• Proceedings of the Korea Contents Association Conference
• /
• 2013.05a
• /
• pp.273-274
• /
• 2013

모바일 기술의 발전과 폭발적인 성장으로 모바일 서비스에 관심이 높아만 가고 있다. 최근 새로운 IT 트랜드로 모바일 클라우드 컴퓨팅(MCC: Mobile Cloud Computing)이 새롭게 떠오르고 있다. 특히, 모바일 러닝을 위한 미래의 새로운 IT 서비스가 기대되고 있다. 현재, 모바일 기기의 한계점(장애물) 때문에 극복해야 할 문제들이 산재해 있다. 이들 문제가 되는 잠재적인 장애물을 다루고 있다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2022.05a
• /
• pp.78-80
• /
• 2022

최근 딥러닝을 이용한 영상 분석은 자율주행, 감시카메라 등 다양한 서비스에 필수적으로 활용되고 있으며 실시간 처리 및 보안 요소를 만족하기 위해 기존의 클라우드 컴퓨팅 방식의 단점을 개선한 클라우드 엣지 컴퓨팅 방식을 적용하는 사례가 크게 증가하고 있다. 하지만 사용자 및 단말과 가까운 위치에서 딥러닝 추론을 진행하는 클라우드 엣지 서버는 클라우드 서버와 비교하여 컴퓨팅 자원이 충분하지 않을 경우가 많으며 기존의 딥러닝 모델을 그대로 클라우드 엣지 환경에 적용하는 것은 자원 활용 측면에서 여러가지 문제점들을 갖고 있다. 따라서 본 논문에서는 마이크로서비스 구조를 통해 자원을 보다 유연하게 활용할 수 있도록 개선된 딥러닝 모델로 대규모의 클라이언트 요청을 처리 가능한 동영상 데이터 추론 서비스인 G-Edge AI 추론 서비스 개발에 대해 설명한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2024.05a
• /
• pp.658-661
• /
• 2024

퍼블릭 클라우드 시장이 성장하면서 퍼블릭 클라우드에서 호스팅하는 컴퓨팅 자원으로 구축된 거대하고 복잡한 IT 시스템이 점차 많아지고 있다. 이러한 시스템의 증가는 서비스 장애 발생 확률을 높이므로, 장애 관리 및 선제 감지를 위한 퍼블릭 클라우드 자원의 이상 감지 연구에 대한 수요 또한 증가하고 있다. 그러나 연구에 활용할 수 있는 벤치마크 데이터셋이 없다는 점과, 실제 자원에서 추출할 수 있는 데이터는 레이블링이 되어 있지 않은 불균형 데이터라는 점 때문에 관련 연구가 부족한 상황이다. 이러한 문제를 해결하고자 본 논문은 비지도 방식의 표현 학습 기반 딥러닝 모델을 활용한 이상 감지 시스템을 제안한다. 시스템의 이상 감지 성능을 유지하고자 일정 주기마다 다수의 딥러닝 모델을 재학습하고 비교하여 최적의 모델로 업데이트 하는 방식을 고안하였다. 해당 시스템의 평가에는 실제 퍼블릭 클라우드 자원에서 발생한 메트릭 데이터가 활용됐으며, 그 결과 준수한 이상 감지 성능을 보인다는 것을 확인하였다.

• Journal of Advanced Navigation Technology
• /
• v.13 no.5
• /
• pp.781-786
• /
• 2009

The cloud computing environment is a new trend of web based application parts. It can be IT business model that is able to easily support learning service and allocate resources through the internet to users. U-learning also is a maximal model with efficiency of the internet based learning. Thus, in this research, we proposed a design of u-learning's teaching and learning model that is applying the internet based learning. Proposal method is to fit u-learning and has 7 steps: Preparing, planning, gathering, learning process, analysis and evaluation, and feedback. We make a cloud u-learning server and cloud LMS to process and manage the service. And We also make a mobile devices meta data to aware the model.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2019.10a
• /
• pp.1112-1115
• /
• 2019

최근 딥러닝의 급격한 발전에 따라, 다양한 영상처리에 기반한 새로운 어플리케이션과 서비스가 개발되어지고 있다. 이러한 다양한 서비스들이 동작되는 플랫폼이 다양하고, 리소스에 제약이 많은 경우가 있어 일반적으로 이러한 딥러닝 기반 영상처리 서비스에서는 클라우드를 이용한 백엔드 서비스를 이용하는 경우가 많다. 그러나, 알고리즘 개발단계에서는 클라우드 백엔드 서비스가 적절하지만, 실제로 제품 및 서비스의 필드 적용에 있어서는 클라우드 사용에 따른 제약이 상당한 걸림돌로 작용한다. 그리하여 본 논문에서는 다양한 디바이스의 영상 데이터를 로컬 또는 기관에 있는 충분한 자원 활용이 가능한 서버로 전송하여 프로세싱 후 실시간 결과를 feedback받을 수 있는 효율적인 back-end 딥러닝 영상분석 서비스 프레임워크를 제안한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2021.05a
• /
• pp.192-195
• /
• 2021

AI 모델 서비스 제공에 강제되는 높은 메모리 사용량을 해결하기 위해 일반적으로 클라우드 컴퓨팅 기술을 이용한다. 클라우드 기반 서비스는 개발자로 하여금 메모리 사용량에 대한 걱정을 덜어주고 서비스 이용자에게는 편리하게 양질의 서비스를 제공받을 수 있게 한다. 하지만 보안 대책이 미흡한 클라우드 서비스는 서비스를 제공받아 얻는 이익만을 생각하기에는 보안사고로 인한 피해가 막대할 수 있다. AI 기술이 인간의 삶에 깊이 파고든 현 상황에서 우리가 대부분 이용하는 클라우드에 기반 서비스의 보안 문제는 그 중요도가 굉장히 높다고 할 수 있다. 이를 위해 본 논문에서는 클라우드 기반 머신러닝 서비스를 분석하여 어떤 공격이 이루어질 수 있는지 분석하고 그에 대한 연구된 방어법들의 효과를 확인하여 효과적인 것들을 선별하고 접목시키는 시도를 한다.

• Proceedings of the Korea Contents Association Conference
• /
• 2013.05a
• /
• pp.271-272
• /
• 2013

오늘날, 컴퓨터와 통신기술의 급속한 발전은 교육의 질을 증진하는데 새로운 기회를 제공하고 있다. 그러나, 현존하는 코스 중심의 학습환경이 개인적인 학습을 적절한 방법으로 지원하지 못하고 있다. 캠퍼스 밖에서도 선도적인 기술로 지원하고 도움을 제공하는 개인별 학습지원이 필요하다. 이러한 새로운 환경에 부응하기 위하여 클라우드에 기반한 CPLE모델을 제안하고 있다.

• Smart Media Journal
• /
• v.12 no.2
• /
• pp.66-75
• /
• 2023

Recently, the number of cloud web applications is increasing owing to the accelerated migration of enterprises and public sector information systems to the cloud. Traditional network attacks on cloud web applications are characterized by Denial of Service (DoS) attacks, which consume network resources with a large number of packets. However, HTTP DoS attacks, which consume application resources, are also increasing recently; as such, developing security technologies to prevent them is necessary. In particular, since low-bandwidth HTTP DoS attacks do not consume network resources, they are difficult to identify using traditional security solutions that monitor network metrics. In this paper, we propose a new detection model for detecting HTTP DoS attacks on cloud web applications by collecting the application metrics of web servers and learning them using machine learning. We collected 18 types of application metrics from an Apache web server and used five machine learning and two deep learning models to train the collected data. Further, we confirmed the superiority of the application metrics-based machine learning model by collecting and training 6 additional network metrics and comparing their performance with the proposed models. Among HTTP DoS attacks, we injected the RUDY and HULK attacks, which are low- and high-bandwidth attacks, respectively. As a result of detecting these two attacks using the proposed model, we found out that the F1 scores of the application metrics-based machine learning model were about 0.3 and 0.1 higher than that of the network metrics-based model, respectively.

• KIPS Transactions on Software and Data Engineering
• /
• v.12 no.9
• /
• pp.399-406
• /
• 2023

Cloud computing has been evolved to support edge computing architecture that combines fog management layer with edge servers. The main reason why it is received much attention is low communication latency for real-time IoT applications. At the same time, various cloud task scheduling techniques based on artificial intelligence have been proposed. Artificial intelligence-based cloud task scheduling techniques show better performance in comparison to existing methods, but it has relatively high scheduling time. In this paper, we propose a deep learning-based dynamic scheduling with multi-agents supporting scalability in edge computing environments. The proposed method shows low scheduling time than previous artificial intelligence-based scheduling techniques. To show the effectiveness of the proposed method, we compare the performance between previous and proposed methods in a scalable experimental environment. The results show that our method supports real-time IoT applications with low scheduling time, and shows better performance in terms of the number of completed cloud tasks in a scalable experimental environment.

• Review of KIISC
• /
• v.29 no.3
• /
• pp.37-43
• /
• 2019

딥러닝을 비롯한 인공기능과 영상처리 분야의 접목은 기존 물리보안의 기술적 한계를 뛰어넘어 새로운 기회의 장을 마련하고 있다. 하지만 딥러닝 기반 영상분석 기술도 지능형 영상감시가 필요한 실제 현장에서는 다양한 환경의 제약사항으로 인해 성능이 저하될 가능성이 높다. 본 논문에서는 실제 CCTV 환경의 영상 데이터를 확보하여 신경망을 이용한 지속적인 학습을 통해 영상분석의 성능을 개선하는 클라우드 기반 지능형 영상보안 플랫폼을 소개한다. 클라우드 기반 지능형 영상보안 플랫폼은 지자체 통합관제센터에서 수집한 CCTV 영상을 학습 데이터로 활용하여, 현장에서 신뢰받을 수 있는 사람 검출, 사람/차량 재식별, 열악 차량번호판 탐지 등의 지능형 영상분석 서비스를 제공할 수 있다.