인간이 교육을 통해 지식을 습득하고 발전시키는 과정에서, 이전 단계에서의 학습 진행 과정은 향후 학습에 영향을 미친다. 이것은 기계 학습에서도 고려되어야 할 사항으로 실제 기계 학습에서 학습순서의 제어가 어떤 효과가 있는지 살펴볼 필요가 있다. 본 연구에서는 MLP의 학습에서 지도자가 목표값을 알려주는 역할은 물론, 학습 대상의 지식 정도를 고려하여 자료들의 학습 순서를 제어하는 추가적 역할도 수행할 때, 학습 과정에 미치는 효과를 실험한다. 실험 방법은 SOM과 MLP를 이용하여 분류 문제에 적용한다. SOM은 지도자가 학습 순서를 결정하기 위한 학습 자료들의 범주화에 이용되고, MLP는 학습 대상이 된다. 제안하는 방법은 SOM을 학습 자료의 전처리 방법이 아닌, 학습 과정 동안 학습 자료의 선택에 이용하는 점에서 여타 연구들과 차이가 있으며, 실험 결과는 학습에 사용되는 자료의 수와 학습 횟수에서 개선 효과가 있음을 보여준다.

서비스 지향 컴퓨팅은 재사용 가능한 서비스를 사용하여 애플리케이션을 개발하는 효과적인 패러다임으로서 널리 각광받고 있다. 서비스 지향 컴퓨팅에서 서비스 소비자는 서비스를 관리하거나, 수정할 필요가 없이 서비스 제공자가 제공하는 서비스를 단지 사용하기만 하면 된다. 반면에, 서비스 제공자는 사용자가 원하는 때에 서비스를 사용할 수 있도록 자원 및 데이터 등을 관리하여야 한다. 하지만, 서비스 소비자는 불특정 다수의 특성을 갖기 때문에 서비스 제공자가 서비스 품질을 관리하기 힘들다. 따라서 서비스 수준 협약에 명시된 품질을 보장하면서 여러 명의 소비자에게 서비스를 제공하기 위한 서비스 확장성이 서비스 지향 컴퓨팅의 잠재적인 문제로 주목 받고 있다. 확장성에 대한 연구는 네트워크와 데이터베이스, 분산 컴퓨팅 등의 여러 분야에서 진행되었다. 하지만, 서비스 공학 분야에서는 아직 서비스 확장성의 정의와 관련 메트릭 등의 연구가 미흡한 실정이다. 본 논문에서는 서비스 환경을 다중 노드가 연결된 네트워크로 구성하고, 모든 노드의 자원을 통합 관리한다. 또한 동적인 서비스의 복제 및 이주 기법을 이용하여 서비스 확장성을 관리하기 위한 프레임워크를 제안한다. 3장에서는 확장성 관리 프레임워크의 구조와 기능성을 소개하고, 4장에서는 프레임워크의 기능성 실현에 필요한 확장성 향상 기법을 제안한다. 5장에서는 제안된 기법을 적용하여 프레임워크를 설계/구현하며, 6장에서는 구현된 프레임워크를 적용하여 실험을 수행한다. 실험을 통해 확장성 향상 기법의 실효성을 확인한다.

클라우드 컴퓨팅은 하드웨어와 소프트웨어의 자원을 서비스 제공자 서버에 운영하고, 소비자가 인터넷을 통하여 필요한 서비스를 활용하는 재사용 기반의 컴퓨팅 방식이다. 클라우드 서비스의 한 형태인 SaaS(Software-as-a-Service)는 소프트웨어를 하나의 서비스로 설계 개발한 후, 다양한 소비자들이 재사용하도록 하는 컴퓨팅을 지향한다. 기존의 소프트웨어 어플리케이션은 특정한 하나의 조직을 대상으로 개발하였으나, SaaS는 서비스의 형태로 소프트웨어의 전체 기능을 필요로 하는 다양한 조직에 소속된 다양한 소비자들이 사용할 수 있게 개발된다. 이것은 소비자가 자신이 원하는 기능의 수행을 위해 직접 SaaS를 설정할 수 없게 하여 SaaS 개발에 재사용성이 더욱 강조되게 한다. 하지만 기존의 객체지향 개발 방법론, 컴포넌트 기반 개발 기법, SOA 개발 기법들은 전통적인 소프트웨어 어플리케이션과 다른 SaaS가 가지는 재사용성의 특징을 반영한 설계와 구현을 지원하는 지침과 장치가 거의 없다. 따라서 본 논문에서는 이러한 문제를 해결하기 위해 기존 재사용성의 정의를 확장하여 SaaS의 재사용성을 적용성, 적응성, 확장성의 부 특성으로 구분하고 이를 반영한 재사용성 중심의 개발 프로세스를 제시한다. SaaS 재사용성의 각부 특성은 제시하는 개발 프로세스의 분석과 설계를 위한 각 활동에 직 간접적으로 반영되어 보다 효과적으로 SaaS 재사용성을 향상시킨다. 제시된 프로세스를 적용하면 보다 체계적이고 효과적으로 재사용성 중심의 SaaS 개발을 유도할 수 있다.

최근 소프트웨어는 고성능의 많은 기능을 제공해야 하기 때문에 그 중요성이 증가할 뿐만 아니라 복잡도 또한 증가하고 있다. 그러므로 신뢰할 만한 소프트웨어를 개발하는 것이 중요한 이슈가 되고 있다. 신뢰할 만한 소프트웨어를 개발하기 위해서는 신뢰성을 초기단계에서부터 관리해야 할 필요성이 있지만 대부분 신뢰성 추정 모델의 경우 시스템 또는 운영 테스트 단계에서 주로 사용되고 있다. 신뢰성 높은 소프트웨어를 개발하기 위해서는 초기 테스트 단계에서부터 개별 유닛의 신뢰성을 관리할 필요성이 있기에 이 단계에서의 특징을 반영해야 한다. 그러나 초기 테스트 단계에서는 개발자와 테스터가 분리되는 것이 아니라 개발자가 테스트뿐만 아니라 디버그까지 함께 수행을 하게 된다. 그렇기 때문에 테스트 시간과 디버그 시간을 모두 고려하는 신뢰성 추정 모델이 필요하다. 본 논문에서는 초기 테스트 단계에서부터 개별 유닛의 신뢰성 관리를 지원하고자 새로운 신뢰성 모델을 제안하였다. 그리고 실제 산업에서 수집된 데이터를 이용하여 제안한 모델이 실제 데이터와 얼마나 일치하는지 그리고 기존 모델과 어떤 차이를 보이는지를 확인하기 위한 실험을 수행하였다.

본 연구는 IPTV의 지능형 검색을 가능하게 하는 VOD 어노테이션을 위해 효율적인 반자동 온톨로지 모델링 기법을 제안한다. 제안하는 방법은 워드넷(WordNet)으로 부터 특정 도메인(또는 장르)을 대표하는 콘텐츠에 관련된 키워드의 상 하위어와 동의어에 해당하는 부분 트리를 추출하고, 워드넷에 없는 외래어, 한자어 등은 확장하여 콘텐츠 온톨로지를 구축한다. 이 온톨로지는 보편적 계층구조와 특정 계층구조를 생성한다. 전자는 콘텐츠와 관련 키워드를 제약 기술(description)을 포함하는 클래스로 정의한 어휘의 의미 모델이다. 후자는 생성된 모델에 함의관계(subsumption) 추론 기술을 적용하여 키워드를 관련있는 콘텐츠로 추론한 모델이다. 어노테이션은 이 온톨로지를 기반으로 VOD에 콘텐츠와 장르의 메타데이터를 의미 기반으로 생성한다. 보편적 계층구조는 서비스 도메인에 독립적으로 재사용이 가능하며, 특정 계층구조는 서비스 목적에 맞는 완전하고 함축적인 모델을 생성한다. 제안하는 방법은 서비스 도메인에 상관없이 적용 가능한 알고리즘이며, 2,400건의 테스트 데이터로 어노테이션 결과를 평가하여 82%의 정확도를 보였다.

데이터 스트림을 위한 효율적인 예측 방법을 개발하기 위하여 많은 연구들이 진행 되어왔다. 하지만, 이들 방법들은 대부분 고정된 시간 구간에 대한 하나의 예측 결과만을 제공하고 있기 때문에 많은 경우에 다양한 시간 간격을 기초로 얻어진 예측 결과들이 다를 수 있다. 따라서 다중-간격 예측(Multi-Interval Prediction; MIP)을 위한 새로운 방법의 개발이 요구된다. 본 논문은 계층형 시간적 메모리(HTM) 기술을 이용하여 데이터 스트림을 다중-간격 기반으로 예측할 수 있는 새로운 방안을 제시한다. 우리는 원래의 HTM 네트워크에 새로운 노드 형태인 Zeta1LastNode를 도입하여 통합된 계층형 시간적 메모리(Integrated Hierarchical Temporal Memory; IHTM) 네트워크를 제안한다. 특히, 이 IHTM 네트워크의 계층적인 통합 특성을 이용하여, 데이터 스트림에 대한 다중-간격 예측이 효과적으로 이루어질 수 있도록 하였다. 성능 분석을 통해 IHTM이 다중-간격 예측을 함에 있어서 예측 간격이 늘어날수록 원래의 HTM에 비하여 메모리와 계산 시간의 소비를 획기적으로 줄일 수 있다는 것을 보였다.

Mission-critical 시스템의 경우 자가 치유는 신뢰성을 보장하기 위한 기술 중 하나이다. 자가치유는 오류 탐지와 오류 회복으로 이루어져 있으며 오류 탐지는 오류 회복을 가능하게 하는 자가 치유의 중요한 첫 단계이지만 시스템에 과부하를 주는 문제가 있다. 모델 기반의 방법 등으로 오류를 탐지할 수 있는데 시스템의 모든 행위를 통지하고 정상 행위 모델과 통지된 시스템의 행위를 비교하여야 하므로 그양이 많고 부하가 크기 때문이다. 본 논문에서는 모델 기반의 오류 탐지 방법을 보완하는 아키텍처 기반의 다계층적 자가적응형 모니터링 방법을 제안한다. 소프트웨어 아키텍처 상에서 오류 탐지의 중요도는 컴포넌트 마다 다르다. 각 컴포넌트마다 발생하는 오류의 심각도와 빈도가 다르기 때문이다. 모니터링 중요도가 높은 컴포넌트에는 강도가 높고 모니터링 중요도가 낮은 컴포넌트에는 강도가 낮도록 모니터가 적응한다면 오류 탐지의 부하는 줄이고 효율은 유지시킬 수 있다. 또한 소프트웨어의 환경 변화 및 아키텍처상의 변화 등에 따라 오류 발생 빈도가 변화하여 컴포넌트의 오류 탐지 중요도가 변화하기 때문에 학습을 통해 이를 추적하여 자가적응적으로 중요도가 높은 컴포넌트를 집중 모니터링 한다.

영상 해상도 개선은 영상 복원이나 확대 같은 응용 분야에서 널리 사용되는 기술로서, 결과 영상에서의 블록 현상이나 인공물 발생과 같은 화질 열화를 제거하는 것이 중요하다. 본 논문에서는 영상의 손실 정보를 이용하는 영상 해상도 개선 방법을 제안한다. 제안하는 방법은 획득 저해상도를 하위 레벨 보간을 통해서 손실 정보를 계산 및 추정하고 이를 보간된 고해상도 영상에 적용함으로서 1차적인 보간을 수행하고 획득 저해상도 영상과의 에러를 계산한 후 다시 보간된 영상에 적용하는 과정을 반복하여 최종적인 보간 영상을 생성한다. 동일한 영상을 이용한 시험을 통해서 비교 방법들보다 평균 PSNR에서 3.2㏈ 이상 향상된 것을 확인하였고, 주관적 화질도 개선된 것을 알 수 있었다. 또한 계산복잡도를 85% 이상 감소시킬 수 있었다. 제안한 해상도 개선 방법은 영상 처리의 다양한 분야에서 기반 기술로 사용될 수 있다.

본 논문에서는 소스코드의 코딩 스타일을 검사하고 코딩 스타일 점수를 얼굴 표정을 이용해 시각화하는 시스템인 StyleVisualizer 를 제안한다. StyleVisualizer 는 스타일 평가 점수에 따라 몇 가지 얼굴로 표현한다. 웃는 표정은 소스코드가 코딩 표준을 잘 준수했음을 의미한다. StyleVisualizer 의 효과를 알아보기 위해 두 분반의 실용 컴퓨터 교과목 수강생을 대상으로 실험을 진행하였다. 실험에서는 StyleVisualizer 를 사용한 분반과 사용하지 않은 분반에 대해 코딩 표준 준수에 대한 오류 비율을 비교했다. 실험결과, StyleVisualizer 를 사용한 경우 30% 이상 오류 비율이 감소하였다. 논문에서 제안하는 시스템은 학생들에게 자신들의 프로그램에 대한 시각화된 결과를 피드백해 줌으로써 코딩 표준을 준수하고 가독성이 높은 프로그램을 작성하는 능력을 기르는 데 도움을 줄 수 있을 것으로 기대된다.

시계열 패턴 인식에 일반적으로 많이 사용되는 동적인 타임 워핑 알고리즘은 대부분의 연산시간을 상관표를 작성하는데 소비한다. 그리고 이 연산시간을 줄이고자 전역 경로 제약조건을 설정하여 연산범위에 제한을 두는데, 이것은 패턴의 내용을 고려하지 않은 시간축에 의한 제한이다. 따라서 본 논문에서는 패턴의 형태에 따라 적응적으로 전역 경로 제약조건을 설정하여 보다 효율적으로 패턴인식을 수행하는 분기 한정적인 동적 타임 워핑 알고리즘을 제안한다. 제안된 방법의 성능 평가를 위한 실험에서는 분기 한정적인 동적 타임 워핑 알고리즘이 기존의 동적 타임 워핑 방법과 경로 거리는 유사하면서 연산 시간이 보다 개선되었음을 확인할 수 있었다.