김진철의 How-to-Big Data | 빅데이터의 미래 (7)

이번 글에서는 사물 간 통신을 위한 사물인터넷(Internet of Things; IoT)과 사물의 지능을 높이는 기술인 에지 컴퓨팅(Edge computing) 기술이 사이버 물리 시스템(Cyber-Physical Systems)과 빅데이터 기술의 발전에 어떻게 관련되어 앞으로 영향을 줄 것인지 같이 생각해보도록 하자. 사물인터넷과 에지 컴퓨팅 기술은 사이버 물리 시스템의 가장 외곽, 또는 최전방에서 사용자와 직접 접하는 기술이기 때문에 사이버 물리 시스템의 발전으로 나타나는 변화를 사용자가 가장 쉽게 체감하게 할 기술 영역이 될 것이다. 이와 함께, 다른 기술들에 비해서 상대적으로 적은 자원과 비용, 시간을 필요로 하는 기술 영역이라 새로운 상품과 비즈니스 기회를 발견하기에 용이하여 앞으로 사이버 물리 시스템의 발전을 체감하는데 가장 큰 영향을 줄 기술 영역이다.

먼저, 사물인터넷(IoT)이 사이버 물리 시스템과 어떤 관련이 있는지 같이 살펴보자. 이를 위해서는 사물인터넷과 관련된 개념과 역사를 조금 살펴볼 필요가 있다. 

사물인터넷이라는 용어는 1999년 프록터 앤드 갬블(Procter & Gamble(P&G))에서 브랜드 매니저로 근무하던 케빈 애쉬턴(Kevin Ashton)에 의해서 처음으로 사용되기 시작하였다[2]. 그가 이 용어를 사용하기 시작했던 초반에는 과거 유사한 개념의 말로 많이 쓰였던 유비쿼터스 센서 네트워크(Ubiquitous Sensor Network; USN)나 사물지능통신(M2M)과 비슷한 개념으로 많이 사용하였다. 하지만, 케빈 애쉬턴의 사물인터넷에 관한 후반부의 글에서 사물인터넷의 중요한 요소로 사람이 등장하기 시작하며, 이 때부터 기존에 유사한 개념으로 사용되었던 용어인 유비쿼터스 센서 네트워크(Ubiquitous Sensor Network; USN)나 사물지능통신(M2M)의 확장된 개념으로 발전하기 시작했다[2].

과거 많이 사용되었던 “유비쿼터스 센서 네트워크(Ubiquitous Sensor Network; USN)”는 센서로부터 수집되는 데이터가 센서 데이터를 분석하는 사람으로 전달되는 단방향 데이터 수집을 위한 네트워크의 성격이 강하다. 센서 네트워크에 연결된 센서들은 데이터 수집이 목적인 수동적인 디바이스인 경우가 많으며, 센서들이 수집해 보낸 데이터를 분석하는 주체는 자동화된 인공지능 시스템이 아닌 사람인 경우가 많았다. 유비쿼터스 센서 네트워크(Ubiquitous Sensor Network; USN)는 또한 특수한 목적을 위해 개별적으로 구축되며, 각 디바이스에 부여되는 식별자는 해당 센서 네트워크 내에서는 고유한 값이지만, 지구 전체에 있는 센서 네트워크 모두에서는 고유한 값이 아니다[2].

“사물지능통신(M2M)”은 “유비쿼터스 센서 네트워크(Ubiquitous Sensor Network; USN)”와 함께 “사물인터넷(IoT)”과 비슷한 의미로 많이 사용된 용어 가운데 하나이다. 하지만, 당시 “사물지능통신(M2M)”이 쓰인 배경을 살펴보면 오늘날 사용되는 “사물인터넷(IoT)”과는 다른 차이점을 볼 수 있다.

“사물지능통신(M2M)”은 앞서 언급한 “유비쿼터스 센서 네트워크(Ubiquitous Sensor Network; USN)”와는 달리 데이터가 단방향으로만 흐르는 것이 아니라, 사물지능통신(M2M) 네트워크에 연결된 디바이스로부터 데이터를 전달받은 중앙의 서버에서 자동화된 데이터 처리나 의사 결정을 한 후, 다시 디바이스를 제어하거나 동작시키는 피드백 데이터를 중앙의 서버에서 디바이스까지 전달하도록 양방향으로 데이터가 흐른다. 이 때문에 데이터 수집보다는 디바이스 제어를 위한 성격이 강한 네트워크이다[2].

“사물지능통신(M2M)”은 “유비쿼터스 센서 네트워크(Ubiquitous Sensor Network; USN)”와 같이 특수한 목적을 위해 구축되는 폐쇄적이고 지역적인(local) 네트워크이다. 사물지능통신(M2M) 네트워크가 인터넷에 연결되어 사물인터넷과 유사한 성격으로 동작, 운영되는 경우도 있기는 하지만, 이 때에도 가상사설망(Virtual Private Network; VPN)과 MPLS(Multi-Protocol Label Switching) 기술로 논리적으로 망을 분리해서 사용하기 때문에 사실상 특정한 목적에 맞는 폐쇄적, 지역적인 네트워크로 운영된다[2].

“유비쿼터스 센서 네트워크(Ubiquitous Sensor Network; USN)”와 같이 “사물지능통신(M2M)”에 부여되는 식별자들은 해당 “사물지능통신(M2M)”에서는 고유하지만, 지구 전체의 사물지능통신(M2M) 전체를 통틀어서 고유하지 않다. 이런 측면에서는 “유비쿼터스 센서 네트워크(Ubiquitous Sensor Network; USN)”와 비슷하며, 사물인터넷이 IPv4, IPv6 기반으로 전지구에서 식별될 수 있는 고유의 식별자를 가지게 되는 것과는 달리 지역적(local)인 성격이 강한 기술이라고 볼 수 있다[2].

위에서 설명한 “유비쿼터스 센서 네트워크((Ubiquitous Sensor Network; USN)”와 “사물지능통신(M2M)”에 비교해서 “사물인터넷(IoT)”은 인터넷과의 연결을 통해 사람이 사용하는 휴대용 단말기, 인터넷 서비스와 사물 간 연결성과 이로 인한 개방성이 좀더 강조된다. 사물인터넷의 개방성으로 인해 사물인터넷에 연결된 모든 디바이스와 사물들은 각자 고유한 식별자를 가지게 되어 전역적(global)인 성격이 강해지며, 인터넷에 연결된 사물들은 앞으로 IPv6 주소 형태의 고유 식별자를 가지게 될 것으로 보인다[2].

“사물지능통신(M2M)”은 서로 같거나 비슷한 종류의 기기들이 각자 서로 사전에 정의된 지능(intelligence)을 가지고 특정한 목적을 위해 연결(예를 들면 공장자동화 등)되어 사전에 정의된 작업을 협업의 형태로 수행한다. 하지만, “사물인터넷(IoT)”은 연결의 대상이 인터넷에 연결된 모든 서비스와 사물, 그리고 이동통신 단말을 사용하는 사람으로 확장되며, 사물들 사이의 연결을 통해 수행되는 작업이 사전에 정의되지 않거나 정의되기 어렵다.

“유비쿼터스 센서 네트워크((Ubiquitous Sensor Network; USN)”와 “사물지능통신(M2M)”은 특정한 목적을 전제로 하여 폐쇄적인 네트워크로 구축되지만, “사물인터넷(IoT)”은 다양한 종류의 사물과 사람 간 개방적인 연결과 메시업(mesh-up)을 통해 새롭게 창출되는 서비스를 통해서 지속해서 진화, 발전해가는 것도 큰 차이점이다. 이렇게 개방성을 전제로 한 “사물인터넷(IoT)”에서 보안 문제는 해결하기 어려우면서도 훨씬 중요한 문제가 된다[2].

“유비쿼터스 센서 네트워크((Ubiquitous Sensor Network; USN)”와 “사물지능통신(M2M)”에서는 지그비(Zigbee), 블루투스 LE(Bluetooth) 등의 근거리 통신 프로토콜이 많이 언급되었지만, 이들 근거리 통신 프로토콜들은 “사물인터넷(IoT)”에서 쓰이는 기술의 일부일 뿐이다. 서비스와의 연결 및 사물 간 통신 범위에 따라 와이파이 다이렉트(Wi-Fi Direct), LTE 다이렉트(LTE Direct) 등의 기기 간 통신 프로토콜, 일반 인터넷 프로토콜인 TCP/IP, HTTP를 사용하기도 하고, 최근에는 이동통신 기술의 발전으로 LTE 및 5G 이동통신을 이용한 셀룰러 사물인터넷(Cellular IoT) 통신 기술도 발전하고 있다.

“사물인터넷(IoT)”의 확장된 연결성과 개방성 때문에 연결되는 사물마다 “사물지능통신(M2M)”과는 다른 수준의 고도의 인공지능 기술이 필요하게 된다. 특정한 목적을 위해 별도로 구축된 네트워크를 사용하는 것이 아니라 5G 이동통신과 Wi-Fi를 이용한 저지연(low latency), 고대역폭(high bandwidth) 통신을 통해 서로 연결되기 때문에 사물 상호 간, 인터넷 서비스와 사물 사시에 서로 교환하는 정보와 데이터의 양이 급증하면서 상호작용의 복잡도가 급격하게 높아지게 된다. 사물인터넷의 개방성 때문에 인해 연결되는 사물의 종류와 수가 크게 늘어나는 것에 따라 연결된 사물들로부터 수집되는 데이터의 처리도 한층 더 자동화, 지능화된다.

앞에서 과거 비슷한 개념으로 사용된 세 가지 용어인 “유비쿼터스 센서 네트워크((Ubiquitous Sensor Network; USN)”와 “사물지능통신(M2M)”, “사물인터넷(IoT)” 간의 차이점을 살펴보면서 사물인터넷이 어떤 것인지 좀더 명확하게 이해해 보았다. 이제 “사물인터넷(IoT)”과 “사이버 물리 시스템”, “빅데이터” 기술사이에 어떤 차이와 관련이 있는지 좀더 생각해보기로 하자.

“사물인터넷(IoT)”은 연결된 사물 간 협업, 상호작용의 통합과 지능의 수준을 높이는 것보다는 사물과 인터넷 서비스, 사람이 사용하는 이동통신 단말 사이의 연결성이 좀더 강조된다. 사물지능통신(M2M)의 경우 사물지능통신(M2M)을 위한 폐쇄된 네트워크가 구축되고, 사전에 정의된 목적에 맞게 사물들이 통신하여 협력하도록 개발, 구축되는 경향이 강했다면, 사물인터넷은 인터넷을 통해 영역과 경계를 넘는 다양한 사물들과 인터넷 서비스, 이동통신 단말을 통한 사람과의 연결이 더 강조된다.

사물인터넷이 이런 연결성의 확장을 강조하는 것과 달리, 사이버 물리 시스템은 오히려 그 개념에 있어서는 사물지능통신(M2M)에 더 가깝다고 볼 수 있다. 먼저, 사이버 물리 시스템은 사물인터넷과는 달리 사이버 물리 시스템 내의 구성 요소들 사이의 연결에 인터넷을 이용한 개방된 연결과 연결 영역의 확장을 전제 조건으로 삼지는 않는다. 오히려 종류에 따라 보안과 안전성의 이유로 사이버 물리 시스템 내에서 폐쇄된 네트워크를 사용하는 것이 바람직한 경우도 있다. 

사이버 물리 시스템은 사이버 물리 시스템을 구성하는 구성 요소와 하위 계층의 서비스, 장치 간 서비스 목적에 맞게 좀더 밀접하고 일관성 있게 통합된 연결성과 상호작용을 추구한다. 사물인터넷이 우선 사물 간 연결을 중시하고 연결된 사물들을 가지고 어떤 일들을 할 수 있을지 고민하는 성격이 강하다면, 사이버 물리 시스템은 사이버 물리 시스템을 구성하는 구성 요소들과 하위 계층의 구성 요소와 서비스, 장치들이 사이버 물리 시스템이 설계, 개발된 목적에 따라 좀더 구체적이고 명료한 상호작용의 절차와 프로토콜을 가지고 있다. 이런 측면에서 사전에 사물 간 통신의 목적이 정의되고, 이 목적에 맞는 지능이 연결된 사물들에 부여되는 사물지능통신(M2M)의 개념을 사이버 물리 시스템이 사물인터넷보다는 좀더 충실하게 계승하고 있다고 볼 수 있다.
 

사물인터넷에 비해서 사이버 물리 시스템은 사이버 물리 시스템을 구성하는 사이버 요소와 물리 요소 사이의 인터넷 및 네트워크를 통한 연결이 좀더 시스템의 설계, 구축 목적에 맞도록 유기적이고 긴밀히 조율된 것이 다르다. 비유하자면, 사물인터넷은 따로 떨어져서는 각각의 개체이지만, 서로 일정한 규칙으로 협력하여 행동하게 되면 마치 지능을 가진 것처럼 보이는 철새들의 V 편대 비행, 새 떼의 비행과 같은 “군집 지능(collective intelligence)” 형태의 지능을 가진다. 사이버 물리 시스템은 우리의 몸과 같이 각 구성 요소가 고유의 목적과 이를 만족시키기 위한 지능과 역할을 가지면서, 다른 구성요소와 사전에 정의된 연결 방식을 통해 상호작용하고 더 고등한 수준의 행동을 만들어내는 우리의 몸과 비슷하다고 생각할 수 있다.

사물인터넷에서 나타나는 지능과 상호작용의 패턴은 위에서 얘기한 것처럼 군집 지능(collective intelligence)에 가깝기 때문에, 인터넷의 개방성으로 인해 서로 다른 서비스와 디바이스가 계속해서 새롭게 연결되고 메시업(mesh-up)되면서 예측하지 못한 방식으로 발전되고 진화할 가능성이 높다. 인터넷을 통해 연결되는 사이버 물리 시스템도 그 지능과 상호작용의 패턴이 사물인터넷 서비스와 같이 점점 더 진화하는 것은 비슷하지만, 사물인터넷에 비해서는 상대적이고 조직적이고 유기적이며, 사이버 물리 시스템의 설계 목적에 준한 진화라는 점에서 좀더 체계적이고 그 진화 방향을 어느 정도 예측해볼 수 있다는 것이 다르다.

사물인터넷 기술과 서비스의 발전이 사이버 물리 시스템의 발전, 그리고 사이버 물리 시스템 발전에 따른 빅데이터 기술, 비즈니스와 데이터 과학에 어떤 영향을 주게 될까? 사물인터넷과 사이버 물리 시스템은 같은 듯하면서도 분명히 서로 차이가 있는 기술이지만, 앞으로 어떻게 상호작용하면서 발전해 나갈까?

사물인터넷과 사이버 물리 시스템의 경계가 모호한 측면이 없지 않지만, 필자는 사물인터넷 기술과 서비스가 사이버 물리 시스템에서 우리 몸의 감각기관들이 외부 세계의 정보를 수집하는 것과 같은 데이터 수집의 역할과, 우리 몸의 손, 팔, 다리, 발과 같은 부분들이 움직이면서 행동을 만들어내는 액추에이터(actuator)와 같은 역할을 하게 될 것이라고 본다.

좀더 풀어서 설명해보자면 사물인터넷은 사이버 물리 시스템의 계층적 구성에서 하위 계층, 논리적 구성에서 최외각에 위치하여 사이버 물리 시스템의 구성 요소들이 서로 유기적으로 통합, 조율되어 움직이는 데 필요한 외부 세계의 정보를 수집하고, 이렇게 수집된 정보를 분석, 처리하여 다시 외부 세계와 상호작용을 일으키는 데 필요한 행동을 하도록 담당하는 액추에이터(actuator)의 역할을 하게 되리라는 것이다.

지능형 빌딩 관리 시스템이 사이버 물리 시스템으로 구축되었다는 가정하에 앞서 얘기한 데이터 수집과 액추에이터 기술로서 사물인터넷이 사이버 물리 시스템에서 어떤 역할을 하는지 같이 생각해보도록 하자. 먼저, 지능형 빌딩 관리 시스템의 여러 기능 중에서 실내 환경 조절 기능과 외부 침입 차단 기능이 빌딩 관리 사이버 물리 시스템으로 구축되었을 때 어떻게 동작하게 될지 생각해보자.

먼저, 실내 환경 조절 기능의 목적은 건물 내외부의 기온, 습도, 미세먼지 및 유해물의 농도를 파악하여 빌딩 내부에서 거주하거나 일하고 있는 사람들이 가장 쾌적하고 편안한 환경으로 자동으로 조절해주는 것이 될 것이다. 이를 위해서, 현재 빌딩 내부 각 사무실과 시설들에 온도 센서, 습도 센서, 미세먼지 및 유해물 센서들이 설치되어 실시간으로 데이터를 수집하고 있다고 가정하자.

이들 센서는 빌딩 내부 환경에 대한 정보를 실시간으로 수집하여 빌딩 관리 사이버 물리 시스템의 여러 기능 중 하나인 실내 환경 조절 시스템으로 전달한다. 이 실내 환경 조절 시스템은 빌딩 외부의 환경에 대한 정보를 수집하기 위해, 빌딩 외부 벽 곳곳에 설치된 온도 센서, 습도 센서, 미세먼지 및 유해물 센서로부터 빌딩 외부의 환경에 대한 정보도 수집한다.

빌딩 내외부의 기온, 습도, 미세먼지 및 유해물 농도를 수집한 빌딩 관리 사이버 물리 시스템은 수집된 정보와 함께, 시스템에 사전에 정의된 정보인 사람에게 가장 쾌적한 실내 환경을 만들기 위한 기온, 습도, 미세먼지 및 유해물 농도의 목표치와 각 사무실, 시설, 방, 회의실별로 설정된 환경 설정 정보를 이용해, 빌딩 관리 사이버 물리 시스템이 각 사무실과 방마다 최적의 기온, 습도, 미세먼지 및 유해물 농도 최적치를 인공지능을 통해서 계산한다. 

빌딩 관리 사이버 물리 시스템은 이렇게 계산된 온도, 습도, 미세먼지 및 유해물 농도 목표치를 사물인터넷을 통해 각 사무실과 시설, 방에 설치된 에어컨, 습도조절기, 공기정화기로 전달하고 각 장치의 작동 파라미터를 실시간으로 조절하여 외부 기온과 온도 차이가 어느 정도 이상 나지 않게끔 하면서도 실내에 있는 사람들이 쾌적함을 느낄 수 있도록 실내 환경을 자동으로 조절하게 된다.

온도 센서와 같이 실내 환경에 대한 직접적인 데이터 수집 장치를 사용할 수도 있지만, 영상 및 보안 카메라를 이용해 실내 환경에 대한 간접적인 추론을 할 수도 있다. 빌딩 내부의 강의실이나 회의실에 설치된 보안 영상 카메라를 통해 수집되는 영상으로도 실내 환경에 대한 정보를 수집할 수 있다.

예를 들면 딥러닝 기술을 이용하면 영상 카메라의 영상에서 영상에 잡힌 공간에 몇 명의 사람이 활동하고 있는지 검출, 추적할 수 있다. 영상 카메라가 설치된 강의실, 회의실의 최대 정원과 면적과 같은 정보와 함께, 영상 카메라에서 수집된 영상을 딥러닝 모델로 처리하여 얻은 강의실, 회의실에 있는 사람들의 숫자와 사람 간 활동 간격과 밀집도를 계산하여 해당 강의실, 회의실의 산소 소비량과 이산화탄소 농도를 같이 추정(estimate), 수집하고 온도 센서, 습도 센서를 이용해 수집된 기온, 습도 정보를 같이 활용해, 강의와 회의에 참석하는 사람들이 졸음과 피로를 느끼지 않고 강의와 회의에서 최고의 효과를 거둘 수 있는 최적의 실내 환경 파라미터를 유지하기 위해 다시 에어컨, 습도조절기, 공기정화기와 환기 장치들을 작동시킬 수 있다.

위의 예에서 사물인터넷으로 온도 센서, 습도 센서, 미세먼지 및 유해물 센서, 산소 및 이산화탄소량을 추정하는데 사용된 영상 카메라가 데이터를 수집하기 위한 사물인터넷 장치들에 해당하고, 역시 사물인터넷으로 빌딩 관리 사이버 물리 시스템의 중앙 인공지능에 연결된 에어컨, 습도조절기, 공기정화기, 환기 장치가 액추에이터(actuator)에 해당하는 사물인터넷 장치들이다. 

이들 데이터 수집과 액추에이터(actuator)에 해당하는 사물인터넷 장치들이 빌딩 관리 사이버 물리 시스템의 인공지능 시스템과 유기적으로 통합되어, 마치 우리 몸에서 피부의 감각기들이 외부 기온과 습도를 느껴 지나치게 높으면 우리 두뇌에서 피부에서 땀을 내도록 피부의 땀샘에 명령하여 몸 안의 체온이 일정하게 유지되도록 조절하는 것과 같은 하나의 인지-판단-제어의 회로를 이루게 된다.

사물인터넷과 사이버 물리 시스템이 과거 유비쿼터스 센서 네트워크((Ubiquitous Sensor Network; USN)와 사물지능통신(M2M)과 다른 가장 큰 차이점은, 유비쿼터스 센서 네트워크((Ubiquitous Sensor Network; USN)와 사물지능통신(M2M)에서는 연결되는 센서나 장치가 유연하게 변경되지 못하고 고정될 수밖에 없지만, 사물 인터넷과 사이버 물리 시스템에서는 특정한 인지-판단-제어 폐쇄 루프 회로에 참여하는 데이터 수집 장치와 액추에이터(actuator)가 필요에 따라 소프트웨어적으로 추가, 변경될 수 있다는 것이다.

이는 사물인터넷을 통해 기술적으로는 전 지구상의 모든 장치가 인터넷을 통해 연결될 수 있기 때문이다. 이에 더해 사물인터넷에 연결된 클라우드 컴퓨팅 기반의 사이버 물리 시스템은 사이버 물리 시스템 중앙의 인공지능과 주 서비스 플랫폼의 판단과 필요에 따라 자신에 연결된 사물인터넷 장치들과 이들에게서 수집된 데이터를 서로 다른 하위 사이버 물리 시스템 간 공유하거나 전달할 수 있도록 자신을 소프트웨어적으로 바꿀 수 있는 유연성을 가지고 있기 때문이다.

인터넷을 통해 전 지구적으로 연결될 수 있는 사물인터넷과 이 사물인터넷에 연결된 디바이스로부터 오는 정보를 탄력 있게 처리할 수 있는 클라우드 컴퓨팅 시스템, 그리고 이들 사물인터넷 디바이스로부터 수집되는 데이터를 자동화된 방식으로 처리, 가공, 분석해주는 인공지능 기술의 결합은 아직 휴대전화와 태블릿, PC를 벗어나지 못하고 있는 인터넷 서비스들이 이들 휴대용 단말들과 PC에서 벗어나 자율 에이전트(autonomous agent) 기반의 지능형 서비스로 빠르게 이전되도록 도울 것이다. 

나노 기술과 에지 컴퓨팅의 발전으로 더 지능적이고 다양한 기능으로 무장한 스마트 센서들은 사물인터넷 기술과 결합하여 사이버 물리 시스템이 서비스를 위한 정보를 다양하고 폭넓게 수집할 수 있도록 하여 자율 에이전트 기반의 지능형 서비스의 실현을 도울 것으로 보인다. 이 스마트 센서들은 센서 데이터 처리 방법과 수집과정 지능화 정도에 따라 다양한 신제품이 나타날 가능성도 무궁무진하고, 나노 기술의 발전에 따라 얼마든지 소형화될 수 있어, 앞으로 IT 서비스 산업과 제조업을 견인해갈 새로운 비즈니스 아이템으로 전망이 매우 밝아 보인다.

특히 소형화된 스마트 센서들이 사물인터넷 기술과 결합했을 때 큰 파급효과가 기대된다. 먼저, 이들 스마트 센서를 통해 수집할 수 있는 데이터의 종류가 많아지고 복잡성이 높아지면서, 이들 스마트 센서에서 수집된 데이터를 비즈니스에 필요한 정보로 가공하고 이용하는 빅데이터 기술과 데이터 과학의 중요성이 지금보다 한층 더 높아질 것이다. 스마트 센서 자체에서 처리해야 할 데이터의 양도 많아지고 지능화되지만, 소형화된 센서의 단가가 낮아지고 센서 활용 범위가 넓어지면서 이들 스마트 센서로부터 수집되는 데이터의 양이 근본적으로 크게 많아지게 된다. 아무리 스마트 센서에서 에지 컴퓨팅을 통해 일단 데이터의 양을 줄이더라도 근본적으로 이렇게 나타나는 데이터의 급증을 피할 수 없다. 이들 스마트 센서로부터 수집되는 데이터를 처리해 비즈니스에 필요한 다양한 정보로 재구성하는 작업은 결국 데이터 과학자들의 몫이 될 것이다.

이렇게 수집할 수 있는 데이터의 영역이 넓어지고 좀더 정밀하고 촘촘한 데이터 수집이 가능해지면서 비즈니스를 위해 필요한 정보를 얻어야 하는 대상, 예를 들면 자율주행차의 경우 도로 주행 환경, 마케팅과 맞춤형 소매업을 위한 소비자 행동, 재고와 불량률을 낮추면서 투입되는 자원을 최적화하여 원가를 낮추기 위한 스마트 팩토리의 각종 생산, 공정 장비와 같은 대상들을 더 정밀하고 정확하게 이해할 수 있게 될 것이다.

사물인터넷으로 연결된 스마트 센서들은 데이터 과학의 도움을 받아 과학자, 공학자들이 새롭고 정확한 지식을 생산해내는 데 크게 기여함으로써 새로운 상품과 비즈니스의 발전에도 기여할 것으로 기대된다. 이미 빅데이터 기술과 데이터 과학을 통해 최근 과학, 공학의 연구 방법론이 크게 바뀌고 있으며, 스마트 센서와 사물인터넷을 이용해 연구 대상에 대한 더 정밀하고 풍부한 정보를 얻을 수 있게 되면서 이들을 통해 과학, 공학적 지식의 한계가 확장되고 더 정확해지는 선순환이 이루어지고 있다. 이렇게 더 정밀해지고 확장된 과학, 공학적 지식은 새로운 상품과 비즈니스의 발전에 쓰여 산업 발전에도 기여할 것이다.

긍정적인 측면과 함께 부정적인 측면은, 사물인터넷으로 연결된 소형화된 스마트 센서를 오용하여 생길 수 있는 범죄와 사생활 침해이다. 이 스마트 센서를 이용하게 되면 우리가 모르는 사이에 우리에 대한 정보를 범죄자들이 손쉽게 수집하고 이용할 가능성이 커진다. 사물인터넷의 보안 기술과 서비스가 앞으로 중요해질 수밖에 없는 이유이다.

스마트 센서와 함께 3차원 디스플레이 및 홀로그램, 로봇, 3D 프린터와 같은 디바이스들은 사물인터넷을 통해 사람들의 행동 양식에 영향을 주고 사이버 물리 시스템이 사람과 직접적인 상호작용을 할 수 있도록 하는 액추에이터(actuator)의 역할을 하게 된다. 예를 들면, 스마트 영상 센서와 딥러닝 기반의 영상 인식 기술을 통해 지나가는 사람의 신원을 자동화된 방법으로 확인하고, 이 사람이 과거 구매했던 상품과 서비스의 이력을 확인하여 관심 있을 법한 상품이나 서비스의 광고를 3차원 디스플레이나 홀로그램 형식으로 보내어 소비자의 구매를 유도하게 하는 식이다.

원래 액추에이터(actuator)라는 용어는 로봇공학(Robotics)에서 센서를 통해 주변 환경을 인지하고 인공지능을 통해 인지, 판단 과정을 거친 로봇이 로봇의 상태를 바꾸거나 외부 환경과 상호 작용하기 위해 행동하도록 하는 기계적인 부품을 일컫는 말이다. 그렇지만, 필자는 사이버 물리 시스템을 통해 지능형 서비스를 받는 고객이 서비스 제공자가 의도하는 행동 변화를 일으키게끔 하는 장치나 기술이 로봇이 외부 환경이나 객체와 상호작용을 할 때 쓰는 액추에이터(actuator)와 비슷한 역할을 하기 때문에 이런 장치나 기술을 포괄적인 의미의 액추에이터(actuator)라고 설명하고 있다.

그림 1. 영국 서섹스 대학 연구진이 만든 촉감을 주는 3차원 볼륨 디스플레이 기술의 개요. 관련 영상: https://www.youtube.com/watch?v=jOnxr9Ez_Kc 

현재 우리가 사용하고 있는 스마트폰에서 전자상거래 소프트웨어가 과거 소비 이력을 바탕으로 상품 광고나 알림을 보내어 구매를 유도하는 것도 스마트폰이 일종의 액추에이터 역할을 한다고 볼 수 있다. 그렇지만, 스마트폰과 전자상거래 서비스는 사이버 물리 시스템과 같이 서비스가 자동화되고 유기적인 수준으로 통합된 시스템은 아니기 때문에 액추에이터(actuator)라고 표현하지는 않았다.

사물인터넷과 연결된 사이버 물리 시스템의 액추에이터 기술을 좀더 직관적으로 이해할 수 있는 기술로, 최근 저명한 학술지인 “네이처”에 논문이 게재되면서 주목받은 3차원 볼륨 디스플레이(3D volumetric display) 기술을 들 수 있다. 현재 3차원 정보를 표현하는 증강 현실(Augmented Reality; AR)이나 가상 현실(Virtual Reality; VR)과 같은 기술은 3차원 정보를 2차원 스크린에서 표현하고, 3차원 정보를 보기 위해 가상현실 헤드셋과 같은 특수한 장비를 써야 하지만, 3차원 볼륨 디스플레이 기술은 이런 특수한 디스플레이 장비를 쓰지 않고 3차원 정보를 표현할 수 있게 한다.

최근에는 초음파와 작고 가벼운 비드(bead)를 이용해서 3차원으로 표현된 객체를 만져서 느껴볼 수도 있게 하는 기술 개발도 성공한 바 있다[3-4]. 이런 3차원 볼륨 디스플레이와 같은 기술은 사이버 물리 시스템이 사이버 요소에서 계산된 것을 다시 물리 세계에서 표출하여 사람이나 로봇과 같은 실세계 객체들과 상호작용하고, 사이버 물리 시스템 자신과 실세계 객체들의 변화를 유도하기 때문에 포괄적인 의미에서 액추에이터(actuator)라고 볼 수 있다.

이렇게 사물인터넷으로 수집된 데이터가 현재는 스마트폰이라 태블릿, PC를 통한 알림, 광고를 통해 소비자의 구매를 유도하는 식으로 마케팅과 비즈니스에 활용되고 있지만, 앞으로 사이버 물리 시스템을 이용한 지능형 서비스에서는 로봇과 3차원 볼륨 디스플레이, 자율주행차, 드론과 같이 소비자와 실세계에서 상호작용할 수 있는 자율 에이전트들이 직접적으로 서비스를 제공하거나 3D 프린터를 통해 제품의 모델이나 실제 상품이 전달되는 식의 비즈니스가 가능해질 것이다. 이렇게 되면, 사물인터넷으로 수집되는 데이터의 가공과 분석이 실제 서비스나 제품의 판매와 제공에 자동화된 방식으로 직접적으로 연관되기 때문에 빅데이터 기술과 데이터 과학은 사이버 물리 시스템의 지능화, 자동화에 필수적인 요소가 된다.

사물인터넷으로 연결된 디바이스와 서비스, 사람이 사이버 물리 시스템으로서 발전하는 데 중요한 역할을 하게 될 기술로 에지 컴퓨팅이 있다. 이들 에지 컴퓨팅은 사물인터넷으로 연결되는 디바이스의 지능과 역할을 확장하고, 스마트 센서에서 수집되는 정보의 양과 수준을 높이며, 액추에이터 디바이스들의 반응 속도와 동작 수준을 높이고 부드럽게 하는 역할을 하게 된다. 사물인터넷으로 연결되는 사물과 디바이스 기술의 발전에 큰 역할을 하게 될 에지 컴퓨팅의 발전과 사이버 물리 시스템, 빅데이터, 데이터 과학과의 연관성을 살펴보기로 하자.

사이버 물리 시스템 발전을 견인하는 에지 컴퓨팅의 현재와 미래
사물인터넷 기술이 발전, 확산되면서 사물인터넷에 연결된 사물들과 디바이스들이 쏟아내는 데이터를 효과적으로 수집, 전송하고 처리할 수 있는 빅데이터 기술의 수요가 점점 더 높아지고 있다. 각 사물과 디바이스 단위로 쏟아내는 데이터는 크지 않을지 몰라도, 많은 수의 사물과 디바이스가 쏟아내는 데이터는 그 양과 속도에 있어서 빅데이터가 되기 때문에 사물인터넷을 이용한 서비스와 비즈니스에서 빅데이터 기술을 잘 활용하는 것은 기본적으로 필요하다.

여러 빅데이터 기술들이 사물인터넷을 이용한 비즈니스에 데이터 가공 단계별로 다양하게 활용될 수 있겠지만, 사물인터넷을 위한 비즈니스에서 좀더 부각되는 빅데이터 기술은 실시간 스트림 처리 기술이다. 배치(batch)로 많은 양의 빅데이터를 한꺼번에 처리하는 것은 사물인터넷 디바이스가 직접적으로 관련되는 데이터 수집 단계 보다는 서비스 백엔드에서 이루어지기 때문에, 사이버 물리 시스템 외곽에 위치한 사물인터넷 디바이스들이 쏟아내는 데이터를 처리하기 위해서는 실시간 스트림 처리 기술을 활용하는 것이 더 중요하다.

앞서 사물인터넷 디바이스들은 사이버 물리 시스템의 외곽에 위치하여, 데이터를 수집하고, 사람과 상호 작용하는 액추에이터(actuator)로서 작동한다고 설명한 바 있다. 사이버 물리 시스템의 각 구성 요소들은 5G 이동통신 네트워크와 같은 무선 네트워크와 유선 네트워크로 연결되어 분산 컴퓨팅 시스템으로 동작하게 되는데, 사물인터넷 디바이스들은 사이버 물리 시스템 네트워크 내에서 외곽에 위치하기 때문에 에지 네트워크에 해당한다.

사물인터넷 디바이스들 대부분은 임베디드 컴퓨터가 장착되어 있다. 이들 임베디드 컴퓨터들은 과거에는 기술의 한계 때문에 네트워크에 연결되지 못하거나, 연결되더라도 펌웨어를 업데이트하거나, 디바이스에 필요한 설정과 데이터를 변경, 보관하는 제한적인 용도로만 네트워크를 활용했다. 요즘에는 과거 소형 클러스터 병렬 컴퓨터의 성능을 가지는 GPU가 임베디드 컴퓨터에 장착되어 고성능의 연산을 수행할 수 있게 되고, 임베디드 컴퓨터에 탑재되는 프로세서의 성능도 과거 PC나 소형 서버의 수준으로 높아졌으며, LTE-A Pro나 5G 이동통신을 지원하는 무선통신칩이나 1G, 10G 이더넷 통신을 지원하는 유선통신칩이 소형화되어 임베디드 시스템에 쉽게 통합될 수 있을 정도로 하드웨어 기술이 발전하여 통신 기능을 가진 임베디드 컴퓨터를 제품에 통합하기가 매우 쉬워졌다.

이렇게 임베디드 컴퓨터가 LTE-A Pro/5G 이동통신이나 유선 네트워크를 통해 사물인터넷에 연결되는 것이 어렵지 않게 되었고, 임베디드 컴퓨터를 장착한 제품들은 대개 네트워크의 가장 외곽에서 사용자들이 직접 사용하거나 다루는 디바이스들이 되기 때문에, 이렇게 통신 기능을 갖춘 임베디드 컴퓨터가 장착된 사물이나 디바이스들을 에지 컴퓨팅 디바이스라고 부를 수 있게 된다. 에지 컴퓨팅이란 용어는 통신 기능을 갖춰 사물인터넷에 연결될 수 있는 능력을 갖춘 임베디드 컴퓨팅 기술을 통신 기술 관점에서 다르게 부르는 말로 생각할 수 있다.

지난 마흔 번째 글에서 모바일 에지 컴퓨팅(Mobile Edge Computing; MEC)과 에지 컴퓨팅(Edge Computing)은 다른 개념이라고 강조하여 설명한 바 있다. 필자가 지난 글에서 모바일 에지 컴퓨팅과 에지 컴퓨팅을 구분하여 그 차이점을 강조하여 설명한 것은 에지 컴퓨팅이 사물인터넷 관점에서 분명히 다른 양상을 보이면서 발전하고 있기 때문이다.

모바일 에지 컴퓨팅은 5G 기술과 클라우드 컴퓨팅 기술의 연장선상에서 생각되는 경우가 많지만, 에지 컴퓨팅은 임베디드 시스템이 사물인터넷을 통해 연결되면서 임베디드 시스템 하드웨어의 성능이 높아지는 맥락에서 생각해야 한다. 물론 에지 컴퓨팅에도 컨테이너와 같은 클라우드 컴퓨팅 기술이 도입되고 활용되고 있지만, 아직 클라우드 컴퓨팅은 에지 컴퓨팅에서 아주 제한적인 용도로 활용되고 있다.

에지 클라우드(Edge cloud)라는 용어도 최근 많이 사용되는데, 이 에지 클라우드, 모바일 에지 컴퓨팅, 에지 컴퓨팅이 분명한 구분이 없이 사용되면서 혼란을 더 가중하고 있는 듯하다. 에지 클라우드는 모바일 에지 컴퓨팅에 클라우드 컴퓨팅 기술이 접목된 모바일 에지 클라우드와 같은 뜻으로 쓰이거나, 과거 프라이빗 클라우드(private cloud), 또는 온프레미스 클라우드(on-premise cloud)가 유무선 네트워크의 관점에서는 사용자에 가까운 네트워크의 외곽에 위치하기 때문에 이런 관점에서 에지 클라우드라는 말을 쓰기도 한다. 용어는 다르지만 사실 요즘 쓰이는 맥락을 잘 살펴보면, 과거 프라이빗 클라우드(private cloud), 온프레미스 클라우드(on-premise cloud)는 요즘 얘기하는 에지 클라우드와 같은 뜻으로 쓰이고 있음을 알 수 있다.

다시 원래의 맥락으로 돌아와서 에지 컴퓨팅이 사물인터넷의 관점에서 사이버 물리 시스템과 빅데이터 기술의 발전과 관련되는 이유를 살펴보도록 하자. 임베디드 시스템 컴퓨팅이 에지 컴퓨팅으로 발전하게 된 가장 근본적인 이유는 LTE-A Pro/5G 이동통신 및 유선 네트워크 하드웨어의 소형화와 이들 네트워크 하드웨어가 임베디드 시스템과 통합되는 경향의 확산, 임베디드 시스템용 멀티코어 CPU와 GPU와 같은 고성능 컴퓨팅 프로세서의 등장으로 인한 임베디드 컴퓨터 성능의 비약적인 향상, 반도체, SoC(System-on-Chip) 기술의 발전으로 인한 임베디드 컴퓨터의 소형화 때문이다.

과거 임베디드 시스템을 프로그래밍하기 위해서는 어셈블리어를 쓰거나 C를 이용해 리눅스 커널을 직접 고치거나 건드리는 저수준 프로그래밍을 해야 하는 경우가 많았지만, 요즘에는 일부 미션 크리티컬한 시스템을 제외하고는 많은 디바이스의 임베디드 컴퓨터용 OS가 흔히 쓰이는 PC용 OS와 개발환경이 크게 다르지 않다. 특수한 용도로 사용되어 실시간 컴퓨팅을 지원하게끔 하나의 프로세스가 자원을 독점해야 하는 일부 자동차용 전자제어장치 마이크로 컴퓨터나 항공, 우주 시스템의 전자제어장치 마이크로 컴퓨터가 아니면 임베디드 컴퓨터에 리눅스 운영체제가 거의 그대로 탑재되어 있는 경우도 많다. 

요즘 라즈베리 파이와 같은 임베디드 컴퓨터는 사물인터넷에 연결되어 통신할 때 일반 서버에서 통신을 위해 사용하는 Node.js나 파이썬(Python) 기반의 웹 프레임워크가 그대로 쓰이는 경우도 많다. 임베디드 컴퓨터 시스템의 성능과 사양이 대폭 향상된 이유로 이런 일이 가능해진 것이다.
 

그림 2. 에지 컴퓨팅용 다양한 임베디드 컴퓨터. (a) NVidia의 임베디드용 GPU인 Jetson TX2를 탑재한 싱글보드 컴퓨터. (b) Nvidia의 저전력 GPU인 Xavier를 기반으로 한 싱글보드 컴퓨터. (c) 메이커들에게 많은 사랑을 받고 있는 임베디드 컴퓨터인 라즈베리 파이 4. (d) Intel ALTERA의 FPGA 플랫폼인 Arria10 FGPA기반의 싱글보드 컴퓨터. (e) Xilinx의 ARM 코어가 같이 내장된 FPGA 플랫폼인 Zynq가 탑재된 독일 Trenz Electronic GmbH의 TE0726-03-07S-1C 싱글보드 컴퓨터. (f) 무선 통신 기능이 탑재된 Intel의 Beaglebone Black 싱글보드 컴퓨터. (g) Intel의 Galileo 싱글보드 컴퓨터. (h) Intel의 Edison 싱글보드 컴퓨터. (i) Intel Apollo Lake기반 싱글보드 컴퓨터인 중국 Shenzhen Datang Computer, Co. Ltd.의 MAXTANG N4200 싱글보드 컴퓨터. 

임베디드 컴퓨터의 성능향상으로 임베디드 시스템 프로그래밍에 일반 PC와 서버에서 사용되는 소프트웨어 개발도구와 환경을 사용하는 것이 가능해져 프로그래밍이 쉬워지면서 사물인터넷에 연결된 임베디드 컴퓨터, 즉 에지 컴퓨팅 디바이스들이 인터넷 서비스를 활용한 기능을 탑재하거나 사람이 사용하는 스마트폰 앱과 웨어러블 디바이스와 상호작용할 수 있게 되면서 사물인터넷을 이용한 지능형 서비스의 지능화 수준을 높이는데 크게 영향을 미치게 되었다. 

임베디드 컴퓨터, 즉 에지 컴퓨팅 디바이스의 성능향상은 사물인터넷에 연결된 에지 컴퓨팅 디바이스가 생산해내는 데이터의 양과 복잡도도 크게 높아지고, 수행할 수 있는 작업의 복잡도도 높아지게 되었다. 많은 매트릭스 연산이 필요하여 과거에는 임베디드 시스템에 탑재하기가 쉽지 않았던 딥러닝 영상 인식 모델이 요즘에는 퀄컴의 NPU나 엔비디아의 GPGPU와 같은 고성능 에지 컴퓨팅용 프로세서의 도움을 빌어 임베디드 시스템에서도 딥러닝을 쓴 지능형 응용프로그램을 탑재하는 것이 가능하게 되었다.

그뿐만 아니라, 통신 하드웨어 기술의 발전으로 LTE-A Pro/5G 이동통신과 10G 이더넷 유선통신을 임베디드 시스템에서 지원하는 것이 어렵지 않게 되었다. 이 때문에, 임베디드 시스템 사이에 훨씬 더 복잡하고 많은 데이터를 서로 주고받을 수 있게 되면서 다수의 임베디드 시스템이 유무선 네트워크로 연결되어 상호작용하면서 나타나는 행동의 양상이 과거 사물지능통신(M2M)이나 유비쿼터스 센서 네트워크((Ubiquitous Sensor Network; USN) 때보다 크게 복잡해졌다. 이렇게 복잡해진 임베디드 시스템의 행동과 함께 다양한 서비스와 사물, 디바이스가 사물인터넷을 통해 개방적으로 메시업(mesh-up)되어 나타나는 사물 간 상호작용에서 과거 우리가 경험하지 못했던 지능적인 상호작용도 창발적으로(emergently) 나타날 수 있을 정도로 기술이 발전하게 된 것이다.

이렇게 발전된 사물인터넷과 에지 컴퓨팅 기술 덕분에, 앞으로 올 사이버 물리 시스템 기반의 지능형 서비스에서는 우리의 기대를 뛰어넘는 지능적이고 복잡한 상호작용을 사물들과 경험할 수 있을 것으로 보인다. 이런 인간에게 친화적인 지능적이고 자연스러운 상호작용을 위해서는 사람과 사물 주변 환경의 정보를 수집해서 전송해야 하는 디바이스와, 사이버 물리 시스템의 상위 계층, 핵심 영역에 있는 인공지능의 연산과 판단에 따라 전송된 상호작용, 또는 액추에이터 데이터를 사람이나 다른 사물과 같은 상호작용 대상에게 표출해야 하는 디바이스가 전송받아 처리해야 하는 데이터의 양과 수준이 지금보다 크게 증가하게 될 것이기 때문에 에지 컴퓨팅 디바이스에서도 빅데이터 기술을 사용하는 것이 꼭 필요하게 될 것이다.

이미 20년 전인 2000년대 초반부터 단일 프로세서의 성능을 높이기 위해 연산을 처리하는 프로세서 코어의 수를 늘려 하나의 프로세서에 집적하는 멀티코어 아키텍처가 도입되기 시작하면서, 임베디드 컴퓨터, 요즘의 맥락에서는 에지 컴퓨팅 시스템에서도 멀티코어 아키텍처를 활용한 병렬 컴퓨팅이 필요하게 되었다. 이런 경향은 앞으로 에지 컴퓨팅 시스템에서 점점 더 심화되어서, 단순히 멀티코어 프로세서, 또는 GPGPU와 같은 고성능 병렬 프로세서를 활용하는 것뿐만 아니라, 이런 에지 컴퓨팅용 고성능 프로세서들이 다시 에지 컴퓨팅 시스템 내부의 고성능 네트워크를 통해 연결되어 구성된 분산 병렬 에지 컴퓨팅 시스템으로 빅데이터를 처리하는 것이 사물과 자율 에이전트 개발 과정에서도 필수적으로 활용될 것이다.

이렇게 사물들과 사이버 물리 시스템의 일부로서 동작하는 사물들이 서로 하나의 시스템으로 협력하면서 창발적으로(emergently) 나타나는 군집 지능(collective intelligence), 또는 협력 지능(cooperative intelligence)이 이들 사물과 사이버 물리 시스템을 사용하는 사람들에게 해를 끼치지 않고 안전하게 예측된 방식으로 동작하게 하거나, 아니면 사전에 예측하지 못한 행동이라도 안전 범위 안에서의 창발적(emergent) 행동으로 유도될 수 있도록 통제하고 디자인하는 문제는 사이버 물리 시스템을 이용한 지능형 서비스를 디자인하는 과정에서 앞으로 중요한 기술적인 문제가 될 것이다.

이번 글에서 생각해볼 마지막 주제로 에지 컴퓨팅이 임베디드 컴퓨팅과 다른 점이면서 빅데이터 기술에 끼치는 영향을 좀더 극명하게 보여주는 현상으로 에지 컴퓨팅 자체가 고성능 분산 병렬 컴퓨팅 시스템으로 발전하는 경향에 대해서 조금 더 언급하려고 한다.

에지 컴퓨팅은 임베디드 컴퓨팅과 많은 부분 겹치기도 하지만, 사실은 임베디드 컴퓨팅보다 좀더 확장된 개념이다. 그 이유는 앞서 설명했듯이 에지 컴퓨팅은 유무선 네트워크의 최외곽 영역에 해당하는 에지 네트워크 영역에서 일어나는 컴퓨팅 기술을 말하는데, 사물인터넷에서는 이들 사물이 가장 외곽의 에지 네트워크 영역에서 동작하는 네트워크 노드가 되어 사물들에 쓰이는 임베디드 시스템 컴퓨팅이 네트워크 관점에서는 곧 에지 컴퓨팅이 되고, 에지 컴퓨팅이 임베디드 시스템 컴퓨팅과 같은 의미가 된다고 앞서 설명하였다.

사물인터넷에 연결되는 사물이 휴대폰이나 모바일 디바이스와 같은 단일 프로세서 디바이스가 되는 경우가 대부분이지만, 사물 자체가 내부에 수십, 수백 개의 임베디드 컴퓨팅 디바이스와 다수의 컴퓨팅 프로세서가 장착된 복잡한 사물이 될 수 있다. 에지 네트워크에 연결된 사물 내부에 또 다른 복잡한 네트워크가 형성되는 복잡한 사물들이 5G와 같은 이동통신망으로 연결되어 에지 컴퓨팅 시스템으로 발전하는 경향이 최근 두드러지고 있다. 이런 경향은 사물들이 단순한 에지 컴퓨팅 디바이스가 아니라, 빅데이터를 생산, 가공하는 복잡하고 정밀한 에지 컴퓨팅 시스템으로 발전하고 있는 양상을 보여주며 사물인터넷과 빅데이터와의 관련성을 크게 높여주고 있다.

이런 경향을 보여주는 사물의 대표적인 예로 자동차를 들 수 있다. 사실 자동차와 같이 복잡한 시스템을 사물로 볼 수 있을 것인지는 논란의 여지가 있다. 그렇지만, 자동차는 개인 이동성, 즉 모빌리티(mobility)를 제공하는 가장 보편적인 소비자 상품이라는 단순하면서도 분명한 목적을 가지고 있는 시스템이면서도, 이 단순하고 분명한 목적을 만족하기 위해 내부 시스템이 복잡하고 높은 수준의 안전 기준을 만족해야 하는 시스템으로서 대표적인 사물이기 때문에 위와 같은 경향을 살펴보기에 적합한 대상이다.

앞서 서른 여섯 번째 글에서 잠시 소개한 것과 같이, 현대의 자동차는 임베디드 시스템이면서도 그 내부에 자동차의 주요 제어 요소들을 제어하기 위한 마이크로 컨트롤러와 임베디드 시스템이 수십, 수백 개가 탑재되어 이들이 서로 자동차 제어 네트워크를 통해 연결되어 동작하는 복잡한 사이버 물리 시스템이다. 

그림 3. 사이버-물리 시스템의 대표적인 예인 자동차. 현재 자동차는 수많은 전자제어장치가 CAN과 Automotive Ethernet 프로토콜을 사용하는 자동차 제어 네트워크로 통합되어 동작하는 대표적인 사이버-물리 시스템이다. 

5G 이동통신을 통해 연결될 사물의 대표적인 대상으로서 자동차는, 셀룰러 차량 통신(Cellular V2X; C-V2X)을 통한 복합 교통 체계의 일부로서, 그리고 미래 지능형 교통 인프라의 소비자로서 발전하면서 “커넥티드 자동차(connected car)”라는 새로운 개념의 사물로서 발전하고 있다. 이 “커넥티드 자동차(connected car)”가 셀룰러 차량 통신(C-V2X)과 지능형 교통 체계(Intelligent Transportation System; ITS)의 일부로서 안전하게 동작하는 사이버 물리 시스템으로 발전하기 위해서는, 교통 빅데이터를 생산, 처리하는 고성능 분산 병렬 컴퓨팅 시스템을 에지 컴퓨팅 시스템으로서 “커넥티드 자동차(connected car)” 내부에 탑재해야 한다는 것이 자동차 업계에서도 최근 조금씩 받아들여지고 있다.

이렇게 에지 컴퓨팅 기술은 현재까지는 단일 보드 상의 임베디드 시스템용 컴퓨팅 프로세서, 메모리 및 저장 장치를 포함한 단일 임베디드 컴퓨팅 디바이스의 성능이 향상되는 방향으로 발전해왔지만, 사물인터넷에 연결되는 자동차와 같은 복잡한 사물들에 필요한 고성능의 복잡한 분산 컴퓨팅 시스템으로 발전하면서 새로운 빅데이터 기술의 하나로 발전하고 있다. “커넥티드 자동차(connected car)”와 같은 미션-크리티컬(mission-critical) 시스템에 필요한 고성능 에지 컴퓨팅 기술은 안전성까지 만족해야 하기 때문에 과거 데이터 분석과 데이터 과학을 위한 빅데이터 소프트웨어 기술과는 또다른 양상의 빅데이터 기술이 되어 가고 있다.

그림 4. 앞으로의 자율주행 자동차는 자동차 내부 부품의 주행데이터와 함께 주행 환경 정보 수집을 위한 센서 데이터만도 하루 한 대당 4TB에 해당하는 빅데이터를 생산할 것으로 인텔은 추정했다. 

이번 글의 지면이 제한된 관계로 사물인터넷의 최근 동향, 사례와 함께 사물인터넷과 사이버 물리 시스템, 빅데이터 기술 발전의 미래를 조금 더 구체적으로 소개할 다음 마흔 두 번째 글에서 위에서 설명한 분산 병렬 컴퓨팅 시스템으로 발전하는 에지 컴퓨팅 기술과 그 대표적인 예로서 “커넥티드 자동차(connected car)”에서의 분산, 병렬 에지 컴퓨팅 기술의 최근 발전 내용에 대해 좀더 자세하게 알아보도록 하자.

사물인터넷은 미래의 지능형 사이버 물리 시스템의 말단에 위치하여 데이터 수집 및 사람, 사물과의 지능형 상호 작용을 표현, 표출하는 액추에이터(actuator)로서 역할을 하게 될 기술로서 발전해가고 있다. 클라우드 컴퓨팅과 이동통신 기술은 인프라 기술로서 발전 속도가 상대적으로 느리지만, 사물인터넷과 사물인터넷에 연결되는 사물들을 위한 에지 컴퓨팅 기술들은 인프라 기술보다 빠른 속도로 발전하면서 사이버 물리 시스템의 빅데이터 중 많은 부분을 생산하는 주요 빅데이터 원(source)으로서, 그리고 사이버 물리 시스템의 빅데이터를 소비하는 빅데이터 소비자로서, 미래 빅데이터와 가장 밀접한 관련이 있는 기술로 발전하게 될 전망이다.

이들 사물인터넷과 에지 컴퓨팅 기술의 빠른 발전은 지능형 사이버 물리 시스템이 제공하는 서비스를 중심으로 새로운 비즈니스 기회를 다양하고 풍성하게 창출할 것으로 보인다. 필자의 식견과 지면이 허락하는 공간이 제한적이라 이런 비즈니스 기회의 모든 면을 다 소개하지는 못하겠지만, 그래도 이 새로운 기회의 방향에 대해서는 어느 정도 구체적으로 소개할 수 있을 것이다. 사물인터넷과 에지 컴퓨팅 기술이 주는 또 하나의 비즈니스 기회와 방향에 대해서 다음 글에서 좀더 구체적으로 생각해보도록 하자.

[참고문헌]
[1] 김진철, “LHC에서 배우는 빅데이터와 machine learning 활용 방안”, 2016년 9월 28일, A CIO Conversation for Technology Leadership – Breakfast Roundtable 발표 자료
[2] 김학용, “사물인터넷 – 개념, 구현기술 그리고 비즈니스”, 홍릉과학출판사, 2014.
[3] “A tactile 3D display, created with sound,” Nature Video, Springer Nature Ltd., November 13, 2019. (https://www.youtube.com/watch?v=jOnxr9Ez_Kc) (3D volumetric display by University of Sussex)
[4] Hirayama, R., Martinez Plasencia, D., Masuda, N. et al. “A volumetric display for visual, tactile and audio presentation using acoustic trapping,” Nature 575, 320–323 (2019). https://doi.org/10.1038/s41586-019-1739-5
[5] “Pictures in the air: 3D printing with light,” Nature Video, Springer Nature Ltd., January 24, 2018. (https://www.youtube.com/watch?v=YRZMdQOMPNQ) (3D volumetric display using laser and cellulose particles, Brigham Young University)
[6] Rich Pell, “Beyond holograms: Star Wars-inspired 3D images float in free space, Volumetric display is like ‘3D printer for light’, Smart2Zero.com, January 29, 2018. (https://www.smart2zero.com/news/volumetric-display-3d-printer-light,  https://youtu.be/1aAx2uWcENc)
[7] Voxel Photonics, “The world’s first 3D Volumetric Display – Voxiebox VX1,” February 7, 2017. (https://www.youtube.com/watch?v=cWXLsbsrA9U)
[8] NVIDIA® Jetson™ TX2/TX2i/TX2 4GB/TX1 Products, Connect Tech, Inc. (http://connecttech.com/product-category/form-factors/nvidia-jetson-tx2-tx1/)
[9] Jetson AGX Xavier Developer Kit, Nvidia, Inc. (https://developer.nvidia.com/embedded/jetson-agx-xavier-developer-kit)
[10] 라즈베리 파이 4 모델 B (2GB) (Raspberry Pi 4 Model B (2GB)), 가치창조기술. (http://vctec.co.kr/product/%EB%9D%BC%EC%A6%88%EB%B2%A0%EB%A6%AC-%ED%8C%8C%EC%9D%B4-4-%EB%AA%A8%EB%8D%B8-b-2gb-raspberry-pi-4-model-b-2-gb/15497/)
[11] Eric Brown, “ARM/FPGA module runs Debian on Arria 10 SoC,” LinuxGizmos.com, Mar 10, 2017. (http://linuxgizmos.com/arm-fpga-module-runs-debian-on-arria-10-soc/)
[12] “[1686-1094-ND] TE0726-03-07S-1C manufactured by    Trenz Electronic GmbH,” Digi-Key Electronics. (https://www.digikey.kr/product-detail/ko/trenz-electronic-gmbh/TE0726-03-07S-1C/1686-1094-ND/7327826)
[13] “비글본블루 BeagleBone Blue (BBONE-BLUE),” MCUBoard.com. (https://www.mcuboard.com:14063/shop/goods/goods_view.php?goodsno=10166&category=005009)
[14] Intel Galileo, Wikipedia. (https://en.wikipedia.org/wiki/Intel_Galileo)
[15] “Get Started with the Intel® Edison Development Board on Windows* 64-bit,” Intel Corporation. (https://software.intel.com/content/www/us/en/develop/articles/get-started-edison-windows.html) 
[16] “Mini-ITX Intel Apollo lake N4200 X86 Industrial Single Board Computer APL-35 With Dual Ethernet Ports for Win 10/Linux,” Alibaba.com. (https://korean.alibaba.com/product-detail/mini-itx-intel-apollo-lake-n4200-x86industrial-single-board-computer-apl-35-with-dual-ethernet-ports-for-win-10-linux-60783625384.html)
[17] Patrick Nelson, “Just one autonomous car will use 4,000GB of data/day,” Network World, December 7, 2016 7:39 AM PST. (https://www.networkworld.com/article/3147892/one-autonomous-car-will-use-4000-gb-of-dataday.html)
[18] Sabina Jeschke, “Everything 4.0? – Drivers and Challenges of Cyber Physical Systems,” Forschungsdialog Rehinland – Invited Talk, Wuppertal, December 4, 2013.
[19] Helen Gill, “From Vision to Reality: Cyber-Physical Systems,” Presentation at the HCSS National Workshop on New Research Directions for High Confidence Transportation CPS: Automotive, Aviation, and Rail, November 18-20, 2008.
[20] Helen Gill, “A Continuing Vision: Cyber-Physical Systems,” Fourth Annual Carnegie Mellon Conference on the Electricity Industry – FUTURE ENERGY SYSTEMS: EFFICIENCY, SECURITY, CONTROL, March 10-11, 2008.
[21] Raj Rajkumar, Dionisio de Niz, Mark Klein, Cyber-Physical Systems, in the SEI Series in Software Engineering, Addison-Wesley, 2017.
[22] Rajeev Alur, Principles of Cyber-Physical Systems, The MIT Press, 2015.
[23] Edward Ashford Lee, Sanjit Arunkumar Seshia, Introduction to Embedded Systems – a Cyber-Physical Systems Approach, 2nd Edition, The MIT Press, 2017.
[24] Teodora Sanislav, Sherali Zeadally, George Dan Mois, “A Cloud-Integrated, Multilayered, Agent-Based Cyber-Physical System Architecture,” Computer, April 2017.
[25] Kartikey Joshi, Dhivya Sampath Kumar, Rahul Mehta, Shiva Muthuraj, “Autonomous Vehicles (AVs) – Technology, Economics, and Opportunities,” (URL: https://www.slideshare.net/Funk98/autonomous-vehicles-60845449)
[26] Urban Sedlar, Mitja Rakar, Andrej Kos, “Big Data Analysis and Cyber-Physical Systems,” in Cyber-Physical Systems – A Computational Perspective, edited by Gaddadevara Matt Siddesh, Ganesh Chandra Deka, Krishnarajanagar GopalaIyengar Srinivasa, Lalit Mohan Patnaik, CRC Press, 2016.
[27] Mayank Swarnkar and Robin Singh Bhadoria, “Big Data Analysis in Cyber-Physical Systems,” in Cyber-Physical Systems – A Computational Perspective, edited by Gaddadevara Matt Siddesh, Ganesh Chandra Deka, Krishnarajanagar GopalaIyengar Srinivasa, Lalit Mohan Patnaik, CRC Press, 2016.
[28] Krishnarajanagar GopalaIyengar Srinivasa, Gaddadevara Matt Siddesh and Kushagra Mishra, “Influence of Big Data on Cyber-Physical Systems,” in Cyber-Physical Systems – A Computational Perspective, edited by Gaddadevara Matt Siddesh, Ganesh Chandra Deka, Krishnarajanagar GopalaIyengar Srinivasa, Lalit Mohan Patnaik, CRC Press, 2016.
[29] Srinidhi Hiriyannaiah, Gaddadevara Matt Siddesh, and Krishnarajanagar Gopala Iyengar Srinivasa, “Ubiquitous Computing for Cyber-Physical Systems,” in Cyber-Physical Systems – A Computational Perspective, edited by Gaddadevara Matt Siddesh, Ganesh Chandra Deka, Krishnarajanagar GopalaIyengar Srinivasa, Lalit Mohan Patnaik, CRC Press, 2016.
[30] Houbing Song, Qinghe Du, Pinyi Ren, Wenjia Li, and Amjad Mehmood, “Cloud Computing for Transportation Cyber-Physical Systems,” in Cyber-Physical Systems – A Computational Perspective, edited by Gaddadevara Matt Siddesh, Ganesh Chandra Deka, Krishnarajanagar GopalaIyengar Srinivasa, Lalit Mohan Patnaik, CRC Press, 2016.
[31] Chitresh Bhargava, “Applications of Robotics in Cyber-Physical Systems,” in Cyber-Physical Systems – A Computational Perspective, edited by Gaddadevara Matt Siddesh, Ganesh Chandra Deka, Krishnarajanagar GopalaIyengar Srinivasa, Lalit Mohan Patnaik, CRC Press, 2016.
[32] P.V.L. Narayana Rao, and Pothireddy Siva Abhilash, “Application of Mobile Robots by Using Speech Recognition in Engineering,” Cyber-Physical Systems – A Computational Perspective, edited by Gaddadevara Matt Siddesh, Ganesh Chandra Deka, Krishnarajanagar GopalaIyengar Srinivasa, Lalit Mohan Patnaik, CRC Press, 2016.

*김진철 박사는 1997년 한국과학기술원에서 물리학 학사, 1999년 포항공과대학교에서 인공신경망에 대한 연구로 석사 학위를, 2005년 레이저-플라즈마 가속기에 대한 연구로 박사 학위를 받았다. 2005년부터 유럽입자물리학연구소(CERN)의 LHC 데이터 그리드 구축, 개발에 참여, LHC 빅데이터 인프라를 위한 미들웨어 및 데이터 분석 기술을 연구하였다. 이후 한국과학기술정보연구원(KISTI), 포항공과대학교, 삼성SDS를 거쳐 2013년부터 SK텔레콤에서 클라우드 컴퓨팅과 인공지능 기술을 연구하고 있다. 빅데이터와 인공지능 기술의 기업 활용 방안에 대해 최근 다수의 초청 강연 및 컨설팅을 수행하였다. dl-ciokorea@foundryco.com