[Paper] 온톨로지 기반 지식 그래프를 활용한 시스템 엔지니어링 워크플로우 지원을 위한 모델 관리

Source: arXiv - 2512.09596v1

Overview

이 논문은 복잡한 사이버‑물리 시스템(CPS) 워크플로우에서 생성되는 방대한 모델 및 아티팩트를 관리하기 위해 온톨로지‑기반 지식 그래프를 활용하는 프레임워크를 제시한다. 워크플로우 개념을 온톨로지(OML)로 형식화하고 이를 개발자 친화적인 도구 집합으로 감싸서, 엔지니어가 디지털 자산을 보다 효율적으로 저장, 버전 관리, 질의 및 추론할 수 있음을 보여준다.

Key Contributions

• 워크플로우 아티팩트를 위한 온톨로지 – 워크플로우, 해당 포멀리즘‑특정 모델, 메타데이터를 포착하는 엄격히 정의된 OML 스키마.
• 지식‑그래프 백본 – 온톨로지를 그래프 데이터베이스로 구현하여 엔지니어링 데이터에 대한 의미 기반 질의와 자동 추론을 가능하게 함.
• 엔지니어용 툴체인 – 그래프‑DB 복잡성을 숨기면서 모델 생성, 실행, 프로베넌스 캡처를 지원하는 유틸리티(디자이너, 실행기, 버전‑매니저, 질의 UI) 모음.
• 실제 적용 검증 – 드라이브트레인 스마트‑센서 개발 프로젝트에 배치하여 저장 처리, 버전 관리, 정보 검색 측면에서 측정 가능한 이득을 입증.
• 추론 기능 시연 – 그래프가 새로운 지식(예: 의존성 격차, 호환성 문제)을 도출할 수 있어 수작업으로는 파악하기 어려운 사항을 자동으로 발견함.

Methodology

1. 도메인 형식화 – 저자들은 핵심 워크플로우 개념(작업, 입력/출력, 버전, 도구)과 다양한 모델링 포멀리즘(SysML, MATLAB/Simulink 등)을 Ontology Modelling Language (OML) 파일에 모델링한다.
2. 지식 그래프 인스턴스화 – 트리플 스토어(예: Neo4j 또는 Blazegraph)를 사용해 각 워크플로우 실행 시 OML 스키마에 따라 RDF 트리플 집합을 생성하고 그래프에 채운다.
3. 지원 도구 구축
   • Designer UI: 엔지니어가 워크플로우를 시각적으로 구성하도록 하며, UI는 설계를 온톨로지 인스턴스로 변환한다.
   • Enactor: 워크플로우를 실행하면서 아티팩트(모델 파일, 시뮬레이션 결과)와 그 프로베넌스를 자동으로 캡처한다.
   • Version manager: 각 아티팩트의 계보를 기록해 “시간 여행” 질의를 가능하게 한다.
   • Query & reasoning layer: SPARQL 엔드포인트와 OWL 추론기를 제공해 고수준 질의(예: “컴포넌트 X에 의존하는 모든 모델 찾기”)와 암묵적 관계 추론을 수행한다.
4. 사례 연구 실행 – 프레임워크를 드라이브트레인용 스마트‑센서 시스템에 적용하여, 서로 다른 모델링 도구를 사용하는 다수의 도메인 전문가가 협업하도록 한다.

이 접근법은 툴‑중심으로 설계되었으며, 엔지니어는 익숙한 GUI를 사용하고, 데이터 통합 및 추론의 무거운 작업은 그래프와 온톨로지가 담당한다.

Results & Findings

저자들은 또한 엔지니어들이 아티팩트를 추적할 때 인지 부하가 감소했으며, 시스템의 추론 엔진이 모델 관계를 기반으로 누락된 검증 단계를 제안할 수 있었다고 보고한다.

Practical Implications

• 모델 중심 개발 효율화 – 팀은 모든 시뮬레이션, 다이어그램, 코드 조각을 검색 가능한 그래프 내 1급 객체로 취급함으로써 “그 모델 어디에 있지?”라는 마찰을 감소시킨다.
• 견고한 버전 관리 및 재현성 – 자동 프로베넌스 덕분에 워크플로우를 정확히 재실행할 수 있어 자동차 ISO‑26262와 같은 규제 준수 및 CPS 개발의 CI/CD 파이프라인에 큰 도움이 된다.
• 툴 간 통합 – 특정 모델링 포멀리즘을 추상화함으로써 개발자는 SysML, Simulink, Modelica 등을 맞춤 어댑터 없이 혼합 사용할 수 있다.
• 자동화된 규정 검사 – OWL 추론을 이용해 도메인 규칙(예: “안전‑중요 컴포넌트는 반드시 위험 분석을 포함해야 함”)을 강제함으로써 지식 그래프가 경량 규칙 엔진 역할을 수행한다.
• AI‑지원 엔지니어링 기반 – 의미 레이어가 머신러닝 모델을 손쉽게 연결할 수 있게 해 설계 위험 예측이나 컴포넌트 재사용 제안을 가능하게 하며, 보다 스마트한 PLM 시스템으로 나아가는 길을 연다.

PLM, MBSE, 디지털‑트윈 플랫폼을 구축하는 개발자에게 이 논문은 엔지니어가 RDF나 SPARQL을 직접 배우지 않아도 되는 온톨로지 기반 지식 그래프 삽입 청사진을 제공한다.

Limitations & Future Work

• 확장성 문제 – 사례 연구는 수십 개 아티팩트에 국한되었으며, 저자들은 수천 개 모델을 다루는 대규모 프로젝트에서는 트리플‑스토어 성능이 압박을 받을 수 있어 샤딩이나 보다 적극적인 인덱싱이 필요할 수 있다고 인정한다.
• 툴링 성숙도 – 프로토타입 UI와 실행기는 기능적으로는 충분하지만 상용 MBSE 제품 수준의 polish가 부족하며, 기존 툴(예: Enterprise Architect, Polarion)과의 통합은 아직 수동 단계에 머물러 있다.
• 온톨로지 진화 – 새로운 포멀리즘이나 도메인‑특화 개념을 위해 OML 스키마를 확장하는 것이 쉽지 않으며, 거버넌스 프로세스가 필요할 수 있다.
• 향후 방향 – 산업용 PLM 시스템과의 벤치마크, 실시간 스트리밍 데이터(예: 센서 텔레메트리) 지원 추가, 불확실성 처리를 위한 확률 모델과 OWL을 결합한 하이브리드 추론 탐색 등이 포함된다.

Authors

• Arkadiusz Ryś
• Lucas Lima
• Joeri Exelmans
• Dennis Janssens
• Hans Vangheluwe

Paper Information

• arXiv ID: 2512.09596v1
• Categories: cs.SE
• Published: December 10, 2025
• PDF: Download PDF