• 한국정보통신학회:학술대회논문집
• /
• 한국해양정보통신학회 2000년도 추계종합학술대회
• /
• pp.307-312
• /
• 2000

본 논문은 최근 급속히 증가되고 있는 무선 인터넷에서 발생되는 Short Traffic 서비스의 성능을 향상시키기 위하여, TCP 프로토콜의 폭주제어 알고리즘을 보완하는 응답패킷 분할 기법(SPACK)을 제안하였다. 유선통신 환경과는 달리 무선통신 환경에서는 높은 비트 오류율로 인하여 TCP 프로토콜의 폭주제어 알고리즘이 오동작을 일으키게 된다. 이로 인하여 TCP 프로토콜의 성능은 급격히 저하되어 전체적인 인터넷 서비스의 성능이 떨어지게 된다. 본 논문에서는 이러한 TCP 프로토콜을 성능을 개선시키기 위해 기지국에서 응답패킷을 분할하여 전달하는 SPACK 기법을 제안하였다. 제안된 기법은 컴퓨터 시뮬레이션을 통하여 성능을 분석하였으며, 그 결과 기존의 TCP 프로토콜에 비하여 SPACK을 이용하는 경우 더 높은 성능이 발휘됨을 확인하였다.

• 한국정보통신학회논문지
• /
• 제5권5호
• /
• pp.923-930
• /
• 2001

본 논문은 최근 급속히 증가되고 있는 무선 인터넷에서 발생되는 Short Traffic 서비스의 성능을 향상시키기 위하여, TCP 프로토콜의 폭주제어 알고리즘을 보완하는 응답패킷 분할 기법(SPACK)을 제안하였다. 유선통신 환경과는 달리 무선통신 환경에서는 높은 비트 오류율로 인하여 TCP 프로토콜의 폭주제어 알고리즘이 오동작을 일으키게 된다. 이로 인하여 TCP 프로토콜의 성능은 급격히 저하되어 전체적인 인터넷 서비스의 성능이 떨어지게 된다. 본 논문에서는 이러한 TCP 프로토콜을 성능을 개선시키기 위해 기지국에서 응답패킷을 분할하여 전달하는 SPACK 기법을 제안하였다. 제안된 기법은 컴퓨터 시뮬레이션을 통하여 성능을 분석하였으며, 그 결과 기존의 TCP 프로토콜에 비하여 SPACK을 이용하는 경우 더 높은 성능이 발휘됨을 확인하였다.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제14권11호
• /
• pp.4246-4267
• /
• 2020

As the network goes deep into all aspects of people's lives, the number and the complexity of network traffic is increasing, and traffic classification becomes more and more important. How to classify them effectively is an important prerequisite for network management and planning, and ensuring network security. With the continuous development of deep learning, more and more traffic classification begins to use it as the main method, which achieves better results than traditional classification methods. In this paper, we provide a comprehensive review of network traffic classification based on deep learning. Firstly, we introduce the research background and progress of network traffic classification. Then, we summarize and compare traffic classification based on deep learning such as stack autoencoder, one-dimensional convolution neural network, two-dimensional convolution neural network, three-dimensional convolution neural network, long short-term memory network and Deep Belief Networks. In addition, we compare traffic classification based on deep learning with other methods such as based on port number, deep packets detection and machine learning. Finally, the future research directions of network traffic classification based on deep learning are prospected.

• 대한교통학회지
• /
• 제27권4호
• /
• pp.127-135
• /
• 2009

도로 주행중 제공된 교통정보는 운전자의 단기기억에 저장되고 이는 수초가 지나면 기억에서 사라진다. 정보제공의 효과 평가시 더미변수를 이용하는 기존방법으로는 이러한 현상을 반영할 수 없는 한계가 있다. 보다 적절한 평가를 위해서, 본 연구는 전방 시야가 제약된 도심 신호교차로 접근로에서 실시한 주행실험 자료를 토대로 운전자의 단기기억을 고려한 차내 교통안전정보의 효용함수 특성화와 안전도 평가방법론을 제안한다. 이를 위해서, 운전자의 속도선택에 기초한 주행 안정성 평가모형을 순서 프로빗모형으로 개발하고, 교통운영, 기하구조, 도로환경, 운전자 요소를 동시에 고려하여 차내 교통안전정보의 효용함수를 추정하였다. 분석결과, 본 연구에서 제안한 차내 교통안전정보의 효용을 설명하는데 정규밀도 함수(지수함수)가 적합하고, 효용은 약 22초 동안 유지되며, 크기는 시간증가에 따라 감소하는 것으로 나타났다. 또한, 차내 실시간 교통안전정보의 중요도는 교통운영요소 보다는 낮고 기하구조요소 보다는 높은 것으로 분석되었다.

• ETRI Journal
• /
• 제41권5호
• /
• pp.560-573
• /
• 2019

Two supervised learning algorithms, a basic neural network and a long short-term memory recurrent neural network, are applied to traffic including DDoS attacks. The joint effects of preprocessing methods and hyperparameters for machine learning on performance are investigated. Values representing attack characteristics are extracted from datasets and preprocessed by two methods. Binary classification and two optimizers are used. Some hyperparameters are obtained exhaustively for fast and accurate detection, while others are fixed with constants to account for performance and data characteristics. An experiment is performed via TensorFlow on three traffic datasets. Three scenarios are considered to investigate the effects of learning former traffic on sequential traffic analysis and the effects of learning one dataset on application to another dataset, and determine whether the algorithms can be used for recent attack traffic. Experimental results show that the used preprocessing methods, neural network architectures and hyperparameters, and the optimizers are appropriate for DDoS attack detection. The obtained results provide a criterion for the detection accuracy of attacks.

• International Journal of Internet, Broadcasting and Communication
• /
• 제12권1호
• /
• pp.144-150
• /
• 2020

Reinforcement learning is a technology that can present successful and creative solutions in many areas. This reinforcement learning technology was used to deploy containers from cloud servers to fog servers to help them learn the maximization of rewards due to reduced traffic. Leveraging reinforcement learning is aimed at predicting traffic in the network and optimizing traffic-based fog computing network environment for cloud, fog and clients. The reinforcement learning system collects network traffic data from the fog server and IoT. Reinforcement learning neural networks, which use collected traffic data as input values, can consist of Long Short-Term Memory (LSTM) neural networks in network environments that support fog computing, to learn time series data and to predict optimized traffic. Description of the input and output values of the traffic-based reinforcement learning LSTM neural network, the composition of the node, the activation function and error function of the hidden layer, the overfitting method, and the optimization algorithm.

• 한국음향학회지
• /
• 제18권1호
• /
• pp.72-77
• /
• 1999

본 논문에서는 Wavelet 변환과 Vector Quantization(VQ)을 이용한 VBR (variable-bit-rate) 비디오 트래픽 모델을 제안하고 있다. 여기에서 제안된 방법은 영상 트래픽을 Wavelet 변환한 후 두 개의 요소로 분해하여 각각을 분리하여 모델링한다. 첫 번째 요소는 AR(1) 프로세스 모델로 이것은 트래픽의 비교적 장시간에 걸친 변화 특성을 표현한다. 두 번째 요소는 벡터 양자화(VQ)를 사용하여 비교적 짧은 시간의 트래픽 특성을 표현한다. 다른 VBR 트래픽의 모델 방법과 비교해서 본 논문에서 제안하는 모델은 세 가지 장점을 가지고 있다. 첫째로 영상 트래픽의 특성을 장시간과 단시간의 형태로 나누어 모델링을 할 수 있다. 둘째로 트래픽 데이터의 주기적 코딩 구조를 보존한다. 마지막으로 프레임 레벨과 슬라이스 레벨의 트래픽 모델링을 통합할 수 있다. 통계적 측정과 네트워크 성능 실험을 통하여 제안된 모델의 타당성을 검증하였다.

• 대한토목학회논문집
• /
• 제33권5호
• /
• pp.2009-2019
• /
• 2013

교통량은 교통망 계획, 도로 설계, 도로 관리 등에 직접적으로 활용되는 중요한 기초자료이다. 교통량은 고정식 교통량조사 장비를 설치하여 연속적인 자료를 수집하는 상시조사와 특정일을 조사하는 수시조사로 구분되어 조사되고 있다. 상시조사의 경우 조사 지점에 설치되어 있는 장비의 고장이나 오작동 등으로 인하여 교통량 자료의 결측이 발생하며, 이러한 결측을 보정하기 위하여 다양한 방법이 적용되어 왔다. 본 연구에서는 결측 발생일 전 후의 자료를 활용하는 응용 지수평활화법을 제안하였으며, 평가 결과 교통량 변동계수가 낮은 경우 보정의 정확성이 제고됨을 알 수 있었다. 게다가 지점의 교통량 변동성이 결측 보정의 정확성에 영향을 미치는 중요한 요인으로 작용한다는 것을 확인하였다. 따라서 교통량 결측 보정의 신뢰성을 높이기 위해서는 지점별-시기별 결측 보정 방법이 달리 적용되어야 할 것이다.

• 대한교통학회:학술대회논문집
• /
• 대한교통학회 1995년도 제27회 학술발표회
• /
• pp.84-98
• /
• 1995

Network-based model were developed to predict short term future traffic volume based on current traffic, historical average, and upstream traffic. It is presumed that upstream traffic volume can be used to predict the downstream traffic in a specific time period. Three models were developed for traffic flow prediction; a combination of historical average and upstream traffic, a combination of current traffic and upstream traffic, and a combination of all three variables. The three models were evaluated using regression analysis. The third model is found to provide the best prediction for the analyzed data. In order to balance the variables appropriately according to the present traffic condition, a heuristic adaptive weighting system is devised based on the relationships between the beginning period of prediction and the previous periods. The developed models were applied to 15-minute freeway data obtained by regular induction loop detectors. The prediction models were shown to be capable of producing reliable and accurate forecasts under congested traffic condition. The prediction systems perform better in the 15-minute range than in the ranges of 30-to 45-minute. It is also found that the combined models usually produce more consistent forecasts than the historical average.

• 한국전자통신학회논문지
• /
• 제18권2호
• /
• pp.321-327
• /
• 2023

인공 지능이 발전함에 따라 예측 시스템은 우리의 삶에 필수적인 기술 중 하나로 자리를 잡았다. 이러한 기술의 성장에도 불구하고, 21세기 사거리 교통 체증은 계속해서 문제 되어 왔다. 본 논문에서는 Conv-LSTM(: Convolutional-Long Short-Term Memory) 알고리즘을 이용한 사거리 교통 체증 예측 시스템을 제안한다. 제안한 시스템은 교통 체증이 발생하는 사거리에 시간대별 교통 정보를 학습한 데이터를 모델링 한다. 시간의 흐름에 따라 기록된 교통량 데이터로 교통 체증을 예측하며. 예측된 결과를 기반으로 사거리 교통 신호를 제어하고, 일정한 교통량으로 유지한다. VDS(: Vehicle Detection System)센서를 활용하여 도로 혼잡도 데이터를 정의하고, 교통을 원활하게 하기 위하여 각각의 교차로를 Conv-LSTM 알고리즘기반 네트워크 시스템으로 구성하였다.