http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
ATM 스위치를 이용한 다중컴퓨터의 메시지 전달망 구조
박혜숙(HeaSook Park),문승진(SungJin Moon),권보섭(Boseob Kwon),송광석(KwangSuk Song) 한국정보과학회 1998 한국정보과학회 학술발표논문집 Vol.25 No.2Ⅲ
메시지에 기반을 둔 다중컴퓨터는 프로세서들간에 고속통신을 위한 연결 망을 요구한다. ATM 스위치는 대규모의 다중컴퓨터를 구성하기에 유리한 접근 방식을 제공하며, 낮은 지연 시간과 고성능을 제공하는 특성을 가진다. 본 논문은 고속 ATM 스위치를 통한 프로세서들간의 정보를 송신/수신하는 셀 라우터를 설명한다. 고속 ATM 스위치를 효율적으로 사용하기 위하여, 본 논문은 다중화와 역 다중화을 가지는 계층적 구조를 제안한다. 일반 연결 망에서 라우팅을 위해 착신주소를 가지는 기본 단위는 메시지이지만, ATM 망에서는 셀이라고 부르는 고정된 크기의 프레임이 기본 단위이다. 셀은 VPI와 VCI를 가지며, 이는 송신/수신 프로세서의 구별자로서 사용된다. 결론적으로 제안한 고속 셀 라우터와 계층적 구조는 메시지 전송 지연의 관점에서 이점을 가질 수 있다.
Ethernet-PON 액세스 망의 IP DiffServ 기반 QoS 구조 설계
박혜숙 ( Heasook Park ),양선희 ( Sunhee Yang ),윤청 ( Cheong Youn ) 한국정보처리학회 2004 한국정보처리학회 학술대회논문집 Vol.11 No.2
본 논문은 Ethernet-PON 액세스 망의 QoS(Quality of Service)에 관한 것으로 액세스 망의 구조를 설명하고, QoS 요구사항을 응용프로그램, 사용자, 서비스측면에서 도출하였으며, 시스템별 세부 요구 사항을 정리하였다. 또한, IP DiffServ 기반으로 Ttriple Play 서비스의 품질 서비스를 제공하기 위한 구조를 설계하고 향후 발전방향을 고찰하였다.
Deep Q 학습 기반의 다중경로 시스템 경로 선택 알고리즘
정병창,박혜숙,Chung, Byung Chang,Park, Heasook 한국정보통신학회 2021 한국정보통신학회논문지 Vol.25 No.1
다중경로 시스템은 유선망, LTE망, 위성망 등 다양한 망을 동시에 활용하여 데이터를 전송하는 시스템으로, 통신망의 전송속도, 신뢰도, 보안성 등을 높이기 위해 제안되었다. 본 논문에서는 이 시스템에서 각 망의 지연시간을 보상으로 하는 강화학습 기반 경로 선택 방안을 제안하고자 한다. 기존의 강화학습 모델과는 다르게, deep Q 학습을 이용하여 망의 변화하는 환경에 즉각적으로 대응하도록 알고리즘을 설계하였다. 네트워크 환경에서는 보상 정보를 일정 지연시간이 지나야 얻을 수 있으므로 이를 보정하는 방안 또한 함께 제안하였다. 성능을 평가하기 위해, 분산 데이터베이스와 텐서플로우 모듈 등을 포함한 테스트베드 학습 서버를 개발하였다. 시뮬레이션 결과, 제안 알고리즘이 RTT 감소 측면에서 최저 지연시간을 선택하는 방안보다 20% 가량 좋은 성능을 가지는 것을 확인하였다. Multi-path system is a system in which utilizes various networks simultaneously. It is expected that multi-path system can enhance communication speed, reliability, security of network. In this paper, we focus on path selection in multi-path system. To select optimal path, we propose deep reinforcement learning algorithm which is rewarded by the round-trip-time (RTT) of each networks. Unlike multi-armed bandit model, deep Q learning is applied to consider rapidly changing situations. Due to the delay of RTT data, we also suggest compensation algorithm of the delayed reward. Moreover, we implement testbed learning server to evaluate the performance of proposed algorithm. The learning server contains distributed database and tensorflow module to efficiently operate deep learning algorithm. By means of simulation, we showed that the proposed algorithm has better performance than lowest RTT about 20%.