스마트 TV는 콘텐츠를 제공하기 위해 웹 브라우저로 웹킷을 사용한다. 웹킷은 앱을 실행하기 위해 HTML, CSS, 자바스크립트, 이미지와 같은 웹 자원을 사용한다. 따라서 애플리케이션이 시작될 때 웹킷은 메모리로 자원을 적재하고 돔트리와 렌더트리를 생성한다. 하지만 스마트 TV 앱은 웹 자원을 디스크에 저장하기 때문에 돔트리와 렌더트리는 변하지 않는다. 그러므로 만약 돔트리와 렌더트리를 재사용할 수 있다면 앱의 로딩 시간을 단축할 수 있다. 본 논문은 동적으로 할당 받은 메모리에 영속성을 부여하는 기법인 FastIO를 제시하고 웹킷 기반의 웹 브라우저에 적용하였다. 따라서 웹 자원을 스토리지로부터 메모리로 적재하고 in-memory 구조로 변환하는 과정을 제거 하였다. 실험 결과로 돔트리와 렌더트리가 생성 과정까지의 시간을 비교하였고, FastIO를 적용한 웹 브라우저가 기존 웹 브라우저보다 SSD, Ramdisk, eMMC에서 7.9배, 44.8배, 2.9배의 속도가 향상되었다.

멀티코어 시스템에서 코어 친화도가 네트워크 I/O 성능에 미치는 영향은 다양한 연구들을 통해 관찰 되었다. 점차 고속화되는 네트워크 연결의 발전에 따라 효율적인 코어 친화도 정책은 중요한 성능 요소가 될 수 있다. 미들웨어 수준의 동적 코어 친화도 프레임워크는 네트워크와 디스크 I/O를 함께 고려한 코어 친화도 정책을 제안하였지만 다중 큐에 대한 고려는 이루어지지 않았다. 본 논문에서는 기존 동적 코어 친화도 프레임워크에 사용된 알고리즘을 다중 큐를 지원하기 위한 구조로 확장하고, 40 기가비트 이더넷과 NVMe 디바이스를 장착한 시스템에서 파일 업로드 성능을 분석한다. 실험 결과 다중 큐를 지원하기 위한 동적 코어 친화도는 하둡 분산 파일 시스템의 파일 업로드 처리량을 최대 32% 향상시켰으며 매니코어 시스템에서 더 나은 확장성을 제공할 수 있음을 확인하였다. 또한 다중 큐 조합에 따른 성능 영향에 대해 분석하여 다중 큐 분배 조합을 위해 고려해야 할 성능 요소들에 대해 논의한다.

오늘날, 클라우드 인프라 서비스는 일정한 성능을 보장해주면서도 사용한 만큼 비용을 지불하는 과금체계를 통해 많은 인터넷 서비스들의 운영비용을 개선시켜 주고 있다. 특히 오브젝트 스토리지는 필요한 만큼 파일을 저장할 수 있고, 언제 어디서나 접근할 수 있다는 점에서 각광받고 있다. 이에 따라, 최근에는 오브젝트 스토리지를 HTTP 기반의 RESTful API 방식이 아닌 POSIX 기반 파일 액세스가 가능한 클라우드 기반 파일 시스템 연구들이 등장하고 있다. 하지만 이러한 파일 시스템들은 오브젝트 스토리지에 저장되는 모든 파일을 동일한 크기의 단위 오브젝트로 분할하기 때문에 데이터 접근 시 비효율적인 입출력이 발생할 여지가 있다. 따라서 본 연구에서는 파일 및 워크로드의 특성을 구별하여 오브젝트 스토리지에 저장되는 단위 오브젝트의 적합한 크기를 추정하고, 각 파일의 접근 성능을 향상시킬 수 있다는 점을 검증한다. 제안하는 기법은 S3QL에 비해 평균 18.6% 빨라진 것으로 나타났다.

본고에서는 양자역학 기반의 기계학습인 양자 기계학습의 현황과 전망을 조망하고자 한다. 양자역학 기반의 양자컴퓨팅이 보여준 혁신적인 계산속도 개선에 힘입어 기계학습 분야에 양자컴퓨팅 알고리즘을 적용하는 연구는 빅데이터 시대의 도래에 따라 최근 집중적인 관심을 받고 있다. 고전적인 기계학습 알고리즘들에 양자컴퓨팅을 접목하여 획기적인 속도개선을 가능하게 하는 알고리즘 연구들과 최초의 상용 양자컴퓨터로 화제가 되고 있는 양자 담금질 알고리즘 등을 중심으로 양자 기계학습의 최신동향과 가능성을 살펴보고자 한다.

다양한 센서가 부착된 스마트 폰의 보급으로 상황인지 어플리케이션 시장의 규모가 발달하고 있다. 하지만, 한정된 전력으로 인해 원활한 서비스를 제공받기는 어렵다. 상황인지 어플리케이션 관점에서 볼 때, 컨텍스트의 종류에 따라 필요한 센싱 정보가 다르기 때문에, 컨텍스트의 전이가 발생하면 필요한 센서들의 변화로 인해 센서 모듈들을 끄고 켜는 과정에서의 전력 소비가 크며, 정확한 센싱이 되지 않는 상황에서 과도한 센싱을 시도하게된다. 본 논문에서는 실내/실외 컨텍스트 전이에서 발생하는 전력 소모에 초점을 두고 해당 컨텍스트와 연관된 센서 활동을 모델링 한 뒤, 컨텍스트 전이가 일어나는 시점을 감지하여 전력 소모를 최소화할 수 있는 freezing 알고리즘을 적용하는 기법을 제안한다. 시중의 실내/실외 위치추적 어플리케이션을 이용하여 컨텍스트 전이가 발생하는 지점에서, 제안하는 기법의 유무에 따른 소비 전력 차이를 실측하였으며, 시중의 어플리케이션의 실제 구동 중 컨텍스트 전이과정에서의 전력 절감이 있었으며, 전체 시나리오에서 약 20%의 전력 절감 효과를 얻었다.

기계학습 기반의 의미역 인식에서 어휘, 구문 정보가 자질로 주로 쓰이지만, 의미 정보를 분석하는 의미역 인식은 의미 정보 또한 매우 유용한 정보이다. 그러나, 기존 연구에서는 의미 정보를 활용할 수 있는 방법이 제한되어 있기 때문에, 소수의 연구만 진행되었다. 본 논문에서는 의미 정보를 활용하는 방안으로 동형이의어 수준의 의미 애매성 해소 기술, 고유 명사에 대한 개체명 인식 기술, 의미 정보에 기반한 필터링, 유의어 사전을 이용한 클러스터 및 기존 의미 프레임 정보 확장, 구문-의미 정보 연동 규칙, 필수 의미역 오류 보정 등을 제안한다. 제안하는 방법은 기존 연구 대비 뉴스 도메인인 Korean Propbank는 3.77, 위키피디아 문서 기반의 Exobrain GS 3.0 평가셋에서는 8.05의 성능 향상을 보였다.

실제 환경에서 사람의 일상적인 활동을 학습하는 기술은 스마트 비서나 자율지능 로봇과 같은 인지 지능 시스템 개발을 위해 필요한 핵심 기술이다. 일상을 예측하는 대다수의 연구들은 센서 데이터의 패턴과 일상 활동 사이의 직접적인 상관관계를 탐색하는 것에 집중하였다. 하지만 일상에서의 인간 활동은 하나의 레이블로 표현하기 어려운 다수의 사건 집합이고 또한 서술 가능한 특성을 지니고 있다. 본고에서는 일상을 구성하는 사건 요소들을 우선 인식하고, 이후 일상 활동을 학습 및 예측하는 방법을 제안한다. 제안하는 방법은 개인의 일상에서 웨어러블 장치와 스마트폰으로부터 수집된 일인칭 시점의 멀티 센서 데이터로부터 위치 좌표, 장면 영상, 그리고 신체적 움직임에 기인한 사건 요소들을 각각 인식한 뒤, 이 정보들이 특정 활동 내역에 따라 조합되는 규칙을 학습하여 최종적으로 사용자의 일상 활동을 예측한다. 두 명의 실험 참가자가 각각 2주간 수집한 센서 데이터를 이용하여 실험한 결과는 제안한 방법이 센서 데이터로부터 추출된 특징을 일차적으로 사용하여 분류하는 기존의 방법과 비교하여 향상된 성능을 보였다.

여러 사물 인터넷 기기들을 조합, 활용하여 다양한 서비스를 제공할 수 있게 된 환경에서 추천 시스템은 사용자가 원하는 서비스를 선택하는 데 있어 도움을 줄 수 있다. 기존의 추천 시스템에 대한 많은 연구는 주로 개인 사용자 대상의 추천에 집중되어 있으나 사물 인터넷 환경에서는 개인과 그룹 모두 사용자가 될 수 있으므로 그룹에 대한 추천 방법이 필요로 하다. 본 연구는 사물 인터넷 환경에서 그룹 사용자들의 서비스 선호도를 분석하고, 이를 바탕으로 특정 장소에서 서비스를 이용한 적이 없는 새로운 그룹 사용자에게 서비스를 추천할 수 있는 방법을 개발하였다. 본 연구에서는 그룹의 구성 정보를 기반으로 그룹들 간의 유사도를 측정하여 사용자 기반 협업 필터링을 적용하였다. 실험에서는 실제 사물 인터넷 테스트 베드 환경에서 수집된 데이터를 사용하였으며 실험 결과를 통해 제안한 서비스 추천 방법이 효과적임을 확인할 수 있었다.

이미지 분류 문제는 인간 수준의 성능을 보이지만 일반적인 인식 문제는 어려운 점들이 남아있다. 실내 환경은 다양한 정보를 담고 있어 정보 처리의 양을 효율적으로 줄일 필요성이 있다. 정보의 양을 효율적으로 줄일 수 있도록 대상 객체의 위치 측정을 위한 변분 추론, 변분 베이지안 등의 방법이 소개되었지만, 모든 경우에 대한 주변(marginal) 확률 분포를 구하기 어렵기 때문에 현실적으로 계산하기 어렵다. 본 연구에서는 공간 변형 네트워크(Spatial Transformer Networks)을 응용하여 능동 시각을 이용한 이미지-텍스트 통합 인지 체계를 제안한다. 이 체계는 주어진 텍스트 정보를 바탕으로 이미지의 일부를 효율적으로 샘플링 하도록 학습한다. 이를 통해 전통적인 방법으로 해결하기 어려운 문제를 상당한 격차로 성능을 향상 시킬 수 있다는 것을 보인다. 제안하는 모델을 통해 샘플링 된 이미지를 정성적으로 분석하여 이 모델이 가지는 특성도 함께 살펴본다.

자가적응형 시스템은 다양한 환경에서 시스템의 목표를 달성할 수 있도록 스스로 행동이나 세부 목표 등을 바꿀 수 있는 능력이 요구된다. 기존의 관련 연구들은 목표의 만족도를 평가하고 예측하기 위한 유틸리티 함수 및 각 목표를 만족시키기 위한 정책들을 설계 시에 결정하여 런타임의 다양한 상황에 적응한다. 그러나 설계 시점에서 시스템이 배치될 환경에 대해 완벽히 예측할 수 없기 때문에 적절한 적응성을 보장하기 어렵다. 본 논문에서는 상기의 문제에 대응하기 위해 시스템 상황 정보를 나타내는 환경정보와 목표모델을 동적 결정 네트워크로 설계하고, 이에 실시간 환경정보를 반영하여 목표의 만족도를 평가하고 예측한다. 또한 실시간 정보를 통한 설계된 모델의 갱신 기법과, 해당 기법에 기반하여 동적 환경에 적절히 대응 가능한 자가적응형 시스템을 위한 동적 의사결정 기술을 제시한다. 제안 방법론의 검증을 위해 로보코드에 적용하여 그 유효성을 확인하였다.

본 논문에서는 기존의 영상분할에서 발생하는 초기값 배정문제와 영상분할 가능여부를 확인할 수 있는 방법에 대한 이론적 근거를 분석하고 제시한다. 본 논문의 앞 부분에서는 위상수학의 이론에 근거한 수학적 논증을 바탕으로 적절한 초기값 배정의 대한 위상적 근거와 방법론을 제시한다. 이어서 위상수학의 분리공리 이론에 근거하여 영상이 영역 분할되기 위한 최소의 위상조건을 확인하고 해당 조건을 이용하여 영상분할을 위해 사용된 모델의 유효성을 검증하는 방법론을 제시한다. 즉, 본 논문은 기존의 통계적 분석과 달리, 위상적 분석을 통해 영상 영역 분할의 수학적 근거를 제시한 것에 그 특징이 있다. 마지막으로 기존의 가우시안 랜덤 필드 모델 기반 영상 분할에 본 논문에서 제시한 이론과 방법론을 적용하여 가우시안 랜덤 필드 모델의 유효성을 확인한다.

거대한 데이터로부터 가치 있는 정보를 추출해 내는 빅데이터 기술의 필요성은 나날이 커지고 있다. 빅데이터 분석을 위해 사용되는 하둡 시스템은 맵리듀스를 통해 데이터를 처리하였으나, 맵리듀스 프레임워크는 코드 재사용성의 한계, 질의 최적화 기술의 부재 등의 단점을 보인다. 이를 극복하기 위해 SQL-on-Hadoop이라 불리는 하둡 기반의 SQL 질의 처리 기술이 주목받고 있다. SQL-on-Hadoop 기술 중 타조(Tajo)는 국내 개발진이 주축이 되어 개발되었다. 타조는 데이터 분석을 위해 외부합병정렬 알고리즘을 사용하며, 정렬 연산에 영향을 주는 매개변수로 정렬 버퍼 사이즈와 팬-아웃을 가진다. 본 논문은 타조의 정렬 연산에 영향을 미치는 매개변수인 정렬 버퍼 사이즈와 팬-아웃 값에 따른 정렬의 성능 차이를 보인다. 또한 측정한 성능에 대하여 정렬 버퍼 사이즈가 증가함에 따른 CPU 캐시 미스의 비율 증가, 팬-아웃에 따른 합병 단계 수의 변화가 성능 차이의 원인임을 보인다.

HTTP 적응적 스트리밍은 네트워크 상태에 따라 비디오의 품질을 조절하여 사용자 체감 품질을 향상시키는 비디오 스트리밍 서비스이다. HTTP 적응적 스트리밍 서비스에서 비디오 콘텐츠는 여러 품질과 일정 길이를 가지는 비디오 세그먼트로 나누어지며, 클라이언트는 적절한 품질의 세그먼트를 요청한다. 그러나 기존의 세그먼트 스케줄러는 TCP에 대한 고려 없이 일정 간격으로 세그먼트를 요청하므로 TCP 연결이 초기화되어 Slow-start를 다시 수행해 비디오 전송률이 감소한다. 본 논문에서는 HTTP 적응적 스트리밍 서비스의 품질을 향상시키기 위한 TCP 인지형 세그먼트 스케줄링 기법을 제안한다. 제안하는 기법은 TCP 연결이 초기화되는 것을 방지하기 위해 비디오 세그먼트의 요청 시간을 조절하며, 세그먼트를 요청하는 시점을 고려하여 안정적인 비디오 스트리밍을 수행한다. 시뮬레이션을 통해 제안하는 기법이 끊김 현상 없이 HTTP 적응적 스트리밍 서비스의 품질을 향상시키는 것을 확인하였다.