선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 기존의 머신 러닝 기법을 적용하여 분산 프레임워크의 초기 모델을 연구하였다. 향후 연구로는 분산 IoT 노드의 안정성,네트워크 복잡도와 트래픽 감소에 대한 효율성 등을 분석하고 노드 간 모델들에서의 데이터 무결성, 시스템 알고리즘의 개선 및 최적화를 수행할 계획이다.
- 본 연구의 목표로 IoT 노드에서 데이터 처리를 위한 분산 시스템의 처리 속도 및 효율성을 높이기 위한 최적화가 필요하다[3]. 분산 시스템의 높은 가용성을 얻기 위해 데이터 전송 에러에 대한 빠른 복구 방법, 이처럼 문제가 발생했을 때 구성을 고려하여 전면 장애가 발생하지 않기 위한 연구가 선행되어야 한다.
- 기존의 머신 러닝 기법의 스케줄러 알고리즘들의 특성과 복잡도 등을 기준으로 하여 프레임워크 개발연구를 진행하였다. 이를 통해 머신 러닝 기법을 프레임워크에 적용하여 트래픽을 줄임으로써 IoT(Internet of Things) 노드간의 데이터처리 효율을 높이는 것을 목표로 한다. 2장에서는 본 연구에서 프레임워크를 개발하기 위한 기존의 관련 머신 러닝 기법에 대해 서술하였고[1][2] 3장에서는 제안 하고자 하는 프레임워크의 초기 모델 대한 설명을 제시한다.
- RL(Reinforcement Learning)은 환경에 대한 반응을 기반으로 목표에 얼마나 빠르게 효율적으로 찾아가는지에 대한 알고리즘으로 본 논문에서는 IoT 환경에서 노드들의 QoS(Quality of Service)에 대한 작업 스케줄러로 사용되었다. 이를 통해 통합 분석 시스템을 연구하여 분산 시스템모델들의 구조분석, 관리 및 확장 등 노드 간 데이터 전송 시 데이터 오류, 변조, 손실을 방지할 수 있는 시스템 구축을 목표로 한다.
- 분산처리 시스템에서의 수행 작업 방식은 기존의 단일 데이터처리시스템 방식과는 다르게 선점의 개념으로 오버 헤드가 발생하게 된다. 이를 해결하기 위해 본 연구에서는 효율적인 빅 데이터 처리를 위한 프레임 워크를 연구하였다. 기존의 머신 러닝 기법의 스케줄러 알고리즘들의 특성과 복잡도 등을 기준으로 하여 프레임워크 개발연구를 진행하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.