김영준 연구실
컴퓨터공학부 김영준
김영준 연구실은 컴퓨터공학부 소속으로, 인공지능과 네트워크 기술의 융합을 중심으로 다양한 연구를 수행하고 있습니다. 연구실의 주요 연구 분야는 사물인터넷(IoT) 네트워크 최적화, 무선 네트워크 핸드오버 기술, 소프트웨어 정의 네트워킹(SDN) 기반 네트워크 관리, 그리고 머신러닝을 활용한 바이오 신호 분석 등입니다.
IoT 네트워크에서는 정보의 신선도(AoI)를 고려한 메시지 전달 정책과 강화학습 기반 최적화 기법을 개발하여, 실시간 데이터의 신뢰성과 효율성을 높이고 있습니다. 이러한 연구는 산업 제어 시스템, 스마트 팩토리 등 실시간성이 중요한 다양한 응용 분야에 적용될 수 있습니다.
무선 네트워크 분야에서는 IEEE 802.11 WLAN 환경에서의 핸드오버 지연 최소화와 QoS 보장을 위한 다양한 기술을 개발하고 있습니다. SDN과의 연동을 통해 네트워크 자원의 효율적 관리와 보안 강화, 그리고 대규모 네트워크 환경에서의 안정적인 서비스 제공을 실현하고 있습니다.
또한, 연구실은 머신러닝 및 인공지능 기술을 활용한 바이오 신호 분석에도 주력하고 있습니다. 근전도(EMG) 신호를 이용한 뇌졸중 환자 분류 연구 등 의료 데이터 분석을 통해 조기 진단과 맞춤형 치료, 재활 시스템 개발 등 의료 혁신에 기여하고 있습니다.
이와 같은 다양한 연구를 통해 김영준 연구실은 인공지능과 네트워크 기술의 융합을 선도하며, 미래 지능형 네트워크 및 스마트 헬스케어 분야에서 핵심적인 역할을 수행하고 있습니다.
강화학습 기반 IoT 네트워크 최적화
김영준 연구실은 사물인터넷(IoT) 네트워크에서 정보의 신선도(Age of Information, AoI)와 네트워크 효율성을 극대화하기 위한 다양한 연구를 수행하고 있습니다. 특히 MQTT 프로토콜을 기반으로 한 IoT 환경에서 Retained 메시지의 전달 정책을 강화학습(Q-learning)으로 최적화하여, 새로운 구독자가 최신 정보를 신속하게 받을 수 있도록 하는 방법을 제안하였습니다. 이 과정에서 메시지의 신선도와 네트워크 오버헤드 간의 균형을 맞추는 것이 중요한 연구 목표입니다.
이러한 연구는 산업 제어 시스템과 같이 실시간 데이터가 중요한 환경에서 큰 효과를 발휘합니다. 예를 들어, 센서 데이터가 실시간으로 처리되어야 하는 공장 자동화 시스템에서는 정보의 신선도가 시스템 전체의 성능과 안정성에 직접적인 영향을 미칩니다. 연구실에서는 브로커가 Retained 메시지의 신선도를 평가하고, 필요 시 발행자에게 최신 메시지를 요청하는 정책을 통해 전체 시스템의 효율성을 높이고 있습니다.
강화학습을 활용한 최적 정책 도출은 시뮬레이션을 통해 기존 방식 대비 평균 보상과 AoI 만족 비율이 크게 향상됨을 확인하였습니다. 이러한 연구는 향후 다양한 IoT 응용 분야에서 실시간 데이터 전달의 신뢰성과 효율성을 높이는 데 기여할 것으로 기대됩니다.
무선 네트워크 핸드오버 및 SDN 기반 네트워크 관리
연구실은 무선 네트워크 환경에서의 핸드오버 지연 최소화와 소프트웨어 정의 네트워킹(SDN)을 활용한 네트워크 관리 기술 개발에 주력하고 있습니다. IEEE 802.11 무선랜 환경에서 채널 탐색 절차를 생략하거나 효율화하여 핸드오버 지연을 줄이는 다양한 방안을 제안하였으며, 이웃 비콘 프레임 전송 및 SDN 컨트롤러와의 연동을 통해 이동 단말의 서비스 품질(QoS)을 보장하는 기술을 개발하였습니다.
특히, SDN-WLAN 통합 핸드오버 기술(SWITCH)은 각 AP가 주기적으로 비콘 프레임을 송출하여 모바일 단말이 빠르게 최적의 AP를 선택할 수 있도록 하며, SDN 컨트롤러가 사전에 플로우 룰을 설치함으로써 패킷 손실을 최소화하고 핸드오버 속도를 크게 향상시킵니다. 또한, 사용자의 위치와 서비스 요구사항에 따라 자원 할당을 최적화하여 네트워크 자원의 효율적 활용을 도모합니다.
이와 더불어, SDN 기반 네트워크에서 플로우 룰 캐시 관리, DDoS 공격 대응 등 네트워크 보안 및 관리 기술도 함께 연구하고 있습니다. 이러한 연구는 대규모 무선 네트워크 환경에서 안정적이고 효율적인 서비스 제공을 위한 핵심 기술로 자리매김하고 있습니다.
머신러닝 기반 바이오 신호 분석 및 의료 응용
연구실은 머신러닝과 인공지능 기술을 활용한 바이오 신호 분석 및 의료 데이터 처리에도 활발히 참여하고 있습니다. 대표적으로, 근전도(EMG) 신호를 이용한 뇌졸중 환자 분류 연구에서는 간단한 신호 처리 및 특징 추출 기법을 적용하여, 다양한 머신러닝 모델을 통해 환자와 건강인의 데이터를 효과적으로 분류하는 방법을 제시하였습니다.
이 연구에서는 16개의 EMG 신호에서 통계적 특징을 추출하고, 랜덤 포레스트 등 여러 머신러닝 모델을 적용하여 높은 정확도를 달성하였습니다. 특히, 무릎 신전 근육의 평균 및 최대 활동값이 예측에 중요한 역할을 하는 것으로 나타났으며, 임상 환경에서 손쉽게 수집 가능한 EMG 데이터를 활용함으로써 조기 진단 및 재활에 실질적인 도움을 줄 수 있음을 확인하였습니다.
향후 이러한 연구는 의료 데이터의 실시간 분석, 환자 맞춤형 치료, 재활 시스템 개발 등 다양한 의료 응용 분야로 확장될 수 있습니다. 연구실은 데이터 기반 의료 혁신을 위해 지속적으로 새로운 분석 기법과 인공지능 모델을 개발하고 있습니다.
1
AoI-Aware Retained Message Policy in MQTT-Based IoT Networks
Kim Youngjun, Kyung Yeunwoong
IEEE SENSORS JOURNAL, 202411
2
Data-Driven Stroke Classification Utilizing Electromyographic Muscle Features and Machine Learning Techniques
Lee Jaehyuk, Kim Youngjun, Kim Eunchan
APPLIED SCIENCES-BASEL, 202409
3
Priority-Aware Actuation Update Scheme in Heterogeneous Industrial Networks
Kyung Yeunwoong, Sung Jihoon, Ko Haneul, Song Taewon, Kim Youngjun
SENSORS, 202401
