개인화 서비스는 사용자 처한 현재 상황, 행동 및 사용자의 성향이나 선호도 등의 정보를 활용하여 사용자에게 적응화 된 서비스를 제공함을 말한다. 개인화 서비스를 제공하기 위해서는 먼저 서비스를 제공하는 시스템들이 사용자의 요구정보, 사용자 행동 및 선호도 등을 분석한 후에, 그에 적합한 서비스를 제공해야 한다[5-8]. 이러한 개인화 서비스를 제공하기 위하여 가장 먼저 고려되어야 하는 사항은 바로 사용자의 관심정보 수집과 제공에 관한 것이다. 따라서 사용자 선호정보에 대한 프로파일링(Profiling) 기술 관련 연구들이 활용분야에서 진행되고 있다.

1994년 Schilit와 Theimer 등에 의하여 최초로 논의되었던 상황인식 컴퓨팅은 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 기술하였다. 또한 상황인식 응용의 정의를 사용자와 응용에 관한 상황을 기반으로 하고 있으며, 그들의 행동 변화를 동적으로 가능케 하고, 적응시킬 수 있는 응용이라 하였다. 상황인식 컴퓨팅에 대한 정의는 많은 시도에도 불구하고, 대부분의 정의들이 지나치게 특정적이었다. 사용자에게 개선된 상황인식 컴퓨팅 서비스를 제공하는 과정 중에 ‘상황’을 사용한다면, 이를 상황인식 시스템으로 정의한다[11-13].

상황인식 프레임워크 관련 연구에는 Context Toolkit, CoBra, SOCAM, 그리고 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 역할을 담당하는 미들웨어 계층을 제시하였다. Context Toolkit의 장점은 재사용성을 높이고 확장이 용이하다는 것이다. 하지만 상황정보에 대한 구체적인 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[14]. Illinois 대학 주관으로 개발된 Gaia 프로젝트는 상황인식 서비스 미들웨어 구조이다. Gaia는 서비스 제공을 위해 사용자 중심적 상황정보를 활용하는 센싱된, 통합된, 추론된 상황정보 처리가 가능하다. 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[15].

Service-oriented Context-Aware Middleware인 SOCAM은 상황인식 모바일 서비스를 보다 쉽게 개발하기 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. 상황인식모바일 서비스들은 아키텍처의 최상단에 위치하며, 각기 다른 수준(레벨)의 상황정보를 이용하여 동적으로 자신의 행동을 변화시키게 된다[16].

앞서 언급한 기존의 서비스들은 주로 사용자의 과거 기록 정보를 참고하여 제공되므로, 사용자의 현재 상황을 고려하기는 쉽지 않다. 본 논문에서 제안하는 기법은 자주 이용되는 서비스 정보, 사용자 개인정보, 히스토리 및 선호도 등이 저장된 프로파일과 사용자에게 발생하는 상황정보를 활용하여 모바일 클라우드 컴퓨팅 환경에서 보다 적합한 서비스를 지원하는 상황 기반 개인화 서비스 기법이다. 제안된 개인화 서비스를 위한 기법의 구조는 <그림 1>과 같다.

제안 기법은 센서 처리기, 상황정보 수집기, 상황엔진과 프로파일로 구성되어 있다. 센서 처리기는 주변에 산재되어 있는 센서들로부터 센싱된 정보를 수집하여 상황정보 수집기로 전달하는 역할을 수행한다. 상황정보 수집기는 센서 처리기로부터 전달받은 데이터를 컴퓨터가 인식 가능하도록 디지털로 변환시키는 센서 데이터 변환기와 스트림 처리기로 구성된다. 상황엔진은 유효 처리기와 추론엔진으로 구성되는데, 센서 데이터 변환기로부터 데이터를 전달받은 유효 처리기에서 데이터의 중복성 검사를 수행하며, 추론 엔진은 유효 처리기로부터 전달받은 상황정보와 사용자 프로파일의 정보를 이용하여 사용자의 상황을 추론하는 기능을 담당한다. 사용자 프로파일은 온톨로지를 이용하여 <그림 2>와 같이 구성하였다.

이것은 사용자정보, 기타정보, 및 센싱된 정보를 저장 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 대한 중복성 검사를 실시한다. 여기서 다루고 있는 데이터의 특성상, 전달되는 데이터는 운동 중이거나 일상생활을 수행하고 있을 때는 그 범주 안에서 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. 여기에서는 맥박, 체온, 혈압에 대하여 허용오차를 허용하는 offfset을 활용하는 것이며, 이에 대한 중복성 처리 알고리즘은 <그림 3>에 제시되어 있다. 중복성 처리 알고리즘으로 상황정보가 중복되었다고 판정되면 해당 상황정보는 폐기된다.

유효 처리기에서 데이터의 중복성 검사를 실시한 후 전송된 데이터와 사용자 정보가 담긴 프로파일을 이용하여 사용자의 상황을 추론하는 기능을 수행하는 것이 추론엔진이다. 본 기법에서는 온톨로지 규칙 추론 가능한 기능이 내장된 axiomatic 방식의 Bossam 추론 시스템을 사용하였다[17]. Bossam 추론엔진은 규칙 기반 추론 시스템으로 프로그램 크기가 작고 경량화 되어 있으며, 추론 속도가 빠른 장점을 갖는다. 본 논문에서 정의한 규칙은 <표 1>과 같으며, 규칙을 정의하기 위한 언어로 RuleML을 사용하였다.

정의한 규칙 및 프로파일 정보를 활용하여, 사용자의 상황이 운동 가능한 장소에 있었던 얼마나 자주 있었는지를 보여주는 빈도수, 그 장소에서 실제 운동할 확률 및 그 장소에서 수집되는 센싱값이 포함되는 범주가 일상 또는 운동에 있는지 여부에 따라 상황이 추론되며, 사용자 상황 추론을 위한 알고리즘은 <그림 4>와 같다.