데이터 적시성(適時性)을 고려하는 미래 네트워크 애플리케이션 서비스를 위한 스펙트럼 할당 기법
Spectrum allocation technique for future network application services considering data timeliness
- 주제어 (키워드) 만물 인터넷 , 스펙트럼 할당 , 내쉬 협상 해법 , 심층 강화 학습 , 게임이론
- 발행기관 서강대학교 일반대학원
- 지도교수 김승욱
- 발행년도 2025
- 학위수여년월 2025. 2
- 학위명 석사
- 학과 및 전공 일반대학원 컴퓨터공학과
- 실제 URI http://www.dcollection.net/handler/sogang/000000079675
- UCI I804:11029-000000079675
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
만물 인터넷 (Internet of Everything: IoE)는 인터넷을 통해 사물과 사물이 연결되는 사물 인터넷 (Internet of Things: IoT)에서 확장된 개념으로 사람과 사물 그리고 데이터가 연결됨을 의미한다. IoE 장치를 통해 생산된 데이터는 정보 및 제어를 위해 IoE 플랫폼에서 무선 통신을 통해 전송되며, IoE 애플리케이션이 생성한 데이터를 적시에 전송 할 때 전반적인 IoE 플랫폼의 성능이 높아진다. 즉 데이터의 적시성이 IoE 시스템 성능에 영향을 미친다. 이에 따라 IoE 플랫폼에서 데이터의 적시성을 낮게 유지하며 스펙트럼을 할당하는 것은 IoE 시스템 성능의 중요한 요소로 작용한다. IoE 애플리케이션이 증가함에 따라 대규모의 데이터가 생성되고, 제한된 스펙트럼 자원으로 효율적으로 할당하는 것이 주요 과제사항으로 부각되었다. 이에 따라 본 연구에서는 제한된 스펙트럼 자원의 원활한 공유와 생성된 데이터의 낮은 데이터 적시성, 효율적인 데이터 전송을 위한 새로운 무선 스펙트럼 할당 방식을 제안한다. 내쉬 협상 해법 (Nash Bargaining Solution)은 한정된 자원을 모든 협상 당사자의 이익을 최대화하면서 공정하게 자원을 분배하도록 하는 수학적 해법이다. 그리고 강화 학습은 동적 환경에서 네트워크 상태와 수요 변화를 학습하여, 자원 낭비를 최소화하고 네트워크 성능을 최적화하는 방향으로 스펙트럼을 효율적으로 할당할 수 있는 방법을 제공한다. 따라서 해결책을 도출하기 위해 제안된 방식은 내쉬 협상 해법과 강화 학습 Double Deep Q- Network (DDQN) 알고리즘 개념을 활용한 2단계 제어 메커니즘으로 설계하였다. 첫 번째 단계에서는 내쉬 협상 해법에 따라 스펙트럼 가격이 동적으로 결정되며, 스펙트럼이 할당된다. 두 번째 단계에서는 개별 IoE 장치가 심층 강화 학습을 통해 스펙트럼 요청을 선택한다. 지능형 IoE 장치의 순차적인 상호 작용을 통해, 제안된 이중 단계 제어 접근법은 스펙트럼 할당 프로세스를 최적화하기 위해 시너지 효과를 탐색할 수 있다. 마지막으로, 시뮬레이션 결과는 공동 설계된 제어 방법이 시스템 효율성에 유익한 협력 전략을 개별 장치가 선택하도록 효과적으로 안내하며, 서비스 지연, 네트워크 처리량 및 장치 공정성 측면에서 기존 프로토콜보다 우수하다는 것을 보여준다.
more목차
제 1 장 서론 1
1.1 본 논문의 기여도 6
제 2 장 관련 연구 8
제 3 장 게임 이론과 강화 학습 11
3.1 내쉬 협상 해법 11
3.2 강화 학습 13
3.3 심층 강화 학습 17
제 4 장 제안하는 스펙트럼 할당 기법 20
4.1 스펙트럼 제어 접근 방식 20
4.2 제안된 스펙트럼 할당 기법 23
4.3 스펙트럼 할당 알고리즘 27
제 5 장 성능 평가 29
5.1 실험 환경 구성 29
5.2 제안 기법 성능 분석 31
제 6 장 결론 37
참고 문헌 38
