Beige Color

"Int J Communication - 2020 - Chaudhary - ORuML Optimized Routing in wireless networks using Machine Learning" , Int J Communication - 2011 - Russell - Integrating machine learning in ad hoc routing A wireless adaptive routing protocol 를 읽어보니, 노드들을 classification하겠다는 나의 아이디어가 완전히 허무맹랑한 이야기는 아니었던 것 같다. 이전까지 포스팅에서 시뮬레이션 데이터들을 구하는 것을 마무리했다. 그렇다면 이제 해당 데이터를 기반으로 노드를 clustering 해주는 아이디어를 고안해보겠다. 더보기 ..

#include #include #include #include #include #include #include #include #include "ns3/energy-module.h" #include "ns3/wifi-radio-energy-model-helper.h" #include "ns3/device-energy-model.h" #include "ns3/adhoc-wifi-mac.h" #include "ns3/aodv-helper.h" #include #include #include #include #define TxRange 250 #define TotalTime 200 #define nodeNum 20 #define sinkNum 5 #define dataMode "VhtMcs8" #define..

이전에 작성한 코드로 구할 수 있었던 Attribute들은 서술하지 않음. * Queue Length 1. OnOff의 Qos Level을 AC_BE로 세팅 2. 각 노드의 AC_BE Queue 길이를 검사. * Node Score(Node Strength) 1. LET 배열을 전부 -1로 초기화 2. 이웃한 노드일 시, 주변 노드 수를 1 증가 시키고 다음을 수행. 2-1. 가까워 질 시, 해당 노드와의 LET를 -10으로 저장. 2-2. 멀어질 시, 해당 노드와의 LET를 식에 따라 계산 3. LET가 -1일 경우 이웃 노드가 아니고, -10일 경우 구한 LET 중 최대값에 1.5를 곱한 수를 Total에 더해준다. 그 외의 경우 그냥 LET 값을 Total에 더해준다. 4. 0.7*TotalLET ..

현재 토폴로지는 다음과 같다. node 의 수 : 50 wifi protocol : 802.11ac Transmission range : 350 m Routing protocol : OLSR app : PacketSink, OnOff Area : 1000 x 1000 m Speed : 0~20 m/s Mobility model : RandomWayPoint 교수님과의 미팅 결과 1. Feature를 우리가 좋다고 생각하는 것들이랑 실제랑 다를수도 있다. 그러니까 일단 최대한 좋다고 생각되는 feature들을 전부 구해서 DT에 먹이자. 그러면 DT를 통해 Feature selection이 가능할 것이다. 2. RandomWayPoint Model을 사용하였는데, 이 경우 특정 시간대의 각 노드 방향을 파..

이전 구현에서 구한 결과 csv 파일을 검토하던 중, 이상한 점을 발견했다. 일정 시간 이후에는 각 노드들의 Remaining energy가 반복되었던 것이다. 하여, 어떤 점이 문제일까 생각해보았는데, 각 노드들의 초기 에너지 세팅 값과 반복되는 energy 패턴에 연관성이 있음을 발견했다. 초기 에너지 세팅을 해준 값이 너무 작은 점, Trans&Recv 절차에 소모되는 에너지 양을 지나치게 크고, 통일 시킨 점이 문제로 생각된다. 따라서 에너지 소모 부분을 랜덤하게 세팅해주고, 코드를 재구성 하였다. 또한 전체적으로 다양한 랜덤 값을 가지게 코드를 변형하였다. #include #include #include #include #include #include #include #include #inclu..

이전 포스팅에 기록했던 곳에서 교수님과 상의 몇가지 아이디어가 추가되었지만, 우선 큰 골자를 디자인하겠다. 1. 시뮬레이션 상황 구현 준비 우선 Wireless Mesh Network, Mobile Adhoc Network, SDN, Centralized Dynamic Routing을 가정하겠다. 따라서 가정 시나리오는 다음과 같다. SDN controller는 각 node에 대한 정보를 알고있고, 이를 이용해 routing을 해준다. 그리고 GW에 연결이 가능한 노드들이 GateWay 노드가 되게 된다. 또한 각 노드의 성능의 차이를 주어야 노드 간의 level이 발생하게 되므로 노드들의 성능도 랜덤하게 주어야할 것 같다. 크게 나눠보면 Adhoc node에서의 라우팅 요청 -> SDN Controll..

이전 포스팅에서는 Discrete Sample Space에 대해 알아보았다. 이번에는 Continous한 경우에 대해 알아볼 것이다. ex) pick any real number on the interval [0,1] => 이 경우, 0~1 사이에는 셀 수 없는 무한한 수가 존재하므로 distribution function을 정의할 수 없다. Ω = { r | r ∈ [0,1] }, X : outcome 이 때, i ) P(0

이 글은 이전 포스팅에서 a. 어떤 objective를 사용하여 classification을 해주어야하는가? 를 해결하며 작성한 글이다. 일단 떠오르는 노드의 현재 상태를 평가할 수 있는 요소는 다음과 같다. 1. 현재 노드가 처리하고 있는 Traffic의 양.(Traffic load) 2. Queue-Length 3. 에너지 소비 4. 주변 노드의 갯수 5. 대역폭 6. Delay 이 점을 명심하고 논문들을 찾아봤다. A Clustering Routing Protocol for Mobile Ad Hoc Network(Jinke Huang, 2016)에 따르면, Clustering의 헤더를 정할 때 Link Experiation Time, Node's Relative Degree를 고려한다고 했다. An..

기존에 읽었던 IRSML에서 조금 더 나아가 새로운 Routing protocol을 제시해보기로 하였다. 다양한 아이디어를 교수님과 이야기 하였고, 현재까지 이야기 된 아이디어는 다음과 같다. 환경은 WMN(Adhoc Network), Centralized dynamic routing을 가정하며, SoftwareDefinedNetwork 이다. 1. 각 node들을 주어진 objective (아마 2개의 multiple objective를 돌려야할 것이다.)에 맞게 classification (Unsupervised learning) 해놓는다. 2. 1.의 단계에서 임시로 C1,C2,C3,C4의 단계로 노드가 분류되었고, C1

* Experiment : 실제 혹은 가상의 과정에서 도출될 수 있는 결과를 만드는 행위. ( ex: Rolling a dice - { 1, 2, 3, 4, 5, 6 }, Tossing a coin - { Head, Tail } ) Def 1.1 * Random Variable : experiment에서 도출된 결과. ( ex: X가 rolling dice의 결과라고 했을 시, X=1 은 주사위를 굴려 1이 나왔다는 뜻이다.) * Sample Space : 모든 가능한 결과의 집합이다. (Ω) * 만약 모든 Sample Space가 Countable하다면, Random Variable은 Discrete(이산)이다. (Discrete : finite, infinite) * Event : Sample spa..