• Proceedings of the Korea Information Processing Society Conference
• /
• 2021.11a
• /
• pp.545-547
• /
• 2021

발전시설 장비는 이상이 생기면 큰 경제적 피해를 발생시키기 때문에, 장비의 계통마다 수십만 개의 센서들이 부착되어 장비의 정상 작동 여부를 모니터링 한다. 장비의 이상 감지를 위해서, 최근 활발히 연구되고 있는 딥러닝 등의 기술을 활용한 AI 모델을 생성하여 장비의 고장을 예측한다. AI 모델을 학습하고 추론하기 위해서는 수많은 센서 중에서 AI 모델을 생성할 센서들을 선택하고, 지속적으로 모니터링 되는 값들을 비교하여 이상 감지 여부를 스트리밍 환경에서 추론할 수 있는 센서 빅데이터 질의 처리 및 스트리밍 추론 시스템이 필요하다. 본 논문에서는 AI 모델을 학습하고 스트리밍 추론할 수 있는 빅데이터 질의 처리 시스템을 설계 및 구현한다.

• Proceedings of the Korean Society of Broadcast Engineers Conference
• /
• 2017.11a
• /
• pp.187-188
• /
• 2017

최근 유럽과 미국을 중심으로 하이브리드 라디오 서비스 도입을 위한 표준, 기술 개발 및 서비스가 진행 중이다. 하이브리드 라디오는 기존 라디오 방송망과 통신망을 결합해 고품질 오디오 및 부가 데이터 서비스를 제공할 수 있는 서비스이다. 이를 통해 사용자들은 지상파 라디오 방송망에서 오디오를 제공 받으며 인터넷을 통해 실시간으로 고해상도 이미지와 영상 및 라디오 부가 정보 등을 제공받을 수 있다. 본 논문에서는 하이브리드 라디오 서비스가 구현되기 위해 인터넷 라디오 스트리밍 기술에 대해 살펴보고, 유럽 하이브리드 라디오 표준에서 라디오스트리밍 방식에 DASH를 적용한 인터넷 스트리밍 서비스 기술을 소개한다. 현재 DASH 방식은 MPEG에서 HTTP 기반의 적응적 스트리밍 서비스 포맷을 통일하기 위해 정의된 기술 방식이다. 이를 하이브리드라디오 스트리밍 제공 기술로 적용할 수 있는 방안을 제시한다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2004.04a
• /
• pp.706-708
• /
• 2004

일반적으로 모바일 단말기는 스트리밍 서비스의 클라이언트로서 그 역할을 당당하고 있으며 여기에 스트리밍 서버를 설치하는 것은 매우 도전적인 과제이다. 본 논문에서는 RTP 프로토콜을 이용하여 Jpeg 형식의 스트리밍 데이터를 송수신 할 수 있는 초경량 스트리밍 서버를 모바일 단말기에 구현함으로써 궁극적으로 모바일 단말기간의 P2P 기반 스트리밍 서비스 네트워크를 구축하는 것을 목표로 한다. 본 시스템에서는 현재 차세대 Mobile 인터넷 플랫폼 표준으로 채택된 WIPI를 기반 시스템으로 하였으며 향후 모바일 단말기가 본격적인 P2P 기반 멀티미디어 서비스 시스템으로 확장성을 고려한 개발을 진행중이다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2002.11a
• /
• pp.513-516
• /
• 2002

분산 멀티미디어 기술이 궁극적으로 지향하는 것은 사용자들에게 선명한 화질과 뚜렷한 음성을 인터넷으로 전달하는 것이다. 이를 위해서, 대부분 멀티미디어 스트리밍 기술을 사용한다. 멀티미디어 스트리밍 기술은 최소한의 지연(delay)과 지터(jitter)를 갖는 네트워크 상에서 time-based media인 오디오와 비디오를 연속적으로 전달 및 처리하는 기술을 의미한다. 하지만, 지금까지의 멀티미디어 스트리밍 기술은 "Guarantee" 서비스가 아닌, "Best of quality" 서비스에 가깝다. 따라서, 본 논문에서는 "Guarantee" 서비스 지원 및 처리가 가능한 실시간 멀티미디어 스트리밍 구조를 설계하였다. 특히, MMStream TMO는 멀티미디어 데이터의 입출력 및 변환을 실시간으로 처리하는 TMO 객체로써, 복잡한 분산 멀티미디어 응용프로그램 개발이 용이하고, 신뢰성 있는 멀티미디어 스트리밍 서비스를 보장하도록 설계되었다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2001.04a
• /
• pp.577-580
• /
• 2001

최근 정보통신 기술 발전 및 초고속 통신망의 발달로 인한 인터넷 망(network)상에서의 방송과 통신이 융합되는 추세가 가속화되고 있다. 이에 스트리밍(Streaming) 기술을 기반으로 한 멀티미디어 데이터의 서비스와 데이터 정보의 푸시(push) 기술을 결합하여 인터넷과 고속망상에서의 원활한 실시간 전송 서비스를 위하여 다중 서버를 지원하는 3-tier 방식의 스트리밍 시스템을 구현하였다. 구현된 시스템은 실시간 전송 프로토콜인 RTP(Real-time Transport Protocol)를 이용하여 송신자에게 멀티미디어 스트리밍 서비스를 제공하며, VOD(Video on Demand) 및 실시간 방송 서비스를 제공하는 분산 멀티미디어 스트리밍 전송 시스템이다. 전체 시스템은 인터넷 방송 서비스 제공을 위한 VOD 서버, 실시간 방송 서버 및 푸시 서버와 멀티미디어의 실시간 재생을 위한 클라이언트 인터페이스 등으로 구성되어 있으며, 안정적인 서비스를 위한 미들웨어에서의 부하분배 및 채널 정보의 관리를 가능하게 하였다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2019.07a
• /
• pp.317-318
• /
• 2019

가상/증강현실로 대표되는 공간정보 기반 실감형 콘텐츠에 대한 관심이 증대되면서 객체인식 등의 지능형 공간인지 기술에 대한 연구가 활발히 진행되고 있다. 특히 HMD등의 영상 시각화 장치의 발달 및 5G 통신기술의 출현으로 인해 실시간 대용량 영상정보의 송, 수신 및 가시화 처리 기술의 기반이 구축됨에 따라, $360^{\circ}$ 스트리밍 영상정보 처리와 같은 고자유도 콘텐츠를 위한 관련 연구의 필요성이 증대되고 있다. 하지만 지능형 영상정보 처리의 대표적 연구인 딥 러닝(Deep Learning) 기반 객체 인식 기술의 경우 대부분 일반적인 평면 영상(Planar Image)에 대한 처리를 다루고 있고, 파노라마 영상(Panorama Image) 특히, $360^{\circ}$ 스트리밍 영상 처리를 위한 연구는 미비한 상황이다. 본 논문에서는 딥 러닝을 이용하여 $360^{\circ}$ 스트리밍 영상에서의 객체인식 연구 방법에 대해 서술한다. 이를 위해 $360^{\circ}$ 카메라 영상에서 딥 러닝을 위한 학습 데이터를 획득하고, 실시간 객체 인식이 가능한 YOLO(You Only Look Once)기법을 이용하여 학습을 한다. 실험 결과에서는 학습 데이터를 이용하여 $360^{\circ}$영상에서 객체 인식 결과와, 학습 횟수에 따른 객체 인식에 대한 결과를 보여준다.

• Journal of the Korea Academia-Industrial cooperation Society
• /
• v.19 no.11
• /
• pp.310-318
• /
• 2018

Recently, the importance of big data analysis is increasing as a large amount of data is generated by various devices connected to the Internet with the advent of Internet of Things (IoT). Especially, it is necessary to analyze various large-scale IoT streaming sensor data generated in real time and provide various services through new meaningful prediction. This paper proposes a real-time indoor PM10 concentration prediction LSTM model based on streaming data generated from IoT sensor using AWS. We also construct a real-time indoor PM10 concentration prediction service based on the proposed model. Data used in the paper is streaming data collected from the PM10 IoT sensor for 24 hours. This time series data is converted into sequence data consisting of 30 consecutive values from time series data for use as input data of LSTM. The LSTM model is learned through a sliding window process of moving to the immediately adjacent dataset. In order to improve the performance of the model, incremental learning method is applied to the streaming data collected every 24 hours. The linear regression and recurrent neural networks (RNN) models are compared to evaluate the performance of LSTM model. Experimental results show that the proposed LSTM prediction model has 700% improvement over linear regression and 140% improvement over RNN model for its performance level.

• KIPS Transactions on Software and Data Engineering
• /
• v.5 no.7
• /
• pp.313-318
• /
• 2016

To utilize sensory data, it is necessary to design architecture for processing and handling data generated from sensors in an IoT environment. Especially in the IoT environment, a thing connects to the Internet and efficiently enables to communicate a device with diverse sensors. But Hadoop and Twister based on MapReduce are good at handling data in a batch processing. It has a limitation for processing stream data from a sensor in a motion. Traditional streaming data processing has been mainly applied a MoM based message queuing system. It has maintainability and scalability problems because a programmer should consider details related with complex messaging flow. In this paper architecture is designed to handle sensory data aggregated The designed software architecture is used to operate an application on the open source framework Storm. The application is conceptually used to transform streaming data which aggregated via sensor gateway by pipe-filter style.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2005.11a
• /
• pp.1291-1294
• /
• 2005

소프트웨어 스트리밍[1][2]은 프로그램 설치 및 실행을 위하여 서버로부터 데이터 전송이 진행중인 동안에도 PC, PDA, 휴대용 개인 컴퓨터, 휴대 전화 등과 같은 데스크 탑 또는 이동 연산장치 상에서 미설치 소프트웨어의 실행이 즉각적으로 이루어지도록 하는 기능이다. 즉, 소프트웨어 스트리밍 기술을 사용하면 사용자가 다운로드, 압축해제, 인스톨과 시스템 재구성이라는 일련의 과정이 완료될 때까지 기다릴 필요 없이 최소한의 다운로드 후에 해당 소프트웨어가 곧바로 실행될 수 있도록 해준다. 응용프로그램을 실행하는데 필요한 첫번째 실행 블록이 메모리에 적재되고 기본적인 환경설정을 마치자마자 나머지 블록들이 다운로드되고 설치되기도 전에 실행될 수 있기 때문에 스트리밍 시스템은 응용 프로그램의 실행준비 시간을 대폭 줄일 수 있게 해준다. 게다가, 응용프로그램 실행시 실제로 사용되지 않는 대부분의 블록들은 서버로부터 다운로드 받지 않아도 된다. 그 결과, 메모리와 대역폭 같은 리소스의 활용이 절약된다. 이러한 스트리밍 시스템을 사용하면 사용자는 다양한 공개 또는 상업용 응용프로그램을 광범위하게 지원하는 사용자 투명성을 가진 가상 소프트웨어 컴퓨팅 환경을 만들 수 있다. 본 논문에서는 프로그램 등록, 환경 변수 설정, 그리고 구성파일과 관련된 컴포넌트들의 자동 설치 기능들을 제공함으로서 네트워크를 통하여 소프트웨어를 스트리밍하고 실행해주는 Software On-Demand(SOD)스트리밍 시스템을 설계 및 구현한다. 또한 구현된 SOD 스트리밍 시스템의 성능측정 실험환경을 구축하고 실험 결과를 이용하여 성능분석을 행한다.

• Journal of KIISE
• /
• v.44 no.8
• /
• pp.842-853
• /
• 2017

Streaming data is a sequence of data samples that are consistently generated over time. The data distribution or concept can change over time, and this change becomes a factor to reduce the performance of a classification model. Adaptive incremental learning can maintain the classification performance by updating the current classification model with the weight adjusted according to the degree of concept drift. However, selecting the proper weight value depending on the degree of concept drift is difficult. In this paper, we propose a dynamic ensemble method based on adaptive weight adjustment according to the degree of concept drift. Experimental results demonstrate that the proposed method shows higher performance than the other compared methods.