• Journal of the Korea Society for Simulation
• /
• v.22 no.1
• /
• pp.77-86
• /
• 2013

Cloud computing is one of the distributed computing environments and utilizes several computing resources. Cloud environment uses a virtual machine to process a requested job. To balance a workload and process a job rapidly, cloud environment uses a provisioning technique and assigns a task with a status of virtual machine. However, a scheduling method for cloud computing requires a definition of virtual machine availabilities, which have an obscure meaning. In this paper, we propose Fuzzy logic driven Virtual machine Provisioning scheduling using Resource Evaluation(FVPRE). FVPRE analyzes a state of every virtual machine and actualizes a value of resource availability. Thus FVPRE provides an efficient provisioning scheduling with a precise evaluation of resource availability. FVPRE shows a high throughput and utilization for job processing on cloud environments.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2012.11a
• /
• pp.769-772
• /
• 2012

가상화 환경은 한 대의 서버에 여러 개의 가상 머신을 생성하여 독립적인 운영체제를 실행시킨다. 이러한 서버는 가상 머신에 서버의 자원을 할당하여 작업을 처리하고, 작업의 증가로 인해 가상 머신의 자원이 부족하게 되면 서버의 자원을 재할당 한다. 그러나 서버 자원의 확장이 어려운 경우 과부하 상태가 되어 가상 머신의 자원 부족을 해결할 수 없다. 또한 가상 머신을 다른 서버에 재배치 시킴으로써 서버의 과부하 문제를 해결하고자 하였으나, 서버 선정 과정이 단순하여 유휴자원을 확보하기가 어렵다. 따라서 본 논문에서는 가상 머신을 재배치시키는 기법을 제안한다. 또한 기존 재배치 알고리즘과 제안한 알고리즘에 대한 성능평가를 한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2017.04a
• /
• pp.44-46
• /
• 2017

본 논문에서는 클라우드 컴퓨팅에서 서버통합과 동시에 서버들의 자원 활용률을 증가시키기 위해 실행되는 가상머신 재배치가 수행되고 난 후에 가상머신들의 상태를 관리하기 위한 기법에 관한 모델을 제안한다. 가상머신 재배치에는 많은 문제점이 발생한다. 재배치 알고리즘으로 인한 서버 통합 시간이 증가되는 문제점도 있지만 재배치를 수행하면서 발생하는 가상머신 마이그레이션으로 인한 전체적인 클라우드 시스템의 부하를 예로 들 수 있다. 제안하는 기법은 가상머신들의 재배치 알고리즘 수행 도중 발생 할 수 있는 문제점과 재배치 이후에 가상머신들의 구동 시간이 종료되어 자연스럽게 할당이 해제되는 경우에 발생하는 문제점을 해결 할 수 있다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2009.04a
• /
• pp.678-680
• /
• 2009

본 논문에서는 성능 분석과 검증을 위한 방법으로 가상화 기법을 이용하여 성능을 분석할 수 있는 도구를 제안한다. 가상 머신의 성능 분석을 통해 원하는 이벤트들의 발생 양상에 따른 시스템의 성능을 호스트 머신에서 파악할 수 있다. 즉 가상 머신에서 사용하는 자원과 발생하는 이벤트에 대한 정보를 호스트 머신에서 확인할 수 있고, 가상 머신에서 발생한 사용자 입력을 호스트 머신이 임의로 재생시킬 수 있다. 이러한 기능을 통해 사용자 입력 패턴에 따른 시스템 자원의 상태 및 성능을 분석하여, 해당 시스템의 안정성을 시험할 수 있는 검증 환경을 제공한다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2018.07a
• /
• pp.53-54
• /
• 2018

최근 화력 발전소 보일러 튜브의 노후화로 인해서 불시정지 빈도수 및 재가동 시간이 늦춰지고 있다. 이는 막대한 경제적, 사회적 손실로 이어지며, 이를 예방하기 위해서는 상태기반 정비가 필요하다. 현재의 상태기반 정비는 센서, 신호 수집장치, 신호 분석단계를 거쳐 전문가가 진단하기 때문에 즉각적으로 대응하기 어려운 문제점이 있어서 설비의 재가동 시간이 늦춰지고 있다. 따라서 본 논문에서는 전문가의 도움 없이 자동으로 상태를 진단하기 위해서 머신러닝 기법 중 하나인 서포트 벡터 머신(SVM)을 이용한 진단 알고리즘을 구현하고, 이를 탑재한 진단장치를 개발하여 비전문가들도 즉각적으로 대응할 수 있게 하여 불시정지 시간과 빈도수를 줄이고자 한다.

• Proceedings of the Korean Institute of Information and Commucation Sciences Conference
• /
• 2022.05a
• /
• pp.147-149
• /
• 2022

This paper proposes a state machine design methodology in which an interactive robot that mimics discrete trial training (DTT protocol) can support social interaction training for children with autism. The robot applied to social interaction training uses the response to the provided training stimulus as a quantitative indicator by processing the data received from the sensors measuring the behavioral response of the child. In this process, the state machine is used as information that classifies the state of the acquired data and provides the subsequent stimulus for DTT protocol. Through the joint attentional training, it can be used as evidence-based treatment information by quantitatively classifying the data on the number of sustainable and DTT protocol and the child's response, as well as the current reaction status of the child to the observer performing remote monitoring. At the same time, it was confirmed that it is possible to properly respond to misrecognition situations.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2016.01a
• /
• pp.19-20
• /
• 2016

본 논문에서는 서포트 벡터 머신 (SVM)의 분류 성능에 영향을 주는 인수인 C와 ${\sigma}$ 값을 적응적으로 최적화할 수 있는 적응적 자가튜닝 SVM을 이용한 베어링의 상태 진단 방법을 제안한다. SVM의 각 인수의 변화에 따른 베어링 상태 진단의 성능 변화 패턴을 분석하여 적합한 인수를 적응적으로 찾을 수 있는 방법을 제안하고, 제안한 방법의 우수성을 검증하기 위해 실제 베어링 신호를 이용하여 기존방법인 격자탐색과의 성능을 비교하였다.

• Journal of KIISE
• /
• v.43 no.9
• /
• pp.953-962
• /
• 2016

Model-based testing is a technique for performing the test by using a model that represents the behavior of the system as a system specification. Industrial domains such as automotive, military/aerospace, medical, railway and nuclear power generation require model-based testing and code coverage-based testing to improve the quality of software. Despite the fact that both model-based testing and code coverage-based testing are required, difficulty in achieving a high coverage using model-based testing caused by the abstraction level difference between the test model and the source code, results in the need for performing model-based testing separately. In this study, to overcome the limitations of the existing model-based testing, we proposed the state machine transformation method to effectively improve the code coverage using the protocol state machine, one of the typical modeling methods is used as the test model in model-based testing, as the test model. In addition, we performed a case study of both systems and analyzed the effectiveness of the proposed method.

• Proceedings of the Korean Information Science Society Conference
• /
• 2007.06b
• /
• pp.223-227
• /
• 2007

무선 센서 네트워크는 유비쿼터스 컴퓨팅에서 생활환경과 컴퓨터 사이의 중계자 역할을 하는 매우 중요한 연구 분야이다. 매우 제약적인 자원 환경에서 동작하여야 하는 센서 노드의 특성 때문에 제한된 자원을 효율적으로 관리할 수 있는 센서 노드용 운영체제가 요구된다. 또한 센서 네트워크는 외부 물리 환경의 변화에 반응하여 동작하는 시스템이기 때문에 여러 이벤트를 동시에 재빠르게 처리 할 수 있는 기능을 제공해야 하며, 센서네트워크 어플리케이션 프로그래머에게 이러한 반응형 어플리케이션 개발이 용의하도록 하는 프레임워크를 제공해야 한다. 이를 위해 본 논문에서는 반응형 시스템에 적합한 상태머신 프레임 워크를 멀티쓰레드 기반의 Nano-Qplus 운영체제 상에서 센서 네트워크의 자원적 제약을 준수하면서 효율적으로 이벤트를 처리 할 수 있는 프레임워크를 지원하는 센서네트워크용 운영체제의 구조를 제안한다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2024.01a
• /
• pp.325-327
• /
• 2024

국내외에서 AI기반 의료 솔루션 시장은 빠른 속도로 확장 중이며 이에 따른 다양한 의학 분야에서 많은 기법을 통한 의료 AI 시스템이 등장하고 있다. 그러나 기존 다양한 AI 연구가 이뤄짐에도 아직 중환자의 징후 예측에는 많은 어려움이 있다. 또한, 중환자의 경우 현재 의료진만으로 모든 환자를 필요한 시기에 진료하기엔 어려움이 있고 환자 상태 조기 예측이 필수적임을 관련 다양한 의학 기사를 통해 쉽게 인지할 수 있다. 본 연구에서는 위와 같은 문제점을 해결하고자 중환자의 진료 결과 데이터를 활용하여 환자의 진료 후 상태를 예측하는 모델을 생성하였다. '용인시산업진흥원'에서 제공하는 60만여 건에 달하는 환자 데이터를 수집하여, 중환자 상태 징후를 조기에 예측할 수 있는 머신러닝/딥러닝 기반 알고리즘으로 구현한 여러 모델에 대해 비교했을 때 딥러닝(DNN) 기반 모델이 약 92%의 분류 정확도를 측정할 수 있었다.