• 컴퓨터교육학회논문지
• /
• 제12권2호
• /
• pp.77-86
• /
• 2009

대용량 연구자원과 실시간 데이터 전달을 필요로 하는 대용량 어플리케이션은 현재의 인터넷 환경보다 더 안정적이고 성능이 우수한 네트워킹 환경을 요구하고 있다. 최근의 글로벌 연구망에서는 이러한 어플리케이션의 요구를 충족하기 위해 람다 네트워킹 기술과 자원할당 시스템의 활용에 초점을 맞추고 있다. 본 논문에서는 성능과 안정성이 우수한 람다네트워킹의 장점을 반영하기 위해 기존 DRS(Dynamic Right-Sizing) 모델을 수정하였다. 아울러, 융합형 NRPS(Network Resource Provisioning System) 모델에 본 논문의 수정된 DRS 모델을 적용한 고성능 람다 네트워크의 설계방안을 제시한다.

• 한국정보처리학회논문지
• /
• 제3권3호
• /
• pp.478-492
• /
• 1996

병렬 구문을 갖지 않는 함수 프로그램의 병렬 수행을 위해 람다 계산 해석법(λ- calculus encoding)이 도입되었고 이것은 함수 프로그램을 프로세스 계산(process calculus) 을 이용하여 프로세스망으로 구성하고 프로세스간의 통신 행위에 의해 결과를 얻는 새로운 계산 모델에서 사용될 수 있다. 그러나 람다 계산 해석 법은 상수식 조차도 너무 많은 통신 행위를 야기시키는 문제가 지적되어 왔다. 본 논문은병렬 구문을 갖지 않는 컴비네이터 프로그램을 위한 해석법을 제안한다. 또 이것은 프로세스망 리덕션을 결합할 수 있도록 계산 프로세스인 초어 프로세스(chore process ; chore)를 도입한다. 초어는 지역 그래프 리덕션이 가능한 상수식을 위한 그래프 리덕션 함수를 포함할 수 있으며 초어 프로세스의 생성은 주어진 컴비네이터 프로그램에 대한 표식과 변환에 의해 추출되는 컴비네이터 적용식을 포함하지 않는 G-감축가능한 (G-reducible) 부분식으로부터 이루어진다. 본 논문은 이러한 초어 프로세스를 포함하는 해석법으로 생성된 프로세스망이 초어를 갖지 않는 것보다 더 적은 통신 행위의 회수를 발생한다는 것을 보인다.

• 한국콘텐츠학회논문지
• /
• 제6권3호
• /
• pp.28-37
• /
• 2006

인터넷 기술은 지난 30여 년간 비약적으로 발전하여 모든 산업분야를 변혁시키고 개인과 기업의 필수도 구로서 국가의 중요한 기반시설로 자리 잡았다. 1990년대 중반부터 선진국들은 인터넷을 과학 및 교육 분야의 발전에 가장 중요한 기반시설의 하나로 인식하고 국가 연구 교육망을 구축하고 이를 새로운 망 기술과 과학 기술 개발을 위한 도구로 제공하고 있다. 이 논문에서 우리는 선진국의 연구 교육망 발전 현황을 종합적으로 살펴보고, 국내 첨단망 활동을 선진국과 비교하여 문제점 분석하고, 이를 토대로 한국 첨단망의 발전 방안을 제시하였다.

• 대한전자공학회논문지TC
• /
• 제41권12호
• /
• pp.41-49
• /
• 2004

최근 인터넷 사용자 수의 증가와 새로운 서비스의 등장으로 각 응용의 요구 대역폭이 증가하였다. 따라서 Internet 트래픽은 폭주하게 되었고, 고속의 백본(backbone) 네트워크가 필요하게 되었다. 이러한 요구는 IP packet switching과 wavelength switching 모두를 동시에 수행하면서 대용량의 대역폭을 지원할 수 있는 GMPLS(Generalized Multi-protocol Label Switching) 기반의 OXC(Optical cross-connects)에 의해 만족될 수 있다. 이러한 요구를 위해서는 Core망에 많은 수의 파장 변환기가 필요하고, 구축 및 운용비용(cost-effective)이 효율적일 뿐만 아니라 최적의 트래픽 전송제한을 받는 문제점을 갖고 있다. 따라서 본 논문에서는 GMPLS망에서 개선된 Lightpath setup을 위한 GMPLS의 RSVP-TE 시그널링을 제안하였다. 제안한 알고리즘은 setup 시그널링이 블로킹 되었을 때, edge router까지 PathErr 메시지를 전송하는 것이 아니라 파장 변환을 수행할 수 있는 최단거리에 위치한 람다 라우터를 찾고, 그 노드로부터 setup 시그널링을 다시 수행한다. 본 알고리즘은 Lightpath setup 시그널링의 블로킹 확률을 줄일 수 있으며, 적절한 파장 변환기 수를 산출하여 core망에서 람다 라우터의 효율적인 배치도 구현할 수 있을 것으로 사료된다.

• 정보처리학회논문지:소프트웨어 및 데이터공학
• /
• 제9권6호
• /
• pp.177-186
• /
• 2020

최근 딥러닝(Deep Learning) 기술의 발전에 따라 컴퓨터 비전(Computer Vision) 분야의 이미지 인식 성능이 향상되고 있으며, 또한 Serverless Computing이 이벤트 기반의 클라우드 애플리케이션 개발 및 서비스를 위한 차세대 클라우드 컴퓨팅 기술로 각광받고 있어 딥러닝과 Serverless Computing 기술을 접목하여 실생활에 이미지 인식 서비스를 사용하고자 하는 시도가 증가하고 있다. 따라서 본 논문에서는 Serverless Computing 기술을 활용하여 효율적인 딥러닝 기반 이미지 인식 서비스 시스템 개발 방법을 기술한다. 제안하는 시스템은 Serverless Computing 기반 AWS Lambda Server를 이용하여 적은 비용으로 대형 신경망 모델을 사용자에게 서비스할 수 있는 방법을 제안한다. 또한 AWS Lambda Server의 단점인 Cold Start Time 문제와 용량제한 문제를 해결하여 효과적으로 대형 신경망 모델을 사용하는 Serverless Computing 시스템을 구축할 수 있음을 보인다. 실험을 통해 AWS Lambda Serverless Computing 기술을 활용하여 본 논문에서 제안한 시스템이 비용 절감뿐만 아니라 처리 시간 및 용량제한 문제를 해결하여 대형 신경망 모델을 서비스하기에 효율적인 성능을 보임을 확인하였다.

• 한국정보통신학회논문지
• /
• 제25권1호
• /
• pp.27-35
• /
• 2021

본 논문에서는 인공 신경망이 과거 학습 데이터의 정보를 망각하는 치명적 망각(Catastrophic Forgetting) 현상을 개선하기 위해, 학습할 데이터에 따라서 가변적으로 정규화 강도를 조절하는 방법을 제안한다. 이를 위하여 과거에 학습된 데이터와 현재 학습할 데이터들의 관계를 측정하는 방법을 사용하였다. 성능 평가를 위해 MNIST, EMNIST 데이터를 사용하였다. 3가지 시나리오에서 실험한 결과, 같은 도메인을 갖는 데이터의 경우, 이전 태스크의 정확도가 0.1~3%, 다른 도메인을 갖는 데이터의 경우 이전 태스크(Task)의 정확도가 10~13% 향상 시킬 수 있었다. 이는 본 논문의 방법으로, 도메인이 다른 경우, 망각률이 줄어든 것을 의미한다. 다양한 도메인을 가진 데이터를 연속적으로 학습할 경우, 이전 태스크들의 정확도가 모두 50% 이상을 달성하였고 평균 정확도가 약 7% 향상되었다.

• 한국항만경제학회지
• /
• 제31권3호
• /
• pp.155-166
• /
• 2015

본 논문은 효율적인 컨테이너 터미널의 영향력을 평가하기 위해 광양항과 부산항 컨테이너 터미널을 분석대상으로 선정하였다. 연구방법은 DEA분석(CCR, BCC모형) 후 DMU를 노드로 하고, DEA(BCC모형)의 참조집단과 람다값을 이용하여 사회 네트워크를 생성하고 아이겐벡터 중심성 분석에 의해 효율적인 DMU들의 영향력을 분석하였다. 분석결과는 첫째, DEA분석 결과 CCR효율성은 부산항의 PNC, HJNC, HPNT 컨테이너 터미널이 효율성 1이고, BCC효율성은 부산항의 신감만부두, 우암부두, PNC, HJNC, HPNT, BNCT 컨테이너 터미널이 효율성 1이다. 둘째, SNA분석 결과 아이겐벡터 중심성 분석에 의하면 HJNC터미널이 0.515로 가장 많이 참조되고 있는 컨테이너 터미널로 영향력이 가장 높은 것으로 볼 수 있다. PNC터미널이 0.512, 우암부두가 0.379, 순이고 광양항의 CJ대한통운 전체 영향력에서는 4위이나, 광양항 컨테이너 터미널 중에서는 0.256으로 가장 영향력있는 컨테이너 터미널이다.

• 한국정보통신학회논문지
• /
• 제26권1호
• /
• pp.15-23
• /
• 2022

지속적 학습 환경을 위한 학습 방법 중 LwF(Learning without Forgetting)는 정규화 강도가 고정되어 있어 다양한 데이터가 들어오는 환경에서 성능이 하락 할 수 있다. 본 논문에서는 학습하려는 데이터의 특징을 파악하여 가중치를 가변적으로 설정할 수 있는 방법을 제안하고, 실험으로 성능을 검증한다. 상관 관계와 복잡도를 이용하여 적응적으로 가중치를 적용하도록 하였다. 평가를 위해 다양한 데이터를 가진 태스크가 들어오는 시나리오를 구성하여 실험을 진행하였고, 실험 결과 새로운 태스크의 정확도가 최대 5%, 이전 태스크의 정확도가 최대 11% 상승하였다. 또한, 본 논문에서 제안한 알고리즘으로 구한 적응적 가중치 값은, 각 실험 시나리오마다 반복적 실험에 의해, 수동으로 계산한 최적 가중치 값에 접근한 것을 알 수 있었다. 상관 계수 값은 0.739 이었고, 전체적으로 평균 태스크 정확도가 상승하였다. 본 논문의 방법은, 새로운 태스크를 학습할 때마다 적절한 람다 값을 적응적으로 설정하였으며, 본 논문에서 제시한 여러 가지 시나리오에서 최적의 결과값을 도출하고 있다는 것을 알 수 있다.