Offcanvas

AI / CIO / How To / IoT / 빅데이터 | 애널리틱스 / 자동차

김진철의 How-to-Big Data | 빅데이터의 미래 (7)

2020.05.27 김진철  |  CIO KR


사이버 물리 시스템 발전을 견인하는 에지 컴퓨팅의 현재와 미래
사물인터넷 기술이 발전, 확산되면서 사물인터넷에 연결된 사물들과 디바이스들이 쏟아내는 데이터를 효과적으로 수집, 전송하고 처리할 수 있는 빅데이터 기술의 수요가 점점 더 높아지고 있다. 각 사물과 디바이스 단위로 쏟아내는 데이터는 크지 않을지 몰라도, 많은 수의 사물과 디바이스가 쏟아내는 데이터는 그 양과 속도에 있어서 빅데이터가 되기 때문에 사물인터넷을 이용한 서비스와 비즈니스에서 빅데이터 기술을 잘 활용하는 것은 기본적으로 필요하다.

여러 빅데이터 기술들이 사물인터넷을 이용한 비즈니스에 데이터 가공 단계별로 다양하게 활용될 수 있겠지만, 사물인터넷을 위한 비즈니스에서 좀더 부각되는 빅데이터 기술은 실시간 스트림 처리 기술이다. 배치(batch)로 많은 양의 빅데이터를 한꺼번에 처리하는 것은 사물인터넷 디바이스가 직접적으로 관련되는 데이터 수집 단계 보다는 서비스 백엔드에서 이루어지기 때문에, 사이버 물리 시스템 외곽에 위치한 사물인터넷 디바이스들이 쏟아내는 데이터를 처리하기 위해서는 실시간 스트림 처리 기술을 활용하는 것이 더 중요하다.

앞서 사물인터넷 디바이스들은 사이버 물리 시스템의 외곽에 위치하여, 데이터를 수집하고, 사람과 상호 작용하는 액추에이터(actuator)로서 작동한다고 설명한 바 있다. 사이버 물리 시스템의 각 구성 요소들은 5G 이동통신 네트워크와 같은 무선 네트워크와 유선 네트워크로 연결되어 분산 컴퓨팅 시스템으로 동작하게 되는데, 사물인터넷 디바이스들은 사이버 물리 시스템 네트워크 내에서 외곽에 위치하기 때문에 에지 네트워크에 해당한다.

사물인터넷 디바이스들 대부분은 임베디드 컴퓨터가 장착되어 있다. 이들 임베디드 컴퓨터들은 과거에는 기술의 한계 때문에 네트워크에 연결되지 못하거나, 연결되더라도 펌웨어를 업데이트하거나, 디바이스에 필요한 설정과 데이터를 변경, 보관하는 제한적인 용도로만 네트워크를 활용했다. 요즘에는 과거 소형 클러스터 병렬 컴퓨터의 성능을 가지는 GPU가 임베디드 컴퓨터에 장착되어 고성능의 연산을 수행할 수 있게 되고, 임베디드 컴퓨터에 탑재되는 프로세서의 성능도 과거 PC나 소형 서버의 수준으로 높아졌으며, LTE-A Pro나 5G 이동통신을 지원하는 무선통신칩이나 1G, 10G 이더넷 통신을 지원하는 유선통신칩이 소형화되어 임베디드 시스템에 쉽게 통합될 수 있을 정도로 하드웨어 기술이 발전하여 통신 기능을 가진 임베디드 컴퓨터를 제품에 통합하기가 매우 쉬워졌다.

이렇게 임베디드 컴퓨터가 LTE-A Pro/5G 이동통신이나 유선 네트워크를 통해 사물인터넷에 연결되는 것이 어렵지 않게 되었고, 임베디드 컴퓨터를 장착한 제품들은 대개 네트워크의 가장 외곽에서 사용자들이 직접 사용하거나 다루는 디바이스들이 되기 때문에, 이렇게 통신 기능을 갖춘 임베디드 컴퓨터가 장착된 사물이나 디바이스들을 에지 컴퓨팅 디바이스라고 부를 수 있게 된다. 에지 컴퓨팅이란 용어는 통신 기능을 갖춰 사물인터넷에 연결될 수 있는 능력을 갖춘 임베디드 컴퓨팅 기술을 통신 기술 관점에서 다르게 부르는 말로 생각할 수 있다.

지난 마흔 번째 글에서 모바일 에지 컴퓨팅(Mobile Edge Computing; MEC)과 에지 컴퓨팅(Edge Computing)은 다른 개념이라고 강조하여 설명한 바 있다. 필자가 지난 글에서 모바일 에지 컴퓨팅과 에지 컴퓨팅을 구분하여 그 차이점을 강조하여 설명한 것은 에지 컴퓨팅이 사물인터넷 관점에서 분명히 다른 양상을 보이면서 발전하고 있기 때문이다.

모바일 에지 컴퓨팅은 5G 기술과 클라우드 컴퓨팅 기술의 연장선상에서 생각되는 경우가 많지만, 에지 컴퓨팅은 임베디드 시스템이 사물인터넷을 통해 연결되면서 임베디드 시스템 하드웨어의 성능이 높아지는 맥락에서 생각해야 한다. 물론 에지 컴퓨팅에도 컨테이너와 같은 클라우드 컴퓨팅 기술이 도입되고 활용되고 있지만, 아직 클라우드 컴퓨팅은 에지 컴퓨팅에서 아주 제한적인 용도로 활용되고 있다.

에지 클라우드(Edge cloud)라는 용어도 최근 많이 사용되는데, 이 에지 클라우드, 모바일 에지 컴퓨팅, 에지 컴퓨팅이 분명한 구분이 없이 사용되면서 혼란을 더 가중하고 있는 듯하다. 에지 클라우드는 모바일 에지 컴퓨팅에 클라우드 컴퓨팅 기술이 접목된 모바일 에지 클라우드와 같은 뜻으로 쓰이거나, 과거 프라이빗 클라우드(private cloud), 또는 온프레미스 클라우드(on-premise cloud)가 유무선 네트워크의 관점에서는 사용자에 가까운 네트워크의 외곽에 위치하기 때문에 이런 관점에서 에지 클라우드라는 말을 쓰기도 한다. 용어는 다르지만 사실 요즘 쓰이는 맥락을 잘 살펴보면, 과거 프라이빗 클라우드(private cloud), 온프레미스 클라우드(on-premise cloud)는 요즘 얘기하는 에지 클라우드와 같은 뜻으로 쓰이고 있음을 알 수 있다.

다시 원래의 맥락으로 돌아와서 에지 컴퓨팅이 사물인터넷의 관점에서 사이버 물리 시스템과 빅데이터 기술의 발전과 관련되는 이유를 살펴보도록 하자. 임베디드 시스템 컴퓨팅이 에지 컴퓨팅으로 발전하게 된 가장 근본적인 이유는 LTE-A Pro/5G 이동통신 및 유선 네트워크 하드웨어의 소형화와 이들 네트워크 하드웨어가 임베디드 시스템과 통합되는 경향의 확산, 임베디드 시스템용 멀티코어 CPU와 GPU와 같은 고성능 컴퓨팅 프로세서의 등장으로 인한 임베디드 컴퓨터 성능의 비약적인 향상, 반도체, SoC(System-on-Chip) 기술의 발전으로 인한 임베디드 컴퓨터의 소형화 때문이다.

과거 임베디드 시스템을 프로그래밍하기 위해서는 어셈블리어를 쓰거나 C를 이용해 리눅스 커널을 직접 고치거나 건드리는 저수준 프로그래밍을 해야 하는 경우가 많았지만, 요즘에는 일부 미션 크리티컬한 시스템을 제외하고는 많은 디바이스의 임베디드 컴퓨터용 OS가 흔히 쓰이는 PC용 OS와 개발환경이 크게 다르지 않다. 특수한 용도로 사용되어 실시간 컴퓨팅을 지원하게끔 하나의 프로세스가 자원을 독점해야 하는 일부 자동차용 전자제어장치 마이크로 컴퓨터나 항공, 우주 시스템의 전자제어장치 마이크로 컴퓨터가 아니면 임베디드 컴퓨터에 리눅스 운영체제가 거의 그대로 탑재되어 있는 경우도 많다. 

요즘 라즈베리 파이와 같은 임베디드 컴퓨터는 사물인터넷에 연결되어 통신할 때 일반 서버에서 통신을 위해 사용하는 Node.js나 파이썬(Python) 기반의 웹 프레임워크가 그대로 쓰이는 경우도 많다. 임베디드 컴퓨터 시스템의 성능과 사양이 대폭 향상된 이유로 이런 일이 가능해진 것이다.
 

ⓒ(그림 출처: (a) [8] (b) [9] (c) [10] (d) [11] (e) [12] (f) [13] (g)  [14] (h) [15] (i) [16] , 저작권: (a) Copyright 2020 Connect Tech, Inc. (b) Copyright © 2020 NVIDIA Corporation. (c) Copyright © 2015 가치창조기술. (d) Copyright © 2007-2020 LinuxGizmos.com. (e) Copyright © 1995-2020, Digi-Key Electronics. Copyright © 2020 by Trenz Electronic GmbH.  (f) Copyright ⓒ www.mcuboard.com. (g), (h) Copyright © by Intel Corporation. (i) Copyright © 1999-2020 by Alibaba.com and Copyright © Shenzhen Datang Computer, Co. Ltd. All rights reserved.)

그림 2. 에지 컴퓨팅용 다양한 임베디드 컴퓨터. (a) NVidia의 임베디드용 GPU인 Jetson TX2를 탑재한 싱글보드 컴퓨터. (b) Nvidia의 저전력 GPU인 Xavier를 기반으로 한 싱글보드 컴퓨터. (c) 메이커들에게 많은 사랑을 받고 있는 임베디드 컴퓨터인 라즈베리 파이 4. (d) Intel ALTERA의 FPGA 플랫폼인 Arria10 FGPA기반의 싱글보드 컴퓨터. (e) Xilinx의 ARM 코어가 같이 내장된 FPGA 플랫폼인 Zynq가 탑재된 독일 Trenz Electronic GmbH의 TE0726-03-07S-1C 싱글보드 컴퓨터. (f) 무선 통신 기능이 탑재된 Intel의 Beaglebone Black 싱글보드 컴퓨터. (g) Intel의 Galileo 싱글보드 컴퓨터. (h) Intel의 Edison 싱글보드 컴퓨터. (i) Intel Apollo Lake기반 싱글보드 컴퓨터인 중국 Shenzhen Datang Computer, Co. Ltd.의 MAXTANG N4200 싱글보드 컴퓨터. 

임베디드 컴퓨터의 성능향상으로 임베디드 시스템 프로그래밍에 일반 PC와 서버에서 사용되는 소프트웨어 개발도구와 환경을 사용하는 것이 가능해져 프로그래밍이 쉬워지면서 사물인터넷에 연결된 임베디드 컴퓨터, 즉 에지 컴퓨팅 디바이스들이 인터넷 서비스를 활용한 기능을 탑재하거나 사람이 사용하는 스마트폰 앱과 웨어러블 디바이스와 상호작용할 수 있게 되면서 사물인터넷을 이용한 지능형 서비스의 지능화 수준을 높이는데 크게 영향을 미치게 되었다. 

임베디드 컴퓨터, 즉 에지 컴퓨팅 디바이스의 성능향상은 사물인터넷에 연결된 에지 컴퓨팅 디바이스가 생산해내는 데이터의 양과 복잡도도 크게 높아지고, 수행할 수 있는 작업의 복잡도도 높아지게 되었다. 많은 매트릭스 연산이 필요하여 과거에는 임베디드 시스템에 탑재하기가 쉽지 않았던 딥러닝 영상 인식 모델이 요즘에는 퀄컴의 NPU나 엔비디아의 GPGPU와 같은 고성능 에지 컴퓨팅용 프로세서의 도움을 빌어 임베디드 시스템에서도 딥러닝을 쓴 지능형 응용프로그램을 탑재하는 것이 가능하게 되었다.

그뿐만 아니라, 통신 하드웨어 기술의 발전으로 LTE-A Pro/5G 이동통신과 10G 이더넷 유선통신을 임베디드 시스템에서 지원하는 것이 어렵지 않게 되었다. 이 때문에, 임베디드 시스템 사이에 훨씬 더 복잡하고 많은 데이터를 서로 주고받을 수 있게 되면서 다수의 임베디드 시스템이 유무선 네트워크로 연결되어 상호작용하면서 나타나는 행동의 양상이 과거 사물지능통신(M2M)이나 유비쿼터스 센서 네트워크((Ubiquitous Sensor Network; USN) 때보다 크게 복잡해졌다. 이렇게 복잡해진 임베디드 시스템의 행동과 함께 다양한 서비스와 사물, 디바이스가 사물인터넷을 통해 개방적으로 메시업(mesh-up)되어 나타나는 사물 간 상호작용에서 과거 우리가 경험하지 못했던 지능적인 상호작용도 창발적으로(emergently) 나타날 수 있을 정도로 기술이 발전하게 된 것이다.

이렇게 발전된 사물인터넷과 에지 컴퓨팅 기술 덕분에, 앞으로 올 사이버 물리 시스템 기반의 지능형 서비스에서는 우리의 기대를 뛰어넘는 지능적이고 복잡한 상호작용을 사물들과 경험할 수 있을 것으로 보인다. 이런 인간에게 친화적인 지능적이고 자연스러운 상호작용을 위해서는 사람과 사물 주변 환경의 정보를 수집해서 전송해야 하는 디바이스와, 사이버 물리 시스템의 상위 계층, 핵심 영역에 있는 인공지능의 연산과 판단에 따라 전송된 상호작용, 또는 액추에이터 데이터를 사람이나 다른 사물과 같은 상호작용 대상에게 표출해야 하는 디바이스가 전송받아 처리해야 하는 데이터의 양과 수준이 지금보다 크게 증가하게 될 것이기 때문에 에지 컴퓨팅 디바이스에서도 빅데이터 기술을 사용하는 것이 꼭 필요하게 될 것이다.

이미 20년 전인 2000년대 초반부터 단일 프로세서의 성능을 높이기 위해 연산을 처리하는 프로세서 코어의 수를 늘려 하나의 프로세서에 집적하는 멀티코어 아키텍처가 도입되기 시작하면서, 임베디드 컴퓨터, 요즘의 맥락에서는 에지 컴퓨팅 시스템에서도 멀티코어 아키텍처를 활용한 병렬 컴퓨팅이 필요하게 되었다. 이런 경향은 앞으로 에지 컴퓨팅 시스템에서 점점 더 심화되어서, 단순히 멀티코어 프로세서, 또는 GPGPU와 같은 고성능 병렬 프로세서를 활용하는 것뿐만 아니라, 이런 에지 컴퓨팅용 고성능 프로세서들이 다시 에지 컴퓨팅 시스템 내부의 고성능 네트워크를 통해 연결되어 구성된 분산 병렬 에지 컴퓨팅 시스템으로 빅데이터를 처리하는 것이 사물과 자율 에이전트 개발 과정에서도 필수적으로 활용될 것이다.

이렇게 사물들과 사이버 물리 시스템의 일부로서 동작하는 사물들이 서로 하나의 시스템으로 협력하면서 창발적으로(emergently) 나타나는 군집 지능(collective intelligence), 또는 협력 지능(cooperative intelligence)이 이들 사물과 사이버 물리 시스템을 사용하는 사람들에게 해를 끼치지 않고 안전하게 예측된 방식으로 동작하게 하거나, 아니면 사전에 예측하지 못한 행동이라도 안전 범위 안에서의 창발적(emergent) 행동으로 유도될 수 있도록 통제하고 디자인하는 문제는 사이버 물리 시스템을 이용한 지능형 서비스를 디자인하는 과정에서 앞으로 중요한 기술적인 문제가 될 것이다.

이번 글에서 생각해볼 마지막 주제로 에지 컴퓨팅이 임베디드 컴퓨팅과 다른 점이면서 빅데이터 기술에 끼치는 영향을 좀더 극명하게 보여주는 현상으로 에지 컴퓨팅 자체가 고성능 분산 병렬 컴퓨팅 시스템으로 발전하는 경향에 대해서 조금 더 언급하려고 한다.

에지 컴퓨팅은 임베디드 컴퓨팅과 많은 부분 겹치기도 하지만, 사실은 임베디드 컴퓨팅보다 좀더 확장된 개념이다. 그 이유는 앞서 설명했듯이 에지 컴퓨팅은 유무선 네트워크의 최외곽 영역에 해당하는 에지 네트워크 영역에서 일어나는 컴퓨팅 기술을 말하는데, 사물인터넷에서는 이들 사물이 가장 외곽의 에지 네트워크 영역에서 동작하는 네트워크 노드가 되어 사물들에 쓰이는 임베디드 시스템 컴퓨팅이 네트워크 관점에서는 곧 에지 컴퓨팅이 되고, 에지 컴퓨팅이 임베디드 시스템 컴퓨팅과 같은 의미가 된다고 앞서 설명하였다.

사물인터넷에 연결되는 사물이 휴대폰이나 모바일 디바이스와 같은 단일 프로세서 디바이스가 되는 경우가 대부분이지만, 사물 자체가 내부에 수십, 수백 개의 임베디드 컴퓨팅 디바이스와 다수의 컴퓨팅 프로세서가 장착된 복잡한 사물이 될 수 있다. 에지 네트워크에 연결된 사물 내부에 또 다른 복잡한 네트워크가 형성되는 복잡한 사물들이 5G와 같은 이동통신망으로 연결되어 에지 컴퓨팅 시스템으로 발전하는 경향이 최근 두드러지고 있다. 이런 경향은 사물들이 단순한 에지 컴퓨팅 디바이스가 아니라, 빅데이터를 생산, 가공하는 복잡하고 정밀한 에지 컴퓨팅 시스템으로 발전하고 있는 양상을 보여주며 사물인터넷과 빅데이터와의 관련성을 크게 높여주고 있다.

이런 경향을 보여주는 사물의 대표적인 예로 자동차를 들 수 있다. 사실 자동차와 같이 복잡한 시스템을 사물로 볼 수 있을 것인지는 논란의 여지가 있다. 그렇지만, 자동차는 개인 이동성, 즉 모빌리티(mobility)를 제공하는 가장 보편적인 소비자 상품이라는 단순하면서도 분명한 목적을 가지고 있는 시스템이면서도, 이 단순하고 분명한 목적을 만족하기 위해 내부 시스템이 복잡하고 높은 수준의 안전 기준을 만족해야 하는 시스템으로서 대표적인 사물이기 때문에 위와 같은 경향을 살펴보기에 적합한 대상이다.

앞서 서른 여섯 번째 글에서 잠시 소개한 것과 같이, 현대의 자동차는 임베디드 시스템이면서도 그 내부에 자동차의 주요 제어 요소들을 제어하기 위한 마이크로 컨트롤러와 임베디드 시스템이 수십, 수백 개가 탑재되어 이들이 서로 자동차 제어 네트워크를 통해 연결되어 동작하는 복잡한 사이버 물리 시스템이다. 

 

 

 
ⓒ그림 출처: (좌상단) PEI Technologies 제공. (http://rtcps.dgist.ac.kr/?page_id=4756) (우하단) John Swanson, Marc Serughetti, Using Ethernet in automotive networks, (https://goo.gl/2k5p3D)

그림 3. 사이버-물리 시스템의 대표적인 예인 자동차. 현재 자동차는 수많은 전자제어장치가 CAN과 Automotive Ethernet 프로토콜을 사용하는 자동차 제어 네트워크로 통합되어 동작하는 대표적인 사이버-물리 시스템이다. 

5G 이동통신을 통해 연결될 사물의 대표적인 대상으로서 자동차는, 셀룰러 차량 통신(Cellular V2X; C-V2X)을 통한 복합 교통 체계의 일부로서, 그리고 미래 지능형 교통 인프라의 소비자로서 발전하면서 “커넥티드 자동차(connected car)”라는 새로운 개념의 사물로서 발전하고 있다. 이 “커넥티드 자동차(connected car)”가 셀룰러 차량 통신(C-V2X)과 지능형 교통 체계(Intelligent Transportation System; ITS)의 일부로서 안전하게 동작하는 사이버 물리 시스템으로 발전하기 위해서는, 교통 빅데이터를 생산, 처리하는 고성능 분산 병렬 컴퓨팅 시스템을 에지 컴퓨팅 시스템으로서 “커넥티드 자동차(connected car)” 내부에 탑재해야 한다는 것이 자동차 업계에서도 최근 조금씩 받아들여지고 있다.

이렇게 에지 컴퓨팅 기술은 현재까지는 단일 보드 상의 임베디드 시스템용 컴퓨팅 프로세서, 메모리 및 저장 장치를 포함한 단일 임베디드 컴퓨팅 디바이스의 성능이 향상되는 방향으로 발전해왔지만, 사물인터넷에 연결되는 자동차와 같은 복잡한 사물들에 필요한 고성능의 복잡한 분산 컴퓨팅 시스템으로 발전하면서 새로운 빅데이터 기술의 하나로 발전하고 있다. “커넥티드 자동차(connected car)”와 같은 미션-크리티컬(mission-critical) 시스템에 필요한 고성능 에지 컴퓨팅 기술은 안전성까지 만족해야 하기 때문에 과거 데이터 분석과 데이터 과학을 위한 빅데이터 소프트웨어 기술과는 또다른 양상의 빅데이터 기술이 되어 가고 있다.

ⓒ그림 출처: [17]. Copyright © 2016 IDG Communications, Inc. Copyright © 2016 Intel Corporation.

그림 4. 앞으로의 자율주행 자동차는 자동차 내부 부품의 주행데이터와 함께 주행 환경 정보 수집을 위한 센서 데이터만도 하루 한 대당 4TB에 해당하는 빅데이터를 생산할 것으로 인텔은 추정했다. 

이번 글의 지면이 제한된 관계로 사물인터넷의 최근 동향, 사례와 함께 사물인터넷과 사이버 물리 시스템, 빅데이터 기술 발전의 미래를 조금 더 구체적으로 소개할 다음 마흔 두 번째 글에서 위에서 설명한 분산 병렬 컴퓨팅 시스템으로 발전하는 에지 컴퓨팅 기술과 그 대표적인 예로서 “커넥티드 자동차(connected car)”에서의 분산, 병렬 에지 컴퓨팅 기술의 최근 발전 내용에 대해 좀더 자세하게 알아보도록 하자.

사물인터넷은 미래의 지능형 사이버 물리 시스템의 말단에 위치하여 데이터 수집 및 사람, 사물과의 지능형 상호 작용을 표현, 표출하는 액추에이터(actuator)로서 역할을 하게 될 기술로서 발전해가고 있다. 클라우드 컴퓨팅과 이동통신 기술은 인프라 기술로서 발전 속도가 상대적으로 느리지만, 사물인터넷과 사물인터넷에 연결되는 사물들을 위한 에지 컴퓨팅 기술들은 인프라 기술보다 빠른 속도로 발전하면서 사이버 물리 시스템의 빅데이터 중 많은 부분을 생산하는 주요 빅데이터 원(source)으로서, 그리고 사이버 물리 시스템의 빅데이터를 소비하는 빅데이터 소비자로서, 미래 빅데이터와 가장 밀접한 관련이 있는 기술로 발전하게 될 전망이다.

이들 사물인터넷과 에지 컴퓨팅 기술의 빠른 발전은 지능형 사이버 물리 시스템이 제공하는 서비스를 중심으로 새로운 비즈니스 기회를 다양하고 풍성하게 창출할 것으로 보인다. 필자의 식견과 지면이 허락하는 공간이 제한적이라 이런 비즈니스 기회의 모든 면을 다 소개하지는 못하겠지만, 그래도 이 새로운 기회의 방향에 대해서는 어느 정도 구체적으로 소개할 수 있을 것이다. 사물인터넷과 에지 컴퓨팅 기술이 주는 또 하나의 비즈니스 기회와 방향에 대해서 다음 글에서 좀더 구체적으로 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] 김학용, “사물인터넷 – 개념, 구현기술 그리고 비즈니스”, 홍릉과학출판사, 2014.
[3] “A tactile 3D display, created with sound,” Nature Video, Springer Nature Ltd., November 13, 2019. (https://www.youtube.com/watch?v=jOnxr9Ez_Kc) (3D volumetric display by University of Sussex)
[4] Hirayama, R., Martinez Plasencia, D., Masuda, N. et al. “A volumetric display for visual, tactile and audio presentation using acoustic trapping,” Nature 575, 320–323 (2019). https://doi.org/10.1038/s41586-019-1739-5
[5] “Pictures in the air: 3D printing with light,” Nature Video, Springer Nature Ltd., January 24, 2018. (https://www.youtube.com/watch?v=YRZMdQOMPNQ) (3D volumetric display using laser and cellulose particles, Brigham Young University)
[6] Rich Pell, “Beyond holograms: Star Wars-inspired 3D images float in free space, Volumetric display is like '3D printer for light', Smart2Zero.com, January 29, 2018. (https://www.smart2zero.com/news/volumetric-display-3d-printer-light,  https://youtu.be/1aAx2uWcENc)
[7] Voxel Photonics, “The world's first 3D Volumetric Display - Voxiebox VX1,” February 7, 2017. (https://www.youtube.com/watch?v=cWXLsbsrA9U)
[8] NVIDIA® Jetson™ TX2/TX2i/TX2 4GB/TX1 Products, Connect Tech, Inc. (http://connecttech.com/product-category/form-factors/nvidia-jetson-tx2-tx1/)
[9] Jetson AGX Xavier Developer Kit, Nvidia, Inc. (https://developer.nvidia.com/embedded/jetson-agx-xavier-developer-kit)
[10] 라즈베리 파이 4 모델 B (2GB) (Raspberry Pi 4 Model B (2GB)), 가치창조기술. (http://vctec.co.kr/product/%EB%9D%BC%EC%A6%88%EB%B2%A0%EB%A6%AC-%ED%8C%8C%EC%9D%B4-4-%EB%AA%A8%EB%8D%B8-b-2gb-raspberry-pi-4-model-b-2-gb/15497/)
[11] Eric Brown, “ARM/FPGA module runs Debian on Arria 10 SoC,” LinuxGizmos.com, Mar 10, 2017. (http://linuxgizmos.com/arm-fpga-module-runs-debian-on-arria-10-soc/)
[12] “[1686-1094-ND] TE0726-03-07S-1C manufactured by    Trenz Electronic GmbH,” Digi-Key Electronics. (https://www.digikey.kr/product-detail/ko/trenz-electronic-gmbh/TE0726-03-07S-1C/1686-1094-ND/7327826)
[13] “비글본블루 BeagleBone Blue (BBONE-BLUE),” MCUBoard.com. (https://www.mcuboard.com:14063/shop/goods/goods_view.php?goodsno=10166&category=005009)
[14] Intel Galileo, Wikipedia. (https://en.wikipedia.org/wiki/Intel_Galileo)
[15] “Get Started with the Intel® Edison Development Board on Windows* 64-bit,” Intel Corporation. (https://software.intel.com/content/www/us/en/develop/articles/get-started-edison-windows.html
[16] “Mini-ITX Intel Apollo lake N4200 X86 Industrial Single Board Computer APL-35 With Dual Ethernet Ports for Win 10/Linux,” Alibaba.com. (https://korean.alibaba.com/product-detail/mini-itx-intel-apollo-lake-n4200-x86industrial-single-board-computer-apl-35-with-dual-ethernet-ports-for-win-10-linux-60783625384.html)
[17] Patrick Nelson, “Just one autonomous car will use 4,000GB of data/day,” Network World, December 7, 2016 7:39 AM PST. (https://www.networkworld.com/article/3147892/one-autonomous-car-will-use-4000-gb-of-dataday.html)
[18] Sabina Jeschke, “Everything 4.0? – Drivers and Challenges of Cyber Physical Systems,” Forschungsdialog Rehinland – Invited Talk, Wuppertal, December 4, 2013.
[19] 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.
[20] 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.
[21] Raj Rajkumar, Dionisio de Niz, Mark Klein, Cyber-Physical Systems, in the SEI Series in Software Engineering, Addison-Wesley, 2017.
[22] Rajeev Alur, Principles of Cyber-Physical Systems, The MIT Press, 2015.
[23] Edward Ashford Lee, Sanjit Arunkumar Seshia, Introduction to Embedded Systems – a Cyber-Physical Systems Approach, 2nd Edition, The MIT Press, 2017.
[24] Teodora Sanislav, Sherali Zeadally, George Dan Mois, “A Cloud-Integrated, Multilayered, Agent-Based Cyber-Physical System Architecture,” Computer, April 2017.
[25] Kartikey Joshi, Dhivya Sampath Kumar, Rahul Mehta, Shiva Muthuraj, “Autonomous Vehicles (AVs) - Technology, Economics, and Opportunities,” (URL: https://www.slideshare.net/Funk98/autonomous-vehicles-60845449)
[26] Urban Sedlar, Mitja Rakar, Andrej Kos, “Big Data Analysis and 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.
[27] Mayank Swarnkar and Robin Singh Bhadoria, “Big Data Analysis in 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] 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.
[29] 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.
[30] 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.
[31] Chitresh Bhargava, “Applications of Robotics in 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.
[32] P.V.L. Narayana Rao, and Pothireddy Siva Abhilash, “Application of Mobile Robots by Using Speech Recognition in Engineering,” Cyber-Physical Systems – A Computational Perspective, edited by Gaddadevara Matt Siddesh, Ganesh Chandra Deka, Krishnarajanagar GopalaIyengar Srinivasa, Lalit Mohan Patnaik, CRC Press, 2016.

*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

CIO Korea 뉴스레터 및 IT 트랜드 보고서 무료 구독하기
추천 테크라이브러리

회사명:한국IDG 제호: CIO Korea 주소 : 서울시 중구 세종대로 23, 4층 우)04512
등록번호 : 서울 아01641 등록발행일자 : 2011년 05월 27일

발행인 : 박형미 편집인 : 천신응 청소년보호책임자 : 한정규
사업자 등록번호 : 214-87-22467 Tel : 02-558-6950

Copyright © 2024 International Data Group. All rights reserved.