Journal Archive

5G 등 모바일 네트워크에서의 IoT의 확산 및 신규 서비스 개발 지원을 위한 엣지 컴퓨팅이 접목된 개념이다. MEC는 클라우드 컴퓨팅, 모바일 컴퓨팅 그리고 무선 네트워크를 결합하여 모바일 사용자, 네트워크 운영자 및 클라우드 컴퓨팅 제공 업체에게 풍부한 컴퓨팅 리소스를 제공하는 기존 모바일 클라우드 컴퓨팅(Mobile Cloud Computing: MCC)을 확장한 개념이다. 이는 클라우드 컴퓨팅 기능과 엣지 디바이스들에게 가까운 곳에서 보다 좋은 IT 서비스 환경을 제공하는 네트워크 구조이다[9]. 디바이스들이 활용하는 데이터가 클라우드로 전송될 때 발생하는 데이터트래픽을 최소화시키며 유휴 단말 자원을 활용한다. 분산 컴퓨팅 기술을 적용시켜 디바이스 단말에서 가장 가까운 현장에서 데이터의 프로세싱을 수행하며 중앙 네트워크의 혼잡을 감소시켜 새로운 로컬 서비스를 창출할 수 있다.

MEC는 지연에 민감한 컨텍스트 인식 애플리케이션을 제공하기 위해 모바일 사용자들에게 근거리 무선 액세스 네트워크를 활용하여 컴퓨팅 플랫폼을 구현하는 서비스이다.

활용 분야로는 자율주행자동차, 스마트팩토리, 가상·증강현실을 말할 수 있다.

자율주행자동차에서는 자동차 주변 환경과 상호작용을 통한 내부 제어 과정에서 데이터 전송 오류, 네트워크 지연 등의 문제를 최소화 시킨다면 안전성 제고할 수 있다. 차량 감지기에서 실시간으로 발생하는 데이터를 엣지에서 신속하게 처리하여 차량흐름, 주변 도로 상황 등을 즉시 인지하고 돌발 상황에 빠르게 대처 가능해 진다. 중앙 데이터 관리 방식인 클라우드의 경우 네트워크 지연과 더불어 데이터 전송 중 오류 발생 확률이 높기 때문에 차량의 기능안전성 확보를 위해서는 엣지 컴퓨팅의 기술이 필요할 것으로 전망된다.

스마트팩토리에서는 여러 데이터를 분류하여 신속성을 요구하는 데이터와 고 정밀 분석(High Definition Analysis)이 필요한 데이터를 나누어 중앙 중심으로 데이터를 관리하는 클라우드와 여러 Server를 활용하는 엣지 컴퓨팅을 조합한 효율적인 운영을 추구한다. 신속성을 요구하는 공장설비 제어, 온도·습도 조절 등은 엣지에서 처리하며, 정밀한 분석이 필요한 데이터인 사고 위험 예측, 기기 수명관리 등은 중앙 데이터센터가 담당하는 방식으로 활용될 수 있다.

가상·증강현실은 실시간 처리가 어려운 대용량의 가상·증강현실 애플리케이션과 콘텐츠 등에서 수집한 데이터를 초저지연으로 처리하여 구현할 수 있다. 대용량 데이터를 중앙 데이터센터로 전송할 경우 네트워크의 과부하로 인해 데이터 전송 속도와 안전성을 보장하기 어려운 문제점이 발생할 수 있으므로 엣지 컴퓨팅 기술이 부각되고 있다. 시간은 몰입 경험에 직접적 영향을 미치는 요소이기 때문에 가상·증강현실 콘텐츠를 MEC에서 신속하게 처리하는 것은 큰 장점을 가진다[2].

Fig. 1. 
Technology Acceptance Model(TAM)

새로운 기술을 수용하는 과정을 설명하고 검증하기 위한 많은 이론들 중 아직까지 많이 활용되는 이론들 중 하나인 기술수용모형(Technology Acceptance Model: TAM)은 새로운 기술을 수용 하는 것을 설명하기 위해 Davis에 의해 1989년 만들어진 모형이다. 기술수용모형은 1975년에 발표된 합리적 행동이론(Theory of Reasoned Action: TRA)은 행동의 태도와 주관적 규범에 의해 결정된다고 설명한다[11]. 이를 토대로 기술수용모델은 합리적 행동이론에 의해서 행동 태도와 행동의도의 관계를 정보시스템 기술 이용자의 새로운 기술수용 과정으로 분석하는 TRA의 확장된 모델이라 설명할 수 있다. 사용자의 행동을 통계적으로 조사하여 과학적으로 행동패턴을 예측하려는 것으로 행동의 동기 및 태도와 행동의 결과를 설명한다. 즉 정보기술 이용자가 새로운 기술을 처음 경험하거나 접하게 될 경우 어떠한 과정으로 사용이나 이용하려는 의도를 가지게 되는지 분석한 연구이다[12].

기술수용모형은 해당 시스템을 사용하려는 사용자가 쉽게 이용할 수 있다고 믿는 정도인 사용용이성과 해당 시스템의 활용을 통해 업무수행의 효율이 좋아질 것이라고 믿는 정도인 유용성을 활용하여 설명력을 높였다. 영향을 주는 외부요인들이 선행요인으로 인지된 사용 용이성과 인지된 유용성에 영향을 미치고, 사용 용이성과 유용성은 이용 태도에 영향을 미치며, 이러한 태도와 인지된 유용성은 행동적 사용의도에 영향을 주어 사용자가 실제시스템 이용에 영향을 미치게 된다[13].

Fig. 2. 
Research Model

본 연구는 정보통신의 급속한 발전을 통해 현재 5G네트워크 환경에서 대두되고 있는 MEC 사용의도에 영향을 미치는 요인에 대해 고찰하였다. 클라우드 관련 선행연구들과 Davis(1986)의 기술수용모델(TAM)을 토대로 선행연구들을 통해 MEC의 사용의도에 영향을 미치는 요인들을 추출하여 연구모형을 도출하였다. MEC의 잠재적 사용자들의 사용의도에 영향을 미칠 수 있는 변수들인 가용성, 보안성, 다양성, 신속성, 이동성을 활용하여 기술수용모형의 지각된 사용 용이성과 지각된 유용성에 어떠한 영향을 미치는지에 대해 조사하고, 최종적으로 사용의도에 어떠한 영향을 미치는지 분석하였다. 기존 클라우드 서비스의 핵심 요소인 시스템이 장애 없이 정상적으로 운영되는 능력인 가용성과 저장된 데이터를 권한 없는 이용자가 활용할 수 없도록 하는 보안성을 선정하였으며, MEC를 통해 다양하게 파생되어 여러 서비스를 구현할 수 있는 다양성과 5G 네트워크의 확산을 통해 기존 클라우드 보다 빠르게 서비스를 활용할 수 있다는 점인 신속성 마지막으로 언제 어디서든 활용가능 한 이동성을 변수로 채택하여 기술수용모델의 변수인 지각된 사용 용이성과 지각된 유용성 간의 영향관계를 통한 사용의도를 확인하고자 하였다.

선행 연구를 통해 제시한 본 연구의 연구모형과 가설을 검증하기 위해 7점 척도로 설문문항을 구성하였다. 설문대상은 MEC를 사용하려는 개발자 및 클라우드, 빅데이터, IoT 관련 현업사용자들을 대상으로 하였다. 자발적 참여를 전제로 총 300부의 설문을 오프라인, 온라인으로 배포하였으며, 209부가 회수되었다(회수율 69.66%). 회수된 설문지 중에 불성실하거나 불완전한 응답 24부를 제외하여 나머지 185부를 최종 분석에 활용하였다.

연령대로는 30세 이하 17명(9.2%), 30대 68명(36.8%), 40대 81명(43.8%), 50대 이상 19명(10.3%)이다. 소속기관으로는 민간기업체 169명(91.4%), 정부/지방부처 1명(0.5%), 공공기관 5명(2.7%), 기타 10명(5.4%)이다.

직종으로는 기업체 97명(52.4%), 제품생산 38명(20.5%), 컨설턴트 35명(18.9%), 연구원 10명(5.4%), 공무원 5명(2.7%)이다.

기업규모는 스타트업 20명(10.8%), 중소기업 69명(37.3%), 중견기업 44명(23.8%), 대기업 47명(24.8%), 공무원 5명(2.7%)이다.

산업분야로는 ICT서비스 113명(61.1%), 통신 관련업 17명(9.2%), 금융 관련업 20명(20.8%), 제조업 9명(4.9%), 정부부처 10명(5.4%), 기타 16명(5.4%)이다.

인구통계학적 특성은 밑에 표 1.에 제시하였다.

탐색적 요인분석은 변수들 간 공통적으로 내포된 요인을 파악하기 위해 활용되는 분석기법으로써 공분산과 상관관계 등 상호 연관성을 파악하여 연구에 활용된 변수 중 자료의 값을 대표할 수 있는 변수를 파악하는 기법이다.

먼저 수집된 표본자료가 적합한지 판단하기 위한 통계적 방법인 KMO(Kaiser-Meyer-Olkin)의 MSA(Measure of Sampling Adequacy)와 변수들 간 서로 독립적인지에 대한 여부를 판단하기 위해 Bartlett의 단위행렬을 검정(Bartlett's Test of Sphericity)을 실시하였다[27,28]. 이 두 개의 과정이 통계적으로 유의해야 요인분석을 진행할 수 있다. KMO Test의 기준은 0.9이상이면 아주 이상적이라고 판단하고, 0.8이상이면 우수하다고 판단하며 Bartlett's Test는 유의확률로 귀무가설의 기각 여부를 판단한다.

그 결과 표 1, 표 2와 KMO & Bartlett's Test에 이상이 없었으며, 요인 적재량(Factor Loading)이 0.5이상으로 각 변수 간 타당성이 확보되어 최종 측정 항목을 선정하였다. 마지막으로 내적일관성을 검정하기 위해 크론바 알파 계수(Cronbach’s α) 검정을 실시한 결과 모두 0.7 이상의 수치가 나타나 내적 일관성을 확보한 것으로 확인되었다[29].

요인분석을 위해 요인 추출방법은 최대우도법(Maximum likelihood)을 사용하였으며 회전방법은 베리맥스(Varimax) 회전방식을 사용하였다.

본 연구에서 확인적 요인분석을 실시하기 위해 AMOS 23.0을 활용하였다. 최종 선정된 측정 항목에 대한 신뢰성과 타당성을 검증하기 위해 Hair et al.(2010)의 공식을 사용하였으며, 표 3.과 같은 결과를 도출하였다. 변수의 타당성과 신뢰도를 확보하기 위해서는 설문항목의 표준화 계수가 최소한 0.5 이상이 되어야한다. 그리고 내적일관성 측정 지표인 개념 신뢰도(CR)의 수치는 0.7 이상, 평균분산 추출값(AVE)은 0.5 이상의 수치가 나타나야 한다[30].

최종 선정된 모든 측정항목의 표준화 계수는 모두 0.8 이상이고 평균 분산 추출 값(AVE)도 모두 0.5 이상, 개념 신뢰도(CR)은 0.8 이상으로 이상이 없는 것으로 나타났다.

판별 타당성을 검정하기 위해 측정 변수에 대한 평균분산 추출값의 제곱근 값(The Square Root of Average Variance Extracted Value)이 개념 변수 간의 상관계수(Correlations) 보다 크면, 변수 사이에는 판별 타당성이 있는 것으로 분석하는 Fornell & Larcker(1981)의 방법을 이용[31]하였다. 또한 서로 다른 잠재변수 간의 차이를 나타내는 정도를 알아보기 위해 판별 타당성 검정을 실시하였고 개념 변수 간의 상관계수를 제시하였다. 그 결과 표 4.와 같이 각 구성 변수 개념 간의 상관행렬을 나타낸 것으로 각 변수 사이에서 구한 평균분산 추출값의 제곱근 값(The Square Root of AVE)이 각 변수의 상관계수 보다 크기 때문에 구성 변수 개념 간에 판별 타당성에는 문제가 없음이 확인되었다.

가설 검정을 실시하기에 앞서서 구조방정식 모형의 적합도를 검정하였다. 그 결과 표 5.와 같이 연구모형의 적합도 지수가 전부 수용기준에 만족한 결과를 보였으며 가설 검증을 실시하였다.

가설에 대하여 실증 분석한 검증 결과를 도식화 하여 그림 3.으로 나타냈으며, 표 6.에는 세부사항을 제시하였다.

Fig. 3. 
Results of Structural Equation Model Hypothesis Test

본 연구에서 설정한 가설들의 영향 정도를 알아보기 위하여 Amos 23.0으로 경로 분석을 시행한 결과는 표 6.와 같다. 매개변수, 종속변수에 상대적으로 더 큰 영향을 주는 변수를 알아보고자 하는 경우에는 상대적 중요도를 고려한 표준화 계수(Standardized Regression Weight)를 통해 확인한다. 연구가설의 채택, 기각 여부는 C.R(Critical Ratio)값이 ±1.96이상, P-Value 0.05 이하를 기준으로 판단한다.

각각의 변수별 실증분석 내용을 살펴보면 가용성, 보안성, 신속성, 이동성은 지각된 사용용이성에 정(+)의 영향을 미쳤으나 다양성은 지각된 사용용이성에 정(+)의 영향을 미치지 않았다. 가용성, 보안성, 신속성은 지각된 유용성에 정(+)의 영향을 미쳤으나, 다양성, 이동성은 지각된 유용성에 영향을 미치지 않는 것으로 나타났다. 마지막으로 지각된 사용용이성은 지각된 유용성에 정(+)의 영향을 미쳤으며, 지각된 사용용이성, 지각된 유용성은 사용의도에 정(+)의 영향을 미쳤다.