와이파이 지문 클러스터링으로 실내·실외 자동 구분

초록

본 논문은 모바일 기기의 와이파이 스캔 결과인 Wi‑Fi Fingerprint를 클러스터링하고, 클러스터 전이 그래프와 결합한 특징을 이용해 실내·실외 전환을 연속적으로 감지하는 방법을 제안한다. 12명의 참가자에게서 수집한 828시간 데이터로 학습한 Gradient Boosting Machine 모델은 AUC 0.94의 높은 성능을 보였으며, 짧은 시간(몇 시간)만 수집한 단일 기기 데이터만으로도 새로운 장소와 기기에 일반화할 수 있음을 입증한다.

상세 분석

이 연구는 기존 실내·실외 구분 방법이 GPS, 가속도계, 조도 등 다중 센서를 결합하거나 사전 구축된 라디오 맵에 의존하는 한계를 극복하고자, 오직 Wi‑Fi 수신기만을 활용한다는 점에서 차별성을 가진다. 핵심 아이디어는 Wi‑Fi Fingerprint를 고유한 RSSI 벡터로 정의하고, 이 벡터들 사이의 거리 측정에 순위 상관계수인 Spearman’s ρ를 적용한 것이다. 순위 기반 거리는 신호 강도의 절대값 차이보다 AP 존재 여부와 상대적인 순위 변화를 강조해, 환경 변화에 강인한 클러스터링을 가능하게 한다.

클러스터링 단계에서는 DBSCAN과 유사한 밀도 기반 알고리즘을 변형해, 동일한 AP 집합을 공유하는 Fingerprint를 하나의 클러스터로 묶는다. 이렇게 형성된 클러스터는 노드가 되고, 시간 순서대로 연속된 스캔 간 전이 관계를 엣지로 연결해 전이 그래프를 만든다. 전이 그래프는 “실내 → 실외”, “실외 → 실내”와 같은 전이 패턴을 정량화하는 데 사용되며, 클러스터 내 평균 RSSI, AP 수, 전이 빈도, 전이 방향 확률 등 다양한 파생 특징을 추출한다.

추출된 특징들은 라벨(실내/실외)과 함께 Gradient Boosting Machine(GBM) 등 여러 지도 학습 알고리즘에 입력된다. 실험 결과, GBM이 가장 높은 AUC 0.94를 기록했으며, Random Forest와 SVM도 경쟁력 있는 성능을 보였다. 특히, 훈련 데이터가 단일 기기에서 몇 시간만 수집된 경우에도 새로운 스마트폰 모델과 미지의 장소에서 동일한 정확도를 유지한다는 점은 모델이 Wi‑Fi 환경의 전반적인 통계적 특성을 학습했음을 의미한다.

이 방법의 장점은 (1) 별도의 라디오 맵 구축이 필요 없어 배포 비용이 낮다, (2) Wi‑Fi 스캔만으로 동작해 배터리 소모가 최소화된다, (3) 기기 독립성을 확보해 다양한 안드로이드·iOS 기기에 적용 가능하다. 반면, 몇 가지 한계도 존재한다. 첫째, Wi‑Fi 스캔 주기가 낮으면 전이 그래프가 희소해져 실시간 감지 지연이 발생할 수 있다. 둘째, AP 밀도가 매우 낮은 야외 환경에서는 클러스터 구성이 불안정해 오분류 위험이 있다. 셋째, 개인정보 보호 측면에서 AP MAC 주소를 수집·저장하는 과정이 법적·윤리적 검토가 필요하다. 향후 연구에서는 스캔 주기를 동적 조절하는 적응형 스케줄링, GPS·BLE와의 하이브리드 모델, 그리고 프라이버시 보호를 위한 해시 기반 AP 식별 기법을 통합할 여지가 있다.