최근 사물인터넷의 발전으로 사용자 주변 상황을 인지하여 맞춤형 서비스를 제공하는 상황인지 시스템에 대한 관심이 증가되고 있다. 기존의 상황인지 시스템은 사용자 주위에서 생성되는 데이터를 분석하여 사용자 주변 상황을 표현하는 상황 정보로 추상화하는 기술이 사용되었다. 하지만 증가하는 사용자의 서비스 요구사항에 따라 다양한 종류의 비정형 데이터의 사용이 증가하고, 사용자 주변에서 수집되는 데이터의 양이 많아지면서 비정형 데이터의 처리와 상황인지 서비스의 제공에 어려움이 있다. 이러한 문제를 개선하기 위해 많은 연구들은 에지 컴퓨팅 환경에서 딥러닝 기술을 적용하였다. 에지 컴퓨팅 환경에서의 딥러닝 기술은 비정형 데이터를 상황 정보로 추상화하기 위해 사용된다. 추상화 과정은 수집, 전처리, 분석 과정을 통해 수행한다. 기존 연구에서는 에지 컴퓨팅 환경에서 다양한 딥러닝 모델을 활용해 비정형 데이터를 상황 정보로 추상화하는 과정을 보였으나, 수집-전처리-분석의 추상화 과정 간의 종속성으로 인해 제한된 종류의 딥러닝 모델만이 적용 가능하기 때문에 시스템의 확장성이 고려되어야 한다.본 논문은 에지 컴퓨팅 환경에서 팻 클라이언트를 통해 비정형 데이터 추상화 과정의 시스템 확장성을 고려한 상황인지 시스템을 제안한다. 제안하는 시스템은 데이터 처리가 분산되어 있는 에지 컴퓨팅 환경에서 수집과 전처리 과정을 수행할 수 있는 팻 클라이언트 기술을 사용하여 추상화 과정의 수집-전처리 과정과 분석 과정을 분리하여 수행한다. 또한 분리된 추상화 과정을 관리하기 위해 수집-전처리 과정을 수행하는데 필요한 정보를 팻 클라이언트 프로파일로 제공하고, 분석 과정에 필요한 정보를 AMDL (Analysis Model Description Language) 프로파일로 제공한다. 두 가지 프로파일을 통해서 추상화 과정을 독립적으로 관리함으로써 상황인지 시스템의 확장성을 제공한다. 실험에서는 차량 출입 통제 알림 서비스를 위한 차량 이미지 인식 모델을 대상으로 팻 클라이언트 프로파일과 AMDL 프로파일의 예제를 통해 시스템의 확장성을 보이고, 비정형 데이터의 수집-전처리-분석에 대한 추상화 과정별 모니터링을 진행한다.
With the recent development of the Internet of Things, interest in a situation-aware system that provides customized services by recognizing the situation around users is increasing. In the existing context-aware system, a technology that analyzes data generated around the user and abstracts it into context information expressing the context around the user is used. However, as the use of various types of unstructured data increases according to the increasing service requirements of users, and the amount of data collected around users increases, it is difficult to process unstructured data and provide context-aware services. To improve this problem, many studies have applied deep learning technology in edge computing environments. Deep learning technology in edge computing environment is used to abstract unstructured data into contextual information. The abstraction process is performed through collection, preprocessing, and analysis. Existing studies have shown the process of abstracting unstructured data into context information using various deep learning models in edge computing environments, but only limited types of deep learning models can be applied due to the dependency between the abstraction process of collection-preprocessing-analysis. Therefore, the scalability of the system must be considered. Therefore, this paper proposes a context-aware system that considers the system scalability of the unstructured data abstraction process through fat clients in edge computing environments. The proposed system separates the collection-preprocessing process and the analysis process of the abstraction process by using a fat client technology that can perform collection and preprocessing in an edge computing environment where data processing is distributed. In addition, in order to manage the separated abstraction process, information necessary to perform the collection-preprocessing process is provided as a fat client profile, and information necessary for the analysis process is provided as an Analysis Model Description Language (AMDL) profile. Through two profiles, the abstraction process is independently managed to provide extensibility of the context-aware system. In the experiment, the scalability of the system is shown through examples of the fat client profile and AMDL profile targeting the vehicle image recognition model for vehicle access control notification service, and the abstraction process for collection-preprocessing-analysis of unstructured data is monitored.