http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
Dummy Q-Learning 기반 MCTS 알고리즘을 이용한 셀 선택 기법
김영민(Young-Min Kim),유현민(Hyeon-Min You),홍인기(Een-Kee Hong) 한국통신학회 2021 한국통신학회 학술대회논문집 Vol.2021 No.2
현재의 네트워크 구조는 여러 무선 액세스 기술(3G, LTE, 5G NR, 등)이 함께 존재하는 이종 무선 네트워크(Heterogeneous Network)로 구성되어 있으며, 이러한 이종 무선 네트워크 환경에서 무선 단말은 원하는 서비스를 받기 위해 적절한 무선 액세스 기술들을 지원하는 기지국에 접속해야 한다. 그러나 기존 네트워크에서 사용되던 무선 액세스 기술 및 셀 선택 기법은 단말의 SINR (Signal to Interference plus Noise Ratio)과 load balancing을 기준으로 단말을 셀에 할당하기 때문에 단말의 서비스 유형은 고려하지 않아 단말이 원하는 서비스의 요구조건을 만족시키지 못할 수 있다. 본 논문에서는 이러한 문제를 해결하기 위해 Dummy Q-Learning 기반의 MCTS (Monte Carlo Tree Search) 알고리즘을 이용한 새로운 셀 선택 기법을 제안한다. 새로운 셀 선택 기법 알고리즘을 통해 3G, 4G, 5G 네트워크가 혼합된 환경 내에서 학습을 위한 시뮬레이션을 수행하고, 기존의 셀 선택 방법으로는 요구조건을 만족하지 못하던 3G, 4G 단말을 포함한 모든 단말이 요구조건을 만족하는 것을 확인할 수 있었다.
나세현(Se-Hyeon Na),김영준(Young-Jun Kim),유현민(Hyeon-Min You),안희준(Hee-Jun Ahn),홍인기(Een-Kee Hong) 한국통신학회 2021 한국통신학회 학술대회논문집 Vol.2021 No.6
급증하는 모바일 트래픽을 네트워크가 적절히 수용하고, 네트워크 성능을 유지 관리하기 위해서는 미래에 발생할 트래픽을 예측하는 것이 중요하다. 본 논문에서는 시공간 데이터를 학습시키는데 적합한 딥러닝 알고리즘인 ConvLSTM(convolutional LSTM)을 사용하여 미래 트래픽 데이터를 예측한다. 트래픽 데이터는 시간과 공간에 따라 발생하는 양상이 제각각이기 때문에 서로 다른 양상을 보이는 트래픽 데이터를 한꺼번에 학습 데이터로 사용하여 학습시키는 것은 모델의 성능을 저해할 수 있다. 따라서 본 논문에서는 나름의 트래픽 유사성에 대한 기준을 정하여 유사성에 의한 클러스터링 알고리즘을 통해 클러스터 단위로 트래픽 데이터를 학습시킨다. 본 논문은 연구에 사용한 유사도 기반 클러스터링 방법에 대해 설명하고, 클러스터의 개수를 증가시켜 학습시킬 때의 트래픽 예측 성능의 변화를 분석한다. 연구 결과, 클러스터링 개수를 증가시킬수록 예측 오류가 줄어드는 것을 확인할 수 있었다. 그러나, 너무 많은 클러스터로 나눌경우 오히려 예측 오류가 증가하였다.