Beige Color

#include #include #include #include #include #include #include #include #include #include #include #include #include #include #include #include #include #include using namespace ns3; std::vector Data; uint32_t APnum = 3; void makeCsvFile(const std::string& filename, const std::vector& data){ std::ofstream file(filename); for(const auto& row : data){ for(auto it = row.begin(); it!=row.end(); ++it..

교수님과의 상담에서 많은 깨달음이 있었다. 우선 불투명하거나 모호하게 뜬 데이터나, ns3에서 제공하지 않는 부분을 최대한 걷어내고 다시 구현을 해야겠다. 1. 통상의 Adhoc Network를 가정할 것임. (AP들 제거) 2. 각 node 단에서의 데이터를 뽑아낼 것임.(flow x) 3. csv는 일단 COLAB 쪽으로 raw data만 정리해서 보내고 가공은 COLAB 쪽에서 4. 각 MH들의 Mobility 제거, 배치만 랜덤으로. 이를 기준으로 아예 새로 코드를 짜겠다. #include #include #include #include #include #include #include #include #include #include #include #include #include #include ..

우선 구해낸 데이터가 옳게 구한 데이터이든 아니든 간에 어짜피 아니라 판단되면 나중에 csv 파일에 들어갈 데이터만 바꿔서 다시 실행해주면 된다고 생각한다. 따라서 구현-3 에서 구현한 코드에 결과물을 csv로 정리해서 나오게 추가 구현을 해주고, 이를 Colab에 옮겨서 일단 학습부터 해볼 것이다. 더보기 #include #include #include #include #include #include #include #include #include #include #include #include #include #include using namespace ns3; std::vector QL; std::vector TP; uint32_t APnum = 3; void makeCsvFile(const std..

최근에 개인적인 사정으로 정신이 없었던 것 같다. 그 와중 모각코 활동과 병행하느라 정말로 오랜만에 포스팅을 하게된 거 같다. 따라서 이전 내용을 정리해보면 1. ns-3로 논문에 제시된 토폴로지가 아닌 간소화된 토폴로지를 짤 것임. 2. Adhoc network 토폴로지를 구성할 것이며, 3개의 AP, 12개의 MH를 구성하였음. 더보기 자세한 파라미터 1. 총 시뮬레이션 시간 : 250초 2. 500x500 m^2 정사각형 스테이지 3. 각 MH의 Speed는 0~20 m/s 까지 분포 4. 각 MH의 Pause time은 0~2초까지 분포 5. RandomWayPoint model 사용 6. wifi standard = 802.11ac 7. MaxPropagationLossModel을 사용, Max..

결국 기존 논문에 제시된 시뮬레이션 토폴로지로 Adhoc network data를 뽑아내는데는 실패했다. 다음은 최종으로 건드렸던 코드이다. #include #include #include #include "ns3/core-module.h" #include "ns3/network-module.h" #include "ns3/applications-module.h" #include "ns3/mobility-module.h" #include "ns3/config-store-module.h" #include "ns3/netanim-module.h" #include "ns3/internet-module.h" #include "ns3/yans-wifi-helper.h" #include "ns3/flow-monito..

1. Simulation의 조건 우선 첫번째로 떠오르는 점은 Number of MH를 극단으로 보내는 것이다. 해당 논문에서는 IRSML이 무거운 SDWN 네트워크 환경에서 강점이 있다고 하였다. 그러나 과연 30~60 node들을 5 nodes 간격으로 측정한 것이 무거운 SDWN에서의 시뮬레이션일지가 궁금하다. 일반적으로 SDWN은 동적인 환경에서 네트워크 자원을 효과적으로 관리하고 유연성을 제공하기 위해 설계되었으므로, 수백 또는 수천 대의 MH가 있는 대규모 네트워크까지 고려해볼 수 있다. 두번째는 Speed of MH이다. 만약 이 알고리즘이 통상적인 도시의 SDWN을 가정한다면, 0-20 m/s는 너무 한정적인 속도 같다. 도시의 구성에 따라 다르겠지만, 0 ~ 28 m/s 까지는 가정해주고 ..

이번 모각코에서는 현재 작성중인 "IRSML 알고리즘 실제 구현" 을 공부할 것이다. 구체적으로는 저번 시간까지 SL phase를 거의 다 작성했으므로 이번 모각코에서 SL phase 구현을 마무리하고, RL phase를 구현하며, 어떻게 Simulation을 진행할지에 대해 공부할 계획이다. 또한 팀장으로써 앞으로 모각코 모임 일정을 정하고, 전체적으로 매 모임마다 어떻게 진행할 지 형식을 정할 것이다. 활동 과정 : IRSML의 SL, RL Phase 구현 idea 이전에 공부한 내용까지는 SL phase의 구현까지였다. IRSML에서 SL phase 구현을 요약해보면, Simulation Network를 OMNeT++, INET framework 2.0을 활용해 다음과 같은 환경으로 구성하고, 10..

* 본 블로그에 작성한 논문 IRSML을 읽고 어떻게 직접 시뮬레이션을 구현해볼지 아이디어들을 작성해놓은 글입니다. ! 중요한 개념 * erlang 등 다양한 정보통신학 용어(http://www.ktword.co.kr/test/view/view.php?m_temp1=519) ㅇ 트래픽 밀도의 단위 및 차원 - 차원 : 무차원 - 단위 . [Erlang] : 1회선을 1시간 동안 점유한 트래픽량 구현 아이디어 1. Supervised learning Phase 본 논문에서는 Offline Training, 즉 배치 기법을 활용하였다. 해당 방법에서는 사전에 준비된 Data set을 Training, test, validation(optional) 으로 나누어 Training data set으로 훈련을 시키..