디지털 라이브러리[ 검색결과 ]
경량 시간 세그먼트 네트워크를 이용한 비디오 장면 이해: 운전자 폭행 탐지에서의 검증
http://doi.org/10.5626/JOK.2024.51.11.987
최근 택시와 버스 등 교통수단에서 탑승자가 운전자를 폭행하는 사건이 증가하는 추세로, 특히 늦은 밤 주취자에 의한 운전자 폭행 등에 대한 신속한 대응은 더욱 어려운 상황이다. 이러한 문제에 대응하기 위해, 본 연구팀은 탑승자에 의한 운전자 폭행 상황을 실시간으로 탐지할 수 있는 경량 합성곱 신경망 기반의 시간적 세그먼트 네트워크(TSN) 모델을 제안한다. TSN은 동영상을 효율적으로 처리하기 위해 소수의 이미지 프레임을 샘플링하며, 공간 정보처리 스트림과 시간 정보처리 스트림으로 나뉘어 학습이 진행된다. 각 스트림에는 합성곱 신경망이 들어가는데, 이 연구에서는 경량 신경망 아키텍처인 MobileOne 모델을 적용하여 모델 사이즈를 크게 줄였고, 제한된 컴퓨팅 리소스에서도 정확도는 오히려 개선됨을 보인다. 본 모델은 차량 내 운전자 모니터링 시스템에 통합되어 운전자에게 발생할 수 있는 위험한 상황에 대한 신속한 대응 및 예방에 기여할 수 있을 것으로 기대된다.
4G/5G 네트워크 환경에서의 카테고리 특성 기여도 기반 Throughput 예측 모델 최적화
http://doi.org/10.5626/JOK.2024.51.11.961
네트워크 데이터 소비의 증가와 4G 한계로 5G 기술 도입이 가속화되면서 4G와 제한된 5G의 이종네트워크 환경이 구축되었다. 이에 따라 네트워크 서비스 품질(QoS)과 자원 최적화를 위한 Throughput 예측의 중요성이 부각되었다. 기존 Throughput 예측 연구는 주로 단일 속성을 사용하거나, 상관 관계 분석을 통해 속성을 추출하여 사용한다. 그러나 이는 비선형적 관계를 가지는 변수 배제 가능성, 상관 계수 구분점의 임의성과 일관성 부족과 같은 한계를 지닌다. 본 논문은 이러한 한계를 극복하고자 특성 중요도(Feature Importance)를 사용하여 새로운 접근법을 제시한다. 이는 네트워크에서 사용되는 특성들의 상대적 중요도를 계산하여 속성 카테고리에 기여도를 부여한 후, 이를 이용하여 Throughput을 예측하는 방안이다. 이 방법은 4개의 오픈 데이터셋에 적용하여 실험을 수행하였고, 예측을 위한 최적 카테고리 조합을 도출하여 전체 카테고리 사용 대비 모델의 복잡성을 감소시키고 예측 정확도를 향상시켰다.
대규모 자연어 모델의 병렬 학습 가속화를 위한 서버 할당 최적화 알고리즘 비교 연구
http://doi.org/10.5626/JOK.2024.51.9.783
최근 대규모 언어모델(LLM)이 다양한 분야에 활용됨에 따라 보다 높은 성능을 보유한 모델 개발에 대한 수요가 증가하고 있다. 지금까지 대부분의 사용자들은 모델 학습에 필요한 계산 능력과 메모리 용 량을 충족시키기 위해 GPU가 장착된 다수의 서버를 활용하고 있고, 이들을 효율적으로 이용하는 방법론으로 3D 병렬화 방법론을 대표적으로 채택하고 있다. 그러나 3D 병렬화는 빈번하게 진행되는 서버간 대규모 데이 터 전송 시간이 길어 전체 학습 시간을 지연시키는 문제가 있다. 이를 해결 하기 위해 비균일한 클러스터 네 트워크 상태를 사전에 파악하여 서버 및 GPU를 최적화된 병렬 구성으로 배치하는 방법론이 기존 연구에서 제안되었으나, 이 역시 고전적인 최적화 알고리즘인 SA(Simulated Annealing)가 매핑을 위해 사용되었다는 한계가 있다. 이에 이러한 문제를 해결하고자 본 연구에서는 유전(Genetic) 알고리즘, SAT(Satisfiability) 알 고리즘을 해당 문제에 추가 적용하여 다양한 실험 환경에서 각 알고리즘의 성능을 비교 분석하였다.
환자 특이적 암 유발 유전자 정보 및 심층 신경망을 이용한 암 환자 예후 예측 방법
http://doi.org/10.5626/JOK.2024.51.6.574
암환자의 예후를 정확히 예측하는 것은 암환자의 효과적인 치료에 있어서 매우 중요하다. 이를 위해 많은 연구가 진행되어 왔으며, 최근의 연구는 딥러닝과 같은 다양한 기계학습 기법을 활용하고 있다. 본 논문에서는 먼저 암의 이질성을 고려하여 개별 환자에 특이적인 유전자 네트워크를 구축 후 환자별 로 암을 유발할 수 있는 유전자를 선별한다. 그 후 이를 이용하여 예후를 더욱 정확하게 예측할 수 있는 심층 신경 구조를 제시한다. 이 방법을 11가지 암에 대한 유전자 발현 데이터에 적용한 결과, 기존 방법들 과 비교하여 전반적으로 높은 예측 정확도를 보였다.
aRFS+: 높은 네트워크 성능을 위한 새로운 플로우 스티어링 기법
http://doi.org/10.5626/JOK.2024.51.5.397
최근의 데이터센터 서버에서는 네트워크 처리 오버헤드를 줄이기 위해 다이렉트 캐시 액세스(DCA) 기법이 사용되고 있다. 그러나 기존의 플로우 스티어링 기법들이 DCA나 멀티코어 환경을 고려하지 않아 네트워크 응용의 최적 성능을 달성하지 못한다. 본 논문에서는 aRFS+ 라는 새로운 플로우 스티어링 기법을 제안하며, 다음의 세 가지 설계사항을 고려하였다. 첫째, 네트워크 응용에 대해 DCA가 적용되는 NUMA 노드의 CPU 코어에서 동작되도록 하는 애플리케이션 스티어링 기법을 적용하였다. 둘째, 멀티코어 환경의 이점을 극대화하기 위해 네트워크 패킷 수신처리를 위한 코어와 응용 코어가 분리되도록 하였다. 더불어 두 코어가 같은 DCA 적용 NUMA 노드 코어에서 선택되도록 하여 높은 CPU 효율을 달성하도록 하였다. 셋째, 매 패킷에 대한 메모리 관리 오버헤드를 줄이는 최적화 기법을 도입하였다. 이를 통해 기존 기법 대비 최대 약 60%의 성능 향상을 보임을 확인하였다.
다양한 조명 색상에서 합성 이미지의 시각적 균일성 향상을 위한 이미지 조화 기법
http://doi.org/10.5626/JOK.2024.51.4.345
이미지 합성은 배경 이미지 위에 다른 이미지에서 추출한 전경 객체를 배치하여 새로운 이미지를 생성하는 기법이다. 이러한 합성 이미지의 시각적 균일성 향상을 위해 전경 객체의 조명 색상을 배경 이미지와 일치되게 조정하는 딥러닝 기반의 이미지 조화 기법들이 최근 활발히 제안되고 있다. 하지만, 기존 기법들은 학습에 사용된 데이터셋의 조명 색상 분포에 대해서만 색상을 조정하기 때문에 시각적 균일성에서 성능이 제한적이다. 이에 본 논문은 다양한 조명 색상에 강건한 성능을 보이는 새로운 이미지 조화 기법을 제안한다. 우선, 데이터 전처리를 통해 다양한 조명 색상 분포로 구성된 새로운 데이터셋인 iHColor를 먼저 구축하고, 사전 훈련된 GAN 기반 Harmonization 모델을 iHColor 데이터셋을 사용하여 미세 조정을 수행한다. 실험을 통해 제안 기법이 다양한 조명 색상에서 기존 모델보다 합성 이미지의 시각적 균일성을 개선시킴을 보인다.
오픈 소스 기반 5G 액세스 네트워크 보안 취약점 자동 검증 프레임워크
http://doi.org/10.5626/JOK.2023.50.6.531
최근 5G 표준 기반의 다양한 오픈 소스들이 등장했고, 5G 제어 평면의 보안 취약점을 찾는 연구에 널리 사용되고 있다. 그러나 이를 활용하기 위해선 복잡한 소스 코드와 무선 통신 기기 및 방대한 5G 보안 표준에 대한 지식을 요구한다. 이에 본 논문에서는 5G 제어 평면의 보안 취약점을 자동 검증하기 위한 프레임워크를 제안한다. 본 프레임워크는 상용 Software Defined Radio (SDR) 장비와 오픈 소스 소프트웨어를 활용해 5G 네트워크 테스트베드를 구축하고, Man-in-the-Middle (MitM) 공격자를 구현해 제어 평면 공격 테스트베드를 구축한다. 또한 제어 평면 메시지 디코딩 및 수정 모듈을 구현해 메시지 Spoofing 공격을 실행해보고, 5G 네트워크의 보안 취약점을 자동으로 분류한다. 추가로 그래픽 인터페이스 기반 Web UI를 구현해 이용자가 직접 MitM 공격 시나리오를 생성하고 검증 결과를 확인할 수 있도록 한다.
노년층 우울감 예측을 위한 시맨틱 네트워크기반 도메인 지식과 그래프 컨볼루션 결합
http://doi.org/10.5626/JOK.2023.50.3.243
노년층의 우울감은 매해 3억명의 환자와 80만명의 자살자가 발생하는 전세계적인 문제로, 이동성과 밀접한 연관이 있는 생활패턴으로부터 조기 탐지하는 것이 중요하다. 센싱정보 기반의 그래프 컨볼루션 신경망이 유망하기는 하나, 복잡한 센싱정보 시퀀스로부터 표현되는 고수준 행동을 표현하는 것이 필요하다. 본 논문에서는 추가적인 전문가 지식을 활용하여 노년층의 일상생활을 구조화하는 시맨틱 네트워크를 구축하고, 저수준 센싱 로그 그래프와 상호 보완적으로 이용하기 위한 그래프 컨볼루션 모델을 제안한다. 제안하는 방법은 ㈜DNX가 제공한 69명의 독거노인에 대한 800시간의 실제 데이터로 교차실험한 결과, 최신의 딥러닝 모형 대비 최고의 우울감 예측 성능을 달성하였다. 특히 기존 모델 대비 28.86%의 성능 개선을 보임으로써 시맨틱 네트워크로의 추론과 그래프 컨볼루션 모델의 타당성을 검증하였다.
A Sensing Node Selection Scheme for Energy-Efficient Cooperative Spectrum Sensing in Cognitive Radio Sensor Networks
Fanhua Kong, Zilong Jin, Jinsung Cho
인지 무선 기술은 보조 사용자가 (SUs) 주 사용자 (PUs)에 간섭을 주지 않고 기회주의적 방식으로 라이선스 스펙트럼을 사용할 수 있는 기술이다. 인지 라디오의 핵심 기술은 스펙트럼 센싱이다. 그러나 인지 무선 센서 네트워크에서 에너지 효율적인 스펙트럼 센싱 기법에 대한 연구는 많지 않다. 본 논문에서는 클러스터 기반의 인지 무선 센서 네트워크를 위한 에너지 효율적인 협력 스펙트럼 센싱 노드 선택 기법을 제안한다. 제안하는 기법에서, 허위 경보 확률 및 에너지 소비를 최적화하기 위하여 클러스터내 스펙트럼 센싱 노드들의 수를 최소화하게 된다. 시뮬레이션 결과를 통하여 본 논문에서 제안한 최적의 스펙트럼 센싱 노드 수를 적용하므로 스펙트럼 센싱 효율성이 향상되었고, 또한 네트워크의 에너지 효율성도 보장된 것을 검증하였다.
태양 에너지 기반 무선 센서 네트워크를 위한 에너지 적응형 선택적 압축 기법
센서 네트워크에서 압축은 종단 간 지연시간과 에너지 사용량 사이의 이율배반적인 관계가 있다. 데이터의 크기를 줄이기 위해 압축을 하면, 추가적인 지연시간과 에너지 소비가 발생하지만, 전송으로 인한 에너지 소모는 감소하게 된다. 일반적으로, 배터리기반 센서 네트워크에서는 지연시간을 손해 보더라도 네트워크의 생존시간을 최대화하기위해 압축을 널리 사용하고 있다. 한편 태양 에너지 기반 센서 네트워크에서는 주기적으로 에너지 재생산이 이루어짐에 따라, 동작하는데 충분한 에너지양 이상의 에너지가 존재할 가능성이 있다. 본 논문에서는 여분의 에너지를 사용해 종단 간 지연시간을 감소시키는 에너지 적응형 선택적 압축 기법을 제안한다. 제안하는 기법은 노드의 에너지가 충분하지 않을 때, 에너지 소비를 줄이기 위해 압축을 사용하고, 에너지가 충분한 경우에는 종단 간 지연시간 감소를 위해 압축을 사용하지 않는다. 시뮬레이션을 통한 에너지와 지연시간의 성능평가를 통하여 제안하는 기법의 우수성을 증명하였다.
