[논문]사물인터넷을 위한 신경망 기반의 지능형 액세스 포인트 시스템의 구현

이영찬; 이소연; 김대영

doi:10.7472/jksii.2019.20.5.95

사물인터넷을 위한 신경망 기반의 지능형 액세스 포인트 시스템의 구현
An Implementation of an Intelligent Access Point System Based on a Feed Forward Neural Network for Internet of Things 원문보기

Journal of Internet Computing and Services = 인터넷정보학회논문지, v.20 no.5, 2019년, pp.95 - 104

이영찬 (School of Information Technology Engineering, Daegu Catholic University) , 이소연 (School of Information Technology Engineering, Daegu Catholic University) , 김대영 (School of Information Technology Engineering, Daegu Catholic University)

초록
AI-Helper

사물인터넷 서비스를 위해 다양한 종류의 디바이스가 사용되고 있으며, 사물인터넷 디바이스들은 주로 비면허 대역의 주파수를 사용하는 통신기술을 활용하고 있다. 비면허 대역의 통신기술에는 몇 가지가 있지만, 현재 WiFi가 가장 대표적으로 사용된다. 사물인터넷 서비스를 위해 사용되는 디바이스는 제한된 기능을 가진 디바이스부터 스마트폰까지 컴퓨팅 리소스가 다양하고, WiFi 와 같은 무선 네트워크를 통해 서비스를 제공한다. 대부분의 사물인터넷 장치는 네트워크 제어를 위한 복잡한 연산을 할 수 없기 때문에 신호세기에 의존하여 WiFi 액세스 포인트를 선정하고 있다. 이는 사물인터넷 서비스 효율을 떨어뜨리는 원인으로 작용한다. 따라서, 본 논문에서는 액세스 포인트를 통해 사물이터넷 디바이스의 WiFi 연결을 제어할 수 있는 지능형 액세스 포인트 시스템을 구현한다. 사물인터넷 디바이스에서 측정된 네트워크 정보를 통해 액세스 포인트에서 피드 포워드 신경망 (feed forward neural network) 알고리즘을 사용하여 학습을 하고, 네트워크 연결 상태를 예측하여 디바이스의 WiFi연결을 제어한다. 이렇게 함으로써 사물인터넷 디바이스의 서비스 효율을 높일 수 있다.

Abstract ▼ AI-Helper

Various kinds of devices are used for the Internet of Things (IoT) service, and IoT devices mainly use communication technology that uses the frequency of the unlicensed band. There are several types of communication technology in the unlicensed band, but WiFi is most commonly used. Devices used for IoT services vary in computing resources from devices with limited capabilities to smartphones and provide services over wireless networks such as WiFi. Most IoT devices can't perform complex operations for network control, thus they choose a WiFi access point (AP) based on signal strength. This causes a decrease in IoT service efficiency. In this paper, an intelligent AP system that can efficiently control the WiFi connection of the IoT devices is implemented. Based on the network information measured by the IoT device, the access point learns using a feed forward neural network algorithm, and predicts a network connection state to control the WiFi connection. By controlling the WiFi connection at the AP, the service efficiency of the IoT device can be improved.

주제어

표/그림 (13)

그림 (그림 1) WiFi 연결 절차 (Figure 1) WiFi connectivity procedure
그림 (그림 2) 시스템 구조 (Figure 2) System architecture
그림 (그림 3) 시스템 구성 (Figure 3) System organization
그림 (그림 4) 사물인터넷을 위한 지능형 AP의 학습 모델 (Figure 4) Learning model of the Intelligent AP for IoT
그림 (그림 5) 클라이언트 시스템의 의사코드 (Figure 5) Pseudo-code of the client system
그림 (그림 6) 지능형 AP가 설치된 건물의 층별 평균 데이터 전송률 시각화 (Figure 6) Visualization of the average data rate in each floor of the building
그림 (그림 7) 현재 위치 주변 AP들의 시간별 데이터 전송률 시각화 (Figure 7) Visualization of data rate of APs according to time
그림 (그림 8) 단일 노드의 로지스틱 획귀 (Figure 8) Logistic regression in a single node
그림 (그림 9) 제안된 피드 포워드 뉴럴 네트워크 (Figure 9) Proposed feed forward neural network
그림 (그림 10) AP들의 신호세기와 전송률 데이터 (Figure 10) Signal strength and transmission rate of APs
그림 (그림 11) 혼잡해진 Smart-AP(1)로 인한 상태변화 (Figure 11) Condition changes due to congested Smart-AP(1)
그림 (그림 12) 지능형 AP에서의 접속 중인 클라이언트 통계 (Figure 12) Client statistic in the intelligent AP
그림 (그림 13) Wi-Fi Zone (Figure 13) Wi-Fi Zone

AI 본문요약
AI-Helper

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

문제 정의

예측된 정보를 통해 AP는 클라이언트 디바이스에 대한 연결 및 대역폭 제어를 수행함으로써 전체적인 서비스 효율을 향상 시킬 수 있다. 또한, 본 논문에서는 수집된 네트워크 데이터를 통해 시각화함으로써 사용자에게 무선 네트워크 상태에 대한 정확한 정보를 제공하고, 이를 이용하여 사물인터넷 서비스의 방향을 제시할 수 있다.
AP가 설치되어있는 건물의 층마다 평균 데이터 전송률을 확인할 수 있으며 현재 주변 AP들의 요일별과 시간별로 과거의 평균 데이터 전송률을 확인할 수 있다. 또한, 주변 AP 평균 데이터 전송률도 함께 확인함으로써 현재 위치에서 어떤 AP가 가장 높은 평균 전송률을 가지는지 알 수 있다.
사물인터넷 디바이스의 컴퓨팅 자원에 대한 한계로 인해 무선 자원의 효율적인 활용을 위해 AP의 역할이 점점 증가하고 있다. 본 논문에서는 지능형 AP를 구현하여 사물인터넷 서비스를 제공하는 시스템을 구현하였다. 지능형 AP는 액세스 컨트롤 모듈, 데이터베이스 모듈, 학습 엔진 모듈로 구성되며, 클라이언트 디바이스에서 측정된 네트워크 정보를 데이터 베이스 모듈에 저장하고, 이 데이터를 통해 학습함으로써 네트워크 상태를 예측하게 된다.

제안 방법

또한, 사물인터넷 디바이스나 모바일 단말은 제한된 기능과 자원을 가지기 때문에 AP를 선택하는 것을 위해 복잡한 연산을 수행하는데 제약이 있다. 그래서 본 논문에서는 디바이스나 단말이 연산을 통해 AP를 선택하는 것이 아니라 AP에서 연산을 통해 디바이스나 단말의 연결을 관리하는 AP시스템을 구현한다. 사물인터넷 디바이스나 모바일 단말이 데이터 전송을 통해 획득할 수 있는 WiFi 정보 (i.
그러나 이 경우 안정적인 학습을 위한 데이터 수집을 위해서는 많은 시간이 필요하고, 정상상태의 학습이 이루어지기까지 부정확한 예측으로 인해 비효율적인 서비스 제공이 발생할 수 있다. 그래서, 본 논문에서는 클라이언트 시스템을 사용하여 측정된 데이터를 기반으로 학습 데이터를 만들어 학습 엔진 모듈에 적용하며, 디바이스가 서비스를 사용할 때 측정되는 데이터로 업데이트를 수행한다.
액세스 컨트롤 (Access Control) 모듈은 직접 사물인터넷 디바이스와 연결되고 디바이스로부터 네트워크 환경에 대한 데이터를 수집한다. 그리고, 네트워크 환경에 대한 학습의 결과를 적용하여 AP에 접속된 디바이스의 연결 여부를 결정한다. 데이터베이스 (Database) 모듈은 액세스 컨트롤 모듈로부터 획득된 사물인터넷 디바이스의 네트워크 환경정보를 저장하고 관리한다.
js는 스크립트를 통해 시각화하고자 하는 데이터를 웹으로 표현할 수 있다. 그림 6과 7에서 보여주는 것처럼 본 논문에서는 건물의 각 층마다 설치된 지능형 AP 들의 평균 전송률을 시각화 하였고, 디바이스에서 스캔되는 주변 AP들의 시간에 따른 전송률의 변화를 시각화 하였다. 그래서, 클라이언트 디바이스는 AP들의 데이터를 실시간으로 볼 수 있다.
지능형 AP는 사물이터넷 디바이스가 측정한 데이터를 기반으로 동작하며, 이 때 수집한 데이터를 분석함으로써 사용자에게 네트워크에 대한 다양한 정보를 제공할 수 있다. 본 논문에서는 4.2.3절에서 구현한 데이터 시각화를 통해 네트워크 정보를 다양한 모습의 그래프로 서비스 사용자에게 제공한다. 그림 12에서는 관리자 모드에서 가장 최근 데이터와 학습된 결과를 바탕으로 각 클라이언트 디바이스의 다음 연결 상태 확률을 확인할 수 있다.
게다가, 사물인터넷 디바이스로부터 수집된 네트워크 정보를 바탕으로 높은 서비스 퀄리티를 제공할 수 있는 프라임 서비스 지역을 설정할 수 있다. 본 논문에서는 프라임 서비스 지역을 WiFi zone으로 설정하고, 지도 상에 WiFi zone을 표시하고, 사용자에게 서비스 이용에 참고할 수 있도록 웹서비스로 제공한다. 그림 13은 WiFi zone을 표시한 지도를 나타낸다.
그래서 본 논문에서는 디바이스나 단말이 연산을 통해 AP를 선택하는 것이 아니라 AP에서 연산을 통해 디바이스나 단말의 연결을 관리하는 AP시스템을 구현한다. 사물인터넷 디바이스나 모바일 단말이 데이터 전송을 통해 획득할 수 있는 WiFi 정보 (i.e., 신호 세기, 전송률 등)를 AP에 전달하면 AP는 해당 정보를 수집하고, 피드 포워드 신경망 (feed forward neural network) 알고리즘을 통해 학습한 결과를 통해 사물인터넷 다바이스나 단말의 WiFi 상태를 예측한다. 학습결과는 사물인터넷 디바이스 (또는 모바일 단말)로 다시 피드백됨으로써 서비스를 위해 더 나은 AP를 재선택할 수 있게 된다.
데이터베이스 모듈은 데이터 학습을 위해 사물인터넷 디바이스가 연결된 접속 네트워크의 상태 정보 (SSID, BSSID, RSSI, 전송률, AP에 접속한 디바이스 수 등)를 수집한다. 수집된 데이터를 가지고 피드 포워드 뉴럴 네트워크 알고리즘을 수행하여, 네트워크 상태를 예측한다. 데이터베이스 모듈에서 수집된 데이터는 학습을 위해서도 사용되지만 통계데이터 분석을 위한 시각화를 위해서도 사용된다.
지능형 AP 시스템의 3가지 모듈은 네트워크로 서로 연결되며, 액세스 컨트롤 모듈로 입력받은 데이터는 데이터베이스 모듈에 기록되며, 학습 엔진 모듈은 데이터베이스 모듈에 기록된 데이터를 가지고 학습한다. 학습에 대한 결과는 사물인터넷 디바이스에 피드백됨으로써 디바이스는 AP와 현재 접속하고자 하는 네트워크의 상태를 알 수 있다.
지능형 AP는 사물인터넷 디바이스들의 네트워크 이용 상태를 학습을 통해 파악한다. 학습 데이터 생성을 통해 만들어진 데이터와 사물인터넷 서비스를 통해 획득된 데이터를 이용하여 네트워크 상태 학습을 수행한다. 지능형 AP를 위한 학습 알고리즘은 기본적으로 피드 포워드 뉴럴 네트워크 (Feed Forward Neural Network) [11]를 기반으로 이루어진다.
학습 정확도를 높이기 위해 본 논문에서는 학습 알고리즘을 피드 포워드 뉴럴 네트워크로 재구성하여 은닉층을 추가하고, 고급 경사 하강법 중 하나인 모멘텀을 사용하여 학습을 수행하였다. 그림 9의 결과에서처럼 10,000번의 학습을 통해서 93.

대상 데이터

WiFi 네트워크 상태 예측을 위한 학습 데이터의 수집은 사물인터넷 디바이스의 데이터 전송으로부터 획득할 수 있다. 그러나 이 경우 안정적인 학습을 위한 데이터 수집을 위해서는 많은 시간이 필요하고, 정상상태의 학습이 이루어지기까지 부정확한 예측으로 인해 비효율적인 서비스 제공이 발생할 수 있다.
사물인터넷 노드 (라즈베리파이3)와 안드로이드 단말에서 일정 시간 동안 더미(dummy) 데이터를 다운로드하여, 사물인터넷 노드와 안드로이드 단말에서 각각 1,000개의 데이터를 측정한다. 네트워크 학습을 위해 신호 세기와 데이터 전송률이 비례하는 경우와 신호 세기가 강하기만 데이터 전송률이 낮은 경우의 데이터를 수집한다. 신호 세기와 데이터 전송률이 비례하는 경우는 강한 신호에서 높은 전송률을 보이고 약한 신호에서 낮은 전송률을 보이는 일반적인 무선 통신 링크의 상태를 의미한다.
데이터 수집을 위한 클라이언트 시스템과 액세스 컨트롤 모듈은 라즈베리파이3 [13] 보드를 사용하여 구현되었다. 라즈베리파이3는 1.
데이터베이스 모듈은 데이터 학습을 위해 사물인터넷 디바이스가 연결된 접속 네트워크의 상태 정보 (SSID, BSSID, RSSI, 전송률, AP에 접속한 디바이스 수 등)를 수집한다. 수집된 데이터를 가지고 피드 포워드 뉴럴 네트워크 알고리즘을 수행하여, 네트워크 상태를 예측한다.
학습 데이터는 그림 3의 시스템 구성에서 클라이언트 시스템으로부터 측정된 데이터를 이용한다. 사물인터넷 노드 (라즈베리파이3)와 안드로이드 단말에서 일정 시간 동안 더미(dummy) 데이터를 다운로드하여, 사물인터넷 노드와 안드로이드 단말에서 각각 1,000개의 데이터를 측정한다. 네트워크 학습을 위해 신호 세기와 데이터 전송률이 비례하는 경우와 신호 세기가 강하기만 데이터 전송률이 낮은 경우의 데이터를 수집한다.
실험을 위해 하나의 안드로이드 클라이언트 주변에 Smart-AP(1)과 Smart-AP(2)의 이름으로 지능형 AP 2개를 구성하였다. Smart-AP(1)은 비교적 짧은 거리에서 신호세기를 -50 ~ -40으로 유지하였고 Smart-AP(2)는 비교적먼 거리에서 신호 세기를 –80 ~ -70로 유지하였다.
지능형 사물인터넷 AP 시스템은 그림 2와 같이 3개의 모듈로 구성된다. 액세스 컨트롤 (Access Control) 모듈은 직접 사물인터넷 디바이스와 연결되고 디바이스로부터 네트워크 환경에 대한 데이터를 수집한다. 그리고, 네트워크 환경에 대한 학습의 결과를 적용하여 AP에 접속된 디바이스의 연결 여부를 결정한다.
학습 데이터는 그림 3의 시스템 구성에서 클라이언트 시스템으로부터 측정된 데이터를 이용한다. 사물인터넷 노드 (라즈베리파이3)와 안드로이드 단말에서 일정 시간 동안 더미(dummy) 데이터를 다운로드하여, 사물인터넷 노드와 안드로이드 단말에서 각각 1,000개의 데이터를 측정한다.
4GHz 쿼드코어의 ARM CortexA53 CPU와 1GB의 RAM으로 구성되며 데비안 리눅스 기반의 라즈비안 (Raspbian) 운영체제를 사용한다. 학습엔진 모듈은 라떼판다 [14] 보드를 사용하여 구현되었다. 라떼판다는 1.

이론/모형

지능형 AP에서 수집한 네트워크 정보는 데이터베이스 모듈에서 저장되며, 여러 AP에 대한 네트워크 정보는 시각화할 수 있다. 데이터 시각화를 위해서 오픈소스 라이브러리인 Chart.js를 사용한다 [16]. Chart.
데이터 학습 모듈은 라떼판다 보드에서 그림 4의 학습 모델을 텐서플로우 라이브러리 [15]를 사용하여 구현한다. 피드 포워드 신경망은 노드의 가중치를 바꾸어가며 최적값을 찾아내며, 입력 데이터에 대한 활성화 함수의 출력 결과가 최대한 실제 값에 가까워지도록 가중치를 변경시키는 과정이 데이터 학습의 과정이라고 할 수 있다.
다양한 상황에 대해 수집한 데이터는 그 자체로 학습을 수행하기에는 다소 부족하다. 따라서, SMOTE 기법 [10]을 통해 기존 데이터를 사용하여 추가적인 데이터를 생성한다. SMOTE 기법은 비율이 낮은 분류의 데이터를 만들어내는 방법으로 소수 클래스 객체들 사이의 공간에 0과 1 사이의 임의의 값을 곱하고 원래 객체에 더하여 새로운 데이터를 생성하는 기법으로 알려져있다.
실제 출력값 d와 신경망에 의한 결과 y(X;W) 사이의 거리는 오차함수 (error function)으로 나타내어진다. 본 논문에서는 오차를 나타내기 위해 최대우도법 (maximum likelihood estimation)을 사용한다 [11].
피드 포워드 신경망은 노드의 가중치를 바꾸어가며 최적값을 찾아내며, 입력 데이터에 대한 활성화 함수의 출력 결과가 최대한 실제 값에 가까워지도록 가중치를 변경시키는 과정이 데이터 학습의 과정이라고 할 수 있다. 본 논문에서는 출력 결과를 얻기 위한 활성화 함수로 시그모이드 함수를 사용한다 [11,12]. 시그모이드 함수는 다음의 식(1)과 같이 입력 X와 가중치 W로 정의된다.
시그모이드 함수는 0과 1사이의 값을 가지는 비선형 함수이다. 오차율을 줄이고 정확도를 높이기 위해 은닉층을 두고, 연산 속도와 정확도를 높이기 위해 고급 경사 하강법 (Gradient Descent) 중 하나인 모멘텀 (Momentum)을 적용한다. 모멘텀이란 경사 하강법에 관성을 더해주는 것으로, 매번 계산되어진 기울기에 과거 이동했던 방향을 기억하면서 그 방향으로 일정 값을 추가적으로 더해주는 방식이다 [11,12].
학습 모델에서는 활성화 함수로 시그모이드 함수를 사용한다. 시그모이드 함수는 0과 1사이의 값을 가지는 비선형 함수이다.
학습 엔진 모듈은 피드 포워드 뉴럴 네트워크 알고리즘을 연산하기 위해 고성능의 임베디드 개발보드를 사용하였으며, 라떼판다 보드는 일반적인 임베디드 시스템용 ARM 프로세서보다 고성능의 Intel 프로세서를 탑재하고 있다. 학습 엔진 모듈에서의 학습 알고리즘은 구글의 오픈소스 머신러닝 라이브러리인 텐서플로우 (Tensorflow)를 사용하여 구현되었다. 또한 데이터베이스는 클라우드의 우분투 서버 16.
5 LTS가 사용된다. 학습 엔진 모듈은 피드 포워드 뉴럴 네트워크 알고리즘을 연산하기 위해 고성능의 임베디드 개발보드를 사용하였으며, 라떼판다 보드는 일반적인 임베디드 시스템용 ARM 프로세서보다 고성능의 Intel 프로세서를 탑재하고 있다. 학습 엔진 모듈에서의 학습 알고리즘은 구글의 오픈소스 머신러닝 라이브러리인 텐서플로우 (Tensorflow)를 사용하여 구현되었다.

성능/효과

단일 노드로 구성된 로지스틱 회귀 알고리즘은 일반적으로 시그모이드 함수의 파라미터를 경사 하강법을 사용하여 최적화한다. 그림 8의 결과에서처럼 클라이언트 시스템으로부터 수집한 네트워크 데이터를 가지고 10,000번의 학습을 수행하였더니, 단일 노드의 로지스틱 회귀 알고리즘에서는 실제 결과와 예측 결과에 대한 정확도가 8.4%인 것을 확인되었다. 또한, 이때의 오차값은 0.
이때 Smart-AP(2)의 평균 데이터 전송률은 약 400Kbps이다. 두 가지 선택방법의 데이터 전송률을 비교하였을 때 두 번째 선택방법이 데이터 전송률이 더 좋은 것을 확인할 수 있다.
접속 네트워크에 대한 대역폭을 조절하기 위해서 tc명령어를 사용하고, tc는 iproute2 패키지 내에 포함되어 있어 기본적으로 사용할 수 있다. 또한, 디바이스에서는 네트워크 인터페이스에서 송수신하는 패킷의 양을 표시해주는 소프트웨어인 ifstat을 통해 AP의 데이터 전송량을 확인할 수 있으며, AP에서는 포트 스캐닝 소프트웨어인 nmap을 통해 현재 AP에 연결된 디바이스의 정보와 개수를 확인할 수 있다.
예측된 정보를 통해 AP는 클라이언트 디바이스에 대한 연결 및 대역폭 제어를 수행함으로써 전체적인 서비스 효율을 향상 시킬 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	WiFi는 무엇인가?	WiFi는 무선접속 장치로 알려진 액세스 포인트(Access point: AP)가 설치된 곳에서 전파를 이용하여 통신 서비스를 제공하는 근거리 통신망 기술이다. AP의 통신반경에 있는 WiFi 단말은 AP에 연결되어 다른 단말기나 인터넷과 데이터를 주고받는다.
	지능형 AP는 무엇으로 구성되는가?	본 논문에서는 지능형 AP를 구현하여 사물인터넷 서비스를 제공하는 시스템을 구현하였다. 지능형 AP는 액세스 컨트롤 모듈, 데이터베이스 모듈, 학습 엔진 모듈로 구성되며, 클라이언트 디바이스에서 측정된 네트워크 정보를 데이터 베이스 모듈에 저장하고, 이 데이터를 통해 학습함으로써 네트워크 상태를 예측하게 된다. 예측된 정보를 통해 AP는 클라이언트 디바이스에 대한 연결 및 대역폭 제어를 수행함으로써 전체적인 서비스 효율을 향상시킬 수 있다.
	AP시스템이 연산을 통해 디바이스나 단말의 연결을 관리해야하는 이유는 무엇인가?	또한, 사물인터넷 디바이스나 모바일 단말은 제한된 기능과 자원을 가지기 때문에 AP를 선택하는 것을 위해복잡한 연산을 수행하는데 제약이 있다. 그래서 본 논문에서는 디바이스나 단말이 연산을 통해 AP를 선택하는 것이 아니라 AP에서 연산을 통해 디바이스나 단말의 연결을 관리하는 AP시스템을 구현한다.

참고문헌 (16)

J. Gubbi, R. Buyya, S. Marusic, and M. Palaniswami, "Internet of Things (IoT): A vision, architectural elements, and future directions," Elsevier Future Generation Computer Systems, Vol. 29, No. 7, pp. 1645-1660, 2013. https://doi.org/10.1016/j.future.2013.01.010

상세보기
V. Gunes, S. Peter, T. Givargis, and F. Vahid, "A survey on concepts, applications, and challenges in cyber-physical systems," KSII Transactions on Internet Information Systems, Vol. 8, No. 12, pp. 4242-4267, 2014. https://doi.org/10.3837/tiis.2014.12.001

원문보기 상세보기
M.W. Hong and Y.H. Kang, "IoT based Data centric sensory data aggregation environment," Journal of Platform Technology, Vol. 7, No. 1, pp. 20-25, 2019. http://jpt.ictps.org/contents/7-1
G. Kim and S. Lee, "Access Point Selection Algorithm for Densely Deployed IEEE 802.11 WLANs", The Journal of Korean Institute of Communications and Information Sciences, Vol. 41, No. 6, pp. 707-713, 2016. https://doi.org/10.7840/kics.2016.41.6.707

원문보기 상세보기
Y. Shim and I. Lee, "A Study on Impact on the Throughput of Station According to Separation Distance between WLAN APs", The Journal of Korean Institute of Information Technology, Vol. 10, No. 3, pp. 117-121, 2012. http://www.ki-it.or.kr/sobis/kiit.jsp
H. Choi, H. Kim, and S. Choi, "Impact of Interference between APs on WLAN Throughput", Proceedings of Symposium of the Korean Institute of communications and Information Sciences, pp. 392-393, 2013.
S. Kim, Y. Kim, and C. Lee, "The Way of IoT Management Hub Connection for Convenient IoT Service", Journal of the Korea Institute of Information and Communication Engineering, Vol. 19, No. 11, pp. 2656-2664, 2015. https://doi.org/10.6109/jkiice.2015.19.11.2656

원문보기 상세보기
D. Kim, Damian's Wi-Fi On, pp. 53-62, Midasbooks, 2011.
U. Heo, Y. Peng, and K. You, "Energy Efficient Access Point Selection Method for IEEE802.11 Wireless LANs", Journal of the Korea Contents Association, Vol. 11, No. 12, pp. 578-585, 2011. https://doi.org/10.5392/JKCA.2011.11.12.578

원문보기 상세보기
N.V. Chawla, K.W. Bowyer, L.O. Hall, and W.P. Kegelmeyer, "SMOTE: Synthetic Minority Over-sampling Technique," Journal of Artificial Intelligence Research, Vol. 16, No. 1, pp. 321-357, 2002. https://jair.org/index.php/jair/article/view/10302

상세보기
I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning, pp. 163-265, The MIT Press, 2016.
P. Harrington, Machine Learning in Action, pp. 83-100, Manning publication, 2012.
Raspberry Pi 3, https://www.raspberrypi.org/ (Accessed 2018)
LattePanda, https://www.lattepanda.com/(Accessed 2018)
TensorFlow, https://www.tensorflow.org/(Accessed 2018)
Chart.js, https://www.chartjs.org/ (Accessed 2019)

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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