• 전자공학회논문지 IE
• /
• 제47권1호
• /
• pp.56-60
• /
• 2010

IT의 폭넓은 개발, Web 2.0 애플리케이션의 의 발전, 인터넷이 가능한 개인용 단말장치의 증가, 무선 네트워크의 유용성 등은 클라우드 컴퓨팅 모델을 만드는데 매우 중요한 역할을 수행하였다. 클라우드 컴퓨팅은 하나의 비즈니스 모델이며, 웹 애플리케이션의 새로운 트렌드다. 또한 형식은 그리드 컴퓨팅이나 유틸리티 컴퓨팅과 같은 형태를 사용한다. 클라우드 컴퓨팅 환경에서는 서버의 같은 하드웨어 자원을 사용할 수 있으며 정보를 공유하기 쉽다. 본 연구에서는 클라우드 컴퓨팅 환경에서 이러닝 분야를 적용하기 위한 방안을 제시한다. 이를 위하여 클라우드 컴퓨팅환경에서 LMS와 LCMS 기반의 이러닝을 제시하고자 한다. 이는 클라우드 컴퓨팅의 데이터센터에 LCMS를 포함한 LMS를 접속하도록 하였다.

• 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.

• 컴퓨터교육학회논문지
• /
• 제21권5호
• /
• pp.37-48
• /
• 2018

2015 개정교육과정은 컴퓨팅 사고력을 향상시키고자 SW교육과정이 포함되었으며 교육 현장에서 활용될 다양한 피지컬 컴퓨팅 기반의 교구가 판매되고 있다. 본 연구는 교수 상황과 교수 목적에 적합한 피지컬 컴퓨팅 기반의 학습도구를 선정하는데 필요한 준거를 마련하여 현장의 도구 선택에 합리적인 판단 근거를 제공하는데 목적이 있다. 평가 준거 마련 방법으로는 25명의 전문가 패널을 통해 델파이 조사 방법을 사용하였다. 그 결과 7개의 영역에 대해 40개의 필수 준거와 11개의 선택 준거로 구성되는 교구 평가 준거가 제시되었다. 또한 도출된 학습 도구 평가 준거를 통해 현재 상용화된 5종의 학습 도구에 대한 평가 결과를 분석하였다. 본 연구를 통해 개발된 교구 평가 준거는 교사들의 합리적인 교구 선택과 교구 개발자의 교구 개발에 도움을 줄 수 있을 것으로 기대한다.

• 경영정보학연구
• /
• 제6권2호
• /
• pp.161-179
• /
• 2004

본 연구는 중소형 e-Learning시스템의 개발을 위한 실질적 경험을 제시하는 데 목적이 있다. 제안된 시스템은 교수자로 하여금 전문적인 컴퓨팅 관련 기술의 도움없이 인터페이스를 정의하고, 컨텐츠를 조직화하며, 문제의 출제 및 자동 채점이 가능하도록 설계되었다. 본 연구는 e-Learning의 도입을 어렵게 느끼거나, 학교당국의 정책적 결정에 의해서 수용하겠다는 교육현장의 교수자가 타인의 도움없이 본인 스스로 구현할 수 있는 방안을 제시한다. 또한, 교수-학습자 간의 상호작용이 가능하고 개인적으로 운영할 수 있는 저비용, 고효율의 e-Learning기반 사이트를 실질적으로 구현하고 운영할 수 있는 방안을 제안한다.

• 한국콘텐츠학회논문지
• /
• 제7권12호
• /
• pp.283-291
• /
• 2007

유비쿼터스 컴퓨팅의 시대로 접어들면서, 컴퓨터 시스템은 언제 어디서나 우리의 일상생활에서 필요로 하는 적절한 서비스와 정보를 제공할 수 있게 되었다. 이러한 유비쿼터스 컴퓨팅은 언제 어디서나 학습을 할 수 있는 유비쿼터스 학습의 개념으로 발전시켰다. 본 논문에서는 기존의 ERSS(Korea's Educational Resources Sharing System)를 발전시켜, 유비쿼터스 컴퓨팅 기술이 적용된 U-스쿨을 위한 프레임워크를 제안한다. 제안된 프레임워크는 기존의 ERSS를 기반으로 하여 모바일 기술, 센서 단말 기술과 상황 인식 기술을 적용하였고 사용자 중심의 시나리오를 사용하여 사용자 중심의 러닝 환경을 제공한다. 특히 유비쿼터스 교육 환경에서의 상황인식 서비스는 학생, 교사, 객체 및 환경의 동적인 상황 정보를 기반으로 즉시 학습 및 개인별 맞춤 학습에 적용될 수 있다.

• Journal of Information Processing Systems
• /
• 제17권4호
• /
• pp.721-736
• /
• 2021

For the mobile edge computing (MEC) system supporting dense network, a joint allocation algorithm of computing and communication resources based on reinforcement learning is proposed. The energy consumption of task execution is defined as the maximum energy consumption of each user's task execution in the system. Considering the constraints of task unloading, power allocation, transmission rate and calculation resource allocation, the problem of joint task unloading and resource allocation is modeled as a problem of maximum task execution energy consumption minimization. As a mixed integer nonlinear programming problem, it is difficult to be directly solve by traditional optimization methods. This paper uses reinforcement learning algorithm to solve this problem. Then, the Markov decision-making process and the theoretical basis of reinforcement learning are introduced to provide a theoretical basis for the algorithm simulation experiment. Based on the algorithm of reinforcement learning and joint allocation of communication resources, the joint optimization of data task unloading and power control strategy is carried out for each terminal device, and the local computing model and task unloading model are built. The simulation results show that the total task computation cost of the proposed algorithm is 5%-10% less than that of the two comparison algorithms under the same task input. At the same time, the total task computation cost of the proposed algorithm is more than 5% less than that of the two new comparison algorithms.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제16권2호
• /
• pp.503-523
• /
• 2022

Nowadays, many attendance applications utilise biometric techniques such as the face, fingerprint, and iris recognition. Biometrics has become ubiquitous in many sectors. Due to the advancement of deep learning algorithms, the accuracy rate of biometric techniques has been improved tremendously. This paper proposes a web-based attendance system that adopts facial recognition using open-source deep learning pre-trained models. Face recognition procedural steps using web technology and database were explained. The methodology used the required pre-trained weight files embedded in the procedure of face recognition. The face recognition method includes two important processes: registration of face datasets and face matching. The extracted feature vectors were implemented and stored in an online database to create a more dynamic face recognition process. Finally, user testing was conducted, whereby users were asked to perform a series of biometric verification. The testing consists of facial scans from the front, right (30 - 45 degrees) and left (30 - 45 degrees). Reported face recognition results showed an accuracy of 92% with a precision of 100% and recall of 90%.

• Journal of Information Processing Systems
• /
• 제20권3호
• /
• pp.375-390
• /
• 2024

Edge computing architecture has effectively alleviated the computing pressure on cloud platforms, reduced network bandwidth consumption, and improved the quality of service for user experience; however, it has also introduced new security issues. Existing anomaly detection methods in big data scenarios with cloud-edge computing collaboration face several challenges, such as sample imbalance, difficulty in dealing with complex network traffic attacks, and difficulty in effectively training large-scale data or overly complex deep-learning network models. A lightweight deep-learning model was proposed to address these challenges. First, normalization on the user side was used to preprocess the traffic data. On the edge side, a trained Wasserstein generative adversarial network (WGAN) was used to supplement the data samples, which effectively alleviates the imbalance issue of a few types of samples while occupying a small amount of edge-computing resources. Finally, a trained lightweight deep learning network model is deployed on the edge side, and the preprocessed and expanded local data are used to fine-tune the trained model. This ensures that the data of each edge node are more consistent with the local characteristics, effectively improving the system's detection ability. In the designed lightweight deep learning network model, two sets of convolutional pooling layers of convolutional neural networks (CNN) were used to extract spatial features. The bidirectional long short-term memory network (BiLSTM) was used to collect time sequence features, and the weight of traffic features was adjusted through the attention mechanism, improving the model's ability to identify abnormal traffic features. The proposed model was experimentally demonstrated using the NSL-KDD, UNSW-NB15, and CIC-ISD2018 datasets. The accuracies of the proposed model on the three datasets were as high as 0.974, 0.925, and 0.953, respectively, showing superior accuracy to other comparative models. The proposed lightweight deep learning network model has good application prospects for anomaly traffic detection in cloud-edge collaborative computing architectures.

• 한국융합학회논문지
• /
• 제3권2호
• /
• pp.1-5
• /
• 2012

한국 기업들의 필리핀 진출이 활발해지면서 필리핀 현지의 한국 업체들은 한국어 능력을 보유한 현지인력의 채용을 확대하고 있다. 이 논문에서는 한국의 e-learning 경험을 바탕으로 필리핀 현지 한국인 산업체 인력의 한국어 능력 향상을 위한 e-laering 시스템과 학습관리시스템을 설계하고 구현하였다. 이 시스템은 JAVA, ASP와 HTML로 구현되었으며, 강의 자료 및 학생 자료는 MS SQL-Server로 관리되도록 구현하였다.

• 전자통신동향분석
• /
• 제38권5호
• /
• pp.51-60
• /
• 2023

Quantum machine learning (QML) is an area of quantum computing that leverages its principles to develop machine learning algorithms and techniques. QML is aimed at combining traditional machine learning with the capabilities of quantum computing to devise approaches for problem solving and (big) data processing. Nevertheless, QML is in its early stage of the research and development. Thus, more theoretical studies are needed to understand whether a significant quantum speedup can be achieved compared with classical machine learning. If this is the case, the underlying physical principles may be explained. First, fundamental concepts and elements of QML should be established. We describe the inception and development of QML, highlighting essential quantum computing algorithms that are integral to QML. The advent of the noisy intermediate-scale quantum era and Google's demonstration of quantum supremacy are then addressed. Finally, we briefly discuss research prospects for QML.