DBPIA-NURIMEDIA

Size: px

Start display at page:

Download "DBPIA-NURIMEDIA"

국진 오
5 years ago
Views:

1 베이지안망모델링을이용한스마트폰 GPS 센서의에너지절약시스템 375 베이지안망모델링을이용한스마트폰 GPS 센서의에너지절약시스템 (An Energy Saving System for Smartphone GPS Sensors Using Bayesian Networks Modeling) 이시혁 조성배 (Si-Hyuk Yi) (Sung-Bae Cho) 요약최근스마트폰의사용량이급증함에따라 GPS 를이용한어플리케이션이널리보급되고있다. GPS 센서는에너지소모가크다는단점이있기때문에실내에서불필요하게사용되는횟수를줄인다면에너지를절약할수있다. 기존연구에서는 GPS 사용을줄이기위한방법이나, GPS 센서의사용주기를조절하는방법들이제안되었다. 본논문에서는에너지를절약하면서지역정보를얻기위해 GPS 센서보다에너지를적게소모하는다른스마트폰내장센서를사용한베이지안네트워크의추론방법을제안한다. 또한실제안드로이드플랫폼상에서실험및평가를수행하여그유용성을입증한다. 키워드 : 배터리절약, 스마트폰, 베이지안네트워크추론, 컨텍스트상황추론기반어플리케이션 Abstract Recently, as the number of smart phone users increases rapidly, various applications using GPS become widespread. Because there is a drawback to a GPS sensor which consumes too much energy, we have to decrease the unnecessary usage of GPS receiver at indoors to reduce the energy consumption. Most of previous works focused on how to reduce the frequency or the period to use GPS. In this paper, we propose a method to save battery using Bayesian network inference with built-in sensors in a smartphone to get location information efficiently. In order to show the usefulness of the proposed method, we have developed an application in Android platform and performed experiments to evaluate Bayesian networks. Key words : Saving battery, Smartphone, Bayesian network inference, Context-aware mobile application 1. 서론 본연구는지식경제부및한국산업기술평가관리원의산업원천기술개발사업의일환으로수행하였음 ( , 다중센서및협업을위한자율학습기반상황인지기술 ) 이논문은제38회추계학술발표회에서 베이지안네트워크를이용한스마트폰 GPS센서의효율적인에너지관리시스템 의제목으로발표된논문을확장한것임 학생회원 : 연세대학교컴퓨터과학과 sclab.theshy@gmail.com 연세대학교컴퓨터과학과교수 종신회원 : sbcho@yonsei.ac.kr (Corresponding author 임 ) 논문접수 : 2011년 12월 5일심사완료 : 2012년 2월 7일 CopyrightC2012 한국정보과학회ː개인목적이나교육목적인경우, 이저작물의전체또는일부에대한복사본혹은디지털사본의제작을허가합니다. 이때, 사본은상업적수단으로사용할수없으며첫페이지에본문구와출처를반드시명시해야합니다. 이외의목적으로복제, 배포, 출판, 전송등모든유형의사용행위를하는경우에대하여는사전에허가를얻고비용을지불해야합니다. 정보과학회논문지 : 소프트웨어및응용제39권제5호 (2012.5) 스마트폰사용자가급증함에따라현재위치정보를필요로하는소셜네트워크, 위치기반서비스, U-헬스케어, 지역교통등과같은위치기반어플리케이션의사용이증가하고있다 [1]. 위치정보를얻기위해대표적으로사용되는 GPS (Global Positioning System) 센서는높은에너지소모와함께실내환경이나고층빌딩사이등제한된상황에서의사용이불가능한단점이있다. 단순히지역정보를얻기위해사용되는 GPS센서는스마트폰이지닌다른센서들 ( 예를들어가속도센서, 자기센서, 근접센서, 조도센서등 ) 과비교했을때에너지소모가가장크다 [2]. 하지만이런단점에도불구하고 GPS센서의정보는정확한위치정보를얻는데반드시필요하다 [3]. 따라서사용자가위치기반어플리케이션을사용하는데있어 GPS센서의불필요한사용횟수를줄이고, 에너지의효율성을높이면서성능에는영향을미치지않

2 376 정보과학회논문지 : 소프트웨어및응용제 39 권제 5 호 (2012.5) 는방법에대한연구가요구된다. GPS센서의에너지소모를줄이는기존연구방법으로 GPS센서를사용하는대신다른정보를이용하는방법이있다. GSM (Global System for Mobile communication) 이나 WPS (Wi-Fi Positioning System) 를사용하는방법인데이는 GPS에비해오차율이높다는단점이있으며 [3] Wi-Fi는 GPS센서와마찬가지로에너지소모가크다는단점이있다 [4]. 따라서정확한위치정보를얻기위해 GPS센서를사용하는데에너지를효율적으로관리해주는시스템이필요하다. 본논문에서는에너지를적게소모하는다른센서정보를이용해 GPS 센서관리에효과적으로적용할수있는확률기반의추론방법을제안한다. 2. 관련연구 2.1 베이지안네트워크를이용한모델링베이지안네트워크에서구조및파라미터를결정하는방법중대표적으로사용하는방법으로도메인지식을이용해전문가에의해설계하는방법이있다. Marcot 등은베이지안네트워크설계를위한가이드라인을제안하였으며, 생태학적방법에모델링을적용하였다 [5]. 또한 Laskey 등은모델기반의베이지안네트워크의엔지니어링방법을제안하였다 [6]. 전문가의도메인지식을이용한설계가가능하다는것은베이지안네트워크모델이가진장점이다. 본논문에서는다량의사전데이터수집이어려운모바일환경에적절한전문가에의한베이지안네트워크설계방법을적용하였다. 2.2 전력관리및절약시스템에너지소모에대한연구가여러방법으로제안되었으며그분류는표 1과같다. Ravi 등은실내와실외에서규칙을사용하여모바일의로그정보를활용한배터리유효시간예측에대한연구를진행하였다. 앞으로남은전화가능시간및충전할수있는위치까지소요되는시간을예측해사용자에게알려주는방법을제안하였다 [7]. 하지만예측의측면에서사용자에게통보는근본적으로배터리를절약하기는어려우며, 규칙기반의시스템은사용자의다양한행동패턴에의해오류가발생할가능성이크다는단점이있다. Murao 등은실내, 외에서몸에부착이가능한센서를사용해각관절로부터얻는신호정보로부터행동을표 1 전력관리및절약방법에관한분류저자장소입력방법대상결과 Ravi[7] 실내, 외로그정보규칙휴대폰예측 Murao[8] 실내, 외센서 SVM 센서절약 Harris[9] 실내블루투스 BN 건물절약 분류하는방법을제안하였다. 또한현재분류된행동을참고하여다음행동을예측함으로써다음행동에필요없는센서를미리꺼두어에너지의소비를줄이는방법을제안하였다 [8]. 하지만몸에부착하는센서는생소하며보급이힘들기때문에현재적용되기어렵다. 또한 Harris 등은실내에서사용자가지닌블루투스단말기를이용해컴퓨터주변에사용자가있을때마다전원을켜주고, 부재시자동으로꺼주는시스템을제안하였다. 그러나사용자의현상황을추론하기에는입력정보가적기때문에오차를범할가능성이있다. 따라서본논문에서는사용자의상태정보를쉽게얻을수있는스마트폰을이용하였으며, 불확실한상황에적합한확률기반의모델을적용해사용자의패턴을추론하였다. 2.3 스마트폰위치인식과배터리소모스마트폰에서위치를얻는방법의오차율은 GPS, WPS, GSM-Positioning 의순으로낮다. GPS는정확한위치를얻는데가장중요한장치라는것을알수있다 [3]. 위치인식은 GPS센서의사용을다른수단으로대체하는방법과다른센서를이용해현재상황을인식한후 GPS센서의사용빈도를줄이는방법으로분류할수있으며, 표 2는스마트폰에서획득한위치정보와컨텍스트를활용해제안한시스템을나타낸다. Paek 등은 RAPS (Rate Adaptive Positioning System) 를스마트폰에적용한연구를수행하였다. 내장된여러센서를이용해상황에적절한위치센서를사용하는방법을제안하였다. 이는사용자의이전상태정보와가속도센서정보, GSM 셀타워정보, 블루투스정보를이용하여상황을추론해상황에맞는위치인식방법을결정해주는방법이다. 가속도센서의정보는단순히 GPS센서의작동주기를결정하고, GSM 셀타워정보는 GPS센서가잘잡히는지역인지판단하기위해사용하며, 블루투스정보는주변에있는다른단말기와좀더높은정확도를가진 GPS정보를동기화하는데목적이있다. 그리고이정보를하나씩줄여가며성능을평가하고, 20초단위, 180초주기로 GPS센서를사용하는실험과비교하였다. 실험결과네가지정보모두를사용한방법의배터리라이프타임이약 35시간, 그다음으로블루투스정보를제외한방법이약 32시간으로나타났다 [3]. 그러 표 2 컨텍스트를이용한위치정보획득방법분류 저자 장소 입력 방법 대상 Zhuang[1] 실외 어플리케이션정보 규칙 GPS, NET Paek[3] 실외 Wang[4] 실내, 외 가속도센서, 블루투스, GSM GPS, WiFi, 마이크, 가속도 RAPS 위치정보 규칙 GPS, WiFi

3 베이지안망모델링을이용한스마트폰 GPS 센서의에너지절약시스템 377 나상황추론에사용된각각의정보는서로독립적이며유기적이지않다. 외부노이즈나불확실한상황에대해취약한단점이있다. 또한대부분의연구에서규칙을사용하였는데 [1,4], 모바일에서는적은메모리, 느린처리속도등의이유로많은규칙을포함하지못하는단점이있다. 따라서본논문에서는주변환경이나사용자의상황에대한제약이없고, 모바일환경에서발생할수있는외부노이즈, 데이터오차등으로발생할수있는경우를상호보완하며많은규칙을내포할수있는베이지안네트워크기반의상황추론방법을제안한다. 3. GPS 에너지관리시스템제안하는시스템의개요는그림 1과같다. 플랫폼으로부터입력되는내장센서값과시간정보, 날짜정보를추론에필요한정보로사용하기위해전처리과정을거친다. 이과정을통해얻은정보는추론과정의입력정보로활용되며 GPS센서의사용여부를결정한다. 본논문에서는확률기반의추론을위해베이지안네트워크를이용하였다. 3.1 아날로그센서신호의전처리사용자의움직임정보를얻는센서는아날로그신호이기때문에특별히전처리가필요하다. 전처리가필요한센서는가속도센서, 자기센서, 방향센서이다. 사용자의현재상황및휴대폰의상태를파악하기위해서는이센서들의입력값의전처리를통해사용한다. 사용자의상태는여러가지가있을수있다. 본논문에서는크게정지 (standing), 걷기 (walking), 달리기 (running) 세가지로분류하였다. 그림 2는각상황에대한사용자의센서패턴에대한예를보여준다. 가속도센서는패턴별로주파수의큰차이를보여주는것을알수있다. 하지만노면의상태나같은동작이더라도사용 자의이동속도에따라달라질수있다 [8]. 이를개선하기위해가속도센서뿐아니라다른센서의정보도함께사용해야한다. 설계한모델에서는사용자의상태를개선하기위해가속도센서와자기센서, 방향센서를모두사용하였다. 3.2 컨텍스트분류컨텍스트분류과정은사용자의직업과생활패턴에따라달라질수있다. 즉, 사전에사용자의생활패턴을인식하는방법이필요하다 [10]. 본논문에서는생활이비교적일정한대학원생의패턴을참고하여컨텍스트를분류하였다. 가속도센서는작은변화에민감하고, 사용자의행동습관에따라다를수있다. 또한가속도센서의데이터만으로사용자의상태를알아내기어렵다. 따라서가속도센서와자기센서, 방향센서를함께사용해정지, 걷기, 달리기의컨텍스트값을얻는다. 근접센서는스마트폰으로부터디지털값으로출력되기때문에따로전처리과정을거치지않으며, 센서로부터 25mm 이상떨어지면 1, 가까워지면 0으로출력한다. 이값은휴대폰의위치및상태를알려주는증거가된다. 사용자가휴대폰을소지하지않았는지, 주머니에있는지, 또는현재사용중인지알수있다. 날짜정보는평일, 주말로구분하였고, 시간정보는출근시간, 점심식사, 저녁식사, 퇴근시간으로분류하였다. 날짜와시간정보는비교적간단한정보로분류하였으나, 사용자의직업이나생활패턴에따라세부적으로나눌수있다. 3.3 베이지안네트워크를이용한상황추론전처리를통해얻은각종센서정보와시간정보, 요일정보를통합해실내상황과실외상황을인식하고, 사용자에게 GPS사용에대한알림을통보하기위해확률모델을사용한다. 그림 1 제안하는방법의전체시스템흐름

378 정보과학회논문지 : 소프트웨어및응용제 39 권제 5 호 (2012.5) 베이지안네트워크는불확실한상황을표현하고추론하기위한대표적인모델로방향성비순환그래프 (Directed acyclic graph) 로표현된다. 또한네트워크에서노드는환경변수를나타내며아크는변수사이의의존관계를표현한다 [11].

4 378 정보과학회논문지 : 소프트웨어및응용제 39 권제 5 호 (2012.5) 베이지안네트워크는불확실한상황을표현하고추론하기위한대표적인모델로방향성비순환그래프 (Directed acyclic graph) 로표현된다. 또한네트워크에서노드는환경변수를나타내며아크는변수사이의의존관계를표현한다 [11]. (1) 식 (1) 은베이지안네트워크를표현한식이며, B는네트워크구조, 는확률변수를나타낸다. 여기서 는네트워크의모든변수사이의결합확률분포이다. 베이지안네트워크의구조를 로나타내면, 노드의집합 와아크의집합 E로표현할수있다. 각변수에대해조건부확률분포로나타낼수있다 [12,13]. 위의식 (1) 을이용해설계한베이지안네트워크를나타내면식 (2) 와같이된다. 여기서 은노드의전체개수를뜻하고, 전체집합 는베이지안네트워크의모든노드를나타내며, 각원소는그림 3에설계된노드명을따른다. Statu s 모바일기기에서의추론은 PC에비해상대적으로적은메모리용량, 느린 CPU 처리속도, 작은화면크기, 제약적인인터페이스, 제한적인배터리용량등의한계가있다. 따라서모바일상에서복잡한베이지안네트워크를처리하기는어려우며 [14] 추론에소모되는시간이길수록배터리소모는비례증가하므로적합하지않다. 베이지안네트워크는다른도메인정보의통합이가능 (2) 하고, 입력데이터가부족하거나외부조건에의해제대로수집할수없는환경에서도안정적으로사용가능하다는장점이있다 [10]. 사용자의직업이나나이, 행동패턴등에따라추론방법이다르기때문에사용자별로적합한베이지안네트워크를추론하는모델의설계가필요하다. 베이지안네트워크를설계는도메인전문가에의한설계방법과학습알고리즘에의해설계하는방법으로나눌수있다. 학습에의한네트워크구조나파라메터결정방법은비교적사용자에적합한환경을구축해줄수있는모델을설계할수있는장점이있지만입력데이터에포함된노이즈에의해제대로된설계가되지않을가능성이있다. 특히모바일환경에서는센서데이터의민감도와노이즈로인해학습의방법이적합하지않다고할수있다. 따라서본논문에서는모바일에서적은연산, 적은배터리소모로추론이가능하면서입력값이손실되거나노이즈가발생할수있는상황에서추론이가능한베이지안네트워크를설계하였다. 네트워크설계에는학습을이용한방법을사용하지않고사용자의생활패턴을참고해설계하였다. 사용자의현재위치상황추론을위해설계한베이지안네트워크는그림 3과같으며실내상황과실외상황을추론하도록설계하였다. 또한입력값과중간노드, 결과에대한설명은표 3과같다. 입력노드는 11개, 중간노드 5개로구조화하였다. 각입력노드는전처리한각센서값과컨텍스트정보가입력되며이입력된값만을이용해상황을추론하면센서값에민감한결과가추론되기때문에중간노드에서다양한센서를고려해추론에사용된다. 본논문에서설계한베 그림 2 사용자의이동중센서패턴

베이지안망모델링을이용한스마트폰 GPS 센서의에너지절약시스템 379 그림 3 상황추론을위한베이지안네트워크모델링 표 3 설계한베이지안네트워크의상태값 입력 중간노드결과노드 가속도센서자기센서방향센서근접센서 평균값, 현재값평균값현재값현재값 출근 (7시~9시), 시간점심식사, 저녁식사, 퇴근 (22시~24시) 요일평일, 주말움직임,

여기서사용자가움직이는동안의가속도, 자기, 방향, 근접센서의값을로그로저장해상황별로레이블링하여그인과관계를베이지안네트워크구조설계에반영하였다. 4. 실험및결과 4.1 시스템구축및환경 GPS센서의에너지관리시스템은안드로이드플랫폼인 LG전자스마트폰 SU-660 2대, 안드로이드버전 2.

그림 4 안드로이드플랫폼과구현한어플리케이션 4.2 인식및성능평가인식및성능평가를위해한명의사용자로부터수집한 15일동안의로그자료를이용하였다. 정확도평가를위해로그수집에는실제실내, 실외상황을파악하고, 추론결과와맞는지파악하였다. 평일의경우주말의 68% 보다비교적높은정확도 77% 로나타났으며성능평가결과는표 4와같다.

5 베이지안망모델링을이용한스마트폰 GPS 센서의에너지절약시스템 379 그림 3 상황추론을위한베이지안네트워크모델링 표 3 설계한베이지안네트워크의상태값 입력 중간노드결과노드 가속도센서자기센서방향센서근접센서 평균값, 현재값평균값현재값현재값 출근 (7시~9시), 시간점심식사, 저녁식사, 퇴근 (22시~24시) 요일평일, 주말움직임, 요일, 시간, 휴대폰현재상태사용자의실내, 실외상황출력 이지안네트워크는사용자의일상생활에서수집한레이블링된센서값을참고하여설계하였다. 예를들어, 평일점심식사시간에휴대폰을주머니에넣고걷는동작을행하고있다면사용자는점심식사를하기위해밖에나가는것으로추론하고사용자가 GPS를사용할수있도록알람을알려준다. 여기서사용자가움직이는동안의가속도, 자기, 방향, 근접센서의값을로그로저장해상황별로레이블링하여그인과관계를베이지안네트워크구조설계에반영하였다. 4. 실험및결과 4.1 시스템구축및환경 GPS센서의에너지관리시스템은안드로이드플랫폼인 LG전자스마트폰 SU-660 2대, 안드로이드버전 2.2 Froyo상에서실험을수행하였으며개발에사용된플랫폼과구현된어플리케이션은그림 4와같다. 배터리의정량적인전압레벨하강을위해새배터리를사용하였으며배터리의 100% 충전이완료된상태에서실험을시작하였다. 성능을평가하기위해 5분에한번씩배터리의전압레벨을측정하면서로그정보를저장할수있는어플리케이션을제작, 이용하였다. 그림 4 안드로이드플랫폼과구현한어플리케이션 4.2 인식및성능평가인식및성능평가를위해한명의사용자로부터수집한 15일동안의로그자료를이용하였다. 정확도평가를위해로그수집에는실제실내, 실외상황을파악하고, 추론결과와맞는지파악하였다. 평일의경우주말의 68% 보다비교적높은정확도 77% 로나타났으며성능평가결과는표 4와같다. 평일에는사용자가비슷한생활패턴으로생활하기때문에추론결과가비교적높은정확도를나타낸반면, 주말에는다양한패턴이나타나므로높지않은정확도를보여주었다. 상황인식에대한정확도는그림 5와같다. 4.3 배터리효율실험및평가배터리효율실험은표 5와같이두종류의행동패턴을가진사람으로가정하고 1시간동안진행하였다. 행동표 4 요일상태에따른상황인식성능 (%) Precision Recall Accuracy 평일 주말 전체

6 380 정보과학회논문지 : 소프트웨어및응용제 39 권제 5 호 (2012.5) 드로이드플랫폼에서기본으로제공되는방법과비교하였다. 한시간경과후기존방법대비활동량이적은사용자의경우 2.7%, 활동량이많은사용자의경우 4.6% 배터리향상효율이있었다. 실내, 외활동이자주바뀌는사람일수록제안하는방법에더욱적합하다고할수있다. 5. 결론및향후연구 그림 5 요일구분에따른상황인식정확도 표 5 실험대상자의시간에따른위치 시간 ( 분 ) 패턴 ~10 ~20 ~30 ~40 ~50 ~60 활동적인행동 실내 실외 실내 실외 실내 실외 비활동적인행동 실내 실내 실내 실외 실외 실외 (a) 활동량이많은사용자 본논문에서는안드로이드플랫폼상에서사용자의행동을확률기반으로인식하고 GPS센서를제어함으로써배터리의효율을향상시킬수있는시스템을제안하였다. 제안하는방법은스마트폰에내장된여러센서의값과시간, 날짜데이터를입력으로하는베이지안네트워크를통해추론하였다. 또한아날로그신호로입력되는데이터에대해전처리를통해입력으로사용하였다. 시스템의에너지효율을분석하기위해배터리효율실험과인식및성능평가를수행하였다. 실험결과평일에비해생활패턴이일정하지않은주말에낮은성능의양상을보였다. 이는사용자의행동이직업과생활패턴등특성개인적인특성에따라달라질수있다는것을나타낸다. 따라서향후연구로는사용자의행동패턴학습을통해사용자에게최적화된확률망의파라미터와구조를생성하는방법이제시되어야할것이다. 또한추론에대한신뢰도를높이기위해사용자행동패턴에영향을줄수있는주변온도, 날씨, 습도, 사용자의일정등의부가적인정보를입력으로하는컨텍스트가확장된추론방법을연구진행할계획이다. 참고문헌 (b) 활동량이적은사용자그림 6 사용자의활동량에따른 GPS배터리소모량패턴1은활동량이자주변하는사람으로서 10분마다실내와실외를번갈아가며실시하였고, 행동패턴2는활동량의변화가적은사람으로서 30분동안은실내, 나머지 30분동안은실외에서움직이는시나리오로진행하였다. 또한비교실험을위해안드로이드플랫폼에서기본으로제공하는방법도함께측정하였다. 시나리오에대한결과는그림 6과같으며기존에안 [1] Z. Zhuang et al., "Improving energy efficiency of location sensing on smartphones," Proc. of the 8th Int. Conf. Mobile Systems, Applications, and Services, pp , [2] J. Ryder et al., "Ambulation: A tool for monitoring mobility patterns over time using mobile phones," Proc. of Int. Conf. on Computational Science and Engineering, pp , [3] J. Paek et al., "Energy-efficient rate-adaptive GPS-based positioning for smartphones," Proc. of the 8th int. conf. on Mobile Systems, Applications, and Services, pp , [4] Y. Wang et al., "A framework of energy efficient mobile sensing for automatic user state recognition," Proc. of the 7th Int. Conf. on Mobile Systems, Applications, and Services, pp , [5] B. G. Marcot et al., "Guidelines for developing and updating Bayesian belief networks applied to ecological modeling and conservation," Canadian Journal of Forest Reasearch, vol.36, no.12, pp.

베이지안망모델링을이용한스마트폰 GPS 센서의에너지절약시스템 381 3063-3074, 2006. [6] K. B. Laskey and S. M. Mahoney, "Network engineering for agile belief network models," IEEE Trans. on Knowledge and Data Engineering, vol.

Murao et al., "A context-aware system that changes sensor combinations considering energy consumption," Proc. of the 6th Int. Conf. on Pervasive Computing, pp.197-212, 2008. [9] C. Harris et al.

7 베이지안망모델링을이용한스마트폰 GPS 센서의에너지절약시스템 , [6] K. B. Laskey and S. M. Mahoney, "Network engineering for agile belief network models," IEEE Trans. on Knowledge and Data Engineering, vol.12, no.4, pp , [7] N. Ravi et al., "Context-aware battery management for mobile phones," IEEE Int. Conf. on Pervasive Computing and Communications, vol.6, pp , [8] K. Murao et al., "A context-aware system that changes sensor combinations considering energy consumption," Proc. of the 6th Int. Conf. on Pervasive Computing, pp , [9] C. Harris et al., "Exploiting user behavior for context-aware power management," IEEE Int. Conf. on Wireless And Mobile Computing, Networking And Communications, pp , [10] Y.-S. Lee and S.-B. Cho, "Activity recognition on mobile environment using Bayesian network and hidden Markov model," Proc. of The 37th KIISE Fall Conf., vol.37, no.2(c), pp , [11] G. D. Kleither, "Progagating imprecise probabilities in Bayesian networks," Artificial Intelligence, vol.88, no.1-2, pp , [12] H.-S. Park and S.-B. Cho, "Context-aware service of home robot using domain knowledge-based Bayesian network modeling," Proc. of 37th KIISE Fall Conf., vol.37, no.2(c), pp , [13] F. V. Jensen and T. D. Nielsen, Bayesian Networks and Decision Graphs, pp.23-50, Springer, [14] S.-H. Lee et al., "Selective inference with modular Bayesian networks for lightweight context inference in cell phones," Journal of KIISE: Software and Application, vol.37, no.10, 이시혁 2011 년경원대학교정보통신공학과졸업 ( 학사 ) 년 ~ 현재연세대학교컴퓨터과학과석사과정. 관심분야는인공지능, 패턴인식, 로봇지능 조성배 1988년 연세대학교 전산과학과 ( 학사 ) 1990년한국과학기술원전산학과 ( 석사 ) 1993년한국과학기술원전산학과 ( 박사 ) 1993년~1995년일본 ATR 인간정보통 신연구소 객원 연구원. 1998년 호주 Univ. of New South Wales 초청연구 원. 1995년~현재연세대학교컴퓨터과학과정교수. 관심분 야는신경망, 패턴인식, 지능정보처리

°í¼®ÁÖ Ãâ·Â

°í¼®ÁÖ Ãâ·Â Performance Optimization of SCTP in Wireless Internet Environments The existing works on Stream Control Transmission Protocol (SCTP) was focused on the fixed network environment. However, the number of