메타버스는 몰입형 실시간 경험을 약속하지만, 엄격한 지연(latency) 및 자원 요구를 충족하는 일은 여전히 주요 과제이다. 기존의 최적화 기법은 동적인 엣지 조건과 높은 사용자 부하 하에서 효과적으로 대응하기 어렵다. 본 연구에서는 컴퓨팅-인-더-네트워크(Computing-in-the-network, COIN)와 멀티액세스 엣지 컴퓨팅(Multi-access edge computing, MEC)을 결합한 슬라이스(slic e) 기반 인-네트워크 엣지 아키텍처를 탐구한다. 또한 무선 및 컴퓨팅 자원 관리의 결합 문제를, 최적 슬라이스 선택을 포함하여 혼합정수 비선형계획법(Mixed-Integer Nonlinear Program, MINLP)으로 정식화한다. 이 모델을 온라인으로 해결하는 데는 계산적으로 높은 부담이 따르므로, 이를 세 가지 하위 문제로 분해한다: (SP1) 슬라이스 내부 할당, (SP2) 슬라이스 간 할당, (SP3) 오프로딩(offloading) 결정. 그리고 오프라인에서 얻은 최적 해에 대해 분산 계층형 DeepSets 기반 모델(DeepSets-S)을 학습한다. 제안하는 모델에서는 공유 인코더(shared encoder)와 태스크 특화 디코더(task-specific decoders)를 위한 슬랙 인지(slack-aware) 정규화 메커니즘을 설계하여, 가변 크기의 무선 단말(Wireless device, WD) 집합에 대해 순열 동치성(permutation equivariance)이 보장되도록 한다. 학습된 시스템은 추론 시간은 낮으면서도 거의 최적에 가까운 할당을 산출하고, 가변 크기 단말 집합에 대한 순열 동치성을 유지한다. 실험 결과는 DeepSets-S가 SP1/SP2에서 허용도 기반 정확도(tolerance-based accuracies)를 높게 달성함을 보여주며(Acc1 = 95.26% 및 95.67%), SP3에서 다중 클래스 오프로딩 정확도(Acc = 0.7486) 및 이진 로컬/오프로딩 정확도(이진 local/offload Acc = 0.8824)를 향상시킨다. 정확해를 구하는 해법(exact solvers)과 비교하면, 제안 접근법은 실행 시간을 86.1% 감소시키면서도 대표적인 조건(regimes)에서 최적 시스템 비용을 6.1% 이내로 밀접하게 추종한다. 기준(baseline) 모델과 비교할 때 DeepSets-S는 COIN/MEC 자원 전반에서 비용 비율(cost ratio)과 활용도(utilization)를 일관되게 더 높게 달성한다.

그래프 신경망은 다수의 구성요소를 갖는 데이터 기반 복잡계인 5세대(5G) 코어 네트워크 디지털 트윈에서 주목받고 있다. 이러한 데이터의 분석은 드문 고장 유형으로 인해 어려울 수 있으며, 그 결과 다중 클래스 설정에서 분류의 불균형이 발생한다. 5G 네트워크의 디지털 트윈은 고장 유형을 식별하는 주요 방법으로 그래프 분류를 점차 활용하고 있다. 그러나 고장 발생의 치우친 분포는 그래프 데이터 마이닝의 실용을 저해하는 중요한 클래스 불균형 문제이다. 선행 연구는 이러한 복잡한 문제를 충분히 다루지 못했다. 본 논문은 각 클래스에 대해 고유한 스펙트럴 필터를 추정함으로써 정밀한 분류를 보장하기 위해 클래스 지향 스펙트럴 필터링 메커니즘을 도입하는 클래스-푸리에 GNN(CF-GNN)을 제안한다. 본 연구는 소수 클래스의 변이에 포착하고 적응하기 위해 고유값 및 고유벡터 기반 스펙트럴 필터링을 활용하여, 클래스별 특징 구별을 정확하게 보장하고, 종단(end-to-end) 설정에서 이웃들 사이의 복잡한 국소 구조에 대한 그래프 표현 학습을 효과적으로 수행한다. 광범위한 실험 결과, 제안된 CF-GNN이 분류기를 향상시키기 위한 새로운 기법을 만드는 데 기여할 수 있으며, 네트워크 디지털 트윈 시스템에서 다중 클래스 불균형 데이터의 특성을 탐구할 수 있음을 보여준다.

기술 발전의 속도가 가속화됨에 따라 전기 에너지 저장의 역할은 점점 더 중요해지고 있다. 다양한 저장 솔루션 중 슈퍼커패시터는 상당한 주목을 받고 있다. 높은 출력 밀도, 빠른 충·방전 능력, 긴 수명 주기와 같은 독특한 특성은 슈퍼커패시터를 기존 배터리에 대한 유망한 대안으로 자리매김하게 한다. 본 연구는 단일 단계 수열 합성(single-step hydrothermal) 방법을 이용하여 산화니켈(NiO)과 산화니켈/산화그래핀(NiO/GO) 복합체를 합성하고, 이들의 슈퍼커패시터 전극 재료로서의 잠재력을 평가하고자 하였다. 합성된 NiO, 그래핀 산화물(GO), NiO/GO 복합체는 결정 구조 및 화학적 결합을 분석하기 위해 X선 회절(X-ray diffraction, XRD), 주사전자현미경(scanning electron microscopy, SEM), 라만 분광법(Raman spectroscopy)을 사용하여 종합적으로 특성 분석을 수행하였다. XRD 분석은 GO 도입 후에도 변화 없이 마름모꼴(rhombohedral) 결정 구조를 갖는 NiO 상의 형성을 확인하였다. SEM 분석에서는 구형의 NiO 입자 형성과 NiO/GO 복합체의 다공성 형태가 관찰되었으며, 이 역시 구형의 형상을 나타내었다. GO는 무작위로 배열된 주름진 판상 구조를 보였다. 전기화학 분석 결과, NiO/GO 복합체는 전류 밀도 1 A g -1 에서 893 F g -1 의 현저한 비정전용량을 나타내어 NiO와 GO 단독보다 우수하였고, NiO/GO가 슈퍼커패시터 응용에 대해 유망한 성능을 보임을 입증하였다. Nyquist plot으로부터 도출된 전하 전달 저항은 전하 전달 저항의 감소가 향상된 정전용량에 크게 기여했음을 시사한다. 또한 5 A g -1 에서 5,000 사이클 이상의 추가 안정성 연구를 통해 초기 비정전용량의 85% 유지율이 확인되어, GO 포함이 장기 성능을 향상시키기 위한 재료 유지 특성의 장점을 제공함을 확인하였다. NiO/GO//활성탄(AC) 구성의 전극을 이용하여 조립한 비대칭 슈퍼커패시터(ASC)는 전류 밀도 0.5 A g -1 에서 획득한 비정전용량 77.8 F g -1 을 나타내었다.

새로운 네트워크인 ‘Digital Twin Network’(DTN)는 ‘Digital Twin’(DT) 기술을 활용하여 실제 사물의 가상 쌍둥이를 생성한다. 5G, 사물인터넷(Internet of Things), 클라우드 컴퓨팅 기술의 발전과 더불어 새로운 네트워크 서비스의 출현으로 인해 네트워크의 부하와 규모는 계속해서 증가하고 있다. 그 결과 네트워크의 운영 및 유지보수가 더욱 어려워지고 있다. 디지털 트윈은 현실 세계와 디지털 세계를 연결하여 양방향으로 데이터를 교환하고, 네트워크 프로세스의 진행에 관한 정보를 드러낸다. 본 논문에서는 산업 사물인터넷(Industrial Internet of Things) 프레임워크, 데이터 처리, 그리고 디지털 트윈 네트워크를 핵심 요소로서 고려한다. 본 논문은 물리적 네트워크 계층(Physical Network Layer, PNL), 디지털 트윈 계층(Digital Twin Layer, DTL), 애플리케이션 계층(Application Layer, AL) 및 이러한 계층이 포괄하는 내용과 그 이상의 범위를 포함하는 데이터 주도형 디지털 트윈 네트워크 아키텍처를 제안한다. 또한 데이터 통합에 사용될 DTN 데이터 유형과 프로토콜을 제시하였다.

가상현실/증강현실, 홀로그램 콘텐츠, 메타버스를 포함하는 몰입형 서비스의 확산은 통신 네트워크의 복잡성을 증가시켰고, 그 결과 네트워크 관리의 복잡성 또한 심화되었다. 최근에는 통신 네트워크 분야에 디지털 트윈 기술을 적용하는 디지털 트윈 네트워크 기술이 복잡한 현대 네트워크를 관리하는 효과적인 수단이 될 것으로 예측되어 왔다. 본 논문에서는 디지털 트윈 네트워크 내에서의 흐름과 데이터 관점의 네트워크 모델링을 통합 구조로 보여주는 디지털 트윈 네트워크 데이터 파이프라인 아키텍처를 제안한다. 또한 대규모 스트리밍 데이터의 사용을 요구하는 디지털 트윈 네트워크를 구현하기 위해 데이터 특성 추출 기법을 활용한 네트워크 트래픽 모델링 기법을 제안한다. 제안된 방법은 OMNeT++ 환경에서 생성된 데이터를 활용하며, 특성 추출 간격에 따라 학습 시간이 약 25% 감소하는 동시에 정확도는 유사하게 유지됨을 검증한다.

무선 임피던스 모니터링 시스템인 SSeL-Pi는 유선 상용 임피던스 분석기에 비해 저렴하고, 이동 가능하며, 사용이 편리한 실용적 기능을 갖추도록 설계되었다. Raspberry Pi 플랫폼 임피던스 센서 노드는 최대 100 kHz의 저주파 범위에서 신호를 측정하도록 설계되었다. 제안된 노드를 통한 저주파 임피던스 측정은 구조적 손상에 민감한 국소 반응을 측정하기 위한 새로운 PZT 인터페이스 기법과 결합되었다. 새로운 PZT 인터페이스는 표면 부착형 또는 매립형 센서로 동작할 수 있으며, 국소 동특성은 수치적으로 분석되어 100 kHz 미만의 유효 임피던스 공진 주파수 범위를 사전에 결정할 수 있도록 하였다. 다음으로, 제안된 SSeL-Pi 시스템(즉, Raspberry Pi 플랫폼과 PZT 인터페이스)의 입력/출력 파라미터를 시각화하고 임피던스 센서 노드의 신호 획득 절차를 자동화하기 위한 소프트웨어 구성이 설계되었다. 제안된 시스템에서 얻은 임피던스 신호에 대한 보정은 실수부 및 허수부 임피던스를 획득하는 것부터, 이를 상용 임피던스 분석기(HIOKI-3532)에 대해 조정하는 일련의 절차를 통해 수행되었다. 무선 임피던스 모니터링 시스템의 타당성은 다양한 압축 하중을 받는 PZT 인터페이스에 대해 실험적으로 평가하였다. SSeL-Pi 및 HIOKI 3532 시스템이 측정한 신호로부터 분석된 일관된 결과가 관찰되었다. 또한, 임피던스 특징(주파수 이동 및 RMSD 지수)과 PZT 인터페이스의 압축 응력 간의 강한 상관관계는 Raspberry Pi 플랫폼 임피던스 센서 노드 및 개발된 PZT 인터페이스를 이용하여 실제 구조물에서 축방향 힘/응력 변화를 모니터링할 가능성을 보여주었다.

피어-투-피어(P2P) 비디오 스트리밍은 인터넷에서 가장 빠르게 성장하는 애플리케이션이다. 주요 과제 중 하나는 네트워크의 동적 거동(dynamic behavior)으로 인해 높은 수준의 서비스 품질을 제공하는 것이다. 이는 피어가 언제든지 참여하거나 떠날 수 있기 때문이다. 현재 P2P 스트리밍 네트워크에는 두 가지 유형의 사용자들이 존재한다. 첫째, 스트리밍 사용자로, 3G/4G 연결을 사용하는 모바일 기기를 통해 즉시 실시간 영상을 시청하기를 기대한다. 둘째, 저장 사용자로, 유선 인터넷을 사용하는 PC에서 영상을 다운로드한 후 나중에 시청한다. 우리는 스트리밍 사용자가 시간이 지나면 해당 영상이 자신의 관심사와 맞지 않는다고 판단할 경우 실시간 시청을 중단할 수 있음을 인식하였다. 사용자가 떠나는 현상은 데이터 전달에 있어 동적 변화와 영향을 초래한다. 반면에, 영상을 다운로드 중인 저장 사용자는 관심사 및 재생 품질에 대한 우려가 없으며, 영상을 시청하기 시작할 때까지 이러한 문제가 고려되지 않는다. 따라서 저장 사용자는 스트리밍 사용자에 비해 상대적으로 더 안정적이다. 본 논문에서는 저장 사용자가 스트리밍 사용자보다 방송자(broadcaster)에 더 가깝다는 점을 바탕으로, 저장 사용자를 포함하는 P2P 스트리밍 시스템의 토폴로지 구성 및 유지 관리에 관한 전략을 조사한다. 또한 본 아이디어를 하이브리드 푸시-풀(hybrid push-pull) 프로토콜에 적용하여, 풀(pull)과 푸시(push) 메커니즘의 장점을 결합함으로써 실시간 비디오 전달을 위한 더 나은 비디오 스트리밍 품질을 제공한다.

마이크로서비스 아키텍처는 인프라 관리의 높은 효율성과 대규모 사용자 서비스 제공 능력으로 인해 클라우드 컴퓨팅을 위한 강력한 패러다임으로 부상해 왔다. 클라우드 제공자는 자동 스케일링과 프로비저닝과 같은 지속적으로 변화하는 수요를 충족하기 위해 유연한 자원 관리가 필요하다. 상용 및 오픈소스 컴퓨팅 플랫폼 모두에서 사용되는 일반적인 접근법은 워크로드 기반 자동 스케일링으로, 유입 요청의 수를 늘려 인스턴스를 확장한다. 동시성(Concurrency)은 최근 진화하는 마이크로서비스 프레임워크에서 제안된 요청 기반 정책이며, 이 정책에서는 알고리즘이 각 인스턴스에서 병렬로 처리하도록 구성된 최대 요청 수까지 자원을 확장할 수 있다. 그러나 워크로드와 인프라 특성의 복잡성에 따라 처리량과 지연 시간이 달라질 수 있는 여러 요인이 존재하므로, 최상의 서비스 품질을 제공하는 동시성 구성(concurrency configuration)을 식별하는 데는 어려움이 있음이 입증되었다. 따라서 본 연구는 마이크로서비스 프레임워크에서 요청 기반 자동 스케일링에 인공지능 접근법을 적용할 수 있는지 검증하고자 하였다. 그 결과, 제안된 모델은 제한된 수의 pod 내에서 효과적인 확장 정책을 학습할 수 있었으며, 기반이 되는 자동 확장 구성(underlying auto expansion configuration) 대비 향상된 성능을 보였다.