KR102233891B1 - 정보의 전파 시간을 예측하는 방법 및 상기 방법을 수행하는 정보 전파 예측 장치 - Google Patents

정보의 전파 시간을 예측하는 방법 및 상기 방법을 수행하는 정보 전파 예측 장치 Download PDF

Info

Publication number
KR102233891B1
KR102233891B1 KR1020190148996A KR20190148996A KR102233891B1 KR 102233891 B1 KR102233891 B1 KR 102233891B1 KR 1020190148996 A KR1020190148996 A KR 1020190148996A KR 20190148996 A KR20190148996 A KR 20190148996A KR 102233891 B1 KR102233891 B1 KR 102233891B1
Authority
KR
South Korea
Prior art keywords
information
propagation
network topology
time
propagation time
Prior art date
Application number
KR1020190148996A
Other languages
English (en)
Inventor
이경한
황원준
Original Assignee
울산과학기술원
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 울산과학기술원 filed Critical 울산과학기술원
Priority to KR1020190148996A priority Critical patent/KR102233891B1/ko
Application granted granted Critical
Publication of KR102233891B1 publication Critical patent/KR102233891B1/ko

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14Network analysis or design
    • H04L41/147Network analysis or design for predicting network behaviour
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12Discovery or management of network topologies
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명의 일 실시 예에 따른 정보의 전파 시간을 예측하는 방법은, 기 학습된 정보 전파 예측 신경망으로 네트워크 토폴로지가 입력되는 단계; 및 상기 입력에 대한 출력으로 정보의 전파 시간을 생성하는 단계를 포함하고, 상기 기 학습된 정보 전파 예측 신경망은, 실제의 제1 네트워크 토폴로지에 기초하여 생성된 인공의 제2 네트워크 토폴로지 및 실제의 제1 전파 시간에 기초하여 생성된 인공의 제2 전파 시간을 입력 받음으로써 생성될 수 있다.

Description

정보의 전파 시간을 예측하는 방법 및 상기 방법을 수행하는 정보 전파 예측 장치 {METHOD OF PREDICTING PROPAGATION TIME OF INFORMATION AND INFORMATION PROPAGATION PREDICTION DEVICE PERFORMING METHOD}
본 발명은 정보의 전파 시간을 예측하는 방법 및 상기 방법을 수행하는 정보 전파 예측 장치에 관한 것이다.
정보 전파 예측이란, 네트워크(소셜 네트워크, 컴퓨터 네트워크, 전염병 네트워크 등)의 일부 노드에만 존재하는 정보가 시간이 흐름에 따라 네트워크를 타고 전파되어 네트워크 내의 다른 노드들에게 전파되는데 걸리는 시간을 예측하는 것을 의미한다.
정보의 전파 시간을 예측하는 모델로서 대표적인 모델은 SI(Susceptible, Infected) 모델이 있다.
SI 모델에서, 노드들은 정보를 아직 받지 않은 Susceptible node 또는 정보를 이미 받은 Infected node 중에서 어느 하나의 상태를 가질 수 있다.
Infected node는 주위의 인접한 susceptible node 들에게 정보를 전파하게 되고, 인접한 Susceptible node 와 Infected node 간의 정보의 전파 시간은 둘 사이의 연결의 강도에 의한 확률 변수(random variable)에 의해 결정된다.
다만, 종래의 SI 모델은 수학적인 분석을 쉽게 하기 위하여 간단한 형태의 네트워크 토폴로지만을 가정하는데, 이는 실제의 복잡한 네트워크 토폴로지를 반영하지 못하는 문제가 있다. 또한, 종래의 SI 모델을 이용하여 전파 시간을 예측하는 경우, 예측하는데 시간이 다소 소요되어 실시간으로 변화하는 전파 시간을 예측하는데 사용하지 못하는 문제가 있다.
본 발명이 해결하고자 하는 과제는, 전술한 문제를 해결하기 위하여, 복잡한 네트워크 토폴로지에도 적용 가능하고, 실시간으로 전파 시간을 예측할 수 있는 정보의 전파 시간 예측 방법 및 정보의 전파 시간 예측 방법에 사용되는 인공 신경망을 학습하는 방법을 제공하는 것이다.
다만, 본 발명이 해결하고자 하는 과제는 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 해결하고자 하는 과제는 아래의 기재로부터 본 발명이 속하는 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시 예에 따른 정보의 전파 시간을 예측하는 방법은, 기 학습된 정보 전파 예측 신경망으로 네트워크 토폴로지가 입력되는 단계; 및 상기 입력에 대한 출력으로 정보의 전파 시간을 생성하는 단계를 포함하고, 상기 기 학습된 정보 전파 예측 신경망은, 실제의 제1 네트워크 토폴로지에 기초하여 생성된 인공의 제2 네트워크 토폴로지 및 실제의 제1 전파 시간에 기초하여 생성된 인공의 제2 전파 시간을 입력 받음으로써 생성될 수 있다.
상기 제2 네트워크 토폴로지는 상기 제1 네트워크 토폴로지에 적어도 하나의 노드를 추가함으로써 생성될 수 있다.
상기 제2 네트워크 토폴로지는 선호적 연결(Preferential Attachment) 방식에 따라 상기 적어도 하나의 노드를 추가할 수 있다.
상기 제2 전파 시간은 상기 제1 전파 시간에 관련된 노드의 특성을 변형하여 생성될 수 있다.
상기 제2 전파 시간은 상기 제1 전파 시간, 상기 변형한 노드의 특성에 기초하여 생성될 수 있다.
상기 기 학습된 정보 전파 예측 신경망은, 상기 제2 네트워크 토폴로지 및 상기 제2 전파 시간을 이용하여 생성된 전파 결과를 더 입력받아 생성될 수 있다.
본 발명의 다른 실시 예에 따른 정보 전파 예측 장치는, 기 학습된 정보 전파 예측 신경망을 저장하는 메모리; 및 상기 메모리를 제어하는 프로세서를 포함하고, 프로세서는, 기 학습된 정보 전파 예측 신경망에 네트워크 토폴로지를 입력하고, 상기 입력에 대한 출력으로 정보의 전파 시간을 생성하고, 상기 기 학습된 정보 전파 예측 신경망은, 실제의 제1 네트워크 토폴로지에 기초하여 생성된 인공의 제2 네트워크 토폴로지 및 실제의 제1 전파 시간에 기초하여 생성된 인공의 제2 전파 시간을 입력 받음으로써 생성될 수 있다.
본 발명의 실시 예에 의하면, 정보 전파 예측 신경망을 이용하여 정보의 전파 시간을 예측 방법을 제안함으로써, 복잡한 네트워크 토폴로지에도 적용 가능하고, 실시간으로 전파 시간을 예측할 수 있다.
도 1은 본 발명의 일 실시 예에 따라 정보의 전파를 예측하는 정보 전파 예측 장치의 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 정보 전파 예측 장치를 이용하여 정보의 전파를 예측하는 방법을 나타내는 블록도이다.
도 3은 본 발명의 일 실시 예에 따른 정보 전파 예측 신경망을 학습시키는 방법을 나타내는 블록도이다.
도 4a는 정보 전파 예측 신경망을 학습시키기 위한 입력으로 사용되는 네트워크 토폴로지의 일 예시를 나타낸다.
도 4b는 정보 전파 예측 신경망을 학습시키는데 사용되는 전파 시간을 결정하기 위하여 새로운 노드를 생성하는 일 예시를 나타낸다.
도 5는 학습된 정보 전파 예측 신경망을 이용하여 정보의 전파 시간을 예측하는 방법을 나타내는 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 발명의 실시 예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시 예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 본 발명의 일 실시 예에 따라 정보의 전파를 예측하는 정보 전파 예측 장치의 블록도이다.
도 1을 참조하면, 정보 전파 예측 장치(100)는 프로세서(110), 송수신기(120) 및 메모리(130)를 포함할 수 있다.
프로세서(110)는 정보 전파 예측 장치(100)의 동작을 전반적으로 제어할 수 있다.
프로세서(110)는 송수신기(120)를 제어하여, 네트워크 토폴로지(Network Topology) 및 전파 시간(Infection Time)에 대한 정보를 수신할 수 있다. 실시 예에 따라, 프로세서(110)는 송수신기(120)가 아닌 입출력기(미도시)를 통해 네트워크 토폴로지(Network Topology) 및 전파 시간(Infection Time)에 대한 정보를 입력받을 수 있다.
메모리(130)는 정보 전파 예측 신경망(200) 및 정보 전파 신경망(200)의 실행에 필요한 정보를 저장할 수 있다.
프로세서(110)는 정보 전파 예측 신경망(200)을 실행하기 위하여 메모리(130)로부터 정보 전파 예측 신경망(200) 및 정보 전파 예측 신경망(200)의 실행에 필요한 정보를 로드할 수 있다.
본 명세서에서는, 설명의 편의를 위하여 정보 전파 예측 신경망(200)이 메모리(130)에 저장되고, 프로세서(110)는 정보 전파 예측 신경망(200)을 메모리(130)에서 로드하는 것으로 설명하였지만, 이에 한정되지 않는다. 즉, 본 명세서에서의 정보 전파 예측 신경망(200)은 정보 전파 예측 신경망(200)을 이용하여 정보의 전파 시간을 예측하는 정보 전파 예측 프로그램을 포괄하는 의미로 사용될 수 있다.
프로세서(110)는, 정보 전파 예측 신경망(200)을 실행하여, 수신한 네트워크 토폴로지 내에서 정보가 전파되는 시간(속도)를 예측할 수 있다. 예컨대, 상기 네트워크 토폴로지가 질병에 대한 토폴로지라고 할 경우, 네트워크 토폴로지 내에서 질병이 전파되는 시간을 예측할 수 있고, 상기 네트워크 토폴로지가 가짜 뉴스에 대한 토폴로지라고 할 경우, 네트워크 토폴로지 내에서 가짜 뉴스가 전파되는 시간을 예측할 수 있다.
실시 예에 따라, 정보 전파 예측 장치(100)는 질병, 가짜뉴스, 악성코드 등과 같은 정보가 퍼지는 속도를 예측하는데 이용될 수 있다. 또는 다른 실시 예에 따라, 정보 전파 예측 장치(100)는 네트워크 상에서 정보가 전파되는 속도를 조절하는데 이용될 수 있다. 즉, 정보 전파 예측 장치(100)는 상기 네트워크 내의 노드의 위치에 따른 정보의 전파 시간의 변화를 관찰함으로써, 정보가 보다 빠르게 또는 보다 느리게 전파되도록 노드를 배치하는데 이용될 수 있다.
도 2는 본 발명의 일 실시 예에 따른 정보 전파 예측 장치를 이용하여 정보의 전파를 예측하는 방법을 나타내는 블록도이다.
도 1 및 도 2를 참조하면, 정보 전파 예측 장치(100)는 송수신기(120)를 제어하여 네트워크 토폴로지를 수신할 수 있다.
정보 전파 예측 장치(100)는 기 학습된 정보 전파 예측 신경망(200)을 이용하여 수신한 네트워크 토폴로지의 글로벌 예측(Global prediction)과 특정 노드에 대한 로컬 예측(Local prediction)을 수행할 수 있다.
여기서, 글로벌 예측은 수신한 네트워크 토폴로지 내의 모든 노드에 정보가 전파되는데 걸리는 시간을 의미할 수 있다. 또한, 로컬 예측은 수신한 네트워크 토폴로지 내의 특정 노드에 정보가 전파되는데 걸리는 시간을 의미할 수 있다.
또한, 여기서, 전파를 예측하고자 하는 정보는 가짜뉴스, 악성 코드, 전염병 등일 수 있다. 즉, 정보 전파 예측이라 함은 가짜 뉴스가 네트워크(예컨대, SNS 등) 상의 다른 유저들에게 전파되는데 걸리는 시간을 예측하거나, 악성 코드가 네트워크를 통해 다른 단말을 감염시키는데 걸리는 시간을 예측하거나, 전염병이 사람들 사이에 전파되는데 걸리는 시간을 예측하는 경우를 의미할 수 있다.
정보 전파 예측 장치(100)는 수신한 네트워크 토폴로지를 기 학습된 정보 전파 예측 신경망(200)에 입력하고, 입력의 결과로서, 99% 확률로 4일 내에 네트워크 토폴로지 내의 모든 노드에 정보가 전파될 것이라는 글로벌 예측, 51% 확률로 5일 내에 제1 노드(Node 1)에 정보가 전파될 것이라는 제1 노드(Node 1)에 대한 로컬 예측, 51% 확률로 5일 내에 제2 노드(Node 2)에 정보가 전파될 것이라는 제2 노드(Node 2)에 대한 로컬 예측, 98% 확률로 1일 내에 제3 노드(Node 3)에 정보가 전파될 것이라는 제3 노드(Node 3)에 대한 로컬 예측, 및 75% 확률로 2일 내에 제4 노드(Node 4)에 정보가 전파될 것이라는 제4 노드(Node 4)에 대한 로컬 예측을 출력할 수 있다.
도 3은 본 발명의 일 실시 예에 따른 정보 전파 예측 신경망을 학습시키는 방법을 나타내는 블록도이고, 도 4a는 정보 전파 예측 신경망을 학습시키기 위한 입력으로 사용되는 네트워크 토폴로지의 일 예시를 나타내고, 도 4b는 정보 전파 예측 신경망을 학습시키는데 사용되는 전파 시간을 결정하기 위하여 새로운 노드를 생성하는 일 예시를 나타낸다.
도 3을 참조하면, 정보 전파 예측 신경망(200)은 네트워크 토폴로지(NT), 전파 시간(IT) 및 전파 결과(PROP)를 입력 받아 학습될 수 있다. 보다 자세하게는, 정보 전파 예측 신경망(200)은 네트워크 토폴로지(NT), 전파 시간(IT) 및 네트워크 토폴로지(NT)와 전파 시간(IT)에 대한 결과 값인 전파 결과(PROP)를 다수 개 입력 받아 학습될 수 있다. 정보 전파 예측 신경망(200)은 그래프 신경망(Graph Neural Network, GNN)일 수 있다.
정보 전파 예측 신경망(200)는 지도 학습(Supervised Learing) 방식으로 학습될 수 있다. 즉, 정보 전파 예측 신경망(200)는 전파 시간을 예측하고자 하는 네트워크 토폴로지(NT)와 함께, 예측의 결과인 전파 결과(PROP)를 입력받아 학습될 수 있다.
네트워크 토폴로지(NT)는 특정 정보 전파 케이스에 대해 획득한 실제 네트워크 토폴로지를 이용하여 생성된 것일 수 있다. 정보 전파 예측 신경망(200)을 학습시키기 위해서는 다수의 입력이 필요한데, 정보 전파 예측 신경망(200)을 학습시킬 수 있을 정도로 많은 수의 실제 네트워크 토폴로지를 획득하기는 용이하지 않을 수 있으며, 실제 네트워크 토폴로지를 획득하더라도, 실제 네트워크 토폴로지 내에서 감염된 노드(infected node)와 감염될 노드(susceptible node) 사이의 감염 시간(infection time) 및 확률(rate)을 정확히 알지 못할 수 있다. 따라서, 정보 전파 예측 신경망(200)을 학습 시킬 때, 실제 네트워크 토폴로지를 입력하지 않고, 실제 네트워크 토폴로지의 특성을 반영하고 실제 네트워크의 노드를 확장, 변형하여 생성한 다수의 네트워크 토폴로지(NT)를 정보 전파 예측 신경망(200)에 입력함으로써, 정보 전파 예측 신경망(200)을 학습시킬 수 있다. 여기서, 실제 네트워크 토폴로지의 특성은 정도 분포(Degree Distribution)로서, 소규모 네트워크(Small world networks), 스케일-프리 네트워크(Scale-free networks), 무작위 정도(Random degree) 등을 포함할 수 있다.
도 3 및 도 4a를 참조하면, 네트워크 토폴로지(NT)는 실제 네트워크 토폴로지의 특성을 반영하여 실제 네트워크 토폴로지를 변형/확장함으로써 생성될 수 있다. 여기서, 실제 네트워크 토폴로지는 정보의 진원지 노드(vs)에서 특정 정보(예컨대, 가짜뉴스, 악성코드, 전염병 등)가 다른 노드들로 실제로 전파된 시간을 구한 실제의 네트워크를 의미할 수 있다.
네트워크 토폴로지(NT)는 획득한 실제 네트워크 토폴로지들을 확장/변형하여 생성되며, 정보 전파 예측 신경망(200)를 학습시키기 위하여 복수의 네트워크 토폴로지들이 입력될 수 있다.
실시 예에 따라, 네트워크 토폴로지(NT)는 선호적 연결(Preferential Attachment)를 이용하여 생성될 수 있다. 선호적 연결은, 실제 네트워크에 노드를 추가할 때, 다른 노드와의 연결선이 많은 노드에 새로운 노드가 추가될 확률이 다른 노드와의 연결선이 적은 노드에 새로운 노드가 추가될 확률보다 크다는 것을 의미할 수 있다.
예컨대, 선호적 연결에 따라, 네트워크 토폴로지(NT)는 새롭게 추가된 제10 노드(v10) 및 제11 노드(v11)를 연결선의 개수가 가장 많은 제1 노드(v1)에 연결하고, 새롭게 추가된 제12 노드(v12)를 연결선의 개수가 두 번째로 많은 진원지 노드(vs)에 연결함으로써 생성될 수 있다.
도 3 및 도 4b를 참조하면, 정보의 전파 시간(IT)는 실제 네트워크 토폴로지에 포함된 노드의 특성을 변형하여 새로운 노드를 생성하고, 실제 네트워크 토폴로지에 포함된 노드의(또는 노드로의) 전파 시간에 기초하여 새로운 노드의(또는 새로운 노드로의) 전파 시간을 예측함으로써 결정될 수 있다. 여기서, 노드의 특성은, 전파 시간이 결정되는데 영향을 끼친 노드의 특성을 의미하는 것으로서, 예컨대, 노드(사람)의 나이, 직업, 거주지 등을 포함할 수 있다. 전파 시간(IT)는 네트워크 토폴로지에서 정보가 전파되는 추세(예컨대, exponential, weibull 등)에 더 기초하여 결정될 수 있다.
상기 새로운 노드는 실제의 네트워크 토폴로지에서 전파 시간에 영향을 끼친 노드의 특성들 중에서 적어도 하나를 변형하여 생성될 수 있고, 새로운 노드의 전파 시간(IT)은 변형의 기초가 된 실제의 노드의 전파 시간 및 변형한 특성에 기초하여 결정될 수 있다.
예컨대, 도 4b에 도시된 바와 같이, 실제의 네트워크 토폴로지에서, 전파 시간에 영향을 끼친 노드의 특성이 나이, 성별, 과외 활동 및 직업인 경우, 새로운 노드는 실제의 노드의 나이를 변형하여 생성될 수 있고, 새로운 노드의 전파 시간은 변형의 기초가 된 실제의 노드의 전파 시간(51% 확률로 5일 내에 전파), 변형 특성(나이) 및 변형 정도(전파될 노드의 나이를 21세에서 20세로 변환, 전파하는 노드의 나이를 18세에서 19세로 변환)에 기초하여 결정될 수 있다.
정보 전파 예측 신경망(200)은 위와 같은 방법으로 생성한 서로 다른 복수의 새로운 노드들의 전파 시간(IT)을 입력받아 학습될 수 있다.
전파 결과(PROP)는 정보 전파 예측 신경망(200)에 네트워크 토폴로지(NT) 및 개별 노드의 전파 시간(IT)을 입력하여 출력하고자 하는 결과를 의미하는 것으로서, 새롭게 생성한 네트워크 토폴로지(NT)의 글로벌 예측 및/또는 네트워크 토폴로지(NT) 내의 특정 노드의 로컬 예측을 포함할 수 있다.
실시 예에 따라, 전파 결과(PROP)는 종래의 SI 정보 전파 예측 모델을 이용하여 결정될 수 있다. 네트워크 토폴로지(NT) 및 전파 시간(IT)이 SI 정보 전파 예측 모델에 입력되면, 전파 결과(PROP)는 그에 대한 결과로서 출력될 수 있다.
도 5는 학습된 정보 전파 예측 신경망을 이용하여 정보의 전파 시간을 예측하는 방법을 나타내는 흐름도이다.
도 1 내지 도 5를 참조하면, 기 학습된 정보 전파 예측 신경망(200)에 네트워크 토폴로지가 입력되는 경우(S500), 정보 전파 예측 장치(100)는 입력에 대한 출력으로 정보의 전파 시간을 생성할 수 있다(S510).
본 발명에 첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방법으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 블록 또는 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 품질에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 정보 전파 예측 장치
110: 프로세서
120: 송수신기
130: 메모리
200: 정보 전파 예측 신경망

Claims (14)

  1. 프로세서가, 정보 전파를 예측하고자 하는 네트워크 토폴로지를 입력 받고, 실제의 제1 네트워크 토폴로지의 정도 분포 특성에 기초하여 생성된 인공의 제2 네트워크 토폴로지 및 상기 실제의 제1 네트워크 토폴로지에 포함된 노드 간의 전파 시간인 실제의 제1 전파 시간에 기초하여 상기 제1 전파 시간에 관련된 노드의 특성을 변형하여 생성된 인공의 제2 전파 시간을 입력 받아 미리 학습된 정보 전파 예측 신경망으로 상기 정보 전파를 예측하고자 하는 네트워크 토폴로지를 입력하는 단계; 및
    상기 입력에 대한 출력으로 상기 정보 전파를 예측하고자 하는 네트워크 토폴로지 내에서 정보가 전파되는 시간인 정보의 전파 시간을 생성하는 단계를 포함하며,
    상기 정보의 전파 시간은, 입력 받은 상기 정보 전파를 예측하고자 하는 네트워크 토폴로지 내의 모든 노드에 정보가 전파되는데 걸리는 시간인 글로벌 예측 시간과 상기 정보 전파를 예측하고자 하는 네트워크 토폴로지 내의 특정 노드에 정보가 전파되는 시간인 로컬 예측 시간을 포함하는 것을 특징으로 하는 정보의 전파 시간을 예측하는 방법.
  2. 제1 항에 있어서,
    상기 제2 네트워크 토폴로지는 상기 제1 네트워크 토폴로지에 적어도 하나의 노드를 추가함으로써 생성되는
    정보의 전파 시간을 예측하는 방법.
  3. 제2 항에 있어서,
    상기 제2 네트워크 토폴로지는 상기 제1 네트워크 토폴로지의 정도 분포 특성에 기초하여 상기 적어도 하나의 노드를 추가하는
    정보의 전파 시간을 예측하는 방법.
  4. 삭제
  5. 제1 항에 있어서,
    상기 제2 전파 시간은 상기 제1 전파 시간, 상기 변형한 노드의 특성에 기초하여 생성되는
    정보의 전파 시간을 예측하는 방법.
  6. 제1 항에 있어서,
    상기 미리 학습된 정보 전파 예측 신경망은,
    상기 제2 네트워크 토폴로지 및 상기 제2 전파 시간을 이용하여 생성된 전파 결과를 더 입력받아 생성되는
    정보의 전파 시간을 예측하는 방법.
  7. 기 학습된 정보 전파 예측 신경망을 저장하는 메모리; 및
    상기 메모리를 제어하는 프로세서를 포함하고,
    상기 프로세서는, 정보 전파를 예측하고자 하는 네트워크 토폴로지를 입력 받고, 실제의 제1 네트워크 토폴로지의 정도 분포 특성에 기초하여 생성된 인공의 제2 네트워크 토폴로지 및 상기 실제의 제1 네트워크 토폴로지에 포함된 노드 간의 전파 시간인 실제의 제1 전파 시간에 기초하여 상기 제1 전파 시간에 관련된 노드의 특성을 변형하여 생성된 인공의 제2 전파 시간을 입력 받아 미리 학습된 정보 전파 예측 신경망으로 상기 정보 전파를 예측하고자 하는 네트워크 토폴로지를 입력하고,
    상기 입력에 대한 출력으로 상기 정보 전파를 예측하고자 하는 네트워크 토폴로지 내에서 정보가 전파되는 시간인 정보의 전파 시간을 생성하고,
    상기 정보의 전파 시간은, 입력 받은 상기 정보 전파를 예측하고자 하는 네트워크 토폴로지 내의 모든 노드에 정보가 전파되는데 걸리는 시간인 글로벌 예측 시간과 상기 정보 전파를 예측하고자 하는 네트워크 토폴로지 내의 특정 노드에 정보가 전파되는 시간인 로컬 예측 시간을 포함하는 것을 특징으로 하는 정보 전파 예측 장치.
  8. 제7 항에 있어서,
    상기 제2 네트워크 토폴로지는 상기 제1 네트워크 토폴로지에 적어도 하나의 노드를 추가함으로써 생성되는
    정보 전파 예측 장치.
  9. 제8 항에 있어서,
    상기 제2 네트워크 토폴로지는 상기 제1 네트워크 토폴로지의 정도 분포 특성에 기초하여 상기 적어도 하나의 노드를 추가하는
    정보 전파 예측 장치.
  10. 삭제
  11. 제7 항에 있어서,
    상기 제2 전파 시간은 상기 제1 전파 시간, 상기 변형한 노드의 특성에 기초하여 생성되는
    정보 전파 예측 장치.
  12. 제7 항에 있어서,
    상기 기 학습된 정보 전파 예측 신경망은,
    상기 제2 네트워크 토폴로지 및 상기 제2 전파 시간을 이용하여 생성된 전파 결과를 더 입력받아 생성되는
    정보 전파 예측 장치.
  13. 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서,
    상기 컴퓨터 프로그램은,
    제1 항 내지 제3 항 및 제5항 내지 제6 항 중 어느 한 항에 따른 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하는
    컴퓨터 판독 가능한 기록매체.
  14. 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서,
    상기 컴퓨터 프로그램은,
    제1 항 내지 제3 항 및 제5항 내지 제6 항 중 어느 한 항에 따른 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하는
    컴퓨터 프로그램.
KR1020190148996A 2019-11-19 2019-11-19 정보의 전파 시간을 예측하는 방법 및 상기 방법을 수행하는 정보 전파 예측 장치 KR102233891B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190148996A KR102233891B1 (ko) 2019-11-19 2019-11-19 정보의 전파 시간을 예측하는 방법 및 상기 방법을 수행하는 정보 전파 예측 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190148996A KR102233891B1 (ko) 2019-11-19 2019-11-19 정보의 전파 시간을 예측하는 방법 및 상기 방법을 수행하는 정보 전파 예측 장치

Publications (1)

Publication Number Publication Date
KR102233891B1 true KR102233891B1 (ko) 2021-03-30

Family

ID=75264852

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190148996A KR102233891B1 (ko) 2019-11-19 2019-11-19 정보의 전파 시간을 예측하는 방법 및 상기 방법을 수행하는 정보 전파 예측 장치

Country Status (1)

Country Link
KR (1) KR102233891B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160063965A (ko) * 2014-11-27 2016-06-07 삼성전자주식회사 뉴럴 네트워크 구조 확장 방법, 디멘션 리덕션 방법, 및 그 방법을 이용한 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160063965A (ko) * 2014-11-27 2016-06-07 삼성전자주식회사 뉴럴 네트워크 구조 확장 방법, 디멘션 리덕션 방법, 및 그 방법을 이용한 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
장기영. Efficient data analysis using machine learning in mobile social networks. 연세대학교. 2019.08월.* *

Similar Documents

Publication Publication Date Title
Zhang et al. Novel finite-time synchronization criteria for inertial neural networks with time delays via integral inequality method
Brezetskyi et al. Rare and hidden attractors in Van der Pol-Duffing oscillators
KR101700140B1 (ko) 스파이킹 뉴럴 연산을 위한 방법들 및 장치
KR20200110400A (ko) 학습 데이터 증강 정책
CN111461226A (zh) 对抗样本生成方法、装置、终端及可读存储介质
JP2020191080A (ja) 増分学習のためのデータ認識方法
CN108923983B (zh) 机会网络链路的预测方法、装置及可读存储介质
Yuan et al. Persistency of excitation and performance of deterministic learning
US11416743B2 (en) Swarm fair deep reinforcement learning
JP2023501257A (ja) 機械学習技術における予測精度を向上させるための最適な重みの特定
CN109964238A (zh) 使用神经网络生成视频帧
CN106844627A (zh) 基于对话系统的在线学习方法及装置
CN110851614A (zh) 知识图谱的关系预测推演方法及知识图谱的动态更新方法
EP3502978A1 (en) Meta-learning system
He et al. Global convergence analysis of cuckoo search using Markov theory
Segundo et al. A DTN routing strategy based on neural networks for urban bus transportation system
CN106817256A (zh) 一种分布式系统网络资源运维管理可靠性提升方法
CN113988464A (zh) 基于图神经网络的网络链路属性关系预测方法及设备
Muhsen et al. Enhancing NoC-based MPSoC performance: a predictive approach with ANN and guaranteed convergence arithmetic optimization algorithm
CN113660676A (zh) 基站流量预测方法、系统、存储介质及设备
KR102233891B1 (ko) 정보의 전파 시간을 예측하는 방법 및 상기 방법을 수행하는 정보 전파 예측 장치
US20190362240A1 (en) Information processing device, neural network design method, and recording medium
Sarala et al. Fuzzy cognitive map-based reasoning for prediction of multi-stage attacks in risk assessment
Chan et al. Evaluating non-hierarchical overflow loss systems using teletraffic theory and neural networks
Guo et al. Learning automata-based algorithms for solving the stochastic shortest path routing problems in 5G wireless communication

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant