디지털 트윈을 위한 이종 모델 정렬 프레임워크

초록

본 논문은 다계층 모델 기반 디지털 트윈에서 데이터, 모델, 메타모델, 온톨로지 간의 의미적 불일치를 해소하기 위해, 메타모델의 유연한 적응 메커니즘과 대형 언어 모델(LLM) 기반 자동 정렬 과정을 결합한 프레임워크를 제안한다. 공기질 관리 사례와 OAEI 벤치마크를 통해 자동 매핑 정확도와 확장성을 검증하였다.

상세 분석

이 논문은 디지털 트윈(DT)의 핵심 과제인 이질적인 모델 간 정렬 문제를 두 가지 혁신적인 축으로 접근한다. 첫 번째는 “유연한 적합(conformance) 메커니즘”으로, 기존 EMF와 유사한 메타모델링 프레임워크인 JSMF를 활용해 메타모델과 인스턴스 모델 사이의 강제성을 단계적으로 완화한다. 이를 통해 센서 추가, 속성 변동 등 실시간 데이터 변화에 메타모델이 즉시 반영될 수 있도록 ‘부분 적합(partial conformance)’과 ‘동적 타이핑(dynamic typing)’을 지원한다. 두 번째는 LLM 기반 정렬 프로세스로, 대형 언어 모델을 이용해 메타모델 요소와 도메인 온톨로지 개념 사이의 정확한 skos:exactMatch 매핑을 자동 생성한다. LLM은 문맥적 의미와 도메인 지식을 동시에 활용해 인간 전문가가 수행하던 수작업 매핑을 대체하고, 매핑 품질을 검증하기 위한 ‘정합성 검증 단계’를 포함한다.

기술적 구현 측면에서 저자는 JSMF의 프로토-메타모델, 온-더-플라이 커스터마이징, 사후 메타모델 추론 기능을 상세히 설명한다. 예시 코드(Listing 1.1, 1.2)에서는 건물·방·센서·컨트롤러 등 핵심 엔터티를 정의하고, CSV 기반 실시간 스트림 데이터를 모델 인스턴스로 변환하는 파이프라인을 구현한다. 특히 메타모델에 ‘유연한’ 속성을 부여해 새로운 센서 타입이 등장하면 기존 구조를 깨뜨리지 않고 확장할 수 있다.

정렬 정확도 평가는 OAEI 2022, 2023년 트랙(Anatomy, Conference, Knowledge Graph)에서 기존 온톨로지 매핑 도구와 비교했을 때, 정확도(F1) 0.87 이상을 기록하며 LLM 기반 접근법의 우수성을 입증한다. 또한, 공기질 사례에서는 2.5백만 건의 1분 간격 센서 데이터를 실시간으로 DT에 매핑하면서, 알람 규칙 적용 및 대시보드 시각화까지 전 과정을 자동화하였다.

이러한 설계는 메타모델과 온톨로지 간의 ‘구조적 일관성’과 ‘의미적 일관성’을 동시에 보장한다는 점에서 기존 정적 매핑 방식보다 훨씬 높은 확장성과 유지보수성을 제공한다. 다만, LLM 의존성으로 인한 비용 및 프롬프트 설계 복잡성, 그리고 실시간 성능 보장을 위한 인프라 요구사항이 남아 있다. 향후 연구에서는 경량화된 LLM 배포 전략과 메타모델 변화 감지 자동 트리거 메커니즘을 결합해 실시간 DT 운영 환경에 적용하는 방안을 모색할 필요가 있다.