정보과학회 컴퓨팅의 실제 논문지 (KIISE Transactions on Computing Practices)
Current Result Document :
| 한글제목(Korean Title) |
자원 제한적인 기기를 위한 Q-Learning 보완, 응답 기반 크라우드센싱 프레임워크 |
| 영문제목(English Title) |
Q-Learning Supplemented Response Based Crowdsensing Framework for Resource Constrained Devices |
| 저자(Author) |
샤시 라즈 판디
사바 수 하일
문승일
홍충선
Shashi Raj Pandey
Sabah Suhail
Seung Il Moon
Choong Seon Hong
|
| 원문수록처(Citation) |
VOL 24 NO. 07 PP. 0345 ~ 0351 (2018. 07) |
한글내용
(Korean Abstract) |
모바일 크라우드 센싱에서 가장 중요한 과제는 스마트 디바이스가 다양한 목표 지향적 응용프로그램을 위한 다양한 센싱 작업을 수행하도록 동기를 부여하는 것이다. 이는 작업 소유자와 스마트 디바이스 간의 상호 작용으로 스마트 디바이스가 작업 소유자로부터의 작업 수용 여부를 결정하는 데에 영향을 줄 수 있으며, 기존의 연구에서는 다양한 인센티브 기법과 기술을 사용하였다. 하지만 이 외에도 참여 디바이스의 에너지 제한 문제나 알려지지 않은 상호 작용 환경에서 간과되어 왔던 기능을 기반으로 하는 작업을 할당하는 문제 역시 해결해야 하는 주요 문제들이다. 본 논문에서는 이러한 문제의 해결을 위하여 작업 할당을 위한 노드들의 사용율 최대화를 위해 최적의 작업 할당 알고리즘을 제한하였고, 참여 노드에 대한 누적 보상을 향상시키기 위한 크라우드 센싱의 분산 형 Q-Learning 프레임워크를 모델링하였다. 그리고 시뮬레이션 결과를 통해 제안된 알고리즘의 성능을 입증하였다.
|
영문내용
(English Abstract) |
In mobile crowdsensing, the most significant challenge is to enable smart devices to perform various sensing tasks for diverse goal-oriented applications. This can be accomplished by the interaction of task owners with smart devices via a specific platform (application interface) to influence their acceptance for task completion, employing various incentive schemes and techniques mentioned in the existing literatures. However, it becomes critical to handle distinct energy restrictions of participating devices and appropriately assign task loads based upon their capabilities that have mostly been overlooked, even more so in an unknown interaction environment. In this paper we address this issue first by evaluating an optimal task-load assignment that maximizes a participating resource constraint node’s utility at a resourceful node (broker), and then modeling a distributed Q-learning framework of crowdsensing to improve the cumulative reward for participating nodes. Simulation results show that the proposed algorithm converges quickly for the designed framework, and is very efficient to employ.
|
| 키워드(Keyword) |
모바일 크라우드센싱
자원 제약적 기기
사물인터넷
Q-학습
유틸리티 모델
mobile crowdsensing
resource-constrained devices
internet of things
Q-learning
utility model
|
| 파일첨부 |
PDF 다운로드
|
