본 논문에서는 스마트 헬스케어 시스템을 위한 병원 센서 네트워크 배치 방법을 제안한다. 병원 내 센서 노드는 항상 전원을 공급받을 수 있는 환경에 있으므로, 에너지 효율에만 초점을 맞추기보다는 최적의 게이트웨이 배치를 달성하여 안정적인 네트워크 연결성을 확보하는 것이 필수적이다. 제안 기법은 전체 네트워크 운영 비용을 최소화하는 액세스 포인트(AP) 배치를 도출한다. 운영 비용은 단위 시간당 산정하며, 설치 비용과 유지관리 비용을 포함한다. 또한 이동하는 센서 디바이스의 위치가 어디든 관계없이 네트워크 연결성을 보장하기 위해 센서 노드에 그룹 번호를 할당한다. 제안 방법론의 성능은 수치 실험을 통해 검증되었다.

정확한 생체인증 시스템을 위해 사용자의 인증이 현대의 실제 응용에서 점점 더 필요해지고 있다. 얼굴과 지문과 같은 생체 식별자를 기반으로 하는 인증 시스템은 기존의 비밀번호 입력 방식에 비해 다양한 분야에서 적용되고 있다. 얼굴 영상은 등록 및 인증 과정이 비접촉적이며 간결하다는 점에서 가장 널리 사용되는 생체 식별자이다. 그러나 SNS 등에서 비교적 쉽게 얼굴 영상을 획득할 수 있으며, 사진과 동영상을 통한 위조(스푸핑) 문제가 존재한다. 이러한 문제를 해결하기 위해 얼굴 스푸핑 탐지에 관한 많은 연구가 수행되어 왔다. 본 논문에서는 얼굴 영상의 색상과 질감 정보를 사용하여 합성곱 신경망에 기반한 얼굴 스푸핑 탐지 방법을 제안한다. 명도 및 색차 채널과 결합된 색-질감 정보를 국소 이진 패턴(descriptor)으로 분석한다. 색-질감 정보는 색공간에서 Cb, S 및 V 밴드를 사용하여 분석한다. 제안한 방식을 검증하기 위해 CASIA-FASD 데이터셋을 사용하였다. 제안한 체계는 선행 연구에서 개발된 기존의 최신 방법들보다 더 우수한 성능을 보였다. AI FPGA 보드를 고려하여 기존 방법들의 성능을 평가하고, 본 논문에서 제안한 방법과 비교하였다. 이러한 결과를 바탕으로, 제안된 방법이 엣지 환경에서 효과적으로 구현될 수 있음을 확인하였다.

본 논문에서는 주어진 센서 네트워크 토폴로지에 대해 게이트웨이 배치를 효율적으로 찾는 방법을 제시한다. 우리는 만료된 센서와 게이트웨이가 교체될 수 있으며, 게이트웨이의 위치는 주어진 센서 노드 중에서 선택된다고 가정한다. 본 연구의 목적은 유지보수 및 설치 비용으로 구성되는 단위 시간당 비용을 최소화하는 게이트웨이 배치를 찾는 것이다. 제안하는 알고리즘은 비용 기준(cost reference)을 생성하고, 분할 정복(divide and conquer) 알고리즘을 통해 이를 이용하여 최적 배치를 도출한다. 모든 경우를 비교하는 방법은 최적 게이트웨이 배치를 찾는 데 가장 신뢰할 수 있으나, 노드 수가 증가할수록 계산 시간이 지수적으로 증가하므로 실제로는 계산이 불가능하다. 제안 방법은 선형적으로 증가하므로 대규모 네트워크에 적합하다. 또한 유전 알고리즘과 같은 확률적(stochastic) 알고리즘에 비해, 이 방법론은 많은 수의 노드에 대해서 계산 속도와 정확성 측면에서 장점을 가진다. 우리는 또한 여러 수치 실험을 통해 본 방법론을 검증한다.

본 논문에서는 스마트 헬스케어 시스템을 위한 병원 센서 네트워크 배치 방법을 제안한다. 병원 내 센서 노드는 항상 전원을 공급받을 수 있는 환경에 있으므로, 에너지 효율에만 초점을 맞추기보다는 최적의 게이트웨이 배치를 달성하여 안정적인 네트워크 연결성을 확보하는 것이 필수적이다. 제안 기법은 전체 네트워크 운영 비용을 최소화하는 액세스 포인트(AP) 배치를 도출한다. 운영 비용은 단위 시간당 산정하며, 설치 비용과 유지관리 비용을 포함한다. 또한 이동하는 센서 디바이스의 위치가 어디든 관계없이 네트워크 연결성을 보장하기 위해 센서 노드에 그룹 번호를 할당한다. 제안 방법론의 성능은 수치 실험을 통해 검증되었다.

정확한 생체인증 시스템을 위해 사용자의 인증이 현대의 실제 응용에서 점점 더 필요해지고 있다. 얼굴과 지문과 같은 생체 식별자를 기반으로 하는 인증 시스템은 기존의 비밀번호 입력 방식에 비해 다양한 분야에서 적용되고 있다. 얼굴 영상은 등록 및 인증 과정이 비접촉적이며 간결하다는 점에서 가장 널리 사용되는 생체 식별자이다. 그러나 SNS 등에서 비교적 쉽게 얼굴 영상을 획득할 수 있으며, 사진과 동영상을 통한 위조(스푸핑) 문제가 존재한다. 이러한 문제를 해결하기 위해 얼굴 스푸핑 탐지에 관한 많은 연구가 수행되어 왔다. 본 논문에서는 얼굴 영상의 색상과 질감 정보를 사용하여 합성곱 신경망에 기반한 얼굴 스푸핑 탐지 방법을 제안한다. 명도 및 색차 채널과 결합된 색-질감 정보를 국소 이진 패턴(descriptor)으로 분석한다. 색-질감 정보는 색공간에서 Cb, S 및 V 밴드를 사용하여 분석한다. 제안한 방식을 검증하기 위해 CASIA-FASD 데이터셋을 사용하였다. 제안한 체계는 선행 연구에서 개발된 기존의 최신 방법들보다 더 우수한 성능을 보였다. AI FPGA 보드를 고려하여 기존 방법들의 성능을 평가하고, 본 논문에서 제안한 방법과 비교하였다. 이러한 결과를 바탕으로, 제안된 방법이 엣지 환경에서 효과적으로 구현될 수 있음을 확인하였다.

본 논문에서는 주어진 센서 네트워크 토폴로지에 대해 게이트웨이 배치를 효율적으로 찾는 방법을 제시한다. 우리는 만료된 센서와 게이트웨이가 교체될 수 있으며, 게이트웨이의 위치는 주어진 센서 노드 중에서 선택된다고 가정한다. 본 연구의 목적은 유지보수 및 설치 비용으로 구성되는 단위 시간당 비용을 최소화하는 게이트웨이 배치를 찾는 것이다. 제안하는 알고리즘은 비용 기준(cost reference)을 생성하고, 분할 정복(divide and conquer) 알고리즘을 통해 이를 이용하여 최적 배치를 도출한다. 모든 경우를 비교하는 방법은 최적 게이트웨이 배치를 찾는 데 가장 신뢰할 수 있으나, 노드 수가 증가할수록 계산 시간이 지수적으로 증가하므로 실제로는 계산이 불가능하다. 제안 방법은 선형적으로 증가하므로 대규모 네트워크에 적합하다. 또한 유전 알고리즘과 같은 확률적(stochastic) 알고리즘에 비해, 이 방법론은 많은 수의 노드에 대해서 계산 속도와 정확성 측면에서 장점을 가진다. 우리는 또한 여러 수치 실험을 통해 본 방법론을 검증한다.

모바일 엣지 컴퓨팅(Mobile Edge Computing, MEC)의 존재는 로컬 통신을 가능하게 함으로써 사용자 서비스 품질(Quality of Service, QoS)을 향상시킬 수 있는 새로운 대단한 기회를 제공한다. 제5세대(5G) 통신은 무선 액세스 네트워크(Radio Access Network, RAN)에서 대규모 연결성을 제공하는 형태로 구성되며, 막대한 사용자 트래픽이 발생하여 각각 프런트홀(fronthaul) 및 백홀(backhaul) 게이트웨이로 전송된다. 프런트홀 및 백홀 게이트웨이는 일반적으로 광 네트워크를 사용하여 설치되므로, 유입 트래픽이 게이트웨이의 수용량을 초과할 때 병목 네트워크가 발생한다. 초저지연(Ultralaow Latency, ULL) 관점에서의 실시간 통신 요구사항을 충족하기 위해서는 상기 문제들을 해결해야 한다. 본 논문에서는 양 게이트웨이에서 사용자 트래픽을 처리하기 위한 MEC 기반 지능형 실시간 트래픽 제어 방안을 제안한다. 이 방법은 사용자 트래픽을 대화(conversation), 스트리밍(streaming), 인터랙티브(interactive), 백그라운드(background) 통신 등 네 가지 통신 클래스로 분할하였다. 그리고 MEC 서버를 게이트웨이에 통합하여 분할된 트래픽을 캐싱하도록 하였다. 이후 MEC 서버는 각 사용자 트래픽 슬라이스를 그에 해당하는 QoS 요구사항에 따라 처리할 수 있다. 평가 결과, 제안된 방안은 지연, 지터, 처리율(throughput) 측면에서 기존 방식보다 우수한 성능을 보이며 QoS를 향상시키는 것으로 나타났다. 시뮬레이션 결과를 바탕으로, 본 방안은 IoT 센서 데이터와 같은 시간 민감형 통신의 개선에 적합함을 확인하였다. 또한 시뮬레이션 결과는 컴퓨터 소프트웨어 시뮬레이션을 통해 검증되었다.

사물인터넷(Internet of Things, IoT) 센서 네트워크의 배치가 급속히 증가함에 따라 데이터 생성이 기하급수적으로 늘어나고, 효율적인 자원 관리 인프라에 대한 전례 없는 수요가 발생하고 있다. 다중의 상이한(heterogeneous) 네트워크 도메인에 걸친 종단 간(end-to-end) 통신을 보장하는 것은, 저지연과 높은 연산 처리 능력과 같은 QoS(Quality of Service) 요구사항을 IoT 애플리케이션에 대해 유지하는 데 결정적으로 중요하다. 그러나 다중 접속 에지 컴퓨팅(Multi-access Edge Computing, MEC)에서의 제한된 컴퓨팅 자원과, 작업 오프로딩(task offloading) 과정에서 증가하는 IoT 네트워크 요청은 네트워크 혼잡, 서비스 지연, 비효율적인 자원 활용을 야기하여 전체 시스템 성능을 저하시킬 수 있다. 본 논문은 이러한 문제를 해결하기 위해 지능형 작업 오프로딩 및 자원 오케스트레이션(resource orchestration) 프레임워크를 제안하며, 그 결과 동적인 IoT-MEC 환경에서 에너지 소비, 연산 비용, 네트워크 혼잡, 서비스 지연을 최적화한다. 제안 프레임워크는 작업 오프로딩과 동적 자원 오케스트레이션 전략을 도입하며, 여기서 MEC 서버로의 작업 오프로딩은 연산 작업량의 효율적인 분배를 보장한다. 동적 자원 오케스트레이션 과정, 버추얼 네트워크 기능(Virtual Network Functions, VNFs) 배치에서의 서비스 기능 체이닝(Service Function Chaining, SFC), 그리고 라우팅 경로 결정은 네트워크 전반에서의 서비스 실행을 최적화한다. 적응적이고 지능적인 의사결정을 달성하기 위해, 제안된 접근법은 Deep Reinforcement Learning(Deep 강화학습, DRL)을 활용하여 자원을 동적으로 할당하고 작업 실행을 오프로딩함으로써 전체 시스템 효율을 향상시키고 에지 컴퓨팅에서의 최적 정책을 해결한다. 네트워크 자원 조정 정책과 작업 오프로딩을 최적으로 학습하는 데 활용되는 Deep Q-network(Deep Q-네트워크, DQN)은 SFC 배치 평가에서 유연한 적응을 보장한다. 시뮬레이션 결과는 DRL 기반 방식이 누적 보상, 감소된 서비스 지연, 낮아진 에너지 소비, 향상된 전달(delivery) 및 처리량(throughput) 측면에서 기준(reference) 방식에 비해 유의하게 우수함을 보여준다.

IoT 기술과 빅데이터 컴퓨팅의 도입과 함께 WSN(무선 센서 네트워크; Wireless Sensor Networks)의 중요성이 증대되고 있다. 감지된 어떠한 데이터든 에너지 효율적이며 수집 효율적으로 전달하기 위해 다수의 새로운 무선 매체 접근 제어(MAC) 프로토콜이 제안되어 왔고, 이러한 MAC 스킴은 다가오는 제4차 산업혁명으로 이어지는 다수의 IoT 시스템의 기반이 된다. WSN은 다양한 IoT 센서로부터 빅데이터를 수집하는 데 매우 중요한 역할을 수행한다. 또한 센서를 구동하는 배터리 용량이 제한되어 있으므로, 에너지 절감형 MAC 기술에 대한 연구가 최근에 활발히 진행되고 있다. 더 나아가 빅데이터 컴퓨팅을 위한 새로운 IoT 기술이 다양한 요구를 충족시키기 위해 등장함에 따라, 센서와 싱크(sink) 모두가 이동성을 가져야 한다. 동적 토폴로지 및 잦은 물리적 변화가 있는 WSN의 안정성을 보장하기 위해, 기존의 MAC 스킴은 센서의 에너지 효율성과 수집 효율성, WSN의 커버리지, 싱크의 데이터 수집 방법을 포함하는 새로운 WSN 환경에 더 잘 적응하도록 조정되어야 한다. 이러한 문제를 해결하기 위해, 본 논문에서는 모바일 다중 싱크를 갖는 모바일 센서 네트워크를 위한 자기조직화(self-organization) 스킴을 제안하고, 이를 3차원 그룹 관리 MAC 프로토콜에 적응하도록 검증하였다. 성능 평가는 제안된 스킴이 다양한 사용 사례에서 기존 스킴들보다 우수함을 보여준다. 따라서, 제안된 자기조직화 스킴은 빅데이터를 다루는 다양한 컴퓨팅 및 네트워킹 환경에 적용 가능할 수 있다.