모바일컴퓨팅연구실

Slotted ALOHA 무선 액세스에 톰슨 샘플링을 적용한 강화학습 기법을 제안하고 성능을 분석하였다.  -greedy, Upper Confidence Bound, 톰슨 샘플링 방식의 성능을 비교하고, 톰슨 샘플링에서 파라미터 설정에따른 throughput과 최적 성능까지 도달하는 시간의 변화를 확인하였다.

UNSW-NB15 데이터셋은 9가지 공격 유형과 정상유형에 대한 42개의 피처로 구성된 트래픽 정보를 포함하고 있다. 본 논문에서는 데이터셋 내에서Exploits, Fuzzers, Generic, NormUNSW-NB15 데이터셋은 9가지 공격 유형과 정상유형에 대한 42개의 피처로 구성된 트래픽 정보를 포함하고 있다. 본 논문에서는 데이터셋 내에서Exploits, Fuzzers, Generic, Normal의 데이터 유형에대한 분류를 진행하였다. 4가지 유형 중 Fuzzers와Normal에서 데이터 중복과 데이터 불균형을 확인하였고, Tomeklinks와 ClusBUS 기법을 통해 데이터 중복문제와 불균형 문제를 해결하여 예측 성능을 높였다.al의 데이터 유형에대한 분류를 진행하였다. 4가지 유형 중 Fuzzers와Normal에서 데이터 중복과 데이터 불균형을 확인하였고, Tomeklinks와 ClusBUS 기법을 통해 데이터 중복문제와 불균형 문제를 해결하여 예측 성능을 높였다.

RFID(Radio Frequency Identification) 시스템에서태그가 자신의 ID를 리더기에 보낼 때, 전송되는 패킷들의 충돌을 줄이기 위해 한 프레임에 속한 슬롯의개수를 변화시킬 수 있다. 태그 개수 대비 슬롯의 개수가 작거나 크게 되면 처리율이 감소하거나 모든 태그의 ID를 전송하는데 걸리는 시간이 길어진다. 본 논문에서는 RFID 시스템에서 프레임 크기의 변화를 강화학습 중 Q-Learning 기법을 통해 결정하는 방법을사용하여 기존 방법보다 처리율과 태그 ID 전송 시간관점에서 더 좋은 성능을 보여주었다.