엣지·연합학습 기반 네트워크 자원관리 및 보안/라우팅 최적화

Federated Learning and Edge Networking Optimization for Offloading, Routing, and Security

연구 내용

6G-V2X 오프로딩과 WBAN 라우팅에서 자원·전송 품질을 최적화하고, 피싱 탐지에서 특징 선택·모수 튜닝을 수행하는 연구

차량·엣지 환경에서는 이기종 단말과 프라이버시 제약을 고려하여 연합학습 기반 계산 오프로딩 및 자원관리를 다루며, 엣지 디바이스 정보 업데이트와 모델 학습을 함께 설계하는 접근을 수행합니다. 의료 인프라에 가까운 무선 바디 에어리어 네트워크에서는 에너지·링크 품질·온도를 함께 고려하는 Thermal Aware High Throughput 라우팅 프로토콜로 다중 홉 경로의 신뢰성과 처리량을 개선합니다. 또한 피싱 웹사이트 탐지 문제에서는 diversity-oriented social network search로 특징 선택을 수행하고 extreme learning machine의 튜닝을 결합하여 분류 오류를 낮추는 최적화 프레임을 제안합니다. 산업 현장에서는 딥러닝 공정검사로 STP 이더넷 커넥터 자동 조립 설비 국산화에도 적용합니다.

관련 프로젝트

2건

연구 흐름

초기에는 산업과 보안 도메인에 걸쳐 딥러닝 기반 분류에서 불필요 특징과 하이퍼파라미터가 성능에 미치는 영향을 점검하고, 특징 선택과 ELM 튜닝을 메타휴리스틱으로 연결하는 연구를 수행했습니다. 이후 연도 흐름에서 엣지 컴퓨팅으로 확장되어, 6G-V2X 환경에서 연합학습을 통한 계산 오프로딩·자원관리를 체계화하고 보안·프라이버시 요구를 반영하는 방향으로 심화되었습니다. 동시에 WBAN에서는 온도와 전송 안정성을 고려한 라우팅 프로토콜을 제안하며, 실질 네트워크 성능을 높이는 연구를 병행했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

6G-V2X 오프로딩 최적화
연합학습 기반 프라이버시 보존 학습
이기종 엣지 디바이스 모델 업데이트
WBAN 라우팅 신뢰성 향상
온도·에너지 기반 통신 제어
보안 위협 탐지용 특징 선택
Extreme Learning Machine 튜닝 자동화
네트워크 전송 효율 개선
딥러닝 공정검사 품질 향상
자동 조립 설비 공정 데이터 기반 검사