본 논문은 분산된 클라이언트의 정보를 활용하여 협업 머신러닝 모델 훈련을 가능하게 하는 연합 학습(FL)에서의 데이터 이질성(non-IID) 문제를 심층적으로 분석합니다. 특히, 기존 연구에서 체계적으로 다루지 않았던 다양한 유형의 데이터 이질성(레이블, 특징, 데이터 양, 시공간적 비대칭)을 헬링거 거리(HD)를 사용하여 측정하고, 최신의 네 가지 non-IID 데이터 처리 전략의 성능을 실험적으로 비교 분석합니다. 특히, 시공간적 비대칭의 영향을 FL 성능에 대해 처음으로 포괄적으로 분석합니다. 실험 결과, 레이블과 시공간적 비대칭이 FL 모델 성능에 큰 영향을 미치며, 특정 HD 임계값을 넘어서면 성능 저하가 크게 발생함을 보여줍니다. 극심한 non-IID 상황에서 FL 성능이 크게 저하되는 것을 확인하고, 데이터 이질성을 효과적으로 해결하기 위한 FL 연구 방향을 제시합니다.