KR102471665B1 - 에지 인텔리전스 플랫폼 및 사물 인터넷 센서 스트림 시스템 - Google Patents

Abstract

본 발명은 에지에서 인텔리전스가 가능한 방법을 제안한다. 그 특징으로 다음을 포함한다: 게이트웨이 디바이스 또는 임베디드 시스템에서 호스트되는 센서 데이터를 소프트웨어 계층에서 트리거링한다. 소프트웨어 계층은 로컬 영역 네트워크에 연결된다. 서비스들, 애플리케이션들 및 데이터 처리 엔진들의 저장소는 소프트웨어 계층에서 액세스할 수 있다. 소프트웨어 계층에서 사용할 수 있는 표현 언어를 통해 특정 조건들의 발생에 대한 의미론적 설명들과 센서 데이터를 연결시킨다. 연속적으로 실행하는 표현들에 의해 패턴 이벤트들을 자동으로 검색한다. 체이닝 애플리케이션과 분석 표현들을 위해 소프트웨어 계층에서 관리되는 게이트웨이 디바이스 및 임베디드 시스템들에서 서비스들과 애플리케이션들을 지능적으로 구성한다. 리소스 가용성을 기반으로 분석들과 애플리케이션들의 레이아웃을 최적화한다. 소프트웨어 계층의 상태를 모니터링한다. 원시 센서 데이터 또는 표현들의 결과들을 로컬 시계열 데이터베이스 또는 클라우드 스토리지에 저장한다. 서비스들과 컴포넌트들은 모든 게이트웨이 환경에서 원활하게 실행되도록 컨테이너화될 수 있다.

Description

에지 인텔리전스 플랫폼 및 사물 인터넷 센서 스트림 시스템

본 발명은 컴퓨팅 분야에 관한 것이다. 보다 상세하게는 산업용 기계에 의해 생성된 대량의 데이터들을 처리하는 에지 컴퓨팅(edge computing)에 관한 것이다.

이 특허 출원은 2015년 8월 27일자로 출원된 미국 특허 출원 제62/210,981호의 이익을 주장하며, 이는 이 출원에 인용된 다른 모든 참고 문헌과 함께 참고 문헌으로 포함된다. 2016년 3월 23일자로 출원된 미국 특허 출원 제62/312,106 호, 제62/312,187호, 제62/312,223호 및 제62/312,255호는 참조로 포함된다.

기존의 기업 소프트웨어 애플리케이션 호스팅은 규모의 경제와 시스템 효율성을 활용하기 위해 데이터 센터 또는 "클라우드" 인프라에 의존하였다. 그러나 이러한 데이터 센터들은 기업이 대부분의 비즈니스 운영들을 수행하는 물리적 작업들(ex. 공장, 창고, 소매점 및 기타)의 지점에서 임의로 멀리 떨어져 있을 수 있다. 산업용 인터넷(IIoT; Industrial Internet of Things)은 매우 높은 빈도로 이벤트들을 추적하는 센서들로 물리적 작업들의 계측에 의존하는 장치 또는 사용 사례들(use-cases)의 집합을 나타낸다.

산업용 기계들은 많은 분야에서 제조, 석유 및 가스, 광업, 운송, 전력 및 물, 재생 가능 에너지, 헬스 케어(health care), 소매점, 스마트 빌딩들, 스마트 도시들 및 커넥티드 차량들(connected vehicles)을 포함하는 사물 인터넷(IoT)에 포함된다. 이러한 것들은 클라우드 컴퓨팅의 성공에도 불구하고 몇몇 단점들이 있다. 연결성이 항상 존재하지 않을 수 있으며, 대역폭이 충분하지 않거나, 대역폭이 존재하더라도 비용이 많이 들기 때문에 모든 데이터를 클라우드 스토리지로 전송하는 것은 실용적이지 않다. 연결성, 대역폭 및 비용이 문제되지 않더라도, 기계들에 심각한 손상을 초래할 수 있는 실시간 의사 결정 및 예측 가능한 유지 관리가 없다.

따라서 향상된 컴퓨팅 시스템들, 아키텍처들 및 개선된 에지 분석들을 포함한 기술은 산업용 기계들에 의해 생성된 많은 양의 데이터를 처리하는 데에 필요하다.

본 발명은 상기한 문제점을 해결하기 위해 안출되는 것으로서, 에지(edge)에서 인텔리전스(intelligence)가 가능한 에지 컴퓨팅 플랫폼 시스템(에지 인텔리전스 플랫폼)과 센서 시스템(사물 인터넷 센서 스트림 시스템), 및 에지 컴퓨팅 플랫폼 시스템을 이용하여 에지에서 인텔리전스를 가능하게 하는 방법을 제안하는 것을 목적으로 한다.

그러나 본 발명의 목적은 상기에 언급된 사항으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

본 발명은 상기한 목적을 달성하기 위해 안출되는 것으로서, 복수개의 센서 데이터 스트림들; 및 복수개의 센서들과 통신 네트워크 사이에 물리적으로 배치되며, 상기 센서들로부터 수신되는 원시 데이터를 기초로 계산들(computations)을 수행하도록 구성되는 소프트웨어 계층을 포함하는 것을 특징으로 하는 에지 컴퓨팅 플랫폼 시스템을 제안한다.

바람직하게는, 상기 소프트웨어 계층은 데이터 처리 계층 및 상기 통신 네트워크의 관점으로부터 프로그래밍 가능한 가상 센서를 포함한다.

바람직하게는, 상기 소프트웨어 계층은 복합 이벤트 처리 엔진 및 스트림 처리를 위한 표현 언어를 포함하는 데이터 처리 계층을 포함한다.

바람직하게는, 상기 데이터 처리 계층은 데이터 보강 계층, 애플리케이션들을 개발하고 상기 애플리케이션들과 상호작용을 하는 소프트웨어 개발 키트를 포함한다.

바람직하게는, 상기 소프트웨어 계층은 적어도 하나의 로컬 시계열 데이터베이스 또는 선택된 클라우드 스토리지에서 표현들로부터 센서 데이터 스트림들 또는 파생된 데이터 또는 메타데이터를 공개하는 데이터 공개 계층을 포함한다.

바람직하게는, 상기 에지 컴퓨팅 플랫폼 시스템은 애플리케이션 저장소를 더 포함하며, 상기 소프트웨어 계층은 상기 애플리케이션 저장소로부터 애플리케이션들을 저장, 검색, 및 배치하도록 구성되고, 상기 애플리케이션들은 하드웨어 계층 위에 센서 데이터의 처리를 위해 구성되며, 상기 애플리케이션 저장소는 상기 하드웨어 계층 위에서 이용 가능한 리소스들을 기초로 애플리케이션 컨테이너를 커스트마이즈하도록 구성된다.

또한 본 발명은 복수개의 센서들; 및 상기 복수개의 센서들 및 통신 네트워크 사이에 물리적으로 배치되며, 상기 복수개의 센서들로부터 수신되는 원시 데이터를 기초로 계산들(computations)을 수행하도록 구성되는 하드웨어 계층을 포함하는 것을 특징으로 하는 센서 시스템을 제안한다.

바람직하게는, 상기 하드웨어 계층은 상기 통신 네트워크의 관점에서 가상 센서로서 프로그래밍 가능하게 구성된다.

바람직하게는, 상기 가상 센서는 상기 하드웨어 계층에서 프로그래밍에 의해 특정되는 API를 포함한다.

바람직하게는, 상기 센서 시스템은 애플리케이션 저장소를 더 포함하며, 상기 하드웨어 계층은 상기 애플리케이션 저장소로부터 애플리케이션들을 수신하도록 구성되고, 상기 애플리케이션들은 상기 하드웨어 계층 위에 센서 데이터의 처리를 위해 구성되며, 상기 애플리케이션 저장소는 상기 하드웨어 계층 위에서 이용 가능한 리소스들을 기초로 애플리케이션 컨테이너를 커스트마이즈하도록 구성된다.

또한 본 발명은 에지 플랫폼 시스템의 데이터 인제스천 에이전트(data ingestion agent)에서 제1 네트워크 연결 유형을 통해 센서 데이터 스트림을 수신하는 단계; 상기 데이터 인제스천 에이전트로부터, 상기 시스템의 데이터 버스에 인제스트되는 스트림 데이터를 전달하는 단계; 데이터 보강 컴포넌트를 통해 실시간으로 상기 인제스트되는 데이터를 보강하며, 상기 인제스트되는 데이터를 상기 데이터 버스에서 이용 가능하게 만드는 단계; 상기 데이터 버스로부터 데이터를 예약하는(subscribing) 분석 엔진에서 상기 인제스트되는 스트림 데이터를 처리하는 단계로서, 상기 처리하는 단계는 상기 인제스트되는 스트림 데이터로부터 인텔리전스 정보를 생성하기 위해 표현 언어로 제공되는 분석 표현들을 실행하는 단계를 포함하는 단계; 및 상기 데이터 버스에 상기 인텔리전스 정보를 공개하는 단계를 포함하는 것을 특징으로 하는 방법(에지 컴퓨팅 플랫폼 시스템과 센서 시스템을 구비하는 시스템의 작동 방법)을 제안한다.

바람직하게는, 상기 방법은 데이터 퍼블리셔 컴포넌트에서 상기 데이터 버스로부터 상기 인텔리전스 정보를 수신하는 단계; 및 상기 데이터 퍼블리셔 컴포넌트를 통해, 시계열 데이터베이스에 상기 인텔리전스 정보를 저장하는 단계를 더 포함한다.

바람직하게는, 상기 방법은 상기 데이터 퍼블리셔 컴포넌트를 통해, 제2 네트워크 연결 유형으로 상기 인텔리전스 정보의 적어도 일부를 전송하며, 클라우드 스토리지에 저장하는 단계를 더 포함한다.

바람직하게는, 상기 제2 네트워크 연결 유형은 상기 제1 네트워크 연결 유형과 서로 다르며, 센서 데이터 스트림 데이터에 대해 상기 제1 네트워크 연결 유형보다 낮은 대역폭 연결을 가진다.

바람직하게는, 상기 제1 네트워크 연결 유형은 MQTT, OPC 통합 아키텍처, 또는 모드버스 프로토콜 중 적어도 하나를 포함한다.

바람직하게는, 상기 제2 네트워크 연결 유형은 인터넷 프로토콜을 포함한다.

바람직하게는, 상기 데이터 인제스천 에이전트는 푸시(push) 프로토콜을 통해 제1 네트워크 연결 유형으로 센서 스트림 데이터에 액세스한다.

바람직하게는, 상기 데이터 인제스천 에이전트는 풀(pull) 프로토콜을 통해 제1 네트워크 연결 유형으로 센서 스트림 데이터를 액세스한다.

바람직하게는, 상기 방법은 사용자가 상기 에지 플랫폼 시스템을 위해 애플리케이션들을 개발할 수 있게 하는 소프트웨어 개발 키트를 제공하는 단계; 및 상기 소프트웨어 개발 키트를 통해, 상기 데이터 버스로부터 사용 가능한 상기 인텔리전스 정보를 액세스하고 처리할 수 있는 제1 컨테이너 애플리케이션을 개발하는 단계를 더 포함한다.

바람직하게는, 데이터 퍼블리셔 컴포넌트에서 상기 데이터 버스로부터 상기 인텔리전스 정보를 수신하는 단계; 상기 데이터 퍼블리셔 컴포넌트를 통해, 시계열 데이터베이스에 상기 인텔리전스 정보를 저장하는 단계; 및 상기 소프트웨어 개발 키트를 통해, 상기 시계열 데이터베이스에 저장되는 상기 인텔리전스 정보를 액세스하고 처리할 수 있는 제2 컨테이너 애플리케이션을 개발하는 단계를 더 포함한다.

바람직하게는, 상기 방법은 상기 에지 플랫폼 시스템의 애플리케이션 스토어를 제공하는 단계를 더 포함하며, 상기 제1 컨테이너 애플리케이션 및 상기 제2 컨테이너 애플리케이션은 다른 사용자들이 상기 애플리케이션 스토어를 통해 액세스 가능하게 한다.

바람직하게는, 상기 방법은 상기 표현 언어를 이용하여, 제1 물리적 센서와 결합되는 제1 입력, 및 제1 입력의 제1 기능인 제1 출력을 가지는 제1 가상 센서를 생성하는 단계; 및 상기 제1 가상 센서가 상기 제1 물리적 센서로부터 제1 스트림 데이터를 수신하고, 상기 제1 출력에서, 상기 제1 가상 센서가 상기 제1 기능에 따라 작동하는 제1 스트림 데이터인 제2 스트림 데이터를 출력하는 단계를 더 포함하며, 상기 제1 기능은 상기 표현 언어로 특정되고, 상기 인텔리전스 정보는 상기 제2 스트림 데이터를 포함한다.

바람직하게는, 상기 방법은 상기 표현 언어를 이용하여, 제1 물리적 센서와 결합되는 제1 입력, 제2 물리적 센서와 결합되는 제2 입력, 및 상기 제1 입력과 상기 제2 입력의 제1 기능인 제1 출력을 가지는 제1 가상 센서를 생성하는 단계; 및 상기 제1 가상 센서가 상기 제1 물리적 센서로부터 제1 스트림 데이터를 수신하고 상기 제2 물리적 센서로부터 제2 스트림 데이터를 수신하며, 상기 제1 출력에서, 상기 제1 가상 센서가 상기 제1 기능에 따라 작동하는 상기 제1 스트림 데이터 및 상기 제2 스트림 데이터인 제3 스트림 데이터를 출력하는 단계를 더 포함하며, 상기 제1 기능은 상기 표현 언어로 특정되고, 상기 인텔리전스 정보는 상기 제3 스트림 데이터를 포함한다.

또한 본 발명은 에지 플랫폼 시스템의 데이터 인제스천 에이전트에서 제1 네트워크 연결 유형을 통해 센서 스트림 데이터를 수신하는 단계; 상기 데이터 인제스천 에이전트로부터, 인제스트되는 스트림 데이터를 상기 시스템의 데이터 버스로 전달하는 단계; 데이터 보강 컴포넌트를 통해 상기 인제스트되는 데이터를 보강하며, 상기 인제스트되는 데이터를 상기 데이터 버스에서 이용 가능하게 만드는 단계; 상기 데이터 버스로부터 데이터를 예약하는(subscribing) 분석 엔진에서 상기 인제스트되는 스트림 데이터를 처리하는 단계로서, 상기 처리하는 단계는 상기 인제스트되는 스트림 데이터로부터 인텔리전스 정보를 생성하기 위해 표현 언어로 제공되는 분석 표현들을 실행하는 단계를 포함하는 단계; 제1 물리적 센서와 결합되는 입력, 및 상기 입력의 제1 기능인 출력을 가지는 제1 가상 센서를 제공하는 단계로서, 상기 제1 기능은 상기 표현 언어로 특정되고, 상기 제1 가상 센서는 상기 제1 물리적 센서로부터 제1 스트림 데이터를 수신하며, 상기 출력에서, 상기 제1 가상 센서는 상기 제1 기능에 따라 작동하는 상기 제1 스트림 데이터인 제2 스트림 데이터를 출력하고, 상기 인텔리전스 정보는 상기 제2 스트림 데이터를 포함하는 단계; 제2 물리적 센서와 결합되는 제1 입력, 상기 제1 가상 센서의 출력과 결합되는 제2 입력, 및 상기 제1 입력과 상기 제2 입력의 제2 기능인 출력을 가지는 제2 가상 센서를 제공하는 단계로서, 상기 제2 기능은 상기 표현 언어로 특정되고, 상기 제2 가상 센서는 상기 제2 물리적 센서로부터 제3 스트림 데이터를 수신하고 상기 제1 가상 센서로부터 상기 제2 스트림 데이터를 수신하며, 상기 제1 출력에서, 상기 제2 가상 센서는 상기 제2 기능에 따라 작동하는 상기 제2 스트림 데이터 및 상기 제3 스트림 데이터인 제4 스트림 데이터를 출력하고, 상기 인텔리전스 정보는 상기 제4 스트림 데이터를 포함하는 단계; 상기 제2 스트림 데이터 및 상기 제4 스트림 데이터를 포함하는 상기 인텔리전스 정보를 상기 데이터 버스에 공개하는 단계; 데이터 퍼블리셔 컴포넌트에서 상기 데이터 버스로부터 상기 인텔리전스 정보를 수신하는 단계; 및 상기 데이터 퍼블리셔 컴포넌트를 통해, 시계열 데이터베이스에 상기 인텔리전스 정보를 저장하는 단계를 포함하는 것을 특징으로 하는 방법(에지 컴퓨팅 플랫폼 시스템과 센서 시스템을 구비하는 시스템의 작동 방법)을 제안한다.

바람직하게는, 상기 제2 가상 센서는 상기 데이터 버스로부터 상기 제2 스트림 데이터를 수신한다.

본 발명은 상기한 목적 달성을 위한 구성들을 통하여 다음과 같은 효과를 얻을 수 있다.

첫째, 에지에서 인텔리전스가 가능한 기술을 산업용 사물인터넷(IoT)에 적용하는 것이 가능해진다.

도 1은 클라이언트-서버 시스템 및 네트워크의 블록 다이어그램을 보여준다.
도 2는 클라이언트 또는 서버의 상세한 다이어그램을 보여준다.
도 3은 컴퓨터 시스템의 시스템 블록 다이어그램을 보여준다.
도 4는 센서 스트림들과 클라우드 사이에 위치하는 에지 컴퓨팅 플랫폼의 블록 다이어그램을 보여준다.
도 5는 에지 분석(edge analytics)을 포함하는 에지 컴퓨팅 플랫폼의 상세한 블록 다이어그램을 보여준다.
도 6은 에지 인프라(edge infrastructure)와 클라우드 인프라(cloud infrastructure) 사이의 동작 흐름을 보여준다.
도 7은 센서 표현 언어 엔진, 몇몇 가상 센서들 등을 통해 생성되는 물리적 센서들을 이용하는 예시를 보여준다.

본 발명은 에지에서 인텔리전스가 가능한 방법을 제안한다. 그 특징으로 다음을 포함한다: 게이트웨이 디바이스 또는 임베디드 시스템에서 호스트되는 센서 데이터를 소프트웨어 계층에서 트리거링한다. 소프트웨어 계층은 로컬 영역 네트워크에 연결된다. 서비스들, 애플리케이션들 및 데이터 처리 엔진들의 저장소는 소프트웨어 계층에서 액세스할 수 있다. 소프트웨어 계층에서 사용할 수 있는 표현 언어(expression language)를 통해 특정 조건들의 발생에 대한 의미론적 설명들(semantic descriptions)과 센서 데이터를 연결시킨다. 연속적으로 실행하는 표현들(expressions)에 의해 패턴 이벤트들을 자동으로 검색한다. 체이닝 애플리케이션(chaining application)과 분석 표현들(analytics expressions)을 위해 소프트웨어 계층에서 관리되는 게이트웨이 디바이스 및 임베디드 시스템들에서 서비스들과 애플리케이션들을 지능적으로 구성한다. 리소스 가용성을 기반으로 분석들과 애플리케이션들의 레이아웃을 최적화한다. 소프트웨어 계층의 상태(health)를 모니터링한다. 원시 센서 데이터 또는 표현들의 결과들을 로컬 시계열 데이터베이스(local time-series database) 또는 클라우드 스토리지에 저장한다. 서비스들과 컴포넌트들은 모든 게이트웨이 환경에서 원활하게 실행되도록 컨테이너화(containerized)될 수 있다.

에지 인텔리전스(edge intelligence)는 사물 인터넷(IoT) 데이터의 소스에서 사용될 수 있다. 시스템은 실시간 에지 분석 및 애플리케이션을 위해 IoT 장치의 센서 데이터에 대해 강화된 액세스(스트림 또는 배치 모드들, 또는 이 둘 모두)를 제공한다. 이 시스템은 낮은 메모리 풋프린트(footprint) 기계들에서 작동하는 고성능 분석 엔진을 통해 분석 기능들 및 표현들을 실행하기 위한 매우 효율적이고 표현력이 우수한 컴퓨터 언어를 포함한다. 이 시스템은 기계 학습(machine learning)을 발전시키기 위해 클라우드에 집계 데이터(aggregate data)를 게시하는 것을 허락한다. 이 시스템은 개발이 진행중인 에지 애플리케이션들을 위한 소프트웨어 개발 키트를 포함한다. 클라우드 기반 관리 콘솔(management console)은 에지 배치(edge deployment), 구성(configuration), 애플리케이션들, 및 분석 표현들을 관리하는 것을 허락한다.

에지 인프라(edge infrastructure) 및 플랫폼의 구체적 구현은 포그혼 시스템즈 사(FogHorn Systems, Inc.)가 담당한다. 포그혼 웹사이트(www.foghorn-systems.com), 간행물들(백서들(white papers), 사용자 가이드들, 자습서들, 비디오들 및 기타 포함) 및 포그혼 기술 및 제품들에 대한 기타 간행물은 참조용으로 포함된다.

포그혼은 산업적 및 상업적 사물 인터넷 데이터를 위한 에지 인텔리전스를 가능하게 하는 플랫폼을 제공한다. 수십억 개의 산업용 및 상업용 사물 인터넷 장치들에 의해 생성되는 데이터의 양은 전체 인터넷을 압도할 정도로 엄청나게 크다. 포그혼 플랫폼은 네트워크의 에지(edge)에서 IoT 데이터를 처리, 분석, 및 응답한다. 포그혼의 "지능적(intelligent edge)" 소프트웨어 플랫폼은 전례없는 수준의 자동화, 운영 효율성, 비용 절감 등을 가능하게 한다.

산업용 사물 인터넷(IIoT; Industrial Internet of Things)은 센서들, 기계들 및 컴퓨터들과 상호 연결된 산업적 및 상업적 장치로 구성된다. IIoT의 목표는 분산된 기업에서 장치 제어, 데이터 관리, 기계 자동화, 및 운영 효율성을 향상시키는 것이다. 회사들은 실시간 분석들 및 자동 응답들을 사용하여 그린 필드(Greenfield) IIoT 기회를 포착하기 위해 에지에서 포그 컴퓨팅(fog computing)을 적용할 수 있으며, 시스템 전반의 관리 및 최적화를 위해 클라우드 컴퓨팅의 레버리징(leveraging)을 적용할 수 있다. 또한 포그혼 에지 컴퓨팅 플랫폼은 추가적인 컴퓨팅 리소스의 추가가 실행 가능하지 않다면 기존의 프로그래머블 로직 컨트롤러(PLCs; Programmable Logic Controllers)(ex. 브라운필드 기회들(brownfield opportunities))에서 실행되도록 설계된다. 브라운필드는 기존 시스템들을 고려하면서 정보 기술(IT) 문제 영역들을 해결할 수 있는 새로운 시스템을 구현하는 것을 말한다. 새로운 소프트웨어 아키텍처는 기존 및 실행중인 소프트웨어를 고려한다.

에지 인텔리전스 플랫폼은 데이터 처리 및 분석들을 IIoT 장치가 상주하는 에지에 가깝게 확장시키는 포그 컴퓨팅 개념들을 기반으로 하는 소프트웨어 기반 솔루션이다. 모든 데이터를 원거리의 중앙 집중식 클라우드(centralized cloud)로 전송하지 않고 에지 장치들에 인접하도록 유지하는 것은 최대 성능, 신속한 응답 시간들, 및 보다 효율적인 유지 관리 및 운영 전략들(operational strategies)을 허용하는 대기 시간을 최소화한다. 또한 그것은 전반적인 대역폭 요구 사항들을 상당히 줄이고 넓게 분산된 네트워크들을 관리하는 데에 드는 비용을 크게 절감한다.

에지에서의 IIoT 작업들에 초점을 맞추면 전반적인 대역폭 요구 사항들을 감소시키고 시간에 민감한 조건들에 즉각적인 자동 대응을 가능하게 한다. 산업계는 수십억 개의 새로운 IIoT 디바이스들을 추가하고 있으며, 이러한 디바이스들은 집합적으로 매일 수 페타 바이트(petabytes)의 데이터를 생성한다. 이 모든 데이터를 클라우드로 보내는 것은 비용이 많이 소요될 뿐만 아니라 더욱 큰 보안 위험을 초래한다. 에지에서 작동하면 응답 시간들이 훨씬 빨라지고 위험들이 줄어들며 전체 비용도 절감된다.

구현 예에서, 에지 컴퓨팅 플랫폼 시스템은 다수의 센서 데이터 스트림들, 및 센서들과 통신 네트워크 사이에 물리적으로 배치된 소프트웨어 계층을 포함하며, 소프트웨어 계층은 센서들로부터 수신된 원시 데이터에 기초하여 계산들(computations)을 수행하도록 구성된다. 소프트웨어 계층은 데이터 처리 계층 및 통신 네트워크의 관점에서 프로그래밍 가능한 가상 센서를 포함할 수 있다.

소프트웨어는 복잡한 이벤트 처리 엔진과 스트림 처리를 위한 표현 언어를 포함하는 데이터 처리 계층을 포함할 수 있다. 데이터 처리 계층은 애플리케이션들을 개발하고 애플리케이션들과 상호 작용을 하는 소프트웨어 개발 키트와 데이터 보강 계층(data enrichment layer)을 포함할 수 있다. 이 소프트웨어는 적어도 하나의 로컬 시계열 데이터베이스 또는 선택되는 클라우드 스토리지 공급자에서 표현들로부터 파생된 데이터 또는 메타 데이터 또는 센서 데이터 스트림들을 공개하는 데이터 공개 계층(data publicationlayer)을 포함할 수 있다.

시스템은 애플리케이션 저장소(application repository)를 포함할 수 있는데, 소프트웨어 계층은 애플리케이션 저장소로부터 애플리케이션들을 저장, 검색, 및 배치하도록 구성된다. 애플리케이션들은 하드웨어 계층에서 센서 데이터를 처리하도록 구성된다. 애플리케이션 저장소는 하드웨어 계층에서 사용 가능한 리소스들을 기반으로 애플리케이션 컨테이너(application container)를 커스트마이즈(customize)하도록 구성된다.

구현 예에서, 센서 시스템은 다수의 센서들; 및 센서들과 통신 네트워크 사이에 물리적으로 배치되고, 센서들로부터 수신된 원시 데이터에 기초하여 계산들을 수행하도록 구성되는 하드웨어 계층을 포함한다. 하드웨어 계층은 통신 네트워크의 관점에서 가상 센서로 프로그래밍 가능하도록 구성될 수 있다. 가상 센서는 하드웨어 계층에서 프로그래밍에 의해 특정된 애플리케이션 프로그램 인터페이스(API; Application Program Interface)를 포함할 수 있다.

시스템은 애플리케이션 저장소를 포함할 수 있다. 하드웨어 계층은 애플리케이션 저장소로부터 애플리케이션들을 수신하도록 구성된다. 애플리케이션들은 하드웨어 계층에서 센서 데이터를 처리하도록 구성된다. 애플리케이션 저장소는 하드웨어 계층에서 사용 가능한 리소스들을 기반으로 애플리케이션 컨테이너를 커스트마이즈하도록 구성된다.

구현 예에서, 본 발명에 따른 방법은 에지 플랫폼 시스템(edge platform system)의 데이터 인제스천 에이전트(data ingestion agent)에서 제1 네트워크 연결 유형을 통해 센서 데이터 스트림 데이터를 수신하는 단계; 데이터 인제스천 에이전트로부터, 인제스천된 스트림 데이터를 시스템의 데이터 버스로 전달하는 단계; 인제스천된 스트림 데이터로부터 인텔리전스 정보(intelligence information)를 생성하기 위해 표현 언어(expression language)로 제공되는 분석 표현들(analytic expressions)을 실행하는 단계를 포함하는, 데이터 버스에 접속되는(예를 들어, 데이터 버스로부터 데이터를 예약하기 위해 접속되는) 분석 엔진에서 인제스천된 스트림 데이터를 처리하는 단계; 및 데이터 버스에 인텔리전스 정보를 공시하는 단계를 포함한다. 상기 방법은 데이터 보강 컴포넌트(data enrichment component)를 통해 실시간으로 수집된 데이터를 보강하고, 수집된 데이터를 데이터 버스 상에서 이용 가능하게 만드는 단계를 포함할 수 있다. 보강은 데이터 디코딩, 메타 데이터 데코레이션(metadata decorating), 데이터 정규화 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.

본 발명에 따른 방법은 데이터 퍼블리셔 컴포넌트(data publishercomponent)에서 데이터 버스로부터 인텔리전스 정보를 수신하는 단계; 및 데이터 퍼블리셔 컴포넌트를 통해 시계열 데이터베이스에 인텔리전스 정보를 저장하는 단계를 포함할 수 있다. 또한 방법은 데이터 퍼블리셔 컴포넌트를 통해, 제2 네트워크 연결 유형을 이용하여 인텔리전스 정보의 적어도 일부를 전송하여 클라우드 스토리지에 저장하는 단계를 포함할 수 있으며, 제2 네트워크 연결 유형은 제1 네트워크 연결 유형과 다른 것이며, 제2 네트워크 연결 유형은 센서 데이터 스트림 데이터에 대해 제1 네트워크 연결 유형보다 낮은 대역폭 연결을 가진다.

예를 들어, 제1 네트워크 연결 유형은 커스텀 프로토콜들(custom protocols) 뿐만 아니라 MQTT, OPC 통합 아키텍처, 모드버스 프로토콜(modbus protocol) 등과 같은 산업용 IOT 프로토콜들을 사용할 수 있다. 제2 네트워크 연결 유형은 TCP/IP, HTTP(Hypertext Transfer Protocol), WebSockets, WebHDFS, 아파치 카프카(apache kafka) 등과 같은 인터넷 프로토콜 또는 이들의 조합을 사용할 수 있다. 또한 제2 네트워크 연결 유형은 제1 네트워크 연결 유형을 위해 위에 설명된 프로토콜을 사용할 수도 있다.

데이터 인제스천 에이전트(data ingestion agent)는 푸시 프로토콜(push protocol)을 통해 제1 네트워크 연결 유형을 이용하여 센서 데이터 스트림 데이터에 액세스할 수 있다. 데이터 인제스천 에이전트는 풀 프로토콜(pull protocol)을 통해 제1 네트워크 접속 유형을 이용하여 센서 데이터 스트림 데이터에 액세스할 수 있다.

본 발명에 따른 방법은 사용자가 에지 플랫폼 시스템을 위한 애플리케이션을 개발할 수 있게 하는 소프트웨어 개발 키트를 제공하는 단계; 및 소프트웨어 개발 키트를 통해, 데이터 버스에서 사용 가능한 인텔리전스 정보에 액세스하고 처리할 수 있는 제1 컨테이너 애플리케이션을 개발하는 단계를 포함할 수 있다. 방법은 데이터 퍼블리셔 컴포넌트에서 데이터 버스로부터 인텔리전스 정보를 수신하는 단계; 데이터 퍼블리셔 컴포넌트를 통해, 인텔리전스 정보를 시계열 데이터베이스에 저장하는 단계; 및 소프트웨어 개발 키트를 통해, 시계열 데이터베이스에 저장된 인텔리전스 정보에 액세스하고 처리할 수 있는 제2 컨테이너 애플리케이션을 개발하는 단계를 포함할 수 있다.

본 발명에 따른 방법은 제1 컨테이너 애플리케이션 및 제2 컨테이너 애플리케이션이 다른 사용자들이 애플리케이션 스토어를 통해 액세스할 수 있는 에지 플랫폼 시스템의 애플리케이션 스토어를 제공하는 단계를 포함할 수 있다.

제1 컨테이너 애플리케이션은 제1 컨테이너 애플리케이션이 데이터 버스에 직접 연결되어 있는 에지 플랫폼 시스템 내에서 실행될 수 있다. 또한 (변경 사항들이 없는) 제1 컨테이너 애플리케이션은 제1 컨테이터 애플리케이션이 데이터 버스에 직접 연결되지 않지만 제2 네트워크 연결 유형을 통해 인텔리전스 정보에 액세스하는 클라우드 환경에서 실행될 수 있다.

본 발명에 따른 방법은 표현 언어를 사용하여, 제1 물리적 센서에 연결되는 제1 입력과 이 제1 입력의 제1 기능인 제1 출력을 가지는 제1 가상 센서를 생성하는 단계를 포함할 수 있다. 제1 기능은 표현 언어로 특정된다. 제1 가상 센서는 제1 물리적 센서로부터 제1 스트림 데이터를 수신한다. 제1 출력에서, 제1 가상 센서는 제1 기능에 따라 동작되는 제1 스트림 데이터인 제2 스트림 데이터를 출력한다. 인텔리전스 정보는 제2 스트림 데이터를 포함한다.

본 발명에 따른 방법은 표현 언어를 사용하여, 제1 물리적 센서에 연결되는 제1 입력, 제2 물리적 센서에 연결되는 제2 입력, 및 제1 입력과 제2 입력의 제1 기능인 제1 출력을 가지는 제1 가상 센서를 생성하는 단계를 포함할 수 있다. 제1 기능은 표현 언어로 특정된다. 제1 가상 센서는 제1 물리적 센서로부터 제1 스트림 데이터를 수신하고 제2 물리적 센서로부터 제2 스트림 데이터를 수신한다. 제1 출력에서, 제1 가상 센서는 제1 기능에 따라 동작되는 제1 스트림 데이터와 제2 스트림 데이터인 제3 스트림 데이터를 출력한다. 인텔리전스 정보는 제3 스트림 데이터를 포함한다.

구현 예에서, 본 발명에 따른 방법은 에지 플랫폼 시스템의 데이터 인제스천 에이전트에서 제1 네트워크 연결 유형을 통해 센서 데이터 스트림 데이터를 수신하는 단계; 데이터 인제스천 에이전트로부터, 인제스천된 스트림 데이터를 시스템의 데이터 버스로 전달하는 단계; 및 데이터 버스에 연결된 분석 엔진에서 인제스천된 스트림 데이터를 처리하는 단계를 포함한다. 상기에서 처리하는 단계는 인제스천된 스트림 데이터로부터 인텔리전스 정보를 생성하기 위해 표현 언어로 제공되는 분석 표현들을 실행하는 단계; 및 제1 물리적 센서에 연결되는 입력 및 이 입력의 제1 기능인 출력을 갖는 제1 가상 센서를 제공하는 단계를 포함하며, 제공하는 단계에서 제1 기능은 표현 언어로 특정되고, 제1 가상 센서는 제1 물리적 센서로부터 제1 스트림 데이터를 수신하며, 출력에서 제1 가상 센서는 제1 기능에 따라 동작하는 제1 스트림 데이터인 제2 스트림 데이터를 출력하고, 인텔리전스 정보는 제2 스트림 데이터를 포함한다.

본 발명에 따른 방법은 제2 물리적 센서에 연결되는 제1 입력, 제1 가상 센서의 출력에 연결되는 제2 입력, 및 제1 입력과 제2 입력의 제2 기능인 출력을 갖는 제2 가상 센서를 제공하는 단계; 인텔리전스 정보를 데이터 버스 상에 공시하는 단계; 데이터 발생자 컴포넌트에서 데이터 버스로부터 인텔리전스 정보를 수신하는 단계; 및 데이터 퍼블리셔 컴포넌트를 통해, 인텔리전스 정보를 시계열 데이터베이스에 저장하는 단계를 더 포함한다. 상기 제공하는 단계에서 제2 기능은 표현 언어로 특정되고, 제2 가상 센서는 제1 가상 센서로부터 제2 스트림 데이터를 수신하고 제2 물리적 센서로부터 제3 스트림 데이터를 수신한다. 제1 출력에서, 제2 가상 센서는 제2 기능에 따라 동작하는 제2 스트림 데이터와 제3 스트림 데이터인 제4 스트림 데이터를 출력하고, 인텔리전스 정보는 제4 스트림 데이터를 포함한다.

구현 예에서, 본 발명에 따른 방법은 에지 플랫폼의 표현 언어로 제1 가상 센서를 특정하는 단계; 및 상기 표현 언어로 제2 가상 센서를 특정하는 것을 허락하는 단계를 포함한다. 특정하는 단계에서 제1 가상 센서는 입력의 제1 기능인 출력을 포함하고, 제1 입력은 제1 물리적 센서의 제1 스트림에 연결되며, 제1 가상 센서는 제2 스트림을 출력한다. 허락하는 단계에서 제2 가상 센서는 제1 입력과 제2 입력의 제2 기능인 출력을 포함하며, 제1 입력은 제2 물리적 센서의 제2 스트림에 연결되고, 제2 입력은 제1 가상 센서로부터 제2 스트림에 연결된다.

본 발명의 다른 목적들, 특징들 및 이점들은 동일한 참조 번호가 도면 전체에 걸쳐 동일한 특징을 나타내는 다음의 상세한 설명 및 첨부 도면들을 고려할 때 명백해질 것이다.

이하, 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 우선 각 도면의 구성요소들에 참조 부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다. 또한, 이하에서 본 발명의 바람직한 실시예를 설명할 것이나, 본 발명의 기술적 사상은 이에 한정하거나 제한되지 않고 당업자에 의해 변형되어 다양하게 실시될 수 있음은 물론이다.

도 1은 본 발명의 실시예를 포함하는 분산 컴퓨터 네트워크(100)의 개략적인 블록 다이어그램이다. 컴퓨터 네트워크(100)는 다수의 클라이언트 시스템들(113, 116, 119), 및 복수의 통신 링크들(128)을 통해 통신 네트워크(124)에 결합되는 서버 시스템(122)을 포함한다. 통신 네트워크(124)는 상호간에 정보를 송수신하고 교환하는 분산 네트워크(100)의 다양한 컴포넌트들을 허락하기 위한 메커니즘을 제공한다.

통신 네트워크(124)는 그 자체로 많은 상호 연결된 컴퓨터 시스템들과 통신 링크들로 구성될 수 있다. 통신 링크들(128)은 하드와이어 링크들, 광 링크들, 위성 또는 다른 무선 통신 링크들, 파동 전파 링크, 또는 정보 통신을 위한 임의의 다른 메커니즘들일 수 있다. 통신 링크들(128)은 DSL, 케이블, 이더넷 또는 다른 하드와이어 링크들, 수동 또는 능동 광 링크들, 3G, 3.5G, 4G 및 기타 이동성, 위성 또는 다른 무선 통신 링크들, 파동 전파 링크들, 또는 정보 통신을 위한 임의의 다른 메커니즘들일 수 있다.

다양한 통신 프로토콜들은 도 1에 도시된 여러 가지의 시스템들 사이에서 통신을 가능하게 하기 위해 이용될 수 있다. 이러한 통신 프로토콜은 VLAN, MPLS, TCP/IP, 터널링(tunneling), HTTP 프로토콜들, 무선 애플리케이션 프로토콜(WAP), 벤더-특정 프로토콜들(vendor-specific protocols), 주문형 프로토콜들 및 기타 등등을 포함할 수 있다. 하나의 실시예에서, 통신 네트워크(124)는 인터넷이지만, 다른 실시예들에서, 통신 네트워크(124)는 근거리 통신망(LAN), 광역 통신망(WAN), 무선 네트워크, 인트라넷, 사설망, 공중망, 교환망, 및 이들의 조합 등을 포함하는 해당 실시예에 적합한 통신 네트워크일 수 있다.

도 1의 분산 컴퓨터 네트워크(100)는 본 발명을 구체화하는 실시예의 단지 예시적인 것이며, 청구범위에 기재된 본 발명의 범위를 제한하지 않는다. 통상의 기술자는 다른 변형들, 수정들, 및 대안들을 인식할 수 있을 것이다. 일례로, 하나 이상의 서버 시스템(122)은 통신 네트워크(124)에 연결될 수 있다. 다른 예로서, 다수의 클라이언트 시스템들(113, 116, 119)은 액세스 제공자(access provider, 미도시) 또는 몇몇 다른 서버 시스템을 통해 통신 네트워크(124)에 결합될 수 있다.

클라이언트 시스템들(113, 116, 119)은 일반적으로 정보를 제공하는 서버 시스템으로부터 정보를 요청한다. 이러한 이유로, 서버 시스템들은 일반적으로 클라이언트 시스템들보다 많은 컴퓨팅 용량과 저장 용량을 가지고 있다. 그러나 특정 컴퓨터 시스템은 컴퓨터 시스템이 정보를 요청하거나 제공하는지 여부에 따라 클라이언트의 역할 또는 서버의 역할을 모두 수행할 수 있다. 또한, 본 발명의 양상들이 클라이언트-서버 환경을 이용하여 설명되었지만, 본 발명은 독립형 컴퓨터 시스템으로 구현되는 것도 가능하다.

서버(122)는 클라이언트 시스템들(113, 116, 119)으로부터 정보 요청들을 수신하고, 그 요청들을 만족시키는 데에 필요한 처리를 수행하며, 요청들에 응답하는 결과들을 요청 클라이언트 시스템으로 전달하는 기능을 수행한다. 요청을 만족시키기 위해 요구되는 처리는 서버 시스템(122)에 의해 수행될 수 있으며, 통신 네트워크(124)에 연결되는 다른 서버들로 위임되는 것도 가능하다.

클라이언트 시스템들(113, 116, 119)은 사용자들이 서버 시스템(122)에 의해 저장된 정보를 액세스하고 질의하는 것을 가능하게 한다. 특정 실시예에서, 클라이언트 시스템들은 데스크톱 애플리케이션, 모바일 스마트폰, 태블릿 애플리케이션 등과 같은 독립형 애플리케이션으로서 동작할 수 있다. 다른 실시예에서, 클라이언트 시스템 상에서 실행되는 "웹 브라우저" 애플리케이션은 사용자들이 서버 시스템(122)에 의해 저장된 정보를 선택하거나, 액세스하거나, 검색하거나 또는 질의하는 것을 가능하게 한다. 웹 브라우저들의 예시로는 마이크로소프트 기업에 의해 제공되는 인터넷 익스플로러 브라우저 프로그램, 모질라에 의해 제공되는 파이어폭스 브라우저, 구글에 의해 제공되는 크롬 브라우저, 애플에 의해 제공되는 사파리 브라우저 등을 포함한다.

클라이언트-서버 환경에서, 일부 리소스들(ex. 파일들, 음악, 비디오, 또는 데이터)은 다른 리소스들이 서버와 같이 네트워크의 다른 위치에 저장되거나 전달되는 동안 클라이언트에 저장되며, 네트워크(예: 인터넷)를 통해 액세스할 수 있다. 따라서 사용자의 데이터는 네트워크 또는 "클라우드"에 저장될 수 있다. 예를 들어, 그 사용자는 클라우드(ex. 서버)에 원격으로 저장된 클라이언트 장치에서 문서 작업을 할 수 있다. 클라이언트 장치 상의 데이터는 클라우드와 동기화될 수 있다.

도 2는 본 발명의 예시로 클라이언트 또는 서버 시스템을 보여준다. 일실시예에서, 사용자는 도 2에 도시된 바와 같이, 컴퓨터 워크스테이션 시스템을 통해 서버 시스템과 인터페이스한다. 도 2는 모니터(203), 스크린(205), 인클로저(enclosure; 207)(여기서 인클로저는 시스템 유닛, 캐비닛, 케이스 등으로 나타낼 수 있다), 키보드 또는 다른 휴먼 입력 장치(209), 마우스 또는 다른 포인팅 장치(211) 등을 포함하는 컴퓨터 시스템(201)을 보여준다. 마우스(211)는 마우스 버튼들(213)과 같은 하나 이상의 버튼을 가질 수 있다.

본 발명은 특정 폼 팩터(form factor)(예를 들어, 데스크톱 컴퓨터 폼 팩터) 내에서 임의의 컴퓨팅 장치로 한정되지 않지만, 다양한 폼 팩터들 내에서 모든 유형의 컴퓨팅 장치들을 포함할 수 있음을 이해해야 한다. 사용자는 스마트폰들, 개인용 컴퓨터들, 랩톱들, 전자 태블릿 장치들, GPS 수신기들, 휴대용 미디어 플레이어들, PDA(Personal Digital Assistant)들, 기타 네트워크 액세스 장치들, 데이터를 송수신할 수 있는 기타 처리 장치들 등을 포함하는 임의의 컴퓨팅 장치와 인터페이스할 수 있다.

예를 들어, 특정 구현에서, 클라이언트 장치는 애플 아이폰(ex. 애플 아이폰 6), 애플 아이패드(ex. 애플 아이패드 또는 애플 아이패드 미니), 애플 아이팟(ex. 애플 아이팟 터치), 삼성 갤럭시 제품(ex. 갤럭시 S 시리즈 제품 또는 갤럭시 노트 시리즈 제품), 구글 넥서스 장치들(ex. 구글 넥서스 6, 구글 넥서스 7, 또는 구글 넥서스 9), 마이크로소프트 장치들(ex. 마이크로소프트 서페이스 태블릿(Microsoft surface tablet)) 등과 같은 스마트폰 또는 태블릿 장치로 구현될 수 있다. 일반적으로 스마트폰은 전화 부분(및 라디오 부분들)과 터치스크린 디스플레이를 통해 액세스할 수 있는 컴퓨터 부분을 포함한다.

스마트폰에는 전화 부분의 데이터(ex. 연락처들 및 전화번호들)와 컴퓨터 부분(ex. 브라우저, 사진들, 게임들, 비디오들 및 음악을 포함하는 응용프로그램들)을 저장하는 비휘발성 메모리가 있다. 스마트폰은 일반적으로 사진들과 비디오를 촬영하기 위한 카메라(ex. 전면 카메라 또는 후면 카메라, 또는 둘 다)를 포함한다. 예를 들어, 스마트폰 또는 태블릿은 하나 이상의 다른 장치로 스트리밍할 수 있는 라이브 비디오를 획득하는 데에 사용될 수 있다.

인클로저(207)는 프로세서, 메모리, 대용량 저장 장치들(217) 등과 같이 잘 알려져 있는 컴퓨터 컴포넌트들을 수용하며, 이러한 것들 중 일부는 도시되어 있지 않다. 대용량 저장 장치들(217)은 대용량 디스크 드라이브들, 플로피 디스크들, 마그네틱 디스크들, 광학 디스크들, 광 자기 디스크들, 고정 디스크들, 하드 디스크들, CD-ROM들, 쓰기 가능한 CD들, DVD들, 쓰기 가능한 DVD들(ex. DVD-R, DVD+R, DVD-RW, DVD+RW, HD-DVD, 블루레이 디스크(Blu-ray Disc) 등), 플래시 및 기타 비휘발성 솔리드 스테이트 스토리지(ex. USB 플래시 드라이브 또는 SSD(Solid State Drive)), 배터리 백업 휘발성 메모리 테이프 스토리지, 판독기, 기타 유사한 매체, 및 이들의 조합을 포함할 수 있다.

본 발명에서 구현된 컴퓨터 또는 컴퓨터 실행 가능 버전 또는 컴퓨터 프로그램 제품은 컴퓨터 판독 가능 매체를 사용하여 구현되거나, 컴퓨터 판독 가능 매체에 저장되어 구현되거나, 컴퓨터 판독 가능 매체와 연관되어 구현될 수 있다. 컴퓨터 판독 가능 매체는 실행을 위해 하나 이상의 프로세서에 명령들을 제공하는 데에 참여하는 임의의 매체를 포함할 수 있다. 그러한 매체는 비휘발성 매체, 휘발성 매체, 및 전송 매체를 포함하지만 이에 한정되지 않는 많은 형태를 취할 수 있다. 비휘발성 매체는 예를 들어 플래시 메모리, 또는 광학 디스크 또는 자기 디스크를 포함한다. 휘발성 매체는 캐시 메모리 또는 RAM과 같은 정적 또는 동적 메모리를 포함한다. 전송 매체는 동축 케이블들, 구리선, 광섬유 회선들, 및 버스에 배열된 전선들을 포함한다. 또한 전송 매체는 전파 및 적외선 데이터 통신들 중에서 생성되는 전자파, 라디오파, 음파, 또는 광파의 형태를 취할 수도 있다.

예를 들어, 본 발명의 소프트웨어의, 이진의, 머신 실행 가능 버전은 RAM 또는 캐시 메모리, 또는 대용량 저장 장치(217)에 저장되거나 보관될 수 있다. 또한 본 발명의 소프트웨어의 소스 코드는 대용량 저장 장치(217)(ex. 하드 디스크, 자기 디스크, 테이프, 또는 CD-ROM) 상에 저장되거나 보관될 수 있다. 다른 예로서, 본 발명의 코드는 유선들, 전파들, 또는 인터넷과 같은 네트워크를 통해 전송될 수 있다.

도 3은 본 발명의 소프트웨어를 실행하는 데에 사용되는 컴퓨터 시스템(201)의 시스템 블록 다이오그램을 도시한다. 도 2에서, 컴퓨터 시스템(201)은 모니터(203), 키보드(209), 및 대용량 저장 장치들(217)을 포함한다. 컴퓨터 시스템(201)은 중앙 프로세서(302), 시스템 메모리(304), 입/출력(I/O) 제어기(306), 디스플레이 어댑터(308), 직렬 또는 범용 시리얼 버스 (USB) 포트(312), 네트워크 인터페이스(318), 및 스피커(320)와 같은 서브시스템들을 포함할 수 있다. 또한 본 발명에서는 추가적인 또는 보다 적은 서브 시스템들을 구비하는 컴퓨터 시스템들이 사용될 수 있다. 예를 들어, 컴퓨터 시스템은 둘 이상의 프로세서(302)(즉, 멀티 프로세서 시스템)를 포함할 수 있으며, 또는 시스템은 캐시 메모리를 포함할 수 있다.

화살표(322)는 컴퓨터 시스템(201)의 시스템 버스 아키텍처를 나타낸다. 그러나 이러한 화살표는 서브 시스템들을 링크하는 역할을 하는 임의의 상호 연결 방식의 일례이다. 예를 들어, 스피커(320)는 포트를 통해 다른 서브 시스템들에 연결되거나 중앙 프로세서(302)에 내부 직접 연결될 수 있다. 프로세서는 정보의 병렬 처리를 허용할 수 있는 다중 프로세서들 또는 멀티코어 프로세서를 포함할 수 있다. 도 2에 도시된 컴퓨터 시스템(201)은 본 발명에서 사용하기에 적합한 컴퓨터 시스템의 일례일 뿐이다. 본 발명에서 사용하기에 적합한 서브 시스템들의 다른 구성들은 당업자에게 쉽게 명백할 것이다.

컴퓨터 소프트웨어 제품들은 C, C++, C#, 파스칼, 포트란, Perl, Matlab(MathWorks, www.mathworks.com)로부터의), SAS, SPSS, 자바스크립트, AJAX, Java, Python, Erlang, 및 루비 온 레일즈(Ruby on Rails)와 같은 임의의 적합한 프로그래밍 언어로 작성될 수 있다. 컴퓨터 소프트웨어 제품은 데이터 입력 모듈과 데이터 디스플레이 모듈을 갖춘 독립형 애플리케이션일 수 있다. 그 대신에, 컴퓨터 소프트웨어 제품들은 분산 객체들로서 예시될 수 있는 클래스들일 수 있다. 또한 컴퓨터 소프트웨어 제품들은 Java Beans(오라클 기업으로부터의) 또는 Enterprise Java Beans(오라클 기업의 EJB)와 같은 컴포넌트 소프트웨어일 수도 있다.

시스템을 위한 운영 체제는 마이크로소프트 윈도우 계열 시스템들(ex. Windows 95, Windows 98, Windows Me, Windows NT, Windows 2000, Windows XP, Windows XP x64 Edition, Windows Vista, Windows 7, Windows 8, Windows 10, Windows CE, Windows Mobile, Windows RT), 심비안 OS(Symbian OS), 타이젠(Tizen), 리눅스, HP-UX, 유닉스, SunOS, 솔라리스(Solaris), Mac OS X, 애플 iOS, 안드로이드, Alpha OS, AIX, IRIX32, 또는 IRIX64 중에서 어느 하나일 수 있다. 다른 운영 체제들이 사용될 수도 있다. 마이크로소프트 윈도우즈는 마이크로소프트 기업의 상표이다.

더불어, 컴퓨터는 네트워크에 연결될 수 있으며, 이 네트워크를 사용하여 다른 컴퓨터들과 인터페이스할 수 있다. 네트워크는 인트라넷, 인터넷, 또는 다른 것들 중에서 인터넷일 수 있다. 네트워크는 (예를 들어, 구리를 사용하는) 유선 네트워크, 전화 네트워크, 패킷 네트워크, (광섬유를 사용하는) 광 네트워크, 또는 무선 네트워크, 또는 이들의 임의의 조합일 수 있다. 예를 들어, 데이터 및 다른 정보는 Wi-Fi(몇가지 예를 들자면, IEEE 표준 802.11, 802.11a, 802.11b, 802.11e, 802.11g, 802.11i, 802.11n, 802.11ac, 및 802.11ad), 근거리 통신(NFC), RFID(Radio-Frequency Identification), 모바일 또는 셀룰러 무선(ex. 2G, 3G, 4G, 3GPP LTE, WiMAX, LTE, LTE Advanced, Flash-OFDM, HIPERMAN, iBurst, EDGE Evolution, UMTS, UMTS-TDD, 1xRDD, 및 EV-DO) 등과 같은 프로토콜을 사용하는 무선 네트워크를 사용하는 본 발명의 시스템의 컴퓨터와 컴포넌트들(또는 단계들) 사이에서 전송될 수 있다. 예를 들어, 컴퓨터로부터의 신호들은 적어도 부분적으로 무선으로 컴포넌트들 또는 다른 컴퓨터들로 전송될 수 있다.

일실시예에서, 컴퓨터 워크스테이션 시스템 상에서 실행되는 웹 브라우저를 가지고, 사용자는 인터넷과 같은 네트워크를 통해 월드 와이드 웹(WWW) 상의 시스템에 액세스한다. 웹 브라우저는 HTML, XML, 텍스트, PDF, 및 포스트스크립트를 포함하는 다양한 형식의 웹 페이지들 또는 다른 컨텐츠를 다운로드하는 데에 사용되며, 시스템의 다른 부분들에 정보를 업로드하는 데에 사용될 수 있다. 웹 브라우저는 웹 상의 리소스들을 식별하는 데에 URL(Uniform Resource Identifier)들을 사용할 수 있으며, 웹 상의 파일들을 전송하는 데에 HTTP를 사용할 수 있다.

다른 구현 예에서, 사용자는 네이티브 애플리케이션(native application)과 비네이티브 애플리케이션(nonnative application) 중 어느 하나 또는 둘 모두를 통해 시스템에 액세스한다. 네이티브 애플리케이션들은 특정 컴퓨팅 시스템에 로컬로 설치되며, 운영 체제 또는 해당 컴퓨팅 시스템의 하나 이상의 하드웨어 장치, 또는 이들의 조합에 따라 다를 수 있다. 이러한 애플리케이션들("앱들(apps)"이라고도 함)은 다이렉트 인터넷 업그레이드 패치 메커니즘이나 애플리케이션 스토어들(ex. 애플 아이튠즈 및 앱 스토어, 구글 플레이 스토어, 윈도우 폰 스토어, 및 블랙베리 앱 월드 스토어)을 통해 업데이트될 수 있다.

시스템은 플랫폼 독립적인, 비네이티브 애플리케이션들에서 실행할 수 있다. 예를 들어, 클라이언트는 서버 또는 서버들과 네트워크 연결을 사용하는 하나 이상의 서버로부터 웹 애플리케이션을 통해 시스템에 액세스하고, 웹 브라우저에서 웹 애플리케이션을 로드(load)할 수 있다. 예를 들어, 웹 애플리케이션은 웹 브라우저에 의해 인터넷을 통해 애플리케이션 서버로부터 다운로드될 수 있다. 또한 비네이티브 애플리케이션들은 디스크와 같은 다른 소스들로부터 획득될 수도 있다.

도 4는 센서들(409)과 클라우드(412) 사이에 있는 에지 게이트웨이 또는 이와 동등한 장치 상에서 통상적으로 작동하는 에지 컴퓨팅 플랫폼(406)의 블록 다이어그램을 보여준다. 에지 컴퓨팅 플랫폼은 산업용 기계들과 다른 산업용 사물 인터넷을 관리하고 최적화하기 위해 중요한 에지 인텔리전스(edge intelligence)에서 파생할 수 있다. 에지 게이트웨이의 컴포넌트들은 인제스천(ingestion; 421), 보강(enrichment; 425), 복합 이벤트 처리(CEP) 엔진(429), 애플리케이션들(432), 표현 언어를 통한 분석(435), 및 전송(438)을 포함한다. 클라우드는 에지 권한 설정 및 조정(edge provisioning/orchestration; 443), 및 클라우드/에지 분석 및 앱스 이식성(cloud/edge analytics & apps portability; 446)을 포함할 수 있다.

위에서 설명한 것처럼, 에지 컴퓨팅 플랫폼의 특정 구현은 포그혼(FogHorn)에서 제공된다. 포그혼은 급속히 부상하고 있는 "에지 인텔리전스(edge intelligence)" 영역의 선두주자이다. 고성능 처리, 분석들, 및 제어 시스템들과 물리적 센서들에 가까운 이기종 애플리케이션들을 호스팅함으로써 포그혼의 획기적인 솔루션은 폐루프 장치의 최적화를 위한 에지 인텔리전스를 가능하게 한다. 이것은 오일 및 가스, 전력 및 물, 운송, 광업, 재생 에너지, 스마트 도시 등 제조 산업의 고객들을 위해 현장에서 빅 데이터와 실시간 처리를 제공한다. 포그혼 기술은 세계 유수의 산업용 인터넷 혁신 업체들, 및 클라우드 컴퓨팅, 고성능 에지 게이트웨이들 및 IoT 시스템 통합 분야의 주요 업체들에 의해 채택되고 있다.

포그혼은 스트림 모드 및 배치 모드 모두에서 에지 애플리케이션들에 액세스하는 보강된 IoT 장치와 센서 데이터, 분석 기능들을 실행하는 데에 효율적이고 표현력이 우수한 DSL, 낮은 풋프린트 머신들 상에서 실행할 수 있는 강력한 소형 분석 엔진, 추가적인 기계 학습을 위해 집계 데이터를 클라우드로 전송하기 위한 퍼블리싱 기능, 에지 애플리케이션들을 개발하기 위한 SDK(여러 언어로 쓰인), 구성들(configurations), 애플리케이션들 및 분석 표현들의 에지 배치를 관리하기 위한 관리 콘솔 등을 제공한다.

포그혼은 산업용 기계들로부터 현장에서 실시간으로 센서 데이터를 처리할 수 있는 효율적이고 확장성이 뛰어난 에지 분석 플랫폼을 제공한다. 포그혼 소프트웨어 스택(stack)은 에지와 클라우드 상에서 실행되는 서비스들의 조합이다.

"에지" 솔루션들은 오프라인 분석을 위해 처리되지 않은 데이터를 클라우드 환경에 공시하는 옵션을 이용하여 로컬 스토리지 리포지토리로 센서 데이터의 인제스팅(ingesting)을 지원할 수 있다. 그러나 많은 산업적 환경들과 장치들은 인터넷 연결성의 부족으로 데이터를 사용할 수 없게 만든다. 그러나 인터넷 연결이 있더라도, 생성된 데이터의 순전한 양은 사용 가능한 대역폭을 쉽게 초과하거나, 클라우드로 전송하는 데에 너무 많은 비용이 소요될 수 있다. 또한 타임 데이터가 클라우드로 업로드되고, 데이터 센터에서 처리되며, 그 결과가 에지로 다시 전송되는 시점까지, 조치를 취하기에는 너무 늦을 수 있다.

포그혼 솔루션은 분석 엔진으로 알려져 있는, 고도로 소형화된 CEP(Complex Event Processing) 엔진과 데이터의 수신 센서 스트림들(incoming sensor streams)의 다수에 대한 규칙들을 표현하기 위한 강력하고 표현적인 도메인 특정 언어(DSL; Domain Specific Language)를 제공함으로써 이러한 문제를 해결한다. 이러한 표현들의 출력은 산업적 운영들 및 처리들의 효율성 및 안전성을 실시간으로 향상시킬 수 있을 뿐만 아니라, 비용이 많이 드는 기계 고장 또는 가동 중지 시간을 예방하는 데에 즉시 사용될 수 있다.

포그혼 플랫폼은 높은 처리량 또는 게이트웨이 환경들 뿐만 아니라 낮은 풋프린트(footprint) 환경들에서 실행할 수 있는 기능, 유입되는(incoming) 스트리밍 센서 데이터에 작용할 수 있는 확장성과 성능이 우수한 CEP 엔진, 에지 상에서 보강된 데이터 액세스를 가지는 이기종 애플리케이션 개발 및 배치, 클라우드 및 에지에서의 애플리케이션 이동성, 고급 기계 학습(ML; Machine Learning) 및 클라우드와 에지 간의 모델 전송 등을 포함한다. 발군의 포그혼은 주요 산업용 데이터 인제스천 프로토콜들(ex. OPC-UA, Modbus, MQTT, DDS 등) 및 기타 데이터 전송 프로토콜들을 지원한다. 또한 사용자들은 포그혼의 데이터 인제스천 계층(data ingestion layer)에 커스텀 프로토콜 어댑터들(custom protocol adaptors)을 쉽게 플러그인할 수 있다.

포그혼 에지 서비스들은 IIoT 장치가 있는 네트워크의 에지에서 작동한다. 에지 소프트웨어 스택은 센서들과 산업용 장치들로부터 고속 데이터 버스로 데이터를 인제스천한 다음, 통찰들을 얻기 위해 스트리밍 데이터에서 사용자 정의 분석 표현들을 실행하며, 장치들을 최적화하는 기능을 수행한다. 이러한 분석적 표현들은 포그혼의 고도로 확장 가능하고 작은 풋프린트의 CEP 엔진에 의해 실행된다.

또한 포그혼 에지 서비스들은 시간 기반 센서 데이터 질의들을 위한 로컬 시계열 데이터베이스, 및 스트림 모드와 배치 모드 모두에서 데이터를 사용할 수 있는 애플리케이션들의 개발을 위한 다중 언어 SDK(polyglot SDK)를 포함한다. 선택적으로, 이 데이터는 고객이 선택한 클라우드 스토리지 수신지(destination)에 공시될 수도 있다.

또한 포그혼 플랫폼은 에지들을 원격으로 구성하고 관리하기 위해 클라우드 또는 온 프레미스(on-premises) 환경에서 작동하는 서비스들을 포함한다. 포그혼의 클라우드 서비스들은 분석 표현들을 개발 및 배치하며, 도커(www.docker.com)로 알려진 애플리케이션을 사용하여 애플리케이션들을 에지에 배치하기 위한 관리 UI, 및 고객의 아이덴티티(identity) 액세스 관리 및 지속성 솔루션들로 서비스들의 통합을 관리하기 위한 관리 UI를 포함한다. 플랫폼은 클라우드에서 개발된 기계 학습 모델들을 에지에서 실행될 수 있는 센서 표현들로 변환할 수 있다.

포그혼은 에지 인텔리전스 컴퓨팅 플랫폼을 작은 크기의 풋프린트 에지 장치들에 직접 임베딩하여 산업용 사물 인터넷에 획기적인 차원을 제시한다. 소프트웨어의 극단적으로 낮은 오버헤드는 에지 장치들의 넓은 범위와 고도로 제한된 환경들에 임베디드되는 것을 허락한다.

게이트웨이와 마이크로 에디션들에서 사용할 수 있는, 포그혼 소프트웨어는 고성능 에지 처리, 최적화된 분석, 및 산업계에 퍼져 있는 제어 시스템들 및 물리적 센서 인프라에 가능한한 가까이 호스트되는 이기종 애플리케이션들을 가능하게 한다. 모든 데이터를 원거리의 중앙 집중식 클라우드로 전송하는 것 대신에 에지 장치들에 인접하게 유지하는 것은, 최대 성능, 신속한 응답 시간, 및 보다 효율적인 유지 관리 및 운영 전략들을 허용하는 대기 시간을 최소화한다. 또한 전반적인 대역폭 요구 사항들을 크게 감소시키고 광범위하게 분산된 네트워크들을 관리하는 데에 소요되는 비용도 크게 절감한다.

포그혼 게이트웨이 에디션(FogHorn Gateway Edition). 포그혼 게이트웨이 에디션은 광범위한 산업계를 따라 산업용 IoT 사용 사례들을 위한 포괄적인 포그 컴퓨팅 소프트웨어 제품군이다. 여러 산업용 기계들 또는 장치들을 가지고 대규모 환경들에서의 매체를 위해 설계된, 포그혼 게이트웨이 에디션은 사용자가 구성할 수 있는 센서 데이터 인제스천 및 분석 표현들을 가능하게 하고, 고급 애플리케이션의 개발 및 배치를 지원한다.

포그혼 마이크로 에디션(FogHorn Micro Edition). 포그혼 마이크로 에디션은 더 작은 풋프린트 에지 게이트웨이들과 다른 IoT 기계들에 포그 컴퓨팅의 파워를 제공한다. 게이트웨이 에디션에 포함된 동일한 CEP 분석 엔진과 고도로 표현적인 DSL은 마이크로 에디션에서 사용할 수 있다. 이 에디션은 임베디드 시스템들 또는 메모리가 제한적인 임의의 장치들에서 고급 에지 분석을 구현하는 데에 이상적이다.

예를 들어, 애플리케이션은 캐비테이션 이벤트들(cavitation events)에 기인하여 펌프들에 많은 돈이 드는 손상을 발생하는 것을 방지하기 위해 실시간 데이터 모니터링 및 분석, 예측할 수 있는 유지 보수 스케줄링, 및 자동화된 플로우 리디렉션(flow redirection)을 적용한다. 또다른 예로, 전력 생성, 장비의 수명 연장, 및 정확한 에너지 예측을 위한 과거 분석(historical analysis)의 적용을 최대화하기 위해 포그혼 에지 인텔리전스 소프트웨어를 사용하는 풍력 에너지 관리 시스템(wind energy management system)이 있다.

도 5는 에지 컴퓨팅 플랫폼의 보다 상세한 블록 다이어그램을 보여준다. 이 플랫폼은 데이터 인제스천(data ingestion; 512), 데이터 처리(data processing; 515), 및 데이터 공개(data publication;518)의 세개의 논리 계층들(logical layers) 또는 섹션들(sections)을 가진다. 데이터 인제스천 컴포넌트들(data ingestion components)은 센서들 또는 데이터를 생성하는 디바이스들(devices; 523)에 연결되는 에이전트들(agents; 520)을 포함한다. 에이전트들은 각각의 프로토콜 서버들로부터 하나 이상의 프로토콜을 통해 센서들로부터 데이터를 수집하거나 인제스트한다. 에이전트들은 MQTT, OPC UA, Modbus, DDS, 그외 다른 것들 등과 같은 프로토콜들을 위한 클라이언트들 또는 브로커들이 될 수 있다. 센서들에 의해 제공되거나 출력되는 데이터는 일반적으로 이진 데이터 스트림이다. 센서들로부터 에이전트들로 이 데이터를 전송하거나 전달하는 것은 푸시 방식(push method) 또는 풀 방식(pull method)이 될 수 있다.

푸시(push)는 주어진 트랜잭션(transaction)을 위한 요청이 송신자(ex. 센서)에 의해 초기화되는 통신 스타일을 나타낸다. 풀(pull)(또는 얻기)은 정보의 전송을 위한 요청이 수신자(ex. 에이전트)에 의해 초기화되는 통신 스타일을 나타낸다. 또다른 통신 기술은 폴링(polling)이며, 폴링은 수신자 또는 에이전트가 센서에게 전송할 데이터를 가지고 있는지를 주기적으로 문의하거나 체크하는 것을 말한다.

MQTT(이전의 MQ Telemetry Transport)는 TCP/IP 프로토콜의 최상위에서 사용하기 위한 ISO 표준 공개-예약 기반 "라이트웨이트(lightweight)" 메시징 프로토콜이다. 대체 가능한 프로토콜들에는 고급 메시지 큐잉 프로토콜, IETF 제한 애플리케이션 프로토콜, XMPP, 및 WAMP(Web Application Messaging Protocol)가 있다.

OPC UA(OPC Unified Architecture)는 OPC 재단에 의해 개발된 상호운용성을 위한 산업용 M2M 통신 프로토콜이다. 이것은 OPC(Open Platform Communications)의 후속 버전이다.

모드버스(Modbus)는 본래 프로그래머블 로직 컨트롤러들(PLCs; Programmable Logic Controllers)과 함께 사용하기 위해 1979년에 Modicon(현재 Schneider Electric)에 의해 공개된 직렬 통신 프로토콜이다. 이것은 단순하고 견고하며, 이후 모든 의도들과 목적들을 위해 표준 통신 프로토콜이 되었다. 이것은 현재 산업용 전자 장치들을 연결할 때 보편적으로 사용할 수 있는 수단이다.

데이터 처리(515)는 데이터 인제스천 계층의 에이전트들(520)에 연결되는 데이터 버스(532)를 포함한다. 데이터 버스는 연결된 모든 컴포넌트들 사이에서 데이터와 제어 메시지 모두를 위한 중심 백본이다. 컴포넌트들은 데이터 버스를 통해 흐르는 데이터와 제어 메시지들을 예약한다. 분석 엔진(535)은 그러한 중요한 컴포넌트 중의 하나이다. 분석 엔진은 표현 언어(expression language; 538)로 개발된 분석 표현들을 기초로 센서 데이터의 분석을 수행한다. 데이터 버스에 연결하는 다른 컴포넌트들은 구성 서비스(configuration service; 541), 메트릭스 서비스(metrics service; 544), 및 에지 매니저(edge manager; 547)를 포함한다. 또한 데이터 버스는 원시 바이너리 데이터를 소비 가능한 데이터 형식들(JSON과 같은)로 디코딩하며 또한 추가적으로 필요하고 유용한 메타데이터를 가지고 데코레이팅(decorating)을 함으로써 센서들로부터 수신 데이터(incoming data)를 보강하는 "디코더 서비스(decoder service)"를 포함한다. 또한 보강은 데이터 디코딩, 메타데이터 데코레이션, 데이터 정규화 등을 포함할 수 있지만, 이에 한정되는 것은 아니다.

JSON(때때로 JavaScript Object Notation으로 언급되는)은 속성-값 쌍으로 구성되는 데이터 객체들을 전송하기 위해 사람이 읽을 수 있는 텍스트를 사용하는 공개 표준 형식이다. JSON은 비동기 브라우저 또는 서버 통신 (AJAJ) 또는 둘 다에 사용되는 공통 데이터 형식이다. JSON에 대해 대체 가능한 것은 AJAX에서 사용되는 XML이다.

에지 매니저(edge manager)는 클라우드(412), 특히 클라우드 매니저(552)에 연결한다. 클라우드 매니저는 또한 클라우드 내에 위치하는, 고객 아이덴티티 및 액세스 관리(IAM; Identity and Access Management)(555)와 사용자 인터페이스 콘솔(user interface console; 558)을 위한 프록시에 연결된다. 또한 클라우드를 통해 액세스할 수 있는 앱들(apps; 561)도 있다. 아이덴티티 및 액세스 관리는 적절한 개인이 적합한 시기들과 타당한 이유들로 적절한 리소스들에 액세스를 가능하게 하는 보안 및 비즈니스 규율이다.

또한 데이터 처리(515) 내에서, 소프트웨어 개발 키트(SDK; Software Development Kit)(564) 컴포넌트는 에지 게이트웨이 상에 배치될 수 있는 애플리케이션들(567)의 생성을 허용하는 데이터 버스에 연결한다. 또한 소프트웨어 개발 키트는 데이터를 인출하기 위해 로컬 시계열 데이터베이스에 연결한다. 애플리케이션들은 도커(Docker)와 같은 컨테이너 기술을 사용하는 것과 같이 컨테이너화될 수 있다.

도커 컨테이너들은 코드, 런타임(runtime), 시스템 도구들, 및 시스템 라이브러리들과 같이 서버 상에 설치될 수 있는 것을 실행하기 위해 필요한 모든 것들을 포함하는 완전한 파일 시스템에서 소프트웨어의 조각을 랩업(wrap up)한다. 이것은 소프트웨어가 실행되는 환경에 관계없이 항상 동일하게 작동하는 것을 보장한다.

데이터 퍼블리케이션(data publication;518)은 클라우드 내의 스토리지 로케이션(storage location; 573)에 연결되는 데이터 퍼블리셔(data publisher;570)를 포함한다. 또한 소프트웨어 개발 키트(564)의 애플리케이션들(567)은 시계열 데이터베이스(576)의 데이터를 액세스할 수 있다. 시계열 데이터베이스(TSDB; Time-Series DataBase)는 시계열 데이터, 즉 타임(ex. 날짜-시간 또는 날짜-시간 범위)에 의해 색인된 숫자들의 배열들을 처리(handling)하기 위해 최적화된 소프트웨어 시스템이다. 시계열 데이터베이스는 일반적으로 신규 정보가 데이터베이스에 추가될 때 가장 오래된 정보가 제거되는, 롤링 또는 순환적인 버퍼 또는 큐이다. 또한 데이터 퍼블리셔(570)는 데이터 버스에 연결하며, 로컬 시계열 데이터베이스 또는 클라우드 스토리지에 저장될 필요가 있는 데이터를 예약한다.

도 6은 에지(602)와 클라우드 인프라들 사이의 동작 흐름을 보여준다. 일부 특정 에지 인프라들은 이전에 설명되었다. 데이터는 센서들(606)로부터 수집된다. 이러한 센서들은 공업, 소매, 헬스 케어, 또는 의료 기기들, 또는 전력 또는 통신 애플리케이션들, 또는 이들의 임의의 조합을 위한 것일 수 있다.

에지 인프라는 데이터 처리(612)를 가지는 소프트웨어 플랫폼(software platform; 609), 로컬 시계열 데이터베이스(local time-series database; 615), 클라우드 싱크(cloud sink; 618), 분석 복합 이벤트 처리(CEP) 엔진(analytics complex event processing engine; 621), 분석 실시간 스트리밍 도메인 특정 언어(DSL)(analytics real-time streaming domain-specific language; 624)(ex. 포그혼의 Vel 언어), 및 실시간 집계 및 액세스(real-time aggregation and access; 627)를 포함할 수 있다. 플랫폼은 가상 센서들(virtual sensors; 630)을 포함할 수 있는데, 가상 센서에 대한 자세한 설명은 후술하기로 한다. 가상 센서들은 보강된 실시간 데이터 액세스를 제공한다.

플랫폼은 소프트웨어 개발 키트 또는 SDK를 사용하여 개발될 수 있는 앱들 또는 애플리케이션 1, 2 및 3과 같은 하나 이상의 앱들(apps; 633)을 통해 액세스할 수 있다. 앱들은 기계 학습을 수행할 뿐만 아니라, 이기종(ex. 복수개의 다른 언어들로 개발되는)이 될 수 있으며 복합 이벤트 처리 엔진(complex event processing engine; 621)을 활용할 수 있다. 앱들은 에지 플랫폼 개발자 또는 에지 플랫폼의 고객(파트너로 언급될 수 있음)에 의해 제공될 수 있는 앱 스토어(app store; 637)를 이용하여 유통될 수 있다. 앱 스토어를 통해, 사용자들은 다른 사람들과 앱들을 다운로드하고 공유할 수 있다. 앱들은 기계 학습, 원격 모니터링, 예측 가능한 유지 관리, 또는 운용 상의 인텔리전스, 또는 이들의 임의의 조합을 포함하는 분석 및 애플리케이션들(analytics and applications; 639)을 수행할 수 있다.

앱들의 경우, 에지와 클라우드 간에 동적 앱 이동성이 있다. 예를 들면, 포그혼 소프트웨어 개발 키트를 사용하여 개발된 애플리케이션들은 에지 상이나 클라우드 내에서 배치될 수 있으므로, 에지와 클라우드 사이에서 앱 이동성을 성취할 수 있다. 앱들은 에지의 일부분이나 클라우드의 일부분으로 이용될 수 있다. 일 구현에서, 이 특징은 앱들이 컨테이너화되어 있는 것에 기인하여 가능해지므로, 앱들은 앱들이 실행되는 플랫폼과 독립적으로 작동할 수 있다. 이는 분석 표현들에 대해서도 마찬가지이다.

클라우드 또는 사설 데이터 센터(private data center; 644)에 데이터의 모니터링 또는 저장을 포함하는, 통합 경영 및 관리(integrated administration and management; 640)를 위해 허용하는 데이터 앱들이 있다.

에지 애플리케이션 인프라는 가장 어렵고 가장 가능성이 희박한 산업 환경들의 일부에 실시간 피드백 및 자동 제어 시스템들을 제공할 수 있다. 일부 특정 애플리케이션들은 아래에 설명되어 있다:

제조(Manufacturing). 반도체들의 제작으로부터 거대한 산업용 기계들의 조립에 이르기까지, 에지 인텔리전스 플랫폼은 실시간 모니터링 및 진단, 기계 학습, 및 운영 최적화를 사용하여 제조 수익률 및 효율성을 향상시키는 것을 가능하게 한다. 에지 인텔리전스의 직접성은 장비와 조립 라인들의 가동 시간 및 수명을 극대화하기 위한 예측 가능한 유지 보수 뿐만 아니라 제조 프로세스에서 자동 피드백 루프들을 가능하게 한다.

석유 및 가스(Oil and Gas). 석유 및 가스 추출은 장비 고장과 환경 손상에 대응하여 사전 모니터링 및 보호를 제공하기 위해 실시간 현장 인텔리전스에 의존하는 하이 스테이크(high-stakes) 기술 주도 운영들이다. 이러한 운영들은 매우 원격이며 중앙 집중식 데이터 센터들에 대해 신뢰할 수 있는 고속 액세스가 결여되어 있기 때문에, 에지 인텔리전스는 고급 분석의 현장 전달을 제공하며, 최적의 생산 및 안전성을 보장하기 위해 요구되는 실시간 응답들을 가능하게 한다.

광업(Mining). 광업은 인터넷에 거의 또는 전혀 액세스하지 않고 매우 먼 곳들에서 극한의 환경 조건들에 직면한다. 결과적으로, 광업 운영들은 실시간, 현장 모니터링 및 진단, 경보 관리, 및 예측 가능한 유지 보수를 위해 에지 인텔리전스에 점점 더 의존하여 안전성과 운영 효율성을 최대화하고 비용들과 중단 시간을 최소화한다.

교통(Transportation). 산업 인터넷의 부상으로, 열차들, 트랙들(tracks), 버스들, 항공기, 및 선박들에는 분석 및 실시간 응답을 위한 추가적인 인텔리전스를 필요로 하는 페타 바이트의 데이터를 생성하는 차세대 계측기들 및 센서들이 장착되고 있다. 에지 인텔리전스는 운영 위험과 중단 시간을 최소화하는 실시간 자산 모니터링 및 관리를 가능하게 하기 위해 이 데이터를 근처에서 처리할 수 있다. 또한 배출량을 줄이고, 연료를 절약하며, 이익을 극대화하기 위해 엔진 유휴 시간들을 모니터링 및 제어하고, 마모 및 찢어짐을 사전에 감지하며, 트랙 문제들을 감지하고, 잠재적 불법 침입자를 탐지하는 데에 이용될 수 있다.

힘과 물(Power and Water). 발전소의 예기치 않은 고장은 다운 스트림 전력망에 상당한 혼란을 야기할 수 있다. 배수 장비와 펌프들이 경고 없이 실패할 때도 마찬가지이다. 이러한 것을 방지하기 위해, 에지 인텔리전스는 예측 가능한 유지 보수 및 실시간 대응성의 사전 예방적인 이익들을 가능하게 한다. 또한 대기 시간과 대역폭 비용을 줄이기 위해 클라우드보다 소스에 더 가까운 센서 데이터를 인제스천하고 분석하는 것을 가능하게 한다.

재생 에너지(Renewable Energy). 새로운 태양열, 풍력, 및 수력은 청정 에너지의 매우 유망한 소스들이다. 그러나 끊임없이 변화하는 기상 조건들은 전력망에 안정적인 전력 공급을 예측하고 제공하기 위한 주요 과제들을 제시한다. 에지 인텔리전스는 정확한 에너지 예측 및 전달을 위한 고급 분석 뿐만 아니라 전력 생성을 최대화하기 위해 실시간 조정들을 가능하게 한다.

건강 관리(health care). 헬스 케어 산업에서, 새로운 진단 장비, 환자 모니터링 도구들, 및 운영 기술들은 전례없는 수준의 환자 케어를 제공하지만 막대한 양의 매우 민감한 환자 데이터도 제공한다. 의료 시설들은 소스에서 더 많은 데이터를 처리하고 분석함으로써, 공급 사슬 운영들(supply chain operations)을 최적화할 수 있으며, 훨씬 저렴한 비용으로 환자 서비스들과 프라이버시를 향상시킬 수 있다.

소매(Retail). 온라인 쇼핑몰과 경쟁하기 위해, 소매 업체들은 비용을 줄이면서 온라인 상점에서 제공할 수 없는 향상된 고객 경험과 서비스 수준들을 창출해야 한다. 에지 인텔리전스는 실시간 옴니 채널 개인화 및 공급 사슬 최적화를 제공함으로써 사용자 경험을 보강할 수 있다. 또한 에지 인텔리전스는 더 높은 수준의 개인화와 보안을 제공하기 위해 안면 인식과 같은 새로운 기술들을 가능하게 한다.

스마트 빌딩들(Smart Buildings).스마트 빌딩 기술의 많은 장점들에는 낮은 에너지 소비, 더 나은 보안, 증가된 사용자(occupant)의 안락함과 안전성, 및 개선된 빌딩 자산과 서비스들의 활용성이 있다. 분석을 위해 엄청난 양의 건물 데이터를 클라우드로 전송하는 대신에, 스마트 빌딩들은 더 빠르게 대응하는 자동화를 위한 에지 인텔리전스를 이용하여 대역폭 비용과 대기 시간을 감소시킬 수 있다.

스마트 도시들(Smart Cities). 인터랙티브 매니지먼트와 커뮤니티 액세스를 위해 지방 자치 시스템들의 다양한 수집으로부터 데이터(ex. 거리 조명, 교통 정보, 주차, 공공 안전, 및 기타)를 통합하는 것은 스마트 도시 계획들을 위한 공통된 비전이다. 그러나 생성된 많은 양의 데이터는 클라우드 기반 시스템들에 너무 많은 대역폭과 처리를 요구한다. 에지 인텔리전스는 센서들과 데이터 소스들이 위치하는 에지들에 데이터 처리 및 분석을 분산시키는 보다 효율적인 솔루션을 제공한다.

커넥티드 차량들(Connected Vehicles). 커넥티드 차량 기술은 운전자를 넘어 외부의 네트워크들과 시스템들을 포함하도록 차량 조작들과 차량 제어들을 확장함으로써 교통에 완전히 새로운 차원을 추가한다. 에지 인텔리전스 및 포그 컴퓨팅은 교통 규제, 차량 속도 관리, 통행료 징수, 주차 지원 등과 같은 분산 노변 서비스들(roadside services)을 가능하게 할 수 있다.

IoT를 위한 산업용 앱스토어.

사물 인터넷(IoT)은 계측된 물리적 연산들(공장들, 창고들, 소매점들 등과 같은)로부터 얻은 센서 데이터에 적용되는 소프트웨어 및 분석을 위한 요구들을 가진다. 시스템은 고유한 신뢰성, 보안, 배치, 및 IoT를 위한 산업용 앱스토어로 불리는 소프트웨어 플랫폼 장치에서 산업용 IoT 사용 사례들의 데이터 관리 요구들을 다루는 애플리케이션 유통 설비 또는 애플리케이션 스토어(앱스토어), 및 그러한 앱스토어 마켓플레이스를 위한 방법들을 포함한다.

1. 애플리케이션 매니페스트(Application manifest): 산업용 IoT 애플리케이션들은 메타데이터로 캡처되고 애플리케이션과 함께 저장될 수 있는 심층 배치 컨텍스트를 가진다. 컨텍스트는 에지 하드웨어 사양들, 배치 위치, 호환 시스템들에 대한 정보, 보안 및 프라이버시를 위한 데이터 액세스 매니페스트(data-access manifest), 및 지정된 배치 및 버전 관리에서 사용할 수 없는 데이터 영역들의 모델링을 위한 에뮬레이터들(emulators)을 포함한다. 에지 하드웨어는 물리적 센서들과 외부 통신 채널들 사이의 물리 계층을 포함한다. 에지 컴퓨팅 플랫폼은 가상 프로그래머블 센서 또는 소프트웨어 프로그래머블 센서를 정의하는 데에 사용될 수 있다. 에지 컴퓨팅 플랫폼은 소프트웨어, 하드웨어, 펌웨어, 임베디드 하드웨어, 독립형 하드웨어, 애플리케이션 특정 하드웨어, 또는 이러한 것들의 임의의 조합으로 구현될 수 있다.

2. 매니페스트 매칭(Manifest matching): 에지 플랫폼으로부터 주어진 요청을 기반으로, 앱스토어는 위에 리스트된 파라미터들을 기초로 하는 배치 시나리오를 가지고 적절한 매니페스트를 매칭시키도록 구성된다.

3. 배치 운영들(Deployment operations): 산업용 앱스토어 플랫폼은 또한 데이터 일관성, 애플리케이션 상태 핸드오프 및 보안 자격 관리를 포함하는 산업용 에지 배치 시나리오들에 특이한 운영 태스크들을 수행한다. 이러한 것들은 애플리케이션 컨테이너 객체들로서 클라우드 또는 데이터 센터 위치로부터 에지로 이동하는 애플리케이션들을 위한 이송 과정의 필수적 단계들이다.

프로그래머블 소프트웨어 정의 센서들(Programmable Software-Defined Sensors) 또는 가상 센서들.

물리적 센서는 아날로그 측정 또는 디지털 측정으로 그것의 환경의 일부 특성을 측정하는 전자 변환기이다. 아날로그 측정들은 일반적으로 아날로그 디지털 컨버터들을 사용하여 디지털 양들로 변환된다. 센서 데이터는 폴링을 기반으로 필요에 따라 측정되거나 균일한 속도로 스트림으로 사용 가능하다. 일반적인 센서 사양에는 범위, 정확도, 해상도, 드리프트(drift), 안정성, 및 기타 속성들이 있다. 대부분의 측정 시스템들과 애플리케이션들은 처리, 운송, 또는 저장을 위해 센서 데이터를 직접 활용하거나 전송한다.

또한 시스템은 가상 센서로 불리우는, "프로그래밍 가능한 소프트웨어 정의 센서"를 가지는데, 이 소프트웨어 정의 센서는 분석 표현 언어를 이용하여 생성되는 소프트웨어 기반 센서를 의미한다. 일 구현에서, 상기의 분석 표현 언어는 포그혼의 분석 표현 언어이다. 이 표현 언어는 Vel로 알려져 있으며, 다른 특허 출원들에 보다 상세하게 설명되어 있다. Vel 언어는 실행의 지연들(latencies)이 적고 제약이 있는 낮은 풋프린트 환경에서 실시간 스트리밍 분석을 지원하기 위해 효율적으로 구현된다. 예를 들어, 시스템의 대기 시간은 약 10 밀리세컨드(milliseconds) 이하가 될 수 있다.

일 구현에서, 프로그래밍 가능한 소프트웨어 정의 센서는 "센서 표현 언어" 또는 SXL로 불리우는 선언형 애플리케이션 프로그램 인터페이스(API; Application Program Interface)를 가지고 생성된다. SXL 언어의 특정한 구현은 포그혼의 Vel이다. SXL 센서는 이 구조를 통해 생성되는 SXL 센서이며, 물리적 센서와 SXL 센서를 포함하는 다수의 소스들에 의해 생성되는 프로세싱 데이터로부터 파생된 측정들을 제공한다. 이 애플리케이션에서, SXL과 Vel은 교환하여 사용될 수 있다.

SXL(ex. Vel) 센서는 이 세가지 소스들 중 어느 하나 또는 이 세가지 소스들의 조합으로부터 파생될 수 있다:

1. 하나의 센서 데이터(single sensor data)

1.1. 하나의 물리적 센서로부터 파생된 가상 센서 또는 SXL 센서는 동적 보정, 신호 처리, 수학적 표현(math expression), 데이터 압축 또는 데이터 분석을 이용하여 수신 센서 데이터(incoming sensor data)를 임의의 조합으로 변형할 수 있다.

2. 다수의 물리적 센서 데이터(Multiple physical sensor data)

2.1. 가상 센서 또는 SXL 센서 또는 다수의 이기종 물리적 센서들로부터 (위에서 설명한 방법들을 이용하여) 변환으로 파생된다.

3. 물리적 센서 데이터와 가상 센서 데이터의 조합으로 SXL 센서(ex. Vel) 장치를 구현할 수 있다.

SXL(ex. Vel) 센서들은 도메인 특정이며 특정 애플리케이션을 염두에 두고 생성된다. SXL 프로그래밍 인터페이스의 특정한 구현은 변환들(ex. 수학적 표현들) 및 집계들을 통해 데이터 분석을 정의하는 애플리케이션들을 가능하게 한다. SXL(ex. Vel)은 일반적으로 프로그래밍 언어를 기반으로 하는, 일련의 수학 연산자들을 포함한다. SXL 센서들은 SXL 구조들 또는 프로그램들의 실행에 의해 실행 시간에 데이터에 연산을 수행한다.

SXL 센서들의 생성. SXL 센서들은 실시간으로 데이터를 이용할 수 있게 하기 위해 소프트웨어 장치로 설계된다. 이것은 애플리케이션에 의해 요구되는 속도로 SXL 센서 데이터를 생성하기 위해 임베디드 계산 하드웨어(embedded compute hardware)에서 실시간으로 SXL을 가지고 개발되는 애플리케이션들의 실행을 요구한다. 시스템은 이것을 수행하기 위한 고효율 실행 엔진을 포함한다.

SXL 센서들의 장점들은 다음을 포함한다:

1. 프로그래밍 가능성(Programmability): SXL은 데이터 품질, 주파수 및 정보와 관련된 특정 애플리케이션 요구 사항들에 매칭되도록 데이터를 합성하기 위해 SXL 센서들을 프로그래밍한다. SXL 센서들은 물리적 센서들과 다른 SXL 센서들(ex. 기존의 SXL 센서들)을 소스로 하는 데이터에 플러그(plug)하기 위해 OTA(Over-The-Air) 소프트웨어 업그레이드들로 광범위하게 분산될 수 있다. 따라서 애플리케이션 개발자들은 물리적 인프라의 레이아웃과 독립적으로 비즈니스 논리를 효율적으로 실행할 수 있는 디지털 인프라를 생성할 수 있다.

2. 유지 보수성(Maintainability) 또는 투명성(Transparency): SXL 센서들은 애플리케이션들과 물리적 센서들 사이에서 디지털 추상 계층을 생성하는데, 이 계층은 물리적 센서들에 대한 업그레이드들 및 서비스들에 기인하는 물리적 인프라의 변화들로부터 개발자들을 보호한다.

3. 효율성(Efficiency): SXL 센서들은 물리적 센서들의 원시 데이터를 그것들 내에 포함되어 있는 정보의 정확한 표현으로 변환함으로써 정보 관리의 효율성들을 창출한다. 이러한 효율성은 애플리케이션들에서 계산, 네트워킹, 및 스토리지 다운스트림과 같은 IT 리소스들의 효율적인 활용으로 변환된다.

4. 실시간 데이터(Real-time data): SXL 센서들은 실제 센서 데이터 스트림 또는 물리적 센서 데이터 스트림으로부터 계산되는 실시간 센서 데이터를 제공한다. 이것은 최소 시간 지연들로 애플리케이션들에서 데이터를 사용할 수 있게 한다.

구현: 시스템은 SXL 인터페이스를 기반으로 확장 가능한, 실시간 SXL 센서들의 구현으로 설계된다. SXL은 자바 언어에 의해 지원되는 연산자들을 포함하며, 물리적 센서들과 그것들의 프로토콜들과 완전히 통합된다.

시스템은 실행되는 물리적 센서들의 데이터에 대한 연산을 정확하게 표현하기 위한 새로운 방법론을 제공한다. 이 선언형 표현(declarative expression)은 물리적 센서들에서의 구현으로부터 디지털 추상(digital abstraction)의 정의를 분리한다.

표 A는 SXL로 생성되는 물리적 센서들과 SXL 센서들의 예시를 제공한다.

[표 A]

Physical_sensors:

name: "pump"

measures:

-

name: "flow"

serde: "CSV"

protocol: "MQTT"

field_map:

p1: "flow"

-

name: "outlet_pressure"

serde: "CSV"

protocol: "MQTT"

field_map:

p1: "outlet_pressure"

-

name: "temperature"

serde: "CSV"

protocol: "MQTT"

field_map:

p1: "temperature"

-

name: "inlet_pressure"

serde: "CSV"

protocol: "MQTT"

field_map:

p1: "inlet_pressure"

virtual_sensors:

-

name: "pressure_differential"

expression: "pressure_differential = inlet_pressure - outlet_pressure"

-

name: "temperature_kelvin"

expression: "temperature_kelvin = (temperature + 459.67) * (5.0/9.0)"

-

name: "vapor_pressure"

expression: "vapor_pressure = exp(20.386 - (5132.0 / temperature_kelvin))"

위의 예에서, 4개의 물리적 센서들은 SXL 센서들의 집합을 생성하는 데에 이용된다. SXL 센서 데이터는 추가 분석을 위해 로컬 스토리지 또는 애플리케이션으로, 또는 다른 원격 서비스들(ex. 클라우드)로 전송될 수 있다.

특정 예로서, 표 A에 "pressure_differential"이라는 가상 센서가 있다. 이것은 출력에 해당하는 (압력 차(pressure differential)를 위한) pressure_differential 변수이다. 가상 센서의 입력들은 (인렛 프레셔(inlet pressure)를 위한) inlet_pressure와 (아웃렛 프레셔(outlet pressure)를 위한) outlet_pressure이다.이 가상 센서는 inlet_pressure ?? outlet_pressure(inlet_pressureminus outlet_pressure)함수를 기반으로 pressure_differential을 출력한다.

표 A에는 "temperature_kelvin"이라고 하는 또다른 가상 센서가 있다. 온도가 센서의 입력일 때, (온도 + 459.67) * (5.0 / 9.0) 함수를 기반으로 하는 출력이 temperature_kelvin이다.

표 A에는 "vapor_pressure"라는 또다른 가상 센서도 있다. 센서의 입력이 temperature_kelvin일 때, exp(20.386 - (5132.0 / temperature_kelvin)) 함수를 기반으로 하는 출력이 vapor_pressure이다. temperature_kelvin 변수는 temperature_kelvin 센서로부터의 출력이다.

표 B는 포그혼의 Vel 표현 언어를 이용하여 가상 센서들을 정의하는 예시를 제공한다.

[표 B]

temperature is stream("temperature", real);

inlet_pressure is stream("inlet_pressure", real);

outlet_pressureis stream("outlet_pressure", real);

local_pressure_differential is local_stream("local_pressure_differential", real);

pressure_differential is stream("pressure_differential", real);

cavitation_alert is stream("cavitation_alert", int);

local_temperature_kelvin is local_stream("local_temperature_kelvin", real);

temperature_kelvin is stream("temperature_kelvin", real);

vapour_pressure is stream("vapour_pressure", real);

local_pressure_differential = (a-b) select a from inlet_pressure with b from outlet_pressure;

pressure_differential = p select p from local_pressure_differential;

cavitation_alert = 1 if local_pressure_differential > 25 else 0;

local_temperature_kelvin = ((temp + 459.67) * 5 / 9) select temp from temperature;

temperature_kelvin = t select t from local_temperature_kelvin;

vapour_pressure = (20.386 - (5132.0 / tk)) select tk from local_temperature_kelvin;

위의 예에서, 3개의 물리적 센서 데이터 스트림들은 펌프 캐비테이션 시나리오(pump cavitation scenario)의 검출 이후에 이용되는 일련의 가상 센서들의 생성에 이용된다. 가상 센서들은 로컬 스트림이 되거나, 데이터 버스 상에 제1 클래스 데이터 스트림들로 공개될 수 있다.

도 7은 입력들로부터 가상 센서들을 생성하는 데에 사용되는 센서 표현 언어 엔진(sensor expression language engine; 707)을 보여준다. 센서 표현 언어 엔진은 물리적 센서들 또는 다른 가상 센서들로부터 입력을 가져온다. 입력들의 일부 예들은 인렛 프레셔(inlet pressure; 711), 아웃렛 프레셔(outlet pressure; 714), 온도(temperature; 717), 및 플로우(flow; 720)를 포함한다. 임의의 개수의 입력들 또는 입력들의 조합은 가상 센서에 대한 입력으로서 사용될 수 있다. 입력을 기반으로, 센서 표현 언어 엔진은 압력 차(pressure differential; 731), 온도(temperature; 734) (캘빈 온도일 수 있다), 및 증기압(vapor pressure; 737)과 같은, 출력들을 가지는 가상 센서들을 생성할 수 있다. 이러한 것들은 임의의 개수의 가상 센서들 및 출력들이 될 수 있다. 설명된 바와 같이, 출력은 가상 센서에 대한 입력들의 수학적 함수가 될 수 있다.

도 7에 가상 센서를 나타내는 박스(ex. 731, 734, 및 737)가 도시되어 있지만, 가상 센서는 다수의 출력들을 가질 수 있다. 예를 들어, 가상 센서들(731 및 734)은 2개의 출력들을 가지는 단일 가상 센서로 결합될 수 있다. 가상 센서들(731, 734, 및 737)은 3개의 출력들을 가지는 단일 가상 센서로 결합될 수도 있다.

에지 및 클라우드 사이의 애플리케이션 이동성(Application Mobility)

기존의 엔터프라이즈 소프트웨어 애플리케이션 호스팅은 규모의 경제와 시스템 효율성을 활용하기 위해 데이터 센터 또는 "클라우드" 인프라에 의존한다. 그러나, 이러한 데이터 센터들은 기업이 대부분의 비즈니스 운영들을 수행하는, 물리적 연산들(공장들, 창고들, 소매점들, 및 기타 시설들과 같은)과 임의로 다를 수 있다. 사물 인터넷(IoT)은 매우 높은 빈도로 이벤트들을 추적하는 센서들로 물리적 연산들의 계측에 의존하는 사용 사례들의 모음이다.

시스템은 백엔드 데이터 센터(backend datacenter) 또는 클라우드 및 프런트라인 에지 인프라 계층들(frontline edge infrastructure layers) 사이의 소프트웨어 애플리케이션들의 무결절성 상호운용성 및 이동성을 위한 방법 및 장치를 포함한다:

1. 장치는 애플리케이션들이 물리적 연산들 위에서 데이터 관리, 데이터 분석, 및 관리의 태스크들을 성취하기 위해 이용할 수 있는 동일한 애플리케이션 프로그램 인터페이스들(APIs)을 가지고 클라우드, 중형 컴퓨팅 서버들 및 소형 컴퓨팅 서버들에 따라 다양한 폼 팩터들(form-factors)에 배치될 수 있는 소프트웨어 플랫폼이다.

1.1. 데이터 관리는 에지 계층에서 다수의 네트워크 인터페이스들로부터 얻은 데이터 스트림들의 인제스천(ingestion), 데이터 보강, 스토리지, 하드웨어와 소프트웨어의 오류들에 대한 복원력 및 데이터 일관성을 포함한다.

1.2. 데이터 분석은 복합 이벤트 처리(CEP) 엔진, 분석 또는 스트림 처리를 위한 표현 언어, 또는 둘 다, 집계, 규칙들 및 엄선된 에지에서의 기계 학습 워크플로우들을 포함한다.

1.3. 관리의 능력들은 리소스 프로비저닝(resource provisioning), 에지 계층에서의 구성과 설정 및 애플리케이션 라이프사이클 태스크 관리(application lifecycle task management)를 포함한다.

2. 또한 시스템은 애플리케이션의 상태와 데이터 관리 상태의 일관성을 유지하면서, 인터넷을 통해 클라우드 및 에지 인프라 계층들 간에 이러한 애플리케이션들을 마이그레이션하는(migrating) 방법을 포함한다.

3. 방법은 다양한 플랫폼들에서 일관된 마이그레이션 또는 실행을 위해 필요한 소프트웨어 라이브러리들의 패키징(packaging)을 위해 애플리케이션 컨테이너 기술을 활용한다.

4. 또한 방법은 어카운트 리소스 가용성(account resource availability), 애플리케이션 서비스 품질(QoS; Quality-of-Service)요구들 및 클라우드와 인프라의 에지 계층들 사이의 그러한 마이그레이션들을 스케줄링하는 우선순위를 고려하는 추천 시스템을 가질 수 있다.

5. 또한 방법은 클라우드와 에지 모두에서 실행하기 위한 애플리케이션들의 협력 및 애플리케이션들 간 통신을 관리하기 위한 장치(ex. 에지 플랫폼)의 활용을 허용한다.

에지에서 개발된 애플리케이션들은 클라우드 내에서 작동될 수 있으며, 그 반대의 경우도 가능하다. 이것은 기계 학습 애플리케이션들에서도 마찬가지이다.

원격으로 관리되는 워크플로우들.

위에 설명된 시스템의 부분들, 즉 에지 컴퓨팅 소프트웨어의 일부분은 몇몇 마이크로 서비스들의 지원을 받는 관리 콘솔을 통해 원격으로 관리될 수 있다. 다수의 서로 다른 에지 장치들(edge installations)은 이 원격 관리 콘솔을 통해 구성되고, 배치되고, 관리되며 모니터링될 수 있다.

에지에서 인텔리전스를 가능하게 하기 위한 방법. 그 특징들은 다음을 포함한다: 게이트웨이 디바이스 또는 임베디드 시스템에서 호스트되는 센서 데이터를 소프트웨어 계층에서 트리거링한다. 소프트웨어 계층은 로컬 영역 네트워크에 연결된다. 서비스들, 애플리케이션들 및 데이터 처리 엔진들의 저장소는 소프트웨어 계층에서 액세스할 수 있다. 소프트웨어 계층에서 사용할 수 있는 표현 언어를 통해 특정 조건들의 발생에 대한 의미론적 설명들과 센서 데이터를 연결시킨다. 연속적으로 실행하는 표현들에 의해 패턴 이벤트들을 자동으로 검색한다. 체이닝 애플리케이션(chaining application)과 분석 표현들을 위해 소프트웨어 계층에서 관리되는 게이트웨이 디바이스 및 임베디드 시스템들에서 서비스들과 애플리케이션들을 지능적으로 구성한다. 리소스 가용성을 기반으로 분석들과 애플리케이션들의 레이아웃을 최적화한다. 소프트웨어 계층의 상태(health)를 모니터링한다. 원시 센서 데이터 또는 표현들의 결과들을 로컬 시계열 데이터베이스 또는 클라우드 스토리지에 저장한다. 서비스들과 컴포넌트들은 모든 게이트웨이 환경에서 원활하게 실행되도록 컨테이너화될 수 있다.

일 구현에서, 게이트웨이 디바이스(gateway device) 상에 호스트되고 광역 네트워크에 연결되는 소프트웨어 장치(software apparatus) 내의 센서 데이터에 의해 트리거된 서비스 호출을 위한 방법은, 서비스들, 애플리케이션들 및 데이터 처리 엔진들의 저장소가 소프트웨어 장치에 의해 액세스 가능하게 되며; 소프트웨어 장치에 의해 이용 가능하게 되는 데이터의 의미론적 기술들(semantic descriptions)을 가지고 센서 데이터를 매칭시키는 단계; 일치하는 데이터의 의미론적 유형들(semantic types)의 패턴을 위해 설계되는 모든 애플리케이션들을 발견하는 단계; 매칭하는 모든 애플리케이션들과 분석의 연결(chaining)을 위해 소프트웨어 장치에 의해 관리되는 광역 네트워크를 통해 분산된 게이트웨이 디바이스 및 서버들 전반에 걸쳐 서비스를 지능적으로 구성하는 단계; 게이트웨이 디바이스에서 자원 가용성을 기반으로 애플리케이션 및 분석의 레이아웃을 최적화하는 단계를 포함한다.

1. 기술 분야: 본 발명은 사물 인터넷의 분야에 관한 것이며, 특히 센서들로부터 실시간으로 데이터에 따라 처리하는(data-driven) 결정들을 유도하기 위한 분산 소프트웨어에 관한 것이다.

2. 토론: 이것은 집합적으로 사물 인터넷으로 표시되는 센서들과 네트워크의 비용이 감소함으로써 센서 데이터 집합에서 폭발적인 성장을 보이고 있다. 데이터의 추상화는 제조, 에너지 및 유틸리티들, 도시 인프라(urban infrastructure), 헬스 케어, 소매, 농업 및 자원들, 홈 오토메이션, 및 소비자 웨어러블 장치들을 포함하는 다양한 산업 전반에 걸쳐 사물 인터넷을 일반화하고 있다. 그러나 소프트웨어 개발, 테스팅(testing), 배치, 및 관리에 대한 비용이 급증하면서 프로세스 효율성, 비즈니스 수익성, 및 수익 창출(revenue monetization)의 측면에서 가치를 창출하기 위한 이러한 센서 데이터의 인제스팅(ingesting), 집계, 관리, 및 처리에 경제적 난관(economic hurdles)이추가된다. 사물 인터넷을 위한 소프트웨어에 대해 이러한 경제적 난관은 네가지 유형들로 분류될 수 있다:

1. 이질성(heterogeneity): 실세계에서의 데이터 소스들은 본질적으로 이기종이며, 소프트웨어 개발 및 테스팅의 비용이 축적되고 있다.

2. 라스트 마일 격차(last-mile gaps): 이 격차는 고품질의 서비스를 제공하는 소프트웨어 애플리케이션들의 안정적 배치를 위한 데이터 센터들과 물리적 센서 사이의 것이다.

3. 보안: 센서들은 덜하게 정의되는 데이터 거버넌스(data governance) 및 보안 정책으로 새로운 정보 경로들을 카빙하는(carving) 데이터의 새로운 소스들이다.

4. 사일로(silos): 애플리케이션의 사일로를 통한 반복적 데이터 습득, 처리, 및 관리는 하드웨어 및 개발 리소스들의 비효율적 사용을 초래한다.

시스템은 센서들에 근접하는 라스트 마일에서 이러한 문제들을 해결할 수 있도록 설계되는 방법 및 소프트웨어 장치를 제공한다. 발명된 장치의 인텔리전스는 센서 데이터의 의미들)을 발견할 수 있고; 서비스들과 분석의 구성(composition)을 커스트마이즈할(customize) 수 있으며, 소프트웨어 애플리케이션들의 배치를 연계할(chain) 수 있다.

본 발명의 몇몇 실시예는 광역에 걸쳐 분포되는 다양한 센서들로부터 데이터에 액세스하는 소프트웨어 애플리케이션을 가능하게 하고, 데이터와 분석을 기초로 실시간 응답들과 메시지들을 제공하기 위한 방법 및 장치를 포함한다. 장치는 기업 또는 클라우드 서비스 공급자들에 의해 관리되는 데이터 센터들의 센서들 및 서버 인프라의 근처에 위치하는 임베디드 게이트웨이 디바이스들에 배치되도록 설계된다. 애플리케이션 개발자들은 그들의 소프트웨어에 의해 이용되는 데이터 의미들(data semantics)을 이 장치에 표현하며, 애플리케이션들의 저장소를 그 장치에 노출한다. 게이트웨이 디바이스들은 하드웨어 시스템들의 네트워크 인터페이스들을 통해 물리적 센서들에 액세스한다.

클레임된 방법은 다음에 따라 IoT 소프트웨어의 이질성, 라스트 마일 격차, 보안 및 데이터 사일로의 문제들을 해결한다.

1.1. 센서 데이터는 게이트웨이 디바이스의 네트워크 인터페이스들을 통해 소프트웨어 장치에 도달한다. 소프트웨어 장치는 지원되는 것으로 알려져 있는 데이터 프로토콜들을 나타내는 패턴들을 위해 메시지 헤더들을 검사한다.

1.2. 지원되는 프로토콜의 패턴의 발견에서, 장치는 합성의 제1 스테이지에서, 관련된 프로토콜 중개 서비스(protocol broker service)를 로딩한다.

2. 소프트웨어 장치는 프로토콜 브로커를 통해 스트리밍되는 데이터에서 데이터 의미들의 차원들을 발견하고, 애플리케이션 개발자들에 의해 표현되는 의미들에서 패턴들을 일치시키며, 일치된 요소들의 스코어 리스트를 생성한다. 모든 매칭 스캔들은 개발자들이 매칭되는 데이터에 액세스하는 것을 보장하기 위해 토큰 교환 프로토콜(token-exchange protocol)에 의해 보호된다. 장치는 가장 높은 매치 스코어를 갖는 데이터 의미를 로드할 수 있거나, 수동 확인을 위해 휴먼 머신 인터페이스를 통해 동일한 것을 추천할 수 있다. 서비스 컴포지션(service composition)은 개발자 데이터 의미들을 추가한다.

3. 이때 소프트웨어 장치는 데이터 의미들의 애플리케이션 정의와 일치하도록 서로 다른 물리적 소스들로부터 센서 데이터를 혼합한다.

4. 애플리케이션의 분석 서비스 의존성들은 동일한 장치의 관리 하에 있는 데이터 센터 내의 다른 서버들 뿐만 아니라 센서들의 근처에 위치하는 게이트웨이 디바이스 상의 소프트웨어 장치들에 의해 분석되고 공급된다.

5. 적절한 의미를 갖는 데이터 스트리밍은 애플리케이션에 의해 필요에 따라 데이터를 변환하기 위해 소프트웨어 장치에 의해 데이터 처리 파이프라인들(data processing pipelines)을 통해 채널링된다.

6. 또한 장치는 지리적으로 확산된 분석 처리 파이프라인들(analytic processing pipelines) 사이의 일관성을 위해 보안 링크들 위에 광역 네트워크를 통한 데이터의 전송을 관리한다.

7. 애플리케이션은 소프트웨어 장치의 매뉴얼들에서 개발자에게 공개된 프로그래매틱 API들(programmatic APIs)(토큰 교환 기반 보안을 가지는)을 통해 변환된 데이터에 안전하게 액세스할 수 있다. 애플리케이션들은 그 경우의 서비스 품질 및 자원 가용성을 기초로 적절한 장소(게이트웨이 디바이스, 데이터 센터 서버)에서 서비스 구성(service composition)에 연결된다.

위의 스테이지 1 내지 7에는 저장소 내의 센서 데이터 및 애플리케이션들로부터 동적 컨텍스트를 활용하여 지능적으로 서비스 체인(service chain)을 구성하기 위해 소프트웨어 장치에 의해 이용되는 방법이 설명되어 있다. 따라서 이 방법과 소프트웨어 장치는 위에서 설명된 IoT를 위한 소프트웨어 공학의 문제점들을 해결한다.

이기종 센서 애그노스틱 소프트웨어(heterogeneous sensor agnostic software) 및 데이터 관리.

사물 인터넷(IoT)은 고감도 센서들을 가지는 물리적 연산들의 계기 장비, 높은 빈도를 가지는 운영들에서의 이벤트들 추적, 및 소프트웨어와 서비스들을 통한 센서 데이터의 실행 가능한 분석 통찰력으로의 전환을 통해 비즈니스 운영들에 가치를 부여한다. 그러나, 일상적인 운영들(공장들, 창고들, 소매점들 및 기타 시설들과 같은)의 물리적 설정들은 센서 하드웨어, 네트워킹 토폴로지, 데이터 프로토콜들, 및 데이터 형식들에서 극단적으로 이질적이다. 이러한 이질성은 소프트웨어 개발, 테스팅, 및 배치에 대한 고비용 오버헤드들을 제기한다; 코드 모듈들은 하드웨어-네트워킹-데이터 프로토콜-데이터 형식의 각 조합에 대해 재현되어야 한다. 시스템은 이 이기종 설정에서 소프트웨어와 데이터를 관리하기 위한 방법 및 소프트웨어 장치를 제공한다.

소프트웨어 장치는 예컨대, 센서 네트워크들에 배치되어 있는 소형 서버들(ex. 1 기가바이트 이하의 메모리를 가지는 싱글 코어 프로세서 코어)에 중형 서버들(ex. 듀얼 코어 프로세서 및 4 기가바이트의 메모리)로 구성되는 컴퓨팅 인프라에 호스트되도록 선택적으로 설계된다. 아래에서 설명하는 방법은 소프트웨어 장치에 호스트되는 센서들과 애플리케이션들 사이의 디지털 인터페이스 계층들을 통해 센서 네트워크에서의 이질성으로 요약된다:

1. 브로커들(brokers)(ex. 도 5의 브로커들(520)): 센서들이 연결되면, 연결된 세션이 발생한 뒤 각각의 클라이언트는 토픽 이름들(topic names)로 공개하고 예약한다. 이것은 대량의 데이터 인제스트(ingest)를 위해 최적화된 멀티 프로토콜 브로커(multiprotocol broker)이다. 브로커들은 보안 자격으로 액세스를 보호하기 위해 보안 기능을 내장하고 있다. 브로커들은 특정한 사용자의 로그인 및 패스워드가 있는 구성 파일을 가진다. 또한 브로커는 토픽들에 액세스하기 위한 정책을 구축한다. 시스템은 MQTT, CoAP, AMQP, 또는 DNP3과 같은 내장 프로토콜 브로커 및 시드 배정을 받은 프로토콜 브로커 모두를 위해 이러한 것들을 적용하기에 충분할 뿐만 아니라 커스텀 프로토콜들에도 적용할 수 있다. 프로토콜 브로커의 플러그인 아키텍처는 커스텀 프로토콜들을 위한 브로커들을 매우 쉽게 개발한다. 내부적으로 브로커들은 매우 효율적이며 고속 처리를 위해 제로 카피 버퍼링(zero-copy buffering)을 이용한다. 브로커 계층(broker layer)은 임의의 오류의 싱글 포인트(single point)를 피하기 위한 경량 고가용성 구현이다. 이것은 유연하고 직관적인 동적 계산(dynamic computation) 도메인 특정 언어(DSL; Domain-Specific Language) 기반 DAG(Directed Acyclic Graph)를 가진다. 메시지는 타임 스탬프 순서로 도착하지 않을 수 있으므로, 계산(calculation)을 위해 타임 윈도우(time window)를 폐쇄할 때를 알기 어렵다. 브로커는 애플리케이션 클럭의 낮은 워터마크를 추적하여 이 모델을 지원할 수 있다.

2. 스트림 처리 그래프들(stream processing graphs): 시스템은 스트림들과 관련된 처리 유닛들 사이의 생산자-소비자 관계를 설명하기 위해 "스트림 처리 그래프"인 DAG(Directed Acyclic Graph)를 사용한다. 그래프 내에는 소스 노드들, 싱크 노드들(sink nodes) 및 처리 노드들이 있으며, 여기서 지향 에지들(directed edges)은 다양한 노드들 사이의 정보 흐름을 나타낸다. 소스 노드들은 입력 데이터 스트림들의 소스에 해당한다. 이 노드들은 단지 밖으로 나가는 에지들을 가질 뿐이며, 그것들 사이의 임의의 에지들은 가지지 않는다. 싱크 노드들은 최종적으로 처리된 정보의 수신자들에 해당한다. 이 노드들은 단지 싱크 노드들로 가는 에지들을 가질 뿐이며, 싱크 노드들 사이에 임의의 에지들을 가지지 않는다. 처리 노드들은 처리 유닛들(processing units)을 나타낸다. 처리 유닛은 동시에 다수의 데이터 스트림들로부터 입력들을 요구할 수 있으며, 하나 또는 다수의 가치 있는 출력 스트림들을 생성할 수 있다. 이러한 그래프는 모든 지향 에지들이 하방으로 포인팅하는 방식으로 구성될 수 있다. 시스템은 정보가 상측으로부터 와서 중간에서 처리 유닛들을 통과한 뒤 결국 하측에서 출력 스트림에 이어지도록 설계된다.

3. 큐잉 시스템(Queuing system): 서로 다른 레벨들에 걸친 대기 시간과 처리량 사이의 관계는 리틀의 법칙(Little's law)에 의해 정의된 바와 같이 매우 복잡하다. 우리는 각각의 시스템을 전체적으로 볼 때 각각의 시스템은 많은 서브 시스템들을 포함하며, 서브 시스템들 사이에는 복잡한 종속성이 있을 것이다. 각각의 서브 시스템은 처리량 또는 대기 시간에 따라 나머지 시스템에 바인딩된다. 이것은 시스템을 설계할 때, 이러한 상호 작용들을 고려한 다음 이 시스템이 큰 시스템에 병목 현상(bottleneck)을 일으키지 않도록 생성하는 데에 유용하다. 센서들이 수신자들(그들 중 어느 하나)가 그것들을 처리할 수 있는 것보다 더 빠른 속도로 메시지를 보내는 경우, 비동기 통신에서 플로우 제어의 문제가 발생한다.

시스템은 대용량 비동기 시스템에서 백프레셔 이슈들(backpressure issues)을 다루는 많은 실험들을 수행하여 개발되며, 결과적으로 강력한 반응형 스트림 처리 및 큐잉 메커니즘이 생성된다. 이러한 반응 스트림 계획이 시작되는 주된 이유는 무한한 버퍼들을 필요로 하지 않고 비동기 경계 메모리 영역 내에서 데이터를 손실 없이 전송하기 위해서이다. CPS(Continuation-Passing Style)(ex. 액터 모델(actor model))가 이용되고 있다. 다운 스트림 수요가 0에 도달하면, 스트림 액터들(stream actors)은 그들 자신의 업스트림(upstream)으로부터 단순히 더 많은 것을 끌어오지 않을 것이며, 그들이 메시지 기반(message-driven)이기 때문에 바로 그 다운 스트림으로부터 더 많은 수요가 도착할 때까지 단순히 계획되지 않는다. 이 경우 쓰레드들(threads)은 차단되지 않고 호출 스택들(call stacks)도 보존되지 않지만, 액터는 스트림 내에서의 위치를 기억한다. 이 설계는 메시지 처리에서 비결정론(non-determinism)을 생각하는 새로운 방식을 가능하게 한다.

4. 에지 믹서들(edge mixers): 각 센서는 자신의 토픽을 게시한다. 측정값들이 게시되는 간격은 센서에 따라 다르다. 마지막으로 정규화는 센서들의 혼합(mixing)을 위해 필요하다. 센서 측정들은 시간 기반 채널들에 게시된다. 측정값들은 순환 방식으로 이 큐들(queues)에 게시된다. 일부 또는 모든 센서들의 측정값들은 시간 차원에서 봉합될 수 있다. 시스템의 센서 믹서는 다음과 같은 센서 시계열 정규화 중 하나 이상을 수행한다:

4.1. 간격과 관련된 정규화.

4.2. 합 1(sum 1)로의 정규화.

4.3. 유클리드 노름 1(Euclidean norm 1)로의 정규화.

4.4. 제로 평균(zero mean)으로의 정규화.

4.5. 제로 평균과 유닛 표준편차(unit standard deviation)로의 정규화.

5. 센서 표현 언어(sensor expression language): 애플리케이션들은 센서 표현 언어로 불리는 언어를 통해 에지 믹서들에서 파이프라인 워크플로우(pipeline workflow)를 정의한다. 이 언어는 데이터 관리 및 분석의 애플리케이션 측 추상화(application-side abstraction)를 정의하므로, 센서 이질성의 추상화를 위한 엔드 투 엔드 방법(end-to-end method)을 제어한다. 센서 표현 언어의 특정한 구현은 Vel(R)로 불리우며, 2016년 3월 23일자로 출원된 미국특허출원 제62/312,106호, 제62/312,187호, 제62/312,223호, 및 제62,312,255호에 기재되어 있다. Vel은 포그혼 시스템 사(FogHorn Systems, Inc.)의 상표이다.

지능적인 컨테이너 생성(Intelligent Container Creation) 및 에지 및 디바이스 타입 기반 관리.

컨테이너 기술은 메모리, CPU, 및 스토리지와 같은 관리 운영체제(OS)인 컴퓨터 서버 리소스들을 각 테넌트(tenant)(따라서 하이퍼 바이저 기술(hypervisor technology)과 다른)를 위한 전체 OS 커널을 복제할 필요 없이 무시할 수 있는 오버 헤드를 가지고 가상화한다. 컨테이너들은 일반적인 리눅스 오픈 소스 운영체제의 일부로 개발되었으며, 도커(Docker) 및 CoreOS와 같은 고급 관리 프레임워크들의 가용성을 가지고 소프트웨어 개발 및 데이터 센터 운영들("DevOps")에서 중요한 견인(traction)이 얻어진다. 사물 인터넷(IoT) 사용자 사례들(공장들, 창고들, 소매점들, 및 기타 시설들과 같은 물리적 위치들(physical locations)을 포함하는 것)의 물리적 센서 네트워크들에 매우 근접한 니어라인 컴퓨트 인프라(nearline compute infrastructure)를 통해 센서 데이터를 처리하기 위한 소프트웨어 및 분석의 소비에 대한 요구가 증가하고 있다. 이러한 컴퓨트 노드들(compute nodes)은, 예를 들어, 인터넷에 연결되어 있고, 연산들에 배치되는 다양한 이기종 센서 디바이스들 및 제어 시스템들에 액세스하는, 중형 서버(ex. 듀얼 코어 프로세서 및 4GB 메모리)에서 소형 서버(ex. 1GB 미만의 메모리가 있는 단일 코어 프로세서 코어)까지를 포함한다. 시스템은 이러한 에지 컴퓨트 인프라 설정들에 컨테이너 기술들을 지능적으로 배치하고 관리하는 방법을 제공한다.

이하의 구성 요소들은 에지 인프라 설정들에서 컨테이너들을 관리하기 위한 방법을 설명하며, 소프트웨어 장치의 형태로 구현된다:

1. 중앙 집중식 관리: 시스템은 IoT(TM)를 위한 산업용 앱스토어에서 소프트웨어 애플리케이션들을 관리하며, 모든 배치 결정들은 이 중앙 집중식 설정에서 제어되고 관리된다. IoT용 앱스토어는 포그혼 시스템 사의 상표이다.

2. 배치 토폴로지 템플릿(Deployment topology template): 시스템은 각 소프트웨어 애플리케이션 모듈을 위한 템플릿을 가지며, 이 템플릿에는 에지 인프라에 배치하기 위해 필요한 모든 토폴로지 세부 정보 및 실행 라이브러리들이 포함되어 있다. 이것은 애플리케이션이 센서 네트워크 내에서 시스템들로부터 데이터에 액세스하는 데 사용할 수 있는 서비스 체인(service-chain)에 필요한 네트워크 프로토콜, 메시지 프로토콜 및 데이터 형식 파서 라이브러리들(data format parser libraries)을 포함한다. 서비스 구성(service composition)은 대상 에지 인프라에서 시스템 구성들(system configurations)에 대한 지식을 사용하여 지능적이고 자동화된 방식으로 수행된다.

3. 애플리케이션 컨테이너의 이동성: 시스템은 구성된 애플리케이션들을 포함하는 배치 템플릿 오브젝트들을 직렬화하며, 이를 에지 인프라의 소프트웨어 장치 내에 있는 에이전트들에 연결하기 위해 인터넷을 통해 스트리밍한다.

4. 에지에서의 제로 터치 배치: 에지에서의 시스템의 소프트웨어 장치는 IoT를 위한 산업용 앱스토어로부터 수신된 구성 컨테이너 오브젝트를 해석할 수 있으며, 그것을 플랫폼에 구현된 모든 분석 및 데이터 관리 서비스들과 함께 배치할 수 있다. 구성에 일부 수동 작업이 있을 수 있지만, 배치 프로세스는 수동으로 개입하지 않고 완전히 자동화되어 있다.

5. 애플리케이션 컨테이너들의 모니터링: 시스템은 에지의 소프트웨어 플랫폼 (장치)에 각 컨테이너에 원격 측정 에이전트(telemetry agent)를 구현하는 마이크로 서비스 기반 아키텍처를 배치한다. 이 에이전트는 컨테이너에서 애플리케이션의 성능 및 가용성에 대한 자세한 메트릭스(metrics)를 측정하고 보고한다. 또한 플랫폼은 이러한 메트릭스 중 임의의 것이 비정상적으로 작동하는 경우 경보를 발생시킬 수 있다.

6. 컨테이너들의 반응형 마이그레이션(responsive migration): 시스템은 원격 측정 에이전트들이 리소스 경합(resource contention) 및 서비스 성능 저하를 관찰할 때 에지 플랫폼에서 클라우드로 컨테이너들의 마이그레이션을 트리거하는 방법을 제공한다. 이 반응형 마이그레이션은 제한적인 에지 인프라에 리소스들을 해방할 것이며, 호스트되는 애플리케이션들의 전반적인 서비스 품질을 향상시킬 것으로 기대된다. 또한 애플리케이션들의 우선순위는 그러한 마이그레이션들의 스케줄링에 가이드를 위한 판정 기준이 된다.

초대형 센서 네트워크들을 위한 자동화된 모델-병렬 기계 학습 방법, 및 센서 네트워크들과 데이터 센터들 간의 데이터-병렬 전송 학습 장치.

기계 학습은 데이터 패턴들의 검색 자동화 및 다양한 산업 분야에서의 지능형 예측들을 구축하는 모델들의 사용에서 키 계산 구조(key computation construct)로서 발달하였다. 센서 데이터에 대한 기계 학습의 애플리케이션들은 사물 인터넷(IoT) 시장 전체에서 데이터 주도 비즈니스(data-driven business)및 운영 계획 사용 사례들(operational planning use-cases)과 관련된다. 그러나, 센서 데이터는 기계 학습 워크플로우의 확장성과 효율성에 몇가지 문제들을 제기한다:

1. 스트리밍 데이터의 양: 연산들에 배치되는 제어 시스템들 및 기계들은 비용 및 기계 학습 분석을 위한 집계에서의 로지스틱 제약들(logistic limitations)을 초래하는 연속적인 대량의 스트림 데이터를 생성한다.

2. 데이터 품질 및 복잡성: 산업 시스템들의 데이터는 만연하는 데이터 손상들 및 누락된 값들과 관련된 구조 및 메타데이터를 거의 가지고 있지 않다. 생성된 데이터를 구성하는 특징들은 유사한 운영 체제들의 인스턴스들(instances) 사이에서 크게 서로 다르다. 이것은 기존의 기계 학습 분석을 통해 개발된 모델들의 충실도를 심각하게 감소시킨다.

3. 데이터 전처리에서의 격차: 이것은 지능적이고 효율적인 방식으로 소스들에 보다 가깝게 데이터를 전처리할 수 있는 컴퓨팅 인프라의 부족을 의미한다.

4. 지리적 유통(geographic distribution): IoT 시나리오들에서의 산업적 운영들은 컴퓨팅 및 데이터의 임의의 유통에 대한 비용, 대역폭 및 대기 시간 제한들을 부과하는 대규모 지리적 영역들에 배치된 시스템들을 포함한다.

시스템은 데이터 센터들 또는 "클라우드"에서 기계 학습 워크플로우들을 수행하고, 센서 네트워크들 또는 "에지", 예컨대, 중형 서버들(ex. 듀얼 코어 프로세서 및 4GB의 메모리)에서 소형 노드들(ex. 1GB 이하의 메모리를 가지는 싱글 코어 프로세서 코어)까지, 근처에서 사용 가능한 리소스들을 계산하도록 설계된 플랫폼 형태의 소프트웨어 장치를 제공한다. 시스템의 방법은 다음과 같은 컴포넌트들을 포함할 수 있다:

1. 기계 학습 분석들에 제공될 수 있는 에지에서 원시 데이터의 연속적 스트림들을 전처리하기 위한 스트림 데이터 처리 및 네트워크 내의 집계-처리 방법론은 기계 학습 분석을 구성하는 개발자들에 의해 API들을 통해 프로그래밍할 수 있다.

2. 모델들을 위한 센서 데이터 쿼리(query) 처리는 에지에서 전처리되는 데이터를 실행하고 모델 평가를 위해 클라우드로 실행의 결과를 출력하기 위해 기계 학습 워크플로우에 의해 구축된다.

3. 센서 데이터를 구성하는 특징 집합들 및 모델들을 가지는 지능적 매칭을 기반으로 하는 원시 데이터 파티셔닝(partitioning)을 위한 에지에서의 센서 데이터 세분화는 기계 학습 워크플로우들에 의해 구축된다.

4. 전처리를 위한 상기의 워크플로우를 기반으로 에지의 소프트웨어 플랫폼에서의 실시간 모델 훈련 및 선택, 쿼리 기반 모델 실행 및 특징 기반 데이터 세분화.

세가지 컴포넌트들을 포함하는 상기의 방법은 서비스로서 기계 학습의 시스템 구조를 구성한다. 포그혼 시스템의 특정한 구현은 포그혼 커텍스(cortex)로 알려져 있다.

1. 시스템의 소프트웨어 장치는 (넓은 지역에 걸쳐) 에지 인프라의 인스턴스들을 따라 모델 실행을 조정한다. 이러한 모델들은 서로 다른 특징 공간들(feature spaces)의 세그먼트들을 따라 데이터에서 실행된다. 이 장치는 전송되는 학습을 위해 플랫폼으로서 클라우드를 이용하여 특징 공간들에서 학습된 지식을 전송한다. 이것은 데이터 라벨링을 회피하고 이기종 라벨들을 가지는 데이터를 활용함으로써 기계 학습 과정에서 많은 효율성을 가져온다.

에지 컴퓨팅 플랫폼 시스템의 사용 사례는 공장 수익률 최적화이다. 예를 들어, 현대식 제조 공장에서는 잠재적인 결함들을 조기에 검출하여 수익율을 극대화하며, 조립 라인에서 돌이킬 수 없는 스테이지에 도달하기 전에 교정하는 것을 원한다. 에지 컴퓨팅 플랫폼 시스템을 이용하는 몇가지 이익들은 다음을 포함한다: 포그혼의 실시간 데이터 처리, VEL 표현 엔진 및 빅 데이터 분석을 위해 아파치 하둡(Apache Hadoop)을 가지는 통합, 및 적어도 50%의 폐품을 줄일 것으로 기대되는 제조의 조합 적용.

몇몇 솔루션들은 다음을 포함한다:

1. 장비 제어기들로부터 수백개의 MQTT 및 OPC-UA 데이터 값 및 개별 부품에 대한 RFID 데이터는 에지에서 실시간으로 수집되고 변환된다.

2. VEL 표현들은 측정값들을 정규화하고 집계하며 그것들을 상세 내용(specification)과 비교하는 데에 사용된다.

3. 원시 데이터와 증가되는 데이터(augmented data)는 데이터 사이언티스트들(data scientists)이 결함 검출로 이어질 수 있는 일련의 측정값들을 특성화하기 위해 모델들을 구축할 수 있는 하둡(Hadoop)으로 전송된다.

4. VEL 표현들은 난방, 건조, 및 도장과 같은 돌이킬 수 없는 단계들에 도달하기 전에 기술자들에게 제품을 거부하거나 재작업하게 하는 경고를 전송하는 데에 이용된다.

실시간 분석 및 인텔리전스는 다음을 포함한다: 측정값들 및 식별기들(identifiers) 또는 ID들의 수집 및 변환. VEL을 가지는 계산 및 집계 측정값들. 내역 분석은 다음을 포함한다: 예측 특징들의 식별. 폐품들을 위한 시퀀스 마이닝 모델들(sequence mining models)의 구축 및 테스트.

에지 컴퓨팅 플랫폼 시스템의 사용 사례는 기관차의 연료 효율이다. 예를 들어, 운송 회사는 연료 소비를 줄이기 위해 열차 및 승무원의 성능을 사전에 모니터링하고 최적화하는 맞춤형 솔루션이 필요하다. 에지 컴퓨팅 플랫폼 시스템을 사용할 경우의 이점은 다음과 같다: 실시간 엔진 및 지리적 위치 데이터를 기반으로 과도한 유휴 및 비효율적인 스로틀 위치들(throttle positions)을 검출하여 모든 엔진에 수천 갤런의 연료를 절약한다. 단지 비정상적인 상황들에서 비디오 업로드를 트리거링함으로써 모바일 네트워크 비용을 줄인다.

몇몇 솔루션들은 다음과 같다:

1. 내장형 및 강화형 데이터 수집 시스템들로부터 인제스트되는 센서 및 GPS 데이터.

2. VEL 표현들은 위치, 속도, 시간, 및 기타 파라미터들을 기초로 유휴 상태 및 스로틀 조정(throttle modulation) 상태를 결정하는 데에 이용된다.

3. 최적의 열차 운행을 유지하면서 연료 소비를 줄이기 위해 운영자들이 사전적 조치들을 취할 수 있는 지휘 센터에 경보들을 전송한다.

4. 실시간 애플리케이션들은 안전하지 않은 조건들을 검출하고, 분석을 위해 데이터 센터에 비디오 스트림들의 업로드를 트리거링하는 데에 이용된다.

실시간 분석 및 인텔리전스는 다음을 포함한다: 데이터 집계. 규칙들과 경고들. 데이터 전송의 트리거링. 과거 분석은 다음을 포함한다: 열차 작동, 안전, 및 연료 소비에 대한 규칙들 및 예측 모델들.

에지 컴퓨팅 플랫폼 시스템의 사용 사례는 펌프 캐비테이션(cavitation) 경고이다. 예를 들어, 장비 제조업체는 공장 및 발전소에 설치된 펌프들 및 제어 밸브 제품들을 손상시킬 수 있는 캐비테이션 이벤트들을 검출하는 솔루션을 필요로 한다. 에지 컴퓨팅 플랫폼 시스템을 사용할 때의 몇가지 이점은 다음과 같다: 캐비테이션 발생시 교정 작업들을 수행하여 장비 수명을 향상시킨다. 예상하지 못한 가동 중지 시간 및 예측되지 않은 유지 보수를 초래하는 치명적 오류들을 회피한다.

몇몇 솔루션들은 다음을 포함한다:

1. 입구 및 출구 압력, 플로우, 및 온도와 같은 측정값은 장비에 부착되는 다수의 센서들에 의해 수집된다.

2. VEL 표현들은 캐비테이션 형성을 검출하기 위해 실시간으로 증기 미분(vapor differentials)을 계산하는 데에 이용된다.

3. 유체 압력 또는 흐름을 증가시키거나, 또는 씰(seal), 베어링, 및 임펠러(impeller)의 손상을 피하기 위해 온도를 감소시키기 위한 경고가 기술자들에게 전송된다.

4. 기술자가 캐비테이션을 검출하거나 고장이 발생하기 전에 유지보수 일정을 잡을 수 있도록 패턴들을 식별하기 위해 과거 정보를 분석한다.

실시간 분석 및 인텔리전스는 다음을 포함한다: 실시간 측정값 수집 및 변환. 캐비테이션으로 이어지는 증기 미분의 계산을 위한 VEL. 과거 분석은 다음을 포함한다: 캐비테이션 이벤트들을 위한 패턴들을 식별하기 위한 시계열 측정 분석.

에지 컴퓨팅 플랫폼 시스템의 사용 사례는 풍력 에너지 예측이다. 예를 들어, 재생 에너지 기업은 정부의 명령에 따라 향후 24시간 동안 발전을 정확하게 예측, 보고, 및 충족시켜야 한다. 에지 컴퓨팅 플랫폼 시스템을 사용하여 얻는 몇가지 이익들은 다음과 같다: 24시간 에너지 생성 예측을 충족할 수 없는 터빈들(turbines)에 대해 적어도 90분 이전에 경고를 생성하고, 이것을 터빈 설정 또는 예측 수정을 최적화하는 데에 적용함.

몇몇 솔루션들은 다음을 포함한다:

1. 각 터빈의 SCADA 제어 시스템으로부터 수집된 6개월 이상의 과거 데이터 및 실시간 데이터, 날씨, 대기 및 지형 데이터를 가지는 보강(augmented).

2. 15분 간격으로 전력 생성을 예측하기 위해 20개 이상의 속성들을 기반으로 하는 모델들의 훈련.

3. 에지에 모델들을 적용하여 전력 생성의 실시간 스코어들을 산출한다. VEL 표현들은 성능과 예측을 비교하여 경고들을 생성하는 데에 이용된다.

4. 기술자들이 터빈 설정들을 미세하게 조정하거나 예측을 수정할 수 있게 한다.

실시간 분석 및 인텔리전스는 다음을 포함한다: 데이터의 수집 및 변환. 스코어 및 모델들의 업데이트. VEL을 이용한 조건들의 식별. 과거 분석은 다음을 포함한다: 통계 분석. 특징들의 추출. 모델들의 구축 및 테스트.

이상에서 설명한 본 발명의 실시예를 구성하는 모든 구성요소들이 하나로 결합하거나 결합하여 동작하는 것으로 기재되어 있다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 그 모든 구성요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 또한, 이와 같은 컴퓨터 프로그램은 USB 메모리, CD 디스크, 플래쉬 메모리 등과 같은 컴퓨터가 읽을 수 있는 기록매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 발명의 실시예를 구현할 수 있다. 컴퓨터 프로그램의 기록매체로서는 자기 기록매체, 광 기록매체 등이 포함될 수 있다.

또한, 기술적이거나 과학적인 용어를 포함한 모든 용어들은, 상세한 설명에서 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 갖는다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥상의 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다. 따라서, 본 발명에 개시된 실시예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구 범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (25)

1. 에지 플랫폼 시스템의 데이터 인제스천 에이전트에서 제1 네트워크 연결 유형을 통해 센서 스트림 데이터를 수신하는 단계;
   상기 데이터 인제스천 에이전트로부터, 인제스트되는 스트림 데이터를 상기 에지 플랫폼 시스템의 데이터 버스로 전달하는 단계;
   데이터 보강 컴포넌트를 통해 상기 인제스트되는 데이터를 보강하며, 상기 인제스트되는 데이터를 상기 데이터 버스에서 이용 가능하게 만드는 단계;
   상기 데이터 버스로부터 데이터를 예약하는(subscribing) 분석 엔진에서 상기 인제스트되는 스트림 데이터를 처리하는 단계로서, 상기 처리하는 단계는 상기 인제스트되는 스트림 데이터로부터 인텔리전스 정보를 생성하기 위해 표현 언어로 제공되는 분석 표현들을 실행하는 단계를 포함하는 단계;
   센서 시스템의 제1 물리적 센서와 결합되는 입력, 및 상기 입력의 제1 기능인 제1 출력을 가지는 제1 가상 센서를 제공하는 단계로서, 상기 제1 기능은 상기 표현 언어로 특정되고, 상기 제1 가상 센서는 상기 제1 물리적 센서로부터 제1 스트림 데이터를 수신하며, 상기 출력에서, 상기 제1 가상 센서는 상기 제1 기능에 따라 작동하는 상기 제1 스트림 데이터인 제2 스트림 데이터를 출력하고, 상기 인텔리전스 정보는 상기 제2 스트림 데이터를 포함하는 단계;
   제2 물리적 센서와 결합되는 제1 입력, 상기 제1 가상 센서의 출력과 결합되는 제2 입력, 및 상기 제1 입력과 상기 제2 입력의 제2 기능인 출력을 가지는 제2 가상 센서를 제공하는 단계로서, 상기 제2 기능은 상기 표현 언어로 특정되고, 상기 제2 가상 센서는 상기 제2 물리적 센서로부터 제3 스트림 데이터를 수신하고 상기 제1 가상 센서로부터 상기 제2 스트림 데이터를 수신하며, 상기 제1 출력에서, 상기 제2 가상 센서는 상기 제2 기능에 따라 작동하는 상기 제2 스트림 데이터 및 상기 제3 스트림 데이터인 제4 스트림 데이터를 출력하고, 상기 인텔리전스 정보는 상기 제4 스트림 데이터를 포함하는 단계;
   상기 제2 스트림 데이터 및 상기 제4 스트림 데이터를 포함하는 상기 인텔리전스 정보를 상기 데이터 버스에 공개하는 단계;
   데이터 퍼블리셔 컴포넌트에서 상기 데이터 버스로부터 상기 인텔리전스 정보를 수신하는 단계; 및
   상기 데이터 퍼블리셔 컴포넌트를 통해, 시계열 데이터베이스에 상기 인텔리전스 정보를 저장하는 단계
   를 포함하는 것을 특징으로 하는 방법.
2. 제 1 항에 있어서,
   상기 에지 플랫폼 시스템은,
   복수개의 센서 데이터 스트림들; 및
   복수개의 센서들과 통신 네트워크 사이에 물리적으로 배치되며, 상기 센서들로부터 수신되는 원시 데이터를 기초로 계산들(computations)을 수행하도록 구성되는 소프트웨어 계층을 포함하고,
   상기 소프트웨어 계층은 데이터 처리 계층 및 상기 통신 네트워크의 관점으로부터 프로그래밍 가능한 가상 센서를 포함하는 것을 특징으로 하는 방법.
3. 제 2 항에 있어서,
   상기 소프트웨어 계층은 복합 이벤트 처리 엔진 및 스트림 처리를 위한 표현 언어를 포함하는 데이터 처리 계층을 포함하는 것을 특징으로 하는 방법.
4. 제 3 항에 있어서,
   상기 데이터 처리 계층은 데이터 보강 계층, 애플리케이션들을 개발하고 상기 애플리케이션들과 상호작용을 하는 소프트웨어 개발 키트를 포함하는 것을 특징으로 하는 방법.
5. 제 3 항에 있어서,
   상기 소프트웨어 계층은 적어도 하나의 로컬 시계열 데이터베이스 또는 선택된 클라우드 스토리지에서 표현들로부터 센서 데이터 스트림들 또는 파생된 데이터 또는 메타데이터를 공개하는 데이터 공개 계층을 포함하는 것을 특징으로 하는 방법.
6. 제 2 항에 있어서,
   상기 에지 플랫폼 시스템은 애플리케이션 저장소를 더 포함하며,
   상기 소프트웨어 계층은 상기 애플리케이션 저장소로부터 애플리케이션들을 저장, 검색, 및 배치하도록 구성되고, 상기 애플리케이션들은 하드웨어 계층 위에 센서 데이터의 처리를 위해 구성되며, 상기 애플리케이션 저장소는 상기 하드웨어 계층 위에서 이용 가능한 리소스들을 기초로 애플리케이션 컨테이너를 커스트마이즈하도록 구성되는 것을 특징으로 하는 방법.
7. 제 1 항에 있어서,
   상기 센서 시스템은,
   복수개의 센서들; 및
   상기 복수개의 센서들 및 통신 네트워크 사이에 물리적으로 배치되며, 상기 복수개의 센서들로부터 수신되는 원시 데이터를 기초로 계산들(computations)을 수행하도록 구성되는 하드웨어 계층을 포함하는 것을 특징으로 하는 방법.
8. 제 7 항에 있어서,
   상기 하드웨어 계층은 상기 통신 네트워크의 관점에서 가상 센서로서 프로그래밍 가능하게 구성되는 것을 특징으로 하는 방법.
9. 제 8 항에 있어서,
   상기 가상 센서는 상기 하드웨어 계층에서 프로그래밍에 의해 특정되는 API를 포함하는 것을 특징으로 하는 방법.
10. 제 7 항에 있어서,
    상기 센서 시스템은 애플리케이션 저장소를 더 포함하며,
    상기 하드웨어 계층은 상기 애플리케이션 저장소로부터 애플리케이션들을 수신하도록 구성되고, 상기 애플리케이션들은 상기 하드웨어 계층 위에 센서 데이터의 처리를 위해 구성되며, 상기 애플리케이션 저장소는 상기 하드웨어 계층 위에서 이용 가능한 리소스들을 기초로 애플리케이션 컨테이너를 커스트마이즈하도록 구성되는 것을 특징으로 하는 방법.
11. 삭제
12. 삭제
13. 제 1 항에 있어서,
    상기 데이터 퍼블리셔 컴포넌트를 통해, 제2 네트워크 연결 유형으로 상기 인텔리전스 정보의 적어도 일부를 전송하며, 클라우드 스토리지에 저장하는 단계
    를 더 포함하는 것을 특징으로 하는 방법.
14. 제 13 항에 있어서,
    상기 제2 네트워크 연결 유형은 상기 제1 네트워크 연결 유형과 서로 다르며, 센서 데이터 스트림 데이터에 대해 상기 제1 네트워크 연결 유형보다 낮은 대역폭 연결을 가지는 것을 특징으로 하는 방법.
15. 제 13 항에 있어서,
    상기 제1 네트워크 연결 유형은 MQTT, OPC 통합 아키텍처, 또는 모드버스 프로토콜 중 적어도 하나를 포함하는 것을 특징으로 하는 방법.
16. 제 15 항에 있어서,
    상기 제2 네트워크 연결 유형은 인터넷 프로토콜을 포함하는 것을 특징으로 하는 방법.
17. 제 1 항에 있어서,
    상기 데이터 인제스천 에이전트는 푸시(push) 프로토콜을 통해 상기 제1 네트워크 연결 유형으로 센서 스트림 데이터에 액세스하는 것을 특징으로 하는 방법.
18. 제 1 항에 있어서,
    상기 데이터 인제스천 에이전트는 풀(pull) 프로토콜을 통해 상기 제1 네트워크 연결 유형으로 센서 스트림 데이터를 액세스하는 것을 특징으로 하는 방법.
19. 제 1 항에 있어서,
    사용자가 상기 에지 플랫폼 시스템을 위해 애플리케이션들을 개발할 수 있게 하는 소프트웨어 개발 키트를 제공하는 단계; 및
    상기 소프트웨어 개발 키트를 통해, 상기 데이터 버스로부터 사용 가능한 상기 인텔리전스 정보를 액세스하고 처리할 수 있는 제1 컨테이너 애플리케이션을 개발하는 단계
    를 더 포함하는 것을 특징으로 하는 방법.
20. 제 19 항에 있어서,
    상기 소프트웨어 개발 키트를 통해, 상기 시계열 데이터베이스에 저장되는 상기 인텔리전스 정보를 액세스하고 처리할 수 있는 제2 컨테이너 애플리케이션을 개발하는 단계
    를 더 포함하는 것을 특징으로 하는 방법.
21. 제 20 항에 있어서,
    상기 에지 플랫폼 시스템의 애플리케이션 스토어를 제공하는 단계
    를 더 포함하며,
    상기 제1 컨테이너 애플리케이션 및 상기 제2 컨테이너 애플리케이션은 다른 사용자들이 상기 애플리케이션 스토어를 통해 액세스 가능하게 하는 것을 특징으로 하는 방법.
22. 삭제
23. 삭제
24. 삭제
25. 제 1 항에 있어서,
    상기 제2 가상 센서는 상기 데이터 버스로부터 상기 제2 스트림 데이터를 수신하는 것을 특징으로 하는 방법.

Images