김진철의 How-to-Big Data | 빅데이터의 미래 (3)

자율 컴퓨팅의 성숙, 대규모 지능형 자원 제어와 사이버 물리 시스템의 빅데이터 문제
클라우드 컴퓨팅 기술이 사이버 물리 시스템의 운영체제와 같이 발전하면서 앞으로 우리가 보게 될 가장 흥미로운 현상 중의 하나는 2000년대 초반에 그리드 컴퓨팅과 함께 IBM이 내세웠던 “자율 컴퓨팅(Autonomic Computing)” 기술이 드디어 성숙하게 되는 계기가 될 것이라는 점이다. “자율 컴퓨팅” 기술은 말 그대로 컴퓨팅 시스템이 목적한 기능을 수행하기 위해 필요한 자신의 환경을 스스로 설정, 최적화해 조율하고, 내, 외부의 침입과 위협 요소들로부터 자신을 방어할 수 있도록 스스로 고장과 이상을 진단하고 회복하는 기능을 가진 분산 컴퓨팅 시스템 기술을 말한다.

IBM이 “자율 컴퓨팅”이라는 개념을 주창하고 발전시키게 된 것은 당시 인터넷 서비스 시장의 급격한 성장으로 분산 컴퓨팅 시스템의 수요가 폭발적으로 늘어나던 것과 맞물려 있다. 분산 컴퓨팅 시스템의 규모와 복잡도가 급격하게 증가하면서 구축, 운영 비용의 증가와 함께 장애 발생에 따른 비용도 급격하게 증가하게 되었기 때문이다. 

사이버 물리 시스템에서 요구되는 전체 시스템 통합의 완결성과 신뢰성이 보장되기 위해서는 시스템의 종단 간(end-to-end) 많은 부분이 높은 수준으로 자동화되어야 한다. 사이버 물리 시스템을 구성하는 컴퓨팅 시스템의 운영과 관리에서도 이런 자동화가 이루어져야 하는데, 이런 자동화의 지향점과 IBM이 내세웠던 “자율 컴퓨팅”의 개념이 많은 부분 공통점을 가진다는 것이다.

사이버 물리 시스템을 구성하는 환경에 대한 정보의 수집과 가공, 그리고 이 정보를 이용해 사이버 물리 시스템을 제어, 조작하기 위한 피드백을 계산하고 전달하는 경로를 구성해서 전체 시스템의 자율성을 높이는 기술이 사이버 물리 시스템을 구성하는 컴퓨팅 시스템의 운영에도 똑같이 적용되는 것이다. 

클라우드 컴퓨팅의 등장과 함께 업계에서 화두가 된 말의 하나로 “데브옵스(DevOps)”가 있다. “데브옵스” 기술들은 분산 컴퓨팅 시스템을 운영하는 과정을 시스템 운영과 유지보수를 자동화하는 소프트웨어를 개발하고 유지보수하는 과정으로 만들고 지속해서 시스템 운영의 자동화율과 안정성을 높여갈 수 있도록 한다. 이런 “데브옵스” 기술들이 “자율 컴퓨팅”을 구현할 수 있는 기술의 대표적인 예로 볼 수 있다.

다만 “데브옵스” 기술은 “자율 컴퓨팅”의 자율성을 구현하기 위한 기술이라기보다는 분산 시스템의 구성과 운영을 프로그램할 수 있도록 만들고 소프트웨어 개발 사이클을 따를 수 있도록 하여 시스템 운영, 관리의 자동화 수준을 높이기 위한 기술이다. “데브옵스” 기술은 “자율 컴퓨팅”이 원래 목표로 하는 시스템이 주어진 목적에 맞게 스스로를 재구성하고 동작하며, 고장과 이상을 스스로 진단하고 회복하는 자율성(autonomy) 측면을 강조하는 기술은 아니다.

클라우드 컴퓨팅의 등장과 함께 주목받았고, 빅데이터의 대표적인 활용분야의 하나로 꼽히는 “운영 지능(Operation Intelligence; OI)”은 빅데이터를 수집, 처리, 가공, 분석하여 활용하는 대상이 정보 시스템 자신이 되는 기술이다. “운영 지능”을 통해 정보 시스템 운영 데이터를 수집, 활용하여 정보 시스템에서 발생하는 복잡한 문제를 빅데이터 처리, 분석 기법을 활용해 탐지하고 정보 시스템 운영의 효율화와 시스템 안정성 개선, 시스템 보안 수준 향상, 장애 예방과 예측 정비에 활용하게 된다.

현재 “운영 지능”을 통해 복잡한 시스템 장애와 문제를 운영 빅데이터 처리와 분석을 통해 조기에 효과적으로 탐지하여 운영 요원들에 의한 시스템 운영에 활용하고, “데브옵스” 기술을 통해 시스템 구성, 운영 및 정비 작업을 자동화할 수 있다. 그렇다면, 이 다음 단계는 무엇일까? 바로 “운영 지능”과 “데브옵스” 기술이 흠없이 연결되어 정보 시스템의 운영이 자동화된 사이버 물리 시스템화되는 것이다.

“운영 지능” 기술의 대표적인 사례인 “스플렁크(Splunk)”와 같은 소프트웨어나 “뉴 렐릭(New Relic)”이나 “클라우드 피직스(Cloud Physics)”와 같은 클라우드 서비스들 모두가 대부분 시스템의 운영 상황에 대한 데이터 수집, 처리를 자동화하고 장애와 문제 탐지, 해결 과정을 손쉽게 할 수 있도록 돕는 분석과 데이터 시각화 도구를 제공하는 데 초점을 맞추고 있다.  “운영 지능” 소프트웨어를 이용해 장애 여부를 판단하고 해결하는 역할은, 설사 “데브옵스” 기술을 활용해 어느 정도 자동화된 방식으로 해결한다고 해도, 아직은 시스템 운영자가 개입해서 장애 여부에 대한 판단과 문제의 실질적인 해결을 주도해야만 가능하다. 즉, 정보 시스템이 자율성을 가지고 스스로 문제를 진단하고 해결하는 단계는 아닌 것이다.

사이버 물리 시스템 기술과 서비스가 발전하게 되면서 사이버 물리 시스템 자체의 운영과 사이버 물리 시스템을 위한 컴퓨팅 및 정보 자원을 제공하고 관리하는 클라우드 컴퓨팅 시스템이 자율성을 가지고 자동화되는 단계로 곧 발전하게 될 것이다. 이 사이버 물리 시스템의 운영 자동화와 지능화에도 역시 인공지능 기술이 활용되게 된다.

사실 “운영 지능” 시스템에도 최근에는 시스템만의 특성을 학습하여 문제를 탐지하고 분류하는데 딥러닝과 통계적 머신러닝과 같은 머신러닝 기법이 많이 활용되고 있다. 그리고 “지능(Intelligence; OI)”이라는 말 자체에 이미 인공지능 기술을 활용한다는 의미가 포함되어 있기는 하다. 다만 지금까지는 문제의 탐지와 분류, 그리고 이 문제를 운영자에게 알리는 과정을 자동화하는 과정에서 머신러닝과 같은 인공지능 기술이 활용되었다면 앞으로의 정보 시스템 운영에는 장애 여부의 판단과 이를 해결하기 위한 적절한 시스템 운영 해결책 및 전략의 선택과 실행과 같이 시스템 운영 전반의 자동화를 위해 인공지능 기술의 활용폭과 수준이 더 높아지고 복잡해질 것이다.

클라우드 컴퓨팅 기술을 통해서 하나의 거대한 컴퓨팅 시스템으로서 자원 조율 및 관리가 가능하도록 통합된 분산 컴퓨팅 시스템은 사이버 물리 시스템의 운영을 위해 필요한 빅데이터의 원천이 됨과 동시에 빅데이터를 활용해 탐지해낸 운영 문제와 장애, 고장을 해결하는 자동화된 시스템 운영에 필요한 프로그래밍 가능한 시스템으로 사이버 물리 시스템의 컴퓨팅 자원을 바꾸게 된다. 클라우드 컴퓨팅 기술이 없이는 정보 시스템 운영의 문제 탐지, 분석을 조금 수월하게 해주는 수준에 그쳤을 “운영 지능” 기술이 클라우드 컴퓨팅의 발전을 통해서 정보 시스템이 자율성을 가지고 스스로를 목적에 맞게 최적의 상태로 유지하고 제어하는 사이버 물리 시스템으로 발전하게 되는 것이다.

이런 경향을 보여주는 최근의 기술 현상에 대해서 조금 소개해보도록 하겠다. 앞으로 기고할 사이버 물리 시스템과 유무선 통신 인프라 기술 발전의 관계에 대한 글에서 좀더 자세하게 소개하겠지만, 현재 클라우드 컴퓨팅 기술의 사이버 물리 시스템 발전과의 관계를 소개하는 맥락에서도 같이 한번 살펴보아야 하기 때문에 여기서 간략하게 한번 언급하기로 한다.

최근 5G로 상징되는 이동통신 기술은 클라우드 컴퓨팅 기술의 영향을 많이 받았다. 5G 표준에는 클라우드 컴퓨팅에서 유래된 기술들이 3GPP 표준에 많이 반영되었는데, 이미 앞에서 언급했던 모바일 네트워크의 멀티테넌시와 가상화를 지원하기 위한 기술 표준인 “네트워크 슬라이싱”도 5G 모바일 네트워크에 “네트워크 기능 가상화”와 같은 클라우드 컴퓨팅 기술이 들어오면서 시작된 개념이다.



최근 5G 표준에 새로 들어온 개념 중에 “네트워크 데이터 분석 기능(NetWork Data Analytics Function; NWDAF)”은 5G 모바일 네트워크를 다양한 장비와 시스템에서 수집되는 운영 데이터를 이용하여 5G 모바일 네트워크 운영을 자동화하는 것을 목표로 한다. “네트워크 데이터 분석 기능(NetWork Data Analytics Function; NWDAF)”이 5G 모바일 단말에 연결된 다양한 단말(User Equipment; UE)과 스마트 시티, 스마트 팩토리 등의 산업 분야별 서비스, 모바일 네트워크의 운영 지원 시스템(OSS), 비즈니스 지원 시스템(BSS), 그리고 네트워크 관리 시스템(NMS) 등의 “운영, 관리, 경영 시스템(Operation Administration and Management; OAM)”과 5G 네트워크 장비 등에서 수집된 다양한 데이터를 머신러닝 및 인공지능 기술과 빅데이터 기술을 이용해 분석하여, 예전에는 모바일 네트워크 시스템 운영자(operator)의 수작업으로 이루어진 네트워크 운영을 NWDAF가 자동화된 방식으로 운영하려고 하는 것이다[30-37].

NWDAF와 같은 개념으로 모바일 네트워크 시스템을 종단 간으로 운영, 제어하기 위해서는 모바일 네트워크 시스템을 구성하는 장비 모두가 NWDAF의 폐쇄 루프 피드백(closed-loop feedback) 명령을 받아 유연하게 제어될 수 있어야 한다. 5G 표준에서 명시하고 있는 “네트워크 슬라이싱”과 “네트워크 기능 가상화” 등의 가상화 기술을 기반으로 프로그래머블한 인프라로 변화된 모바일 네트워크 인프라가 서비스 및 산업별로 다양한 데이터 전송 및 저지연, 보안 품질을 만족시키기 위해서는 최대한 자동화된 운영을 실현해야 한다고 판단한 것이다.

“네트워크 데이터 분석 기능(NetWork Data Analytics Function; NWDAF)”과 같이 빅데이터를 통해 사이버 물리 시스템과 그 자신이 운영되는 환경, 서비스를 이용하는 이용자, 다른 하부 사이버 물리 시스템들의 상태와 정보를 수집, 확인하고, 이 빅데이터와 자율적인 운영을 위한 폐쇄 루프 회로를 통해 사이버 물리 시스템의 운영과 동작을 자동화하여야 시스템의 서비스 요구 사항과 신뢰성을 충족할 수 있다. 이는, 앞서 서른여섯 번째 글에서 소개했듯이, 앞으로 우리가 만나게 될 사이버 물리 시스템이 인간과 지능적인 고급 상호작용을 구현하기 위해 필요한 컴퓨팅 자원의 규모와 데이터의 양이 크고, 광범위한 공간에 걸쳐 대규모로 배치, 통합되어 운영되는 사이버 물리 시스템의 특성 때문이다.

5G 이후의 모바일 네트워크 인프라도 사이버 물리 시스템으로서 동작하도록 진화하고 있다. 5G 및 5G 이후(beyond 5G) 모바일 네트워크는 앞으로 우리가 만나게 될 다양한 사이버 물리 시스템의 구성 요소로서 역할도 하기 때문에, 다른 사이버 물리 시스템과 통합되어 정보 고속도로 및 신경계로서 역할을 다하기 위해서는 모바일 네트워크 시스템 전체도 사이버 물리 시스템화되지 않을 수 없는 것이다.

NWDAF가 제어할 수 있는 네트워크 자원들은 물리적인 모바일 네트워크 시스템 파라미터도 있지만, “네트워크 기능 가상화”로 정의된 “가상 네트워크 기능(Virtual Network Function; VNF)”의 가상화 시스템 파라미터들도 있다. 예를 들어 출퇴근 시간과 같은 혼잡한 시간대에 일시적으로 C-V2X 통신의 요구 대역폭이 급격하게 증가하여 C-V2X “네트워크 슬라이스(network slice)”에 할당된 네트워크 대역폭을 늘여야 할 필요가 있다고 가정하자.  

NWDAF는 5G 기지국에 접속하는 사용자 디바이스(user equipment; UE) 중 자동차의 접속량이 급격하게 증가하는 것을 수집된 데이터로부터 파악하고, 통상적인 추이에 비추어 미리 정해진 네트워크 제어 시간 구간(time window) 동안 어느 정도의 대역폭이 더 필요한지를 예측 분석을 수행한다. 

이렇게 예측 분석을 수행하여 C-V2X 네트워크 슬라이스의 대역폭을 어느 정도 더 늘이기로 자율적으로 결정하고, 5G 기지국에 있는 모바일 에지 컴퓨팅 시스템부터 전송 네트워크와 코어 네트워크에 있는 “가상 네트워크 기능(Virtual Network Function; VNF)”의 수, 또는 “가상 네트워크 기능(Virtual Network Function; VNF)”의 C-V2X에 할당된 가상 네트워크 포트의 수나 대역폭을 일시적으로 늘여(scale-out) 더 많은 네트워크 대역폭을 확보하도록 5G 모바일 네트워크의 “네트워크 관리 및 오케스트레이션(Management and Orchestration; MANO)” 원격 API를 호출하여 자원 제어를 위한 피드백을 전달한다. 

자동차 접속량의 증가와 함께, 특정한 도로 구간이 교통 체증이나 정체로 지나치게 많은 C-V2X 서비스 요청이 몰려 저지연 요구사항이 충족되지 못할 것이라는 예측 분석의 결과가 다시 NWDAF에서 이벤트로 발생한다. 이 이벤트가 생성됨과 동시에 해당 서비스 구간의 C-V2X 서비스 지연을 낮추기 위해 해당 도로 구간에 해당하는 엑세스망과 전송망C-V2X 슬라이스에 할당된 자원과 패킷의 우회 경로를 늘여 병목이 일어나지 않도록 하는 피드백을 생성, 전달한다.

NWDAF에서 “가상 네트워크 기능(Virtual Network Function; VNF)” 자원 제어 명령을 받은 “네트워크 관리 및 오케스트레이션(Management and Orchestration; MANO)” 시스템은 해당 “가상 네트워크 기능(Virtual Network Function; VNF)”의 가상 머신을 추가로 프로비저닝하여 5G 종단 간의 네트워크 대역폭이 C-V2X 네트워크 슬라이스에 추가로 할당되도록 조정한다.

이와 같이, “가상 네트워크 기능(Virtual Network Function; VNF)” 기술과 네트워크 슬라이스로 가상화되어 클라우드 컴퓨팅 시스템화된 모바일 네트워크 자원을 종단 간 제어하여 5G를 비롯한 미래 모바일 네트워크 서비스의 품질과 요구사항을 맞추도록 자율적으로 동작하는 사이버 물리 시스템으로 모바일 네트워크가 진화하고 있다. 클라우드 컴퓨팅 기술은 모바일 네트워크 인프라를 프로그래머블(programmable)하고 제어가능(controllable)하며, 유연한(elastic) 자원 제어가 가능한 운영체제로서 역할을 다하여 모바일 네트워크가 사이버 물리 시스템으로서 동작하는 데 중요한 역할을 하게 된다.

위와 같이 모바일 네트워크 인프라의 사이버 물리 시스템화가 실제로 일어나기 위해서는 모바일 네트워크 인프라상의 다양한 장비와 모바일 네트워크에 연결된 다양한 디바이스들로부터 자원 관리 및 제어를 위한 데이터가 수집되어야 하는데 이 데이터는 엄청난 크기의 빅데이터가 된다[21]. 5G 또는 5G 이후의 모바일 네트워크 운영 초반부터 이렇게 많은 빅데이터를 당장 수집하여 모든 영역에서 자동화, 지능화가 한꺼번에 일어나지는 않겠지만, 이들 빅데이터의 수집이 확대되고 미래 모바일 네트워크 인프라에서 처리해야 하는 빅데이터의 양과 복잡도가 점차 더 높아질 것은 분명하다. 

지능화, 자동화된 모바일 네트워크 인프라 제어를 위해 필요한 빅데이터 처리 자원도 역시 지능화, 자동화되어 관리, 제어되어야 한다. 이 때문에 NWDAF와 같은 모바일 네트워크의 지능 제어를 위한 빅데이터 시스템도 궁극적으로는 모바일 네트워크 인프라 전용 클라우드 컴퓨팅 시스템에서 구성되어 빅데이터 처리의 요구사항을 만족하도록 자원 관리와 제어가 지능화, 자동화될 것이다.

미래의 사이버 물리 시스템의 핵심 구성요소 중의 하나인 5G, 5G 이후의 모바일 네트워크 인프라 그 자체도 클라우드 컴퓨팅 기술로 무장한 사이버 물리 시스템으로 진화하고 있다. 이런 사이버 물리 시스템의 컴퓨팅 자원을 유연하고 지능화된 방식으로 제어, 관리하기 위한 분산 컴퓨팅 운영체제로서 클라우드 컴퓨팅의 중요성은 앞으로 점점 더 높아지게 될 것이다. 퍼블릭 클라우드 서비스의 클라우드 컴퓨팅 자원을 활용하는 것도 중요하지만, 5G 모바일 네트워크 인프라와 같이 미션-크리티컬한 서비스를 제공하는 인프라에서 자원 관리를 담당할 프라이빗 클라우드 컴퓨팅 기술의 중요성도 함께 높아질 것이다. 여러 퍼블릭 클라우드 자원, 그리고 미션-크리티컬한 프라이빗 클라우드 컴퓨팅 시스템과의 흠 없는(seamless) 하이브리드 클라우드 구성 및 관리 기술의 중요성도 점점 더 높아질 것이다.

다음 글에서는 미래 사이버 물리 시스템의 핵심 요소로서 클라우드 컴퓨팅 기술이 해결해야 할 문제들과 발전 방향과 함께, 사이버 물리 시스템의 지능화, 자동화를 위한 빅데이터 문제를 해결하기 위해서 클라우드 컴퓨팅 기술이 어떻게 바뀌어 갈지 생각해보도록 하자.

[참고문헌]
[1] 김진철, “LHC에서 배우는 빅데이터와 machine learning 활용 방안”, 2016년 9월 28일, A CIO Conversation for Technology Leadership – Breakfast Roundtable 발표 자료
[2] 김진철, “김진철의 How-to-Big Data (9) – 빅데이터와 클라우드 기술 (1)”, CIO Korea, 2017년 9월 28일자. (http://www.ciokorea.com/column/35688)
[3] 김진철, “김진철의 How-to-Big Data (10) – 빅데이터와 클라우드 기술 (2)”, CIO Korea, 2017년 9월 28일자. (http://www.ciokorea.com/column/36179)
[4] 김진철, “김진철의 How-to-Big Data (11) – 빅데이터와 클라우드 기술 (3)”, CIO Korea, 2017년 9월 28일자. (http://www.ciokorea.com/column/36540)
[5] 김진철, “김진철의 How-to-Big Data (12) – 빅데이터와 클라우드 기술 (4)”, CIO Korea, 2017년 9월 28일자. (http://www.ciokorea.com/column/36748)
[6] 김진철, “김진철의 How-to-Big Data (13) – 빅데이터와 클라우드 기술 (5)”, CIO Korea, 2017년 9월 28일자. (http://www.ciokorea.com/column/37099)
[7] 김진철, “김진철의 How-to-Big Data (14) – 빅데이터와 클라우드 기술 (6)”, CIO Korea, 2017년 9월 28일자. (http://www.ciokorea.com/column/37380)
[8] Sabina Jeschke, “Everything 4.0? – Drivers and Challenges of Cyber Physical Systems,” Forschungsdialog Rehinland – Invited Talk, Wuppertal, December 4, 2013.
[9] Helen Gill, “From Vision to Reality: Cyber-Physical Systems,” Presentation at the HCSS National Workshop on New Research Directions for High Confidence Transportation CPS: Automotive, Aviation, and Rail, November 18-20, 2008.
[10] Helen Gill, “A Continuing Vision: Cyber-Physical Systems,” Fourth Annual Carnegie Mellon Conference on the Electricity Industry - FUTURE ENERGY SYSTEMS: EFFICIENCY, SECURITY, CONTROL, March 10-11, 2008.
[11] CPS Steering Group, “Cyber-Physical Systems - Executive Summary,” March 6, 2008.
[12] Insup Lee, “Cyber Physical Systems – The Next Computing Revolution,” Lecture – CIS 480, Department of Computer and Information Science, University of Pennsylvania, 2009.
[13] Insup Lee, “Cyber Physical Systems – The Next Computing Revolution,” Adream Lecture, LAAS-CNRS, June 15, 2010.
[14] Raj Rajkumar, Dionisio de Niz, Mark Klein, Cyber-Physical Systems, in the SEI Series in Software Engineering, Addison-Wesley, 2017.
[15] Rajeev Alur, Principles of Cyber-Physical Systems, The MIT Press, 2015.
[16] Edward Ashford Lee, Sanjit Arunkumar Seshia, Introduction to Embedded Systems – a Cyber-Physical Systems Approach, 2nd Edition, The MIT Press, 2017.
[17] 진회승, 서영희, 김원태, “CPS의 기능, 비기능적 소프트웨어 요구사항 분석”, 연구보고서 2017-008, 소프트웨어정책연구소(SPRi), 2018년 4월.
[18] Francesca Palumbo, “Introduction on Cyber-Physical Systems,” Lecture at CPS Summer School – From Concepts to Implementation, Alghero(IT), September 17 ~ 21, 2018.
[19] Wolfgang Wahlster, “Industrie4.0: Cyber-Physical Production Systems for Mass Customization,” German-Czech Workshop on Industrie4.0/Průmysl4.0 Prague, April 11, 2016.
[20] Teodora Sanislav, Sherali Zeadally, George Dan Mois, “A Cloud-Integrated, Multilayered, Agent-Based Cyber-Physical System Architecture,” Computer, April, 2017.
[21] Kartikey Joshi, Dhivya Sampath Kumar, Rahul Mehta, Shiva Muthuraj, “Autonomous Vehicles (AVs) - Technology, Economics, and Opportunities,” (https://www.slideshare.net/Funk98/autonomous-vehicles-60845449)
[22] Edward A. Lee, “The Past, Present and Future of Cyber-Physical Systems: A Focus on Models,” Sensors Vol. 15, pp. 4837-4869, 2015. doi:10.3390/s150304837
[23] Kyoung-Dae Kim and P. R. Kumar, “Cyber-Physical Systems: A Perspective at the Centennial,” Proceedings of the IEEE, Vol. 100, p. 1287 ~ 1308, May 13th, 2012.
[24] Soldani D, Manzalini A, “A 5G Infrastructure for ‘Anything-as-a-Service’”, J. Telecommun. Syst. Manage. 3, pp. 114, 2014. doi:10.4172/2167-0919.1000114
[25] Kyoung-Dae Kim and P. R. Kumar, “An Overview and Some Challenges in Cyber-Physical Systems,” Journal of the Indian Institute of Science, Vol. 93(3), p. 341 ~ 351, Jul.–Sep. 2013. (http://journal.library.iisc.ernet.in/index.php/iisc/article/view/1693)
[26] Alessandro D’Innocenzo, Henry Muccini, “Introduction to CPS,” 1ST DISIM WORKSHOP ON ENGINEERING CYBER-PHYSICAL SYSTEMS, TUESDAY 26, JANUARY 2016.
[27] Krishnarajanagar GopalaIyengar Srinivasa, Gaddadevara Matt Siddesh and Kushagra Mishra, “Influence of Big Data on Cyber-Physical Systems,” in Cyber-Physical Systems – A Computational Perspective, edited by Gaddadevara Matt Siddesh, Ganesh Chandra Deka, Krishnarajanagar GopalaIyengar Srinivasa, Lalit Mohan Patnaik, CRC Press, 2016.
[28] Srinidhi Hiriyannaiah, Gaddadevara Matt Siddesh, and Krishnarajanagar Gopala Iyengar Srinivasa, “Ubiquitous Computing for Cyber-Physical Systems,” in Cyber-Physical Systems – A Computational Perspective, edited by Gaddadevara Matt Siddesh, Ganesh Chandra Deka, Krishnarajanagar GopalaIyengar Srinivasa, Lalit Mohan Patnaik, CRC Press, 2016.
[29] Houbing Song, Qinghe Du, Pinyi Ren, Wenjia Li, and Amjad Mehmood, “Cloud Computing for Transportation Cyber-Physical Systems,” in Cyber-Physical Systems – A Computational Perspective, edited by Gaddadevara Matt Siddesh, Ganesh Chandra Deka, Krishnarajanagar GopalaIyengar Srinivasa, Lalit Mohan Patnaik, CRC Press, 2016.
[30] 신명기, “5G 시스템/네트워크 Phase-2 기술 현황 및 전망”, 한국통신학회 제2회 미래 통신기술 워크샵, 2019년 4월 26일.
[31] 신명기, 이수환, 이종화, “5G 네트워크 자동화 및 지능 기술 표준화 동향(Trends of 5G Network Automation and Intelligence Technologies Standardization)”, 전자통신동향분석(Electronics and Telecommunications Trends), 34권 2호 (통권 176), p. 92-100, 2019년 4월 1일. (DOI: 10.22648/ETRI.2019.J.340210, https://ettrends.etri.re.kr/ettrends/176/0905176010/)
[32] 이수환, “5G 네트워크 자동화를 위한 NWDAF 표준화 현황”, OSIA S&TR Journal, Vol. 31, No. 4, p. 04 ~ 10, December 2018.
[33] NGMN Alliance, "5G White Paper," Next Generation Mobile Networks, White paper, 2015.02.
[34] 3GPP TS 23.501, "System Architecture for the 5G System (Release 15)," 2017.12.
[35] 3GPP TS 23.502, "Procedures for the 5G System (Release 15)," 2017.12.
[36] 3GPP TS 23.503, "Policy and Charging Control Framework for the 5G System (Release 15)," 2017.12.
[37] 3GPP TR 23.791, “Study of Enablers for Network Automation for 5G (Release 16)”, 2018.12

*김진철 박사는 1997년 한국과학기술원에서 물리학 학사, 1999년 포항공과대학교에서 인공신경망에 대한 연구로 석사 학위를, 2005년 레이저-플라즈마 가속기에 대한 연구로 박사 학위를 받았다. 2005년부터 유럽입자물리학연구소(CERN)의 LHC 데이터 그리드 구축, 개발에 참여, LHC 빅데이터 인프라를 위한 미들웨어 및 데이터 분석 기술을 연구하였다. 이후 한국과학기술정보연구원(KISTI), 포항공과대학교, 삼성SDS를 거쳐 2013년부터 SK텔레콤에서 클라우드 컴퓨팅과 인공지능 기술을 연구하고 있다. 빅데이터와 인공지능 기술의 기업 활용 방안에 대해 최근 다수의 초청 강연 및 컨설팅을 수행하였다. ciokr@idg.co.kr