• 한국정보통신학회논문지
• /
• 제19권12호
• /
• pp.2981-2986
• /
• 2015

본 논문에서는 브로드캐스트를 수행할 수 있는 m개의 서버가 존재하는 경우에 마감시간이 있는 요청들을 만족시키는 스케줄링 문제를 다룰 것이다. 서버가 어떤 페이지를 브로드캐스트하면 이 페이지를 요구한 모든 요청들은 만족된다. 스케줄링 알고리즘은 매 시간에 서버에서 브로드캐스트 할 페이지를 결정한다. 알고리즘의 목표는 마감시간 안에 만족된 요청들의 가중치 합을 최대로 하는 것이다. 온라인 알고리즘의 성능은 입력을 미리 다 알고 결정을 내리는 최적 오프라인 알고리즘의 성능과 비교된다. 일반적으로 최적 오프라인 알고리즘의 성능이 월등히 뛰어 나기 때문에 온라인 알고리즘이 보다 많은 자원을 이용할 수 있는 자원추가 분석 방법을 사용한다. 본 논문에서는 온라인 알고리즘이 보다 많은 서버를 사용하는 경우를 다룰 것이다.

• 한국정보통신학회논문지
• /
• 제16권10호
• /
• pp.2303-2308
• /
• 2012

본 논문은 마감시간을 가지는 병렬 태스크들을 스케줄하는 문제를 다룬다. 특히, 가단성 태스크, 다시 말해서, 수행시간이 수행 머신들의 개수의 함수로 주어지는 태스크를 다룬다. 스케줄링 알고리즘의 목표는 마감시간 안에 수행을 끝마친 태스크들의 작업량의 합을 최대화하는 것이다. 이 문제는 NP-hard 문제로 알려져 있다. 따라서, 근사 알고리즘을 찾으려하고, 알고리즘의 성능은 최적 알고리즘 성능과의 비, 다시 말해서, 근사비를 구해서 분석한다. 특히, 본 논문에서는 알고리즘이 최적 알고리즘보다 많은 자원, 즉, 보다 많은 머신들을 가지는 경우에 근사비를 구할 것이다. 이것은 자원추가분석이라고 불린다. 본 논문은 최적 알고리즘보다 1.5배의 머신들을 사용해서 3.67의 근사비를 보장하는 스케줄링 알고리즘을 제안한다.

• 자원ㆍ환경경제연구
• /
• 제11권1호
• /
• pp.99-119
• /
• 2002

As an alternative to classical maximum likelihood approach for analyzing dichotomous choice contingent valuation (DCCV) data, this paper develops a Bayesian approach. By using the idea of Gibbs sampling and data augmentation, the approach enables one to perform exact inference for DCCV models. A by-product from the approach is welfare measure, such as the mean willingness to pay, and its confidence interval, which can be used for policy analysis. The efficacy of the approach relative to the classical approach is discussed in the context of empirical DCCV studies. It is concluded that there appears to be considerable scope for the use of the Bayesian analysis in dealing with DCCV data.

• 한국정보통신학회논문지
• /
• 제17권8호
• /
• pp.1934-1939
• /
• 2013

본 논문은 마감시간을 가진 작업들의 온라인 스케줄링 문제를 다룬다. 작업들이 시간이 지남에 따라 도착하고 스케줄링 알고리즘은 앞으로 도착할 작업들의 정보를 미리 알지 못한다. 작업들은 동일한 수행시간만큼 실행되고 알고리즘의 목표는 마감 시간 안에 수행을 완료한 작업들의 수를 최대화하는 것이다. 온라인 알고리즘의 성능은 모든 작업 정보를 미리 알고 최적의 답을 줄 수 있는 최적 알고리즘의 성능과 비교하는데 두 알고리즘 성능의 비를 경쟁비라고 한다. 일반적으로 정보의 부재로 인해 온라인 알고리즘은 큰 경쟁비를 가진다. 따라서 온라인 알고리즘에 보다 많은 머신 또는 보다 빠른 머신을 제공했을 때의 경쟁비를 계산하는 자원추가 분석을 수행할 수 있다. 본 논문에서는 온라인 알고리즘이 보다 많은 머신들을 이용할 수 있을 때 최적 알고리즘과 같은 성능을 낼 수 있음을 보일 것이다.

• 스마트미디어저널
• /
• 제13권6호
• /
• pp.24-34
• /
• 2024

시계열인 네트워크 트래픽 데이터로부터 미래를 예측할 수 있다면 효율적인 자원 배분, 악성 공격에 대한 예방, 에너지 절감 등의 효과를 거둘 수 있다. 통계 기법과 딥러닝 기법에 기반한 많은 모델이 제안되었는데, 이들 연구 대부분은 모델 구조와 학습 알고리즘을 개선하는 일에 치중하였다. 모델의 예측 성능을 높이는 또 다른 접근방법은 우수한 데이터를 확보하는 것이다. 이 논문은 우수한 데이터를 확보할 목적으로, 시계열 데이터를 증강하는 밀집 샘플링 기법을 네트워크 트래픽 예측 응용에 적용하고 성능 향상을 분석한다. 데이터셋으로는 네트워크 트래픽 분석에 널리 사용되는 UNSW-NB15를 사용한다. RMSE와 MAE, MAPE를 사용하여 성능을 분석한다. 성능 측정의 객관성을 높이기 위해 10번 실험을 수행하고 기존 희소 샘플링과 밀집 샘플링의 성능을 박스플롯으로 비교한다. 윈도우 크기와 수평선 계수를 변화시키며 성능을 비교한 결과 밀집 샘플링이 일관적으로 우수한 성능을 보였다.