디지털 라이브러리[ 검색결과 ]
시공간 그래프 랜덤워크를 활용한 비디오 의미구조 이해
http://doi.org/10.5626/JOK.2024.51.9.801
긴 비디오 이해는 비디오 내 다양한 의미단위들을 찾고, 이들 간 복잡한 관계 해석에 초점을 맞춘다. 기존 방식은 합성곱 신경망이나 transformer 기반 모델을 활용하여 짧은 클립들에 대한 문맥정보 를 인코딩하고, 이들 간의 시간적 관계를 고려한다. 그러나 해당 방식으로는 비디오 내부에 존재하는 의미 단위들간 복잡한 관계 포착이 어렵다. 본 논문에서는 이러한 의미단위들 간 관계를 명시적으로 표현하기 위해 객체를 정점, 객체들 간 시공간 관계를 간선으로 하는 시공간 그래프로 비디오 입력을 재표현한다. 또한, 해당 그래프에서 시공간 랜덤워크를 통해 얻은 고차원적 의미관계(high-order relationship) 정보를 활용하여, 주요 의미단위를 더 작은 단위들의 구성으로 표현하는 새로운 방법을 제안한다. 다양한 물체들 의 복잡한 행동에 관련된 비디오 데이터셋 CATER를 활용한 실험으로, 제안하는 방식이 효과적인 의미단 위 포착능력을 가짐을 입증하였다.
시간 접두어를 활용한 트라이 기반 IoT 데이터 인덱싱 기법
http://doi.org/10.5626/JOK.2024.51.3.280
사물인터넷 기술이 널리 보급되면서 생성된 대량의 IoT 센서 데이터를 효율적으로 검색하기 위한 다양한 기법들이 제안됐다. 이중 최신 기법 중 하나인 ST-Trie는 하루 이하의 좁은 시간대를 갖는 시공간 범위 질의에서 타 복합 색인 기법에 비해 상대적으로 질의 처리 성능이 나쁘다는 단점을 노출하였다. 이 문제를 해결하기 위해 본 논문은 시간 접두사를 이용한 트라이 기반 인덱싱 기법인 TS-Trie를 제안한다. TS-Trie는 3차원 시공간 정보를 64비트 1차원 키값으로 매핑할 때 접두사로 20비트 시간정보를 사용한다. 또한 20비트 이후 노드를 이중 연결 리스트로 구축해 기존의 검색 방식을 개선하였다. 제안한 TS-Trie는 세 개의 실-세계 IoT 데이터셋에 대한 범위 질의, k-NN 그리고 Top-k 질의에 대해 기존 방법 대비 평균 약 50%, 40% 그리고 60% 검색 시간을 줄일 수 있었다. 또한 기존 방법 대비 평균 약 4배 빠른 색인 구축 속도를 보여주었으며 86%의 높은 압축률을 통해 TS-Trie의 우수한 공간 효율성을 확인하였다.
태양 에너지 수집형 엣지 AIoT 환경에서 엣지 장치의 에너지를 고려한 효율적인 분산 학습 방법
http://doi.org/10.5626/JOK.2023.50.8.720
태양 에너지 수집형 IoT 장치는 태양 에너지를 주기적으로 수집하여 에너지를 공급할 수 있으므로 배터리 기반 IoT 장치의 에너지 제한 문제를 근본적으로 해결할 수 있으나, 에너지 수집량의 변화로 인하여 신중한 에너지 소모 정책을 요구한다. 한편, 엣지 AIoT 시스템의 데이터 학습은 대부분 엣지 서버와 같은 상위 장치에서 중앙집중형으로 담당하고 있는데, 이 경우 실시간성의 저하, 컴퓨팅 과부하, 네트워크 트래픽 등의 데이터 처리 비용 증가 문제가 발생할 수 있다. 최근 가벼운 학습을 수행할 수 있을 만한 성능의 엣지 장치가 나오게 되면서, 위와 같은 문제를 해결하고자 각 엣지 노드들에서 각각 작은 학습을 수행하고, 그 결과를 주변 노드들과 공유하여 점진적으로 협력함으로써 학습의 질과 성능을 높이는 AI 분산 학습 모델이 주목 받고 있다. 그러나 이러한 분산 모델에서는 엣지 노드들의 에너지가 더욱 부족해질 수 있고, 따라 전체 학습 속도가 현저히 감소되고, 동시에 IoT 네트워크의 수명이 기하급수적으로 감소되는, 낙오자 노드라 불리는 문제가 발생할 수 있다. 본 논문에서는 이러한 연구 배경을 기반으로 태양 에너지 수집형 장치들로 구성된 AIoT 환경에서 효율적인 AI 분산 학습을 위하여, 낙오자 노드의 발생을 최대한 방지하기 위한 기법을 제안한다. 제안 기법은 응용이 요구하는 추론의 최소 정확도는 유지하면서, 각 노드의 수집 에너지 상황에 맞게 학습 정확도를 조절하여 에너지 소모를 적응시키는 근사 컴퓨팅 기법이다. 다양한 근사 컴퓨팅 기법 중 본 연구에서는 센싱 데이터 중 샘플링되는 데이터의 크기를 조절하여 정확도를 조절하는 데이터 수준 근사 기법을 사용한다. 실험 결과, 제안 기법이 각 노드의 응용 요구 정확도를 충족시키면서, 낙오자 노드의 수를 현저히 감소시킴을 확인할 수 있다.
탐색적 데이터 분석과 기계학습을 통한 상부 요로감염 환자 Ciprofloxacin 항생제 내성 예측 연구
http://doi.org/10.5626/JOK.2023.50.3.263
응급의학과 의사는 요로감염 환자에 대해 임상적으로 감염 병원균 또는 항생제 내성 프로파일이 확인되기 전에 항생제를 선택해야 하는 경험적 치료전략을 사용한다. 지역사회의 요로 병원균의 항생제 내성 증가를 우려하였을 때 경험적 치료는 도전적인 과업이다. 본 연구는 단일 기관 후향적 연구로써, 응급실에서 상부 요로 감염 진단을 받은 환자를 대상으로 기계학습 알고리즘을 통한 항생제 내성 예측 방법을 제안한다. 먼저, 통계적 검정 방법과 게임 이론적 방식 기반의 SHAP(SHapley Additive exPlanation)을 수행하여 유의미한 예측 변수를 선택한다. 그리고 4개의 분류기의 성능을 비교하고 예측 확률 임계치 조절을 통해 의사의 경험적 치료를 보조할 수 있는 알고리즘을 제안한다. 결과적으로, SHAP를 통해 선별된 전체 예측 변수의 65%만을 사용한 SVM 분류기는 실험에 사용된 모든 분류기 중에 AUROC 0.775로 가장 높은 성능을 보였고, 모든 예측 변수를 사용했을 때보다 AUROC 0.015 증가했다. 그리고 예측 확률 임계치를 조절 과정을 통해 의사의 경험적 치료의 민감도를 98% 수준으로 유지하면서 특이도가 3.9배 향상된 분류 정확도를 달성했다.
IoT 기기 플래시 메모리의 Ext4 파일 시스템을 위한 디지털 포렌식 절차
http://doi.org/10.5626/JOK.2021.48.8.865
최근 급격한 통신기술의 발달에 따라 IoT(Internet of Things)의 확산이 가속화되고 있으며 IoT 기기는 인간의 삶과 밀접한 분야에서 활용되어 범죄 및 사고 경황 정보 조사에 적극적으로 활용되고 있다. 이에 따라 디지털 포렌식의 중요성이 부각되며 그 수행 절차에 관한 연구들이 진행되고 있다. 하지만 IoT 기기는 상이한 규격으로 인해 실제 현장에서 사용될 수 없는 추상적인 방법론을 제시하는 연구가 대부분이다. 또한 펌웨어 분석 도구로 활발히 사용되는 binwalk 분석 도구는 ext4 파일 시스템에 대한 분석 및 추출을 제대로 수행하지 못하고 있다. 이에 본 논문에서는 이러한 문제점을 해결하기 위해 binwalk의 올바른 ext4 파일 시스템 추출 및 분석 방안을 제시하고 이를 이용해 IoT 기기의 플래시 메모리로부터 ext4 파일 시스템을 추출하는 절차를 제안한다. 또한, DJI Phantom 4 Pro V2.0 드론으로 PoC를 구현하여 제안하는 절차를 검증한다.
사용자 중심의 대화형 IoT 서비스 매쉬업 모델과 엔진
http://doi.org/10.5626/JOK.2021.48.5.584
IoT 환경에서 사용자들은 IoT 기기를 활용한 서비스를 제공받을 뿐만 아니라 서비스 매쉬업을 통해 자신만의 애플리케이션을 생성하고자 한다. 이를 위해 시각적인 방식으로 IoT 서비스 매쉬업을 생성하는 방법들이 제안되었으나, 시각적으로 표현되는 매쉬업의 실행 흐름을 이해하는 것은 쉽지 않기 때문에 사용자들은 매쉬업을 만드는 데 어려움을 겪는다. 본 연구에서는 프로그래밍 경험이 없는 일반 사용자들이 IoT 서비스 매쉬업을 생성하도록 자연어를 통해 상호작용하는 대화형 서비스 매쉬업 모델 및 엔진을 제안한다. 대화형 서비스 매쉬업 모델은 사용자 명령을 파악하기 위한 네 종류 키워드로 구성되며, 엔진은 인터랙션 관리자, 시맨틱 매칭 모듈, 서비스 매쉬업 모듈로 구성된다. 본 연구에서는 스마트 홈 환경에서의 시나리오를 바탕으로 사례 연구를 진행하여, 일반 사용자들이 대화형 서비스 매쉬업 모델 및 엔진을 통해 더 쉽고 편리하게 필요한 서비스 매쉬업을 생성할 수 있음을 확인하였다.
다변량 데이터의 피처 조합을 활용한 ConvLSTM 기반 COVID-19 확산 예측
http://doi.org/10.5626/JOK.2021.48.4.405
COVID-19는 감염자의 비말을 통해 전파된다. 비말의 전파는 시공간의 영향을 받는다. 전염병의 전파는 감염자와 비감염자의 건강 상태, 환경적 요인 등 다양한 요인의 상호작용으로 이루어진다. 하지만 예측 모델에 전염병과 관련된 정보를 모두 포함하고, 정보간의 관계를 파악하는 것은 쉽지 않다. 본 논문에서는 COVID-19의 전염 특징을 딥러닝 학습 데이터셋에 포함하고, COVID-19 확산 데이터의 조합이 딥러닝 예측 성능에 미치는 영향을 파악하는 연구 방법을 제안하였다. 예측에 앞서 COVID-19의 전염 특징을 파악하고, 데이터 전처리 시 COVID-19 확산 특징을 포함하기 위한 고려 사항을 정의하였다. 딥러닝 모델링 시에는 시공간 예측을 위해 ConvLSTM을 응용한 예측 모델을 설계하였다. 예측 모델을 테스트하는 단계에서는 확산 데이터를 여러 가지 방식으로 조합하고, 각 조합이 딥러닝 예측 성능에 미치는 영향을 분석하였다. 성능 평가를 위해 COVID-19 확진자의 정보와 확진자가 방문한 장소의 특징을 기준으로 47개의 피처를 만들고, 120개의 피처 조합을 실험하였다. 또한 모델 성능 평가 지표로 MAPE를 이용하였다. 실험 결과, COVID-19 데이터셋에서 피처 조합 모델의 MAPE 평균값으로 1.234, 피처를 조합하지 않은 모델의 MAPE 평균값으로 2.217을 얻을 수 있었다.
A Study on the Intelligent Delivery Management System Using UAV-Edge Computing Technology
Chu Myaet Thwal, Minkyung Lee, Choong Seon Hong
http://doi.org/10.5626/JOK.2020.47.12.1208
최근 디지털 및 사물인터넷(IoT) 기술의 발전으로 전세계 도시가 스마트시티로 빠르게 변모하는 추세이다. 또한 IoT 기술과 더불어 무인항공기(UAV) 역시 값이 저렴하고, 더 성능이 우수하며 안정적인 방향으로 기술이 발전되고 있다. 본 논문에서는 IoT와 UAV 기술을 통합 활용한 UAV 지능형 딜리버리 운영 시스템을 제안하고자 한다. 본 논문의 제안사항은 딜리버리 서비스의 운영 지연 시간을 줄이고 사용자에게 더 빠른 서비스를 제공하는 혁신적인 시스템이다. 딜리버리 전체 과정은 소매점과 UAV 간의 전달자로서 역할을 하는 엣지 기반의 제어 스테이션에서 관리한다. 해당 제어 스테이션은 도시 지역에 분산되어 있으며, 소매점들과 UAV 간의 효율적인 연계관리기능을 수행하여 UAV에 최적 딜리버리 역할을 할당한다. 스마트 시티 애플리케이션에 제안된 지능형 딜리버리 방식을 적용하면 노동력 부족과 교통 상황으로 인한 배송 지연을 줄일 수 있고, 고객에게 더 빠르고 좋은 서비스들을 제공할 수 있다.
방대한 시공간 IoT 센서 데이터의 효율적인 검색을 위한 트라이 기반 색인 방법
추하원, 서영균, 이용, 박민우, 장래영, 이상환, 송사광
http://doi.org/10.5626/JOK.2020.47.12.1199
통신 기술과 컴퓨팅 능력의 발전으로 인해 사물인터넷 센서가 여러 분야에 보편화되면서 대량의 시공간 사물 데이터가 끊임없이 생성되고 있다. 고차원적인 추가 분석을 위해, 그러한 거대한 시공간 사물 데이터를 저장 시스템에 수집하는 것은 고도화된 저장 기술 덕분에 그리 어렵지 않게 되었다. 그럼에도 불구하고, 사물데이터의 거대한 양과 복잡한 시공간성으로 인해 질의된 사물 데이터를 신속히 찾아내는 것은 여전히 도전적인 문제로 여겨져 왔다. 본 논문은 이러한 문제점을 해결하기 위해 시공간성을 가진 대용량 사물 데이터에 대해 효율적인 검색을 지원하는 색인 방법인 ST-Trie를 제안한다. ST-Trie의 핵심 아이디어는 시공간 지역성을 고려하여 3차원 시공간 정보를 1차원 데이터로 부호화한 다음, 이를 논리적인 트라이(Trie) 구조로 조직하는 것이다. 제안된 방법인 ST-Trie에 대한 실제 사물인터넷 센서로부터 얻은 데이터 셋들을 이용한 실험 결과, ST-Trie가 질의 응답 시간에 관하여 비교된 복합 색인보다 최대 92배 더 높은 성능을 보였다. 특히, 우리는 ST-Trie가 주어진 시간 범위가 커질수록 더 확장성 있는 검색을 수행하였음을 확인하였다.
ARM 기반 IoT 장치에서 효율적인 딥 러닝 수행을 위한 BLAS 및 신경망 라이브러리의 성능 및 에너지 비교
http://doi.org/10.5626/JOK.2019.46.3.219
기존에 IoT 장치에서 딥 러닝을 수행하기 위해 주로 클라우드 컴퓨팅을 사용했다. 그러나 클라우드 컴퓨팅을 사용할 경우 연결을 보장할 수 없고, 통신을 위한 에너지 소모, 그리고 보안에 대한 취약성이 문제가 된다. 이와 같은 문제점을 해결하기 위해 최근 IoT 장치 내에서 딥 러닝을 수행하기 위한 시도가 진행되고 있다. 이 시도들은 주로 IoT 장치를 위한 연산량이 적은 딥 러닝 모델 또는 압축 기법 등을 제안하지만, 실제 IoT 장치에서 수행될 때의 영향에 대한 분석이 부족했다. IoT 장치마다 연산 장치의 구성과 지원되는 라이브러리가 다르기 때문에, 최적의 딥 러닝 수행을 위해 각 IoT 장치에서 다양한 수행환경에 대한 분석이 필요하다. 본 논문에서는 다양한 하드웨어 구성을 가진 IoT 장치에서 수행 환경에 따른 성능 및 에너지를 측정하고 분석한다. 또한, 적절한 라이브러리를 사용하는 것만으로도 속도와 에너지 효율이 최대 9.43배, 26.78배까지 상승하는 것을 보여준다.
