임베디드 분야를 비롯하여 거의 모든 산업 분야에 하드웨어를 기반으로 소프트웨어 탑재가 이루어지고 있다. 이에 제품의 품질 관리가 갈수록 중요해짐에 따라, 많은 기업이 품질 비용에 많은 지출을 하고 있다. 그러나 국내 기업의 경우 품질 저하 예방 비용보다는 품질 미달로 인한 문제 해결에 많은 비용을 쓰고 있어, 품질 저하 예방 비용의 효과적 집행을 위한 지속적인 개선이 필요한 상황이다. 이를 위해 정량적 품질 관리에 대한 관심이 증대되고 있으나, 정량적 품질 관리 활동은 프로세스 성숙도 모델에서 통계적 기법의 활용을 요구하는 레벨 4, 5에 속하는 고수준의 프로세스 활동으로 통계적 품질 관리 활동의 이행이 필수적이다. 이와 같은 현실을 반영하여 본 논문에서는 TMMi 레벨 5 프로세스 영역 중 품질관리(Quality Control) 프로세스 구축 방안을 소개하여 고수준의 통계적 품질 관리 프로세스 구축에 도움이 되고자 한다.

최근 각광받고 있는 연구분야 중 하나인 Internet of Things (IoT)은 사물들이 네트워크 상에 연결되어 있는 있는 컴퓨팅 환경으로, 이 환경을 구성하는 여러 IoT 디바이스들이 협업을 통해 사용자에게 유용한 기능을 제공할 수 있는 장점이 있다. IoT 디바이스의 제한된 배터리 수명, 이동성과 같은 동적인 특성으로 인해 IoT 디바이스의 상태는 계속해서 변하게 되며, 이로 인해 IoT 디바이스를 관리하는 데에 어려움이 있다. 본 논문에서는 IoT 디바이스의 동적인 특성에 의한 IoT 디바이스 관리 문제를 도출하고 이를 해결하기 위한 디바이스 관리 프레임워크를 제안한다. 그리고, 디바이스 검색, 디바이스 상태 확인, 디바이스 선택 및 연결, 그리고 디바이스 교체를 포함한 네 가지의 기법을 제시한다. 또한 제시된 기법들을 기반으로 디바이스 관리 프레임워크를 구현하고 실험을 통하여 제안한 기법들의 실효성을 검증한다.

최근 소프트웨어 규모가 더욱 커지고 복잡해지고 있다. 하루에도 수많은 버그 리포트들이 버그저장소에 전송 되어 개발자들의 업무가 늘어나고 있다. 이러한 버그 리포트들을 적절한 개발자에게 전달하여 빠르고 정확하게 소프트웨어의 결함이 수정되어야 하는데, 많은 버그 리포트들이 적절하지 않는 개발자에게 배정되어 다른 개발자에게 다시 재배정 되는 경우가 빈번하게 일어나고 있다. 이것은 배정자가 전송받은 버그 리포트들을 정확히 이해하지 못했거나, 또는 모든 개발자들의 능력을 바르게 파악하지 못해 발생한다. 이것은 소프트웨어 유지보수에 개발자의 시간과 노력을 많이 필요하게 한다. 이러한 문제를 해결하기 위해 본 연구에서는 버그 리포트와 관련된 토픽을 찾아내고, 토픽 내 개발자들의 소셜 네트워크 관계를 분석해서 적절한 개발자를 추천하는 기법을 제안한다. 그리고 공개 소스 프로젝트를 이용한 개발자 추천에 대한 성능비교 실험을 통하여 본 연구에서 제안한 방법이 효과적이라는 것을 보인다.

전술 네트워크 환경에서 임무 수행을 위해 조합된 서비스를 수행하기 위해서는 실제로 서비스를 제공하는 자원과 추상 서비스를 바인딩 하는 작업이 필요하다. 그러나 군이 운용하는 전술 네트워크는 대역폭이 낮고 패킷 손실률이 높아 서비스를 안정적으로 수행하기 위해서는 통신량을 최소화 해야 한다. 또한 전장 환경은 그 특성상 동적으로 변화한다. 이를 위해 본 논문에서는 분산 서비스 코디네이션 과정에 생기는 서비스 게이트웨이간 통신량을 최소화 하고 전장 환경의 변화 중 일부 게이트웨이의 무력화 상황을 고려하는 두 개의 자원 재할당 기법을 제안하고 게이트웨이간 총 통신 오버헤드와 할당 유사도를 기준으로 평가하였다.

본 연구는 '위키피디아 데이터를 이용한 병렬 문장 추출'이라는 주제에 대해서, 기존에 해외에서 사용되었던 다양한 방법을 한국어 위키피디아 데이터에 실제로 적용해보고 그 결과를 정리하여 보고한다. 실험 방식은 두 가지로 나눌 수 있는데, 첫 번째는 번역 확률을 이용하는 방법으로 세종 병렬 말뭉치 등의 기존 자원으로부터 번역 확률을 추출하여 사용한다. 두 번째는 사전을 이용하는 방법으로, 위키피디아 타이틀로 구성된 위키 사전(Wiki dictionary)을 기본으로 하여, MRD(machine readable dictionary) 정보와 숫자 사전을 추가로 사용한다. 실험 결과, 기존 자원만 이용한 경우보다 위키피디아 데이터를 결합하여 사용한 경우에 매우 큰 폭의 성능 향상을 얻어, 최종적으로 F1-score 57.6%의 우수한 성능을 산출하였다. 또한 토픽 모델(topic model)을 이용한 실험도 추가로 수행하였는데, F1-score 51.6%로 최종 성능 면에서는 낮았지만 비지도 학습 방법이라는 장점을 고려할 때 추가 연구에 대한 여지가 있다고 볼 수 있다.

최근 고성능 센서가 집적된 스마트폰과 웨어러블 디바이스 기술이 부각됨에 따라 이와 같은 플랫폼을 활용한 차세대 모바일 컴퓨팅 기술이 크게 주목받고 있다. 기존 행위인지는 지속적인 움직임에 따른 고유 패턴을 포착하는 반면, 자세인지는 급격한 순간 변화나 신체 방향의 변화를 포착하는 방법으로 접근되어 왔다. 그러나 이 두 가지의 패턴을 함께 고려하고 실제 활용 가능한 수준의 성능 확보와 그 시스템에 대한 연구는 다소 부족한 실정이다. 이에 본 논문에서는 최근 부각되는 스마트폰과 웨어러블 디바이스의 센서 데이터를 함께 고려하고 각각이 갖는 장점을 혼합한 사용자 행위 및 자세인지 기법과 스마트폰 플랫폼을 기반으로 실제 환경에서의 그 활용 방법을 제안한다. 스마트폰과 웨어러블 센서 데이터를 함께 운용하기 위한 전처리 방법을 설계하고 고유 진동 패턴과 수직, 수평 방향 패턴 특징을 혼합적으로 활용하여 인지 모델을 구축하였다. 이 과정에서 자전거 타기와 빠르게, 천천히 걷기, 뛰기와 같이 보다 다양한 행위와 서기, 앉기, 누워있기와 같은 자세 패턴을 고려하였다. 실험 결과 제안하는 기법의 성능과 타당성을 입증하였고 실제 환경에서의 적용을 통해 그 활용 가능성을 보였다.

본 연구는 주요변수를 선정하는 기법을 개발하기 위해서 단계적 회귀와 변수들의 효율성을 평가하기 위해 사용되는 자료봉합분석을 결합한 새로운 방법을 제안하였다. 이를 위해서 먼저 단계적 회귀를 이용하여 중요 변수들을 일차적으로 선정하고, 선정된 각 변수들의 중요도를 이해하기 위해 귀무가설을 세웠고, 중요 변수를 선택하기 위해 Kruskal-Wallis 검정을 사용했다. 또한 해당되는 변수를 Conover-Inman 검정을 사용하여 변동이 발생하는 각 변수들의 우선순위를 결정하였다. 따라서 그 결과, 많은 변수들과 DEA(Data Envelopment Analysis)의 한계를 극복하기 위해 원래 계획된 변수들 중 기준에 의해 원래 유지된 변수와 높은 연관성을 가진 변수들을 남기는 방식으로 변수를 선정하는 기법을 개발한 Jenkins의 기존연구에서는 I2, I4, I5, I6 변수가 누락되었고 I1, I3 변수만이 DEA에 사용되었지만, 본 논문에서 제안된 모델의 효율성 결과로는 I2와 I4 변수를 각각 유지하였다. 본 연구는 다른 문헌에서 단계적 변수의 선택을 보여주기 위해 같은 데이터 집합을 사용하였는데, 여기서 Jenkins의 연구와 같이 변수 I6과 I1, I2를 삭제하였고, I3, I4, I5는 유지하였다. 결론적으로 단계적 회귀 DEA 모델을 사용하여 긴 계산적 절차 없이 변수 선택이 가능함을 발견했으며 기존 연구의 데이터를 적용하여 제안된 모델을 검증하였다. 개발한 DEA모델 결과는 상호 변수에 따라 포함되거나 생략할 수 있기 때문에 실제 현실 상황에서의 지식과 경영적 판단에 매우 유용할 것이다.