스마트폰과 노트북과 같은 모바일 기기는 배터리의 한계로 인해 에너지 소비 문제에 직면해 있으며, 이들 기기에서 Wi-Fi는 주요 에너지 소비 원인 중 하나이다. IEEE 802.11 표준은 전력 절감 모드(Power Saving Mode, PSM)로 이 문제를 해결하는데, PSM은 전력 소비를 줄이는 대신 지연(latency)을 증가시킨다. 이러한 지연을 완화하기 위해 Adaptive-PSM(A-PSM)은 PSM과 Constantly Awake Mode(CAM) 사이를 동적으로 전환하지만, 관련된 유휴 청취(Idle Listening, IL) 과정이 여전히 높은 에너지 소비를 초래한다. 유휴 청취 시간(IL time)을 최적화하기 위한 다양한 전략이 제안되었으나, 매체 접근 제어(Medium Access Control, MAC) 수준의 경합(contention)과 네트워크 지연(network delays)이 그 효과를 제한한다. 이러한 한계를 극복하기 위해, 본 연구에서는 처리율을 저하시키지 않으면서 에너지 소비를 줄이는 새로운 방식인 MILD(Minimizing Idle Listening energy consumption via Down-clocking)를 제안한다. MILD는 Packet Arrival Detection(PAD)과 Device Address Recognition(DAR)을 위한 특화된 프리앰블을 도입하여, 유휴 청취 동안 클라이언트가 down-clocked 상태로 동작하고, 필요할 때만 full clocking으로 전환할 수 있도록 한다. 실험 결과는 MILD가 처리율 손실을 최소 12.5%로 유지하면서 에너지 소비를 최대 23.6%까지 감소시켜, 기존 방식들보다 우수함을 보여준다.

최근 전이중(Full-duplex) 무선은 트래픽이 폭증하고 있으나 사용 가능한 주파수 대역이 충분하지 않은 무선 근거리 통신망(WLAN)에서의 해결책으로 주목받고 있다. 전이중 무선은 동일한 주파수 대역에서 신호를 동시에 송수신하기 위해 다양한 자체 간섭 제거 기술을 활용한다. 따라서 기존의 반이중(half-duplex) 라디오에 비해 주파수 대역 효율이 두 배가 된다. 그러나 전이중 무선을 효과적으로 활용하기 위해서는 전이중 링크 설정, 노드 간 간섭 회피, 유휴 업링크 기간(Idle Uplink Period, IUP)과 같이 기존 반이중 라디오에는 존재하지 않는 새로운 문제들을 해결해야 한다. 우리는 이러한 문제들을 해결함으로써 전이중 무선을 효과적으로 활용하는 전이중 매체 접근 제어(Medium Access Control, MAC) 프로토콜을 제안한다. 특히, 제안하는 MAC 프로토콜은 IUP를 사용하여 확인응답(ACK) 프레임을 전송하고 노드의 버퍼 정보를 보고한다. 그에 따라 액세스 포인트는 IUP 동안 노드의 버퍼 정보를 수집하고, 경쟁 없이 노드의 전송을 스케줄링할 수 있다. 또한 IUP 동안 업링크 ACK 프레임을 전송하므로, 업링크 ACK 프레임 전송을 위한 추가 채널 사용 시간이 필요하지 않다. 따라서 제안하는 MAC 프로토콜은 제어 프레임 전송 횟수와 IUP를 감소시켜 WLAN 처리량을 향상시킨다. 성능 분석 및 시뮬레이션 결과, 제안한 MAC 프로토콜은 기존 연구와 비교하여 처리량 개선을 달성함을 보여준다.

딥러닝 기반 컴퓨터 비전 기술에서 발생하는 전례 없는 데이터 프라이버시 문제를 해결하기 위해, 무선 채널을 차등 프라이버시(DP) 잡음으로 활용하고 이를 딥 신경망으로 구성한 비식별화 전송 시스템을 제안한다. DP의 가우시안 메커니즘을 따름으로써, 수신기에서 수신되는 신호는 가우시안 메커니즘으로 간주될 수 있음을 제시한다. 이어서, 수신 신호의 신호대잡음비(SNR)와 DP의 프라이버시 예산 간의 관계를 논의하고, 특정 프라이버시 예산을 달성하기 위해 전송 전력을 제어하는 방법을 소개한다. 제안된 시스템은 송신기, 무선 채널, 수신기의 세 부분으로 구분할 수 있다. 송신기와 수신기는 딥러닝 네트워크를 사용하여 구성된다. 송신기는 신경망 기반 이미지 인코더 네트워크와, 비식별화 수준을 조정하기 위해 전송 전력을 제어하는 전력 제어 모듈로 구성된다. 무선 채널은 차등 프라이버시 잡음 역할을 수행하며, 송신기의 이미지 인코더 네트워크에서 추출된 전송 이미지 특징 벡터를 익명화한다. 수신기는 후처리 네트워크와 이미지 디코더 네트워크를 포함하며, 이들 또한 딥 신경망을 사용하여 구현된다. 후처리 네트워크는 수신기에서 고품질로 디코딩된 얼굴 이미지를 위해 제안되었으며, 무선 채널에 의해 교란된 수신 특징 벡터를 딥러닝 기반 이미지 인코더 및 디코더 네트워크의 잠재 공간으로 다시 사상한다. 마지막으로, 광범위한 정성적 및 정량적 평가는 제안된 시스템이 전송 전력을 제어하는 것만으로 전송된 얼굴 이미지를 효과적으로 비식별화할 수 있으면서도 디코딩된 얼굴 이미지의 유용성을 유지함을 확인한다. 제안된 시스템은 SNR=2 dB에서 [email protected]이 5.2보다 작고 얼굴 검출 확률이 90%보다 큰 것으로 나타난다. 비식별화 과정이 무선 채널 잡음에 의해 수행되므로, 제안된 시스템은 송신기에서의 비식별화 처리를 요구하지 않으며 따라서 얼굴 이미지를 익명화하기 위한 송신기의 부담이 없다. 또한 본 시스템의 추가적인 장점은 전송 전력을 변경하는 것만으로 비식별화 수준을 제어할 수 있다는 점이다. 제안된 비식별화 시스템은 CCTV 카메라와 같은 무선 엣지에서 이미지를 촬영한 뒤 서버로 전송하되 사람들의 프라이버시를 보호해야 하는 무선 이미지 획득 시나리오에 활용될 수 있다.

새로운 패러다임으로서 의미 통신(SC, semantic communication)은 차세대 통신의 다음 단계로 주목받고 있다. 의미 통신 시스템을 개발하기 위해서는 각 분야에서 성능이 가장 우수한 딥러닝 기법을 사용하는 연구 흐름이 지배적이다. 딥러닝 기반 의미 통신 시스템은 사용되는 딥 네트워크가 특정 작업을 수행하도록 특화되어 있기 때문에 작업 의존적이다. 따라서 의미 통신 시스템이 활용하는 딥 네트워크와 호환되지 않는 응용을 사용하는 사용자는 의미 통신 시스템을 그대로 사용할 수 없다. 이러한 사용자는 여전히 전통적 통신(TC, traditional communication) 시스템으로 서비스를 제공받아야 한다. 이에 따라 가까운 미래에는 의미 통신 시스템과 전통적 통신 시스템이 공존하게 될 것이며, 기지국(BS, base station)은 직교 주파수 분할 다중접속(orthogonal frequency-division multiple access)을 통해 의미 통신 시스템과 전통적 통신 시스템에 의해 인코딩된 심볼 스트림을 동시에 전송해야 한다. 현재의 연구들은 점대점(point-to-point) 통신에서 의미 통신 시스템이 전통적 통신 시스템보다 우수함을 검증하고 있으나, 의미 통신 시스템의 도입이 기지국이 제공하는 네트워크 성능도 향상시킬 수 있는지 분석할 필요가 있다. 본 논문에서는 의미 통신 시스템이 제공하는 신호대잡음비(SNR)를 모델링하고, 의미 통신 사용자에 대해 최소 요구 SNR 제약 조건을 둔 합-전송률(sum-rate) 최대화를 분석함으로써, 새롭게 부상하는 의미 통신의 도입이 네트워크 성능에 미치는 영향을 조사한다. 광범위한 수치 결과를 통해 기지국까지의 거리, 의미 통신 시스템에 의해 서비스되는 의미 통신 사용자 수, 그리고 의미 통신 성능의 정도를 변화시키면서 의미 통신 시스템이 있는 경우와 없는 경우의 네트워크 성능 변화에 대해 논의한다.

스마트폰과 노트북과 같은 모바일 기기는 배터리의 한계로 인해 에너지 소비 문제에 직면해 있으며, 이들 기기에서 Wi-Fi는 주요 에너지 소비 원인 중 하나이다. IEEE 802.11 표준은 전력 절감 모드(Power Saving Mode, PSM)로 이 문제를 해결하는데, PSM은 전력 소비를 줄이는 대신 지연(latency)을 증가시킨다. 이러한 지연을 완화하기 위해 Adaptive-PSM(A-PSM)은 PSM과 Constantly Awake Mode(CAM) 사이를 동적으로 전환하지만, 관련된 유휴 청취(Idle Listening, IL) 과정이 여전히 높은 에너지 소비를 초래한다. 유휴 청취 시간(IL time)을 최적화하기 위한 다양한 전략이 제안되었으나, 매체 접근 제어(Medium Access Control, MAC) 수준의 경합(contention)과 네트워크 지연(network delays)이 그 효과를 제한한다. 이러한 한계를 극복하기 위해, 본 연구에서는 처리율을 저하시키지 않으면서 에너지 소비를 줄이는 새로운 방식인 MILD(Minimizing Idle Listening energy consumption via Down-clocking)를 제안한다. MILD는 Packet Arrival Detection(PAD)과 Device Address Recognition(DAR)을 위한 특화된 프리앰블을 도입하여, 유휴 청취 동안 클라이언트가 down-clocked 상태로 동작하고, 필요할 때만 full clocking으로 전환할 수 있도록 한다. 실험 결과는 MILD가 처리율 손실을 최소 12.5%로 유지하면서 에너지 소비를 최대 23.6%까지 감소시켜, 기존 방식들보다 우수함을 보여준다.

최근 전이중(Full-duplex) 무선은 트래픽이 폭증하고 있으나 사용 가능한 주파수 대역이 충분하지 않은 무선 근거리 통신망(WLAN)에서의 해결책으로 주목받고 있다. 전이중 무선은 동일한 주파수 대역에서 신호를 동시에 송수신하기 위해 다양한 자체 간섭 제거 기술을 활용한다. 따라서 기존의 반이중(half-duplex) 라디오에 비해 주파수 대역 효율이 두 배가 된다. 그러나 전이중 무선을 효과적으로 활용하기 위해서는 전이중 링크 설정, 노드 간 간섭 회피, 유휴 업링크 기간(Idle Uplink Period, IUP)과 같이 기존 반이중 라디오에는 존재하지 않는 새로운 문제들을 해결해야 한다. 우리는 이러한 문제들을 해결함으로써 전이중 무선을 효과적으로 활용하는 전이중 매체 접근 제어(Medium Access Control, MAC) 프로토콜을 제안한다. 특히, 제안하는 MAC 프로토콜은 IUP를 사용하여 확인응답(ACK) 프레임을 전송하고 노드의 버퍼 정보를 보고한다. 그에 따라 액세스 포인트는 IUP 동안 노드의 버퍼 정보를 수집하고, 경쟁 없이 노드의 전송을 스케줄링할 수 있다. 또한 IUP 동안 업링크 ACK 프레임을 전송하므로, 업링크 ACK 프레임 전송을 위한 추가 채널 사용 시간이 필요하지 않다. 따라서 제안하는 MAC 프로토콜은 제어 프레임 전송 횟수와 IUP를 감소시켜 WLAN 처리량을 향상시킨다. 성능 분석 및 시뮬레이션 결과, 제안한 MAC 프로토콜은 기존 연구와 비교하여 처리량 개선을 달성함을 보여준다.

딥러닝 기반 컴퓨터 비전 기술에서 발생하는 전례 없는 데이터 프라이버시 문제를 해결하기 위해, 무선 채널을 차등 프라이버시(DP) 잡음으로 활용하고 이를 딥 신경망으로 구성한 비식별화 전송 시스템을 제안한다. DP의 가우시안 메커니즘을 따름으로써, 수신기에서 수신되는 신호는 가우시안 메커니즘으로 간주될 수 있음을 제시한다. 이어서, 수신 신호의 신호대잡음비(SNR)와 DP의 프라이버시 예산 간의 관계를 논의하고, 특정 프라이버시 예산을 달성하기 위해 전송 전력을 제어하는 방법을 소개한다. 제안된 시스템은 송신기, 무선 채널, 수신기의 세 부분으로 구분할 수 있다. 송신기와 수신기는 딥러닝 네트워크를 사용하여 구성된다. 송신기는 신경망 기반 이미지 인코더 네트워크와, 비식별화 수준을 조정하기 위해 전송 전력을 제어하는 전력 제어 모듈로 구성된다. 무선 채널은 차등 프라이버시 잡음 역할을 수행하며, 송신기의 이미지 인코더 네트워크에서 추출된 전송 이미지 특징 벡터를 익명화한다. 수신기는 후처리 네트워크와 이미지 디코더 네트워크를 포함하며, 이들 또한 딥 신경망을 사용하여 구현된다. 후처리 네트워크는 수신기에서 고품질로 디코딩된 얼굴 이미지를 위해 제안되었으며, 무선 채널에 의해 교란된 수신 특징 벡터를 딥러닝 기반 이미지 인코더 및 디코더 네트워크의 잠재 공간으로 다시 사상한다. 마지막으로, 광범위한 정성적 및 정량적 평가는 제안된 시스템이 전송 전력을 제어하는 것만으로 전송된 얼굴 이미지를 효과적으로 비식별화할 수 있으면서도 디코딩된 얼굴 이미지의 유용성을 유지함을 확인한다. 제안된 시스템은 SNR=2 dB에서 [email protected]이 5.2보다 작고 얼굴 검출 확률이 90%보다 큰 것으로 나타난다. 비식별화 과정이 무선 채널 잡음에 의해 수행되므로, 제안된 시스템은 송신기에서의 비식별화 처리를 요구하지 않으며 따라서 얼굴 이미지를 익명화하기 위한 송신기의 부담이 없다. 또한 본 시스템의 추가적인 장점은 전송 전력을 변경하는 것만으로 비식별화 수준을 제어할 수 있다는 점이다. 제안된 비식별화 시스템은 CCTV 카메라와 같은 무선 엣지에서 이미지를 촬영한 뒤 서버로 전송하되 사람들의 프라이버시를 보호해야 하는 무선 이미지 획득 시나리오에 활용될 수 있다.

새로운 패러다임으로서 의미 통신(SC, semantic communication)은 차세대 통신의 다음 단계로 주목받고 있다. 의미 통신 시스템을 개발하기 위해서는 각 분야에서 성능이 가장 우수한 딥러닝 기법을 사용하는 연구 흐름이 지배적이다. 딥러닝 기반 의미 통신 시스템은 사용되는 딥 네트워크가 특정 작업을 수행하도록 특화되어 있기 때문에 작업 의존적이다. 따라서 의미 통신 시스템이 활용하는 딥 네트워크와 호환되지 않는 응용을 사용하는 사용자는 의미 통신 시스템을 그대로 사용할 수 없다. 이러한 사용자는 여전히 전통적 통신(TC, traditional communication) 시스템으로 서비스를 제공받아야 한다. 이에 따라 가까운 미래에는 의미 통신 시스템과 전통적 통신 시스템이 공존하게 될 것이며, 기지국(BS, base station)은 직교 주파수 분할 다중접속(orthogonal frequency-division multiple access)을 통해 의미 통신 시스템과 전통적 통신 시스템에 의해 인코딩된 심볼 스트림을 동시에 전송해야 한다. 현재의 연구들은 점대점(point-to-point) 통신에서 의미 통신 시스템이 전통적 통신 시스템보다 우수함을 검증하고 있으나, 의미 통신 시스템의 도입이 기지국이 제공하는 네트워크 성능도 향상시킬 수 있는지 분석할 필요가 있다. 본 논문에서는 의미 통신 시스템이 제공하는 신호대잡음비(SNR)를 모델링하고, 의미 통신 사용자에 대해 최소 요구 SNR 제약 조건을 둔 합-전송률(sum-rate) 최대화를 분석함으로써, 새롭게 부상하는 의미 통신의 도입이 네트워크 성능에 미치는 영향을 조사한다. 광범위한 수치 결과를 통해 기지국까지의 거리, 의미 통신 시스템에 의해 서비스되는 의미 통신 사용자 수, 그리고 의미 통신 성능의 정도를 변화시키면서 의미 통신 시스템이 있는 경우와 없는 경우의 네트워크 성능 변화에 대해 논의한다.

샤논의 유산에서의 패러다임 전환과 함께, 의미론적 통신(SC, semantic communication)은 유망한 차세대 통신 기술 중 하나로 부상하고 있다. 새로운 통신 기술 패러다임은 송신된 메시지의 의미가 수신자에게 성공적으로 전달될 수 있게 한다. 따라서 의미론적 통신은 인간 언어 통신과 같은 전달된 메시지의 성공적인 전달에 초점을 맞춘다. 이러한 새로운 통신을 구현하기 위해서는 송신기와 수신기 모두가 서로 동일한 배경 지식을 공유해야 한다. 최근 몇몇 연구자들은 딥러닝의 놀라운 성과를 활용하여 과제(태스크) 특화 의미론적 통신 시스템을 개발해 왔으며, 이를 통해 동일한 지식을 이들 사이에 공유할 수 있다. 그러나 이러한 의미론적 통신 시스템은 특정 응용을 처리하도록 특화되어 있으므로, 모든 사용자가 해당 시스템에 의해 서비스받을 수는 없다. 따라서 네트워크는 의미론적 통신 시스템과 전통적 통신(TC, traditional communication) 시스템이 공존하는 상황에 직면하게 된다. 본 논문에서는 네트워크 관점에서, 새롭게 등장하는 의미론적 통신 시스템을 도입할 때 전통적 통신 시스템의 성능에 어떤 영향을 미치는지 조사한다. 분석을 위해 의미론적 통신 시스템에 의해 서비스되는 사용자와 전통적 통신 시스템에 의해 서비스되는 사용자에 대해 신호대잡음비(SNR, signal-to-noise ratio)를 다르게 고려한다. 그리고 두 가지 서로 다른 SNR 식을 사용하여 의미론적 통신 시스템과 전통적 통신 시스템의 공존 상황에서의 최대-최소 공정성(max-min fairness) 문제를 정식화한다. 광범위한 수치 결과를 통해, 의미론적 통신 시스템을 도입한 경우와 도입하지 않은 경우에서 전통적 통신 사용자와 의미론적 통신 사용자 간의 네트워크 성능을 비교하고, 의미론적 통신 시스템이 실제로 유망한 차세대 통신 대안임을 확인한다.

실내 위치 기반 서비스를 위한 많은 Wi-Fi 기반 기기 무관 위치 추정(device free localization, DFL) 방법들이 제안되어 왔다. 그러나 수신 신호는 가시선(Line-of-Sight) 신호와 반사 신호가 중첩되어 나타나므로, 다중 대상 DFL은 각 신호의 비행시간(time of flight, ToF)을 추정하는 경우에만 가능하다. 다수의 ToF를 추정하기 위해, 우리는 TX-RX 간 비동기 샘플링 타이밍으로 인해 본질적으로 발생하는 샘플링 타이밍 오프셋(sampling timing offset, STO)을 활용한다. STO를 이용함으로써, 과샘플링된 신호를 모사하는 신호를 생성할 수 있다. 생성한 신호를 상관 기반 ToF 추정 알고리즘에 입력하였다. 그 결과, 2–5개의 신호가 중첩될 때 중앙값 오차가 0.75–4.65 ns에 도달하였다.

이 서신에서는 IEEE 802.11ac WLAN에서 에너지 효율적인 무선 통신을 위한 대역폭 적응 기법인 DozyBand를 제안한다. DozyBand는 액세스 포인트와 클라이언트가 필요에 따라 채널 대역폭을 조정함으로써 유휴 청취(idle listening) 시 불필요하게 소모되는 에너지를 줄일 수 있게 한다. 직교 주파수 분할 다중화(orthogonal frequency division multiplexing) 기능을 활용함으로써 DozyBand는 경미한 제어 오버헤드로 대역폭 협상을 가능하게 한다. 소프트웨어 정의 라디오 플랫폼에서의 실험을 통해 DozyBand의 타당성을 검증하였다. 또한 광범위한 시뮬레이션을 수행하였으며, 그 결과 DozyBand가 기존 기법들보다 우수함을 확인하였다.

채널 본딩을 통한 IEEE 802.11ac의 광대역폭은 무선 전송의 용량을 유의하게 증가시킨다. 그러나 멀티캐스트 트래픽은 접속 지점(AP)이 멀티캐스트 그룹 내 클라이언트가 지원할 수 있는 대역폭 정보에 무관하기 때문에, 단순히 20 MHz의 협대역폭을 사용해 전송된다. 본 논문은 IEEE 802.11ac WLAN에서 멀티캐스트에 대해 채널 본딩을 가능하게 하는 WiderCast를 제안한다. WiderCast에서 AP는 멀티캐스트 전송에 사용될 대역폭을 멀티캐스트 클라이언트의 지원 가능 대역폭에 따라 확장한다. AP와 클라이언트 간의 대역폭 협상을 가능하게 하면서도 높은 제어 오버헤드를 피하기 위해, WiderCast는 멀티캐스트 클라이언트들이 충돌 없이 동시에 자신의 지원 가능 대역폭 정보를 AP에 전달할 수 있는 새로운 대역폭 신호 전달 방식을 사용한다. 소프트웨어 정의 라디오에서 시제품을 구현하여 WiderCast의 타당성을 검증하였다. 또한 광범위한 시뮬레이션 연구를 수행한 결과, WiderCast는 기존의 무선 멀티캐스트에 비해 더 높은 처리량과 향상된 비디오 품질을 달성함을 확인하였다. 우리의 지식으로는, WLAN에서 무선 멀티캐스트를 위한 채널 본딩을 고려한 최초의 연구이다.