• 한국정보통신학회논문지
• /
• 제25권11호
• /
• pp.1596-1602
• /
• 2021

사물인터넷 시스템에서 배터리로 동작하는 사물인터넷 장치는 저전력 소모가 필수이다. 일반적으로 사물인터넷 장치들은 주기적으로 수면 상태에 진입하여 전력 소모를 줄인다. 하지만 비동기 사용자 요구 환경에서는 응답시간을 줄이기 위해 듀티 사이클을 줄여야 하므로 전력 소모 절감 효과가 줄어든다. 본 논문에서는 실내 전등 제어와 같은 비동기 제어가 필요한 환경에서도 장치의 전력 소모 절감 효과를 높일 수 있는 새로운 기법을 제안한다. 제안하는 반복 깨우기(repetitive wake-up) 기법은 스마트폰에서 깨우기 신호를 반복적으로 전송하고 사물인터넷 장치는 듀티 사이클을 최소화함으로써 전력 소모를 줄일 수 있다. 스마트폰 앱과 사물인터넷 장치를 구현하고 실험을 통해 제안하는 반복 깨우기 기법이 기존의 동기적 수면/활동 기법보다 최대 5배 이상 전력 소모를 줄일 수 있음을 보였다.

• 한국인터넷방송통신학회논문지
• /
• 제23권4호
• /
• pp.23-28
• /
• 2023

무선 스마트 유틸리티 네트워크 통신시스템에서는 비동기 저전력 MAC이 IEEE 802.15.4e에 의해 표준화되어 사용되고 있다. RIT(Receiver Initiated Transmission)라고 불리는 비동기 방식 MAC은 체크인터벌(RIT period)에 따라 지연시간과 전력소모가 크게 영향을 받는 특성이 있다. 체크인터벌 마다 수면에서 깨어나 자신이 수신할 데이터가 있는지 확인함으로써, 수신단 전력 소모는 획기적으로 줄일 수 있지만 송신단에서는 과도한 웨이크업 시퀀스(wakeup sequence)로 전력소모가 발생하는 단점을 가진다. 체크 인터벌을 짧게하여 과도한 웨이크업 시퀀스를 줄이면 너무 빈번한 웨이크업으로 수신단 전력 소모가 많아지게 된다. RIT 비동기식 MAC 기법에서 트래픽 부하와 체크인터벌의 운용에 따른 전력소모 성능을 분석하여 Wi-SUN 구축시 적용코자 한다.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제16권4호
• /
• pp.1224-1248
• /
• 2022

In various sensor network applications, such as climate observation organizations, sensor nodes need to collect information from time to time and pass it on to the recipient of information through multiple bounces. According to field tests, this information corresponds to most of the energy use of the sensor hub. Decreasing the measurement of information transmission in sensor networks becomes an important issue.Compression sensing (CS) can reduce the amount of information delivered to the network and reduce traffic load. However, the total number of classification of information delivered using pure CS is still enormous. The hybrid technique for utilizing CS was proposed to diminish the quantity of transmissions in sensor networks.Further the energy productivity is a test task for the sensor nodes. However, in previous studies, a clustering approach using hybrid CS for a sensor network and an explanatory model was used to investigate the relationship between beam size and number of transmissions of hybrid CS technology. It uses efficient data integration techniques for large networks, but leads to clone attacks or attacks. Here, a new algorithm called SBEA (Snowball Endurance Algorithm) was proposed and tested with a bow. Thus, you can extend the battery life of your WSN by running effective copy detection. Often, multiple nodes, called observers, are selected to verify the reliability of the nodes within the network. Personal data from the source centre (e.g. personality and geographical data) is provided to the observer at the optional witness stage. The trust and reputation system is used to find the reliability of data aggregation across the cluster head and cluster nodes. It is also possible to obtain a mechanism to perform sleep and standby procedures to improve the life of the sensor node. The sniffers have been implemented to monitor the energy of the sensor nodes periodically in the sink. The proposed algorithm SBEA (Snowball Endurance Algorithm) is a combination of ERCD protocol and a combined mobility and routing algorithm that can identify the cluster head and adjacent cluster head nodes.This algorithm is used to yield the network life time and the performance of the sensor nodes can be increased.

• 전기전자학회논문지
• /
• 제16권2호
• /
• pp.86-94
• /
• 2012

초기의 동기식 프로토콜의 대표적인 S-MAC 과 T-MAC은 듀티사이클 기법을 사용으로 주기적인 활성과 비활성을 반복함으로써 기존의 무선 MAC 프로토콜에 비하여 에너지 소모를 줄였음을 보였다. 하지만 동기식 프로토콜은 동기화를 위한 별도의 제어패킷이 사용됨으로써 에너지 효율성이 떨어지고 설계 면으로서도 복잡하다는 단점을 갖는다. 이러한 문제점을 해결하기 위하여 비동기 프로토콜인 B-MAC과 X-MAC은 CSMA매체 접근 방식과 프리엠블을 통한 전송을 하는 LPL(Low Power Listeing)기법을 사용하여 별도의 제어패킷의 사용 없이 독립적인 듀티사이클 스케줄을 가지고도 통신이 가능하도록 설계됐다. 본 논문에서는 이러한 비동기 프로토콜인 X-MAC을 기반으로 보다 높은 에너지 효율성을 갖는 무선 센서 네트워크를 위한 에너지 효율적인 비동기 방식의 센서 MAC 프로토콜을 설계한다. 이를 위하여서 송신노드와 수신노드에 프리엠블 넘버링 기법과 가상동기화기법을 설계 및 적용하였으며 대표적인 센서 노드인 TelosB센서모트를 이용하여 기존의 X-MAC 프로토콜과 에너지 효율성을 비교 및 검증한다.

• 한국학교보건학회지
• /
• 제36권3호
• /
• pp.113-125
• /
• 2023

Purpose: The purpose of this study is to develop a model for predicting mental health risk among adolescents based on health behavior information by employing a hybrid machine learning method. Methods: The study analyzed data of 51,850 domestic middle and high school students from 2022 Youth Health Behavior Survey conducted by the Korea Disease Control and Prevention Agency. Firstly, mental health risk levels (stress perception, suicidal thoughts, suicide attempts, suicide plans, experiences of sadness and despair, loneliness, and generalized anxiety disorder) were classified using the k-mean unsupervised learning technique. Secondly, demographic factors (family economic status, gender, age), academic performance, physical health (body mass index, moderate-intensity exercise, subjective health perception, oral health perception), daily life habits (sleep time, wake-up time, smartphone use time, difficulty recovering from fatigue), eating habits (consumption of high-caffeine drinks, sweet drinks, late-night snacks), violence victimization, and deviance (drinking, smoking experience) data were input to develop a random forest model predicting mental health risk, using logistic and XGBoosting. The model and its prediction performance were compared. Results: First, the subjects were classified into two mental health groups using k-mean unsupervised learning, with the high mental health risk group constituting 26.45% of the total sample (13,712 adolescents). This mental health risk group included most of the adolescents who had made suicide plans (95.1%) or attempted suicide (96.7%). Second, the predictive performance of the random forest model for classifying mental health risk groups significantly outperformed that of the reference model (AUC=.94). Predictors of high importance were 'difficulty recovering from daytime fatigue' and 'subjective health perception'. Conclusion: Based on an understanding of adolescent health behavior information, it is possible to predict the mental health risk levels of adolescents and make interventions in advance.