와이파이 로그만으로 인간 이동 행동을 프라이버시 보호하며 인식하기

본 논문은 프라이버시를 보장하면서도 와이파이 네트워크의 불완전한 로그 데이터를 활용해 실내 인간 이동 행동을 인식할 수 있음을 실증한다. 연구 배경으로는 대학 캠퍼스, 병원, 공항 등 공공 실내 공간에서 제공되는 Eduroam 같은 와이파이 서비스가 방대한 연결 로그를 자동으로 생성한다는 점을 들었다. 기존 연구들은 물리층 신호(CSI, RSSI)나 GPS, 가속도계 등 추가 센서를 활용해 개인의 위치나 움직임을 추정했지만, 이러한 방법은 프라이버시 침해 위험과 높은 비용을 동반한다. 저자는 이러한 문제를 회피하고자, AP에 연결된 디바이스 수라는 가장 기본적인 메타데이터만을 사용한다는 전제하에 연구를 설계했다. 데이터는 캐나다 폴리테크닉 몬트리올 캠퍼스 내 두 층에 설치된 다수의 AP에서 수집했으며, 수집 기간 동안 발생한 연결·해제 이벤트를 시간 구간(5분 또는 10분)별로 집계했다. 전처리 단계에서는 각 구간에 대해 평균, 분산, 최소, 최대, 합계 등 5가지 통계량을 AP별로 계산해 특성 벡터를 구성했다. 라벨링은 대학의 강의 일정에 기반했으며, ‘수업 종료’와 ‘수업 사이 짧은 휴식’ 두 가지 행동을 정의했다. 중요한 점은 데이터에 존재하는 잡음(연결 누락, 디바이스 비활성화, AP 커버리지 한계 등)을 보정하거나 제거하지 않았다는 것이다. 이는 실제 운영 환경에서 데이터 품질이 낮아도 모델이 유의미한 결과를 낼 수 있는지를 검증하기 위한 의도적인 선택이다. 머신러닝 모델로는 Bagged Trees(배깅된 결정 트리)와 Random Forest, SVM 등 여러 알고리즘을 시험했으며, 최종적으로 Bagged Trees가 가장 높은 정확도를 보였다. ‘수업 사이 짧은 휴식’ 패턴은 93.7 %의 정확도로, ‘수업 종료’ 패턴은 83.3 %의 정확도로 분류되었다. 높은 정확도의 원인은 강의 일정이라는 외부 규칙성이 강하게 작용해, 학생들이 동시에 이동하거나 AP 연결 수가 급격히 변동하는 시점이 뚜렷하게 드러나기 때문이다. 반면, 수업 종료 직후에는 일부 디바이스가 여전히 연결된 상태가 지속되거나, Wi‑Fi를 끄는 사용자가 있어 데이터가 불완전해 정확도가 다소 낮아졌다. 프라이버시 보호 측면에서는 MAC 주소, 디바이스 모델, 사용자 식별 정보 등을 전혀 사용하지 않았다. 로그는 오직 AP별 디바이스 수만을 포함하므로, 개인을 재식별할 수 있는 위험이 실질적으로 없으며, GDPR·CCPA와 같은 규제 요구사항을 충족한다. 또한, 데이터 저장·처리 비용이 낮아 대규모 실내 환경에 적용하기 용이하다. 논문은 또한 데이터 품질 문제와 프라이버시 이슈를 별도로 논의한다. 데이터 품질은 디바이스의 Wi‑Fi 활성화 여부, 배터리 상태, AP 커버리지 등으로 인해 불완전해질 수 있다. 저자는 이러한 불완전성을 보정하지 않고도 모델이 학습·예측에 충분히 활용될 수 있음을 실험을 통해 증명했다. 프라이버시 측면에서는 민감 정보의 수집을 최소화하고, 필요시 해시 처리 등 추가 익명화 기법을 적용할 수 있음을 제시한다. 한계점으로는 연구가 특정 건물의 두 층에 한정된 데이터에 기반한다는 점, 강의 일정이라는 외부 라벨링이 없는 일반 실내 환경에서는 동일한 성능을 기대하기 어렵다는 점을 들었다. 또한, AP 배치와 커버리지, 디바이스 종류에 따라 연결 패턴이 달라질 수 있어 모델의 일반화 가능성을 검증하기 위한 추가 연구가 필요하다. 향후 연구에서는 다중 건물·다중 캠퍼스 데이터, 다양한 시간 구간, 그리고 다른 종류의 무선 네트워크(Bluetooth, LTE)와의 융합을 통해 보다 보편적인 인간 행동 인식 프레임워크를 구축하고자 한다. 결론적으로, 이 논문은 최소한의 메타데이터와 간단한 머신러닝 기법만으로도 실내 인간 이동 행동을 높은 정확도로 인식할 수 있음을 입증했으며, 프라이버시 보호와 저비용 구현이라는 두 축을 동시에 만족하는 실용적인 접근법을 제시한다. 이는 스마트 캠퍼스, 공공 시설 관리, 비상 상황 대응 등 다양한 응용 분야에 바로 적용 가능함을 시사한다.