산업계를 중심으로 최근에는 위치에 구애받지 않고 다양한 서비스를 자유롭게 이용하고자 하는 수요가 급증하면서, 비용 효율적이고 구축이 용이한 wireless mesh network (WMN) 솔루션이 다시 주목받고 있다. 본 논문에서는 3차원 WMN을 위한 라우팅 솔루션인 Autonomous Load-balancing Field-based Anycast routing+ (ALFA++)의 구현 이슈를 심도 있게 살펴본다. 이후에는 저가 상용 장치를 활용하여 구축한 대학 캠퍼스 건물 내 802.11 기반 3차원 WMN 테스트베드에서 ALFA+의 성능을 평가하고 이를 통해 궁극적으로 ALFA+의 실제 활용 가능성을 검증한다. 기존 대부분의 연구는 가상환경 기반 시뮬레이션을 통한 성능평가를 한 반면, 본 연구에서는 실환경 테스트베드에서 상용 장치를 활용한 성능평가 수행을 위해 필요한 구현 관련 상세정보를 소개하고 실환경 테스트베드에서의 결과를 기반으로 ALFA+의 실질적인 가치를 평가했다는 점에서 큰 의미가 있다.

인공지능 기술의 발전은 사회의 구조와 교육환경을 변화시키며, 인공지능 역량의 중요성이 지속적으로 증가하고 있다. 이에 본 연구는 초등학생의 AI 역량 측정을 위한 체크리스트 문항을 개발하는 목적으로 수행되었다. 연구의 목적을 달성하기 위해서 문헌 분석과 문항개발 델파이 조사를 사용하였다. 문헌 분석을 위해 검색을 통해 국내 연구 2편, 국외 연구 5편, 교육부의 교육과정 보고서를 수집하였다. 수집된 자료를 분석해서 핵심역량 측정 요소를 구성하였다. 핵심역량 측정 요소는 인공지능의 이해(6개 요소), 인공지능 사고(4개 요소), 인공지능 윤리(4개 요소), 인공지능 사회-정서(3개 요소)로 구성하였다. 구성된 측정 요소의 지식과 기능 그리고 태도를 고려하여, 19개 문항을 개발하였다. 개발된 문항은 1차 델파이 조사를 통해서 검증하였고, 수정의견에 따라 7개의 문항을 수정하였다. 2차 델파이 조사를 통해서 19개 문항의 타당성을 검증하였다. 본 연구에서 개발한 체크리스트 문항은 자기보고식 설문이 아닌 수행 및 행동 관찰을 기반으로 교사의 평가에 의해서 측정된다. 이에 역량의 측정 결과가 신뢰할 수 있는 수준으로 높아진다는 시사점을 가지고 있다.

최근에는 클라우드 서버, 데이터센터 등에서 플래시 기반의 저장장치가 활발히 활용되면서 신뢰성이 더욱 중요해지고 있다. 플래시 메모리 칩은 읽기/쓰기에 제한이 있어 한곳에 쓰기가 집중되면 칩을 더 이상 사용할 수 없게 된다. 이와 같은 문제를 해결하고 신뢰성을 향상시키기 위해서는 플래시 메모리 칩의 마모를 균등화하는 것이 필요하다. 그러나 대용량이 되어가는 플래시 메모리의 마모 균등화를 위해서는 작업 부하가 비례적으로 증가한다. 특히, 플래시 메모리 칩의 전체 블록의 삭제 횟수가 최대/최소인 블록 블럭을 검색할 때 저장장치의 용량에 따라 비용이 증가한다. 본 논문에서는 앞의 문제를 해결하기 위해서 블럭의 무작위 선택 방법을 적용하였다. 무작위로 선택하는 블록을 k 라고 할 때 실제 실험 결과를 통해 k 값이 4 이상 전체 블록을 검색하는 것과 비슷한 결과를 보여주는 것을 확인하였다.

최근 빅데이터, 클라우드 컴퓨팅, 인공지능 등 대용량 데이터 처리 기술의 발전에 따라 데이터센터와 엔터프라이즈 환경에서 고성능 저장장치에 대한 요구가 증가하고 있다. 특히 저장장치의 빠른 데이터 응답 속도는 전체 시스템 성능을 좌우하는 핵심 요소이다. 이에 NVMe(Non-Volatile Memory Express) 인터페이스 기반 SSD(Solid State Drive)가 주목받고 있으나, 다수 호스트의 대량 데이터 입출력 요청을 동시에 처리하는 과정에서 새로운 병목 현상이 발생하고 있다. SSD는 일반적으로 호스트 요청을 내부 큐에 순차적으로 쌓아 처리하는 방식을 취한다. 이때 긴 전송 길이 요청이 먼저 처리되면 짧은 요청들이 장기간 대기하여 평균 응답 시간이 증가한다. 이 문제를 해결하기 위해 데이터 전송 시간제한과 데이터 분할 전송 방법이 제안되었으나 근본적인 해결책이 되지 못했다. 본 논문에서는 저장장치 내부 데이터 처리 스케줄링 전략인 DQBS(Dual Queue Based Scheduling Scheme)를 제안한다. 이 방식은 이중 큐 기반의 스케줄링 전략으로 하나의 큐에서는 요청 순서를, 다른 큐에서는 전송 길이를 기준으로 데이터 전송 순서를 관리한다. 그리고 요청 시간과 전송 길이를 종합적으로 고려하여 효율적인 데이터 전송 순서를 결정한다. 이를 통해 대기 시간이 긴 요청과 짧은 요청을 균형있게 처리할 수 있어 전체 평균 응답 시간을 단축시킬 수 있다. 실제 시뮬레이션 결과, 제안 기법은 기존 순차 처리 방식 대비 월등히 향상된 성능을 보였다. 본 연구는 고성능 SSD 환경에서 데이터 전송 효율을 극대화하는 스케줄링 기법을 제시하여, 차세대 고성능 저장 시스템의 발전에 기여할 수 있을 것으로 기대된다.

토머그래피 영상재구성에서 초점은 높은 이미지 품질을 유지하면서 환자의 방사선 노출을 줄일 수 있는 CT 영상재구성 방법을 개발하는 것이다. 일반적으로 통계적 영상재구성 방법은 고품질 및 정확한 이미지를 생성할 수 있는 능력을 개선하면서 환자의 방사선 노출을 크게 줄일 수 있다. 그런데 CT 영상재구성과 같은 다차원의 모수 추정인 경우에서는 그것의 페널티 함수의 헤이지안 행렬의 역행렬 차수가 매우 크기 때문에 구할 수가 없다. 이러한 문제점을 해결하기 위하여 저자는 PEMG-1 알고리즘을 제안하였다. 그러나 PEMG-1 알고리즘은 일반 통계적 영상재구성 방법처럼 페널티 로그우도를 증가시키는 수렴속도에 문제점이 있다. 이에 본 연구에서는 수렴속도가 빠르고 우도의 단조 증가성을 보장하는 재구성 알고리즘을 제안한다. 이 알고리즘의 기본 구조는 반복마다 모수들을 동시에 갱신하지 않고 몇 개의 픽셀로 이루어진 그룹들을 순차적으로 갱신하는 방법이다.

사물 인터넷(IoT) 환경은 지속가능한 제품의 제조 및 운용, 그리고 IoT 기술을 활용한 제품 생애주기 관리를 통해 재활용 단계에서 환경적 피해 영향을 줄이고 자원을 효율적으로 활용하는 데 도움을 줄 수 있다. 이러한 사회환경을 기반으로 본 연구에서는 기존 연구문헌을 통해 환경보호적 가치, 경제적 가치, 사회적 가치를 포함한 지속가능한 패션제품의 공감가치를 분석하고 공감가치와 제품에 대한 호감도 및 구매의사와의 관계를 검증하였다. 관계 검증을 위해 연구가설을 설정하고 설문지를 작성한 후 조사하였다. 조사 대상자는 가능한 패션제품을 구매한 경험이 있는 중국 광동성(廣東省) 광저우시(廣州市)에 거주하는 여대생을 대상으로 온라인 설문조사를 실시하였다. 조사 기간은 2023년 8월 10일부터 8월 20일간에 실시하였으며, 총 352건의 설문지를 배포하였다. 회수된 설문지 중 데이터 분석에 유효한 총 313부를 분석에 사용하였다. 수집된 설문자료는 SPSS 26.0 소프트웨어를 이용하여 빈도분석, 탐색적 요인 분석, 신뢰도 및 타당성 분석, 상관관계 분석 및 다중 회귀 분석을 실시하였다. 분석 결과는 다음과 같다. 첫째, 가능한 패션제품의 공감가치는 환경보호적 가치, 경제적 가치 그리고 사회적 가치로 분류되었다. 둘째, 가능한 패션제품의 경제적 가치와 사회적 가치는 호감도에 긍정적인 영향을 미치는 것으로 나타났다. 셋째, 가능한 패션제품의 환경보호적 가치와 사회적 가치는 구매의사에 긍정적인 영향을 미치는 것으로 나타났다. 넷째, 가능한 패션제품에 대한 중국 여대생들의 호감도는 구매의사에 긍정적인 영향을 미치는 것으로 나타났다. 이러한 결과로 볼 때 소비자들의 가능한 패션제품 구매를 촉진하기 위해 기업들은 제품의 환경보호적 가치, 경제적 가치, 사회적 가치 등의 특성을 강조할 필요가 있다고 판단된다. 본 연구의 목적은 공감가치, 호감도, 구매의사의 관계를 분석함으로써 지속가능한 패션 관련 산업 및 기업에 유용한 기본 데이터 그리고 개발 아이디어와 방법을 제공하여 나아가 가능한 패션제품의 마케팅 전략 개발에 도움을 주고자 한다.

본 연구는 중학생의 AI 역량 측정을 위한 체크리스트 문항을 개발하는 목적으로 수행되었다. 연구의 목적을 달성하기 위해서 문헌 분석과 문항개발 델파이 조사를 사용하였다. 문헌 분석을 위해 검색을 통해 국내 연구 2편, 국외 연구 5편, 교육부의 교육과정 보고서를 수집하였다. 수집된 자료를 분석해서 핵심역량 측정 요소를 구성하였다. 핵심역량 측정 요소는 인공지능의 이해(5개 요소), 인공지능 사고(5개 요소), 인공지능 활용(4개 요수), 인공지능 윤리(6개 요소), 인공지능 사회-정서(6개 요소)로 구성하였다. 구성된 측정 요소의 지식과 기능 그리고 태도를 고려하여, 31개 문항을 개발하였다. 개발된 문항은 1차 델파이 조사를 통해서 검증하였고, 수정의견에 따라 10개의 문항을 수정하였다. 2차 델파이 조사를 통해서 31개 문항의 타당성을 검증하였다. 본 연구에서 개발한 체크리스트 문항은 자기보고식 설문이 아닌 수행 및 행동 관찰을 기반으로 교사의 평가에 의해서 측정된다. 이에 측정 결과가 신뢰할 수 있는 수준이 높아진다는 시사점을 가지고 있다.

본 논문에서는 수신환경에 따라 변화하는 인간 행동 인식 (Human Activity Recognition, HAR)의 정확도를 향상시키기 위해 채널 상태 정보 (Chanel State Information, CSI)를 활용한 Line-of-Sight (LoS)/Non-Line-of-Sight (NLoS) 식별 기반 HAR 시스템을 제안한다. 제안 시스템은 수신환경을 고려한 HAR 시스템을 위해 Preprocessing phase, Classification phase, Activity recognition phase의 세 동작 단계를 포함한다. Preprocessing phase에서는 CSI 원시 데이터로부터 진폭이 추출되고, 추출된 진폭 내 노이즈가 제거된다. Classification phase에서는 데이터 수신환경이 LoS 환경 또는 NLoS 환경으로 분류되고, 수신환경 분류 결과를 기반으로 HAR 모델이 결정된다. 마지막으로, Activity recognition phase에서는 결정된 HAR 모델을 활용하여 인간의 동작을 앉기, 걷기, 서 있기, 부재중으로 분류한다. 제안 시스템의 우수성을 입증하기 위해, 실험적 구현을 수행하였으며 제안 시스템의 정확도를 기존 HAR 시스템의 정확도와 비교하였다. 실험 결과, 제안 시스템은 대조군 대비 16.25% 더 높은 정확도를 달성하였다.