Earticle

그래픽 처리장치 기반 병렬컴퓨은(GPGPU) 응용로그램을 처리하기 한 가장 매력인 고성능 연산 랫폼 하나가 되고 있다. 이러한 경향은 CUDA, OpenCL 등과 같은 병렬 로그래 모델의 사용으로 인해 더욱 증 가하고 있다. GPGPU 구조에서, 최신 GPGPU 스러를 활용하면 스트리 멀티로세서에 스드 블록을 최 한 할당할 수 있다. 하지만, 이러한 스링은 연산 자원 활용률을 극화하는 최의 방법은 아니라는 문제을 가지고 있다. 본 논문에서는 GPGPU 구조의 성능 향상을 해, 스드 블록 벨에서 일반으로 사용되는 라운드 로빈 스링의 단을 분석하고, 동으로 스드 블록의 수를 변경하는 새로운 스링 기법을 제안한다. 제안 된 기법은 메모리와 내부 연결망의 경합에 따라 스트리 로세서에 할당되는 스드 블록의 수를 동으로 변경한 다. 실험결과, 15개의 코어를 가진 GPGPU 랫폼에서 제안된 기법은 라운드 로빈 스링과 비교하여 평균 6.3%의 성능향상을 보임을 알 수 있다.

General-Purpose computing on Graphics Processing Units (GPGPUs) are becoming one of the most attractive computing platforms for handling high performance computing applications. This trend is more and more increasing especially with the help of new parallel programming models like CUDA and OpenCL, etc. The state-of-the-art GPGPU schedulers are likely to allocate as many as possible number of thread blocks into streaming multiprocessors. In fact, this is not always the optimal way to maximize the hardware utilization. This paper studies the drawbacks of the common-used round-robin scheduling at the thread block level. After that, we propose a new technique that can dynamically adjust the number of thread blocks to be assigned to streaming multiprocessors depending on the level of memory and interconnection network contention. Our simulation results on a 15-core GPGPU platform show that the proposed technique provides better performance over the baseline round-robin scheduling by around 6.3% on average.

본 논문에서는 키넥트 센서로부터 얻은 3D 골격 정보를 활용한 동작 인식 방법을 제안한다. 우선 학습데이터로부터 유력한 동작을 얻기 해서 간소화된 DTW(dynamic time wrapping)와 유클리드 기하학 거리를 이용한다. 그다 음, 각 동작에 하여 연결된 의 상호계를 이용하여 수정된 동작 특징 기술자를 정의한다. 분류 에 좌표상의 불균일성을 피하기 하여 정규화 과정을 거치고, 복 방지 차원 축소를 하여 PCA(Principal Component Analysis)를 수행한다. 마지막으로 다양한 동작 분류를 하여 NBNN(Naïve-Bayes-Nearest-Neighbor) 분류 기를 용한다. 표 데이터셋을 이용한 실험 결과는 최신의 동작 인식 방법에 근사한 정확도를 보여다.

In this paper, we present an approach for activity recognition by using 3D skeleton data obtained by Kinect sensor. Primarily, we use the simplified Dynamic Time Wrapping(DTW) and calculate Euclidean geometry distance to obtain the probable activities from the trained data. Afterwards, for each activity, we define a modified activity feature descriptor using the interrelation of correlated joints in each frame. Before classification, we employ normalization to avoid nonuniformity in coordinates, and Principal Component Analysis(PCA) to deduce redundancy and decrease the dimensionality. Finally we apply Naïve-Bayes-Nearest-Neighbor(NBNN) classifier to classify multiple actions. The experimental result on benchmark dataset shows that the accuracy approximates the state-of-the-art methods.

최근 비콘을 활용한 다양한 서비스가 제공되고 있다. 비콘은 BLE 기술을 이용하여 근거리에서 사용자의 정확한 치 정보를 악할 수 있으며, 운동경기장, 극장, 시장, 박물과 쇼핑몰 등에서 사용자의 치정보를 활용한 서비 스를 제공하고 있다. 한 비콘 메시지를 이용하여 사용자의 결제 로세스를 빠르게 진행할 수 있으며, 이를 통해 사용자는 스마트폰을 꺼내 앱을 실행하거나 비번호 등을 입력하지 않고 결제를 진행할 수 있다. 하지만 비콘 서비 스를 이용하여 결제 로세스를 진행하는 경우, 충분한 보안성에 한 고려를 수행하지 않으면 로드캐스트 되는 비콘 메시지의 특성상 사용자의 결제 련 정보가 유출되거나, 사용자를 장한 공격자에 의해 비정상으로 결제가 진행될 수도 있다. 이 논문에서는 이러한 공격자의 공격을 실험을 통해 분석하고, 그에 한 응 방안에 해 연구 하다.

Recently, there are various services using Beacon. Beacon can locate more accurately a user in stadium, theater, exhibition hall, museum and shopping center. Also Beacon can make a payment process more smarter and faster, so a user can proceed with the payment process without launching application or entering a password. However, when using Beacon for payment process, without considering the adequate security for Beacon, an attacker can impersonate as a legitimate user for abnormal payment or intercept sensitive user information. In this paper, we experiment relay attack and study about countermeasure.

알츠하이머 병과 경도인지장애 같은 전조 증상의 조기 발견은 생명을 좀더 연장한다. 추측하건대 예방법 측정은 알츠하이머의 위험 요소들을 제거하는 치료를 할 수 있다. 바이오마커인 대뇌 수축은 sMRI의 영상에 있어 관찰되어 질 수 있다. sMRI는 GM 세션화 후에 형태계측학적 형태를 추출하는 것으로 사용되어진다. 따라서 새로운 접근은 MMSE 스코어에 따라 형태계측학적 형태들을 결합하여 정상적인 제어로부터 알츠하이머 환자의 경도(CDR-1_에서 심한 경도(CDR-0.5)의 진단을 위해 적용되어진다. 최근에 결합된 형태는 PCA를 이용한 차원적 문제를 제거한 후 제안된 SRAN과 Linear SVM으로 제공된다. 제안된 진단 지원 방법의 실험결과는 선형 SVM의 성층화 정밀도가 95.83%이고 높은 민감도와 특이성이 90%의 SRAN 분류기가 83.33%이다.

Early accurate detection of Alzheimer disease (AD) and its prognostic stage, i.e., Mild Cognitive Impairment (MCI) is getting more and more vital. The preventive measure could presumably treat to get rid of Alzheimer disease risk factors to generate. The bio-marker, cerebral atrophy could be observed in structural MR imaging (sMRI). Structural MRI imaging is used to extract morphometric features after Grey Matter (GM) segmentation. Finally a novel approach is applied for the diagnosis of very mild (CDR-0.5) to mild (CDR-1) alzheimer disease patients from normal controls combining morphometric features along with MMSE (Mini-Mental State Examination) score. The combined features are fed into recently proposed Self Adaptive Resource Allocation Network (SRAN) and Linear Support Vector Machine (L-SVM) classifier after getting rid of curse of dimensionality using principal component analysis. The experimental result of the proposed diagnosis support methods yield up to 95.83% stratification accuracy with Linear SVM and 83.33% with SRAN classifier along with high sensitivity and specificity above 90%.

본 논문에서는 휴먼 행동 인식에 있어 수집 데이터의 특성에 따라 기존 PSO (Particle Swarm Optimization) 알고리즘의 경계선 부분에서 발생되는 문제을 군집들 사이의 거리를 기반으로 개선하는 알고리즘을 제안한다. PSO를 이용한 휴먼 행동 인식 방법은 입력 데이터를 경계값과 비교하여 인식하므로 상으로 빠르고 간단한 방 법이다. 하지만, 착용형 장치와 센서를 이용하는 휴먼 행동 인식에서와 같이 데이터 수집 환경의 변화에 따라 데이 터 특성의 변화가 심하여 학습 데이터와 테스트 데이터 사이의 차이가 생기는 경우 경계값 내에 포함되지 못하는 입 력 데이터들로 인해 성능이 하된다. 이를 해결하기 해 본 논문에서는 경계를 벗어나는 입력 데이터에 해 입력 데이터와 각 군집들의 경계와의 거리를 이용하여 행동 인식 성능을 개선한다. 실험 결과 앉기, 서기, 그리고 걷기와 같은 3 가지 휴먼 행동에 해 SVM (Support Vector Machine) MLP (Multi-Layer Perceptron)과 기존 PSO와 비교하여 최 약 18%의 인식 성능 개선을 가져오는 것을 확인하다.

This paper proposes a modified PSO (Particle Swarm Optimization) algorithm for human activity recognition, which employs distance between boundaries to solve a problem arisen from the boundaries of the existing PSO algorithm. This problem generally caused by inhomogeneous characteristics of the collected human activity data in daily life. Human activity recognition algorithm based on PSO is simple and fast since it classifies input data by comparing boundaries only. However, changes of data collection environment for human activity recognition using wearable and sensor devices cause changes in characteristics of input data, and this results in increase of input data outside of boundaries and decrease of classification performance according to different characteristics between training data and test data. In order to solve this problem, this paper increases performance by correcting boundaries of clusters using the distance between input data and every clusters for input data outside of every boundaries. Experimental results show that the proposed method demonstrates maximum 18% better performance comparing with SVM (Support Vector Machine), MLP (Muti-Layer Perceptron) and the existing PSO respectively for 3 human activities such as sitting, standing, and walking.

공정 기술이 발전하면서 프로세서의 전력 밀도가 높아지면서 프로세서의 많은 부분이 가동되지 않는 상태에 놓이는 검은 실리콘 문제가 대두되었다. STTRAM (Spin Torque Transfer Random Access Memory)은 기존 SRAM에 비해 우수한 누수 전력 효율성 및 읽기 에너지 소모량으로 인해 이러한 문제를 해결할 새로운 온칩 메모리 소자로 주목받고 있다. 본 논문에서는 STTRAM만을 데이터 저장 공간으로 사용한 (SRAM-STTRAM 혼용이 아닌) L1 데이터 캐쉬와 명령어 캐쉬 메모리를 제안하고 이를 에너지, 성능, 면적 측면에서 평가한다. STTRAM을 L1 데이터 캐쉬 및 명령어 캐쉬에 모두 사용한 경우, 기존 SRAM으로 구성된 캐쉬 메모리 대비 최대 58% 정도의 에너지 소모를 절감할 수 있다. 또한, 빠른 읽기 성능 덕분에 STTRAM을 L1 명령어 캐쉬 메모리에 적용할 경우 약 3%의 성능 증가 효과도 가져온다. 면적 측면에서는 약 80% 정도의 면적을 SRAM 기반 캐쉬 메모리 대비 절감 가능하다.

As process technology advances, the dark silicon problem, which means a large portion of the processor components remains in the idle or inactive state, has emerged due to increased power density in processors. STTRAM (Spin Torque Transfer Random Access Memory) is one of the promising memory device technologies in the dark silicon era, which enables much lower leakage power consumption and higher read energy efficiency compared to SRAM cells. In this paper, we propose STTRAM-only (i.e., not SRAM-STTRAM hybrid) L1 data and instruction cache architecture and evaluate them in terms of energy, performance and area. In the case where STTRAM cells are used for both L1 data and instruction cache, energy consumption in the L1 caches is reduced by up to 58%. In addition, thanks to faster read access latency, we can improve performance by 3% when STTRAM cells are used for constructing the L1 instruction cache. In terms of area, using STTRAM cells reduces L1 cache area by up to 80% compared to using the conventional SRAM cells in the L1 caches.

수면 모드를 이용한 E-PON(Ethernet-Passive Optical Network)에서 대역 할당 방식, 폴링 주기, 오버헤드 타 임 등과 같은 요소들은 수면 시간과 네트워크 성능에 중대한 영향을 미치는 것으로 알려져 왔다. 그러나 지금까지 이러한 요소들의 유기적인 영향의 관점에서 수면 시간을 분석하고 성능을 평가한 연구는 미미했다. 본 논문에서는 우선 동적 대역 할당(DBA)와 에너지 절감 기능을 결합한 UCS(upstream centric scheduling)기반 수면 모드 ONU(Optical Network Unit)의 스케줄링 동작 과정을 소개한다. 동적 대역 할당 방식으로 널리 알려진 제한된 서비스(limited service) 기반의 IPACT를 이용하여 동적 또는 고정 대역폭 할당 방식에 따른 수면 시간과 폴링 주기, 오버헤드 시간과의 관계를 분석해 본다. 이러한 분석 결과를 OPNET 시뮬레이션을 이용하여 부하에 따른 평균 수면 시간, ONU 큐잉 지연, 오버헤드 시간에 따른 평균 수면 시간 측면에서 검증하고 평가해 본다.

The bandwidth allocation scheme, the polling cycle time and the overhead time in Ethernet-Passive Optical Network (E-PON) with the sleep mode have been considered for important factors to affect the sleep time and the network performance. However, to date rarely has research made attempting to analyse and evaluate relationship between the sleep time and the network performance in a context of the interactional influence among the above factors. In this paper, we first present the scheduling procedure of the upstream centric scheduling (UCS) based on the sleep mode optical network unit (ONU) which is responsible for the dynamic bandwidth allocation (DBA) as well as energy saving. The analysis is then followed to find relationship between the sleep time, and the polling cycle time and the overhead time according to both the DBA using IPACT with the limited service and the fixed bandwidth allocation (FBA). The simulation is performed to validate and evaluate the analytical results in terms of the average sleep time with the offered load, the ONU queuing delay, and the average sleep time with the overhead time.