802.11p V2X 통신에서 LSTM 기반 고성능 Link Adaptation 메커니즘

Q: 이 논문에서 정의한 Link Adaptation이란 무엇인가?

Link Adaptation은 V2X 시스템에서 송신단이 측정된 채널 환경에 맞추어 최적의 전송 방식을 설정하는 과정이다. 이는 Signal-to-Noise Rate(SNR)을 기준으로 Modulation and Code Scheme(MCS)을 채택하여 주파수 및 전력 효율을 높이고 Packet Error Rate(PER)을 감소시키는 것을 목표로 한다.

Q: LSTM 기반 Link Adaptation 메커니즘이 802.11p V2X 통신 성능을 어떻게 향상시키는가?

연구 결과, LSTM 기반 Link Adaptation 메커니즘은 미래의 SNR 값을 예측하여 최적의 MCS를 선제적으로 채택함으로써 통신 성능을 향상시킨다. 이는 기존 방식 대비 평균 10%의 Throughput 상승을 가져오며, 특히 차량 속도 증가 및 전송 간격 감소 시 MCS 예측 성능이 더욱 개선된다.

권상원; 김수현; 임재한

doi:10.7840/kics.2024.49.5.671

추천

검색

질문

자료유형: 학술저널

저자정보: 권상원 (광운대학교) 김수현 (광운대학교) 임재한 (광운대학교)

저널정보: 한국통신학회 한국통신학회논문지 한국통신학회논문지 제49권 제5호

발행연도: 2024.5

수록면: 671 - 683 (13page)

DOI: 10.7840/kics.2024.49.5.671

이용수

📌

연구주제

📖

연구배경

🔬

연구방법: 이 논문의 연구방법이 궁금하신가요?

🏆

연구결과: 이 논문의 연구결과가 궁금하신가요?

초록· 키워드

최근 머신 러닝은 V2X(Vehicle to Everything) 통신에서 급변하는 채널 환경 및 보상 값 예측 성능을 크게 향상시켰다. 그러나 기존의 수신 신호 기반 예측 구조는 송신단의 전송 방식 선택을 통한 성능 안정화가 고려되지 않았다. 이에 본 연구에서는 송신단에서 시행하는 Link Adaptation 시, Long Short Term Memory (LSTM)을 통해 예측한 최적의 전송방식을 채택하는 메커니즘을 제안한다. 또한 Throughput 향상을 위한 트래픽 속도 증가 시발생하는 버퍼 오버플로우에 대해 LSTM 기반의 오버플로우 예측 및 최저속도제한 알고리즘을 제안한다. Modulation and Code Scheme (MCS) 예측 알고리즘의 적용 시, 지연된 MCS 예측 값을 이용하는 기존의 방식에 비해 평균 10% Throughput 향상되었고, 차량의 속도 증가 및 전송 간격 감소 시 MCS 예측 성능이 더욱 향상되었다. 또한 최저 속도 제한 알고리즘 사용 시, 오버플로우가 발생했던 기존 결과에 비해 2.5배 Throughput이 향상되었고, 5dB~10dB의 SNR에서 Packet Error Rate (PER)이 감소하였다.

#차량 이동 통신 #링크 적응 #버퍼 오버플로우 #LSTM #802.11p #V2X communication #link adaptation #buffer overflow #PER #throughput

참고문헌

참고문헌 신청

최근 본 자료

전체보기

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

목차

참고문헌

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)