공공데이터표준 적용을 통한 데이터품질향상에 관한 연구

김정대 상지대학교 일반대학원 2024 국내석사

공공데이터표준 적용을 통한 데이터품질향상에 관한 연구 김 정 대 상지대학교 일반대학원 컴퓨터정보공학과 지도교수 고광만 공공데이터 품질향상은 국민의 이용권 보장 및 민간에서 데이터 활용 을 통한 삶의 질을 향상시킬 수 있다. 하지만 현재 공공데이터가 운영되 는 시스템에서 데이터의 품질 저하가 심각하고, 대부분의 공공데이터는 품질평가 및 개선에 대해서만 논의될 뿐, 구체적인 데이터 표준 적용을 위한 실무적 논의가 이루어지고 있지 않는 상황이다. 본 논문은 데이터 표준화에 대한 개념과 데이터 표준 구현 방안을 제시하여 공공데이터 품 질향상을 검증한다. 주제어(키워드) Public Data Standards, Data Quality Management, Database Design Standards, Standard Term, Standard Word, Standard Domain,Quality Improvement

의료 소프트웨어 사이버 보안 약점 평가 방안에 관한 연구

우정현 상지대학교 일반대학원 2024 국내석사

의료 소프트웨어 사이버 보안 약점 평가 방안에 관한 연구 우 정 현 상지대학교 일반대학원 컴퓨터정보공학과 컴퓨터공학전공 지도교수 고광만 현대 의료 시스템은 환자의 생명과 직결되는 민감한 데이터를 처리하 기 때문에, 강력한 사이버 보안이 필수적이다. 그러나 의료 소프트웨어는 사이버 공격의 주요 대상이 되어, 데이터 유출, 시스템 장애, 악성코드 감 염 등 다양한 보안 위협에 노출되고 있다. 특히 전자건강기록(EHR), 원격 진료 시스템, 의료 기기 관리 소프트웨어 등은 사이버 공격에 취약하여, 이에 대한 체계적인 보안 약점 평가와 대응 방안이 절실히 필요하다. 본 연구는 의료 소프트웨어의 보안 취약점을 식별하고 이를 대응할 수 있는 평가 방안을 제시한다. 이를 위해 CWE(Common Weakness Enumera tion)와 OWASP(Open Web Application Security Project)와 같은 국제 보안 표준을 바탕으로, 주요 보안 취약점을 분석하였다. 또한, 동적 분석 도구 (예: OWASP ZAP)를 활용하여 의료 시스템에서 발생할 수 있는 취약점을 탐지하고, AI 기반 탐지 시스템을 설계하여 기존 도구의 한계를 보완하였 다. 실험 결과, 제안된 AI 기반 보안 탐지 시스템은 기존 동적 분석 도구보 다 4% 이상의 탐지 정확도를 기록했으며, 실시간 탐지 및 위협 대응 속도 에서도 유의미한 향상을 보였다. 본 연구는 CWE와 AI 기술을 활용한 보 안 평가 방안을 체계화함으로써, 환자 안전과 개인정보 보호를 강화하고, 의료 시스템의 신뢰성을 높이는 데 기여할 것이다. 주제어(키워드) Medical Software, Cybersecurity, CWE, OWASP, Vulnerability Assessment, AI-Based Detection

에너지 소비 최적화를 위한 인스트럭션 스케줄링 기술

김성진 상지대학교 일반대학원 2014 국내박사

에너지 소비를 감소하기 위한 최적화 연구는 하드웨어 및 소프트웨어 설계에서 가장 중요한 쟁점으로 등장하고 있다. 하드웨어에서 실행되는 소프트웨어의 에너지 소비는 운영체제, 실행시간 환경, 컴파일러, 어플리케이션 등의 복잡한 상호 작용을 통해서 이루어진다. 특히, 모바일 장치에 탑재되는 임베디드 시스템은 범용 시스템에 비해 리소스가 매우 제한적이고 상시 전원이 아닌 배터리를 사용하기 때문에 임베디드 시스템에서 동작하는 어플리케이션이 사용하는 리소스와 에너지를 관리하기 위한 소프트웨어적인 조사와 연구가 매우 중요하다. 따라서 빠른 실행 시간 및 효율적인 리소스 관리와 더불어 에너지 소비를 최소화할 수 있는 코드를 생성하는 컴파일러의 개발은 매우 중요한 요소이며 이러한 요구에 대처할 수 있는 연구가 시급히 진행되어야 한다. 본 논문에서는 임베디드 시스템에서 동작하는 어플리케이션이 소비하는 에너지를 줄이기 위해서 컴파일러 최적화 기법 중 연속적인 인스트럭션을 재배열하여 목적에 맞는 코드를 생성할 수 있는 인스트럭션 스케줄링에 초점을 두고, 인스트럭션 스케줄링 시 인스트럭션 간 에너지 소비량을 가중치로 이용하는 것이 에너지 소비량을 줄일 수 있다는 것을 증명하기 위하여 연구용 컴파일러 환경을 구성하고 실험하였다. 이를 위하여 임베디드 시스템에서 가장 많이 사용되고 있는 ARM 프로세서를 타깃 아키텍처로 하고 재목적성 컴파일러인 Machine-SUIF 후단부에 성능을 높이기 위한 성능-지향 인스트럭션 스케줄링과 에너지 소비를 줄이기 위한 에너지-지향 인스트럭션 스케줄링을 구현하였다. 또한 인스트럭션 스케줄링의 입력이 되는 자료 의존 그래프를 구성하고 이를 탐색하면서 스케줄링 된 코드를 생성하였으며, 생성된 코드에 대한 성능 및 에너지 소비량을 측정하고 효율성을 증명하기 위해서 Sim-Panalyzer 시뮬레이터를 이용하였다. 실험 결과에서 에너지-지향 인스트럭션 스케줄링에 의해서 생성된 코드가 성능-지향 인스트럭션 스케줄링에 의해서 생성된 코드보다 약 3% 정도의 성능 차이를 보였으며, 에너지 소비량에서는 약 8~9% 정도 감소하는 것을 확인할 수 있었다. 본 논문의 구성은, 제 1장에서 연구의 배경과 목적, 범위를 설명하고 제 2장에서는 에너지 소비를 줄일 수 있는 컴파일러 최적화 기술과 지역 및 전역 최적화 기술에 대해서 설명한다. 제 3장에서는 본 논문의 핵심 기반이 되는 Machine-SUIF 컴파일러와 타깃 아키텍처인 ARM 프로세서를 위한 확장 방법을 설명한다. 또한 성능-지향 인스트럭션 스케줄링 기법과 에너지-지향 인스트럭션 스케줄링 기법에 대한 알고리즘을 설명하고 각 스케줄링으로 생성된 코드를 비교 분석한다. 제 4장에서는 실험 환경 및 결과를 분석하고, 마지막 제 5장에서 본 논문의 결론을 도출한 후 향후 연구에 대해서 설명한다.

Federated Learning-Based SB?SPS Scheduling for 5G NR-V2X Under Heterogeneous Vehicular Environments

무하마드 무니비 상지대학교 일반대학원 2025 국내박사

긴급 제동 경고, 협력적 차로 합류와 같은 차량 안전 응용은 높은 신뢰성과 낮은 지연을 동시에 만족하는 사이드링크 통신에 의존한다. 5G NR-V2X Mode-2 환경에서 반영구 스케줄링(Semi-Persistent Scheduling, SB–SPS)은 기지국(gNB) 조정 없이 차량이 사이드링크 자원을 선택하고 주기적으로 재선택할 수 있도록 한다. SB–SPS는 중간 수준의 트래픽 환경에서는 효율적이지만, 고밀도 또는 이질적 트래픽 환경에서는 성능 저하가 발생한다. 다수의 차량이 유사한 “깨끗한(clean)” 서브채널을 감지하고 재선택 시점에 동기화되어 동일 자원으로 몰리면서, 국지적인 충돌이 빈번하게 발생하기 때문이다. 본 논문은 안전 필수 메시지에 요구되는 엄격한 타이밍 제약을 훼손하지 않으면서, 소형 온디바이스 학습 요소를 통해 재선택 결정을 지능화하여 신뢰도와 용량을 향상시킬 수 있는지를 탐구한다. 본 논문에서는 SB–SPS 재선택 시점에서만 동작하는 연합학습 기반 충돌 인지 오버레이 기법을 제안한다. 차량 단말에서 학습되고 연합학습(Federated Learning, FL)을 통해 차량 간 집계되는 경량 예측기는 각 후보 자원에 대해 충돌 위험 점수를 산출한다. 차량은 예측된 위험도를 기준으로 후보 자원을 순위화하고, 위험도가 낮은 자원을 선택하여 예약한다. 이 과정에서 SB–SPS의 타이밍, 뉴머롤로지, 패킷 처리 절차는 변경되지 않는다. 추론은 패킷 단위가 아닌 재선택 시점에서만 수행되므로, 제안 기법은 구조적으로 지연 중립(latency-neutral)을 보장한다. 또한 원시 관측 데이터는 차량 외부로 전송되지 않으며, 모델 업데이트만이 노변 장치(RSU)의 집계 노드로 전달된다. 집계 과정에서는 비독립·비동일(non-IID) 데이터 특성을 고려하기 위해 FedAvg 또는 FedProx를 적용할 수 있다. 제안 오버레이는 자문적(advisory) 구조로 설계되어, 모델이나 입력 특성이 사용 불가능한 경우 기존 SB–SPS로 결정론적으로 복귀하며, 전송 동작에는 어떠한 영향도 미치지 않는다. 이를 통해 표준 적합성과 인증 가능성을 유지하면서 학습 기반 성능 향상을 허용한다. 본 논문은 SB–SPS 후보 집합에 대한 재선택 결정을 순위화 문제로 정식화하고, 무선 스택에 이미 존재하는 신호로부터 추출 가능한 경량 특징(에너지 통계, 단순 이웃 정보, 기초 운동학 정보, 짧은 이력 토글 등)을 정의한다. 이 특징들을 이용해 이진 교차 엔트로피(binary cross-entropy)를 손실 함수로 하는 로지스틱 위험 예측기를 학습한다. 연합학습 기법으로는 FedAvg와 FedProx 두 가지를 비교·분석하였다. FedAvg는 차량 간 구조적 정보를 공유하는 기준 성능을 제공하며, FedProx는 국소 목적 함수에 근접 항(proximal term)을 추가함으로써 비독립 데이터 환경에서 전역 모델로부터의 편차를 억제하고 학습 안정성을 향상시킨다. 성능 평가는 두 가지 고속도로 시나리오—고밀도·동질적 환경(highway_high)과 명시적으로 이질적인 환경(highway_mixed_hetero)—에서 다수의 랜덤 시드를 사용해 수행되었으며, 패킷 전달률(Packet Delivery Ratio, PDR), 충돌률, 처리량(Mbps), 평균 단방향 지연에 대해 평균값과 평균 ± 95% 신뢰구간을 보고하였다. 기존 SB–SPS 대비, FedProx(μ≈0.6)를 적용한 충돌 인지 오버레이는 일관되고 큰 성능 향상을 달성하였다. highway_high 시나리오에서는 PDR이 0.79%에서 69.39%로 68.6%p 증가하였고, 충돌률은 0.99에서 0.08로 약 92% 감소하였으며, 처리량은 0.0000 Mbps에서 0.0030 Mbps로 증가하였다. 평균 지연은 약 10 ms로 유지되었다. 기존 SB–SPS의 낮은 평균 지연(4.6 ms)은 성공적인 전송이 거의 없는 상황에서의 결과로, 우수한 타이밍 성능을 의미하지는 않는다. highway_mixed_hetero 시나리오에서도 PDR은 24.29%에서 71.01%로 46.72%p 증가하였고, 충돌률은 0.76에서 0.11로 약 86% 감소하였으며, 처리량은 0.0009 Mbps에서 0.0027 Mbps로 향상되었다. 평균 지연은 모든 기법에서 약 10 ms로 유지되었다. 방법론적 기여로서, 본 논문은 (i) SB–SPS와 완전 호환되며 패킷 임계 경로 밖에서 동작하는 충돌 인지 재선택 정책, (ii) 차량 환경의 비독립 데이터 특성에 적합한 연합학습 절차와 FedProx 근접 계수 μ의 트레이드오프 분석 및 μ≈0.6의 강건한 운용 지점 도출, (iii) 표준 타이밍을 유지하면서 신뢰도를 향상시키는 지연 중립 설계, (iv) 실제 배치를 위한 운용 청사진—PDR, 충돌률, 지연, 처리량과 더불어 모델 상태 및 복귀율 모니터링—을 제시한다. 연합 최적화 기법 중 FedProx(μ≈0.6)는 다양한 시나리오에서 종합적인 성능 균형을 제공하며, PDR과 처리량 측면에서 FedAvg를 소폭 상회하면서도 낮은 충돌률을 유지하였다. 더 큰 근접 계수(μ=1.0, 1.4)는 학습 안정성은 증가하나 PDR 성능은 다소 제한되는 경향을 보였다. 시스템 오버헤드는 제한적이며, 클라이언트당 라운드별 계산 시간은 약 0.065–0.068초, 통신량은 약 0.070 MB로, OBU 및 RSU 환경에서의 적용 가능성을 입증한다. 본 연구 결과는 SB–SPS/Mode-2 표준 프레임워크를 그대로 유지한 상태에서, 학습 기반 재선택이 사이드링크 신뢰성과 용량을 실질적으로 향상시킬 수 있음을 보여준다. 키워드 : 5G NR-V2X, Mode-2 사이드링크, 반영구 스케줄링(SB-SPS), 연합학습, FedProx, 충돌 인지 재선택, 비독립 데이터, 충돌 회피, 패킷 전달률(PDR), 처리량, 지연 중립성, 이질적 차량 환경 Vehicular safety applications—ranging from emergency braking alerts to cooperative lane merging—depend on sidelink communication that is simultaneously reliable and low-latency. In 5G NR-V2X Mode-2, Semi-Persistent Scheduling (SB–SPS) lets vehicles select and periodically reselect sidelink resources without gNB coordination. While SB–SPS is efficient in moderate traffic, it degrades under dense or heterogeneous flows: many vehicles sense similar “clean” subchannels and reselect in synchrony, herding into the same resources and producing localized bursts of collisions. This thesis asks whether a small, on-device learning component can make reselection smarter—improving reliability and capacity—without disturbing the strict timing envelope required by safety-critical messages. We propose a federated learning based, collision-aware overlay for SB–SPS mechanism that operates only at reselection instants. A compact predictor, trained on-device and aggregated across vehicles via federated learning (FL), assigns a collision-risk score to each candidate resource. The vehicle then ranks candidates by predicted risk and reserves a low-risk option; SB–SPS timing, numerology, and packet handling remain unchanged. Because inference runs only at reselection (not per packet), the approach is latency-neutral by design. Raw observations never leave vehicles; only model updates are shared with a roadside aggregator, which can use FedAvg or FedProx to handle non-IID client data. The overlay is strictly advisory: if the model or features are unavailable, the system deterministically falls back to stock SB–SPS with no impact on transmissions. This architecture preserves certifiability while admitting learning-driven reliability gains. The thesis formalizes the reselection decision as a ranking problem over the SB–SPS candidate set, defines lightweight features derived from signals already present in the radio stack (energy statistics, coarse neighbor cues, simple kinematics, short history toggles), and trains a logistic risk head using binary cross-entropy. We study two FL variants. FedAvg provides a strong baseline for sharing structure across vehicles. FedProx augments the local objective with a proximal term of strength μ, which stabilizes training under client heterogeneity by discouraging drift away from the current global model. We evaluate both methods in two highway scenarios—one primarily dense and homogeneous (highway_high), and one explicitly heterogeneous (highway_mixed_hetero)—using multiple random seeds and reporting mean values with mean ± 95% CI for PDR, collision rate, throughput (Mbps), and mean one-way latency. Relative to stock SB–SPS, the collision-aware overlay with FedProx (μ≈0.6) achieves large, consistent gains: and round-level computation time (s). The highway_high: PDR +68.6 pp (0.79% → 69.39%), collisions −0.91 abs (0.99 → 0.08, ~−92%), throughput +0.0030 Mbps(0.0000 → 0.0030 Mbps); mean latency remains ≈10 ms. The lower SB–SPS mean latency (4.6 ms) co-occurs with near-zero throughput/PDR, reflecting few successful deliveries rather than a better timing profile. The highway_mixed_hetero: PDR +46.72 pp(24.29% → 71.01%), collisions −0.65 abs(0.76 → 0.11, ~−86%), throughput +0.0018 Mbps(0.0009 → 0.0027 Mbps); mean latency remains ≈10 ms across methods. Methodological contributions. The thesis contributes (i) a collision-aware reselection policy that is fully compatible with SB–SPS and runs off the critical packet path; (ii) a federated training protocol tailored to vehicular non-IID data, including an analysis of the FedProx μ trade-off and the identification of μ≈0.6 as a robust operating point; (iii) a latency-neutral design that preserves standard timing while improving reliability; and (iv) an operational blueprint—monitoring (PDR, collisions, latency, throughput; plus model health and fallback rates) to support real-world deployment. Among federated optimizers, FedProx (μ≈0.6) provides the best end-to-end trade-off across scenarios, edging FedAvg in PDR/throughput while maintaining low collision rates; stronger proximal settings (μ=1.0, 1.4) trend more stable but can under-deliver on PDR. The systems footprint is modest—compute ≈0.065–0.068 s per client per round, communication ≈0.070 MB per client per round—supporting deployment on OBUs and RSUs. These results, obtained within the exact SB–SPS/Mode-2 framework, show that learning-guided reselection materially improves sidelink reliability and capacity without altering standard timing or procedures. Keywords: 5G NR-V2X, Mode-2 sidelink, Semi-Persistent Scheduling (SB-SPS), federated learning, FedProx, Collisio-aware reselection, non-IID clients, collision avoidance, packet delivery ratio (PDR), throughput, latency neutrality, heterogeneous vehicular environments.