• 한국인터넷방송통신학회논문지
• /
• 제23권6호
• /
• pp.61-67
• /
• 2023

5G의 도래와 스마트 디바이스의 급격한 증가는 멀티 액세스 엣지 컴퓨팅(MEC)의 중요성을 부각시켰다. 이런 흐름 속에서, 특히 계산 집약적이고 지연시간에 민감한 애플리케이션의 효과적인 처리가 큰 관심을 받고 있다. 본 논문에서는 이러한 도전 과제를 해결하기 위해 확률적인 MEC 환경을 고려한 새로운 태스크 오프로딩 전략을 연구한다. 먼저 동적인 태스크 요청 빈도와 불안정한 무선 채널 상태를 감안하여 차량의 전력 소모와 지연시간을 최소화하는 방안을 제시한다. 그리고 심층 강화학습(DRL) 기반의 오프로딩 기법을 중심으로 연구를 진행하였고, 로컬 연산 및 오프로딩 전송 전력 사이의 최적의 균형을 찾기 위한 방법을 제안한다. Deep Deterministic Policy Gradient (DDPG)와 Deep Q-Network (DQN) 기법을 활용하여 차량의 전력 사용량과 큐잉 지연시간을 분석하였다. 이를 통해 차량 기반의 MEC 환경에서의 최적의 성능 향상 전략을 도출 및 검증하였다.

• Journal of Communications and Networks
• /
• 제12권6호
• /
• pp.582-591
• /
• 2010

Probabilistic modeling and analysis of correlation metrics have been receiving considerable interest for a long period of time because they can be used to evaluate the performance of communication receivers, including satellite broadcasting receivers. Although differential correlators have a simple structure and practical importance over channels with severe frequency offsets, closedform expressions for the output distribution of differential correlators do not exist. In this paper, we present detection error probability expressions for frame synchronization using differential correlation, and demonstrate their accuracy over channel parameters of practical interest. The derived formulas are presented in terms of the Marcum Q-function, and do not involve numerical integration, unlike the formulas derived in some previous studies. We first determine the distributions and error probabilities for single-span differential correlation metric, and then extend the result to multispan differential correlation metric with certain approximations. The results can be used for the performance analysis of various detection strategies that utilize the differential correlation structure.

• International journal of advanced smart convergence
• /
• 제13권2호
• /
• pp.61-68
• /
• 2024

In the quest for advancing diabetes diagnosis, this study introduces a novel two-step machine learning approach that synergizes the probabilistic predictions of Logistic Regression with the classification prowess of Random Forest. Diabetes, a pervasive chronic disease impacting millions globally, necessitates precise and early detection to mitigate long-term complications. Traditional diagnostic methods, while effective, often entail invasive testing and may not fully leverage the patterns hidden in patient data. Addressing this gap, our research harnesses the predictive capability of Logistic Regression to estimate the likelihood of diabetes presence, followed by employing Random Forest to classify individuals into diabetic, pre-diabetic or nondiabetic categories based on the computed probabilities. This methodology not only capitalizes on the strengths of both algorithms-Logistic Regression's proficiency in estimating nuanced probabilities and Random Forest's robustness in classification-but also introduces a refined mechanism to enhance diagnostic accuracy. Through the application of this model to a comprehensive diabetes dataset, we demonstrate a marked improvement in diagnostic precision, as evidenced by superior performance metrics when compared to other machine learning approaches. Our findings underscore the potential of integrating diverse machine learning models to improve clinical decision-making processes, offering a promising avenue for the early and accurate diagnosis of diabetes and potentially other complex diseases.

• 한국인터넷방송통신학회논문지
• /
• 제13권3호
• /
• pp.103-109
• /
• 2013

대표적인 소수판별법으로 밀러-라빈 방법이 적용되고 있다. 밀러-라빈 판별법은 카마이클 수 또는 반소수가 합성수임에도 불구하고 소수로 잘못 판별하는 단점이 있어 m=[2,n-1], (m,n)=1인 m을 k개 선택하여 소수 여부를 판별한다. 밀러-라빈 방법은 $n-1=2^sd$, $0{\leq}r{\leq}s-1$에 대해 $m^d{\equiv}1$(mod n) 또는 $m^{2^rd}{\equiv}-1$(mod n)로 소수를 판별한다. 본 논문은 m=2로 한정시켜 98.9%를 판별할 수 있는 알고리즘을 제안한다. 제안된 방법은 $n=6k{\pm}1$, $n_1{\neq}5$로 1차로 합성수 여부를 판별한다. 2차에서는 $2^{2^{s-1}d}{\equiv}{\beta}_{s-1}$(mod n)과 $2^d{\equiv}{\beta}_0$(mod n)로 판별하였으며, 3차에서는 ${\beta}_0$ >1이면 $1{\leq}r{\leq}s-2$에서 ${\beta}_r{\equiv}-1$ 존재 여부로, ${\beta}_0=1$이면 m=3,5,7,11,13,17을 순서대로 적용하였다. 제안된 알고리즘을 n=[101,1000]에 적용한 결과 ${\beta}_0$ >1은 26개로 3.0%, ${\beta}_0$ = 1은 0.55%만 수행되었으며, 96.55%는 초기에 판별할 수 있었다.

• 인터넷정보학회논문지
• /
• 제17권6호
• /
• pp.17-23
• /
• 2016

사물인터넷 (IoT)과 같은 미래 망에서, 컴퓨팅 기기의 수는 기하급수적으로 증가할 것으로 예상되고, 각 사물들은 서로 통신하고 스스로 정보를 획득한다. 사물 인터넷 응용에 대한 관심 증가로 사물통신 (M2M)과 같은 기회적 애드혹 망에서 데이터를 전달하는 방송은 중요한 기술이다. 그리고 IoT를 위한 분산 망에서, 노드들의 에너지 효율성은 망 성능에서 중요한 요인이다. 이 논문에서, 우리는 전송 노드의 에너지 충전률, 사본 밀도 비율 그리고 송 수신 노드간의 거리률에 기초한 퍼지 논리에 따라 확률적으로 데이터를 전파하는 퍼지 논리 기반 멀티홉 방송 알고리즘 FPMCAST를 제안한다. 제안하는 FPMCAST에서, 추론 엔진은 입 출력 매개변수를 입 출력 소속 함수로 사상하는 27개의 if-then 규칙들로 구성된 퍼지 규칙 베이스에 기초한다. 퍼지 시스템의 출력은 재방송 확률에 대한 퍼지 집합을 정의하고, 그 퍼지 집합으로부터 수치 결과를 추출하기 위하여 비 퍼지화가 사용된다. 여기서 퍼지 집합을 비 퍼지화하기 위하여 무게중심법이 사용된다. 그리고 모의실험을 통하여 제안하는 FPMCAST의 성능을 평가한다. 모의실험으로부터, 우리는 제안하는 FPMCAST 알고리즘이 플러딩 알고리즘과 가시핑 알고리즘 보다 우수함을 입증하였다. 특히, FPMCAST 알고리즘은 각 노드의 잔여 에너지를 균등하게 소비하기 때문에 더 긴 망 수명을 갖는다.