모바일 엣지 컴퓨팅은 폭증하는 모바일 트래픽에 대응하고 다양한 요구사항을 만족시키는 서비스를 제공하기 위해 모바일 엣지 노드에서 다양한 기능을 직접 제공하는 기술이다. 예를 들어 모바일 트래픽 경감을 위한 캐싱이나, 위험감지 서비스 제공을 위한 비디오 분석 등이 모바일 엣지 노드에서 수행될 수 있다. 지금까지 개인화된 서비스를 추천하는 방법이나 구조 등에 대한 많은 연구가 있었지만, 모바일 엣지 컴퓨팅의 특성을 고려한 연구는 없었다. 개인화된 서비스를 제공하기 위해서는 사용자의 컨텍스트 정보를 획득하는 것이 중요하다. 기존 서버단 중심의 개인화된 서비스 모델은 모바일 엣지 컴퓨팅에 적용될 경우 컨텍스트 고립 문제와 프라이버시 이슈를 더욱 심화시킬 수 있다. 모바일 엣지 노드는 컨텍스트 수집이 용이하다는 이점을 가진다. 모바일 엣지 컴퓨팅 환경에서의 또 하나의 주목할 만한 특징은 사용자와 어플리케이션의 상호 연동이 매우 유동적이라는 점이다. 본 논문에서는 모바일 엣지 컴퓨팅의 특징을 반영한 로컬 서비스 추천 플랫폼 구조를 제시하고 컨텍스트 고립 문제와 프라이버시 이슈를 완화할 수 있는 개인화된 서비스 제공 방법을 제시한다.
모바일 엣지 컴퓨팅은 폭증하는 모바일 트래픽에 대응하고 다양한 요구사항을 만족시키는 서비스를 제공하기 위해 모바일 엣지 노드에서 다양한 기능을 직접 제공하는 기술이다. 예를 들어 모바일 트래픽 경감을 위한 캐싱이나, 위험감지 서비스 제공을 위한 비디오 분석 등이 모바일 엣지 노드에서 수행될 수 있다. 지금까지 개인화된 서비스를 추천하는 방법이나 구조 등에 대한 많은 연구가 있었지만, 모바일 엣지 컴퓨팅의 특성을 고려한 연구는 없었다. 개인화된 서비스를 제공하기 위해서는 사용자의 컨텍스트 정보를 획득하는 것이 중요하다. 기존 서버단 중심의 개인화된 서비스 모델은 모바일 엣지 컴퓨팅에 적용될 경우 컨텍스트 고립 문제와 프라이버시 이슈를 더욱 심화시킬 수 있다. 모바일 엣지 노드는 컨텍스트 수집이 용이하다는 이점을 가진다. 모바일 엣지 컴퓨팅 환경에서의 또 하나의 주목할 만한 특징은 사용자와 어플리케이션의 상호 연동이 매우 유동적이라는 점이다. 본 논문에서는 모바일 엣지 컴퓨팅의 특징을 반영한 로컬 서비스 추천 플랫폼 구조를 제시하고 컨텍스트 고립 문제와 프라이버시 이슈를 완화할 수 있는 개인화된 서비스 제공 방법을 제시한다.
Mobile Edge Computing(MEC) is a emerging technology to cope with mobile traffic explosion and to provide a variety of services having specific requirements by means of running some functions at mobile edge nodes directly. For instance, caching function can be executed in order to offload mobile traf...
Mobile Edge Computing(MEC) is a emerging technology to cope with mobile traffic explosion and to provide a variety of services having specific requirements by means of running some functions at mobile edge nodes directly. For instance, caching function can be executed in order to offload mobile traffics, and safety services using real time video analytics can be delivered to users. So far, a myriad of methods and architectures for personalized service recommendation have been proposed, but there is no study on the subject which takes unique characteristics of mobile edge computing into account. To provide personalized services, acquiring users' context is of great significance. If the conventional personalized service model, which is server-side oriented, is applied to the mobile edge computing scheme, it may cause context isolation and privacy issues more severely. There are some advantages at mobile edge node with respect to context acquisition. Another notable characteristic at MEC scheme is that interaction between users and applications is very dynamic due to temporal relation. This paper proposes the local service recommendation platform architecture which encompasses these characteristics, and also discusses the personalized service recommendation mechanism to be able to mitigate context isolation problem and privacy issues.
Mobile Edge Computing(MEC) is a emerging technology to cope with mobile traffic explosion and to provide a variety of services having specific requirements by means of running some functions at mobile edge nodes directly. For instance, caching function can be executed in order to offload mobile traffics, and safety services using real time video analytics can be delivered to users. So far, a myriad of methods and architectures for personalized service recommendation have been proposed, but there is no study on the subject which takes unique characteristics of mobile edge computing into account. To provide personalized services, acquiring users' context is of great significance. If the conventional personalized service model, which is server-side oriented, is applied to the mobile edge computing scheme, it may cause context isolation and privacy issues more severely. There are some advantages at mobile edge node with respect to context acquisition. Another notable characteristic at MEC scheme is that interaction between users and applications is very dynamic due to temporal relation. This paper proposes the local service recommendation platform architecture which encompasses these characteristics, and also discusses the personalized service recommendation mechanism to be able to mitigate context isolation problem and privacy issues.
본 논문에서는 모바일 엣지 노드에서의 서비스 제공 방법에 대해 다루고자 하는데, 특히 개인화된 서비스를 제공하는 방법에 대해 다루고자 한다. 개인화된 서비스를 제공하기 위해서는 사용자의 컨텍스트 정보가 매우 중요하고, 사용자 주위 환경의 컨텍스트(예: 온도 등) 정보도 유용하게 사용될 수 있다.
제안 방법
모바일 엣지 컴퓨팅에서의 개인화된 서비스 추천시 발생할 수 있는 컨텍스트 고립 문제와 프라이버시 문제는 어플리케이션과 사용자 정보 및 기타 컨텍스트 정보의 밀결합에서 발생한다고 볼 수 있다. 본 시스템에서는 각종 컨텍스트 정보(사용자 컨텍스트, 센서 정보 등)와 어플리케이션 로직을 느슨하게 결합시키는 구조를 택함으로서 이 문제를 해결하고자 한다. 특히 본 시스템은모바일 엣지 노드 상에 존재하는 로컬 서비스 추천 플랫폼을 통해 다양한 어플리케이션이 스마트 디바이스와 센서들과 동적으로 연동하고 이런 연동을 통해 각어플리케이션이 개별적으로 사용자 컨텍스트를 관리 또는 유지하지 않고도 개인화된 서비스 추천을 가능하도록 한다는 특징이 있다.
그로 인해 개인화된 서비스 추천을 위해 추출된 컨텍스트가 불완전할 수 있고, 궁극적으로 사용자의 서비스 품질을 저하시킬 수 있다. 본 논문에서는 데이터 파편화에 따른 컨텍스트의 불완전성 문제를 해결하고 프라이버시 이슈를 최소화할 수 있는 서비스 추천이 가능한 로컬 서비스 플랫폼 구조를 제시하였다. 본 논문이 제시한 로컬 서비스 플랫폼은 구조적으로 서비스 추천 어플리케이션으로부터 컨텍스트 수집 기능으로 떼어내고, 잘정의 된 인터페이스에 따라 연동할 수 있도록 함으로써 확장성 측면과 상위 호환성 측면에서 상당한 장점을 가진다고 할 수 있다.
성능/효과
본 논문에서는 데이터 파편화에 따른 컨텍스트의 불완전성 문제를 해결하고 프라이버시 이슈를 최소화할 수 있는 서비스 추천이 가능한 로컬 서비스 플랫폼 구조를 제시하였다. 본 논문이 제시한 로컬 서비스 플랫폼은 구조적으로 서비스 추천 어플리케이션으로부터 컨텍스트 수집 기능으로 떼어내고, 잘정의 된 인터페이스에 따라 연동할 수 있도록 함으로써 확장성 측면과 상위 호환성 측면에서 상당한 장점을 가진다고 할 수 있다.
정리하면 본 논문이 제시한 방법은 컨텍스트 수집기능과 서비스 추천 기능을 분리하고, 컨텍스트 수집기능을 사용자 단말에서 수행하게 함으로써, 컨텍스트 고립에 의한 불완전한 서비스 추천 문제를 보완하고 분산 저장되어 있는 개인 정보에 따른 잠재적 개인 정보 누출 위험성을 완화시키는 효과를 가질 수 있다.
후속연구
앞으로의 연구 과제는 실제 시스템을 구현하고 이를 오픈 하드웨어 기반의 WiFi AP와 같은 액세스 노드에 탑재하여 특정 도메인으로의 적용에 대한 시험을 하는 것이다. 특히 다양한 어플리케이션 수용에 대한 시험을 위해 협업 필터링이나 추론 기법, 딥러닝 등 다양한 서비스 추천 기법을 대상으로 실증을 해보는 것이 필요하다.
앞으로의 연구 과제는 실제 시스템을 구현하고 이를 오픈 하드웨어 기반의 WiFi AP와 같은 액세스 노드에 탑재하여 특정 도메인으로의 적용에 대한 시험을 하는 것이다. 특히 다양한 어플리케이션 수용에 대한 시험을 위해 협업 필터링이나 추론 기법, 딥러닝 등 다양한 서비스 추천 기법을 대상으로 실증을 해보는 것이 필요하다.
질의응답
핵심어
질문
논문에서 추출한 답변
모바일 엣지 컴퓨팅은 무엇인가?
모바일 엣지 컴퓨팅은 eNodeB나 WiFi AP(Access Point)와 같은 엣지 노드에서 서비스를 제공함으로써, 증가된 모바일 트래픽에 대응하고 보다 효율적이고 연관성이 많은 방식으로 서비스를 제공하는 것을 가능하게 하는 기술로서 최근 부각되고 있다. 최근 ETSI에서는 MEC(Mobile Edge Computing)라 불리는 표준화 그룹을 만들어 모바일 엣지 노드의 요구사항, 서비스 시나리오, 시스템 구조 등의 논의를 진행하고 있다[2].
모바일 엣지 컴퓨팅의 대표적인 사용 사례는 무엇인가?
최근 ETSI에서는 MEC(Mobile Edge Computing)라 불리는 표준화 그룹을 만들어 모바일 엣지 노드의 요구사항, 서비스 시나리오, 시스템 구조 등의 논의를 진행하고 있다[2]. 대표적인 사용 사례로서 실시간 비디오 분석, 데이터 오프로딩, 컴퓨팅 오프로딩, 커넥티드 카 등을들 수 있다[3,4].
모바일 엣지 컴퓨팅 환경이 지닌 능력은 무엇인가?
그림 2는 모바일 엣지 컴퓨팅이 제공되는 네트워크구조를 개념적으로 도시한다. 모바일 엣지 컴퓨팅 환경에서는 사용자에게 특정 물리적 공간상에서 무선네트워크 연결성을 제공하는 무선 액세스 노드(예:WiFi AP)가 어플리케이션을 직접 실행하는 능력을 가지거나 같은 로컬 네트워크상의 어플리케이션에게 패킷을 전송할 수 있는 능력을 가진다. 사용자가 물리적 장소를 방문하였을 때, 스마트폰과 같은 사용자가소유한 단말이 그 장소에 있는 모바일 액세스 노드에 접속하게 되는데, 모바일 액세스 노드에서 로컬 어플리케이션을 실행하는 것이 가능하고 로컬 어플리케이션으로의 패킷 송수신이 가능하기 때문에, 사용자 단말은 인터넷 연결 없이도 모바일 엣지 노드에서 실행중인 어플리케이션을 이용할 수 있다.
참고문헌 (16)
S.-Q. Lee and J. Kim, "Local breakout of mobile access network traffic by mobile edge computing," ICTC 2016, pp. 741-743, Jeju, Oct. 2016.
ETSI, Mobile Edge Computing (MEC); Technical Requirements, ETSI GS MEC 002 V1.1.1, Mar. 2016.
D. Sabella, et al., "Mobile-edge computing architecture: The role of MEC in the internet of things," IEEE Consumer Electron. Mag., vol. 5, no. 4, pp. 84-91, Oct. 2016.
M. H. ur Rehman, et al., "Opportunistic computation offloading in mobile edge cloud computing environments," 2016 17th IEEE Int. Conf. Mob. Data Management, pp. 208-213, Jun. 2016.
M. Sapienza, et al., "Solving critical events through mobile edge computing: An approach for smart cities," 2016 17th IEEE Int. Conf. Smart Computing, pp. 637-646, Oct. 2016.
S. K. Lee, Y. H. Cho, and S. H. Kim, "Collaborative filtering with ordinal scale-based implicit ratings for mobile music recommendations," Information Sci., vol. 180, no. 11, pp. 2142-2155, 2010.
C. W. Leung, et. al., "TV program recommendation for multiple viewers based on user profile merging," User Modeling and User-Adapted Interaction, vol. 16, no. 1, pp. 63-82, 2006.
K. Li and T. C. Du, "Building a targeted mobile advertising system for location based services," Decision Support Systems, vol. 54, no. 1, pp. 1-8, 2012.
Y. H. Cho and J. K. Kim, "Application of web usage mining and product taxonomy to collaborative filtering in e-commerce," Expert Syst. Appl., vol. 26, pp. 233-246, 2004.
E. Toch, et al., "Personalization and privacy: a survey of privacy risks and remedies in personalization-based systems," User Modeling and User-Adapted Interaction, vol. 22, no. 1, pp. 203-220, Apr. 2012.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.