• 한국정보과학회논문지:소프트웨어및응용
• /
• 제30권11호
• /
• pp.1080-1091
• /
• 2003

최근 인터넷 및 초고속네트워크의 발전과 더불어 원격교육도 활발히 이용되고 있다. 온라인 강의(교수-학습)툴에 대한 상대적으로 많은 연구와는 비교되게 가상실험 툴에 대한 연구는 미진하다고 할수 있다. 본 논문에서는 원격교육용 가상실험실로 사용될 수 있는 웹 기반 시뮬레이션 툴, SimDraw를 설계 및 구현한다. 웹 기반 시뮬레이션기술을 원격교육에 적용시키기 위해서는 다음과 같은 몇 가지 요구사항이 만족되어야 한다. 첫째, 시뮬레이션 툴의 사용자 인터페이스가 간단해서 학생들이 쉽게 사용할 수 있어야 한다. 둘째, 원격 학생들의 다양한 컴퓨터 환경에서도 일관되게 실행될 수 있을 정도로 이식성이 있어야 한다. 마지막으로 셋째, 시뮬레이션 프로그램이 충분히 가벼워서 학생들이 설치 없이 사용이 가능하거나 혹은 설치가 매우 간결하고 쉽게 이루어질 수 있어야 한다. 이러한 요구조건을 만족시키기 위해 SimDraw는 클라이언트/서버구조에 기반하고 있다. 클라이언트프로그램은 모델작성 및 애니메이션 기능만을 가지고 있으므로 자바 애플릿으로 구현이 가능하고 웹 브라우져 내에서 실행될 수 있다. 즉 설치가 전혀 필요 없다. 서버프로그램은 원격컴파일, 모델저장, 라이브러리관리, 사용자관리 등의 기능을 클라이언트 측에 제공한다. SimDraw의 기능을 평가하기 위해 RIP(Routing Information Protocol) 라우팅 프로토콜의 가상 실험을 예로 들어서 시뮬레이션 과정을 보였다.

• 정보처리학회논문지:컴퓨터 및 통신 시스템
• /
• 제9권12호
• /
• pp.291-306
• /
• 2020

오늘날 데이터 네트워크 AI (DNA) 기반 지능형 서비스 및 애플리케이션은 비즈니스의 삶의 질과 생산성을 향상시키는 새로운 차원의 서비스를 제공하는 것이 현실이 되었다. 인공지능(AI)은 IoT 데이터(IoT 장치에서 수집한 데이터)의 가치를 높이며, 사물 인터넷(IoT)은 AI의 학습 및 지능 기능을 촉진한다. 딥러닝을 사용하여 대량의 IoT 데이터에서 실시간으로 인사이트를 추출하려면 데이터가 생성되는 IoT 단말 장치에서의 처리능력이 필요하다. 그러나 딥러닝에는 IoT 최종 장치에서 사용할 수 없는 상당 수의 컴퓨팅 리소스가 필요하다. 이러한 문제는 처리를 위해 IoT 최종 장치에서 클라우드 데이터 센터로 대량의 데이터를 전송함으로써 해결되었다. 그러나 IoT 빅 데이터를 클라우드로 전송하면 엄청나게 높은 전송 지연과 주요 관심사인 개인 정보 보호 문제가 발생한다. 분산 컴퓨팅 노드가 IoT 최종 장치 가까이에 배치되는 엣지 컴퓨팅은 높은 계산 및 짧은 지연 시간 요구 사항을 충족하고 사용자의 개인 정보를 보호하는 실행 가능한 솔루션이다. 본 논문에서는 엣지 컴퓨팅 내에서 딥러닝을 활용하여 IoT 최종 장치에서 생성된 IoT 빅 데이터의 잠재력을 발휘하는 현재 상태에 대한 포괄적인 검토를 제공한다. 우리는 이것이 DNA 기반 지능형 서비스 및 애플리케이션 개발에 기여할 것이라고 본다. 엣지 컴퓨팅 플랫폼의 여러 노드에서 딥러닝 모델의 다양한 분산 교육 및 추론 아키텍처를 설명하고 엣지 컴퓨팅 환경과 네트워크 엣지에서 딥러닝이 유용할 수 있는 다양한 애플리케이션 도메인에서 딥러닝의 다양한 개인 정보 보호 접근 방식을 제공한다. 마지막으로 엣지 컴퓨팅 내에서 딥러닝을 활용하는 열린 문제와 과제에 대해 설명한다.

• Journal of Platform Technology
• /
• 제10권4호
• /
• pp.47-55
• /
• 2022

사물인터넷 환경에서는 다양한 무선 통신 기술을 사용하는 기기들이 점점 증가하고 있다. 특히, 다양한 무선 신호 변조 유형을 정확하게 식별하기 위해 효율적인 특성 추출 기법을 설계하고 무선 신호의 종류를 분류하는 것이 필수적이다. 하지만, 실제 환경에서 레이블이 지정된 무선 신호 데이터를 수집하는 것은 쉬운 문제가 아니다. 최근 무선 신호 분류를 위해 딥러닝 기반의 다양한 학습 기법들이 제안되어졌다. 딥러닝의 경우 훈련 데이터셋이 적을 경우 과대적합에 빠질 가능성이 높으며, 이는 딥러닝 모델을 활용한 무선 신호 분류 기법의 성능 저하를 유발한다. 본 연구에서는 다양한 무선 신호들이 존재할 때 분류 성능을 높이기 위해 생성적 적대 신경망 기반 데이터 증대 기법을 제안한다. 분류해야 하는 무선 신호의 종류가 다양할 때 특정 무선 신호를 나타내는 데이터의 양이 적거나 균형이 맞지 않는 경우 제안한 기법을 활용하여 필요한 무선 신호와 관련된 데이터의 양을 증가시킨다. 제안한 데이터 증강 알고리즘의 유효성을 검증하기 위해 무선 신호의 데이터양을 증가시키고 균형을 맞춘 결과를 바탕으로 CNN 및 LSTM 기반 무선 신호 분류기를 구현하여 실험해본 결과 데이터 균형을 맞추지 않았을 때보다 분류 정확도가 높아지는 것을 확인하였다.