• 한국지능시스템학회논문지
• /
• 제16권5호
• /
• pp.531-536
• /
• 2006

센서 기술과 무선 통신 기술의 발달로 무선 센서 네트워크 환경에서 데이터 처리 중심의 미들웨어에 대한 연구가 크게 증가하고 있다. 무선 센서 네트워크에서 효율적인 데이터 처리와 신속한 전송을 위해 사용되는 미들웨어는 순간적인 데이터 밀집현상(burstness)으로 발생하는 중간 노드의 데이터 손실 문제를 해결하여야 하며, 이를 위해 폐기정책을 사용하거나 전송해야 할 데이터양을 최소화하는 압축 기법이 사용되고 있다. 그러나 폐기정책은 수집된 데이터의 정확성을 저하시키는 문제점이 있으며, 압축기법은 알고리즘 복잡도가 커서 추가적으로 프로세싱 오버헤드가 커지는 문제점을 지니고 있다. 본 논문에서는 계산 능력, 소비 전력 등 극히 한정된 자원만을 사용하여 데이터를 전달해야 하는 무선 센서 네트워크 환경에서 수집된 데이터의 효율성 및 정확성을 향상시킬 수 있는 Delta-Average 기법을 제시하였다. 제안된 기법을 통해 평균화 방식을 이용함으로써 순간적인 데이터 밀집현상으로부터 중복된 데이터에 대한 불필요한 전송을 방지하면서 정확성을 높이도록 하였다. 마지막으로 제안된 기법의 성능을 평가하기 위해 TinyDB에서 TOSSIM 시뮬레이션을 수행하였으며, 성능분석 결과를 통해 데이터 정확성이 향상되었음을 입증하였다.

• 정보처리학회논문지:컴퓨터 및 통신 시스템
• /
• 제10권7호
• /
• pp.191-198
• /
• 2021

분산 딥러닝은 각 노드에서 지역적으로 업데이트한 지역 파라미터를 동기화는 과정이 요구된다. 본 연구에서는 분산 딥러닝의 효과적인 파라미터 동기화 과정을 위해, 레이어 별 특성을 고려한 allreduce 통신과 연산 오버래핑(overlapping) 기법을 제안한다. 상위 레이어의 파라미터 동기화는 하위 레이어의 다음 전파과정 이전까지 통신/계산(학습) 시간을 오버랩하여 진행할 수 있다. 또한 이미지 분류를 위한 일반적인 딥러닝 모델의 상위 레이어는 convolution 레이어, 하위 레이어는 fully-connected 레이어로 구성되어 있다. Convolution 레이어는 fully-connected 레이어 대비적은 수의 파라미터를 가지고 있고 상위에 레이어가 위치하므로 네트워크 오버랩 허용시간이 짧고, 이를 고려하여 네트워크 지연시간을 단축할 수 있는 butterfly all-reduce를 사용하는 것이 효과적이다. 반면 오버랩 허용시간이 보다 긴 경우, 네트워크 대역폭을 고려한 ring all-reduce를 사용한다. 본 논문의 제안 방법의 효과를 검증하기 위해 제안 방법을 PyTorch 플랫폼에 적용하여 이를 기반으로 실험 환경을 구성하여 배치크기에 대한 성능 평가를 진행하였다. 실험을 통해 제안 기법의 학습시간은 기존 PyTorch 방식 대비 최고 33% 단축된 모습을 확인하였다.

• 정보처리학회논문지:컴퓨터 및 통신 시스템
• /
• 제7권12호
• /
• pp.301-312
• /
• 2018

오늘날 산업용 무선 센서 망 환경에서 화재나 유독가스와 같은 연속 개체 탐지는 위험성과 대규모 피해로 인해 중요한 문제로 다뤄지고 있다. 연속 개체는 한 지점에서 발생하여 점차 넒은 범위로 확산되는 특징을 가지기 때문에 자원 제약적인 무선 센서 망 환경에서 연속 개체를 탐지한 다수의 센서 노드가 고정 싱크에게 데이터를 전송하게 되면 막대한 통신 오버헤드가 발생하게 된다. 따라서 기존 연구에서는 실시간으로 확장되는 연속 개체를 정확하게 탐지하고, 다량의 센싱 데이터를 에너지 효율적인 방식으로 전송하는 데에 중점을 두었다. 그러나 최근 들어 화재 진압과 같은 실시간 대응이 필요한 응용분야를 위해 연속 개체 탐지에 이동 싱크 도입이 필요하다는 의견이 나타나고 있다. 이러한 경우, 이동 싱크의 위치 갱신을 위해 다수의 소스와 이동 싱크 간 통신이 빈번하게 일어남으로써 무선 센서망의 에너지 소모가 급격하게 증가하는 문제가 발생한다. 본 논문에서는 무선 센서 망을 이용한 연속 개체 탐지에서 이동 싱크를 지원하기 위한 발원점 중심의 통신 방안을 제안한다. 실험결과는 제안 방안이 기존 방안에 비해 이동 싱크의 위치정보 갱신 및 센싱 데이터 보고에 더 적은 에너지를 소모함을 보인다.

• 인터넷정보학회논문지
• /
• 제16권1호
• /
• pp.67-74
• /
• 2015

최근, 아이템들의 가치를 고려한 빈발 아이템셋 마이닝 방법은 데이터 마이닝 분야에서 가장 중요한 이슈 중 하나로 활발히 연구되어왔다. 아이템들의 가치를 고려한 마이닝 기법들은 적용 방법에 따라 크게 가중화 빈발 아이템셋 마이닝, 트랜잭션 가중치 기반의 빈발 아이템셋 마이닝, 유틸리티 아이템셋 마이닝으로 구분된다. 본 논문에서는 트랜잭션 가중치 기반의 빈발 아이템셋 마이닝들에 대해 실증적인 분석을 수행한다. 일반적으로 트랜잭션 가중치 기반의 빈발 아이템셋 마이닝 기법들은 데이터베이스 내 아이템들의 가치를 고려함으로써 트랜잭션 가중치를 계산한다. 또한, 그 기법들은 계산된 각 트랜잭션의 가중치를 바탕으로 가중화 빈발 아이템셋들을 마이닝 한다. 트랜잭션 가중치는 트랜잭션 내에 높은 가치의 아이템이 많이 포함 될수록 높은 값으로 나타나기 때문에 우리는 각 트랜잭션의 가중치의 분석을 통해 그 가치를 파악할 수 있다. 우리는 트랜잭션 가중치 기반의 빈발 아이템셋 마이닝 기법 중에서 가장 유명한 알고리즘인 WIS와 WIT-FWIs, IT-FWIs-MODIFY, WIT-FWIs-DIFF의 장 단점을 분석하고 각각의 성능을 비교한다. WIS는 트랜잭션 가중치 기반의 빈발 아이템셋 마이닝의 개념과 그 기법이 처음 제안된 알고리즘이며, 전통적인 빈발 아이템셋 마이닝 기법인 Apriori를 기반으로 하고 있다. 또 다른 트랜잭션 가중치 기반의 빈발 아이템셋 마이닝 방법인 WIT-FWIs와 WIT-FWIs-MODIFY, WIT-FWIs-DIFF는 가중화된 빈발 아이템셋 마이닝을 더 효율적으로 수행하기 위해 격자구조(Lattice) 형태의 특별한 저장구조인 WIT-tree를 이용한다. WIT-tree의 각 노드에는 아이템셋 정보와 아이템셋이 포함된 트랜잭션의 ID들이 저장되며, 이 구조를 사용함으로써 아이템셋 마이닝 과정에서 발생되는 다수의 데이터베이스 스캔 과정이 감소된다. 특히, 전통적인 알고리즘들이 수많은 데이터베이스 스캔을 수행하는 반면에, 이 알고리즘들은 WIT-tree를 이용해 데이터베이스를 오직 한번만 읽음으로써 마이닝과정에서 발생 가능한 오버헤드 문제를 해결한다. 또한, 공통적으로 길이 N의 두 아이템셋을 이용해 길이 N+1의 새로운 아이템셋을 생성한다. 먼저, WIT-FWIs는 각 아이템셋이 동시에 발생되는 트랜잭션들의 정보를 활용하는 것이 특징이다. WIT-FWIs-MODIFY는 조합되는 아이템셋의 정보를 이용해 빈도수 계산에 필요한 연산을 줄인 알고리즘이다. WIT-FWIs-DIFF는 두 아이템셋 중 하나만 발생한 트랜잭션의 정보를 이용한다. 우리는 다양한 실험환경에서 각 알고리즘의 성능을 비교분석하기 위해 각 트랜잭션의 형태가 유사한 dense 데이터와 각 트랜잭션의 구성이 서로 다른 sparse 데이터를 이용해 마이닝 시간과 최대 메모리 사용량을 평가한다. 또한, 각 알고리즘의 안정성을 평가하기 위한 확장성 테스트를 수행한다. 결과적으로, dense 데이터에서는 WIT-FWIs와 WIT-FWIs-MODIFY가 다른 알고리즘들보다 좋은 성능을 보이고 sparse 데이터에서는 WIT-FWI-DIFF가 가장 좋은 효율성을 갖는다. WIS는 더 많은 연산을 수행하는 알고리즘을 기반으로 했기 때문에 평균적으로 가장 낮은 성능을 보인다.