모바일 엣지 컴퓨팅은 전통적인 클라우드 컴퓨팅의 지연(latency) 문제를 해결하기 위한 해법으로 제안되어 왔다. 특히 모바일 엣지 컴퓨팅은 안전을 위해 지연 없이 대량의 데이터를 처리해야 하는 자율주행과 같은 분야에서 필요하다. 실내 자율주행은 모바일 엣지 컴퓨팅 서비스 중 하나로서 주목받고 있다. 또한 실외 주행과 달리 실내 자율주행은 GPS 장치를 사용할 수 없기 때문에, 위치 인식에는 센서에 의존한다. 그러나 차량을 주행하는 동안 안전을 위해 외부 사건에 대한 실시간 처리와 오류의 보정이 요구된다. 더불어 자원 제약이 있는 모바일 환경이므로 효율적인 자율주행 시스템이 필요하다. 본 연구는 실내 환경에서의 자율주행을 위한 기계학습 방법으로 신경망 모델을 제안한다. 신경망 모델은 LiDAR 센서로 측정한 범위 데이터(range data)를 기반으로 현재 위치에 대해 가장 적절한 주행 명령을 예측한다. 입력 데이터 포인트의 개수에 따라 평가하기 위해 6개의 신경망 모델을 설계하였다. 또한 주행 및 학습을 위해 Raspberry Pi 기반의 자율주행 차량을 제작하고, 데이터 수집과 성능 평가를 위한 실내 원형 주행 트랙을 구성하였다. 마지막으로 혼동 행렬(confusion matrix), 응답 시간(response time), 배터리 소모(battery consumption), 주행 명령 정확도(driving command accuracy)를 기준으로 6개의 신경망 모델을 평가하였다. 아울러 신경망 학습을 적용했을 때, 입력 개수의 효과가 자원 사용에서 확인되었다. 본 결과는 실내 자율주행 차량에서 적절한 신경망 모델을 선택하는 데 영향을 미칠 것이다.

실시간으로 엣지 컴퓨팅이 제공할 수 있는 유망한 분야 중 하나는 자율주행이다. 완전 자율주행 차량은 실내 주차장과 같은 건물 내부 및 도로에서 다양한 센서와 통신 모듈을 활용하여 주행할 수 있다. 그러나 실내 주차장과 외부 세계 간 통신이 제한되어 있고, 현재 자율주행 차량은 모든 정보를 독립적으로 처리하는 데 필요한 실시간 성능 역량이 부족하므로, 실내 환경에서 완전 자율주행 차량을 위한 제어 방안을 개발할 필요가 있다. 본 연구에서는 엣지 클러스터 컴퓨팅에 기반한 자율주행 차량용 스마트 주차장을 제안한다. 스마트 주차장은 고정형 엣지와 이동형 엣지 차량으로 구성되며, 주차장 관리를 위해 그리드 맵을 사용한다. 스마트 주차의 성능을 평가하기 위해, 기존 주차 환경에서의 주차 시간과 이동 거리를 비교하였다. 또한 자원 비용과 데이터 전송 횟수를 분석하여, 효과적인 서비스 제공 및 유지보수를 위해 필요한 엣지의 수를 확인하였다.

엣지 컴퓨팅은 사물인터넷의 종단 지역에서 발생하는 사건들을 빠르고 지능적으로 처리할 수 있다. 이를 위해 엣지 영역에는 다수의 사물들이 배치되어야 하고 다양한 형태의 클러스터로 구성될 수 있어야 한다. 그러나 물리적 환경에서 다수의 사물들을 연결하고 동작의 적절성을 확인하는 것은 많은 자원이 요구된다. 또한 구성된 클러스터가 효과적인 구조인지 평가하는 것은 매우 어려운 일이다. 이러한 문제를 해결하기 위해 본 논문에서는 효과적 클러스터 구조를 평가할 수 있는 모의시험기를 제안한다. 제안하는 모의시험기는 라즈베리파이를 물리적 모델로 사용하며 모의시험기의 정확성을 위해 라즈베리파이와의 CPU 사용률, 배터리 사용량, 대역폭 측면에서 유사성을 평가한다. 유사성 평가가 유의미함을 확인하고 두 가지 서비스 프로그램을 통해 성능을 평가한다. 모의시험기의 실험 결과는 엣지 클러스터가 서비스 프로그램 특성에 따라 다양한 구성이 가능해야 함을 보여주며 엣지 클러스터의 적절한 규모를 결정하기 위한 정보를 제공한다.

엣지 컴퓨팅은 사물인터넷(IoT) 네트워크의 단말(end point)에서 발생하는 이벤트를 빠르고 지능적으로 처리하기 위한 것이다. 엣지 컴퓨팅의 의도가 실현되기 위해서는 엣지 영역이 협력을 촉진할 수 있도록 효과적으로 조직되어야 한다. 그러나 엣지 영역에 있는 사물들을 배치하고 사물의 동작 적절성을 확인하는 과정에서 불가피하게 많은 인적·물적 자원이 요구된다. 이러한 문제를 해결하기 위해, 우리는 엣지 컴퓨팅을 위한 가상 공간을 생성하고 엣지 사물에 대해 상호작용 가능한 역할 및 효과적인 조직화 방식을 제공하는 시뮬레이터를 제안하였다. 제안된 시뮬레이터는 물리적 하드웨어 대상인 Raspberry Pi를 목표로 하였다. 제안된 시뮬레이터의 정확성을 입증하기 위해, 여러 애플리케이션을 수행하는 동안 세 가지 지표를 바탕으로 제안된 시뮬레이터와 물리적 타깃인 Raspberry Pi 간의 유사성을 평가하였다. 실험에서는 제안된 시뮬레이터가 형성한 다양한 클러스터 아키텍처 유형에서 여러 엣지 컴퓨팅 서비스 애플리케이션을 수행하였다. 엣지 컴퓨팅을 위한 효율적인 자원 사용과 빠른 실시간 응답을 지원하기 위해, 제안된 시뮬레이터는 엣지 클러스터를 구성하는 데 적합한 사물의 수를 식별하였다.

모바일 엣지 컴퓨팅은 전통적인 클라우드 컴퓨팅의 지연(latency) 문제를 해결하기 위한 해법으로 제안되어 왔다. 특히 모바일 엣지 컴퓨팅은 안전을 위해 지연 없이 대량의 데이터를 처리해야 하는 자율주행과 같은 분야에서 필요하다. 실내 자율주행은 모바일 엣지 컴퓨팅 서비스 중 하나로서 주목받고 있다. 또한 실외 주행과 달리 실내 자율주행은 GPS 장치를 사용할 수 없기 때문에, 위치 인식에는 센서에 의존한다. 그러나 차량을 주행하는 동안 안전을 위해 외부 사건에 대한 실시간 처리와 오류의 보정이 요구된다. 더불어 자원 제약이 있는 모바일 환경이므로 효율적인 자율주행 시스템이 필요하다. 본 연구는 실내 환경에서의 자율주행을 위한 기계학습 방법으로 신경망 모델을 제안한다. 신경망 모델은 LiDAR 센서로 측정한 범위 데이터(range data)를 기반으로 현재 위치에 대해 가장 적절한 주행 명령을 예측한다. 입력 데이터 포인트의 개수에 따라 평가하기 위해 6개의 신경망 모델을 설계하였다. 또한 주행 및 학습을 위해 Raspberry Pi 기반의 자율주행 차량을 제작하고, 데이터 수집과 성능 평가를 위한 실내 원형 주행 트랙을 구성하였다. 마지막으로 혼동 행렬(confusion matrix), 응답 시간(response time), 배터리 소모(battery consumption), 주행 명령 정확도(driving command accuracy)를 기준으로 6개의 신경망 모델을 평가하였다. 아울러 신경망 학습을 적용했을 때, 입력 개수의 효과가 자원 사용에서 확인되었다. 본 결과는 실내 자율주행 차량에서 적절한 신경망 모델을 선택하는 데 영향을 미칠 것이다.

실시간으로 엣지 컴퓨팅이 제공할 수 있는 유망한 분야 중 하나는 자율주행이다. 완전 자율주행 차량은 실내 주차장과 같은 건물 내부 및 도로에서 다양한 센서와 통신 모듈을 활용하여 주행할 수 있다. 그러나 실내 주차장과 외부 세계 간 통신이 제한되어 있고, 현재 자율주행 차량은 모든 정보를 독립적으로 처리하는 데 필요한 실시간 성능 역량이 부족하므로, 실내 환경에서 완전 자율주행 차량을 위한 제어 방안을 개발할 필요가 있다. 본 연구에서는 엣지 클러스터 컴퓨팅에 기반한 자율주행 차량용 스마트 주차장을 제안한다. 스마트 주차장은 고정형 엣지와 이동형 엣지 차량으로 구성되며, 주차장 관리를 위해 그리드 맵을 사용한다. 스마트 주차의 성능을 평가하기 위해, 기존 주차 환경에서의 주차 시간과 이동 거리를 비교하였다. 또한 자원 비용과 데이터 전송 횟수를 분석하여, 효과적인 서비스 제공 및 유지보수를 위해 필요한 엣지의 수를 확인하였다.

엣지 컴퓨팅은 사물인터넷의 종단 지역에서 발생하는 사건들을 빠르고 지능적으로 처리할 수 있다. 이를 위해 엣지 영역에는 다수의 사물들이 배치되어야 하고 다양한 형태의 클러스터로 구성될 수 있어야 한다. 그러나 물리적 환경에서 다수의 사물들을 연결하고 동작의 적절성을 확인하는 것은 많은 자원이 요구된다. 또한 구성된 클러스터가 효과적인 구조인지 평가하는 것은 매우 어려운 일이다. 이러한 문제를 해결하기 위해 본 논문에서는 효과적 클러스터 구조를 평가할 수 있는 모의시험기를 제안한다. 제안하는 모의시험기는 라즈베리파이를 물리적 모델로 사용하며 모의시험기의 정확성을 위해 라즈베리파이와의 CPU 사용률, 배터리 사용량, 대역폭 측면에서 유사성을 평가한다. 유사성 평가가 유의미함을 확인하고 두 가지 서비스 프로그램을 통해 성능을 평가한다. 모의시험기의 실험 결과는 엣지 클러스터가 서비스 프로그램 특성에 따라 다양한 구성이 가능해야 함을 보여주며 엣지 클러스터의 적절한 규모를 결정하기 위한 정보를 제공한다.

엣지 컴퓨팅은 사물인터넷(IoT) 네트워크의 단말(end point)에서 발생하는 이벤트를 빠르고 지능적으로 처리하기 위한 것이다. 엣지 컴퓨팅의 의도가 실현되기 위해서는 엣지 영역이 협력을 촉진할 수 있도록 효과적으로 조직되어야 한다. 그러나 엣지 영역에 있는 사물들을 배치하고 사물의 동작 적절성을 확인하는 과정에서 불가피하게 많은 인적·물적 자원이 요구된다. 이러한 문제를 해결하기 위해, 우리는 엣지 컴퓨팅을 위한 가상 공간을 생성하고 엣지 사물에 대해 상호작용 가능한 역할 및 효과적인 조직화 방식을 제공하는 시뮬레이터를 제안하였다. 제안된 시뮬레이터는 물리적 하드웨어 대상인 Raspberry Pi를 목표로 하였다. 제안된 시뮬레이터의 정확성을 입증하기 위해, 여러 애플리케이션을 수행하는 동안 세 가지 지표를 바탕으로 제안된 시뮬레이터와 물리적 타깃인 Raspberry Pi 간의 유사성을 평가하였다. 실험에서는 제안된 시뮬레이터가 형성한 다양한 클러스터 아키텍처 유형에서 여러 엣지 컴퓨팅 서비스 애플리케이션을 수행하였다. 엣지 컴퓨팅을 위한 효율적인 자원 사용과 빠른 실시간 응답을 지원하기 위해, 제안된 시뮬레이터는 엣지 클러스터를 구성하는 데 적합한 사물의 수를 식별하였다.

사물인터넷 엣지 컴퓨팅 환경에서 실내 자율 주행 기술은 다양한 응용 서비스들을 가능하게 할 수 있는 기반 기술이다. 실내 자율 주행 차량인 스마트 이동 객체는 자신의 위치로부터 목적지까지 스스로 이동할 수 있어야 하며, 이동하는 과정에서 발생할 수 있는 이벤트들에 대해서 적절히 대응할 수 있어야 한다. 카메라 센서는 시각 정보를 제공하여 활용성이 높은 센서 중 하나이지만, 카메라 센서의 전력소비량은 다른 센서들에 비해 높은 편이므로 적절한 수준의 시각 정보를 제공하면서 전력을 효율적으로 소비할 수 있는 엣지 카메라 시스템이 필요하다. 본 논문에서는 라즈베리파이 기반의 엣지 카메라 시스템을 구현하였다. 성능 평가를 위하여 시간에 따른 배터리 사용량의 정량적 비교가 아닌 이벤트 발생 횟수에 따른 전체 배터리 사용량 비교를 하였다. 실험을 통해 엣지 카메라 시스템이 스마트 이동 객체들의 에너지 소모를 감소시키므로 동일한 에너지에서 이동 객체의 동작 영속성 향상에 기여함을 보였다.

날씨 정보에 대한 중요성의 확대로 사물 인터넷 기반의 날씨 정보 응용 프로그램이 증가하고 있다. 하지만 기존 날씨 응용 프로그램은 방대한 양의 날씨 데이터를 효율적으로 저장 및 관리하지 못한다. 또한 날씨 데이터가 보유하고 있는 속성 정보를 활용하지 않으므로 날씨 데이터가 내포하는 의미를 활용한 지능적 검색이 어렵다. 본 논문에서는 이러한 문제들을 해결하기 위해 사물인터넷 미들웨어인 MinT를 활용하여 날씨 정보 관리 온톨로지 시스템을 구축 한다. 사물인터넷 미들웨어에서 온톨로지를 적용하여 방대한 양의 날씨 센싱 데이터를 효율적으로 관리하고 공유할 수 있다. 또한 추론엔진과 규칙기반 정보를 사용함으로써 수집된 센싱 데이터에 의미를 부여하였다. 구축된 날씨 온톨로지를 사용하여 사용자의 질의에 검색결과를 UI를 통해 제공하였다. 성능평가를 위하여 성능척도로 검색결과에 대한 유용성을 사용하였다. 실험 결과에서 제안된 날씨 온톨로지 시스템은 높은 유용성을 가진 검색 결과를 제공함을 보였다.

본 논문에서는 MinT(Things의 협력적 상호작용을 위한 미들웨어)에서 Leader-Follower 접근법을 활용하여 사물인터넷 기반의 SMO(스마트 모바일 오브젝트)를 제안한다. 제안된 시스템에서 리더 모바일 오브젝트와 팔로워 모바일 오브젝트는 이미지 처리에 의한 특정 객체의 실시간 추적과 동시에 장애물을 회피하기 위해 구현된다.

스마트 출입 현황판은 사물인터넷 시대에 유망한 서비스들 중 하나이다. 그러나 기존의 현황판 시스템들은 설치 및 유지보수에 높은 비용이 들지만 제한된 기능함수만을 사용할 수 있고, 근무자들의 재실 여부에 대한 정보가 부정확하게 게시되는 상황이 발생하기도 한다. 본 논문에서는 기존의 문제들을 해결하기 위하여 사무실 안의 객체 정보를 기반으로 현황을 갱신할 수 있는 스마트 출입 현황판 시스템을 제안한다. 시스템은 사무실 입구에 설치되어 있는 인아웃보드, 사무원의 PC 및 어플로 이루어진다. 실내 사람들의 변동을 파악하기 위하여 카메라 영상데이터를 사용하고, 잡음을 줄이기 위하여 모폴로지 방식을 활용하여 객체 검출방법을 사용하였다. 현황판의 동작여부를 판단하기 위하여 주기적인 생존신호가 필요하다. 본 논문에서는 생존 신호의 적절한 전송 주기와 통신 방법을 실험한다. 실험에서 동시 사용자 숫자에 따라서 생존 신호의 전송주기와 통신 방법을 제시하고, 스마트 출입현황판 정보의 신뢰성을 높일 수 있음을 보인다.

IoT 네트워크에 포함된 장치들은 주변 환경을 모니터링하기 위한 센서와 액추에이터를 갖추고 있다. 이들은 배치되는 환경의 특성에 따라 배터리 에너지로 동작한다. IoT 네트워크의 수명을 향상시키기 위해서는 전력 소비율을 줄이기 위해 불필요한 어떤 감지 작업도 피해야 한다. 그러나 기존의 감지 방법들은 고정된 감지 주기 정책을 사용하므로 배터리 전력의 낭비는 불가피하다. 본 논문에서는 IoT 네트워크에서 에너지 소비를 효율적으로 하기 위한 스마트 감지 주기 정책을 제안한다. 제안된 방법은 역전파 신경망에 기반한 학습 모델을 사용한다. 목표 시간 내에 보존되는 배터리 에너지의 양에 있어 잉여나 낭비 없이 배터리 에너지를 효율적으로 사용할 수 있다. 실험에서, 본 제안 방법은 기존의 감지 주기 방법들에 비해 배터리 에너지 소비율에서 향상된 결과를 보였다.