Earticle

본 논문에서는 인코더-디코더 모델(encoder-decoder model)에서 잠재 벡터(latent vector)의 분류 성능을 비교 분석한다. 오토인코더와 같은 일반적인 인코더-디코더 모델은 인코더 입력을 잠재 벡터로 변환하고 이를 디코더에 입력하여 인코더 입력과 유사한 출력을 생성하도록 학습한다. 이와 같은 인코더-디코더 모델의 잠재 벡터는 인코더 입력의 특징을 추상화하여 잘 보존한다고 고려할 수 있다. 나아가 잠재 벡터가 특징 공간에서 클러스터들 사이에서 구분이 가능한 거리를 보장한다면 이를 비지도 학습에 적용하는 것이 가능하다. 본 논문에서는 인코더-디코더 모델 에서의 잠재 벡터를 비지도 학습 및 점진적 학습에 적용하기 위한 기초 연구로서 잠재 벡터의 분류 성능을 분석한 다. 이를 위해 스택트 오토인코더(stacked autoencoder)와 2가지 종류의 CNN(Convolutional Neural Network) 기반 오토인코더를 바탕으로 각각 구해지는 잠재 벡터를 KNN(K-Nearest Neighbor)과 랜덤 포레스 트(random forest)를 포함하는 4가지 종류의 분류기에 적용한다. 실험 결과 완전 연결 계층(fully connected or dense layer)를 가지는 CNN 기반의 오토인코더를 사용한 결과 평균 정확률은 약 97%이고 스택트 오토인코더의 결과는 약 95%로 2% 정도 우수한 분류 성능을 보이는 것을 확인할 수 있다. 본 논문에서의 연구를 바탕으로 완전 연결 계층을 가지는 CNN 기반의 오토 인코더를 이용하여 구해지는 잠재 벡터를 비지도 학습에 적용하는 것으로 확 장하는 것이 가능하다.

This paper compares and analyzes the classification performance of latent vectors in the encoder-decoder model. A typical encoder-decoder model, such as an autoencoder, transforms the encoder input into a latent vector and feeds it into the decoder. In this process, the encoderdecoder model learns to produce an decoder output similar to the encoder input. We can consider that the latent vector of the encoder-decoder model is well preserved by abstracting the characteristics of the encoder input. Further, it is possible to apply to unsupervised learning, if the latent vector guarantees a sufficient distance between clusters in the feature space. In this paper, the classification performance of latent vectors is analyzed as a basic study for applying latent vectors in encoder-decoder models to unsupervised and continual learning. The latent vectors obtained by the stacked autoencoder and 2 types of CNN-based autoencoder are applied to 4 kinds of classifiers including KNN and random forest. Experimental results show that the latent vector using the CNN-based autoencoder with a dense layer(about 97%) shows superior classification performance by up to 2% compared to the result of the stacked autoencoder(about 95%). Based on the results in this paper, it is possible to extend the latent vector obtained by using a CNN-based auto-encoder with dense layer to unsupervised learning.

바닥 난방 시스템을 사용하는 일반주택에서, 급격한 외부 기상상태의 변화 및 주택과 보일러 특성에 따른 열 이동 등 다양한 변수를 고려하여 실내쾌적성을 유지함과 동시에 난방 에너지소비량을 최소화하는 것이 중요하다. 본 논문 은 실제 사용자의 보일러 운영정보와 기상정보 및 LSTM 딥러닝 모델을 활용하여 일반주택의 실내온도 예측을 수 행하였다. 시간에 따른 보일러 운영정보 및 기상정보 중 사용자의 실내온도와 상관관계가 있는 변수를 학습 인자로 선정하였다. 이후, LSTM 베이스라인을 구축하여 밀집층의 노드 개수, 드롭아웃 비율, L2 정규화 파라미터, 배치 사이즈, 학습 시간 대역에 따른 성능 변화를 관찰하여 최적화를 수행하였다. 학습 파라미터들의 최적화를 수행한 결 과, MAE는 0.3780, RMSE는 0.5306으로 직관적으로 평균 오차 0.38℃에 해당하는 우수한 성능을 확인하였다.

In general houses using floor heating systems it is important to maintain indoor comfort and minimize heating energy consumption by considering various variables such as rapid changes in external weather conditions and heat movement according to housing and boiler characteristics. This paper performed indoor temperature prediction of general housing using actual user boiler operation information, weather information, and LSTM deep learning model. Among boiler operation information and weather information over time, a variable correlated with the user's indoor temperature was selected as a learning factor. After that, the LSTM baseline was established to perform optimization by observing performance changes according to the number of nodes in the dense layer, drop-out ratio, L2 regularization parameter, batch size, and learning time band. As a result of performing the optimization of the learning parameters, the MAE was 0.3780 and the RMSE was 0.5306, intuitively confirming excellent performance corresponding to the average error of 0.38°C.

NFT(Non-Fungible Token)는 블록체인에서 각각의 토큰을 구별할 수 있는 대체 불가능한 특징을 가진다. 수정 이나 삭제 등 위변조가 불가능한 블록체인 네트워크에 토큰 고유의 정보가 기록되므로 토큰의 소유주를 추적할 수 있고 토큰의 소유권을 보장받을 수 있는 장점이 있다. 본 논문은 사용자가 이더리움 네트워크를 통해 NFT를 구매 하거나 판매하여 웹 서비스의 회원 권한을 획득 및 양도할 수 있도록 하는 멤버십 웹 시스템을 제안한다. 기존의 웹 시스템은 회원 가입이라는 별도의 과정으로 중앙 관리자나 기업이 소유한 데이터베이스 시스템에 사용자의 개인 정 보를 저장함으로써 사용자에게 회원의 권한을 부여한다. 본 방법은 탈중앙화된 네트워크 환경에서 사용자가 웹 서비 스를 받기 위해 자신의 개인 정보를 제공하는 부담을 가질 필요 없이 NFT의 소유 여부를 확인하여 회원 권한을 부 여한다. 사용자는 NFT 마켓 플레이스에서 자유롭게 회원 권한을 획득 및 양도할 수 있고 인증된 회원 간의 커뮤니 티를 구성할 수 있다. 구현 결과 본 방법은 탈중앙화와 보안의 강점을 가진 반면 블록체인 특성상 블록을 생성하는 과정에서 처리 속도가 떨어지는 단점이 있었다. 최근 활발한 연구가 국내외로 진행되고 있어 고성능의 블록체인 네 트워크가 등장할 것으로 예상됨에 따라 웹 서비스의 성능이 개선될 것으로 예상된다.

Non-Fungible Tokens(NFTs) have an irreplaceable feature that can distinguish each token in a blockchain. Since token-specific information is recorded in a blockchain network that cannot be falsified, such as modification or deletion, it has the advantage of being able to track the owners of the token and guarantee the ownership of the token. This paper proposes a membership web system that allows users to acquire and transfer membership rights of web services by purchasing or selling a NFT over the Ethereum network. Existing web systems give users membership rights by storing users' personal information in database system owned by central administrators or companies through a separate membership process. In a decentralized network environment, the method verifies the ownership of the NFT and grants membership rights without requiring users to have the burden of providing their personal information to receive web services. Users can freely acquire and transfer membership rights in the NFT marketplace and form a community between authenticated members. As a experimental result, this method has advantages of decentralization and security, but has a disadvantage in that processing speed is low in creating blocks due to the nature of the blockchain. Recently, active research is underway, and the performance of web services is expected to improve as high-performance blockchain networks are expected to emerge.

치매는 기억, 인지장애를 동반하는 노인질환으로, 증상 완화와 중증화 지연을 위해선 조기진단이 매우 중요하다. 그러 나 현재 치매의 진단은 큰 비용과 높은 전문성을 요구하여 조기진단 및 치료가 어려운 실정이다. 본 연구에서는 건식 방식으로 수집된 19채널 뇌파(electroencephalogram) 데이터(정상군 50명, 경도인지장애군 175명)를 머신러닝 및 딥러닝 모델의 학습 및 테스트에 사용하여 치매의 조기진단에 적합한 모델 및 하이퍼파라미터 세팅을 제안한다. 기 존의 연구들이 습식 방식으로 수집된 64채널 고해상도 뇌파 데이터를 활용한 반면, 본 연구는 연구자 및 환자의 측정 부담이 적은 건식 방식의 19채널 뇌파 데이터를 활용했다는 점에서 차별성을 가진다. 실험은 앙상블 기반의 AutoML 머신러닝 알고리즘인 Auto-sklearn과 딥러닝 모델 3종(ShallowFBCSPNet, Deep4Net, EEGNet)으로 이진 분 류기를 훈련한 후 성능을 비교하는 방식으로 진행되었다. 그 결과, EEGNet이 가장 우수한 성능(정확도=68.9%)을 냈다. 다음으로, 데이터 불균형으로 인한 과적합 문제를 해결하기 위해 EEGNet에 데이터 불균형 처리 알고리즘 4종 (class weight, Gaussian noise, frequency shift, undersampling)을 각각 적용한 뒤 성능 개선 여부를 확인했 다. 그 결과, EEGNet에 Gaussian Noise를 적용했을 때 가장 우수한 성능(정확도=78.9%)을 냈다. 본 연구 결과 는 19채널 건식 뇌파 데이터와 제안된 방법의 조합이 치매의 조기진단에 활용될 가능성이 있음을 보인다.

Dementia, characterized by memory and cognitive impairment, necessitates early detection for symptom mitigation and progression delay. However, existing diagnostic approaches are resource-intensive, demanding both high cost and expertise, which complicates early intervention. In this study, we propose an optimal model and hyperparameter settings suitable for early dementia diagnosis using machine learning and deep learning models trained and tested on 19-channel electroencephalogram(EEG) data(50 normal subjects, 175 mild cognitive impairment subjects) collected via a dry methodology. While previous studies utilized 64-channel high-resolution EEG data acquired through a wet methodology, this study is distinct in its use of 19-channel dry EEG data, which reduces the burden on researchers and patients. The experiment was conducted by training a binary classifier using an ensemble-based AutoML algorithm, Auto-sklearn, and three deep learning models(ShallowFBCSPNet, Deep4Net, EEGNet), followed by a comparison of their respective performances. EEGNet demonstrated the best results(accuracy=68.9%). Next, to address the overfitting problem due to data imbalance, four data imbalance processing algorithms(class weight, Gaussian noise, frequency shift, and undersampling) were applied to EEGNet. The best performance(accuracy=78.9%) was achieved with Gaussian noise applied to EEGNet. This study’s findings suggest the potential utility of combining 19-channel dry EEG data with the proposed method for early dementia diagnosis.

최근 인공지능 기술은 IoT 시스템 분야의 엣지 컴퓨팅에서 그 활용도를 높여가고 있다. IoT 시스템의 디바이스는 컴 퓨터 기술의 발전으로 인해서 과거의 단순한 데이터 수집 기능에서 나아가서 AI 연산과 같은 복잡한 연산을 자체적 으로 수행할 수 있다. IoT 플랫폼 기반으로 AI 기능을 활용한 다양한 응용 애플리케이션 서비스를 제공하기 위한 시 스템 구성과 그 설계 및 구현성에 대한 분석이 필요하다. 본 논문에서는 oneM2M 기반의 표준 IoT 플랫폼을 기반으 로 하여 구축된 IoT 환경에서 인공지능 딥러닝 연산을 통한 영상 데이터의 객체를 추출하여 수집하고, 이를 모바일 클라이언트로 서비스하는 인공지능 기반 객체 인식 데이터 수집 및 서비스 시스템을 설계하고 구현하여 보았다. 이를 통해서 AI와 IoT 시스템을 융합한 컴퓨팅 시스템 및 서비스 응용 애플리케이션의 활용 가능성을 알아볼 수 있다.

Recently, artificial intelligence technology is increasing its utilization in the field of IoT and edge computing systems. Due to the development of computing technologies, the sensor device of the IoT system can perform complex calculations such as deep learning on its own, going beyond the simple data collection function of the past. Nowadays, it is necessary to analyze the system design issues to provide various application services using AI functions based on the IoT platform. In this paper, in the IoT environment built on the standard IoT platform based on oneM2M, the IoT platform and service system was designed and implemented that provides functions of object data detections through AI deep learning operation, collection of the data to IoT server, and servicing those to mobile clients. Through this, it was possible to consider the utilization of computing systems and service applications that integrate and utilize both of AI and IoT systems.

클라우드 상에서는 웹 서버, 비디오 스트리밍 등 다양한 응용 프로그램이 동작하며 이러한 응용 프로그램들은 그 특 성이 서로 다르고 시간에 따라 변화하는 특징이 있다. 예를 들어, 한 응용 프로그램은 주로 CPU를 소모하는 반면, 다른 응용 프로그램은 네트워크를 많이 사용할 수 있다. 그러나 현재의 클라우드 상에서의 자원 스케줄링은 CPU 스케줄링 또는 네트워크 스케줄링과 같은 단일 자원에만 초점을 맞추고 있다. 본 논문은 다양한 성능 평가 및 프로 파일링을 통해 현재의 단일 자원 스케줄링으로 인한 가상 머신의 성능 저하와 그 원인을 분석하여 단일 자원 스케줄 링의 한계를 지적한다. 평가 결과, 단일 자원 스케줄링은 평균적으로 최대 성능의 67%와 73%만 제공하는 것으로 나타났다. 평가 결과를 바탕으로, 우리는 단일 자원 스케줄링의 한계를 극복하고 다양한 특성을 갖는 클라우드 응용 프로그램을 지원할 수 있는 새로운 스케줄링 기법의 개발이 필요함을 보인다.

Clouds execute very heterogeneous applications such as webservers and video streaming that have different characteristics. For example, one application burns mostly CPU whereas another uses network heavily. Some applications vary their characteristics with time. Yet, resource scheduling in clouds focuses on a single resource -- CPU scheduling or network scheduling. We call it a separate scheduling. Through extensive performance evaluation and profiling, this paper points out the limitations of the separate scheduling, which results in the performance degradation of the time-varying application. Evaluation results show that the separate scheduling only offers 67% and 73% of maximum performance on average. Based on the evaluation results, we argue that it is necessary to develop a new scheduling technique that can overcome the limitation of the separate scheduling and support cloud applications with time-varying characteristics.

태양광 시스템은 최대 출력점에서 발전이 불가능하고, 유지 보수와 증설 및 대용량의 시스템이 어렵고, 설치비용이 크다는 단점으로 인해 상용계통과 연계한 PV 시스템은 인버터의 특성과 더불어 소형, 고역률, 낮은 고조파 출력, 고 신뢰성, 최대출력 운전, 저비용 등의 장점들이 요구되고 있다. 따라서, 이러한 시스템은 에너지를 계통과 부하로 전달하기 위해 양방향의 PCS가 요구되고 있다. 본 논문에서는 일사량과 부하량에 따른 동작 알고리즘과 충․방전 제어기 설계를 통한 태양광 발전을 위해 에너지저장시스템을 고려한 PCS와 양방향의 효율적인 에너지 전달을 위해 연계형 인버터를 이용하여 DC-link 전압과 인버터 출력전압을 제어하였다. 제안한 시스템의 타당성을 입증하기 위 해 시뮬레이션과 실험 결과를 통해 검증하였다. 그 결과 제안한 시스템이 기존의 태양광 시스템보다 강인함을 입증 하였다.

PV systems cannot be generated at the maximum power point, maintenance, expansion, and large-capacity systems are difficult and installation costs are high, so PV systems linked to commercial systems require advantages such as small size, high power factor, low harmonic output, high reliability, maximum power operation, and low cost in addition to the characteristics of inverters. Therefore, such a system requires a bidirectional PCS to transfer energy to the system and the load. In this paper, the DC-link voltage and inverter output voltage were controlled using PCS considering ESS for solar power generation through operation algorithm according to solar radiation and load and design of controller for charging and discharging, and linkage inverter for efficient energy transfer in both directions. To prove the validity of the proposed system, it was verified through simulation and experimental results. As a result, the proposed system proved to be more robust than the existing PV system.

MEC(Mobile Edge Computing)에서 사용자의 이동성 지원 및 서비스의 연속성 보장은 중요한 요소이다. 특히 다양한 네트워크와 이기종의 서비스가 혼재하는 IoT(Internet of Things) 환경에서의 마이그레이션 경로 결정 문 제는 더욱 복잡하다. 본 연구에서는 이기종의 다양한 서비스가 혼재하는 환경에서 UE(User Equipment)의 이동 에도 끊김없이 서비스를 제공해 사용자의 QoS(Quality of Service)를 높이고자 한다. 이동성 지원을 위해 마이그 레이션 비용과 전송비용, 에너지 소비량을 고려한 총비용을 계산하고, UE별 가중치를 설정하여 마이그레이션 여부 및 최적의 경로를 결정한다. NS3로 이기종 서비스가 혼재하는 네트워크 환경을 구축하며, DQN(Deep Q-Network) 알고리즘에 가중치를 설정한 보상의 합으로 성능을 확인한다. 실험을 통해 제안하는 weight-DQN 알고리즘이 다양한 서비스가 혼재하는 환경에서 QoS를 더욱 향상시키는 것을 확인한다.

In MEC(Mobile Edge Computing), user mobility support and service continuity guarantee are important factors. In particular, the problem of determining a migration path in an IoT(Internet of Things) environment in which various networks and heterogeneous services coexist is more complicated. In this study, we intend to improve the QoS(Quality of Service) of users by providing services without interruption even when UE(User Equipment) moves in an environment where heterogeneous and various services coexist. To support mobility, the total cost considering the migration cost, transmission cost, and energy consumption is calculated, and weights are set for each UE to determine migration and the optimal path. With NS3, a network environment in which heterogeneous services coexist is established, and performance is confirmed by the sum of compensations with weights set in the DQN(Deep Q-Network) algorithm. Experiments confirm that the proposed algorithm further improves QoS in an environment where various services coexist.

본 논문은 Fog/Edge Computing과 같은 분산 네트워크에서 publish/subscribe 시스템과 같이 채널 기반으로 브 로드캐스트 되는 데이터의 흐름을 수신자의 아이디를 바탕으로 추적할 수 있는 암호 알고리즘을 제안한다. IoT 네 트워크와 같은 분산 네트워크의 경우 데이터가 여러 다른 노드를 통해 전달되기 때문에, 데이터에 대한 접근 통제가 어려운 것으로 알려져 있다. 특히, publish/subscribe 프로토콜과 같이 데이터를 복수 수신자가 공유하는 프로토 콜의 경우, 어떤 수신자가 실제로 데이터에 접근했는 지 추적하기 어렵다. 본 논문은 브로드캐스트 트래픽의 정확한 수신자에 파악하고 이를 통해 데이터의 흐름을 추적하기 위한 새로운 암호 체계를 제안한다. 본 논문에서는 데이터 의 흐름의 추적이 가능한 채널 기반 암호를 구현하기 위해 속성 기반 암호를 사용하였고 이에 네트워크의 엣지 서버 에서 암호문의 수신자의 아이디를 특정하여 부분 복호화 및 재암호화를 수행하도록 하는 프로세스를 더함으로써 데 이터 흐름의 추적이 가능하도록 하였다. 기존의 재암호화가 가능한 속성 기반 암호의 경우, 재암호화를 수행하는 엣 지 서버에 암호문이 전달된 이후에만 암호문에 대한 접근 통제가 가능하고 엣지 서버에 도달하기 이전의 암호문은 접근 통제가 되지 않아 데이터의 흐름을 정확하게 추적하는 것이 불가능하다. 따라서, 본 논문에서는 암호화된 데이 터가 엣지 서버에 부분적으로 복호화하게 함으로써, 엣지 서버 통하지 않고서는 어떤 수신자도 암호문을 복호화 할 수 없도록 하여 데이터 흐름의 완전한 추적을 가능하게 하였다. 본 논문에서 이런 안전성이 DDH (Decisional Diffie-Hellman) 가정을 통해 증명하였다.

In this paper, we propose channel based encryption with identity-based traceability for decentralized networks such as fog/edge networks. In a decentralized network, controlling access to data is difficult as the data are transmitted via multiple other nodes. Particularly, when data is transmitted using a protocol that has multiple legitimate recipients like a publish/subscribe protocol, tracing who has accessed broadcast data is difficult. To resolve this problem, we present a new encryption scheme that enables us to trace the data flow by confirming the identity of the actual recipient. We construct a channel-based encryption scheme tracing the data flow, which is suitable for a publish/subscribe protocol, based on revocable attribute-based encryption (ABE). We, then, set the edge server to preprocess the ciphertext by re-encrypting and partially decrypting the ciphertext for the actual recipient. Prior to our work, revocable attribute-based broadcast encryption (ABE) was used only to revoke users by re-encryption. However, this method only allows us to trace recipients after the ciphertext is re-encrypted. That means that the data before reaching the re-encryption oracle, that is the edge server in our proposed system, can be accessed by other recipients without leaving any trace and this makes tracing the data flow difficult. In our proposed scheme, the ciphertext cannot be decrypted only after it is partially decrypted by the edge server. Therefore, tracing the data flow is possible via the edge server. We provide proof of security using the Decisional Diffie-Hellman assumption in the paper.

사용자의 행동을 기반으로 지속적 인증을 수행 하는 생체인식 기술은 디바이스 종류와 입력장치, 센서의 종류에 따 라 다양한 연구가 진행되어왔다. 모바일 디바이스에서의 지속적 인증은 다양한 센서를 이용하여 사용자 행동을 인식 하고 인증하는 방식으로 연구되어 왔다. 이에 반해, 센서가 다양하지 않은 PC 기반의 지속적 인증은 키보드나 마우 스의 입력 패턴에서 피처를 추출하여 분석하는 방식으로 연구가 진행되고 있다. 본 논문에서는 PC에서 qwerty 키 보드로 입력하는 사용자의 손가락 별로 피처를 추출하여 지속적 인증에 사용한다. 키보드는 일반적으로 각각의 키를 누르는 양손의 손가락들이 할당되어 있다. 이에, 1개의 키를 누를 때 발생하는 key hold(key1 Down–key 1 Up) latency와 손가락과 손가락 사이의 상호작용에 의해 발생하는 key press(key1 Down-key2 Down latency) latency, key interval(key1 UP–key2 Down latency) latency를 피처로 추출하여 지속적 인증의 정확도를 높였다. 지속적 인증 모델은 SVDD, Decision Tree, CNN을 이용했다. 실험데이터는 각각의 실험자들이 랜덤하 게 나타나는 문장을 입력하는 행위를 통해 수집하고 데이터베이스에 저장했다. 마지막으로 저장된 데이터에서 일반 피처를 추출해 학습한 지속적 인증 모델과 손가락 기반 피처를 추출해 학습한 지속적 인증 모델을 비교하는 실험을 진행했고, 각 모델의 분류 정확도(ACC), ROC Curve와 FRR, FAR의 임계치인 EER를 산출했다. 실험결과 손가 락 기반 피처를 학습한 모델이 일반 피처만을 학습한 모델보다 정확도가 더 높게 나타난 것으로 확인되었다.

Continuous authentication using biometric technology based on user behavior has been studied using various types of devices, input devices, and sensors. Continuous authentication on mobile devices has been studied by recognizing and authenticating user behavior using various sensors. In contrast, continuous authentication on PC-based devices with limited sensors has been studied by extracting and analyzing features from keyboard and mouse input patterns. In this paper, features are extracted based on finger-specific input patterns of users typing on a qwerty keyboard on a PC. The keyboard is typically allocated to the fingers of both hands when pressing each key. Therefore, key hold (key1 Down-key1 Up) latency, key press (key1 Down-key2 Down latency) latency caused by interaction between fingers, and key interval (key1 UP-key2 Down latency) latency are extracted as characteristics to improve the accuracy of continuous authentication. The continuous authentication model uses SVDD, Decision Tree, and CNN, and raw data is collected by conducting experiments where users input random sentences. The verification of the continuous authentication model was conducted by comparing the classification accuracy (ACC), EER which is the threshold of ROC curve and FRR, FAR, and the result showed that using finger-specific input characteristics of the user yielded higher accuracy than the existing research that utilized only general key input characteristics.