Apache Kafka[7]는 실시간으로 데이터 피드를 관리하기 위한 오픈 소스 메시지 브로커 프로젝트로, 전통적인 엔터프라이즈 메시징 시스템의 대안으로 LinkedIn에서 개발하였다.

Kafka는 데이터를 HDFS에 저장하기 위해 파이프라인에 데이터를 입력하고, 큐로 데이터를 전송하는 큐잉 시스템으로, 데이터를 변환하는 컴포넌트가 변환된 데이터를 원격지의 컴포넌트에 전달하기 위해 발행/구독(Pub/Sub) 모델을 사용한다. 발행/구독(Pub/Sub) 모델은 아래의 <그림 1>과 같이 프로듀서, 컨슈머, 브로커로 구성된다. 토픽을 기반으로 데이터를 분류 저장하고, 메시지를 관리한다. 브로커는 토픽을 기준으로 메시지를 관리하고, 프로듀서는 특정 토픽의 메시지를 생성하고 해당 메시지를 브로커에 전달한다. 브로커가 전달받은 메시지를 분류하여 쌓아 놓으면, 해당 토픽을 구독하는 컨슈머들이 메시지를 가져가서 처리하게 된다.

웨어러블 디바이스를 통해 수집되는 피트니스 데이터는 HDFS 안에서 경량 라이브러리로 알려져있는 Kafka로 저장된다.

이렇게 저장된 데이터는 Spark Streaming으로 전송되어 데이터 전처리 작업을 진행하게 된다. Spark Streaming 서비스는 Kafka로부터 실시간 데이터를 받아 배치들로 나뉘게 되는데, Spark는 자신의 파일 시스템을 갖고 있지 않고, HDFS를 활용하기 위한 스트리밍 데이터와 배치 데이터로 처리한다[8].

이렇게 HDFS안에 Kafka를 활용해 데이터를 저장하고, Spark를 활용해 데이터 전처리 작업이 이루어지는데, 여기서는 <그림 2>와 같이 Lambda Architecture 기술을 활용하여 실시간 스트림 데이터 및 배치 데이터 처리를 지원한다.

Lambda Architecture[9]는 두 개의 입력과 하나의 출력을 갖는 구조로, 시스템에 들어오는 모든 데이터는 배치 계층과 스피드 계층으로 모두 발송된다. 배치 계층은 long-term으로 데이터를 일정주기로 미리 처리하여 사용자의 요구에 따라 그 결과를 제공하는 기능을 수행하고, 스피드 계층은 실시간으로 발생하는 데이터를 취급하는 기능을 담당하며 사용자에게 빠른 속도로 결과를 제공한다.

개인화 서비스는 사용자 신원, 신체 정보, 성향, 행동, 선호도 및 히스토리 등의 사용자 상황정보에 기반하여 사용자에게 효율적인 서비스를 제공하는것을 일컫는다. 개인화 서비스를 제공하기 위해서는 먼저 서비스를 제공하는 시스템들이 사용자의 요구정보와 사용자의 행동 및 선호도 등을 분석하고 그에 걸맞는 유효한 콘텐츠 서비스를 제공해야 한다[10-12].

프로파일이란 적합한 개인화 서비스 제공을 위해 먼저 진행되어야 하는 것으로, 서비스 제공 관련 정보들을 기계가 이해 가능한 언어로 작성된 것을 말한다. 대부분의 프로파일 정보들은 앞서 작성될 수 있으며, 필요에 따라 사용자 환경에 적응화 시킨 서비스를 제공하는 정보 제공자의 역할을 수행한다. 특히, 사용자 선호정보 프로파일에는 사용자와 관련된 정보를 명시한 것으로 사용자의 정적인 정보인 사용자 단말 능력, 사용자 선호도 및 사용자 기본 정보 등과 함께 동적인 정보인 현재 위치 및 주변 환경 등도 포함된다[13]. 개인화 서비스를 제공할 때, 사용자 프로파일을 사용하고자 한다면, 사용자 선호정보 처리 문제 및 사용자에게 적합한 정보를 제공하는가에 대한 문제는 개인화 서비스 제공 방식을 선택할 때 매우 중요한 요소이다.

상황인식 컴퓨팅은 1994년 Schilit와 Theimer 등에 의하여 최초로 논의되었고, 그 당시 상황인식 컴퓨팅에 대한 정의를‘사용 장소와 주변 사람 그리고 물체의 집합 등에 따라 적응적이면서, 동시에 시간의 경과에 따라 이러한 대상들의 변화마저도 수용할 수 있는 소프트웨어’라 하였다. 그 후 많은 연구자들 및 Dey의 연구에서 상황에 대한 여러 정의를 기술하였으며, 또한 상황인식 응용이라 함은 사용자와 응용에 관한 상황을 기반으로 하고 있으며, 그들의 행동 변화를 동적으로 가능케 하고, 적응시킬 수 있는 응용이라 정의하였다. 상황인식 컴퓨팅에 대한 정의는 많은 시도에도 불구하고, 대부분의 정의들이 지나치게 특정적이었으나, 사용자에게 개선된 상황인식 컴퓨팅 서비스를 제공하는 과정 중에 ‘상황’을 사용한다면, 이를 상황인식 시스템으로 정의한다[14-16].

기존의 상황인식 프레임워크 관련 연구에는 Context Toolkit, CoBra, SOCAM, Gaia 등이 있다. Context Toolkit 프레임워크는 하위 레벨의 센싱과 상위 레벨의 응용을 구분하였다. 원시 센서 정보를 수집한 후 이것을 어플리케이션이 이해 가능한 형식으로 변환하여 이를 필요한 어플리케이션에게 전달하는 기능을 수행하는 미들웨어 계층을 제시하였다. Context Toolkit의 장점은 재사용성을 높이고 확장이 용이하다는 것이다. 하지만 상황정보에 대한 구체적체적인 표현방법 및 추론방법을 제공하지 못한다. 또한 상황정보의 동적 변환에 대한 대처가 충분하지 못하며, 사용자의 성향, 선호도 및 상황을 고려하는 등의 사용자의 만족을 충족시킬만한 적절한 서비스 제공 방안은 부족하다[17]. Illinois 대학에서 주관한 Gaia 프로젝트는 상황인식 서비스 미들웨어 구조로 개발되었다. Gaia는 사용자 중심적 상황정보를 활용해서 서비스하고자 센싱되고, 통합되고, 추론되는 상황정보를 처리할 수 있다. 그러나 Gaia는 사용자의 선호도 및 성향을 고려한 서비스를 제공하기 위한 필요한 학습 기능이 부족하다. 따라서 Gaia는 학습된 상황정보 생성 및 처리에 다소 문제점을 가지고 있다[18].

Service-oriented Context-Aware Middleware인 SOCAM은 상황인식 모바일 서비스를 쉽게 개발 가능하도록 하기 위한 프레임워크이다. SOCAM은 분산된 상황정보 제공자들로부터 획득한 상황정보를 이를 적절한 형태로 가공한 뒤, Context Interpreter라 하는 중앙 서버를 사용하는데, 이것은 상황인식 서비스에 정보를 제공하는 기능을 수행한다. 상황인식 모바일 서비스들은 아키텍처의 최상단에 위치하며, 각기 다른 수준(레벨)의 상황정보를 이용하여 동적으로 자신의 행동을 변화시키게 된다[19].

유효한 개인화 서비스를 지원하기 위해서는 데이터의 품질 및 정확성이 중요하다. 제안하는 기법은 사용자 상황 및 프로파일을 고려함으로써 상황기반 서비스를 위한 데이터 품질 향상 및 정확도 향상 측면을 높인다. 제안하는 기법의 전체적인 흐름 및 구조는 <그림 3>과 같다. 웨어러블 디바이스를 통해 센싱된 데이터는 Kafka와 Spark Streaming을 활용하여 데이터 수집 및 전처리 과정을 거치게 된다. 이러한 과정을 거쳐 정제된 데이터는 사용자 상황 추론을 위한 상황엔진으로 전달되고, 상황엔진에서 도출된 결과는 다시 서비스 제공자에게 공급되어 효율적인 개인화 서비스를 지원한다.

상황엔진은 두 개의 요소로 구성된다. 전달받은 데이터에 대한 중복성 검사를 수행하는 유효 처리기와 유효 처리기를 거쳐 온 데이터인 상황정보를 이용하여 추론을 수행하는 추론 엔진이 그것이다. 상황추론을 함에 있어, 사용자에게 발생하는 다양한 상황정보 및 개인정보를 저장하고 이를 활용하기 위해 사용자 프로파일을 이용한다. 사용자의 프로파일은 온톨로지를 이용하여 <그림 4>와 같이 구성하였으며, 이는 사용자 정보, 기타 정보, 그리고 센싱된 정보를 저장하고 관리하는 기능을 수행한다[11]. 본 논문에서는 일상생활 및 운동으로부터 발생하는 여러 데이터 중에 헬스케어와 관련 깊은 혈압, 맥박, 체온 3가지로 진행하였다.

유효 처리기는 전송된 상황정보에 대하여 중복성 검사를 실시하는 기능을 수행한다. 여기서 다루고 있는 데이터의 특성상, 전달되는 데이터는 운동중이거나 일상생활을 수행하고 있을 때는 그 범주안에서 발생하는 데이터 값이 대체로 매우 유사한 특징을 갖고 있다. 중복성을 갖는 데이터란 데이터 값이 동일한 것을 의미하나, 이 논문에서 다루고 있는 데이터는 순간순간 미세한 차이로 달라지는 특징을 갖고 있으므로, 단순 동일한 데이터 이외에도 이전 데이터와 크게 차이나지 않는 데이터 역시 중복데이터의 범주에 들어간다. 이런 경우 매우 유사한 값을 갖는 데이터의 경우에 중복 여부를 결정하기가 쉽지 않다. 본 논문에서는 맥박, 체온, 혈압에 대한 offset을 활용한다. 이 offset은 허용오차를 의미하며, 이를 통한 중복성 처리 알고리즘은 <그림 5>에 제시되어 있다.

유효 처리기에서 데이터의 중복성 검사를 실시 한 후 전송된 데이터와 사용자 정보가 담긴 프로파일을 이용하여 사용자의 상황을 추론하는 기능을 수행하는 것이 추론엔진이다. 본 기법에서는 Bossam을 사용하였는데, Bossam은 ETRI에서 개발된 온톨로지 규칙 추론 기능이 내장되어 있는 axiomatic 방식의 추론 시스템이다[20]. Bossam 추론엔진은 규칙 기반 추론 시스템으로 프로그램 크기가 작고 경량화 되어 있으며, 추론 속도가 빠른 장점을 갖는다. 아래의 <표 1>은 본 논문에서 정의한 규칙 중 일부이며, 규칙을 정의하기 위한 언어로 RuleML을 사용하였다.