WiBro, WLAN 멀티호밍 환경에서의 플로우 리다이렉션 메커니즘

Abstract

다양한 네트워크가 발달하고 유비쿼터스 환경을 구축하기 위해 차세대 네트워크는 여러 네트워크 간들이 통합하는 형태로 발전하게 될 것이다. 네트워크의 통합은 단말들이 인터넷에 접근할 수 있는 네트워크가 여러 개일 수 있는 멀티호밍 기술에 대한 필요성을 높이고 단말 관점에서도 각 네트워크에 대한 멀티 인터페이스를 가지고 여러 네트워크에 대한 접속 처리가 가능하도록 하는 기술 연구가 필요하다. 멀티호밍 환경에서 단말은 다양한 네트워크를 통해 인터넷에 접근할 수 있고 이동 중에도 접근 네트워크를 바꿔가면서 계속해서 서비스를 제공받을 수 있다. 이 때 멀티 인터페이스를 가진 단말은 어느 네트워크를 통해 서비스를 받을지 결정해야 한다. 본 논문에서는 멀티호밍된 환경에서 각 네트워크의 특성을 분석함으로써 네트워크 상태에 따라 더 좋은 서비스를 받기 위해 플로우 리다이렉션을 결정하는데 영향을 미치는 요소를 추출하는 메커니즘을 제안한다. 본 논문에서는 WiBro와 WLAN의 중첩된 네트워크 환경을 전제로 수행된다. 먼저, 각 네트워크에 대한 표준화 문서를 통해 네트워크 특성를 분석함으로써 주기적으로 교환되는 메시지에서 얻을 수 있는 네트워크 상태 정보를 파악하고, 각 계층에서 얻을 수 있는 QoS를 나타낼 요소를 열거한다. 그리고 QualNet 시뮬레이션 툴을 통해 WiBro와 WLAN이 중첩되어 있는 환경에서 시뮬레이션을 수행하여 각 네트워크에서 얻을 수 있는 데이터를 수집한다. 그 데이터들을 바탕으로 데이터 마이닝 기법을 이용하여 플로우 리다이렉션 결정에 중요한 영향을 미치는 요소를 추출하고, 이 요소를 이용하여 플로우 리다이렉션을 결정하는 모델을 생성한다. 그리고 추출된 요소를 사용하여 플로우 리다이렉션 했을 때 QoS를 비교함으로써 제안 메커니즘을 검증한다. 본 논문에서 제안한 플로우 리다이렉션 결정 메커니즘은 온라인의 네트워크 정보를 주기적으로 수집하여 오프라인에서 데이터 마이닝을 통해 중요 요소를 추출하고 플로우 리다이렉션을 하도록 한다. 이 메커니즘을 통해 현재 네트워크에서 핸드오버할 때 사용되는 신호 세기뿐만 아니라 다양한 요소 즉, 네트워크 상태나 단말의 상태를 고려할 수 있다. 다양한 요소의 대량의 데이터를 데이터 마이닝 기법을 이용하여 분류하고 이를 통해 중요 요소를 추출하여 플로우 리다이렉션 결정의 기준으로 이용함으로써 최종적으로 단말이 느끼는 서비스의 질을 향상시키는 효과적인 플로우 리다이렉션을 수행할 수 있다.;As constructing ubiquitous environment, the various researches for the integration of heterogeneous networks are now under way. Multihoming is one of important issues in these researches to provide effective mobility. In order to support high quality service and seamless connectivity, it is necessary to provide an efficient Flow Redirection(FR) for the integrated network. Especially, mobile router with multiple interfaces should decide FR based on network condition for the efficient use of resources. In this paper, we propose a FR decision mechanism on mobile network (NEMO) via combined data mining technologies with multiple attributes presenting network condition. We assume that the mobile router has WLAN and WiBro interface toward Internet. At first, in order to heuristically choose candidate attributes, we analyze the WLAN/WiBro specification documents and the considered QoS parameters in these networks. Then, we apply various data obtaining from QualNet in various cases to decision tree algorithm, in order to theoretically select the influential attributes in FR decision. Finally, we acquire a FR decision model through the neural network with data for chosen attributes. Our simulation results show that our FR can provide the improved performances in comparison with current handover using only signal strength.