지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 발행연도
- 2019
- 저작권
- 서울대학교 논문은 저작권에 의해 보호받습니다.
이용수0
이 논문의 연구 히스토리 (3)
2019
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
모바일 기기의 부족한 컴퓨팅 파워와 배터리 용량으로 인해 연산량이 많은 어플리케이션을 모바일 기기에서 수행하기에는 무리가 있다. 이에 대한 해결책 중 하나는 중앙 클라우드 서버로 연산을 오프로딩 하여 서버가 연산을 대신 수행하도록 하는 것이다. 하지만 중앙 클라우드 서버를 이용하게 되면 데이터를 주고 받으며 발생하는 시간 지연(latency)이 커지게 된다. 이러한 시간 지연은 실시간으로 연산을 해야 하는 어플리케이션의 수행을 어렵게 만든다.
중앙 클라우드 서버의 시간 지연 문제를 해결하기 위해 모바일 엣지 컴퓨팅(MEC)이라는 새로운 패러다임이 등장했다. 모바일 엣지 컴퓨팅에서는 모바일 기기와 가까운 엣지 서버로 연산을 오프로딩 하기 때문에 전통적인 클라우드 컴퓨팅에서 중앙 서버를 이용하기 때문에 발생했던 시간 지연을 줄일 수 있다. 하지만 모바일 엣지 컴퓨팅 환경에서는 모바일 유저가 이동하면서 오프로딩하는 서버가 계속해서 바뀌게 된다. 서버가 바뀔 때마다 오프로딩에 필요한 데이터를 다시 전송해야 하고, 데이터를 전송하는 동안은 서버를 이용할 수 없기 때문에 성능 저하가 발생한다.
본 논문에서는 모바일 유저의 과거 위치정보를 기반으로 이동경로를 예측하여 다음에 연결될 엣지 서버로 연산 오프로딩을 위한 데이터를 미리 보내 전체적인 오프로딩 성능을 향상시킬 수 있도록 이동경로를 예측하는 모델을 제시한다. 이동경로 예측 모델은 Markov Model, Support Vector Regression, Recurrent Neural Network를 사용하여 구현하였고, 시뮬레이션을 통해 이동경로 예측 모델이 모바일 엣지 컴퓨팅 환경에서의 연산 오프로딩 성능을 향상시키는 것을 확인하였다.
중앙 클라우드 서버의 시간 지연 문제를 해결하기 위해 모바일 엣지 컴퓨팅(MEC)이라는 새로운 패러다임이 등장했다. 모바일 엣지 컴퓨팅에서는 모바일 기기와 가까운 엣지 서버로 연산을 오프로딩 하기 때문에 전통적인 클라우드 컴퓨팅에서 중앙 서버를 이용하기 때문에 발생했던 시간 지연을 줄일 수 있다. 하지만 모바일 엣지 컴퓨팅 환경에서는 모바일 유저가 이동하면서 오프로딩하는 서버가 계속해서 바뀌게 된다. 서버가 바뀔 때마다 오프로딩에 필요한 데이터를 다시 전송해야 하고, 데이터를 전송하는 동안은 서버를 이용할 수 없기 때문에 성능 저하가 발생한다.
본 논문에서는 모바일 유저의 과거 위치정보를 기반으로 이동경로를 예측하여 다음에 연결될 엣지 서버로 연산 오프로딩을 위한 데이터를 미리 보내 전체적인 오프로딩 성능을 향상시킬 수 있도록 이동경로를 예측하는 모델을 제시한다. 이동경로 예측 모델은 Markov Model, Support Vector Regression, Recurrent Neural Network를 사용하여 구현하였고, 시뮬레이션을 통해 이동경로 예측 모델이 모바일 엣지 컴퓨팅 환경에서의 연산 오프로딩 성능을 향상시키는 것을 확인하였다.
목차
제 1 장 서 론 1제 2 장 모바일 엣지 컴퓨팅 32.1 모바일 엣지 컴퓨팅 환경 . . . . . . . . . . . . . . . . . . . . . . . 32.2 핸드오프시 연산 오프로딩의 성능 저하 . . . . . . . . . . . . . . . 42.3 제안하는 해결 방식 . . . . . . . . . . . . . . . . . . . . . . . . . . 4제 3 장 이동경로 예측 63.1 문제 정의 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63.2 이전 연구 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73.2.1 Markov-Based Approach . . . . . . . . . . . . . . . . . . . . 73.2.2 Deep Learning-Based Approach . . . . . . . . . . . . . . . . 73.3 이동경로 예측 모델 . . . . . . . . . . . . . . . . . . . . . . . . . . 73.3.1 Markov Model . . . . . . . . . . . . . . . . . . . . . . . . . 73.3.2 Support Vector Regression(SVR) . . . . . . . . . . . . . . . 83.3.3 Recurrent Neural Network(RNN) . . . . . . . . . . . . . . . 8제 4 장 실험 결과 및 분석 94.1 데이터셋 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94.1.1 KAIST . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94.1.2 Geolife . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94.2 이동경로 예측 모델의 정확도 . . . . . . . . . . . . . . . . . . . . . 94.3 시뮬레이션 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104.4 실험 결과 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124.4.1 Time interval 및 trajectory 길이 . . . . . . . . . . . . . . . . 124.4.2 이동경로 예측 모델 성능 . . . . . . . . . . . . . . . . . . . 144.4.3 시뮬레이션 결과 . . . . . . . . . . . . . . . . . . . . . . . . 16제 5 장 결론 19Abstract 22
최근 본 자료
댓글(0)
0