KR20140141167A - 함정 전투체계의 트래픽 모델링 방법 - Google Patents

함정 전투체계의 트래픽 모델링 방법 Download PDF

Info

Publication number
KR20140141167A
KR20140141167A KR20130062595A KR20130062595A KR20140141167A KR 20140141167 A KR20140141167 A KR 20140141167A KR 20130062595 A KR20130062595 A KR 20130062595A KR 20130062595 A KR20130062595 A KR 20130062595A KR 20140141167 A KR20140141167 A KR 20140141167A
Authority
KR
South Korea
Prior art keywords
traffic
equation
combat
pareto
modeling
Prior art date
Application number
KR20130062595A
Other languages
English (en)
Other versions
KR101493452B1 (ko
Inventor
이동호
김태완
이상훈
Original Assignee
국방과학연구소
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 국방과학연구소 filed Critical 국방과학연구소
Priority to KR20130062595A priority Critical patent/KR101493452B1/ko
Publication of KR20140141167A publication Critical patent/KR20140141167A/ko
Application granted granted Critical
Publication of KR101493452B1 publication Critical patent/KR101493452B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B9/00—Simulators for teaching or training purposes
    • G09B9/003—Simulators for teaching or training purposes for military purposes and tactics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명은 전투관리시스템(Combat Management System), 센서시스템(Sensor System), 무장시스템(Weapon System) 및 통신시스템(Communication System)으로 구분된 시스템들에 각각 속하는 장비인 노드들에 의해 발생하는 트래픽을 모델링하는 함정 전투체계의 트래픽 모델링 방법에 관한 것으로, 상기 발명은 상기 노드들이 자신이 속하는 시스템 내에서 자신의 기능에 따라 사전에 정해진 모듈별로 분류되고, 상기 모듈들이 서로 다른 파레토 지수(pareto index)값을 갖는 파레토 분포(pareto distribution))의 ON/OFF 소스(source)로 정의되고, 함정 전투체계에서 발생하는 트래픽은 상기 모듈들에서 각각 발생하는 ON/OFF 소스에 의해 생성되는 것을 특징으로 한다. 이에 의해 본 발명은 함정을 구성하는 실제 장비의 특성을 모델에 반영하여 정확도를 향상시킬 수 있다.

Description

함정 전투체계의 트래픽 모델링 방법 및 이를 이용한 트래픽 생성장치{Traffic modeling method of naval ship combat system, and traffic generation apparatus using the same}
본 발명은 함정 전투체계의 트래픽 모델링 방법에 관한 것으로, 구체적으로는 함정 전투체계의 분석 및 검증을 위한 함정 전투체계의 트래픽 모델링 방법에 관한 것이다.
함정 전투체계는 동시 다발적인 전투 상황에 대처하기 위하여 함정의 센서장비, 무기 및 기타 함정지원 자료 등을 전투체계 데이터버스를 통하여 상호 연동시켜 실시간으로 처리한 후 콘솔에 전시함으로써, 지휘관이 신속한 전술 상황판단과 지휘결심을 할 수 있도록 지원하고, 위협표적에 대하여 자함 무기체계를 최적으로 할당함으로써 전투수행 능력을 극대화 시키는 지휘 및 사격통제 자동화 체계이다.
함정 전투체계는 탐지, 추적, 식별, 위협분석, 무장 할당, 교전, 명중평가의 단계로 프로세스가 진행된다.
함정 전투체계와 같은 실시간, 저지연 데이터 전송이 필수적인 네트워크 망에서는 정확한 트래픽 모델링이 반드시 필요하다.
함정 전투체계와 관련된 트래픽의 모델링을 위해 IPP(interrupted poisson process), MMPP(Markov Modulated Poisson Process), 영상 신호의 모델링 및 자기유사성 트래픽 모델링 등과 같은 기존의 트래픽 모델링 방법을 고려할 수 있다.
IPP(interrupted poisson process)는 셀 도착 확률을 바탕으로, 한 호내에서 밀접한 상관관계를 갖는 음성 셀 도착 프로세스의 버스트 트래픽을 모델링하기 위해 사용된다.
호 레벨에 도착되는 음성신호들은 포아송 프로세스를 따르고 호의 지속 시간은 이산적일때는 기하분포, 연속적일 때는 지수분포를 나타낸다. 한 호내에서 음성 셀 도착은 버스트 레벨에서 화중(talkspurt)기간과 침묵(silent)기간이 교대로 반복된다. 화중기간 동안에는 주기적으로 셀이 도착되고 침묵기간 동안에는 셀이 전혀 도착되지 않는다.
IPP 모델에서 음성 소스들은 ON, OFF 두 가지 상태를 취하며 ON 상태에서는 고정된 길이의 시간마다 주기적으로 셀이 도착하고 OFF 상태에서는 어떠한 셀도 도착하지 않는다.
IPP 모델이 갖는 특징은 다음과 같다. 먼저 ON과 OFF의 두 상태를 교대로 전이하는 프로세스이다. 둘째, ON 상태에서 OFF 상태로, OFF 상태에서 ON 상태로 각각 확률 a, b를 갖고 전이하며 상호 독립적이다. 셋째, ON 상태에 있을 동안에는 일정한 주기로 셀이 도착하며, OFF 상태에 있을 때에는 어떠한 셀도 도착하지 않는다. 마지막으로 ON 상태에서 머무는 기간은 평균 1/b, OFF 상태에서 머무는 기간은 평균 1/a를 갖는 기하분포를 따르고, ON 상태에서 셀 도착은 베르누이 분포를 따른다.
그러나 IPP 모델은 음성 소스로부터 도착되는 셀들은 각각의 셀 도착 프로세스간에 밀접한 상관관계로 인하여 트래픽 모델링이 상당히 복잡한 단점을 가진다.
MMPP(Markov Modulated Poisson Process)는 트래픽 소스를 모델링 하기 위하여 일반적으로 사용하는 해석적 모델들은 포아송 프로세스와 베르누이 프로세스를 가정함으로써 도착되는 셀들간의 주기성과 상관관계를 등을 묘사하는데, 이러한 프로세스 모델들은 트래픽이 갖는 중요한 특성들을 잘 반영하지 못하고 있다.
따라서 트래픽의 기본적인 특성들을 잘 반영하고 해석하기 쉬운 2-상태 MMPP(Two-state Markov Modulated Poisson Process) 모델을 많이 사용한다. 2-상태 MMPP는 음성, 데이터, 화상 등 멀티미디어 트래픽 소스로부터의 중첩된 셀 도착을 해석하기 위해 주로 사용하는 모델이다. 특히 이 모델은 음성과 데이터가 중첩된 트래픽의 모델로 적합하다.
영상 신호의 모델링은 영상 신호의 특성에 따라 다양한 방법이 사용된다. 영상신호는 보통 수십 Mbps 이상의 큰 대역폭을 요구한다. 음성신호나 데이터와 같은 저속 신호의 경우와 같이 화상신호도 상관성이 있는 셀 도착 과정을 나타내고 있지만 특성은 저속신호와는 매우 다르다.
즉, 영상신호의 트래픽 특성은 신호원의 변화 정도에 따라 short-term correlation 또는 long-term correlation 을 갖는 것으로 구분하여 모델링 하는 것이 필요하다.
화상회의나 영상전화와 같은 화면의 변화가 거의 없는 영상 신호에 대한 모델은 AR process에 의한 모델링과 discrete-state Markov 모델링이 있다. 그러나 이 모델은 화면의 변화가 없는 신호에 대해 비교적 정확한 근사 값을 제공하지만 대기모델(queueing model)이 매우 복잡하여 시뮬레이션의 목적으로 사용하는데 제안된다.
화면의 변화가 많은 영상신호에 대한 모델은 short-term correlation을 갖는 영상과 long-term correlation을 갖는 영상 모두를 포함한다. 이 때, Discrete-state. Continuous-tin1e Markov process 모델을 사용한다.
또한 함정 전투체계와 관련된 트래픽의 모델링을 위해 자기유사성 트래픽 모델링을 고려할 수 있다.
자기유사성은 원래 카오스(Chaos) 이론에 기반한 것으로, W. E. Leland에 의해 통신망의 특성화에 처음으로 도입되었다. Leland는 Bellcore망에서 수집된 트래픽을 분석하여 LAN 트래픽이 자기유사성을 가진다는 사실을 증명하였다.
이 연구 결과는 인터넷 트래픽의 자기유사성 연구에 대한 시작점이 되었으며, 그 이후에 인터넷 트래픽 특성이 자기유사성을 가진다는 사실이 여러 트래픽 분석 및 추정을 통하여 밝혀졌다.
Crovella 등은 WWW 트래픽이 자기유사성을 가짐을 증명하였다. Erramilli 등의 연구에서는 ISDN 망의 D-채널 시그널링이 자기유사성을 가짐을 밝혔다.
M. W. Garrett 등의 연구는 VBR 비디오 시퀀스의 자기유사성을 밝혀내었고, V. Paxson은 수많은 실측 데이터 분석을 통하여 TCP, FTP 및 TELNET 트래픽 또한 자기유사성을 가짐을 증명하였다.
자기 유사성을 갖는 트래픽의 모델링은 대표적으로 ON/OFF 모델, fBm(fractional Brownian motion) 모델, fGn(fractional Gaussian noise) 모델 및 fARIMA(fractioal ARIMA) 모델을 통해 수행될 수 있다.
ON/OFF 모델은, 파레토 분포를 갖는 N개의 ON-OFF 소스에서 발생한 패킷들이 하나의 출력으로 중첩됨으로써 재구성되는 자기유사성의 트래픽 모델이다. 패킷은 ON 시간 동안 발생되며 OFF 시간 동안 발생하지 않는다.
ON구간에 대한 파레토 분포 시퀀스를 생성하기 위하여 다양한 크기의 패킷 트레인(train)을 사용할 수 있다. 이때 최소 크기의 패킷 트레인은 1로 설정하였으며, 이는 한 개의 패킷을 전송하는 것을 의미한다. 일반적으로 파레토 분포는 수학식 1과 같은 PDF(Probability Density Function)을 갖는다.
Figure pat00001
여기서
Figure pat00002
는 shape 파라미터, b는 x의 최소값으로 location 파라미터를 나타낸다. 또한 자기유사성 트래픽을 생성하기 위해서는
Figure pat00003
가 1과 2사이에서 결정되어야 한다.
fBm (fractional Brownian motion) 모델은 Hurst parameter(H)를 갖는 자기유사성 프로세스이며, 시간 T에서 버퍼에 도착하는 데이터양을 수학식 2와 같이 정의한다.
Figure pat00004
여기서 파라미터 a는 IDC(Index of Dispersion Count), m은 표본화 시간 간격(sampling interval)을 기준으로 하는 평균을 나타내고 있으며, Z(t)는 H 파라미터를 이용해 자기 유사성을 만들어내는 fBm 함수이다. 이 모델은 주로 분석 또는 시뮬레이션 연구에 많이 사용되고 있다.
fGn (fractional Gaussian noise) 모델은 수학식 3과 같이 표현될 수 있고, FBM(Fractional Brownian Motion)의 증가함수이며, 근사적인 자기유사성 특징을 갖는다. FGN 모델은 단위 시간 동안 들어오는 트래픽의 양을 세 가지 파라미터만을 이용하여 나타낸다. 이 모델은 엄격한 autocorrelation 구조 때문에 다소 한계가 있다.
Figure pat00005
fARIMA (fractioal ARIMA) 모델은 fARIMA 모델은 ARIMA (p,d,q) 모델의 일반형 모델로서, p는 autoregressive term의 갯수를, d는 nonseasonal difference의 갯수, 그리고 q는 lagged forecast error의 갯수를 나타낸다. 이 모델은 SRD (short range dependence) 와 LRD (long range dependence) 모델을 모두 파악할 수 있으나, 복잡도가 매우 크며, 이에 따른 속도 저하가 단점이다.
이와 같이 기존의 트래픽 모델링 방법을 살펴보았으나, 이와 같은 기존의 연구에서 함정 전투체계와 관련되어 발생하는 트래픽의 정확한 모델링 및 통계적 특성 분석은 거의 진행되지 않고 있고, 함정을 구성하는 각 시스템, 다양한 장비들의 특성을 모두 고려한 트래픽 모델링은 아직 존재하지 않은 실정이다.
KR 10-1172282 B, 2012. 08. 09, 도 1
본 발명의 목적은 기존의 트래픽 모델링 방법 중 함정 전투체계의 트래픽 모델링에 적합한 방법을 선택하고 개선하여 적용함으로써 함정 전투체계와 관련되어 발생하는 트래픽의 정확한 모델링과 함정을 구성하는 각 시스템 및 다양한 장비들의 특성을 반영할 수 있는 함정 전투체계의 트래픽 모델링 방법 및 이를 이용한 트래픽 생성장치를 제공하는 것이다.
상기 목적을 달성하기 위한 본 발명의 일 측면은 함정 전투체계를 전투관리시스템(Combat Management System), 센서시스템(Sensor System), 무장시스템(Weapon System) 및 통신시스템(Communication System)으로 구분된 시스템들에 각각 속하는 장비인 노드들에 의해 발생하는 트래픽을 모델링하고, 일반 항해 및 훈련 상황을 포함하는 시나리오와 전투와 비상상황을 포함하는 시나리오에 따른 트래픽의 발생 빈도 및 양을 고려하여 상기 구분된 시스템들 별로 상기 노드들에 의해 발생하는 트래픽을 모델링하는 함정 전투체계의 트래픽 모델링 방법에 관한 것으로, 본 함정 전투체계의 트래픽 모델링 방법은 상기 노드들은 자신이 속하는 시스템 내에서 자신의 기능에 따라 사전에 정해진 모듈별로 분류되고, 상기 모듈들은 서로 다른 파레토 지수(pareto index)값을 갖는 파레토 분포(pareto distribution))의 ON/OFF 소스(source)로 정의되고, 함정 전투체계에서 발생하는 트래픽은 상기 모듈들에서 각각 발생하는 ON/OFF 소스에 의해 생성되는 것을 특징으로 한다.
상기 모듈들이 상기 ON/OFF 소스로 정의된 경우, 상기 모듈이 패킷(packet)을 송신하는 ON 상태(state) 및 상기 모듈이 아이들(idle) 상태이거나 패킷(packet)을 송신하지 않는 OFF 상태(state)는 heavy-tailed 분포의 파레토 분포(Pareto distribution)일 수 있다.
상기 파레토 지수는, 상기 모듈의 소스가 ON 상태의 지속시간에 따라 자기 유사성이 변하도록, 상기 ON 상태의 파레토 지수 값이 1보다 크고 상기 OFF 상태의 파레토 지수값 보다 작으며, 상기 OFF 상태의 파레토 지수값이 상기 상기 ON 상태의 파레토 지수 값보다 크고 2보다 작게 되는 범위에서 정해질 수 있다.
상기 시스템 i의 상기 노드 j를 구성하는 상기 모듈 k의 파레토 지수가 ON 상태의 파레토 지수 값 및 상기 OFF 상태의 파레토 지수 값을 포함하는 로 표현되고,
Figure pat00006
의 범위로 정의된 경우, 상기 모듈 k의 정상과정(stationary process)은 수식 1로 표현되고, 이 경우 ON 지속시간 및 OFF 지속시간이 서로 독립적인 heavy-tailed 분포를 갖는 파레토 분포로 모델링할 수 있다.
수식 1:
Figure pat00007
,
여기서, ON period = ON 지속시간, OFF period = OFF 지속시간
상기 ON 상태(state)와 OFF 상태(state)의 지속 시간을 나타내는 시퀀스를 각각 N, F 로 정의하고, 이에 대응하는 누적분포함수를 FN(x), FF(x)로 표현하는 경우 이에 따른
Figure pat00008
는 수식 2로 표현될 수 있다.
수식 2:
Figure pat00009
,
여기서,CN, CF = 임의의 양의 상수,
Figure pat00010
상기 시스템 i를 구성하는 상기 노드 j에서 발생하는 트래픽(x(i,j)(t))은 서로 다른 Kij개의 상기 모듈에서 발생하는 스트림의 통합된 형태로서 수식 3으로 표현되고, 이 경우 상기 노드 j에서 나타나는 트래픽은 수식 4로 표현되는 자기 유사성의 정도인 Hurst parameter (H(ij))의 값을 가질 수 있다.
수식 3:
Figure pat00011
수식 4:
Figure pat00012
,
여기서,
Figure pat00013
상기 노드에서 발생하는 트래픽을 모델링한 후 상기 시스템 i를 구성하는 총 Ji개의 노드에 의해 생성된 스트림을 통합하는 것에 의해 상기 전투관리시스템(Combat Management System), 센서시스템(Sensor System), 무장시스템(Weapon System) 및 통신시스템(Communication System)에서 나타나는 서로 다른 자기 유사성 특성의 트래픽을 모델링할 수 있다.
상기 총 Ji개의 노드에 의해 생성된 스트림이 통합된 스트림(x(i,j)(t))은
Figure pat00014
로 표현되고, 상기 통합된 스트림(x(i)(t))의 Hurst parameter(H(i))는 상기 각 노드가 갖는 Hurst parameter(H(ij)) 값의 가중 평균의 형태인 수식 5로 표현되며, 가중치 값 (
Figure pat00015
)은 수식 6으로 표현될 수 있다.
수식 5:
Figure pat00016
수식 6:
Figure pat00017
상기 GNT 시나리오 또는 상기 CE 시나리오 상에서 함정 전투체계 전체에서 발생하는 전체 트래픽의 자기유사성을 확인하기 위해, 상기 전투관리시스템(Combat Management System), 센서시스템(Sensor System), 무장시스템(Weapon System) 및 통신시스템(Communication System)에서 발생하는 스트림들(x(i)(t))을 중첩하여 함정 전투체계 전체의 스트림 (XT(t))을 계산할 수 있다.
상기 함정 전투체계 전체에서 발생하는 트래픽의 Hurst parameter(HT)는 상기 통합된 스트림(x(i)(t))의 Hurst parameter(H(i))값의 가중 평균의 형태인 수식 7로 표현되고, 가중치 값(
Figure pat00018
)은 수식 8로 표현될 수 있다.
수식 7:
Figure pat00019
수식 8:
Figure pat00020
상기 목적을 달성하기 위한 본 발명의 또 다른 일 측면에 따른 트래픽 생성장치는 전술한 본 발명의 일 측면에 따른 함정 전투체계의 트래픽 모델링 방법을 수행하는 것에 의해 함정 전투체계의 시뮬레이션을 위한 트래픽을 생성하는 것을 특징으로 한다.
이과 같이 본 발명은 함정 전투체계에서 발생하는 트래픽의 자기 유사성을 정확하게 모델링할 수 있다.
또한 본 발명은 ON/OFF 모델을 이용함으로써 복잡도가 적은 트래픽 모델링이 가능하고, 함정을 구성하는 실제 장비의 특성을 모델에 반영하여 정확도를 향상시킬 수 있다.
또한 본 발명은 General Navigation and Training(GNT) 시나리오와 전투와 비상상황을 포함하는 Combat and Emergency(CE) 시나리오 상에서 각각 발생하는 트래픽의 자기 유사성을 정확하게 모델링할 수 있고, 각 시나리오에서 동작하는 노드들을 서로 다르게 정의함으로써 모델링의 정확도 및 신뢰성을 높일 수 있다.
도 1은 본 발명의 일 실시예에 따른 함정 전투체계의 트래픽 모델링 방법의 대상인 함정 전투체계의 블록도이다.
도 2는 본 발명의 일 실시예에 따른 함정 전투체계의 트래픽 모델링 방법의 순서도이다.
도 3은 본 발명의 일 실시예에 따른 함정 전투체계의 트래픽 모델링 방법의 모듈의 트래픽 모델링을 설명하기 위한 블록도이다.
도 4는 본 발명의 일 실시예에 따른 함정 전투체계의 트래픽 모델링 방법의 전체 함정 전투체계 전체의 트래픽 모델링을 설명하기 위한 블록도이다.
도 5는 본 발명의 또 다른 일 실시예에 따른 트래픽 발생장치의 블록도이다.
이하에서는 첨부된 도면들을 참조하여 본 발명의 일 실시예에 따른 함정 전투체계의 트래픽 모델링 방법에 대해 설명한다.
도 1은 본 발명의 일 실시예에 따른 함정 전투체계의 트래픽 모델링 방법의 대상인 함정 전투체계의 블록도이다. 본 발명의 일 실시예에 따른 함정 전투체계의 트래픽 모델링 방법은, 시스템 별 정확한 트래픽 모델링을 위해, 함정 전투체계를 CSDB(Combat System Data Bus)에 의해 연결되고, 전투관리시스템(Combat Management System), 센서시스템(Sensor System), 무장시스템(Weapon System), 통신시스템(Communication System)으로 구분할 수 있다.
센서시스템은 탐색 레이다, 추적 레이다, 음탐장비, 항해장비 등으로 구성될 수 있고, 무장시스템은 함포 장비, 미사일 장비 및 어뢰 장비 등으로 구성될 수 있으며, 통신시스템은 전술 데이터 통신장비, 데이터 링크 프로세서 등으로 구성될 수 있다.
각 시스템을 구성하는 장비들은 CSDB와의 연결 고리 역할을 하는 information control unit(ICU) 또는 data link processor(DLP)를 통해 연결되며, 노드로 정의될 수 있으며, 각 노드들은 각자 맡은 역할을 수행하는 모듈(module)로 구성될 수 있다.
각 시스템에 연결된 함정 내 노드들은 함정의 종류에 따라 서로 다를 수 있으나, 본 실시예에 따른 함정 전투체계의 트래픽 모델링 방법은 도 1에서 기술한 장비만을 고려한다. 각 노드는 정해진 기능을 수행하는 다수의 모듈로 세분화할 수 있다.
이하 도 2 내지 도 4를 참조하여 본 발명의 일 실시예에 따른 함정 전투체계의 트래픽 모델링 방법에 대해 설명한다. 도 2는 본 발명의 일 실시예에 따른 함정 전투체계의 트래픽 모델링 방법의 순서도이다.
도 1, 도 3 및 도 4에 나타난 영문 약어에 대해 설명하면 다음과 같다.
SRS : Search Radar System,
TRS : Tracking Radar System
NRS : Navigation Radar System
OSD : Ownship Sensor System
IFF : Identification Friend/Foe
HMS : Hull-Mounted Sonar
EOTS : Electro-Optical Tracking System
LYNXESM : Lynx Electronic Support Measure
EW : Electronic Warfare
SSM : Surface to Surface Missile
SAAM : Surface to Anti-Air Missile
CIWS : Close-In Weapon System
DCY : Decoy
TACM : Torpedo Acoustic Counter Measure
SLTS : Surface Launched Torpedo System
ISDL : Inter-Site Data Link
NCCS : Naval Command Control System
TVR : TV Video Recorder
RVDU : Radar/Video Distribution Unit
RVR : Radar Video Recorder
ICU : Interface Control Unit
DLP : Data Link Processor
IPN : Imformation Processing System
MFC : Multi-Function Console
C-IPN : CE(Combat and Emergency) mode IPN
G-IPN : GNT(General Navigation and Training) mode IPN
S-IPN : Support IPN
C-MFC : CE mode MFC
G-MFC : GNT mode IPN
CM System : Combat Management System
WCS : Warship Combat System
도 2를 참조하면, 함정 전투체계의 트래픽 모델링 방법은 시스템 및 시나리오의 구분 단계(S21), 모듈의 트래픽 모델링 단계(S23), 노드의 트래픽 모델링 단계(S25), 시스템의 트래픽 모델링 단계(S27) 및 함정 전투체계의 트래픽 모델링 단계(S29)를 포함할 수 있다.
시스템 및 시나리오의 구분 단계(S21)는 위에서 구분한 함정 전투체계의 구분에 대응하여 센서시스템(Sensor System), 무장시스템(Weapon System) 및 통신시스템(Communication System)으로 구분하고, 일반 항해 및 훈련 상황을 포함하는 General Navigation and Training(GNT) 시나리오와 전투와 비상상황을 포함하는 Combat and Emergency(CE) 시나리오로 구분한다.
함정 전투체계의 트래픽을 더 정확히 모델링하기 위해, 함정에서 발생할 수 있는 시나리오, 즉 함정 환경을 함께 고려한다. 이는 함정 전투체계에서 발생하는 트래픽의 주기 및 크기 등, 트래픽의 특성이 함정 환경에 따라 크게 변할 수 있기 때문이다.
본 실시예에 따른 함정 전투체계의 트래픽 모델링 방법은 일반 항해 및 훈련 상황을 포함하는 General Navigation and Training (GNT) 시나리오와, 적군 목표물의 탐지 및 외부와의 긴급한 통신을 통한 정보교환 및 공격까지 전투와 비상상황을 포함하는 Combat and Emergency(CE) 시나리오로 크게 구분한다. 그리고 각 시나리오에서 작동하는 노드들은 도 1을 통해 확인할 수 있다.
모듈의 트래픽 모델링 단계(S23)는 각 모듈들은 상기 노드들이 자신이 속하는 시스템 내에서 자신의 기능에 따라 사전에 정해진 모듈별로 분류되고, 도 3에 도시된 바와 같이, 서로 다른 파레토 지수(pareto index)값을 갖는 파레토 분포(Pareto distribution(
Figure pat00021
,
Figure pat00022
))의 ON/OFF 소스(source)로 정의한다. 즉, 함정 전투체계에서 발생하는 트래픽은 서로 다른 모듈에서 발생하는 ON/OFF 소스에 의해 생성된다.
구체적으로 각 모듈이 ON/OFF 소스로 가정된 경우, ON 상태 및 OFF 상태는 heavy-tailed 분포의 파레토 분포(Pareto distribution)을 갖는다.
시스템 i의 노드 j를 구성하는 모듈 k의 Pareto index를 로 표기하며, 이 때,
Figure pat00023
의 범위를 만족한다.
또한
Figure pat00024
의 범위를 가정하여, 각 소스마다 ON 상태(state)의 지속시간에 따라 자기 유사성이 변할 수 있도록 설정한다.
따라서 단순히 다수의 ON/OFF 소스를 통합하는 기존의 'aggregate ON/OFF source modeling' 방법과 달리, 소스 역할을 하는 각 모듈의 서로 다른 함정 내 특성을 반영한 트래픽 모델링 방법을 수행한다.
모듈의 트래픽 모델링 단계(S23)는 시스템 i의 노드 j를 구성하는 모듈 k가 active 또는 ON 상태(state) 일 때, 각 모듈은 CSDB를 통해 패킷(packet)을 송신하며, inactive 또는 OFF 상태일 때, 각 모듈은 idle 상태가 되거나, 어떠한 packet도 보내지 않는다. 이 때, 모듈 k의 정상과정(stationary process)은 수학식 4와 같이 표현 가능하다.
Figure pat00025
여기서, ON period = ON 지속시간, OFF period = OFF 지속시간
이 때, ON 지속시간 및 OFF 지속시간이 서로 독립적인 heavy-tailed 분포를 갖는 시퀀스, 파레토 분포로 모델링한다. ON 상태(state) 와 OFF 상태(state)의 지속 시간을 나타내는 시퀀스를 각각 N,F 라고 쓰고, FN(x), FF(x)를 이에 따른 누적분포함수(cumulative distribution function, cdf)라고 표기한다. 그럴 경우, 두 함수
Figure pat00026
를 수학식 5와 같이 정의할 수 있다.
Figure pat00027
여기서, CN, CF 는 임의의 양의 상수이며,
Figure pat00028
사이의 값을 갖도록 한다.
노드의 트래픽 모델링 단계(S25)는 시스템 i를 구성하는 노드 j에서 발생하는 트래픽은 서로 다른 Kij개의 모듈에서 발생하는 스트림의 통합된 형태로 나타난다. 즉 통합된 스트림 x(i,j)(t)는
Figure pat00029
와 같이 나타낼 수 있다.
이 때, 노드 j에서 나타나는 트래픽은 Hurst parameter H(ij)의 값을 갖으며, 자기 유사성을 나타나며, H(ij)의 값은 수학식 6과 같이 나타낼 수 있다.
Figure pat00030
여기서,
Figure pat00031
이다.
시스템의 트래픽 모델링 단계(S27)는 위와 같이 모든 노드의 모델링 후, 함정 전투체계를 구성하는 전투관리시스템(Combat Management System), 센서시스템(Sensor System), 무장시스템(Weapon System) 및 통신시스템(Communication System)에서 보이는 서로 다른 자기 유사성 특성의 트래픽을 모델링하기 위해, 시스템 i를 구성하는 총 Ji개의 노드에 의해 생성된 스트림을 통합한다. 즉 통합된 스트림 x(i,j)(t)는
Figure pat00032
와 같이 표현된다.
하지만 통합된 스트림의 Hurst parameter(H(i))는 위의 노드에서 나타나는 Hurst parameter 결정 방법과 달리, 각 노드가 갖는 Hurst parameter(H(ij)) 값의 가중 평균의 형태로 표현되며, 이는 수학식 7과 같이 정의된다.
Figure pat00033
여기서, 가중치 값(
Figure pat00034
)은 수학식 8과 같이 정의할 수 있다.
Figure pat00035
함정 전투체계의 트래픽 모델링 단계(S29)는 마지막으로 상기 두 시나리오 (GNT/CE) 상에서 함정 전투체계 전체에서 발생하는 전체 트래픽의 자기유사성을 확인하기 위해, 도 4에서 볼 수 있듯이, 총 I개의 시스템에서 발생하는 스트림(x(i)(t))을 중첩하여 함정 전투체계 전체의 스트림(XT(t))을 구할 수 있다. 여기서 시스템은 전투관리시스템(Combat Management System), 센서시스템(Sensor System), 무장시스템(Weapon System) 및 통신시스템(Communication System)일 수 있다. 함정 전투체계 전체의 스트림(XT(t))은 수학식 9와 같이 표현할 수 있다.
Figure pat00036
함정 전투체계 전체에서 발생하는 트래픽의 Hurst parameter(HT) 값은 수학식 10과 같이 나타날 수 있다. 이는 시스템에서 나타나는 Hurst parameter 값과 같은 방법으로, 통합된 스트림()의 Hurst parameter(H(i))값의 가중 평균의 형태이다.
Figure pat00037
여기서, 가중치 값(
Figure pat00038
)은 수학식 11과 같이 정의된다.
Figure pat00039
이하 도 5를 참조하여 본 발명의 또 다른 일 실시예에 따른 트래픽 생성장치에 대해 설명한다. 트래픽 생성장치(1)는 시스템 및 시나리오 구분부(10)와 트래픽 모델링부(20)로 기능상 구분할 수 있다. 이러한 기능상의 구분은 설명의 편의를 위한 것으로, 이외에도 트래픽 생성장치(1)는 다양한 형태로 구분될 수 있다.
시스템 및 시나리오 구분부(10)는 도 2의 S21단계인 시스템 및 시나리오 구분단계를 수행할 수 있다. 시스템 및 시나리오 구분부(10)는 함정 전투체계를 전투관리시스템(Combat Management System), 센서시스템(Sensor System), 무장시스템(Weapon System) 및 통신시스템(Communication System)으로 구분하고, 일반 항해 및 훈련 상황을 포함하는 General Navigation and Training(GNT) 시나리오와 전투와 비상상황을 포함하는 Combat and Emergency(CE) 시나리오로 구분한다.
트래픽 모델링부(20)는 도 2의 S23 내지 S29단계를 각각 수행하는 모듈의 트래픽 모델링 기능블록(22), 노드의 트래픽 모델링 기능블록(24), 시스템의 트래픽 모델링 기능블록(26) 및 함정 전투체계의 트래픽 모델링 기능블록(28)으로 구분할 수 있다.
이와 같이 본 발명의 일 실시예에 따른 함정 전투체계의 트래픽 모델링 방법 및 이를 이용한 트래픽 발생장치(1)는 함정 전투체계에서 발생하는 트래픽의 자기 유사성을 정확하게 모델링할 수 있다. 또한 기존의 fBm, fGn, fARIMA과 같은 자기 유사성 트래픽 모델 보다 정확한 모델링이 가능하다.
또한 본 발명의 일 실시예에 따른 함정 전투체계의 트래픽 모델링 방법 및 트래픽 발생장치(1)는 ON/OFF 모델을 이용함으로써 복잡도가 적은 트래픽 모델링이 가능하고, 함정을 구성하는 실제 장비의 특성을 모델에 반영하여 정확도를 향상시킬 수 있다.
또한 본 발명의 일 실시예에 따른 함정 전투체계의 트래픽 모델링 방법은 및 트래픽 발생장치(1)는 GNT/CE와 같은 시나리오에서 각각 발생하는 트래픽의 자기 유사성을 정확하게 모델링할 수 있다. 더불어 본 발명의 일 실시예에 따른 함정 전투체계의 트래픽 모델링 방법은 각 시나리오에서 동작하는 노드들을 서로 다르게 정의함으로써 모델링의 정확도 및 신뢰성을 높일 수 있다.
본 발명의 일 실시예에 따른 함정 전투체계의 트래픽 모델링 방법 및 이를 이용한 트래픽 발생장치(1)는 위에서 설명한 실시예들의 구성과 방법에 한정되지 않으며, 사용자의 필요에 따라 실시예의 전부 또는 일부가 선택적으로 조합되어 구성될 수 있다.
1: 트래픽 발생장치
10: 시스템 및 시나리오 구분부
20: 트래픽 모델링부
22: 모듈의 트래픽 모델링 기능블록
24: 노드의 트래픽 모델링 기능블록
26: 시스템의 트래픽 모델링 기능블록
28: 함정 전투체계의 트래픽 모델링 기능블록

Claims (11)

  1. 함정 전투체계를 전투관리시스템(Combat Management System), 센서시스템(Sensor System), 무장시스템(Weapon System) 및 통신시스템(Communication System)으로 구분된 시스템들에 각각 속하는 장비인 노드들에 의해 발생하는 트래픽을 모델링하고, 일반 항해 및 훈련 상황을 포함하는 시나리오와 전투와 비상상황을 포함하는 시나리오에 따른 트래픽의 발생 빈도 및 양을 고려하여 상기 구분된 시스템들 별로 상기 노드들에 의해 발생하는 트래픽을 모델링하는 함정 전투체계의 트래픽 모델링 방법에 있어서,
    상기 노드들은 자신이 속하는 시스템 내에서 자신의 기능에 따라 사전에 정해진 모듈별로 분류되고, 상기 모듈들은 서로 다른 파레토 지수(pareto index)값을 갖는 파레토 분포(pareto distribution))의 ON/OFF 소스(source)로 정의되고, 함정 전투체계에서 발생하는 트래픽은 상기 모듈들에서 각각 발생하는 ON/OFF 소스에 의해 생성되는 것을 특징으로 하는 함정 전투체계의 트래픽 모델링 방법.
  2. 제1항에 있어서,
    상기 모듈들이 상기 ON/OFF 소스로 정의된 경우, 상기 모듈이 패킷(packet)을 송신하는 ON 상태(state) 및 상기 모듈이 아이들(idle) 상태이거나 패킷(packet)을 송신하지 않는 OFF 상태(state)는 heavy-tailed 분포의 파레토 분포(Pareto distribution)인 것을 특징으로 하는 함정 전투체계의 트래픽 모델링 방법.
  3. 제1항에 있어서,
    상기 파레토 지수는, 상기 모듈의 소스가 ON 상태의 지속시간에 따라 자기 유사성이 변하도록, 상기 ON 상태의 파레토 지수 값이 1보다 크고 상기 OFF 상태의 파레토 지수값 보다 작으며, 상기 OFF 상태의 파레토 지수값이 상기 상기 ON 상태의 파레토 지수 값보다 크고 2보다 작게 되는 범위에서 정해지는 것을 특징으로 하는 함정 전투체계의 트래픽 모델링 방법.
  4. 제2항에 있어서,
    상기 시스템 i의 상기 노드 j를 구성하는 상기 모듈 k의 파레토 지수가 ON 상태의 파레토 지수 값 및 상기 OFF 상태의 파레토 지수 값을 포함하는 로 표현되고,
    Figure pat00040
    의 범위로 정의된 경우, 상기 모듈 k의 정상과정(stationary process)은 수식 1로 표현되고, 이 경우 ON 지속시간 및 OFF 지속시간이 서로 독립적인 heavy-tailed 분포를 갖는 파레토 분포로 모델링하는 것을 특징으로 하는 함정 전투체계의 트래픽 모델링 방법.
    수식 1:
    Figure pat00041
    ,
    여기서, ON period = ON 지속시간, OFF period = OFF 지속시간
  5. 제4항에 있어서,
    상기 ON 상태(state)와 OFF 상태(state)의 지속 시간을 나타내는 시퀀스를 각각 N, F로 정의하고, 이에 대응하는 누적분포함수를 FN(x), FF(x)로 표현하는 경우 이에 따른
    Figure pat00042
    는 수식 2로 표현되는 것을 특징으로 하는 함정 전투체계의 트래픽 모델링 방법.
    수식 2:
    Figure pat00043
    ,
    여기서, CN, CF = 임의의 양의 상수,
    Figure pat00044
  6. 제4항에 있어서,
    상기 시스템 i를 구성하는 상기 노드 j에서 발생하는 트래픽은 서로 다른 Kij개의 상기 모듈에서 발생하는 스트림의 통합된 형태로서 수식 3으로 표현되고, 이 경우 상기 노드 j에서 나타나는 트래픽은 수식 4로 표현되는 자기 유사성의 정도인 Hurst parameter (H(ij))의 값을 가지는 것을 특징으로 하는 함정 전투체계의 트래픽 모델링 방법.
    수식 3:
    Figure pat00045

    수식 4:
    Figure pat00046
    ,
    여기서,
    Figure pat00047
  7. 제6항에 있어서,
    상기 노드에서 발생하는 트래픽을 모델링한 후 상기 시스템 i를 구성하는 총 Ji개의 노드에 의해 생성된 스트림을 통합하는 것에 의해 상기 전투관리시스템(Combat Management System), 센서시스템(Sensor System), 무장시스템(Weapon System) 및 통신시스템(Communication System)에서 나타나는 서로 다른 자기 유사성 특성의 트래픽을 모델링하는 것을 특징으로 하는 함정 전투체계의 트래픽 모델링 방법.
  8. 제7항에 있어서,
    상기 총 Ji개의 노드에 의해 생성된 스트림이 통합된 스트림(x(i)(t))은
    Figure pat00048
    로 표현되고, 상기 통합된 스트림(x(i)(t))의 Hurst parameter(H(i))는 상기 각 노드가 갖는 Hurst parameter(H(ij)) 값의 가중 평균의 형태인 수식 5로 표현되며, 가중치 값(
    Figure pat00049
    )은 수식 6으로 표현되는 것을 특징으로 하는 함정 전투체계의 트래픽 모델링 방법.
    수식 5:
    Figure pat00050

    수식 6:
    Figure pat00051
  9. 제8항에 있어서,
    상기 GNT 시나리오 또는 상기 CE 시나리오 상에서 함정 전투체계 전체에서 발생하는 전체 트래픽의 자기유사성을 확인하기 위해, 상기 전투관리시스템(Combat Management System), 센서시스템(Sensor System), 무장시스템(Weapon System) 및 통신시스템(Communication System)에서 발생하는 스트림들(x(i)(t))을 중첩하여 함정 전투체계 전체의 스트림 (XT(t))을 계산하는 것을 특징으로 하는 함정 전투체계의 트래픽 모델링 방법.
  10. 제9항에 있어서,
    상기 함정 전투체계 전체에서 발생하는 트래픽의 Hurst parameter(HT)는 상기 통합된 스트림(x(i)(t))의 Hurst parameter(H(i))값의 가중 평균의 형태인 수식 7로 표현되고, 가중치 값(
    Figure pat00052
    )은 수식 8로 표현되는 것을 특징으로 하는 함정 전투체계의 트래픽 모델링 방법.
    수식 7:
    Figure pat00053

    수식 8:
    Figure pat00054
  11. 제1항 내지 제10항 중 어느 하나의 항에 따른 함정 전투체계의 트래픽 모델링 방법을 수행하는 것에 의해 함정 전투체계의 시뮬레이션을 위한 트래픽을 생성하는 것을 특징으로 하는 트래픽 생성장치.
KR20130062595A 2013-05-31 2013-05-31 함정 전투체계의 트래픽 모델링 방법 KR101493452B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR20130062595A KR101493452B1 (ko) 2013-05-31 2013-05-31 함정 전투체계의 트래픽 모델링 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR20130062595A KR101493452B1 (ko) 2013-05-31 2013-05-31 함정 전투체계의 트래픽 모델링 방법

Publications (2)

Publication Number Publication Date
KR20140141167A true KR20140141167A (ko) 2014-12-10
KR101493452B1 KR101493452B1 (ko) 2015-02-16

Family

ID=52458761

Family Applications (1)

Application Number Title Priority Date Filing Date
KR20130062595A KR101493452B1 (ko) 2013-05-31 2013-05-31 함정 전투체계의 트래픽 모델링 방법

Country Status (1)

Country Link
KR (1) KR101493452B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102015213715A1 (de) 2014-10-17 2016-04-21 Hyundai Motor Company Spracherkennungsvorrichtung und Spracherkennungsverfahren
CN107465571A (zh) * 2017-07-27 2017-12-12 中国人民解放军国防信息学院 基于统计特性的战术网络模拟训练背景业务流量生成方法
KR102040094B1 (ko) * 2018-10-19 2019-11-05 국방과학연구소 사이버 훈련 시스템에서 인터넷 배경 트래픽 발생을 위한 데이터 구축 방법 및 그 장치
KR102056223B1 (ko) * 2019-05-29 2020-01-22 한화시스템(주) 전체 전투체계 모델을 구성하기 위한 방법
KR102103842B1 (ko) 2019-10-02 2020-05-29 한화시스템 주식회사 차세대 함정 전투체계의 트래픽 모델링 장치

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102015213715A1 (de) 2014-10-17 2016-04-21 Hyundai Motor Company Spracherkennungsvorrichtung und Spracherkennungsverfahren
CN107465571A (zh) * 2017-07-27 2017-12-12 中国人民解放军国防信息学院 基于统计特性的战术网络模拟训练背景业务流量生成方法
CN107465571B (zh) * 2017-07-27 2020-06-05 中国人民解放军国防信息学院 基于统计特性的战术网络模拟训练背景业务流量生成方法
KR102040094B1 (ko) * 2018-10-19 2019-11-05 국방과학연구소 사이버 훈련 시스템에서 인터넷 배경 트래픽 발생을 위한 데이터 구축 방법 및 그 장치
KR102056223B1 (ko) * 2019-05-29 2020-01-22 한화시스템(주) 전체 전투체계 모델을 구성하기 위한 방법
KR102103842B1 (ko) 2019-10-02 2020-05-29 한화시스템 주식회사 차세대 함정 전투체계의 트래픽 모델링 장치

Also Published As

Publication number Publication date
KR101493452B1 (ko) 2015-02-16

Similar Documents

Publication Publication Date Title
KR101493452B1 (ko) 함정 전투체계의 트래픽 모델링 방법
Sadler et al. A survey of time delay estimation performance bounds
CN110687254B (zh) 一种可扩散物体的扩散趋势确定方法及系统
CN112749496B (zh) 基于时序作战环的装备体系作战效能评估方法及系统
Ristic et al. Joint detection and tracking using multi-static doppler-shift measurements
Giompapa et al. Maritime border control multisensor system
Alsulami et al. Improvement on a traffic data generator for networking AI algorithm development
de Groot et al. Mission-driven resource management for reconfigurable sensing systems
Kim et al. Hierarchical multilevel on/off source traffic modeling for a warship combat system
KR20190083848A (ko) 프리앰블 생성 방법 및 그 장치
Galligan Modelling shared situational awareness using the MANA model
Yu et al. Live Blackboxes: Requirements for tracking and verifying aircraft in motion
Grasso et al. Asset network planning: integration of environmental data and sensor performance for counter piracy
Liu et al. Staggered scheduling of estimation and fusion in long-haul sensor networks
Ma et al. Clustering Quantization Short-Time Energy Feature Extraction Method for MAC Protocol Identification in Non-cooperative UWANs
Giompapa et al. Computer simulation of an integrated multi-sensor system for maritime border control
Li et al. A scheduling method of generalized tasks for multifunctional radar network
Wakayama et al. Simulation-driven task prioritization using a restless bandit model for active sonar missions
Giompapa et al. Study of the classification task into an integrated multisensor system for maritime border control
Casari et al. Security via underwater acoustic networks: the concept and results of the RACUN project
RU2751583C1 (ru) Способ и устройство оценки разведывательной доступности узлов коммутации сети радиосвязи
Binder et al. Employing Royal Canadian Air Force Sonobuoys for Passive Acoustic Monitoring of Whales
Bullock Radar, Modems, and Air Defense Systems: Noise as a Data Communication Problem in the 1950s
Dino et al. Dynamic Adaptation of LoRaWan Traffic for Real-time Emergency Operations
Galinina et al. Internet of Things, Smart Spaces, and Next Generation Networks and Systems: 20th International Conference, NEW2AN 2020, and 13th Conference, ruSMART 2020, St. Petersburg, Russia, August 26–28, 2020, Proceedings, Part II

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
FPAY Annual fee payment

Payment date: 20180105

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20190207

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20200204

Year of fee payment: 6