[논문]딥러닝 기반의 수중 IoT 네트워크 BER 예측 모델

변정훈; 박진훈; 조오현

doi:10.22156/cs4smb.2020.10.06.041

딥러닝 기반의 수중 IoT 네트워크 BER 예측 모델
Deep Learning based BER Prediction Model in Underwater IoT Networks 원문보기

융합정보논문지 = Journal of Convergence for Information Technology, v.10 no.6, 2020년, pp.41 - 48

변정훈 (충북대학교 소프트웨어학과) , 박진훈 (충북대학교 소프트웨어학과) , 조오현 (충북대학교 소프트웨어학과)

초록
AI-Helper

수중 IoT 네트워크에서 센서 노드는 지속적인 전력 공급이 어렵기 때문에 제한된 상황에서 소비 전력과 네트워크 처리량의 효율성이 매우 중요하다. 이를 위해 기존의 무선 네트워크에서는 SNR(Signal Noise Rate)과 BER(Bit Error Rate)의 높은 연관성을 기반으로 적응적으로 통신 파라미터를 선택하는 AMC(Adaptive Modulation and Coding) 기술을 적용한다. 하지만 본 논문의 실험 결과, 수중에서 SNR과 BER 사이의 상관 관계가 상대적으로 감소함을 확인하였다. 따라서 본 논문에서는 SNR과 함께 다중 파라미터를 동시에 사용하는 딥러닝 기반 BER 예측 모델(MLP, Multi-Layer Perceptron)을 적용한다. 제안하는 BER 예측 모델은 처리량이 가장 높은 통신 방법을 찾아낼 수 있고, 시뮬레이션 결과 85.2%의 높은 정확도와 네트워크 처리량은 기존 처리량보다 4.4배 높은 성능을 보여주는 우수한 성능을 확인하였다.

Abstract ▼ AI-Helper

The sensor nodes in underwater IoT networks have practical limitations in power supply. Thus, the reduction of power consumption is one of the most important issues in underwater environments. In this regard, AMC(Adaptive Modulation and Coding) techniques are used by using the relation between SNR and BER. However, according to our hands-on experience, we observed that the relation between SNR and BER is not that tight in underwater environments. Therefore, we propose a deep learning based MLP classification model to reflect multiple underwater channel parameters at the same time. It correctly predicts BER with a high accuracy of 85.2%. The proposed model can choose the best parameters to have the highest throughput. Simulation results show that the throughput can be enhanced by 4.4 times higher than the conventionally measured results.

주제어

표/그림 (10)

표 Table 1. Machine learning AMC technique. (C.M., Number of Communication Methods)
그림 Fig. 1. SNR and BER distribution in measured underwater data
그림 Fig. 2. Pairwise relationships in underwater channel quality parameters
그림 Fig. 3. Correlation coefficient of underwater channel quality parameters
표 Table 2. Statistics of measured underwater dataset
표 Table 3. Pre-processing by parameters
그림 Fig. 4. Accuracy by the number of hidden layers and number of nodes in each layers
그림 Fig. 5. (A) BER prediction model results for all 468 communication methods, (B)Throughput by predict results calculated using (A) and data rate (BER label 10 = communication failed)
그림 Fig. 6. Comparison of measured throughput and predicted throughput using deep learning based BER prediction model
그림 Fig. 7. Comparison of total throughput between measurement and prediction

AI 본문요약
AI-Helper

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

문제 정의

따라서 SNR 이외에 채널의 특성을 나타내는 다양한 파라미터들의 연관성을 살펴보았다. Fig.

제안 방법

BER 예측 모델의 성능을 평가하기 위해서 먼저 검증용 데이터 중 600개의 데이터 샘플을 사용해서 실제 처리량과 BER 예측 모델을 통해 구해진 예측 처리량을 비교한다. 결과는 Fig.
BER 예측 모델은 전처리 과정을 거친 20가지 파라미터 중 BER을 제외한 19가지를 입력으로 받고, BER을 출력한다. 따라서 입력 레이어에서 32개의 노드가 전처리 과정을 거친 데이터를 받고, 11개의 노드를 갖는 출력 레이어를 통해 라벨을 구분한다.
이 방법은 100% 정확한 BER의 예측이 가능할 경우 최고의 효율을 갖는 통신 방법의 선택이 가능하다. 수집된 데이터의 처리량이 제안하는 딥러닝 기반 예측 모델을 통해 얼마나 향상되었는지 비교함으로써 머신 러닝을 사용한 수중 AMC 기술의 가능성을 확인한다.

대상 데이터

4와 같은 구조로 이루어져 있다. BER 예측 모델은 전처리 과정을 거친 20가지 파라미터 중 BER을 제외한 19가지를 입력으로 받고, BER을 출력한다. 따라서 입력 레이어에서 32개의 노드가 전처리 과정을 거친 데이터를 받고, 11개의 노드를 갖는 출력 레이어를 통해 라벨을 구분한다.
데이터 전처리 후 통신 방법 데이터 7개와 전송 방법, BER을 제외한 통신 품질 데이터는 머신 러닝에서 모델의 학습 데이터로, 그리고 BER 라벨은 라벨 데이터로 사용된다. 전체 데이터는 7:3 비율로 학습용 데이터와 검증용 데이터로 사용된다.
본 연구에서 사용한 수중 무선 통신 측정 데이터셋은 실제 개발한 수중 통신 모뎀에 의해서 얻어졌으며 대한민국 인천 앞바다에서 실험을 통해 측정 및 수집하였다 [24]. 파라미터 세팅의 종류는 총 468가지의 경우가 존재한다.
수중 무선 통신 실측 데이터는 통신 방법 데이터 7가지와 전송 속도(Data rate) 그리고 통신 품질 데이터 12가지가 존재한다. 총 데이터 샘플은 각각 1만 개씩 수집되었다. 통신 방법 데이터는 변조 방법(Mod), 오류정정 코드 종류(Coding), 코딩률(Coding rate), 파일럿 신호의 주파수 간격(Freq_1), 파일럿 신호의 시간 간격(Time_1), 파일럿 신호의 반복 횟수(Freq_2), 파일럿 신호의 시간 반복 횟수 (Time_2)로 이루어져 있다.

이론/모형

BER 예측 모델을 만들기 위해 딥러닝 기반의 MLP 분류 모델이 사용된다. MLP 모델은 Fig.
이는 데이터 전송 횟수를 증가시키며 결과적으로 네트워크 처리량이 감소하고 센서의 전력 소비는 증가한다. 따라서 지상에 서는 무선 통신의 채널 상태에 따라서 효율적인 통신을 하기 위해 링크 적응 기술을 사용한다. 대표적인 링크 적응 기술로서 전력 제어, 속도 제어, 적응 변조 및 부호화 방식(Adaptive Modulation and Coding, AMC) 등이 존재한다.
Table 2에 의하면 파라미터별 데이터의 스케일이 많은 차이를 보임을 알 수 있다. 따라서 학습 전에 데이터 정규화(Normalization)가 필요한데, 본 논문에서는 데이터의 이상치 영향을 줄여주는 Z-점수 정규화(Z-Score Normalization) 방법을 사용한다. 전송 속도의 경우에는 통신 방법마다 값이 정해져 있기 때문에 특별한 정규화 없이 그대로 사용된다.
파라미터 세팅의 종류는 총 468가지의 경우가 존재한다. 모든 통신 방법에 대한 임계값을 찾아내는 것은 어렵기 때문에 통신 방법과 통신 품질 데이터를 학습하여 높은 정확도로 BER을 예측하기 위해 딥러닝 기법 중 하나인 MLP 분류 모델을 이용한다. 만들어진 BER 예측 모델은 모든 통신 방법을 수중에서 적용했을 때 예상되는 BER을 구하는데 사용이 되고, 그중 가장 높은 처리량을 갖는 통신 방법이 선택된다.
본 논문에서는 실제 수중 무선 통신 데이터를 수집하고 이를 사용하여 BER을 예측하기 위해 딥러닝 기반의 MLP 분류 모델을 적용하였다. 높은 정확도의 BER 예측 모델은 모든 통신 방법의 예상 BER을 구할 수 있게 만들었으며, 최상의 성능을 보이는 전송 파라미터를 선택함으로써 네트워크 처리량이 증가함을 확인한다.

성능/효과

1 이상일 때에는 라벨을 10으로 통일시킨다. 결과적으로 BER은 0부터 10까지 총 11개의 라벨로 변환된다. BER 값이 0.
실제 처리량이 예측 처리량보다 낮은 경우는 상대적으로 낮은 빈도로 나타나고, 이에 대한 처리량의 손실도 크지 않다. 결과적으로 전반적인 예측 처리량이 실제 처리량보다 압도적으로 높은 처리량을 보여준다. Fig.
본 논문에서는 실제 수중 무선 통신 데이터를 수집하고 이를 사용하여 BER을 예측하기 위해 딥러닝 기반의 MLP 분류 모델을 적용하였다. 높은 정확도의 BER 예측 모델은 모든 통신 방법의 예상 BER을 구할 수 있게 만들었으며, 최상의 성능을 보이는 전송 파라미터를 선택함으로써 네트워크 처리량이 증가함을 확인한다. 향후 수중 네트워크에 제안하는 방법을 적용하기 위해서는 학습의 시간과 효율, 에너지 소비에 관한 추가적인 연구를 필요로 한다.
5의 (A)에서는 하나의 통신 데이터 열에 대해서 모든 통신 방법을 적용한 뒤의 예측 BER을 구한 결과를 보여준다. 모든 통신 방법 경우의 수에서 모델은 51가지의 오류가 없는 통신 방법을 찾았고, 414가지의 경우에는 통신 실패를 예상했다. 또한 2%와 4%의 오류율을 예상한 결과도 각각 1개와 2개 존재한다.
65배 늘어난다. 전체적인 처리량의 합은 기존 263.3Kbps에서 제안 방안을 적용한 후 1159.8Kbps 증가했고, 네트워크 처리량이 기존 대비 440%의 향상함으로써 좋은 성능을 보여준다.
BER 라벨이 10인 데이터들은 통신이 실패한 경우이기 때문에 실제 처리량이 0이다. 하지만 제안하는 딥러닝 모델의 적용 시 예상되는 처리량이 504.6Kbps로 증가했다. BER 라벨이 0인 데이터들은 통신이 성공되었고, 오류도 발생하지 않았기 때문에 전송 속도 그대로 처리량에 반영된다.

후속연구

높은 정확도의 BER 예측 모델은 모든 통신 방법의 예상 BER을 구할 수 있게 만들었으며, 최상의 성능을 보이는 전송 파라미터를 선택함으로써 네트워크 처리량이 증가함을 확인한다. 향후 수중 네트워크에 제안하는 방법을 적용하기 위해서는 학습의 시간과 효율, 에너지 소비에 관한 추가적인 연구를 필요로 한다.

참고문헌 (25)

X. Lurton. (2004). An introduction to underwater acoustics. The Journal of the Acoustical Society of America, 115(2), 443. DOI : 10.1121/1.1639324

상세보기
A. Baggeroer. (1984). Acoustic telemetry-an overview. IEEE Journal of oceanic engineering, 9(4), 229-235. DOI : 10.1109/JOE.1984.1145629

상세보기
H. H. Ng, W. S. Soh & M. Motani. (2008). MACA-U: A media access protocol for underwater acoustic networks. In IEEE GLOBECOM 2008-2008 IEEE Global Telecommunications Conference (pp. 1-5). IEEE.
M. Yang, M. Gao, C. H. Foh, J. Cai & P. Chatzimisios. (2011). DC-MAC: A data-centric multi-hop MAC protocol for underwater acoustic sensor networks. In 2011 IEEE Symposium on Computers and Communications (ISCC) (pp. 491-496). IEEE.
N. Chirdchoo, W. S. Soh & K. C. Chua. (2008). MACA-MN: A MACA-based MAC protocol for underwater acoustic networks with packet train for multiple neighbors. In VTC Spring 2008-IEEE Vehicular Technology Conference (pp. 46-50). IEEE.
H. H. Ng, W. S. Soh & M. Motani. (2010, September). BiC-MAC: Bidirectional-concurrent MAC protocol with packet bursting for underwater acoustic networks. In OCEANS 2010 MTS/IEEE SEATTLE (pp. 1-7). IEEE.
A. Sher, A. Khan, N. Javaid, S. H. Ahmed, M. Y. Aalsalem & W. Z. Khan. (2018). Void hole avoidance for reliable data delivery in IoT enabled underwater wireless sensor networks. Sensors, 18(10), 3271. DOI : 10.3390/s18103271

상세보기
J. W. Lee & H. S. Cho. (2014). Cascading multi-hop reservation and transmission in underwater acoustic sensor networks. Sensors, 14(10), 18390-18409. DOI : 10.3390/s141018390

상세보기
W. H. Liao & C. C. Huang. (2011). SF-MAC: A spatially fair MAC protocol for underwater acoustic sensor networks. IEEE Sensors Journal, 12(6), 1686-1694. DOI : 10.1109/JSEN.2011.2177083
M. S. Kwon, U. J. Gim, J. J. Lee & O. Jo. (2018). IoT-based Water Tank Management System for Real-time Monitoring and Controling. Journal of Convergence for Information Technology, 8(6), 217-223. DOI : 10.22156/CS4SMB.2018.8.6.217
Y. S. Jeong. (2017). A Study on improving manufacturing environment using IoT technology in small business environment. Journal of Convergence for Information Technology, 7(2), 83-90. DOI : 10.22156/CS4SMB.2017.7.2.083
K. O. Park & J. K. Lee. (2017). A Countermeasure Technique for Attack of Reflection SSDP in Home IoT. Journal of Convergence for Information Technology, 7(2), 1-9. DOI : 10.22156/CS4SMB.2017.7.2.001
J. H. Ku. (2017). A Study on the Machine Learning Model for Product Faulty Prediction in Internet of Things Environment. Journal of Convergence for Information Technology, 7(1), 55-60. DOI : 10.22156/CS4SMB.2017.7.1.055
L. Wan, H. Zhou, X. Xu, Y. Huang, S. Zhou, Z. Shi & J. H. Cui. (2014). Adaptive modulation and coding for underwater acoustic OFDM. IEEE Journal of Oceanic Engineering, 40(2), 327-336. DOI : 10.1109/JOE.2014.2323365
H. S. Lee, J. W. Jung, C. U. Baek, A. H. Lee & W. J. Kim. (2019). Adaptive Modulation and Coding for Underwater Acoustic Communication. In 2019 Eleventh International Conference on Ubiquitous and Future Networks (ICUFN) (pp. 54-56). IEEE.
K. Pelekanakis, L. Cazzanti, G. Zappa & J. Alves. (2016). Decision tree-based adaptive modulation for underwater acoustic communications. In 2016 IEEE Third Underwater Communications and Networking Conference (UComms) (pp. 1-5). IEEE.
J. Lin, W. Su, L. Xiao & X. Jiang. (2018). Adaptive modulation switching strategy based on Q-learning for underwater acoustic communication channel. In Proceedings of the Thirteenth ACM International Conference on Underwater Networks & Systems (pp. 1-5).
W. Su, J. Lin, K. Chen, L. Xiao & C. En. (2019). Reinforcement Learning-Based Adaptive Modulation and Coding for Efficient Underwater Communications. IEEE Access, 7, 67539-67550.

상세보기
K. Pelekanakis & L. Cazzanti. (2018, October). On adaptive modulation for low SNR underwater acoustic communications. In OCEANS 2018 MTS/IEEE Charleston (pp. 1-6). IEEE.
A. Goldsmith. (2005). Wireless communications. Cambridge university press.
S. Verdu. (2002). Spectral efficiency in the wideband regime. IEEE Transactions on Information Theory, 48(6), 1319-1343. DOI : 10.1109/TIT.2002.1003824

상세보기
F. Meshkati, H. V. Poor, S. C. Schwartz & N. B. Mandayam. (2005). An energy-efficient approach to power control and receiver design in wireless data networks. IEEE transactions on communications, 53(11), 1885-1894. DOI : 10.1109/TCOMM.2005.858695

상세보기
S. Cui, A. J. Goldsmith & A. Bahai. (2005). Energy-constrained modulation optimization. IEEE transactions on wireless communications, 4(5), 2349-2360.

상세보기
J. Byun, Y. H. Cho, T. H. Im, H. L. Ko, K. S. Shin & O. Jo. (2020). Iterative Learning for Reliable Underwater Link Adaptation. Thirty-Fourth AAAI Conference on Artificial Intelligence, 34(10), 13761-13762.
T. Jayalakshmi & A. Santhakumaran. (2011). Statistical normalization and back propagation for classification. International Journal of Computer Theory and Engineering, 3(1), 1793-8201.

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