⚡ electrical engineering

RateCount: Learning-Free Device Counting by Wi-Fi Probe Listening

RateCount는 프로브 요청 프레임 속도에 기반한 증명 가능한 편향 없는 폐쇄형 수식을 사용하여 Wi-Fi 기기 및 사람의 수를 정확하게 추정함으로써, 머신러닝 기반 방식과 관련된 광범한 데이터 수집 및 모델 유지 관리 비용을 제거하는 동시에 최첨단 수준의 정확도를 달성하는 가볍고 학습이 필요 없는 접근 방식입니다.

원저자: Tianlang He, Zhangyu Chang, Zhongming Lin, S. -H. Gary Chan

게시일 2026-07-27

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Tianlang He, Zhangyu Chang, Zhongming Lin, S. -H. Gary Chan

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

붐비는 공항 터미널이나 북적이는 대학교 캠퍼스를 걷고 있다고 상상해 보십시오. 당신은 단순히 사람들 사이에 둘러싸여 있는 것이 아니라, 침묵 속의 보이지 않는 디지털 대화의 떼에 둘러싸여 있습니다. 당신이 소지한 모든 스마트폰, 스마트워치, 노트북은 주변의 와이파이 네트워크를 찾기 위해 프로브 요청 프레임(Probe Request Frames, PRF)이라고 불리는 작은 디지털 "안녕" 신호를 허공을 향해 끊임없이 외치고 있습니다. 이는 마치 방 안의 모든 사람이 서로 누가 있는지 확인하기 위해 몇 초마다 손전등을 껐다 켰다 하며 깜빡이고 있는 것과 같습니다.

오랫동안 과학자들과 도시 계획가들은 이 깜빡이는 손전등을 세어서 군중 속에 얼마나 많은 사람이 있는지 파악하고 싶어 했습니다. 이는 버스 정류장의 교통량을 관리하는 것부터 열람실의 에어컨을 언제 켤지 결정하는 것까지 매우 중요한 일입니다. 하지만 문제가 하나 있습니다. 개인정보를 보호하기 위해, 여러분의 휴대폰은 고정된 ID를 그대로 사용하는 대신, 신호를 보낼 때마다 디지털 이름(MAC 주소)을 자주 바꿉니다. 즉, 한 사람이 센서에는 열 명의 낯선 사람으로 보일 수 있다는 뜻입니다. 기존의 해결책은 이 깜빡임들이 동일한 사람의 것인지 알아내기 위해 복잡하고 무거운 컴퓨터 두뇌(머신러닝)를 사용하는 것이었습니다. 하지만 이러한 컴퓨터 두뇌는 데이터에 대한 욕심이 많고, 비용이 많이 들며, 전문가의 지속적인 관리가 필요합니다. 만약 더 단순하게 군중을 셀 수 있는 방법이 있다면 어떨까요?

여기에 등장하는 RateCount는 손전등에 적힌 이름을 무시하고 대신 얼마나 빨리 깜빡이는지를 세는 영리한 탐정 같은 새로운 접근 방식입니다. 티안랑 허(Tianlang He)와 동료들이 이끄는 연구진은, 누가 깜빡이는지를 알 필요 없이 단지 사람들이 얼마나 많은지는 그 깜빡임이 발생하는 **속도(rate)**를 알면 된다는 사실을 발견했습니다.

여기에는 마법 같은 원리가 숨어 있습니다. 논문은 특정 기간(시간 "윈도우") 동안 모든 "안녕" 신호를 경청한다면, 신호의 총합은 존재하는 장치의 수와 직접적인 관련이 있다고 제안합니다. 이는 지붕을 때리는 빗방울의 수를 세는 것과 같습니다. 어떤 구름에서 떨어진 빗방울인지 알 필요는 없습니다. 단지 비가 초당 10방울의 속도로 내리고 있고, 하나의 구름이 보통 초당 1방울을 떨어뜨린다는 것을 안다면, 대략 10개의 구름이 있다고 판단할 수 있는 것과 같습니다. RateCount는 간단한 수학 공식을 사용하여 군중의 전체 "깜빡임 속도"를 단일 장치의 평균 "깜빡임 속도"로 나눕니다.

이 논문은 우리가 반드시 머신러닝을 사용해야만 한다는 생각에 강력히 반대합니다. 저자들은 기존의 "최첨단(state-of-the-art)" 시스템들이 사용하는 복잡한 방법들이 과하다는 것을 보여줍니다. 그 방법들은 모든 신호를 특정 장치와 연결하려고 시도하는데, 이는 개인정보 보호를 위한 이름 변경 때문에 매우 어렵습니다. RateCount는 이 단계를 통째로 건너뜁니다. 대신 정체성의 퍼즐을 풀려고 하는 대신, 규모의 퍼즐을 풉니다. 연구진은 자신들의 방식이 "편향되지 않았다(unbiased)"는 것을 수학적으로 증명했습니다. 즉, 이름 변경의 혼란 속에서도 체계적으로 인원을 과다 계측하거나 과소 계측하지 않는다는 것입니다.

이것이 단순히 운 좋은 추측이 아님을 증명하기 위해, 연구팀은 현실 세계에서 RateCount를 테스트했습니다. 그들은 대학교 실험실, 건물 입구, 캠퍼스 아트리움, 학습실, 그리고 붐비는 버스 정류장에 센서를 설치했습니다. 결정적으로, 이 시스템은 머신러닝의 무거운 작업 과정을 피하지만, 한 번의 현장 데이터 수집 단계는 필요로 합니다. 시스템은 특정 장소의 고유한 "깜빡임 리듬(프로빙 간격 분포)"을 배우기 위해 네트워크를 잠시 경청해야 합니다. 환경마다 패턴이 다르기 때문입니다. 일단 이 지역의 리듬을 학습하고 나면, 시스템은 추가적인 훈련이나 복잡한 모델 조정 없이도 정확하게 장치를 셀 수 있습니다.

하지만 '장치'를 세는 것에서 '사람'을 세는 것으로 넘어갈 때 한 가지 중요한 미묘한 차이가 있습니다. 한 사람이 여러 기기(예: 휴대폰과 스마트워치)를 소지할 수 있기 때문에, 단순히 장치를 세는 것만으로는 인간의 수를 알 수 없습니다. 이 간극을 메우기 위해 시스템은 **다중 모드 보정 체계(multimodal calibration scheme)**를 채택합니다. 이는 캠퍼스 아트리움과 같은 특정 "보정 영역"을 설정하여, Wi-Fi 센서가 카메라와 같은 다른 기술과 함께 작동하여 **장치 대 사람 비율(device-to-person ratio)**을 추정하는 방식입니다. 이 특정 구역에서 Wi-Fi 장치 수와 카메라의 인원 수를 비교함으로써, 시스템은 해당 지역의 비율(예: 사람당 1.14개의 장치)을 학습합니다. 이렇게 보정된 비율은 다른 구역에 적용되어 장치 수를 정확한 인원 수로 변환하는 데 사용됩니다.

연구팀은 이 단순한 "깜빡임 속도" 방식을 무거운 머신러닝 시스템 및 심지어 (보통 인원 계수의 표준으로 여겨지는) 카메라와 비교했습니다. 결과는 놀라웠습니다. RateCount는 복잡한 머신러닝 시스템만큼 정확하면서도, 머신러닝 훈련 데이터가 전혀 필요 없었고 지속적인 모델 유지보수도 필요하지 않았습니다. 실제로, 이 보정 체계를 사용하여 사람을 셀 때, 이전의 Wi-Fi 방식들에 비해 계측 오차를 무려 **66%**나 줄였습니다.

또한 논문은 우리가 데이터에 대해 얼마나 "확신"할 수 있는지 알려주는 도구도 제공합니다. 그들은 데이터의 일기 예보처럼 작동하는 "오차 모델"을 만들었습니다. 이 모델은 더 긴 시간(더 큰 윈도우) 동안 측정할수록 예측이 더 정확해지지만, 군중의 변화가 너무 빠르면 상황을 포착하기 위해 더 짧은 윈도우가 필요할 수도 있다는 점을 알려줍니다. 연구진은 붐비는 장소에서 이 방식이 상대적인 관점에서 더 정확하다는 것을 발견했습니다. 즉, 군중이 많을수록 오차율은 더 낮아진다는 의미입니다.

요약하자면, RateCount는 때때로 가장 단순한 답이 최선임을 증명합니다. 디지털 군중의 개개인을 식선별하려 하기보다 그들의 리듬에 귀를 기울임으로써, 우리는 값비싼 머신러닝 설정이나 개인정보 침해 없이도 주변에 얼마나 많은 사람이 있는지에 대한 명확하고 정확한 그림을 얻을 수 있습니다. 이는 복잡한 정체성의 문제를 단순한 비트(beat)를 세는 문제로 전환하여, 최소한의 설정과 낮은 유지보수 비용으로 어디에서나 인원 계측 시스템을 배포할 수 있게 만듭니다.

기술 요약: RateCount: Wi-Fi 프로브 리스닝을 통한 학습 불필요 장치 계수 기술

문제 정의
액세스 포인트(AP) 커버리지 내의 Wi-Fi 장치 수를 세는 것은 인파 관리나 대중교통 스케줄링과 같은 IoT 애플리케이션을 위한 근본적인 과제입니다. 이 분야의 주요 과제는 사용자 개인정보 보호를 위해 연결되지 않은 장치가 가상 MAC 주소를 방송하는 **MAC 주소 무작위화(MAC address randomization)**입니다. 이는 단일 물리적 장치가 여러 개의 서로 다른 장치로 보이게 만들어, 단순한 MAC 주소 카운팅을 사용할 경우 심각한 과다 계수(overcounting)를 초래합니다.

현재의 최첨단(SOTA) 방식들은 동일한 장치에서 나오는 프로브 요청 프레임(PRF)을 연관시키기 위해 머신러닝(ML) 모델을 채택하여 이 문제를 해결합니다. 그러나 이러한 방식들은 다음과 같은 높은 배포 및 유지보수 비용을 수반합니다:

설치 비용: 광범위한 데이터 수집, 큐레이션 및 모델 학습이 필요합니다.
유지보수 비용: 새로운 브랜드 및 모델에 대응하기 위해 정기적인 미세 조정(fine-tuning)이 필요합니다.
계산 비용: 상당한 컴퓨팅 파워를 통한 ML 추론을 요구합니다.

또한, 기존 방법들은 장치의 체류 시간(dwell time)과 프로빙 간격(probing intervals) 사이의 관계와 관련하여 계수 편향(counting bias) 및 오차 분산에 대한 이론적 이해가 부족한 경우가 많습니다.

방법론: RateCount
저자들은 MAC 주소의 수가 아닌 프로빙 속도(probing rate)(AP가 수신하는 PRF 버스트의 빈도)를 기반으로 장치 수를 추정하는 경량화된 학습 불필요(learning-free) 접근 방식인 RateCount를 제안합니다. 이 시스템은 슬라이딩 윈도우 방식으로 작동하며 두 가지 폐쇄형 수식(closed-form expressions)을 활용합니다:

속도 모델 (불편 추정량 - Unbiased Estimator):
- 개념: 이 모델은 윈도우 내의 총 집계 프로빙 속도( $R$ )를 단일 장치의 평균 프로빙 속도( $r$ )로 계산하여 윈도우 평균 장치 수( $\bar{N}$ )를 추정합니다.
- 공식: $\hat{N} = \frac{R}{r} = \frac{B \cdot \tau}{w}$ , 여기서 $B$ 는 총 프로빙 버스트 수, $w$ 는 윈도우 크기, $\tau$ 는 평균 프로빙 간격입니다.
- 이론적 근거: 저자들은 이 추정량이 프로빙 간격의 특정 분포와 무관하게 윈도우에 대한 시간 평균 장치 수에 대해 **불편(unbiased)**함을 증명합니다. 이 증명은 기본 재생 정리(Elementary Renewal Theorem)에 기반합니다.
- 데이터 요구사항: 장치별 학습 대신, 이 시스템은 특정 계수 구역의 프로빙 간격에 대한 주변 분포(marginal distribution)만을 필요로 하며, 이는 시간이 지남에 따라 자동으로 수집될 수 있습니다.
오차 모델 (분산 추정):
- 저자들은 계수의 평균 제곱 오차(MSE)에 대한 폐쇄형 수식을 도출하였으며, 추정량이 불편하므로 MSE는 분산에 의해 지배됩니다.
- 공식: $MSE(\hat{N}) \approx \frac{B \sigma^2_\tau}{w^2}$ , 여기서 $\sigma_\tau$ 는 프로빙 간격의 표준 편차입니다.
- 통찰: 이 모델은 윈도우 크기( $w$ )가 증가함에 따라 계수 오차가 감소하며, 프로빙 간격의 가변성에 영향을 받는다는 것을 보여줍니다. 이는 실시간 성능과 정확도 사이의 균형을 맞추기 위한 윈도우 크기 선택의 이론적 근거를 제공합니다.

인원 계수로의 확장
장치 계수를 인원 계수에 적용하기 위해, RateCount는 장치-인원 캘리브레이션(device-to-person calibration) 체계를 통합합니다:

캘리브레이션: "캘리브레이션 구역"(예: 캠퍼스 아트리움)에서 보조 센싱 모달리티(예: 카메라)를 사용하여 인원 수( $\bar{M}$ )와 장치 수( $\hat{N}$ )를 동시에 추정합니다.
비율 추정: 이 캘리브레이션 구역으로부터 장치-인원 비율( $\alpha = \bar{N}/\bar{M}$ )을 도출합니다.
적용: 이 비율을 다른 계수 구역에 적용하여 인원 수( $\hat{M} \approx \hat{N}/\alpha$ )를 추정합니다. 시스템은 캘리브레이션 중에 카메라의 시야 내에 있는 장치들만 계수되도록 하기 위해 지오펜싱(RSSI 및 SVM 활용)을 사용합니다.

주요 기여

학습 불필요 불편 추정량: MAC 주소 무작위화 상황에서도 머신러닝 없이 Wi-Fi 장치를 계수하는 최초의 접근 방식으로, 증명 가능한 불편(unbiased) 폐쇄형 속도 모델을 활용합니다.
폐쇄형 오차 모델: 윈도우 크기와 프로빙 간격 분산의 영향을 설명하는 이론적 유도를 통해 시스템 구성을 가이드합니다.
실용적인 인원 계수: 기존의 Wi-Fi 기반 인원 계수 방식보다 오차를 크게 줄이는 다중 모달 캘리브레이션 프레임워크를 통해 장치 계수를 인원 계수로 확장합니다.

실험 결과
저자들은 RateCount를 구현하고 다양한 환경(실험실, 건물 입구, 캠퍼스 아트리움, 버스 정류장, 스터디 룸)과 다양한 인파 밀도에서 광범위한 실험을 수행했습니다.

장치 계수: RateCount는 ML 기반의 SOTA 방식과 대등한 정확도를 달면서도 ML 배포 비용이 발생하지 않았습니다. 또한 전통적인 MAC 카운팅 및 단순 캘리브레이션된 MAC 카운팅보다 성능이 현저히 뛰어났습니다.
인원 계수: SOTA Wi-Fi 기반 인원 계수 방식인 CountMeIn과 비교했을 때, RateCount는 계수 오차를 66% 감소시켰습니다 (구체적으로 RMSE 약 4.57, NRMSE 약 0.66 감소).
오차 모델 검증: 실험적 오차는 이론적 오차 모델과 매우 밀접하게 일치하였으며, 매우 적은 차이(NRMSE 기준 약 2%)를 보여 모델의 유용성을 입증했습니다.
실제 적용: 시스템은 스터디 룸과 버스 정류장의 인파 수준을 모니터링하는 데 성공적으로 배치되었으며, 인프라 관리를 위한 사용 패턴(예: 수업 후 피크 시간대)을 포착할 수 있음을 보여주었습니다.

의의 및 주장
본 논문은 RateCount가 머신러닝 기반 계수 방식에 대한 빠른 배포, 낮은 유지보수, 비용 효율적인 대안을 제공한다고 주장합니다. 학습 데이터 큐레이션, 모델 튜닝, 특수 하드웨어의 필요성을 제거함으로써, 컴퓨팅 자원이 제한적이거나 빠른 설정이 필요한 시나리오에서 Wi-Fi 기반의 군중 센싱을 용이하게 만듭니다. 저자들은 우리의 접근 방식이 이전에는 결여되었던, 이론적으로 근거가 탄탄한 계수 편향 및 오차에 대한 이해를 제공한다는 점을 강조합니다. 결과에 따르면 혼잡한 시나리오에서 RateCount의 상대 오차는 특히 낮아, 고밀도 환경을 위한 확장성이 뛰어남을 시사합니다.

유사한 논문