Split (2)

train · 900k rows

passage stringlengths 5 922k	summary stringlengths 0 10.2k
사한 형태로 정의된다.</p> <p>$ \mathbf{A}_{1}^{2}=\left[\begin{array}{ccc}u_{1}^{f}(0) & & 0 \\ \vdots & \ddots & \\ \left.w_{1}^{i}(1-1)-1\right) & a_{1}^{i}(0) \\ & \ddots & \vdots \\ 0 & & v_{1}^{L}(M-1)\end{array}\right] $.</p> <caption>(2)</caption> <p>또한, $ \mathbf{b}_{1}=\left[h_{1}(0) \cdot h_{1}(\mathbf{I}), \cdots, h(N-1)\right]^{T} $은 $ N \times 1 $의 간섭제기 필터이며$ \mathbf{h}_{3}, \mathbf{h}_{y_{4}}, \mathbf{h}_{4} $등도 마찬가지로 정의된다. 위의 정의에서 M과 N 은 HRIR의 길이와 간섭제거필터의 길이를 각각 나타낸다.</p> <p>최적의 간섭제거필터는 least-Squares (LS) 최적화 방법을 통하여, 청취자의 귀에 전달되기 원하는 임펄스 응답 D와 실제 전달되는 임펄스 응답 D와의 차이를 최소화함으로써 유도된다. 계산된 최적의 간섭제거필터의 수식은 식(3)과 같다.</p> <p>$ \left.\mathbf{H}=\mathbf{A}^{\dot{+}} \mathbf{D}\right)$<caption>(3)</caption> <p>여기서 $ \mathbf{A}^{+}=\left(\mathbf{A}^{T} \mathbf{A}\right)^{\prime} \mathbf{A}^{T} $ 은 행렬 $ \mathbf{A} $ 의 pseudo-inverse이며, D는 식(4)와 같다.</p> <p>$ \mathbf{D}=\left[\begin{array}{ll}d & 0 \\ 0 & d\end{array}\right] $</p> <caption>(4)</caption> <p>여기서 $ \boldsymbol{d}=[0, \cdots, 0,1,0, \cdots, 0]^{T} $ 로 정의된다.</p> <p>이와 같이 추정된 간섭제거필터는 moving average(MA)의 형태를 띠며, 이를 $ z $-변환하여 식(5)와 같이 표현할 수 있다.</p> <p>$ H_{m 0}(z)=C_{m} \sum_{m=1}^{\beta} b_{m}(n) z^{-n}, m=1,2, \cdots, 4 $</p> <caption>(5)</caption> <p>여기서 $ C_{m} $ 는 각 팔터의 제인을 $ Q_{0} $ 는 영점의 차수를, $ b_{n s}(n) $ 은 영점으로 이루어진 필터 계수를 나타낸다.</p> <h2>2.2. 주파수 워핑을 이용한 간섭제거필터의 설계</h2> <p>일반적인 필터는 모든 주파수에 대해 균일한 해상도를 갖지만, 주파수 워핑을 이용한 필터는 주파수에 따라 해상도를 변화시킬수 있으며, 음향 분야에 있어서는 에너지의 분포가 낮은 고주파의 해상도가 낮아지는 것을 감수하고 분포가 높은 저주파의 해상도를 높이는 것이 일반적이다. 주파수 워핑을 실현하기 위해서는 일반적인 필터의 지연 소자를 식 (6)와 같은 전역통과 소자로 대체하여야 한다.</p> <p>$ \dot{z}^{-1}=\frac{z^{-1}-\dot{\lambda}}{1-\lambda z^{-1}} $</p> <caption>(6)</caption> <p>여기서 $ \lambda $ 는 워핑 계수로 이 값에 따라 워핑의 정도를 변화시킬 수 있다.<p>주파수 워핑을 이용해 간섭제거필터를 설계하기 위해서는 먼저 머리전달함수를 conformal bilinear mapping등과 같은 방법을 이용하여 선(先) 워핑한다. 선 워핑된 신호의 앞의 일부분 만을 이용하게 되는데, 이는 저주파의 성분이 앞부분으로 집중되기 때문이다. 이와같이 잘라낸 신호를 이용하여 식 (7)와 같이 필터를 계산한다.</p> <p>$ \tilde{\mathbf{H}}=\tilde{\mathbf{A}}^{\prime} \mathbf{D} $</p> <caption>(7)</caption> <p>여기서 $ \tilde{\mathbf{A}}$은 선 워핑된 신호를 이용하여 식(2)와 동일한 방법으로 구성된 행렬이다. 이와 같이 워핑 영역에서 계산된 간섭제거필터는 식 (6)의 전역통과 소자를 기본 소자로 하여 MA 모델로 구현될 수 있으나, 전역통과 소자가 갖고 있는 복잡도가 매우 크기 때문에 그대로 구현하지 않고, 소위 디워핑 방법을 이용하여 선형 영역으로 다시 워핑하여 구현한다.</p> <p>이를 위하여 먼저 Prony의 방법. Yule-Walker의 방법, balineod model truncation (BMT)방법 등을 이용하여 IIR근사화를 수행하며, 근사화된 $ P_{1} $개의 극점과 $ Q_{1} $ 개의 영점은 식(8)과 (9)에 의헤 각각 디워핑 된다.</p> <p>$ p_{1}^{\prime}=\frac{p_{1}^{n}+\lambda}{1+\lambda p_{1}^{n \prime}}, i=0,1_{1} \cdots, P_{1}-1 $</p> <caption>(8)</caption> <p>$ q_{j}^{i}=\frac{q_{i}^{\prime \prime}+\dot{\lambda}}{1+\lambda q_{j}^{n}}, j=0,1 . \cdots \cdot Q_{1}-1 $</p> <caption>(9)</caption> <p>여기서 $ p_{i}^{\prime} $ 과 $ q_{i}^{\prime} $ 은 각각 선형 영역에시의 극점과 영점을 나타내며, $ p_{i}^{\prime} $ 과 $ q_{i}^{\prime} $ 는 각각 워핑 영역에서의 극점과 영점을 나타낸다. 이와 같이 선형 영역으로 디워펑 된 극점과 영점을 이용하여 최종적으로 식 (10)과 같이 autoregressive moving avernge (ARMA) 모델링 한다.</p>	최적의 간섭제거필터는 least-Squares 최적화를 통해 청취자에게 전달되기 원하는 임펄스 응답 D와 실제 전달되는 임펄스 응답 D의 차이를 최소화한다. 주파수 워핑을 이용한 필터는 주파수에 따라 해상도를 변화시킬수 있으며, 음향 분야에서 분포가 높은 저주파의 해상도를 높인다. 일반적인 필터의 지연 소자를 전역통과 소자로 대체하여 주파수 워핑을 실현할 수 있다. 주파수 워핑을 활용해 간섭제거필터를 설계하려면 먼저 머리전달함수를 선 워핑한다.
<h2>2. 제안된 구 좌표계 변환 알고리즘</h2><p>그림 4에서 보여지는 바와 같이 구 좌표계는 직각 좌표계의 3점 (x, y, z)으로 구성되며, 이를 구 좌표계로 변환하게 되면 $ (r, \theta, \phi) $요소로 변환될 수 있다.</p><p>여기서 직각 좌표계에서 이루어지는 한 점에 대한 조표를 $ R(x, y, z) $이라고 하고, 변환되는 구 좌표계에서의 좌표를 $ P(r, \theta, \phi) $리고 하였을 경우, 함수 $R$은 함수 $ P$로 좌표 변환이 가능함을 식(2)를 통해 알 수 있다.</p><p>그러나 본 논문에서 제안하는 점은 영상의 위치가 구 좌표계의 구내에 존재하지 않는다는 점이다. 즉, 인간의 눈을 비교하여 구 좌표계 내가 인간의 안구일 경우 인간이 바라보는 목표물은 안구의 내부에 존재하지 않고 안구의 바깥에 존재하게 된다. 이 점을 이용하여 구좌표로의 변환 요소를 특징으로 찾는다.</p><p>다음에는 구 좌표계로의 변환에 구 좌표계 내에 직각 좌표계가 존재하는 경우와 구 좌표외부에 직각좌표가 존재하는 경우를 나타내고 있다.</p><p>1) 구 좌표내부에 직각 좌표가 존재하는 경우 식 (2)와 같이 표현된다. 이 경우에는 $ r $의 길이에 매우 민감하며 이에 따라 구 좌표계의 값이 변화 될 수 있다.</p><p>2) 구 좌표외부에 직각 좌표가 존재하는 경우 직각 좌표가 구면으로부터 충분히 멀리 존재한다고 가정하면 직각 좌표를 구 좌표로 변환하는 경우 식 (2)에서 나타나는 $ r $값이 $ x $값에 근접하게 된다. 이는 구 좌표계의 구면에 따라 직각 좌표의 값이 표현되는 것이 아니라 바로 직각 좌표의 값을 구 좌표계의 원점으로 부터의 삼각함수를 이용하여 구 좌표값으로 변환하면 된다. 이는 식 (2)의 표현이 다음과 같이 나타낼 수 있다.</p><p>조건 : $ x $가 충분히 멀리 있는 경우 $ r \simeq x $이므로 $ r=x $라고 가정</p><p>$ r=\sqrt{x^{2}}=x $ $ \theta=\arccos \left(\frac{z}{x}\right) $ $ \phi=\arctan \left(\frac{y}{x}\right) $<caption>(4)</caption></p><p>여기서, 입력 영상의 중심축과 구 좌표계의 $ x $축이 동일 축 상에 존재하며, 구 좌표계의 중심으로부터 입력 영상의 거리는 구 좌표계의 중심으로부터 입력 영상이 만나는 $ x $축 상의 값이 된다.</p><p>$ \begin{aligned} 0 & \leq r \\ \frac{\pi}{2} & \leq \theta \leq \frac{3 \pi}{2} \\-\frac{\pi}{2} & \leq \phi \leq \frac{\pi}{2} \end{aligned} $<caption>(5)</caption></p><p>본 논문에서는 입력 영상의 중심을 $ x $축이 지나가도록 설계되었으므로 식 (1)의 조건은 식 (5)의 조건으로 바뀌어 진다.</p><p>본 논문에서는 입력 평면의 가로, 세로 크기가 구 좌표계의 지름의 크기로 제한하였으므로 입력 평면이 구좌표계에서의 구면의 접선에 있는 경우 $ \phi $값의 범위는 식 (6)의 범위를 벗어나지 않는다.</p><p>$ 0 \leq r $ $ \frac{\pi}{2} \leq \theta \leq \frac{3 \pi}{2} $ $ -\frac{\pi}{4} \leq \phi \leq \frac{\pi}{4} $<caption>(6)</caption></p><h2>3. 구 좌표계 인수를 이용한 문자영상의 중심화</h2><p>입력된 영상에서 물체의 중심을 구하는 것은 Centroid 공식으로부터 구할 수 있으며 식 (7)과 (8)와 같다. 임의의 영상을 $ f(x, y) $라고 할 때 $ X$축의 Centroid 와 $ y$축의 Centroid는 다음과 같다.</p><p>그러나 본 논문에서는 입력 영상의 정보가 이미 구 좌표계로 변환된 상태이며, 중심 이동을 위한 영상 정보는 문자 영상의 특성상 정보의 유무를 가지고 영상의 특성을 나타냄으로 무게 중심법과 같은 각 픽셀의 정보에 대한 값을 획득하지 않고, 정보의 위치만을 가지고 중심 이동이 가능하다.</p><p>$ H(x)=\sum_{y=0}^{N} f(x, y) \quad H(y)=\sum_{x=0}^{N} f(x, y) $<caption>(7)</caption></p><p>$Centroid_x$ $ =\frac{\sum_{x=0}^{N} x H(x)}{\sum_{x=0}^{N} H(x)} $ $Centroid_y$ $ =\frac{\sum_{y=0}^{N} y H(y)}{\sum_{y=0}^{N} H(y)} $<caption>(8)</caption></p><p>구 좌표계로 변환된 정보 함수를 $ f(\phi, \theta) $라고 할 경우 식 (9)과 같이 $ \phi $값과 $ \theta $값의 좌-우측 값과 상 -하측의 값을 구하여 평균값으로 입력 문자 영상의 중심을 구할 수 있으며 식 (10)에 나타나 있다.</p><p>$ Centroid(\phi)=Aver\left[\operatorname{Max}\left(\phi_{i, j}\right)+\operatorname{Min}\left(\phi_{i, j}\right)\right] $ $Centroid(\theta)={Aver}\left[\operatorname{Max}\left(\theta_{i, j}\right)+\operatorname{Min}\left(\theta_{i, j}\right)\right] $<caption>(9)</caption></p><p>여기서, Aver은 평균값을 구하는 함수를 나타내며, $ i, j $는 구 좌표계로 변환된 문자를 구성하는 유효값의 정보 위치를 나타낸다.</p>	본 논문은 영상의 위치가 구 좌표계의 구내에 존재하지 않음을 주장하며, 구 좌표계로의 변환과 관련하여 구 내부에 직각 좌표계가 존재하는 경우와 구 외부에 직각좌표가 존재하는 경우를 구분하여 설명하였다.
<h1>Ⅳ. 실험 및 결과 고찰</h1><p>입력되는 영문자 영상에 대하여 위치에 불변인 특징을 추출하기 위하여 그림 5와 같은 순서에 의하여 특징을 구하였으며, 구해진 특징 값에 따라 매핑을 하였다.</p><p>본 논문에서 사용되는 영상 크기는 $ 256 \times 256 $ 그레이 레벨의 RAW 영상을 사용하였으며, 사용되어진 프로그램 언어는 비주얼 C++6.0 컴파일러를 사용하였으며, 입력 영상에서 사용된 영문자의 폰트는 Times New Roman 체를 사용하였고, 폰트의 크기는 $ 100 \times 50 $으로 설정하여 입력 영상을 구현하였다. 사용되어진 영문자는 대문자 A부터 Z까지에 대하여 순서도에 나와 있는 것처럼 구 좌표계로의 매핑, 구 좌표계에서의 중심으로 매핑, 구 좌표계에서 평면화로 매핑, 구 좌표계에서 평면화된 중심에 매핑 등의 4가지 결과를 추출하였다.</p><p>직각 좌표계에서 $ x $축을 중심으로 하여 $ y-z $ 평면에 입력 영상이 있다고 하였을 경우 구 좌표계에서 반지름 $ r $에 대하여 원점에서 평면 입력 영상의 거리가 $ x $라고 간주하였을 경우, 매핑되는 각도는 $ 0 \leq \theta \leq \pi $, $ -\pi \leq \phi \leq \pi $의 범위를 갖는다.</p><p>그림 6에서는 본 논문에서 입력되는 문자 영상이 중앙에 놓였을 경우의 형태를 보여주고 있다.</p><p>그림 7에서는 직각 좌표계에서 'A'문자의 각 위치상의 입력 형태를 보여주고 있다. 그림 6에서 보여주고 형태의 26개의 문자들은 그림 7의 형태와 같이 각 문자마다 9개의 위치에서 입력 영상을 형성하게 된다. 그림 7에서와 같이 26개의 영문자 각각에 대하여 9개의 입력 위치가 주어짐으로 입력 영상은 전체 234개의 영상으로 구성되어 진다.</p><p>그림 8에서는 각 입력 문자 영상에 대하여 구 좌표계로 매핑한 모습과 구 좌표계로 매핑한 결과를 다시 구 좌표계의 중심으로 위치시킨 모습을 보여주고 있다.</p><p>그림 9에서는 구 좌표계에서 보여준 매핑 형태를 평면화 시킨 모습과 평면의 중심으로 매핑시킨 결과를 보여주고 있다.</p><p>그림 10에서는 5영문자 A부터 E까지의 문자를 실험에서 사용했던 한 문자 당 9자리의 위치 중 각각 대표되는 자리를 입력한 경우에 대하여 보여주고 있다.</p><p>식 (10)에서는 $ i $번째 문자에 대해서 A부터 Z의 문자에 대한 이질도를 나타내고 있다. 이식에 의하여 한문자에 대한 다른 문자와의 이질도를 검사할 수 있으며, 그림 11에서 나타내고 있다.</p><p>식 (10)에서 $ D P N_{i j} $는 $ i$번째 문자와 $ j$번째 문자의 다른 픽셀의 숫자를 나타내며, $i$는 $i$번째 문자의 전체 픽셀수를 나타내고, $ T C C N $은 비교되는 문자의 전체 수를 나타낸다.</p><p>$ D_{i}=\frac{\sum_{j=A^{\prime}}^{Z}\left[\left(\frac{D P N_{i j}}{T P N_{i}}\right) \times 100\right]}{T C C N} $<caption>(10)</caption></p><p>제안된 구 좌표계 변환에 의하여 변환되어 추출된 영문자의 특징은 좌표계의 변환에 딸 픽셀 매핑에 의하여 추출함으로서 픽셀의 유사성이 다를수록 이질도가 높아지게 되어 있다.</p><p>이에 따라 나타나는 이질도는 그림 12에서와 같이 입력 문자들은 다른 문자들과의 이질 정도가 평균 $ 78.14 \% $ 정도의 값을 얻을 수 있다. 그림 12에서 얻어진 이질도는 $ (r>x) $인 경우 최저 $ 69.20 \% $, 평균 $ 76.54 \% $이며, $ (r \simeq x) $인 경우 최저 $ 73.00 \% $, 평균 $ 79.74 \% $에 이른다.</p><p>제안된 구 좌표계 변환에 의한 문자의 특징 추출에 의한 방법으로 비교되는 다른 문자들과의 영상 특성이 상이하게 다름을 알 수 있으며, 이는 패턴 인식 시스템에 기준 입력 패턴으로 사용이 가능하며, 패턴 매칭 등의 방법으로 인식이 가능함을 알 수 있다. 본 논문에서는 영문자 인식에 대한 위치 불변 특징 획득에 대한 가능성을 제시하였으며, 차후 한글에 대한 인식 특징의 추출 방법에 대한 지속적인 연구의 필요성이 요구된다.</p>	본 논문에서 영문자 영상에 대하여 위치에 불변인 특징을 추출하기 위해 구 좌표계 변환이 제안되었다. 이를 통해 변환되어 추출된 영문자들은 픽셀의 유사성이 다를수록 이질도가 높아진다.
<h1>Ⅲ. 구 좌표계</h1><h2>1. 기본적인 구 좌표계</h2><p>그림 4 에서는 구 좌표계(spherical coordinate system)을 나타내고 있다. 구 좌표계는 3차원 공간상의 점들을 나타내는 좌표계의 하나로, 보통 $ P(r, \theta, \phi) $로 나타낸다.</p><p>원점에서의 거리 $ r $은 0부터 무한대까지, 양의 방향의 $ z $축과 이루는 각도 $ \theta $는 0부터 $ \pi $까지, $ z $축을 축으로 양의 방향의 $ x $축과 이루는 각 $ \phi $는 0부터 $ 2 \pi $까지 값을 갖는다. $ \theta $는 위도로, $ \phi $는 경도로 표현되는 경우도 있다. 이 세 값을 보고, 다음과 같은 방법으로 공간의 점을 찾을 수 있다. 원점 (0,0,0)에서 $ r $만큼 $ z $축을 따라 간다. 그 지점에서 $ x-z $ 평면 안에 있으면서 $ z $축에서부터 $ \theta $만큼 회전한다. 이 $ x-z $ 평면 전체를 $ z $축을 축으로 $ \phi $만큼 반시계방향 $ (+x $축에서 $ +y $축 방향으로)으로 돌린다.</p><p>구면좌표계라는 이름은 구 좌표계에서 ' $ r=1 $ '이 단위구를 표현하기 때문에 붙여졌다.</p><p>변환식을 통해 직각 좌표계와 변환할 수 있지만, 변환식에 등장하는 삼각함수의 역함수가 일의적이지 않기 때문에, 공간상의 각 점마다 하나의 좌표만 대응하는 직각 좌표계와는 달리, 구 좌표계는 (각의 범위를 제한하지 않으면) 한 점을 나타내는 표현이 여러 가지 일수 있다. 예를 들어, $ \left(1,0^{\circ}, 0^{\circ}\right),\left(1,0^{\circ}, 45^{\circ}\right) $과 $ \left(-1,180^{\circ}\right. $, $ 270^{\circ} $ )는 모두 같은 점을 나타낸다.</p><p>세 좌표의 표시를 위한 여러 가지 다른 약속이 존재한다. 국제 표준 기구의 지침(ISO 31 11)에 따라 물리학에서는 $ (r, \theta, \phi) $의 문자를 사용하여 원점에서의 거리, 천정과 이루는 각도(고도 또는 앙각), 방위각 등을 표시하고, (미국의) 수학에서는 고도와 방위각이 바뀌어 ' $ \phi $ '와 ' $ \theta $ '로 표시된다.</p><p>좌표 $ (r, \theta, \phi) $는 다음과 같이 정의된다. 주어진 점을 $ P(r, \theta, \phi) $라 하자.</p><p>$ r $ : 원점으로부터 $ \mathrm{P} $ 까지의 거리. $ \theta: z $축의 양의 방향으로부터 원점과 $P$가 이루는 직선까지의 각</p><p>$ \phi: \mathrm{x} $축의 양의 방향으로부터 원점과 $ P$가 이루는 직선을 $ x-y $면에 투영시킨 직선까지의 각.</p><p>$ 0 \leq r $ $ 0 \leq \theta \leq \pi $ $ 0 \leq \phi \leq 2 \pi $<caption>(1)</caption></p><p>$ r=\sqrt{x^{2}+y^{2}+z^{2}} $ $ \theta=\arccos \left(\frac{z}{r}\right) $ $ \phi=\arctan \left(\frac{y}{x}\right) $<caption>(2)</caption></p><p>구 좌표계의 경우는 좌표 값에 따라 한 점을 여러 좌표가 가리키는 경우가 있으므로, 각 변수의 범위를 보통 식 (1)과 같이 제한한다.</p><p>직각 좌표계의 한 점이 $ (x, y, z) $인 경우에 $ (r, \theta, \phi) $로 나타내어지는 구 좌표계로 변환하게 되면 식 (2)와 같이 표현될 수 있다.</p><p>$ x=r \sin (\theta) \cos (\phi) $ $ y=r \sin (\theta) \sin (\phi) $ $ z=r \cos (\theta) $<caption>(3)</caption></p>	3차원 공간상의 점들을 나타내는 좌표계중 하나인 구 좌표계는 보통 $ P(r, \theta, \phi) $로 나타내는데, $ r $은 원점에서의 거리, $ \theta $는 양의 방향의 $ z $축과 이루는 각도, $ \phi $는 $ z $축을 축으로 양의 방향의 $ x $축과 이루는 각을 뜻한다. 구 좌표계는 변환식에 등장하는 삼각함수의 역함수가 일의적이지 않아 한 점을 나타내는 표현이 여러가지 일 수 있다는 특징이 있다.
<h1>Ⅰ. 서 론</h1><p>다양한 과학 분야의 발전에 따라 현대 사회에서는 매우 많은 정보를 사용하게 되었으며, 이러한 정보를 빠르고 정확하게 처리할 수 있는 시스템의 개발에 대한 요구가 절실하게 필요하게 되었으며, 이러한 시스템들은 많은 신호 처리, 영상 처리 및 다양한 응용 과학 분야에서 많은 발전이 이루어지고 있다. 이러한 연구 등은 효율적인 결과를 나타내며 많은 발전을 하고 있으며, 영상 처리 및 인식 분야에서 많은 연구가 진행되고 있다. 이러한 분야로는 특히, 로봇 시각 시스템, 자동 감시 시스템, 자동 표적 인식 시스템과 같이 인간의 시각을 모방한 영상 정보 처리 시스템이 매우 중요한 위치를 차지하고 있으며 활발히 연구되고 있다. 인간이 획득할 수 다양한 정보 획득 방법 중에서 시각에 의한 영상 획득의 정보가 $ 90 \% $ 이상을 차지하며 인간의 시각과 같은 시스템을 구현하기 위해서는 원하고자 하는 정보에 대한 자연적인 변화에 불변한 인식성이 필요로 하며, 이에 목표물에 따른 크기, 위치 및 회전 변화 등이 해당한다.</p><p>획득하고자 하는 정보의 불변 특징을 얻는 방법으로는 CHF (circular harmonic filter) 그리고 Mellin 변환 등에서 회전 및 크기 불변 특성을 획득 얻을 수 있으며, 이러한 불변 알고리즘들은 주파수 영역에서 형성되는 고조파 성분을 이용하기 때문에 입력영상 신호의 푸리에 변환이 필수적이다. 그리고 푸리에 변환을 이용하게 되면 위치 변화에 대한 정보를 획득할 수 있다.</p><p>그러나 Mellin 등은 입력 영상에 대하여 중심점을 획득하여야 하는 문제가 발생되며, 푸리에 변환은 시간적인 문제에 있어서 계산 시간이 많이 걸린다는 단점을 가지고 있다.</p><p>이에 반하여 구 좌표계는 인간의 눈과 같은 형태의 구로 이루어져 있으며, 시각 정보가 눈에 들어오는 경우, 눈의 구조에 맞추어 구 좌표계의 형태로 망막에 맺혀지게 되며, 이러한 정보의 형태를 이용하여 되면 입력 영상에 대한 인식이 가능하게 됨올 알 수 있다. 구좌표계에서 얻을 수 있는 세 개의 좌표 정보는 입력 영상에 대한 눈과 같은 역할을 하는 입력 장치와의 거리 및 2차원적인 입력 영상을 구성하고 있는 각 정보의 좌표에 해당하는 2개의 각도로 얻을 수 있다.</p><p>이에 따라 구 좌표계를 이용하여 문자 정보에 대한 크기 및 위치 정보를 얻을 수 있으며, 이들 정보를 이용하여 입력되는 문자를 입력 영상의 중심으로 이동시키는 방법이 가능하다.</p><p>따라서 본 논문에서는 위치에 불변인 특징을 얻을 수 있는 구 좌표계를 이용한 문자 특징 추출 방법을 제시하고자 한다.</p>	과학기술의 진보로 인해 다양한 신호, 영상 처리 등의 응용과학 분야가 발전되고 있다. 인간의 정보를 얻는 방법 중에서 시각에 의한 영상 획득정보가 $ 90 \% $ 이상을 차지하므로, 인간의 시각 시스템을 구현하기 위해서는 원하는 정보에 대한 목표물의 크기, 위치 및 회전 변화 등 자연적인 변화에 불변한 인식성이 필요하다. 그러므로 본 논문에서는 위치에 불변인 구 좌표계를 이용하여 문자 특징을 추출하는 방법을 제시하는데, 문자 정보에 대한 크기와 위치 정보를 얻고 이것으로 문자를 입력 영상의 중심으로 이동시키는 방법이 가능하다.
<h1>3. PHR Profiling 방법</h1> <p>FHIR에서 제공하는 Patient 리소스를 사용하여 EHR 시스템의 개인건강기록 데이터를 PHR 시스템과 연동한다. 이 데이터를 사용자 단말기로 보여주기 위해 PHR 시스템은 EHR시스템의 정보를 View Table을 통해 트랜잭션별로 FHIIR Restful 서비스로 제공받는다. Patient 리소스는 create, update, history, search의 총 4가지 항목으로 구성되어있다. 현재 FHIIR에서는 검증 및 활용을 위해 Public Server가 운영 중인데 본 연구에서는 FHIR 개발을 주도하고 있는 Grahame, Ewout가 운영하는 Server로 트랜잭션 테스트를 진행하였다. PHR 시스템은 java 환경에서 설계 및 개발한다. 결과 검증은 Server Message 확인 및 Fiddler를 통해 확인 하였다. Client Server는 Java Development Kit6, Apache Tomcat7, MySQL5로 구성되어있고, 프로세서는 서비스 로직,Application Server(Tomcat)와 Database-MySQL로 구성한다.사용자 인터페이스는 모바일 웹을 통해 PHR 시스템에의 접근 기능을 제공한다. 모바일 애플리케이션은 HTML5로 구현한다. 사용자 단말기에서 정보 조회 방식을 FHIR Restful로 API를 통해 이루어지도록 한다.</p> <p>의료정보 교류를 위해 FHIR에서 정의한 Resource는 XML이나 JSON 두 가지 중 하나의 형태로 표현이 되어야 한다.FHIR에서는 환자의 Profile을 좀 더 사용자 친화적으로 쉽게 생성, 수정할 수 있도록 Furore에서 개발한 FIIIR Profile Editor Tools을 제공한다. Profile Editor Tools를 이용하면 XML 및 JSON에 대한 기술적 이해가 없더라도 FHIIR Profiling Resource 작성을 할 수 있다. FHIIR Profile를 구성하는 Resource 정보 입력 및 수정은 물론, FHIIR Profile의 Metadata도 입력 및 수정할 수 있다. Fig. 2 의 Add버튼의 경우 FIIIR Resouce에서 사전 정의된 Address, Coding, Contact,Extension, SampleData, Schedule 등의 Content를 추가할 수 있다. Remove버튼은 FHIR Resource의 필수 요소를 제외한, 제거할 수 있는 항목을 나타낸다. 또한 FHIR에서는 Resource만으로 표현할 수 없는 정보를 Extension을 통해 표현을 지원하고 있으며, Profile Editor에서는 Extension Value Set에 대한 사용자 확장 기능을 제공한다.</p> <p>PHR Profiling System이란 PHR 시스템을 통해 수집된 개인건강기록을 사용자의 요구에 맞도록 분석 및 서비스 하는 시스템이다. PHR 개념 도입 이전에는 개인건강기록을 의료기관이 관리하여 개인의 건강기록이지만 자신의 개인건강기록에 접근이 제한되어있었다.</p> <p>이러한 FHIR Profiling 시스템을 활용하여 개인의 건강기록을 분석하고 대상자의 생활 패턴을 파악할 수 있다. 가족간의 PHR 분석을 통해 가족력에 대한 질병 발생 예측을 기대할 수 있다. 실질적인 개인건강기록 데이터 수집이 어렵기 때문에 A 가족에 대한 가설을 설정하고 구성원들의 정보로 프로파일링을 실시한다. 가족 구성원들의 개인건강기록을 토대로 어느 질병에 대한 노출이 높은지, 예방책은 무엇 인지 설명할 수 있다. 고혈압의 초기 진단을 받은 대상자의 경우 프로파일링을 통해 의료서비스뿐만 아니라 식습관의 가이드라인을 제시하여 대상자의 요구에 충족시킬 수 있다.</p>	PHR Profiling System이란 PHR 시스템을 통해 수집된 개인건강기록을 분석 및 서비스하는 시스템으로, 개인 건강기록을 분석하고 생활 패턴을 파악하는 것은 물론 가족력에 대한 질병 발생 예측 또한 가능하다. 특히 고혈압 초기 진단을 받은 대상자의 경우, 프로파일링을 통해 의료서비스 뿐 아니라 식습관 가이드라인을 제공하여 요구를 충족시킬 수 있다.
<h1>4. 결 과</h1> <p>Table 3, 4를 통해서 HL7 V2.x Message와 FHIR Resource의 차이를 설명한다. V2.x Message는 세그먼트 단위로 되어있고 Table 3은 환자정보를 나타내는 PID 세그먼트의 예시이다. 각 세그먼트는 필드로 이루어져 있으며, 각 필드는 딜리미트로 구분한다. 각 필드는 데이터 타입을 가지고 컴포넌트로 구성된다. Table 3의 예시의 PID 세그먼트는 세번째 필드인 Patient Identifier list의 CX데이터 타입에 따라 환자 ID가 PATID1234이고, 환자의 이름이 Willam A. Jone Ⅲ이며, 생년월일이 1961년 6월 15일인 남자를 나타낸다. FHIR은 리소스 단위로 정보를 구성하고, XML로 표현한다. Table 4는 FHIR Patient Resource를 나타낸다. identifier(식별자), name(이름), telecom(전화번호), gender(성별), birthDate(생년 월일) 등으로 구성된다.</p><p>V2의 경우 시스템 상호 간 Transaction을 위해 MLLP통신으로 Message를 전송한다. 이때 Message Form은 Table 3과 같다. 데이터 가독성이 좋지 않다는 서두의 언급이 이 표에서 잘 나타난다. FHIR은 HTTP통신을 통해 RESTful서비스를 제공한다. RESTful서비스는 표현적인 상태 전송 방식으로 Table 4와 같이 XML 데이터 타입과 JSON(JavaScript Standard Object Notation)으로 전송된다. 이는 웹 데이터 전송 표준으로 지정되어 있다. FHIR 트랜잭션 테스트를 위해 HL7 FHIR 스펙을 가장 잘 준수한다고 알려진 Grahame 서버와 테스트를 진행하였다. 환자정보 create, update, history, search 확인 모두 정상적으로 완료됨을 확인하였다(Fig. 4).</p><p>HL7 V2.x Message는 순서에 따른 정보 배열로 표현되어서 세그먼트 정의에 의한 식별이 가능하고, 새로운 트랜잭션에 따른 프로파일 생성 시 추가 학습 시간이 요구된다. V2.x Message는 메시지는 특정 명령을 수행하기 위해 사용되므로 재사용이 의미가 없다. XML 타입으로 데이터 표현된 FHIR에서는 구조화되어 있는 리소스 단위로 정보를 확인할 수 있고, 개발자는 구조화 시간만 필요하다. FHIR에서는 리소스 단위로 정보를 표현하고 처리하기 때문에 단일 리소스 및 리소스의 집합 형태로 기존 정보를 재활용하는 것이 가능하다.</p> <p>FHIR Profile Editor Tools을 사용하여 Profile을 수정할 수 있다. 수정된 Profile을 실시간 적용시켜 xml로 확인할 수 있고, 새로운 Profile의 생성 혹은 수정한 Profile을 XML파일로 저장할 수 있다. Fig. 2 에서 수정한 프로파일을 XML파일로 저장하는 결과를 Fig. 5에서 확인할 수 있다. 이와 같은 방법으로 Profile에 추가 요소가 필요할때 내장된 XML View를 통해 확인할 수 있다. Fig. 5의 Meta Data구분에서는 해당 프로파일의 생성주체, 생성자, 생성일자에 대한 정보를 가지고 있다. Mapping 부분은 해당 프로파일이 HL7 확장 콘텐츠 중 어느 부분과 연결되어있는지 나타낸다. 이 소스에서는 HL7 V3와 V2가 Mapping되었음을 알 수 있다. Structure 부분에서는 리소스나 데이터 유형에 대한 정보를 정의하고 있다. 리소스의 설명이나 데이터 유형에 대한 설명을 서술할 수 있다.</p> <p>HL7에서 Resource를 배포하고 있지만, FHIR Profile Editor Tools을 사용하면, 개발 시스템의 필요에 따라 Profile을 쉽게 수정할 수 있는 이점이 있다. 이 결과는 공개용 툴을 제공하지 않는 V2.x Message와 비교했을 때 큰 장점이라 할 수 있다. 이 툴을 사용함으로써 개발 시간을 줄일 수 있다.</p>	HL7에서 Resource를 배포하고 있지만, XML 타입으로 데이터 표현되어 구조화되어있는 리소스 단위로 정보를 확인 할 수 있고, 개발자는 구조화 시간만 필요한 FHIR Profile Editor Tools을 사용하면, 개발 시스템의 필요에 따라 Profile을 쉽게 수정할 수 있는 이점이 있기 때문에 개발 시간을 줄일 수 있다.
<h1>요 약</h1> <p>건강정보의 교환, 통합, 공유, 검색의 표준을 개발하는 Health Level Seven(HL7)에서 발표된 표준들은 글로벌한 의료정보 서비스에 성공적으로 사용되고 있다. 그러나 V2.x Message와 V3 Clinical Document Architecture(CDA)는 습득하고 개발하는 데 많은 시간이 소요되는 문제점이 있다. 개선된 Fast Healthcare Interoperability Resources(FHIR)를 사용함으로써 이러한 문제점을 해결할 수 있는 방법인지 모색한다. 개인건강기록이 사회적인 관심을 끌고 있고, 스마트폰 보급률이 급격히 증가하는 점을 반영하여 스마트폰으로 접속 가능한 개인건강기록 프로파일링 시스템을 개발한다. Furore에서 개발한 FHIR Profile editor tool을 통해 profiled의 생성, 변경의 개선점을 찾아본다. 이와 같은 시스템을 구축하기 위해서 Electronic Medical Record(EMR) 시스템과 Personal Healthcare Record(PHR) 시스템 간의 정보교류를 FHIR Open API로 구성한다. PHR 프로파일링 시스템에서는 이들 트랜잭션을 RESTful 서비스로 제공한다. 본 연구에서는 FHR를 통해 PRH 프로파일링 시스템 개발의 효율성을 검증한다.</p> <h1>1. 서 론</h1> <p>의료정보 교류의 표준을 개발하는 HL7(Health Level Seven)에서는 건강정보의 교환, 통합, 공유, 검색의 표준을 발표하여 의료 서비스를 발전시켜 왔고, 현재도 활발히 진행하고 있다. 대표적인 표준으로는 HL7 V2.x Message와 V3 CDA(Clinical Document Architecture)가 있는데, 이 표준들은 전 세계에서 활발히 사용되고 있다. 지난 12년 동안이 표준들로 많은 의료정보 시스템들이 개발되어왔다. 하지만 문제점으로 지적되는 부분은 V2.x 메시지 기법으로 다양한 의료정보 표현이 가능하지만, V2.x를 이용해서 다양한 의료정보 응용시스템들을 개발하기에는 많은 시간이 소요되는 단점이 있다.</p> <p>이러한 문제점들을 보완하기 위해 2012년부터 HL7에서는 차세대 의료정보 표준 기술 프레임워크인 FHIR(Fast Healthcare Interoperability Resources)를 개발 중에 있다. HL7은 디바이스, 의료영상, 의료정보 분야 등 의료 영역 전체에 FIIR 패러다임을 확산하기 위해 FHIR Connectathon을 HL7 주최로 개최하고 있다. HL7 FHIR Connectathon에서는 의료 전영역에서 필요로 하는 단위 정보(Resource)들의 효율성을 확인하고, 의료정보 교환의 표준으로서 FHIR의 개발 진행방향과 적합성 확인(Conformance), 단위정보 프로파일링(Resources Profiling), 개발 정보 교류를 다루고 있다. FHIR와 V2.xMessage를 비교하자면 V2.x Messages는 TCP/IP통신 기반의 MLLP(Minimal Lower Layer Protocol)통신을 통해 세그멘트(Segment) 단위로 의료정보를 표현하는 데 반해, FHIR 은 HTTP통신으로 XML과 JSON으로 표현한다는 차이가 있다.</p> <p>스마트폰의 보급률이 늘면서 이동기기의 효율적인 활용을 증대하기 위한 다양한 활용 연구가 진행 중이다. 수많은 모바일 애플리케이션이 존재하고 그중 다수가 개인건강정보 관리를 서비스한다고 하지만 통합된 개인건강정보 관리를 서비스하지 못하고 있다.</p> <p>본 연구에서는 FHIR을 근간으로 EHR(Electronic Health Record)시스템과 연계시킨 개인건강기록(Personal Healthcare Record) 프로파일링 시스템 개발 가능성을 검증하고자 한다. 현재 병원에서 사용되는 개인 진료정보를 환자 본인이 이용할 수 있는 개인건강기록 시스템(Personal Healthcare Record System) 개발 방법론에 연구 목적을 두었다. 이를 위한 전제 조건으로 첫째, 병원 내 건강기록 정보(EHR)를 PHR System에 연동할 수 있다. 둘째, EHR로부터 연결된 데이터를 토대로 PHR 서비스를 개발할 수 있다. 셋째, 개인건강기록 교류 시스템인 EHR 시스템과 PHR 시스템 간의 통신을 위해서 Health Level Seven(HL7) 기관에서 표준으로 개발 중인 FHIR Resource를 이용하여 개발할 수 있다.</p> <h1>2. 관련 연구</h1> <p>EHR 시스템은 독립적인 병원에서 환자의 치료기록 내역을 효과적으로 교환하기 위한 평생전자건강진료기록이다.이를 위해서는 병원 간의 정보 공유(HIE; Health Information Exchange)가 필요하다. 각 병원 정보 시스템들은 국가나 지역별 특성에 따라 독자적으로 운영되어 의료정보 교류에 많은 어려움이 따른다.</p> <p>PHR 시스템은 개인이 본인이나 가족의 일생 동안의 모든 건강정보를 안전하게 보관하면서 관리하는 기능을 제공하는 서비스 시스템이다. PHR 시스템은 환자 중심이 아닌 병원에 의해 전달되는 기존의 EHR 시스템과는 다르다. PHR 시스템은 개인건강정보의 소유를 병원에서 개인으로 바꾸었고,건강정보에 대한 수집, 공유, 변경, 관리를 제공한다.</p> <p>HL7 v2.x 메시지는 의료정보를 전자적 데이터 교환을 위한 통신 방법으로 의료정보 시스템들에 의해 생성되고 수신되는 트랜잭션들을 위한 정보처리 상호운용 표준이다. HL7 v2.x 메시지는 이벤트를 기반으로 메시지를 생성하고, 메시지는 세그먼트, 필드 등으로 구성된다. HL7 v2.x 메시지들은 현재 글로벌하게 사용되고 있다.</p> <p>HL7 FHIR은 의료정보를 전자적으로 교환하기 위한 표준으로 의료 환경에서 사용되는 정보들을 단순화한 리소스의 형태로 표현한다. 이를 이용하여 리소스 자체 또는 다양한 리소스들의 결합으로 의료정보를 구성하는 의료정보 교환에 대한 새로운 표준적인 방법이다.</p>	의료정보 교류에 대한 대표적인 표준인 HL7 V2.x Message와 V3 (CDA)는 습득하고 개발하는 데 많은 시간이 소요된다. 이를 해결하기 위해 본 논문에서는 FHIR을 근간으로 EHR시스템과 연계시킨 개인건강기록 프로파일링 시스템을 제안하고, 가능성을 검증하고자 한다. 차세대 의료정보 표준 기술 프레임워크인 FHIR은 의료정보를 전자적으로 교환하기 위한 표준으로 정보들을 단순화하여 단위정보의 형태로 표현한다. 개인건강기록 프로파일링 시스템은 개인이 본인이나 가족의 모든 건강정보를 안전하게 보관 및 관리할 수 있는 서비스 시스템으로써, 병원이 주체가 되어 관리하는 평생전자건강진료기록과는 다르다.
<p>Double Permutation 방법은 두 특정 모드가 차례로 수행되었을 때의 SUT 동작을 테스트하기 위한 테스트 스크립트를 생성하는 방법이다. 즉, SUT에 $ \mathrm { N } $개의 모드가 존재하면 가능한 특정 두 모드의 조합은 NC2가 된다. 예를 들면, '모드 $ \mathrm { A } ^ {\prime } $ ', '모드 B', '모드 $ \mathrm { C } ^ {\prime } $ 3개에 대한 Double Permutation 조합은 $ 3 \mathrm { C } 2=6 $ 개 $ ( \mathrm { AB } , \mathrm { BA } , \mathrm { AC } , \mathrm { CA } , \mathrm { BC } , \mathrm { CB } ) $가 된다. 이들중 두 모드가 순차적으로 수행될 수 없는 경우를 뺀다. 그 후 생성된 조합을 이전 조합의 끝 모드가 다음 조합의 시작모드가 되게 나열한다. 예를 들면, 가능한 나열 조합은 'ABBCCAACCBBA'가 된다. 나열된 조합 중 같은 모드가 연속될 경우 하나는 제거하고 'ABCACBA' 모드 동작 조합을 이용하여 테스트 스크립트를 생성한다. 이렇게 함으로서 전체 테스트하는 모드의 수를 줄일 수 있기 때문이다. 두 모드 조합을 활용한 것은 Pairwise 테스트 케이스 생성에서와 같이, 여러 모드 조합의 동작 시, 두 가지의 모드 조합을 테스트하면 오류 약 $75 \% $ 정도를 파악할 수 있다는데 통계에 근거한 것이다.</p> <p>이 때 각 모드의 "진입시조건"과 "종료조건"에는 여러 가지 조건이 있을 수 있다. 이 조건들도 테스트하기 위하여 하나의 모드에 수행될 때, "진입시조건" 또는 “종로조건”을 다르게 하여 스크립트를 생성한다. 위의 'ABCACBA' 모드 조합 수행 시, 첫 번째 A모드 “진입시조건”과 두 번째 A모드 "진입시조건”의 조합을 다르게 한다. 예를 들어 A모드의 "진입시조건" $ [ \mathrm { cl } $ and $ \mathrm { c2 } $ and $ \mathrm { c3 } ] $ 인 경우 조건 조합 정책이 MCDC라면 A모드 진입 시마다 Table 4의 3개의 조건조합이 다르게 사용되게 테스트 스크립트를 생성한다.</p> <h3>3) Triple Permutation 방법</h3> <p>Triple Permutation은 세 특정 모드가 차례로 수행되었을때 SUT의 동작을 테스트하기 위한 테스트 스크립트를 생성하는 방법이다. 생성 방법은 Double Permutation과 같다. Double Permutation 방법에서와 같이 여기서도 이들 중 세 모드가 순차적으로 수행될 수 없는 경우를 뺀다. 이 방법은 세 모드 조합을 활용한 하면 $ 75 \% $를 훨씬 상회하는 오류를 파악할 수 있다는 통계에 근거한 것이다.</p>	Double Permutation 방법은 SUT에 존재하는 N개의 모드 중 특정 두 모드의 조합을 순차적으로 수행하여 테스트 스크립트를 생성하는 방법이다. Triple Permutation 방법은 Double Permutation과 동일하게 세 특정 모드의 조합을 사용하여 테스트 스크립트를 생성하는 방법이며, 이는 75% 이상의 오류를 파악할 수 있다는 통계에 근거한 것이다.
<h2>3.2 테스트 명령어 사전(Test Command Dictionary)</h2> <p>테스트 명령어 사전은 테스트 명령에 대한 입력 값 정보를 정의한 문서이며 텍스트(Text) 형식이나 엑셀(Excel) 파일 등으로 만들어 질 수 있다.</p> <p>테스트 명령어 사전은 테스트 명령어들의 집합이다. SUT가 수행해야 할 단위 기능인 테스트 명령어에는 각 시간대별로 SUT에 인가되는 모든 입력들의 물리적 값들이 정의되어 있다. 다음 Table 2 는 $ N $개의 입력 신호 $ ( \mathrm { i } 1, \mathrm { i } 2, \ldots, \mathrm { iN } ) $을 가진 SUT에 테스트 명령어가 실행된 순간부터 $ 5 \mathrm { msec } $ 마다 가해지는 입력 신호들 값으로 구성된 테스트 입력의 예이다. 이 경우 실제 SUT 테스트를 위해서는 $ N $개의 입력이 모두 필요하다.</p> <p>시간은 입력을 인가해야하는 시간 단위로 필요에 따라 정의할 수 있으며, 열 간의 시간 간격은 입력이 가해지는 상대 시간이다. 입력 신호는 사전에 정의한 대로 소수, 정수, 참/거짓 값 등이 사용될 수 있다.</p> <p>하지만 실제 테스트 명령어에서는 모든 입력 값을 다 정의하는 것이 아니라 이전 값에서 변화된 값만을 정의한다. (나머지 테스트 명령어에서 정의되지 않는 입력 신호는 이전의 값을 유지한다) 모든 시스템 초기 입력 값은 사전에 정의 한다.</p> <p>Fig. 3에서는 어떤 SUT 테스트를 위한 세 개의 테스트 명령어 'A_TO_D', 'D_TO_A' 그리고 'A센서ERR'를 보여주고 있다. 해당 SUT는 5개의 입력 신호 A_sensor, B_sensor_N1, B_sensor_N2, D_sensor_N1, D_sensor_N2를 가지고 있다.</p> <p>5개의 입력 신호 초기 값이 -70,0,0,40,40 으로 설정되었다면, 테스트 명령어 'A센서ERR'은 다음 Table 3과 같은 입력 신호를 테스트 명령어 수행 시작 시점(Time = 0)부터 $ 20,70,80,500 \mathrm { sec } $에 SUT에 입력됨을 의미한다.</p> <p>'A센서ERR' 명령에 대한 테스트 스크립트는 테스트 명령어 'A센서ERR' 실행 시점 $ (0 \mathrm { sec } ) $에서 입력 된 'A_sensor'의 값 '-70', 나머지 B_sensor_N1, B_sensor_N2, D_sensor_N1, D_sensor_N2의 신호 값은 초기 신호 값 들을 20초 동안 유지한다. 20초 후에 'A_sensor'의 값은 '-15', 'D_sensor_N1'의 값 '45'로 변경시켜 나머지 신호 값은 이전 상태를 유지한채, 다음 입력이 오는 시점인 70초까지 50초 동안 유지한다. 이훈 'B_sensor_N1'와 'B_sensor_N2' 값을 '-5'로 변경 입력하고 'A_sensor'의 값을 '29'로 변경하여 다음 입력이 오는 80초 까지 10초 동안 유지한다. 같은 방법으로 80 초에 대한 입력을 500초 까지 42초 동안 유지하여 'A센서ERR' 명령어에 대한 테스트 스크립트 생성을 완료한다. Table 3은 실제 입력되는 각 변수 값들을 보여주고 있다.</p>	테스트 명령어 사전은 테스트 명령어들의 집합으로 명령에 대한 입력 값 정보를 정의한 문서인데, 텍스트나 엑셀 파일로 만들어진다. 테스트 명령어는 SUT가 수행해야 할 단위 기능으로 Table 2처럼 SUT에 인가되는 모든 입력들의 물리적 값들이 각 시간대별로 정의되어 있다. 열 간의 간격은 입력이 가해지는 상대적인 시간이데, 필요에 따라 정의 가능하며 실제 명령어는 모든 입력 값을 다 정의하지 않고 이전 값에서 변화된 값만을 정의한다. 예시로 Fig. 3는 'A_TO_D', 'D_TO_A', 'A센서ERR'를 사용하여 SUT 테스트를 진행했다.
<p>실험에서 사용한 체크리스트 파일은 4개의 동작모드로 구분되며, 각 동작모드의 이름은 초기모드, 일반모드, 특수모드1 , 특수모드2로 정의하였다. 아래 Fig. 7은 동작모드 중 초기모드에 대한 구성을 나타낸 그림이다.</p> <p>실험 대상 시스템은 Fig. 7의 "D<50" 명령어 내의 "SysIn_DSensor" 등 16개의 입력 신호를 가지고 있다. 이들 신호는 “InitValue”이라는 내재된 테스트 명령어 실행에 의해 모든 입력 신호 값은 초기화 되고, 다른 테스트 명령으로 수정될 때까지 그 값을 유지한다.</p> <p>Fig. 7의 “체크리스트 초기모드 구성”에 작성된 테스트 명령은 Fig. 8의 “테스트 명령어 사전” 파일에서 정의한 명령어를 참조한다.</p> <p>Table 5는 실험에서 사용한 전체 동작모드(초기모드, 일반모드, 특수모드1, 특수모드2)의 “진입시조건”, “주동작”, “종료조건”에서 사용하는 명령어의 개수를 나타낸 테이블로 총 25개의 명령어로 구성되어있다.</p> <h2>4.1 테스트 스크립트 생성</h2> <p>테스트 스크립트 생성 프로그램이 체크리스트로부터 테스트 스크립트를 올바르게 생성하는지 확인하기 위해 로그 파일을 이용하여 생성 과정을 분석하였다. 프로그램이 체크리스트 파일에 나열된 동작모드 중, Fig. 7의 "초기모드"에 작성된 명령어를 “진입시조건”, “주동작", “종료조건”의 처리 순서를 고려하여 정상적으로 스크립트를 생성하는지 분석하였다.</p> <p>초기모드의 테스트 스크립트 생성 과정을 살펴보면 Fig.7의 “체크리스트 초기모드” 중 가장 먼저 수행되는 기능분류는 “진입시조건”이다.</p> <p>"진입시조건"에 작성된 명령어는 " $ \mathrm { D }<50 $"과 “정상" 명렁어 이며, 각 명령어의 의미는 D-Sensor 값이 50 미만이고, 오류 발생이 없는 “정상" 상태이면 “주동작"의 명령어를 수행하겠다는 의미이다. " $ \mathrm { D }<50 $"과 "정상" 명령어는 Fig. 8에 정의 되어있으며, 프로그램은 정의된 명령어를 참조하여 실제 시스템의 입력 데이터와 다음 입력 데이터 간의 대기시간을 고려하여 하나의 테스트 케이스로 변환한다.</p> <p>다음으로 수행되는 명령어는 주동작에 작성된 "DemoMode 진입" 명령어이다. “DemoMode진입” 명령의 의미는 "DemoMode" 기능에 맞는 특정한 동작을 수행하는 모드로 진입하겠다는 의미이며, 종료조건이 발생하면 모드를 빠져나오게 된다.</p> <p>마지막으로 수행되는 명령어는 종료조건에 작성된 “30초” 명령어이다. 종료조건에 작성된 명령어가 하나 이상일 경우 동작 모드가 종료될 때 마다 순차적으로 하나씩 호출되도록 설정하였다. 따라서 첫 번째에 위치한 “30초” 명령이 수행된 것이다. 만약 이후에 “초기모드”가 다시 한 번 호출되고 종료된다면 “30초” 명령어 다음에 작성된 “ $ \mathrm { D }<50 $” 명령이 수행될 것이다. “30초” 명령이 수행되면서 현재 동작모드인 “초기모드”를 종료하고 다음 동작모드로 넘어가게 된다.</p>	본 실험에서는 테스트 스크립트가 생성 프로그램에 의해 체크리스트로부터 제대로 생성되는지 확인하기 위해 로그 파일로 생성 과정을 분석하였는데, 체크리스트 파일의 초기모드, 일반모드, 특수모드1, 특수모드2의 4가지 동작모드 중 "초기모드"에 작성된 명령어를 “진입시조건”, “주동작", “종료조건”의 순서로 정상적으로 생성하는지 분석하였다.
<h2>4.3 Double Permutation 모드 생성</h2> <p>순차적 모드를 사용하여 테스트 스크립트를 생성하는 조건과 동일한 파일을 사용하여 Double Permutation 모드로 테스트 스크립트를 생성하였다. 4개의 동작모드를 Double Permutation 모드로 생성한 결과 Fig. 12와 같은 순서로 테스트 스크립트가 생성되었다.</p> <p>Fig. 12의 "Double Permutation"에 의한 모드 순서를 살펴보면 알파벳으로 표시된 A, B, C, D 는 각 동작모드의 순서를 간단히 표시한 것이다. 생성된 스크립트는 "ACBCDBDCADABA"순서로 나열되어 있꼬 모든 Permutation 조합이 겹쳐진 순서이다. 예를 들어 밑줄 친 동작모드 CBC는 C와 B가 조합 되어 만들어진 순서로 CB 조합과 BC 조합을 모두 만족하 는 순서이며, 나열된 모든 조합이 이러한 조건을 만족한다.</p> <p>Double Permutation은 2개의 동작모드 간의 연관성을 테스트하기 위하여 위와 같은 순서로 테스트 스크립트를 생성한다.</p> <p>또한 Double Permutation 모드는 추가적으로 각 동작모드의 “진입시조건”과 “주동작”에 MCDC기법을 적용함으로써 더욱 체계적인 테스트 스크립트를 생성한다. Fig. 13은 Fig. 12에 나열된 동작모드 중 “초기모드”의 테스트 스크립트 생성과정을 로그파일로 기록한 내용이다. 앞서 설명한것과 같이<가>부분은 “진입시조건”과 “주동작”에 MCDC기법이 적용되었다는 것을 보여준다. “진입시조건”에 해당하는 명령어인 “D<50”과 “정상”은 각 참과 거짓에 맞는 테스트 명령어를 생성하고, 두 조건이 모두 참인 경우에만 "주동작"에 정상 진입하여 종료되는 것을 확인할 수 있다.<나>의 조건은 5개의 "종료조건"이 정상적으로 만족하는지를 확인하는 테스트 케이스이다. 이때 동작모드의 "진입시조건"은 참 조건으로 정상적으로 진입한다. 예를 들어<다>부분을 살펴보면 “진입시조건”인 " $ \mathrm { D }<50 $ ”와 “정상" 명령이 모두 참인 조건에서 "DemoMode진입" 명령이 수행되어 동작모드로 진입하고 "30초"라는 명령으로 종료조건을 수행하여 해당 동작모드를 종료한다. 이후<나>에서는 위와 같이 "진입시조건”이 모두 참인 경우를 반복하여 모든 “종료조건”을 테스트할 수 있는 명령어가 생성되는 것을 확인할 수 있다. 이러한 기법은 그림으로 설명한 “초기모드” 분만 아니라 "일반모드", "특수모드1", "특수모드2"에도 모두 적용된다.</p> <h2>4.4 무작위 생성</h2> <p>무작위 테스트 스크립트 생성 방법은 체크리스트에 작성된 명령어를 무작위로 선택하여 스크립트를 제작하는 방법이다. 테스트 스크립트 생성 프로그램은 무작위 테스트 스크립트를 제작할 때 생성을 원하는 총 명령어 수와 각 명령어 사이의 대기 시간을 입력할 수 있다. 무작위 테스트 스크립트를 제작하기 위하여 총 5개의 테스트 명령어와 $ 300 \mathrm { ms } $의 시간 간격으로 스크립트를 생성하였다.</p>	Double Permutation 모드는 순차적 모드를 사용하여 테스트 스크립트를 생성하는 조건과 동일한 파일을 사용하여 4개의 동작모드를 Double Permutation 모드로 생성하여 나열된 모든 Permutation 조합이 겹쳐진 순서로 테스트 스크립트를 생성한다. 또한 MCDC기법을 진입시조건과 주동작에 적용하여 더욱 체계적인 테스트 스크립트를 생성한다. 다음으로 총 명령어 수와 그 사이의 대기 시간을 입력해 작성된 명령어를 무작위 선택해 제작하는 방법이 무작위 테스트 스크립트 생성방법이다.
<p>유스 케이스 다이어그램은 액터(Actor), 유스 케이스, 관계(Relation)로 구성된다. 액터는 시스템 외부에서 시스템과 상호작용을 하는 모든 것을 나타내며, 주로 사용자를 나타내고 경우에 따라서는 시스템 혹은 특정 장치를 나타낼 수 있다. 유스 케이스는 시스템이 제공해야 하는 기능을 나타내고, 이러한 유스 케이스가 모여 시스템 전체의 기능을 나타낸다. 관계는 액터와 유스 케이스 사이의 연관관계를 나타내며, 관계된 요소들 사이의 연결은 선으로 표시한다.</p> <p>유스 케이스 명세서 구성은 크게 시나리오 흐름과 조건으로 나누어진다. Fig. 1은 시나리오 흐름과 조건을 표현한 그림이다.</p> <p>시나리오 흐름은 시스템이 사용자의 요구 기능을 정상적으로 수행하는 기본흐름(Basic flow)과 요구 기능의 수행도중 실패할 경우에 적절히 대체해야할 대체흐름(Alternative flow)로 구성된다.</p> <p>시나리오 조건은 유스 케이스의 수행이 시작되기 위한 선행조건(Precondition)과 수행이 완료된 후에 만족되어야 하는 후행조건(Postcondition)으로 구성된다. 유스 케이스 명세서는 앞서 설명한 구조를 기반으로 Table 1과 같이 구성할 수 있다.</p> <p>FT는 시스템고장을 발생시키는 원인들과 관계를 논리기호를 사용하여 트리 형태로 표현하는 방법이다. FT는 원인 이벤트에 의해 결과 이벤트가 발생하는 구조를 가진다. FT를 활용하면 결과 이벤트를 오류 발생 상황이라 가정하고 이와 같은 상황이 발생할 수 있는 테스트 케이스를 생성할 수 있다.</p> <p>오류 발생의 경로를 거슬러 올라가 나무 모양의 트리 형태로 전개함으로써 발생 원인을 해석한다. 상위 이벤트를 결과 이벤트(event)라 하면 하위 이벤트를 원인 이벤트로 구성한다. 각 원인 이벤트와 결과 이벤트 사이는 AND, OR, Priority AND, XOR 등의 다양한 논리기호로 표현한 논리게이트로 연결하여 트리 구조를 만든다.</p> <h1>3. 체크리스트 기반 테스트 스크립트 생성</h1> <p>앞에서 언급한 여러 가지 테스트 케이스 생성 방법은 각 방법 나름대로의 특징을 가진다. 이와 같은 체계적인 테스트 케이스 생성 방법과 더불어 엔지니어의 경험이나 오류보고 등을 활용한 체크리스트가 산업 현장에서 많이 활용되고 있는 것이 현실이다. 앞 절에서 언급한 어떠한 테스트 케이스 생성 방법에서도 체크리스트를 활용하여 테스트 케이스를 생성하는 방법에 대해서 구체적으로 다루고 있지는 않다. 본 논문에서는 체크리스트를 활용하여 보다 효율적이고 다양한 테스트 케이스를 체계적으로 생성할 수 있는 방법에 대해 다룬다.</p> <h2>3.1 테스트 스크립트 자동 생성을 위한 체크리스트</h2> <p>체크리스트는 테스트 엔지니어가 어떤 시스템을 테스트하는데 있어서 확인하고자 하는 기능이나 주요 동작을 기술한 문서이다. 테스트 엔지니어는 체크리스트에 포함하고 있는 항목을 이용하여 시스템의 정상 동작 여부를 판단한다. 체크리스트는 일반적으로 테스터의 경험에서 얻어진 다양한 경우 및 흔히 발생할 수 있는 시스템 오류를 점검하기에 적합한 기능들의 정상 동작 여부를 점검할 수 있는 내용을 기술한다. 체크리스트를 바탕으로 실제 테스트를 수행하기 위해서는 시스템에 입력될 테스트 스크립트가 필요하다.</p>	유스 케이스 다이어그램은 액터, 유스 케이스, 관계로 구성되며, 이를 기반으로 Table 1과 같이 구성할 수 있다. Fault Tree(FT)는 원인 이벤트에 의해 결과 이벤트가 발생하는 구조를 가지며, 이를 통해 오류 발생의 경로를 거슬러 올라가 나무 모양의 트리 형태로 전개하여 발생 원인을 해석할 수 있다. 본 논문에서는 체크리스트를 활용하여 보다 효율적이고 다양한 테스트 케이스를 생성하는 방법에 대해 다루고 체크리스트를 바탕으로 실제 테스트를 수행하기 위해서는 시스템에 입력될 테스트 스크립트가 필요하다.
<p>모드 동작을 이루고 있는 테스트 명령어의 다양한 조합도 가능하지만, 테스트 명령어의 조합에 따라서는 SUT가 도달 할 수 없는 상태가 되기 때문에 본 논문에서는 동작 모드의 조합에 의한 테스트 생성 조합 방법 만에 대해 다룬다.</p> <h3>1) 순차적 방법</h3> <p>순차적 방법은 다양한 동작 모드를 필요에 따라 적절히 배치하여 테스트 케이스를 생성하는 방법을 말한다. 이 방법은 주로 각 모드 내의 기능 동작이 제대로 실행되는 지를 테스트하는 용도로 사용되며, 따라서 테스터의 경험 기반의 시나리오를 작성하여 생성한다. 동작 모드 내부의 조건에 따라 동작이 달라지는 시험 조건에 대하여 중점적으로 테스트 할 수 있도록 조합을 생성한다. 순차적 방법은 체크리스트에 작성된 동작 모드를 기본 단위로 하여 시나리오에 따라 동작 모드를 순차적으로 나열하여 조합을 생성한다. 각 동작 모드의 내부 로직은 “진입시조건", “주동작" 그리고 "종료조건"의 순으로 수행되며 각 기능에 대한 테스트 명령을 생성한다.</p> <p>모드를 순차적으로 생성하기 위해서 간단한 문법을 정의하여 동작모드 간 연관관계를 표현할 수 있도록 하였다. 정의된 문법을 이용하여 순서지정파일(Sequence File)을 작성하고, 모드 조합을 순서지정퐈일에 정해진 순서대로 테스트 케이스를 생성한다. 정의된 문법은 { '/', '_', ';' } 의 3 가지 기호를 통하여 의미를 지니도록 하였다. 모드 간의 연계는 '/'로 나열하며 ';' 기호는 하나의 문법의 완료를 의미한다. 마지막으로 '_' 명령어는 해당 모드 안에서 특정한 종료조건 혹은 진입조건을 지정한다.</p> <p>Fig. 5는 문법을 이용하여 순서지정파일을 작성한 예시이다. “초기모드/일반모드”는 초기모드와 일반모드를 순차적으로 수행되어야 함을 의미한다. 다음 순차적으로 “동작모드 A”와 “특수모드 \#1”가 수행된다. 단 “동작모드A_DERR”는 동작모드A가 종료할 때 종료될 수 있는 여러 가지 조건 중에서, DERR 조건으로 종료되어야 함을 의미한다.</p> <h3>2) Double Permutation 방법</h3> <p>순차적 모드의 생성 방법을 사용하여 생성된 테스트 스크립트는 특정 동작 모드의 주동작 테스트에 주안점을 두고있다. 하지만 SUT가 다양한 동작 모드를 가지고, 각 동작 모드의 “진입시조건”이나 “종료조건”을 하나 이상을 갖는 경우 하나의 모드에서 다른 모드로 진입이 잘되는지 또는 다양한 “진입시조건” 및 “종료조건”에서 정상적으로 동작하는 지를 살펴볼 필요가 있다. 이와 같은 테스트 스크립트를 만들기 위해서는 순차 방법으로 어렵다. 즉, 순차 방법으로는 각기 다른 모드 동작의 "진입시조건"과 “종료조건"의 조합에 따른 모드의 진입여부와 종료여부의 정확성을 판단할 수있는 조합을 생성할 수 없다.</p>	테스트 명령어의 다양한 조합을 가능하게 하는 모드 동작에 대해 논의하되, SUT가 도달할 수 없는 상태가 되는 테스트 명령어의 조합은 배제한다. 각 동작 모드는 "진입시조건", "주동작", "종료조건" 순으로 수행되고 이에 대한 테스트 명령이 생성된다. 정의된 문법을 이용하여 순서지정파일을 작성하고, 모드의 조합을 정해진 순서대로 테스트 케이스를 생성한다. 모드 간의 연계는 '/'로 표시하며 ';' 기호는 문법의 완료를 나타낸다. '_' 명령어는 특정한 종료조건이나 진입조건을 지정하는데 사용된다.
<h3>4) 무작위 생성 방법</h3> <p>무작위 생성은 동작모드를 고려하지 않고 동작모드 내의 커맨드를 무작위로 선택하여 의도하지 않은 시나리오에 대한 SUT 동작을 테스트하기 위한 테스트 스크립트를 생성한다.</p> <p>테스트 스크립트 무작위 생성 시, 테스트스크립트 내의 총 명령어 수와 명령어 간 시간을 정할 수 있다. 커맨드 사이의 시간을 정해주는 이유는 해당 커맨드가 입력되었을 때 테스트하고자하는 제품의 특성에 따라 명령어 유지 시간이 달라질 수 있기 때문이다.</p> <p>무작위 생성의 단점은 동작모드 단위의 행동을 고려하여 명령어가 선택되는 것이 아니라 동작모드 단위의 행동과는 무관한 명령어들이 선택될 수 있기 때문에 오류가 발생하였을 경우 어떠한 동작모드에 영향을 미치는지를 분석을 통해 파악해야 한다.</p> <h2>3.5 테스트 스크립트 자동 생성 프로그램</h2> <p>앞 절에서 제안한 방법으로 구현한 테스트 스크립트 생성기의 초기 화면은 Fig. 6과 같다. 테스트 스크립트 생성기는 테스트 명령어 사전, 체크리스트, 순서 지정 파일, 테스트 스크립트 생성 위치를 입력으로 받고 테스트 엔지니어가 선택한 동작모드와 생성 방법에 따라 출력으로 테스트 스크립트파일을 생성한다. 테스트 스크립트 생성기는 체크리스트를 입력받게 되면 체크리스트 란에 생성 가능한 동작모드를 표시하며 테스트 엔지니어는 원하는 동작모드를 선택할 수 있다.</p> <p>순차적 방법은 체크리스트 란에 표기된 동작모드 순서대로 테스트 스크립트를 생성한다. 순서 지정 파일을 입력 받게 되면 순서 지정 파일에 입력된 동작모드 순서대로 테스트 스크립트를 생성하며 입력되지 않은 동작모드는 체크리스트 란에 표기된 순서대로 생성된다.</p> <p>Double Permutation 방법의 경우, 동작 모드 조합을 만들고, 각 운전모드의 “진입시조건”과 “종료조건”의 테스트 스크립트의 생성 부분에 조건 조합 정책(예, MCDC)을 적용시킨 테스트 스크립트를 생성한다. Triple Permutation도 위의 Double Permutation과 같은 방식으로 테스트 스크립트를 생성하며 대신 두 개의 운전모드의 조합이 아닌 세 개의 운전모드를 조합하여 테스트 스크립트를 생성한다.</p> <p>Random은 생성될 수 있는 커맨드 개수(NUM)와 커맨드간 시간 간격(wait)에 따라서 커맨드를 무작위로 선택하여 테스트 스크립트를 생성한다.</p> <p>마지막으로 테스트 예상 시간(Expected test time)은 생성된 테스트 스크립트로부터 실제 테스트를 수행하는데 걸리는 총 시간을 나타내며 테스트 엔지니어에게 테스트 수행 예상 소요 시간을 알려준다.</p> <h1>4. 실 험</h1> <p>본 실험에서는 본문에서 제시하는 이론을 바탕으로 구현한 테스트 스크립트 자동 생성 프로그램이 체크리스트와 테스트 명령어 사전 파일을 참조하여 테스트 스크립트를 올바르게 생성하는지 검증하였다.</p>	무작위 생성 방법은 테스트 스크립트를 동작모드 내의 커맨드를 무작위로 선택하여 생성하는 방법이며, 테스트 스크립트 자동 생성 프로그램으로는 순차적, Double Permutation, Triple Permutation과 Random 방법이 있다. 각 방법마다 입력된 요소에 따라 테스트 스크립트를 생성하며, 체크리스트와 테스트 명령어 사전 파일을 참조하여 테스트 스크립트 자동 생성 프로그램이 올바르게 생성하는지를 실험하였다.
<h2>3.3 테스트 스크립트 생성 방법</h2> <p>테스트 케이스를 생성하기 위한 기본 구조는 Fig. 4와 같다. 체크리스트가 수행되면 체크리스트의 명령어를 위에서부터 순차적으로 수행한다. 명령어에 대한 입력은 명령어 사전(CMD Dictionary)에 정의되어 있는 명령어에 대한 입력 시퀀스에 따라 실행된다. 테스트 명령어 사이의 실행 시간 간격은 미리 설정된 시간 간격을 따른다. 즉, Fig. 4와 같이 테스트 스크립트 생성은 체크리스트에 있는 테스트 명령어(Checklist), 명령어 사전(CMD Dictionary) 및 순서지정파일(Sequence File: 용도는 다음 절에서 설명)을 참조하여 테스트 스크립트 생성기가 하게 된다.</p> <p>체크리스트의 테스트 명령은 테스트 명령어 사전에 반드시 존재해야하며, 해당하는 테스트 명령은 테스트 명령어사전에서 검색하여 일치하는 명령어의 신호 값을 정의된 시간에 맞추어 테스트 스크립트를 생성한다.</p> <p>"진입시조건"과 "종료조건"은 하나 이상의 조건으로 구성될 수 있다. 그리고 그 조건들은 동시 만족되어야 할 수도 있고 일부만 만족되어도 될 수도 있다. 어떠한 경우든지 조건들이 가능한 조합으로 조건의 만족 여부를 보아야 할 필요가 있다. 예를 들면 "진입시조건"이 $ \mathrm { "C } =( \mathrm { Cl } $ and $ \mathrm { C2 } $ and $ \mathrm { C3 } )" $라면 $ \mathrm { C } $가 만족되는 경우도 보아야겠지만, $ \mathrm { C } $가 만족되지 않을 때도 테스트 하여야 할 것이다. 즉, 여기서 $ \mathrm { C } $ 조건 만족 여부는 소스 코드 기반의 화이트 박스 테스트에서 조건문 테스트에서 적용되는 "조건 커버리지(condition coverage)", “결정 커버리지(decision coverage)” 혹은 “변형된 조건 결정 커버리지(MCDC: Modified Condition Decision Coverage)"를 만족하는 조합으로 구성될 수 있다. 테스트 스크립트 생성기는 생성 정책에 따라 커버리지(coverage) 기준을 적용하여 테스트 스크립트를 생성한다.</p> <h2>3.4 체크리스트 기반 테스트 조합 생성</h2> <p>앞에서 정의한 동작 모드를 조합하여 다양한 테스트 스크립트를 생성할 수 있다. 하나의 동작 모드는 특정 동작을 위한 일련의 기능이다. 다양한 환경 하에서 SUT의 정상 동작 여부를 테스트하기 위해서는 다양한 모드 조합으로 만들어진 테스트 스크립트가 필수적이다.</p> <p>동작 모드의 순서에 조합에 따라 시스템이 도달하는 상태가 다르고 이에 따른 시스템의 동작 오류를 파악하여야 할 필요가 있다. 따라서 본 논문에서는 동작 모드의 조합을 각 모드의 고유 기능 테스트에 집중하는 순차적 방법, 기존의 Pairwise 및 Triple pair 방법에서 사용하는 방법과 같은 개념의 조합인 Double Permutation과 Triple Permutation 방법 그리고 무작위 조합에 따른 동작 확인을 위해 무작위 조합을 사용하는 방법을 제시한다.</p>	테스트 스크립트 생성은 체크리스트에 있는 테스트 명령어, 명령어 사전 및 순서지정파일을 참조하여 테스트 스크립트 생성기가 하게 되고, 체크리스트의 테스트 명령은 테스트 명령어 사전에 반드시 존재해야하며, 해당하는 테스트 명령은 테스트 명령어사전에서 검색하여 일치하는 명령어의 신호 값을 정의된 시간에 맞추어 테스트 스크립트를 생성한다. 동작 모드를 조합하여 다양한 테스트 스크립트를 생성할 수 있으며 본 논문에서는 동작 모드의 조합을 각 모드의 고유 기능 테스트에 집중하는 순차적 방법, Double Permutation과 Triple Permutation 방법 그리고 무작위 조합을 사용하는 방법을 제시한다.
<p>체크리스트란 테스트 대상의 기능을 점검하기 위해 테스트해야 하는 내용과 조건을 나열해 놓은 목록이다. 일반적인 체크리스트는 테스트해야 하는 내용이 나열되어 있지만 테스트 대상 시스템에 실제 입력 값을 인가하는 데이터는 테스터(Tester)가 체크리스트를 참조하여 수작업으로 결정한다. 이러한 방법은 크게 세 가지 결점이 있다. 1) 테스터의 실수 또는 주관적인 생각에 따라 결과가 달라질 수 있다. 2) 체크리스트에 작성된 항목이 많다면 테스트 케이스를 만들기가 힘들다. 3) 체크리스트 항목이 실제 테스트 케이스와는 형식이 많이 다르기 때문에 체크리스트 항목을 테스트 케이스로 만들기 위해서는 시스템 입력 즈건 등을 고려해야 하고 이는 사람이 분석하기엔 많은 노력과 시간이 필요하다.</p> <p>본 논문에서는 이러한 단점을 보완할 수 있는 체크리스트의 체계를 구축하고, 테스트 스크립트(테스트 케이스를 실제 시스템 적용하기 위해 물리적인 값으로 변환한 형태로 본 논문에서는 테스트 케이스와 혼용해서 사용한다)로 변환하기 위해 필요한 정보가 작성된 테스트 명렁어 사전(Test Command Dictionary)을 정의하여 체크리스트로부터 자동으로 테스트 케이스를 도출하는 방법을 제안한다. 또한 정의된 일련의 연관된 동작의 집합인 모드들 간의 동작을 확인할 수 있게 하는 순차적 방법, 동작 모드 조합에 따른 정확성 여부를 테스트할 수 있는 Double Permutation 및 무작위 방법으로 테스트 스크립트를 생성할 수 있는 방법을 제안한다.</p> <p>본 논문의 구성은 다음과 같다. 제 2장은 블랙박스 테스트를 위한 테스트 케이스 생성 방법에 대한 관련 연구를 소개하고, 제 3장은 체크리스트 체계와 테스트 명령어 사전구조 및 테스트 케이스 생성 방법을 제시한다. 제 4장은 논문에서 제시하는 내용을 바탕으로 실험 과정 및 결과에 대해 기술한다. 그리고 결론에서는 앞으로 진행되어야 하는 연구방향을 기술하고 논문을 마무리한다.</p> <h1>2. 관련 연구</h1> <p>테스트 케이스 생성 방법으로는 소스 코드를 분석하여 테스트 케이스를 생성하는 화이트 박스(White box) 테스트 케이스 생성과 시스템 수준의 입출력을 바탕으로 테스트 케이스를 생성하는 블랙박스(Black box) 테스트 케이스 생성 법으로 크게 나눌 수 있다.</p> <p>화이트 박스 테스트 케이스는 소스 코드 수준에서 코드의 실행 오류(Run time error) 등을 파악하기 위해 설계 단계에서 많이 사용한다. 하지만 소스 코드를 획득하기 어렵거나 하드웨어에 내장된 시스템의 동작이 시스템 사양과의 일치 여부를 검증하는데 사용하기는 어렵다.</p> <p>블랙박스 테스트 케이스는 소스 코드가 아니라 완성된 소프트웨어 자체를 대상으로 하여 테스트 하는데 사용된다. 특히, 임베디드 시스템과 같이 하드웨어에 내장된 소프트웨어가 요구사항 대로 동작하는 지를 테스트하는 경우에 사용된다. 목표에 부합되는 입력 생성의 어려움은 있으나, 설계문서와 같은 시스템의 구현 상세 정보 없이 테스트 케이스를 만들 수 있는 장점도 있다.</p>	체크리스트는 테스트해야 하는 내용을 목록화한 것으로, 테스터가 실제 입력값을 인가하는 데이터는 수작업으로 결정해야 하는 단점이 있다. 본 논문에서는 이러한 단점을 보완할 수 있는 체크리스트 체계를 구축하고 테스트 스크립트로 변환하기 위해 필요한 정보가 작성된 테스트 명령어 사전(Test Command Dictionary)을 정의하여 체크리스트로부터 자동으로 테스트 케이스를 도출하는 방법을 제안하고 화이트 박스 테스트와 블랙박스 테스트를 소개하고 있다.
<p>다양한 블랙박스 테스트 케이스 생성 방법이 연구되어 왔다. 대표적으로는 무작위(Random) 생성 및 변형된 무작위 생성 방법, 시스템 입력 조합(Combinatorial)을 이용하는 생성 방법 및 모델 기반(Model-based) 생성 방법 등이 있다. 무작위 생성에서는 테스트 대상 제품(이하 SUT: System Under Test)에 대한 내부 정보를 대부분 사용하지 않기 때문에, 사용자의 무작위 동작과 같은 예기치 못한 다양한 입력에 대한 SUT의 평가에 유용할 수 있으나, 순차적인 동작흐름과 같은 기능을 테스트하기에는 부적절하다. 이러한 비효율적인 요소를 줄이기 위하여 다양한 적응형 무작위 생성(Adaptive Random Generation)방법들이 제시되었다. 입력 조합에 의한 생성 방법은 시스템의 입력 정보를 테스트 목적에 맞게 조합하여 테스트 케이스로 사용하는 방법이다. 페어와이즈(Pairwise) 및 클래스 분류 트리 방법(Classification Tree Method) 등이 이에 속한다고 할 수 있다. 모델 기반 생성 방법은 시스템의 요구사항 혹은 기능을 모델화하고 모델로부터 테스트 케이스를 생성하는 방법이다.</p> <p>요구사항을 기반으로 테스트 케이스를 생성하는 다양한 방법도 있다. 동등 분할(Equivalence partitioning) 기법이나 경계 값 분석을 통한 생성 방법(Boundary value analysis) 등이 이에 속한다.</p> <p>이외에도 변이 값(Mutation) 주입을 통한 테스트 방법(Mutation) 및 유한 상태 머신(Finite state machine)을 이용한 방법 등도 있다.</p> <p>위와 같은 구조적인 테스트 케이스 생성 방법과 더불어 자동차 전장과 같은 실제 산업 분야에서는 엔지니어의 경험을 기반으로 테스트 케이스를 생성하여 사용한다. 설계 및 테스트 과정에서의 경험이나, 사용자 오류 보고 등의 오류 데이터베이스를 활용하여 테스트 케이스를 생성하는 것이다. 이와 같은 경험을 기반으로 생성한 테스트 케이스는 구조적 방법으로 생성된 테스트 케이스가 찾아내지 못하는 시스템의 특성에 따른 오류를 발견할 수 있는 장점이 있다.</p> <p>경험 기반으로 테스트 케이스를 생성하기 위해 많이 사용하는 것이 체크리스트이다. 체크리스트는 테스트 엔지니어가 다루었던 유사한 시스템이나, 과거의 경험, 직관, 테스트 엔지니어의 지식, 사용자의 피드백을 활용항 테스트 하고자 하는 내용을 포함한다.</p> <p>우리가 아는 지식으로는 체크리스트를 활용하여 체계적으로 테스트 케이스를 생성하는 방법은 없다. 유사한 방법으로 유스 케이스(Use case)를 활용한 테스트 시나리오 생성법과 FT(Fault tree)를 활용한 방법이 있다.</p> <p>의 저자들은 유스 케이스를 활용하여 사용자 관점에서 바라본 시스템의 동작을 표현한 시나리오 생성 방법을 제시하고 있다. 이 방법에서는 유스 케이스 다이어그램(Use case diagram)을 활용하여 유스 케이스 모델을 만들고, 모델링을 통해서 결정된 각 유스 케이스에 대한 처리 내용을 구체적으로 정의한 유스 케이스 명세서를 작성한다.</p>	다양한 블랙박스 테스트 케이스 생성 방법에는 무작위, 시스템 입력 조합, 모델 기반, 동등 분할, 경계 값 분석, 변이 값 주입, 유한 상태 머신 등이 있으며 산업 분야에서는 엔지니어의 경험과 사용자 오류 보고 등의 오류 데이터베이스를 활용하여 테스트 케이스를 생성하고 있다. 또한 체크리스트를 통해 체계적으로 테스트 케이스를 생성하는 방법은 없지만 유스 케이스를 활용한 테스트 시나리오 생성법과 FT 등을 활용하는 방법도 있다.
<p>Table 6은 무작위 생성 기능에 의해 자동으로 선택된 명령어이며 Random \#1은 “일반모드동작”이라는 명령어가 선택되었다는 의미이다.</p> <p>Fig. 14는 무작위로 선택된 테스트 명령어를 수행하여 생성한 테스트 스크립트 파일이다. Table 6에 작성된 내용과 같이 Random \#1부터 Random \#5까지 총 5개의 테스트 케이스가 생성된 것을 확인할 수 있고 각 커맨드 사이에는 $ 300 \mathrm { ms } $라는 대기시간이 추가된 것을 확인할 수 있다. 예를 들어 Fig. 14의 Random \#4 테스트 케이스를 살펴보면 " $ \mathrm { D } >=50 $" 명령어가 수행되어 테스트 케이스가 생성되었다는 것을 확인할 수 있다." $ \mathrm { D } >=50 $" 명령어는 Fig. 8의 테스트 명령어 사전 파일에서 SysIn_DSensor 값을 "51"로 정의하였고 Fig. 14 의<가>열에서도 마찬가지로 SysIn_DSenson 값이 "51"로 생성된 것을 확인할 수 있다.</p> <h1>5. 결 론</h1> <p>본 논문에서는 체크리스트를 사용하여 테스트 스크립트를 자동으로 생성하는 방법을 제시하였다. 실제 산업현장에서 일반적으로 사용하는 체크리스트의 단점을 보완하기 위해 체크리스트 체계를 구축하고 체크리스트 체계로부터 테스트 스크립트를 자동으로 도출하는 방법을 제안하였다.</p> <p>테스트 스크립트를 생성하는 방법은 순차적 생성 방법, Double Permutation 생성 방법, 무작위 생성 방법을 사용하여 생성 가능하다. 순차적 생성 방법은 사용자가 원하는 동작모드의 순서를 작성하고 작성된 순서에 맞도록 테스트 스크립트를 생성하는 방법이다. 또한 각 동작모드에서 수행해야 하는 “종료조건”, “진입시조건”을 지정할 수 있다. 순차적 생성모드는 사용자의 경험적인 측면을 많이 부여할 수 있는 장점이 있다. Double Permutation 생성 방법은 각 동작모드간의 동작 순서에 의한 오류를 테스트하는데 적절한 테스트 스크립트를 생성하며, 동작모드가 “진입시조건” 및 “종료조건”은 커버리지 정책에 따라 다양한 조합으로 생성한다. 또한 “종료조건”이 여러 개인 동작모드는 모든 “종료조건”의 테스트 명령어를 수행한다. 마지막으로 무작위 생성 방법은 체크리스트에 작성된 테스트 명령어를 무작위로 선택하여 테스트 스크립트를 만드는 방법으로, 무작위 테스트 스크립트는 무작위 동작에 의한 오류를 찾아낼 수 있다.</p> <p>논문에서 제안한 방법을 구현하였고, 실험을 통해 테스트 스크립트를 자동으로 생성할 수 있음을 확인하였다. 생성된 스크립트를 임베디드 시스템에 적용하여 테스트 한 결과 일반적인 체크리스트 방법을 이용하여 수작업으로 만들었던 스크립트로는 검출 하지 못했던 다양한 오류를 검출할 수 있었다. 제안한 방법에서 체크리스트를 이용하여 체계적인 테스트 케이스 생성하는 것은 다른 선행 연구에서는 다루지 못하는 내용이다. 이처럼 일반적인 체크리스트 방법은 체크리스트에 작성된 목록만을 검사하지만, 제안하는 자동생성 방법은 다양한 테스트 기법을 활용하여 목록에 작성된 내용뿐만 아니라 오류발생 가능성이 있는 동작까지도 테스트할 수 있다. 이는 수작업으로 하기 힘든 체계적이고 다양한 조합의 테스트 스크립트 생성에 대한 장점을 의미한다.</p> <p>본 논문에서 제시한 테스트 스크립트 자동 생성 방법을 좀 더 효율적으로 사용하기 위해선 구조화된 시스템 스펙 및 요구사항 문서로부터 데이터를 추출하여 체크리스트 체계를 자동으로 구축하는 방법에 대한 연구가 필요하다.</p>	각 명령어들 사이에는 대기시간이 추가되었다. 본 논문에서는 체크리스트 기반의 자동 테스트 스크립트 생성 방법을 제시하고 있다. 순차적, Double Permutation, 무작위 생성 방법을 사용하여 테스트 스크립트를 생성할 수 있으며, 또한 각 동작모드에서 종료조건과 진입시조건을 지정할 수 있다. 테스트 스크립트 자동 생성 방법의 효율적 사용을 위해서 구조화된 시스템 스펙 및 요구사항 문서로부터의 데이터를 추출을 통한 체크리스트 체계의 자동 구축 관련 연구가 필요하다.
<p>동작 모드 실행 순서를 보여주는 로그 내용의 일부인 Fig.11에서 “순차모드 테스트 스크립트 생성 순서”의<A>부분은 동작모드 중 “초기모드” 테이블에 작성된 테스트 명령이 진입시조건, 주동작, 종료조건을 고려하여 올바른 순서대로 생성되었는지를 확인할 수 있다. 내용을 분석해보면 앞서 설명한것과 같이 $ \mathrm { D }<50 $ " $ \rightarrow $ “정상" $ \rightarrow $ "DemoMode진입" $ \rightarrow $ “30초” 순서대로 명령어들이 수행된 것을 확인할 수 있다.</p> <p>Fig. 9는 테스트 스크립트 생성 프로그램에 의해 생성된 테스트 스크립트 결과 파일이다. 하나의 테스트 케이스인 16개의 입력 신호가 시간 (두 번째 줄 맨 우측에 나타남)에 따라 두 줄에 표현되어 있다. 스크립트의 각 테스트 케이스를 분석해보면 "TestCase \#1"은 시스템의 모든 입력 초기 데이터를 정의하는 명령어인 "InitValue"가 수행되어 모든 입력 값은 초기화된 된다. 스크립트 내의 “-" 표시는 이전 값을 유지하라는 뜻이며 명령어 사전에 정의되지 않는 입력 값임을 의미한다. "TestCase \#2"는 " $ \mathrm { D }<50 $ " 명령이 수행되어 만들어진 테스트 케이스이다. Fig 8 의 " $ \mathrm { D }<50 $ " 명령을 살펴보면 'SysIn_DSensor' 입력 신호를 “49”로 정의하였고, Fig 9의<가>열에서 'SysIn_DSensor' 입력이 "49"로 생성된 것을 확인할 수 있다. "TestCase \#3”은 “정상" 명령이 수행되어 만들어진 테스트 케이스로 Fig. 8에 작성된 데이터가 정상적으로 테스트 케이스로 생성된 모습을 확인할 수 있다. 마찬가지로 “TestCase \#4", “TestCase \#5”는 각각 “DemoMode 진입", “30초" 명령이 정상적으로 수행되어 생성된 테스트 케이스이다.</p> <h2>4.2 순차적 모드 생성</h2> <p>Table 5에 작성된 4개의 동작모드를 포함하는 파일을 사용하여 순차적 모드 테스트 스크립트를 제작하였다. 순차적 모드의 순서를 설정하는 Fig. 10의 “순서지정파일”에는 "초기모드/일반모드"는 항상 테스트 스크립트의 첫 부부분에 위치하도록 작성하였고 특수모드 1 다음은 항상 초기모드가 실행되며, 특수모드2 다음은 항상 일반모드가 실행되도록 작성하였다.</p> <p>Fig. 11 에 작성된< A >,< B >,< C >,< D >는 각각 초기모드, 일반모드, 특수모드, 특수모드2를 나타넨 것이며 ①, ②, ③, ④는 동작모드에서의 "진입시조건", “주동작", “종료조건"을 나타낸 것이다. 생성된 동작모드의 순서는 앞서 설명한 "순서지정파일”에 설정한 것과 같이< A >,< B >,< C >,< D >순서로 생성되었다. 각 동작모드의 "진입시조건", “주동작", “종료조건”을 고려하여 테스트 스크립트로 변환하는 과정은 4.1절에서 설명한 내용과 동일하다.</p>	로그 내용에는 동작 모드 실행 순서를 확인할 수 있는 '순차모드 테스트 스크립트 생성 순서'가 포함되어 있다. '초기모드' 테이블의 테스트 명령이 올바른 순서로 생성되었는지 확인하는 과정이 포함되며, 이는 Fig. 11과 Fig. 10에서 확인할 수 있다. 순차적 모드의 순서는 '초기모드/일반모드'가 항상 테스트 스크립트의 첫 부분에 위치하도록 설정되어 있으며, 특수모드 1과 2 다음에는 항상 초기모드와 일반모드가 각각 실행되도록 작성되었다.
<p>일반적으로 경험 기반 기법의 체크리스트는 체계적으로 도출되기 보다는 테스트 경험에 의해 테스트 하고자하는 내용을 목록으로 정리하고 다음번 테스트에서 해당 내용을 누락 없이 재활용 하는 것을 목적으로 작성한다. 이러한 체크리스트 형식은 테스트 엔지니어가 이해할 수 있는 언어로 작성된다. 테스트 엔지니어는 체크리스트에 작성된 목록을 보고 무엇을 테스트해야 하는지는 쉽게 파악할 수 있지만, 이것을 시스템이 동작하기 위한 데이터로 만드는 것은 어렵다.</p> <p>또한 체크리스트를 기반으로 테스트 엔지니어가 수작업으로 테스트를 진행할 때, 테스트 엔지니어의 판단 오류에 따른 부정확한 테스트, 많은 동작을 수작업으로 진행함으로써 발생하는 테스트 시간 과다, 테스트 정보의 기록 오류, 예기치 못한 오류 가능성이 있는 모든 테스트 목록에 대한 작성 등의 어려움도 생긴다.</p> <p>산업현장에서 일반적으로 사용하는 체크리스트는 통일된 양식이 없고 목적에 맞게 양식을 만들어 사용한다. 테스트 엔지니어는 이러한 양식으로부터 테스트 하고자하는 내용을 참조하여 시스템을 동작시키기 위한 테스트 스크립트를 만든다. 이처럼 기존에는 테스트 스크립트를 테스트 엔지니어가 체크리스트를 바탕으로 수작업으로 작성하였지만 수작업에 따른 체크리스트 기반 테스트의 단점을 극복하기 위해 본 논문에서는 먼저 일반적으로 사용하는 체크리스트의 항목들을 정리하고 체계화하여 테스트 스크립트를 자동 생성할 수 있는 체크리스트를 제안한다.</p> <p>테스트 스크립트를 자동으로 생성하기 위해서는 효율적으로 체크리스트를 체계화하는 것이 필요하다. 제안하는 체크리스트 체계화 방법은 유스 케이스 명세서 작성에 기반이 되는 시나리오 흐름 및 조건에 대한 방법을 참조하여 체계적인 구조를 만든다.</p> <p>제안하는 체크리스트는 Fig. 2와 같다. 체크리스트는 "동작모드”, “기능분류", “기능설명”, “테스트 명령”으로 이루어져 있다. 이들 중 “동작모드”, “기능설명" 항목은 실제 테스트 스크립트 생성과는 무관한 항목이며 테스트 엔지니어에게 테스트 정보를 알려주는 용도로 사용된다.</p> <p>"동작모드”는 동작 모드 명을 적는 항목이다. 예를 들면, 대기 모드, 동작 모드 등 고유의 기능 전체를 하나의 독립적인 동작 그룹이 분류될 수 있는 동작 모드 이름이다. 따라서 다른 분류 조합으로 SUT의 다른 동작을 테스트할 수 있다.</p> <p>“기능분류”는 각 동작 모드 내에서 수행하는 기능을 말하며 “진입시조건”, “종료조건” 그리고 “주동작” 항목으로 구성된다. “진입시조건”은 해당 모드에 진입하기 위하여 만족시켜야하는 조건이다. “진입시조건”은 일부 혹은 전부 만족시켜야 “주동작”으로 진입할 수 있다. “주동작”은 항상 실행되어야하는 일련의 작업들이다. “종료조건”은 해당 모드를 종료하기 위한 사건이나 조건들이다. “진입시조건”과 같이 일부 혹은 전부 만족할 경우 해당 모드를 종료한다. 따라서 각 모드는 진입시조건->주동작->종료조건으로 수행된다. “기능설명”은 각 기능이 수행해야 하는 내용을 설명한다. “테스트 명령”란은 체크리스트 해당 열의 기능을 테스트하기 위한 실제 테스트 명령어명 (커맨드라 부른다)을 입력하는 곳이다.</p>	경험 기반 기법의 체크리스트는 일반적으로 체계적으로 도출되기보다는 테스트 경험을 통해 내용을 정리하고, 다음 테스트에서 재활용하기 위해 목록으로 작성된다. 체크리스트는 테스트 엔지니어가 어떤 내용을 테스트해야 하는지를 쉽게 파악할 수 있게 도와준다. 그러나 이를 시스템이 동작하기 위한 데이터로 변환하는 것은 어려울 수 있다. 일반적으로 산업 현장에서 사용되는 체크리스트는 통일된 양식이 없으며, 목적에 맞게 양식을 만들어 사용되며, 효율적으로 테스트 스크립트를 자동으로 생성하기 위해서는 체크리스트를 체계화하는 것이 필요하다.
<h1>요 약</h1> <p>본 논문은 임베디드 시스템 테스트를 위해 산업현장에서 많이 사용하는 체크리스트를 기반으로 테스트 스크립트를 자동으로 생성하기 위한 방법을 제안한다. 제안하는 방법은 수동 생성에서 발생할 수 있는 오류를 줄일 수 있을 뿐만 아니라, 기존의 체크리스트로는 테스트하지 못하는 다양한 모드 조합을 테스트하기 위한 테스트 스크립트도 생성할 수 있다. 체크리스트에 있는 테스트 명령어는 테스트 명령어 사전에 정의된 신호 값을 참조하여 테스트 스크립트로 변환된다. 또한 체크리스트를 정의된 일련의 연관된 동작의 집합인 모드들 간의 동작을 확인할 수 있게 하는 순차적, Double permutation 및 무작위 방법으로 테스트 스크립트를 생성할 수 있는 방법을 제안한다. 제안된 방법은 구현되었고, 실험을 통해 그 가능성을 보여준다.<h1>1. 서 론</h1> <p>오늘날 임베디드 시스템은 모바일 기기, 가전제품, 군사용 무기 등 다양한 분야에서 사용되고 있으며 과거에 비해 점점 더 복잡한 기능을 수행하고 있다. 이에 따라 시스템의 기능을 수행하는 소프트웨어 또한 복잡해지고 있다. 임베디드 시스템이 동작하면서 발생하는 오류의 많은 부분은 소프트웨어적인 오류이며, 항공기 또는 군사용 무기와 같이 중요한 임무를 수행하는 시스템에서 오류 발생 시 큰 재앙을 불러오거나 주어진 임무를 올바르게 수행할 수 없을 것이다. 이렇게 복잡해진 임베디드 시스템의 소프트웨어 테스트는 선택이 아닌 필수 사항이 되고 있다. 이러한 임베디드 소프트웨어 신뢰도 향상을 위해 많은 테스트 기법들이 존재한다.</p> <p>임베디드 소프트웨어 테스트 기법에는 시스템의 내부 코드를 직접적으로 테스트하는 화이트 박스(White BOX)와 코드가 아닌 외부의 기능을 중점적으로 테스트 하는 블랙박스(Black Box) 기법이 있다. 화이트 박스는 소스 코드를 확보하여 코드의 흐름에 맞는 테스트 케이스를 작성하고 코드가 설계 사양에 맞게 올바르게 동작하는지 혹은 코딩 규칙을 제대로 지키고 있는지 등을 확인하는 용도로 사용한다. 반면 블랙박스는 시스템이 요구사항에 나타난 기능을 적절히 수행하고 있는지를 중점적으로 테스트하기 때문에 다양한 동작을 확인할 수 있도록 효율적인 테스트 케이스를 작성하는 것이 중요하다. 본 논문에서는 블랙박스 테스트 케이스 생성에 대해 다룬다.</p> <p>블랙박스 테스트를 위한 테스트 케이스 생성 방법은 많은 방법들이 사용되고 있다. 요구사항 모델을 이용하는 테스트 케이스 생성 방법, 시스템 입력들의 필요에 따라 조합하여 사용하는 다양한 입력조합(Combinatorial) 생성 방법 혹은 여러 형태의 무작위 조합(Random) 방법 등이 있다. 이와 같은 체계적인 생성 방법 이외에 산업 현장에서는 개발 시스템에 대한 엔지니어의 지식, 과거의 경험, 사용자 피드백 등을 활용하여 테스트하고자 하는 항목을 정리하여 테스트에 사용하는 체크리스트(Checklist)를 이용하는 방법이 흔히 많이 사용되고 있다.</p>	본 논문에서는 임베디드 시스템 테스트를 할 때, 테스트 스크립트를 산업현장에서 많이 사용하는 체크리스트를 기반으로 자동으로 생성하기 위한 방법을 제안하고 있다. 이 방법은 수동 생성에서 발생할 수 있는 오류를 줄이고, 다양한 모드 조합을 테스트하기 위한 테스트 스크립트를 생성할 수 있는 순차적, Double permutation 및 무작위 방법을 제안한다.
<p>본 논문에서는 도심 교통음과 자연소리 분석, 뇌파 측정을 통해 사람에게 영향을 줄 수 있는 다양한 음향적 요소를 연구하였다.</p> <p>전체 구성은 다음과 같다. 2장에서는 사람의 청각특성을 고려한 백색잡음 필터를 제안하고, 해당 필터를 적용한 백색잡음 음원과 자연 폭포 소리와의 연관성을 확인하였다. 3장에서는 도심 교통음과 자연 소리의 음원 비교를 통해 긍정, 부정적인 음향 효과를 분석하였다. 4장에서는 해당 음원들이 사람에게 미치는 영향을 뇌파측정을 통해 확인하고, 마지막 5장에서 결론을 맺는다.</p> <h1>Ⅱ. 백색잡음</h1> <p>좁은 의미의 백색잡음은 $ 0 \mathrm { ~Hz } $에서부터 무한대의 주파수대역까지 균일하게 에너지가 분포되어 있는 소리이다. 하지만 이러한 음원을 만들 수 없기 때문에 일반적인 의미에서의 백색잡음은 사람의 가청주파수내의 제한된 대역의 주파수에서 에너지가 균일하게 분포되어 있는 음원을 말한다.</p> <h2>2.1. 대역폭에 따른 청감 특성</h2> <p>일반적으로 사용되는 백색잡음은 대역제한백색잡음이다. 그렇다면 최소한 어느 정도의 주파수 대역폭을 가져야 전대역 백색잡음 신호와 청각적으로 동등한 효과를 가질 수 있는지 알아보았다. 실험 장소는 대학교 강의실이며, 50명의 대학생을 대상으로 $0 $~ $ 24,000 \mathrm { ~Hz } $의 백색잡음 대역폭을 점점 줄여가면서 청감 결과를 조사하였다. 실제로 $ 20,000 \mathrm { ~Hz } $ 이상을 듣는 성인은 사실상 없지만 순음이 아닌 $ 20,000 \mathrm { ~Hz } $ 이상의 광대역 백색잡음일 경우 어떠한 미세한 청각적 영향을 미칠지 모르므로, 충분히 넓은 대역의 음원을 원본으로 사용했다.</p> <p>실험 장비는 Auzentech x-Fi Prelude $ 7.1 \mathrm { TE } $ 사운드카드와 Swan D1080 스피커를 사용하였으며, 청취레벨은 $ 80 \mathrm { dBspl } $을 기준으로 하였다. 실험 방법은 처음 15초간 미리 알려준 원본 백색잡음을 들려주고 그 다음에 15초간 대역제한 백색잡음을 들려주었으며, 하나의 대역제한 백색잡음 음원 당 두 번씩 반복 청취를 하였다. 음원 하나의 테스트가 끝나면 원본과 차이점을 느끼는지 체크하고, 해당 느낌을 서술하도록 하였다.</p> <p>표 1의 결과에 따르면, $ 18,000 \mathrm { ~Hz } $대역 이상을 삭제한 음원은 $ 8 \% $의 사람들이 원본과의 미세한 차이를 느꼈으며, 다른 사람들은 $ 0 \sim 24,000 \mathrm { ~Hz } $대역의 백색잡음과 완전 동일하게 느꼈다. $ 14,000 \mathrm { ~Hz } $대역 이상을 삭제할 경우 $ 78 \% $이상의 사람들이 원본 백색잡음과의 차이점을 인지하였으며 시원, 또는 상쾌한 느낌이 다소 감소했다고 답하였다. $ 10,000 \mathrm { ~Hz } $대역 이상을 삭제한 백색잡음은 모든 피실험자가 원본에 비해 매우 답답하고 어두운 느낌을 받았다고 답하였다.</p>	백색잡음은 가청주파수내에서 제한적인 대역의 주파수에서 에너지가 고르게 분포되어 있는 음원을 말하는데 50명의 사람을 대상으로 한 실험에서 18,000명 Hz대역 이상을 제거한 음원은 8%의 사람들이 원본과 분간하기 어려운 차이를 느꼈으며, 14,000명 Hz대역 이상 삭제한 경우에 78%이상의 사람들이 원본과의 차이를 느끼고 10,000명 Hz대역 이상을 삭제한 음원은 모든 실험자들이 답답하다고 느꼈다.
<h2>4.2. 측정 및 결과</h2> <p>실험에서 사용된 뇌파 측정 방식은 전극법으로 세브란스병원의 개인 입원실에서 이루어졌으며, 피실험자에게 환자복을 입힌 후 의자에 편안하게 앉힌 채 실시하였다. 그리고 시각적인 영향으로 인한 뇌파 간섭을 배재하기 위해 안대를 착용시켰다.</p> <p>실험에 참여한 인원은 총 5명으로, 피실험자에게 소리에 대한 아무런 설명을 하지 않은 채 지하철음, 도로교통음, 폭포소리, 숲소리를 약 5분간 두 번씩 번갈아가며 들려주면서 뇌파 측정을 실시하였다. 측정에 사용한 음원은 앞서 음원분석에 사용된 음원 3가지에 폭포소리를 추가로 사용하였다.</p> <p>그림 10은 음원에 따른 뇌파의 위치별 에너지 스펙트럼을 나타낸 것으로 0에 해당하는 색일 때 가장 에너지가 적으며, $3 $ 이나 $-3 $에 해당하는 색으로 갈수록 강한 에너지가 분포함을 나타낸다.</p> <p>실험 결과 모든 피실험자가 자연의 폭포소리나 숲소리보다 도심의 지하철음이나 도로교통음에서 상대적으로 많은 양의 베타파가 검출 되었다.</p> <p>표 6은 전반적인 결과로서 도심의 소리는 베타파가 증가, 알파파가 감소하는 경향을 보이는 반면에 자연의 소리는 알파파가 증가, 베타파가 감소하는 경향을 확인할 수 있다. 즉 도심의 소리와는 달리 자연의 소리는 긴장이 풀린 편안한 상태의 뇌파로 분석되었다.</p> <p>도심 교통음과 자연소리의 음원분석과 뇌파 측정 결과에 따르면, 도심 교통음은 집중력 방해와 스트레스 유발 요소가 많으며, 자연의 소리는 긴장을 완화시켜주고 명상에 도움을 준다는 사실을 증명한다.</p> <h1>Ⅴ. 결 론</h1> <p>본 연구에서는 사람이 선호하는 백색잡음 주파수 특성을 알아내고 자연음과의 관계를 확인하였다. 그리고 음원 분석과 뇌파 측정을 통해 도심 교통음과 자연 소리가 사람에게 미치는 영향을 분석하였다.</p> <p>실험 결과 자연의 폭포 소리를 들었을 경우 베타파에 비해 알파파가 많이 측정되었으며, 반면에 도심 교통음을 들려줄 경우, 상대적으로 많은 양의 베타파가 감지되었다. 이러한 결과를 통해 기존에 알려진 자연의 소리에 따른 효과를 보다 객관적으로 확인할 수 있다.</p> <p>본 연구의 목적은 사람에게 유익하고, 해로운 소리의 이유를 규명하고, 상황에 따른 최적화 음원을 개발하는데 있으며, 이러한 최적화 음원은 사람의 능률을 올려주고 스트레스를 효과적으로 감소시킬 수 있다.</p> <p>차후 사람의 연령과 개인별 청각특성을 고려한 주파수, 진폭 특성 가변 연구와, 주변 상황 변화에 따라 최적화된 백색잡음과 자연의 소리를 연구할 계획이다.</p>	실험 인원은 총 5명, 피실험자에게 소리에 대한 아무 설명없이 지하철음, 도로교통음, 폭포소리, 숲소리를 약 5분간 두 번씩 들려주면서 뇌파 측정한 결과 도심 교통음은 집중력 방해와 스트레스 유발 요소가 많고, 자연의 소리는 긴장을 완화하고 명상에 도움을 준다. 도심 교통음과 자연 소리가 사람에게 미치는 영향에 대한 본 연구로 사람에게 유익하고, 해로운 소리의 이유를 규명하고, 상황에 따른 최적화 음원을 개발하는데 있고, 최적화 음원은 사람의 능률을 올리고 스트레스를 감소킨다.
<p>실험 결과 백색잡음의 대역폭을 가변 시키더라도 모든 사람들이 백색잡음으로 인식하는 데는 변화가 없지만, 대역폭에 따라서 사람의 청감심리는 확연하게 달랐다. 그러므로 대부분 사람들에게 전대역 백색잡음과 동등한 효과를 가지기 위해서는 최소 $ 18,000 \mathrm { ~Hz } $ 이상 대역폭을 가진 백색잡음이 사용되어야 하며, 그 이하 대역폭의 백색잡음 음원으로는 본래 백색잡음의 효과를 기대할 수 없으며, 반대로 부정적인 영향을 주게 된다.</p> <h2>2.2. 사람이 선호하는 백색잡음의 주파수 특성</h2> <p>전 대역에 균일한 에너지 분포를 가진 백색잡음에서 사람에게 적합한 형태의 백색잡음을 찾기 위해서 여러 형태의 필터를 적용시켜 실험을 하였다. FFT필터의 프레임 단위는 $4096 $으로 설정. Windowing-Function은 Blackman-Harris를 적용시켰다.</p> <p>1차 실험에서는 모든 주파수대역에 동일한 에너지를 가지는 백색잡음을, 3가지 경우에 따라 각각 6개의 주파수 특성을 가진 샘플을 만들었다. 그 후 경우 $ 1,2,3 $에 해당하는 샘플을 순서대로 들려준 후 가장 선호하는 샘플을 경우 당 하나씩 선택하게 하였다.</p> <p>표 2의 경우1의 샘플은 주파수대역폭이 $ 50 \mathrm { ~Hz } $단위로 줄어든다. 경우 2는 기준주파수에서 저음대역을 삭제하고 고음대역으로 갈수록 에너지가 감소한다. 마지막 경우3은 기준 주파수에서 저음대역과 고음대역으로 갈수록 에너지가 감소하는 형태이다.</p> <p>1차 실험 결과 그림 1에 해당하는 경우3의 샘플1의 FFT필터 선호도가 가장 높았다. FFT필터A를 거친 백색잡음은 전대역 에너지를 가지지만, 주파수가 높아질수록 일정하게 에너지가 감소된다. 이러한 형태의 음원은 옥타브 대역 당 에너지를 인지하는 사람의 기본적인 청각특성을 반영한다.</p> <p>2 차 실험에서는 더 정확한 주파수 특성을 알아내기 위해 1차 실험에서 가장 선호한 그림 1의 FFT필터A를 변형한 3가지 FFT필터B, FFT필터C, FFT필터D를 추가 실험하였다.</p> <p>그림 2의 FFT필터B는 처음부터 급격이 에너지가 줄어들다가 점점 기울기가 완화되는 형태이며, 그림 3의 FFT필터C는 FFT필터B와는 반대로 기울기가 완만하게 감소하다가 점점 그 기울기의 폭이 커지는 형태이다.</p> <p>그림 4의 FFT필터D는 FFT필터B와 FFT필터C의 특징을 혼합한 것으로, 처음에는 완만하게 에너지가 줄어들다가 사람이 민감하게 반응하는 주파수 대역 $ 600 \mathrm { ~Hz } $~ $ 6,000 \mathrm { ~Hz } $에 가까워질수록 에너지 감소폭이 증가한다. 그리고 그 이후의 대역부터 다시 에너지 감소폭이 완화되는 형태이다. FFT필터D는 옥타브 대역에 따라 에너지크기를 인지하는 사람의 청각특성을 반영하면서, 민감한 주파수대역에서 적당한 에너지감소를 고려한 특성을 가진다.</p>	실험 결과를 보면 백색잡음의 대역폭을 가변 시켜도 모든 사람들이 백색잡음으로 인식을 한다는 것은 다르지 않지만, 대역폭에 따라서 사람의 청감심리는 확연하게 달랐다. 따라서 대부분 사람들에게 전대역 백색잡음과 동등한 효과를 보이기 위해서는 최소 $ 18,000 \mathrm { ~Hz } $ 이상 대역폭을 가지는 백색잡음이 사용해야하며, 그 이하 대역폭의 백색잡음 음원을 사용시에는 본래 백색잡음의 효과를 기대할 수 없고, 반대로 부정적인 영향을 미치게 된다. 전 대역에 균일한 에너지 분포를 가지는 백색잡음에서 사람에게 맞는 형태의 백색잡음을 찾고자 여러 형태의 필터를 적용하면서 실험을 했다. FFT필터에서 프레임 단위는 4096으로 설정을 했고 Windowing-Function은 Blackman-Harris를 적용시켰다.
현대 사회에서는 세계 인구의 대부분이 도시에 몰려 있기 때문에, 도심의 소리는 중요한 의미를 가진다. 그 중 교통음은 가장 대표적인 도심소리 중에 하나이다. 일반적으로 도심 교통음은 환경소음으로, 대표적인 자연의 소리인 숲, 폭포소리 등은 사람에게 긍정적인 효과를 주는 소리로 분류한다. 본 연구에서는 자연의 소리가 포함하는 백색잡음에 다양한 형태의 FFT보정 필터를 적용시켜, 사람이 가장 선호하는 형태의 백색잡음 주파수 특성을 발견하고 자연 소리와의 상관관계를 확인하였다. 그리고 여러 형태의 도심 교통음과 숲소리의 파형, 스펙트럼 비교를 통한 분석을 진행하였다. 분석 결과 도심 교통음이 숲소리에 비해 특정 주파수대역과 시점에 집중된 소리 에너지 특징이 있음을 발견하였으며, 이러한 특징이 사람에게 미칠 수 있는 부정적인 요소들을 확인하였다. 마지막으로 전극법 뇌파 실험을 통하여, 도심 교통음과 자연의 숲, 폭포소리를 직접 피실험자들에게 들려주어, 알파파와 베타파의 에너지 분포를 측정하였다. 측정결과 도심 교통음은 자연의 소리보다 현저하게 많은 양의 베타파를 발생 시켰으며, 반대로 자연의 소리는 많은 양의 알파파를 발생 시켰다. 이러한 결과를 통해 도심 교통음이 사람에게 미치는 부정적인 영향과 자연 소리의 긍정적인 영향을 직접적으로 확인하였다.<h1>Ⅰ. 서 론</h1> <p>사회가 발전하면서, 건강과 관련된 직간접적인 요소들이 많은 관심을 받고 있다. 도시사회에 있어, 90년대까지는 직접적으로 신체에 피해를 주는 공해가 주된 관심 대상이었으나, 최근에는 소음 등의 정신적인 부분에 대한 문제의식이 높아지고 있다.</p> <p>도시 내에는 자동차, 기차, 비행기 등 교통수단에서 발생하는 소리, 상업용 건물들에서 발생하는 소리, 공조기 소리, 보행자가 많은 도로에서 나는 대화소리 등 다양한 위치에서 공간의 특색에 따른 소리가 발생 된다. 특히 자동차의 증가와 도로의 확대 그리고 아파트, 병원, 학교 등이 도로와 인접해서 건설됨에 따라, 교통소음으로 인한 피해와 발생민원이 해마다 늘고 있다.</p> <p>또한 주요 교통수단인 지하철 소음도 도심을 대표하는 소리로 자리 잡았다. 이러한 소리들은 대부분 듣기 싫은 소리, 즉 소음으로 분류한다. 반면에 자연의 대표적인 소리인 숲소리, 파도소리와 새소리 등은 사람의 명상이나 정신적인 치유에 도움이 되는 것으로 알려져 있다. 선행 연구결과, 자연의 소리는 기분전환과 집중력을 길러주고, 긴장을 이완시켜주며, 정신 안정작용 등의 효과가 있다.</p> <p>자연 소리의 가장 큰 특징은 전 주파수 대역에 걸친 에너지 이다. 비오는 소리나, 폭포 소리 등이 이러한 전대역 주파수 특성을 포함하고 있으며 집중력 강화, 주변소음 차폐 등, 백색잡음과 유사한 효과를 가지는 것으로 알려져 있다.</p>	자연 소리의 가장 큰 특징은 전 주파수 대역에 걸친 에너지라는 것이며, 비오는 소리나, 폭포 소리 등이 이러한 전대역 주파수 특성을 포함하고 있으며 집중력 강화, 주변소음 차폐 등, 백색잡음과 유사한 효과를 보인다.
<h1>Ⅲ. 음원 분석</h1> <h2>3.1. 음원 선정 및 측정</h2> <p>도심의 소리 음원 두개와 자연의 소리 음원 하나를 녹음을 하였으며, NTI MiniSPL 무지향성 마이크와 M-AUDIO FireWire Solo 오디오카드를 사용하였다.</p> <h3>3.1.1. 도심 소리</h3> <p>도심 소리 첫 번째 샘플은 도로교통음을 선정했다. 일반적인 도로 특성을 가지는 숭실대입구역 근처의 왕복 8차선도로 옆의 인도에서 음을 한 시간 동안 녹음하였고, 측정 위치는 버스 정류장에서 $ 10 \mathrm { ~m } $ 떨어진 곳으로 잡았다. $ 50 \mathrm { ~m } $ 떨어진 곳에 삼거리가 위치하고 있으며, 신호의 변화에 따른 도로교통음과, 사람들의 이동음 등이 모두 녹음 되었다. 두 번째 도심의 소리는 지하철음을 선정하였다. 숭실대입구역에서 한 시간 동안 녹음을 진행하였고, 측정 위치는 지하철 대기석으로 잡았다. 지하철 안내음과 지하철 도착, 출발 소리, 자동문이 열리고 닫히는 소리, 승객들이 타고 내리는 소리 등이 녹음 되었다.</p> <h3>3.1.2. 자연 소리</h3> <p>일반적인 자연음을 녹음하기 위해 위치를 숭실대학교 근처의 달마산으로 선정하였다. 측정위치는 달마산 중심부와, 근처 사찰인 달마사에서 각각 한 시간씩 녹음하였다. 바람소리와 나믓잎 스치는 소리, 낙엽 밟는 소리와 새소리 등이 녹음 되었다.</p> <h2>3.2. 에너지 분포 특성</h2> <p>녹음된 음원은 총 1시간이지만 약 2분간의 에너지 분포 특성이 준주기적으로 반복된다. 또한 2분 이상 구간의 평균 주파수 특성은 1시간 전체의 주파수 성분과 차이가 없다. 때문에 각 음원의 2분간을 추출하여 에너지 분포를 확인하였다.</p> <p>그림 6, 그림 7, 그림 8은 2만 샘플단위의 윈도우를 절반씩 겹치게 씌워서 에너지를 구한 후 전체 평균으로 나누어 에너지를 정규화한 그래프로, 왼쪽 축의 숫자는 전체 에너지 평균과의 비율을 나타낸다.</p> <p>그림 6의 도로교통음은 특정 시간대에 강한 에너지가 모여 있음을 확인할 수 있다. 도로의 상황에 따라, 차량이 옆을 지나가거나 경적을 울릴 때, 특정한 시간대에 집중된 소리 에너지를 가지기 때문에 사람에게 신경 쓰이는 소음으로 인식하게 된다.</p> <p>자연에서도 상황에 따라 특정한 시간대에 집중된 소리 에너지를 가지는 경우가 있지만, 도심 교통음에 비해 확률적으로 매우 낮으며, 지속성이나 반복성 역시 매우 짧기 때문에 전체적인 특성으로 볼 수 없다. 도심 교통음 역시, 교통 상황에 따라서 집중되는 에너지의 반복빈도나 지속시간에 변화가 있을 뿐 전체적인 에너지 분포 성향은 유사하다.</p>	도심의 소리 두 개와 자연의 소리로 만든 음원 하나를 NTI MiniSPL 마이크와 M-AUDIO FireWire Solo 오디오카드로 녹음하였다. 도로교통음과 사람들의 이동음, 지하철 안내음과 승객들이 타고 내리는 소리 등이 녹음되었고, 바람소리와 나믓잎 스치는 소리, 낙엽 밟는 소리와 새소리 등이 녹음되었다. 2분간의 에너지 분포 특성이 준주기적으로 반복되며, 도로교통음은 각각 특정 시간대에 강한 에너지가 모여 있음을 확인할 수 있다.
<h1>요 약</h1> <p>HSDPA, WiBro, 모바일 디바이스 등의 정보퉁신 기술의 발전으로 사용자가 컴퓨터나 네트워크를 의식하지 않고 언제 어디서나 네트워크에 접속할 수 있는 유비쿼터스 컴퓨텅 환경의 구현이 가능해졌다. 이러한 유비쿼터스 컴퓨팅 환경에서 사용자의 위치에 따른 특정 정보를 제공하는 위치 기반 서비스(Location Based Service, LBS)의 중요성이 대두되고 있다. 본 논문에서는 관성 측정 장치(Inertial Measurement Unit, IMU)와 오차 보정을 위한 필터 및 알고리즘을 소개하고 실내 측위 보정을 위한 매핑 알고리즘을 제안한다. 제안하는 매핑 알고리즘은 지도를 자동으로 인식하여 교차로, 복도, 목적지로 분류하고 현재 위치를 인식하여 잘못된 매핑이 일어나지 않게하고 사용자의 움직임 이벤트 발생시 위치 검색의 효율을 높인다. 또한 유동적인 매핑계수를 두어 이동거리와 방향에 대한 오차 보정을 지속적으로 수행한다.</p> <h1>Ⅰ. 서 론</h1> <p>유비쿼터스 컴퓨팅 환경에서 위치기반서비스는 중요한 분야 중 하나이다. 최근 휴대폰, PDA 등의 모바일 디바이스와 네트워크의 발달로 사용자에게 다양한 서비스를 제공할 수 있게 되었다. 특히 사용자의 현재 위치에 대한 정보는 개인에 특화된 서비스를 제공하기 위해 필수적인 요소이다. 위치기반 서비스를 제공하기 위해 일반적으로 실외에서는 GPS를 이용하고, 실내에서는 관성센서나 수신신호세기 등을 이용한다. GPS를 이용한 기술의 경우 실내 측위에 한계가 있다. 기지국을 이용한 기술의 경우 지역 구분만올 측정할 수 있으므로 정확한 위치를 찾을 수 없고, 인프라 구성에 많은 비용이 든다. 따라서 인프라 구성이 필요없는 관성 측정 장치 (IMU)를 이용한 실내 측위 기술에 대한 연구가 많이 진행되고 있다. 관성 측정 장치는 가속도 센서와 각속도 센서로 구성되어 있다. 여기서 얻어낸 정보로 자세,속도, 방향, 거리 등의 물리적인 움직임을 계산할 수 있다. 관성 측정 장치는 가속도 정보와 각속도 정보를 알아내어 자세 측정에 용이하나 여러 가지 오차가 존재해서 정확도가 떨어진다. 따라서 효과적인 오차 보정 방법이 필요하다.</p> <p>본 논문에서는 관성 측정 장치의 오차 보정을 위한 매핑 알고리즘을 제안하고 지도 기반의 실내 측위 시스템을 소개한다. FIR(Finite Impulse Response) 필터, HPF(High Pass Filter), 고정 임계값을 통한 안정화 필터등을 소프트웨어적으로 구현하여 적용하여 순수 가속도 정보를 얻는다. 필터를 통해 얻어진 관성 데이터는 이동거리 및 방향 추정 연산을 통해 실제와 비슷한 위치 데이터로 변환된다. 추정된 경로의 오차는 매핑 알고리즘을 거쳐 정확한 위치로 보정된다. 매핑 알고리즘은 특정 건물 내의 지도를 자동으로 인식하여 교차로, 복도, 목적지를 구분하여 위치 정보를 그래프 형태로 저장하고 위치 검색의 효율을 높인다. 또한 실제 거리와 추정 거리간의 관계를 이용하여 매핑계수를 추출하고 이동거리와 방향에 대한 오차 보정의 지표로 활용하여 유동적인 오차 보정이 가능하다.</p> <p>본 논문의 구성은 다음과 같다. Ⅱ장에서는 실내 측위에 관련된 주요 관련 연구들을 소개하고, Ⅲ장에서는 관성 측정 장치를 이용한 실내 측위 시스템의 알고리즘을 설명한다. Ⅳ장에서는 구현된 실내 측위 시스템에 대해 설명하고 Ⅴ장에서는 실내 측위 실험 결과에 대해 서술하며 마지막으로 Ⅵ장에서 결론을 맺는다.</p>	HSDPA, WiBro, 모바일 디바이스 등 정보통신 기술 발전에 따라 사용자는 언제 어디서나 네트워크에 접속할 수 있는 유비쿼터스 컴퓨팅 환경을 경험하게 되었다. 이러한 환경에서 사용자 위치에 따른 정보를 제공하는 위치 기반 서비스(LBS)의 중요성이 강조되고 있다. 본 연구에서는 관성 측정 장치(IMU), 오차 보정 필터와 알고리즘을 통해 실내 위치 측정 보정을 위한 매핑 알고리즘을 제시한다. 이 알고리즘은 지도를 자동 인식하여 위치를 정확히 파악하고, 매핑 오류를 방지하며, 사용자의 움직임에 따라 위치 탐색의 효율성을 높인다.
<h1>Ⅱ. 관련 연구</h1> <p>위치 기반 서비스(LBS) 산업은 유비쿼터스 환경에서 없어서는 안될 중요한 기술요소로 평가되고 있으며 현재도 많은 연구가 이루어지고 있는 분야이다. 하지만 실내 측위 분야는 환경적인 요소로 인해 이렇다 할 솔루션이 많이 개발 되지 않았고 연구실 수준에서 그치는 실정이다.</p> <p>실내 위치 인식 기술의 대부분은 무선통신 기반 기술인데 WLAN(Wireless LAN), UWB(Ultra Wide Band), RFID(Radio-Frequency IDentification)등의 기술이 존재한다. 이런 무선통신 기반 기술의 경우 인프라가 필요해서 초기 설치비용이 높고 문제 발생시 보수가 어렵다. 또한 신호 간섭의 문제, 위치 정확도, 인식 거리등의 문제가 있어 정확한 위치 측정에 한계가 있다. 적외선 기반, 초음파, 자기장 등을 이용한 시스템 또 한 간섭에 약하고 인프라 설치시 주변 환경에 영향을 많이 받는 단점이 있다.</p> <p>위치를 측정하는 다른 방법으로는 컴퓨터 비전을 이용한 방법이 있다. 카매라로 전송받은 이미지를 미리 저장되어있던 데이터와 비교하여 위치 정보를 계산 하게 된다. 비전 기반 시스템의 경우 따로 주변 환경을 바꿀 필요가 없는 장점을 가지고 있으나 매우 방대한 데이터베이스가 필요하다는 단점이 존재한다. SLAM (Simultaneous Location and Mapping) 방법의 경우 데이터를 미리 저장하지 않아도 되지만 역광이나 좁은 시야 등의 문제로 인해 신뢰도가 낮다.</p> <p>여러 연구 결과들이 외부 도움이 필요없는 몇몇 접근 방안을 제시하고 있는데 가장 간단한 것이 보수계, 즉 걸음수를 이용하는 것이다. DRM(Dead Reckoning Module은 걸음 수를 이용하여 PNS (Personal Navigation System)을 가능케 했다. DRM은 가속도 센서를 이용하여 걸음 수를 검출하고 지자기 센서를 이용하여 방향을 검출하여 2D 위치를 추정한다. 하지만 보폭이 일정하게 정해져 있어서 높은 정확도를 얻기 위해서는 움직임에 제약이 따른다.</p> <p>SDINS(Strap-down Inertial Navigation System)를 이용한 위치 측정 기술은 사용자의 자세와 움직임 정보를 모두 사용함으로써 사용자의 위치를 높은 정확도로 추정한다. 하지만 추측 항법의 특성으로 인해 추정된 위치의 정확도가 $ 100 \% $가 아니므로 증가하는 오차를 막을 수 있는 새로운 방법이 필요하다.</p> <p>본 논문에서는 실내의 모든 지점에서 보정을 하는 매핑 알고리즘을 제안한다. 초기 위치 이후로 실제 위치가 업데이트 되지 않는 추측 항법의 단점을 없애기 위해 지도상의 모든 교차로에서 위치 보정을 수행한다. 따라서 시간이 지남에 따라 증가하는 오차를 지속적으로 제거해 주고 정확한 위치를 제공 가능하다.</p>	위치 기반 서비스 산업은 유비쿼터스 환경에서 필수불가피한 기술요소이며 활발한 연구가 이뤄지고 있지만, 실내 측위 분야는 환경적인 요소로 인해 명확한 해결방안이 많이 개발 되지 않아 실용화에서 멀다. 이에 본 논문은 기존 연구들의 한계를 개선하기 위하여 실내의 모든 지점에서 보정을 하는 매핑 알고리즘을 제안한다. 제안된 방식은 제안된 초기 위치의 실제 위치가 업데이트 되지 않는 추측 항법과 달리 지도상의 모든 교차로에서 위치 보정을 수행하여, 시간이 흐르며 증가하는 오차를 지속적으로 제거하고 정확한 위치 정보를 제공한다.
<h1>Ⅳ. 실내 측위 시스템</h1> <p>실내 측위 시스템은 크게 관성 측정 모듈과 모바일 디바이스로 구성된다(그림 7). 관성 측정 모듈은 가속도 센서와 각속도 센서의 출력을 받아 아날로그 신호를 디지털 신호로 변환하여 모바일 디바이스로 측정데이터(raw data)를 전송하는 역할을 한다. 모바일 디바이스는 필터, 위치 추정 알고리즘, 매핑 알고리즘을 통해 관성 측정 모듈로부터 전송받은 측정데이터를 처리, 연산하고 보정된 위치를 디스플레이하여 사용자에게 보여준다</p> <p>관성 측정 모듈은 가속도 센서, 각속도 센서, 마이크 로컨트롤러 (Microcontroller Unit)로 구성된다(그림 8).</p> <p>관성 측정 모듈은 가속도 센서는 Freescale사의 KIT3109MMA7260Q 3축 가속도 센서 보드를 사용하였고 각속도 센서는 MURATA사의 ENC-03RD 1축 자이로 센서를 사용하였다. 가속도 센서와 각속도 센서에서 출력되는 신호는 8bit MCU인 Atmegal28의 ADC(Analog Digital Converter)를 거쳐 디지털 신호로 변환 되고 USART 시리얼 통신을 이용해서 모바일 디바이스로 전송된다.</p> <p>MMA7260Q 가속도 센서는 $ 800 \mathrm { mV } / \mathrm { g } $의 sensitivity를 가지고 $ 1.5 \mathrm { g } \sim 6 \mathrm { g } $까지의 가속도를 측정 가능하다. 가속도 센서와 자이로 센서의 출력 신호는 $ 10 \mathrm { bit } \mathrm { ADC } $ 를 거쳐 디지털 신호로 변환된다. 이때 관성 정보를 얻기 위한 샘플링 주파수는 약 $ 80 \mathrm { ~Hz } $이다.</p> <p>관성 측정 장치에서 가속도 정보와 각속도 정보를 얻기 위해 Foot-mounted SDINS(Strap-down Inertial Navigation system)를 구현하였다(그림 9). 관성 측정 장치는 신발에 부착되어 사용자의 발의 움직임에 대한 관성 정보를 얻을 수 있다.</p> <p>모바일 디바이스로 전송된 관성 측정 장치의 측정데이터는 필터와 보정 알고리즘을 거쳐 연산된다. 모바일 디바이스에 올려진 실내측위 시스템 어플리케이션은 최종적으로 보정된 위치를 지도상에 매핑시켜 실시간으로 표시한다(그림 10).</p> <p>또한 x,y,z 3축의 가속도 정보를 표시하고 맵 인식 알고리즘을 통해 지도상의 교차로, 복도, 목적지의 수와 현재 위치의 정보를 표시한다.</p>	실내 측위 시스템은 관성 측정 모듈과 모바일 디바이스로 구성되어, 가속도 센서, 각속도 센서, MCU를 사용하여 출력되는 신호를 디지털 신호로 변환하고 USART 시리얼 통신을 통해 모바일 디바이스로 전송하며, 필터, 위치 추정 알고리즘, 매핑 알고리즘을 통해 보정된 위치를 디스플레이하여 사용자에게 보여주는 실내 측위 시스템이다.
<h1>Ⅲ. 알고리즘</h1> <h2>1. 전체 시스템</h2> <p>구현된 실내 측위 시스템의 알고리즘은 관성 측정 장치의 필터, 위치 추정 알고리즘, 매핑 알고리즘으로 구성되어 있다. 그림 1은 구현된 전체 시스템의 알고리즘 이다.</p> <h2>2. 필터</h2> <p>관성 측정 장치는 가속도 정보와 각가속도 정보를 알 아내어 자세 측정에 용이하나 드리프트 오차가 존재한다. 이는 저가형 MEMS(Microelectromechanical Systems) 관성 측정 장치일수록 더욱 심하여 자세 측정마저 불가능하다. 때문에 실내 위치 추적을 위해 여러 가지 필터링 과정이 필요하다. 이를 위해 고정 임계값, 고주파필터(High Pass Filter), 저주파필터(Low Pass Filter) 또는 유한 충격 응답(Finite Impulse Response)을 통한 안정화 필터 등을 소프트웨어적으로 구현하여 적용하였다. 필터를 통해 얻어진 관성 데이터는 이동거리 및 방향 연산을 통해 실제와 비슷한 위치 데이터로 변환된다. 저가형 MEMS 관성 측정 장치일수록 잡음과 오차가 심하기 때문에 필터링이 필요하다. 가속도 센서와 각속도 센서의 잡음을 줄이기 위해 LPF나 FIR필터를 이용할 수 있다. 그림 2는 LPF나 FIR필터를 통과한 측정 신호가 가공되기 전의 원 신호에서 잡음을 제거하여 보다 부드러운 신호로 바뀜을 보여준다. 또한 가속도 센서와 각속도 센서로부터 출력되는 신호는 레퍼런스 전압으로 인해 바이어스 오차가 생긴다. 이 바이어스 오차를 없애 주기 위해 HPF를 통과시켜 저주파 특성을 없앤다. 이는 자세에 상관없이 각 축의 가속도 데이터를 측정할 수 있다. 그림 3은 원신호가 LPF와 HPF를 거쳐 순수한 가속도 데이터만을 얻어낸 것을 나타낸다.</p> <h2>3. 위치 추정 알고리즘</h2> <p>관성 측정 장치 필터링을 통해 추출된 관성 데이터는 이동거리 및 방향 연산 알고리즘을 통해 실제 위치 변화와 비슷한 위치 데이터를 생성한다. 이동거리와 방향은 관성 데이터의 적분을 통해 구할 수 있다. 하지만 관성 측정 장치의 드리프트 오차로 인해 위치 데이터의 오차는 시간이 지날수록 기하급수적으로 늘어난다. 이를 방지하기 위하여 기존의 ZUPT(Zero velocityUPdaTe) 알고리즘을 구현하였다. ZUPT 알고리즘은 걸음과 걸음 사이에 0속도의 존재를 이용한 알고리즘으로 한 걸음이 끝나면 속도를 0으로 임의적으로 갱신하여 적분오차를 없앤다. 이는 한 걸음 동안의 오차는 생길 수 있으나 지속적인 오차를 방지할 수 있다.</p> <p>ZUPT 알고리즘 적용을 위해서는 걸음 수 검출이 필요하다. 걸음 수 검출은 가속도 데이터로부터 에너지를 계산하여 검출한다. 에너지는 걸음과 걸음 사이의 구간에서는 움직이지 않으므로 0이 된다. 에너지 $ \mathrm{E} $는 각 축의 가속도 값 $ \mathrm{Ax}, \mathrm{Ay}, \mathrm{Az} $의 제곱을 더한 값의 양의 제곱근이다.</p> <p>$ E=\sqrt{A_{x}^{2}+A_{y}^{2}+A_{z}^{2}} $<caption>(1)</caption></p> <p>걸음 수가 검출이 되면 걸음이 끝날 때마다 속도를 0으로 초기화시켜 드리프트 오차를 제거한다.</p> <p>관성측정장치로부터 얻어진 관성 데이터를 이용해 속도와 이동거리 연산을 한다. 속도 $ \mathrm{V} $는 가속도 값 $ \mathrm{A} $를 적분한 것이고 다시 속도 $ \mathrm{V} $를 적분하면 이동거리 $ \mathrm{D} $가 계산된다.</p> <p>$ \left(\begin{array}{l}V_{(x, y, z)}=\int_{\nabla t} A_{(x, y, z)} d t \\ D_{(x, y, z)}=\int_{\nabla t} D_{(x, y, z)} d t\end{array}\right) $<caption>(2)</caption></p> <p>생성된 이동거리 $ (\mathrm{d}) $ 와 방향($\Phi$) 데이터를 이용하여 기준 위치로부터의 실제와 비슷한 이동 경로를 추정할 수 있다.</p> <p>$ x_{i+1}=x_{i}+d \cos \left(\theta_{i}\right) $<caption>(3)</caption></p> <p>$ y_{i+1}=y_{i}+d \sin \left(\theta_{i}\right) $<caption>(4)</caption></p> <p>$ \theta_{i}=\theta_{i-1}+\phi $<caption>(5)</caption></p> <h2>4. 매핑 알고리즘</h2> <p>위치 추정 알고리즘을 통해 추정된 이동 경로는 실제와 비슷하지만 추축 항법의 특성으로 인해 정확한 위치와는 오차가 있다. 이 오차는 시간이 지날수록 증가하여 실제 위치와는 많은 차이가 난다. 이렇게 증가하는 오차를 지속적으로 없애주기 위해 매핑 알고리즘을 제안한다. 매핑 알고리즘은 지도 상의 모든 교차로, 복도, 목적지에서 움직임에 대한 보정 업데이트가 이루어져 계속해서 늘어나는 오차를 보정한다. 매핑 알고리즘은 맵 인식 알고리즘과 위치 보정 알고리즘으로 크게 두 부분으로 나뉘어진다.</p> <h3>가. 지도 인식 알고리즘</h3> <p>맵 인식 알고리즘은 실제 지도의 간소화된 지도를 입력하면 자동으로 인식하여 지도상의 구성요소인 교차 점, 복도, 목적지를 분류한다(Algorithm 1).</p> <p>맵 인식 알고리즘에 적용하기 위한 간소화된 지도는 선으로 그려진 2차원 그림이다(그림 4).</p> <p>지도에서 정보를 분류하기 위해 지도의 모든 부분을 검색하여 특징을 추출하여 구조를 인식한다. 지도 파일의 모든 도트(dot)를 검색하여 주변 도트 8개의 구조(그림 5)를 통해 해당 도트가 무엇인지 정의한다.</p> <p>목적지, 교차로, 복도로 정의된 도트 정보는 주변 도트 정보의 일치 여부 판별을 통해 통합되고 지도상의 각 구성요소간의 연결 관계를 그래프 형태(그림 6)로 저장한다.</p> <h3>나. 위치 보정 알고리즘</h3> <p>위치 보정 알고리즘은 위치 추정 알고리즘을 통해 계산된 위치 정보를 사용자의 움직임 이벤트 발생시 인근 구성요소로 매핑하여 오차를 줄인다. 매핑된 위치와 이전 위치간의 맵 정보가 다를 경우 해당 구역을 벗어 났다고 판단하여 위치 보정을 한다. 인근 구성요소간 연결 관계 정보 검색을 통해 인근 구성요소로 매핑을 하여 위치의 점프를 방지한다.</p> <p>위치 보정시 실제 이동거리와 추정 이동거리를 이용하여 스케일 팩터(a)를 구할 수 있다.</p> <p>$ \alpha=\frac{\sum_{i=1}^{n} A D_{i}}{\sum_{i=1}^{n} M D_{i}} $<caption>(6)</caption></p> <p>AD는 실제 이동거리로 이전의 보정된 위치로부터 새로 보정된 위치까지의 거리이고 MD는 측정된 거리를 의미한다. 스케일 팩터는 매 위치 보정 마다 유동적으로 변하여 센서의 위치변화나 움직임의 패턴에 영향을 받지 않고 정확한 위치 보정을 할 수 있다. 구해진 스케일 팩터값은 위치 추정 알고리즘으로 피드백 되어 추정 위치의 오차를 보정한다.</p> <p>$ x_{i+1}=\alpha \times\left(x_{i}+d \cos \left(\theta_{i}\right)\right) $<caption>(7)</caption></p> <p>$ y_{i+1}=\alpha \times\left(y_{i}+d \cos \left(\theta_{i}\right)\right) $<caption>(8)</caption></p>	저비용 MEMS(Microelectromechanical Systems) 관성 측정 장치는 심각한 문제에 직면해 있으며 그 한계는 자세 측정조차 비실용적이 되는 지점까지 확장됩니다. 이를 해결하기 위해 고정 임계치를 이용한 안정화 필터, 고역 통과 필터, 저역 통과 필터, 유한 임펄스 응답 등 다양한 소프트웨어 기반 기법을 구현하여 적용하였다. 이 필터는 측정 자세에서 MEMS 관성 측정 장치의 성능과 정확도를 향상시키는 것을 목표로 합니다.연결 관계 정보 검색을 통해 주변 구성 요소 간의 연결을 설정하면 위치 점프를 피할 수 있습니다. 이 프로세스를 통해 구성 요소가 인접한 구성 요소에 매핑되어 공간 연속성을 유지하고 급격한 위치 변경을 방지할 수 있습니다. 위치 보정 알고리즘은 위치 추정 알고리즘에서 얻은 계산된 위치 정보를 조정하여 오차를 최소화하는 것을 목표로 합니다. 사용자의 이동 이벤트가 발생하면 이 알고리즘은 위치 정보를 주변 구성 요소에 매핑하여 예상 위치를 실제 위치와 정렬하고 불일치 또는 부정확성을 줄입니다.
<p>Two-level 형태소 분석 방법은 규칙 기반 방법 중 하나로 형태소의 변화 현상을 규칙으로 처리하고, 기본 어휘 사전을 기반으로 형태소 결합관계를 분석한다. 이는 언어에 독립적인 방법으로 한국어에 대해서도 일부 구축되어 적용됨이 증명되었다. 그러나 기존 한국어에 대한 Two-level 형태소 분석기는 사전을 수동으로 구축하여 규모가 매우 작고 실제 사용에 제한적이었으며, 과분석이 많아 효율성이 매우 떨어졌다. 본 논문은 세종 품사부착 말뭉치에서 대규모의 Two-level 어휘 사전을 자동으로 구축하여 형태소 분석기의 적용 범위를 넓히고, 형태소간의 결합관계를 어휘 정보와 어휘 형태에 따른 하위품사 정보를 이용하여 분석함으로써 형태소 분석기의 성능을 향상시킬 수 있는 방법을 제시한다. 실험 결과, 기존의 방법보다 형태소 분석기의 과분석을 $ 68 \% $ 이상 줄여 f-measure를 $ 25.5 \% $ point 이상 향상시킬 수 있었다.</p> <h1>1. 서 론</h1> <p>Two-level 형태소 분석 방법은 Kimmo에 의해 제안된 규칙 기반 형태소 분석 방법으로, 언어에 독립적이며, 형태소 분석에서의 철자 변형 현상을 효과적으로 처리한다. 이 모델은 형태소들 간 결합시 발생하는 철자의 변화를 Two-level 규칙으로 표현하고, 형태소의 원형과 그들의 결합관계는 Two-level 어휘 사전에 그래프 형태로 표현한다. 또한 이는 형태소의 원형과 활용형을 중간단계 없이 2단계로 처리하여 형태소 분석 및 생성이 동시에 처리가 가능하다.</p> <p>Two-level 모델을 이용한 한국어 형태소 분석은 [4]에서 처음 시도되었다. 이 연구에서는 한국어의 철자 변형 현상에 대한 규칙을 용언을 중심으로 비교적 자세히 작성하였으며, 어휘 사전을 수동으로 일부 구축하여 작은 규모의 실험이기는 하나 한국어 형태소 분석에도 Two-level 모델이 적용될 수 있음을 증명하였다. 그러나 활용할 수 있는 언어자원이 충분하지 않아 어휘 사전의 규모가 작았으며, 그로 인해 매우 제한적인 분석만이 가능하였다. 또한 형태소간의 결합관계를 품사의 결합관계만으로 표현하여 결과의 과분석이 많은 문제가 있었다.</p> <p>최근에는 세종 형태부착 말뭉치와 같은 언어 자원이 많이 개발되어 있어, 이를 이용한다면 신뢰성 있는 대규모의 어휘사전을 손쉽게 구축할 수 있으며, 어휘들 간의 결합관계를 추출하여 형태소 분석에 적용함으로써 기존에 개발된 한국어 Two-level 형태소 분석 모델의 성능을 더욱 향상 시킬 수 있을 것이다.</p> <p>본 논문은 형태소 품사부착 말뭉치로부터 어휘를 추출하여 대규모의 Two-level 어휘사전을 자동으로 구축한다. 또한 어휘 및 품사들 간의 결합관계를 자동으로 추출하여 어휘사전을 구성한다. 특히 형태소의 결합관계를 ‘품사-품사(이하 품사전이)’의 결합관계가 아닌 ‘형태소/품사-품사(이하 어휘전이)’ 결합관계로 확장하고, 어휘의 형태적 특징에 따른 세부 품사 분류(이하 하위품사)를 통해 형태소 분석 결과의 과분석을 줄이는 방법론을 제시한다.</p>	세종 한국어 품사부착 말뭉치로부터 어휘를 추출하고 대규모 Two-level 모델 어휘사전을 자동으로 구축하여 형태소 분석기의 적용 범위를 넓히고, 형태소의 결합관계를 분석함으로써 형태소 과분석을 68% 이상 줄여 기존 형태소 분석기의 한계를 극복하고 성능을 개선할 수 있는 방법론을 제시한다.
<h1>4. 실험 및 분석</h1> <p>본 연구의 실험에 사용한 자료는 세종 말뭉치(문어체)이며, 총 10,130,363 어절 중 일부 오류(품사부착오류, 말뭉치형식오류 등)를 제외한 8,676,400 어절에서 순수 한글 어절인(부호, 숫자, 외국어 제외) 7,810,329 어절을 사용하였다. 또한 이 중 단 한 번 출현한 어절은 분석 오류의 경우가 많아 실험에서 제외하여 실제 실험에 사용한 어절은 총 7,252,908 어절이다.</p> <p>학습에 사용한 어절은 전체 어절의 $ 90 \% $이며, 실험에 사용한 어절은 나머지 $ 10 \% $로 구성하여 10배수 교차 검증(10 fold cross validation) 실험을 하였다. 실험은 품사전이 방법과 어휘전이 방법으로 어휘 사전을 구축하여 수행하였으며, 각 방법에 하위품사 전이 방법을 적용하여 걸과를 비교하였다. 또한 $ 10 \% $의 실험어절 중 8음절 이상의 어절은 실험에서 제외하였는데 이는 품사전이 방법으로 PC-KIMMO 를 수행할 때 너무 많은 분석 결과를 생성해 내어, 프로그램 수행이 불가능하기 때문이다.</p> <p>평가에 사용한 지표는 정답포함률(recall), 생성효율(precision), f-measure, 평균 분석 수(ANO, AverageNumber of Output), 미분석률(Failure)이며, 각 수식은 다음과 같다.</p> <p>어휘 사전 구축 방법에 따라 실험을 한 결과 Table 5와 같은 결과를 얻을 수 있었다.</p> <p>결과를 살펴보면 어휘전이 방법의 f-measure 값이 품사전이 방법보다 각각 $ 21.26 \% $ point, $ 23.3 \% $ point의 성능 향상이 있었다. 이는 어휘전이 방법이 품사전이 방법보다 과분석이 줄어들어(일반품사: $ 70 \% $, 하위품사: $ 68.7 \% $ ) 생성효율이 높아졌기 때문이다. 물론 어휘전이 방법을 사용하게 되면 어휘 부족에 따른 자료 부족 문제가 생기기 때문에 분석하지 못하는 어절이 품사전이 방법보다 많이 생기게 된다. 이는 학습 말뭉치의 크기를 늘려 어휘의 양을 증가시키거나, 미분석 어절에 대해 품사전이 방법으로 한 번 더 형태소 분석을 하는 등의 방법이 필요하다.</p> <p>또한 하위품사를 이용하여 형태소 결합관계를 표현한 방법이 일반품사를 이용한 것보다 품사전이 방법의 경우 $ 1.7 \% $ point, 어휘전이 방법의 경우 $ 4.7 \% $ point 효율이 높아졌음을 알 수 있다. 본 연구에서는 '체언-조사' 결합관계에서의 어휘적 특징만을 이용하여 하위품사를 적용시켰는데, 이를 다른 형태소들 간의 결합관계에 대해 더 확장한다면 성능이 더욱 좋아질 것으로 예상된다.</p> <p>본 실험에서 성능 저하의 가장 큰 원인은 미등록어에 의한 분석 실패로 분석 오류 전체에서 품사전이의 경우 평균 $ 89.92 \% $, 어휘전이의 경우 평균 $ 82.64 \% $를 차지하고 있다. Two-level 모델은 미등록어를 추정할 수 없으므로 이 문제를 바로 해결하기는 힘들다. [4]의 실험에서는 미등록어로 인한 분석 실패 어절을 실험의 결과에서 제외하였으며, 이와 같은 방법으로 본 연구에서 재 실험한 결과, Table 6 과 같은 실험 결과를 얻을 수 있었다.</p>	세종 말뭉치(문어체)의 순수 한글 어절 7,252,908개를 사용하여 10배수 교차 검증 실험을 수행하였다. 그 결과 어휘전이 방법의 f-measure 값이 품사전이 방법보다 각각 21.26% point, 23.3% point의 성능 향상이 있었고, 하위품사를 이용하여 형태소 결합관계를 표현한 방법이 일반품사를 이용한 것보다 품사전이 방법의 경우 1.7% point, 어휘전이 방법의 경우 4.7% point 효율이 높아졌다.
<p>여전히 분석을 하지 못하는 일부 어절의 경우는 대부분 규칙으로 정의하지 못한 예외적인 경우이다. 예를 들어, Table 7과 같은 구어체 표현 중 Two-level 규칙으로 기술하지 못한 일부 어절에 대해서는 분석을 하지 못한다.</p> <p>만약 한국어에서 발생하는 어휘변형 현상에 대한 규칙을 좀 더 상세히 기술할 수 있다면 이와 같은 오류는 해결이 가능할 것이다.</p> <h1>5. 결론 및 향후연구</h1> <p>언어에 독립적인 형태소 분석 방법인 Two-level 모델은 어휘형과 표층형의 두 가지 표현만으로도 철자의 변화를 처리할 수 있는 효율적인 모델이다. 이는 다양한 어미와 접사를 가지고 있으며, 불규칙 변형 현상, 음운 현상이 발달한 한국어에도 잘 적용됨이 이미 기존 연구에서 밝혀진 바 있다. 또한 기존의 연구에서 한국어의 다양한 변화를 처리할 수 있는 여러 규칙들과 어휘 사전이 일부 구축되기도 하였다. 그러나 기존의 연구들은 수동으로 모든 규칙과 사전을 만들어서 그 적용 범위가 매우 작고, 구축하는데 많은 시간이 소요되며 또한, 여전히 많은 오류들을 포함하고 있다. 그리고 어휘 사전을 구축할 때 형태소 간의 결합 관계를 품사의 결합 관계만으로 표현하여 과분석 문제가 발생하였다.</p> <p>본 논문에서는 한국어 형태소 품사부착 말뭉치를 이용하여 어휘 사전을 자동으로 구축함으로써 수작업으로 인한 오류를 줄이고, 사전 구축에 소요되는 시간을 줄일 수 있었다.</p> <p>또한 어휘 사전 구축시 형태소의 결합관계를 품사의 결합관계에서 어휘와 품사의 결합관계로 확장하여 기존 연구에서 문제가 되었던 결과의 과분석을 $ 68 \% $ 이상 줄일 수 있었으며, 어휘의 특징에 따라 품사를 보다 세분화하여 한국어 Two-level 형태소 분석기의 효율을 품사전이 방법의 경우 $ 1.7 \% $ point, 어휘전이 방법의 경우 $ 4.7 \% $ point 높일 수 있었다. 물론 본 연구에서도 문제가 되는 현상들이 있는데 이는 Table 9 와 같다.</p> <p>미분석 문제의 경우는 크게 두 가지로 나눌 수 있다. 첫 번째는 미등록어에 의한 분석 실패이고, 두 번째는 규칙의 부재에 따라 분석하지 못하는 어절이 생기는 것이다. Two-level 모델의 특성만으로는 미등록 형태소에 대한 분석이 불가능하다. 이를 해결하기 위해서는 학습 말뭉치의 양을 늘리거나, 사용자 정의 사전 등을 이용하여 해결하는 것이 필요하다. 또한 어휘전이 방법의 경우에는 품사전이 방법보다 많은 정보를 필요로 하여 그에 따른 분석 실패 어절이 늘어나므로, 이를 해결하기 위해서는 분석에 실패한 어절에 대해 품사 전이 방법으로 한 번 더 형태소 분석을 수행하는 등의 방법이 필요하다.</p> <p>본 연구에서 사용한 형태소 변형 규칙은 대부분 용언에서 발생하는 형태소 변형 현상으로 [4]에서 수작업으로 정제하며 만든 규칙을 사용하였다. 그러나 한국어의 형태소 변형현상은 용언 이외의 형태소에서 발생하기도 하며, 예외적인 현상 또한 존재한다. 만약 이러한 현상에 대해 더 조사를 하고 규칙에 반영할 수 있다면 분석 가능한 어절 수가 늘어날 것으로 예상된다.</p>	본 논문에서는 한국어 형태소 품사부착 말뭉치를 이용하여 어휘 사전을 자동으로 구축하여 수작업으로 인한 오류와 사전 구축에 소요되는 시간을 줄이고, 품사를 세분화해 한국어 Two-level 형태소 분석기의 효율을 높이는 등의 방법을 제시하였다. 이때 발생할 수 있는 미분석 문제는 미등록어에 의한 분석 실패와 규칙의 부재로 나뉘며, 이를 해결하기 위해서는 말뭉치의 양을 늘리거나, 사용자 정의 사전 등을 이용하거나, 품사 전이 방법으로 분석을 수행하는 등의 방법이 필요하다.
<h1>3. 형태소 품사 부착 말뭉치를 이용한 한국어 Two-level 어휘사전 자동 구축</h1> <p>본 연구의 전체 시스템 구성은 Fig. 5와 같다. PC-KIMMO는 Two-level 모델을 컴퓨터로 수행하기 위해 개발된 공개 소프트웨어로, Summer Institute of Linguistics사에서 1985년 제작하여 현재까지 널리 사용되어 왔으며 규칙을 처리하는 부분과 사전을 구성하는 부분이 비교적 완벽하게 구성되어 있다. 본 연구에서도 이미 검증이 된 공개 소프트웨어인 PC-KIMMO를 이용하여 한국어 Two-level 모델을 실험하였다.</p> <p>PC-KIMMO를 구성하는 규칙은 Two-level로 표현한 규칙들이 FST(Finite State Transducer)형태로 저장되며, 어휘사전에는 각 형태소들이 변형이 일어나지 않은 원형의 형태로 저장(Lexicon field)되고, 형태소들 간의 결합관계도 표현(Alternation field)된다. 한국어에서의 형태소 변형 규칙에 대한 Two-level 규칙은 [4]에서 비교적 자세히 작성되어 본 연구에서는 이를 그대로 사용하며, 형태소의 원형과 그 결합관계는 세종 형태부착 말뭉치(이하 세종 말뭉치)를 이용하여 자동으로 구축한다.</p> <h2>3.1 학습 자료 만들기</h2> <p>세종 말뭉치는 약 1,000만 여개의 한국어 어절에 대한 분석 결과를 담고 있는 언어 데이터베이스이며 XML태그를 이용하여 문서 정보, 한국어 어절, 어절의 형태소-품사 분석 결과를 표현하고 있다. 이를 사용하면 대량의 어휘 사전을 손쉽게 구축할 수 있으나 Two-level 어휘 사전의 형식에 맞게 변환하기 위해서는 몇 가지 작업이 필요하다.</p> <p>Two-level 어휘사전은 각 형태소의 원형과 품사, 그리고 품사간 결합관계로 구성된다. 이를 위해, 먼저 말뭉치로부터 어절과 형태소 분석 내용이 포함된 학습 자료를 만들고 이로부터 각 형태소의 원형과 품사간 결합 관계 등을 추출하여 어휘 사전을 구축한다. Fig. 6은 말뭉치로부터 추출한 어절 및 형태소 분석 내용이다.</p> <h2>3.2 형태소 원형 어휘 및 bi-gram 정보 추출</h2> <p>수작업으로 어휘사전을 구축한 경우, 서로 다른 변형을 하는 동형 형태소를 구분하기 위해 ‘ + ’, ‘$’, ‘X’의 기호를 각 형태소의 특성에 따라 형태소 원형의 앞 혹은 뒤에 추가하였다. 그러나 말뭉치에서 이를 자동으로 구축할 때에는 학습 자료로부터 어휘의 변형 현상을 감지하고, 어떠한 변형현상이 있는지, 혹은 동형 형태소는 어떠한 것이 있는지를 찾은 후에 이를 추가해 주어야 한다. Fig. 7은 Fig. 6에서 구축된 학습 자료에서 활용형 어휘에 변화가 일어난 어절을 찾은 후 규칙 혹은 불규칙 변형 형태소에 형태소 구분자를 추가한 후 형태소의 원형과 bi-gram을 추출하는 알고리즘이다.</p> <p>단, Fig. 7의 4번 과정에서 저장되는 형태소 bi-gram 정보는 형태소 결합관계 추출 방법에 따라 저장되는 형태가 다르다.</p>	PC-KIMMO는 공개 소프트웨어로 Two-level 모델을 컴퓨터로 수행할 수 있게 개발되었다. 이를 이용하여 한국어 Two-level 모델을 실험하였고, 세종 형태부착 말뭉치를 사용하여 형태소의 원형과 그 결합관계를 자동으로 구축하였다. 학습 자료를 만들고 변형 현상을 감지한 후 형태소 원형과 bi-gram을 추출하는 알고리즘을 사용하여 Two-level 어휘사전을 구축하였다.
<p>본 논문의 구성은 다음과 같다. 2장에서는 Two-level 모델의 개요와 한국어에 적용하는 방법을 설명하고, 3장에서는 어휘 사전을 자동으로 구축하는 방법과 형태소 결합관계추출 방법에 대해 설명한다. 4장에서는 세종 품사부착 말뭉치를 이용한 실험 및 이전 방법들과의 비교를 하고, 5장에서는 결론을 낸다.</p> <h1>2.관련 연구</h1> <p>형태소 분석이란 자연언어 처리의 기초 단계로써 어절(영어의 경우 단어)에서 형태소들을 분리해내어 그 원형을 복원하는 것을 말한다. 이를 위해서는 형태소 원형에 대한 정의, 각 원형들 간의 결합관계에 대한 정보, 형태소들 간의 결합 시 발생되는 철자의 변화 등을 처리하는 것이 필요하다.</p> <p>Two-level 모델은 Kimmo Koskenniemi에 의해 제안된 형태소 분석 방법으로 단어의 발화에서 생기는 여러 단계의 음운론적 변형을 중간 단계 없이 어휘형(lexical form)과 표층형(surface form)을 직접 일치시킨다. 즉, 표층형 철자와 어휘형 철자 사이의 대응 관계만을 기술함으로써 형태소 분석과 생성을 모두 표현할 수 있으며, 여러 개의 규칙이 병렬적으로 적용이 가능하다(Fig. 1).</p> <p>Two-level 모델에서는 형태소간의 결합시 발생하는 철자의 변화는 규칙으로 표현하고, 그들의 결합관계는 어휘 사전에 그래프 형태로 저장한다. Table 1은 Two-level 모델의 규칙 기술 방법이다.</p> <p>규칙을 살펴보면, '< = >'를 중심으로 LHS(Left Hand Side) 에는 변형이 일어나는 글자를 기술하고, RHS (Right Hand Side)에는 변형이 일어나는 글자 주변의 환경을 기술한다. '_ '는 철자의 변화가 일어나는 위치를 의미하며, '.' 기호를 이용하여 어휘형과 표층형의 글자를 1: 1 로 대응시킨다.</p> <p>단, 어휘형과 표층형을 1:1로 대응시킬 때 삽입 혹은 삭제와 같은 현상이 발생하면 글자를 1: 1 로 대응시키기가 힘들다. 이와 같은 현상을 해결하기 위해 Two-level 모델에서는 $'Ø’ $ 기호를 삽입 혹은 삭제가 일어나는 글자의 위치에 NULL 문자로 삽입하여 1: 1 대응이 되도록 하였다. 또한 형태소간의 경계가 명확하지 않으면 어휘의 변화가 단일 형태소 내에서의 변화인지, 아니면 형태소와 형태소가 결합할 때 그 경계에서 일어나는 것인지 구분할 수가 없다. 그래서 형태적 변형이 일어나는 형태소의 경계 부분에 ' + '기호를 추가하여 이를 명확히 구분할 수 있도록 하였다.</p> <p>Two-level 모델을 한국어에 대해 일부 구축하여 적용시킨 연구로는 [4, 5]가 있다. 이 연구에서는 한국어의 음절을 자소단위의 N-바이트 코드로 표현하여 Two-level 규칙을 기술하고 있으며, 형태소간의 결합관계를 수동으로 작성하여 Two-level 어휘 사전을 구축하였다. 예를 들어, '도와'를 '돕 + 아'로 분석하는 과정을 살펴보면 Fig. 2와 같다.</p>	Two-level 모델은 Kimmo Koskenniemi가 제안한 형태소 분석 방법으로, 단어의 발화에서 생기는 여러 단계의 음운론적 변화를 중간 단계 없이 어휘형과 표층형을 직접 일치시키는 방법이다. Two-level 모델에서는 형태소간의 결합시 발생하는 철자의 변화는 규칙으로 표현하고, 그들의 결합관계는 어휘 사전에 그래프 형태로 저장하며, $'Ø’ $ 기호를 이용하여 삽입/삭제 현상을 해결하고, '+' 기호를 이용하여 형태소 경계를 명확히 구분한다.
<p>N-바이트 코드는 한글 음절을 기본 자소로 표기하는 방법으로써 자소단위로 변화가 일어나는 한국어 변형 현상을Two-level 규칙으로 표현하기 적합한 코드이다. 또한 이는 중성에서 나타나는 복모음을 단모음들의 결합으로 보고 복모음 코드를 이용하여 따로 표기함으로써 모음조화, 모음축약 등의 음성학적 특징을 적절히 반영하여 처리할 수 있다. 단, 초성의 ‘ㅇ’은 음가가 없으므로 생략하여 표현하며 어휘형과 표층형의 자소가 동일하면 ‘:’을 이용한 대응관계가 아닌 하나의 자소로 표현한다.</p> <p>Two-level의 어휘사전은 각 형태소의 원형 어휘가 Trie 구조로 저장되어 있으며, 형태소의 품사, 품사간의 연결 관계 등도 저장되어 있어 형태소를 분석하는데 여러 정보를 제공해 준다. 이 중, 특히 품사간의 연결 관계는 Two-level 어휘사전과 규칙을 이용하여 원형 어휘를 찾은 이후에, 품사의 결합이 올바른지 검사하여 잘못된 과분석을 줄여주는 역할을 수행한다. 어절 '도와'를 분석하는 전체 수행 과정은 Fig. 3과 같다.</p> <p>어휘를 사전에 기록할 때에는 한 가지 주의해야 할 사항이 있는데, 이는 어휘의 형태는 같으나 형태론적 변형 현상이 다른 어휘를 기록하는 것이다. Two-level 규칙은 어휘의 형태만을 고려하기 때문에 이러한 단어에 대한 처리를 따로 하지 않는다면, 잘못된 분석 결과를 생성해낼 수밖에 없다.</p> <p>Fig. 4의 예제에서 ‘굽/VV’은 ‘어’로 시작하는 어미와 결합할 때 어간의 마지막 ‘ㅂ’이 ‘ㅜ’로 변하는 불규칙 용언이며 ‘굽/VA’의 경우는 변형이 일어나지 않는 규칙용언이다. 어휘의 형태만을 고려하면 ‘ㅂ’으로 끝나는 모든 용언에 대해 ‘어’로 시작하는 어미와의 결합시 ‘ㅂ’을 ‘ㅜ’로 대응하는 오류를 범하게 된다. 이를 위해서 규칙 용언은 ‘ + ’, 불규칙 용언은 ‘$’를 원형 어휘의 뒤에 추가하여 구분한다.</p> <p>이외에도 ‘르’로 끝나는 불규칙 용언은 어미 ‘어’와 결합시 어미만 변하는 ‘러’불규칙과 어간과 어미가 동시에 변하는 ‘르’불규칙의 두 가지 변형이 있는데 이는 ‘X’를 ‘러’불규칙 용언의 뒤에 추가하여 구분한다.</p> <p>한국어에서 대부분의 어휘 변형 현상은 용언과 어미, 체언과 조사 사이에서 일어나며 특히 체언의 경우는 변형 현상이 거의 없으므로, 이러한 구분 기호는 용언과 어미, 조사에만 사용한다. 형태소 구분자 추가 규칙은 Table 3과 같다.</p> <p>이외에, 체언과 조사의 결합관계에서 서술격 조사 ‘이’의 경우(세종 말뭉치에서는 긍정 지정사)는 일반 조사 ‘이’와 다르게 무종성의 체언과 결합시 탈락하는 규칙이 있다.</p> <p>[4]에서는 서로 다른 코드 값을 배정하여 이를 구분하고 있으나 본 논문에서는 형태소 구분자 ‘ + ’를 긍정지정사 뒤에 추가하여 구분한다.</p>	N-바이트 코드는 한글 음절을 기본 자소로 표기하는 방법으로써 모음조화, 모음축약 등의 음성학적 특징을 적절히 반영하여 처리할 수 있다. Two-level 어휘사전은 각 형태소의 원형 어휘를 Trie 구조 기반으로 저장했고, 형태소 분석에 있어서 다양한 정보제공이 가능하다. 한국어에서 어휘가 변형되는 현상 가운데 상당 부분은 용언, 어미, 체언 및 조사 사이에서 발생하고 구분 기호는 용언, 어미 및 조사에만 사용한다.
<h2>3.3 형태소 결합관계 추출</h2> <p>Two-level 규칙에 의해 형태소의 원형이 복원된 이후 각 형태소들의 연결 가능성을 확인한 후 결합 가능한 형태소 연결만을 형태소 분석 결과로 출력한다. 형태소 결합 관계에 대한 학습은 3.2에서 작성된 형태소 bi-gram 정보를 학습 데이터로 사용한다(Fig. 8).</p> <h3>1) 품사전이 결합관계 추출</h3> <p>품사전이 결합관계는 형태소 bi-gram 정보에서 각 형태소의 품사 정보만을 추출하여 Fig. 9와 같이 품사 결합관계를 획득한 다음 이를 형태소 결합관계로 사용한다. 이 방법은 [4]연구에서 사용된 방법과 동일하나, 본 연구에서는 이를 자동으로 구축한다.</p> <h3>2) 어휘전이 결합관계 추출</h3> <p>이 방법은 어휘적 특징을 고려하여 품사전이 결합관계를 확장한 방법이다. 이는 형태소 bi-gram 정보로부터 앞쪽에 위치하는 형태소의 경우는 어휘와 품사를 모두 추출하고, 뒤에 위치하는 형태소의 경우는 품사만을 추출하여 Fig. 10과 같은 ‘어휘/품사-품사’ 결합관계를 만들어 형태소 결합관계로 사용한다.</p> <p>이 방법은 형태소 결합관계에 제약을 더 많이 줄 수 있어 품사전이 방법에서 문제가 되는 과분석 문제를 줄일 수 있다. 예를 들어, 품사전이 방법으로 ‘제일’과 ‘반사회’ 어절을 분석하면 Fig. 11과 같은 결과를 얻을 수 있다.</p> <p>‘제일’의 경우는 올바른 분석을 하지만, ‘반사회’의 경우는 잘못된 분석 결과를 같이 얻게 된다. 체언 접두어 ‘제’는 수사와 결합하여 차례를 의미하는 형태소이지만 ‘반’은 일반 명사와 결합하여 반대를 의미하는 형태소이기 때문이다. 이처럼 한국어에는 같은 품사를 가지는 어휘라 할지라도 그의미와 형태에 따라 결합할 수 있는 품사의 종류가 제한될 수 있다.</p> <h3>3) 하위품사(sub-tag) 전이 관계 추출</h3> <p>하위품사(sub-tag)는 같은 품사를 가진 형태소들을 어휘적 특징에 따라 분류한 후 이를 구분할 수 있도록 품사를 세분화하여 표현한 방법이다. 두 개의 형태소가 결합할 때에는 어휘의 형태적 특징에 따라 결합할 수 있는 형태소를 제한할 수 있기 때문에 이를 하위품사로 분류하면 더욱 정확한 형태소 분석 결과를 얻을 수 있다. 예를 들어, ‘사랑가는’ 어절을 분석하면 Fig. 12와 같은 결과를 얻을 수 있다.</p> <p>Fig. 12의 분석 결과는 어휘 전이 결합 관계에서는 모두 올바른 분석 결과이지만, 주격조사 ‘가/JKS’의 어휘적 특징을 고려하면 분석 (a)는 잘못된 분석이다. 왜냐하면 주격 조사 ‘가/JKS’에 선행하는 체언의 마지막 음절에는 종성이 없어야 하기 때문이다(음운법칙).</p> <p>이러한 특징은 여러 형태소간의 결합에서 나타나는데 본 연구에서는 그 중 특징이 가장 잘 나타나는 ‘체언-조사’의 결합관계에 대해서만 실험을 하였다. 어휘적 특징을 반영하여 품사를 세분화한 다음 Fig. 13과 같이 어휘사전을 구축하게 되면 보다 정확하고 효율적인 한국어 Two-level 형태소 분석기를 구축할 수 있다.</p>	한국어 Two-level 형태소 분석기는 Two-level 규칙에 의해 형태소의 원형이 복원된 이후 각 형태소들의 연결 가능성을 확인하여 형태소 분석 결과로 출력하고, 형태소 bi-gram 정보를 학습 데이터로 사용하여 형태소 결합 관계를 추출한다. 품사전이 결합관계는 각 형태소의 품사 정보만을 추출하여 품사 결합관계를 획득하고, 어휘전이 결합관계는 어휘적 특징을 고려하여 품사전이 결합관계를 확장한 방법이며 하위품사 전이 관계 추출은 같은 품사를 가진 형태소들을 어휘적 특징에 따라 분류하여 품사를 세분화하여 표현한 방법이다.
<h1>1. 서 론</h1> <p>각종 애플리케이션과 스마트 기기들이 현재 시장의 빠른 흐름에 맞춰서 기획에서부터 출시까지 빠르게 진행되고 있다. 시장의 흐름에 맞춰 하나의 기기를 여러 애플리케이션에서, 하나의 애플리케이션을 다양한 기기 그리고 안드로이드와 IOS에서 제대로 실행되는지 테스트가 필요하다. 이 테스트는 정확성과 속도 모두 중요하다. 또 기업에서 제공하는 기술의 지속적인 유지 보수룰 해야 사용자들의 이탈은 줄이고 유입은 늘릴 수 있다. 출시와 유지 보수를 위한 테스트는 정확성이 보장되어야 하고 빠르게 진행되어야 테스트 비용과 애플리케이션의 전체 비용을 줄일 수 있다. 그래서 운영체제 변경과 이미지의 아이콘 변화에도 한 개의 애플리케이션 테스트 구조에 맞춰서 하나의 테스터를 사용해야 해당 테스터의 범용성과 수익성을 높일 수 있다. 기존 연구는 테스트 과정에서 운영체제와 애플리케이션의 일대일 관계가 변경될 때마다 각각의 테스터를 생성한다. GUI(Graphical user interface) 테스트 방법으로 Record Play-back, 랜덤, 모델 기반 테스트가 있다. Model-Based Android GUI Testing과 모바일 애플리케이션 GUI 테스팅 연구는 각 GUI 단계와 발생하는 이벤트들을 사용해 테스트한다. 하지만 애플리케이션은 운영체제마다 GUI의 구성과 구조가 달라서 운영체제가 변경될 경우 기존의 테스트 정답 값을 사용할 수 없다. 이것은 테스트에 사용하는 기기가 변경될 경우에도 동일하다. 새로운 기기에 맞는 테스트 구조를 구현, 실험해야 한다. 이를 위해 GUI 기반이 아닌 이미지 기반의 애플리케이션 테스트를 제안한다. 이미지 기반의 테스트는 애플리케이션의 정답 화면과 테스트 화면을 비교해서 정답을 판별한다. 단순한 이미지 비교가 아닐 때 이미지 기반으로 테스트하기 어려운 두 가지의 경우가 발생하는데 첫 번째는 애플리케이션에서 이미지의 아이콘들은 동일하지만 애니메이션 발생, 두 번째는 기기의 변경으로 비교하려는 두 이미지상 아이콘의 크기 변형이다. 이 두 경우 모두 아이콘은 동일하기 때문에 동일한 이미지라고 판단해야 한다. 이 문제들을 해결하기 위해 feature matching 방식인 D2-Net의 feature extraction 단계를 변경한 Faster D2-Net을 연구해 사용하였다. 이 연구를 통해 각종 변형에 유연하게 대응할 수 있게 기존의 GUI 또는 이벤트 발생 방식이 아닌 이미지를 기반으로 하는 테스터를 구현할 수 있고 하나의 테스터로 다양한 변형에도 테스트를 진행할 수 있다.</p> <h1>2. 관련 연구</h1> <h2>2.1 ResNet</h2> <p>ResNet은 모델의 깊이가 깊어질수록 성능이 좋아지는 것이 아닌 것을 증명했고 그 과정에서 Residual Block을 제안했다. 기존 신경망의 residual을 줄이기 위해 제안된 구조로 VGG19의 구조를 사용하고 추가로 합성곱과 Residual Block을 더해준다. 이를 통해 layer의 개수를 늘리고 특징맵의 크기는 절반으로 줄여 연산하게 된다.</p>	각종 애플리케이션과 스마트 기기들이 빠르게 기획부터 출시까지 진행되고 있으며, 정확성과 속도 모두 중요한 테스트가 필요하다. 사용자들의 이탈을 줄이고 유입을 늘리기 위해 유지 보수가 필요하며, 테스트는 정확하고 빠르게 진행되어야 한다. 기존 연구에서는 운영체제 변경과 이미지의 아이콘 변화에도 한 개의 애플리케이션 테스트 구조에 맞춰 하나의 테스터를 사용하는 것이 범용성과 수익성을 향상시킬 수 있다.
<p>이미지 전처리 과정은 내비게이션 등의 화질이 낮고 이미지 안에 와이파이 연결 강도 표시 아이콘과 같은 변형되는 아이콘이 존재하는 이미지 비교에 특히 더 높은 정확도를 보였다.</p> <h2>3.2 Compare image component values</h2> <p>이미지를 1차 비교하는 방법으로 이미지의 성분 값 비교 방법을 연구했는데 두 이미지의 픽셀을 1: 1로 비교하기에는 속도가 매우 느렸다. 그래서 정답 이미지 픽셀의 합으로 비교 이미지 픽셀의 합을 나눠서 총 픽셀 합의 비율을 구했다. 이 비율은 두 이미지가 완전히 동일한 픽셀 값일 경우 픽셀 합의 비율 값은 1이고 유사한 이미지일수록 1의 가까운 값을 가질 것이다. $ 90 \% $ 이상의 총 픽셀 합의 비율일 경우 동일한 이미지라고 판단했다.</p> <h2>3.3 Compare diff image</h2> <p>이미지 성분 값 비교보다 더 세밀한 비교를 위해서 ssim값과 차분 비교 이미지를 구했다. Fig. 2 의 두 이미지를 예시로 설명하고자 한다.</p> <p>두 이미지의 로테이션 애니메이션으로 차이가 발생하는 영역을 검은색 박스로 표시했다. 하지만 Fig. 2처럼 이미지에 로테이션(rotation), 아이콘의 크기 변화는 정답 이미지와 비교할 때 차이가 발생해서 테스트해야 하는 객체가 아니므로 동일한 이미지로 판별해야 한다. 그러므로 해당 차분 비교 이미지를 구해서 차이가 발생하는 영역만을 추출했다. Fig. 2의 두 이미지상에서 차이가 있는 부분은 Fig. 4와 동일한 로테이션 아이콘뿐이므로 차분 비교 이미지를 구하면 Fig. 3의 왼쪽 이미지에서 동일한 영역은 아무것도 표시되지 않고 차이가 발생하는 로테이션 영역만 검은색으로 표시했다.</p> <p>Fig. 3의 오른쪽 이미지는 차이가 발생하는 영역만 캡처(capture) 한 이미지이다. 이미지 성분 값과 ssim 값으로 판별하지 못한 경우 차분 비교 이미지가 Faster D2-Net로 입력된다.</p> <h2>3.4 Faster D2-Net</h2> <p>Faster D2-Net은 2가지 상황을 처리할 수 있는데 첫 번째는 이미지상에 존재하는 아이콘 크기의 변화가 발생할 경우이고 두 번째는 동일한 아이콘의 애니메이션이 발생할 경우이다. 애니메이션은 로테이션 등의 이미지상에 아이콘은 모두 동일하지만 아이콘에 이미지 효과가 발생한 경우로 정의한다. 차분 비교 이미지에서 차이가 발생한 위치의 좌표를 구해서 실제 비교하려는 두 이미지에서 해당 좌표 영역의 이미지를 구했다. 두 이미지에 차이가 발생하는 영역을 자른 것이 Fig. 4이다.</p> <p>Faster D2-Net으로 자른 이미지로 아이콘의 크기와 애니메이션 변화를 비교했다.</p> <p>matching point는 inlier point와 outlier point로 나눌 수 있다. 이 둘의 구분은 해당 point가 데이터의 분포보다 오차가 크면 outlier, 아닐 경우 inlier로 구분한다. 전체 matching point에서 inlier point를 구하는 방법은 4장에서 설명한 fitting algorithm을 사용했다.</p>	Faster D2-Net은 이미지상 존재하는 아이콘 크기의 변화가 발생할 경우, 동일한 아이콘의 애니메이션이 발생할 경우등 2가지 상황을 처리 할 수 있는데, matching point에서 point가 데이터 분포보다 오차가 크면 outlier, 적으면 inlier로 구분할 수 있다. 그리고 이미지 성분 값 비교와 더 세밀한 비교를 필요로 하는 차분비교 이미지는 Faster D2-Net이 판별하기전 비교 방법으로 이것은 이미지 전처리 과정으로 설명된다.
<p>Table 3은 Faster D2-Net의 training 모델이다. Training에서도 기존의 training보다 적은 채널과 합성곱 개수로 많은 특징점들을 빠른 속도로 얻을 수 있었다. Table 4는 Faster D2-Net의 testing 구조이다. 기존 D2-Net의 testing 모델에서는 training과 동일한 layer를 사용했다. 하지만 Faster D2-Net testing 모델은 3번째 layer까지만 사용했다. 3번째 layer의 모든 합성곱 연산에 dilation을 2로 설정했다.</p> <p>Dilation 이란 dilated convolution으로 커널 사이의 간격을 더해서 receptive field의 크기를 키운다. 예를 들어 $ 3 \times 3 $ 커널에 dilation의 값을 2 로 주면 $ 5 \times 5 $ 커널 된다. 즉, 9개의 파라미터를 가지고 $ 5 \times 5 $ 커널과 동일해진다. Dilation을 사용할 경우 적은 수의 파라미터로도 receptive field가 넓어진다. 그에 따라 공간적 차원의 손실은 줄이고 해당 연산마다 빠른 속도가 가능하다.</p> <p>Testing 단계에서 속도를 줄이고 공간상의 손실 감소를 위해서 dilation이 필요했고 D2-Net보다 dilation 값을 키워서 3번째의 모든 layer에 dilation 연산을 했다.</p> <p>최종 단계로 이미지들의 특징점들을 매칭시키고 그 결과로 얻은 matching point를 fitting algorithm에 사용해서 inlier point를 구했다. D2-Net의 경우 fitting algorithm 중에서 RANSAC(RANdom Sample Consensus)을 사용했다. 하지만 RANSAC을 사용할 경우 정확한 특징점을 얻기 어렵고 데이터들의 모델링이 어려운 경우 오랜 시간이 걸리고 정확한 모델을 얻기 힘들다. 스마트 기기 화면 이미지에서 유사한 아이콘들이 여러 개 존재할 경우 matching point으로 정확하게 모델링 하는 것이 어려워서 RANSAC으로 얻을 수 있는 매칭 점의 수가 매우 부족했다. 그래서 Faster D2-Net에서는 RANSAC을 사용하지 않고 MAGSAC(Marginalizing Sample Consensue)을 사용했다. MAGSAC은 정확한 특징점이 많지 않아도 적은 수의 반복으로 RANSAC보다 정확하고 빠르게 matching point을 구할 수 있었다. 그 결과 스마트 기기의 이미지에서도 많은 수의 point를 얻을 수 있었다.</p> <h1>5. 실험 방법과 결과</h1> <p>이미지 기반 애플리케이션 테스트의 최종 실험은 정답 이미지와 테스트할 기기의 이미지를 가지고 진행했다. 실험에 사용한 최종 이미지 수는 300장이고 테스트할 기기의 이미지에 랜덤으로 아이콘의 크기 변화와 애니메이션 변화가 존재한다. 총 300장의 이미지 중에서 6장의 이미지를 제외하고 모두 정답 값과 동일했다.</p> <p>Faster D2-Net과 이미지 비교 과정(이미지 성분 비교, 차분 비교)을 모두 포함했을 때 Android 애플리케이션에서는 $ 98 \% $ 의 정확도와 0.78초의 속도를 확인할 수 있었고 iOS 애플리케이션에서는 $ 94 \% $ 의 정확도와 0.82의 속도를 Table 5를 통해 확인할 수 있었다. 즉, Android와 iOS의 결과로 운영체제의 변화에도 유연한 사용이 가능한 것을 확인할 수 있었다.</p>	Dilation으로 커널 사이의 간격을 더하여 receptive field 크기를 키우고 이에 따라 빠른 연산 속도 및 공간적 손실을 줄인다. 마지막으로 이미지들의 특징점들을 매칭하고 그에 따른 matching point를 이용해 inlier point를 구한다. MAGSAC을 이용해 많이 반복하지 않고도 빠르고 정확히 matching point를 구하며 이 결과 android와 iOS 두 운영체제 모두 사용 가능함을 알 수 있었다.
<h2>2.2 VGGNet</h2> <p>VGGNet의 중심 연구는 모델을 깊게 구성하는 것이 성능에 어떤 결과를 가져오는지 연구하고 모델의 깊이가 깊어질수록 성능이 증가한다는 것을 확인했다. 실험을 위해 커널의 크기를 3 $ \times $3으로 설정했다. 그 이유는 깊은 모델을 만들기 위해서는 연산을 해야 하는 이미지 크기를 천천히 감소시켜야 하기 때문이다. 총 6가지의 모델 중에서 VGG19과 VGG16의 차이점은 합성곱(convolution) 연산의 수이고 VGG19이 VGG16보다 더 layer가 많은 모델이다. 두 모델의 차이는 3번째 layer부터 존재한다. VGG19의 3번째 layer에서부터 합성곱 연산의 수가 하나 더 많아지면서 총합 3개의 합성곱 연산이 추가된다. Faster D2-Net에 적합한 구조를 찾기 위해서 기본이 되는 ResNet과 VGGNet의 구조와 연산이 필요했다. 해당 구조를 변경해서 실험했다.</p> <h2>2.3 SSIM</h2> <p>SSIM Structureal Similarity Index의 약어로 영상 품질을 측정하기 위한 구조적 유사도 지수이다. 이미지의 품질 평가에서 영향력 있는 알고리즘 중 하나이다. 시각적으로 확인할 수 있는 화질의 차이와 유사도를 평가하기 위해서 사용된다. 기본적으로 ssim은 원본 이미지와 비교 대상 이미지의 휘도, 대조, 구조를 비교해서 계산한 수치값이다. Diff image를 비교할 때 수치값 계산을 위해 사용했다.</p> <h1>3. 이미지 기반의 애플리케이션 테스트</h1> <p>입력으로 받은 정답 이미지와 비교 이미지로 이 두 이미지의 비교를 위해 이미지 색상 변화와 de-noising으로 이미지 전처리를 진행한다. 전처리가 진행된 이미지들로 이미지 성분 값 비교와 ssim, 차분 비교 이미지를 통해 작은 영역에서도 차이가 존재할 경우 그 영역만을 한 번 더 판단하기 위해 차이가 존재하는 영역에 Faster D2-Net을 수행한다. 최종적으로 이미지 성분 값 비교, ssim 값, 차분 비교 이미지의 3가지 값으로 1차 비교를 하고 Faster D2-Net으로 최종 결과값을 반환한다.</p> <h2>3.1 Image PreProcessing</h2> <p>이미지 전처리 과정으로 Gray 스케일 변경과 de-noising을 수행한다. Gray 스케일 변경은 이미지를 비교할 때 아이콘의 단순한 색상 변경은 다양하게 발생해도 동일한 이미지라고 판단해야 하지만 이 경우를 제외한 모든 변화는 동일하지않은 이미지라고 판단해야 하기 때문에 색상의 변화는 고려하지 않는다. 이를 위해 이미지의 스케일 변경이 필요하다. 이미지 비교를 위해서는 뚜렷한 객체와 객체 위치가 중요하다. 정확한 비교를 위해서 이미지에 존재하는 노이즈를 제거해야 하고 이를 통해서 보다 깨끗한 이미지를 구할 수 있다. 노이즈 제거를 위해서 이미지에 커널을 컨볼루션하게 되는데 블러링(blurring)의 종류에는 평균(Averaging blurring), 가우시안(Gaussian blurring), 미디안(Median blurring) 블러링 등이 있다. 실제 3가지 블러링을 실험해 본 결과 무작위 노이즈를 제거하는데 가장 결과가 좋은 미디안 블러링을 사용했다.</p>	VGGNet은 모델 깊이가 성능에 영향을 미친다는 것을 증명하기 위해 3x3 커널을 사용하여 6가지 모델 중 VGG19, VGG16을 만들었다. SSIM은 시각적으로 확인할 수 있는 화질의 차이와 유사도를 평가하기 위해 사용되는 영상 품질 측정 알고리즘이다. 이미지 기반의 애플리케이션 테스트는 정답 이미지와 비교 이미지를 이미지 색상 변화와 de-noising으로 전처리하고 이미지 성분 값 비교, ssim, 차분 비교 이미지를 통해 1차 비교한 후 Faster D2-Net으로 최종 결과값을 반환한다.
<h2>5.1 Faster D2-Net</h2> <p>스마트 기기 화면을 캡처해서 데이터 셋을 구성하고 평가하였는데 해상도의 변화 즉, 기기의 변화를 평가하기 위해 한 가지 애플리케이션 이미지 당 총 3종류의 해상도(1440 $ \times $2880, 1440 $ \times $ 2560, 1080 $ \times $ 1920)로 구성했다. 또 한 이미지에 공백, 색상과 크기의 변형이 존재하기 때문에 Faster D2-Net이 변형에도 정답 영역을 잘 찾는지 확인할 수 있었다.</p> <p>먼저 VGG 계열 중에 batch normalization(bn)을 포함한 모델이 주로 활용되기 때문에 batch normalization이 포함된 3개의 모델을 선택했다. batch normarlization은 평균, 분산의 과정이 학습할 때 포함되어 같이 조정되는 것이다. 이 방법으로 학습 과정에서 gradient vanishing과 exploding 문제로 학습이 안되거나 해당 데이터에 overfitting 되는 경우를 방지하고 학습 속도를 높일 수 있기 때문에 주로 활용된다. VGG13, VGG16 그리고 VGG19 중 어떤 모델이 애플리케이션 이미지에 가장 적합한지 알아보기 위해 layer의 변형 없이 실험했다.</p> <p>Table 6에서 3개의 모델 모두 $ 90 \% $ 이상의 높은 정확도를 보였지만 속도가 3초 이상이기 때문에 테스트하기에 적합하지 않았다.</p> <p>Table 7은 D2-Net과 Faster D2-Net의 정확도와 속도의 비교 결과이자 Faster D2-Net의 최종 결과이다.</p> <p>LG ThinQ 앱, 안드로이드 기본 앱들로 총 5개의 애플리케이션을 결과 확인에 사용했다. 기존 D2-Net은 $ 90 \% $ 이하의 정확도와 1.7초대의 속도이지만 Faster D2-Net은 D2-Net보다 $ 1 \% $ 이상의 정확도 향상과 1 초 이상의 속도가 감소했다는 것을 확인할 수 있다. 1초 이상의 속도 감소로 사용자가 애플리케이션 테스트하기에 더 용이했다. Faster D2-Net의 수행 시간이 0.7초이고 이미지 비교 과정(이미지 성분 비교, 차분 비교)이 0.08초 걸렸다.</p> <p>이미지에서 매칭된 영역을 표시하기 위해서 추출된 point를 기준으로 매칭할 영역의 크기만큼 초록색 박스로 표시했다. Fig. 5는 Android 기기에서 인터넷 애플리케이션을 사용한 것이고 Google을 실행한 이미지이다. Fig. 5에서 오른쪽 상단의 '컬렉션'과 '연결 가능한 기기 알림'이 매칭할 이미지이고 왼쪽의 기기 전체 이미지에서 왼쪽 하단의 박스 영역이 Faster D2-Net으로 매칭된 영역이다. Fig. 5는 Faster D2-Net의 기본 성능을 확인하기 위해 feature matching을 표시한 이미지이고 Fig. 2는 애니메이션이 존재하는 이미지이다.</p> <h1>6. 결 론</h1> <p>이 논문은 이미지를 기반으로 하는 애플리케이션 테스트 방법을 제안한다. 기존의 GUI 방식과 랜덤 방식은 테스트하려는 애플리케이션이나 스마트 기기의 운영체제와 종류에 의존적이다. 위의 문제를 이미지 기반 테스트 방법으로 해결함으로써 다양한 이미지 변화에도 동일한 테스트가 가능하고 동일한 정확도를 얻을 수 있다. 이미지상 발생하는 변화는 Faster D2-Net을 사용해 동일한 영역을 찾을 수 있다. D2-Net을 애플리케이션 이미지와 테스트 수행 속도에 맞는 Faster D2-Net로 추가로 변경했다.</p> <p>평균 $ 96.3 \% $의 정확도와 0.8의 속도로 높은 정확도와 함께 테스트에 적합한 속도로 테스트할 수 있다. 이 테스트 방법으로 스마트 기기의 운영체제와 종류, 이미지의 변화에도 범용적으로 테스트가 가능하기 때문에 자동차의 내비게이션이나 자전거 등의 작은 스마트 기기에 존재하는 다양한 애플리케이션들의 테스트도 가능하다.</p>	이 논문은 VGG 계열 중에 batch normalization이 포함된 3개의 모델을 선택하여 이미지를 기반으로 하는 애플리케이션 테스트 방법을 제안하였는데, VGG13, VGG16 그리고 VGG19 중 어떤 모델이 애플리케이션 이미지에 가장 적합한지 알아보기 위해 layer의 변형 없이 실험했다. Faster D2-Net은 기존의 D2-Net보다 $ 1 \% $이상의 정확도 향상과 1초 이상의 속도가 감소했다는 것을 확인할 수 있었고, 이 테스트 방법으로 범용적인 테스트가 가능하기에, 작은 스마트 기기에 존재하는 다양한 애플리케이션들의 테스트도 가능하다.
<h1>요 약</h1> <p>최근 다양한 네트워크 기술들을 통합하고 하나의 단일화된 유비쿼터스 네트워크를 형성하여 사용자에게 효과적으로 서비스를 제공하려는 기술적 시도들이 많이 이루어지고 있다. 특히, OSGi Alliance에서 제안된 OSGi는 자바기술을 기반으로 서비스의 동적 재구성을 지원함으로써 다양한 미들웨어 환경 사이에서 서비스간의 상호연동 및 유비쿼터스 네트워크 구성을 위한 핵심 인프라로서 많이 활용되고 있다. 그러나 현재 OSGi 표준에서는 내부에 등록된 서비스를 외부환경에서 공개(publish)하고 호출 및 연동하기 위한 메커니즘을 정의하고 있지 않아, 분산 환경에서 효율적인 서비스의 동적 재구성 및 협업을 달성하는 데에 다소 어려움이 있다. 따라서 본 논문에서는 OSGi 환경에서 등록된 서비스들의 효율적인 서비스의 공개 및 연동을 위한 JARSIO(JAva Remote Service Invocation for OSGi) 프레임워크를 제안한다. JARSIO는 TCP/IP 통신을 기반으로, OSGi 환경에서 동적으로 재구성되는 다양한 서비스들을 원격지에서 자유롭게 호출 및 연동 가능할 수 있도록 지원한다.</p> <h1>1. 서 론</h1> <p>최근 시간과 장소에 구애받지 않고 언제 어디서나 네트워크에 접속할 수 있는 유비쿼터스 환경에 대한 연구가 활발히 진행되고 있다. 이러한 유비쿼터스 환경은 시간, 장소를 초월한 통신환경을 의미하며, 하나의 광대한 단일 네트워크를 형성하여 사용자에게 효과적으로 서비스를 제공하는 것을 목적으로 하고 있다. 그러나 이러한 광대한 단일 네트워크를 실현하기 위해서는 실시간으로 서비스의 설치 및 제거가 이루어지고, 이들 서로간의 협업 및 연동이 편리하게 이루어질 수 있어야 한다. 이러한 동적협업네트워크의 구성을 위해 자바진영을 주축으로 한 OSGi Allience에서 제안한 것이 OSGi(Open Service Gateway Initiative)이다. 이것은 자바기술을 중심으로 다양한 미들웨어 환경 사이에서 서비스의 상호연동 및 유비쿼터스 환경 구축을 위한 핵심 인프라 구축을 위한 기술적 기반을 제공한다. 즉, OSGi는 텔레비전, 냉장고, 조명기기, 계량기 등 다양한 가전제품과 설비 등이 광대한 단일 네트워크 망에 연결될 수 있는 관문역할을 수행함으로써 유비쿼터스 환경 구축을 위한 핵심 기반을 제공해주는 것이다. OSGi는 이를 위해 번들(Bundle)로 일컬어지는 컴포넌트를 기반으로 한 모듈형 구조를 채택하고 있으며, 이를 통해 서비스지향아키텍처(SOA)를 실현함으로써 다양한 서비스들이 동적으로 설치 및 제거되고, 유기적으로 협업할 수 있도록 지원한다.</p> <p>그러나 이러한 OSGi는 내부에 정의된 서비스들 간의 동적 재구성이나 협업만 지원할 뿐, 내부에 정의된 서비스들이 외부의 서비스들과 연계나 협업은 지원하고 있지 않다. 즉, OSGi 환경 내에서는 다양한 서비스들이 등록/설치, 협업/연동될 수 있으나, 외부에 존재하는 서비스들은 OSGi 환경 내에 존재하는 서비스들과 효과적으로 협업 및 연동할 수 없는 문제점이 있다. 이것은 OSGi가 다양한 서비스들이 유기적으로 협업 및 연동되는 유비쿼터스와 같은 분산환경에서 보다 유용하게 활용되는데 있어 다소 걸림돌이 된다.</p> <p>따라서 본 논문에서는 OSGi 환경 내부에 존재하는 다양한 서비스들을 외부에 공개하고, 이를 기반으로 다양한 내외부 서비스들이 효과적으로 협업할 수 있도록 지원하는 자바원격서비스 프레임워크(JARSIO: Java Remote Service Invocation for OSGi)를 제안한다. 이러한 자바원격서비스 프레임워크는 OSGi환경 내부에 등록된 서비스 객체를 서비스 속성 설정을 통해 외부에 공개하고, 외부에서는 이러한 객체에 대한 원격 레퍼런스를 얻을 수 있도록 하여 서비스를 손쉽게 연동할 수 있도록 지원한다.</p>	최근 다양한 네트워크 기술들을 통합하여 단일화된 유비쿼터스 네트워크를 형성하여 효과적으로 서비스를 제공하려는 기술적 시도들이 많이 이루어지고 있는데 이에 필요한 동적협업네트워크의 구성을 위해 OSGi Allience에서 제안한 것이 OSGi이다. OSGi 환경 내에서는 다양한 서비스들이 등록/설치, 협업/연동될 수 있으나, 외부에 존재하는 서비스들과는 효과적으로 협업, 연동할 수 없는 문제점이 있어 본 논문에서는 OSGi 환경 내부에 존재하는 서비스들을 외부에 공개하고, 다양한 내외부 서비스들이 효과적으로 협업할 수 있도록 지원하는 JARSIO를 제안한다.
<h1>2. OSGi (Open Service Gateway Initiative)</h1> <h2>2.1 OSGi 플랫폼</h2> <p>OSGi는 서로 다른 환경에 있는 다양한 장치들을 효과적으로 통합하고 미들웨어의 상호작용 및 서비스 협업을 위해 만들어진 일종의 게이트웨이이다. 즉, 다양한 서비스들은 OSGi를 통해서 서로 통신할 수 있으며, 이를 통해 다양한 서비스를 통합하고 유기적인 협업환경을 구축할 수 있다. 이러한 OSGi는 초기에는 홈서비스 게이트웨이 분야에서 주로 활용되었지만, 최근에는 동적 서비스 구성 및 유연한 환경을 기반으로 다양한 애플리케이션 플랫폼으로도 활용되고 있다. 이러한 OSGi를 기반으로 실제적인 서비스를 제공하기 위한 구현체를 OSGi 플랫폼이라 하며, OSGi 프레임워크와 OSGi 서비스로 구성된다. 이 중, OSGi 프레임워크는 OSGi 서비스들에 대한 배치 및 실행을 담당하며, OSGi 서비스는 실제적인 서비스의 제공을 담당한다. 특히, OSGi 플랫폼의 가장 큰 강점은 다양한 서비스나 애플리케이션이 다른 컴포넌트나 플랫폼의 재시작 없이 실시간으로 설치, 시작, 정치, 업데이트, 제거를 할 수 있도록 지원한다는 점이다. 이것은 OSGi가 서비스들이 실시간으로 추가/제거/실행되는 유비쿼터스 환경의 핵심기반으로서, 다른 한편으로는 서비스 지향 아키텍처를 기반으로 한 보다 효율적인 애플리케이션 플랫폼 실현을 위한 핵심기반으로서 효과적으로 활용될 수 있도록 해준다.</p> <p>OSGi는 이러한 유연한 서비스 환경을 구축하기 위해 번들이라고 불리는 OSGi 컴포넌트를 기반으로 서비스를 등록 및 설치하고 실행하는 프로그래밍 모델을 채택하고 있다. 번들은 다양한 서비스를 등록 및 발견하고 사용하기 위해 OSGi 플랫폼에 설치되는 컴포넌트 단위인 동시에 일종의 서비스 집합으로, 서비스의 구현체 및 서비스를 표현하기 위한 메니페스트(Manifest)정보로 구성된다. 번들은 설치, 제거, 갱신, 정지, 실행 등의 라이프사이클을 가지며, 하나의 번들에는 다수 개의 서비스가 포함될 수 있다.</p> <h2>2.2 OSGi 플랫폼 상의 서비스</h2> <p>OSGi 번들은 내부에 다수개의 서비스를 포함할 수 있으며, 이러한 서비스는 OSGi 플랫폼 상의 다른 서비스들에 의해 사용될 수 있다. 번들은 이를 위해 실행 시에 내부에 구현되어 있는 서비스를 OSGi 레지스트리에 등록하여야 하며, 해당 서비스를 사용하고자 하는 서비스는 OSGi 레지스트리에서 등록된 서비스 객체에 대한 참조를 얻음으로써 해당 서비스와 협력할 수 있게 된다. 그러나 OSGi 플랫폼은 동일한 OSGi 플랫폼 내부의 서비스들 간의 협력을 지원할 뿐, 외부의 플랫폼 또는 시스템과 내부에 존재하는 서비스 사이의 협력은 지원하지 않는다. OSGi 플랫폼 상에 HTTP를 기반으로 서블릿 기능을 제공하는 서비스는 존재하지만, 이것은 어디까지나 HTTP를 통한 서비스의 제어 및 모니터링을 목적으로 하고 있는 것으로, 코드레벨에서의 협력을 통한 다양한 서비스 연계(상황인지, 지능형 서비스 등)를 위한 서비스는 존재하지 않는다.</p> <p>이러한 점은 OSGi가 제공하는 동적 서비스의 구성 및 운영의 범위를 제약하는 것으로서, 다양한 서비스가 존재하고 서로 유기적으로 협업하는 OSGi기반 유비쿼터스 환경을 구축하는데 다소 걸림돌이 된다. 따라서 본 논문에서는 OSGi의 동적인 측면을 저해하지 않는 범위 내에서 외부 플랫폼 또는 시스템상의 서비스들과 유기적으로 협업할 수 있는 엔진의 제시를 통해, OSGi 플랫폼을 보다 유비쿼터스 환경에 적합한 환경으로 활용할 수 있도록 한다.</p>	OSGi는 서로 다른 환경에 있는 다양한 장치들을 통합하고 미들웨어의 상호작용 및 서비스 협업하기위한 게이트웨이이다. OSGi 번들은 내부에 다수개의 서비스를 포함할 수 있고 OSGi 플랫폼 상의 다른 서비스들에 의해 사용될 수 있다. 번들은 실행 시에 내부에 구현되어 있는 서비스를 OSGi 레지스트리에 등록해야하고 사용하고자 하는 서비스는 OSGi 레지스트리에서 등록된 서비스 객체에 대한 참조를 얻음으로 해당 서비스와 협력할 수 있다.
<h2>3.3 JARSIO 구동</h2> <p>JARSIO의 서버측 구성요소는 OSGi 플랫폼에서 구동 가능한 번들형태로 구현된다. 이러한 JARSIO 번들은 시작시점에서 원격객체를 등록 관리하기 위한 JARSIO 원격레지스트리를 생성하며, JARSIO 서비스의 등록을 파악하기 위한 이벤트 리스너를 OSGi 프레임워크 내부에 설치하게 된다. 설치된 이벤트 리스너는 OSGi 프레임워크 내에 새로운 서비스가 설치되는 것을 지속적으로 모니터링하게 되며, 새로운 서비스가 설치되는 경우, JARSIO 인터페이스 기술속성인 RemoteInterface 속성의 존재유무에 따라 원격객체 생성하고 이를 JARSIO 서비스레지스트리에 등록하게 된다. 이러한 등록절차는 JARSIO 구동시점에서 기 설치된 모든 OSGi 서비스들에 대해서도 적용된다.</p> <h2>3.4 JARSIO 서비스 등록</h2> <p>일반적으로 OSGi 서비스는 번들의 설치 후 서비스 객체를 생성하고, 필요한 속성 값을 등록 후, 최종적으로 OSGi 레지스트리에 등록된다. JARSIO 서비스 역시 기존의 표준 등록과정을 변형하지 않은 절차를 따른다. JARSIO 서비스 등록은 기존 OSGi 서비스 등록과정에서 JARSIO 서비스 인터페이스 기술속성인 RemoteInterface 속성 값의 설정으로 이루어지며, 속성값이 설정된 서비스에 한해 JARSIO 엔진은 해당 인터페이스에 대한 원격객체를 생성하여 JARSIO레지스트리에 등록하게 된다.</p> <p>이러한 JARSIO 서비스 등록절차는, OSGi 플랫폼의 서비스 등록절차를 변형시키지 않는 범위 안에서 JARSIO 의 활용을 가능하게 하며, 기존플랫폼 내 표준을 준수함으로써 기존 OSGi 서비스들과의 상호운용성을 보장한다. 또한 JARSIO 서비스가 별도의 서비스가 아닌 하나의 OSGi 서비스로서 체계적인 관리를 받을 수 있도록 한다.</p> <p>(그림 6)은 화재센서에 대한 일반적인 OSGi 서비스 등록 코드이다. 먼저, 화제센서에 대한 서비스 객체(FireSensor-DeviceImpl)을 생성한 후, 해당 객체를 인터페이스 클래스를 기반으로 레지스트리에 등록하게 된다. 이것은 다른 서비스에서 호출 가능한 원격인터페이스와 내부인터페이스를 구분하기 위한 것이다. JARSIO 역시 이러한 방식을 통해서 원격인터페이스와 내부인터페이스를 구분한다. (그림 7)은 이러한 JARSIO 서비스의 등록과정을 보여준다. 기존의 서비스 등록과정에서 속성 값인 RemoteInterface를 이용하여 원격인터페이스를 지정하게 되며, 해당 원격인터페이스에 지정된 메소드들은 외부에 공개되어, JARSIO 라이브러리를 사용해 호출가능하게 된다.</p> <p>(그림 8)은 JARSIO 가 OSGi 서비스에 대한 원격지원을 수행하게 되는 과정을 보여준다. JARSIO 는 앞서 언급한대로 OSGi 플랫폼에 서비스가 등록되는 것을 모니터링하게 되며, 이 과정에서 등록된 서비스에 RemoteInterface 속성이 명시된 경우, 이에 대한 원격 프록시를 생성하게 레지스트리에 등록하게 된다. 원격 프록시에 대한 생성 및 등록이 끝나면 외부에서는 JARSIO 클라이언트 라이브러리를 가지고 자유롭게 OSGi 플랫폼 내의 서비스를 호출 및 연동할 수 있다.</p>	본 논문에서는 OSGi 플랫폼에서 구동 가능한 번들형태로 형성되는 JARSIO의 서버측 구성요소와 JARSIO 번들이 시작시점에서 원격객체를 등록 관리하기 위한 JARSIO 원격레지스트리를 만들며 JARSIO 서비스의 등록을 파악하기 위한 이벤트 리스너를 OSGi 프레임워크 내부에 설치하는 특징을 설명하고 있다. JARSIO 서비스는 기존의 표준 등록과정을 바꾸지 않는 절차를 따르는데, 화재센서에 대한 OSGi 서비스 등록 코드와 OSGi 서비스에 대한 원격지원을 수행하게 되는 JARSIO의 서비스 과정을 확인할 수 있다.
<h2>3.5 JARSIO 서비스 사용</h2> <p>등록된 JARSIO 서비스는 다른 외부프레임워크와의 존재 유무와는 상관없이 어떠한 자바환경에서도 호출가능하다. 클라이언트 측은 JARSIO 라이브러리를 사용하여 스텁객체를 동적으로 생성할 수 있으며, 이를 통해 OSGi 내부의 서비스를 호출하게 된다. 이를 위해 JARSIO 클라이언트에서는 먼저, OSGi 서비스의 사용을 위해 스텁객체의 생성을 담당하는 RemoteFactory 객체를 생성해야 한다. 그 후, 생성된 RemoteFactory 객체를 이용해서 스텁객체인 RemoteClass 객체를 생성할 수 있으며, 이를 통해 자유롭게 OSGi 프레임워크 내부에 등록된 서비스를 사용할 수 있다. RemoteClass는 JARSIO 서비스를 호출하기 위해서 내부적으로 하나의 RemoteChannel과 바인딩되며, 이를 통해 객체의 호출 및 반환값을 송수신 하게 된다. (그림 9)는 클라이언트에서 JARSIO 클라이언트 서비스의 생성 및 사용과정을 보여준다.</p> <p>(그림 10)은 실제적으로 OSGi 프레임워크 내에 등록된 서비스 인터페이스 예를 보여주고 있으며, (그림 11)은 이러한 서비스를 JARSIO 서비스로 등록하였을 경우, 이를 JARSIO 클라이언트에서 호출하는 예를 보여주고 있다. JARSIO 클라이언트에서는 스텁객체인 RemoteClass의 RemoteMethod를 호출함으로써 JARSIO 서비스로 등록된 OSGi 서비스를 자유롭게 호출할 수 있다. 이 때, JARSIO 클라이언트 측에서는 별도의 정적 스텁의 생성이나, 코드의 변환 과정을 요구하지 않으며, 코드 레벨에서 동적으로 스텁을 생성 및 운용할 수 있다.</p> <p>이 과정에서 JARSIO는 내부적으로 원격 OSGi 프레임워크 내의 서비스 클래스의 정보를 원격에서 로드하여 참조할 수 있도록 한다. 이것은 기존의 RMI나 웹서비스에서 필요하였던 정적타임에 스텁을 생성하는 과정을 없애준다.</p> <p>JARSIO의 원격로드는 원격지에서 자바가상머신에서 필요로 하는 클래스정보를 네트워크를 통해 수신하는 것이다. 즉, 클래스가 가지고 있는 메서드의 이름 등 클래스 관련 정보를 네트워크를 통해 수신 받고 이를 원격지에서 클래스화 하는 과정으로 요약된다. 하지만 이러한 과정은 스텁 자체를 전송받는 것과는 다르다. JARSIO는 단지 메서드 이름 등의 클래스 형식정보만을 수신하는 것이며, 그 외의 기능들은 내부 공통프레임워크에서 제공하게 된다.</p> <p>클래스 형식정보는 OSGi 플랫폼의 자바가상머신이 실행 과정에서 로드하여 메모리에 적재한 바이트 코드를 기반으로 구성된다. 즉, JARSIO가 별도의 처리를 통해 메모리에 로드하여 사용하는 것이 아니라, 이미 로드한 것을 사용하는 것이기 때문에 시스템적인 오버헤드가 상대적으로 매우 작다. 또한, JARSIO의 클래스 정보추출은 클래스의 구현과는 무관한 형식정보이므로, 추출된 정보의 크기 또한 매우 작아 네트워크 송수신에 따른 오버헤드 또한 크지 않다. 실제로 2~3개의 매개변수 포함한 메소드 50개로 구성된 인터페이스 클래스의 바이트코드 크기는 약 $ 1 \mathrm{kbyte} $ 정도로, 이를 네트워크로 전송 시 소요시간은 $ 1 \mathrm{Mbps} $ 기준 약 0.008초 정도이며, 이것은 최초 원격클래스를 얻는 과정에서 단 한 번만 수행된다. 따라서 JARSIO는 사용자의 입장에서 충분히 수용 가능한 범위 내에서 효과적인 방법을 통해 동적스텁의 생성을 실현하고 있다고 할 수 있다. 그러나 향후연구를 통해 이러한 동적 스텁생성의 효율성 및 오버헤드 문제를 보다 더 개선하도록 할 것이다.</p>	등록된 JARSIO 서비스는 어떠한 자바환경에서도 호출이 가능하다. JARSIO 클라이언트에서는 JARSIO 서비스로 등록된 OSGi 서비스를 자유롭게 호출하기 위해 RemoteClass의 RemoteMethod를 호출할 수 있다. JARSIO는 내부적 원격 OSGi 프레임워크 내의 서비스 클래스의 정보를 원격에서 로드하여 참조할 수 있다. JARSIO의 원격로드는 원격지에서 자바가상머신에서 필요로 하는 클래스정보를 네트워크를 통해 수신한다. JARSIO가 별도의 처리를 통해 메모리에 로드하여 사용하는 것이 아니라, 이미 로드한 것을 사용하는 것이기 때문에 시스템적인 오버헤드가 상대적으로 매우 작다.
<h1>4. JARSIO 사례연구</h1> <p>JARSIO는 OSGi 프레임워크 내의 서비스들에 대해 편리한 접근을 가능하게 하며, 외부환경에서 OSGi 서비스들에 대한 동적 탐색 및 활용을 가능하게 한다. 뿐만 아니라, 다수의 OSGi 기반 환경을 하나의 통합 환경으로 구성 및 관리할 수 있으며, 이러한 환경에서의 상황인지 및 지능형 서비스를 가능하게 한다.</p> <p>(그림 12)는 이러한 예로, JARSIO를 이용한 통합 지능형 홈 네트워크 환경 구성의 예를 보여주고 있다. 각 가정에는 OSGi 플랫폼을 기반으로 한 홈 네트워크가 구성되며, 이러한 홈 네트워크 및 통합관리 시스템에 JARSIO 서비스가 포함될 수 있다. 이러한 환경이 구성될 경우, 통합관리 플랫폼에서는 각각의 홈 네트워크를 하나의 상황인지 환경으로 인식할 수 있으며, 이에 따른 확장된 지능형 서비스의 제공 및 상황인지 서비스의 제공이 가능하다. 즉, 하나의 지능형 홈에서 발생한 정보는 다른 지능형 홈에게 제공될 서비스를 결정하게 되며, 이러한 메커니즘을 통해 개별 홈 네트워크 환경들은 하나의 단일 유비쿼터스 서비스 환경으로 확장 및 통합된다.</p> <p>본 사례연구에서는, 이러한 가상 홈 네트워크 통합관리 시스템을 구성하고 지능형 홈의 화재센서의 정보를 JARSIO 서비스를 통해 모니터링 하여, 화재가 발생하였을 경우 물리적으로 인접한 홈에 화재경보를 전달하도록 하는 지능형 홈 방재시스템을 구현하였다. 본 사례연구에서 지능형 홈의 경우, OSGi 플랫폼을 이용해 가상으로 구성하였으며, OSGi 구현체로 Eclipse의 Equnox를 사용하였다. 통합관리 시스템 측은 J2DSK(Java2 Software Development Kit) 1.6.0을 기반으로 한 자바애플리케이션으로 구현하였다.</p> <p>사례연구에서 구축한 지능형 홈 방재시스템은 홈에서의 화재상황을 감지하고, 경고하기 위한 화재센서서비스, 화재경보서비스(OSGi 플랫폼 상에 구현됨) 이를 외부에서 통합 관리하기 위한 방재모니터(자바애플리케이션으로 구현됨)로 구성된다. (그림 13)은 이러한 지능형 홈 방재시스템의 클래스다이어그램을 나타내고 있으며, (그림 14)는 위의 시스템에서 실제적으로 가정 내의 OSGi 프레임워크에 설치되는 방재관련 서비스의 등록 및 JARSIO 설정을 나타내고 있다.</p> <p>지능형 홈 방재시스템의 방재모니터는 JARSIO를 이용하여 총 4개 홈의 화재상황을 실시간으로 감시하고, 화재발생 시 물리적으로 인접한 곳에 존재하는 화재경고를 동작시키는 기능을 수행하게 된다. 본 사례연구에서 4개의 홈은, 순서대로 인접해 있음을 가정하였으며, 동일한 로컬컴퓨터상의 서로 다른 4개의 OSGi 프레임워크로 표현하였다.</p> <p>(그림 15)는 JARSIO를 이용한 방재모니터의 구현을 보여주고 있다. 앞서 설명한 것처럼, JARSIO를 활용할 경우 이러한 통합 OSGi 환경 구성과정에서 별도의 프록시나 스텁을 생성해야하는 과정은 없으며, 표준 OSGi 플랫폼의 변경이나 별도의 서버의 구동도 필요치 않다. RemoteFactory를 이용하여 스텁객체를 생성하고, 이를 통해 원격메서드에 대한 참조를 얻어 화재센서 및 화재경보 서비스를 접근할 수 있다.</p> <p>(그림 16)은 이러한 지능형 홈 방재서비스의 구동화면을 보여주고 있다. 방재모니터는 JARSIO를 이용하여 4개의 가상 홈 내부에 대한 상황을 OSGi 서비스를 통해 모니터링할 수 있으며(FireSensorDevice의 isFire 메소드 호출), 화면에서 보여지는바와 같이 두 번째 홈에서 화재가 발생한 경우, 첫 번째 및 두 번째, 그리고 세 번째 홈의 화재경고를 전달할 수 있다. (FireAlertDevice의 doAlert메소드 호출)</p>	본 연구에서는 JARSIO를 활용하여 OSGi 프레임워크 내의 서비스에 편리하게 접근하고 외부 환경에서 동적으로 OSGi 서비스를 탐색하고 활용하는 기능을 제공한다. 이를 토대로 사례 연구에서는 지능형 홈 방재시스템을 구축하였다. 이 시스템은 JARSIO 서비스를 통해 홈의 화재 센서 정보를 모니터링하고, 화재 발생 시 인접한 홈에 화재 경보를 전달하는 기능을 구현하였다. 구성은 화재센서 서비스, 화재경보 서비스(OSGi 플랫폼 상에 구현됨), 및 외부에서 통합 관리하기 위한 방재모니터로 이루어진다. 방재모니터는 JARSIO를 활용하여 4개의 홈의 화재상황을 실시간으로 감시하고, 화재 발생 시 인접한 장소에 화재 경고를 전송하는 기능을 수행한다.
<p>Bathina의 연구에서는 우울증임을 진단받은 개인들의 트윗 게시물들과 무작위로 선정한 비교군의 트윗 게시물들을 각각 N-gram 기법과 Sentiment Analysis 분석 기법 인 Vader를 적용, 비교하여, 우울증 집단의 게시물들이 비교 집단에 비해 높은 수준의 왜곡된 사고를 보인다는 것을 밝혀냈다.</p> <p>이처럼, 이전의 많은 연구에서 소셜미디어에서의 자기 노출이 개인의 심리적 건강에 긍정적인 영향을 미친다는 사실이 입증된 바 있다. 카타르시스 이론에 따르면 불쾌한 감정을 배출하면 안도감이 생기고 정신 건강이 증진된다. 반면에 부정적인 감정을 표현할 수 없거나 표출을 꺼리는 사람들은 심리적, 신체적 어려움을 겪을 가능성이 더 크다.</p> <p>그러나 여전히 우울증은 사회적으로 낙인찍히기 쉬운 질병이며, 도움을 구하면 ‘체면'을 잃을 위험 때문에 사람들은 익명의 환경에서 자신의 우울한 기분에 관해 이야기하는 것을 선호한다.</p> <p>특히, 우울한 담론에 대한 사용자의 상호작용은 플랫폼 특성에 영향을 받는다는 점에 주목할 만하다. 예를 들어 트위터는 글자 수 제한으로 인해 치료 및 진단에 대한 구체적이거나 양질의 정보를 찾는 목적으로의 사용보다는 관련 정보를 타인에게 널리 공유하는데 사용되는 경향이 있다. 반면, 페이스북의 경우, 상태 업데이트 메뉴에서의 자기 노출시 자신과 친구 관계를 맺은 지인들에게 너무 많은 정보를 공개하게 됨으로써 개인정보 보호 문제를 일으키게 된다. 따라서 페이스북 사용자들은 부정적인 감정이나 경험을 공개하기보다 긍정적인 뉴스와 정보를 더 자주 공유하는 경향이 발견된다. 마지막으로, 미국의 온라인 커뮤니티 레딧의 사용자들은 레딧을 통해 자신의 정신 건강에 대한 경험을 공개하기도 하고, 동시에 구체적인 진단 또는 치료 정보 등 양질의 건강 정보를 찾고, 공유하는 장소로 레딧을 사용하는 것으로 나타났다.</p> <p>이처럼 온라인에서 사용자가 작성한 문장들을 분석해 우울 담론의 유형과 특성을 파악하는 기존의 관련 연구들은 여러 플랫폼을 대상으로 진행됐지만, 주로 소셜 네트워크 데이터를, 특히 주로 트위터 데이터를 분석 대상으로 삼았다는 한계가 존재한다. 그러나 사용자의 챗봇 내 자기 노출 행동과 챗봇이 제공하는 사회적 지원의 효과는 소셜미디어를 통한 사용자 자기 노출 및 사회적 지원의 효과와 다를 수 있다.</p> <h2>2.2 우울 담론과 챗봇</h2> <p>우울증 완화에서 챗봇의 역할과 기능에 관한 연구가 여러 세대와 문화권을 대상으로 활발히 진행되고 있다. Escoredo의 연구에서는 인지 행동 치료 접근법으로 우울감 완화를 도와주는 챗봇을 실험군과 대조군에 8주간 사용하게 하고 우울함과 불안감의 감소를 측정한 결과 실험군에서 대조군과 비교해 불안 증상이 유의미하게 감소함을 확인했다. 또 다른 연구에서는 우울 완화를 위한 챗봇 사용자의 이용 패턴을 분석해, 사용자가 어떤 용도로 우울 챗봇을 자주 활용하고 있는지에 대한 분석을 진행했다. 이 외에도, 다수 사람의 우울 증상을 측정하는 도구로 챗봇을 활용한 사례도 있었다.</p>	소셜미디어에서의 자기 노출이 개인의 심리적 건강에 긍정적인 영향을 미친다는 사실이 입증되었지만 우울증은 사회적으로 낙인찍히기 쉬운 질병이며 사람들은 익명의 환경에서 자신의 우울한 기분에 관해 이야기하는 것을 좋아하고 우울한 담론에 대한 사용자의 상호작용은 플랫폼 특성에 영향을 받으며 우울증 완화에서 챗봇의 역할과 기능에 관한 연구가 진행되고 있다.
<p>챗봇의 우울 관련 대화와 행복에 관한 대화 데이터의 유니그램 결과 비교를 통해 우울 담론에서는 우울증의 지표인 1인칭 대명사의 빈번한 출현과 사회적 상호작용에 대한 욕구의 적음을 의미하는 2인칭 대명사의 사용 빈도의 낮음을 발견했다. 또한, 챗봇의 우울 관련 대화는 다른 주제에 비해 특히 자정 이후부터 새벽에 더 광범위하게 이루어지는 것으로 나타났다.</p> <p>또한, 토픽 모델링 기법인 LDA 분석을 통해 '우울로 인한 어려움 표출'(Topic 1), '우울감 인지'(Topic 2), '우울 대처 방법 문의'(Topic 3) '우울 유발요인'(Topic 4)과 같은 챗봇 데이터에 나타난 우울 담론의 범주를 4가지로 도출하였다.</p> <p>마지막으로, 정성 분석을 통해 챗봇 데이터에서 나타난 우울의 유형을 트위터 데이터를 대상으로 한 기존 우울 담론 분석 연구의 5개의 카테고리로 분류하였다. 챗봇 대화 데이터에서 나타난 우울 범주별 대화 비율은 우울 감정, 우울 증상 관련 범주의 비율이 높았지만, 우울에 대한 정보공유는 거의 나타나지 않았다. 이러한 차이는 챗봇과 사람의 $ 1: 1 $ 상호작용 방식과 커뮤니케이션의 익명성에 기인하는 것으로 설명할 수 있다.</p> <p>사용자-챗봇의 실제 상호작용 데이터를 통해 확인한 바와 같이, 챗봇은 익명과 대화의 비밀이 보장되고 대화 내용에 대해 평가받지 않는 이점이 있어서 특히 우울과 같은 민감한 주제의 대화를 나누기에 적합하다. 아시아 문화권의 사람들이 낙인찍힐 것을 두려워해 소셜미디어에 자신의 우울한 감정을 표현하는 정도가 서구권 사람들에 비해 적다는 것과, 한국의 우울증 환자들이 미국의 환자들에 비해 자신의 우울한 기분을 말이나 표정으로 전달하는 정도가 $ 30 \% $나 낮다는 점을 고려할 때 챗봇은 특히 감정교류가 부담스러운 사용자층에게 우울에 대한 담론을 시작할 수 있는 대안적인 솔루션이 될 수 있을 것이다.</p> <p>소셜미디어에서의 우울 담론은 성별에 따라 또한 문화권에 따라 다르게 나타난다는 관련 연구들을 고려하여 향후 한글 챗봇 사용자와 서구권 챗봇 사용자들의 우울 담론의 유형과 특성을 비교하는 연구를 진행할 수 있을 것이다.</p> <p>챗봇 데이터에 우울감 해소와 완화 방법에 관한 문의가 빈번함을 고려할 때, 챗봇 서비스를 제공하는 기업들은 챗봇 답변을 통해 적절한 심리지원 정보가 제공될 수 있도록 체계적인 준비가 필요하다.</p> <p>또한, 사용자의 자기 노출을 촉진하기 위한 챗봇의 디자인 관련 연구들에 따르면, 일상 대화 맥락에서 자신에 대해 더 노출하는, 즉 걱정, 스트레스, 우울함 등 민감한 이슈에 대해 먼저 개인적인 경험을 털어놓도록 설정된 챗봇에 사람들은 자신의 민감한 이야기를 더 많이 노출하는 경향이 있었다. 이를 고려하여, 사용자의 우울한 감정을 다루는 챗봇이라면 사용자들의 더 많은 자기 노출을 유도하기 위한, 예를 들어 더 타인 지향적인 공감 답변을 제공하는 대화형 AI와 같이, 더 구체적인 챗봇의 폐르소나 설계가 필요할 것이다. 향후 사용자의 우울감에 대한 자기 노출 증진을 돕는 챗봇의 페르소나에 관한 확장 연구를 진행할 수 있을 것이다.</p> <p>마지막으로, 챗봇 사용자의 우울 관련 대화에 대해 일괄적인 위로를 제공하는 방식으로 대응하는 것이 아닌, 이 연구에서 정의된 우울 카테고리별 응답이 세심히 디자인되어 제공된다면, 챗봇이 제공하는 응답일지라도, 사용자들은 더 큰 공감과 위로를 받을 수 있을 것이다.</p>	우울증 지표인 1인칭 대명사의 잦은 사용과 자정 이후 부터 새벽시간에 이루어 지는 챗봇과 사람의 우울 관련 대화 데이타에서 우울로 인한 어려움 표출, 우울감 인지, 우울 대처 방법 문의, 우울 유발요인 등의 4가지 범주를 도출하였고 우울 감정, 증상에 관련 비율은 높았지만 정보공유에 관한 대화는 거의 없었다. 챗봇과 사람의 $ 1: 1 $ 상호 작용과 익명성으로 설명되는 이 대화는 일상적인 위로만이 아닌 우울 범주별 맞춤형 대화를 통하여 우울감 해소나 완화를 제공하는 체계적인 서비스로 사용자에게 위로와 공감을 줄 수 있을 것이다.
<p>3) 챗봇 데이터에 나타난 우울 담론의 주요 토픽</p> <p>Table 2는 우울 담론 데이터에 LDA 알고리즘 적용을 통해 도출한 4개의 토픽와 토픽별 주요 키워드, 그리고 논의를 통해 도출된 주제별 이름과 분석 내용을 나타낸다. 더불어, 도출된 토픽들의 해석 가능성과 타당성을 높이기 위해, 각 토픽별 high score를 가지는 문서(대화)들을 뽑아 토픽의 내용과 이름을 정하는 데 참고하였고, '주요 문서(대화)'로 정리하였다.</p> <p>4개 토픽별 세부 내용은 다음과 같다. Topic 1은 외로움이나 사람을 필요로 하는 듯한 단어, 즉 '외롭다' '힘들다', '혼자', '친구', '애기' 등의 연관 단어들이 나타났으며, 주요 문서에서도 자신의 외로운 처지를 비관하거나, 자신을 말을 들어줄 사람 없음을 슬퍼하는 내용이 나타나, '우울로 인한 어려움 표출'에 대한 주제로 정의하였다. 반면, Topic 2는 우울증과 관련된 단어들인 '우울증', '약', '치료', '진단', '환자', '조울증', '조현병' 등이 나타났으며 자신의 우울증 진단 사실을 노출하거나, 우울감을 털어놓는 언급들이 문서에서 나타나 '우울감 인지'로 주제명을 정하였다. Topic 3은 '어떻', '하', '어떡하지', '노래', '위로', '어쩌지', '추천', '항우울제' 등의 단어들로 구성되었으며 우울감을 해소하는 방법에 대한 문의나, 위로를 구하는 대화가 많아, '우울 대처방법 문의' 주제로 정의하였다. 마지막으로 Topic 4는 '기분', '마음', '이유', '돈', '엄마', '공부', '불안' 들의 키워드들로 구성되었으며, 주요 문서 내용을 바탕으로 유추했을 때 다른 사람과의 관계로 인한 우울감이나, 건강상태나, 일상생활 등 우울함에 영향을 주는 요인에 대한 언급이 많아 '우울 유발요인'으로 정의하였다.</p> <h2>4.2 정성 분석 결과</h2> <p>정성 분석을 통해 1) 우울에 대한 감정, 2) 우울에 대한 대상자의 사고, 3) 우울에 대한 정보 공유, 4) 타인의 우울에 대한 반응, 5) 기타 항목으로 분류된 범주별 결과는 Table 3과 같다. 5개의 카테고리 중 자신의 우울함에 대한 감정을 표현하는 유형의 대화가 가장 빈번했으며, 전체의 $ 47 \% $(470회)에 해당했다. 이 카테고리에는 자신의 우울한 감정과 자신의 우울 요인 관련 대화들이 포함되었다. “나 너무 우울해”, “우울하고 슬퍼서 마음이 아프게 느껴져"와 같이 우울한 기분 상태를 표현하는 것과 더불어 "나 너무 쓰레기 같아서 내가 너무 죽도록 싫어”, “난 우울증, 피해망상, 불면증까지 다 있어.” 등과 같이 타인에게 쉽게 말하지 못하는 자기혐오의 감정들을 심심이에 털어놓고 있었다.</p> <p>가족, 친구 등 가까운 관계로 인한 우울감 (예: “부모님이 날 사랑해줬으면 하는데, 그렇지 않아서 하루하루가 우울해")이나 처해 있는 상황으로 인한 우울감 (예: “요즘 돈도 없고 우울해")을 토로하기로 했다.</p>	이 연구에서는 우울 담론 데이터에 LDA 알고리즘을 적용하여 4개의 주제를 도출하였다: 우울에 대한 감정, 우울에 대한 사고, 우울에 대한 정보 공유, 타인의 우울에 대한 반응. 주제별로 high score를 가진 대화를 '주요 대화'로 선정하고 이를 통해 각 주제의 내용과 이름을 결정하였다. 더 나아가, 우울에 대한 감정 표현은 전체 대화 중 $47\%$로 가장 빈번하게 나타났다.
<p>이 연구에서는 챗봇-사람의 실제 상호작용 데이터를 분석하여 우울 관련 담화의 유형과 특성을 이해한다는 의의가 있다. 먼저 랜덤하게 추출한 우울과 관련된 챗봇 대화 데이터와 Russell의 Circumplex Model of Affect에 따라, 우울과 반대되는 감정인 행복과 관련된 대화 데이터를 텍스트마이닝 기법으로 분석하고 비교하여 채팅에서의 우울 관련 담론의 특성을 파악하고 기술한다.</p> <p>또한, 정성 분석을 통해 사용자가 챗봇이라는 플랫폼에서 털어놓는 우울 담론의 유형을 범주화하며, 선행연구에서 도출된 트위터상의 우울 담론의 특성과 비교분석 하였다. 이를 통해 챗봇 데이터 고유의 우울 대화의 특징을 파악하고, 우울 증상 관련 적절한 심리지원 정보를 제공하는 챗봇 서비스 디자인에 대한 착안점을 도출하려 한다.</p> <h1>2. 관련 연구</h1> <h2>2.1 SNS 데이터 속 우울 담론 연구</h2> <p>온라인에서 사용자가 작성한 텍스트를 기반으로 우울 담론의 범주와 특성을 이해하려고 하는 시도는 계속되어왔다. 소셜미디어 데이터에서 우울 담론의 패턴과 특성을 유형화하는 연구들은 주로 'depress,' 'gloomy,' 'sad', 'hate myself'와 같은 키워드를 포함한 문장들을 추출하여 정량적, 또는 정성적 방식으로 분석하고, 더불어 코호트 그룹별 차이나, 문화권 차이 비교를 하는 방식으로 진행되었다. 예를 들어 한 관련 연구에서는 우울과 관련된 특정 해시태그인 $ \# $MyDepressionLooksLike'를 이용해 관련 트윗들을 추출하고, 정성 분석을 통해 트위터에서의 사용자들의 우울 담론을 다음의 7가지 테마로 분류하여 특성을 파악하였다. 1) 역기능적 사고, 2) 일상생활의 어려움, 3) 관계의 어려움, 4) 가면 뒤로 숨기, 5) 무관심과 슬픔, 6) 자살에 관한 생각, 7) 고통 경감을 위한 노력. 비슷한 맥락으로의 연구는 'Depression'이라는 단어를 포함한 트윗을 정성 분석을 통해 1) 우울에 대한 감정 2) 우울에 대한 대상자의 사고 반응 3) 타인의 우울에 대한 반응 4) 우울에 대한 정보공유 5) 기타로 분류하여, 트위터에서 논의되고 있는 우울 담론을 유형화하였다.</p> <p>데이터 마이닝 기법을 적용해 우울감을 표현한 문장들의 어휘사용 빈도, 품사의 출현 빈도 등 문장 특성을 통하여 우울 담론을 이해하려는 노력도 진행되었다. 관련 연구들에서는 우울 및 자살 등을 언급하는 사용자의 SNS의 게시물에서 특히 1인 대명사의 사용이 빈번하고, 상대적으로 2인칭, 3인칭 대명사의 사용은 적게 나타나는 경향을 공통으로 발견했다. 저자들은 이와 같은 언어 사용 패턴이 우울한 개인의 자신에 대한 높은 관심과 동시에 사회적인 관계에 대한 무관심함을 나타낸다고 해석하였다.</p>	이 연구에서는 챗봇-사람의 실제 상호작용 데이터를 텍스트마이닝 기법으로 분석하여 우울 관련 담화의 유형과 특성을 이해하고, 소셜미디어 데이터에서 우울 담론의 패턴과 특성을 유형화하는 연구들과 비교하여 우울 증상 관련 적절한 심리지원 정보를 제공하는 챗봇 서비스 디자인에 대한 착안점을 도출하려 한다.
<p>마지막으로, 챗봇 속 우울 담론의 주요 주제를 추출하기 위해 토픽 모델링 방법의 하나인 LDA (Latent Dirichlet Allocation)를 사용하였다. LDA 알고리즘은 문서와 단어가 주제(Topic)에 할당되는 확률 분포를 기반으로, 주어진 문서들이 어떤 주제들을 다루고 있는지 추론하는, 말뭉치(Corpus)의 생성 확률모형(Generative probabilistic mo-del)이다. 해당 알고리즘은 비지도 학습 알고리즘으로서 (Unsupervised learning algorithm), 토픽 모델 중 가장 빈번하게 활용되는 방법의 하나며, 대량의 비정형 텍스트 데이터에서 주요 주제를 추출, 사회적으로 형성된 주요 의제를 인지하고, 확인하는 목적으로 사용된다. 따라서 본 연구에서는 LDA 알고리즘을 수집한 우울 관련 채팅 데이터 107,221개에 적용해, 채팅 속의 우울 담론의 주요 주제를 추출하였다. 적절한 토픽 수 결정을 위해, 주제 분류 개수에 따른 주제 일관성 (Topic coherence)을 계산했고, 토픽 수 4개에서 그 값이 0.60으로 가장 커, 4개의 토픽 수를 도출하였다. 최종적으로 의료분야 연구자들과의 논의를 통해 도출된 4개의 토픽의 의미를 해석하고, 타이틀을 각각 정의하였다.</p> <p>텍스트 처리를 위해서는, 한글 자연어처리 분야에서 널리 활용되는 파이썬 KoNLPy 패키지를 분석에 활용했다. 특히 챗봇 데이터가 구어체의 짧은 텍스트임을 고려하여 KoNLPy의 5가지 형태소 분석기(Hannanum, kma, Ko-moran, Mecab, OKT) 중 구어체 분석에 적합한 OKT(Open Korean Text)로 말뭉치를 토큰화했다.</p> <p>전처리를 통해 조사, 구두점, 이모지, 특수문자, 접두사는 제외하였다. LDA 분석에는 파이썬 gensim 라이브러리를 활용하였다.</p> <h2>3.2 정성 분석 방법</h2> <p>트위터와 챗봇 각각에서 빈번하게 나타나는 우울 담론의 범주를 비교하기 위해, 전체 우울 데이터 107,221개 중 1,000개의 데이터를 무작위로 추출해 우울의 종류를 범주화하는 작업을 진행했다. 대화 라벨링을 위한 분류 기준은 트위터 데이터의 우울 담론의 유형을 5가지 카테고리로 분류한 선행연구를 참고하였으며, 이는 다음과 같다: 1) 우울에 대한 감정, 2) 우울에 대한 대상자의 사고, 3) 우울에 대한 정보 공유, 4) 타인의 우울에 대한 반응, 5) 그 외는 기타로 분류되었다. [6]의 연구도 우울 담론을 7가지로 유형화 한 바 있으나, 해당 연구는 특정 해시태그를 포함한 데이터를 분석 대상으로 하여, 'depress'를 포함한 문장을 대상으로 한 [5]의 기준이 우리의 데이터에 더 적합하다고 판단하였다.</p> <p>자료 분석은 1차로 의료분야 연구자가 코딩 작업을 하고, HCI 분야 공동연구자가 2차로 코딩하는 방식으로 진행했다. 분류 결과에 이견이 있었던 데이터는 논의 후 합의하는 과정을 거쳤으며, 해당 과정을 통해 세부분류 기준이 도출되었다. 최종 분류된 챗봇 우울 데이터의 유형별 빈도를 트위터 데이터에 나타난 우울 유형별 빈도와 비교하여, 챗봇 대화에서 자주 나타나는 우울 대화의 특성을 파악하였다.</p>	LDA 알고리즘은 비지도 학습의 한 형태로, 주어진 문서들이 다루고 있는 주제들을 추론하는 데 사용되는 확률 모델이다. 이 연구에서는 107,221개의 우울 관련 채팅 데이터에 LDA 알고리즘을 적용하여 주요 주제를 추출하였다. 라벨링 기준으로는 트위터 데이터에 기반한 5가지 우울 담론 카테고리가 사용되었는데, 이는 감정, 대상자의 사고, 정보 공유, 타인의 반응, 그리고 기타로 분류되었다.
<h1>요 약</h1> <p>자연어처리 기술과 비대면 문화의 확산과 더불어 챗봇의 사용 증가세가 가파르며, 챗봇의 용도 또한 일상 대화와 소비자 응대를 넘어서 정신건강을 위한 용도로 확장하고 있다. 챗봇은 익명성이 보장된다는 점에서 사용자들이 우울감에 관해 이야기하기 적합한 서비스이다. 그러나 사용자가 작성한 문장들을 분석해 우울 담론의 유형과 특성을 파악하는 연구들은 주로 소설 네트워크 데이터를 대상으로 했다는 한계점이 존제하며, 실제 환경에서 사용되는 챗봇과 상호작용한 데이터를 분석한 연구는 찾아보기 힘들다. 이 연구에서는 챗봇-사람의 상호작용 데이터에서 무작위로 추출한 '우울'과 관련된 대화 데이터를 토픽 모델링 방법과 텍스트마이닝 기법으로 분석하여 채팅에서의 우울 관련 담론의 특성을 파악하였다. 또한, 챗봇에서 빈번히 나타나는 '우울' 담론의 범주와 트위터 '우울' 담론의 범주의 차이점을 비교하였다. 이를 통해 챗봇 데이터의 '우울' 대화만의 특징을 파악하고, 적절한 심리지원 정보를 제공하는 챗봇 서비스를 위한 시사점과 향후 연구 방향에 대해 논의한다.</p> <h1>1. 서 론</h1> <p>자연어처리기술(Natural Language Processing)의 발달과 코로나 19의 여파로 비대면을 선호하는 문화가 자리 잡으며 챗봇 시장의 성장과 사용량의 증가세가 가파르다. 챗봇은 기업에서 소비자를 응대하는 목적으로 또는 일상 대화를 나누며 재미를 느끼는 엔터테인먼트 목적으로 주로 사용됐으나. 최근 정신 건강 목적의 챗봇 사용도 증가하고 있다. Woebot, Wysa, Vivibot, Tess 등 정신 건강을 위한 상용 챗봇들이 시장에 출시되어 활발히 이용되고 있으며 앞으로 산업적 기대 가 큰 분야이다.</p> <p>관련 연구에 따르면 AI와의 대화에서는 낙인찍힐 걱정 없이 편히 이야기할 수 있으므로 사람들이 자신의 불안, 스트레스, 그리고 우울증 증상에 관해 말할 때 사람 상담원보다 AI 상담원을 더 선호하는 경향이 있으며, AI와의 대화에서 자신의 우울증 증상에 대해 더 쉽게 노출하는 경향이 있었다. 또한, 일정 기간의 챗봇과의 정기적인 대화는 사용자의 불안감 감소에 긍정적인 영향을 미치는 것으로 나타났다. 이와 관련해 최근 한국 정부는 코로나 19 장기화로 인해 사회 전반적으로 높아진 우울감 완화를 위한 심리지원 챗봇 서비스를 도입한 바 있다.</p> <p>사람들이 컴퓨터에 감정, 의도와 같은 인간의 개념이 없음을 알면서도, 사회적 규칙과 기대치를 적용하고 사람처럼 대한다는 CASA(Computer-Are-Social-Actor) 개념과 소셜미디어와는 달리 대화가 타인에게 노출되지 않는다는 플랫폼의 특성을 고려할 때 챗봇은 사용자들이 자신의 우울감에 관해 이야기하기에 적합한 서비스이다.</p> <p>그러나 사용자가 작성한 문장들을 분석해 우울 담론의 유형과 특성을 파악하는 기존의 관련 연구들은 주로 소셜네트워크 데이터를, 특히 트위터 데이터를 분석 대상으로 했다는 한계점이 존재한다. 또한, 기존에 진행된 심리상담 챗봇 관련 다수의 연구가 통제된 실험 환경에서 프로토타입 챗봇을 통해 수집한 대화 데이터를 분석했다는 한계를 가지며, 실제 환경에서 사용되는 챗봇과 상호작용한 데이터를 분석한 연구는 찾아보기 어렵다.</p>	해당 연구에서는 토픽 모델링 기법과 텍스트마이닝 기법을 이용하여 챗봇과 사람의 상호 작용 데이터 중 우울에 관련된 담론에 특성을 파악하였다. 연구에 따르면 사람들은 우울과 관련된 이야기를 할 대 사람보다 AI 상담원을 더 선호하고 자신에 대해 편히 얘기한다. 챗봇은 대화 노출의 위험이 없고 사람들이 사회적 기대치과 규칙을 가지고 챗봇을 대하지 않는다는 점에서 우울감에 관해 말하기 적합한 서비스이다. 하지만 기존 연구들은 소셜네트워크 중 트위터 데이터를 분석했다는 점에서 우울 담론의 유형과 특성을 파악하기에는 무리가 있다.
<p>폐이스북, 트위터 등 소셜 네트워크와 챗봇과 같은 컴퓨터 매개 기술(Computer-mediated technologies)은 사용자의 감정, 생각 등 자신에 대한 정보를 공개하는 자기 노출 행동(Self-disclosure behavior)을 촉진하며, 특히 플랫폼의 익명성이 사용자의 자기 노출 행위 촉진에 중요한 역할을 한다고 알려져 있다. [2]의 연구에 드러난 바와 같이 사람들은 인간 면접관과 직접 대면할 때 보다 가상 에이전트와 인터뷰할 때 더 많이 자신의 우울증 증상에 대해 노출하는 경향이 있었다.</p> <p>트위터에서의 소통은 익명성이 보장될 수 있지만, 불특정 타 트위터 이용자(인간)와 $ 1: n $의 관계로 불특정 트위터 소통해야 한다. 반면 트위터와는 다르게 챗봇과의 대화는 채팅방이라는 가상의 전용 공간에서, 가상 에이전트와의 $ 1: 1 $ 형태의 상호작용이라는 특징이 있다. 단순히 부정적 감정을 표출하는 것만으로도 정신 건강에 긍정적인 효과가 있다고 알려져 있으며, 사람들은 불행하거나 부정적인 사건을 공유하는 타인을 덜 바람직하다고 간주하는 경향이 있다. 따라서 낙인찍기의 위험이 있는 소셜미디어보다는 챗봇에서 사용자의 우울한 감정과 상태에 관한 대화가 더 빈번하게 등장한 것으로 보인다.</p> <p>특히 정성 분석을 통해 살펴본 바에 따르면 사용자들은 챗봇에 자신의 우울한 감정을 표현하는 것에 그치지 않고, 가까운 사람에게도 털어놓기 어려운 가족 관계 문제, 경제적 어려움, 그리고 자기혐오의 감정과 같은 매우 민감한 이야기들을 노출하고 있었다. 또한, 챗봇이 사회적 지지를 받을 수 없는 시스템임을 인지하고 있는데도 불구하고, 우울한 감정에서 벗어나기 위한 조언을 구하거나, 우울증을 낫게 하는 법과 같이 전문가의 답변이 필요한 질문이 빈번하다는 점은 챗봇을 통한 심리지원의 필요성이 증가하고 있다는 것을 나타낸다.</p> <p>반면 '우울에 대한 정보공유' 카테고리에 속하는 대화의 경우 챗봇 데이터에서는 거의 나타나지 않았지만, 트위터에서 $ 34 \% $로 빈번한 것도 다수의 타인으로부터 사회적 지지(Social support)를 기대할 수 있는 공개된 매개체인 트위터와는 달리 사람-챗봇과의 대화는 가상 에이전트와의 $ 1: 1 $ 소통이고 비공개로 진행된다는 매체의 상호작용 방식의 차이에서 기인하는 것으로 설명할 수 있다.</p> <h1>5. 결론 및 향후 계획</h1> <p>일상 대화 챗봇 서비스 심심이에서 추출된 우울 관련 대화를 LDA 알고리즘 및 텍스트마이닝 기법과 정성적 방법으로 분석한 결과, 챗봇의 자연어 기능이 아직 인간과의 대화만큼 자연스럽지 않음에도 불구하고, 이용자들은 챗봇을 우울함과 관련된 자신의 부정적 감정이나 우울로 인한 일상생활의 어려움, 신체적 증상을 포함한 개인적이고 민감한 정보를 털어 놓거나 감정을 쏟아내는(Ventilate) 대상으로 활용함을 알 수 있었다.</p>	챗봇과 같은 컴퓨터 매개 기술은 특이성은 사용자가 사람을 대할 때보다 챗봇에게 더 많이 노출하는 경향이 있다는 것인데 익명성으로 인해 사용자의 자기 노출 행위를 촉진한다. 챗봇에 전문가의 답변이 필요한 질문이 빈번함을 미루어 보아 챗봇을 통한 심리지원의 필요성이 증가하고 있음을 알 수 있다. 챗봇 서비스 심심이에서 추출된 우울 관련 대화를 LDA 알고리즘 및 텍스트마이닝 기법과 정성적 방법 분석 결과 이용자들의 개인적인 정보나 감정을 쏟아내는 대상으로 활용할 수 있다.
<h1>4. 연구 결과</h1> <h2>4.1 정량 분석 결과</h2> <p>1) 우울 채팅의 행복 채팅과의 비교</p> <p>'우울’과 ‘행복' 데이터들의 유니그램 결과는 Table 1과 같다. 우울 대화에는 1인칭 대명사인 '나'의 TF/IDF 점수가 0.42로 '행복' 데이터의 '나'의 TF/IDF 점수인 0.35와 비교해 높다. 반면 2인칭 대명사 '너'의 TF/IDF 점수는 '행복' 대화에서 0.3으로 '우울' 대화에서의 0.08 보다 더 많이 언급됨을 알 수 있다. 행복 대화에서는 '너' 외에도 2인칭을 의미하는 '넌(0.11)', '네(0.11)'의 언급 빈도도 우울 대화의 해당 단어들의 언급 정도에 비교해 높은 편이다.</p> <p>소셜미디어 게시물에서 우울감을 탐지하는 관련 연구들에서 확인된 바와 같이, 1인칭 대명사의 빈번한 사용은 사용자의 심리적 고립, 즉 높은 자기 집중과 다른 사람과의 분리와 같은 우울감을 나타낸다. 반면 2인칭 대명사의 낮은 이용 빈도는 사회적 상호작용에 대한 욕구와 의지가 적음을 나타낸다.</p> <p>Table 1의 워드 클라우드 결과에서 나타나듯이 '우울증' 등의 직접 증상을 언급하는 단어도 우울 담론에서 빈번히 언급되는 단어 상위에 등장하고 있으며, 행복 대화보다 '친구', '엄마', '오빠' 등 가까운 주변인과 관련된 우울감에 관한 대화도 자주 나누고 있는 것으로 보인다.</p> <p>2) 우울 채팅의 시간대별 발화 빈도 비교</p> <p>전반적으로, 챗봇 사용자와 챗봇과의 대화는 오전 8시 기점으로 점점 상승해 21시 22시 사이에 가장 빈번하다. 또한, 22시를 기점으로 감소하기 시작해, 새벽 6시까지 감소세가 유지된다. Fig. 1에서 나타나듯이 우울 대화와 행복 대화의 전반적인 빈도 추이도, 전체 챗봇 대화의 시간대별 빈도 추이와 비슷하게 오후부터 꾸준히 상승해 밤 10시 기점으로 감소하는 경향성을 보인다. 다만 대화 주제별 차이를 살펴보면, 오전 7시부터 13시까지, 또 오후 15시부터 저녁 20시 사이에는 행복에 관한 대화 빈도가 우울 대화보다 더 높다. 반면 20시에 $ 6.8 \% $이던 우울 관련 대화 빈도는 가파르게 상승하기 시작해 밤 10시에 가장 높고 $ 8.6 \% $ 새벽 2시까지 평균 이상의 빈도가 유지되었다(Fig. 1). 특히 자정부터 오전 7시에는 우울 대화 비율이 전체 대화와 행복 대화 비율보다 지속해서 높게 유지되었다. 이는 한국인 우울감의 특징에 관한 연구에서 밝힌 새벽 시간에 우울감이 증가하고 자살 시도 위험도가 높다는 결과와 유사하다. 멜랑콜리아형 우울증(major depression with melancholic features)은 한국인 우울증 중 $ 42.6 \% $가 해당하며, 이는 다른 나라에 비해 1.4배 이상 높은 것으로 나타나는데, 특히 새벽에 일어나 혼자 보내는 시간이 많고, 자살위험이 2배 이상 높은 것으로 보고되었다.</p>	연구 결과, 우울 대화의 1인칭 대명사 '나'의 TF/IDF 점수가 0.42로 행복 데이터의 '나'의 TF/IDF 점수인 0.35보다 높고, 2인칭 대명사 '너'의 TF/IDF 점수는 '행복' 대화에서 0.3으로 '우울' 대화에서의 0.08 보다 많이 언급됨을 알 수 있다. 즉 1인칭 대명사를 사용할 수록 사용자의 높은 자기 집중에 따른 심리적 고립, 다른 사람과의 분리와 같은 우울감을 나타낸다. 또한, 챗봇 사용자와 챗봇과의 대화는 오전 8시 기점으로 점점 상승해 21시 22시 사이에 가장 빈번하고, 우울 대화 비율이 전체 대화와 행복 대화 비율보다 지속해서 높게 유지되었다.
<p>그러나 챗봇을 대상으로 한 기존의 우울 및 불안 완화 연구들은 기존 앱의 사용자 이용 패턴을 분석하거나, 주로 통제된 실험 환경에서 프로토타입 챗봇을 통해 수집한 대화 데이터를 분석했다는 것에 한계를 가진다. 실제 환경에서의 사용되는 챗봇과 상호작용한 사용자 데이터를 분석한 연구는 거의 없으며, 따라서 소셜미디어가 아닌 챗봇에서 형성된 우울 대화 담론을 분석한 연구 역시, 찾아본 바로는, 국내외 연구를 통틀어 여전히 찾아보기 어렵다.</p> <h1>3. 연구 방법론</h1> <p>챗봇 심심이(simsimi.com)는 사용자에게 재미와 즐거움을 제공하기 위한 일상 대화용 챗봇이다. 2002년 세계 최초로 대한민국에서 상업용 서비스를 시작하여 2018년 6월 기준 전 세계 누적 사용자 3억 5천 명을 보유한 글로벌 서비스이다. 2021년 기준 하루 최대 2억 번 이상 대화 응답을 제공하고 있으며, 81개 언어로 서비스가 제공된다. 심심이는 사용자가 '가르치기' 기능을 통해 생성한 문답형 대화 데이터 세트를 사용하며, 사용자가 문장을 입력하면 데이터베이스 스캔을 통해 가장 적절한 답변을 찾는 방식으로 동작한다. 이 연구에는 2016년 1월 1일부터 2020년 12월 31일까지 이루어진 심심이-사용자의 대화 중 한글로 '우울'이라는 단어가 포함된 사용자 발화 문장 107,221개를, 비교를 위해서 '행복' '신나'가 포함된 문장 23,438개를 키워드 기반으로 추출하여 연구에 활용하였다.</p> <p>사용자의 개인정보 보호를 위해 분석 대상 데이터는 숫자, 이름, 지명, 성별, 나이 등 개인식별정보가 포함되지 않았다. 우울감에 대한 채팅 메시지 분류, 위험 탐지 목적을 위해 정량 및 정성 분석은 의료분야의 전문가와 공동으로 진행하였다. 또한, 본 연구는 연구윤리위원회의 심의를 통해 심의 면제 대상으로 확인받았으나, 관련 연구의 윤리 지침에 따라 정성 분석 결과에 사용된 사용자 발언은 문장 그대로 사용하지는 않되, 본래의 의미에 가깝게 기술하도록 노력하였다.</p> <h2>3.1 정량 분석 방법</h2> <p>실험은 다음과 같은 단계로 진행되었다. 첫째, 우울 채팅에서의 시간의 영향과 대화 주제별 차이를 파악하기 위해, 채팅 로그 데이터의 시간 정보를 이용하여 시간대별 우울 대화 빈도를 파악하고 우울 관련 대화가 특히 자주 이루어지고 있는 시간대를 살펴보았다. '행복' 데이터의 시간당 채팅 빈도와 심심이 국문 전체 대화의 시간대별 대화 빈도와의 비교를 통해 우울 채팅의 특징을 파악하고자 한다.</p> <p>이어서, '우울’과 '행복' 대화 데이터셋 각각에 유니그램(unigram)을 적용해 체언들을 추출하고, 추출된 유니그램에 TF/IDF(용어 빈도/역 문서 빈도) 점수를 할당하여 점수 상위 20개의 단어를 추출하였다. 두 데이터 그룹에서 각각 의미있게 등장하는 단어들의 차이를 비교함으로써 우울 대화만의 특징을 파악하고자 한다. 더불어 워드 클라우드(wordcloud) 패키지를 이용하여 각각 우울과 행복 대화의 상위 100개 체언을 시각화하였다. 워드 클라우드는 데이터의 핵심 키워드. 개념 등의 결과치를 직관적으로 살펴볼 수 있는 시각화의 방법의 하나다. 해당 분석에는 각 데이터 그룹별 각각 23,438개 사용자 발화문장을 실험에 활용했다.</p>	기존의 우울 및 불안 완화 연구들은 앱의 사용자 이용 패턴 분석 및 통제된 실험 환경에서 프로토타입 챗봇을 통해 수집한 데이터 분석으로 한계가 있어 이를 위해 챗봇 심심이(simsimi.com)는 2016년 1월 1일부터 2020년 12월 31일까지 '우울'과 '행복', '신나'가 포함된 문장 23,438개를 키워드 기반으로 추출하여 연구에 활용하였다.
<p>그중에서도 “죽고 싶어”, “자살”, “자해”와 같은 죽음과 관련된 언급 비율도 전체의 $ 6.5 \% $ (65번)에 해당하여, 죽음 관련 키워드를 언급하는 사용자에게 긴급 심리지원 정보와 같은 적절한 대응이 필요한 것으로 나타났다.</p> <p>두 번째 카테고리는 우울함에 대한 대상자의 사고와 인지 관련 채팅 대회들로 전체의 $ 46 \% $(456회)에 해당했으며, 우울감을 벗어나는 방법이나, 자신의 우울 증상을 인지하거나, 그 에 따른 도움을 요청하는 세부 타입으로 나누어졌다. 사용자들은 “우울할 땐 어떻게 하는 것이 좋을까?" “우울할 때 도움 될 만한 행동이 뭐가 있을까요?," “기분이 우울할 때 어떤 노래가 좋을까?"와 같이 현재 느껴지는 우울한 감정에서 벗어나기 위한 조언을 구하기도 했지만, “우울증 치료 약물치료 말고 혼자서 하는 방법은 없을까?"와 “우울증 낫게 하는 방법 좀 가르쳐줘봐"와 같은 전문가의 답변이 필요한 질문을 하기도 했다.</p> <p>세 번째 카테고리는 가족과 친구 등 타인의 우울함에 관한 대화들로 전체의 $ 6 \% $(58회)에 해당하며, 세부 예시는 다음과 같다:"우울한 사람한테는 뭐라고 위로해줘야 할까,” “엄마가 우울증인데 좀 도와줘 ㄲ", "언니가 우울증인가 봐"</p> <p>다음은 “금연 우울증도 있어?" 또는 “우울하다는 건 어떤거니" 등과 같은 우울에 대한 정보공유를 공유하는 대화 유형으로 전체의 $ 0.4 \% $(4회)에 해당했고, 마지막 '기타' 카테고리에는 우울감 토로와는 무관하지만 '우울'이라는 단어를 포함한 대화 (예: “우울한 사람에게 힐링이 되는 노래”)로 $ 1 \% $(12회)보다 적게 나타났다.</p> <p>'우울'이 포함된 심심이-사용자 채팅 데이터의 정성 분석 결과를 트위터 데이터에 기반한 선행 연구와 비교한 결과는 Fig. 2와 같다. 챗봇에 자신의 우울한 감정 상태를 표현하는 비율은 대화의 $ 47 \% $로 트위터 데이터의 우울감 토로 비율인 $ 42 \% $보다 약간 높다. 또한, 우울로 인한 인간관계나 생활의 어려움 등 우울함에 대한 대상자의 사고 반응을 대화한 내용은 $ 46 \% $로 같은 카테고리의 트위터 메시지 비율 $ 11 \% $보다 4배 수준으로 매우 높다.</p> <p>LDA 알고리즘을 통한 토픽 모델링 분석 결과와 정성 분석 결과에서 나타나듯이, 소셜미디어 사용자는 자신과 비슷한 우울함의 증상을 가진 타인을 찾거나, 증상이나 치료에 대한 구체적인 정보를 찾거나, 혹은 사회적 지원을 받기 위해서 자신의 정신 건강 정보를 노출하는 반면, 챗봇 사용자들은 우울로 인한 생활의 어려움, 우울증으로 인한 깊은 우울감, 가까운 지인이나 관계로부터 오는 우울함을 주로 챗봇에 표출하였다.</p>	심심이 사용자들은 죽음과 관련된 언급 비율 6.5%, 우울함에 대한 사고 반응 46%, 타인의 우울함 6%, 우울에 대한 정보공유 0.4%, 그리고 기타 1%로 나타났다. 챗봇 사용자는 자신의 우울한 감정 상태를 47%로 표현하고, 우울함에 대한 대상자의 사고 반응을 46%로 높게 나타났다.
<h2>3.2 영상처리를 이용한 도킹 유도 기술</h2> <p>마커를 인식 하기 위하여 Fig. 7의 흐름도에 의하여 영상처리가 이루어진다. 이미지 와핑과 템플릿 매칭을 통하여 해당 마커 인식을 완료하게 된다.</p> <h3>1) 케니 에지 검출기 (Canny Edge Detector)</h3> <p>Canny Edge 검출은 대표적인 윤곽선 검출 방법으로 에지를 제거할 때 뛰어난 성능을 보여주는 방법이다. 이 방법은 첫째, 모든 에지가 검출되고 참인 점을 찾기 때문에 에러율이 낮고 둘째, 에지 점들의 위치가 정확히 측정되어야 하며 셋째, 검출기가 에지 점이 하나만 있는 곳에서 여러 개를 식별하지 않는다는 강건함을 가지고 있다. 그러나 구현이 복잡하고 실행 시간이 길다는 단점이 있다. 본 연구에서는 도킹을 위한 강건한 결과를 위하여 케니 에지 검출기를 사용한다.</p> <p>$ \nabla f(x, y)=\left[\begin{array}{l}G_{x} \\ G_{y}\end{array}\right]=\left[\begin{array}{l}\frac{\partial f}{\partial x} \\ \frac{\partial f}{\partial y}\end{array}\right] $<caption>(4)</caption></p> <p>$ \begin{aligned} G &=\sqrt{G_{x}^{2}+G_{y}^{2}} \\ \theta &=\tan ^{-1}\left(\frac{G_{y}}{G_{x}}\right) \end{aligned} $<caption>(5)</caption></p> <p>Canny Edge Filter 알고리즘은 위 Equation (4), (5)와 같은 Magnitude 과정으로 Sobel 연산 등을 통하여 기울기 값을 추출하고, Non-Maximum Suppression 과정에서 2차 기울기 값을 추출하여 강한 윤곽선과 약하지만 필요한 윤곽선을 효과적으로 분류시킨다. Fig. 8은 Canny Edge 알고리즘의 결과를 보여준다.</p> <h3>2) Rectangle Detection</h3> <p>본 로봇에 제안하는 기술은 Fig. 9A의 마커를 사용한다. 해당 마커는 오픈 소스 Software Development Kit(SDK)인 ARToolkit의 Marker Generator을 이용하여 제작하였다. 드론 아래 설치된 임베디드 캠이 해당 마커를 인식하게 되면 인식된 마커의 중심 좌표로 드론이 이동하고, 레이저 송수신을 이용해 위치를 미세조정한 후 추력을 낮춰 기계적 결합을하는 방식이다. 마커의 사각형의 각 꼭지점을 통하여 입력받은 이미지에 와핑 작업을 실시한다. 이미지 와핑(Warping)은기하학적 변형의 한 종류로 한 (x, y)의 위치에 있는 픽셀을 (x’, y’)으로 대응시키는 작업을 의미한다. 이 작업은 다음 단계인 템플릿 매칭을 위한 전처리 단계로 기존 템플릿과의 유사도를 판별하기 위하여 처리해주는 작업이다. Fig. 9B는 입력받은 영상에서 와핑된 이미지를 보여준다.</p> <h3>3) 템플릿 매칭</h3> <p>템플릿 매칭은 참조 영상에서 템플릿 영상과 매칭되는 위치를 탐색하는 방법이다. 템플릿 매칭에서 영상의 밝기를 그대로 사용할 수도 있고, 에지, 주파수 변환 등의 특징 공간으로 변환하여 템플릿 매칭을 수행할 수도 있다. 영상의 밝기 등에 덜 민감하도록 정규화 과정이 필요하다. 알려진 템플릿 매칭방법들은 픽셀값의 제곱차를 이용하는 제곱차매칭 방법, 제곱차 매칭 방법에서 정규화 계수를 나눈 방법, 상관관계방법으로 템플릿과 입력 영상의 곱을 모두 제곱하여 모두 더하는 방법, 상관관계 방법에서 정규화 계수를 나눈 방법, 상관계수 방법으로 템플릿과 입력 영상 각각의 평균을 고려한 매칭을 수행하는 방법, 상관계수 방법에서 정규화 계수를 나눈 방법의 6가지가 존재한다[9]. 정규화된 방법은 입력 영상과 템플릿 영상 사이에 조명의 차이가 존재할 때, 그 영향을 크게 줄여주기 때문에 유용하게 사용된다. Equation (6), (7), (8), (9), (10), (11)는 6가지의 각각의 결과 행렬을 구하는 공식을 보여준다.</p> <p>$ R(x, y)=\sum_{x^{\prime}, y^{\prime}}\left(T\left(x^{\prime}, y^{\prime}\right)-I\left(x+x^{\prime}, y+y^{\prime}\right)\right)^{2} $<caption>(6)</caption></p> <p>$ R(x, y)=\frac{\sum_{x^{\prime}, y^{\prime}}\left(T\left(x^{\prime}, y^{\prime}\right)-I\left(x+x^{\prime}, y+y^{\prime}\right)\right)^{2}}{\sqrt{\sum_{x^{\prime}, y^{\prime}} T\left(x^{\prime}, y^{\prime}\right)^{2} \cdot \sum_{x^{\prime}, y^{\prime}} I\left(x+x^{\prime}, y+y^{\prime}\right)^{2}}} $<caption>(7)</caption></p> <p>$ R(x, y)=\sum_{x^{\prime}, y^{\prime}}\left(T\left(x^{\prime}, y^{\prime}\right) \cdot I\left(x+x^{\prime}, y+y^{\prime}\right)\right) $<caption>(8)</caption></p> <p>$ R(x, y)=\frac{\sum_{x^{\prime}, y^{\prime}}\left(T\left(x^{\prime}, y^{\prime}\right) \cdot I\left(x+x^{\prime}, y+y^{\prime}\right)\right)}{\sqrt{\sum_{x^{\prime}, y^{\prime}} T\left(x^{\prime}, y^{\prime}\right)^{2} \cdot \sum_{x^{\prime}, y^{\prime}} I\left(x+x^{\prime}, y+y^{\prime}\right)^{2}}} $<caption>(9)</caption></p> <p>$ R(x, y)=\sum_{x^{\prime}, y^{\prime}}\left(T^{\prime}\left(x^{\prime}, y^{\prime}\right) \cdot I^{\prime}\left(x+x^{\prime}, y+y^{\prime}\right)\right) $<caption>(9)</caption></p> <p>$ R(x, y)=\frac{\sum_{x^{\prime}, y^{\prime}}\left(T^{\prime}\left(x^{\prime}, y^{\prime}\right) \cdot I^{\prime}\left(x+x^{\prime}, y+y^{\prime}\right)\right)}{\sqrt{\sum_{x^{\prime}, y^{\prime}} T^{\prime}\left(x^{\prime}, y^{\prime}\right)^{2} \cdot \sum_{x^{\prime}, y^{\prime}} I^{\prime}\left(x+x^{\prime}, y+y^{\prime}\right)^{2}}} $<caption>(11)</caption></p> <p>I(x,y), I(x’,y’)는 탐색영역의 영상, T(x,y), T(x’,y’)는 템플릿, R(x,y)는 계산한 결과 행렬이다. 본 연구에서는 두 값의 방향성과 척도에 의하여 Equation (8)의 결과 행렬을 사용하였다.</p> <h2>3.3 센서와 도킹 모듈을 이용한 도킹</h2> <p>도킹 유도 마커의 인식이 완료되면 마커 중심 좌표가 카메라 중앙에 있을 수 있게 드론이 이동한다. 그러나 현재 정확한 위치에 드론이 머물러 있다는 것이 쉽지 않으며 도킹 시도 시 실패할 가능성이 있다. 이 문제점을 해결하기 위하여 최근 연구에서 차량의 위치 보정에 많이 사용되어지는 레이저 센서의 송수신을 이용[12]하는 방법을 사용한다. 레이저 센서는 4족 로봇의 모서리 부분에 하나씩, 즉 4개의 센서가 위치하며 각각의 송수신이 완료되었을 때 추력을 0으로 만들고 도킹 기어를 통한 기계적 결합이 진행된다. Fig. 10A에 제시된 그림처럼 도킹 기어를 통해 Fig. 10B과 같이 4족 로봇과 도킹할 수 있게 제작하였다. 각 기어에는 Stick이 달려있어 도킹 시에 로봇 간의 결합 후 Stick이 회전하여 로봇 간 연결쇠 역할을 하는 기계적 결합 방식을 사용하였다.</p>	이미지 와핑(Warping)은 기하학적 변형의 한 종류로 알려진 제곱차 매칭 방법에서 정규화 계수를 나눈 방법, 상관관계방법으로 템플릿과 입력 영상의 곱을 모두 제곱하여 모두 더하는 방법, 템플릿 매칭방법들은 픽셀값의 제곱차를 이용하는 제곱차매칭 방법, 상관관계 방법에서 정규화 계수를 나눈 방법, 상관계수 방법으로 템플릿과 입력 영상 각각의 평균을 고려한 매칭을 수행하는 방법, 상관계수 방법에서 정규화 계수를 나눈 방법의 6가지가 존재한다.레이저 센서는 4족 로봇의 모서리 부분에 하나씩, 즉 4개의 센서가 위치하며 각각의 송수신이 완료되었을 때 추력을 0으로 만들고 도킹 기어를 통한 기계적 결합의 Canny Edge Filter 알고리즘은 위 Equation와 같은 Magnitude 과정으로 Sobel 연산 등을 통하여 기울기 값을 추출하고, Non-Maximum Suppression 과정에서 2차 기울기 값을 추출하여 강한 윤곽선과 약하지만 필요한 윤곽선을 효과적으로 분류시켜서 템플릿 매칭은 참조 영상에서 템플릿 영상과 매칭되는 각 기어에는 Stick이 달려있어 도킹 시에 로봇 간의 결합 후 Stick이 회전하여 로봇 간 연결쇠 역할을 하는 기계적 결합 방식을 사용하였다.
<h1>4. 실험 및 고찰</h1> <h2>4.1 제안된 시스템의 성능 평가 실험</h2> <p>제안된 도킹 시스템의 성능을 평가하기 위하여 반복실험을 진행하였다. 실험은 첫째, Marker 유형의 객체를 인식하는 방법만 사용하여 도킹을 시도하는 것과 둘째, 레이저 센서만을 이용하는 방법, 그리고 셋째, 제안된 두 가지를 융합하는 방법의 3가지 방법이 반복실험 시 얼마나 성공하는 지에 대한 실험이다. 각 방법의 성공률을 획득하기 위하여 마커가 인식될 수 있는 지근거리, 즉 약 1m라 가정하고 1m 이내까지 드론이 이동했다는 전제 조건하에 사용자 제어 없이 자율적으로 도킹이 성공하는지 측정하였다. 첫 번째 실험은 총 50번의 실험을 진행하였다. 실험은 바람이 통하지않는 넓은 실내에서 진행하였으며, 변인 조건으로 마커 인식, 레이저 센서 작동 여부의 두 가지로 구성하였다. 총 실험 횟수는 50회이며 백분율(%)로 도킹성공률을 표시하였다. 마커 인식과 레이저 센서를 모두 작동하지 않는 상태는 고려하지 않으며 모듈 기어가 완전히 돌아가 4족 로봇을 들고 1m 이상을 비행하였을 때 성공으로 판단하도록 하였다. 한편, 도킹 속도는 고려하지 않도록 하였다.</p> <p>Table 1은 본 실험의 결과이다. n은 실험횟수를 의미한다. 세 방법 공통적으로 실험횟수가 많아질수록 성공률이 감소하는데 이는 외부 요인에 의한 것으로 보인다. 가장 도킹성공률이 낮은 방법은 레이저 센서의 송수신만을 이용하여 도킹할 때이다. 도킹성공률이 가장 높은 방법은 제안된방법으로 나타났다. 실험 시에 레이저 송수신만을 사용하였을 때 기체는 도킹 모듈 위에 빗겨서 착지하여 실패하는 모습이 반복적으로 확인되었다. 즉, 문제점은 드론이 4족 로봇의 중심에 위치할 수 없었기 때문에 모서리에 위치한 4개의 레이저 센서의 송수신이 정확한 위치에 정합되지 않아서 발생하는 것이라고 볼 수 있다. 또한 영상 처리를 통한 마커인식만으로 50회의 실험에서 70%의 성공률을 보였으나 마커의 오인식시 드론의 정밀 위치 보정이 되지 않아 실패가발생하였다. 결국 제안된 방법으로 96%의 도킹 성공률을 보였으며 제안된 시스템의 성능을 입증해준다.</p> <h2>4.2 템플릿 매칭 기법 비교 실험</h2> <p>실험은 여러 템플릿 매칭 기법 중에 가장 강건한 기법이무엇인지 판단하기 위하여 여러] 가지 템플릿 매칭 기법으로 매칭 기법 정확률을 검토하였다. 본 실험을 위하여 예비용 마커 두 가지를 더 첨부하여 실험하였다. 조명, 배경, 카메라 위치와 같은 결과에 영향이 많은 변인들은 통제하고, 드론을 통하여 공중 2m 지점에서 촬영하였을 때 실제 마커의 위치에 사각형이 그려진다면 인식 성공으로 보았으며 정확률 계산은 Equation (12)와 같다.</p> <p>Accuracy $ =\frac{\text { Success }}{\operatorname{Try}}, \operatorname{Tr} y=20 $<caption>(12)</caption></p> <p>매칭 기법 별 정확률은 Table 2 와 같다.</p> <p>Table 2에서 상관계수를 사용하는 두 가지 방법이 정확률이 더 높은 것을 볼 수 있으며, 정규화 되지 않은 방법이더 높은 정확률이 나온 것을 볼 수 있다. 그러나 템플릿 이미지의 촬영이 실내에서 이루어졌고 실험도 실내에서 이루어졌기 때문에 입력 영상의 밝기나 조도의 영향이 크지 않으므로 정규화되지 않은 방법이 더 성공률이 높게 나타나는것으로 보여진다. 그러나 밝기, 조도의 영향을 쉽게 받는실외와 같은 환경이면 Equation (6)이나 Equation (8)을 정규화시킨 Equation (7)과 Equation (9)의 방법이 더 강건할것으로 예상한다.</p>	본 실험에서는 제안된 도킹 시스템의 성능 평가를 위해 반복실험을 시행했다. 실험내용은 첫째, Marker 유형의 객체를 인식하는 방법만 사용하여 도킹을 시도하는 것과 둘째, 레이저 센서만을 이용하는 방법, 그리고 셋째, 제안된 두 가지를 융합하는 방법의 3가지 방법이 반복실험 시 얼마나 성공하는 지에 대한 실험이다. 실험에서 여러 템플릿 매칭 기법 중에 가장 강건한 기법이 무엇인지 판단하기 위하여 여러가지 템플릿 매칭 기법으로 매칭 기법 정확률을 관찰했다. 실험과정에서 예비용 마커 두 가지를 첨가후 실험을 진행했다.
<h1>2. 기존 연구</h1> <p>국내에서는 최근 기존의 드론과 지상 로봇과의 결합에 대한 대표적인 연구로써 한국원자력연구원 로봇연구실에서 개발한 위험 시설물을 집중적으로 모니터링할 수 있는 원격제어 무인지상 차량인 RAM(Remote Control System forAccident Monitoring)이 있다. RAM은 재난 현장에 투입하기 위한 범용 UGV(Unmanned Ground Vehicle)플랫폼으로 접근 불가능한 지역까지 ATV(All Terrain Vehicle)로 이동하고, ATV에 탑재된 드론으로 지상과 공중 정찰 임무를 수행한다. 원격으로 운용되는 고속주행 플랫폼으로 Virtual Reality의 일종인 1인칭 사용자 조작 시스템을 사용하여 제어가 가능하며 기존 무인지상차량의 기동성이 뛰어나지 못한 것에 반하여 최고시속이 $80 \mathrm{km} $ 이상인 ATV를 사용하기 때문에 여러 장애물들을 넘어 사고 지역에 빠르게 도달할 수 있다.</p> <p>해외에서도 이와 비슷한 연구로 스위스연방공대 산하 ‘자율시스템연구소’(Eidgenössische Technische HochschuleAutonomous Systems Lab)는 드론과 4족 보행로봇을 결합한 콤보 로봇 기술을 선보였다.</p> <p>이러한 기존 연구들은 높이가 높은 장애물 혹은 수심이깊은 물이나 공간이 협소한 험난한 지형에서의 이동이 힘들다는 점과 비행 기능은 드론 기체 단독으로밖에 사용할 수없다는 한계점을 가지고 있다. 즉, 사람이 이동할 수 없는 험난 재난 지형을 모두 극복하여 해당 지역 탐사가 어렵다는 점을 가지고 있는 것이다.</p> <h1>3. 로봇 시스템 설계</h1> <p>제안된 로봇의 전체 시스템 구성은 Fig. 4와 같다. 시스템에는 영상 처리를 위한 임베디드보드(Embedded board), 지능적 제어를 위한 MCU (Micro Controller Unit)와 제안된 기술을 기계적으로 구현할 노킹 모듈을 포함한다. Fig. 5와 같이 드론은 영상처리를 동하여 모듈 로봇과의 도킹을 위한 위치인식을 수행하며, 레이저 센서의 송수신을 통하여 보다 정밀적으로 도킹을 수행한다.</p> <p>4족 로봇의 모터들은 범용 비동기형 송수신 동신을 이용하여 주기적인 펄스에 의해 제어되며 평형이 되는 부분을 찾아 균형이 유지되도록 설계되었다. 인터럽트와 타이머를 이용하여 초음파 센서에서 받아온 실측값으로 장애물 거리 측정 및 회피가 가능하며 도킹 시 레이저 센서의 송수신을 담당한다.</p> <h2>3.1 드론 제어</h2> <p>드론의 자세 제어는 롤-피치-요 각에 대한 PID(Proportional-Integral-Derivative) 제어기를 통한 제어를 사용한다. PID 제어기는 기본적으로 피드백 제어기의 형태를 가지고 있으며, 제어하고자 하는 대상의 출력값을 측정하여 제어에 필요한 값을 알맞게 가감하는 구조로 되어있다. Fig. 6과 같이 본 연구에서 사용한 기술은 Proportional(P) 제어기와 PID 제어기의 두 가지의 루프로 구성된 P-PID 피드백 제어기와 초음파 센서를 사용하여 비행 자세를 제어하는 방식이다. 현재 드론의 자세 측정은 자이로 3축, 가속도 3축, 지자기 3축이 포함된 상용 모션 센서를 사용하고 현재 각속도와 각도를 측정한다. 측정된 각도는 P-PID 피드백 제어기를 통하여 전자변속기에 들어가게 되어 브러쉬리스(Brushless) 직류 모터 출력 속도를 제어한다. 일반적으로 PID 피드백 제어기 단독으로 쓰이는 경우는 없고, 안쪽 루프와 바깥쪽 루프를 두어 각도 피드백과 각속도 피드백을 받아 제어하는 방식을 취하고 있다. 초음파 센서는 도킹 유도 마커와 융합하여 드론의 고도를 측정하는데 사용된다.</p> <p>$ u_{\text {ang }}(t)=K_{p} e_{\text {ang }}(t)+K_{i} \int_{0}^{t} e_{\text {ang }}(t) d(t)+K_{d} \frac{d}{d t} e_{\text {ang }}(t) $<caption>(1)</caption></p> <p>$ u_{\text {gyro }}(t)=K_{p} e_{\text {gyro }}(t) $<caption>(2)</caption></p> <p>$ u(t)=u_{\text {gyro }}(t) \times u_{\text {ang }}(t) $<caption>(3)</caption></p> <p>Equation (3)은 전자변속기에 들어가는 최종 값을 나타낸다. $ K_{p}, K_{i}, K_{d} $는 각각 PID이득 값을 의미하며, $ e(t) $는 제어값에서 실측값을 뺀 오차를 의미한다.</p>	재난 지역이나 위험 시설물로 접근할 수 있는 제안한 드론과 지상 로봇과의 결합에서 P-PID 피드백 제어기와 초음파 센서를 이용하여 비행 자세를 제어하는 방식을 장착한 드론은 위치인식을 위해 로봇과 영상처리를 이용한 도킹을 하고 장애물 거리 측정 및 회피가 가능한 기능을 가진 로봇은 레이저 센서를 이용하여 도킹을 한다.
<h1>1. 서 론</h1> <p>무인비행기(UAV: Unmanned Aerial Vehicles)는 사람이 하던 위험하고 힘든 임무를 대신 수행할 수 있다는 점과 넓은 지역을 오랜 시간 돌아다니며 산불을 감시하거나 방사능으로 오염되어 사람이 들어갈 수 없는 위험 지역을 조사하고 정찰하는 임무에 적합하다. 특히, 다수의 프로펠러를 이용한 무인기의 한 종류인 멀티콥터에 대한 연구는 기술의 발전으로 인하여 전자 제어기 및 자세 감지 센서의 저가화 및 소형화에 힘입어 많은 연구가 되고 있다. 멀티콥터의 많은 종류 중 4개의 프로펠러와 모터를 가진 쿼드콥터는 비행 메커니즘 상 직관적 이해가 쉽고, 호버링 성능이 우수하며 기계적 구조가 간단하며 4개의 모터가 각 방향으로 분산되어 있어 충돌 시 받는 손해를 경감할 수 있다는 이점을 가지고 있어 민간 분야에서도 여러 가지로 활용되고 있는 추세이다. 한편, 인공위성 등의 우주비행체에서 쓰이는 용어인도킹(docking)은 우주상의 두 물체가 물리적으로 연결되는것으로 도킹이라는 용어는 이제 여러 분야의 연구에서 ‘두물체의 기능을 결합 후에도 온전히 사용할 수 있는 물리적이고 기계적인 결합’을 의미로 가진다.</p> <p>기존의 멀티콥터는 다수의 프로펠러의 동작으로 이루어지는 이동 방식 때문에 오히려 제한이 생기기도 한다. 예를들면, 구조 현장이나 건설 현장과 같은 경우 현장 내에 드론을 적용한다고 하였을 때 프로펠러에 의한 분진이 많이 날려 드론을 구성하는 시스템에 치명적인 결함이 생기게 하며 드론의 비행 안정성을 보장받을 수 없게 한다. 또한, 중소형 드론 자체의 동작 시간은 한 시간 이내로, 실제 현장에서의 효율성이 떨어진다. 따라서 고가의 드론이 아니면 해당 분야에 적용하기에 어렵고 손실 시 비용적인 측면에서도 많은 손해가 있다. 기존 드론들의 유용한 이점을 살릴수 있으면서도 안정성을 보장받는 방법은 해당 분야에서 기존 사용되는 로봇을 결합하는 일이다. 본 논문에서는 영상처리를 이용하여 영상에서의 객체 중 하나인 도킹 유도 마커를 검출하고, 검출된 마커의 정보를 도킹에 사용하여 드론과의 도킹을 통하여 목적지까지의 고속이동이 가능하며 빠르게 임무 수행을 할 수 있는 로봇 시스템의 설계를 제안한다. 본 논문에서 제안하는 도킹 시스템은 1대의 카메라를 이용한 도킹 유도 마커의 영상 처리 알고리즘과 레이저 센서 인식을 통한 도킹 기술이 사용되었다. 드론과 도킹할 대상은 동체의 균형성과 보행의 안정성 및 무게 등을 고려하여 4족 로봇으로 선정되었다.</p> <p>본 연구의 목적은 사람이 이동할 수 없는 험난 지형을 통과할 수 있는 로봇들과 드론의 결합을 실현시킬 수 있는 강건한 도킹 시스템의 개발에 초점을 맞춘다. 현재 국내 상용화된 드론들은 다중 센서를 이용한 협업(collaboration)을 통하여 기체의 자세 제어를 구현하기 때문에 결합으로 인한 무게 변화를 감당하지 못하므로 드론과 관련 비행 알고리즘을 자체 설계하였다. 논문의 구성은 2장에서 기존 드론과 지상 로봇들과의 결합들에 관한 연구들을 소개하고 3장에서는 제안하는 로봇 시스템에 대하여 설명한다. 4장에서는 시스템의 성능평가를 실시하며 5장에서 결론을 맺는다.</p>	무인비행기(UAV: Unmanned Aerial Vehicles)는 사람이 하던 위험하고 힘든 임무를 대신 수행할 수 있다는 점과 넓은 지역을 오랜 시간 돌아다니며 산불 감시, 방사능으로 오염되어 사람이 들어갈 수 없는 위험 지역을 조사 및 정찰하는 임무에 적합하다. 기존의 멀티콥터는 다수의 프로펠러의 동작으로 이루어지는 이동 방식 때문에 오히려 제한이 생기기도 한다. 본 연구의 목적은 사람이 이동할 수 없는 험난 지형을 통과할 수 있는 로봇들과 드론의 결합을 실현시킬 수 있는 강건한 도킹 시스템의 개발에 초점을 맞춘다.
<h1>요 약</h1> <p>본 논문은 BcN(Broadband convergence Network)에서 IMS(IP Multimedia Subsystem)기반 멀티미디어 서비스를 제공함에 있어 세션 제어를 담당하는 CSCF(Call Session Control Function)의 호 처리 성능을 분석한 것이다. 지금까지 SIP기반의 음성서비스의 호/세션 관련된 성능분석은 연구되고 있으나 IMS기반 멀티미디어 서비스의 호 처리 성능 분석에 대한 연구는 미흡한 실정이다. 본 논문에서는 M/M/1을 적용한 큐잉 모델과 OPNET 시뮬레이션을 통해 CSCF의 처리 용량과 가입자 수를 변화시키면서 IMS의 세션 설정 절차에 따른 호 설정 지연 시간을 측정하였다. 그 결과 총 사용자의 세션 설정 요구율이 CSCF 처리 용량의 $13 \% $이상일 경우에는 급격한 지연 증가가 나타남을 알 수 있었다. 따라서 본 성능 분석을 통해 세션 설정 지연 허용값에 맞는 CSCF의 용량과 가능한 사용자 수를 계산할 수 있을 것이다.</p> <h1>I. 서 론</h1> <p>최근 통신 방송 융합 유무선 환경에서의 멀티미디어 서비스가 증가 되고 있는 가운데, 사용자는 언제 어디서나 품질이 보장된 멀티미디어 서비스를 제공받기를 원하고 있다. BcN은 패킷 기반의 음성 데이터 영상 서비스와 같은 다양한 멀티미디어 서비스를 효율적으로 지원하는 차세대 네트워크로서 PSTN망, 이동전화망, ATM망, 인터넷망 등이 각각 독립적인 개별망 형태로 존재하는 것에 비해서 통합된 서비스가 가능한 망으로 진화된 것이다.</p> <p>BcN의 중요한 특징 중의 하나는 서비스와 전달망을 분리하여 기존 네트워크의 문제점인 각각의 망에 종속된 서비스 제공 방식을 개선, 사용자가 어떠한 네트워크에 속해 있더라도 동일한 서비스를 제공할 수 있게 하는 것이다. 이러한 서비스 제공을 위해서는 서비스 형태에 따른 호 제어 기능이 요구된다. IMS(IP Multimedia Subsystem)는 3GPP에서 표준화한 호/세션 제어 기술로서 인터넷 전화와 같은 세션 형태의 서비스를 제어하기 위한 기반 기술로 개발되었다. BcN에서도 IP코어망을 통한 호/세션제어 기술이 필요하고 이를 IMS에서 수용하여 제공하도록 기본 구조가 정립되었고 이를 통해서 유무선 공통의 통합된 세션 제어가 가능하게 되었다.</p> <p>BcN에서의 호/세션 관련된 성능분석은 SIP기반의 음성 서비스나 소프트 스위치를 사용한 구조로 연구되고 있으나, IMS기반의 호처리 성능 분석에 대한 연구는 미흡한 실정이다.</p> <p>본 논문에서는 BcN에서 IMS기반 멀티미디어 서비스를 제공함에 있어 다양한 유형의 서비스에 대한 연결제어를 담당하는 CSCF의 호 처리 성능을 분석한다. 분석 방법으로는 기존연구들에서 호 설정 시그널링 모델에 사용되었던 M/M/1을 적용한 큐잉 모델을 사용하여 성능분석을 하고, OPNET 시뮬레이션을 통해 IMS 로 제안된 세션 설정 절차를 기반으로 CSCF의 처리 용량과 가입자 수를 변화시키면서 호 설정 지연 시간을 측정한 후, 결과값을 비교하고, 적절한 지연 요구 조건 방안을 제안한다.</p> <p>본 논문의 구성은 다음과 같다. 제 Ⅱ장에서는 SIP 프로토콜의 전반적인 개요와 BcN의 구조에 대해서 알아보고, 제 Ⅲ장에서는 IMS의 망구조와 각 기능, 세션 설정 절차에 대해 기술한다. 제 IV장에서는 IMS 기반의 환경에서 실험을 통해 CSCF의 처리 용량과 가입자수를 큐잉모델에 적용하여 호 설정 지연시간을 분석하고 OPNET을 통해 호 설정 시간을 시뮬레이션한 후 이론값과 비교하였다. 마지막으로 제 V장에서는 본 논문의 결론과 향후 계획을 기술한다.</p>	본 논문에서는 IMS기반의 멀티미디어 서비스의 호/세션 제어 기능을 담당하는 CSCF의 처리 성능을 분석하고자 한다. BcN에서 IMS기반 멀티미디어 서비스를 제공함에 있어, CSCF의 상호 처리 성능을 분석하여 사용자의 세션 설정 요구율과 CSCF 처리 용량의 관계를 조사하였다. 그 결과 총 사용자의 세션 설정 요구율이 CSCF 처리 용량의 $13 \% $이상일 경우 급격한 지연 증가가 나타났고, 이를 통해 세션 설정 지연 허용값에 맞는 CSCF의 용량과 가능한 사용자 수를 계산할 수 있음을 알 수 있었다.
<h1>II. 관련 연구</h1> <h2>1. SIP Architecture</h2> <p>IETF의 SIP는 IP network상에서 실시간 call과 인터넷 멀티미디어 세션의 설정을 위한 IETF의 새로운 시그널링 프로토콜이다. 현재는 대부분의 음성 통신뿐만 아니라 서로 다른 형태의 데이터전송을 위해서도 사용된다. SIP은 사용이 간단한 텍스트 기반의 인터넷 프로토콜로써 HTTP(Hyper Text Transfer Protocol), SMTP(Simple Mail Transfer Protocol)와 유사한 E-mail 주소나 WWW(World Wide Web) 주소와 같은 형태를 갖고 있으며, 하나 또는 그 이상의 참여자를 갖는 인터넷 멀티미디어 세션을 생성, 변경하고, 해제하기 위한 제어 프로토콜이다.</p> <p>SIP 의 시스템 구성 요소로는 그림 1과 같이User Agent와 Network Server, 사용자의 위치정보를 저장하는 Location Server로 구성된다. User Agent는 호를 요청한 UAC(User Agent Client)와 요청된 호에 응답하는 UAS(User Agent Server)로 구분한다. Network Server는 프록시 서버(Proxy Server)와 리다이렉트 서버(Redirect Server)가 있다. 프록시 서버는 SIP UA에서 요청하는 세션을 수락하고, 응답하는 UA의 주소정보를 SIP 레지스트라 서버에 질의하는 역할을 담당한다. 같은 도메인 상에 서버(UAS)가 존재시 세션 요청을 서버(UAS)에게 보내면, 서버가 다른 도메인에 있을 경우에는 다른 도메인의 프록시 서버에 세션 요청을 전송한다. 리다이렉트 서버는 다른 도메인에 존재하는 SIP 세션 요청에 대해서 현존하는 도메인 내에 존재하는 SIP 프록시 서버가 직접적인 설정을 가능하게 한다.</p> <p>또한, SIP는 network resource를 예약하는 RSVP, data를 실시간으로 전송하는 RTP, 스트림 미디어의 전달을 제어하기 위한 RTSP, 멀티캐스트를 통한 멀티미디어 세션을 광고하기 위한 SAP(Session Announcement Protocol), 멀티미디어 세션을 표현하기 위한 SDP(Session Description Protocol)와 같은 멀티미디어 데이터와 컨트롤을 목적으로 설계되었다. 그러나, SIP의 기능과 동작은 이러한 프로토콜에 의존하지 않고, 패킷 계층에 독립적으로 동작한다. 따라서, 확장성이 뛰어나므로 범용 프로토콜로 설계할 수 있는 장점을 가지고 있다.</p> <h2>2. BcN에서의 세션 제어</h2> <p>현재의 개별적인 망들이 갖고 있는 한계들을 극복하고 미래에 나타날 유.무선의 다양한 접속환경에서 고품질의 음성, 데이터 및 방송이 융합된 광대역 멀티미디어 서비스를 언제 어디서나 이용할 수 있도록 하는 차세대 통합 네트워크이다.</p> <p>BcN의 중요한 특징 중의 하나는 서비스와 전달망을 분리하여 기존 네트워크의 문제점인 각각의 망에 종속된 서비스 제공 방식을 개선, 사용자가 어떠한 네트워크에 속해 있더라도 동일한 서비스를 제공할 수 있게 한 것이다. 이러한 서비스 제공을 위해서는 서비스 형태에 따른 호 제어 기능이 요구된다.</p> <p>BcN에서도 IP코어망을 통한 호/세션제어 기술이 필요하고 이를 IMS에 수용하여 제공하도록 기본 구조가 정립되었고 이를 통해서 유무선 공통의 통합된 세션 제어가 가능하게 되었다.</p>	IETF의 새로운 시그널링 프로토콜인 SIP는 IP network상에서 실시간 call과 인터넷 멀티미디어 세션의 설정을 위한 것으로 음성 통신뿐만 아니라 다른 형태의 테이터전송에도 이용된다. SIP은 E-mail 주소나 WWW(World Wide Web) 주소와 같은 형태를 가지며, 인터넷 멀티미디어 세션을 생성, 변경하고, 해제하기 위한 제어 프로토콜이다. 유무선 공통의 통합된 세션 제어가 가능한 BcN은 현재의 망들이 갖는 한계들을 극복하고 미래의 광대역 멀티미디어 서비스에 적합한 차세대 통합 네트워크이다.
<h1>III. BcN에서 IMS기반 세션 제어</h1> <h2>1. IMS 구조</h2> <p>IMS는 무선통신의 국제표준을 개발하는 3GPP그룹에서 처음 제기한 것으로 Release 5단계에서 처음 소개되었다. 현재 Release 7의 단계 1과 2를 개발 완료하였으며, 향후 Release 8을 통해 그 개념과 범위를 확장하고 있다. IP Multimedia 서비스 제공을 위한 기반 구조로써 국제 표준화에 대한 시도를 추진하여왔다는 점에서 꾸준히 관심을 받게 되었으며, SIP 프로토콜 기반의 호 제어를 핵심 기술로 개발 되었다. IMS는 SIP 기반의 서비스를 제공하는 어플리케이션 계층, SIP 서비스를 가능하게 해주는 서버들로 구성된 세션 제어계층, IMS 네트워크를 PSTN을 비롯한 여타 네트워크들과 원활하게 연동해주는 게이트웨이 계층으로 나뉜다. 이 같은 세 가지 계층을 핵심 구조로 가지고 있는 IMS는 고객들마다 서로 다른 서비스 요구를 수용해 고객맞춤형 서비스를 가능하게 하는 기초가 된다. IMS의 목표는 IP 프로토콜을 기반으로 하여 음성, 오디오, 비디오 및 데이터 등의 멀티미디어를 복합적으로 제공하는 것이며, 신속한 서비스 개발 및 변경이 용이하다는 장점이 있다. 또한 범용의 인터넷 기반 기술을 사용함으로써 서비스의 가격 경쟁력 향상을 꾀하는 동시에 효율적인 세션관리 기능을 기반으로 다양한 3rdParty어플리케이션과 손쉬운 연동을 가능하게 하며, 서비스간 글로벌 연동을 통해 사업 영역의 확장을 가능하게 한다. IMS의 구성은 그림 2와 같다.</p> <h2>2. CSCF 기능</h2> <p>CSCF(Call Session Control Function)는 IMS의 핵심 기능 요소라고 해도 과언이 아니다. CSCF는 사용자의 세션을 설정, 조정, 관리 하며, SIP 프록시, 레지스터, 리다이렉트 서버 기능을 지원한다. 이를 위해 HSS(Home Subscriber Server)와 전달망과 연동한다. CSCF는 그 기능에 따라 P-CSCF(Proxy CSCF), I-CSCF(Interrogating CSCF), S-CSCF(Serving CSCF)로 구분 된다.</p> <h3>가. P-CSCF</h3> <p>P-CSCF는 사용자가 IMS에 접속하는 첫 접근 지점이다. SIP 프록시 서버처럼 동작하며 사용자가 보내온 SIP 메시지를 처음 수신하는 서버가 된다. P-CSCF의 주요 기능은 다음과 같다.</p> <ul> <li>UAC로부터의 SIP 등록 메시지를 I-CSCF로 전달</li> <li>SIP 메시지를 등록 단계에서 설정된 S-CSCF로 전달</li> <li>긴급 세션 요청 처리</li> <li>SIP Proxy 기능을 수행</li> <li>사용자의 보안 채널을 형성</li> <li>PDF(Policy Decision Function)를 통한 RACF(Resource and Admission Control Function)의 자원예약과 QoS(Qulity of Service)를 관리</li></ul> <h3>나. I-CSCF</h3> <p>사용자가 자신의 홈망에서 접속하기 위한 첫 접근지점으로 하나의 IMS 구성 사업자내에 여러 개가 존재할 수 있다.</p> <ul> <li>사용자 등록 단계에서 각 사용자에게 S-CSCF 할당</li> <li>다른 망으로부터의 SIP 메시지를 S-CSCF로 전달</li> <li>HSS(Home Subscription Server)로부터 S-CSCF의 주소 정보 획득</li> <li>THIG(Topology Hiding Inter-network Gateway)로서 내부망의 구성 및 구조를 보호</li></ul> <h3>다. S-CSCF</h3> <p>S-CSCF는 서비스 브로커 역할을 수행하여 사용자가 원하는 서비스 제공의 중심 역할을 수행한다.</p> <ul> <li>등록 단계에서 SIP 구조의 레지스트라와 같은 역할</li> <li>등록된 UAC에 대한 착발신 세션 제어</li> <li>SIP- REGISTER 메시지를 통해 등록한 사용자의 세션 상태를 관리하고 서비스 제어를 수행</li> <li>사용자 인증 수행</li></ul> <h2>3. IMS 동작 절차</h2> <h3>가. 등록 과정</h3> <p>사용자가 IMS를 통한 세션제어를 받기 위해서는 먼저 자신의 S-CSCF에 자신의 상태를 등록해야 한다. 등록 과정의 메시지 흐름도는 그림 3과 같다.</p> <ol type=1 start=1><li>사용자는 등록을 위해 SIP REGISTER 메시지를 P-CSCF에게 전송한다.</li> <li>사용자가 보낸 REGISTER 메시지를 받은 P-CSCF는 사용자가 속한 S-CSCF를 찾기 위해 I-CSCF에게 REGISTER 메시지를 전달한다.</li> <li>I-CSCF는 SIP 메시지의 사용자 정보를 기반으로 HSS에게 질의하여 적합한 S-CSCF를 선택한다.</li> <li>이후 I-CSCF는 S-CSCF에게 REGISTER 메시지를 전달한다.</li> <li>S-CSCF는 HSS와 연동하여 사용자 인증을 수행한다.</li> <li>이를 전달받은 S-CSCF는 HSS를 통하여 사용자의 Service Profile을 전송 받는다.</li> <li>HSS는 사용자가 등록된S-CSCF ID와 Name 그리고 Address를 저장한다.</li> <li>S-CSCF는 200 OK 메시지를 사용자에게 전송하여 등록 과정을 마치게 된다.</li></ol> <h3>나. 세션 설정</h3> <p>IMS를 통한 세션 설정 절차는 그림 4와 같다.</p> <ol type=1 start=1><li>UE\#1이 UE\#2와 호 설정을 하기 위해 INVITE 메시지를 P-CSCF에게 전송한다.</li> <li>이를 수신한 P-CSCF는 S-CSCF에게 INVITE 메시지를 전송하고 S-CSCF는 UE\#2의 SIP URI이 다른 사업자이기 때문에 I-CSCF를 통해 사업자 2에게 INVITE메시지를 전달한다.</li> <li>이를 수신한 다른 사업자의 I-CSCF는 UE\#2에게 INVITE 메시지를 전달할 적절한 S-CSCF를 선택하고 S-CSCF에게 메시지를 전달한다.</li> <li>이후 S-CSCF는 P-CSCF를 거쳐 UE\#2에게 INVITE 메시지를 전송한다.</li> <li>이를 수신한 UE\#2는 SDP Offer / Answer 모델에 따라 자신이 지원할 수 있는 RTP 정보 및 음성 코덱 정보를 담아 183 응답 메시지를 전송한다.</li> <li>183 응답 메시지를 전송받은 UE\#1은 PRACK 메시지를 전송하고 이와 동시에 NACF에게 자신이 필요로 하는 자원 예약 절차를 진행한다.</li> <li>PRACK을 수신 받은 UE\#2 역시 UE\#1과 같은 자원예약 절차를 진행하고 200 응답 메시지를 UE\#1에게 전송한다.</li> <li>UE\#1은 자신의 요청한 자원 예약에 대한 성공 여부를 UPDATE 메시지에 담아 UE\#2에게 전송하며 UE\#2는 UPDATE 메시지에 대한 응답인 200OK에 자원예약 성공 여부를 기록하여 전송한다.</li> <li>이후 UE\#2는 180 응답 메시지를 보내 서로 간에 전화벨이 울리도록 설정한다.</li> <li>180 응답 메시지를 받은 UE\#2는 PRACK 메시지를 UE\#2에게 보내고 이에 대한 응답으로 200OK를 받는다.</li> <li>만약 UE\#2가 200OK를 전송하고 이를 수신한 UE\#1은 ACK 메시지를 전송하면 서로 간에 세션 설정을 완료하게 된다.</li></ol> <h3>다. 세션 해제</h3> <p>세션 해제 절차는UE\#1이 UE\#2에게 BYE 메시지를 보냄으로 시작되며 이에 대한 응답인 200 OK를 받으면 세션 해제 절차가 완료된다. 세션 해제 메시지 흐름도는 아래 그림 5와 같다.</p>	IMS는 SIP 기반의 서비스를 제공하는 어플리케이션 계층, SIP 서비스를 가능하게 해주는 서버들로 구성된 세션 제어계층, IMS 네트워크를 PSTN을 비롯한 여타 네트워크들과 원활하게 연동해주는 게이트웨이 계층으로 나뉜다. IMS의 목표는 IP 프로토콜을 기반으로 하여 음성, 오디오, 비디오 및 데이터 등의 멀티미디어를 복합적으로 제공하는 것이며, 신속한 서비스 개발 및 변경이 용이하다는 장점이 있고, 범용의 인터넷 기반 기술을 사용함으로써 서비스의 가격 경쟁력 향상을 꾀하는 동시에 효율적인 세션관리 기능을 기반으로 다양한 3rdParty어플리케이션과 손쉬운 연동을 가능하게 하며, 서비스간 글로벌 연동을 통해 사업 영역의 확장을 가능하게 한다. 이 IMS의 핵심 기능 요소라고 해도 과언이 아닌 CSCF(Call Session Control Function)는 사용자의 세션을 설정, 조정, 관리 하며, SIP 프록시, 레지스터, 리다이렉트 서버 기능을 지원한다.
<h2>2. 성능 평가</h2> <h3>가. 수치 해석</h3> <p>앞 절에서 얻은 성능 분석을 위한 이론식을 이용하여 IMS기반의 멀티미디어 서비스 호 성능을 평가 하기 위해 실제 값을 할당하여 성능평가를 수행하였다. 각 터미널에서의 처리시간$ \left(T_{U E}\right) $은 전체 성능과 관련하여 극히 작은 영향을 미치는 요소이므로 무시하였다.</p> <p>UE 1에서 UE 2까지 CSCF의 수는 5개, 액세스 망에서의 라우터 수는 2개로 망을 구성하였다. 그림 7은 가입자당 세션 설정 요구율$ (\lambda) $에 2를 할당하고 총 가입자 수$(\mathrm{N})$을 450, 500, 550으로 고정한 뒤 CSCF의 용량$ (\mu) $의 값을 8000에서 14000까지 변화시키면서 지연시간을 측정한 결과이다. 그림 8은 가입자당 세션 설정 요구율$ (\lambda) $에 2를 할당하고 서버용량$ (\mu) $를 10000, 12000, 14000으로 고정한 후 가입자 수$(\mathrm{N})$값을 증가시키면서 지연시간을 측정하였다.</p> <p>그림 6, 그림 7을 살펴보면 CSCF의 용량을 줄이거나 가입자 수가 증가할 때 지연시간이 초반에는 천천히 증가하는 추세를 보이다가 어느 순간 눈에 띄게 급한한 증가를 보이는 것을 볼 수 있다. 특히 CSCF용량이 8500, 가입자 수가 550일 때 지연시간에 대한 변화폭이 두드러지며 식(1)을 통해 세션 설정 요구율을 구해보면 0.13값을 얻을 수 있다. 이는 총 사용자의 세션 설정 요구율이 CSCF 용량의 $ 13 \% $ 이상일 경우 급격한 지연 증가가 있을 수 있음을 의미한다. 따라서 본 실험을 근거로 세션 설정 지연 허용값에 맞는 CSCF의 용량과 가능한 사용자 수를 구할 수 있다.</p> <h3>나. 시뮬레이션</h3> <p>BcN에서는 세션을 제어하기 위해 IMS를 사용한다. 본 논문에서는 OPNET 시뮬레이터를 사용하여 앞 절에서 수치해석으로 분석한 내용을 시뮬레이션 하였다.</p> <p>시뮬레이션의 망은 5개의 CSCF와 4개의 라우터 2개의 UE로 구성하였다. 그림 8은 IMS 시뮬레이션 망구성도 이다.</p> <p>그림 9는 가입자 수를 450, 500, 550으로 고정한 후 CSCF의 처리 용량을 8000에서 14000까지 증가 시키며 호 설정 지연 시간을 시뮬레이션 한 결과이다. 그림 6의 수치해석과 비교하여 비슷한 결과값을 나타냈으나 지연시간이 그림 6보다 조금 더 길어진 것을 확인할 수 있었다. 이것은 수치해석에서 고려하지 않았던 UE에서의 처리 시간이 시뮬레이션 결과에서는 포함되었기 때문에 지연 시간이 더 길게 나온 것이다.</p> <p>그림 10은 CSCF의 처리 용량은 10000, 12000, 14000으로 고정하고 가입자 수를 100에서 650명까지 변화를 시킨 후 세션 연결 지연 시간을 측정한 것이다. 이 결과 역시 터미널의 처리 시간이 반영되어 수치해석에서의 그림 8에 비해 더 오래 걸리는 것을 알 수 있다.</p> <p>그림 9, 그림 10의 결과를 분석해 보면 수치 해석의 결과와 마찬가지로 CSCF 용량이 8500, 가입자 수가 550일 때 지연시간에 대한 변화폭이 두드러지며 세션 설정 요구율 또한 0.13이었다. 이는 호처리를 하기 위해 CSCF의 처리 용량의 $ 13 \% $이상을 사용할 경우 호 설정 지연 시간은 급격히 증가한다는 것을 알 수 있다. 이는 CSCF가 호 설정 뿐만 아니라 각 계층별로 처리하는 다른 작업이 있기 때문에 일정한 용량이 초과되면 시스템에 영향을 주어 세션 설정 시간이 길어진 것이라 판단되나 본 연구외의 문제이다.</p> <p>따라서 수치해석과 시뮬레이션을 근거로 세션 설성 지연 허용값에 맞는 CSCF의 용량과 가능한 사용자 수를 구할 수 있다.</p>	성능 분석을 위한 이론식을 이용하여 IMS기반의 멀티미디어 서비스 호 성능을 평가 하기 위해 실제 값을 할당하여 CSCF의 용량을 줄이거나 가입자 수가 증가할 때 지연시간이 초반에는 천천히 증가하는 추세를 보이다가 어느 순간 눈에 띄게 급한한 증가를 보이는 것을 볼 수 있다.
<h1>Ⅳ. 성능 평가</h1> <p>본 장에서는 M/M/1 큐잉 모델을 적용하여 IMS 기반의 멀티미디어 서비스 호 처리 성능을 분석하고 OPNET을 통해 시뮬레이션 하였다. 본 성능 평가에서 사용된 M/M/1 큐잉 모델은 기존의 호 처리 시그널링 관련 연구에 사용되는 모델로서 멀티미디어 서비스를 제공하는 세션 설정에 필요한 성능 분석을 할 수 있다. 이모델을 사용하여 호 설정 지연 시간을 분석하고, 이를 통해 세션 설정을 위한 CSCF 용량과 가입자 수를 계산함으로써 세션 설정 요구율에 따른 CSCF의 용량을 예측할 수 있다.</p> <h2>1. 성능 평가 모델링</h2> <p>지연 시간은 CSCF의 메시지 처리 속도, 가입자 수, 링크 용량 둥에 따라 달라진다. 세션 설정 요구 이용률을 $ \rho $, 세션 설정을 요구하는 총 가입자의 수를 $ N $, 평균 세션 설정 요구 도착율(arrival rate)를 $ \lambda, $ CSCF에서 한번에 처리할수 있는 세션의 처리 용량을 $ \mu $라하면 다음과 같은 식을 얻을 수 있다.</p> <p>$ \rho=\frac{N \lambda}{\mu} $<caption>(1)</caption></p> <p>M/M/1의 큐잉 모델을 적용하였을 때 하나의 서버에 포아송 분포로 도착하여 지수적인 서비스율로 처리되는 메시지의 큐에서의 대기시간 $ T_{q} $ 는 위에서 정의한 파라미터를 이용하여 식 (2)와 같이 구할 수 있다. 이때의 $ T_{s} $는 서비스 시간으로 $ 1 / \mu $을 의미한다. 메시지가 서버에서 처리되기 위해 겪어야 하는 서버 대기 시간 $ T_{w} $는 서비스를 받기 위해 소비되는 큐에서의 대기시간 $ T_{q} $에 실제로 서비스 되어 지는 서비스 시간 $ T_{s} $를 더함으로써 구할 수 있다.</p> <p>$ T_{q}=\frac{\rho}{1-\rho} T_{s} $<caption>(2)</caption></p> <p>$ T_{w}=\frac{\rho}{1-\rho} T_{s}+T_{s}=\frac{T_{s}}{1-\rho}=\frac{1}{(1-\rho) \mu} $<caption>(3)</caption></p> <p>위에서 정의한 식들을 이용하여 IMS 기반의 멀티미디어 서비스의 세션이 요청되고 성립되기 까지 걸리는 지연 시간을 구할 수 있다.</p> <p>앞 장에서 IMS의 절차를 세 가지로 구분하였는데 호의 설정을 위한 등록 절차는 단말이 호 접속을 하기 전에 HSS에게 자신의 위치를 등록하는 절차이다, 따라서 엄격한 의미에서 이 절차는 호 설정 지연에 포함시키지 않는다. 그러나 세션 설정 절차의 경우는 호 설정 절차이므로 호 설정 지연성능에 포함되며 본 논문에서는 세션 설정 절차에 따라 성능을 분석하였다.</p> <p>본 논문에서 한 번의 세션 설정 요구에 따라 9개의 SIP 메시지가 전송되어야 한다. 세션 성립의 지연시간은 각 메시지들이 서버 혹은 라우터를 거쳐 목적지에 도착하여 처리되기 까지 걸리는 시간의 합으로 구할 수 있다. 서버에서 메시지 처리 시간은 요청 메시지인지 응답메시지인지에 따라 다르다. 일반적으로 요청메시지의 처리시간은 응답메시지의 처리시간보다 크다. 응답메시지는 서버에서 어떠한 처리 없이 다음 노드로 전송되기만 한다. 그림 4를 보면 한 번의 세션 설정 요구에 따라 12개의 SIP메시지가 전송되어야 한다. 또한 전체 SIP 메시지만을 처리하기 위해 필요한 지연 시간을 얻기 위해서는 송신측 터미널과 수신측 터미널을 구분하여 고려해야 한다. 기본적으로 송신측 터미널에서 수신측 터미널까지 거치는 CSCF의 수가 $\mathrm{M}$일 때 SIP 메시지의 CSCF 대기 시간 $ T_{w-C S C F} $는 $ T_{w} $의 $ M $배가 되는데 이때 주의해야 하는 것은 이용률 $ \rho $의 값이다. SIP 메시지 중 INVITE, PRACK, UPDATE, ACK는 송신측에서 수신측으로 전송되는 메시지들이다. 따라서 여러 터미널의 한 번의 세션 설정 요구에 의해 전송되는 5가지 메시지가 중복되어 하나의 CSCF를 이용하게 되는 것이므로 세션이 요청될 때 실제 CSCF의 요구율은 기존 $ \rho $의 5배가 되어야 한다. 같은 방식으로 고려할 때 수신측에서 송신측으로 전송되는 메시지는 7개이다. 따라서, 수신측에서 송신측으로의 CSCF 이용율은 기존 $ \rho $의 7배가 되어야 한다. 이 사항들을 고려하여 송신측 터미널에서 발생하는 메시지의 서버 대기 시간 $ T_{w-C S C F}^{S} $와 수신측 터미널에서 발생하는 메시지의 서버 대기 시간 $ T_{w-C S C F}^{R} $를 다음과 같이 구할 수 있다.<p>$ T_{w-C S C F}^{S}=\frac{M}{(1-5 \rho) \mu}, T_{w-C S C F}^{R}=\frac{M}{(1-7 \rho) \mu} $<caption>(4)</caption></p> <p>전체 세션이 성립 될 때까지 걸리는 지연시간 $ T $는 세션 성립에 참여하는 모든 메시지들의 대기시간을 고려하여 다음과 같이 구해진다. $ T_{U E} $는 단말에서의 메시지 처리 시간이고 $ X_{S} $와 $ X_{R} $은 각각 송신측 터미널과 수신측 단말이 세션 설정을 위해 처리하는 메시지수이다.</p> <p>$ T=\frac{5 M}{(1-5 \rho) \mu}+\frac{7 M}{(1-7 \rho) \mu}+\left(X_{S}+X_{R}\right) T_{U E} $<caption>(5)</caption></p>	본 장에서는 IMS 기반의 멀티미디어서비스 호 처리 성능을 M/M/1 큐잉 모델을 적용하여 분석하고 OPNET을 이용해 시뮬레이션 하였고 이 방법으로 호 설정 지연 시간을 분석하고, 세션 설정을 위한 CSCF 용량 및 가입자 수를 계산하여 CSCF의 용량을 예측할 수 있다. 이 사항들을 고려하여 송신측 터미널에서 생기는 대기 시간 $ T_{w-C S C F}^{S} $와 수신측 터미널에서 생기는 대기 시간 $ T_{w-C S C F}^{R} $를 $ T_{w-C S C F}^{S}=\frac{M}{(1-5 \rho) \mu}, T_{w-C S C F}^{R}=\frac{M}{(1-7 \rho) \mu} $로 구하였다. 전체 세션이 성립 될 때까지 걸리는 지연시간은 세션 성립에 참여하는 메시지의 대기시간을 고려해 $\frac{5 M}{(1-5 \rho) \mu}+\frac{7 M}{(1-7 \rho) \mu}+\left(X_{S}+X_{R}\right) T_{U E} $로 구해진다.
<h1>II. 본 론</h1> <h2>1. 녹조제거 자동화 시스템 방향 및 구성</h2> <p>본 연구에서 제안하는 녹조제거 자동화 시스템은 기존의 녹조제거를 위해 사용되는 인건비나 제반비용을 절감하고, 또한 효율적으로 녹조를 제거하기 위해서 사물인터넷 응용 기술을 적용한 자동 녹조제거 시스템을 설계하였다. 호수나 저수지 또는 강에서 배 모형으로 만들어진 기기가 물위를 자동으로 이동하면서 녹조를 처리하게 되고, 기기에 부착된 아두이노와 각종 센서를 통하여 자율 운행하도록 설계하였다. 그림 1 은 녹조제거 자동화 시스템의 전체 블록도이다. 시스템에 부착된 모든 센서를 제어하고 운용할 수 있도록 센서의 개수를 고려하여 Arduino mega ADK board를 채택 하였다. Arduino mega는 Analog pin 15 개, Digital pin 49개로 구성된다. 이 핀들에 센서가 연결되고 블루투스나 WIFI등 통신모듈에 의해서 스마트폰 Application과 연동 하여 사용할 수 있다.</p> <h3>가. 초음파 센서의 구성 및 운용</h3> <p>초음파 센서는 초음파를 통해 거리를 측정하여 전방 좌우 $ 45^{\circ} $ 씩 감지를 하게 되고, 초음파 센서의 $ 50 \mathrm{~cm} $ 앞에 물체가 감지되면 감지된 신호를 아두이노에서 분석하여 서브모터를 작동시켜 프로펠러의 각도를 바꾸어줌으로 배의 방향을 조정하게 된다. 그림 2 는 초음파 센서의 동작원리를 보여 준다.</p> <h3>나. GPS 시스템의 구성 및 운용</h3> <p>자동화 녹조제거 시스템이 넓은 강이나 저수지 안에서 움직이게 될 때 운용자가 기기의 위치를 파악할 수 있도록 배 상단에 GPS 센서를 장착하여 실시간으로 LCD에 위치가 표시되고 또한, 스마트폰으로도 기기의 위치를 파악 할 수 있어서 실제 운용자가 멀리 떨어진 곳에서도 기기의 위치를 파악 할 수 있다. 그림 3은 자동화기기에 부착된 GPS 시스템과 스마트폰 어플에 나타난 자동화 시스템의 위치를 보여준다. LCD에 시스템의 위도와 경도가 표시되며 GPS 운용에 있어 작동 유무를 눈으로 확인할 수 있게 하였다.</p> <h3>다. 카메라 센서 구성 및 운용</h3> <p>시스템에 부착한 카메라는 블루투스 연결을 통한 JPEG 압축 영상 무선 송신을하며, 블루투스가 장착된 컴퓨터, 노트북, 스마트폰에서 영상을 수신 할 수 있다. 실시간 영상을 통해 시스템 이동시 전방을 확인 할 수 있고 카메라 부착 위치에 따라 시스템의 각 기능(컨베이어 벨트, 워터펌프 등)의 올바른 작동여부를 스마트폰 어플리케이션을 통해 확인 할 수 있다. 이를 통해 시스템 운용중 기기에 문제가 발생하면 신속히 문제의 원인을 인지하여 해결 할 수 있도록 도와준다. 카메라의 해상도는 $ 160 \times 120 $ 이고 속도는 3~5프레임/초 이다. 그림 4 는 Camera sensor module을 보여준다.</p> <h2>2. 제안한 녹조제거 자동화 시스템 설계 및 제작</h2> <p>제안한 녹조제거 자동화 시스템은 기계에 부착된 MCU와 연결된 GPS와 초음파 센서, 카메라 등을 제어하여 자동조정운행 할 수 있고, 컨베이어 벨트, 워터 펌프등을 이용하여 녹조를 자동으로 제거할 수 있다. 또한 스마트폰의 어플리케이션과 연동하여 녹조제거 자동화 시스템의 위치를 추적 할 수 있고, 상황에 따라 사용자가 시스템을 직접 운영 할 수 있도록 개발하였다. 스마트폰 어플리케이션은 필요시 기기를 사용자가 직접 운용할 때 사용하며, 어플리케이션 버튼을 통해 프로펠러를 조정함으로 자동화 시스템의 좌우 동작제어가 가능하도록 하였다. 그림 5는 스마트폰 어플리케이션을 이용해서 자동화시스템을 동작시키는 화면을 보여준다. 동작 시켜본 결과 자동화 시스템의 각 센서들이 계획된 대로 잘 동작하여 자율 운행을 하였고, 스마트폰 어플리케이션을 통하여 기기의 위치를 파악할 수 있었다. 문제점은 자동화 시스템의 무게가 무거워서 밧데리 소모가 크다는 것을 알 수 있었고 이를 해결하기 위해 가벼운 재료를 사용하여 시스템을 경량화 시키거나 모터의 전력용량을 사용 가능치 까지 줄여 밧데리의 손실을 최소화 하는 것이 필요함을 알 수 있었다.</p> <p>그림 6 은 안드로이드 어플리케이션과 연동이 가능한 아두이노의 메인 소스이다. 그림 7은 제작된 녹조제거 자동화 시스템을 보여준다.</p>	본 연구에서 제안하는 녹조제거 자동화 시스템은 인건비나 제반비용을 절감하고, 사물인터넷 응용 기술을 적용한 자동 녹조제거 시스템을 설계하였다. 초음파 센서는 초음파를 통해 거리를 측정하여 전방 좌우 $ 45^{\circ} $ 씩 감지를 하게 되고, 초음파 센서의 $ 50 \mathrm{~cm} $ 앞에 물체가 감지되면 감지된 신호를 아두이노에서 분석하여 서브모터를 작동시켜 프로펠러의 각도를 바꾸어줌으로 배의 방향을 조정하게 된다. 자동화 녹조제거 시스템이 넓은 강이나 저수지 안에서 움직이게 될 때 운용자가 기기의 위치를 파악할 수 있도록 배 상단에 GPS 센서를 장착하여 실시간으로 LCD에 위치가 표시되고 또한, 스마트폰으로도 기기의 위치를 파악 할 수 있어서 실제 운용자가 멀리 떨어진 곳에서도 기기의 위치를 파악 할 수 있다. 블루투스로 시스템 카메라를 연결하여 JPEG 압축 영상 무선 송신을하며, 블루투스가 장착된 단말에서 영상을 수신 할 수 있다.
<h2>$ 3.4 $ 타깃 노드의 에너지를 고려한 패리티 선정</h2> <p>송신 노드의 패리티 크기만 고려하여 보낼시 수신 노드는 그만큼의 패리티를 디코딩할 충분한 에너지가 없을수도 있다. 때문에 각 노드는 자신의 디코딩 할 수 있는 패리티 크기를 이웃 노드에게 알려 준다. 즉, 송신 노드 $ (i) $ 는 자신이 보낼 수 있는 패리터 크기 $ D_{\mathrm{parity}}^{\mathrm{i}}( $ energy $ ) $ 와 타깃 노드 $ (j) $ 의 디코딩 가능한 패리티 크기 $ D_{\mathrm{parity}}^{\mathrm{j}}( $ energy $ ) $ 를 비교하여, 더 작은 크기의 패리티 $ D_{\text {parily }}( $ energy $ ) $ 를 후보군으로 선정한다.</p> <h2>$ 3.5 $ 링크 품질에 따른 패리티 선정</h2> <p>BER은 송신한 비트에 대한 수신된 오류 비트의 비율로써, 보낼 예정인 데이터 $ D_{1 x} $ 를 BER과 곱해주면 수신 노드에서 오류가 날 데이터양 $ D_{\text {error }} $ 을 알 수 있다.</p> <p>$ D_{\mathrm{er} \mathrm{ro}}=B E R \cdot D_{\mathrm{tx}} $<caption>(7)</caption></p> <p>RS에서는 복구에 필요한 데이터 크기를 심볼로 나타내므로 비트 단위로 계산된 Equation (7)를 하나의 심볼을 이루는 비트 수 $m$으로 나누어 준 아래의 Equation ( 8)으로 표현한다.</p> <p>$ D_{\text {parity }}(\operatorname{link})=\frac{D_{\text {error }}}{m} \cdot 2 $<caption>(8)</caption></p> <p>계산된 $ D_{\text {parity }}( $ link $ ) $ 는 링크 품질에 따라 요구되는 패리티 의 크기를 심볼 단위로 나타내며 Equation (8)의 가장 뒤에 2 를 곱해준 이유는 위에서 설명한 바와 같이 $ (\mathrm{n}-\mathrm{k}) $ 개의 심볼에 대하여 $ (\mathrm{n}-\mathrm{k}) / 2 $ 만큼이 복구되기 때문이다.</p> <h2>$ 3.6 $ 패리티 선정과 데이터 전송 여부 결정</h2> <p>최종적으로 $ D_{\text {parity }}( $ energy $ )>D_{\text {parity }}( $ link $ ) $ 를 만족할 때, $ D_{\text {parity }}( $ link $ ) $ 만큼의 패리티로 데이터를 전송하게 된다. 하지만 그 반대인 $ D_{\text {parity }}( $ energy $ )<D_{\text {parity }}( $ link $ ) $ 의 상황에는 신뢰성 있는 통신에 요구되는 패리티 크기를 충족시킬 수 없으므로 데이터 전송을 보류하여 에너지를 아끼고, 다음 전송주기에 $ D_{\text {parity }}( $ energy $ )>D_{\text {parity }}( $ link $ ) $ 를 만족할 때 데이터를 보낸다.</p> <h2>$ 3.7 $ 고정된 패리티 크기의 RS와 비교</h2> <p>Fig. 1은 기존의 고정된 패리티를 사용하는 일반적인 RS와 제안 기법을 두 가지 상황에서 비교한 그림이다. 노드의잔여 에너지가 적으며 현재 채널 상태가 좋은 첫 번째 상황에서 고정된 패리티의 RS는 데이터 전송에는 성공을 할 수 있으나, 필요 이상의 패리티를 사용하게 되어 에너지측면에서손해가 발생한다. 그러나 제안 기법에서는 현재 채널에서 요구되는 패리티 크기를 알기 때문에 적 절한 패리티를 사용하여 데이터 전송의 성 공과 동시에 에너지를 보존할 수 있다. 반대로 두 번째 상황에서는 여분의 에너지가 많으며 채널상태가 좋지 못한 상황이다. 고정된 패리티의 RS는 충분한 패리티를 사용하지 못하기 때문에 데이터 전송에 성공할 가능성이 낮으며, 데이터 전송 실패에 따른 에너지 또한 낭비될수 있다. 반면, 제안 기법은 현재 사용할 수 있는 여분의 에너지를 사용하여 패리티를 더 크게 보내기 때문에 데이터 전송에 성공할 수 있으며 여분의 에너지 사용 측면에서도 이득을 볼 수 있다.</p>	송신 노드는 자신이 보낼 수 있는 패리터 크기와 타깃 노드의 디코딩 가능한 패리티 크기 중 작은 크기의 패리티를 후보군으로 선정하며 BER은 송신한 비트에 대한 수신된 오류 비트의 비율이다. 그리고 신뢰성 있는 통신에 요구되는 패리티 크기가 충족되지 않으면, 데이터 전송 보류를 통해 에너지를 아끼며, 다음 전송주기에 조건을 만족하면 데이터를 보내게된다. 그리고 논문에서 제안한 기법에서는 패리티 크기의 요구량을 알고 있으므로 적절한 패리티를 사용해 데이터를 성공적으로 전송하면서 에너지를 보존 할 수도 있다. 또한 여분의 에너지를 통해 패리티를 더 크게 보내 데이터 전송을 성공하며, 여분 에너지의 사용 측면에서 이득을 볼 수도 있다.
<h1>2. 관련 연구</h1> <h2>$ 2.1 $ 태양 에너지 수집 기반 무선 센서 네트워크</h2> <p>무선 센서 네트워크는 주로 사람이 직접 접근하기 힘든 험한 자연환경에 배치되어 군사, 생태 감시, 재난 감지 등의 목적으로 사용된다. 때문에, 배터리 기반 무선센서 네트워크의센서 노드는 배포될 당시 보유하고 있었던 에너지를 모두 소진하게 될시, 더 이상 그 임무를 수행하기 힘들게 된다. 이러한 한계점을 극복하기 위해 주변 환경에서 에너지원을 찾아내어 배터리를 재충전하며, 노드를 영구적으로 사용할 수 있게 하는 에너지 수집에 관한 연구가 진행되었다. 에너지수집은 주변 환경의 에너지, 즉 태양, 바람, 진 동 등 의 에너지를 전기 에너지로 변환하여 사용하는 것을 의 미한다. 다양한 에너지원 중 태양 에너지는 에너지 수집률이 가장 높으며,주기적으로 에너지가 충전된다는 장점이 있다.Noh의 연구에서는 하루 동안의 시간과 날씨에 따라 해당 주기에 노드가 사용 가능한 에너지를 계산하는 에너지 할당 기법을 제안하 였다. Yoon은 태양 에너지 수집을 통하여, 사용 가능한 여분의 에너지를 데이터 압축에 사용하여, 송신 노드와 목적지 노드 사이의 중계 노드들이 데이터를 전 달하는 데 쓰이는 에너지를 절약하였다. 또한, Kang은 기존의 Ring-routing 기법의 앵커 노드 근처의 에너지 불균형 문제를 해결하기 위해 에너지 수집을 통하여 획득한 여분의 에너지로 다수의 링 구조를 유지하는 Multi-ring-routing기법을 제안하 였다.</p> <h2>2.2 RS(Reed-Solomon) 기법</h2> <p>RS기법은 일반적으로 사용되며, 효율적인 FEC 기법이다.RS의 블록은 페이로드와 패리티로 이루어져 있다. 실제로 전송되어야 할 원본 데이터는 페이로드에 포함되어 있으며, 손상된 데이터를 복원하는 오류정정 코드는 패리티에 포함된다.RS기법의 블록은 $n$개의 심볼로 이 루어져 있다. 페이로드가 $k$개의 심볼로 이루어져 있다면 패리티는 ($n-k$) 개의 심볼로 이 루어져 있고, 통상적으로 이를 $RS(n, k)$로 표기한다. $n$개의 심볼로 구성된 RS 블록을 전송한다면 수신 노드에서 복구 가능한 최대 심볼 개수는 $(n-k)/2$가 된다. RS에서는 기본적으로 송신해야 할 데이터에 추가로 오류 복원 코드를함께 전송하기 때문에, 그만큼의 추가적인 데이터 송수신 에너지가 소모되게 된다. 또한, 패리티는 원본 데이터인 페이로드를 인코딩하여 생성되기 때문에 송신 측에서는 추가적인 인코딩 에너지가, 수신 측에서는 디코딩 에너지가 요구된다. 패리티를 크게 붙여 보낸다면 그만큼의 복구 가능한 데이터가 많아지므로 통신 신뢰도가 증가하는 반면 그에 상응하는 인코딩, 디코딩 및 송수신 에너지를 소모하게 된다. 따라서 패리티의 크기와 통신 신뢰도는 trade-off 관계에 놓여 있다.</p>	태양 에너지 수집 기반 무선 센서 네트워크는 에서지 수집률이 가장 높으며 주기적으로 에너지가 충전된다는 장점을 통해 배터리 기반 무선센서 네트워크의 한계점을 극복할 수 있다. RS기법(Reed-solomon)은 효율적인 FEC기법으로, 패리티와 페이로드로 구성되어 있으며, 페이로드에 실제 전송 원본 데이터가 포함되며, 손상 데이터를 복원하는 오류정정코는의 경우, 패리티에 포함된다. 패리티는 원본 데이터인 페이로드를 인코딩 하여 생성되며, 패리티의 크기와 통신 신뢰도는 trade off 관계에 놓여 있다.
<h1>4. 실험 결과</h1> <p>제안 기법의 성능을 평가하기 위해 싱크 노드에서 수집되는 데이터의 양과 네트워크 토폴로지 전반에서 정전되는 노드 수를 측정하였다. 실험에는 CC2420 라디오 통신 모듈 환경을 사용하였으며, 75개, 100개, 125 개의 노드를 2500$\mathrm{m^{2}}$의 필드에 무작위로 배포 하였다. 링크 품질은 0.03에서 0.3사이의 BER 값으로 나타내었으며, Q PSK 방식의 심볼 크기로 약 3주(20일) 동안 실험을 하 였다. 제안 기법은 링크품질과 보유 에너지양에 따라 유동적인 크기의 패리티를 선정하여 보낸다. 패리티크기의 유동성에 따른 이 득을 보여주기 위하여, 기존의 고정된 패리티를 전송하는 RS 기법과 비교 하였다. 비교 기법으로는 태양 에너지 수집 기반의 센서 기기에서 고정된 패리티를 사용하는 RS(54, 38)을 채택하여 실험을진행하였다.</p> <h2>$ 4.1 $ 데이터 수집량</h2> <p>Fig. 2는 1 00개의 노드를 배 포하여 3주 동안 싱크노드에서수집된 데이터의 총량을 나타내고 있다. 비교 기법인 RS(54,38)은 고정된 크기의 패리티를 삽입하여 데이터를 전송하기때문에, 링크 상태가 좋은 경우에는 데이터가 정상적으로 수집된다. 하지만 링크 품질이 좋지 못할 경우, 신뢰성 있는 통신을위해 요구되는 패리티의 크기를 충족시키지 못해, 통신 신뢰도에 문제가 생 길 수 있다. 제안 기법에서는 링크 품질에 따라요구되는 패리티를 계산하여 보내므로 데이터 송신 시, 신뢰성있는 통신을 보장한다. 따라서 싱크에서 수집되는 에너지양이 비교기법보다 약 120$\%$ 증가하였음을 알 수 있다.</p> <h2>$ 4.2 $ 정전 노드 수</h2> <p>제안기법에서는 링크 품질에 따라서 요구되는 패리티 크기를 측정하여 보내기 때문에 에너지가 많더라도 필요 이상의 패리티를 생성하여 보내지 않기 때문에 에너지를 절약할수 있다. 반면에 비교 기법은 링크 품질이 충분히 좋은 경우에도 필요 이상의 패리티를 삽입하여 에너지 낭비가 심해 정전 노드 수가 많은 것을 볼 수 있다. 이는 노드 100개를 배포하여 정전 노드 수를 측정한 Fig. 3을 참고하여 확인할 수있다. 제안 기법은 비교기법보다 약 40$\%$ 이하의 정전노드수를 보인다.</p> <h2>$ 4.3 $ 획장성(Scalability)</h2> <p>Fig. 4는 제안 기법에 노드의 수를 변화시키며 정전 노드의 수를 측정한 결과이다. 네트워크 환경에 노드수가 상대적으로 적은 50개일 때에는 비교 기법과 제안 기법의 정전 노드 수와 수집된 데이터의 양의 차이가 크게 나지 않는다. 이는 적은 노드 수만큼 적은 양의 데이터가 수집되며, 그에 따라 데이터 전송 횟수 또한 적기 때문에 두 기법 모두 충분한에너지를 유지할 수 있는 상태이기 때문이다. 그러나 노드의수가 증가함에 따라 제안 기법은 일정한 정전 노드 수를 유지하는 반면, 비교 기법인 RS(54, 38)은 노드 수가 증가함에 따라 급격히 정전 노드 수가 증가하는 것을 볼 수 있다. 제안기법은 요구되는 패리티의 크기를 측정하여 그에 맞게 유 동적으로 패리티를 선정하여 보내기 때문에 패리티를 붙여 보내는 에너지 소비를 최소화한다. 반면에, 고정적인 크기의 패리티를 사용하는 비교 기법은 증가한 노드 수만큼 데이터 통신이 증가하게 되고 고정적인 패리티를 전송하는 오버헤드 또한 증가하게 되어 정전 노드 수가 급격히 증가하게 된다.</p>	제안 기법의 성능은 싱크 노드에서 수집되는 데이터의 양과 네트워크 토폴로지 전반에서 정전되는 노드 수를 측정하며 링크 품질에 따라요구되는 패리티를 계산하여 보내므로 데이터 송신 시, 신뢰성있는 통신을 항 수 있고 요구되는 패리티의 크기를 측정하여 그에 맞게 유 동적으로 패리티를 선정하여 보내기 때문에 패리티를 붙여 보내는 에너지 소비를 최소화한다.
<h1>1. 서 론</h1> <p>일반적으로 무선 센서 노드는 제한적인 하드웨어 성능을가지기 때문에, 배터리의 에너지 용량 또한 충분하지 않다. 이러한 이유로 에너지 사용을 최소화할 수 있는 많은 기법들이 다양한 분야(예, 네트워크, 시스템, 보안, 데이터베이스등)에서 연구되어 왔다. 근래에는 주변 환경의 에너지원을 이용하여 충전이 가능한 배터리를 도입하여 노드를 영구적으로사용할 수 있게 하는 에너지 수집형 노드에 대한 연구가 활발히 진행되고 있다. 그 중 태양 에너지 기반 무선 센서 노드는 에너지 수집률이 높으며 주기적으로 충전이 되기 때문에수집되는 에너지양을 예측할 수 있다는 장점이 있다. 만약 태양 에너지 기반 노드에서 평균적으로 소비되는 에너지보다수집되는 에너지가 많고, 이러한 상황이 지속 되어 배터리가 모두 충전된다면, 이후에 수집되는 에너지는 버려질 수 있다. 반대로 노드가 소비하는 에너지가 수집되는 에너지보다 많고이러한 상황이 반복된다면, 에너지가 소진되어 노드가 정전될 수 있다. 따라서 태양 에너지 기반 무선 센서 네트워크에서 노드가 정전되지 않으면서 버려지는 에너지가 없도록 에너지 사용률(utilization) 최대화에 초점을 두어야 한다. 주의할 것은 기존의 배터리 기반 센서 네트워크에서는 에너지 사용량을 최소로 하는 기법들이 연구되어져 왔다는 점이다. 이러한 이유로 태양에너지 기반 WSN을 위한 기법들은 기존 기법들과 접근 방향이 다르다.</p> <p>한편, 네트워크 환경에서 일어나는 데이터 전송 오류에 대처하기 위하여 일반적으로 ARQ(automatic repeat request) 기법또는 FEC(forward error correction) 기법을 사용한다. ARQ는 데이터 전송 후 일정 시간 내에 ACK(acknowledgment)가 수신되지 않으면, 해당 데이터를 재전송하는 기법이다. 반면에 FEC는 데이터 전송 시 원본 데이터를 인코딩하여 패리티를 함께 전송하며, 수신 측에서 패리티를 디코딩하여 오류를 정정하는 기법이다. 하드웨어의 성능이 제한적인 무선 센서 네트워크 환경에서는 잦은 통신 오류가 발생한다. ARQ는오류가 자주 발생하게 되면 재전송을 많이 하기 때문에 데이터 전송에 많은 에너지를 소비하게 된다. 그러나 FEC 기법은데이터 전송 시, 함께 보낸 패리티를 이용해 오류를 정정하므로 데이터의 재전송이 요구되지 않는다. 이러한 이유로 무선센서 네트워크 환경에서는 FEC가 ARQ보다 더 적합하다. 주의할 것은 패리티의 크기, 즉 에러 정정률과 에너지는트레이드-오프의 관계에 있다는 점이다. FEC는 에러정정을위한 패리티의 크기가 증가할수록 오류 정정률이 높아지기때문에 패리티 크기를 크게 하여 전송하면 데이터 통신의 신뢰도를 확보할 수 있다. 그러나 패리티 크기가 커지면 그만큼의 데이터를 보내고 받기 위한 송수신 에너지가 더 들기 때문에 무작정 큰 패리티를 사용할 수는 없다. 또 한 가지 고려할점은, 현재 링크 품질이 매우 좋은 상태라면, 에너지가 충분할지라도 패리티 크기가 큰 FEC를 사용할 필요가 없다는 점이다. 이 경우에는 오히려 링크 품질이 좋으므로 FEC에 사용되는 에너지를 아껴서 다른 서비스 품질(QoS)을 높이는 것이유용하다.</p> <p>이처럼, 효율적인 FEC를 위하여서는 에너지뿐 아니라 현재 링크 품질도 함께 고려되어야 한다. 즉, 현재 링크 품질과가용에너지양을 함께 고려하여 링크 품질이 좋지 않다면 에너지 측면에서 지원 가능한 패리티 중 최댓값을 선택하고, 링크 품질이 좋다면, 에너지가 충분해도 작은 크기의 패리티를사용하게 해야 한다. 한마디로 신뢰성 있는 데이터 통신을 위해 필요한 패리티 크기 중에서 (에너지의 측면에서) 지원 가능한 패리티를 결정하여야 한다. 이와 같이 에너지를 최대한아끼며 신뢰성 있는 데이터를 전송하게 하는 FEC 기법에 관한 연구들은 활발히 진행 되어왔다. [5]에서는 노드가 사용하는 에너지를 라디오 에너지 소비 모델과 컴퓨팅 소비 모델로 나누어 계산하여 최적의 FEC 코드의 크기를 도출해 낸다. 하지만 앞서 언 급한 것처럼 태양 에너지 기반 무선센서네트워크 에서는 주기적으로 에너지가 재충전되는 특성을 가지고 있다. 때문에 태양 에너지 기반 무선 센서 네트워크 에서는 에너지를 아끼는 방향 보다는, 배터리 용량 이상으로 초과 수집되는 에너지가 없게 하며 노드의 정전을 방지하도록효율적인 에너지 사용을 목표로 한다. 이에 본 논문에서는 태양에너지 기반의 센서 네트워크를 대상으로 에너지와 링크품질을 동시에 고려한 FEC 기법을 제안하고 있다. FEC 모델을 구현한 RS(Reed-Solomon) 기법[6]을 기반으로, 수집/사용 에너지 모델링을 통해 노드가 정전 없이 사용할 수 있는패리티 후보를 계산하며, 이와 동시에 링크 품질 모델링을 통해 위의 패리티 후보 중 신뢰성 있는 통신이 가능한 최소의패리티 크기를 선택한다. 결과적으로 제안 기법은 통신에 사용되는 오류정정 코드를 유동적으로 사용하여 노드의 정전시간을 최소화하면서 신뢰성 있는 통신이 가능하게 한다.</p>	하드웨어의 제한적 성능을 가지고 있는 무선 센서 노드는 배터리의 에너지 용량이 많지가 않기에 이를 보완하고자 다양한 연구들을 통해 에너지 소비를 최소화하는 것에 집중하고 있는데, 이와 관련하여 인코딩된 원본 데이터를 패리티와 함께 전송받은 수신 측에서 패리티를 디코딩하여 오류를 정정하는 RS기법을 기반한 FEC 모델을 적용하여 잦은 통신 오류가 발생하는 하드웨어 성능을 내포한 무선 센서 노드의 배터리 에너지 용량의 최소화를 시도하였다.
<h1>3. 제안 기법</h1> <p>본 장에서는 태양 에너지 모델과 링크 품질 모델을 통하여 패리티 크기를 결정하는 기법에 관하여 기술한다.</p> <h2>$ 3.1 $ 에너지 모델링</h2> <p>Yang의 연구에서는, 태양 에너지 기반 센서 네트워크의 노드가 정전을 회피하는 범위 내에서 사용 가능한 에너지의 양을 다 음과 같이 제안한다.</p> <p>$ E_{\text {residual }}=\frac{P_{\text {sys }}}{P_{\text {solar }}} \cdot C $<caption>(1)</caption></p> <p>$ P_{\text {solar }} $ 는 단위 시간당 태양 에너지 수집량, $ P_{\mathrm{sys}} $ 는 단위 시간당 노드의 에너지 소비량, $ E_{\text {residual }} $ 은 현재 배터리에 남아 있는 에너지양, $ C $ 는 배터리 총량을 나타낸다. 즉, 배터리에 $ E_{\text {residual }} $ 만큼의 에너지가 남아있다면 노드는 정전이 발생되지 않으며, 이는 노드가 최소한으로 가지고 있어야 할 에너지 문턱 값 $ E_{\mathrm{hr} r e s h o l d} $ 로 나타낼 수 있다. 노드의 현재 잔여 에너지를 $ E_{\text {residual }} $ 로 표현하고, 정전 없이 추가로 사용될 수 있는 에너지 $ \Delta E $ 는 다음으로 표현할 수 있다.</p> <p>$ \Delta E=E_{\text {tesidual }}-E_{\text {threshold }} $<caption>(2)</caption></p> <h2>$ 3.2 $ 링크 품질 모델링</h2> <p>링크 품질에 따라 요구되는 정확한 패리티 크기를 계산하기 위해서 본 논문에서는 네트워크 환경에서 일반적으로 사용되는 여러 링크 품질 지표 중 BER(bit error rate)을 선택하였다. BER는 다 음 수식으로 표현된다.</p> <p>$ B E R=Q \cdot \sqrt{\frac{E_{\mathrm{b}}}{N_{0}}} $<caption>(3)</caption></p> <p>$ E_{\mathrm{j}} / N_{0} $ 는 비트 당 SNR(signal to noise ratio) 즉, 비트당수신된 신호의 세기 대비 잡음의 세기를 나타내며, $Q$는 오차 함수로서, 가우시안 확률분포 함수를 나타낸다. 라디오 송수신기에서 수신된 신호의 세기와 설정된 잡음의 세기를 통하여,SNR을 계산하고, 송수신 노드의 링크 BER을 도출해 낸다.</p> <h2>$ 3.3 $ 에너지에 따른 패리티 후보군 선정</h2> <p>보낼 수 있는 데이터의 크기는 송신에 소비되는 에너지에따라 다 음과 같이 표현될 수 있다.</p> <p>$ D_{\mathrm{tx}}=\frac{E_{\mathrm{lx}}}{\beta \cdot(d)^{\alpha}} $<caption>(4)</caption></p> <p>$ E_{\mathrm{lx}} $ 는 데이터 전송에 소비되는 에너지를, $ D_{\mathrm{Lx}} $ 는 전송될 데이터의 크기를 의미한다. $ \beta $ 는 $ 1 \mathrm{bit} $ 를 $ 1 \mathrm{~m} $ 거리로 전송할 때 소비되는 에너지이며, $ d $ 는 통신 거리를 나타낸다. 한편, 패리티가 증가하게 되면 인코딩 및 디코딩 에너지 또한 증가하게 되므로 패리티를 보내는데에 소비되는 에너지는 데이터 송신 에너지뿐만 아니라 해당 패리티를 인코딩 할 에너지도 고려해 주어야 한다. 제안 기법에서는 3.1절에서 계산된 사용할 수 있는 에너지 $ \Delta E $ 를 통하여 보낼 수 있는 패리티 크기의 최댓값을 구한다. 이때 $ \Delta E $ 는 인코딩에 사용되는 에너지 $ E_{\text {cncoding }} $ 을 고려하여야 하므로 Equation (5)과 같이 표현 할 수 있다.</p> <p>$ \Delta E=E_{\mathrm{lx}}+E_{\text {en oding }} $<caption>(5)</caption></p> <p>통신에서 심볼은 처리되는 하나의 조작 단위이며 보통 이단위로 변조, 코딩, 전송 등의 과정이 일어나게 되는데, 하나의 심볼은 $m$개의 비트로 구성된다. RS 에서는 심볼 단위로 패리티가 붙기 때문에 비트 단위로 계산된 Equation (4)을 $m$으로 나누어 주어 다 음과 같이 심볼 단위로 나타낼 수 있다.</p> <p>$ D_{\text {parity }}( $ energy $ )=\frac{\Delta E}{m \cdot \beta \cdot(d)^{\alpha}} $<caption>(6)</caption></p> <p>결론적으로, $ D_{\text {parity }}( $ energy) 는 $ \Delta E $ 를 통해 얻을 수 있는 패리티 크기의 최댓값을 의미한다.</p>	본 장에서는 태양 에너지 모델과 링크 품질 모델을 활용하여 패리티 크기를 결정하는 기법에 대해 소개합니다. Yang의 연구에서는 태양 에너지 기반 센서 네트워크의 노드가 정전을 회피하기 위해 사용 가능한 에너지의 양을 다음과 같이 제안합니다. 또한 $ E_{\mathrm{j}} / N_{0} $는 비트 당 신호 대 잡음 비율(Signal-to-Noise Ratio, SNR)을 의미하며, $Q$는 가우시안 오차 함수로 정의되는 확률분포 함수입니다. 패리티를 전송하는 데 사용되는 에너지는 데이터 송신에 소비되는 에너지뿐만 아니라, 해당 패리티를 인코딩하는 데 필요한 에너지까지 고려해야 합니다. 패리티가 증가하면 인코딩 및 디코딩에 필요한 에너지도 증가하게 되는데, 이러한 에너지 소모 측면을 고려하여 패리티의 선택을 결정해야 합니다.
<p>(그림 $ 12( \mathrm { b } )) $ 의 실행 시간 결과를 보면, 제안한 알고리즘이 기존의 알고리즘에 비해 성능을 크게 향상시킨 것으로 나타났다. (세로축이 $ \log $ 스케일임에 유의한다.) 먼저 제안한 RI-SE와 RI-ME가 RI-Naïve 및 RI-EA에 비해 성능을 크게 향상시컸는데, 그 이유는 앞서 (그림 $ 12( \mathrm { a } )) $에서 보듯이 회전-불변 거리 계산 횟수를 크게 줄였기 때문이다. (그림 $ 12( \mathrm { a } )) $와는 달리, RI-EA가 RI-Naïve에 비해 우수한 성능을 보이는데, 이는 회전-불변 거리 계산에 있어 미리 버림이 효과를 발휘하기 때문이다. 그러나, 모든 경우에 있어 제안 한 RI-SE 및 RI-ME가 기존의 RI-Naїve는 물론 RI-EA 에 비해 우수한 성능을 보이고 있다. 특히, 잔지 효과가 가장 뛰어난 RI-ME(EM) 이 가장 우수한 성능을 보였으며, 실세 로 RI-ME(EM)은 RI-Naïve에 비해서는 $ 119.2 $배, RI-EA에 비해서는 $ 5.4 $ 배까지 성능을 향상시킨 것으로 나타났다.</p> <h3>6.2.3 SQUID_DATA의 실험결과</h3> <p>(그림 $ 13 $)은 SQUID_DATA에 대한 실험 견과이다. (그림 $ 13 $)의 실험 결과를 보면, 전반적인 경향이 (그림 $ 12 $)와 매우 유사함을 볼 수 있다. 즉, 회전-불변 거리 계산의 횟수 및 수행 시간 모두에 있어서, 제안한 알고리즘이 기존의 알고리즘에 비해 좋은 결과를 보이고 있다. 그러나, (그림 $ 12( \mathrm { a } )) $ 와 (그림 $ 13( \mathrm { a } )) $를 비교해 보면, 허용치가 증가함에 따라 회전-불변 거리 계산 횟수의 차이가 빠르게 감소함을 알 수 있다. 이는 SQUID_DATA의 이미지 모양이 다양하지 못하여 허용치가 커짐에 따라 유사하다고 판단되는 이미지가 많아지기 때문이다. 또한, (그림 $ 13( \mathrm { b } )) $를 보면 RI-EA와 RI-SE의 수행 시간이 비슷한 결과를 보이는데, 이는 RI-SE의 문제짐인 이미지 시퀀스의 변화폭이 크면 엔빌로프가 크게 구성되는 현상이 나타나기 때문이다. 즉, SQUID_DATA의 경우 이미지 시퀀스 변화 폭이 커서 RI-SE의 엔빌로프가 크게 구성되고, 결국 전지 효과가 줄어 들었기 때문이다. (그림 $ 13 $)을 보면, 여전히 RI-ME가 RI-Naïve 및 RI-EA에 비해 우수하며, 특혀 RI-ME(EM)은 RI-Naïve와 RI-EA에 비해 $ 111.9,7.5 $ 배까지 성응을 향상시킨 것으로 나타났다.</p>	제안된 RI-SE와 RI-ME 알고리즘은 회전-불변 거리 계산 횟수를 크게 줄여 기존의 RI-Naïve와 RI-EA 알고리즘에 비해 성능을 크게 향상시킴을 확인하였다. 특히, 이미지 시퀀스 변화 폭이 큰 SQUID_DATA의 경우에도 RI-SE의 엔빌로프 크기가 커져 전체적인 효과가 감소하였으나, RI-ME는 여전히 RI-Naïve와 RI-EA에 비해 우수한 성능을 보였으며, RI-ME(EM)은 성능을 $ 111. 9,7. 5 $ 배까지 향상시켰다.
<p>[정의 $ 3 $] 길이가 $ n $ 인 질의 시퀀스 $ Q $ 가 주어졌을 때, 같은 길이의 두 시퀀스 $ L $ 과 $ U $ 의 각 엔트리 $ l_ { i } $ 와 $ u_ { i } $ 는 다음 식 $ (2) $와 같이 계산하고, 이들 시퀀스 $ [L, U] $ 를 질의 시퀀스 $ Q $ 의 엔빌로프라고 한다. 또한, 질의 시퀀스 $ Q $ 의 엔빌로프 $ [L, U] $ 와 데이터 시퀀스 $ S $ 와의 거리 $ D([L, U], S) $ 는 다음 식 $ (3) $과 같이 계산한다.</p> <p>$ l_ { i } = \min _ { j=0 } ^ { n-1 } q_ { (i + j) \% n } , u_ { i } = \max _ { j=0 } ^ { n-1 } q_ { (i + j) \% n } $<caption>(2)</caption></p> <p>$ D([L, U], S)= \sqrt {\sum_ { i=0 } ^ { n-1 } \left \{\begin {array} { ll } \left \|s_ { i } -u_ { i } \right \| ^ { 2 } & \text { if } s_ { i } >u_ { i } ; \\ \left \|s_ { i } -l_ { i } \right \| ^ { 2 } & \text { if } s_ { i }<l_ { i } ; \\ 0 & \text { otherwise. } \end {array} \right . } $<caption>(3)</caption></p> <p>[보조 정리 $ 1 $]은 질의 시퀀스 $ Q $ 의 엔빌로프 $ [L, U] $ 와 데이터 시퀀스 $ S $ 와의 거리 $ D([L, U], S) $ 가 $ Q $ 와 $ S $ 의 회전-불변 거리의 하한임을 나타낸다.</p> <p>[보조정리 $ 1 $] 질의 시퀀스 $ Q $ 의 엔빌로프 $ [L, U] $ 와 데이터 시퀀스 $ S $ 와의 거리 $ D([L, U], S) $ 는 $ Q $ 와 $ S $ 의 회전-불변 거리 $ \operatorname { RID } (Q, S) $ 의 하한이다.</p>	질의 시퀀스 QQ 의 엔빌로프 [L, U][L,U] 와 데이터 시퀀스 SS 와의 거리 D([L, U], S)D([L,U],S) 가 QQ 와 SS 의 회전-불변 거리의 하한임을 나타낸다. 질의 시퀀스 QQ 의 엔빌로프 [L, U][L,U] 와 데이터 시퀀스 SS 와의 거리 D([L, U], S)D([L,U],S) 는 QQ 와 SS 의 회전-불변 거리RID(Q, S)RID(Q,S) 의 하한이다.
<p>$ \left [0, \left \lfloor \frac { n } { m } \right \rfloor-1 \right ], \left [ \left \lfloor \frac { n } { m } \right \rfloor, 2 \cdot \left \lfloor \frac { n } { m } \right \rfloor-1 \right ], \ldots, \left [(m-1) \cdot \left \lfloor \frac { n } { m } \right \rfloor, n-1 \right ] $<caption>(7)</caption></p> <p>동일-너비 분할은 매우 간단하다는 장점이 있다. 그러나, 하한 $ L B_ { ME } (Q, S) $ 를 증가시키고자 하는 특별한 노력이 사용된 바 없으며, 특허 시퀀스의 최대 및 최소값이 여러 구간에 산재하는 경우 하한이 작아지는 단점이 있다.</p> <h2>5.2 엔빌로프 최소화 분할</h2> <p>본 절에서는 엔빌로프의 넓이가 작아지면 하한이 커질 것이라는 점에 착안하여 엔빌로프 최소화(envelope minimization) 분할을 제안한다. 다중 엔빌로프 분할에 있어서, 엔빌로프 최소화 분할은 회전 구간들이 생성하는 엔빌로프들의 면적 합을 최소화하고자 하는 분할 기빕이다. 이를 설명하기 위해, 먼저 엔빌로프 넓이를 다음과 같이 정의한다.</p> <p>[정의 $ 6 $] 길이가 $ n $ 인 질의 시퀀스 $ Q $ 가 주어졌을 때, 회전 구간 $ [a, b] $ 의 엔씰로프 넓이 $ \operatorname { Area } (Q,[a, b]) $ 는 $ Q $ 의 엔빌로프 최소 및 최대 시퀀스 $ L ^ { [a, b] } $ 과 $ U ^ { [a, b] } $ 사이의 유클리디안 거리인 $ \sqrt {\sum_ { i=0 } ^ { n-1 } \left \|l_ { i } ^ { [a, b] } -u_ { i } ^ { [a, b] } \right \| ^ { 2 } } $ 로 정의 한다.</p> <p>[정의 $ 6 $]의 엔빌로프 넓이를 사용하여, 엔빌로프 최소화 분할을 정형적으로 정의하면 다음과 같다.</p> <p>[정의 $ 7 $] 전체 회전 구간 $ [0, n-1] $ 을 서로소인 $ m $ 개의 회전 구간 $ \left [a_ { 0 } , a_ { 1 } -1 \right ], \left [a_ { 1 } , a_ { 2 } -1 \right ], \cdots, \left [a_ { m-1 } , a_ { m } -1 \right ] $ 으로 구성한다 하자 $ \left (a_ { 0 } =0, a_ { m } =n \right ) $. 이때, 회전 구간 $ \left [a_ { k } , a_ { k + 1 } -1 \right ] $ 들의 엔빌로프 넓이의 합 $ \sum_ { k=0 } ^ { N-1 } \operatorname { Area } \left (Q, \left [a_ { k } , a_ { k + 1 } -1 \right ] \right ) $ 이 최소화 되도록 회전 구간들을 결정하는 방법을 엔빌로프 최소화 분할이라 정의한다.</p>	동일-너비 분할은 매우 간단하지만 단점이 많기 때문에 본 절에서는 엔빌로프 최소화(envelope minimization) 분할을 제안하는데, 엔빌로프 넓이의 합이 최소화 되도록 회전 구간들을 결정하는 방법을 엔빌로프 최소화 분할이라 정의한다.
<p>엔빌로프 넓이와 하한 계산 시간 사이의 상충관계에 따라, 본 논문에서는 RI-ME(EW)의 실제 매칭 시간을 바탕으로 최적의 회전 구간 수를 결정하고자 한다. 실제 실행 시간은 이들 두 펙터를 모두 반영한 결과로 볼 수 있기 때문이다. (그림 $ 10( \mathrm { c } ) $ )를 보면, (그림 $ 10( \mathrm { a } ) $ )와 (그림 $ 10( \mathrm { b } ) $ )를 합쳐 놓은 듯한 결과를 보이는데, 이는 실제 실행 시간이 엔빌로프 넓이와 하한 계산 시간에 모두 영향을 받기 때문이다. (그림 $ 10( \mathrm { c } ) $ )의 그래프가 전체적으로 U자 형태를 띄는 이유는 회전 구간 수가 많은 곳(그래프의 왼편)은 하한 계산에 많은 시간이 걸리고, 회전 구간 수가 적은 곳(그래프의 오른편)은 하한에 의한 미리 버림 효과가 작기 때문이다. (그림 $ 10( \mathrm { c } )) $ 의 실험 결과를 보면, 데이터 종류에 관계없이 회전 구간 수가 $ 36,30,20,18 $ 일 때 실제 실행 시간이 가장 짧은 것으로 나타났다.</p> <p>(그림 $ 11 $)은 허용치에 따른 RI-ME(EW)의 실제 실행 시간을 측정한 결과이다. 회전 구간 수는 (그림 $ 10 $)과 동일하게 하였으며, 허용치 $ 30,60,90 $ 으로 하였다. (그림 $ 11 $)을 보 면, 허용치에 따라 그래프의 위치가 다르다. 이는 허용치가 커짐에 따라 많은 이미지가 유사하다고 판단되어 회전-불변 거리를 계산하는 횟수가 많아지기 때문이다. 주목할 점은 (그림 $ 11 $)의 모든 그래프 모양이 (그림 $ 10( \mathrm { c } ) $ )와 비슷한 U자 의 형태를 보인다는 점이다. 앞서 설명했듯이, 이는 RI-ME(EW)의 실제 매칭 시간이 엔빌로프 넓이와 하한 계산 시간 모두 영향을 받기 때문이다. 허용치를 달리했음에도 불구하고, 실행 시간이 가장 쫣게 걸린 구간 수는 여전히 $ 36,30,20,18 $ 로 나타났다. 따라서, 본 논문에서는 이들 구간 수 중 첫 번째인 36 을 RI-ME(EW) 와 RI-ME(EM) 의 회전 구간 수로 사용한다.</p> <h3>6.2.2 MIXED_DATA의 실험결과</h3> <p>(그림 $ 12 $)는 MIXED_DATA에 대해 허용치를 달리하면서 회전-불변 거리 계산 횟수와 실제 실행 시간을 측정한 결과이다. (그림 $ 12( \mathrm { a } ) $ )를 보면, 제안한 RI-SE와 RI-ME(EW), RI-ME(EM)가 기존의 RI-Naїve와 RI-EA에 비해 회전-불변 거리 계산 횟수를 크게 줄였음을 알 수 있다. 이는 엔빌로프 기반의 하한 기법을 적용하는 본 논문의 접근법이 많은 불필요한 회전-불변 거리 계산을 선지할 수 있음을 의미한다. (그림 $ 12( \mathrm { a } ) $ )에서 RI-Naїve와 RI-EA가 동일하게 나타났는데, 이는 RI-EA의 경우 미리 버림을 통해 성능을 향상시키기는 하나((그림 $ 12( \mathrm { b } ) $ ) 참조), 회전-불변 거리 계산 횟수 자체를 줄이지는 못하기 때문이다. 그리고, RI-ME(EW)와 RI-ME(EM)이 RI-SE에 비해 회전-불변 거리 계산 횟수를 더욱 줄였음을 알 수 있다. 이는 RI-ME에서 사용한 다중 엔빌로프 기반의 하한 계산이 단일 엔빌로프 기반의 하한 계산보다 우수한 전지 효과를 발휘함을 의미한다. 그리고 RI-ME(EW)보다 RI-ME(EM)이 더 효율적인 것을 볼 수 있다. 이는 엔빌로프 최소화 분할이 동일-너비 분할에 비해 엔빌로프 넓이를 줄이고 이에 따라 하한을 증가시키며, 궁극적으로 더욱 많은 전지 효과를 발휘함을 의미한다.</p>	본 논문을 통해 엔빌로프 넓이 및 하한 계산 시간간의 상충관계를 고려하여, RI-ME(EW)의 실제 매칭 시간을 바탕으로 최적의 회전 구간 수를 찾아보고자 한다. 그림 10c의 그래프는 U자 형태를 띄는데 이것은 회전 구간 수가 많은 곳은 하한 계산 시 많은 시간이 걸리고, 회전 구간 수가 적은 곳의 경우, 하한에 의한 미리 버림 효과가 작아지기 때문이었다. 한편 그림 11의 실험 결과는 허용치에 따라 다르지만, 각각의 그래프 모양은 U자 형태를 띄고 있으며, 가장 실행 시간이 짧은 구간 수는 36,30,20,18 였다.
<p>본 논문에서는 [정의 $ 3 $]의 하한 $ D([L, U], S) $ 를 모든 가능한 회선 시퀀스를 고려해 “하나의 엔빌로프"를 구성한다는 의미에서 $ L B_ { S E } (Q, S) $ 로 표기한다. ( $ \mathrm { SE } $ 는 single envelope를 의미함.) 하한 $ L B_ { S E } (Q, S) $ 를 사용하면, 실제 회전-불변 거리를 계산하지 않고도 유사하지 않은 많은 데이터 시퀀스를 미리 전지할 수 있다. 즉, $ L B_ { S E } (Q, S) $ 가 주어진 허용치보다 크면, 실제 회전-불변 거리인 $ \operatorname { RID } (Q, S) $ 를 계산할 필요 없이 유사하지 않은 것으로 판별할 수 있다. 결국, $ L B_ { S E } (Q, S) $가 허용치보다 작은 경우에만 $ \operatorname { RID } (Q, S) $ 를 계산함으로써, 회전 불변 거리를 계산하는 횟수를 크게 줄일 수 있다. (그림 3)은 $ L B_ { S E } (Q, S) $ 를 사용한 회선-불변 윤곽선 이미지 매칭 알고리즘 $ R I-S E $ 를 나타낸다. $ L B_ { S E } (Q, S) $ 의 계산 복잡도는 $ \Theta(n) $ 으로 $ R I D(Q, S) $ 의 $ \Theta \left (n ^ { 2 } \right ) $ 에 비해 낮고, 따라서 전체적인 매칭 성능을 향상시킬 수 있다.</p> <p>알고리즘 RI-SE의 문제점은 질의 시퀀스 $ Q $ 의 엔트리 값 변화가 큰 경우, 엔빌로프가 넓어져(즉, $ L B_ { s E } (Q, S) $ 는 작아져) 전지 효과가 크게 발휘되지 않을 수 있다는 것이다. 다음 예제 $ 1 $ 이 이러한 예를 설명한다.</p> <p>[예제 $ 1 $] (그림 $ 4 $)는 윤곽선 이미지를 길이 $ 360 $ 의 시퀀스로 표현한 것이다. (그림 $ 4( \mathrm { a } ) $ )는 질의 시퀀스 $ Q $ 와 이의 엔빌로프 $ [L, U] $, 그리고 데이터 시퀀스 $ S $ 를 나타넨다. (그림 $ 4( \mathrm { ~b } ) $ )의 빗금친 부분은 회전 불변 거리 $ \operatorname { RID } (Q, S) $ 를, (그림 $ 4( \mathrm { c } )) $ 는 이의 하한인 $ L B_ { s \varepsilon } (Q, S) $ 를 각각 나타낸다. 그림에서 보듯이, 엔빌로프를 구성하는 $ L $ 의 모든 엔트리는 $ Q $ 의 엔트리 중 최소값으로 결정되며, $ U $ 의 모든 엔트리는 $ Q $ 의 엔트리 중 최대값으로 결정된다. 즉, 엔빌로프 $ [L, U] $가 너무 넓게 결정되어, 이를 사용하여 계산되는 하한 $ L B_ { s E } (Q, S) $ 는 회전-불변 거리인 $ \operatorname { RID } (Q, S) $ 에 비해 너무 작은 값을 가지게 된다. (그림 $ 4( \mathrm { ~b } )) $ 의 경우 $ \operatorname { RID } (Q, S)= 137.8 $ 인 반면, (그림 $ 4( \mathrm { c } )) $ 의 하한 $ L B_ { S E } (Q, S)=0 $ 으로 계산되어, 하한이 제대로 역할을 하지 못한다. 이와 같이 하한이 작을 경우, 매칭 과정에서 미리 전지하는 효과가 크게 발휘 되지 않는 문제점이 발생한다.</p>	본 논문에서는 [정의 $ 3 $]의 하한 $ D([L, U], S) $를 회선 시퀀스를 고려해 하나의 엔빌로프를 만든다는 의미에서 $ L B_ { S E } (Q, S) $로 표현하였다. $ L B_ { S E } (Q, S) $는 주어진 허용치보다 클 경우 실제 회전-불변 거리인 $ \operatorname { RID } (Q, S) $를 계산할 필요 없이 다른 것으로 판별할 수 있는데, $ L B_ { S E } (Q, S) $가 허용치보다 작을 때에만 $ \operatorname { RID } (Q, S) $를 계산해 회전 불변 거리를 계산하는 횟수를 대폭 줄일 수 있다.
<h1>6. 성능 평가</h1> <h2>6.1 실험 환경 및 데이터</h2> <p>실헙에서는 세 가지 데이터 집합을 사용하였다. 첫 번째 데이터 집합은 기존 연구에서 자수 사용된 Mixed-bag으로, 총 $ 160 $ 개의 이미지로 구성되어 있다. 이 데이터 집합을 MIXED_DATA라 한다. 두 번째 데이터 집합은 해양 생물 이미지로 구성된 SQUID 데이터 집합으로서, 총 $ 1,100 $ 개의 이미지로 구성되어 있다. 이 데이터 집함은 이미 지 유사 검색에 사용되도록 공개된 것으로서, 본 논문에서 는 이를 SQUID_DATA라 부른다. 세 번쪠 데이터 집함은 웹 상에서 직집 구한 이미지들로서 총 $ 10,259 $ 개의 이미지로 구성되어 있다[7]. 본 논문에서는 이 데이터 집함을 WEB_DATA 라 부른다. 실험에서는 우선 각 이미지에서 윤곽선을 추출한 후, 이를 길이 $ 360 $ 의 시계열로 변환하여 데이터베이스를 구축하였다.</p> <p>실험을 수행한 하드웨어 플랫품은 UltraSPARC IIIi CPU $ 1.34 \mathrm { GH } $, $ 1.0 \mathrm { ~GB } $ RAM, $ 80 \mathrm { ~GB } $ 하드 디스크를 장착한 SUN Ultra이며, 소프트웨어 플랫품은 Solaris $ 10 $ 운영 체제이다. 실험은 기존 방빕인 RI-Naivve와 RI-EA, 그리고 본 논문에서 세안한 RI-SE 와 RI-ME의 네 가지 알고리즘을 대상으로 하였다. 특히, 다중 엔빌로프 기반 매칭 알고리즘인 RI-ME 에 대해서는, 동일-너비 분할을 사용하는 경우를 RI-ME(EW), 엔빌로프 최소화 분할을 사용하는 경우를 RIME(EM)으로 표기한다(EW는 equi-width를, EM은 envelope minimization을 각각 나타넨다). 결국, 충 다섯 가지 알고리즘을 고려하였으며, 크게 네 가지 실험을 수행하였다. 첫 번째 실험은 RI-ME에서 회선 구간 수를 결정하는 실험이다. RI-ME의 경우 회선 구간 수에 따라 매칭 성능이 달라질 수 있다. 따라서 이 실험에서는 회전 구간 수가 얼마일 때 RI-ME가 가장 좋은 매칭 성능을 보이는지를 실험한다. 두 번째에서 네 번째 실헙에서는 세 개의 데이터 집힙 각각에 대해, 회전-불변 거리 계산 횟수와 실제 수행 시간을 측정한다. 회전-불변 거리 계산 횟수는 제안한 알고리즘이 불필요한 회전-불변 거리 계산을 얼마나 전지하는지를 알아보는 척도라 할 수 있다. 또한, 실제 수행 시간은 이러한 전지를 통해 얼마나 성능을 향상시켰는지를 나타내는 척도가 된다. 각 실험에서는 임의의 질의 시퀀스 10 개를 선택하여, 이들 결과의 평균을 측정값으로 사용하였다.</p>	네 가지 알고리즘 RI-Naivve, RI-EA, RI-SE, RI-ME에 대한 실험을 수행하였으며, 세 가지 데이터 집합을 활용하였다. 각 실험은 임의의 질의 시퀀스 10개를 선택해 그 결과의 평균을 측정하였고, 이후 세 가지 데이터 집합에 대한 회전-불변 거리 계산 횟수와 수행 시간을 측정하였다.
<p>$ \operatorname { RID } (Q, S)= \min _ { j=0 } ^ { n-1 } D \left (Q ^ { j } , S \right )= \min _ { j=0 } ^ { n-1 } \sqrt {\sum_ { i=0 } ^ { n-1 } \left \|q_ { (i + j) \% n } -s_ { i } \right \| ^ { 2 } } $<caption>(1)</caption></p> <p>식 (1)에서 $ D(Q, S) $ 는 두 시퀀스 $ Q $ 와 $ S $ 의 유클리디안 거리인 $ \sqrt {\sum_ { i=0 } ^ { n-1 } \left \|q_ { i } -s_ { i } \right \| ^ { 2 } } $ 을 나타낸다.</p> <p>[정의 $ 1 $]에서 $ Q ^ { j } $ 는 시퀀스 $ Q $ 를 $ \mathrm { j } $ 만큼 회전하여 얻은 시퀸스 $ \left \{ q_ { j } , \ldots, q_ { n-1 } , q_ { 0 } , \ldots, q_ { j-1 } \right \} $ 를 나타내며, 본 논문에서는 $ Q ^ { j } $ 를 $ \mathrm { Q } $ 의 $ j $ 회전 시퀀스라 부른다. 회전 불변 거리는 모든 가능한 $ j $ 회전 시퀀스 $ Q ^ { j } $ 를 고려했을 때 얻을 수 있는 최소 거리로서, 식 $ (1) $의 계산을 위해서는 $ \Theta(n) $ 번의 유클리디안 거리 계산, 즉 $ \Theta \left (n ^ { 2 } \right ) $ 의 계산 복잡도가 요구된다.</p> <p>[정의 $ 2 $] 질의 시퀀스 $ \mathrm { Q } $ 와 허용치(tolerance) $ \varepsilon $ 이 주어졌을 때, $ \mathrm { Q } $ 와의 회전 불변 거리가 $ \varepsilon $ 이하인 모든 데이터 시퀀스를 찾는 작업을 회전 불변 (윤곽선) 이미지 매칭이라 한다.</p> <p>이와 같은 회전 불변 이미지 매칭에서는 길이 $ \mathrm { n } $ 인 모든 데이터 시퀀스에 대해 $ \Theta(n) $ 번의 많은 유클리디안 거리 계산이 필요하고, 이는 성능 저하의 주된 요인이 된다.</p>	회전 불변 거리는 모든 가능한 $j$ 회전 시퀀스 $Q^{j}$에 대한 최소 거리로 정의되며, 식 (1)에 따른 계산에는 $Θ(n)$ 번의 유클리디안 거리 계산이 필요하다. 질의 시퀀스 $Q$와 허용치 $ε$가 주어졌을 때, $Q$와의 회전 불변 거리가 $ε$ 이하인 모든 데이터 시퀀스를 찾는 작업을 회전 불변 이미지 매칭이라 한다. 이 작업에서는 길이 $n$인 모든 데이터 시퀀스에 대해 많은 유클리디안 거리 계산이 필요하며, 이는 성능 저하의 주요 요인이다.
<p>회전-불변 윤과선 이미지 매칭에 관한 최근 연구는 다음과 같다. 먼저, Vlachos 등은 인덱스를 사용하여 성능을 향상시키는 방법을 제안하였다. 이 연구에서는 DFT의 진폭이 회전-불변의 특성을 가짐을 보이고, 이를 인덱스 구축 및 필터링에 사용하였다. Keogh 등은 회전-불변 이미지 매칭에 LB_Keogh가 적용됨을 보이고, 이를 사용하여 회전-불변 거리 계산이 필요한 후보 개수를 크게 줄이는 방법을 제안하였다. 서론에서 언급한 바와 같이, 이들 연구는 필터링을 통해 회전-불변 거리 계산이 필요한 후보 데이터 시퀀스 게수를 줄이는 것이 목적이다. 따라서, 이들 방법들도 궁극적으로는 (후보) 데이터 시퀀스와 질의 시퀀스와의 회전-불변 거리 계산은 필요하며, 논 논문의 연구 걸과는 이들 계산에 적용이 가능하므모, 기존 연구와 논 연구는 직교적이라 할 구 있다.</p> <p>회전-불변 이미지 매칭의 기본 알고리즘 RI-Naïve는 (그림 $ 2 $)과 같다. 그림에서 보듯이,RI-Naïve는 각 (후보) 데이터 시퀀스 S에 대헤서, 질의 시퀀스와의 회전-불변 거리를 계산하고, 그 거리가 주어진 허용치 이하인지 판단한다. 다음으로, RI-Naïve에 미리 버림(early abandon)을 적용한 알고리즘을 RI-EA라 한다. 미리 버림이란 유클리디안 거리 계산 과정에서 중간까지의 거리 값이 주어진 허용치보다 커지면 계산을 중단하는 방법이다. 즉, 알고리즘 RI-Naïve의 라인 $ 4 $에서 유클라디안 거리 $ D \left (Q ^ { j } , S \right ) $ 를 계산하는 과정 내부에서, 현재까지의 거리 제곱의 합이 허용치 제곱보다 크면 거리 계산을 중단하는 구조를 갖는다. 미리 버림을 사용하는 것을 제외하고는 RI-EA와 RI-Naïve는 동일한 구조를 갖는다. 기존 연구에서는 후보 데이터 시퀀스들을 구한 후에, RI-Naïve나 RI-EA에 해당하는 매칭을 수행해야 하며, 본 논문에서는 이러한 매칭의 성능을 크게 향상시킨다.</p> <h1>3. 단일 엔빌로프 기반의 하한과 매칭 알고리즘</h1> <p>RI-Naïve 와RI-EA의 문제점은 회선-불변 거리 계산의 횟수가 많다는 짐이다. 길이 $ n $ 인 두 시퀀스에 대한 RI-Naïve 와 RI-EA의 회전-불변 거리 계산은 $ \Theta \left (n ^ { 2 } \right ) $ 의 복잡도를 가지는데, 이는 한 시퀀스를 고정하고 다른 시퀀스를 $ n $ 번 회전해 가며 거리를 계산하기 때문이다. 특히, 비교해야 하는 데이터 시퀀스가 많은 경우, 이러한 계산 복잡도는 매칭 성능을 저하시키는 주요 원인이 된다. 따라서, 본 논문에서는 엔빌로프 기반의 회전 불변 거리 하한을 제시하고, 이를 윤곽선 이미지 매칭에 활용하는 방법을 제안한다. 엔빌로프 기반의 하한은 질의 시퀀스의 엔빌로프와 데이터 시퀀스 간의 거리로 계산된다.</p>	본 연구에서는 후보 데이터 시퀀스에 대한 매칭 성능 향상에 초점을 맞추었다. 이를 위해, 엔빌로프 기반의 회전 불변 거리 하한을 도입하고, 이를 윤곽선 이미지 매칭에 활용하는 방법을 제안하였다. 이 기법은 질의 시퀀스의 엔빌로프와 데이터 시퀀스 간의 거리를 계산하는 방식을 사용하였다. 이 방법은 기존의 RI-Naïve나 RI-EA와
<p>$ l_ { i } ^ { [a, b] } = \min _ { j=a } ^ { b } q_ { (i + j) \% n } , \quad u_ { i } ^ { [a, b] } = \max _ { j=a } ^ { b } q_ { (i + j) \% n } $<caption>(5)</caption></p> <p>$ D \left ( \left [L ^ { [a, b] } , U ^ { [a, b] } \right ], S \right )= \sqrt {\sum_ { i=0 } ^ { n-1 } \left \{\begin {array} { ll } \left \|s_ { i } -u_ { i } ^ { [a, b] } \right \| ^ { 2 } & \text { if } s_ { i } >u_ { i } ^ { [a, b] ; } \\ \left \|s_ { i } -l_ { i } ^ { [a, b] } \right \| ^ { 2 } & \text { if } s_ { i }<l_ { i } ^ { [a, b] } \\ 0 & \text { otherwise. } \end {array} \right . } $<caption>(6)</caption></p> <p>직관적으로 설명했을 때, 회전 구간 $ [ \mathrm { a } , \mathrm { b } ] $ 에서 $ Q $ 의 엔빌로프는 (모든 회전 시퀀스가 아닌) 회전 시퀀스 $ Q ^ { a } , Q ^ { a + 1 } , \ldots, Q ^ { b } $ 만을 고려하여 엔빌로프를 구성한 것이다. [보조정리 $ 2 $]는 엔빌로프 $ \left [L ^ { [a, b] } , U ^ { [a, b] } \right ] $ 와 데이터 시퀀스 $ S $ 와의 거리 $ D \left ( \left [L ^ { [a, b] } , U ^ { [a, b] } \right ], S \right ) $ 가 회전 구간 $[a,b] $에서의 $ Q $ 와 $ S $ 의 회전-불변 거리 $ \operatorname { RID } \left (Q ^ { [a, b] } , S \right ) $ 의 하한임을 나타낸다.</p>	직관적으로 설명하면 회전 구간 $ [ \mathrm { a } , \mathrm { b } ] $ 에서 $ Q $ 의 엔빌로프는(모든 회전 시퀀스가 아닌) 회전 시퀀스 $ Q ^ { a } , Q ^ { a + 1 } , \ldots, Q ^ { b } $만을 생각해 엔빌로프를 구성한 것이다.
<p>본 논문에서는 [정리 $ 1 $]의 하한 $ \min _ { k=0 } ^ { m-1 } L B_ {\left [a_ { k } , b_ { k } \right ] } (Q, S) $ "여러 회전 구간에 대해 엔빌로프를 구성한다"는 의미에서 $ L B_ { M E } (Q, S) $ 로 표기한다. (ME는 multiple envelopes를 의미 함.) [예제 $ 2 $]에서 설명한 바와 같이, 일부 구간 $ [ \mathrm { a } , \mathrm { b } ] $ 만을 고려한 하한 $ L B_ { [a, b] } (Q, S) $ 는 $ L B_ { s E } (Q, S) $ 보다 크게 되고, $ L B_ { [a, b] } (Q, S) $ 들의 최소값으로 계산된 $ L B_ {\triangle E } (Q, S) $ 역시 $ L B_ { S E } (Q, S) $ 보다 커질 가능성이 높다. 따라서, 회전 불변 윤곽선 이미지 매칭에서 $ L B_ { S E } (Q, S) $ 대신 $ L B_ {\triangle E } (Q, S) $ 를 사용하면, 불필요한 회전-불변 거리 계산을 더욱 줄일 수 있고, 이에 따라 성능을 크게 향상시킬 수 있다. (그림 $ 8 $)은 다중 엔빌로프를 사용한 회전-불변 윤곽선 이미지 매칭 알고리즘 $ R I-M E $ 를 나타낸다.</p> <h1>5. 다중 엔빌로프 기법에서 회전 구간 분할</h1> <p>다중 엔빌로프 기법을 사용하기 위해서는 전체 구간을 여러 회전 구간으로 나누는 방법이 필요하다. 본 절에서는 회전 구간 개수가 주어졌을 때, 각 회전 구간의 크기를 결정하는 방법을 논의한다. 제 $ 5.1 $절에서는 가장 간단하게 전체 구간을 동일한 너비로 나누는 동일 너비 분할을 제시한다. 다음으로, 제 $ 5.2 $ 절에서는 엔빌로프의 넓이를 최소화하는 방향으로 회전 구간을 구성하는 엔빌로프 최소화 분할을 제시한다. 마지막으로, 제 $ 5.3 $ 절에서는 엔빌로프 최소화 분할을 실용적으로 사용할 수 있는 휴리스틱 알고리즘을 제시한다.</p> <h2>5.1 동일-너비 분할</h2> <p>동일-너비 분할(equi-width division)은 전체 구간을 동일한 크기의 회전 구간으로 나누는 방법이다. 시퀀스의 길이가 $ n $ 이고 회전 구간의 수가 $ m $ 이라 할 때, 이 분할 기법은 전체 구간 $ [0, n-1] $ 을 크기가 $ n / m $ 인 $ m $ 개의 회전 구간으로 나눈다. 좀 더 정확히 말해서, 회선 구간 $ [0, n-1] $ 을 다음 식 $(7) $과 같이 $ m $ 개 회선 구간으로 나눈다.</p>	본 논문에서는 [정리 $ 1 $]의 하한 $ \min _ { k=0 } ^ { m-1 } L B_ {\left [a_ { k } , b_ { k } \right ] } (Q, S) $ "여러 회전 구간에 대해 엔빌로프를 구성한다"는 의미에서 $ L B_ { M E } (Q, S) $ 로 표기하고 다중 엔빌로프 기법을 사용하기 위해서는 전체 구간을 여러 회전 구간으로 나누는 방법이 필요하다.
<p>[보조정리 $ 2 $] 회전 구간 $[a,b] $에서 질의 시퀀스 $ Q $ 의 엔빌로프 $ \left [L ^ { [a, b] } , U ^ { [a, b] } \right ] $ 와 데이터 시퀀스 $ S $ 와의 거리 $ D \left ( \left [L ^ { [a, b] } , U ^ { [a, b] } \right ], S \right ) $ 는 $ \operatorname { RID } \left (Q ^ { [a, b] } , S \right ) $ 의 하한이다.</p> <p>[증 명] [보조정리 $ 1 $]과 동일하게 증명되므로, 자세한 과정을 생락한다.</p> <p>엔빌로프 기반 하한을 계산하는데 있어서, 전체 구간[정의 $ 3 $]이 아닌 회전 구간[정의 $ 5 $]만을 고려하는 경우 그 하한 값이 커지는 장짐이 있다. 본 논문에서는 전체 구간 $ [0, \mathrm { n } -1] $을 고려한 하한 $ L B_ { s E } (Q, S) $ 와 대비하기 위해, 회전 구간 $ [a, b] $ 만을 고려한 하한 $ D \left ( \left [L ^ { [a, b] } , U ^ { [a, b] } \right ], S \right ) $ 을 $ L B_ { [a, b] } (Q, S) $ 로 나타낸다. 이 표기법으로 다시 설명하면, $ L B_ { s \Sigma } (Q, S) $ 는 모든 가능한 회전 시퀀스로 엔빌로프 [L,U]를 구성하고, 이 [L,U] 로 계산한 하한인데 반해, $ L B_ { [a, b] } (Q, S) $ 는 회전 구간 $ [a,b] $ 내의 회전 시퀀스만으로 엔빌로프 $ \left [L ^ { [a, b] } , U ^ { [a, b] } \right ] $ 를 구성하고, $ \left [L ^ { [a, b] } , U ^ { [a, b] } \right ] $ 로 계산한 하한을 나타낸다. 이에 따라, 일반적으로 $ \left [L ^ { [a, b] } , U ^ { [a, b] } \right ] $ 는 [L,U]보다 좁게 되고, 결과적으로 $ L B_ { [a, b] } (Q, S) $ 는 $ L B_ { s E } (Q, S) $ 보다 커지게 된다. 다음 [예제 $ 2 $]가 이러한 예를 설명한다.</p>	회전 구간[a,b] 내의 질의 시퀀스 Q와 데이터 시퀀스 S의 거리 D([L^[a,b], U^[a,b]], S)는 RID(Q^[a,b], S)의 하한이다. 일반적으로 [L^[a,b], U^[a,b]]는 [L,U]보다 좁게 되어 L_B([a,b], Q, S)는 L_B(SE, Q, S)보다 커지게 된다.
<p>그런데, 엔빌로프 최소화 분할은 회전 구간들을 구성하는 경우의 수가 너무 많아, 실용적으로 사용하기 어려운 문제점이 있다. 좀 더 자세히 설명하면, 전체 구간이 $ [0, n-1] $ 인 경우, $ m $ 개의 회전 구간을 구성하는 방법은 총 $ \left ( \begin {array} { l } n-2 \\ m-1 \end {array} \right ) $ 로서 (0과 $ n-1 $ 을 제외한 $ n-2 $ 개의 수에서 총 $ m-1 $ 개의 분할 기준을 선택하는 경우의 수에 해당함), 그 경우의 수가 너무 많아지게 된다. 예를 들어, 길이 $ (n) $ 가 $ 360 $ 이고, 이를 $ 8 $ 개의 회전 구간으로 분할한다 하면, 총 $ \left ( \begin {array} { c } 358 \\ 7 \end {array} \right )= $ 약 $ 1.41 \times 10 ^ { 14 } $ 개의 많은 경우의 수가 발생하고, 이들 경우의 수 각각에 대해서 엔빌로프 넓이의 합을 구해야 하므로, 실용적으로는 사용할 수 없는 방법이다.</p> <h2>5.3 엔빌로프 최소화 분할의 휴리스틱 알고리즘</h2> <p>본 절에서는 엔빌로표 최소화 분할에서 회전 구간을 찾는 경우의 수를 줄이기 위한 휴리스틱 알고리즘을 제안한다. 제안하는 휴리스틱 알고리즘은 $ \sum_ { k=0 } ^ { m-1 } \operatorname { Area } \left (Q, \left [a_ { k } , a_ { k + 1 } -1 \right ] \right ) $ 을 최소화하는 최적의 해답 대신에, 국부적(local) 최적 값을 찾는 방법으로 가능한 경우의 수를 크게 줄이면서 근사적 해답을 찾는 방법이다. (그림 $9 $)는 엔빌로표 최소화 분할의 근사적 해답을 찾는 휴리스턱 알고리즘이다. 알고리즘을 설명하면 다음과 같다. 번저 Line $1 $ 은 초기 분할을 수행하는 것으로, 우선 전체 회전 구간 $ [0, \mathrm { n } -1] $ 을 $ m $ 개의 동일 너비 회전 구간으로 나눈다. Line $ 4 \sim 6 $ 에서는 각 구간의 경계인 $ a_ { j } $ 를 제한된 범위인 $ a_ { j-1 } + 1 $ ( $ a_ { j-1 } $ 보다는 커야 함)과 $ a_ { j + 1 } -2 $ $ \left (a_ { j + 1 } -1 \right . $ 보다는 작아야 합) 사이에서 이동시키면서 엔빌로프 넓이의 합을 구하되, 그 합을 최소로 하는 $ a_ { j } $ 를 찾아 새로운 경계로 삼는다. 다시 말해서, 이는 $ a_ { j } $ 가 가질 수 있는 범위 값인 $ a_ { j-1 } + 1 $ 과 $ a_ { j + 1 } -2 $ 사이에서 $ a_ { j } $ 의 국부적 최적값을 찾는 과정이다. 이러한 과정은 $ a_ { 0 } $ 을 제외한 모든 $ a_ { j } $ 에 대해서 반복 수행하며, Line $ 4 \sim 6 $ 의 이러한 과정은 모든 $ a_ { j } $ 에 변화가 없을 때까지 반복 수행된다(Line $3 $~ $7 $).</p>	엔빌로프 최소화분할은 회전 구간들을 구성하는 경우의 수가 많아 실용적으로 사용하기 어려운 문제점이 있으므로, $ \sum_ { k=0 } ^ { m-1 } \operatorname { Area } \left (Q, \left [a_ { k } , a_ { k + 1 } -1 \right ] \right ) $ 을 최소화하는 최적의 해답 대신 국부적(local) 최적 값을 찾는 방법으로 경우의 수를 줄이고 근사적 해답을 찾는 휴리스틱 알고리즘을 제안한다.
<p>(그림 $ 7 $)은 [예제 $ 2 $](그림 $ 6 $)의 시퀀스를 이미지 도메인에서 나타낸 것이다. (그림 $ 5 $)에서와 마찬가지로, 나뭇잎 윤곽선은 질의 시퀀스 $ Q $, 하트 윤곽선은 데이터 시퀀스이다. 그리고 나뭇잎 윤곽선을 포함하고 있는 점선은 엔빌로프 $ U ^ { [0,44] } $ 를, 나뭇잎 윤곽선 안에 포함된 점선은 엔빌로프 $ L ^ { [0,44] } $ 를 각각 나타낸다. (그림 $ 7( \mathrm { ~b } ) $ )의 빗금친 부분은 회선-불변 거리 $ \operatorname { RID } \left (Q ^ { [0,44] } , S \right ) $ 이며, (그림 $ 7( \mathrm { c } ) $ )에서 빗금친 부분은 이의 하한 $ L B_ { [0,44] } (Q, S) $ 를 나타낸다. (그림 $ 5( \mathrm { c } ) $ )에서 빗금친 부분이 없는 것과는 달리, (그림 $ 7(c) $)에서는 하트 윤곽의 데이터 이미지가 나뭇잎 윤곽선 이미지 엔빌로프 $ \left [L ^ { [0,44] } , U ^ { [0,44] } \right ] $ 에 포함되지 않으며, 그 차이가 하한 $ L B_ { [0,44] } (Q, S) $ 로 계산(그림 $7(c) $)에서 빗금친 부분)됨을 알 수 있다.</p> <p>회전 구간이 $ [ \mathrm { a } , \mathrm { b } ] $ 인 질의 시퀀스 $ Q $ 의 하한 $ L B_ { [a, b] } (Q, S) $는 $ \operatorname { RID } \left (Q ^ { [a, b] } , S \right ) $ 의 하한이나 $ \operatorname { RID } (Q, S) $ 의 하한은 아닌 문제점이 있다. 즉, [예제 $ 2 $]의 $ L B_ { [0,44] } (Q, S) $ 가 $ L B_ { s E } (Q, S) $ 보다 커서 전지 효과가 잘 나타나지만, 이 $ L B_ { [0,44] } (Q, S) $ 를 $ \operatorname { RID } (Q, S) $ 의 하한으로는 사용할 수는 없음을 뜻한다. 그 이유는 하한 $ { } ^ { L B_ { [0,44] } } (Q, S) $ 가 $ \operatorname { RID } \left (Q ^ { [0,44] } , S \right ) $ 의 하한이기는 하나 $ \operatorname { RID } (Q, S) $ 의 하한은 아니기 때문이다. 예를 들어, $ \operatorname { RID } \left (Q ^ { [0,44] } , S \right ) $ 가 $ \operatorname { RID } \left (Q ^ { [45,339] } , S \right ) $ 보다 클 수 있고, 이 경우 $ \operatorname { RID } (Q, S) $ 는 $ \operatorname { RID } \left (Q ^ { [0,44] } , S \right ) $ 가 아닌 $ \operatorname { RID } \left (Q ^ { [45,339] } , S \right ) $ 로 결정될 수 있기 때문이다. 이러한 문제를 해결하기 위해, 전체 회전 구간을 여러 개의 서로소(disjoint)인 회전 구간으로 나누고, 이들 회전 구간의 하한들의 최소값을 전체 구간의 하한으로 삼는 다중 엔빌로프 기법을 제안한다.</p>	(그림 $ 7 $)은 [예제 $ 2 $](그림 $ 6 $)의 시퀀스를 이미지 도메인에서 나타낸 것으로, 회전 구간이 $ [ \mathrm { a } , \mathrm { b } ] $ 인 질의 시퀀스 $ Q $ 의 하한 $ L B_ { [a, b] } (Q, S) $는 $ \operatorname { RID } \left (Q ^ { [a, b] } , S \right ) $ 의 하한이나 $ \operatorname { RID } (Q, S) $ 의 하한은 아닌 문제점이 생기게 되는데, 이 문제를 해결하기 위해, 전체 회전 구간을 여러 개의 서로소인 회전 구간으로 나누고, 이들 회전 구간의 하한들의 최소값을 전체 구간의 하한으로 삼는 다중 엔빌로프 기법을 제안한다.
<p>[예제 $ 2 $] (그림 $ 6 $)에서 질의 시퀀스 $ Q $ 와 데이터 시퀀스 $ S $ 는 (그림 $ 1 $)와 동일한 시퀀스이며, 모든 시퀀스 길이는 $ 360 $ 이다. (그림 $ 4( \mathrm { a } ) $ 와 $ 4( \mathrm { c } ) $ )의 엔빌로프는 회전 구간이 $ [0,359] $ 로 모든 시퀀스를 고려한 반면에, (그림 $ 6(a) $와 $ 6(c) $)의 엔빌로프는 회전 구간이 $ [0,41] $ 로 $ 45 $ 개의 시퀀스만을 고려한 것이다. (그림 $ 6( \mathrm { a } )) $ 는 이러한 엔빌로프 $ \left [L ^ { [0,44] } , U ^ { [0,44] } \right ] $ 와 질의 시퀀스 $ Q $, 데이터 시퀀스 $ S $ 를 나타낸다. (그림 $ 6( \mathrm { ~b } )) $ 에서 빗금친 부분은 회전 불변 거리 $ \operatorname { RID } \left (Q ^ { [0,44] } , S \right ) $ 를, (그림 $ 6( \mathrm { c } ) $ )에서 빗금친 부분은 회전 구간 $ [a,b] $만을 고려한 하한인 $ L B_ { [0,4] } (Q, S) $ 를 각각 나타낸다. (그림 $ 6( \mathrm { a } ) $ )의 엔빌로프 $ \left [L ^ { [0,44] } , U ^ { [0,44] } \right ] $ 를 구성하는 $ L ^ { [0,44] } $ 과 $ U ^ { [0,44] } $ 의 각 엔트리는 질의 시퀀스 $ Q $ 를 구성하는 $ n $ 개 엔트리 모두를 고려하는 것이 아니라, $ 45 $ 개의 엔트리만을 고려한 최소값 과 최대값으로 견정된다. 결국 (그림 $ 6( \mathrm { a } ) $ )의 엔빌로프 $ \left [L ^ { [0,44] } , U ^ { [0,44] } \right ] $ 는 (그림 $ \left .4( \mathrm { a } ) \right ) $ 의 엔빌로프 $ [L, U] $ 에 비해 좁게 결정되고, 이 엔빌로프에 의해 계산되는 하한 $ L B_ { [0,44 } (Q, S) $ 는 $ L B_ { s E } (Q, S) $ 에 비해 그 값이 커지게 된다. 실제 계산 결과를 비교하면, $ L B_ { [0,44] } (Q, S)=81.7 $ 로 $ L B_ { S E } (Q, S)=0 $ 에 비해 훨씬 크며, $ \operatorname { RID } (Q, S)=137.8 $ 에 가까운 값을 가짐을 알 수 있다. 따라서, 이러한 $ L B_ { [a, b] } (Q, S) $ 을 매칭에 사용할 수 있다면, 전지 효과를 크게 발휘할 수 있게 된다.</p>	(그림 6)의 엔빌로프는 (그림 4) 의 엔빌로프 보다 좁게 결정되며, 이 엔빌로프에 의해 계산 되어지는 하한 $ L B_ { [0,44 } (Q, S) $ 는 $ L B_ { s E } (Q, S) $ 에 비해 그 값이 커지게 된다.
<p>[정의 $ 4 $] 길이 $ n $ 인 질의 시퀀스 $ Q $ 를 $ a, a + 1, \ldots, b $ 만큼씩 회전하여 얻은 시퀀스 $ Q ^ { a } , Q ^ { a + 1 } , \cdots, Q ^ { b } $ 와 데이터 시퀀스 $ S $ 와 거리의 최소값을 구간 [a,b]에서의 $ Q $ 와 $ S $ 의 회전 불변 거리라 정의하고, $ \operatorname { RID } \left (Q ^ { [a, b] } , S \right ) $ 로 표기한다. 즉, $ \operatorname { RID } \left (Q ^ { [a, b] } , S \right ) $ 는 다음 식 $ (4) $와 같이 계산한다.</p> <p>$ \operatorname { RID } \left (Q ^ { [a, b] } , S \right )= \min _ { j=a } ^ { b } D \left (Q ^ { j } , S \right )= \min _ { j=a } ^ { b } \sqrt {\sum_ { i=0 } ^ { n-1 } \left \|q_ { (i + \mu) ^ { * } , n } -s_ { i } \right \| ^ { 2 } } $<caption>(4)</caption></p> <p>다음으로 회전 구간 $ [ \mathrm { a } , \mathrm { b } ] $ 를 사용한 엔빌로프 구성과 이의 하한 성질을 설명한다. 다음 [정의 $ 5 $]는 질의 시퀀스에 대해 회전 구간을 고려한 엔닐로프 개념을 제시하고, 이 엔빌로프와 데이터 시퀀스 간의 거리를 정의한다.</p> <p>[정의 $ 5 $] 길이 $ n $ 인 질의 시퀀스 $ Q $ 와 회전 구간 $ [ \mathrm { a } , \mathrm { b } ] $ 가 주어졌을 때, 두 시퀀스 $ L ^ { [a, b] } , U ^ { [a, b] } $ 의 각 엔트리 $ l_ { i } ^ { [a, b] } $ 와 $ u_ { i } ^ { [a, b] } $ 는 식 $ (5) $ 와 같이 계산되고, 이들 시퀀스 $ \left [L ^ { [a, b] } , U ^ { [a, b] } \right ] $ 를 회전 구간 $ [ \mathrm { a } , \mathrm { b } ] $ 에서 $ Q $ 의 엔빌로프라 정의한다. 또한, 엔빌로프 $ \left [L ^ { [a, b] } , U ^ { [a, b] } \right ] $ 와 데이터 시퀀스 $ S $ 와의 거리 $ D \left ( \left [L ^ { [a, b] } , U ^ { [a, b] } \right ], S \right ) $ 는 다음 식 $ (6) $과 같이 계산한다.</p>	길이 $ n $ 인 질의 시퀀스 $ Q $와 데이터 시퀀스 $ S $의 거리 최소값을 회전 불변 거리 $ \operatorname { RID } \left (Q ^ { [a, b] } , S \right ) $라 정의하고, 엔빌로프 구성과 이의 하한 성질, 질의 시퀀스에 대해 엔닐로프 개념, 엔빌로프와 데이터 시퀀스 간의 거리를 정의하고 수식을 활용하여 설명한다.
<p>(그림 $ 5 $)는 [예제 $ 1 $](그림 $ 4 $)의 문제점을 이미지 도메인에서 나타낸 것이다. (그림 $ 5( \mathrm { a } ) $ )에서 나뭇잎 윤곽선은 질의 시퀀스 $ Q $ 를, 바깥쪽 원은 엔빌로프의 $ U $ 를, 안쪽 원은 $ L $을 각각 나타낸다. 그리고, 하트 윤곽선은 데이터 시퀀스 $ S $를 나타낸다. (그림 $ 5( \mathrm { ~b } ) $ )의 빗금 친 부분은 회전 불변 거리 $ \operatorname { RID } (Q, S) $ 가 의미하는 바를, (그림 $ 5( \mathrm { c } )) $ 는 $ \operatorname { RID } (Q, S) $의 하한인 $ L B_ { S E } (Q, S) $ 가 의미하는 바를 각각 나타낸다. 그림에서 볼 수 있듯이, 질의 이미지에서 생성되는 엔빌로프의 최대값 및 최소값의 차이가 클 경우, 즉 엔빌로프가 넓을수록 $ L B_ { s E } (Q, S) $ 는 작은 값을 가지게 된다. (그림 $ 5 $)의 경우 하트 이미지 데이터 시퀀스가 엔빌로프 안에 완전히 포함되어 $ L B_ { S E } (Q, S) $ 의 값이 $ 0 $으로 계산되고, 하한으로서 제 역할을 하지 못하게 된다. 이는, 질의로 주어지는 이미지 윤곽선의 변화가 클수록 $ L B_ { S E } (Q, S) $ 는 작은 값을 갖게 되고 결국 전지 효과가 발휘되지 못함을 의미한다.</p> <h1>4. 다중 엔빌로프 기반 하한과 매칭 알고리즘</h1> <p>단일 엔빌로프에서 하한이 커지는 문제짐을 해결하기 위하여, 본 절에서는 엔빌로프를 여러 개 사용하는 다중 엔빌로프 기반 하한의 개념을 제시한다. 단일 엔빌로프 접근 은 질의 시퀀스의 모든 가능한 회전 시퀀스를 고려하여 엔빌로프를 구하기 때문에, 그 하한 값이 커지는 문제점이 발생한다. 좀 더 자세히 설명하면, 엔빌로프 기반 하한 $ L B_ { s E } (Q, S) $ 는 길이가 $ n $ 인 질의 시퀀스 $ Q $ 를 모든 가능한 $ j(=0, \ldots, n-1) $ 에 대하여 회선한 $ Q ^ { j } $ 를 고려하기 때문에 그 값이 너무 커지는 문제가 생긴다. 따라서, 본 절에서는 가능한 $ j $ 값을 여러 구간으로 나누고 각 구간에 대해 하한 을 구한 후, 이 하한의 최소값을 전체 구간에 대한 하한으로 삼는 방법을 사용한다. 이는 고려하는 $ j $ 값 구간이 작을 수록 해당 구간에서의 하한은 커지게 되고, 이에 따라 전체 구간의 하한 또한 $ L B_ { S E } (Q, S) $ 보다는 커지게 될 것이라는 직관에 기반한다. 이 방법을 설명하기 위해 우선 회전 불변 거리 개념을 '구간'을 사용하여 일반화한다.</p>	질의 이미지에서 생성되는 엔빌로프의 최소값과 최대값의 차이 즉, 범위가 넓을수록 $ L B_ { s E } (Q, S) $ 는 작은 값을 갖게 된다. 이는 이미지 윤곽선의 변화가 크다면 전지 효과가 발휘되지 못한다는 것을 알 수 있다. 그렇기에 단일 엔빌로프에서 하한이 커지는 문제점을 해결하기 위해, 다중 앤빌로프 기반 하한의 개념을 제시한다. 단일 엔빌로프의 경우 질의 시퀀스의 모든 가능한 회전 시퀀스를 고려하기 때문에 하한 값이 커지는 문제가 생겨난다. 그렇기에 본 절에서는 가능한 시퀀스의 값을 여러 구간으로 나누고 각 구간에 대해 하한을 구한 뒤, 이 최소값을 전체 구간에 대한 하한으로 삼는 방법을 사용한다.
<p>[정리 $ 1 $] 길이 $ n $ 인 질의 시퀀스 $ Q $ 가 주어졌을 때, 전체 구간 $ [0, \mathrm { n } -1] $ 을 서로소인 $ \mathrm { m } $ 개의 회전 구간 $ \left [a_ { 0 } , b_ { 0 } \right ], \left [a_ { 1 } , b_ { 1 } \right ] $, $ \cdots, \quad \left [a_ { m-1 } , b_ { m-1 } \right ] \left (a_ { 0 } =0, \quad a_ { k } =b_ { k-1 } + 1, \quad b_ { m-1 } =n-1 \right . $, $ k=1, \ldots, m-1 $ )로 나누었다 하자. 그러면, 각 회선 구간의 하한 $ L B_ {\left [a_ { k } , b_ { k } \right ] } (Q, S) $ 의 최소값 $ \left (= \min _ { k=0 } ^ { m-1 } L B_ {\left [a_ { k } , b_ { k } \right ] } (Q, S) \right ) $ 은 질의 시퀀스 $ Q $ 와 데이터 시퀀스 $ S $ 의 회전-불변 거리인 $ \operatorname { RID } (Q, S) $ 의 하한이다.</p> <p>[증 명] 질의 시퀀스 $ Q $ 의 모든 회전 시퀀스 중 데이터 시퀀스와의 거리가 최소인 회전 시퀀스를 $ Q ^ { j } $ 라 하자. 그러면, $ \operatorname { RID } (Q, S)=R I D \left (Q ^ { j } , S \right ) $ 가 성립한다. 또한, 전체 구간을 서로소인 회전 구간들로 나누었기 때문에, $ j $ 는 어느 한 회전 구간에 속하게 되는데, 이때 $ j $ 가 속하는 회전구간을 $ [ \mathrm { a } , \mathrm { b } ] $ 라 하자 (즉, $ a \leq j \leq b) $. 그러면, $ \operatorname { RID } (Q, S)=D \left (Q ^ { j } , S \right ) $ 이므로, 자연히 $ \operatorname { RID } \left (Q ^ { [a, b] } , S \right )=D \left (Q ^ { j } , S \right )= \operatorname { RID } (Q, S) $ 가 성립한다. 따라서, $ L B_ { [a b \mid } (Q, S) $ 는 $ \operatorname { RID } \left (Q ^ { [a, b] } , S \right ) $ 의 하한인 동시에 $ \operatorname { RID } (Q, S) $ 의 하한이 된다. 결국, 이들 회전구간의 하한의 최소값인 $ \min _ { k=0 } ^ { m-1 } L B_ {\left [a_ { k } , b_ { k } \right ] } (Q, S) $ 는 $ \operatorname { RID } (Q, S) $ 의 하한이 된다.</p>	질의 시퀀스 $ Q $와 데이터 시퀀스 $ S $가 주어졌을 때, 회전구간의 하한의 최소값인 $ \min _ { k=0 } ^ { m-1 } L B_ {\left [a_ { k } , b_ { k } \right ] } (Q, S) $는 회전-불변 거리인 $ \operatorname { RID } (Q, S) $ 의 하한이다.
<p>본 논문의 구성은 다음과 같다. 제 $ 2 $ 장에서는 회전 불변 이미지 매칭의 기존 연구를 설명한다. 제 $ 3 $ 장에서는 제안하는 단일 엔빌로프 기반 하한을 사용한 이미지 매칭을 제시 하고, 제 $ 4 $ 장에서는 다중 엔빌로프 기반 하한을 사용한 이미지 매칭을 설명한다. 제 $ 5 $ 장에서는 다중 엔빌로프 회전 구간 크기를 결정하는 방법을 제안한다. 제 $ 6 $ 장에서는 제안한 방법과 기존의 연구 결과를 비교한 성능 평가 결과를 제시하고, 마지막으로 제 $ 7 $ 장에서는 결론을 기술한다.</p> <h1>2. 관련 연구 및 기존 알고리즘 (Related Work and Previous Algorithms)</h1> <p>주어진 질의 시퀀스와 유사한 데이터 시퀀스를 찾는 과정인 시계열 매칭은 Agrawal 등의 전체 매칭과 Faloutsos 등의 서브시퀀스 매칭에서 시작하여 최근까지 많은 연구가 진행되었다. 시계열 매칭에서 사용하는 유사성 척도로는 유를리디안 거리와 DTW (dynamic time warping) 거리가 주로 사용되었다. 질의 종류로는 범위 질의와 $ k- \mathrm { NN } $ (nearest neighbor) 검색에 대한 연구가 진행되었다. 본 논문에서 다루는 윤곽선 이미지 매칭은 이러한 시계열 매칭의 중요한 응용으로 볼 수 있다.</p> <p>이미지 매칭은 주이진 이미지와 유사한 이미지를 찾는 문제로 이미지 처러 분야에서의 주요 연구 분야 중 하나이다. 이미지 매칭을 위헤 지금까지 다양한 이미지 정보를 이용하려는 시도들이 있었다. 에를 들어, 참고문헌에서는 색상을, 참고문헌에서는 질감을, 참고문헌에서는 모양을 이미지 메칭에 각각 이용하였다. 본 논문에서는 모양 기반의 이미지 매칭에 연구의 초점을 맞춘다. 모양 기반의 이미지 매칭에서는 주로 객체의 외부 윤곽선이나 영역을 이용한다. 개체의 외부 운곽선 추출 방법에는 Chain Code, Polygon, CSS(curvature scale space), CCD(centroid contour distance) 등이 있다. 본 논문에서는 외부 윤관선을 이용하는 간단한 방법인 CCD 방법을 활용한다. 이외의 방법을 이용한 회전-불변 윤곽선 이미지 매칭 연구와 이들 간의 비교는 향후 연구로 다룬다. (그림 $ 1 $)에서 보듯이, CCD 방법은 이미지의 외부 윤곽선 중심점을 찾은 후, y축 $ \left (0 ^ {\circ } \right ) $ 에서 시작하여 일정한 각도 $ ( \Delta \theta=2 \pi $ $ / n) $ 의 시계 방향(혹은 시계 반대 방향)으로 진행하며 중심 점과 외부 윤곽선과의 거리를 계산하여, 이미지를 n-차원 공간의 점으로 맵핑하는 방법이다. 이와 같이 CCD 방법을 사용하면 외부 윤곽선 이미지를 시계열로 나타낼 수 있고, 이에 따라서 시계열 매칭 기법을 이미지 매칭에 활용할 수 있다.</p>	시계열 매칭의 중요한 응용인 윤곽선 이미지 매칭은 CCD 방법을 활용한다.
<h3>6.2.4 WEB_DATA의 실험결과</h3> <p>(그림 $ 14 $)는 WEB_DATA에 대한 실험 결과를 나타낸다. (그림 $ 14 $)의 결과를 보면, 전반적인 경향은 (그림 $ 12 $) 및 (그림 $ 13 $)과 매우 유사함을 알 수 있다. 앞서의 실험과 마찬가지로, RI-Naïve, RI-EA, RI-SE, RI-ME 순의 성능을 보였 으며, RI-ME(EM)이 가장 좋은 결과를 나타내었다. RI-ME(EM)은 RI-Naïve 및 RI-EA에 비해 최대 $ 147.7 $ 배, 7.4배까지 성능을 향상시킨 것으로 나타났다. (그림 $ 12 \sim 14 $) 의 실험 결과를 종합하여, 데이터의 종류에 관계 없이 제안한 엔빌로프 기반 전지 기법이 기존 알고리즘에 비해 우수하다 할 수 있다.</p> <h1>7. 결 론</h1> <p>본 논문에서는 회전-불변 윤확선 이미지 매칭에 있어서, 불필요한 회전-불변 거리 계산을 크게 줄이는 효율적인 방법을 제안하였다. 제안한 방법은 엔닐로프 기반 하한을 사용하여 불필요한 계산을 줄이는 기법으로, 실헙을 통하여 기존 회전 불변 이미지 매칭보다 훨씬 우수한 성능을 보이는 것을 확인하였다.</p> <p>먼저, 단일 엔빌로프 기반 하한 기법을 제안한다. 단일 엔빌로프 기반 하한은 모든 회전 시퀀스를 고려하여 질의 시퀀스의 최고값을 엔트리로 가지는 시퀀스와 최소값을 엔트리로 가지는 시퀀스를 구한다. 이 두 개의 시퀀스를 엔빌로프라 정의하고, 엔빌로프와 데이터 시퀀스 간의 거리를 계산하여 불필요한 회전-불변 거리 계산을 전지해주는 하한이 됨을 [보조 정리 $ 2 $]에서 증명한다.</p> <p>다음으로, 다중 엔빌로프 기반의 하한 기법을 제안한다. 다중 엔빌로프 기반 하한은 단일 엔빌로프 기반 하한의 문제점인 질의 시퀀스의 변화폭이 큰 경우 하한이 줄어드는 문제점을 해결하기 위해 회전 구간이라는 개념을 도입하여 다중 엔빌로프 기반 하한으로 확장한다. 다중 엔빌로프는 질의 시퀀스 전체를 고려하지 않고, 서로소인 회전 구간만 고려하여 엔빌로프를 구성함으로씨 하한이 줄어드는 문제를 해결한다. 또한 다중 엔빌로프 기반 하한에서 회선 구간 결정 방법으로 동일 너비 구간 방법과 엔빌로프 최소화 기법을 제안함으로 더욱 하한의 효과를 좋게 하였다.</p> <p>제안하는 알고리즘의 성능을 평가하기 위해 실제 이미지 데이터 집합에 대한 실험을 통해 효과를 측정하였다. 실험 결과, 제안한 방법이 기존의 방법에 비해 최소 $ 7 $ 배에서 최대 $ 140 $ 배 좋은 효과를 보이는 것을 확인하였으며, 또한 단일 엔빌로프 기반 하한의 문제점을 다중 엔빌로프 기반 하한 방법이 해결하였음을 보여주었다.</p>	WEB_DATA 실험 결과 RI-ME(EM)이 가장 좋은 결과를 나타냈고 데이터의 종류에 관계 없이 엔빌로프 기반 전지 기법이 기존 알고리즘에 비해 우수했다. 회전-불변 윤확선 이미지 매칭에서 불필요한 회전-불변 거리 계산을 크게 줄이는 효율적인 방법은 엔빌로프 기반 하한을 사용했으며 실험을 통해 기존 회전 불변 이미지 매칭보다 최소 7배에서 최대 140배 더 좋은 성능을 보이는 것과 단일 엔빌로프 기반 하한의 문제점을 다중 엔빌로프 기반 하한 방법이 해결했음을 확인했다.
<h1>요 약</h1> <p>본 논문에서는 윤곽선 이미지 매칭에서 회전-불변 거리 계산의 효율적 방법을 제안한다. 회전-불변 거리 계산은 이미지 시계열을 한 칸씩 회전하먼서 매번 유클리디안 거리를 계산해야 하는 고비용의 연산이다. 본 논문에서는 엔빌로프 기반 하한을 사용하여 회전 불변 거리 계산을 크게 줄이는 회기적인 해결책을 제시한다. 이를 위해, 먼저 질의 시퀀스 대상의 단일 엔빌로프 작성과 이의 하한 개념을 제시하고, 이를 회전-불변 거리 계산에 사용하면 많은 수의 회전-불변 거리 계산을 줄일 수 있음을 보인다. 그런데, 단일 엔빌로프 기법은 하나의 엔빌로프가 가능한 모든 회전 시퀀스를 포함하기 때문에 하한이 커지고, 이에 따라 매칭 성능이 저하되는 문제점이 있다. 이러한 문제점을 해결하기 위하여, 본 논문에서는 회전 구간의 개념을 도입하여 단일 엔빌로프 기반 하한을 다중 엔빌로프 기반 하한 개념으로 확장한다. 또한, 다중 엔빌로프 기법에서 회전 구간을 결정하기 위한 방법으로 동일-너비 기법과 엔빈로프 최소화 기법을 제안한다. 실혐 걸과, 제안한 엔빌로프 기반 매칭 기법 기존 기법에 비해 최대 수 배에서 수십 배까지 매칭 성능을 향상시킨 것으로 나타났다.</p>.<h1>1. 서 론</h1> <p>컴퓨터 계산 및 저장 능력의 발전에 따라, 대용량 시계열 데이더베이스 대상의 시계열 매칭(time-series matching) 연구가 활발하게 이루어져 왔다. 또한, 최근에는 필기체 인식, 이미지 매칭, 바이오 시퀀스 매칭 등 여러 응용에서 시계열 매칭 연구가 활용되고 있다. 본 논문에서는 이중 대용량 이미지 데이터베이스를 대상으로 하는 윤곽선 이미지 매칭 문제를 다룬다. 윤곽선 이미지 매칭은 (그림 $ 1 $)과 같이 이미지의 윤곽선을 시계열로 변환한 후, 시계열 매칭을 사용하여 유사 이미지를 찾는 방법이다.</p> <p>윤곽선 이미지 매칭의 최근 연구 중 주목 받는 내용이 회전-불변(rotation-invariance)의 지원이며, 두 이미지 시퀀스의 회전-불변 거리는 다음과 같이 정의한다.</p> <p>[정의 1] 길이 $ n $ 인 두 시퀀스 $ Q \left ( = \left \{ q_ { 0 } , \ldots, q_ { n-1 } \right \} \right ) $ 와 $ S \left (= \left \{ s_ { 0 } , \ldots, s_ { n-1 } \right \} \right ) $ 의 회전 불변 거리 $ \operatorname { RID } (Q, S) $ 는 다음 식 (1)과 같이 정의 한다.</p>	윤곽선 이미지 매칭에서 회전-불변 거리 계산은 고비용의 연산으로 엔빌로프 기반 하한을 사용하여 연산을 줄이는 방법을 제시한다.
<p>엔빌로프 최소화 분할의 휴리스틱 알고리즘을 사용하면 회전 구간을 구성하는 경우의 수를 크게 줄일 수 있다. (그림 $ 9 $)의 휴리스틱 알고리즘의 계산 복잡도는 다음과 같다. Line $ 5 $ 를 보면, $ a_ { j } $ 에 대해서 $ a_ { j-1 } + 1 $ 과 $ a_ { j + 1 } -2 $ 사이의 모든 값을 대입하여 각 구간의 엔빌로프 넓이를 구한다. 여기서, $ a_ { j } $ 값들이 취할 수 있는 값은 결과적으로 $ 1 $ 과 $ \mathrm { n } -2 $ 사이의 값들로서 총 $ \mathrm { n } -2 $ 개가 되고, 이에 따라 Line $ 5 $ 의 계산 복잡도는 $ \Theta(n) $ 이 된다. 그런데, Line $ 4 \sim 6 $ 의 for 루프는 총 $ \mathrm { m } -1 $ 번 수행되므로, Line $ 4 \sim 6 $ 의 계산 복잡도는 $ \Theta( \mathrm { mn } ) $ 이 된다. 만일, Line $ 3 \sim 7 $의 repeat 루프가 $ \mathrm { r } $ 번 수행된다고 하면, 휴리스틱 알고리즘의 전체 계산 복잡도는 $ \Theta(r m n) $ 이 된다. 실헙 결과, $ \mathrm { r } $ 은 $ \mathrm { n } $ 에 비해서 훨씬 작은 값(대략 $ 10 $ 회 미만)으로 나타났으며, 따라서 $ \Theta(r m n) $ 는 앞서의 $ \Theta \left ( \left ( \begin {array} { l } n-2 \\ m-1 \end {array} \right ) \right ) $ 에 비해 계산 복잡도를 크게 줄인 것이라 할 수 있다. 예를 들어, $ \mathrm { n } $ 이 $ 360 $ 이고, $ \mathrm { m } $ 이 $ 8 $ 이라면, 앞서 최적 회전 구간 분할을 찾기 위해서는 $ 1.41 \times 10 ^ { 14 } $ 개의 경우의 수를 고려해야 했으나, 휴리스턱 알고리즘에서는 대락 $ 20,000 $ 개 $ 30,000 $ 개의 경우의 수를 고려하는 것으로 나타났다.</p>	엔빌로프 최소화 분할의 휴리스틱 알고리즘은 경우의 수를 크게 줄일 수 있는데, Line 3~7의 repeat 루프가 $ \mathrm { r } $번 수행된다고 하면 계산 복잡도는 $ \Theta(rmn) $이 되며, 실험 결과 $ r $은 $ n $보다 훨씬 작은 값으로 나타났다.
<p>본 논문에서는 엔빌로프(envelope) 기반의 하한을 사용하여 윤곽선 이미지 매칭에서 빈번하게 계산되는 회전 불변거리 계산 횟수를 획기적으로 줄이는 방법을 제안한다. 이를 위해, 우선 단일 엔빌로프 개념을 제안한다. 질의 시퀀스 $ Q $ 의 엔빌로프 $ [L, U] \div Q $ 의 모든 가능한 $ j $ 회전 시퀀스를 포함하는 고차원 MBR(minimum bounding rectangle)로서, $ L $ 은 최소값 엔트리들로 구성된 시퀀스를, $ U $ 는 최대값 엔트리들로 구성된 시퀀스를 각각 나타낸다. 본 논문에서는 $ Q $의 엔빌로프 $ [L, U] $ 와 데이트 시퀀스 $ S $ 간의 거리 $ (=D([L, U], S)) $ 가 $ Q $ 와 $ S $ 간 회전 불변 거리 하한임을 증명하고, 이를 회전-불변 이미지 매칭에 활용한다. 하한 $ D([L, U], S) $가 주어진 허용치 이상일 경우, 실제 회전-불변 거리는 계산 필요가 없는 성질을 활용한다. 본 논문에서는 단일 엔빌로프 기반의 하한을 사용하여, 회전-불변 거리 계산 횟수를 크게 줄인 회전-불면 이미지 매칭 알고리즘을 제안한다.</p> <p>그런데, 단일 엔빌로프 기반 매칭 알고라즘은 하한이 작아서 전지(pruning) 효율이 즣지 않은 문제점이 있다. 이는 단일 엔빌로프 $ [L, U] $ 가 모든 회전 시퀀스를 고려하여 그 넓이가 넓어지고, 결국 하한이 작아지기 때문이다. 이 문제점을 해결하기 위하여, 본 논문에서는 회전 구간 개념을 도입하여 단일 엔빌로프 기반 하한을 다중 엔빌로프 기반 하한 개념으로 확장한다. 회전 구간은 질의 시퀀스 $ Q $ 를 서로소(disjoint)인 여려 구간으로 나눈 것을 말하며, 다중 엔빌로프는 간 회전 구간에 해당하는 회전 시퀀스만을 고려하여 엔빌로프들을 구성한다. 이러한 다중 엔빌로프를 사용하면 각 엔빌로프의 넓이가 줄어 들어 하한이 커지게 되고, 결국 전지 효과가 크게 발휘된다. 본 논문에서는 다중 엔빌로프 기반 하한을 정형적으로 제시하고, 이를 기반으로 다중 엔빌로프 기반 매칭 알고리즘을 제안한다. 더 나아가 회전 구간의 크기를 결정하는 방법으로 $ (1) $ 구간 크기를 동일하게 나누는 동일 네비 기법과 $ (2) $ 엔빌로프들의 넓이를 최소화 하고자 하는 엔빌로프 최소화 기법을 제시한다. 실힘 결과 제안한 엔빌로프 기반 알고리즘은 기존 알고리즘에 비해 불필요한 회전 불년 거리 계산을 획기적으로 줄이고, 이를 통해 성능을 크게 향상시킨 것으로 나타났다. 특히, 다중 엔빌로프 기반 알고리즘은 기존 알고리즘에 비해 회전-불변 거리 계산 횟수는 수십 배까지 줄이고, 성능은 수 배까지 향상시킨 것으로 나타났다.</p>	본 논문에서 제안하는 단일/다중 엔빌로프 기반 매칭 알고리즘은 엔빌로프 기반의 하한을 사용하여 윤곽선 이미지 매칭에서 빈번하게 계산되는 회전 불변거리 계산 횟수를 획기적으로 줄이는 방법으로, 이를 통해 회전-불변 거리 계산 횟수는 수십 배까지 줄어들고, 성능은 수 배까지 향상되었다.
<p>[증 명] 두 시퀀스 $ Q $ 와 $ S $ 의 유클리디안 거리 $ D(Q, S) $는 $ \sqrt {\sum_ { i=0 } ^ { n-1 } \left \|q_ { i } -s_ { i } \right \| ^ { 2 } } $ 이다. 시계열 $ L $ 의 엔트리는 질의 시퀀스의 가장 작은 값으로 만들어진 시퀀스이고, 시계열 $ U $ 의 엔트리는 질의 시퀀스의 가장 큰 값으로 만들어진 시퀀스로서, 질의 시퀀스 $ Q $ 의 모든 엔트리는 $ L $ 과 $ U $ 사이에 존새하게 된다. 즉, $ l_ { i } \leq q_ { i } \leq u_ { i } $ 의 관계가 성립한다. 여기서, 만일 $ s_ { i } >u_ { i } $ 라면, $ q_ { i } \leq u_ { i } $ 에 의해 $ \left \|s_ { i } -q_ { i } \right \| \geq \left \|s_ { i } -u_ { i } \right \| $ 가 성립하고, $ s_ { i }<l_ { i } $ 라면, $ l_ { i } \leq q_ { i } $ 에 의해 $ \left \|s_ { i } -q_ { i } \right \| \geq \left \|s_ { i } -l_ { i } \right \| $ 가 성립하며, 그렇지 않을 경우 $ \left (l_ { i } \leq s_ { i } \leq u_ { i } \right ) $ 는 $ \left \|s_ { i } >q_ { i } \right \| \geq 0 $ 가 당연히 성립한 다. 따라서, $ \left (s_ { i } -u_ { i } \right ) ^ { 2 } , \left (s_ { i } -l_ { i } \right ) ^ { 2 } , 0 $ 을 더해 계산하는 $ D([L, U], S) $ 는 $ \left (s_ { i } -q_ { i } \right ) ^ { 2 } $ 을 더해 계산하는 $ \operatorname { RID } (Q, S) $ 이하이므로, $ D([L, U], S) $ 는 $ \operatorname { RID } (Q, S) $ 의 하한이다.</p>	두 시퀀스 $ Q $와 $ S $의 유클리디안 거리 $ D(Q, S) $는 각 엔트리의 차이를 제곱하여 합한 값의 제곱근으로 정의된다. 시계열 $ L $은 질의 시퀀스의 가장 작은 값으로 이루어진 시퀀스이고, 시계열 $ U $는 질의 시퀀스의 가장 큰 값으로 이루어진 시퀀스이다. 질의 시퀀스 $ Q $의 엔트리는 $ L $과 $ U $ 사이에 위치하게 되고, $ l_ { i } \leq q_ { i } \leq u_ { i } $ 의 관계가 성립하게 된다. 따라서, $ \left (s_ { i } -u_ { i } \right ) ^ { 2 } , \left (s_ { i } -l_ { i } \right ) ^ { 2 } , 0 $을 더해 계산하는 $ \operatorname { RID } (Q, S) $보다 작거나 같으므로, $ D([L, U], S) $는 $ \operatorname { RID } (Q, S) $의 하한값이 된다.
<h2>6.2 실험 결과</h2> <h3>6.2 .1 RI-ME의 회선 구간 개수 결정</h3> <p>본 실험은 알고리즘 RI-ME에서 회전 구간 개수(즉, 회전 구간 크기)를 결정하기 위한 실헙이다. RI-ME의 경우 회전 구간 수에 따라 성능이 달라질 수 있기 때문에, 다른 알고리즘과의 성능 비교에 앞서 최적의 회선 구간 수를 결정한다. 본 논문에서는 실헙을 통해 RI-ME(EW)의 최적 회전 구간 개수를 구하고, 이를 RI-ME(EW)와 RI-ME(EM)의 회전 구간 수로 사용한다.</p> <p>(그림 $ 10 $)은 RI-ME(EW)에서 회전 구간의 개수(크기)에 따른 엔빌로프 넓이 변화, 하한 계산 시간, RI-ME(EW)의 실제 실행 시간을 측정한 결과이다. 실험에서 회전 구간 수는 $ 180,90,60, \cdots, 3,2,1 $ 로 달리 하였으며, 허용치는 $ 60 $ 으로 고정하였다. (그림 $ 10( \mathrm { a } ) $ )를 보면 회선 구간 수가 줄어듦(회전 구간 크기가 넓어짐)에 따라 엔빌로프 넓이가 증가함 을 알 수 있다. 이는 당연한 결과로, 회선 구간 수가 적을수 록 한 구간에서 많은 수의 회전 시퀀스를 고려해야 하고, 이에 따라 엔빌로프가 넓어지기 때문이다. 제 $ 4 $절에서 설명 했듯이 엔빌로프가 넓을수록 전지 효과가 멀어지므로, (그림 10(a))의 결과만 봤을 때 회전 구간 수가 많을수록 좋은 성 등을 얻을 수 있게 된다. 그러나, 회전 구간 수를 많게 하면, 더 많은 수의 하한 $ \left ( \min _ { k=0 } ^ { m-1 } L B_ { [a, b,] } (Q, S) \right ) $ 을 계산해야 하는 오 버혜드가 있다. (그림 $ 10( \mathrm { ~b } ) $ )가 이러한 하한 계산 오버헤드 를 실행 시간으로 측정한 것이다. (그림 $ 10( \mathrm { ~b } ) $ )를 보면 회전 구간 수 $ \mathrm { m } $ 이 줄어들수록(회전 구간 크기가 넓어질수록) 하 한 계산 시간이 줄어듦을 알 수 있다. 결국, (그림 $ 10( \mathrm { ~a } ) $ )와 (그림 $ 10( \mathrm { ~b } ) $ )의 결과를 종합해 보면, 회전 구간 개수가 적을 수록 엔빌로프는 넓어지나 (하한은 증가하나) 하한 계산 시 간은 줄어들고, 반대로 회전 구간 개수가 많을수록 엔빌로프는 좁아지나(하한은 감소하나) 하한 계산 시간은 늘어나는 상충 관계가 있음을 알 수 있다.</p>	본 실험은 RI-ME에서 회전 구간 개수(크기)를 결정하기 위한 실험이고 그림 10(a)과 (b)의 결과로 보았을 때, 회전 구간 수가 적을수록 엔빌로프 넓이가 증가하고 하한 계산 시간이 줄어들며, 반대로 회전 구간 수가 많을수록 엔빌로프는 좁아지나 하한 계산 시간이 늘어나는 상충 관계가 있음을 알 수 있다.
<p>Broadcasting 기법이 적용된 SP 알고리즘의 변수 노드 연산은 다음과 같다.</p><p>$ \begin{aligned} r_{i j}^{(l)}=\operatorname{sign}\left(r_{i}^{(l)}\right) \times \operatorname{sign}\left(q_{j i}^{(l-1)}\right) \\ & \times \Phi\left(\left\|r_{i}^{(l)}\right\|-\Phi\left(\left\|q_{j i}^{(l-1)}\right\|\right)\right) \end{aligned} $<caption>(7)</caption></p><p>$ q_{j}^{(l)}=2 y_{j} / \sigma^{2}+\sum_{j^{\prime} \in M(j)} r_{j^{\prime} j}^{(l)} $<caption>(8)</caption></p><p>$ q_{j i}^{(f)}=q_{j}^{(1)}-r_{i j}^{(l)} $<caption>(9)</caption></p><p>수식 (8)에서 인터커넥션을 통해서 변수 노드에서 체크 노드로 전달되는 메시지 $ q_{j}^{(l)} $ 를 생성한다. 수식 (8)에서 알 수 있듯이 변수 노드 연산 결과에 변수 노드에 연결된 모든 체크 노드에서 받은 정보가 포함된다. 따라서 각 체크 노드에 전달되는 메시지가 동일함을 알 수 있다. 수식 (9)에서는 SP 알고리즘에서 변수 노드 연산을 통해서 구해야하는 최종 결과 값 $ q_{j i}^{(l)} $ 을 수식 (8)의 결과로부터 구한다. 수식 (7)에서는 이전 반복 복호 때 수식 (9)을 통해서 구한 $ q_{j i}^{(l)} $ 와 체크 노드로부터 받은 $ r_{i}^{(l)} $로부터 수식 (8)에 필요한 $ r_{i j}^{(l)} $ 을 구한다.</p><p>Broadcasting 기반의 SP 알고리즘에서는 변수 노드와 체크 노드가 이웃하는 체크 노드들과 변수 노드들에 $ q_{j i}^{(l-1)} $ 와 $ r_{i j}^{(l)} $ 가 아닌 $ q_{j}^{(l-1)} $ 와 $ r_{i}^{(l)} $ 를 전달하기 때문에 수식 (5)와 (8)을 수행하기 위해 필요한 $ q_{j i}^{(l-1)} $ 와 $ r_{i j}^{(l)} $ 값을 $ q_{j}^{(l-1)} $ 와 $ r_{i}^{(l)} $ 로부터 생성해야 한다. 따라서 수식 (5)와 (8)에서 $ q_{j}^{(l-1)} $와 $ r_{i}^{(l)} $을 생성하기 전에 수식 (4)와 (7)를 통해서 $ q_{i i}^{(l-1)} $ 와 $ r_{i j}^{(l)} $ 값을 생성한다.</p><p>Broadcasting기반의 SP 알고리즘은 기존의 SP 알고리즘과 달리 체크 (변수) 노드가 edge로 연결된 변수 (체크) 노드에 동일한 메시지를 전달하기 때문에 변수 노드와 체크 노드 사이의 인터커넥션이 적은 복잡도로 구현될 수 있다.</p><h2>2. $Q C-\angle D P C $ 부호</h2><p>QC-LDPC 부호는 순환 쉬프트 된 단위행렬을 부분 행렬로 갖는 패리티 검사 행렬을 통하여 정의된다. 그림 1은 IEEE 802.11ac WLAN 표준에 정의된 QC-LDPC부호의 패리티 검사 행렬이다. 그림 1에서 각 정사각형은 부분 행렬을 나타내며 각 부분 행렬은 단위행렬의 순환 쉬프트 된 행렬이거나 영행렬이다. 정사각형 안의 숫자는 순환 쉬프트의 값을 나타낸다. 무선 통신 시스템은 다양한 부호율을 지원하기 위하여 행의 개수가 다른 여러개의 패리티 검사 행렬을 정의하며, 다양한 부호어 길이를 지원하기 위하여 다양한 크기의 부분 행렬로 패리티 검사 행렬을 구성한다. 예를 들어, IEEE 802.11ac WLAN 시스템은 네 종류의 행의 개수 4, 6, 8 그리고 12 를 갖는 패리티 검사 행렬들을 정의하였고, 세 종류의 부분 행렬 크기 $ 27 \times 27,54 \times 54 $ 그리고 $ 81 \times 81 $을 정의하였다.</p>	SP 알고리즘의 변수 노드 연산은 Broadcasting 기법을 변수 노드와 체크 노드가 edge로 연결된 변수노드에 동일한 메시지를 전달함으로써 복잡도를 줄일 수 있다. 변수 노드 연산 결과는 모든 체크 노드에 전달되며, 이전 반복 복호 때 수식(9)을 통해 구한 $ q_{j i}^{(l)} $ 과 체크 노드로부터 받은 $ r_{i}^{(l)} $로부터 수식(8)에 필요한 $ r_{i j}^{(l)} $을 구한다. QC-LDPC 부호의 경우는 패리티 검사 행렬로 정의할 수 있다.
<p>기존에 제안된 LDPC 복호기들은 하드웨어 구현 시 복호기의 목표 throughput 성능에 따라서 전 병렬구조나 부분 병렬구조로 구현된다. 각각의 복호 과정 및 병렬구조를 기반으로 구현된 LDPC 복호기가 많은 논문에 소개되었다. 전 병렬구조 기반의 LDPC 복호기의 경우, 패리티 검사 행렬의 열의 개수만큼의 변수 노드 프로세서 (VNP: variable node processor)와 행의 개수만큼의 체크 노드 프로세서 (CNP: check node processor)를 갖는다. 이 LDPC 복호기는 1Gbps의 높은 throughput을 지원할 수 있지만 높은 하드웨어 복잡도를 갖는다. 또한, 하나의 LDPC 부호에 대해서만 복호화를 수행함으로써 다중 모드를 지원하지 않는다. 또 다른 전 병렬처리 기반의 LDPC 복호기는 복잡도를 낮추기 위하여 bit-serial 구조를 사용하였다. 이 LDPC 복호기는 300MHz 주파수의 클락을 사용하여 3.3Gbps의 throughput을 달성하였다. 또 다른 전 병렬 처리 기반의 LDPC 복호기는 인터커넥션 네트워크의 복잡도를 낮추기 위하여 broadcasting 기법을 SP 알고리즘에 적용하였다. Broadcasting 기법은 two-phase 복호 과정 기반의 전 병렬처리 구조에서 인터커넥션 네트워크의 복잡도를 상당히 낮출 수 있다. Broadcasting 기법이 적용된 또 다른 LDPC 복호기는 1Gbps throughput과 다중 모드를 지원한다.</p><p>부분 병렬구조 기반의 LDPC 복호기는 패리티 검사 행렬을 행 방향 또는 열 방향으로 여러 개의 부분 행렬로 나누고, 각 부분 행렬에 대해서 순차적으로 복호 알고리즘을 적용하여 복호를 진행한다. 부분 병렬구조 기반의 LDPC 복호기의 경우 VNP 및 CNP 사이의 인터커넥션의 복잡도가 전 병렬처리 구조 기반의 LDPC 복호기에 비해서 낮고, VNP 및 CNP 의 사용량이 적어 낮은 복잡도로 구현될 수 있다. 그러나 복호 과정에 필요한 단계가 많기 때문에 전 병렬구조에 비해서 높은 throughput을 달성하기 어렵다.</p><p>본 논문은 최근 무선 통신 시스템에 적용 가능한 고속 및 다중 모드를 지원할 수 있는 QC-LDPC 복호기를 제안한다. 앞에서 설명했듯이 $ N_{C P I} $ 값을 최소화하여 수 Gbps의 높은 throughput을 지원하기 위하여 본 논문에서 제안하는 QC-LDPC 복호기는 전 병렬구조 기반으로 구현되었다. 이 때, 전 병렬구조를 선택함으로써 발생하는 연산 장치의 높은 복잡도 문제를 변수 노드 연산과 체크 노드 연산을 모두 수행할 수 있는 결합된 체크 및 변수 노드 프로세서를 제안함으로써 해결하였다. 전 병렬구조를 선택함으로써 발생하는 인터커넥션 네트워크의 높은 복잡도 문제를 broadcasting 기법을 SP 알고리즘에 적용하고 저복잡도의 순환 쉬프트 네트워크를 제안함으로써 해결하였다. 또한, 제안하는 QC-LDPC 복호기가 다중 모드를 지원할 수 있도록 패리티 검사 행렬에 따라서 결합된 체크 및 변수 노드 프로세서들의 연결을 쉽게 조절할 수 있는 라우팅 기반의 인터커넥션 네트워크와 다중 모드 지원 순환 쉬프트 네트워크를 제안하였다.</p><p>본 논문은 다음과 같이 구성된다. II장에서는 반복 복호 알고리즘인 broadcasting 기반의 SP 알고리즘과 QC-LDPC 부호에 대해서 간단히 소개한다. III장은 높은 throughput과 다중 모드를 지원할 수 QC-LDPC 복호기 구조를 제안한다. 제안된 QC-LDPC 복호기의 구현 결과는 IV장에서 다룬다. V장에서는 본 논문의 결론을 맺는다.</p>	전 병렬구조 기반의 LDPC 복호기의 경우, 패리티 검사 행렬의 열의 개수만큼의 변수 노드 프로세서와 행의 개수만큼의 체크 노드 프로세서를 가지며, 높은 하드웨어 복잡도와 다중모드지원이 불가하다.이를 보완하기 위해 위해 bit-serial 구조를 사용하거나 인터커넥션 네트워크의 broadcasting 기법을 SP 알고리즘에 적용하여 복잡도를 낮추고 1Gbps throughput과 다중 모드를 지원하기도 한다. 부분 병렬구조 기반의 LDPC 복호기의 경우 낮은 복잡도로 구현 가능하나 복호 과정에서 필요한 단계가 많기 때문에 전 병렬구조에 비해 높은 throughput을 달성하기 어렵다. 논문에서는 전 병렬구조 기반으로 결합된 체크 및 변수 노드 프로세서를 제안하고 broadcasting 기법을 SP 알고리즘에 적용하여 높은 복잡도 문제를 해결했으며 라우팅 기반의 인터커넥션 네트워크와 다중 모드 지원 순환 쉬프트 네트워크를 통해 높은 throughput과 다중 모드를 지원하여 무선 통신 시스템에 적용할 수 있는 QC-LDPC 복호기 구조를 제안한다.
<h1>II. 전 병렬구조 기반의 고속 및 다중 모드 QC-LDPC 복호기</h1><p>QC-LDPC 복호기가 높은 throughput을 지원하기 위해서는 수식 (1)로부터 알 수 있듯이 클락 주파수를 증가시키거나 반복 복호 횟수나 한 번의 반복 복호 시 필요한 클락 사이클 수를 줄여야 한다. 클락 주파수는 QC-LDPC 복호기를 포함하는 무선 통신 시스템의 시스템 클락 주파수에 따라 결정될 수 있다. 따라서 한 번의 반복 복호 시 필요한 클락 사이클 수를 줄임으로써 throughput을 향상시켜야 한다. 특히, throughput을 수 Gbps로 높이기 위해서는 한 번의 반복 복호 시 필요한 클락 사이클 수를 크게 줄여야 하며, 병렬구조가 직렬 구조에 비해서 적합하다.</p><p>Broadcasting 기법을 통하여 SP 알고리즘을 전 병렬 구조로 구현 시 인터커넥션 네트워크의 복잡도를 크게 줄일 수 있다. 그러나 전 병렬구조에 사용되는 수많은 CNP들과 VNP들은 여전히 QC-LDPC 복호기의 높은 복잡도를 야기한다. 본 논문에서는 고속 무선 통신 시스템에 적용할 수 있는 QC-LDPC 복호기를 제안한다. 제안하는 QC-LDPC 복호기는 전 병렬구조 기반으로 높은 throughput과 다중 모드를 지원한다. 병렬구조에 의해서 발생하는 복잡도 증가 문제는 broadcasting 기법이 적용된 SP 알고리즘의 사용과 QC-LDPC 복호기를 구성하는 주요 블록의 저복잡도 설계를 통하여 해결하였다.</p><h2>1. 전 병렬구조 기반의 QC-LDPC 복호기</h2><p>그림 2는 제안하는 고속 및 다중 모드 QC-LDPC 복호기의 전체 구조이다. 제안하는 QC-LDPC 복호기는 저복잡도의 결합된 체크 및 변수 노드 프로세서(CCVP: combined check and variable node processor), 라우팅 방식의 인터커넥션 네트워크 (flexible interconnection network), 저복잡도 순환 쉬프트 네트워크로 구성된다. 각각의 기능 블록들은 다중 모드를 지원할 수 있도록 설계되었다. 이 세 가지 기능 블록을 동작시키기 위한 제어기 (rate compatible LDPC decoder controller)와 패리티 검사 행렬을 저장하는 메모리가 제안하는 QC-LDPC 복호기에 포함된다.</p><p>그림 2에서 CCVP는 체크 노드 연산과 변수 노드 연산을 수행하는 블록이다. CCVP는 전 병렬구조의 QC-LDPC 복호기 구조에서 패리티 검사 행렬의 열의 개수만큼 CCVPU(combined check and variable node processor unit)을 갖는다. CCVPU는 하나의 체크 노드 연산과 변수 노드 연산을 수행하는 블록이다. 이 CCVPU들이 모여서 CCVP를 구성한다. 제안하는 CCVP 는 체크 노드 연산과 변수 노드 연산을 동시에 지원하며, broadcasting에 의해서 발생하는 공통된 연산을 공통된 하드웨어 자원으로 수행하기 때문에 전 병렬 구조에서 복잡도를 낮추면서 높은 throughput을 지원할 수 있다. 또한, 제안하는 CCVP는 다중 모드를 효과적으로 지원하기 위해서 여러 개의 CCVPU를 포함하는 CCVPU group을 구성하였다. 각각의 CCVPU group은 부분 행렬의 최대 크기만큼 CCVPU를 포함하며 CCVPU group의 개수는 패리티 검사 행렬의 열을 구성하는 부분 행렬의 개수와 동일하다. 제안하는 CCVP는 부분 행렬의 크기에 따라 CCVPU group 내에서 몇개의 CCVPU만을 사용하고, 패리티 검사 행렬의 행의 개수에 따라서 몇 개의 CCVPU group은 변수 노드 연산만을 수행한다. 이를 통하여 다중 모드를 섭게 지원 할 수 있다. 예를 들어 IEEE 802.11ac 시스템의 경우 패리티 검사 행렬이 27, 54, 81 크기의 부분 행렬로 구성되고 다양한 부호율 지원을 위해서 4, 6, 8, 12 개의 행을 갖는다. 이 때 하나의 CCVPU group은 81개의 CCVPU로 구성되며 부분 행렬의 크기에 따라서 일부 CCVPU만 사용한다. 또한, CCVP 는 24개의 CCVPU group을 갖는데 부호율에 따라서 일부 CCVPU group은 변수 노드 연산만을 수행한다.</p><p>CCVP에서 연산된 정보는 패리티 검사 행렬에 따라 다른 CCVP로 전달되는데, 이 때 다중 모드를 지원할 수 있는 라우팅 기반의 인터커넥션 네트워크 (flexible interconnection network)를 통하여 전달된다. 그림 2 와 같이 flexible interconnection network는 여러 개의 1-to-6 interconnection으로 구성된다. 부호율에 따라서 사용되는 체크 노드 연산을 수행하는 CCVPU group의 개수가 달라진다. 일반적으로 부호율에 따라 체크 노드 연산을 수행하는 CCVPU group의 개수는 4의 배수이기 때문에 전체 24개의 CCVPU group을 4개씩 묶어서 6개의 큰 group으로 나눌 수 있고, 부호율에 따라서 정보 전송이 필요한 큰 group에만 변수 노드 연산 결과를 전달하면 된다. 따라서 1-to-6 interconnection은 라우팅 방식을 기반으로 필요한 CCVPU group에 정보를 효과적으로 전달할 수 있다.</p><p>QC-LDPC 부호의 패리티 검사 행렬을 구성하는 부분 행렬의 순환 행렬 특성 때문에 CCVPU group 간에 주고받는 정보에는 순환 쉬프트가 수행되어야 한다. 순환 쉬프트는 일반적으로 barrel 쉬프터로 구현될 수 있지만 전 병렬구조에서 수많은 barrel 쉬프터의 사용은 높은 복잡도를 야기한다. 제안하는 QC-LDPC 복호기는 다중 모드를 지원하면서 복잡도를 낮춘 순환 쉬프트 네트워크를 통하여 순환 쉬프트 연산을 수행한다. 제안하는 CCVP, 라우팅 기반의 인터커넥션 네트워크, 순환 쉬프트 네트워크의 자세한 구조는 2,3,4 절에 다룬다.</p>	무선 통신 시스템의 시스템 클락 주파수에 의해 클락 주파수가 결정될 수 있는데, 해당 논문에서는 고속 무선 통신 시스템에 사용 가능한 QC-LDPC 복호기를 제안한다. QC-LDPC 복호기는 전 병렬구조 기반으로 높은 throughput과 다중 모드가 가능하며, 저복잡도의 결합된 체크 및 변수 노드 프로세서, 라우팅 방식의 인터커넥션 네트워크, 저복잡도 순환 쉬프트 네트워크로 구성된다. 각각의 세 가지 블록을 작동시키기 위해 제어기와 패러티 검사 행렬을 저장하는 메모리가 복호기에 내포돼있다.

Subsets and Splits

No community queries yet

The top public SQL queries from the community will appear here once available.