활동 로그로 보는 IoT 기기 유사성 탐색

초록

본 논문은 스마트 홈 환경에서 IoT 기기의 활동 로그를 문장처럼 취급하여 Word2Vec 기반 임베딩을 생성하고, 이를 통해 기기 유형을 식별하거나 유사 기기를 찾아내는 IoT2Vec 프레임워크를 제안한다. CASAS Kyoto 데이터셋을 활용한 실험에서 세션 간격을 달리 설정한 t‑SNE 시각화를 통해 기기 간 컨텍스트 유사성을 확인했으며, 기기 교체·구매·위치 분류 등 다양한 활용 가능성을 논의한다.

상세 분석

이 논문은 IoT 기기의 사용 패턴을 “단어”에, 연속적인 사용 이벤트를 “문장”에 비유함으로써 자연어 처리 기법을 IoT 분야에 적용한다는 점에서 혁신적이다. 먼저 저자들은 IoT 기기의 활동 로그에서 의미 없는 센서(조도, 자이로 등)를 제외하고, 상태 전이(ON↔OFF)만을 추출한다. 이후 일정 시간 간격(세션 갭)을 기준으로 연속된 이벤트를 하나의 세션으로 묶어, 각 세션을 Word2Vec의 입력 문장으로 변환한다. 이렇게 구성된 코퍼스는 Skip‑gram 혹은 CBOW 모델을 통해 각 기기 ID에 대한 고정 차원(예: 100) 임베딩 벡터를 학습한다.

핵심 가정은 네 가지 Lemma에 정리된다. Lemma 1은 동일한 생활 패턴을 가진 가정에서 유사 기기가 유사한 시간대에 활성화된다는 점을, Lemma 2는 기기 유형별 사용 패턴이 구별 가능함을, Lemma 3은 시간·위치 정보가 추가적인 구분력을 제공함을, Lemma 4는 이러한 패턴을 임베딩으로 압축할 수 있음을 주장한다. 이러한 가정을 바탕으로 저자들은 임베딩 간 코사인 유사도와 t‑SNE 시각화를 이용해 기기 간 클러스터링을 확인한다.

실험에서는 CASAS Kyoto 데이터셋(2년치, 다수의 모션·도어·아이템·스위치 센서)에서 10 s, 60 s, 600 s 세션 갭을 적용해 t‑SNE 플롯을 생성하였다. 결과는 주방·냉장고·전자레인지와 같은 공간적으로 인접한 기기들이 동일 클러스터에 모이는 현상을 보여준다. 특히 60 s 세션에서는 냉동고 도어 센서(D008)와 주방 모션 센서(M015‑M017)가 높은 유사도를 보였으며, 이는 실제 물리적 위치와 사용 상황이 임베딩에 반영된 사례다. 또한 화장실 주변 센서들(M038‑M041, D005‑D006) 역시 세션 간격에 관계없이 일관된 클러스터를 형성해, 위치 기반 유사성이 임베딩에 강하게 투영됨을 확인했다.

알고리즘 1은 새로운 기기의 로그를 동일한 전처리·세션화 과정을 거쳐 임베딩을 만든 뒤, 저장된 기기 임베딩과의 유사도를 계산해 가장 높은 유사도가 임계값을 초과하면 해당 유형으로 분류한다는 간단하면서도 실용적인 절차를 제시한다. 이는 고장 난 기기의 대체품을 자동 추천하거나, IoT 마켓플레이스에서 사용 패턴 기반 검색을 구현하는 데 직접 활용 가능하다.

한계점으로는(1) 로그 품질에 크게 의존한다는 점, (2) 세션 갭 선택이 결과에 민감하게 작용한다는 점, (3) 현재 실험이 단일 가정 데이터에 국한돼 일반화 검증이 부족하다는 점을 들 수 있다. 향후 연구에서는 다가구·다양한 환경 데이터를 통합하고, 동적 세션 추출 기법이나 시계열 모델(LSTM 등)과 결합해 임베딩의 표현력을 강화할 여지가 있다.