• 한국정보과학회논문지:정보통신
• /
• 제34권6호
• /
• pp.435-445
• /
• 2007

Snoop 프로토콜은 유 무선 혼합망에서 무선 링크에서 발생하는 TCP 패킷 손실을 효과적으로 보상하여 TCP 전송률을 향상시킬 수 있는 효율적인 프로토콜이다. 하지만, 무선 링크에서 연집한 패킷 손실이 발생하는 경우에는 지역 재전송을 효과적으로 수행하지 못하여 전송 효율이 떨어진다는 문제점이 있다. 이러한 Snoop 프로토콜의 문제점을 개선하기위해 무선 구간에서 TCP-SACK의 장점을 활용한 SACK-Aware-Snoop, SNACK 메커니즘 등이 제안되었다. SACK-Aware-Snoop, SNACK 메커니즘은 연집한 패킷손실 환경에서도 Snoop 프로토콜보다 높은 전송률을 보장하지만 전송 계층의 ACK 패킷을 기반으로 재전송을 수행한다는 점은 ACK 패킷의 손실에 심각한 전송 성능 저하를 가져오며, 무선 구간에서 SACK 옵션의 사용은 무선망의 대역폭과 이동 단말의 한정된 에너지 자원을 불필요하게 낭비하는 문제를 초래하게 된다. 본 논문에서는 이러한 문제점을 개선하기 위해 Cross-layer 기법을 적용한 지역 재전송 기법인 C-Snoop(Cross-layer Snoop) 프로토콜을 제안한다. C-Snoop 프로토콜은 현재 유 무선 혼합망에서 가장 널리 사용되는 IEEE 802.11 MAC 프로토콜 기반의 지역 재전송 메커니즘으로서, MAC 계층의 ACK 패킷과 새로이 제안된 지역 재전송 타이머에 의해 효율적인 지역 재전송을 수행한다. ns-2 시뮬레이터를 이용한 실험을 통해 C-Snoop의 지역 재전송 기법은 무선 구간의 연집적인 패킷 손실에 대해 효율적인 보상을 수행하며, 이동 단말의 에너지 효율성을 향상시키는 것을 확인할 수 있었다.

• 전자공학회논문지
• /
• 제53권6호
• /
• pp.110-121
• /
• 2016

색 항상성 알고리즘의 주된 목적은 광원의 색도를 추정하는 것으로, 최근 통계 기반과 학습 기반 및 통계와 학습의 조합 기반의 색 항상성 알고리즘들이 다양하게 연구되고 있다. 통계 기반 알고리즘은 특정 가정을 만족하는 영상들에 대해서만 수행이 가능하고, 학습 기반 알고리즘은 정확한 전처리와 학습 데이터가 요구되는 복잡한 방법이다. 그리고 통계와 학습의 조합 기반 알고리즘은 사전에 결정되거나 동적으로 변하는 가중치에 따라 결과가 의존적이기 때문에, 이를 정의하기 어려울 뿐만 아니라 에러에도 민감하다. 따라서 본 논문은 복잡한 전처리를 요구하지 않으며, 다양한 환경 조건 하에서 광원 추정이 가능한 새로운 최적화 방법을 제안한다. 영상 내에서 광원의 영향이 강하게 미치는 부분은 한 채널의 표준 편차가 나머지 두 채널에 비해 큰 차이를 가진다. 이 가정을 기반으로, 광원 정도(DIT, degree of illumiinant tinge)라고 불리는 비용 함수는 광원이 보정된 영상의 질을 결정하기 위해 제안된다. 표준 광원(d65) 하의 영상이 다른 광원 하의 영상에 비해 더 작은 DIT 값을 가진다. 본 논문에서 군집단 최적화(PSO, particle swarm optimization) 기반의 집단지성(swarm intelligence)은 DIT를 최소화하기 위해, 주어진 영상의 최적 광원을 찾는데 사용된다. 제안한 방법은 실세계 데이터셋을 통해 평가하였고, 실험 결과는 제안된 방법의 효율성을 입증하였다.