정성원

재직중

AI 요약

서강대학교 컴퓨터공학과 정성원 교수는 인공지능, 빅데이터, 그래프 신경망(GNN) 분야의 선구적인 연구를 이끌고 있습니다. 특히, 소셜 네트워크 기반의 그래프 신경망을 활용한 추천시스템 개발을 통해 사용자 맞춤형 정보 제공의 정확도를 높이는 데 기여하고 있습니다. 또한, 대규모 분산 데이터의 고속 처리 기술과 효율적인 공간 데이터 인덱싱 및 질의 처리 기법을 개발하여, 복잡한 지리공간 데이터와 블록체인 환경에서의 데이터 활용성을 극대화하고 있습니다. 시계열 데이터의 이상 탐지 및 군집화 연구는 다양한 산업 분야에서 데이터 기반 의사결정을 돕는 핵심 기술로 평가받고 있습니다. 정성원 교수는 이론적 깊이와 실용적 적용을 아우르는 연구를 통해 디지털 전환 시대를 이끌고 있으며, 그의 연구는 데이터 기반 사회의 혁신적인 발전에 크게 기여하고 있습니다.

정성원

교수

서강대학교

컴퓨터공학과

소속	서강대학교
부서 학과	컴퓨터공학과
직책	교수
사무실 번호	027165829
이메일	jungsung@sogang.ac.kr
연구자 홈페이지	링크 바로가기
연구실	빅데이터 처리 및 데이터베이스 연구실
연구실 홈페이지	링크 바로가기

중요 키워드

머신러닝데이터마이닝추천시스템이상탐지인공지능공간데이터지리정보시스템데이터베이스시계열분석블록체인그래프신경망모바일컴퓨팅빅데이터클라우드무선통신

학력

ㆍ Ph.D., Dept. of Computer Science, Michigan State University, East Lansing, MI, USA, 1995 Dissertation Title : Recursive Query Processing in Large Databases ㆍ M.S., Dept. of Computer Science, Michigan State University, East Lansing, MI, USA, 1990 ㆍ B.S., Dept. of Computer Science, Sogang University, Seoul, Republic of Korea, 1988

문의처

서강대학교

담당자서강대학교산학협력단

이메일tlo@sogang.ac.kr

연락처02-3274-4863

보유 기술

데이터처리

2단계 그리드로 디스크 I/O 확 줄인 스카이라인 질의처리 기술 개발

가격 협의

대용량 데이터 환경에서 스카이라인 질의 처리의 비효율성 문제는 오랜 과제였습니다. 본 발명은 이러한 문제 해결을 위해 그리드 기반의 2단계 맵-리듀스 연산을 활용한 스카이라인 질의처리 장치 및 방법을 제시합니다. 새로운 형태의 인덱스 구조와 단 한 번의 맵-리듀스 연산을 통해 디스크 I/O를 획기적으로 줄이고, 대규모 데이터에 대한 질의 응답 속도를 비약적으로 향상시킬 수 있습니다. 이를 통해 사용자는 보다 빠르고 정확한 데이터 분석 결과를 얻을 수 있으며, 시스템 자원의 효율적인 활용이 가능합니다.

2단계 그리드각도 기반 분할그리드 기반대용량 데이터데이터 관리 시스템

데이터처리

대용량 공간 데이터, 긍정 오류 낮춘 질의처리 개발

가격 협의

공간 데이터를 효율적으로 관리하고 빠르게 질의 처리하는 데 어려움을 겪고 계십니까? 기존 빅데이터 환경에서 발생하는 공간 데이터 질의 처리의 긍정 오류와 HBase의 1차원 행 키 한계로 인한 비효율성은 대규모 공간 데이터 활용의 큰 장애물이었습니다. 본 기술은 이러한 문제점을 해결하기 위해 분할 공간 기반의 공간 데이터 객체 질의처리장치 및 방법을 제안합니다. 데이터 공간을 재귀적으로 사분할하고, 최소 경계 사각형(MBR) 정보를 활용하여 효율적인 인덱스 트리(Q-MBR 트리)를 생성합니다. 이는 범위 질의 및 kNN 질의 처리 시 발생하는 긍정 오류를 획기적으로 감소시키고, 질의 처리 속도를 크게 향상시킵니다. 본 발명은 공간 데이터의 밀집도에 따라 공간을 재분할하고, 각 분할 공간에 대한 고유한 키 값을 비트 연결 방식으로 생성하여 인덱싱 효율을 극대화합니다. 인덱스 테이블과 데이터 테이블을 분리하여 관리함으로써 데이터 접근 속도를 최적화합니다. 이 기술을 통해 방대한 공간 데이터 속에서 필요한 정보를 더욱 빠르고 정확하게 찾아내어 비즈니스 의사결정의 질을 높일 수 있습니다. 공간 데이터 활용에 혁신을 가져올 본 기술의 상세 내용을 지금 바로 확인해 보시기 바랍니다.

HBaseMBRNoSQL 데이터베이스공간 데이터공간 분할

데이터처리 외

다중 도메인 기반 환경 조건 필터링 공간 검색 시스템 개발

가격 협의

기존 공간-키워드 검색 기술은 공간적 인접성만 고려하거나 비효율적인 순차 검색 방식의 한계가 있었습니다. 본 발명은 다중 키워드 도메인 기반 공간-키워드 검색 장치 및 방법을 제시하여 이러한 문제를 해결합니다. 공간 기반 주요 조건과 키워드 기반 부차 조건을 IR-트리를 활용한 독립적인 데이터베이스에서 동시에 검색함으로써, 획기적인 검색 효율 향상을 달성합니다. 특히, 객체 주변 환경 조건을 고려한 정교한 필터링이 가능하며, 불필요한 검색을 조기에 종료하여 시스템 부하를 줄입니다. 이 기술은 대규모 Geo-Textual 데이터 처리 및 고도화된 위치 기반 서비스 개발에 필수적인 솔루션을 제공합니다.

Geo-Textual 데이터IR-트리LBS 기술객체 필터링공간 질의 처리

데이터처리

CF 트리의 범위 질의로 대용량 데이터셋 고성능 클러스터링 개발

가격 협의

방대한 데이터를 효율적으로 분석하는 데이터 클러스터링은 빅데이터 시대의 핵심 기술입니다. 그러나 기존 클러스터링 기법들은 표본화나 차원 감소 과정에서 정확도 저하 등의 한계를 가졌습니다. 본 발명은 CF 트리를 활용한 범위 질의 기반의 데이터 클러스터링 장치 및 방법을 제시합니다. 이 기술은 CF 트리 구축, 미세 클러스터 세그먼트 생성, 범위 질의를 통한 클러스터 집합 생성을 통해 대용량 데이터셋에 적합한 높은 클러스터링 성능을 제공합니다. 미세 클러스터 간의 유사성 정보를 활용하여 효과적인 클러스터링을 수행하며, 기존 방식의 단점을 극복하여 정확하고 효율적인 데이터 분석을 가능하게 합니다.

CF 트리대용량 데이터데이터 관리데이터 분석데이터 클러스터링

데이터처리 외

대규모 블록체인 지리 데이터, 오류 없이 초고속 탐색하는 인덱싱 개발

가격 협의

블록체인 환경에서 지리공간 데이터의 폭발적인 증가와 빈번한 업데이트는 기존 인덱싱 방식의 한계를 드러내고 있습니다. 특히 대량 업데이트 시 검색 성능 저하와 긍정 오류 발생은 서비스 품질 저하로 이어질 수 있습니다. 본 발명은 이러한 문제점을 해결하고자 블록체인 기반 지리공간 데이터를 위한 혁신적인 공간 데이터 인덱싱 방법 및 장치를 제안합니다. 메모리 기반의 고정 크기 셀 인덱스와 디스크 기반의 다계층 쿼드 트리 인덱스를 결합한 하이브리드 방식을 채택하여, 실시간 업데이트는 메모리에서 신속하게 처리하고, 데이터 용량 초과 시 효율적으로 디스크에 플러싱하여 저장합니다. 이는 기존 기술 대비 데이터 삽입 속도를 획기적으로 향상시키고, 계층적 구조를 통해 공간 질의 시 발생할 수 있는 긍정 오류를 효과적으로 줄여 정확하고 빠른 데이터 탐색을 가능하게 합니다. 본 기술은 블록체인 기반의 다양한 지리정보 서비스에서 고성능 데이터 관리를 실현하여 비즈니스 효율성을 극대화할 것입니다.

Z-오더링검색 성능공간 데이터 인덱싱공간DB다계층 인덱스

보유 기술 로딩 중...