• 한국정보과학회논문지:컴퓨팅의 실제 및 레터
• /
• 제14권4호
• /
• pp.412-429
• /
• 2008

최근 들어 인터넷의 성장으로 인하여 문서의 양이 기하급수적으로 증가함에 따라, 대용량의 문서를 마르게 검색 할 수 있는 병렬 정보 검색 엔진에 대한 중요성이 더욱 대두되고 있다. 병렬 정보 검색 엔진을 구현하기 위하여서는 역 색인을 분할하고, 분할된 역 색인을 통하여 병렬적으로 검색하는 것이 필요하다. 역 색인을 분할하는 기존 방법으로는 1) 문서 식별자 분할 방법과 2) 식별자 분할 방법이 있다. 그러나 각 분할 방법은 다음과 같은 단점들을 가지고 있다. 문서 식별자 분할 방법은 문서의 추가가 용이하고 처리량(throughput)이 높은 반면에 top-k 질의 처리 성능이 좋지 않다. 그리고 식별자 분할 방법은 top-k 질의 처리 성능이 좋은 반면에 문서의 추가가 어렵고 처리량이 낮다. 본 논문에서는 이러한 단점들을 해결하기 위하여 혼합 분할 방법을 제안하고 이를 정보 검색 기능과 밀결합된 DBMS인 오디세우스에 실현한 병렬 정보 검색 엔진을 설계하고 구현한다. 먼저, 제안된 병렬 정보 검색 엔진인 오디세우스/parallel-OOSQL의 아키텍쳐를 설명한다. 그리고 체계적인 실험을 통하여 제안된 시스템의 유용성을 보인다. 실험 결과, 문서 식별자 분할 방법은 질의 처리 시간이 역 색인 분할의 블록의 개수에 근사적으로 역 비례함을 보였으며, 키워드 식별자 분할 방법은 top-k 질의 처리에 좋은 성능을 보였다. 본 논문에서 제안된 병렬 정보 검색 엔진은 세 가지 분할 방법을 모두 제공하기 때문에 응용 환경에 따라 분할 방법을 커스터마이즈함으로써 항상 좋은 성능을 낼 수 있다. 오디세우스/parallel-OOSQL 병렬 정보 검색 엔진은 각 슬레이브 노드 당 1억 건의 웹 문서를, 시스템 전체로는 수십억 건의 웹 문서를 인덱스하여 저장하고 질의를 처리할 수 있다.

• 과학교육연구지
• /
• 제43권1호
• /
• pp.157-172
• /
• 2019

이 연구의 목적은 난이도가 다른 생명과학공통성 발견 과제를 수행하는 동안 뇌 활성 차이를 분석하는 것이다. 이 연구에는 35명의 예비 생명과학교사들이 참여하였다. 이 연구는 뇌파 기록을 위한 블록디자인으로 설계되었다. 피험자들이 공통성 발견 과제를 수행하는 동안 뇌파가 수집되었다. sLORETA 분석 방법과 상대파워스펙트럼 분석 방법은 2개의 소재로 구성된 쉬운 난이도의 과제를 수행할 때와 5개의 소재로 구성된 어려운 난이도의 과제를 수행할 때 뇌 활성 차이를 분석하는 데에 이용되었다. 그리고 공통성 발견 과제의 난이도에 따라 활성화된 대뇌 피질과 피질하 영역의 역할을 조사하였다. 연구 결과 연구결과, 세타파의 경우, 쉬운 난이도 과제와 비교하여 어려운 난이도 과제 수행 시 세파타의 활성은 전두엽에서 유의미하게 감소하였고 후두엽에서는 증가하였다. 알파파의 경우, 쉬운 난이도 수행시보다 어려운 난이도의 과제를 수행할 때 전두엽에서 알파파의 활성이 유의미하게 감소하였다. 베타파의 활성은 어려운 난이도의 과제를 수행할 때 쉬운 난이도의 과제 수행시보다 전두엽, 두정엽, 후두엽에서 유의미하게 감소하였다. 마지막으로 감마파의 경우 쉬운 난이도의 과제를 수행할 때와 비교하여 어려운 난이도의 과제를 수행할 때 감마파의 활성이 전두엽에서는 감소하였고 두정엽과 측두엽에서는 활성이 증가하였다. 공통성 발견 과제의 난이도 수준은 대상이랑(cingulate gyrus), 쐐기소엽(cuneus), 혀이랑(Lingual gyrus), 후측 대상피질(posterior cingulate), 쐐기전소엽(precuneus), 엽하영역(sub-gyral)에 영향을 준다는 것을 보여주었다. 따라서 공통성 발견 과제의 난이도는 이미지로부터 인출된 시각적 정보와 위치정보를 통합하는 과정, 대상의 속성을 비교하고 필요한 정보를 선택하는 과정, 선택한 정보의 시각적 작업 기억 과정, 이 모든 과정에서의 주의집중에 대한 인지과정에 영향을 준다고 할 수 있다.

• 한국조경학회지
• /
• 제47권1호
• /
• pp.88-103
• /
• 2019

옥구공원 내 공간기능에 적절한 식재개념을 설정하고, 생육환경에 적합한 식재디자인을 제시하고자 하였다. 공간기능은 공원 시설물과 주변 현황, 이용 현황을 파악하여 구분하였고, 식재개념은 식재종 분포 및 정밀 식재구조를 조사하여 파악하였다. 식재종 분포는 48개의 유형으로 잔디식재지(28.84%), 왕벚나무(8.0%), 곰솔(6.73%), 느티나무(6.38%) 순이었다. 정밀 식재구조 조사구는 27개소를 설정하였으며, 조사 및 분석 결과, 평균 녹피율은 38.14%, 평균 녹지용적계수는 $0.72m^3/m^2$이었다. 생육불량률은 개체 수목별 생육상태를 등급화하여 녹지 블록당 평균값으로 도출하였다. 식재디자인 대상지는 옥구공원 중 공간의 활용도가 낮고, 수목의 생육환경이 열악한 지역을 선정하였다. 공간기능과 식재개념의 비교 분석 결과와 수목의 생육을 평가하여 생육 불량한 지역 $36,236m^2$를 파악하였다. 그리고 공간구조와 주요 이용 주변지역을 분석하여 식재개선이 시급한 지역을 도출하였다. 식재디자인 사례지역은 분수 주변지역의 녹음공간을 대상으로 현존식생과 층위구조, 이용 현황 등을 고려하여 식재디자인을 구상하였다. 선정된 지역은 식재디자인을 통하여 경관향상을 위한 식재개념 및 방향을 설정하고, 각 공간별 식재설계를 제안하였다.

• 한국작물학회:학술대회논문집
• /
• 한국작물학회 2023년도 춘계학술대회
• /
• pp.7-7
• /
• 2023

현재 다양한 4차산업의 주요기술로는 빅데이터, 사물인터넷, 인공지능, 블록체인, 혼합현실(MR), 드론 등이 대표적인 기술들이다. 특히 최근에 세계적인 기술적 트랜드로 자리 잡고 있는 "디지털 트윈(digital twin)은 물리적인 사물과 컴퓨터에 동일하게 표현되는 가상 모델의 개념으로서. 실제 물리적인 자산 대신 소프트웨어로 가상화한 자산의 Digital twin을 만들어 모의실험함으로써 실제 농작업의 특성(현재 상태, 농업생산성, 농작업 시나리오, 등)에 대한 정확한 정보를 얻을 수 있다. 본 연구에서는 노지노업 주산지에 대한 디지털 트윈 데이터를 구축하고 스마트팜 단지를 설계 및 구축하여, 통합관제시스템 운영을 통해 자동 물관리, 원격생육예찰, 드론방제, 병충해 예찰작업 등으로 농작업을 효율화하고자 한다. 또한, 빅데이터 분석을 통한 적정량의 비료·농약사용으로 환경적 부하를 최소화하여, 노동력절감, 농작물 생산성을 향상할 수 있는 디지털 환경제어농업을 국내에 보급하고자 한다. 이러한 노지농업 기술은 디지털 농작업 및 재배관리 등 으로 노동력이 절감되고, 기후변화에 대비한 물이용 최적화와 토양오염예방 효과를 기대할 수 있으며, 전국 재배환경 디지털 데이터 확보를 통한 노지작물의 정량적인 생육관리가 가능하게 된다. 또한 농업생산성 향상을 통한 탄소중립 RED++ 활동을 직접적으로 실천을 할 수 있는 방안이다. 취득된 고정밀·고화질 영상기반 농작물 생육데이터취득을 통한 생육현황 분석과 예측은 디지털 영농작업관리에 매우 효과적이다. 실제 국립식량과학원 남부작물부에서는 지중점적, 땅속배수 등 다양한 종류의 노지스마트팜 연구개발을 진행하였다. 특히, 올해부터는 전국농업기술원 단지를 대상으로 노지스마트팜 시설 구축 및 기술 보급을 통한 사업화를 본격적으로 진행하고 있다. 본 연구에서는 디지털 트윈 기술과 노지스마트팜 기술을 융합한 농업분야 구축사례와 향후 활용방안에 대하여 서술하고자 한다.

• 인터넷정보학회논문지
• /
• 제14권6호
• /
• pp.71-84
• /
• 2013

컴퓨터 시스템 운용 간에 발생하는 많은 정보들이 기록되는 로그데이터는 컴퓨터 시스템 운용 점검, 프로세스의 최적화, 사용자 최적화 맞춤형 제공 등 다방면으로 활용되고 있다. 본 논문에서는 다양한 종류의 로그데이터들 중에서 은행에서 발생하는 대용량의 로그데이터를 처리하기 위한 클라우드 환경 하에서의 MongoDB 기반 비정형 로그 처리시스템을 제안한다. 은행업무간 발생하는 대부분의 로그데이터는 고객의 업무처리 프로세스 간에 발생하며, 고객 업무 프로세스 처리에 따른 로그데이터를 수집, 저장, 분류, 분석하기 위해서는 별도로 로그데이터를 처리하는 시스템을 구축해야만 한다. 하지만 기존 컴퓨팅환경 하에서는 폭발적으로 증가하는 대용량 비정형 로그데이터 처리를 위한 유연한 스토리지 확장성 기능, 저장된 비정형 로그데이터를 분류, 분석 처리할 수 있는 기능을 구현하기가 매우 어렵다. 이에 따라 본 논문에서는 클라우드 컴퓨팅 기술을 도입하여 기존 컴퓨팅 인프라 환경의 분석 도구 및 관리체계에서 처리하기 어려웠던 비정형 로그데이터를 처리하기 위한 클라우드 환경기반의 로그데이터 처리시스템을 제안하고 구현하였다. 제안한 본 시스템은 IaaS(Infrastructure as a Service) 클라우드 환경을 도입하여 컴퓨팅 자원의 유연한 확장성을 제공하며 실제로, 로그데이터가 장기간 축적되거나 급격하게 증가하는 상황에서 스토리지, 메모리 등의 자원을 신속성 있고 유연하게 확장을 할 수 있는 기능을 포함한다. 또한, 축적된 비정형 로그데이터의 실시간 분석이 요구되어질 때 기존의 분석도구의 처리한계를 극복하기 위해 본 시스템은 하둡 (Hadoop) 기반의 분석모듈을 도입함으로써 대용량의 로그데이터를 빠르고 신뢰성 있게 병렬 분산 처리할 수 있는 기능을 제공한다. 게다가, HDFS(Hadoop Distributed File System)을 도입함으로써 축적된 로그데이터를 블록단위로 복제본을 생성하여 저장관리하기 때문에 본 시스템은 시스템 장애와 같은 상황에서 시스템이 멈추지 않고 작동할 수 있는 자동복구 기능을 제공한다. 마지막으로, 본 시스템은 NoSQL 기반의 MongoDB를 이용하여 분산 데이터베이스를 구축함으로써 효율적으로 비정형로그데이터를 처리하는 기능을 제공한다. MySQL과 같은 관계형 데이터베이스는 복잡한 스키마 구조를 가지고 있기 때문에 비정형 로그데이터를 처리하기에 적합하지 않은 구조를 가지고 있다. 또한, 관계형 데이터베이스의 엄격한 스키마 구조는 장기간 데이터가 축적되거나, 데이터가 급격하게 증가할 때 저장된 데이터를 분할하여 여러 노드에 분산시키는 노드 확장이 어렵다는 문제점을 가지고 있다. NoSQL은 관계형 데이터베이스에서 제공하는 복잡한 연산을 지원하지는 않지만 데이터가 빠르게 증가할 때 노드 분산을 통한 데이터베이스 확장이 매우 용이하며 비정형 데이터를 처리하는데 매우 적합한 구조를 가지고 있는 비관계형 데이터베이스이다. NoSQL의 데이터 모델은 주로 키-값(Key-Value), 컬럼지향(Column-oriented), 문서지향(Document-Oriented)형태로 구분되며, 제안한 시스템은 스키마 구조가 자유로운 문서지향(Document-Oriented) 데이터 모델의 대표 격인 MongoDB를 도입하였다. 본 시스템에 MongoDB를 도입한 이유는 유연한 스키마 구조에 따른 비정형 로그데이터 처리의 용이성뿐만 아니라, 급격한 데이터 증가에 따른 유연한 노드 확장, 스토리지 확장을 자동적으로 수행하는 오토샤딩 (AutoSharding) 기능을 제공하기 때문이다. 본 논문에서 제안하는 시스템은 크게 로그 수집기 모듈, 로그 그래프생성 모듈, MongoDB 모듈, Hadoop기반 분석 모듈, MySQL 모듈로 구성되어져 있다. 로그 수집기 모듈은 각 은행에서 고객의 업무 프로세스 시작부터 종료 시점까지 발생하는 로그데이터가 클라우드 서버로 전송될 때 로그데이터 종류에 따라 데이터를 수집하고 분류하여 MongoDB 모듈과 MySQL 모듈로 분배하는 기능을 수행한다. 로그 그래프생성 모듈은 수집된 로그데이터를 분석시점, 분석종류에 따라 MongoDB 모듈, Hadoop기반 분석 모듈, MySQL 모듈에 의해서 분석되어진 결과를 사용자에게 웹 인터페이스 형태로 제공하는 역할을 한다. 실시간적 로그데이터분석이 필요한 로그데이터는 MySQL 모듈로 저장이 되어 로그 그래프생성 모듈을 통하여 실시간 로그데이터 정보를 제공한다. 실시간 분석이 아닌 단위시간당 누적된 로그데이터의 경우 MongoDB 모듈에 저장이 되고, 다양한 분석사항에 따라 사용자에게 그래프화해서 제공된다. MongoDB 모듈에 누적된 로그데이터는 Hadoop기반 분석모듈을 통해서 병렬 분산 처리 작업이 수행된다. 성능 평가를 위하여 로그데이터 삽입, 쿼리 성능에 대해서 MySQL만을 적용한 로그데이터 처리시스템과 제안한 시스템을 비교 평가하였으며 그 성능의 우수성을 검증하였다. 또한, MongoDB의 청크 크기별 로그데이터 삽입 성능평가를 통해 최적화된 청크 크기를 확인하였다.