Internet of Medical Things (IoMT)의 운용효율 및 보안성을 향상시키기 위한 부하분산 BlockEdge Framework의 연구개발을 목표로 한다. 해당 프레임워크를 통해, 종래에 Medical Core가 중앙 집중식으로 수행하던 생체 데이터 수집 및 분석을 Medical Unit에 물리적으로 가까이에 위치한 Edge Server가 경량 머신러닝 기술을 활용하여 분산적으로 수행함으로써, 대역폭 활용도 뿐 아니라 데이터 전송의 실시간성 및 연산처리 효율을 극대화하는 것을 중점으로 한다. 또한, 블록체인 기술이 적용된 Edge Server를 통해 IoMT에 분산 식별자 및 트랜잭션 관리 기술을 활용함으로써, 개인정보 및 민감한 생체 데이터를 개인이 직접 소유하고 관리하는 자기주권형 보안 체계를 지원하여 IoMT 서비스의 보안성을 강화한다.

Software-defined Vehicle (SDV)를 통해 수집되는 차량데이터의 프라이버시 보호 및 신뢰성 보장을 위한 블록체인 기반 차량데이터 보안 프레임워크의 연구개발을 목표로 한다. 이를 위해, 차량데이터의 유형을 In-vehicle Data 및 Vehicle-to-Everythings (V2X) Data로 구분하고, 각 차량데이터의 특성 및 보안 요구사항을 고려한 블록체인 기반 보안 기술을 연구하는 것을 중점으로 한다. 세부적으로, Automotive Ethernet 기반 Zonal E/E Architecture 설계, 차량용 통신 표준 기반 Privacy-preserving Vehicular Edge Computing 시스템 구조, V2X Data 무결성 및 익명성 보장 기술 등의 연구개발을 수행한다.

기존 무선 통신 시스템에서 사용하는 디바이스의 배터리 수명 한계를 극복하기 위해 엣지 디바이스 단에 머신러닝 알고리즘의 적용, 에너지 하베스팅 및 데이터 전송을 위한 자원할당 연계를 통한 On-Device Machine Learning 기반 에너지 자립형 무선 통신 시스템의 연구개발을 목표로 한다. On-Device Machine Learning을 사용하여 개별 센서/디바이스들의 동작 패턴 및 소모/충전 에너지량 추정에 기반한 WPT를 통해 적시적인 에너지 하베스팅 및 데이터 전송 스케줄링을 가능하게 한다. 세부적으로 , WPT 효율 극대화를 위한 Ultra-Low Power (ULP)-IoT 표준 호환 데이터-에너지 자원할당과 Edge Device 단에서 에너지/데이터량 예측 및 트래픽 감소를 위한 On-Device 머신러닝 알고리즘을 연구개발한다.

무선 네트워크에서 센서 및 디바이스 간 통신을 보호하기 위해 다양한 암호화 스택 제공 및 암호화 키 모델링 기술이 제안되었음에도 불구하고, 발생하는 내부자 공격을 막기 위해 블록체인 기반 신원인증을 위한 Decentralized Identity (DID) 기술을 연구개발한다. 또한, 개인정보와 밀접하게 관련이 있는 다양한 종류의 데이터의 외부 유출 예방, 데이터의 무결성 및 익명성 보장, 데이터 소유주의 데이터 주권을 확보를 통한 선택적인 개인 프라이버시를 보호를 위한 블록체인 기반 데이터 분산 저장 기술을 연구개발한다.

선박이 밀집한 해안 지역에서 인접 채널 간섭으로 인해 빈번하게 발생하는 메시지 전송 간의 충돌을 줄이기 위한 자원 할당 알고리즘을 연구개발한다. 이를 위해, 초단파대 해상이동업무용 주파수 대역에서의 해상 통신을 위한 Automatic Identification System (AIS) 및 Very High Frequency (VHF) Data Exchange System (VDES) 표준을 분석한다. 이와 함께, 선박의 항해에 있어 중요한 항해 정보 및 해상 안전 정보의 손실을 최소화하고, 고속의 안정적인 데이터 전송을 보장하는 것을 목표로 한다. 구체적으로, 인접한 선박국 및 지상국의 스케줄링 정보에 기반해 VDES 네트워크를 위한 슬롯 점유 기반 충돌 회피 알고리즘을 연구개발한다.

무선 신호 수신환경에 따라 변화하는 인간 행동 인식 (Human Activity Recognition, HAR)의 정확도를 향상시키기 위해 채널 상태 정보 (Chanel State Information, CSI)를 활용한 Line-of-Sight (LoS)/Non-Line-of-Sight (NLoS) 식별 기반 HAR 시스템을 연구개발한다. CSI 수신환경을 고려해 높은 정확도로 행동을 분류하기 위해, 해당 시스템은 전처리, 분류, 행동 인식의 세 단계를 포함한다. 세부적으로는, CSI 데이터로부터 진폭 및 위상을 추출해 노이즈를 제거하고, CSI 수신환경을 LoS 환경 또는 NLoS 환경으로 분류하고, 인간의 동작을 분류하는 알고리즘 및 딥러닝 모델을 연구개발한다.