[논문]클라우드 환경에서 멀티 노드들의 최적 경로 탐색을 위한 양자화 데이터 전송

오현창; 김재권; 김태영; 이종식

doi:10.9709/jkss.2013.22.2.053

초록
AI-Helper

클라우드 환경은 분산컴퓨팅 분야의 한가지로서, 물리 노드와 가상 노드로 구성이 되어 있다. 분산화 된 클라우드 환경에서의 최적 경로 탐색은 각 노드들이 최적 경로 탐색을 수행하는 것이다. 실시간으로 급변하는 탐색 환경은 빠른 데이터 전송을 통한 각 노드들의 동기화를 요구한다. 따라서 QoS의 보장과 최적 경로 탐색을 위해서 양자화 기법이 필요하다. 양자화 기법을 통해 중앙 서버는 각 노드로 실시간 탐색 환경 데이터를 빠르게 전송가능하며 각 노드들은 원활하게 최적 경로 탐색을 수행할 수 있다. 본 논문에서는 중앙 서버에서 각 노드들의 최적 경로 탐색 문제를 해결하기 위해 데이터의 전송량을 줄일 수 있는 양자화를 적용한다. 최적 경로 생성 시스템에 양자화 데이터 전송을 적용하는 실험을 하기 위해 클라우드 환경의 시뮬레이션을 구성하였다. 양자화 기법의 적용을 통해 클라우드 환경에서 전송 되는 총 데이터를 줄이면서 성능을 높일 수 있으며, 최적 경로 탐색을 위한 어플리케이션의 QoS를 보장할 수 있다.

Abstract ▼ AI-Helper

Cloud environment is one in the field of distributed computing and it consists of physical nodes and virtual nodes. In distributed cloud environment, an optimal path search is that each node to perform a search for an optimal path. Synchronization of each node is required for the optimal path search...

Cloud environment is one in the field of distributed computing and it consists of physical nodes and virtual nodes. In distributed cloud environment, an optimal path search is that each node to perform a search for an optimal path. Synchronization of each node is required for the optimal path search via fast data transmission because of real-time environment. Therefore, a quantization technique is required in order to guarantee QoS(Quality of Service) and search an optimal path. The quantization technique speeds search data transmission of each node. So a main server can transfer data of real-time environment to each node quickly and the nodes can perform to search optimal paths smoothly. In this paper, we propose the quantization technique to solve the search problem. The quantization technique can reduce the total data transmission. In order to experiment the optimal path search system which applied the quantized data transmission, we construct a simulation of cloud environment. Quantization applied cloud environment reduces the amount of data that transferred, and then QoS of an application for the optimal path search problem is guaranteed.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

분산 환경에서의 데이터 양자화 기법은 빠른 압축을 기대할 수 있으며, 시스템에서 요구하는 특징적인 부분을 추출하여 전송하기 때문에 높은 신뢰성을 가진다(Kim 등, 2007). 따라서 본 논문에서는 분산 환경에서의 데이터 양자화 기법을 클라우드 환경의 최적 경로 생성에 적용한 시스템을 제안한다.
즉, 지형 데이터 서버는 지형 정보만을 저장하는 장소이며, 이 정보를 기반으로 노드들이 작업을 수행하게 된다. 본 논문에서는 멀티 노드의 구조를 1개의 물리 노드에 복수개의 가상 노드가 포함되어 있는 구조로 정의한다.
본 논문은 클라우드 환경에서 멀티 노드를 통하여 최적 경로를 탐색하기 위해 지형 데이터의 양자화를 제안한다. 제안 된 모델은 다수의 최적 경로의 요청을 멀티 노드를 이용하여 처리 하며, 경로를 생성하는 모든 노드들의 지형 데이터의 동기화를 위해 양자화 기법을 적용하였다.

제안 방법

SaaS and PaaS Environment는 지형 데이터를 받으면 데이터 저장 및 양자화를 통해 메시지를 생성한다. 그리고 Provisioning을 통해 각 노드들에게 전송을 한다. IaaS Environment는 멀티 노드를 의미하며, 각 물리 노드당 3개의 가상 노드를 가지고 있다.
마지막으로, 프로세싱 시간(Processing Time)은 Geographic Data Server로부터 멀티 노드가 메시지를 받은 시간부터 최적 경로의 생성이 완료될 때까지의 시간을 millisecond 단위로 측정한다. 프로세싱 타임의 결과는 Fig.
지형 데이터는 도메인 혹은 어플리케이션에 따라 다양하게 구성이 될 수 있으며, 각 지형 마다 정보의 형태가 다르다. 본 논문에서는 2차원 격자 형태의 지형을 기초로 하며 Fig. 3과 같이 구성된다.
본 논문에서는 데이터 양자화를 적용한 클라우드 환경에서 최적 경로 탐색 시스템에 대한 실험환경을 구성하고, 그 성능을 측정하기 위해 근접 비율(Proximity Ratio), 데이터 전송량(Data Transmission Rating), 프로세싱 시간(Processing Time)을 비교한다.
실험은 클라우드 환경에서 양자화를 적용시키지 않은 최적 경로 탐색 모델(Non-Quantization Model)과 본 논문에서 제시하는 양자화를 적용한 탐색 모델(Quantization Model)을 비교 분석하였다. 양자화를 적용한 탐색 모델의 경우 각 임계값에 따른 실험 결과의 변화 역시 분석하기 위해 실험을 통해 계산된 최적의 양자화 임계값인 0.
본 논문은 클라우드 환경에서 멀티 노드를 통하여 최적 경로를 탐색하기 위해 지형 데이터의 양자화를 제안한다. 제안 된 모델은 다수의 최적 경로의 요청을 멀티 노드를 이용하여 처리 하며, 경로를 생성하는 모든 노드들의 지형 데이터의 동기화를 위해 양자화 기법을 적용하였다.
지형 데이터의 변화는 각각의 변수의 특성에 맞게 변하도록 설정하였다. 지면의 특성을 반영하는 속도 가중치(V)의 경우에는 거의 변하지 않지만 기후(W)에 따라 순간 변할 수 있으며 기후는 확률적으로 급변할 수 있다.
최적 경로에 영향을 주지 않는 미세한 변화를 필터링 하기 위해 임계값을 지정하였다. 변화된 지형 데이터가 임계값을 넘지 않는 한도 내에서 변했을 경우, 노드로 전송될 메시지에 포함 시키지 않는다.

대상 데이터

실험환경은 Geographic Data Provider와 SaaS and PaaS Environment, IaaS Environment로 구성하였다. Geographic Data Provider는 실시간으로 변하는 지형 데이터를 클라우드 서버에 전송을 하게 된다.
지형 데이터를 위한 지도의 구성은 가로 16, 세로 16의 크기를 가진 지도로 구성하였다. 각 지도는 5개의 정보변수 V, W, X, Y, Z를 가지고 있으며, Geographic Data Provider에서는 해당 변수들의 변경된 내용을 전송하게 된다.
IaaS Environment는 멀티 노드를 의미하며, 각 물리 노드당 3개의 가상 노드를 가지고 있다. 총 4개의 물리 노드로 구성했으며, 총 12개의 가상 노드로 구성되어 있다. 그리고 가상 노드별 최적의 경로를 탐색하기 위한 메소드는 Genetic Algorithm(이성용 등, 2010)을 사용하였다.

데이터처리

제안하는 모델의 성능을 측정하기 위해 정확도 확인을 위한 근접 비율(Proximity Ratio), 데이터 전송량(Data Transmission Rating), 프로세싱 시간(Processing Time) 을 비교한다.

이론/모형

총 4개의 물리 노드로 구성했으며, 총 12개의 가상 노드로 구성되어 있다. 그리고 가상 노드별 최적의 경로를 탐색하기 위한 메소드는 Genetic Algorithm(이성용 등, 2010)을 사용하였다.
본 논문에서는 클라우드 환경에서 각 노드들의 최적 경로 탐색 문제를 해결하기 위해 중앙 서버에서 각 노드로 전송되는 지형 데이터에 양자화(Quantization) 기법(Zeigler 등, 2002)을 적용하였다. 최적 경로 생성 시스템에 양자화데이터 전송을 적용하는 실험을 하기 위해 DEVS(Discrete Event System Specification)(Zeigler 등, 2000)을 이용한 클라우드 환경의 시뮬레이션을 구성하였다.
본 논문에서는 클라우드 환경에서 각 노드들의 최적 경로 탐색 문제를 해결하기 위해 중앙 서버에서 각 노드로 전송되는 지형 데이터에 양자화(Quantization) 기법(Zeigler 등, 2002)을 적용하였다. 최적 경로 생성 시스템에 양자화데이터 전송을 적용하는 실험을 하기 위해 DEVS(Discrete Event System Specification)(Zeigler 등, 2000)을 이용한 클라우드 환경의 시뮬레이션을 구성하였다.
최적 경로 탐색 시스템을 위한 클라우드 환경의 구성을 위해 DEVS형식론(Zeigler 등, 2000)을 사용하였으며, Fig. 6과 같이 구성하였다.

성능/효과

2를 사용한 모델은 총 24,500 KByte를 전송하였다. 결과적으로 양자화를 적용한 모델은 기존 모델에 비해 약 53% 수준의 메시지를 생성하게 된다. 양자화 임계값 03, 04는 비록 신뢰도는 떨어지지만 각각 데이터 전송량을 약 36%, 17% 수준으로 크게 줄일 수 있다.
따라서 본 논문에서 제안한 지형 데이터 양자화 기법이 클라우드 환경에서 멀티 노드를 이용한 최적 경로 생성 시스템의 성능을 크게 향상 시키면서 생성되는 최적 경로의 오차를 합리적인 수준으로 유지 시킬 수 있다는 것을 증명하였다. 또한 클라우드 환경의 탐색 문제 해결을 위한 어플리케이션에 적용이 가능할 것이라고 생각한다.
2를 이용해 생성된 최적 경로의 신뢰성은 높다고 할 수 있다. 반면에 양자화 임계값 0.3, 0.4를 이용하여 생성 된 경로들은 각각 14.36%, 22.14%의 비교적 큰 평균 오차율을 가졌다.
03%의 경로차이만이 발생하였다. 실험 결과로 볼 때 양자화 임계값 0.2를 이용해 생성된 최적 경로의 신뢰성은 높다고 할 수 있다. 반면에 양자화 임계값 0.
양자화 기법을 통해 네트워크를 이용하여 각 노드들에게 전해지는 메시지의 총 양을 양자화가 적용되지 않은 시스템에 비해 약 53% 수준으로 줄여 지형 데이터의 동기화에 따른 시스템의 성능저하와 네트워크의 과부하를 방지하였다. 크기가 줄어든 메시지에 의해서 각 노드당 최적 경로의 생성에 걸리는 시간이 약 44% 감소하였다.
양자화 기법을 통해 네트워크를 이용하여 각 노드들에게 전해지는 메시지의 총 양을 양자화가 적용되지 않은 시스템에 비해 약 53% 수준으로 줄여 지형 데이터의 동기화에 따른 시스템의 성능저하와 네트워크의 과부하를 방지하였다. 크기가 줄어든 메시지에 의해서 각 노드당 최적 경로의 생성에 걸리는 시간이 약 44% 감소하였다. 줄어든 총 메시지의 양에도 불구하고 클라우드 시스템에서 생성된 최적 경로는 실제 최적 경로들 보다 평균 1.

후속연구

따라서 본 논문에서 제안한 지형 데이터 양자화 기법이 클라우드 환경에서 멀티 노드를 이용한 최적 경로 생성 시스템의 성능을 크게 향상 시키면서 생성되는 최적 경로의 오차를 합리적인 수준으로 유지 시킬 수 있다는 것을 증명하였다. 또한 클라우드 환경의 탐색 문제 해결을 위한 어플리케이션에 적용이 가능할 것이라고 생각한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	분산화 된 클라우드 환경에서의 최적 경로 탐색은 무엇인가?	클라우드 환경은 분산컴퓨팅 분야의 한가지로서, 물리 노드와 가상 노드로 구성이 되어 있다. 분산화 된 클라우드 환경에서의 최적 경로 탐색은 각 노드들이 최적 경로 탐색을 수행하는 것이다. 실시간으로 급변하는 탐색 환경은 빠른 데이터 전송을 통한 각 노드들의 동기화를 요구한다.
	QoS의 보장과 최적 경로 탐색을 위해서 양자화 기법이 필요한 이유?	분산화 된 클라우드 환경에서의 최적 경로 탐색은 각 노드들이 최적 경로 탐색을 수행하는 것이다. 실시간으로 급변하는 탐색 환경은 빠른 데이터 전송을 통한 각 노드들의 동기화를 요구한다. 따라서 QoS의 보장과 최적 경로 탐색을 위해서 양자화 기법이 필요하다.
	클라우드 환경은 어떻게 구성되어있나?	클라우드 환경은 분산컴퓨팅 분야의 한가지로서, 물리 노드와 가상 노드로 구성이 되어 있다. 분산화 된 클라우드 환경에서의 최적 경로 탐색은 각 노드들이 최적 경로 탐색을 수행하는 것이다.

참고문헌 (14)

Armbrust, M., Fox, A., Griffith, R., Joseph, A.D., Katz, R., Konwinski, A., Lee, G., Patterson, D., Rabkin, A., Stoica, I., "A View of Cloud Computing", Communication ACM, Vol. 53, No. 4, pp. 50-58, 2010.
Ban, S.W., Kim, B.J., Suk, J.Y., Kwon, S.G., Kwon, K.G., Kim, Y.C., Lee, K.I., "Efficient Multispectral Image Compression Using Variable Block Size Vector Quantization", Journal of the Institute of Electronics Engineers of Korea, Vol 38-SP, No. 6, pp. 105-113, 2001.
Buyya, R., Yeo, C.S., Venugopal, S., Broberg, J., Brandic, I., "Cloud Computing and Emerging IT Platforms: Vision, Hype, and Reality for Delivering Computing as the 5th Utility", Future Generation Computer Systems, Vol. 25, Issue 6, pp. 599-616, 2009.

상세보기
Eickeler, S., Muller, S., Rigoll, G., "Recognition of JPEG Compressed Face Images Based on Statistical Methods", Image and Vision Computing, Vol. 18, Issue 4, pp. 279-287, 2000.

상세보기
Jung, J.L., Woo, Y.J., Jung, C.S., "Distributed Simulation Environment Using WWW", Korea Society for Simulation, Proceedings of the 1998 Spring Conference, pp. 96-100, 1998.
Kim, I.K., Jang, S.H., Lee, J.S., "Adaptive and Mobilitypredictive Quantization-based Communication Data Management for High Performance Distributed Computing", Simulation, Vol. 83, No. 7, pp. 529-547, 2007.

상세보기
Kim, J.K., Lee, J.S., "Virtual Machine Provisioning Scheduling with Conditional Probability Inference for Transport Information Service in Cloud Environment", Journal of the Korea Society for Simulation, Vol. 20, No. 4, pp. 139-147, 2011.

원문보기 상세보기
Kim, T.Y., Noh, C.H., Lee, J.S., "Fuzzy Logic-based Bit Compression Method for Distributed Face Recognition", Journal of the Korea Society for Simulation, Vol. 18, No. 2, pp. 9-17, 2009.
Lee, S.Y., Jang, S.H., Lee J.S., "Modeling and Simulation of Optimal Path Considering Battlefield-situation in the War-game Simulation", Journal of the Korea Society for Simulation, Vol. 19, No. 3, pp. 27-35, 2010.
Min, Y.S., Kim, H.Y., Kim, Y.K., "Distributed File System for Cloud Computing", Communication of the Korea Information Science Society, Vol 27, No. 5, pp. 86-94, 2009.
Oh, H., Lee, J.S., "Optimal Path Generation System Using Distributed Simulation for War-game Moving Objects", Korea Society for Simulation, Proceedings of the 2011 Spring Conference, pp. 52-57, 2011.
Park, S.H., Kim, J.H., "Real-Time NCW Systems using Distributed Processing", Korean Institute of Information Scientists and Engineers, Proceeding of the Korea Computer Congress 2009, Vol. 36, No. 1(B), pp. 245-250, 2009.
Zeigler, B.P., Cho, H.J., Kim, J.G., Sarjoughian, H.S., Lee, J.S., "Quantization-based Filtering in Distributed Discrete Event Simulation", Journal of Parallel and Distributed Computing, Vol. 62, No. 11, pp. 1629-1647, 2002.

상세보기
Zeigler, B.P., Praehofer, H., Kim, T.G., Theory of Modeling and Simulation: Integrating Discrete Event and Continuous Complex Dynamic Systems, 2nd Edition, Academic Press, pp. 76-96, 2000.

이 논문을 인용한 문헌

저자의 다른 논문 :

LOADING...

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

클라우드 환경에서 멀티 노드들의 최적 경로 탐색을 위한 양자화 데이터 전송
Quantization Data Transmission for Optimal Path Search of Multi Nodes in cloud Environment 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (14)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

클라우드 환경에서 멀티 노드들의 최적 경로 탐색을 위한 양자화 데이터 전송 Quantization Data Transmission for Optimal Path Search of Multi Nodes in cloud Environment 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (14)

이 논문을 인용한 문헌

저자의 다른 논문 :

김재권 (14) 김태영 (8) 이종식 (35)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

클라우드 환경에서 멀티 노드들의 최적 경로 탐색을 위한 양자화 데이터 전송
Quantization Data Transmission for Optimal Path Search of Multi Nodes in cloud Environment 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper