer Networks)는 Recurrent Neural Network (RNN)를 기반으로 어텐션 메커니즘(Attention mechanism)을 이용하여 입력 시퀀스에 대응되는 위치들의 리스트를 출력하는 딥러닝 모델이다. 대명사 상호참조해결은 문서 내에 등장하는 대명사와 이에 대응되는 선행사를 찾아 하나의 엔티티로 정의하는 자연어처리 문제이다. 본 논문에서는 포인터 네트워크를 이용하여 대명사와 선행사의 참조관계를 밝히는 대명사 상호참조해결 방법과 포인터 네트워크의 입력 연결순서(chaining order) 여섯 가지를 제안한다. 실험 결과, 본 논문에서 제안한 방법 중 연결순서 coref2 가 MUC F1 81.40%로 가장 좋은 성능을 보였다. 이는 기존 한국어 대명사 상호참조해결의 규칙 기반(50.40%)보다 31.00%p, 통계 기반(62.12%) 보다 19.28%p 우수한 성능임을 나타낸다.
네트워크 플로우의 연관성 모델을 이용한 트래픽 분류 방법
구영훈, 심규석, 이성호, Baraka D. Sija, 김명섭
오늘날의 네트워크는 고속화와 유비쿼터스 환경으로 인해 다양한 응용이 급속도로 생성되고 있으며 네트워크 트래픽도 매우 복잡해지고 있다. 이에 효율적인 네트워크 운용 및 관리를 위한 구체적인 단위의 트래픽 분류가 필수적이다. 다양한 트래픽 분류 방법이 연구되고 있는 가운데 아직 트래픽을 완벽하게 분류해내는 방법론은 개발되지 않은 실정이다. 이에 본 논문에서는 네트워크 플로우의 연관성 모델을 정의하고 이를 기반으로 트래픽을 분류하는 방법을 제안한다. 트래픽 분류를 위한 네트워크 플로우의 연관성 모델은 크게 유사성 모델과 연결성 모델로 이루어진다. 제안하는 방법론을 효과적으로 적용하기 위한 방안을 제시하며 실험을 통해 본 분류 방법론이 높은 정확도와 분석률의 방법론이라는 것을 증명한다.
