선정 키워드: AIot
(1) 기술 동향 리스트업 소개 Iot와 관련된 기술 동향들을 모아보니, 주요 키워드는 다음과 같았다.
AIot
스마트홈, 스마트팩토리, 스마트홈
보안성
이를 종합해보면 Iot가 사용되는 분야가 점점 확장되면서, 지능형 IoT (즉, AIoT)로의 변화를 꾀하고 있다. 또한 처리하는 데이터가 늘어나면서, 이에 대한 보안의 중요성도 커지고 있다. 결국 Iot는 과도기에 있는 기술이고, 그 방향성이 AIot로 향하고 있는 것을 파악할 수 있었다. 소개 플로우: AIot 설명 → 사용 예시 → 보안 방법 → 발전되는 보안 예시
2) 기술 키워드 선정 이유
기존 Iot와 변화하는 방향성
기존 Iot 시장이 정체된 이유는 단말형 센싱 디바이스에 머물러 입력을 하면 출력을 하는 형태로만 진행되었기 때문이다.
초기의 IoT 기술은 통신 기술의 결합으로 데이터 송수신이 가능한 연결형 IoT 형태로 발전하였다. 현재는 클라우드, 블록체인, 인공지능, 디지털 트윈, 5G/6G 등의 신기술이 결합된 자율형 IoT를 지향하고 있다. 또한 적용되는 분야 역시 가전기기와 산업부문에서 모든 사물이 연결되는 방향으로 발전하면서 그 사용처가 크게 확장되고 있는 상황이다.
자율형 IoT로의 기술발전은 단순 데이터 수집 형태를 벗어나 데이터를 통한 업무 효율화 및 자동화로 인한 의사결정을 목적으로 한다. 따라서 IoT를 통해 새로운 관점의 인사이트를 도출하기 위해서는 인공지능이 결합된 AIoT기술이 필수적인 상황이다. 이러한 이유로 AIot를 주요 키워드로 선정하였다.
(3) 기술 이론 및 원리 소개(Alot) AIot에 대한 도식화 설명
각 Iot 단계별 가능한 기술 정리
각 단계별 기술 및 대상
IoT와 AIoT는 모두 사물에서 센싱한 데이터의 수집과 데이터 처리 과정에서는 동일한 기능을 수행한다. 다만, IoT는 정의된 프로그램과 알고리즘 기반으로 동작하지만, AIoT는 학습과 추론에 의한 지능형 동작을 수행한다는 것이 차이점이다.
지능형 IoT는 사물인터넷(IoT)과 인공지능(AI)이 결합한 것으로, 네트워크 발전에 따른 사물의 기하급수적 연결촉진(1단계: 연결형(connectivity))과 인공지능의 고도화를 배경으로 기존의 상황 인지, 단순한 원격측정·제어, **미래예측(2단계: 지능형(intelligence))**뿐만 아니라 자율적인 ‘자율 판단’, ‘자율 제어’까지 가능한 자율형(autonomy) 3 단계로 도약하고 있다. 지능형 사물인터넷(AIoT)의 발전으로 다양한 ICT(인공지능, 빅데이터, 5G 등) 분야와의 융합은 우리 삶을 바꾸고 다양한 산업의 생산성을 개선해 나가고 있다.
산업별 AIot 적용 동향은 다음과 같다. 정리된 표를 가져와서 한정적이지만 이외에도 건설, 주거, 에너지, 재난, 도시 등 다양한 분야에 적용될 수 있다.
2. 팀원별 정리한 기술 소개
AIoMT
헬스케어 분야의 AIoMT(Artificial Intelligence of Medical Things)를 다루고 한다.
AIoMT 개요
Iot → AIot → AIoMT
헬스케어 IoT라고도 하는 IoT 장치는 자동화, 인터페이스 센서 및 기계 학습 기반 인공 지능을 통합하여 인간의 개입 없는 의료 모니터링을 가능하게 한다. IoMT 기술은 의료 장치를 통해 환자와 임상의를 연결하여 보안된 네트워크를 통해 의료 데이터를 수집, 처리 및 전송할 수 있도록 원격 액세스를 허용한다.
IoMT 기술은 건강 매개 변수에 대한 무선 모니터링을 용이하게 함으로써 불필요한 병원 체류 및 그에 따른 관련 건강 비용을 줄이는데 도움이 된다. IoMT 의료 기술 부문은 웨어러블, 가정 내 개인 실시간 건강 모니터링 장치 및 병원 또는 임상 기반 *POC(Point of Care) 장치를 다룬다. 웨어러블 개인 건강 모니터링 장치 범주에는 위 그림과 같이 스마트 손목 밴드, 전자 섬유 및 의류, 스마트폰 통합 장치, 피트니스 및 활동 모니터링을 위한 스포츠 시계가 포함된다.
이러한 기술이 나오게 된 바탕은 환자, 임상의 및 시골 지역사회의 사람들이 더 나은 결과를 위해 양질의 의료 서비스에 접근할 수 있도록 하기 위함이다. 초음파, 온도계, *글루코미터 및 ECG 리더와 같은 POC 장치는 사용자가 건강을 추적할 수 있도록 하는 인터넷 연결 및 클라우드 저장 시설과 함께 제공된다.
이러한 기술의 개선은 인슐린 투여량을 조정하고 환자와 임상의를 직접 연결하기 위해 즉흥적인 의료 서비스에 중요하다. 고급 의료 센터는 환자의 수면 자세를 모니터링하여 침대의 각도와 위치를 변경할 수 있는 스마트 베드 개념을 활용하기 시작했다. IoMT 지원 장치는 또한 전통적인 가정 의료 서비스를 혁신하는 데 도움이 된다.
예를 들어, 지능형 가정용 의약품 분배 시스템은 환자의 병력에 대한 정보를 자동으로 클라우드에 업로드한다. 그리고 의사와 환자에게 복용해야 하는 약에 대해 경고하고 환자가 약을 먹지 않을 때 임상의에게 경고는 방식이다. 스마트폰, 센서 및 액추에이터(기계작동기)로 IoMT가 통합된 장치의 개선은 주기적인 의료 모니터링을 보장할 수 있으며, 이 모든 측면이 이 검토의 초점이다.
*POC(Point of Care): 현장진료를 의미하는 의료정보시스템 용어
*글루코미터: 혈당측정기
스마트 센서 네트워크 구축을 위한 AI의 역할
여기서부터 AIot에서 AI가 어떻게 정보를 처리하는 지를 다룬다.
머신러닝 종류 도식화
받아본 데이터들을 AI가 처리하는 과정
머신 러닝(ML)은 패턴으로부터 예측을 하는 데 가장 널리 사용되는 AI 방법이다. 알고리즘 구조와 학습 방법에 따라 ML은 다시 다양한 유형으로 분류될 수 있다. 학습 방법은 다시 지도 학습, 비지도 학습, 강화 학습으로 분류될 수 있다.
이러한 알고리즘은 훈련하기 어렵고 시간이 많이 소요된다. 딥 러닝(DL)은 컴퓨터가 인간의 행동을 모방하도록 가르치는 특정 유형의 ML이다. DL은 신경망(NN)을 사용하는데, 이는 복잡한 문제에 대해 많은 계산 능력을 필요로 한다. 그러나 최근 컴퓨팅 능력과 데이터 분석의 발전으로 DL 알고리즘은 어려운 상황을 관찰하고, 학습하고, 반응할 수 있게 되었다. DL 알고리즘은 원하는 애플리케이션에 기초하여 감독, 비감독, 또는 강화 학습 접근법을 채택할 수 있다. 가장 좋은 응용 예는 이메일 제공 서비스인데, 여기서 AI는 필수 이메일로부터 스팸을 분리하는데 사용되며, 각 새로운 데이터와 함께 정확도가 향상된다. 현재 일기 예보의 대부분은 AI 모델 예측을 기반으로 한다.
의료분야에서 나노기술과 IoMT의 역할(예시)
심전도(Electrocardiogram, ECG)는 심혈관 기능의 실시간 모니터링을 위한 가장 대표적인 예시이다.
심장 리듬의 불규칙성은 기존에는 ECG 레코더를 사용하여 모니터링되었다. 그러나, ECG 기록에 대한 수동 질문은 시간이 많이 소요되며, 많은 양의 데이터를 분석하는 것은 오류를 유발할 수 있다. 실제로, 종래의 ECG 측정 도구는 착용자에게 불편을 초래하고, ECG 측정 시 소음이 발생하기 쉽다. 최근에는 단일 채널 ECG 레코더가 심장 박동의 변동을 정확하게 검출하기 위한 민감한 장치로 진화하고 있다. 그러나, 단일 채널 ECG 레코더에 의해 생산되는 데이터는 방대하고, 많은 양의 데이터 세트를 처리하고 측정의 특이성을 평가하기 위해 자동화된 프로그램이 필요하다. 연구자들은 부정맥 심장 박동을 진단하고 이상을 정확하게 예측하기 위해 ML 기반 알고리즘을 사용해 왔다.
ECG 데이터로부터 추출된 특징은 심근경색, 동빈맥 및 수면 무호흡과 같은 심장 관련 상태를 검출하는 데 사용될 수 있다. 클라우드 컴퓨팅의 발전과 많은 데이터 세트를 처리할 수 있는 기능을 통해, AI/ML은 심장 전기생리학 및 심장 영상 모니터링에 가능성을 보여주었다. AI (DL/ML) 기반 시스템은 노이즈 분류, 부정맥 식별, 심방세동 예측, 전-유전체 시퀀스 분석을 포함한 다양한 응용을 위해 탐구되어 왔다. 스마트 시계, 휴대폰 기술, 의료 영상과 같은 IoMT 장치로부터 획득한 데이터는 향상된 질병 진단, 결과 예측 및 새로운 질병의 특성화를 위해 AI/ML에 의해 훈련되고 처리된다.
AIoT와 보안
1) AIoT : AI 더해져 보안위협은 더 커진다
AIoT는 데이터로부터 정보와 지식을 추출하는 기능과 함께 학습능력이 더욱 강화되기 때문에 개인 정보 침해 이슈가 더욱 커질 것으로 예상된다. 지능형 IoT에서는 개인 정보 침해 관점, AI 윤리 관점, AI 자체의 공격 관점이 커져 AIoT는 IoT보다 보안 이슈가 더 많아질 것이라는 의미다. AI 모델에 대한 적대적 공격을 통해 잘못된 결과값을 유도하거나, 개인 디바이스의 경우 지능형 기술을 이용한 프라이버시 유출 등의 문제를 야기할 수 있다.
이를 테면, AIoT 개인 비서가 해킹 당할 경우 지속해서 잘못된 결과값을 학습시키면 사용자에 요구에 부합하지 않는 비서로 변질될 수 있다. IoT의 경우 지난해 전 세계 72개국, 약 1만1700대의 IoT장비가 악성코드(Mozi봇넷)에 감염된 사태에서 볼 수 있듯이 디바이스의 보안 취약으로 인해 빨간불이 들어온 상태다.
IoT 영역별 보안위협 (출처 : KISA , [KISA Insight 2022 Vol.05] 지능형 IoT 사회의 보안이슈 분석 일부 재구성)
2) AIoT의 보안 기술
공격의 시작점으로 자산으로 접근하기 위해 데이터의 시작점인 엔드포인트(Endpoint)가 주요 공격 대상이 되는 경우가 있다. 엔드포인트는 사용자의 데이터와 직접 접촉하는 단말기 디바이스 등을 의미한다. 이처럼 AIoT의 보안 대응도 엔드포인트(Endpoint) 영역인 디바이스 영역에 중점을 둘 필요가 있다. 전력 공급이 제한된 저사양 IoT 디바이스의 태생적인 한계에도 불구하고 소프트웨어 기반 보안 기술, 하드웨어 기반 보안기술과 RISC-V 등의 보안기술들이 개발되고 있다. 그 중 대중적으로 많이 쓰이는 하드웨어 기반 보안 기술과 지능형 IoT에 등장에 따른 AI 기반 보안 기술에 대해 중점적으로 다루겠다.
하드웨어 기반 보안 : 별도의 하드웨어 모듈 추가
기존에 소프트웨어 단계에서 보안 기능을 제공하지 않는 IoT 디바이스에도 보안 적용이 가능하다
AI에 기반한 동적인 보안 솔루션 : 패턴 및 시그니처 기반 탐지
사전에 알려진 악성 코드, 사이버 공격 및 다른 보안 위협에 대한 패턴을 기존 데이터 베이스와 비교하여 이상 행위를 감지한다. 이러한 데이터베이스는 지속적으로 업데이트되며, 새로운 위협에 대한 정보가 추가된다.
이외에 소프트웨어 기반 보안 : 보안 중요도에 따라 실행 환경 및 메모리 분리하여 사용
프로세서와 주변장치, 저장장치를 대상으로 보안 서비스를 제공한다
3) 상세 설명
기본적으로 모든 보안은 암호화를 기반으로 한다. 암호화를 수행하는 데에 필요한 API는 공개되어 있을 정도로 흔하다. 결국, 보안 신뢰도는 암호 키를 얼마나 안전하게 은닉하여 보호하고 있느냐에 달려 있다
하드웨어 기반 보안
많은 경우 소프트웨어 자체적으로 보안을 지원하지 않는 프로세서를 사용하기 때문에 TPM, SE 보안 칩 등 하드웨어 기반의 보안 기술을 활용한다. 기본적으로 하드웨어 보안 모듈은 암호화 작업을 처리하고 암호화 키를 위한 보안 스토리지를 제공하는 컴퓨팅 장치이다. 저사양 기기에서도 성능 저하 없이 보안기술을 적용할 수 있고 전력소모도 일반적인 소프트웨어 보안 솔루션에 비해 적어 대중적으로 보급되는 IoT 기술에 많이 활용된다.
TPM(보안 플랫폼 모듈)
주로 PC에서 암호키와 같은 민감한 정보를 하드웨어적으로 안전하게 보관하기 위한 특별한 장소로 사용되고 있다. 가격은 HSM 전용 장비에 비해 매우 저렴하다.
하드디스크 전체를 암호화 하는 키를 보호하여 안전한 암호화 기능을 제공한다.
암호키, 패스워드, 디지털 인증서 등을 안전하게 저장하는 보안 모듈이다.
SE(앱을 안전하게 호스팅/ 암호화 데이터 저장, 변조 방지가 적용된 칩)
스마트폰, 태블릿, 하드웨어 지갑 등에서 사용되며 PIN, 비밀번호, 지문, 결제 정보 등과 같은 정보를 저장하고 처리한다.
문서 또는 기타 데이터에 디지털 서명을 위한 키를 저장하고 서명 생성을 할 수 있으며 키는 전송이 불가능하며 접근할 수 없다.
SE에는 소프트웨어를 추가 설치 할 수 없다. 다만, 신뢰할 수 있는 애플리케이션 및 장치만 칩에 대해서는 접근 권한이 존재한다.
HSM(하드웨어 보안 모듈)
암호키를 안전하게 저장하고 물리적, 논리적으로 보호하는 역할을 수행하는 강화된 변조 방지 하드웨어 장치이다. 공격을 인지하면 내부에 저장된 민감한 정보를 스스로 파기한다,
암호키는 내부적으로 관리하여 외부에 유출이 되지 않고, 암호 연산 자체가 HSM 내부에서 수행된다. 암호키의 유출을 원천적으로 방지한다.
최근에는 손쉽게 보안 솔루션을 활용할 수 있도록 HSM 클라우드 서비스로도 개발되는 추세이다. 암호화 키 생성 및 제어를 위한 관리형 서비스를 원하지만 자체 HSM을 운영하고 싶거나 운영할 필요가 없는 경우 활용된다.
AI에 기반한 동적 보안 솔루션
AI의 학습 및 예측 능력을 활용하여 외부 악성 코드와 해킹 시도를 잡아내는 보안 솔루션 등이 나오고 있으나, 해당 부분에 대한 자세한 원리는 보안 솔루션의 특성상 아직 공개된 바가 적다.
대표적으로, 안랩(Ann Lab)의 **지능형 위협(APT) 대응 솔루션인 MDS(Malware Defense System)**가 있다. MDS는 랜섬웨어, 신종 악성코드 등 새로운 위협에 대한 가시성을 제공하고 위협에도 직접 대응한다.
한국교육학술 정보원에서는 인공지능 사이버위협 자동판별시스템 특허를 출원하기도 했다. 악성파일의 동작을 학습하여 보안에 취약한 포털 중심으로 사용되는 솔루션으로 보이나, 네트워크 및 악성코드와 같은 위험정보를 수집하고 학습한다는 점에서 AIoT의 보안 솔루션으로서의 가능성도 보인다. 인공지능 사이버위협 자동판별시스템 구조도
federated learning (연합 학습) 기법 : 최근 높은 보안성과 가벼운 네트워크 트래픽으로 떠오르고 있는 학습 방식이다. 이에 대해서는 다음 섹션에서 더 자세하게 다루겠다.
Federated Learning (연합학습)
Federated Learning 기술 동향
급속한 발전과 5G 네트워크 상용화에 따라 더 많은 디바이스들과 방대한 양의 데이터가 생성되면서 데이터 유출 위험이나 각 디바이스(ex. 스마트폰, 산업용 센서 등)에서 클라우드 컴퓨팅 센터로의 전송 시 지연이 발생할 수 있는 취약점이 존재한다. 이 취약점을 극복하기 위해 기존에 각 디바이스에서 취합한 데이터를 중앙서버로 보내는 방식에서 각 데이터를 수집한 디바이스 자체에서 인공지능 모델을 학습하는 연합학습 새로운 학습 방식이 AI 분야 특히 자율형 IoT 분야에서 핵심기술로 부상하고 있다.
Federated Learning 기술 상세 설명
큰 틀에서는 각 로컬 디바이스에서 모델을 학습 후 각 디바이스들의 학습된 모델 결괏값을 중앙 서버로 전송 후 동기화한다. 여기서 로컬 디바이스란 IoT 디바이스, 스마트폰, 산업용 센서, 노트북 등을 말한다. 즉, 인공지능 모델 학습이 사용자의 스마트폰 또는 IoT 디바이스에서 바로 이루어질 수 있다. 연합학습은 큰 틀에서 다음과 같은 단계로 진행된다
각 로컬 디바이스들이 데이터 수집을 한다.
로컬 디바이스들은 각자 획득한 raw data(수집된 가공되지 않은 데이터)들을 사용해 모델 학습을 한다. 주로 심층신경망(Deep Neural Networks) 모델을 훈련한다.
각 디바이스들의 매개변수, 가중치, 기울기만 중앙 서버로 보내고, 개별 디바이스에서 획득한 정보를 로컬 영역 밖으로 교환하지 않는다. 매개변수(Parameter): 모델의 학습 가능한 변수로, 데이터를 이해하고 문제 해결에 사용되는 정보를 포함한다. 가중치(Weights): 입력과 출력 간의 관계를 제어하는 모델의 구성 요소로, 입력 데이터와 조합되어 모델의 출력을 생성한다. 기울기(Gradients): 모델 학습 과정에서 사용되며, 손실 함수의 미분값으로 현재 모델의 성능을 평가하고 매개변수 업데이트 방향을 결정하는 데 활용된다.
💡 매개변수, 가중치, 그리고 기울기만으로는 모델의 raw 데이터를 직접적으로 유추할 수 없다. 이들은 모델이 학습하는 중간 단계의 구성 요소이며, 원본 데이터 자체를 나타내지 않는다.
중앙 서버에서 모델 업로드
중앙 서버에서 각 디바이스에서 학습된 모델 결합 후 전체(글로벌) 모델을 업데이트한다.
로컬 디바이스는 글로벌 모델을 참조해 로컬 모델을 주기적으로 갱신하는데(3-5 단계 반복), 최종적으로는 로컬 디바이스가 자신의 데이터를 공유하지 않았음에도 모든 데이터가 공유된 경우에 가까운 효과를 이룰 수 있다.
연합학습의 이점으로는 중앙 서버로 사용자 정보를 직접 전송하지 않으므로 개인정보 강화 및 데이터 보안 강화가 있다. 또한, 모든 데이터를 한곳으로 보낼 필요 없이 학습된 모델의 결괏값만 중앙 서버로 보내기 때문에 저장 용량과 네트워크 트래픽이 감소한다.
한계로는 기기 간의 통신 지연과 기기 간 성능 차이에 대한 성능 저하와 더불어 각 디바이스들이 학습하는 데이터의 불균형 등이 있다.
Federated Learning 기술 적용 사례
연합학습 사용 사례로는 구글 키보드 서비스에 사용자가 단어를 입력할 때, 유사 단어 추천 기능이 있다.
엔비디아는 클라라 FL이라는 환자 분산형 협력 AI 모델 학습 에플리케이션은 환자의 데이터를 이용해 방사선학에서의 레이블링 업무를 지원한다. 클라라 FL을 사용하는 병원의 로컬 데이터를 각 서버에서 모델을 학습시킨 후 환자 기록을 제외한 부분적인 모델 가중치를 연합학습 서버에 공유해 새로운 글로벌 모델을 통해 환자들의 데이터를 레이블링한다. 이를 통해 방사선 전문의의 레이블링 업무를 지원하고, 복잡한 3D 연구에 드는 시간을 몇 시간에서 몇 분까지 단축한다. 이 과정은 AI 모델의 정확성이 원하는 수준까지 높아질 때까지 반복된다.
보안이 핵심 역량인 의료 분야와 금융업에서도 활발한 연구와 응용이 이어지고 있다.
AIoT에서의 연합학습
특히 연합학습이 자율형 IoT의 핵심기술로 떠오른 데에는 IoT 디바이스들이 서로 소통할 때, 데이터를 공유하는 대신, 학습된 모델 공유하는 분산형 모델로 전환함으로 비용 효율성과 높은 성능에 있다. 스마트시티같이 대규모 IoT 디바이스 자체에 ML 어플리케이션을 탑재해야 하는 경우, 연합학습의 이점이 더 극대화된다. 이외에도 산업용 IoT, 스마트팩토리분야에서도 엣지 컴퓨팅 및 네트워크 관점에서 연합학습을 최적화하려는 연구와 시도는 지속되고 있다.