KR102151870B1 - 서비스 기반 v2x 소프트웨어 환경에서의 유전 알고리즘을 활용한 서비스 소비 품질 최적화 방법 - Google Patents

서비스 기반 v2x 소프트웨어 환경에서의 유전 알고리즘을 활용한 서비스 소비 품질 최적화 방법 Download PDF

Info

Publication number
KR102151870B1
KR102151870B1 KR1020190035826A KR20190035826A KR102151870B1 KR 102151870 B1 KR102151870 B1 KR 102151870B1 KR 1020190035826 A KR1020190035826 A KR 1020190035826A KR 20190035826 A KR20190035826 A KR 20190035826A KR 102151870 B1 KR102151870 B1 KR 102151870B1
Authority
KR
South Korea
Prior art keywords
service
consumption
plan
iot devices
user
Prior art date
Application number
KR1020190035826A
Other languages
English (en)
Inventor
고인영
백경덕
문형철
Original Assignee
한국과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020190035826A priority Critical patent/KR102151870B1/ko
Application granted granted Critical
Publication of KR102151870B1 publication Critical patent/KR102151870B1/ko

Links

Images

Classifications

    • H04L67/322—
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
    • H04L67/61—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources taking into account QoS or priority requirements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • H04L67/18—
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/52—Network services specially adapted for the location of the user terminal
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/34—Reselection control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/50—Service provisioning or reconfiguring

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Genetics & Genomics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

서비스 기반 V2X 소프트웨어 환경에서의 유전 알고리즘을 활용한 서비스 소비 품질 최적화 방법 및 시스템이 개시된다. 일 실시예에 따른 서비스 소비 품질 최적화 방법은, IoT환경에서 사용자 관점에서의 서비스 소비 품질과 관련된 요소에 기초하여 사용자에 대한 IoT 기기들의 서비스 소비 계획을 수립하는 단계; 및 상기 수립된 IoT 기기들의 서비스 소비 계획에 따라 상기 사용자에게 IoT 기기들을 할당하는 단계를 포함할 수 있다.

Description

서비스 기반 V2X 소프트웨어 환경에서의 유전 알고리즘을 활용한 서비스 소비 품질 최적화 방법{OPTIMIZING PERCEIVED QUALITY OF SERVICES BY UTILIZING GENETIC ALGORITHM IN SERVICE-ORIENTED V2X SOFTWARE ENVIRONMENTS}
아래의 설명은 서비스 기반 V2X 소프트웨어 환경에서의 서비스 소비 품질을 최적화하기 위한 방법 및 시스템에 관한 것이다.
최근 가상물리시스템(Cyber Physical System, CPS) 소프트웨어를 구축하려는 시도가 늘어나고 있다. 특히,　자율 주행 자동차 산업의 성장과 함께 사물 인터넷 (Internet of Things, IoT) 기기를 활용한 차량-사물 통신(Vehicle-to-Everything, V2X) 환경은 가장 활발한 연구 분야 중 하나이다. V2X 환경에서 사용자들은 자동차를 타고 도로 위를 주행한다. 이때 주변의 IoT 기기들을 사용하게 되는데, 자동차의 높은 이동성 때문에 정적으로 배치된 IoT 기기를 사용자의 이동 경로에 맞추어 계속해서 다시 연결해주어야 한다. 하지만 단순히 네트워크 상에서 연결 가능한 IoT 기기를 연결하는 근거리 우선 방식의 경우 실제 사용자의 관점에서 해당 IoT 기기가 얼마나 효과적인지 판단하기 어렵다. 또한 더욱이 근거리 우선 방식의 IoT 기기 할당은 지나치게 많이 IoT 기기를 할당하게 되어 재연결 시 필요한 자원을 소모할 뿐 아니라 지연 시간으로 인해 사용자의 불편을 야기한다.
이에 따라 V2X 환경과 같이 사용자의 이동성이 높아 정적으로 배치된 IoT 기기들이 계속해서 재할당 되어야 할 경우, IoT 기기가 최소한으로 할당되면서도 사용자가 IoT 기기의 서비스 소비 품질의 효과를 일정수준 이상 느낄 수 있도록 하기 위한 기술이 요구된다.
서비스 기반 V2X 소프트웨어 환경에서의 유전 알고리즘을 활용한 서비스 소비 품질 최적화 방법 및 시스템을 제공할 수 있다.
V2X 환경에서 사용자의 서비스 소비 품질을 증가시키기 위하여 서비스 효과도 기준을 충족시키면서 동시에 서비스 핸드오버로 인한 서비스 지연 시간을 최소화하는 최적화 방법 및 시스템을 제공할 수 있다.
컴퓨터로 구현되는 서비스 소비 품질 최적화 시스템에 의해 수행되는 서비스 소비 품질 최적화 방법은, IoT환경에서 사용자 관점에서의 서비스 소비 품질과 관련된 요소에 기초하여 사용자에 대한 IoT 기기들의 서비스 소비 계획을 수립하는 단계; 및 상기 수립된 IoT 기기들의 서비스 소비 계획에 따라 상기 사용자에게 IoT 기기들을 할당하는 단계를 포함할 수 있다.
상기 서비스 소비 계획을 수립하는 단계는, 서비스 기반의 차량-사물 통신 환경(V2X) 환경에서 서비스 효과도의 품질과 사용자의 소비 계획에 따른 서비스 핸드오버의 발생을 고려하는 단계를 포함할 수 있다.
상기 서비스 소비 계획을 수립하는 단계는, 유전 알고리즘(Genetic Algotihm)에 기초하여 출발지와 목적지를 연결하는 경로에서 상기 IoT 기기의 서비스 핸드오버를 최소화하는 서비스 소비 계획을 탐색하는 단계를 포함하고, 상기 유전 알고리즘은, 사용자의 경로와 경로 상의 IoT 기기들의 서비스 효과도 함수를 이용하여 경로를 이동하는 사용자가 사용할 IoT 기기들의 소비 계획을 배열의 형태로 탐색할 수 있다.
상기 서비스 소비 계획을 수립하는 단계는, 각각 한 세대에 포함된 소비 계획의 개수, 유전 알고리즘을 반복할 총 세대 수, 소비 계획의 변이 확률을 포함하는 복수 개의 하이퍼파라미터 설정값을 이용하여 서비스 효과도 및 핸드오버를 고려한 서비스 소비 계획을 탐색하는 단계를 포함할 수 있다.
상기 서비스 소비 계획을 수립하는 단계는, 복수 개의 세대 중, 제N 세대에서 일정 수의 무작위 IoT 기기의 제1 소비 계획을 생성하고, 상기 생성된 제1 소비 계획 중 IoT 기기의 할당 수가 가장 적은 복수 개의 소비 계획을 선택하고, 상기 선택된 복수 개의 소비 계획을 교배하여 N+1 세대의 소비 계획을 생성하는 과정을 반복적으로 수행함에 따라 상기 IoT 기기의 할당 수가 기 설정된 기준 이하가 되는 소비 계획을 획득하는 단계를 포함할 수 있다.
상기 서비스 소비 계획을 수립하는 단계는, 상기 복수 개의 소비 계획을 무작위 위치에서 교차시키거나 각 소비 계획의 일정 지점을 변이시켜 다른 IoT 기기를 할당하는 방식을 통하여 교배시키는 단계를 포함할 수 있다.
컴퓨터로 구현되는 서비스 소비 품질 최적화 시스템에 의해 수행되는 서비스 소비 품질 최적화 방법을 실행시키기 위하여 컴퓨터 판독 가능한 저장매체에 저장된 컴퓨터 프로그램은, IoT환경에서 사용자 관점에서의 서비스 소비 품질과 관련된 요소에 기초하여 사용자에 대한 IoT 기기들의 서비스 소비 계획을 수립하는 단계; 및 상기 수립된 IoT 기기들의 서비스 소비 계획에 따라 상기 사용자에게 IoT 기기들을 할당하는 단계를 포함할 수 있다.
컴퓨터로 구현되는 서비스 소비 품질 최적화 시스템은, IoT환경에서 사용자 관점에서의 서비스 소비 품질과 관련된 요소에 기초하여 사용자에 대한 IoT 기기들의 서비스 소비 계획을 수립하는 계획 수립부; 및 상기 수립된 IoT 기기들의 서비스 소비 계획에 따라 상기 사용자에게 IoT 기기들을 할당하는 할당부를 포함할 수 있다.
상기 계획 수립부는, 서비스 기반의 차량-사물 통신 환경(V2X) 환경에서 서비스 효과도의 품질과 사용자의 소비 계획에 따른 서비스 핸드오버의 발생을 고려할 수 있다.
상기 계획 수립부는, 유전 알고리즘(Genetic Algotihm)에 기초하여 출발지와 목적지를 연결하는 경로에서 상기 IoT 기기의 서비스 핸드오버를 최소화하는 서비스 소비 계획을 탐색하는 것을 포함하고, 상기 유전 알고리즘은, 사용자의 경로와 경로 상의 IoT 기기들의 서비스 효과도 함수를 이용하여 경로를 이동하는 사용자가 사용할 IoT 기기들의 소비 계획을 배열의 형태로 탐색할 수 있다.
상기 계획 수립부는, 각각 한 세대에 포함된 소비 계획의 개수, 유전 알고리즘을 반복할 총 세대 수, 소비 계획의 변이 확률을 포함하는 복수 개의 하이퍼파라미터 설정값을 이용하여 서비스 효과도 및 핸드오버를 고려한 서비스 소비 계획을 탐색할 수 있다.
상기 계획 수립부는, 복수 개의 세대 중, 제N 세대에서 일정 수의 무작위 IoT 기기의 제1 소비 계획을 생성하고, 상기 생성된 제1 소비 계획 중 IoT 기기의 할당 수가 가장 적은 복수 개의 소비 계획을 선택하고, 상기 선택된 복수 개의 소비 계획을 교배하여 N+1 세대의 소비 계획을 생성하는 과정을 반복적으로 수행함에 따라 상기 IoT 기기의 할당 수가 기 설정된 기준 이하가 되는 소비 계획을 획득할 수 있다.
상기 계획 수립부는, 상기 복수 개의 소비 계획을 무작위 위치에서 교차시키거나 각 소비 계획의 일정 지점을 변이시켜 다른 IoT 기기를 할당하는 방식을 통하여 교배시킬 수 있다.
사용자의 이동성이 높은 V2X 환경의 자원 효율성을 높임과 동시에 사용자의 만족도를 충족시키는 사용자 친화적인 IoT 기기의 소비 계획을 탐색할 수 있다.
V2X 환경에서 IoT 기기를 효율적으로 할당하면서 사용자 관점에서의 서비스 소비 품질을 증가시킬 수 있다.
도 1은 일 실시예에 있어서, V2X 환경에서 IoT 기기들의 서비스 효과도와 서비스 전달 가능 범위를 나타낸 예이다.
도 2는 일 실시예에 따른 서비스 소비 품질 최적화 시스템의 구성을 설명하기 위한 블록도이다.
도 3은 일 실시예에 따른 서비스 소비 품질 최적화 시스템에서 서비스 소비 품질을 최적화시키는 방법을 설명하기 위한 흐름도이다.
도 4는 일 실시예에 있어서, 음성 효과 서비스의 서비스 효과도 함수 그래프이다.
도 5는 일 실시예에 있어서, IoT 기기 밀도 별 서비스 지연 시간 평균 그래프이다.
도 6은 일 실시예에 있어서, 유전 알고리즘과 두 비교 방법에 대한 IoT 기기 밀도 별 서비스 지연 시간 비율의 분포 그래프이다.
도 7은 일 실시예에 있어서, IoT 기기 밀도 별 서비스 효과도 평균 그래프이다.
도 8은 일 실시예에 있어서, IoT 기기 밀도 별 GA 수렴 곡선 그래프이다.
이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.
도 2는 일 실시예에 따른 서비스 소비 품질 최적화 시스템의 구성을 설명하기 위한 블록도이고, 도 3은 일 실시예에 따른 서비스 소비 품질 최적화 시스템에서 서비스 소비 품질을 최적화시키는 방법을 설명하기 위한 흐름도이다.
서비스 소비 품질 최적화 시스템(100)의 프로세서는 계획 수립부(210) 및 할당부(220)를 포함할 수 있다. 이러한 프로세서의 구성요소들은 서비스 소비 품질 최적화 시스템에 저장된 프로그램 코드가 제공하는 제어 명령에 따라 프로세서에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다. 프로세서 및 프로세서의 구성요소들은 도 3의 서비스 소비 품질을 최적화시키는 방법이 포함하는 단계들(310 내지 320)을 수행하도록 서비스 소비 품질 최적화 시스템을 제어할 수 있다. 이때, 프로세서 및 프로세서의 구성요소들은 메모리가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.
프로세서는 서비스 소비 품질을 최적화시키는 방법을 위한 프로그램의 파일에 저장된 프로그램 코드를 메모리에 로딩할 수 있다. 예를 들면, 서비스 소비 품질 최적화 시스템에서 프로그램이 실행되면, 프로세서는 운영체제의 제어에 따라 프로그램의 파일로부터 프로그램 코드를 메모리에 로딩하도록 서비스 소비 품질 최적화 시스템을 제어할 수 있다. 이때, 프로세서 및 프로세서가 포함하는 계획 수립부(210) 및 할당부(220) 각각은 메모리에 로딩된 프로그램 코드 중 대응하는 부분의 명령을 실행하여 이후 단계들(310 내지 320)을 실행하기 위한 프로세서의 서로 다른 기능적 표현들일 수 있다.
단계(310)에서 계획 수립부(210)는 IoT환경에서 사용자 관점에서의 서비스 소비 품질과 관련된 요소에 기초하여 사용자에 대한 IoT 기기들의 서비스 소비 계획을 수립할 수 있다. 계획 수립부(210)는 서비스 기반의 차량-사물 통신 환경(V2X) 환경에서 서비스 효과도의 품질과 사용자의 소비 계획에 따른 서비스 핸드오버의 발생을 고려할 수 있다. 계획 수립부(210)는 유전 알고리즘(Genetic Algotihm)에 기초하여 출발지와 목적지를 연결하는 경로상에서 IoT 기기의 서비스 핸드오버를 최소화하는 서비스 소비 계획을 탐색할 수 있다. 계획 수립부(210)는 각각 한 세대에 포함된 소비 계획의 개수, 유전 알고리즘을 반복할 총 세대 수, 소비 계획의 변이 확률을 포함하는 복수 개의 하이퍼파라미터 설정값을 이용하여 서비스 효과도 및 핸드오버를 고려한 서비스 소비 계획을 탐색할 수 있다. 계획 수립부(210)는 복수 개의 세대 중, 제N 세대에서 일정 수의 무작위 IoT 기기의 제1 소비 계획을 생성하고, 생성된 제1 소비 계획 중 IoT 기기의 할당 수가 가장 적은 복수 개의 소비 계획을 선택하고, 선택된 복수 개의 소비 계획을 교배하여 N+1 세대의 소비 계획을 생성하는 과정을 반복적으로 수행함에 따라 IoT 기기의 할당 수가 기 설정된 기준 이하가 되는 소비 계획을 획득할 수 있다. 계획 수립부(210)는 복수 개의 소비 계획을 무작위 위치에서 교차시키거나 각 소비 계획의 일정 지점을 변이시켜 다른 IoT 기기를 할당하는 방식을 통하여 교배시킬 수 있다.
단계(320)에서 할당부(220)는 수립된 IoT 기기들의 서비스 소비 계획에 따라 상기 사용자에게 IoT 기기들을 할당할 수 있다.
도 1은 일 실시예에 있어서, V2X 환경에서 IoT 기기들의 서비스 효과도와 서비스 전달 가능 범위를 나타낸 예이다.
실시예에서는 서비스 기반 V2X 환경과 서비스 효과도를 정의하고 서비스 핸드오버가 V2X 환경에 미치는 영향에 대하여 설명한 후, 서비스 핸드오버를 고려한 사용자 서비스 소비 품질 최적화 문제를 정의하기로 한다.
실시예에서는 V2X 환경을 대상으로 도로 위의 사용자에게 서비스를 물리적으로 전달하기 위하여 도로에 인접하여 설치된 IoT 기기로 한정하기로 한다. 도 1을 참고하면, 도로를 따라 설치된 IoT 기기들의 서비스 전달 가능 범위와 서비스 효과도(Service Effectiveness)를 나타낸 것이다. 서비스 효과도란 서비스 컴퓨팅 기반 V2X 환경에서 사용자는 IoT 기기를 통해 전달되는 서비스를 소비하게 되는데, 이때, 사용자에게 전달되는 IoT 기기의 물리적 효과의 품질을 의미한다. 또한, 서비스 효과도와 사용자의 품질 요구사항에 따라 IoT 기기가 사용자에게 서비스를 전달할 수 있는 공간적 범위를 서비스 전달 가능 범위(Service Boundary)라고 한다. V2X 환경에서는 사용자의 이동성이 매우 높기 때문에 이동하는 사용자가 서비스를 지속적으로 받기 위하여 사용자의 움직임에 따라 동일하거나 비슷한 종류의 IoT 기기들을 네트워크 상에서 계속적으로 대체해주어야 한다. 서비스 효과도가 거리의 함수로 정의되기 때문에 서비스 전달 가능 범위는 원형으로 나타나며, 서비스 전달 가능 범위를 나타낸 원형의 색이 진할수록 높은 서비스 효과도를 가지는 것을 의미한다.
V2X 환경에서 IoT 기기가 다음의 수식 1과 같이 표현될 수 있다.
수식 1:
D = (D Type , D Location , D Boundary , D Effectiveness )
D Type 은 IoT 기기의 종류이다.
D Location 는 IoT 기기의 물리적 공간의 위치를 의미하고, (x, y)로 나타낸다.
D Boundary 는 IoT 기기의 서비스 전달 가능 범위를 의미하며, {(x, y)|SE(d)>
Figure 112019031919681-pat00001
>로 정의된다.
D Effectiveness 는 IoT 기기의 서비스 효과도 함수이다.
V2X 환경에서 사용자는 이동 수단을 타고 도로를 따라 이동할 수 있다. 그리고, 이동 수단들은 대개 네비게이션 서비스를 사용하며, 네비게이션 서비스는 출발지와 목적지가 선택 또는 입력됨에 따라 출발지와 목적지를 연결하는 경로를 탐색하여 제공해줌으로써 사용자가 경로를 통해 움직이도록 안내할 수 있다. 이에, V2X 환경에서 사용자는 경로는 사전에 알 수 있는 것으로 가정하기로 한다. 특정 시점의 V2X 환경을 사용자의 경로와 함께 수식 2와 같이 표시할 수 있다.
수식 2:
SP State of path = {DS, P, US}
DS Device set 는 IoT 기기들의 집합을 의미하며, Set(D) = {D 1 , D 2 , ..., D n }로 정의될 수 있다.
P Path 는 사용자의 현재 위치부터 목적지까지의 경로를 의미하며, 경로상의 물리적 위치들을 배열로 ((x cur , y cur ), ..., (x des , y des ))로 정의될 수 있다.
US User set 는 경로상의 서비스를 사용하는 사용자들의 집합을 의미하며, {User 1 , User 2 , ..., User m }로 정의될 수 있다.
이러한 V2X환경에서 사용자는 IoT기기를 활용하는 서비스를 사용하며, 도로를 따라 이동하게 된다. 이때, 도 1에서와 같이 도로 근처에 수많은 IoT 기기들 중 어떤 IoT 기기를 사용자에게 할당할 것인지는 서비스 전달 품질에 큰 영향을 끼친다. 사용자에게 IoT 기기를 할당할 때마다 서비스 핸드오버(Service Handover)를 실행해야 한다. 이러한 서비스 핸드오버는 사용자의 서비스 소비 품질을 저해할 수 있다. 이에, V2X환경에서 서비스 효과도의 품질뿐만 아니라 사용자의 소비 계획에 따른 서비스 핸드오버 발생 여부를 고려해야 한다. 서비스 핸드오버란 사용자가 움직이면서 서비스를 제공받는 상황에서는 사용자의 움직임에 맞춰 새로운 서비스로 기존 서비스를 대체함으로써 사용자가 IoT 기기들로부터 서비스를 지속적으로 받을 수 있도록 해야 하는 과정을 의미한다. 서비스 핸드오버를 효과적으로 이루기 위해서 사용자의 이동 경로에 기초하여 새로운 서비스를 동적으로 탐색함과 동시에 해당 서비스를 사용하는 IoT 기기들을 추출하여 새로운 서비스가 IoT 기기를 사용할 수 있도록 해야 한다. 이러한 과정에서 새로운 환경에서 서비스를 지속적으로 제공하기 위하여 이전 서비스로부터 필요한 사용자의 서비스 관련 데이터를 옮겨야 한다. 또한, 서비스 핸드오버를 실행할 시점과 옮길 대상을 결정해야 하기 때문에 사용자의 서비스 사용 패턴과 주변 환경을 지속적으로 탐색해야 한다.
사용자에게 높은 품질의 서비스를 제공하기 위해서는 서비스 핸드오버로 인한 사용자의 서비스 소비 지연 시간이 최소화될 필요가 있다. 실제 환경에서 서비스 핸드오버로 인한 전체 비용을 계산하는 것은 불가능하므로, 서비스 핸드오버로 인한 지연 시간을 수식 3과 같이 지수 분포로 정의할 수 있다.
수식 3:
Figure 112019031919681-pat00002
t는 서비스 핸드오버로 인한 지연 시간을 의미한다.
Figure 112019031919681-pat00003
는 t의 지연시간이 발생할 확률을 의미하며, 지수 분포를 따른다.
Figure 112019031919681-pat00004
는 V2X의 환경에 의해 결정되는 값으로써, 환경이 안정적이고 신뢰 가능하여 서비스 핸드오버로 인한 지연 시간이 적다면 큰 값을 가진다.
IoT 기기들은 종류에 따라 서비스 효과도 함수(SE(d)=ServiceEffectiveness(distance))를 가진다. distance는 IoT 기기를 중심으로 사용자의 위치까지의 직선 거리를 의미한다. V2X환경에서 서비스는 IoT 기기들을 활용하여 사용자에게 서비스를 제공하며, IoT 기기들의 효과는 물리적 공간에 제약을 받는다. 이에, 실시예에서는 서비스 효과도 값에 영향을 미칠 수 있는 복수 개의 요소들 중, 거리에 대한 함수로 나타낼 수 있다.
IoT 기기에 대해 서비스 효과도 함수가 주어졌을 때, IoT 기기의 서비스 전달 가능 범위 B Service Boundary (
Figure 112019031919681-pat00005
) = {x, y|SE(d)>
Figure 112019031919681-pat00006
}로 정의될 수 있다.
Figure 112019031919681-pat00007
는 IoT 기기가 사용자에게 서비스를 전달할 수 있는 최소한의 효과도이다. IoT 기기가 일정수준 이상의 효과도를 전달할 수 있을 때 서비스가 전달 가능한 것으로 판단된다.
도 4를 참고하면, 음성 효과를 전달하는 서비스의 서비스 효과도 함수 예이다. 소리는 거리 제곱의 반비례하여 감쇄하므로 도 4와 같은 형태의 효과도 함수를 가질 수 있다. 거리가 멀어짐에 따라 서비스 효과도 함수는 감소하고, 이때, 일정 크기 이하의 소리는 서비스를 전달하는데 실효성이 없다고 가정한다. 이에 따라 서비스 소비 품질 최적화 시스템은 서비스 효과도 함수에서 일정 값을 기준으로 서비스 전달 가능 범위를 설정할 수 있다.
서비스 소비 품질 최적화 시스템은 서비스 핸드오버로 인한 사용자의 서비스 소비 지연 시간이 사용자의 서비스 소비 품질을 저하시킬 수 있으므로 V2X 환경에서 사용자가 IoT 기기를 활용할 수 있는 서비스를 받으며 이동할 때 서비스 핸드오버를 최소화할 수 있다. 예를 들면, 서비스 소비 품질 최적화 시스템은 가능한 적은 수의 IoT 기기들을 선택할 수 있다. 또한, 서비스 소비 품질 최적화 시스템은 동시에, 사용할 IoT 기기의 서비스 효과도 값을 서비스 소비 품질에 영향을 주지 않도록 기 설정된 값 이상으로 유지할 수 있다.
사용자의 경로와 경로 상의 특정 시점의 상태에 기초하여 사용자가 경로를 움직이며 발생하는 서비스 핸드오버로 인한 지연 시간을 최소화하는 최적화 문제로 정의될 수 있다.
수식 4:
Figure 112019031919681-pat00008
수식 4의 (1)에서
Figure 112019031919681-pat00009
은 경로 상에서 발생할 서비스 핸드오버로 인한 총 서비스 지연 시간이다. n은 (3)에서 크로네커-델타(Kronecker-delta) 함수로 정의되며, IoT 기기들의 사용 순열에서 총 변화 횟수, 다시 말해서, 서비스 핸드오버가 발생한 수를 의미한다. (1)의 최적화 문제는 총 서비스 지연시간을 최소화하기 위해 주어진 (6)의 SP에서 IoT 기기들의 사용 순열(D 1, D 2, ..., D m)을 찾는 문제이다. 이때, (2)의 조건에 따라 경로 상의 각 위치에서 사용중인 IoT 기기의 서비스 효과도는
Figure 112019031919681-pat00010
이상을 제공해야 한다.
실시예에서는 서비스 소비 품질 최적화 시스템은 V2X 환경에서 IoT 기기로부터 서비스를 제공받는 사용자가 이동하면서 발생하는 서비스 핸드오버로 인한 서비스 소비 지연 시간을 최소화하면서, 동시에 서비스 효과도가 기 설정된 범위의 값을 유지하는 서비스 소비 계획 최적화 방법에 대하여 설명하기로 한다.
서비스 소비 계획 최적화 문제는 서비스 핸드오버로 인한 지연 시간을 최소화하는 IoT 기기의 사용 배열을 찾는 최적화 문제이다. 다시 말해서, 사용자의 경로의 각 위치에서 사용되는 IoT 기기의 배열로 생각할 수 있다. 이러한 배열에서 IoT 기기가 바뀔 때마다 서비스 핸드오버가 발생하기 때문에 서비스 소비 품질 최적화 시스템은 배열의 서로 다른 IoT 기기 사이에 발생하는 서비스 핸드오버로 인한 지연 시간을 최소화시키는 것을 목적으로 한다. 이때, 서비스 핸드오버로 인한 지연 시간은 앞서 언급한 수식 3의 지수 분포를 따른다.
서비스 소비 품질 최적화 시스템은 사용자의 경로와 경로 상의 모든 기기들을 2차원 행렬을 통해 표현할 수 있다. 2차원 행렬의 각 행은 사용자의 경로 상의 위치이고, 열은 IoT 기기이고, 행렬의 값은 특정 행의 위치에서 특정 열의 IoT 기기를 사용할 때 사용자가 소비할 수 있는 서비스 효과도를 나타낼 수 있다. 이에, 서비스 소비 품질 최적화 시스템은 특정 행렬의 각 행에서 하나의 IoT 기기를 선택하여 첫번째 행부터 마지막 행까지 사용되는 IoT 기기를 나열하여 사용자의 서비스 소비 계획을 나타낼 수 있다. 이때, 사용자의 경로의 길이(
Figure 112019031919681-pat00011
)가 n이고, 전체 IoT 기기의 수(
Figure 112019031919681-pat00012
)를 m이라 할 때, 행렬에서 찾을 수 있는 서비스 소비 계획의 공간 복잡도는
Figure 112019031919681-pat00013
이다.
미래의 V2X 환경에는 복수의 IoT 기기가 존재하기 때문에 서비스 소비 품질 최적화 시스템은 공간 복잡도가 매우 큰 최적화 문제에서 효율적으로 최적에 가까운 값을 찾는 메타휴리스틱(Metaheuristic) 알고리즘인 유전 알고리즘에 기초하여 주어진 사용자의 경로에서 서비스 핸드오버를 최소화하는 서비스 소비 계획을 탐색할 수 있다.
Figure 112019031919681-pat00014
알고리즘 1은 서비스 효과도 및 핸드오버를 고려한 서비스 소비 계획을 나타낸 것이다. 알고리즘 1은 population, numGeneration, mutationProbability를 포함하는 복수 개의 하이퍼파라미터(hyperparameter) 설정값을 가질 수 있다. 실시예에서는 각각 한 세대에 포함된 소비 계획의 개수, 유전 알고리즘을 반복할 총 세대수 및 소비 계획의 변이 확률을 의미하는 3개의 하이퍼파라미터 설정값을 가질 수 있다. 유전 알고리즘은 주어진 사용자의 경로와 경로 상의 IoT 기기들의 서비스 효과도 함수를 이용하여 경로를 이동하는 사용자가 앞으로 사용할 IoT 기기들의 소비 계획을 배열의 형태로 탐색할 수 있다.
1~13번째 줄을 참고하면, ServiceConsumePlanning 함수는 IoT 환경 내 기기의 집합
Figure 112019031919681-pat00015
와 사용자의 경로 r을 입력받아, 서비스 핸드오버로 인한 사용자의 지연 시간을 최소화하는 소비 계획을 반환하는 함수이다. 함수 호출 시, 먼저 무작위로 한 세대의 계획 집합이 생성될 수 있다(2번째 줄). 3~11번째 줄을 참고하면, 총 세대 수만큼 유전 알고리즘을 반복할 수 있다. 먼저, 현재 세대 안에 있는 소비 계획들이 정렬될 수 있다. 정렬 기준은 최적화 목표인 서비스 지연 시간이며, 서비스 핸드오버의 수가 적을수록 서비스 지연 시간이 짧기 때문에 서비스 핸드오버의 수의 값이 적을수록 배열의 앞쪽에 배치될 수 있다(4번째 줄). 현재 세대에서 가장 낮은 지연 시간을 보이는 두 개의 소비 계획을 바탕으로 다음 세대가 생성될 수 있다(5번째 줄). 이때, 사용되는 createOffspring 함수는 두 개의 소비 계획을 입력받아 정해진 개수의 소비 계획이 생성되어 반환될 수 있다(15~21번째 줄). 함수 호출 시, 반복적으로 두 소비 계획을 교배하여 반환된 새로운 소비 계획이 배열에 추가되어 반환될 수 있다(16~20번째 줄). 이와 같은, 교배 과정을 통해 현재 세대에서 가장 낮은 지연 시간을 가지는 두 소비 계획을 조합하여 다음 세대가 생성되므로, 확률적으로 소비 계획이 좋은 부분이 다음 세대에 전달될 수 있다.
현재 세대에서 오직 두 소비 계획만을 선택해 다음 세대를 생성하는데 사용하는 경우, 유사한 부분만 반복적으로 나타나기 쉽다. 이를 방지하기 위하여 각 소비 계획들을 일정 확률로 변이시켜 이전 세대에서 보이지 않았던 경향의 소비 계획들이 생성되는 과정이 수행될 수 있다(6~10번째 줄). 이에 따라, 교배를 통하여 생성된 각 소비 계획을 변이시킬 것인지 일정 확률로 결정하고(7번째 줄), 소비 계획 내에서 무작위로 선택된 한 지점에 대해 해당 지점에서 선택될 수 있는 다른 기기가 무작위로 선택되어 변이될 수 있다(28~31번째 줄). 최종적으로 정해진 수의 세대가 반복됨에 따라 마지막으로 남은 세대에 대하여 최소 지연 시간을 가지는 소비 계획이 반환될 수 있다(12번째 줄).
도 5 내지 도 8을 참고하면, 복수 개의 IoT 기기가 존재하는 서비스 기반의 V2X 환경에 대하여 설계된 가상의 시뮬레이션 환경을 통하여 V2X 환경의 서비스 소비 계획 최적화 시뮬레이션을 통해 평가하고 평가 결과를 설명하기로 한다.
일례로, 서비스 소비 품질 최적화 시스템은 시뮬레이션을 위하여 100mX100m 크기의 가상 환경에 무작위로 IoT 기기들을 배치하고 사용자의 경로를 해당 공간을 가로지는 y=x의 직선으로 설정할 수 있다. 배치된 IoT 기기의 수는 V2X 환경에서 IoT 기기의 밀도에 따른 서비스 핸드오버 수의 변화를 비교하기 위하여 5000개, 7500개, 10000개로 설정할 수 있다. 서비스 소비 품질 최적화 시스템은 가상 공간에서 사용자의 전체 경로를 기 설정된 크기의 작은 단위로 분할하여 서비스 소비 계획을 탐색한 후, 탐색된 서비스 소비 계획을 이어 붙이는 방식으로 문제를 해결할 수 있다. 또한, IoT 기기들이 매 시뮬레이션마다 무작위로 배치되기 때문에 직선을 고정하여도 V2X 환경의 다양한 경로를 표현하는 것이 가능하다.
실시예에서 서비스는 소리를 전달하는 IoT 기기를 사용한다고 가정한다. 이에, IoT 기기의 서비스 효과도 함수는 도 4와 같이 거리 제곱에 비례하는 유리함수(
Figure 112019031919681-pat00016
)로 나타낼 수 있다. 각 기기 고유의 기본 소리 전달 능력(c)은 [500, 1000] 사이의 무작위 값으로 설정될 수 있고,
Figure 112019031919681-pat00017
는 50으로 설정될 수 있다. 다시 말해서, 서비스 소비 품질 최적화 시스템은 유리함수의 식에 따라 계산된 IoT 기기의 서비스 효과도가 50 이하일 경우, 사용자에게 서비스를 전달할 수 없고, 50 이상의 효과도에서는 사용자에게 충분히 서비스를 전달할 수 있다고 판단할 수 있다. 이러한 설정값으로 생성된 기기들의 서비스 전달 가능 범위 반지름은 최소 10m에서 최대 약 30m일 수 있다. 서비스 핸드오버로 인한 서비스 지연 시간의 분포를 결정하는
Figure 112019031919681-pat00018
는 0.005로 설정하여 V2X 환경의 평균 서비스 지연 시간이 200m가 될 수 있도록 조정될 수 있다. 이는 무선 네트워크 환경에서 서비스 핸드오버 과정에서 이동되는 많은 양의 정보로 인한 시간을 나타낸다.
실시예에서 사용된 유전 알고리즘의 하이퍼파라미터 값은 다음과 같다. 서비스 소비 품질 최적화 시스템은 세대 수를 결정하기 위하여 사전 실험을 통하여 유전 알고리즘이 수렴하는 세대를 탐색할 수 있다. 예를 들면, 유전 알고리즘의 세대 수는 1000세대로 설정될 수 있다. 각 세대의 계획 수는 100개로 설정될 수 있다. 이전 세대의 두 개의 소비 계획에서 크로스오버를 통해 생성될 수 있는 다음 세대의 총 200개의 소비 계획 중 이전 세대와 충분히 다른 소비 계획을 가지는 소비 계획으로 적합한 100개로 설정될 수 있다. 변이 확률을 50%로 설정하여 유전 알고리즘이 빠르게 수렴할 수 있도록 설정될 수 있다.
서비스 효과도와 서비스 핸드오버를 고려하지 않고 단순히 물리적인 거리만을 고려한 근거리 우선 방식(Nearest First)과 서비스 효과도를 고려하지만 서비스 핸드오버를 고려하지 않고 항상 가장 높은 효과도를 가지는 IoT 기기를 사용하는 효과도 우선 방식(Max Effectiveness First)를 구현하여 서비스 소비 품질 최적화 방법의 비교 평가 실험이 수행될 수 있다. 실험 환경에서 모든 IoT 기기의 위치가 무작위로 배치되므로 기 설정된 횟수 이상의 시뮬레이션이 실행될 수 있다. 이때, 예를 들면, 30번의 시뮬레이션이 실행될 수 있다.
도 5를 참고하면, IoT 기기 밀도 별 서비스 지연 시간 평균 그래프를 나타낸 것이다. 실시예에서 제안된 서비스 핸드오버를 고려한 유전 알고리즘에 기반한 서비스 소비 품질 최적화 방식, 효과도 우선 방식, 근거리 우선 방식에 기반하여 실험된 총 서비스 지연 시간의 각 알고리즘 별 전체 평균 시간을 그래프로 나타낸 것이다. 도 5의 그래프를 참고하면, 실시예에서 제안된 서비스 소비 품질 최적화 방식을 통한 서비스 소비 계획에서의 서비스 핸드오버로 인한 서비스 지연 시간이 다른 방식에 비하여 2배 이상 짧은 것을 확인할 수 있다. V2X 환경에서 사용자가 유전 알고리즘을 통한 소비 계획을 이용할 경우, 서비스 핸드오버로 인한 지연 시간을 2배 이상 감소시킬 수 있다.
실시예에서 제안된 서비스 핸드오버를 고려한 유전 알고리즘 기반의 서비스 소비 품질 최적화 방식, 효과도 우선 방식, 근거리 우선 방식 모두 환경 내의 IoT 기기가 많을수록 서비스 지연 시간이 증가하는 경향을 보인다. 근거리 우선 방식과 효과도 우선 방식의 경우, IoT 기기가 많을수록 각 경로에서 선택 가능한 IoT 기기의 수가 많아져 결과적으로 이전 기준보다 좋은 기준을 가진 IoT 기기가 존재할 확률이 높아져 서비스 핸드오버가 더욱 자주 발생하게 된다. 실시예에서 제안된 서비스 소비 품질 최적화 방식의 경우 각 세대에서 변이 가능한 후보자가 수렴까지 필요한 총 세대수가 증가하기 때문에 동일한 세대를 기준으로는 서비스 소비 지연 시간이 증가한다.
도 6은 실시예에서 제안된 서비스 소비 품질 최적화 방식과 효과도 우선 방식, 근거리 우선 방식을 포함하는 두 개의 비교 방법을 통하여 도출된 각 시뮬레이션에서 사용자 소비 계획에서 총 서비스 지연 시간의 비율을 IoT 기기의 밀도 별로 나타낸 그래프이다. 매 시뮬레이션마다 환경에 IoT 기기를 무작위로 배치하기 때문에 모든 시뮬레이션 환경이 다르다. 각 방식간 서비스 지연 시간을 직접적으로 비교하기 위해서 전체 평균을 비교하는 것이 아니라, 각 시뮬레이션에서 각 방식의 비율을 비교하여 분포를 확인하기로 한다.
도 6에서 근거리 우선 방식을 통해 도출된 서비스 소비 계획의 서비스 지연 시간이 실시예에서 제안된 유전 알고리즘을 통해 도출된 서비스 지연 시간보다 모든 IoT 기기의 밀도에 대해 2.5배 정도 긴 것을 확인할 수 있다. 또한, 효과도 우선 방식으로 도출된 서비스 소비 계획의 서비스 지연 시간도 실시예에서 제안된 유전 알고리즘을 통해 도출된 서비스 지연 시간에 비해 2배 이상 많은 것을 확인할 수 있다. 실시예에서 제안된 서비스 소비 품질 최적화 방식이 종래의 방식보다 효과적으로 서비스 핸드오버로 인한 서비스 지연 시간을 감소시킬 수 있다는 것을 의미한다.
도 7은 IoT 기기의 밀도 별 실시예에서 제안된 서비스 소비 품질 최적화 방식과 효과도 우선 방식, 근거리 우선 방식 각각을 통하여 도출된 소비 계획에 따른 서비스 효과도의 평균 통계를 나타낸 그래프이다. 매 시뮬레이션 환경에서 IoT 기기가 무작위로 배치되므로 사용자가 경로를 지나며 받게 되는 서비스 효과도를 평균화하여 시뮬레이션 효과도 지표로 사용할 수 있다.
효과도 우선 방식과 근거리 우선 방식의 경우, 높은 서비스 효과도를 보이는 반면, 서비스 핸드오버를 고려한 유전 알고리즘에 기반한 서비스 소비 품질 최적화 방식은 상대적으로 낮은 효과도를 보임을 확인할 수 있다. 효과도가 사용자에게 전달된 후 사용자의 소비에 의해 서비스의 품질이 결정되기 때문에 반드시 높은 수준의 효과도가 더 높은 품질의 서비스를 제공하는 것은 아니다. 사용자가 서비스를 사용하기 위한 최소한의 서비스 효과도 이상에서는 사용자 관점에서 기 설정된 기준 이상의 품질의 서비스를 소비할 수 있다.
도 6에서 근거리 우선 방식과 효과도 우선 방식에 의한 서비스 소비 계획은 서비스 지연 시간이 실시예에서 제안된 서비스 소비 품질 최적화 방식에 비해 2 배 이상 높다. 다시 말해서, 도 7의 효과도는 사용자에게 전달되어 소비될 때 서비스 핸드오버로 인한 서비스 지연으로 실제 품질은 오히려 감소될 가능성이 크기 때문에 사용자 관점의 서비스 소비 품질을 증가시키기 위해서는 서비스 효과도뿐만 아니라 서비스 핸드오버에 의한 지연 시간을 고려해야 한다.
도 8은 실시예에서 제안된 서비스 소비 품질 최적화 방식에서 유전 알고리즘의 세대에 따른 수렴 곡선을 나타낸 그래프이다. 유전 알고리즘에서 초기에는 길이가 100인 경로의 서비스 소비 계획에서 서비스 핸드오버로 인해 발생하는 서비스 지연 시간은 모든 IoT 기기의 밀도에 대해 18초 이상으로 높다. 하지만 세대를 거듭하여 계속적으로 좋은 소비 계획을 선택함에 따라 결과적으로 모두 8초 이하로 수렵되었다. 환경 내의 IoT 기기의 밀도가 증가할수록 서비스의 핸드오버 수가 수렴하기까지 필요한 세대수가 증가한다. 도 8에서 IoT 기기의 수가 5000개일 경우, 약 100 세대를 전후로 기울기가 급격하게 증가하지만, IoT 기기의 수가 10000개일 경우 150세대를 전후로 기울기가 증가하게 됨을 확인할 수 있다. 또한, 동일한 1000세대에서 수렴 정도가 기기의 밀도가 높을수록 적음을 확인할 수 있다.
일 실시예에 따른 서비스 소비 품질 최적화 시스템은 대규모 스마트 시티 환경에서 불필요한 자원 소모를 감소시킬 수 있고, 사용자를 고려한 사용자 친화적인 방법으로 사용자의 만족도를 높일 수 있다. 또한, V2X 환경에서 사용자 관점에서 서비스 전달 품질 고려의 기본이 되는 현실 공간에서 서비스의 물리적 효과를 실현할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (13)

  1. 컴퓨터로 구현되는 서비스 소비 품질 최적화 시스템에 의해 수행되는 서비스 소비 품질 최적화 방법에 있어서,
    IoT환경에서 사용자 관점에서의 서비스 소비 품질과 관련된 요소에 기초하여 사용자에 대한 IoT 기기들의 서비스 소비 계획을 수립하는 단계; 및
    상기 수립된 IoT 기기들의 서비스 소비 계획에 따라 상기 사용자에게 IoT 기기들을 할당하는 단계
    를 포함하고,
    상기 서비스 소비 계획을 수립하는 단계는,
    유전 알고리즘(Genetic Algotihm)에 기초하여 출발지와 목적지를 연결하는 경로에서 상기 IoT 기기의 서비스 핸드오버를 최소화하는 서비스 소비 계획을 탐색하는 단계
    를 포함하고,
    상기 유전 알고리즘은, 사용자의 경로와 경로 상의 IoT 기기들의 서비스 효과도 함수를 이용하여 경로를 이동하는 사용자가 사용할 IoT 기기들의 소비 계획을 배열의 형태로 탐색하는
    서비스 소비 품질 최적화 방법.
  2. 제1항에 있어서,
    상기 서비스 소비 계획을 수립하는 단계는,
    서비스 기반의 차량-사물 통신 환경(V2X) 환경에서 서비스 효과도의 품질과 사용자의 소비 계획에 따른 서비스 핸드오버의 발생을 고려하는 단계
    를 포함하는 서비스 소비 품질 최적화 방법.
  3. 삭제
  4. 제1항에 있어서,
    상기 서비스 소비 계획을 수립하는 단계는,
    각각 한 세대에 포함된 소비 계획의 개수, 유전 알고리즘을 반복할 총 세대 수, 소비 계획의 변이 확률을 포함하는 복수 개의 하이퍼파라미터 설정값을 이용하여 서비스 효과도 및 핸드오버를 고려한 서비스 소비 계획을 탐색하는 단계
    를 포함하는 서비스 소비 품질 최적화 방법.
  5. 제4항에 있어서,
    상기 서비스 소비 계획을 수립하는 단계는,
    복수 개의 세대 중, 제N 세대에서 일정 수의 무작위 IoT 기기의 제1 소비 계획을 생성하고, 상기 생성된 제1 소비 계획 중 IoT 기기의 할당 수가 가장 적은 복수 개의 소비 계획을 선택하고, 상기 선택된 복수 개의 소비 계획을 교배하여 N+1 세대의 소비 계획을 생성하는 과정을 반복적으로 수행함에 따라 상기 IoT 기기의 할당 수가 기 설정된 기준 이하가 되는 소비 계획을 획득하는 단계
    를 포함하는 서비스 소비 품질 최적화 방법.
  6. 제5항에 있어서,
    상기 서비스 소비 계획을 수립하는 단계는,
    상기 복수 개의 소비 계획을 무작위 위치에서 교차시키거나 각 소비 계획의 일정 지점을 변이시켜 다른 IoT 기기를 할당하는 방식을 통하여 교배시키는 단계
    를 포함하는 서비스 소비 품질 최적화 방법.
  7. 컴퓨터로 구현되는 서비스 소비 품질 최적화 시스템에 의해 수행되는 서비스 소비 품질 최적화 방법을 실행시키기 위하여 컴퓨터 판독 가능한 저장매체에 저장된 컴퓨터 프로그램에 있어서,
    IoT환경에서 사용자 관점에서의 서비스 소비 품질과 관련된 요소에 기초하여 사용자에 대한 IoT 기기들의 서비스 소비 계획을 수립하는 단계; 및
    상기 수립된 IoT 기기들의 서비스 소비 계획에 따라 상기 사용자에게 IoT 기기들을 할당하는 단계
    를 포함하고,
    상기 서비스 소비 계획을 수립하는 단계는,
    유전 알고리즘(Genetic Algotihm)에 기초하여 출발지와 목적지를 연결하는 경로에서 상기 IoT 기기의 서비스 핸드오버를 최소화하는 서비스 소비 계획을 탐색하는 단계
    를 포함하고,
    상기 유전 알고리즘은, 사용자의 경로와 경로 상의 IoT 기기들의 서비스 효과도 함수를 이용하여 경로를 이동하는 사용자가 사용할 IoT 기기들의 소비 계획을 배열의 형태로 탐색하는
    컴퓨터 판독 가능한 저장매체에 저장된 컴퓨터 프로그램.
  8. 컴퓨터로 구현되는 서비스 소비 품질 최적화 시스템에 있어서,
    IoT환경에서 사용자 관점에서의 서비스 소비 품질과 관련된 요소에 기초하여 사용자에 대한 IoT 기기들의 서비스 소비 계획을 수립하는 계획 수립부; 및
    상기 수립된 IoT 기기들의 서비스 소비 계획에 따라 상기 사용자에게 IoT 기기들을 할당하는 할당부
    를 포함하고,
    상기 계획 수립부는,
    유전 알고리즘(Genetic Algotihm)에 기초하여 출발지와 목적지를 연결하는 경로에서 상기 IoT 기기의 서비스 핸드오버를 최소화하는 서비스 소비 계획을 탐색하는 것을 포함하고,
    상기 유전 알고리즘은, 사용자의 경로와 경로 상의 IoT 기기들의 서비스 효과도 함수를 이용하여 경로를 이동하는 사용자가 사용할 IoT 기기들의 소비 계획을 배열의 형태로 탐색하는
    서비스 소비 품질 최적화 시스템.
  9. 제8항에 있어서,
    상기 계획 수립부는,
    서비스 기반의 차량-사물 통신 환경(V2X) 환경에서 서비스 효과도의 품질과 사용자의 소비 계획에 따른 서비스 핸드오버의 발생을 고려하는
    것을 특징으로 하는 서비스 소비 품질 최적화 시스템.
  10. 삭제
  11. 제8항에 있어서,
    상기 계획 수립부는,
    각각 한 세대에 포함된 소비 계획의 개수, 유전 알고리즘을 반복할 총 세대 수, 소비 계획의 변이 확률을 포함하는 복수 개의 하이퍼파라미터 설정값을 이용하여 서비스 효과도 및 핸드오버를 고려한 서비스 소비 계획을 탐색하는
    것을 특징으로 하는 서비스 소비 품질 최적화 시스템.
  12. 제11항에 있어서,
    상기 계획 수립부는,
    복수 개의 세대 중, 제N 세대에서 일정 수의 무작위 IoT 기기의 제1 소비 계획을 생성하고, 상기 생성된 제1 소비 계획 중 IoT 기기의 할당 수가 가장 적은 복수 개의 소비 계획을 선택하고, 상기 선택된 복수 개의 소비 계획을 교배하여 N+1 세대의 소비 계획을 생성하는 과정을 반복적으로 수행함에 따라 상기 IoT 기기의 할당 수가 기 설정된 기준 이하가 되는 소비 계획을 획득하는
    것을 특징으로 하는 서비스 소비 품질 최적화 시스템.
  13. 제12항에 있어서,
    상기 계획 수립부는,
    상기 복수 개의 소비 계획을 무작위 위치에서 교차시키거나 각 소비 계획의 일정 지점을 변이시켜 다른 IoT 기기를 할당하는 방식을 통하여 교배시키는
    것을 특징으로 하는 서비스 소비 품질 최적화 시스템.
KR1020190035826A 2019-03-28 2019-03-28 서비스 기반 v2x 소프트웨어 환경에서의 유전 알고리즘을 활용한 서비스 소비 품질 최적화 방법 KR102151870B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190035826A KR102151870B1 (ko) 2019-03-28 2019-03-28 서비스 기반 v2x 소프트웨어 환경에서의 유전 알고리즘을 활용한 서비스 소비 품질 최적화 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190035826A KR102151870B1 (ko) 2019-03-28 2019-03-28 서비스 기반 v2x 소프트웨어 환경에서의 유전 알고리즘을 활용한 서비스 소비 품질 최적화 방법

Publications (1)

Publication Number Publication Date
KR102151870B1 true KR102151870B1 (ko) 2020-09-03

Family

ID=72469487

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190035826A KR102151870B1 (ko) 2019-03-28 2019-03-28 서비스 기반 v2x 소프트웨어 환경에서의 유전 알고리즘을 활용한 서비스 소비 품질 최적화 방법

Country Status (1)

Country Link
KR (1) KR102151870B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170097120A (ko) * 2014-12-18 2017-08-25 마이크로소프트 테크놀로지 라이센싱, 엘엘씨 Iot 장치 데이터에 근거한 브라우저 제안의 생성
KR20170109399A (ko) * 2016-03-21 2017-09-29 전자부품연구원 온톨로지 기반 IoT 서비스 구성 방법 및 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170097120A (ko) * 2014-12-18 2017-08-25 마이크로소프트 테크놀로지 라이센싱, 엘엘씨 Iot 장치 데이터에 근거한 브라우저 제안의 생성
KR20170109399A (ko) * 2016-03-21 2017-09-29 전자부품연구원 온톨로지 기반 IoT 서비스 구성 방법 및 시스템

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
사물인터넷 환경에서 서비스 중심 자율-구성 네트워크 기법(윤주상, 한국정보통신확회, 2018년6월) *
사물인터넷 환경에서 지리적 응집도를 고려한 동적 서비스 검색방법(백경덕 et al, 한국정보과학회, 2016년8월) *

Similar Documents

Publication Publication Date Title
US20210149743A1 (en) Resource processing method of cloud platform, related device, and storage medium
US20120297056A1 (en) Extensible centralized dynamic resource distribution in a clustered data grid
CN105723298A (zh) 针对游戏工作负荷动态节流cpu 频率的系统和方法
KR102352375B1 (ko) 유전 알고리즘 기반의 엣지 컴퓨팅 최적화 장치 및 방법
US10271219B2 (en) System and methods for obtaining ubiquitous network coverage
CN110855564B (zh) 路由路径智能选择方法、装置、设备及可读存储介质
Khalil et al. Distributed whale optimization algorithm based on MapReduce
US10944645B2 (en) Node of a network and a method of operating the same for resource distribution
CN105791381A (zh) 访问控制的方法及装置
Guerna et al. AC-RDV: A novel ant colony system for roadside units deployment in vehicular ad hoc networks
Niazy et al. A hybrid chicken swarm optimization with tabu search algorithm for solving capacitated vehicle routing problem
KR102151870B1 (ko) 서비스 기반 v2x 소프트웨어 환경에서의 유전 알고리즘을 활용한 서비스 소비 품질 최적화 방법
KR102062157B1 (ko) 가상 머신 배치 방법 및 이를 구현하는 가상 머신 배치 장치
KR101416916B1 (ko) 에이전트 기반의 군사 시뮬레이션 환경에서 물자의 최적 분배 시스템 및 그것의 제어방법
Barolli et al. A comparison study of Weibull, normal and Boulevard distributions for wireless mesh networks considering different router replacement methods by a hybrid intelligent simulation system
Machida et al. Performability analysis of adaptive drone computation offloading with fog computing
CN114882720B (zh) 智能路网的推送方法、推送装置及车辆
Kapoor et al. Glowworm Swarm Optimization (GSO) based energy efficient clustered target coverage routing in Wireless Sensor Networks (WSNs)
Liu Animation art design online system based on mobile edge computing and user perception
KR101609457B1 (ko) 대용량 그래프 데이터베이스에서 하한 경계값에 기초하여 메디안 노드를 검색하는 방법
WO2023020213A1 (zh) 任务分配的方法、装置、设备、存储介质及程序产品
CN113672372B (zh) 一种基于强化学习的多边缘协同负载均衡任务调度方法
CN113596146B (zh) 一种基于大数据的资源调度的方法及装置
CN113361739B (zh) 一种生成拣货路径的方法和装置
CN113139669B (zh) 多目标路线规划的方法、装置、电子设备和存储介质

Legal Events

Date Code Title Description
GRNT Written decision to grant
G170 Re-publication after modification of scope of protection [patent]