Earticle

비지도 방식의 클러스터링은 주로 각 데이터에 대한 유사도나 거리에 기반하여 수행되며, 기본적으로 NP (Non-deterministic polynomial) Hard의 영역으로 알려져 있다. 각 노드에 대한 계산은 매트릭스에 기반하여 수행되는데, 노드의 수가 많은 경우 다른 노드와 비교하는 계산 시간이 매우 많이 소요될 수 밖에 없으며, 이를 단시간 내에 계산하기 위해서는 동적프로그래밍과 같은 컴퓨터 알고리즘이 수반되어야 한다. 이러한 계산 복잡도와 구현의 어려움으로 인해 빅데이터의 클러스터링은 유클리드나 코사인 유사도 등 몇 가지 전통적인 컴퓨터 거리 계산 방식에 국한되어 적용되고 그 계산 방식을 제공하는 주요한 클러스터링 라이브러리에 종속적으로 의존되어 왔다. 따라서 이러한 보편적인 클러스터링으로 계산이 불가능한 특수한 데이터의 경우에는 적용이 아예 불가능하거나 어려운 점이 존재할 수 있다. 예를 들어 개인별 직무 경력과 같은 데이터는, 특정인의 경력 정보가 다른 인력의 경력 정보와 비교를 할 수 있는데, 이를 어떻게 비교를 하여 그 거리를 특정화하고, 여러가지 “career pathway”를 분류해내고 검토하기 위한 특수한 클러스터링 알고리즘이 요구된다. 본 연구에서는 IT 분야의 경력정보 데이터를 활용하여 생명공학 분야에서 DNA 시퀀스에 대한 분류를 위해 활용되는 Optimal Matching 알고리즘을 활용하여 경력 정보의 계산한 후 이를 활용하여 클러스터링하는 시스템을 소개한다.

최근 영화시장이 크게 성장함에 따라 영화의 수요를 예측하기 위한 다양한 연구들이 이루어지고 있다. 하지만 이들 연구의 대부분은 영화가 이미 개봉한 후의 예측이거나 영화 간 이질성을 충분히 고려하지 않았다는 한계점이 있다. 따라서 본 연구에서는 이러한 기존 연구의 한계점을 보완하기 위해 영화가 개봉하기 전 시점에서 수집 가능한 정보를 기반으로 영화를 군집화한 후 군집 별로 기계학습 방법을 사용해 예측 모형을 생성하는 방법을 제안한다. 이를 위해 2014년 1월부터 2016년 12월까지 국내 극장에서 상영된 상업 영화를 대상으로 데이터를 수집하였다. 결과적으로 본 연구는 기존 연구의 한계점을 개선함으로써 보다 정확하게 영화의 수요를 예측할 수 있을 것으로 기대되며 궁극적으로는 영화가 개봉하기 전 시점에서 영화의 배급, 마케팅 등의 전략을 수립하는데 도움이 될 것으로 기대된다.

본 논문에서는 데이터 마이닝에 필요한 클러스터링과정에서 불필요한 정보를 감축하기 위하여 베이지언 사 후확률의 신뢰도를 이용한 새로운 척도를 제안한다. 데이터 감축을 위한 속성의 중요도가 클러스터링의 결과에 지배 적이기 때문에 많은 속성의 변별력을 향상시키기 위하여 사후확률의 신뢰도에 정보 엔트로피를 적용하였다. 제안된 사후확률을 기반으로 한 러프 엔트로피 척도에 의한 속성의 신뢰도의 중복성은 엔트로피의 자연로그에 의하여 상당 히 줄어든다. 따라서 제안된 척도에 의하여 생성된 군집화 알고리즘은 속성값의 변별력을 향상시켜 기존의 리덕트를 최소화하였고, 이는 분할의 효율성을 향상시킬 수 있었다. 제안된 알고리즘의 검증을 위해 패턴분류 문제에 적용되는 ACME 데이터에 대하여 속성간의 변별력, 분할결과에 따른 분할의 순정도를 기존의 알고리즘과 비교 분석하였다.

In this paper, we propose a new measure based on the confidence of Bayesian posterior probability so as to reduce unimportant information in the clustering process. Because the performance of clustering is up to selecting the important degree of attributes within the databases, the concept of information entropy is added to posterior probability for attributes discernibility. Hence, The same value of attributes in the confidence of the proposed measure is considerably much less due to the natural logarithm. Therefore posterior probability-based clustering algorithm selects the minimum of attribute reducts and improves the efficiency of clustering. Analysis of the validation of the proposed algorithms compared with others shows their discernibility as well as ability of clustering to handle uncertainty with ACME categorical data.

유비쿼터스 환경에서는 다양한 센서로 부터 원거리에 데이터를 전송해야 하는 문제가 제기되어져 왔다. 특히 서로 다른 위치에서 도착한 데이터를 통합하는 과정에서 데이터의 속성 값들이 상이하거나 데이터에 일부 손실이 있는 데이터들도 처리해야 하는 어려운 문제를 가지고 있었다. 본 논문은 이와 같은 데이터들을 대상으로 집락분석 하는 방법을 제시한다. 이 방법의 핵심은 문제에 적합한 목적함수를 정의하고, 이 목적함수를 최적화 할 수 있는 알고리즘을 개발하는데 있다. 목적함수는 OCS 목적함수를 변형하여 사용한다. 이진 값을 가지는 데이터 만을 처리할 수 있었던 MFA(Mean Field Annealing)을 연속 값을 가지는 분야에도 적용할 수 있도록 확장한다. 그리고 이를 CMFA이라 명하고 최적화 알고리즘으로 사용한다.

In the ubiquitous environment, there has been a problem of transmitting data from various sensors at a long distance. Especially, in the process of integrating data arriving at different locations, data having different property values of data or having some loss in data had to be processed. This paper present a method to analyze such data. The core of this method is to define an objective function suitable for the problem and to develop an algorithm that can optimize this objective function. The objective function is used by modifying the OCS function. MFA (Mean Field Annealing), which was able to process only binary data, is extended to be applicable to fields with continuous values. It is called CMFA and used as an optimization algorithm.

본 연구는 UAV(Unmanned Aerial Vehicle) 네트워크의 통신 효율성 향상을 위한 새로운 클러스터링 (Clustering) 기법인 DAC(Dynamic Adaptive Clustering) 기법을 제안한다. 기존의 UAV 클러스터링 연구들이 정 적인 환경을 가정하거나 동적 특성을 충분히 반영하지 못하는 한계를 보였던 반면, 제안하는 DAC 기법은 UAV의 실시간 상태와 네트워크 환경 변화를 모니터링하여 클러스터 구조를 동적으로 최적화한다. 특히 UAV의 위치, 배터 리 상태, 통신 성능을 종합적으로 고려한 헤드 선정 메커니즘과 자율적인 클러스터 재구성 방식을 통해 네트워크의 안정성과 효율성을 향상시킨다. 성능 평가 결과, Independent 방식 대비 최대 54.75%, Static Cluster 방식 대비 평 균 5.84%의 통신 비용 절감 효과를 보였으며, UAV의 이동이 활발한 구간에서도 안정적인 성능을 유지하였다. 또 한 시간에 따른 통신 비용 증가율이 기존 방식보다 낮아 실제 UAV 운용 환경에서의 적용 가능성을 입증하였다.

This paper proposes a Dynamic Adaptive Clustering (DAC) technique to enhance communication efficiency in Unmanned Aerial Vehicle (UAV) networks. While previous UAV clustering studies have shown limitations in either assuming static environments or insufficiently reflecting dynamic characteristics, the proposed DAC technique dynamically optimizes cluster structures by monitoring real-time UAV states and network environment changes. Specifically, the network's stability and efficiency are improved through a comprehensive cluster head selection mechanism that considers UAV position, battery status, and communication performance, along with an autonomous cluster reconfiguration approach. Performance evaluation results demonstrated communication cost reductions of up to 56.31% compared to the Independent method and an average of 5.78% compared to the Static Cluster method, while maintaining stable performance even in scenarios with high UAV mobility. Furthermore, the lower rate of communication cost increase over time compared to existing methods validates its applicability in actual UAV operating environments.

온라인 데이터 스트림에 대한 부분 공간 클러스터링은 데이터 공간 차원의 모든 부분 집합을 검사해야 하므로 많은 양의 메모리 자원을 필요로 한다. 유한한 메모리 공간에서 데이터 스트림에 대한 클러스터들의 지속적인 변화를 추적하기 위해 본 논문에서는 메모리 자원을 효과적으로 사용하는 격자기반 부분 공간 클러스터링 알고리즘을 제안한 다. n 차원 데이터 스트림이 주어지면 각 차원 데이터 공간에 있는 데이터 항목의 분포 정보를 격자셀 리스트에 의해 모니터링 된다. 첫번째 레벨의 격자셀 목록에서 데이터 항목의 빈도가 높아 단위 격자셀이 되면 해당 격자셀로부터 모든 가능한 부분 공간의 클러스터를 찾기 위해 다음 레벨의 격자셀 리스트를 자식 노드로 생성한다. 이와 같이 최대 다차원 n레벨의 격자셀 부분 공간 트리가 구성되고, k차원의 부분 공간 클러스터는 부분 공간 격자셀 트리의 k레벨에서 찾을 수 있다. 실험을 통해서 제안하는 방법이 기존 방법만큼 정확도를 유지하면서, 밀집 공간만 확장하여 컴퓨팅 자원을 보다 효율적으로 사용하는 것을 확인하였다.

Subspace clustering for online data streams requires a large amount of memory resources as all subsets of data dimensions must be examined. In order to track the continuous change of clusters for a data stream in a finite memory space, in this paper, we propose a grid-based subspace clustering algorithm that effectively uses memory resources. Given an n -dimensional data stream, the distribution information of data items in data space is monitored by a grid-cell list. When the frequency of data items in the grid-cell list of the first level is high and it becomes a unit grid-cell, the grid-cell list of the next level is created as a child node in order to find clusters of all possible subspaces from the grid-cell. In this way, a maximum n -level grid-cell subspace tree is constructed, and a k-dimensional subspace cluster can be found at the kth level of the subspace grid-cell tree. Through experiments, it was confirmed that the proposed method uses computing resources more efficiently by expanding only the dense space while maintaining the same accuracy as the existing method.

최근 무선 센서 네트워크는 다양한 분야에 적용되고 있다. 무선 센서 네트워크는 안정적인 네트워크 설계 뿐만 아니라 보안이나, 군 그리고 병원의 응급 처리에도 적용되고 있다. 이러한 다양한 응용 중에서 어떤 침입자나 위기 상황이 발생했을 경우 이를 신속히 위치를 추적하는 방법이 아주 필수적인 연구 분야가 되고 있다. 이러한 방법을 측위라고 정의하고, 센서 노드의 전파범위를 기반으로 측위를 효율적으로 처리하는 기법을 제안한다. 또한 측위를 위하여 필수적인 효율적인 클러스터링 방법과 알고리즘을 제안한다.

The use of Wireless Sensor Networks in many applications require not only efficient network design butalso broad aspects of security, military and health care for hospital. Among many applications of WSNs,target tracking is an essential research area in WSNs. We need to track a target quickly as well as findthe lost target in WSNs. In this paper, we propose an efficient target tracking method. We also propose anefficient clustering method and algorithm for target tracking.

최근 무선 센서 네트워크(WSN : Wireless Sensor Network)에서 센서노드의 에너지 소모 균등성과 효율성을 향상 시켜 전제 네트워크의 수명을 최대화하기 위한 다양한 계층적 라우팅 프로토콜들이 제안되고 있다. 특히, 멀티홉기법 이 향상된 에너지 효율성과 실제 적용 가능한 모델로 큰 각광받고 있다. 멀티-홉 기법에서는 센서 노드사이 거리에 따라 발송 에너지 능동조절 가능하다고 가정한다. 그러나 무선센서의 물리적 특성을 고려해보면 멀티-홉 기법의 이 가정은 현재 기술로 실제 실현하기 어렵다. 이 논문에서는 센서노드의 전파범위를 기반으로 에너지 효율성을 향상시 킨 저 전력 클러스터링 기법을 제안한다. 제안기법은 에너지 효율적이고 기존기법보다 실제 무선센서네트워크에 적용 하기 용이하다.

Recently, lot of researches on multi-level protocol have been done to balance the sensor node energy consumption of WSN and to improve the node efficiency to extend the life of the entire network. Especially in multi- hop protocol, a variety of models have been studied to improve energy efficiency and apply it in real system. In multi-hop protocol, we assume that energy consumption can be adjusted based on the distance between the sensor nodes. However, according to the physical property of the actual WSN, it’s hard to establish this. In this paper, we propose low-power sub-cluster protocol to improve the energy efficiency based on the spread of distance. Compared with the previous protocols, the proposed protocol is energy efficient and can be effectively used in the wireless sensing network.

클러스터링은 데이터의 정답값(실제값)이 없는 데이터를 기반으로 데이터의 특징벡터의 거리 기반 등으로 군집 화를 하는 비지도학습 방법이다. 이 방법은 이미지, 텍스트, 음성 등 다양한 데이터에 대해서 라벨링이 없이 적용 할 수 있다는 장점이 있다. 기존 클러스터링을 하기 위해 차원축소 기법을 적용하거나 특정 특징만을 추출하여 군 집화하는 방법이 적용되었다. 하지만 딥러닝 기반 모델이 발전하면서 입력 데이터를 잠재 벡터로 표현하는 오토인 코더, 생성 적대적 네트워크 등을 통해서 딥 클러스터링의 기술이 연구가 되고 있다. 본 연구에서, 딥러닝 기반의 딥 클러스터링 기법을 제안하였다. 이 방법에서 오토인코더를 이용하여 입력 데이터를 잠재 벡터로 변환하고 이 잠재 벡터를 클러스터 구조에 맞게 벡터 공간을 구성 및 k-평균 클러스터링을 하였다. 실험 환경으로 pytorch 머 신러닝 라이브러리를 이용하여 데이터셋으로 MNIST와 Fashion-MNIST을 적용하였다. 모델로는 컨볼루션 신경 망 기반인 오토인코더 모델을 사용하였다. 실험결과로 k가 10일 때, MNIST에 대해서 89.42% 정확도를 가졌으며 Fashion-MNIST에 대해서 56.64% 정확도를 가진다.

Clustering is an unsupervised learning method that involves grouping data based on features such as distance metrics, using data without known labels or ground truth values. This method has the advantage of being applicable to various types of data, including images, text, and audio, without the need for labeling. Traditional clustering techniques involve applying dimensionality reduction methods or extracting specific features to perform clustering. However, with the advancement of deep learning models, research on deep clustering techniques using techniques such as autoencoders and generative adversarial networks, which represent input data as latent vectors, has emerged. In this study, we propose a deep clustering technique based on deep learning. In this approach, we use an autoencoder to transform the input data into latent vectors, and then construct a vector space according to the cluster structure and perform k-means clustering. We conducted experiments using the MNIST and Fashion-MNIST datasets in the PyTorch machine learning library as the experimental environment. The model used is a convolutional neural network-based autoencoder model. The experimental results show an accuracy of 89.42% for MNIST and 56.64% for Fashion-MNIST when k is set to 10.

본 연구는 가상화폐 중에서 일별 거래량이 가장 많은 비트코인을 대상으로 총 26개의 기술적 자료를 바탕으로 클러스터링을 진행하였다. 클러스터링의 방법론은 자기조직화지도를 이용하였고, 총 실험 기간은 비트코인 가격이 급등과 급락이 동반했던 690일을 대상으로 하였다. 또한 클러스터링을 위해서 클러스터 개수를 설정해야 하는데 본 연구에서는 선행적 연구에 의거해 총 10개로 정의한다. 그 결과 상승 및 하락 구간에서 특정 패턴들이 형성되는 것을 알 수 있었으며, 각 패턴들을 방사형 차 트로 나타낸 결과 동일한 패턴을 갖고 있는 방상형 차트는 서로 매우 유사한 이미지를 보이고 있음을 확인했다. 더불어 각 그룹의 패턴들이 갖는 의미를 분석하기 위해서 각 패턴이 가상화폐 가격 움직임 에 어떠한 연관이 있는지 분석한 결과, 특정 패턴 이후에 비트코인 가격이 상승 및 하락 모멘텀 그리 고 급등 및 급락하는 모습을 발견할 수 있었다. 본 연구에서 제안하는 방사형 차트와 각 패턴이 갖는 의미는 향후 인공신경망과 같은 기계 학습 기법을 이용하여 정량적인 금융 상품 매매 전략을 취하는 데 참고가 되는 연구라 사료된다.

This study aims to cluster the price patterns of the most daily traded cryptocurrency, the Bitcoin. The clustering is conducted based on 26 technical indicators including from commonly used indicators such as Envelopes and MACD (Moving Average Convergence/Divergence) to those that are closely related to the value of cryptocurrencies such as the Bitcoin mining difficulty, the hash rate and the gold price. The self-organizing map (SOM) algorithm is used as the methodology for clustering and the total study period is 690 days where there are many ups and downs of the Bitcoin prices. A total of 10 clusters are selected for analysis of and it is found that certain patterns are formed in ascending and descending trends of the Bitcoin prices. A radar chart is used to visualize the representative pattern for each cluster, and it is found that the radar charts that exhibit similar patterns are analogous to each other. In addition, the movements of the Bitcoin prices between the patterns are analyzed in order to assess the meaning of the patterns of each cluster. The result reveals that the prices of Bitcoin rise, fall and crash after a specific pattern. The data visualization using radar chart and the analysis of each cluster pattern proposed in this study can be considered as a reference for a quantitative cryptocurrency trading strategy by using machine learning techniques such as artificial neural network.

In this study, we developed a heuristic algorithm to get better efficiency of clustering than conventional algorithms. Conventional clustering algorithm had lower efficiency of clustering as there were no solid method for selecting initial center of cluster and as they had difficulty in search solution for clustering. EMC(Expanded Moving Center) heuristic algorithm was suggested to clear the problem of low efficiency in clustering. We developed algorithm to select initial center of cluster and search solution systematically in clustering. Experiments of clustering are performed to evaluate performance of EMC heuristic algorithm. Squared-error of EMC heuristic algorithm showed better performance for real case study and improved greatly with increase of cluster number than the other ones.

재난 및 재해 상황시 이동관리전략을 신속히 마련하기 위해서는 특정 도로구간을 통행하는 교통류의 특징과 도로의 위상학적 구조 등을 사전에 파악해야 할 필요성이 있다. 이는 도로관 리자가 미시적 도로단위별로 취약성을 평가한 후 재난·재해 상황에 대비한 적절한 모니터링과 관리방안을 설정하는데 중요한 근거가 될 수 있기 때문이다. 따라서 본 연구에서는 도시부 도 로링크별 취약성 평가를 위하여 공간밀도, 시간점유율, 네트워크 매개중심성 지표를 제시하였 으며, 거리 및 밀도기반 클러스터링 분석을 통하여 각 링크그룹별로 가지고 있는 시공간 및 위상학적 취약성을 정의하였다. 본 연구를 통해 제시된 결과는 도로 링크를 집단별로 특성화 하여 취약성을 관리하는 것에 활용될 수 있으며, 재난·재해 시 우선 통제지점 선정 및 최적경 로 제시를 위한 기초자료로도 활용 가능할 것으로 기대된다.

It is necessary to grasp the characteristics of traffic flow passing through a specific road section and the topological structure of the road in advance in order to quickly prepare a movement management strategy in the event of a disaster or disaster. It is because it can be an essential basis for road managers to assess vulnerabilities by microscopic road units and then establish appropriate monitoring and management measures for disasters or disaster situations. Therefore, this study presented spatial density, time occupancy, and betweenness centrality index to evaluate vulnerabilities by road link in the city department and defined spatial-temporal and topological vulnerabilities by clustering analysis based on distance and density. From the results of this study, road administrators can manage vulnerabilities by characterizing each road link group. It is expected to be used as primary data for selecting priority control points and presenting optimal routes in the event of a disaster or disaster.

수요응답형 대중교통체계 시스템은 사용자의 요청에 따라 서비스 차량의 경로와 스케줄을 설정하는 유동적인 대중교통 서비스이다. 도시 지역에서 대중교통 시스템의 중요성이 증가함 에 따라, 수요응답형 대중교통체계를 위한 안정적이고 빠른 경로탐색 방법의 개발 또한 다양 하게 연구되고 있다. 본 연구에서는 빠르고 효율적인 다중차량경로 탐색을 위해, 수요 기종점 들의 클러스터링 기술을 활용한 종점수요 우선탐색의 휴리스틱 방법이 제안되었다. 제안된 방 법은 기종점 수요 분포가 무작위인 경우, 집중된 경우와 방향성을 가지는 경우에 대하여 테스 트되었다. 제안된 알고리즘은 수요밀도의 증가로 인한 서비스 비율의 감소를 저감시키며, 계산 속도가 비교적 빠른 장점을 보인다. 또한, 다른 클러스터링 기반 알고리즘에 비해 수요밀도 증 가에 따른 서비스 비율 감소율이 낮고, 차량 용량의 활용성이 개선된 반면, 차량 운행경로 길이 의 증가로 승객의 차량 탑승시간은 상대적으로 증가하는 특성을 보인다.

The Demand Responsive Transit (DRT) system is the flexible public transport service that determines the route and schedule of the service vehicles according to users' requests. With increasing importance of public transport systems in urban areas, the development of stable and fast routing algorithms for DRT has become the goal of many researches over the past decades. In this study, a new heuristic method is proposed to generate fast and efficient routes for multiple vehicles using demand clustering and destination demand priority searching method considering the imbalance of users’ origin and destination demands. The proposed algorithm is tested in various demand distribution scenarios including random, concentration and directed cases. The result shows that the proposed method reduce the drop of service ratio due to an increase in demand density and save computation time compared to other algorithms. In addition, compared to other clustering-based algorithms, the walking cost of the passengers is significantly reduced, but the detour time and in-vehicle travel time of the passenger is increased due to the detour burden.

최근 무선 센서 네트워크에서 센서 노드의 에너지 효율성을 향상시켜 네트워크의 수명을 향상시키는 라우팅기법의 연구가 많이 수행되고 있다. 무선 센서 네트워크는 제한된 에너지 및 하드웨어 성능 때문에 배터리, 메모리 및 프로세서 등 모든 자원을 효율적으로 사용해야 하며, 이를 위해 관련 통신 프로토콜도 저-전력 소모를 달성할 수 있도록 설계하고 구현해야 한다. 센서 네트워크에 많이 사용되는 LEACH, HEED등과 같은 클러스터 기반의 라우팅 방식들은 클러스터 헤더들과 해당 멤버 노드들 간의 데이터 전달을 통하여 에너지의 효율성을 얻는다. 이 논문에서는 에너지를 효율적으로 사용할 수 있는 클러스터 라우팅 알고리즘을 제안하고 시뮬레이션을 이용하여 성능 결과를 제시한다.

Recently, a lot of researches have been done to increase the life span of network using the energy efficient sensor node in WSN. In the WSN environment, we must use limited amount of energy and hardware. Ther efore, it is necessary to design energy efficient communication protocol and use limited resources. Cluster b ased routing method such as LEACH and HEED get the energy efficient routing using data communication between cluster head and related member nodes. In this paper, we propose an energy efficient routing algori thm as well as performance result using simulation.

클러스터링은 상호 의존적 구성에 필요한 구조적인 기술이다. 클러스터링은 가변적 업무부하를 처리하거나, 서비스 연속성을 저해하는 고장 발생 시 운영이 계속되도록 여러대의 컴퓨터시스템 기능을 서로 연결하는 메커니즘이다. 고 가 용성 클러스터링 기능은 가능한 오랜시간 서버 시스템이 작동하는데 중점을 둔다. 이 클러스터 는 멀티플 시스템 에서 실행되는 노드와 서비스를 중복하여 가지고 있어서 서로가 서로를 추적할 수 있다. Active-Standby 상태의 두 시스템 이 있을 경우 활성 서버에 장애가 발생했을 때 모든 서비스가 대기 서버에서 구동돼 서비스가 이루어진다. 이 기능을 절체 또는 스위치오버(switchover)라 한다. 고가용성 클러스터링 기능은 가능한 오랜시간 서버 시스템이 작동하는데 중 점을 둔다. 이 클러스터는 멀티플 시스템 에서 실행되는 노드와 서비스를 중복하여 가지고 있어서 서로가 서로를 추적 할 수 있다. 한 노드가 장애 발생 시 둘째 노드가 몇초 이내에 고장 난 노드 임무를 수행한다. 고가용성 클러스터링 구 조는 효율성 여부가 측정되어야 한다. 시스템 성능은 인프라시스템의 performance, latency, 응답시간(responseTime), CPU 부하율(CPU utilization), CPU상의 시스템 프로세스(system process)수로 대표된다.

Clustering is required to configure clustering interdependent structural technology. Clustering handles variable workloads or impede continuity of service to continue operating in the event of a failure. Long as high-availability clustering feature focuses on server operating systems.Active-standby state of two systems when the active server fails, all services are running on the standby server, it takes the service. This function switching or switchover is called failover. Long as high-availability clustering feature focuses on server operating systems. The cluster node that is running on multiple systems and services have to duplicate each other so you can keep track of. In the event of a node failure within a few seconds the second node, the node shall perform the duties broken. Structure for high-availability clustering efficiency should be measured. System performance of infrastructure systems performance, latency, response time, CPU load factor(CPU utilization), CPU processes on the system (system process) channels are represented.

최근 무선 센서 네트워크(WSN : Wireless Sensor Network)에서 센서노드의 에너지 소모를 균등화 하고 효율성을 향상시켜 전제 네트워크의 수명을 최대화하기 위한 다양한 계층적 라우팅 프로토콜들이 제안되고 있다. 특히, 멀티-홉 기법이 향상된 에너지 효율성과 실제 적용 가능한 모델로 많은 각광을 받고 있다. 멀티-홉 기법에서는 센서 노드사이 거리에 따라 전송 에너지를 효율적으로 조절하는 것이 가능하다고 가정한다. 이 논문에서는 대표적인 클러스터 알고리 즘인 LEACH에 대하여 분석하고 이 알고리즘의 단점을 보완하고 에너지를 효율적으로 사용할 수 있는 지역-중앙 클러 스터 라우팅 알고리즘을 제안한다. 제안한 클러스터 라우팅 알고리즘과 LEACH의 성능을 시뮬레이션을 통해 성능을 평가하고 분석하고 NS-2 시뮬레이션을 이용하여 성능 결과를 제시한다.

Recently, lot of researches for the multi-level protocol have been done to balance the sensor node energy consumption of WSN and improve the node efficiency to extend the life of the entire network. Especially in multi-hop protocol, a variety of models have been proposed to improve energy efficiency and apply it to WSN protocol. In this paper, we analyze LEACH algorithm and propose new method based on center of local clustering routing algorithm in wireless sensor networks. We also perform NS-2 simulation to show the performance of our model.

본 논문은 융복합을 위한 범주형 데이터의 부공간에 의한 군집화에 대해서 다룬다. 범주형 데이터는 수치형 데이터에만 국한되지 않기 때문에 기존의 범주형 데이터들의 평가척도들은 순서화(ordering)의 부재와 데이터의 고차원성과 희소성으로 인하여 한계를 가지기 마련이다. 따라서 각각의 군집에 존재하는 범주형 속성들의 상호 유사도을 보다 근접하게 측정할 수 있는 조건부 엔트로피 척도를 제안한다. 또한 군집의 최적화를 위하여 군집내의 발산을 최소화하고, 군집간의 독립성을 향상시킬 수 있는 새로운 목적함수를 제안한다. 제안된 알고리즘의 성능을 4개의 알고리즘과 비교검증하기 위하여 5가지의 데이터에 대하여 실험을 수행하였다. 비교검증을 위한 평가척도는 정확도, f-척도와 적응된 Rand 색인이다. 실험을 통하여 제안된 방법이 평가척도에 의한 결과에서 기존의 방법들보다 좋은 성능을 보였다.

This paper describes subspace clustering of categorical data for convergence and integration. Because categorical data are not designed for dealing only with numerical data, The conventional evaluation measures are more likely to have the limitations due to the absence of ordering and high dimensional data and scarcity of frequency. Hence, conditional entropy measure is proposed to evaluate close approximation of cohesion among attributes within each cluster. We propose a new objective function that is used to reflect the optimistic clustering so that the within-cluster dispersion is minimized and the between-cluster separation is enhanced. We performed experiments on five real-world datasets, comparing the performance of our algorithms with four algorithms, using three evaluation metrics: accuracy, f-measure and adjusted Rand index. According to the experiments, the proposed algorithm outperforms the algorithms that were considered int the evaluation, regarding the considered metrics.