무선 센서 네트워크를 위한 맥락 포착·다값 의사결정 융합 및 결함 허용 기법

초록

**
본 논문은 무선 센서 네트워크(WSN)에서 센서들의 버스트형(폭발적) 상황과 다값 데이터를 동시에 고려한 의사결정 융합 프레임워크를 제안한다. 마코프 변조 포아송 프로세스(MMPP)를 이용해 버스트형 맥락을 모델링하고, 다값 논리(MVL)를 활용해 다중 클래스 결정을 수행한다. 또한 MVL 기반 결함 탐지를 통해 오류가 있는 센서의 데이터를 사전에 제거함으로써 결함 허용성을 확보한다. 실험 결과, 제안 기법이 기존 이진 기반 융합보다 높은 정확도와 신뢰성을 제공함을 확인하였다.

**

상세 분석

**
이 논문은 기존 WSN 의사결정 융합 연구가 이진(0/1) 결정에 국한되고, 센서 데이터의 시간적 버스트 특성을 무시한다는 두 가지 근본적인 한계를 지적한다. 첫 번째 한계는 센서가 측정하는 물리량(예: 온도, 습도)이 서로 다른 변화율을 보이며, 특정 이벤트가 급격히 발생하는 버스트 상황을 포착하지 못한다는 점이다. 이를 해결하기 위해 저자는 마코프 변조 포아송 프로세스(MMPP)를 도입한다. MMPP는 각 상태마다 서로 다른 포아송 도착률을 갖는 이중 확률 과정으로, 두 상태(정상·비정상) 사이의 전이율(δ₁, δ₂)과 각각의 도착률(r₁, r₂)을 통해 센서 데이터 흐름의 급격한 변동을 수학적으로 모델링한다. 특히, 다수의 2‑state MMPP를 슈퍼포지션하여 2ᴺ 상태의 복합 모델을 구성함으로써, 다중 센서가 동시에 발생시키는 복합 버스트 현상을 정확히 표현한다. 이 과정에서 자동공분산 함수와 정상 상태 확률을 이용해 파라미터를 추정하고, 실제 트래픽 패턴과의 매칭을 수행한다.

두 번째 한계는 이진 결정이 온도·조도와 같은 다값(다중 클래스) 정보를 충분히 전달하지 못한다는 점이다. 이를 보완하기 위해 다값 논리(MVL)를 적용한다. MVL은 g‑값(0∼g‑1)으로 표현되는 로컬 결정을 그대로 유지하면서, 결함 검출을 위한 스펙트럼 분석과 동기화 테스트를 수행한다. 논문은 g‑값 입력 벡터 D와 논리 함수 f(x)의 스펙트럼 m₀…m_q을 정의하고, 이를 기반으로 고장(스턱‑앳) 여부를 판별하는 수식(20)을 제시한다. 결함이 탐지된 센서는 전역 라벨링 과정에서 제외되며, 남은 정상 센서들의 로컬 결정을 이용해 전역 우도비(Likelihood Ratio)를 계산한다. 이렇게 함으로써 결함 센서가 전체 융합 결과에 미치는 악영향을 최소화한다.

또한, 논문은 전통적인 Chair‑Varshney 규칙과 비교했을 때, MVL 기반 융합이 결함 허용성을 자연스럽게 내재하고 있음을 강조한다. 결함 탐지와 제거가 사전 단계에서 이루어지므로, 최종 라벨링 단계에서는 순수한 확률적 판단만 수행하면 된다. 실험에서는 버스트형 트래픽을 시뮬레이션하고, 다양한 결함 비율(0%~30%) 하에서 정확도와 오탐률을 측정하였다. 결과는 MMPP‑MVL 조합이 기존 이진 포아송 모델 대비 평균 12% 이상의 정확도 향상을 보였으며, 결함 비율이 증가해도 성능 저하가 제한적이었다는 점을 보여준다.

이와 같이, 본 연구는 (1) 시간적 버스트 맥락을 정량화하는 MMPP 모델, (2) 다값 정보를 보존하고 결함을 탐지·제거하는 MVL 프레임워크, (3) 두 모델을 통합한 전체 의사결정 흐름을 제시함으로써, WSN 환경에서 실시간, 고신뢰성, 고정밀 융합을 가능하게 한다는 점에서 학술적·실용적 의의를 가진다.

**