2016년 12월 [2차년도 연구보고서] 16ZI1410-01 i
연구개발결과 보고서
단말 근접 실시간 스마트 서비스추천플랫폼
기술 개발
Development of Technologies for Proximity, Real-time, and Smart Service Recommendation Platform
2016년 12월 [2차년도 연구보고서] 16ZI1410-01 ii
단말 근접 실시간 스마트 서비스추천플랫폼
기술 개발
2016. 12.１
제 출 문
본 연구보고서는 주요사업인“단말 근접 실시간 스마트 서비스추천플랫폼 기술 개발”의 결과로서, 본과제에 참여한 아래의 연구실이 작성한 것입니다. 2016년 12월 31일 연구책임자 사업책임자 : 황승구(ETRI, 초연결통신연구소) 과제책임자 : 금창섭(ETRI, 신뢰통신서비스플랫폼연구실)２ 사업책임자 책임연구원 황승구 (ETRI 초연결통신연구소) 과제책임자 책임연구원 금창섭 (ETRI 신뢰통신서비스플랫폼연구실) 참여연구원 책임연구원 임선환 (ETRI 신뢰통신서비스플랫폼연구실) 책임연구원 김응하 (ETRI 신뢰통신서비스플랫폼연구실) 책임연구원 정기숙 (ETRI 신뢰통신서비스플랫폼연구실) 책임연구원 임종철 (ETRI 신뢰통신서비스플랫폼연구실) 선임연구원 유현경 (ETRI 신뢰통신서비스플랫폼연구실) 선임연구원 타이광퉁 (ETRI 신뢰통신서비스플랫폼연구실) 연구연수생 주바이르 (ETRI 미디어클라우드연구실) 책임연구원 김성환 (ETRI 기업지원협력실) 책임연구원 김영부 (ETRI 초연결미래기술연구실) 책임연구원 오현우 (ETRI 초연결미래기술연구실) 선임연구원 윤성임 (ETRI 기업지원협력실)
３
요 약 문
1. 제목 단말 근접 실시간 스마트 서비스추천플랫폼 기술 개발 2. 연구개발의 필요성 및 목적 미래의 서비스 제공 패러다임인 ‘ 나를 이해하고, 나를 위한, 나에게 맞춘 인텔리전스 서비스’를 효과적으로 제공할 수 있는 플랫폼 기술 개발이 필요하며, 나를 이해하고, 나를 위한, 나에게 맞춘 인텔리전스 서비스’를 실현하기 위해서는 사용자가 속한 공간(또는 상 황)에 적합한 서비스를 즉시적으로 제공해야 한다. 이러한 서비스는 대용량 서버 기반의 클 라우드 컴퓨팅을 통하여 제공될 수도 있지만, 사용자 주변 상황을 가장 잘 아는 사용자 근 접 노드에서 지연 없이 실시간으로 제공 되어야 한다. 무선접속 장치(Access Point), 소형 셀, IoT 게이트웨이와 같은 사용자 근접의 자원제약 장치에서 지능형 서비스 제공하는 것에 대한 수요가 증가하고 있으며, 이에 대응하여 소형 장치에 탑재될 수 있는 로컬 인텔리전스 서비스플랫폼에 대한 원천기술을 확보함을 목적으로 한다. 3. 연구개발의 내용 및 범위 o 총년도(2015년 1월 1일 – 2017년 12월 31일) - 단말 근접 실시간 스마트 서비스추천 플랫폼 기술 개발 o 총년도 연구 내용 및 범위 - 1차년도(2015): 공간 특화 서비스추천 알고리즘 설계 및 성능 검증 Ÿ 단말 근접 마이크로 인텔리전스 서비스플랫폼 아키텍처 설계 Ÿ 단말 근접 패스트 데이터 분석 알고리즘 설계 및 IPR 확보 Ÿ 공간 특화 서비스 추천 알고리즘 설계 및 IPR 확보 Ÿ 서비스 추천 알고리즘 성능 검증 환경 구축 및 학습 데이터 수집 Ÿ 공간 특화 서비스 관련 표준화 IPR 확보 Ÿ Public/Private 공간 특화 로컬 인텔리전스 서비스 발굴 및 BM 연구 - 2차년도(2016): 지역공간 특화 로컬 인텔리전스 서비스추천 핵심기술 개발４ Ÿ 지역공간 특화 로컬 인텔리전스 서비스 추가 발굴 Ÿ 분산형 모바일 엣지 클라우드 서비스플랫폼 아키텍처 연구 Ÿ 지역공간 특화 패스트 데이터 분석 알고리즘 개발 및 IPR 확보 Ÿ 로컬 인텔리전스 서비스 추천 알고리즘 개발 및 IPR 확보 Ÿ 지역공간 특화 서비스 추천 알고리즘 성능 검증 Ÿ 오픈 HW 기반 경량형 서비스 추천 프레임워크 개발 - 3차년도(2017): PoC 테스트베드 구축 및 신규 프로젝트 기획 Ÿ 정책 기반 개인정보 관리 및 서비스 접근 제어 기술 개발 Ÿ 모바일 엣지 클라우드와 인터넷 서버 클라우드 간의 연동 기술 개발 Ÿ 단말 근접 서비스추천플랫폼 PoC 테스트베드와 핵심 기술 통합 시험 Ÿ 단말 근접 예측형 인텔리전스 특화 서비스 개발 및 시연 Ÿ 핵심기술 IPR 확보와 연계된 신규 프로젝트 기획 4. 2차년도 연구 결과 o 지역공간 특화 로컬 인텔리전스 서비스 추가 발굴 - 개인선호 가중투표기반 지능형 로컬제어 서비스 : 열쾌적감 개인선호 예측 모형을 기반으로 한 냉난방 제어 서비스 - 실내위치 인식 기반 로컬콘텐츠 추천 서비스 : 서점과 같은 실내 공간에서 사용자의 위치에 기반하여 선호 콘텐츠 추천 o 분산형 모바일 엣지 클라우드 서비스플랫폼 아키텍처 연구 - 서비스 추천 프레임워크 구조 평가 및 성능 개선 대안 아키텍처 설계 o 지역공간 특화 패스트 데이터 분석 알고리즘 개발 및 IPR 확보 - 지역공간 패스트 데이터 수집 및 저장 기술 구현 - 자원제약 장치형 패스트 데이터 분석 알고리즘 최적화 구현 o 로컬 인텔리전스 서비스 추천 알고리즘 개발 및 IPR 확보 - 개인선호 가중투표 기반 지능형 로컬 서비스 추천 알고리즘 개발 - 로컬콘텐츠 추천 알고리즘 개발
５ o 지역공간 특화 서비스 추천 알고리즘 성능 검증 - 사무실 환경에서 열쾌적감에 대한 개인선호도 및 센서 데이터 수집 분석 - 개인선호 가중투표 기반 지능형 로컬 서비스 추천 알고리즘 성능 분석 o 오픈 HW 기반 경량형 서비스 추천 프레임워크 개발 - 오픈 HW(라즈베리 파이) 기반 서비스 추천 프레임워크 구조 설계 및 구현 o 로컬서비스 디스커버리 및 프로비져닝 기술 연구 o 패스트 데이터 처리를 위한 네트워킹 기술 연구 5. 활용에 대한 건의 o 종래의 과거를 분석하는 클라우드 빅데이터 기술에서 탈피하여 사용자 근접 지역에서 발생하는 패스트 데이터 분석하여 골든타임 내에 서비스를 추천하는 원천 기술 확보 o 패스트 데이터 분석 기술 및 공간 특화 서비스 추천 기술에 대한 IPR 확보를 통한 신 규 프로젝트 기획 가능성 o 모바일 엣지 노드에서 개인화된 서비스 추천 지능을 제공하는 지능형 IoT 디바이스 분 야와 5G 초연결 기반 초지능 서비스’와 같은 5G 서비스 네트워킹 분야로 적용 가능 6. 기대 효과 o 5G 초연결 네트워크 서비스 - 5G 이동통신망은 사용자에게 보다 빠른 데이터 접속 서비스를 제공함은 물론 근 접 기반 서비스 및 다양한 예측형 인텔리전스 서비스가 제공되는 환경으로 발전 할 것으로 예측함 - 소형셀이나 이동셀에 본 과제에 따른 서비스추천플랫폼 기술을 탑재함으로써, 소 형셀과 이동셀을 스마트 기지국화 할 수 있으며, 이를 통해 5G 이동통신망의 비 전인 단말 근접 서비스 및 상황인지형 서비스 제공 가능 - OTT에 의해 서비스가 제공되는 모델에서 사용자가 접속한 근접 기지국에서 서 비스가 제공될 수 있는 새로운 형태의 서비스 제공 o 공간 특화 개인화 서비스 - 모바일 엣지 노드에서 즉시적으로 서비스를 제공하는 모바일 엣지 클라우드 서비
６ 스 가속화 - 엣지 컴퓨팅과 마이크로 인텔리전스 추천 기술을 결합함으로써 기존의 서버 기반 상황 인지 서비스와 차별화되는 공간 특화 서비스 제공을 통하여 개인화 서비스 틈새 시장 창출 가능 o 지능형 IoT 게이트웨이 - IoT 시장은 갈수록 커지고 있으며, 앞으로 댁내와 회사등에 IoT 게이트웨이가 도입이 가속화될 전망임 - 현재의 IoT 게이트웨이는 센서들이 사용하는 다양한 프로토콜을 변환하고 각종 센서로부터 정보를 수집하여 제공하는 제한적인 역할을 하고 있음 - IoT 게이트웨이에 본 과제에 따른 서비스추천플랫폼 기술을 적용한다면, IoT 게 이트웨이가 다양한 센서 정보를 실시간으로 분석하여 머신 러닝함으로써 새로운 가치를 창출 가능
SUMMARY
1. TitleDevelopment of Technologies for Proximity, Real-time, and Smart Service Recommendation Platform
2. Objectives and Importance of Research and Development
Future service supply paradigm with the motto “Understand me, For me, and Fit me intelligence” need a technology platform that understands user’s space/situation in order to provide suitable service. Although big data server based cloud computing platform can support such services, it is possible to have them in real time without any delay by exploiting the user’s proximity node which have detail knowledge of the user’s nearby condition/situation. As the increasing demand of intelligence service from resource constrained device such as Wireless Access Point, small cell, IoT gateway, this project aim to secure original technology to provide local intelligence service on small computing devices.
3. Contents and Scope of the Research and Development
o Project duration (from 2015-01-01 to 2017-12-31)
- Development of Technologies for Proximity, Real-time, and Smart Service Recommendation Platform
７ o Total year research objective and contents
- Year 1 (2015): Space specific service recommendation algorithm design and performance evaluation
Ÿ Terminal proximity micro-intelligence service platform architecture design
Ÿ Fast data analysis algorithm design and IPR acquisition.
Ÿ Terminal proximity service recommendation algorithm design and IPR acquisition
Ÿ Environment construction for performance evaluation of recommendation algorithm and data collecting
Ÿ Standardized IPR acquisition for related space specific service
Ÿ Public/Private space specific local intelligence service discovery and BM research
- Year 2 (2016): Development of core technology for space specific recommendation service and validation
Ÿ Additional space specific local intelligence services exploration Ÿ Distributed mobile edge cloud service platform architecture study
Ÿ Policy based personal information management and service access control technology research
Ÿ Fast data analysis and local intelligence algorithm development and additional IPR acquisition
Ÿ Development of lightweight recommendation service framework for open hardware systems.
Ÿ Local recommendation service algorithm performance field test and improvement
- Year 3 (2017) PoC testbed deployment and new project opportunity finding Ÿ Policy based personal information management and service access control
technology development
Ÿ Terminal proximity recommendation service platform PoC testbed and core technologies integration experiment
Ÿ Terminal proximity prediction service development and demonstration Ÿ Key technology IPR acquisition and relevant project opportunity finding 4. Year 2 Research Results
８ o Local intelligence services exploration
- Individual thermal preference based intelligent local control service - Local contents recommendation service based on user’s indoor location -
o Distributed mobile edge cloud service platform architecture design study
- Assessment of service recommnendation framework architecture and study on the performance enhancement
o Development of fastdata analysis algorithms and submission of related IPRs - Development of fastdat collection and storing functions
- Optimization of algorithms for resource limited devices
o Development of local intelligence recommendation algorithms and submission of related IPRs
- Individual thermal preference based intelligent local control algorithm - Local contents recommendation algorithm based on user’s indoor location
o Performance test of service recommendation algorithms based on data collection - Collection of individual thermal preference data in the office environment:
more than 10 sites
- Performance analysis of the recommendation algorithms
o Development of lightweioght service recommendation framework on open HW platform
- Architecture design and implementation on Raspberry Pi
o Study on local service discovery and provisioning
o Study on networking method for processing fastdata
5. Suggestion for Application
- Acquiring core technology for recommendation of golden time service by analyzing fast data generated from user’s nearby area, instead of relying
９
on big data cloud technology for historical data analysis.
- IPR acquisition of fast data analysis technology and local intelligence recommendation technology can open the possibility of potential projects - IPR acquisition of fast data analysis technology and local intelligence
recommendation technology can open the possibility of potential projects - It can be also applied to the 5G service networking markets.
6. Expected Effects
- 5G super-connected network service
Ÿ It is expected that 5G mobile network will provide much faster data rates to users than now and will be evolved to the environments which produce a variety of intelligent services and proximity services.
Ÿ By deploying the service recommendation platform of this project to small cells and/or access points, small cells and access points can be intelligent. Through this, context aware services and proximity services can be delivered to users.
Ÿ New service providing paradigm can be given a birth against OTT based service providing paradigm.
- Space specific personalized service
Ÿ Accelerating mobile edge cloud services which provide services directly at mobile nodes.
Ÿ Exploring new niche markets which provided personalized services taking advantage of space based context, edge computing and micro intelligence recommendation technologies.
- Smart IoT gateway
Ÿ IoT market is increasingly growing and it is expected that the introduction of home and business IoT gateway is accelerated.
Ÿ Current IoT gateways play a limited role as collecting and converting various sensor types of information.
Ÿ If the service recommendation platform technologies is applied to IoT gateways, the IoT gateways, which can do machine learning and analyze data in real time, can provides various intelligent services, and bring new values.
１０
목 차
제 1 장 연구개발 배경 ... １５ 제 1 절 연구개발의 필요성 및 목적 ... １５ 제 2 절 연구개발 동향 ... １６ 제 2 장 연구개발 목표 및 범위 ... ２０ 제 1 절 총괄연도 연구 범위 ... ２０ 제 2 절 당해연도 연구 범위 및 목표... ２１ 제 3 절 당해연도 연구 목표 달성도 ... ２２ 제 4 절 연구개발 추진 체계 및 방법... ２３ 제 3 장 관련 기술 동향 분석 ... ２６ 제 1 절 단말 근접 서비스 기술 ... ２６ 제 2 절 단말 협업 미들웨어 기술 ... ３０ 제 3 절 소형 장치 하드웨어 플랫폼 기술 ... ３３ 제 4 절 단말근접 데이터분석 및 서비스추천 알고리즘 ... ３７ 제 4 장 연구 수행 내용 및 결과 ... ５３ 제 1 절 오픈 HW 기반 경량형 서비스 추천 프레임워크 개발 ... ５３ 제 2 절 지역공간 특화 로컬 인텔리전스 서비스 발굴... ６１ 제 3 절 패스트 데이터 분석 및 서비스 추천 알고리즘 설계 ... ７５ 제 4 절 서비스 추천 알고리즘 성능 검증 ... １０２ 제 5 절 서비스 추천 관련 특허분석 및 IPR 아이템 발굴 ... １４０ 제 5 장 연구 성과 활용 가능성 ... １４９ 제 1 절 활용 분야 ... １４９ 제 2 절 기대 효과 ... １４９ [부록 1] 연구 결과물 ... １５２ [부록 2] 참고문헌 ... １５４ [부록 3] 2015년도 연차평가 평가의견 반영내역서 및 2015년도 주요사업 기획대상과제 평 가의견 반영내역서 ... １６３ [부록 4] 약어표... １６９１１
그림 목차
<그림 1> 단말근접 실시간 스마트 서비스추천플랫폼 기술개발 연구 목표 ... ２０ <그림 2> 연구개발 추진 일정 ... ２１ <그림 3> 연구개발 추진 체계 ... ２３ <그림 4> 알고리즘 연구 프로세스 ... ２４ <그림 5> 비콘 기반의 근접 서비스 제공 예... ２７ <그림 6> ProSe 기반 동작서비스 원리 ... ２８ <그림 7> AllJoyn 프레임워크 구조 ... ３１ <그림 8> ARDUINO Uno SMD R3 ... ３４ <그림 9> 라즈베리 파이 3 ... ３４ <그림 10> 비글 본 블랙 ... ３５ <그림 11> Context Diagram for LISP ... ５３ <그림 12> Overall Architecture of LISP ... ５４ <그림 13> UML description of Service Recommendation Framework ... ５５ <그림 14> LISP Service Recommendation Framework Architecture ... ５６ <그림 15> 라즈베리파이를 이용한 제한적 장치에서의 서비스 추천 프레임워크 구현 ... ５９ <그림 16> 라즈베리파이 3 모델 B... ５９ <그림 17> 서비스 개념도 ... ６２ <그림 18> 서비스 UI ... ６２ <그림 19> Local Control service user sequence diagram -Overall ... ６３ <그림 17> Local Control service user sequence diagram –User registration .. ６
４
<그림 21> Local Control service user sequence diagram –Thermal comfort collection ... ６５ <그림 22> Local Control service user sequence diagram –Generating Models ６
６
<그림 23> Local Control service user sequence diagram –Recommendation６７ <그림 24> 서비스 개념도 ... ６８ <그림 25> 회원 가입 화면 ... ６９ <그림 26> 콘텐츠 목록 ... ６９ <그림 27> 콘텐츠 상세 보기 ... ７０ <그림 28> 로컬콘텐츠 추천 user sequence – user registration ... ７１ <그림 29> 로컬콘텐츠 추천 user sequence – user intreaction ... ７２ <그림 30> 로컬콘텐츠 추천 user sequence – data estimation ... ７３ <그림 31> 로컬콘텐츠 추천 user sequence – user preference collection ... ７４ <그림 32> 로컬제어 알고리즘 최적화 과정 ... ７５ <그림 33> 로컬제어 최적화 알고리즘... ７９ <그림 34> 설정 온도에 대한 의사결정에 따른 평균 실내 온도 시뮬레이션 결과 . ８ ４ <그림 35> 설정 온도에 대한 의사결정에 따른 평균 전력 사용량 시뮬레이션 결과 ... ８５ <그림 36> 외부 온도에 따른 평균 실내 온도 시뮬레이션 결과 ... ８５ <그림 37> 외부 온도에 따른 평균 전력 사용량 시뮬레이션 결과 ... ８６ <그림 38> 사용자 ID의 프레즌스 시뮬레이션 결과 ... ８７ <그림 39> 실내 온도의 변화에 따른 PMV 시뮬레이션 결과 ... ８８ <그림 40> 설정 온도 변화에 따른 다음 슬롯 비용 시뮬레이션 결과 ... ８８
１２
<그림 41> 영화 추천 시스템의 rating matrix ... ９１ <그림 42> 로컬 콘텐츠 추천 시스템 구조... ９３ <그림 43> user-user collaborative filtering algorithm 예 ... ９４ <그림 44> User-user collaborative filtering: k-NN ... ９４ <그림 45> item-item collaborative filtering 예 ... ９６ <그림 46> item-item collaborative filtering: k-NN ... ９７ <그림 47> Cross-validation for performance evaluation ... １００ <그림 48> 냉난방 제어 개인선호 데이터 수집 환경 ... １０２ <그림 49> The architecture of the IPP-LISP server ... １０４ <그림 50> Performance test process ... １０８ <그림 51> CART 알고리즘을 이용한 분류 모형 - 1f1bf9 ... １１３ <그림 52> CART 분류 모형에서의 변수 중요도 - 1f1bf9 ... １１４ <그림 53> CART 알고리즘을 이용한 분류 모형 - 1f1bf9 ... １１４ <그림 54> CART 분류 모형에서의 추천 정확도 vs. 추천 재현도 ... １１５ <그림 55> CART 알고리즘을 이용한 회귀 모형 - 1f1bf9 ... １１７ <그림 56>CART 회귀 모형에서의 변수 중요도 - 1f1bf9 ... １１７ <그림 57> CART에서의 tree 수와 오류 관계 ... １１８ <그림 58> CART 회귀 모형에서의 추천 정확도 vs. 추천 재현도 ... １１９ <그림 59> CART 회귀 모형의 잔차 분포 ... １２０ <그림 60> CART 회귀 모형의 예측치 vs. 잔차 ... １２０ <그림 61> randomForest 알고리즘의 나무 수에 따른 OOB 오분류율 - 1f1bf9 １ ２５ <그림 62> randomForest 분류 모형에서의 변수 중요도 - 1f1bf9... １２６ <그림 63> randomForest 분류 모형에서의 추천 정확도 vs. 추천 재현도 .... １２７ <그림 64> randomForest 알고리즘을 이용한 회귀 모형 - 1f1bf9... １２８ <그림 65> randomForest 회귀 모형에서의 변수 중요도 - 1f1bf9... １２９ <그림 66> randomForest 회귀 모형에서의 추천 정확도 vs. 추천 재현도 .... １３０ <그림 67> randomForest 회귀 모형의 잔차 분포 ... １３１ <그림 68> randomForest 회귀 모형의 예측치 vs. 잔차 ... １３１ <그림 69> avNNet 분류 모형에서의 모형 최적화 과정 - 1f1bf9 ... １３３ <그림 70> avNNet 분류 모형에서의 추천 정확도 vs. 추천 재현도 ... １３４ <그림 71> avNNet 회귀 모형에서의 모형 최적화 과정 - 1f1bf9 ... １３５ <그림 72> avNNet 회귀 모형에서의 추천 정확도 vs. 추천 재현도 ... １３６ <그림 73> avNNet 회귀 모형의 잔차 분포 ... １３７ <그림 74> avNNet 회귀 모형의 예측치 vs. 잔차 ... １３７ <그림 75> 분석 기법별 추천 정확도 vs. 추천 재현도 ... １３９ <그림 76> 로컬 서비스 플랫폼 주요 출원인 현황 (전체 출원구간) ... １４１ <그림 77> 로컬 서비스 플랫폼 주요 출원인 현황 (최근 10년간) ... １４２ <그림 78> Google의 IP 영역... １４３ <그림 79> Google이 인수한 차세대 영역 기업 현황 ... １４３ <그림 80> Google의 2014년 특허 등록 분야와 특허매입 분야 ... １４４ <그림 81> Google이 집중하는 11개 기술군 ... １４４ <그림 82> Qualcomm의 출원 기술군 변화율 ... １４５ <그림 83> 로컬 인텔리전스 기술의 IPR 전략 ... １４６
１３
표 목차
< 표 1 > 2016년 예산 게획 및 집행현황 ... ２４ < 표 2 > Single Board Computer 비교 ... ３５ < 표 3 > 프레임워크 기능 모듈 리스트 ... ５６ < 표 4 > 프레임워크 데이터 저장소 리스트 ... ５７ < 표 5 > 로컬 인텔리전스 서비스 목록 ... ６１ < 표 6 > 특허권리분석 대상 기술 목록 ... １４０ < 표 7 > 로컬 인텔리전스 서비스 추천 관련 핵심 IPR 아이템 ... １４６
１４
제 1 장
연구개발 배경
１５
제 1 장
연구개발 배경
제 1 절
연구개발의 필요성 및 목적
사람과 모든 주변 사물이 통신네트워크 또는 인터넷에 연결되어 지능화되는 만 물지능통신 시대의 메가 트렌드는 네트워크의‘초연결화’와 서비스의 ‘초지능화’ 로 요약할 수 있다. 초연결 환경에서 사물·네트워크·정보의 연관성 분석을 통해 사용자의 상황을 이해하고 의도를 예측하여 사용자 만족도를 극대화하는 서비스 제 공 기술이 요구되고, 개인화·지능화된 서비스의 효과적인 제공을 위해 다양한 상 황정보를 기반으로 사용자의 의도를 지능적, 능동적으로 파악하고 대응할 수 있는 서비스 기술 개발이 필요하다. 센서 기술과 머신 러닝 기술의 발전, 퍼스널 클라우 드, 인간 중심의 사용자 인터페이스 발전 및 네트워크의 융합 등 기술 발전은 더욱 정교한 상황 판단을 기반으로‘나’를 중심으로 하는 개인 맞춤형 서비스 욕구를 증대시킴으로써, 일상생활의 공간을 지능공간화 하여 교통, 의료, 에너지 등 전 분 야를 대상으로 안전하고 편리한 서비스 제공이 가능한 프레임워크 구축이 요구되고 있다. 또한 미래의 서비스 제공 패러다임인‘나를 이해하고, 나를 위한, 나에게 맞춘 인텔리전스 서비스’를 효과적으로 제공할 수 있는 플랫폼 기술 개발이 필요하며, 나를 이해하고, 나를 위한, 나에게 맞춘 인텔리전스 서비스’를 실현하기 위해서는 사용자가 속한 공간(또는 상황)에 적합한 서비스를 즉시적으로 제공해야 한다. 이 러한 서비스는 대용량 서버 기반의 클라우드 컴퓨팅을 통하여 제공될 수도 있지만, 사용자 주변 상황을 가장 잘 아는 사용자 근접 노드에서 지연 없이 실시간으로 제 공 되어야 한다. 무선접속 장치(Access Point), 소형셀, IoT 게이트웨이와 같은 사 용자 근접의 자원제약 장치에서 지능형 서비스 제공하는 것에 대한 수요가 증가하 고 있으며, 이에 대응하여 소형 장치에 탑재될 수 있는 로컬 인텔리전스 서비스플 랫폼에 대한 원천기술을 확보함을 목적으로 한다.１６
제 2 절
연구개발 동향
1. 국내 기술 동향
국내에서 상황인지형 서비스는 2000년대 중후반에 많이 연구되었고, 실제 서비 스들도 출시된 적이 있지만, 기술과 시장의 미숙으로 거의 성공하지 못하였으나, 최 근 이동통신 서비스는 물론 TV, 가전, 스마트 홈 등 다양한 분야에 걸쳐 연구 및 제품이 선보이고 있다. 최근 이동통신망에서는 데이터의 폭발적 증가에 대응하고, 사용자에게 보다 나 은 QoE를 제공하기 위해 콘텐츠나 서비스를 네트워크 엣지에서 사용자에게 직접 제공하는 기술이 개발되고 되고 있으며, 대표적인 예로 SKT의 Service Aware RAN 기술이 있다. SKT/KT/LGU+ 는 기존의 메크로 셀룰러 환경에 소형셀을 결 합한 Het-Net 환경 구축을 통한 용량 증대를 도모하고 있으나, 소형셀 기지국에 지능을 탑재하는 연구는 진행하고 있지 않다. 한국전자통신연구원에서는 WiFi D2D 기술을 이용한 로컬 광고 기술을 개발하였으며, AP에 근접해 있는 사용자들에게 광 고를 전송하는 기능을 제공한다. 최근 SK텔레콤은 실내에서 사용자의 미세한 위치 를 기반으로 광고 등 서비스가 가능한 비콘 및 관련 서비스 개발을 위한 플랫폼 ‘위즈턴’을 출시하였다.2. 국외 기술 동향
국외에서는 최근 사용자에게 보다 나은 서비스 경험을 제공하고, 망 부하를 줄 이기 위해 네트워크의 엣지에서 콘텐츠를 캐싱하거나, 서비스를 제공하는 엣지 컴 퓨팅과 관련된 다양한 기술이 부각되고 있다. 사용자의 근처에 있는 엑세스 노드에 서 콘텐츠를 캐싱하여 사용자에게 빠르게 전송해주는 CDN 기술은 이미 널리 쓰이 고 있다. 시스코는 포그 컴퓨팅이라는 개념을 통해 사용자가 접속하는 엑세스 노드 에서 사용자 데이터를 수집하고, 즉각적으로 데이터를 처리하는 기술을 개발 중이 며, Google은 Google Now을 통해 사용자 컨텍스트 기반의 개인화된 추천 서비스 를 제공하고 있다.１７
2012년 12월 3GPP SA#58에서 삼성전자는 기지국 레벨의 RAN edge node 에 응용 서비스 제어 기능을 통합하여 사용자 QoE를 증대시키는 Mobile CDN(mCDN) 과 Mobile CS(mCS) 를 지원하는 이동통신 네트워크 구조에 대한 연구를 제안하였다. 2012년 Small Cells World Summit에서 3G와 LTE 스몰셀을 개발하는 Ubiquisys는 인텔과 합작으로 스몰셀에 “Edge Cloud”라 불리는 클라 우드 플랫폼을 장착하여 다양한 응용을 탑재할 수 있는 “Smart Cell” 기술을 선 보였다.
무선 AP나 비콘 등을 활용한 다양한 단말 근접 서비스(Proximity Service)들 이 상용화되어 실생활에 도입되고 있으며 전망도 밝은 편이나, 현재는 지능화된 서 비스를 제공하지는 못하고 있고, 추후 지능화된 서비스를 제공할 수 있도록 발전할 것으로 예상된다. Gimbal과 iBeacon은 블루투스 저전력 기술을 활용한 기술로서, 동전크기 정도의 비콘 하드웨어와 통신하여 근접 기반 서비스를 제공할 수 있는 소 프트웨어 프레임워크를 같이 제공하고 있으며, Gimbal과 iBeacon은 로컬 광고/쇼 핑몰 제품 안내/전자 결재 등 다양한 분야에 활용될 수 있으나, 사용자에게 지능적 인 서비스를 제공하지 못한다는 제약이 있다. 스마트 홈, 스마트 가전, 스마트 시티 등 다양한 분야에서 상황 인지 서비스 또 는 머신 러닝에 기반한 지능화된 기능을 제공하는 연구가 진행 중이며, 실제 상용 화 되어 제품으로 출시되고 있는 추세로 지속적인 발전 가능성이 있다. NEST는 온 도조절기 제품 안에 사용자의 사용 패턴을 학습하는 지능을 탑재하여 자동으로 온 도를 조절하는 기능을 제공하고, GE는 사용자의 사용 패턴을 학습하여 동작하는 Aros라는 에어콘을 출시하였다. 스마트폰 제조업체에서는 여러 정보를 활용하여 사용자에게 도움을 주는 개인비서 어플리케이션(예: 시리, Cortana)을 개발하고 있 으나, 상황인식에 기반한 서비스 추천보다는 음성을 통한 스마트폰 기능 수행에 초 점이 맞추어져 있다.
3. 국내외 표준화 동향
근접 기반 서비스를 가능하게 하는 다양한 Radio 기술이 표준화가 완료되었거 나 진행 중이며, 3GPP에서는 2012년부터 친구 찾기, 광고 등 물리적으로 인접해１８
있는 단말을 이용한 서비스를 가능하게 하는 ProSe(Proximity-based Service) 표준화를 진행해 오고 있다. WiFi Alliance에서는 IEEE 무선랜 표준을 기반으로 하 여 인접한 단말끼리 직접 통신할 수 있는 WiFi Direct로 불리는 산업 표준을 만들 었으며, 이미 대부분의 스마트폰 기기에 탑재되어 사용되고 있다. IEEE에서는 근접 기반 서비스가 가능한 PAC(Peer Aware Communication)에 대한 표준화를 2012 년부터 진행 중(IEEE 802.15.8)이다. 2010년 비콘 기반의 근접 서비스가 가능한 Bluetooth LE라는 산업 표준이 완료되었고, 애플 iBeacon과 Gimbal 플랫폼의 기 초 기술로 사용되었다.
상황인지 서비스와 머신 러닝은 그 특성상 표준화가 이루어지는 대상은 아니나, Semantic 웹 기술을 위한 콘텍스트 정보의 표현 및 처리를 위한 표준화가 W3C를 통해 이루어지고 있다. OMA에서는 2010년부터 NGSI(Next Generation Service Interface)의 일부 기능으로 Context 정보를 관리하는 API 표준화 작업을 진행해 왔으나, 현재는 활동이 없는 상태이다. 소형셀은 산업체 표준화 작업을 위해 Small Cell Forum이 결성되어 작업을 진행하고 있으며, 3GPP에서는 HeNB를 위주로 하 여 Release 8부터 표준화 작업이 진행되어 오고 있다. C-RAN은 NGMN을 중심으 로 표준화 작업이 이루어지고 있으나, 3GPP에서의 표준화 작업은 활동이 없고, C-RAN과 소형셀에 지능을 넣어 서비스를 제공하는 것 자체는 표준화 이슈는 아닌 것으로 파악된다. IoT 및 M2M 관련 표준화는 여러 단체에서 활발히 진행되고 있는데, ITU-T 에서는 글로벌 규모의 IoT 시스템 기술 표준 제정 작업을 하고 있으며, 3GPP에서 는 이동통신 기반의 M2M 서비스 실현을 가능하게 하는 MTC(Machine Type Communication) 표준화를 진행 중이다. M2M 서비스 플랫폼에 대한 표준화가 ETSI M2M TC를 비롯하여 여러 기관에서 진행되고 있었으나, 최근 세계 지역별 대표 표준화 기관이 공동으로 설립한 oneM2M이 결성되어 글로벌 표준 작업을 하 고 있으며, 2014년 7월 표준 릴리즈 1을 공표하였다. IETF에서는 6LoWPAN WG, ROLL WG, Core WG 등 워킹 그룹을 통해 IP 상에서 IoT를 지원하기 위한 다양 한 프로토콜 표준화 작업을 진행하고 있으며, CoAP 규격을 표준화하였다.
１９
제 2 장
２０
제 2 장 연구개발 목표 및 범위
제 1 절
총괄연도 연구 범위
단말근접 실시간 스마트 서비스추천플랫폼 기술개발 과제는 지능공간 상에서 ‘나’를 이해하고 찾아오는 로컬 인텔리전스 서비스를 모바일 엣지에서 제공하는 미래혁신 서비스추천플랫폼 핵심 기술 확보를 목표로 한다. 세부적으로는 경량형 패스트 데이터 분석 알고리즘 개발 및 IPR 확보, 로컬 인텔리전스 서비스 추천 알 고리즘 개발 및 IPR 확보, 오픈 하드웨어 기반 모바일 엣지 인텔리전스 서비스 플 랫폼 기술 개발을 통해 다양한 지능공간에서 사용자의 의도에 맞는 적절한 서비스 를 제공한다. ○ 경량형 패스트 데이터 분석 알고리즘 개발 및 IPR 확보 - 경량형 패스트 데이터 분석 알고리즘 최적화 기술 - 모바일 엣지 노드 이용자 관심 추출 및 행동 패턴 학습 기술 ○ 로컬 인텔리전스 서비스 추천 알고리즘 개발 및 IPR 확보 - Zonal Presence 기반 서비스추천 알고리즘 기술 - 가법적 혼합 모델 기반 서비스 추천 알고리즘 기술 ○ 모바일 엣지 인텔리전스 서비스 플랫폼 기술 개발 - 로컬 인텔리전스 특화 서비스 발굴 - 오픈 HW 기반 모바일 엣지 인텔리전스 서비스 추천 프레임워크 개발 <그림 1> 단말근접 실시간 스마트 서비스추천플랫폼 기술개발 연구 목표２１
제 2 절
당해연도 연구 범위 및 목표
당해연도 연구개발목표는 지역공간 특화 로컬인텔리전스 서비스 추천 핵심기술개 발 연구개발 범위는 아래와 같다. - 지역공간 특화 패스트 데이터 분석 알고리즘 개발 및 IPR 확보 - 로컬 인텔리전스 서비스 추천 알고리즘 개발 및 IPR 확보 - 지역공간 특화 서비스 추천 알고리즘 성능 검증 - 오픈 HW 기반 경량형 서비스 추천 프레임워크 개발 - 지역공간 특화 로컬 인텔리전스 서비스 추가 발굴 - 분산형 모바일 엣지 클라우드 서비스플랫폼 아키텍처 연구 지역공간에 적용되는 추천 서비스를 발굴, 타겟팅하여 패스트데이터를 수집 환경을 구축하고 이를 통해 수집된 데이터를 분석하여 서비스 추천 알고리즘을 검증하였다. 오픈 HW라는 제한된 하드웨어 상에서 구동하는 서비스 추천 알고 리즘을 위한 경량형 서비스 추천 프레임워크를 설계하고 알고리즘을 탑재하여 연동하였다. 당해년도 연구개발 추진일정 및 주요 결과물은 아래와 같다. <그림 2> 연구개발 추진 일정２２ 기술개발 성과지표 (‘16년도)
목표치 산출근거 참고논문: Arno Bakker et.al., “Collaborative Filtering Using Random Neighbours in Peer-to-Peer Networks”, CNIKM’09 Hongkong, China, Yu Wang, “User Data Analytics and Recommender System for Discovery Engine”, Whaam AB, Stockholm, Sweden Royal Institute of Techology, June 11, 2013.Ming Yan, et.al., “Unified YouTube Video Recommendation via Cross-network Collaboration”, ICMR’15, June, Shanghai, China, Asela Gunawardana and Guy Shani, “A Survey of Accuracy Evaluation Metrics of Recommendation Tasks”,The Journal of Machine Learning
제 3 절
당해연도 연구 목표 달성도
주요 성과지표 (주요 성능 spec) 세계최고 수준 연구최종 목표 ’16년 목표 검증방법 목표설정 타당성 서비스추천채택율 (Precision) 40% 80% 60% 실제데이터를 이용한 알고리즘 성능시험 결과보고서 제시 서비스추천알고리즘의 대표적성능평가 지표 서비스추천재현율 (Recall) 20% 40% 30% 실제데이터를 이용한 알고리즘 성능시험 결과보고서 제시 Precision에 대한보완지표 서비스추천내부응답시간 200ms 100ms - PoC테스트베드를 이용한 측정 패스트데이터 분석에따른 데이터처리시간 경감지표 서비스세션설정지연시간 150ms 30ms - PoC테스트베드를 이용한 측정 엣지컴퓨팅에 의한Low latency 성능지표２３
제 4 절
연구개발 추진 체계 및 방법
연구개발 추진은 3단계로 진행되며, 1단계(2015년~2016년)에는 미래 혁신 서 비스 관련 길목 특허를 선점하여, 독창적 아이디어를 IPR로 창출하고 현장에서 Feasibility를 검증하여 핵심기술 확보에 주력한다. 2단계(2017년)로 서비스추천 플랫폼 핵심기술 PoC를 개발하고 신규 프로젝트를 기획한다. 3단계(2020년)는 공 공 인프라 및 산업화 연구 등 관련 타 사업과 연계 협력하여 5G 초연결 기반 초지 능 서비스 네트워킹 선도한다는 전략이다. 단말 근접 실시간 스마트 서비스 추천플랫폼 요소 기술 연구는 학계와 공동으 로 추진하며, 차별화된 서비스 모델 및 데이터 기법을 도출한다. ETRI에서 구조화 한 서비스추천플랫폼 아키텍처에 대한 전문 컨설팅 업체의 분석 및 평가 결과를 설 계에 반영하여 고도화하고, 지능공간 서비스 테스트베드를 구축하여 기술 검증을 수행한다. 단말 근접 기술 및 서비스의 핵심 IPR에 대해 관련 국제 표준화를 진행 중인 ITU, ETSI, OMA에 기술 표준을 반영하고, TTA를 통한 국내외 표준화를 주 도한다.<그림 3> 연구개발 추진 체계
단말 근접 실시간 스마트 서비스 추천플랫폼 기술에서 핵심이 되는 데이터 분 석 및 서비스 추천 알고리즘에 대한 연구 프로세스는 다음 그림과 같이 목표 서비
２４ 스 발굴에서 출발하여 알고리즘을 설계하고 최적화 후 open HW 탑재를 위해 경량 화 작업으로 마무된다. <그림 4> 알고리즘 연구 프로세스 < 표 1 > 2016년 예산 게획 및 집행현황 노드 데이터를 훈련-검증 집합과 테스트 집합으로 분할 훈 련 -검 증/ 테 스 트 데 이 터 분 할 별 반 복 테 스 트 노 드 별 반 복 테 스 트 성능 분석 대상 데이터 분석기법 선택 데 이 터 분 석 기 법 별 반 복 테 스 트 데이터 분석기법 튜닝 매개변수 집합 설정 모든 검증 집합의 결과 통합하여 매개변수별 최종 성능 도출 훈련/검증 집합으로 분할 훈련집합으로 모형 적합 검증집합으로 모형 성능 평가 튜닝 매개변수별 반복 테스트 데이터 분석기법의 최적 튜닝 매개변수 결정 최적 매개변수로 전체 훈련-검증 집합에서 최적 모형 생성 테스트 집합에서 최적 모형 성능 분석 모든 테스트 집합의 데이터 분석기법 성능 분석 결과 통합 모든 노드의 데이터 분석기법 성능 분석 결과 종합 머신러닝 후보 알고리즘 선택: Logistic Regression, Decision Tree, Random forest, Boosting, SVM, K-NN, Apriori, N-gram, CF (오픈소프 활용) 알고리즘 최적화 후 Open HW 탑재를 위한 경량화 및 고성능화(자체개발) 목표 서비스 발굴 구분 계획 (천원) 집행액 (천원) 집행률 (%) 인건비 인건비 315,800 315,800 100 직접비 외부인건비 3,500 3,500 100 연구시설장비 및 재료 비 209,382 199,434 95.25 연구활동비 83,618 43,107 51.55 연구과제추진비 27,663 17,483 63.2 연구수당 63,160 63,160 100 위탁연구비 80,000 80,000 100 연구지원비 3,158 - 0 성과활용지원비 35,000 35,000 100 평가·관리비 1,719 - 0 간접비 간접비 81,651 81,651 100 합 계 904,651 839,135 92.75%
２５
제 3 장
２６
제 3 장 관련 기술 동향 분석
제 1 절
단말 근접 서비스 기술
단말 근접 서비스란 물리적으로 가까이 있음으로써 가능한 서비스를 일컫는다. 예를 들어, 사용자가 카페 앞을 지나갈 때, 카페로부터 할인 쿠폰을 수신하거나 공 원에서 아이가 부모로부터 멀어지게 되면 경고음이 울리는 서비스이다. 근접 서비스는 사용자가 있는 위치가 서비스를 제공함에 있어 중요한 정보로 작용한다는 점에서 기존의 위치 기반 서비스(Location Based Service: LBS)와 유 사하다고 볼 수 있으며, 범의로 근접 서비스를 일종의 위치 기반 서비스를 보는 것 도 문제는 없을 것이라고 생각한다. 그러나 구체적으로 살펴보면 근접 서비스는 위 치 기반 서비스와 확연히 다른 특징이 있다. 첫 번째로 서로 가까이 있음을 판단하 는 방법이다. 위치 기반 서비스의 경우 단말에서 사용자의 위치가 계산되어 인터넷 에 연결된 서버로 전송되면 서버에서 사용자의 위치와 서버에 이미 저장되어 있는 상점의 위치나 다른 사용자의 위치를 비교하여 계산함으로써 두 가지 대상이 서로 가까이 있음을 파악한다. 그러나, 근접 서비스는 대상(단말)끼리 직접적인 무선 통 신을 통해 근접해 있음을 알아낸다. 다른 말로, 위치 기반 서비스의 경우 사용자의 지리적 위치가 서비스 제공의 필수 요소인 반면 근접 서비스는 사용자의 지리적 좌 표 정보 보다는 사용자가 어떤 대상과 물리적으로 같은 공간에 있다는 사실 자체가 중요한 요소가 된다. 또한 근접 서비스의 경우 대상 단말끼리 직접 통신을 통해 양 방향 혹은 단방향의 데이터를 주고 받을 수 있다는 특징이 있다. 근접 서비스의 이 러한 특징들은 서비스의 적재성, 적시성을 향상시키는 데 기여를 한다. 근접 서비스가 가능하기 위해서는 무선 계층의 단말 간 직접 통신 기술이 필요 한데 대표적인 것으로 블루투스(Bluetooth), Wi-Fi D2D, LTE D2D 기술을 들 수 있다. 단말간 직접 통신을 하기 위해서는 단말은 다른 단말이 자신과 접속할 수 있 도록 하기 위해 소량의 데이터를 공중(air)에 브로드캐스트해야만 하는데, 이 때 전 송되는 소량의 데이터에 서비스에 활용될 수 있는 데이터를 포함하는 것이 기본적 인 동작 원리라고 말할 수 있다. 현재까지는 많은 솔루션이 오프라인 매장에서 소 비자에게 보다 나은 서비스를 제공하기 위한 것들이 대부분이지만, 최근 스마트 홈, 유통 등 다양한 분야로 적용 범위가 확대되는 양상을 보이고 있다.２７
1. Bluetooth 기반 근접 서비스 기술
최근 근거리 무선 통신 기술인 블루투스 기반의 비콘을 이용한 근접 서비스 솔 루션들이 잇달아 출시되고 있다. 블루투스 비콘의 경우 GPS(Global Positioning System) 기반 위치 측위에 비해 실내에서 사용 가능하고 더 정교하다는 장점이 있어 경기장, 전시회, 미술관, 상점 등 건물 내에서 다양한 서비스를 제공할 수 있 는 기반 기술로 사용될 수 있다. 대표적인 사례로, 애플의 iBeacon과 Gimbal을 들 수 있으며, 국내에서도 SKT가 솔루션을 이미 출시하고 있다. 아래 그림은 블루투 스 비콘을 이용한 근접 서비스의 대표적인 예이다. <그림 5> 비콘 기반의 근접 서비스 제공 예 사용자가 매장 근처에 가면 매장에서 광고하는 특별 판매 행사 안내를 받고, 매 장 안으로 들어가면 즉석에서 할인 쿠폰을 받게 된다. 진열된 상품 앞에 서면 그 상품에 대한 다양한 정보를 스마트폰을 통해 즉시에 확인할 수 있으며, 물건을 구 입하고 매장을 나갈 시에는 자동으로 결재까지 이루어진다. 매장 내에 비콘이라 불 리는 조그마한 장치를 설치하고, 사용자의 스마프폰에는 비콘을 인식하는 어플리케 이션이 설치가 된다면 위와 같은 서비스는 쉽게 구현될 수 있다. 이러한 유형의 서 비스에서의 가장 큰 강점은 제공되는 서비스가 현재의 사용자의 의도와 높은 관련 성(Relevance)을 가질 수 있다는 점이다. 즉, 필요한 곳(적재성)에서 필요한 시점 (적시성)에 서비스 제공이 가능해 질 수 있다는 것이다.２８
2. LTE 기반 근접 서비스 기술
LTE 기반의 근접 서비스는 2011년 2월 퀄컴이 MWC(Mobile World Congress)에서 FlashLinQ를 시연한 이래 3GPP에서도 Prose라는 이름으로 표준 화가 되고 있다. 3GPP에서 표준화하고 있는 Prose는 크게 일반적인 상황에 사용 되는 시나리오와 비상 상황시 공공의 안전을 위해 단말간 직접 통신을 가능하게 하 는 public safety 시나리오로 나눌 수가 있다. 일반적인 시나리오에서는 두 단말이 직접 데이터 통신을 할 수 있는 방법과 더불어 두 가지의 찾기(Discovery) 방법을 제시하고 있다. 열린 찾기(Open Discovery)의 경우는 아무런 조건 없이 근처에 있 는 단말이 서로 그 존재를 발견할 수 있는 경우이고, 제한된 찾기(Restricted Discovery)의 경우에는 특정한 조건(예: 친구 사이)이 맞을 때만 서로 발견할 수 있는 경우이다. 전자는 상점에서 광고를 하는 경우에 유용하고 후자는 SNS와 같은 어플리케이션을 사용할 때 유용할 수 있다. Prose를 이용한 D2D 통신은 모바일 트래픽 폭증을 경감시키는 역할을 할 것 으로 기대하고 있는 반면 Prose Discovery 기능은 모바일 마케팅, GeoFencing와 같은 새로운 근접 기반 서비스의 등장을 가속화시킬 것으로 기대하고 있다. 3GPP Prose를 이용한 서비스 동작 원리는 다음과 같다.
２９
먼저 단말 A와 단말 B에는 근접 서비스를 위한 어플리케이션이 실행되고 있다 고 가정한다. 단말 A는 기지국의 도움을 받아 Prose Application ID와 같은 특정 근접 기반 서비스와 연관된 작은 정보를 주기적으로 공중(Air)에 브로드캐스트하고, 단말 B는 기지국으로부터 얻은 정보에 근거하여 무선 전송 프레임내에서 단말 탐 색을 위한 정보를 수신하고 Prose Application ID를 추출한다. Prose Application ID에는 사용자 근처에 있는 특정 매장을 식별할 수 있는 비즈니스 카테고리, 비즈 니스 서브 카테고리, 비즈니스 이름, 상점 아이디 등이 포함될 수 있다. 단말에서 실행 중인 어플리케이션은 Prose Application ID를 해석하여 사용자에게 정보를 알 려주게 되는데, 필요에 따라 D2D 연결을 통해 부가적인 통신을 수행(3a)하거나 인 터넷에 있는 어플리케이션 서버와 연동(3b)할 수 있을 것이다.
3. WiFi 기반 근접 서비스 기술
Wi-Fi는 우리가 가장 흔하게 사용하는 인터넷 접속 방법의 하나로서, 사용자 단말이 AP에 접속하게 됨으로써 IP 연결 서비스를 사용하게 된다. 그러나 최근 Wi-Fi를 단순한 인터넷 접속 방법으로 사용하는 것이 아닌 근접 서비스를 제공하 기 위한 방법으로 사용하기 위한 기술 들이 등장하고 있다. AP를 이용하여 상점 주 변에 있는 사람들에게 광고를 할 수 있는 플랫폼이 상용화되어 사용되고 있으며, 근접 단말간 컨텐츠 공유, SNS 메시징, 근접 광고 등과 같은 Wi-Fi Direct를 이용 한 다양한 근접 서비스가 제공되고 있다.AP를 이용한 근접 마케팅 솔루션은 사용자가 AP에 접속하지 않고 AP가 전송 하는 광고 메시지를 수신하는 경우와, 사용자가 AP에 접속하여 브라우저를 실행하 면 특정 광고 페이지가 자동으로 나오도록 하는 경우이다. 예를 들어 커피숍에 갔 을 때 커피숍에서 제공하는 무료 Wi-Fi 서비스를 사용하기 위해 커피숍에 설치된 AP에 접속하면 광고 페이지가 나오고, 해당 광고 페이지를 보고 난 후에야 비로소 다른 인터넷 웹 페이지에 접속할 수 있도록 하는 서비스가 후자의 예이다. 근접 거 리 내 고객에게 맞춤형 광고를 제공하는 근접 마케팅 솔루션인 iSign은 Wi-Fi와 블루투스를 결합하여, 자사 서버에 미리 등록된 고객에게 인터랙티브 마케팅 지원 을 위해 개별 상점에 설치된 AP 모양의 기기에서 고객의 위치를 이용하여 로컬 광 고를 전달한다.
３０
제 2 절
단말 협업 미들웨어 기술
단말 협업 미들웨어 기술은 근거리의 로컬 네트워크에 연결된 단말들이 통신할 수 있고, 상호간 다양한 서비스를 제공할 수 있도록 하는데, 로컬 네트워크 접속 및 주소 할당과 장치(혹은 서비스) 발견이 주요 이슈이다. 로컬 네트워크에서 단말들이 접속해서 서로 통신 하기 위해서는 네트워크 주소 가 필요하다. 대부분의 기술은 IP 주소를 이용하기 때문에, 로컬 네트워크에 접속시 에 동적으로 IP 주소를 할당해 주는 방식이 필요하다고 할 수 있다. 특히 이 때 사 용되는 IP는 글로벌 IP일 필요는 없을 것이다. 따라서 ZeroConf와 같이 단말에게 링크 로컬 주소를 할당해주는 방식은 상당히 효과적인 방식이라고 할 수 있다. 이미 설정되어 있던 글로벌 IP를 이용하던지 링크 로컬 주소를 즉시적으로 할 당 받아 사용하던지간에 어플리케이션 입장에서 더욱 중요한 것은 다른 장치를 발 견하거나 다른 장치가 제공하는 서비스를 발견하는 일일 것이다. 단말 협업 미들웨 어 기술은 장치 및 서비스를 발견하는 자체 기술을 모두 포함하고 있으며, 이 기술 이 바로 단말 협엽 미들웨어 기술의 핵심이라고 할 수 있다. 이러한 기술은 디렉토 리 역할을 하는 서버를 별도로 이용하는 서버/클라이언트 방식으로 동작할 수도 있 고, 그러한 서버없이 멀티캐스트와 같은 기술을 이용하여 피어 대 피어 방식으로 동작할 수도 있다. 이러한 미들웨어 기술의 덕택으로 어플리케이션 로직과 네트워 킹 로직을 분리할 수 있게 됨으로써, 쉽게 로컬 네트워킹 환경을 위한 어플리케이 션 개발이 용이해 질 수 있다.1. AllJoyn
AllJoyn은 근접 디바이스간 분산된 어플리케이션을 공유할 수 있도록 P2P 통 신을 지원하는 프레임워크로, Bluetooth, Wi-Fi, Wi-Fi Direct와 같은 물리적인 통 신 방식을 기반으로 한다. AllJoyn은 OS에 크게 구애받지 않는 크로스 플랫폼 기 술이며, AllJoyn 어플리케이션은 모바일 디바이스, 태블릿, TV, PC와 같은 다양한 디바이스 상에 구현이 되어 상호 연동 가능하다. AllJoyn은 2011년 Mobile World Congress 에서 Qualcomm이 선보였으며, 현재는 AllSeen Alliance에서 open source project로 AllJoyn 프레임워크 기반 IoT 상호운용을 진행중이다.３１ <그림 7> AllJoyn 프레임워크 구조 AllJoyn 응용은 디바이스간 P2P 기능을 이용하여 근거리에 있는 사람들과 게 임, 미디어 공유, 협업 등을 가능하게 한다. 예를 들어, 실시간 멀티플레이어 게임, 쿠폰이나 명함을 제공하는 proximity 서비스, 행사나 여행에서 찍은 사진을 디지털 액자나 TV와 같은 다른 미디어에 동기화 서비스, 회사 동료나 학교 친구와 프로젝 트 협업 서비스, 차량/홈 스테레오에 폰에 있는 음악 재생 목록을 생성하거나 스트 리밍 서비스 등 다양하게 이용될 수 있다. 이처럼 AllJoyn 프레임워크는 근거리 기 반 P2P 통신을 지원하는 오픈 소스 프레임워크로 널리 활용 가능하며, Proximity 기반 광고 및 쿠폰 제공 서비스에 이용될 수 있다.
2. ZeroConf (Bonjour)
ZeroConf 기술은 로컬 네트워크 상에서 장치들을 쉽게 발견하고 장치들이 제 공하는 서비스를 쉽게 사용할 수 있도록 하기 위해 개발된 기술로서 IETF에서 표 준화된 기술이다. ZeroConf의 표준화는 애플이 제안한 Bonjour에 기반하기 때문에 Bonjour라고 혼용되어 사용되기도 한다. 대부분의 OS에서는 이미 Bonjour를 지원 하고 있다. ZeroConf 기술은 IP상에서의 제로 컨피규레이션 네트워킹을 가능하기 하는 기술을 표방한다. 제로 컨피규레이션 네트워킹은 Ad-hoc으로 네트워크에 접３２
속하고 네트워크 접속된 다른 장치들을 쉽고 찾고, 그들이 제공하는 서비스를 쉽게 사용하도록 하는 기술로, 장치에 IP 할당(Addressing), IP 대신 이름으로 장치 사 용(Naming), 장치들이 제공하는 서비스 찾기(Service Discovery)가 중요하다.
ZeroConf 기술은 사용자가 이동하면서 여러 가지 장치를 사용하는 환경에서는 더더욱 필요성이 부각되는 기술이다. 예를 들어, 사용자가 휴대폰에 저장된 사진이 있다고 하자. 사용자가 외근을 가게 되었는데, 휴대폰에 저장된 사진을 출력할 일이 생겼다고 하자. 이때 ZeroConf 기술을 이용하면 사용자는 외근을 간 장소에서 아 무런 절차 없이 외근지의 로컬 네트워크에 접속하게 되고, 외근지에 있는 프린터를 발견하여 바로 사용할 수 있게 된다.
3. UPnP
UPnP 기술은 MS가 주축이 되어 제안한 홈 네트워크 미들웨어 기술로 정보가 전, 무선통신장치, PC관련 장비 등 여러 장소에 분산되어 있는 디바이스와 서비스 간의 편리한 통신을 제공한다. 이는 윈도우의 PnP(Plug and Play)를 보다 다양한 장치에 적용할 수 있게 확장한 것으로, 네트워크상에서 관리자의 직접적인 개입이 없거나, 사전 정보가 없는 상태에서도 장치들의 연결이 가능하도록 해준다. UPnP는 TCP/IP를 사용하여 구성된다. 이 프로토콜 위에서 XML(eXtensible Markup Language) 기반으로 SOAP(Simple Object Access Protocol)과 GENA(General Event Notification Architecture), SSDP(Simple Service Discovery Protocol)를 사용해 정보를 주고 받는다. 따라서 구현된 프로그램의 언어나 기반 시스템에 독립 적이다. 그리고 웹 브라우저를 통해 디바이스를 제어하는 사용자 인터페이스를 제 공한다. UPnP의 동작은 디바이스와 컨트롤 포인트를 중심으로 설명 할 수 있다. 디바 이스는 사용자가 필요로 하는 서비스를 제공하는 장치로 컨트롤 포인트의 명령을 받아들여 서비스를 제공하는 역할을 한다. 컨트롤 포인트는 명령을 만드는 장치로 필요에 따라 디바이스에게 서비스를 요청 한다. UPnP 기술은 단말근접 서비스 제 공을 위해 필요한 장치검색 및 서비스검색 관점에서 기술에 대한 깊이 있는 이해가 필요할 것으로 판단된다. 응용 및 서비스플랫폼 입장에서는 이를 활용하는 관점에 서 접근해야 한다.３３
제 3 절
소형 장치 하드웨어 플랫폼 기술
수많은 사물이 서로 연결되는 IoT가 실현되어 감에 따라 사물이 다양한 기능을 수행할 필요성이 점차 증대되고 있다. 기존에는 이러한 사물들이 특정 사용 목적에 만 사용되었기 때문에, 주로 특화된 HW와 소프트웨어로 구성된 특수 목적의 embedded system 형태로 개발되었는데, 점차 사물의 지능이 발전함에 따라 좀 더 소프트웨어가 기능을 주도하는 형태로 변화가 이루어지고 있다. 이러한 변화를 가 능하게 하는 것이 오픈 하드웨어 플랫폼 기술이라고 할 수 있다. 본 절에서는 대표 적인 오픈 하드웨어 플랫폼과 범용성을 가진 소형 장치용 하드웨어 플랫폼에 대하 여 개괄적으로 설명하고자 한다. 소형 장치용 하드웨어 플랫폼들은 대부분 SBC(Single Board Computer) 형태를 가진다.1. 아두이노(Arduino)
아두이노는 2005년 이탈리아에서 학생들에게 쉽게 센서와 엑츄에이터를 이용 하는 장치를 만드는 수단을 제공할 목적으로 시작된 프로젝트였으나, 최근 IoT 관 련 여러 장치들을 실험적으로 만들어 볼 수 있는 프로젝트로 발전하였다. 기본적인 개발 소프트웨어를 탑재한 하드웨어가 출시되고 있으며 개발 커뮤니티가 활성화되 어 있다. 기본적으로 Atmel사의 AVR 기반으로 단일보드를 제공하였으나 현재는 Cortex-M을 이용한 제품이 많이 출시되고 있다. 아두이노는 보드의 회로도가 공 개되어 있기 때문에, 회로도를 이용하여 새로운 형태의 보드를 개발하는 것을 가능 하게 한다.３４ <그림 8> ARDUINO Uno SMD R3
2. 라즈베리 파이
2012년 영국의 라즈베리 파이 재단이 학교에서 컴퓨터 및 과학 교육을 증진시 키기 위해 만들어진 라즈베리 파이는 범용성을 가진 대표적인 오픈 소스 싱글보드 컴퓨터이다. 하나의 보드위에 CPU 및 메모리, 그래픽카드, 각종 입출력 장치를 갖 춘 하나의 컴퓨터이다. 특히 센서 들을 쉽게 연동할 수 있는 SPI, UART, GPIO, I2C 등 다양한 입출력을 지원한다. GUI 기반 OS의 설치가 가능하고 다양한 개발 툴의 설치가 용이하여 다양한 어플리케이션의 개발이 용이하다는 장점이 있다. 라 즈베리 파이도 오픈 하드웨어 플랫폼으로서 설계도가 공개되어 있다.<그림 9> 라즈베리 파이 3
3. 비글본 블랙
비블본은 텍사스 인스트루먼트사에서 개발된 ARM 기반의 프로세서를 쓰는 싱 글 보드 컴퓨터로서 BeagleBoard, BeagleBorad xM, BeagleBon 등 다수의 모델을 갖추고 있다. 특히 최근 출시된 비글 본 블랙은 라즈베리 파이와 유사한 성능을 가 지고 있으며, 1GHz 클럭 스피드를 가진 ARM Cortex A8 프로세서를 장착했으며, 512MB RAM에 2GB의 온 보드 플래시 스토리지를 가지고 있으며, 기본적으로 리 눅스 계열의 OS인 Angstrom이 설치되어 있다.
３５
<그림 10> 비글 본 블랙
4. 대표적인 SBC 성능 비교
최근 다양한 사양을 가진 싱글보드 컴퓨터들이 다수 출시되고 있다. 예를 들어 Banana Pi, Orange Pi, ODROID, CubieBoard 등이 있다.
< 표 2 > Single Board Computer 비교
모델명 Soc 구조 속도 RAM
Banana Pi M2 Allwinner A31s ARM-Cortex-A7 1GHz 1GM Banana Pi M3 Allwinner A83T ARM-Cortex-A7 1.8GHz 2GM BeagleBone TI Sitara AM335x ARM-Cortex-A8 720MHz 256MB BeagleBone Black TI Sitara AM335x ARM-Cortex-A8 1GHz 512MB
Cubieboard Allwinner A10 ARM-Cortex-A8 1GHz 1GB Cubieboard4 Allwinner A80 ARM Cortex-
A15x4
1.3GHz 2GB
ODROID-C2 Amlogic S905 ARM-Cortex-A53 1.5GHz 2GB ODROID-XU4 Smasung Exynos
5 Octa(5422)
ARM-Cortex-A15 2GHz 2GB
Orange Pi plus ? ARM-Cortex-A7 1.5GHz 1GB Raspberry Pi 2 Broadcom ARM-Cortex-A7 900Mhz 1GB
３６ Model B BCM2836 Raspberry Pi 3 Model B Broadcom BCM2837 ARM-Cortex-A53 1.2 GHz 1GB
UDOO Quad Freescale i.MX6 Quad ARM-Cortex-A9 1GHz 1GB HummingBoard i2 Freescale i.MX6 Dual lite ARM-Cortex-A9 1GHz 1GB
pcDuino3 Allwinner A20 ARM-Cortex-A7 1GHz 1GB
5. IoT용 하드웨어 플랫폼
IoT 플랫폼 시장을 점유하기 위해 거대한 하드웨어 회사들이 다양한 하드웨어 플랫폼과 더불어 개발을 활성화하기 위한 오픈 커뮤너티를 운영하고 있다. 삼성은 Artik이라는 IoT 개발 플랫폼을 운영하고 있다. Artik은 프로세서(AP), 메모리, 통 신, 센서 등으로 구성된 초소형 IoT 모듈로, 소프트웨어/드라이버, 스토리지, 보안 솔루션, 개발보드, 클라이드 기능의 하나의 모듈에 집적된 플랫폼이라고 할 수 있다. 삼성은 다양한 크기와 성능을 가진 Artik 모듈을 제공하고 있다. 인텔은 손가락 정 도의 크기를 가진 웨어러블 기기용 하드웨어 플랫폼인 에디슨 플랫폼을 출시하고 있는데, WiFi, 블루투스 등 통신을 기본적으로 지원하는 초소형, 초저전력 플랫폼으 로서 소형 IoT 기기에 제작에 특화되어 있다. 다양한 센서을 연동하기 위한 I/O 핀 을 장착하고 있으며 1GB의 메모리와 500Mhz 혹은 100Mhz의 CPU 성능을 가지 고 있다. 인텔은 또한 아두이노 급의 범용 개발 보드인 Galileo도 출시하고 있다. 세계적인 프로세서 개발 회사인 ARM은 ARM Mbed 프로젝트를 진행하고 있다. ARM Mbed 프로젝트는 ARM Cortex-M 계열의 저전력 MCU(Micro Controller Unit)를 이용한 사용자 친화형 개발환경을 제공하고 있으며, 보드를 구성하는 MCU 및 부품들의 위치, 핀 번호 연결 등의 정보를 제공하고 다른 부품들을 손쉽 게 추가하거나 교체할 수 있도록 정보를 공개하고 있다. 이는 ARM사가 독자적으 로 제공하는 프로젝트가 아니라, Cortex-M을 마이크로 컨트롤러로 사용하여 제어 모듈을 생산하는 Freescale, STMicro, TI 및 NXP 등 경량단말을 위한 칩 제공업
３７ 체들이 HW 플랫폼을 공 개하고 협력하는 체계로 구축되어 있다. 이 프로젝트는 클라우드 서버에 컴파일러, 디버거 등 의 개발 SW를 제공하고, 사용자는 관련 응용을 설치하 지 않고도 바로 웹 기반으로 프로젝트를 생성하고 소 스에 대한 실행파일을 얻도록 손쉬운 개발 툴 제공하고 있 다. 또한, 사용자/개발자 는 자신이 개발한 기능을 공개 라이브러리 형식으로 제공이 가능하다. 프로젝트의 확산을 위해서 ARM사는 HDK(Hardware Development Kit)와 SDK(Software Development Kit)를 공개하고 있 으며, 관련업체에서는 자사의 개발보드를 공개하 여 개발자의 자발적인 참여를 유도하고 있다.
제 4 절
단말근접 데이터분석 및 서비스추천 알고리즘
단말근접 서비스 추천을 위해서는 사용자의 근접 공간에서 필요한 데이터를 수 집하여 이를 분석하고 사용자의 동작이나 반응을 기반으로 하여 플랫폼에서 학습하 는 지능이 존재해야 한다. 근접공간에 따라 서비스의 추천 내용이나 목적, 그 방법 이 달라지는 환경적인 요인이 존재하므로 주변 데이터를 수집하고 이를 분석하는 것으로 출발한다. 대상 추천 서비스에 적합한 알고리즘을 선정하기 위해 널리 사용 된 기계 학습 알고리즘에 대해 살펴본다.1. 데이터 분석 기법 기본 프로파일
데이터는 다음과 같이 매우 단순한 데이터 패턴을 보이는 경우가 많다. - 의사결정나무는 의사결정규칙(decision 하나의 속성이 데이터 패턴의 많은 부분을 설명하고 다른 속성은 큰 영향을 미치지 못하는 경우 - 속성들이 데이터 패턴에 미치는 영향이 서로 독립적이고 영향력이 비슷한 경우 (각 속성 별로 영향력이 독립) - 데이터 패턴이 몇 개의 핵심 속성에 의해 단순한 논리적 구조로 표현될 수 있어서 의사결정나무로 표현될 수 있는 경우 (의사결정나무)３８ - 사례를 다른 클래스로 분류하는 독립적인 몇 개의 규칙으로 표현이 가능한 경우(각 클래스 별로 부여 규칙이 독립) - 서로 다른 속성의 부분집합 사이에 의존성이 있는 경우 (연관규칙) - 수치 속성 간에 선형적인 의존성이 있는 경우 (선형회귀분석) - 속성 공간에서의 분류의 부여가 사례들 간의 거리에 의해 영향을 받은 경우 (사례 기반 학습) - 분류 결과가 주어져 있지 않은 경우 (군집화) 가능한 수 많은 데이터 집합에는 서로 다른 수 많은 데이터 구조가 발생할 수 있다. 하나의 데이터 구조를 잘 파악하는 데이터 마이닝 기법이 매우 단순하지만 전혀 다른 데이터 구조를 파악 하는 것에 실패할 수 있다. 따라서 서로 다른 데이 터 패턴에는 서로 다른 데이터 분석 기법을 필요로 한다.
