최근, 다양한 인터넷 환경을 제공하는 유연성을 가진 소프트웨어 기반의 라우터 연구가 활발하게 진행되고 있다. 특히, 소프트웨어 라우터에 확장성을 더하기 위해 라우터를 가상화하려는 연구가 증가하고 있다. 하지만, 소프트웨어 라우터를 가상화하면, 가상화로 인한 오버헤드로 인해 성능 저하가 더욱 심화된다. 게다가, 기존의 소프트웨어 라우터에서 제안된 GPU 기반 packet routing 기법들은 native 환경에서의 연구거나 실제 네트워크 상에 적용되지 않은 단점이 있다. 따라서, 기존의 연구로는 GPU routing이 가상 라우터에서 어떤 효과를 보일지를 예측하기 어렵다. 본 논문은 실제로 가상 라우터를 구축하고, 실제 네트워크 패킷을 전송함으로써 가상 라우터에서의 GPU routing의 영향을 보인다. 이를 위해, GPU를 가상화하는 Savanna와 가상 라우터 역할의 Pathfinder를 구현하고, 가상 라우터와 연결된 외부 머신으로부터 패킷을 전송한다.

본 연구에서는 임의 공간에서 정사면체 형태의 마이크로폰 어레이(microphone array)를 이용하여 음원(sound source)추적 성능을 개선할 수 있는 알고리즘을 제안하였다. 음원추적 시스템은 마이크로폰 어레이의 각 마이크로폰에 도착하는 음원신호의 도착 지연시간(TDOA, Time Delay Of Arrival) 정보를 이용하여 음원의 방향성 정보를 추정한다. 임의 3차원 공간에서 음원추적을 위해서는 최소 3개 이상의 마이크로폰이 필요하다. 3개 마이크로폰으로 구성된 음원추적 시스템의 경우 만약 1개의 마이크로폰이라도 신호 오차가 발생한다면 정확한 음원 방향성 추정이 불가능하다. 본 연구에서는 이러한 문제점을 개선하기 위하여 1개의 마이크로폰을 추가한 정사면체 형태(tetrahedron shaper)의 마이크로폰 어레이를 구성하고 좌표변환 기법을 이용하여 주변 잡음이나 오류에 강인한 새로운 음원추적 알고리즘을 제안하였다. 제안 알고리즘의 성능을 입증하기 위하여 3개의 마이크로폰을 이용한 삼각형 기반 음원추적 시스템과 본 연구에서 제안한 정사면체 기반 음원추적 시스템에 대하여 실시간 비교 실험을 수행하였으며, 실험 결과 제안된 정사면체 기반의 시스템이 최대 약 16% 이상의 향상된 검출율을 보였다.

오늘날 가상화 기술은 가장 유용하게 사용되는 컴퓨팅 기술 중 하나이며 모든 컴퓨팅 환경에서 널리 활용되고 있다. 그러나 가상화 환경의 I/O 계층들은 호스트 머신의 I/O 동작 방식을 인지하지 못하도록 설계되어 있기 때문에 I/O 확장성 문제는 여전히 해결해야 할 문제로 남아 있다. 특히, 다중 큐 SSD가 보조 기억 장치로 사용될 경우, 증가한 잠금 경쟁과 제한된 I/O 병렬화 문제로 가상 머신은 다중 큐 SSD의 공인된 성능을 활용하지 못하는 문제가 발생한다. 이러한 성능 문제를 해결하기 위해 본 논문에서는 가상 CPU마다 전용 큐와 I/O 스레드를 할당하는 새로운 기법을 제안한다. 제안 기법은 성능 저하의 주요한 원인 중 하나인 잠금 경쟁을 효율적으로 분산시키고 또 다른 원인인 Virtio-blk-data-plane의 병렬화 문제를 해소한다. 제안 기법을 평가한 결과 최신 QEMU 보다 IOPS가 최대 155% 향상되는 것을 확인하였다.

자바스크립트는 웹 페이지에서 HTML과 더불어 널리 사용되고 있다. 많은 자바스크립트 수행 엔진들은 성능 향상을 위해 적시 컴파일러를 채택하고 있다. 최근에는 32-bit 뿐만 아니라 64-bit 마이크로프로세서가 탑재된 다양한 기기가 소개되고 있으며 이를 위한 적시 컴파일러도 개발되고 있다. 하지만 64-bit 적시 컴파일러는 아직 문제점이 많으며, 특히 메모리 주소와 값들이 64-bit을 사용하여 코드의 크기가 증가하는 문제점이 있다. 본 논문은 64-bit 환경에서 생성되는 코드, 특히 주소와 상수 값들이 더 많은 공간을 사용함을 보여주고, 적시 컴파일러가 64-bit 값들의 생성을 최적화하여 메모리 사용량을 줄이는 기법들을 제안한다. 이를 V8 자바스크립트 엔진에 적용하여, Octane과 SunSpider 벤치마크에서 생성되는 코드의 크기와 성능을 평가하였다. 성능은 각각 3.6%와 0.32% 향상되었으며, 코드 크기는 0.7%와 2.8% 감소하였다.

도로지도 생성은 인공위성 촬영이나 현장실사를 기반으로 한다. 그리하여 도로지도를 생성하고 수정하는데 많은 시간과 비용이 든다. 이러한 이유로 차량 GPS 데이터를 이용해 도로지도를 생성하는 연구가 활발히 진행되고 있다. 도로지도 생성 연구에서 가장 중요한 문제는 주도로와 같은 대표궤적을 추출하는 것이다. 대표궤적 추출을 수행할 때에는 시작과 끝이 비슷한 궤적데이터들의 집합을 전제로 하여 궤적을 추출한다. 따라서 대표궤적을 추출하기에 앞서 전처리 과정으로 궤적 클러스터링 작업이 필요하다. 본 논문에서는 이러한 문제를 해결하기 위해 하나의 영역을 일정한 격자로 분할하고, Sweep Line 알고리즘을 응용해 유사궤적들을 탐색한다. 마지막으로 프레쉐거리를 이용하여 궤적 간 유사도를 계산하였다. 실제로 서울의 강남구 지역에 있는 500대의 차량 GPS 궤적을 가지고 클러스터링 작업을 수행하였다. 또한, 실험을 통하여 격자분할 접근방식의 빠른 수행시간과 안정성을 보였다.

인터넷이 급속히 발달하는 가운데 스마트폰, 디지털 카메라, 블랙박스 등의 기기에서 수집되는 방대한 영상 데이터가 소셜 미디어 사이트를 통해 빠르게 공유되고 있다. 소셜 미디어 공유 사이트에서는 일반적으로 이미지의 태그 정보를 사용하는데, 멀티미디어를 공유하는 방법이 쉬워지고 그 양이 폭발적으로 증가함에 따라 이미지에 태그를 붙여야 하는 일은 번거로움이 되고 있다. 또한 태그가 잘못 붙여지거나 안 붙은 경우에는 이미지 검색 정확도가 떨어질 가능성이 있다. 본 논문에서는 이미지의 내용정보를 이용하여 자동으로 이미지로부터 태그를 추출하는 방법을 제안한다. 제안하는 방법은 ImageNet에서 제공하는 대용량의 이미지 데이터와 라벨을 CNN(Convolutional Neural Network) 딥러닝 기법으로 학습시킨 후, 인스타그램 이미지로부터 라벨 정보를 추출하는 것이다. 추출된 라벨 정보를 이용하여 자동 태깅한 후, 검색에 활용했을 때 인스타그램의 기존 검색보다 높은 정확도를 가지고 있음을 알 수 있었다.

뇌의 유전자 발현 정보는 영역별 기능과 밀접한 관련이 있어 이를 분석하기 위해 다수의 유전자들 간의 발현 정도 및 발현 위치 정보와의 관계에 대한 연구가 이루어지고 있다. 본 논문에서는 컴퓨터 기술을 통해 알렌 뇌과학연구소에서 제공하는 약 2만여개의 쥐 뇌 유전자 발현 정보 중 뇌의 해마 영역을 중점적으로 분석하여 유전자들을 자동으로 분류해내고 발현 위치 정보를 기반으로 군집화하여 가시화하는 방법을 제안한다. 이를 통해 해마 내 전체적으로 발현되는 유전자들과 특정 영역에만 발현되는 유전자들을 분류할 수 있었고 그 중 특정 영역에 발현되는 유전자들의 위치정보 기반으로 군집화된 데이터를 뇌 지도와 함께 관찰 할 수 있었다. 본 연구는 뇌의 기능과 영역과의 관계성 관련 생물학적 연구를 위한 실험군 선정작업에 이용되어 실험설계시간을 줄일 수 있고 기존에 알려진 뇌의 해부학적 구조보다 더욱 세분화된 구조를 발견할 수 있는 가능성을 제시할 것으로 기대된다.

근래에 들어 다양한 시멘틱 서비스를 위하여 기존의 지식을 바탕으로 새로운 지식을 고속으로 추론할 수 있는 대용량 온톨로지 추론 기법이 요구되고 있다. 이런 추세에 따라 대규모의 클러스터를 활용하는 하둡 및 Spark 프레임워크 기반의 온톨로지 추론 엔진 개발이 연구되고 있다. 또한, 기존의 CPU에 비해 많은 코어로 구성되어 있는 GPGPU를 활용하는 병렬 프로그래밍 방식도 온톨로지 추론에 활용되고 있다. 앞서 말한 두 가지 방식의 장점을 결합하여, 본 논문에서는 RDFS 대용량 온톨로지 데이터를 인-메모리 기반 프레임워크인 Spark를 통해 분산시키고 GPGPU를 이용하여 분산된 데이터를 고속 추론하는 방법을 제안한다. GPGPU를 통한 온톨로지 추론은 기존의 추론 방식보다 저비용으로 고속 추론을 수행하는 것이 가능하다. 또한 Spark 클러스터의 각 노드를 통하여 대용량 온톨로지 데이터에 대한 부하를 줄일 수 있다. 본 논문에서 제안하는 추론 엔진을 평가하기 위하여 LUBM10, 50, 100, 120에 대해 추론 속도를 실험하였고, 최대 데이터인 LUBM120(약 1백7십만 트리플, 2.1GB)의 실험 결과, 인-메모리(Spark) 추론 엔진 보다 7배 빠른 추론 성능을 보였다.

한국어처리 분야에서 동형이의어 분별은 의미처리를 위해서는 매우 중요하고 오랫동안 연구되어온 주제이다. 최근에 말뭉치를 학습하는 기계학습 방법이 정확률과 속도면에서 좋은 결과를 보이고 있으며, 미학습 어절을 처리하기 위해 어휘의미망을 이용한 지식기반 방법도 연구되고 있다. 본 논문은 말뭉치를 학습한 기계학습 방법에 어휘의미망과 함께 사용하는 방법을 제시한다. 이 방법의 기본 전략은 하위범주화 정보를 말뭉치화하여서 기존 말뭉치와 함께 학습시키고, 동형이의어 태깅 시점에서 분석 대상 명사의 상위어를 찾아서 학습정보와 같이 사용하는 것이다. 이 방법의 효과를 확인하기 위해 세종말뭉치와 UWordMap으로 실험을 하였으며, 정확률이 96.51%에서 96.52%로 미미하지만 상승하는 것을 확인하였다.

화행이란 발화 속에 포함되어 있는 화자에 의해 의도된 언어적 행위이다. 대화 시스템에서 입력된 발화에 적합한 화행을 분류하는 것은 중요하다. 기존의 화행분류에 관한 연구는 규칙기반과 기계학습 기반의 방법을 많이 사용한다. 본 논문에서는 대표적인 기계학습 방법인 지지벡터기계(SVM)와 변환기반 학습(TBL)을 조합한 화행 분류 방법을 제안한다. 이를 위해, 화행별 학습 발화의 수에 기반하여 분류 우선순위를 조정함으로써 지지벡터기계의 분류 편향 문제를 해결하였고, 오답일 확률이 높은 분류 결과에 대해서 변환 기반 학습을 통해 생성된 보정 규칙을 적용함으로써 화행분류 성능을 개선하는 방법을 제안한다. 본 논문에서 화행별 학습 발화 수의 차이를 고려한 분류 우선순위 변화와 후보정 규칙을 이용한 화행분류 방법을 실험을 통해 평가하였으며, 이는 학습 발화 수가 낮은 화행의 우선순위를 고려하지 않은 기존의 화행 분류보다 성능이 향상되었다.

최근 인터넷과 디바이스의 발전으로 지식 정보의 양이 방대해 지면서 대용량 온톨로지를 이용한 추론 연구가 활발히 진행되고 있다. 일반적으로 트리플로 표현되는 빅데이터는 기계학습 프로그램이나 지식 공학자가 각 트리플의 신뢰도를 측정하여 제공한다. 하지만 수집된 데이터는 불확실한 데이터를 포함하고 있으며, 이러한 데이터를 추론하는 것은 불확실성을 내포한 추론 결과를 초래할 수 있다. 본 논문에서는 불확실성 문제를 해결하기 위해 수집된 데이터에 대한 신뢰의 정도를 나타내는 신뢰값(Confidence Value)를 이용한 RDFS 규칙 추론 방법에 대하여 설명하고, 메모리 기반의 분산 클러스터 프레임워크인 스파크(Spark)를 기반으로 데이터의 불확실성에 대한 고려를 하지 않는 기존의 추론 방법과 달리 신뢰값 계산에 대한 방법을 응용하여 RDFS 규칙을 통해 추론되는 새로운 데이터의 신뢰값을 계산하며, 계산된 신뢰값은 추론된 데이터에 대한 불확실성을 나타낸다. 제안하는 추론 방법의 성능을 검증하기 위해 온톨로지 추론과 검색 속도를 평가할 때 활용되는 공식 데이터인 LUBM을 대상으로 신뢰값을 추가하여 실험을 수행하였으며, 가장 큰 데이터인 LUBM3000을 수행하였을 때 1179초의 추론시간이 소요되었고, 초당 350K 트리플을 처리할 수 있는 성능을 보였다.

최근 소셜 네트워크 서비스는 단순히 사용자들의 인맥 관계 형성뿐만 아니라 다양한 형태의 정보를 생성하고 공유하는 개방형 플랫폼으로 변화하고 있다. 기존 사용자 평판 관리 기법은 사용자 프로필, 명시적 관계, 명시적 평가를 기반으로 사용자 신뢰성을 판별하기 때문에 명시적 평가가 잘 이루어지지 않는 소셜 미디어에서 사용자 신뢰성을 판별하기에는 부적합하다. 본 논문에서는 소셜 미디어에 대한 소셜 행위들을 분석하고 명시적인 평가 뿐만 아니라 암시적 평가를 고려한 사용자 평판 관리 기법을 제안한다. 제안하는 기법은 소셜 행위로부터 긍정적 암시적 평가와 부정적 암시적 평가를 도출한다. 또한, 사용자의 전문성을 고려하기 위해 분야별로 사용자 평판 정보를 생성하고 사용자의 영향력을 판단하기 위해 평가에 참여한 사용자들의 수를 반영한다. 이를 통해 명시적 평가가 없는 사용자도 평판 정보를 생성할 수 있도록 하고 소셜 미디어에 더 적합한 사용자 평판 정보를 생성한다.

최근 사용자들 사이의 웹 데이터의 생성 및 공유가 활발해 지면서 시맨틱 웹과 소셜 웹이 결합한 소셜 시맨틱 웹에 대한 중요성이 증가되고 있다. 본 논문은 소셜 시맨틱 웹 환경에서 PROV 모델을 확장하여 프로버넌스 기반의 웹 데이터 신뢰성 평가 기법을 제안한다. 제안하는 기법은 소셜 시맨틱 웹 환경에서 웹 데이터의 프로버넌스를 관리하고 신뢰성 평가를 위해 W3C의 PROV 모델에 필요한 요소를 추가하였다. 이와 같이 확장된 PROV 모델은 웹 데이터의 관리 및 프로버넌스 추적을 지원한다. 제안하는 신뢰성 평가 기법은 사용자의 신뢰도, 원본 데이터의 신뢰도 그리고 사람들의 평가 등과 같은 다양한 파라미터를 고려한다. 평가된 신뢰도는 프로버넌스 정보로 관리되고 사용자의 질의를 처리할 때 이 신뢰도를 고려하여 결과를 생성한다. 따라서 제안하는 기법은 소셜 시맨틱 웹 데이터의 프로버넌스를 관리할 수 있고 다양한 파라미터를 이용하여 웹 데이터 신뢰도를 정확하게 계산할 수 있다. 평가된 신뢰도는 사용자가 질의 결과의 신뢰 여부를 판단할 수 있는 기준이 된다. 제안하는 기법의 타당성을 보이기 위해 SPARQL 질의를 이용하여 신뢰성 평가의 성능을 검증한다.

인지 무선 기술은 보조 사용자가 (SUs) 주 사용자 (PUs)에 간섭을 주지 않고 기회주의적 방식으로 라이선스 스펙트럼을 사용할 수 있는 기술이다. 인지 라디오의 핵심 기술은 스펙트럼 센싱이다. 그러나 인지 무선 센서 네트워크에서 에너지 효율적인 스펙트럼 센싱 기법에 대한 연구는 많지 않다. 본 논문에서는 클러스터 기반의 인지 무선 센서 네트워크를 위한 에너지 효율적인 협력 스펙트럼 센싱 노드 선택 기법을 제안한다. 제안하는 기법에서, 허위 경보 확률 및 에너지 소비를 최적화하기 위하여 클러스터 내 스펙트럼 센싱 노드들의 수를 최소화하게 된다. 시뮬레이션 결과를 통하여 본 논문에서 제안한 최적의 스펙트럼 센싱 노드 수를 적용하므로 스펙트럼 센싱 효율성이 향상되었고, 또한 네트워크의 에너지 효율성도 보장된 것을 검증하였다.

OLED 디스플레이는 빠른 응답속도, 전력 효율성 등 여러 장점 때문에 점차 사용이 증가하고 있는 추세이다. 뛰어난 전력 효율성에도 불구하고 메신저, 게임 등의 사용자와의 상호작용 기반의 어플리케이션 사용의 증가로 OLED에 의한 전력 소모 비중이 여전히 크게 나타나고 있다. OLED에서는 출력하는 영상에 따라 소모 전력이 크게 달라지기 때문에 저전력 색 변환 기법이 대표적인 전력 절감 기법이다. 기존의 저전력 색 변환 기법들은 색 변환 시 인간 시각 시스템의 만족에 대한 엄밀한 연구가 없으며, 시각 만족도와 소모 전력을 동시에 최적으로 고려하는 연구가 부재했다. 본 연구에서는 기존 기법들의 문제점을 보완한 새로운 저전력 색변환 기법을 제안한다. 실험 결과를 통해서 제안 기법이 기존 기법보다 시각 만족도 측면에서 더 인간 시각 시스템을 만족하며 또 전력절감 측면에서도 색 변환거리에 따라 기존 기법보다 평균 13.4% 및 22.4% 향상된 전력 절감이 가능한 것으로 나타났다.