차량의 궤적 예측은 지능형 교통시스템(Intelligent Transportation Systems)에서 핵심적인 구성요소로 부상하고 있다. 교차로 및 신호 제어 장치와 같은 외부 요인이 운전자의 고유한 습관뿐 아니라 주행 패턴에 유의미한 영향을 미치는 도시 도로에서는, 예측 과제가 훨씬 더 어렵다. 또한 장기 궤적 예측은 시간이 지남에 따라 예측 오차가 누적되어, 실제 도로와 크게 달라질 수 있는 실질적으로 부정확한 예측이 초래된다. 이러한 문제에 대한 해결책으로, 본 연구에서는 오차 누적에 강건하며 도로 이탈(off-road) 예측을 방지하는 장기 차량 궤적 예측 방법을 제안한다. 본 연구에서는 Transformer 모델을 활용하여 차량 궤적을 분석하고 예측한다. 더불어, 운전자의 인근 상황에 대한 추상적 표현을 생성함으로써 외부 요인이 주행 패턴에 미치는 영향을 정밀하게 포착하기 위한 추가 인코딩 네트워크를 제안한다. 도로 이탈 예측을 피하기 위해, 예측을 도로 기하(road geometry)에 투영하는 후처리 방법인 링크 프로젝션(link projection)을 제안한다. 또한 전체 궤적의 정확도를 평가함에 있어 유클리드 거리 기반 평가 지표의 한계를 극복하기 위해, area-between-curves(ABC)라는 새로운 메트릭을 제안한다. 이는 두 궤적 간의 유사성을 측정하며, 따라서 두 궤적 간의 일치 정도를 효과적으로 평가할 수 있다. 제안한 접근법의 유효성을 입증하기 위해, 실제 데이터를 이용한 대규모 평가를 널리 사용되는 방법들과 비교하여 수행하였다. 그 결과, 제안한 접근법은 기존의 전통적 딥러닝 모델보다 RMSE 기준 최대 65.74%, MAE 기준 60.13%, ABC 기준 91.45%까지 성능이 우수한 것으로 나타났다.

연합 학습(Federated learning, FL)은 원시 데이터를 공유하지 않고도 협력적 모델 학습을 가능하게 하는 기계 학습(ML) 기법으로, 데이터가 기기 전반에 분산되어 있고 개인정보 보호가 중요한 사안인 사물인터넷(Internet of Things, IoT) 응용에 이상적이다. 무선 센서 네트워크(Wireless Sensor Networks, WSNs)는 물리적 환경으로부터 데이터를 수집함으로써 IoT 시스템에서 핵심적인 역할을 한다. 본 논문은 FL, IoT, WSN의 통합에 관한 종합적인 설문조사를 제시한다. FL의 기초, 전략, 유형을 다루고, 다양한 분야에서 FL, IoT, WSN의 통합에 대해 논의한다. 본 논문은 FL에서의 이기종성(heterogeneity)과 관련된 문제를 다루며, 이 분야의 최신 연구 동향을 요약한다. 또한 보안 및 개인정보 보호 관점과 성능 평가 방법론을 탐구한다. 본 논문은 FL, IoT, WSN에서의 최신 성과와 잠재적 연구 방향을 개관하고, 현재의 기술 발전 맥락에서 조사된 주제들의 중요성을 강조한다.

분산되고 개인정보를 보존하는 연합 학습(Federated Learning, FL)은 지능형 IoT 응용을 개발하는 데 에지 컴퓨팅 시스템과 결합되어 논의되어 왔다. 그러나 각 FL 노드에서 데이터를 개별적으로 수집하는 경우, 독립적이고 동일한 분포(independent and identically distributed, IID)가 아닌 학습 데이터(non-IID)가 발생할 수 있으며, 이는 FL 성능을 크게 저하시킬 수 있다. 이를 해결하기 위해 본 연구에서는 FL 클라이언트가 더 많은 데이터셋에서 자신의 모델을 학습할 수 있도록 하여, 집합적으로 IID 가상 데이터셋을 형성하는 모델 전이(model transfer) 접근법을 제안한다. 제안된 접근법에서는 로컬 모델이 경험한 데이터 라벨 분포를 기준으로 FL 클라이언트를 전이 요구(transfer-demand)형 또는 집계 성향(aggregation-inclined)형으로 분류한다. 전이 요구형 클라이언트는 자신에게 부족한 라벨을 보완할 수 있는 헬퍼 클라이언트(helper client)로 모델을 전이하는 반면, 집계 성향형 클라이언트는 학습 모델에 충분한 라벨을 보유하므로 모델 집계에 참여한다. 그러나 두 개 이상 전이 요구형 클라이언트가 동일한 헬퍼 클라이언트에 대해 경쟁할 수 있다. 이 경쟁을 해결하기 위해 최소 비용 최대 매칭(minimum-cost maximum-matching, MCMM) 프레임워크와 정수 선형 계획법(integer linear programming)을 적용하여 최적해를 도출한다. FL 클라이언트 간 모델 전송 비용을 최소화하기 위해, 로컬 모델을 클라이언트로부터 집계하는 파라미터 서버(parameter server)를 동적으로 할당하기 위한 스테이너 트리(Steiner tree) 기반 해법을 사용한다. 마지막으로 다양한 문제에 대해 광범위한 시뮬레이션 실험을 수행하였으며, 제안된 접근법은 MNIST의 경우 정확도 99.02%를 달성하고 통신 비용을 20%~66% 범위 내에서 감소시키는 등, CIFAR-10 데이터셋의 경우 비(非)IID 기준 접근법에 비해 정확도를 최소 24% 향상시키고 통신 비용을 29.48%~63.09% 범위 내에서 개선한다.

클라우드 컴퓨팅에 비해 모바일 엣지 컴퓨팅(MEC)은 종단 사용자에 가까운 위치에 있기 때문에 지연에 민감한 애플리케이션에 대한 유망한 해결책이다. MEC는 인근 엣지 서버로 자원이 많이 소모되는 작업을 오프로딩(offloading)할 수 있는 능력 덕분에, 자원 제약이 있는 단말에서도 컴퓨팅 및 스토리지 집약적인 다양한 애플리케이션이 동작할 수 있게 한다. MEC를 최적으로 활용하면 응답성과 서비스 품질을 향상시킬 수 있지만, 사용자 기지국(기지국) 연결(user-base station association), 가상화된 자원 제공(virtualized resource provisioning), 그리고 작업 분배(task distribution) 관점에서 신중한 설계가 필요하다. 또한 기존 문헌에서 연합(federation) 개념이 제한적으로 탐구되어 왔음을 고려할 때, 자원의 할당과 관리에 대한 그 영향은 여전히 널리 인지되지 않은 상태이다. 본 논문에서는 일부 엣지 서버가 연합되어 동일한 연합 내에서의 자원 확장이 제한되는 상황을 전제로, 네트워크 및 MEC 자원 스케줄링 문제를 연구한다. 네트워크와 MEC의 통합은 핵심이며, 공동 접근 방식의 필요성을 강조한다. 본 연구에서는 연결 최적화와 수직 및 수평 스케일링을 효과적으로 통합할 수 있는 2단계 알고리즘 형태로 제안된 NAFEOS를 제시한다. 1단계에서는 사용자 기지국 연결과 연합 할당을 최적화하여 엣지 서버를 균형 있게 활용할 수 있도록 한다. 이후 2단계에서는 사용자로부터 발생하는 변동하는 작업 오프로딩 수요를 충족하도록 수직 및 수평 스케일링을 동적으로 스케줄링한다. 광범위한 평가와 비교 결과는 제안된 접근 방식이 최적의 자원 활용을 효과적으로 달성할 수 있음을 보여준다.

차량의 궤적 예측은 지능형 교통시스템(Intelligent Transportation Systems)에서 핵심적인 구성요소로 부상하고 있다. 교차로 및 신호 제어 장치와 같은 외부 요인이 운전자의 고유한 습관뿐 아니라 주행 패턴에 유의미한 영향을 미치는 도시 도로에서는, 예측 과제가 훨씬 더 어렵다. 또한 장기 궤적 예측은 시간이 지남에 따라 예측 오차가 누적되어, 실제 도로와 크게 달라질 수 있는 실질적으로 부정확한 예측이 초래된다. 이러한 문제에 대한 해결책으로, 본 연구에서는 오차 누적에 강건하며 도로 이탈(off-road) 예측을 방지하는 장기 차량 궤적 예측 방법을 제안한다. 본 연구에서는 Transformer 모델을 활용하여 차량 궤적을 분석하고 예측한다. 더불어, 운전자의 인근 상황에 대한 추상적 표현을 생성함으로써 외부 요인이 주행 패턴에 미치는 영향을 정밀하게 포착하기 위한 추가 인코딩 네트워크를 제안한다. 도로 이탈 예측을 피하기 위해, 예측을 도로 기하(road geometry)에 투영하는 후처리 방법인 링크 프로젝션(link projection)을 제안한다. 또한 전체 궤적의 정확도를 평가함에 있어 유클리드 거리 기반 평가 지표의 한계를 극복하기 위해, area-between-curves(ABC)라는 새로운 메트릭을 제안한다. 이는 두 궤적 간의 유사성을 측정하며, 따라서 두 궤적 간의 일치 정도를 효과적으로 평가할 수 있다. 제안한 접근법의 유효성을 입증하기 위해, 실제 데이터를 이용한 대규모 평가를 널리 사용되는 방법들과 비교하여 수행하였다. 그 결과, 제안한 접근법은 기존의 전통적 딥러닝 모델보다 RMSE 기준 최대 65.74%, MAE 기준 60.13%, ABC 기준 91.45%까지 성능이 우수한 것으로 나타났다.

연합 학습(Federated learning, FL)은 원시 데이터를 공유하지 않고도 협력적 모델 학습을 가능하게 하는 기계 학습(ML) 기법으로, 데이터가 기기 전반에 분산되어 있고 개인정보 보호가 중요한 사안인 사물인터넷(Internet of Things, IoT) 응용에 이상적이다. 무선 센서 네트워크(Wireless Sensor Networks, WSNs)는 물리적 환경으로부터 데이터를 수집함으로써 IoT 시스템에서 핵심적인 역할을 한다. 본 논문은 FL, IoT, WSN의 통합에 관한 종합적인 설문조사를 제시한다. FL의 기초, 전략, 유형을 다루고, 다양한 분야에서 FL, IoT, WSN의 통합에 대해 논의한다. 본 논문은 FL에서의 이기종성(heterogeneity)과 관련된 문제를 다루며, 이 분야의 최신 연구 동향을 요약한다. 또한 보안 및 개인정보 보호 관점과 성능 평가 방법론을 탐구한다. 본 논문은 FL, IoT, WSN에서의 최신 성과와 잠재적 연구 방향을 개관하고, 현재의 기술 발전 맥락에서 조사된 주제들의 중요성을 강조한다.

분산되고 개인정보를 보존하는 연합 학습(Federated Learning, FL)은 지능형 IoT 응용을 개발하는 데 에지 컴퓨팅 시스템과 결합되어 논의되어 왔다. 그러나 각 FL 노드에서 데이터를 개별적으로 수집하는 경우, 독립적이고 동일한 분포(independent and identically distributed, IID)가 아닌 학습 데이터(non-IID)가 발생할 수 있으며, 이는 FL 성능을 크게 저하시킬 수 있다. 이를 해결하기 위해 본 연구에서는 FL 클라이언트가 더 많은 데이터셋에서 자신의 모델을 학습할 수 있도록 하여, 집합적으로 IID 가상 데이터셋을 형성하는 모델 전이(model transfer) 접근법을 제안한다. 제안된 접근법에서는 로컬 모델이 경험한 데이터 라벨 분포를 기준으로 FL 클라이언트를 전이 요구(transfer-demand)형 또는 집계 성향(aggregation-inclined)형으로 분류한다. 전이 요구형 클라이언트는 자신에게 부족한 라벨을 보완할 수 있는 헬퍼 클라이언트(helper client)로 모델을 전이하는 반면, 집계 성향형 클라이언트는 학습 모델에 충분한 라벨을 보유하므로 모델 집계에 참여한다. 그러나 두 개 이상 전이 요구형 클라이언트가 동일한 헬퍼 클라이언트에 대해 경쟁할 수 있다. 이 경쟁을 해결하기 위해 최소 비용 최대 매칭(minimum-cost maximum-matching, MCMM) 프레임워크와 정수 선형 계획법(integer linear programming)을 적용하여 최적해를 도출한다. FL 클라이언트 간 모델 전송 비용을 최소화하기 위해, 로컬 모델을 클라이언트로부터 집계하는 파라미터 서버(parameter server)를 동적으로 할당하기 위한 스테이너 트리(Steiner tree) 기반 해법을 사용한다. 마지막으로 다양한 문제에 대해 광범위한 시뮬레이션 실험을 수행하였으며, 제안된 접근법은 MNIST의 경우 정확도 99.02%를 달성하고 통신 비용을 20%~66% 범위 내에서 감소시키는 등, CIFAR-10 데이터셋의 경우 비(非)IID 기준 접근법에 비해 정확도를 최소 24% 향상시키고 통신 비용을 29.48%~63.09% 범위 내에서 개선한다.

클라우드 컴퓨팅에 비해 모바일 엣지 컴퓨팅(MEC)은 종단 사용자에 가까운 위치에 있기 때문에 지연에 민감한 애플리케이션에 대한 유망한 해결책이다. MEC는 인근 엣지 서버로 자원이 많이 소모되는 작업을 오프로딩(offloading)할 수 있는 능력 덕분에, 자원 제약이 있는 단말에서도 컴퓨팅 및 스토리지 집약적인 다양한 애플리케이션이 동작할 수 있게 한다. MEC를 최적으로 활용하면 응답성과 서비스 품질을 향상시킬 수 있지만, 사용자 기지국(기지국) 연결(user-base station association), 가상화된 자원 제공(virtualized resource provisioning), 그리고 작업 분배(task distribution) 관점에서 신중한 설계가 필요하다. 또한 기존 문헌에서 연합(federation) 개념이 제한적으로 탐구되어 왔음을 고려할 때, 자원의 할당과 관리에 대한 그 영향은 여전히 널리 인지되지 않은 상태이다. 본 논문에서는 일부 엣지 서버가 연합되어 동일한 연합 내에서의 자원 확장이 제한되는 상황을 전제로, 네트워크 및 MEC 자원 스케줄링 문제를 연구한다. 네트워크와 MEC의 통합은 핵심이며, 공동 접근 방식의 필요성을 강조한다. 본 연구에서는 연결 최적화와 수직 및 수평 스케일링을 효과적으로 통합할 수 있는 2단계 알고리즘 형태로 제안된 NAFEOS를 제시한다. 1단계에서는 사용자 기지국 연결과 연합 할당을 최적화하여 엣지 서버를 균형 있게 활용할 수 있도록 한다. 이후 2단계에서는 사용자로부터 발생하는 변동하는 작업 오프로딩 수요를 충족하도록 수직 및 수평 스케일링을 동적으로 스케줄링한다. 광범위한 평가와 비교 결과는 제안된 접근 방식이 최적의 자원 활용을 효과적으로 달성할 수 있음을 보여준다.

엣지 컴퓨팅은 클라우드 컴퓨팅의 분산형 대응으로 활용될 수 있으며, 지연 시간을 훨씬 짧게 하면서 작업 오프로딩을 달성할 수 있다. 일반적으로 엣지 서버는 자원에 제약이 있으나, 사용자 수요가 계속 증가함에 따라 제공 서비스는 더욱 다양화되고 있다. 특정 서비스 유형에 해당하는 엣지 서버가, 해당 서비스 실행 이미지가 로컬에 존재하지 않아 수신된 서비스 요청을 처리할 수 없는 경우, 그 요청은 해당 이미지가 설치되어 있는 다른 서버로 전달되어야 한다. 본 논문에서는 변형 다중 배낭(variant multiple-knapsack) 프레임워크를 사용하여 이러한 요청을 전달하는 최적 스케줄링 방법을 제안한다. 또한 최적해를 도출하기 위해 이를 정수 선형계획(integer linear program) 문제로 재구성하는 방법을 제안한다. 그러나 문제 규모가 커질수록 문제는 쉽게 비정형적으로(계산적으로) 다루기 어려워지므로, 라그랑주 이완(Lagrangian relaxation)과 분해 이론(decomposition theory)을 함께 사용한 분산 해법을 제안한다. 제안한 접근법의 효과를 평가하기 위해, 서로 다른 네트워크 구성과 서로 다른 요청 도착 시나리오를 대상으로 시뮬레이션을 수행한다. 평가 결과에 따르면, 중앙 집중형 라그랑주 이중해는 준최적 해를 산출할 수 있다. 아울러, 분해된 분산 해법은 총 보상(total reward)을 희생하는 대신 계산 및 운영 복잡도를 유의하게 감소시킬 수 있다.

개인 클라우드 환경에서의 응답 시간 증가로 이어질 수 있는 부하 불균형을 완화하기 위해, eXtreme Gradient Boosting(XGBoost) 모델과 함께 세 가지 동적 부하 균형 최적화 모델을 활용하는 응답 시간 예측 접근법을 제시한다. 이 방법들은 응답 시간과 자원 배분 모두를 최적화하도록 설계되었다. 소규모 테스트베드에서 수행한 실험 평가 결과, XGBoost 모델은 벤치마크 방법들에 비해 응답 시간 예측 오차가 가장 낮음을 확인하였다. 본 연구에서 고려한 부하 균형 접근법들(제안된 최적 모델 포함) 가운데, Optimization Model 1로 지정된 응답 시간 최소화 모델은 지연 및 자원 활용 측면에서 다른 모델들보다 우수한 성능을 보였다. 비록 Double-DQN 모델이 환경 역학에 대한 적응성은 더 높지만, 계산 시간은 유의미하게 더 크다.

연합 학습에서, 전통적인 머신러닝에서의 과제보다 비IID 데이터 분포에서 비롯되는 문제(예: 모델 편향 및 느린 수렴)를 해결하는 것이 우선시된다. 본 연구는 비IID 데이터 분포 시나리오에서 학습 과정을 최적화하기 위해 코사인 유사도 기반 클라이언트 선택과 재학습(epoch) 횟수를 결합한 접근법을 제안한다. 평가를 통해 제안된 모델은 CIFAR-10 데이터 세트에서 정확도가 93.00% 향상되는 것으로 나타났다. 경험적 결과에 따르면, 제안 방법은 66.20%의 정확도에 도달하여 무작위 선택으로 달성한 34.30%의 정확도를 유의미하게 상회하였다. 또한 제안 방법은 기존의 무작위 선택에 비해 통신 효율, 강건성 및 수렴의 매끄러움을 개선한다.

본 논문은 슬롯형 ALOHA와 파워 도메인 비직교 다중접속(PD-NOMA) 하이브리드 방식의 특성을 조사하며, 두 가지 핵심 성능 지표—즉, 기기 전송 성공 확률과 기지국 처리량—에 초점을 맞추는 동시에 기기 간 거리 기반 불공정성도 함께 고려한다. 우리는 서로 다른 3가지 하이브리드 방식을 분석한다. 즉, 수신 신호 세기(RSS) 목표를 활용하지 않고 모든 기기가 동일 전력으로 신호를 전송하는 방식(방식 1), 가장 가까운 기지국에서 복수의 RSS 목표 중 하나를 기기들이 무작위로 선택하는 방식(방식 2), 그리고 가장 가까운 기지국으로부터의 근접도에 따라 기기들이 복수의 RSS 목표 중 하나를 선택하는 방식(방식 3)이다. 그 결과, 방식 1이 가장 높은 성능을 보이지만 거리 기반 불공정성이 가장 두드러지는 것으로 나타났다. 반대로, 방식 2는 가장 낮은 성능을 보이면서도 거리 기반 불공정성을 효과적으로 완화한다. 방식 3의 성능은 RSS 목표의 개수가 증가함에 따라 향상되지만, 이와 동시에 거리 기반 불공정성도 증가한다. 이러한 결과는 무허가(그랜트-프리) 접속 방식에서 공정성과 성능 향상 사이의 균형을 달성하는 일이 본질적으로 어려울 수 있음을 시사한다.

본 논문은 시판(BT, Bluetooth 및 Bluetooth Low Energy(BLE)) 장치를 활용하여 실내 거주자의 사용자 상태를 적응적으로 추정/탐지하는 시스템을 제시한다. 제안된 시스템은 사용자 상태를 점유(occupancy), 거리(distance), 활동(activity) 수준으로 분류하고, 인근 장치로부터 수신신호강도(Received Signal Strength, RSS)를 처리하여 각각을 추정한다. 본 연구에서는 2단계 채널 적응(channel adaptation) 접근법을 제안한다. 즉, 먼저 범용(generalized) 기본 모델을 적용한 뒤, 실시간 데이터를 축적한 후 환경 특화 모델로 자동 적응한다. 사용자 존재는 연결 상태와 중단(interruption) 패턴을 모두 추적하는 신호 연속성(signal continuity) 기반 방법을 사용하여 추론한다. 거리 추정을 위해, 경로 손실(path loss), 섀도잉(shadowing), 다중경로(multipath) 효과를 단일한 정식으로 통합하는 하이브리드 나카가미 페이딩(Hybrid Nakagami Fading) 모델을 제안한다. 활동 인식(activity recognition)은 RSS 기반 패턴 모델링으로 수행되며, 사용자 행동 패턴 전반에서의 강건성을 향상시키기 위해 Dynamic Time Warping(DTW)과의 클러스터링을 추가로 적용한다. 세미나실, 사무실, 주거용 아파트에서 수행한 실험 결과, 그 성능이 우수함을 확인하였다. grace period 처리(gaceperiod handling) 포함 100% 존재 탐지 정확도, 거리 추정에서 평균 오차 0.41 m, 활동 인식 정확도 81.25%를 보였으며, 제안된 시스템이 높은 정확도로 사용자 상태를 추정할 수 있음을 보여준다.