KR20190103150A - 센서 관리 및 신뢰성 - Google Patents

Abstract

센서 정확성과 상관적으로 센서들의 건강 동작 상태들을 결정하는 것, 센서들을 그들 각각의 건강 동작 상태에 의해 분류하는 것, 및 건강한 건강 동작 상태를 갖는 팀을 제공하기 위해 중간인 건강 동작 상태를 각각 갖는 2개의 센서를 팀 구성하는 것을 포함하는, 센서들을 관리하는 시스템 및 방법. 센서 정확성을 결정하기 위한 센서들의 샘플링 빈도는 동적일 수 있다.

Description

센서 관리 및 신뢰성

본 기법들은 일반적으로 센서들에 관한 것으로, 특히 IoT 시스템들에서 사물 인터넷(IoT) 센서들을 포함하는 센서 관리 및 신뢰성에 관한 것이다.

센서들은 공공, 산업, 상업, 및 개인 환경들에서 확산되었다. 센서들은 객체들의 특성들 및 환경 변수들, 다른 특징들 등을 감지 및 측정할 수 있다. 센서들을 통해 많은 양의 데이터가 수집될 수 있다. 센서들은 시간의 경과에 따라 정확성을 잃거나 오작동할 수 있다. 더욱이, 사물 인터넷(IoT)은 2020년까지 무려 500억 개의 디바이스로의 인터넷 접속을 야기할 수 있다. 조직들에 대해, IoT 센서들을 포함하는 IoT 디바이스들은 추가 IoT 디바이스들, 다른 홈 및 산업 디바이스들, 제조 및 식품 생산 체인들의 아이템들 등을 포함하는 다른 디바이스들 및 아이템들을 모니터링, 추적 또는 제어하기 위한 기회들을 제공할 수 있다.

도 1은 본 기법들의 실시예들에 따른 센서 또는 디바이스의 4개의 건강 등급 또는 상태를 묘사하는 다이어그램 표현이다.
도 2는 본 기법들의 실시예들에 따른 센서 정확성의 손실 및 4개의 건강 등급에 관한 다이어그램 표현이다.
도 3은 본 기법들의 실시예들에 따른 정상 이하의(subnormal) 디바이스들을 어드레싱하는 방법의 블록 흐름 다이어그램이다.
도 4는 본 기법들의 실시예들에 따른 센서들을 정정하는 방법의 블록 흐름 다이어그램이다.
도 5는 본 기법들의 실시예들에 따른 센서를 분류하는 방법의 블록 흐름 다이어그램이다.
도 6은 동작 시간의 경과에 따른 센서 정확성의 플롯이다.
도 7은 센서 상태가 변하지 않는 확률의 플롯이다.
도 8은 본 기법들의 실시예들에 따른 샘플링 빈도를 결정하는 방법의 블록 흐름 다이어그램이다.
도 9는 본 기법들의 실시예들에 따른 아키텍처 및 워크플로우의 다이어그램 표현이다.
도 10은 본 기법들의 실시예들에 따른 센서 상태 관리자의 다이어그램이다.
도 11은 본 기법들의 실시예들에 따른 센서 상태 관리자의 다이어그램이다.
도 12는 본 기법들의 실시예들에 따른 서브도메인 및 정정된 값들의 다이어그램 표현이다.
도 13은 본 기법들의 실시예들에 따른 파라미터들을 동적으로 튜닝하는 방법의 블록 흐름 다이어그램이다.
도 14는 본 기법들의 실시예들에 따른 센서 관리 방법의 블록 흐름 다이어그램이다.
도 15는 본 기법들의 실시예들에 따른 다수의 센서들을 이용하는 시스템의 도면이다.
도 15a는 본 기법들의 실시예들에 따른 센서 관리를 위한 컴퓨팅 디바이스의 도면이다.
도 16은 본 기법들의 실시예들에 따른 센서 관리를 가능하게 하기 위한 컴퓨터 판독가능 매체를 예시하는 블록 다이어그램이다.
도 17은 본 기법들의 실시예들에 따른 다수의 IoT 디바이스들과 통신하는 클라우드 컴퓨팅 네트워크 또는 클라우드의 도면이다.
도 18은 본 기법들의 실시예들에 따른 클라우드의 에지에서 동작하는, 포그 디바이스로 지칭될 수 있는 IoT 디바이스들의 메시 네트워크와 통신하는 클라우드 컴퓨팅 네트워크 또는 클라우드의 도면이다.
도 19는 본 기법들의 실시예들에 따른 컴퓨팅 디바이스의 도면이다.
본 개시내용 및 도면들 전체에 걸쳐 동일한 번호들은 같은 컴포넌트 및 특징들을 참조하는 데 사용된다. 100 시리즈의 번호들은 도 1에서 원래 발견되는 특징들을 참조하고; 200 시리즈의 번호들은 도 2에서 원래 발견된 특징들을 참조하고; 등등이다.

본 기법들은 일반적으로 IoT 디바이스들의 정확성 및 신뢰성을 개선하는 것에 관한 것이다. 아래에 논의되는 바와 같이, 머신 학습이 수반될 수 있다. 게다가, 다수의 디바이스 또는 센서가 집합적 동작을 위해 협력적 배열로 프로그래밍되거나 구성될 수 있다.

센서 관리자와 같은 실시예들은 시스템 내의 센서들을 관리할 수 있고 이는 센서들의 건강 동작 상태들을 센서들의 정확성과 상관적으로 결정하고, 실시간으로 동작 중에 센서들을 그들 각각의 건강 동작 상태에 의해 분류하는 것을 포함한다. 시스템은 IoT 시스템일 수 있고, 센서들은 IoT 센서들이다. 센서 관리자가 구현되는 컴퓨팅 디바이스는 IoT 게이트웨이 디바이스, 클라우드 컴퓨팅 디바이스, 또는 IoT 스마트 센서, 또는 이들의 임의의 조합을 포함할 수 있다. 게다가, 센서들의 건강 동작 상태들을 결정하는 것은 센서를 평가하기 위한 센서의 샘플링 빈도가 센서의 정확성 드리프트의 또는 센서가 현재 건강 동작 상태에 남아 있을 확률의, 또는 이들의 조합의 함수인 센서 건강의 적응적 평가일 수 있다.

예들에서, 센서들의 건강 동작 상태들은 건강한(healthy)(H) 상태, 건강하지 않은(unhealthy)(U) 상태, 및 감지된 데이터가 H 상태에 대한 것보다는 덜 정확하고 U 상태에 대한 것보다는 더 정확한 중간 또는 개재 상태를 포함한다. 일부 예들에서, H 상태 센서로부터의 센서 데이터는 실질적으로 정확하거나 적어도 90% 정확하고, U 상태 센서 데이터로부터의 센서 데이터는 용인가능하지 않다. 본 기법은 U 상태 센서로부터 데이터를 격리하는 것을 수반할 수 있다. 특정 경우들에서, 중간 상태를 갖는 2개의 센서를 팀 구성하여 팀이 H 상태를 갖도록 할 수 있다. 게다가, 특정 예들에서, 적당히 건강한(moderately healthy)(M) 상태 및 약한 건강한(weak healthy)(W) 상태를 포함하는 다수의 중간 상태들이 존재한다. M 상태 센서에 대해, 일부 감지된 데이터가 정확하고 다른 감지된 데이터가 부정확하거나, 또는 정확한 것으로부터의 감지된 데이터 편차가 패턴을 따르거나, 또는 이들의 조합이다. W 상태 센서는 일반적으로 팀 밖에서만 사용될 수 없다.

일 예는 H 상태 센서의 노출을 감소시키기 위해 M 상태 센서를 H 상태 센서와 팀 구성하거나 연관시키는 것을 포함한다. 그렇게 하기 위해, M 상태 센서가 정확한 도메인이 결정된다. 동작 중에, H 상태 센서는 M 상태 센서 판독들이 도메인에서 발생하는 것에 응답하여 비활성화된다. H 상태 센서는 M 상태 센서 판독들이 도메인 밖에서 발생하는 것에 응답하여 활성화된다. 다른 예에서, 본 기법은 다수의 W 상태 센서들의 그룹화를 H 상태 또는 M 상태의 단일 논리 센서로서 취급한다.

센서들의 건강 동작 상태들을 결정하는 것은 센서들이 배치되는 환경을 파라미터화하는 것을 수반할 수 있다. 건강 동작 상태들을 결정하는 것은 센서들을 샘플링하는 것 및 샘플링된 데이터를 참조 센서와 비교하는 것을 수반할 수 있다. 샘플링 빈도는 동적일 수 있다. 예를 들어, 센서의 샘플링 빈도의 증가는 센서의 배치 지속기간의 증가와 상관적일 수 있다. 본 기법은 센서가 비정상 값들을 보고하는 것에 응답하여, 또는 센서의 센시티브 부분의 더 많은 이용에 응답하여 샘플링 빈도의 증가를 가속화할 수 있다.

IoT 센서들을 포함하는 IoT 디바이스들은 잡음 및 고장 유발 환경들에 배치된 저전력 디바이스들일 수 있다. 예를 들어, 스마트 에너지 계량기들이 전자기 및 열 간섭을 받을 수 있고, 해양학 센서들이 소금기 있는(부식성), 잡초가 우거진, 그리고 테더링되지 않은 동작에 있을 수 있다. 이러한 불리한 환경 조건들은 센서 동작 수명을 제한하거나 감소시킬 수 있다. 센서 디바이스들의 빈번한 수리는 실용적이지 않을 수 있다.

유지 비용을 감소시키기 위한 하나의 옵션은 고마진(high-margin) 설계들의 센서들이 이용되는 매우 신뢰성 있는 디바이스 옵션일 수 있다. 그러나, 이러한 더 높은 품질의 센서들은 비용이 많이 들고 더 많은 전력을 소비할 수 있다. 다른 옵션은, IoT 센서들의 교체품들이 사전 패키징되고, 패키지 내의 초기에 동작하는 IoT 센서들이 고장날 때 교체 IoT 센서들을 온라인으로 가져오는 중복 디바이스 옵션일 수 있다.

그러나, 이러한 2개의 옵션 및 다른 옵션들은 제한들을 가질 수 있다. 예를 들어, 매우신뢰성 있는 디바이스 옵션은 비용이 많이 들 수 있고, 주어진 기술 내에서 또는 설계 제약들 때문에 항상 실현가능하지는 않다. 또한, 더 비싼 디바이스들이 배치되더라도, 그럼에도 불구하고 일부 중복성이 없는 것을 포함하여 제한이 없는(open-ended) 위험이 있을 수 있다. 게다가, 중복 디바이스 옵션은 오버-프로비저닝을 수반하고 약화하는 결과들을 산출할 수 있는데, 그 이유는 건강 평가를 위한 활성 및 대기 디바이스들로부터의 샘플링 판독들이 내구성을 감소시킬 수 있기 때문이다.

반대로, 본 명세서의 실시예들은 디바이스에 대한 더 긴 총 수명에 걸쳐 적당한 오버프로비저닝으로부터 비용을 분할 상환하기 위해 고유한 방식으로 중복 디바이스들을 사용하는 사전적 및 반응적 전략을 조합할 수 있다. 또한, 일부 실시예들은 디바이스의 건강을 결정하기 위해 그것을 샘플링할 필요를 감소시켜, 내구성을 향상시킬 수 있다. 사실, 특정 실시예들은 디바이스 건강의 적응적 평가를 제공하고, 부정확한 센서들을 찾아 이들을 격리하거나 정정한다. 본 기법들은 예컨대 샘플링 빈도로 디바이스 건강을 평가하는 데 적응적 듀티 사이클들을 제공하는 적응적 동작에 대한 파라미터들을 도출할 수 있다. 건강한 채로 유지될 확률이 높은 건강한 센서에 대해, 디바이스 건강을 평가하는 빈도는 건강한 센서가 건강한 채로 유지될 확률이 낮은 경우에 비해 더 적을 수 있다. 따라서, (샘플링된 데이터를 참조 디바이스에 비교하기 위해) 센서를 샘플링하는 듀티 사이클은 적응적일 수 있다.

일반적으로, 도시를 위한 공기질 모니터링 시스템(air quality monitoring system)(AQMS)을 예로서 고려한다. AQMS는 배치될 수백 개 더 많은 공기질 모니터링 디바이스(AQMD)를 수반할 수 있다. AQMD의 정확성은 그것의 센서 표면들 상의 마이크로-미립자들의 퇴적으로 인해 시간의 경과에 따라 감소할 수 있다. 특정 예에서, AQMD는 높은 곳에(예컨대, 전기 라인 폴 상에) 또는 어떤 식으로든 AQMD 동작과의 간섭을 감소시키도록 설치될 수 있다. 따라서, 높은 배치 때문에, AQMD를 수리하기 위한 노동 비용이 높을 수 있다. 따라서, 수동 개입 없는 긴 사용가능 수명이 유익할 수 있다. 그러나, 시간의 경과에 따라, AQMD는 궁극적으로 마이크로미립자들 및 다른 오염물질들 및 다른 팩터들로 인해 충분한 정확성을 잃어서, AQMD를 교체할 필요를 초래할 수 있다. 수백 개의 AQMD들의 건강은 연속적인 기준으로 평가될 수 있고, 현재 동작하는 AQMD 디바이스들이 원하는 또는 필요한 정확성으로 수행하지 못하기 때문에 교체 AQMD들이 활성화될 수 있다. 그러한 오버프로비저닝에서조차, 예컨대 디바이스 변동들, 환경, 날씨, 산업 이벤트들 등으로 인해 정확성의 손실이 계획된 것보다 더 급격한 경우에 추가 수리/설치 비용들이 발생될 수 있다.

본 기법들은 적어도 다음 4개의 일반적 양태들을 어드레싱할 수 있다: (1) 건강의 스펙트럼; (2) 드리프트, 분류, 및 팀 구성; (3) 오버샘플링을 피하는 것; 및 (4) 참조 디바이스에 대한 스트레스를 피하는 것. 다시금, 제1 일반적 양태는 건강의 스펙트럼일 수 있다. 사실, 디바이스들은 건강한 것과 건강하지 않은 것 사이의 상태들의 스펙트럼을 가질 수 있다. 특정 실시예들은 예컨대 위에서 언급된 바와 같이 중복 디바이스 옵션으로 MTBF(multiple average mean-time-between-failure) 디바이스들을 이용할 수 있다. 아래에 논의되는 바와 같이, 본 기법들은 센서 또는 디바이스의 동작에 관하여 건강의 다수의 등급들 또는 상태들을 설명할 수 있다. 디바이스 또는 센서 동작의 건강의 스펙트럼에 관하여, 일부 예들은 저비용 디바이스들을 이용하지만 디바이스가 정확성이 떨어진 후에 디바이스로부터 잔여 값(예컨대, 긴 지속기간)을 도출한다. 디바이스들에 대한 동작의 변화하는 중간 건강 구역들로부터의 부분 값의 이러한 활용은 오버프로비저닝을 감소시키고 더 높은 정확성을 달성할 수 있다.

제2 일반적 양태는 드리프트, 분류, 및 팀 구성을 어드레싱할 수 있다. 본 기법들은, 부분적으로 건강한 디바이스로부터의 잔여 유용한 값을 마이닝함으로써 누적적 건강한 동작을 산출하기 위해 건강한 것과 건강하지 않은 것 사이의 중간 상태들에 있는 다수의 디바이스들을 팀 구성하는 것을 활용할 수 있다. 설명하자면, 디바이스 고장은 IoT 서브도메인에 의존할 수 있고 갑작스럽지 않을 수 있다. 정확성의 점진적 손실은 디바이스가 쇠퇴하는 정확성으로 일부 예들에서 효과적으로 계속해서 사용되는 것을 허용할 수 있다. 팀 구성 전략은 이용가능한 정확성 및 동작의 구역 양쪽 모두에 의존할 수 있다. 예를 들어, 온도 센서는 80℃ 내지 100℃ 범위에서 10% 부정확하지만, 20℃ 내지 80℃ 범위에서는 단지 5% 부정확할 수 있다. 함께 취해진 다수의 팩터들이 부분 함수로부터 더 높은 값을 추출하는 데 사용될 수 있다.

이제 논의는 위에서 언급된 신뢰성 있는 디바이스 옵션 대 중복 디바이스 옵션들의 상세한 설명으로 넘어간다. 언급된 바와 같이, 저전력 IoT 디바이스들은 문제가 있는 환경들에 배치될 수 있다. 예를 들어, 스마트 에너지 계량기들이 전자기 및 열 간섭을 받을 수 있다. 해양학 센서들이 부식성 있고 테더링되지 않은 동작에 있을 수 있다. IoT 센서들은 이들이 정확하게 기능할 수 있는 제한된 지속기간들을 가질 수 있다. 데이터를 보고하는 센서들, 또는 일부 액션을 수신하고 실행하는 액추에이터들에 있어서, 불량 데이터가 보고되고 있거나 원하는 액션들이 원하는 대로 수행되고 있지 않을 사소하지 않은 가능성이 있다. 그러한 것은 일반적으로 원하는 거동으로부터의 드리프트로서 그리고 정확성의 손실로서 라벨링될 수 있다.

더 낮은 정확성 레벨들로 드리프트된 IoT 디바이스들을 교체하거나 수리하는 것은 실용적이지 않을 수 있고 디바이스들 자체가 비싸지 않더라도 비쌀 수 있다. 이 문제를 어드레싱하기 위한 하나의 접근법은 고품질 IoT 디바이스들이 이용되는 신뢰성 있는 디바이스 옵션이다. 예를 들어, 이 옵션은 높은 신뢰성 및 이용가능성을 갖는 디바이스들을 설치하고 이용하며, 그것의 정확성 드리프트는 보통의 디바이스의 1/N이고 여기서 N >> 1이다. 제2 접근법은 중복 IoT 디바이스들을 설치하고, 정확성을 잃은 것으로 검출된 디바이스들을 비활성화시키면서, 설치된 더 새로운 디바이스들을 활성화시키는 것인 중복 디바이스 옵션이다. 이러한 2개의 옵션이 조합될 수도 있고, 이는 제3 옵션으로서 라벨링될 수 있다.

그러나, 신뢰성 있는 디바이스 옵션은 정확성의 레벨의 증가와 함께 더 높은 품질의 디바이스들의 비용이 증가(예컨대, 상당히)할 수 있기 때문에 비쌀 수 있다. 또한, 기술 및 물리학의 제약들, 및 잡음, 열, 진동 등과 같은 제어불가능한 환경 팩터들에 의해 강제되는 오차들은 신뢰성을 제한할 수 있다. 게다가, 신뢰성 있는 디바이스 옵션으로도 구현되는 중복성이 없다면, 일부 경우들에서 디바이스 오작동의 검출은 어려울 수 있거나 문제가 있을 수 있다.

그러나, 현재로부터 새로운 디바이스들로의 시프트와 같은 중복성 옵션, 디바이스가 얼마나 오래 양호하게 수행할 것인지는 전형적으로 미리 알 수 없고, 따라서, 디바이스 교체는 일반적으로 보수적으로 계획되며, 이는 오버프로비저닝을 야기할 수 있다. 또한, 부정확성의 레벨을 검출하기 위해, 하나의 디바이스로부터의 데이터 및 응답이 체크되고 참조 디바이스들과 비교될 수 있다. 빈번한 샘플링은 디바이스의 동작 수명을 감소시키지만, 드문 샘플링은 불확실성 또는 부정확성을 야기한다.

본 명세서에서의 특정 실시예들은 사전적 및 반응적 기법을 조합한다. 예를 들어, 실시예들은 중복 디바이스들(예컨대, 저비용)을 이용하지만, 성능이 떨어지는 디바이스들을 식별하고 프로비저닝된 새로운 디바이스들로 대체하는 대신에 또는 그에 더하여, 예들은 디바이스들이 계속해서 값을 산출하는 디바이스 동작의 중간 구역들을 정의한다. 다양한 성능 스테이지들에서 상이한 디바이스들로부터의 상이한 값의 활용은 더 낮은 비용 및 더 높은 정확성을 가능하게 할 수 있다.

언급된 바와 같이, 디바이스 또는 센서의 동작 수명의 다중 상태(예컨대, 4 상태) 분할이 구현될 수 있다. 사실, 센서들의 동작은 다수의 상태들(예컨대, 4개의 상태)로 정확성 및 신뢰성에 따라 분류될 수 있다. 특정 예에서, 4개의 상태는 (1) 건강한 상태 H, (2) 적당히 건강한 상태 M, (3) 약한 건강한 상태 W, 및 (4) 건강하지 않은 상태 U이다. 상태 이름들 및 정의들의 다른 예들이 적용가능하지만, 이 특정 예의 4개의 상태는 아래와 같이 정의된다. 먼저, 건강한 상태 H의 센서는 센서에 의해 수집된 데이터가 정확하고 신뢰성 있는 경우이고, 센서는 종래와 같이 단독으로 작동할 수 있다. 건강하지 않은 상태 U에 대해, 센서로부터의 데이터는 용인불가능하고 사용가능하지 않다.

적당히 건강한 상태 M의 센서는 센서에 의해 수집된 데이터가 완전히 정확하고 신뢰성 있지 않고, 때때로 다른 센서로부터의 데이터에 의해 정정될 필요가 있는 경우이다. 즉, M 센서는 대부분의 시간 동안 단독으로 작동할 수 있지만, 일반적으로 일부 조건들에 대해 다른 센서들에 의해 보완될 필요가 있다. M 센서에 의해 수집된 데이터는 적어도 다음의 것들 중 하나 또는 양쪽 모두에 의해 특징지어질 수 있다: (a) 데이터는 특정 상황들에서 정확하다; 및/또는 (b) 데이터 편차는 일반적으로 고정 패턴을 따른다.

다시 말해서, (a)에 대해, M 센서에 의해 수집된 데이터의 일부는 정확하다. 센서가 측정한 값이, 특정 시간 지속기간에, 및/또는 온도, 습도, 기압 등에 대한 특정 조건과 같은 특정 환경에서, 특정 범위 내에 있을 때 데이터는 정확하다. 그러나, 데이터는 다른 상황들에서는 덜 정확할 수 있다. (b) 센서에 대해 M 상태를 제공하기 위해 고정 패턴을 따르는 데이터 편차에 대해서는, 비록 데이터가 정확하지 않을지라도, 데이터는 알 수 있는 파라미터 또는 곡선, 특정 값, 백분율 등만큼 정확한 결과로부터 벗어난다. 따라서, 예를 들어, 센서는 논리적으로 리캘리브레이트 또는 정규화될 수 있거나, 또는 값들이 용인가능한 오차 범위들(margins of error) 내에서 내삽 또는 외삽될 수 있고, 기타 등등이다.

센서가 단독으로 사용되도록 데이터가 정확하거나 신뢰성 있지 않지만, 센서가 다른 센서들과 용인가능하게 팀 구성될 수 있다면 센서는 약한 건강한 상태 W에 있다. 다시 말해서, 예컨대, 또한 W 상태에 있는 다른 센서들로부터(또는 M 상태 또는 H 상태의 센서들로부터)의 출력들을 취하는, 디바이스 팀 구성으로, 절차적 또는 통계적 기법들이 데이터를 충분히 정확하게 만들 수 있다. 따라서, 예를 들어, W 상태의 센서들의 그룹이 그룹화되어 H 또는 M 상태의 단일 논리 센서로서 취급될 수 있다.

위에서 언급된 제3 일반적 양태는 오버샘플링, 및 캡처링 환경 영향을 피하거나 감소시키는 것일 수 있다. 정확성의 드리프트는 환경 및 사용 팩터들의 함수로서 해독가능한 패턴을 따를 수 있다. 다시 말해서, 유효 동작의 범위는 동적 측정으로부터 평가될 수 있고, 그 빈도는 현재 건강, 최근 궤적, 스트레스 등에 따라 조정가능하다. 센서 역할 및 현재 건강에 대한 센서 정확성을 평가하기 위해 디바이스에 가해진 스트레스 및 동작의 마진 양쪽 모두를 적응시킴으로써, 실시예들은 개별적으로든 또는 다른 센서들과의 팀 구성된 동작으로든 관계없이, 센서 유효성의 지속기간을 연장할 수 있다.

위에서 언급된 제4 일반적 양태는 참조 디바이스에 대한 스트레스를 피하거나 감소시키는 것에 관한 것일 수 있다. 제1 디바이스의 동작 상태는 팀 구성되지 않은 건강한 디바이스로서일 수 있다. 그 상태에서, 제1 디바이스의 정확성을 평가하기 위해 적어도 하나의 제2 디바이스(참조 디바이스)로부터 참조 판독들이 획득될 수 있다. 실시예들은 제2 디바이스가 참고될 빈도를 튜닝할 수 있다. 유사하게, 해당 집합체가 건강한 디바이스에 대한 프록시로서 동작하는 디바이스들의 제1 팀에 대한 제2 동작 상태에서, 디바이스들의 제1 팀의 건강한 동작을 확실하게 하기 위해 하나 이상의 제2 디바이스(참조 디바이스)로부터의 참조 판독들을 획득하는 것이 유익할 수 있다. 예들은 그러한 판독들이 하나 이상의 제2 디바이스로부터 취해지는 레이트의 유사한 적응적 조정을 통합할 수 있다.

도 1은 센서 또는 디바이스의 4개의 건강 등급 또는 상태를 묘사하는 다이어그램(100) 표현이다. 다른 예들에서, 4개보다 많거나 적은 건강 상태들 및 설명들이 이용될 수 있다. 이 예에서, 다수의 동작 등급들 또는 상태들은 건강한(H)(102), 적당히 건강한(M)(104), 약한 건강한(W)(106), 및 건강하지 않은(U)(108)를 포함한다. 논의된 바와 같이, H 상태(102)는 디바이스가 자체적으로 정상 동작이 가능함을 의미할 수 있다. M 상태(104)는 디바이스가 동작 범위의 적어도 하나의 세트에 걸쳐 충분히 정확하거나 신뢰성 있는 기능을 산출하고, 디바이스가 정정을 위해 다른 디바이스들과 팀 구성할 수 있는 적어도 하나의 상이한 범위에서는 충분함에 못미치는 정확성 또는 오차 범위를 산출함을 의미할 수 있다. W 상태(106)는 디바이스가 자체적으로 불충분한 정확성 또는 신뢰성을 산출하지만, 원하는 오차 범위에 대해 M 또는 W 상태들의 다른 디바이스들과 팀 구성될 수 있음을 의미할 수 있다. 마지막으로, U 상태(106)는 단독으로 또는 팀 구성된 동작을 포함하여 디바이스가 유용할 수 없도록 디바이스가 신뢰성의 레벨 아래로 떨어진 것을 의미할 수 있다. 다시금, 묘사된 4개의 상태보다 더 많은 계조가 가능하다.

드리프트, 분류, 및 팀 구성을 언급하는 위에서 열거된 제2 일반적 양태에 관하여, 도 1은 상태 전이로서 2가지 타입의 예시적인 화살표를 묘사한다. 실선 화살표들 1, 2, 3, 4, 5, 6은 더 높은 상태로부터 더 낮은 상태로의 시간의 경과에 따른 드리프트들에 대응한다. 파선 화살표들은 팀 구성된 더 높은 상태 동작을 생성하기 위한 더 낮은 상태 디바이스들의 조합된 동작에 대응한다. 따라서, 예시된 예에서, 화살표들 1, 2, 및 3은 H 상태(102)의 센서 또는 디바이스가 M 상태(104), W 상태(106), 또는 U 상태(108)로 각각 드리프트하거나 시프트하는 것을 나타낼 수 있다. 화살표들 4 및 5은 M 상태(104)의 센서 또는 디바이스가 W 상태(106) 및 U 상태(108)로 각각 드리프트하거나 시프트할 수 있다는 것을 나타낸다. 마지막으로, 파선 화살표들은, 특정 예들에서, 센서들 또는 디바이스들의 팀에 대해 H 상태(102)를 제공하기 위해 M 상태(104) 또는 W 상태(106)의 디바이스(들)가 팀 구성에 의해 정정될 수 있다는 것을 나타낸다.

도 2는 센서 정확성의 손실에 대한 그리고 도 1에 관하여 논의된 바와 같은 센서 또는 디바이스의 4개의 건강 등급 또는 상태에 관한 다이어그램(200) 표현이다. 제1 묘사(202)는 동작 시간(206)의 경과에 따른 2개의 상태, H 상태(208) 및 건강하지 않은 U 상태(210)로서 디바이스 건강을 제공한다. 제2 묘사(204)는 동작 시간(206)의 경과에 따른 4개의 상태로서 디바이스 건강을 제공한다. 특히, 묘사(204)는 U 상태(210)의 더 양호한 표현으로서 M 상태(210) 및 W 상태(214)로서, 그리고 디바이스가 사용불가능한 U 상태(216)를 구별한다.

날씨 센서, 스마트 계량기, 건강 모니터 등에서와 같은 많은 상황들에서, 신뢰성 또는 동작 정확성이, 도 1 및 2에 나타낸 바와 같이, 더 높은 상태로부터 더 낮은 상태로 점진적으로 드리프트한다. 정확성 또는 건강의 증가하는 손실은 상이한 레벨의 사용 및 환경 스트레스, 오염 등으로 인해 가변적이고 시간의 경과에 따라 누적적일 수 있다. 게다가, 하나의 조건 세트에서는 정상 동작에 못미치는 디바이스가 다른 조건 세트들에 걸쳐서는 용인가능한 사용을 산출할 수 있다. 실시예들은 현재 동작 범위, 더 낮은 동작 상태로의 드리프트 패턴, 및 측정가능할 수 있는 패턴을 정의하는 조건들을 결정하는 것을 제공한다. 연관된 정책들은 현재의 외부 팩터들이 M 또는 W 모드(또는 다른 모드들 - 몇 개의 동작 카테고리들이 정의되는지에 따라)에 있는 것으로 취급될 디바이스를 나타내는지를 좌우할 수 있고, 따라서 신중한 팀 구성 및 스트레스 분포가 달성될 수 있다. 특히, 도 3의 예에 묘사된 바와 같이, 정상 이하의 디바이스들의 거동들을 검출, 격리 및/또는 정정하는 것이 유익할 수 있다.

도 3은 정상 이하의 디바이스들을 어드레싱하는 방법(300)이다. 블록 302에서, 방법이 시작된다. 블록 304에서, 방법은 H 상태 센서를 선택한다. 블록 306에서, 센서는 데이터를 측정하고 수집하는 데 사용된다. 블록 308에서, 방법은 센서 상태를 체크한다. 특히, 블록 310에서, 방법은 예컨대 센서를 샘플링하고 샘플링된 데이터를 기준과 비교하는 것에 의해 센서가 H 상태에 남아 있는지를 결정한다. 센서가 H 상태에 남아 있다면, 블록 306에서 언급된 바와 같이, 센서는 데이터를 계속 수집하기 위해 사용된다. 블록 310에서, 방법이 센서가 H 상태에 있지 않다고 결정하면, 방법은 블록 312에서 센서가 M 상태에 있는지를 결정한다. 그렇다면, 방법은 블록 314에서 팀 구성에 의해 이 지금의 M 상태 센서를 정정하고 블록 306에서 언급된 바와 같이 계속해서 센서로 데이터를 수집한다. 다시금, 이 정정은 M 상태 센서를 다른 센서들과 팀 구성하는 것을 수반할 수 있다. 센서가 M 상태에 있지 않다면, 방법은 블록 316에서 센서가 W 상태에 있는지를 결정한다. 그렇지 않다면, 방법은 블록 318에서 센서를 U 상태에 있는 것으로 마킹한 다음, 계속된 분석을 위해 블록 304에서 다른 H 상태 센서를 선택한다. 센서가 W 상태에 있다면, 방법은 블록 320에서 팀 구성에 의해 W 상태 센서를 정정한다. 특히, 블록 320에서 질문된 바와 같이 센서가 팀 구성에 의해 H 상태로 정정되면, 방법은 블록 306에서 언급된 바와 같이 계속해서 센서를 이용하여 데이터를 수집한다. 센서가 팀 구성을 통해 H 상태로 정정될 수 없다면, 방법은 블록 324 및 블록 314에서 나타낸 바와 같이 팀 구성에 의해 센서를 M 상태로 정정하고, 계속해서 센서로 데이터를 수집한다(블록 306). 다시금, 이 정정들은 센서를 다른 센서들과 팀 구성하는 것을 수반할 수 있다. 센서가 M 상태로 정정될 수 없다면, 방법은 블록 326에서 센서를 W 상태 풀에 추가한다. W 상태 센서는 적용가능한 경우 다른 센서들과 팀 구성되도록 이용가능할 수 있다.

도 4는 센서들을 정정하는 방법(400)이다. 특히, 예시적인 방법(400)은 M 상태 센서들을 H 상태로 정정하고, W 상태 센서들을 M 상태 또는 H 상태로 정정한다. M 상태 또는 H 상태 함수를 달성하는 것은 다수의 W 상태 디바이스들 간의 협력을 통해 이루어질 수 있다. 정상 이하의 센서는 다른 센서들과의 팀 구성에 의해 정정될 수 있다. 예들에서, 정상 이하의 센서 자체는 영향을 받지 않고(예컨대, 수리되거나 정정되지 않음), 정상 이하의 센서는 팀에서 이용되고 적용가능한 경우 정확한 또는 보충 판독들을 제공하는 의미에서 유용하고 정정된 것으로 유지된다. 게다가, 도 4는 센서의 상태 또는 이전 상태에 기초하여 센서가 시간의 경과에 따라 어떻게 분류될 수 있는지를 나타낸다. 본 기법은 도 4에 나타낸 바와 같이 H로부터 M, W, 또는 U로의 진행, 및 W로부터 U로의 진행을 차트화할 수 있다. 도 4에 묘사되지 않은 실시예들은 유사하게 M으로부터 W 또는 U 상태들로부터의 진행을 설명할 수 있다.

블록 402에서, 방법이 시작된다. 방법은, 2개의 블록 404에서 각각 언급된 바와 같이, 대부분의 또는 모든 W 상태 센서를 활성화시키고 H 상태 센서를 활성화시킬 수 있다. 블록 406에서, 방법은 W 상태 센서들로 또는 그로부터 데이터를 수집한다. 블록 408에서, 방법은 H 상태 센서로 또는 그로부터 데이터를 수집한다. 블록 410에서, W 상태 센서들 및 H 상태 센서로부터의 데이터는 트레이닝 및 유효성 검사 세트들로 분할된다. 블록 412에서, 방법은 트레이닝 세트를 이용하여 W 상태 센서 데이터 및 H 상태 센서 데이터의 함수를 구축한다. 블록 414에서, 유효성 검사 세트를 이용하여 오차를 평가한다. 오차가 너무 크다면(블록 416), 방법은 시작 402로 복귀한다. 오차가 M(적당히 건강한) 임계치를 만족시키면(블록 434), W 상태 센서들은 M 센서들로서 팀 구성되거나 협력될 수 있다(블록 426). 오차가 H(건강한) 임계치를 만족시키면(블록 418), W 상태 센서들은 H 센서들로서 팀 구성되거나 협력될 수 있다(블록 420). 어느 경우든, 방법은 적용가능한 경우 블록 422에서 H 센서 및 미사용 W 센서들을 비활성화시킨다.

언급된 바와 같이, 위에서 열거된 제3 일반적 양태는 센서 정확성의 평가 및 정정에서 오버샘플링, 및 캡처링 환경 영향을 피하거나 감소시키는 것에 관한 것일 수 있다. 정상적으로 수행하는 디바이스에 대해, 빈번한 검출(즉, 샘플링)은 디바이스의 동작 수명을 감소시킬 수 있다. 예를 들어, 공기질을 빈번하게 샘플링하는 것은 위의 예에서 설명된 AQMD 디바이스 상에 더 많은 미립자 퇴적물들을 야기할 수 있다. 언더-샘플링은 센서의 정확성 및 신뢰성을 모르고서 더 긴 기간들 동안 동작하는 것을 야기할 수 있다. 실시예들은 도 5에 암시된 바와 같이, 균형을 유지할 수 있다.

도 5는 센서를 분류하는 방법(500)이다. 블록 502에서, 방법이 시작된다. 블록 504에서, 방법은 예컨대 부트스트랩 빈도로 센서 데이터를 샘플링한다. 다른 빈도들이 적용가능하다. 블록 506에서, 방법이 충분한 데이터가 있다고 결정하면, 블록 508에서 방법은 센서를 분류한다. 다른 한편, 해당 센서에 대해 샘플링된 데이터의 양이 충분하지 않다면, 방법은 블록 504로 복귀하고 계속해서 센서 데이터를 샘플링한다. 블록 510에서, 방법은 센서 카테고리 결과들을 출력한다. 블록 512에서, 방법은 종료한다.

디바이스들은, 디바이스들이 배치되는 환경과 같이, 자연스러운 변동 범위를 가질 수 있다. 예를 들어 오프라인 트레이닝으로부터 결정된 베이스라인 빈도가 데이터의 컬렉션에서 이용될 수 있다. 데이터는 동일하거나 유사한 환경에서 참조 디바이스 또는 참조 디바이스들의 세트와 비교될 수 있다. 센서 디바이스가 참조 판독들의 클러스터로부터 떨어지는지를 결정하기 위해 백엔드 또는 클라우드에서 컴퓨팅 디바이스에 의해 K-평균 클러스터링과 같은 분류 기법이 이용될 수 있다. 실시예들은 환경의 영향을 고려하여 실험실 조건들 하에서의 분류로 제한되는 것을 피할 수 있다. 게다가, 일단 디바이스가 H 상태에 있는 것으로 알려지면, 문제는 그 시점으로부터 오버샘플링을 피하거나 감소시키는 것일 수 있다. 따라서, 특정 실시예들은 정확성 드리프트(예컨대, 도 6) 및 확률(예컨대, 도 7)을 포함하는 거동의 현재 궤적에 디바이스 샘플링을 피팅할 수 있다.

도 6은 센서의 동작 시간(604)의 경과에 따른 센서 정확성(602)의 플롯(600)이다. 디바이스의 쇠퇴하는 건강으로 인해 시간의 경과에 따른 정확성 드리프트가 경험될 수 있다. 이 특정 예시에서, 도 6은 월 단위의 동작 시간(604)의 경과에 따른 백분율(%) 단위의 센서 정확성(602)의 플롯(600)이다.

양호한 또는 더 신뢰성 있는 디바이스(센서)는 불량한 또는 덜 신뢰성 있는 디바이스에 비해 더 느린 정확성 쇠퇴를 보여줄 가능성이 있다. 예시된 예에서, 곡선 606은 정확성이 약 4.1개월에서 약 90% 정확한 것으로 쇠퇴하는 더 양호한 디바이스에 대한 것이다. 곡선 606은 3.1개월에서 90% 정확성으로 더 빠르게 쇠퇴하는 덜 신뢰성 있는 디바이스에 대한 것이다. 게다가, 센서의 건강 또는 신뢰성을 평가하기 위한 센서의 샘플링 빈도는 센서의 백분율 정확성, 센서의 백분율 정확성의 쇠퇴 레이트, 센서의 배치의 지속기간 등의 함수일 수 있다.

도 7은 센서의 현재 환경 노출이 주어질 때 센서 상태가 그 상태에 머무르거나 남아 있는 확률의 플롯(700)이다. 상이한 조건들 하에서 그리고 시간의 경과에 따라 디바이스에 대해 동일 상태에 머무르는 상이한 확률들이 경험될 수 있다. 도 7은 월 단위의 동작 시간(704)의 경과에 따른 백분율(%) 단위의 확률(702)의 플롯(700)이다. 다시금, 확률(702) 축은 센서의 건강 상태가 변하지 않은 채로 유지되는 확률이다. 시간(704) 축은 도 6에서와 같이 월 단위이다. 예시된 예에서, 2개의 곡선 706 및 708은 각각 동일하거나 상이한 환경 조건 하에서의 상이한 디바이스를 나타내거나, 또는 곡선 706 및 708은 상이한 각각의 환경 조건 하에서의 동일한 디바이스를 나타낸다. 곡선 706은 곡선 708보다 건강 상태가 동일하게 유지되는 시간의 경과에 따른 전체적인 더 큰 확률을 나타낸다.

고려를 위해 임의로 선택된 2개의 확률은 80% 및 40%이다. 이 예에서, 곡선 706(예컨대, 양호한 시나리오)은 약 3.2개월에서 건강 상태가 동일하게 유지되는 80% 확률이 있고, 약 4.5개월에서 건강 상태가 동일하게 유지되는 40% 확률만이 있는 것을 나타낸다. 곡선 708(예컨대, 불량 시나리오)은 약 2.3개월에서 건강 상태가 동일하게 유지되는 80% 확률이 있고, 약 3.5개월에서 건강 상태가 동일하게 유지되는 40% 확률이 있는 것을 나타낸다. 게다가, 센서의 건강 또는 신뢰성을 평가하기 위한 센서의 샘플링 빈도는 이 확률의 함수일 수 있다.

사실, 예를 들어, 샘플링 정책은 다음과 같은 형태일 수 있다: 1과 0.8 사이의 확률 대역에 대해서는(예컨대, 묘사된 양호한 시나리오에 대해서는 최대 3.2개월 동안, 묘사된 불량 시나리오에 대해서는 최대 2.3개월 동안), 완화된 샘플링 간격(예컨대, 가령 15분마다 한 번)을 선택하고; 0.8과 0.4 사이에 대해서는, 더 빠른 샘플링 간격(예컨대, 가령 5분마다 한 번)을 선택하고; 그 후 0.4 미만에서는, 센서가 그러한 시간 접합부들 각각에서 H 상태에 남아 있다면 훨씬 더 높은 샘플링 간격(예컨대, 가령 1분에 한 번)을 선택한다. 물론, 많은 다른 확률 범위들 및 샘플링 간격 시간들(빈도들)이 고려될 수 있다. 모두에서, 이러한 추정들은 도 8에 도시된 바와 같은, 샘플링 지속기간을 결정하기 위한 기법들을 초래할 수 있다.

도 8은 샘플링 빈도 또는 지속기간을 결정하는 방법(800)이다. 일반적으로, 도 8은 샘플링 빈도의 동적 조정을 획득하기 위해 도 5, 도 6, 및 도 7에서의 전략들이 어떻게 조합될 수 있는지를 나타낸다. 도 5의 시나리오 독립적 접근법 또는 도 6 및 도 7의 시나리오 의존적 접근법을 이용하여, 초기 샘플링 빈도를 선택한 후의 디바이스의 실제 모니터링된 정확성에 기초하여, 백업 또는 참조 디바이스들을 샘플링하는 다음 시간이 결정된다. "백업" 디바이스들은 비활성인 건강한 센서들일 수 있다. 도 8은 작동 센서들의 상태를 결정하기 위해 이러한 "백업" 센서들을 언제 활성화시킬지에 대한 방법을 설명한다.

블록 802에서, 방법이 시작된다. 블록 804에서, 방법은 센서의 이전에 결정된 정확성으로 진행한다. 블록 806에서, 방법은 시나리오가 알려져 있는지를 결정한다. 알려진 시나리오는 일반적으로 알려진 궤적을 따르는 센서의 시간에 따른 정확성 변화이다. 시나리오가 알려져 있다면, 블록 808에서 방법은 센서의 현재 상태를 결정한다. 블록 810에서, 방법은 도 7에서와 같은 센서 상태 감소의 확률을 검색한다. 블록 812에서, 센서 상태 및 센서 건강 상태의 감소의 확률에 기초하여, 방법은 도 7에 관하여 논의된 것과 같은 다음 샘플 시간 또는 빈도를 결정하거나 찾는다.

시나리오가 알려진 시나리오가 아니면, 방법은 블록 814에서 수집된 데이터가 센서의 분류를 위해 충분한지를 결정한다. 그렇다면, 방법은 블록 816에서 현재 시나리오를 결정하고, 방법은 블록 808에서 계속된다. 블록 814에서 결정된 바와 같이 분류를 위한 충분한 데이터가 없다면, 블록 818에 나타낸 바와 같이, 방법은 시작 빈도 후에 다음 샘플을 구현한다. 그 후 블록 820에서, 방법은 센서의 정확성 및 샘플링 빈도를 결정할 수 있다. 방법은 블록 804로 복귀한다.

위에서 언급된 바와 같이, 제4 일반적 양태는 참조 디바이스들에 대한 스트레스를 피하거나 감소시키는 것일 수 있다. 게다가, 오버샘플링을 피하거나 감소시키는 것에 관한 제3 일반적 양태는 참조 디바이스들로도 확장될 수 있다. 그러나, 참조 디바이스들은 전형적으로 활성 디바이스들에서와 같이 연속 동작으로 프레싱되지 않기 때문에, 참조 디바이스들에 대한 환경 팩터들의 영향은 일반적으로, 예를 들어, 도 6 및 도 7에 도시된 것보다 상당히 더 작아야 한다.

이제 논의는 예시적인 시스템 아키텍처 및 위에서 논의된 특징들의 상세한 설명으로 넘어간다. 전략들은 비싼 디바이스들(예컨대, 과잉-설계되고, 큰 설계 마진들을 갖는)을 이용하거나, 또는 다수의 디바이스들을 필드-배치하고 큰 오차들을 갖는 디바이스들을 중복으로 배치된 새로운 디바이스들로 교체할 수 있다. 높은 마진들을 갖는 디바이스들은 항상 가능하거나 비용 효과적이지는 않지만, 많은 디바이스들을 배치하고, 정확성을 잃은 것들로부터 다른 것들로 스위칭하는 것은 또한 프로비저닝의 비용 및 복잡성을 끌어올릴 수 있다.

대조적으로, 본 명세서의 실시예들은 예컨대 디바이스들의 팀 내의 단일 디바이스로 더 긴 동작 수명을 달성할 수 있다. 유사한 것은 비교적 높은 MTBF를 갖는 값싼 디스크들(RAID)의 중복 어레이이다. 특정 실시예들은 높은 신뢰성 설계를 지시하지 않는다. 대신에, 예를 들어, 동적 적응을 통해 더 높은 신뢰성이 획득될 수 있다. 일부 예들은 단일 디바이스가 더 높은 신뢰성을 위해 설계되었더라도 단일 디바이스만으로보다 더 높은 정확성을 산출할 수 있다. 그것은, 예를 들어, 내삽의 구현된 전략 때문일 수 있다. 특정 예들은 더 적은 중복의 저비용 컴포넌트들 때문에 더 비용 효과적일 수 있다. 게다가, 일부 예시적인 애플리케이션들은 적응적이고 자율적일 수 있고, 따라서, 일부 경우들에서 노동 비용이 많이 드는 수리를 감소시킬 수 있다.

디바이스의 다수의 동작 상태들 및 각각의 디바이스에 대한 동작 상태를 효율적으로 결정하는 것에 대해 아키텍처 및 워크플로우의 컨텍스트에서 아래에 논의된다. 게다가, 집합체의 건강한 동작을 달성하기 위해 부분적인 건강 상태들에서의 디바이스들의 동작을 어떻게 효과적이면서도 경제적으로 조합하는지에 대해 추가로 논의된다.

도 9는 아키텍처 및 워크플로우의 다이어그램(900) 표현이다. 특히, 다이어그램(900)은 아키텍처의 적어도 3개의 계층을 나타낸다. 다시 말해서, 예시된 예에서, 컴포넌트들을 갖는 아키텍처는 적어도 3개의 논리 계층: 계층 1(L1)(902), 계층 2(L2)(904) 및 계층 3(L3)(906)으로 편성된다. 계층 1(L1)(902)은 센서들 및 액추에이터들을 갖는다. 계층 2(L2)(904)는 게이트웨이(들) 및 게이트웨이들에서 수행되는 기능들을 갖는다. 묘사된 기능들은 센서 통신 및 제어, 스트림 데이터 프로세싱, 및 백엔드 통신이다. 다양한 파라미터들이 핸들링될 수 있다. 게다가, 다른 기능들이 적용가능하다. 계층 3(L3)(906)은 데이터 센터에서와 같은 서버(들)를 가지며 이는 계산, 저장, 및 네트워크 용량들이 풍부할 수 있다. L3(906)은 프런트엔드 통신, 정확성 패턴 분석, 백엔드 서버, 데이터 스토리지 등을 수용할 수 있다. 다시금, L1, L2, 및 L3은 논리 계층들이다. 따라서, L1 및 L2 기능들은 일부 경우들에서 동일한 디바이스에 의해 제공될 수 있거나 상이한 물리적 디바이스들에 의해 제공될 수 있다. 기능들은 메모리에 저장되고 프로세서에 의해 실행되는 코드(예컨대, 명령어들, 로직 등)에 의해 구현될 수 있다.

일부 경우들에서, L2에서의 센서 통신 및 제어 컴포넌트들 또는 양태들은 센서들에 제어 커맨드들을 전송하고 센서들로부터 데이터를 수신하는 것에 중점을 둘 수 있다. 그러나, L2에 대한 추가 기능들은 (1) 언제 그리고 어느 센서가 활성이어야 하는지를 결정하는 센서 상태 관리, 그리고 또한 (2) 센서들 또는 데이터가 너무 부정확한 경우에 센서(들)로부터 데이터를 정정하는 것을 포함할 수 있다. 이러한 2개의 기능, 및 다른 기능들은 L2 컴포넌트에 의해 구현될 수 있다. 일 예에서, 컴포넌트는 센서 관리자 또는 센서 상태 관리자로서 명명되거나 라벨링된다. 이 예에서, 예시적인 센서 상태 관리자는 IoT에 관하여 이용될 수 있고, 도 10에 관하여 아래에 논의되는 바와 같이 적어도 5개의 서브-컴포넌트를 포함한다.

도 10은 도 9의 L2(904)에서와 같은 IoT 게이트웨이로서의 센서 상태 관리자(1000)이다. 센서 상태 관리자(1000)는 메모리에 저장되고 프로세서에 의해 실행가능한 코드(예컨대, 명령어, 로직 등)를 포함할 수 있다. 예를 들어, 센서 상태 관리자(100)는 센서 통신기(1004) 및 센서 상태 관리자(1006)를 포함하는 센서 통신/제어 코드(1002)를 포함할 수 있다. 따라서, 센서 상태 관리자는 IoT 게이트웨이 계층(계층 2)의 센서 통신/제어 컴포넌트에 통합될 수 있다.

도 11은 도 10의 센서 상태 관리자(1000)와 유사한 센서 상태 관리자(1100)이다. 센서 상태 관리자(1100)는 메모리에 저장되고 프로세서에 의해 실행되는 코드일 수 있는 특정 서브-컴포넌트들을 가지며, 코드는 센서 선택자(1101) 및 센서 상태 체커(1102)를 포함한다. 센서 선택자(1101)는, 예를 들어, H 상태의 센서를 선택할 수 있다. 센서 상태 체커(1102)는 센서 동작 궤적에서 센서가 기능하고 있는 곳을 결정할 수 있다. 그것은 아래에서 논의되는 바와 같이 상태 체킹의 효율을 증가시키기 위한 동적 기법을 포함할 수 있다.

코드는 또한 M-상태 센서 정정자(1104), W-상태 센서 정정자(1106) 및 자기-적응적 파라미터 튜너(1108)를 포함할 수 있다. M-상태 센서 정정자(1104)는 M-상태 센서들의 취약한 동작 범위를 다루는 일을 담당할 수 있다. W-상태 센서 정정자(1106)는 W-상태 센서들의 취약한 동작 범위를 다루는 일을 담당할 수 있다. 자기-적응적 파라미터 튜너(1108)는 부정확한 센서 데이터를 검출, 정정, 및 격리하기 위한 파라미터들을 동적으로 튜닝할 수 있다.

이제 논의는 도 10 및 도 11의 컴포넌트들 또는 서브컴포넌트들의 동작에 관한 센서 상태 결정을 고려한다. 또한, 도 4에 관하여 언급된 바와 같이, 센서 상태 관리자는 센서 상태들을 제어하고 센서들을 이용하여 데이터를 수집할 수 있다. 다음은 도 4, 도 10, 및 도 11을 상세히 설명한다.

처음에 일부 실시예들에 대해, 센서 선택자(1101)는 H 상태의 센서를 선택한다(예컨대, 도 4의 블록 404). 시스템은 이 센서로 데이터를 수집할 수 있다(예컨대, 블록 408). 센서 상태 체커(1102)는 동적 빈도에서 작동 센서 상태를 체크할 수 있다. 센서의 상태는 H, M, W, U 상태 중 어느 하나에 있을 수 있다. 센서가 H 상태에 있다면, 센서는 일반적으로 계속적으로 데이터를 수집하기 위해 사용될 수 있다(예컨대, 블록 408). 센서가 M 상태에 있다면, M 상태 센서 정정자(1104)는 센서를 정정할 수 있고 센서는 다시 데이터를 수집하는 데 사용될 수 있다.

다른 한편, 센서가 W 상태에 있다면, W 상태 센서 정정자(1106)는 적어도 3개의 잠재적 결과를 제공하는 센서를 정정할 수 있다. 첫째, 센서가 다른 W 상태 센서들과 H 상태로 정정될 수 있다면, 이러한 센서들은 'H' 상태 센서로서 그룹화될 것이고, 이 그룹화된 센서는 데이터를 수집하는 데 이용된다.

둘째, 이 센서가 다른 W 상태 센서들과 M 상태로 정정될 수 있다면, 이러한 센서들은 'W' 상태 센서로서 그룹화될 수 있고, 이 그룹화된 센서는 M 상태 센서 정정자(1104)에 의해 정정될 수 있고 그 후 센서는 데이터를 수집하는 데 사용될 수 있다. 셋째, 이 센서가 다른 W 상태 센서들과 함께 정정될 수 없다면, 이 센서는 W 상태 센서 풀에 추가될 것이다. 센서 선택자(1101)는 데이터를 수집할 다른 H 상태 센서를 선택할 것이다.

마지막으로, 이 센서가 U 상태에 있다면, 이 센서는 마킹될 것이고 전형적으로 더 이상 사용되지 않을 것이다. 그 후 센서 선택자(1101)는 데이터를 수집할 다른 H 상태 센서를 선택할 수 있다.

다시금, 특정 실시예들은 오버샘플링이 없는 것을 포함하여 효율적인 상태 전이에 관한 것일 수 있다. 보통, 센서들의 정확성은 주기적으로 결정될 수 있다. 정상적으로 수행하는 디바이스에 대해, 빈번한 검출(예컨대, 샘플링)은 디바이스의 동작 수명을 감소시킬 수 있다. 예를 들어, 언급된 바와 같이, 공기질을 빈번하게 샘플링하는 것은 위에 설명된 바와 같은 AQMD 디바이스 상에 더 많은 미립자 퇴적물들을 야기할 수 있다. 언더-샘플링은 센서의 정확성 및 신뢰성을 모르고서 더 긴 기간들 동안 동작하는 것을 야기할 수 있다. 따라서, 목적은 드물게 샘플링하지만 동작 상태로부터 덜 정확한 또는 덜 신뢰성 있는 동작 상태로의 센서들의 전이를 식별하는 것일 수 있다. 다시 말해서, 빈도는 동적일 수 있다.

적어도 아래의 5개를 포함하는, 수 개의 예시적인 기법들이 구현될 수 있다. 제1 예시적인 기법은, 처음에는 드물게, 그리고 배치 지속기간이 증가함에 따라 빈도가 증가하는 것을 포함하여, 배치의 지속기간에 따라 샘플링을 변화시킨다. H, M, 및 W 상태들에 대한 평균 예상 동작 수명은 센서에 대해 예정보다 일찍 결정될 수 있다. 주어진 상태에서의 센서에 대한 배치의 시간이 그 상태에서의 예상 동작 수명에 접근하거나 그것을 넘어감에 따라 센서의 샘플링은 일반적으로 더 적은 것(예컨대, 최소)에서 더 많은 것(예컨대, 최대)으로 상승한다.

제2 예는 제1 예를 통합하지만, 센서에 의해 비정상 값들이 보고될 때 증가된 또는 최대 샘플링 빈도로의 전이가 가속된다. 제3 예는 제2 예를 통합하지만, 센서의 센시티브 부분들의 더 많은 이용(예컨대, 공기질 샘플링 디바이스에 의해 검출되는 평균 오염보다 더 높은 것)에 응답하여 증가된 또는 최대 샘플링 빈도로의 전이가 가속된다.

제4 예는 특정 타입의 디바이스가 예정보다 일찍 특징지어지는 정확성 궤적의 결정을 수반한다. 제4 예는 그 정확성 레벨에서의 동작 수명 및 현재 정확성에 기초하여 디바이스 정확성 궤적을 결정한다. 즉, 값들 A' = A(S, t - t0, A)/t가 오프라인 연구들을 통해 결정되고, 여기서 A'(예컨대, %)는 다음 샘플링의 정확성이고, A는 현재 샘플링의 정확성이고, S는 현재 샘플링의 상태이고, t는 현재 샘플링의 시간이고, t0은 샘플링의 초기 시작 시간이다. 그 값들은 현재 상태(S), 현재 상태에서 소비되는 시간, 및 현재 정확성 레벨에 따라 정확성의 순시 손실율(instantaneous time-rate of loss)을 차트화한다. A'에 기초하여, f(A')가 동적 샘플링 빈도로서 정의될 수 있고, 따라서 샘플링 레이트는 기울기 A'가 각각의 포인트에서 얼마나 급격한지에 따라 최소 값으로부터 최대 값으로 점진적으로 변화한다. 제5 예는 제4 예를 통해 샘플링 레이트를 결정하고 센서에 의해 특이치 값들이 보고되는 레이트를 고려한다.

지적된 바와 같이, 본 기법들의 일반적 양태는 환경의 영향을 추정하는 것과 관련될 수 있다. 사실, 센서에 대한 정확성 추세는 때때로 센서가 배치되는 환경에 의해 상당한 정도까지 영향을 받는다. 그러나, 센서에 대한 환경 영향은 일반적으로 실험실에서의 제어된 테스팅 조건들 하에서 미리 결정가능하지 않다. 그것을 해결하기 위해, 동작 중의 센서들에 대한 실시간 분류 절차 또는 알고리즘(예컨대, 도 5, 도 6, 도 7, 및 도 8에 도시된 바와 같이 동작하는 것)이 이용될 수 있다. 도 5에 도시된 바와 같이, 온라인으로 가져온 새로운 센서들에 대한 부트스트랩 샘플링 빈도가 IoT 디바이스들을 상이한 클러스터들로 그룹화하기 위해 백-엔드 클러스터에서 충분한 데이터를 수집한다. 초기 샘플링 빈도는 오프라인 연구들로부터 획득될 수 있다.

다음으로, 환경은 수 개의 조대-입도(coarse-grained) 시나리오들 S0, S1, ... SN 중 하나로서 파라미터화될 수 있으며, 여기서 S1은 S0보다 빠르게 새로운 건강한 센서의 정확성을 열화시키고, S2는 S1보다 빠르게 그렇게 하고, 기타 등등이다. 조대 입도는 디바이스가 자체를 발견하는 시나리오가 예컨대 작은 효과들을 분간할 필요 없이, 그리고 일반적으로 디바이스 자체의 정확성과는 관계없이 비교적 용이하게 결정될 수 있음을 의미할 수 있다. 예를 들어, 시나리오 S2 = 높은 오염은 개별 센서들의 정확성에 관계없이, 주어진 영역에 걸쳐 다수의 IoT 디바이스들에 의해 검출된 스모그 레벨들이 어떤 임계치보다 높은지를 체크함으로써 결정될 수 있다.

도 6을 다시 참조하면, 2개의 시나리오(S0 = "양호" 및 S1 = "불량")가 곡선 606 및 608에 의해 각각 표현된다. 2개의 곡선 606 및 608은 각각 2개의 시나리오에서의 시간의 경과에 따른 센서에 대한 정확성의 평균 열화를 플로팅하고, 그 센서는 H 상태에서 시작한다. 일 예에서, H 상태는 정확성 > 90%인 것으로 정의된다. 도 7은 센서가 계속해서 H 상태에 남아 있는 시간의 경과에 따른 확률을 묘사한다. 도 6에서의 정확성은 A = 1 - (Abs(W - B)/B)에 의해 측정될 수 있고, 여기서 W = 센서로부터의 측정치이고, B = 하나 이상의 백업 센서로부터의 샘플링된 측정치이고, Abs는 절대 값이다.

마지막으로, 도 5, 도 6, 및 도 7과 같은 예들에 의존하는 도 8은 샘플링 빈도의 동적 조정을 획득한다. 도 5에서와 같은 시나리오 독립적 접근법 또는 도 6 및 도 7에서와 같은 시나리오 의존적 접근법을 이용하여, 초기 샘플링 빈도를 선택한 후의 디바이스의 실제 모니터링된 정확성에 기초하여, 백업 디바이스들을 샘플링하는 다음 시간이 결정된다.

위에서 논의된 M 상태 및 W 상태 센서 정정들에 대해서는, M 또는 H 상태 함수가, 도 4에 도시된 바와 같은, 다수의 W 상태 디바이스들 간의 협력을 통해 일부 예들에서 달성될 수 있다. 도 8은 H 상태의 동작 동등물을 달성하기 위해 W 상태 센서들을 조합할지 여부 및 어떻게 조합할지를 결정하는 방법(800)을 예시한다. 일 예에서, 다수의 센서가 W 상태에 있는 것으로 검출되고, H 상태 센서는 비활성화된(수동) 상태에 존재한다. 이 예에서, 정의된 시간 범위에 걸친 H 상태 센서 출력들은 벡터 Y로 표현되고, W1, W2, W3, ... 등은 W 상태 센서들을 나타낸다. 주어진 시간 범위에 걸쳐, W 상태 센서의 출력들은 열 벡터들 W1, W2, W3, ...에 의해 각각 표현될 수 있고, W는 행렬 [W1 W2 W3 ...]^T이다. 일시적으로, 이 예에서, H 상태 센서는 Y를 수집하기 위해 짧은 지속기간 동안 활성화되고, 동일하거나 유사한 지속기간에 걸쳐, 관측들의 행렬 W가 또한 수집된다. 주어진 도메인에서 잘 작동하는 것으로 알려진 임의의 적절한 머신 학습 방법을 사용하여, 최소 오차 추정 함수

,

가 결정된다.

의 예는 선형 최소 제곱 추정자,

이고, 여기서, a, b는

에서의 최소 제곱 오차를 제공한다.

머신 학습은 클러스터 내의 수집된 데이터에 대해 실행될 수 있다. 클러스터는, 예를 들어, 계산적으로 풍부한 데이터센터 또는 클라우드 백엔드일 수 있다. 최소-오차 함수

는 추정자일 수 있고,

는

를 결정함에 있어서 그 출력들이 중요한 W 상태 센서들(따라서 나머지 W 상태 센서들은 비활성화될 수 있음)의 수를 감소시키거나 최소화하기 위해 추가로 개선되거나 최적화된다.

활성 W 상태 센서들의 함수 및 대응하는 감소된 또는 최소 세트가 결정되면, 이러한 선택된 W 상태 센서들은,

로부터의 낮은 또는 최소 정확성이 원하는 정확성을 충족시키거나 초과한다면, H 상태 센서로서 집합적으로 동작할 수 있다. 이 추정 방법은 Y'(여기서 Y-Y'는 Y에서 통계적으로 미미한 것으로 간주될 수 있음)의 충분히 높은 정확성 추정이 단지

로부터 획득된 판독들에 근거하여 획득될 수 있는지를 평가함으로써 어느 W 상태 센서

가 실제로 M 상태에 있는지를 결정하기 위해 반복될 수 있다.

이제 논의는 M 상태의 반-자율적(예컨대, 독립형) 디바이스들로 넘어간다. 도 12 및 도 13은 듀티 사이클을 감소시키기 위해 하나 이상의 M 상태 센서가 어떻게 사용될 수 있는지를 나타낸다. 다시 말해서, 비교적 긴 시간 지속기간들 동안을 포함하여 H 상태 센서의 노출을 감소시킨다.

도 12는 센서 판독들(1202) 및 정정된 값들(1204)의 다이어그램(1200) 표현이다. 다이어그램(120)은 M-상태 서브도메인 D 및 연관된 정정 값들 R을 제공한다. 다시 말해서, 도 12는 M-상태 센서의 서브도메인 D 판독들 및 정정된 값들의 범위 R을 나타낸다. M 상태 센서가(예컨대, 적용가능한 변환을 이용하여) 실제 또는 진정한 판독의 정확한 추정을 생성하는 것으로 알려진 값들의 범위에 대해, 도메인 D는 일반적으로 예정보다 일찍 알려져 있다. 따라서, 예는 M 상태 센서가 D에 있지 않은 값을 생성한 것과, 그렇지 않으면 수동인 H 상태 중복 센서의 활성화로의 전이를 검출할 수 있다.

도 13은 예를 들어, H 상태 센서의 노출을 감소시키기 위해 위한 M 상태 센서를 H 상태 센서와 연관시키기 위한, 동적 튜닝 파라미터들의 방법(1300)이다. 사실, 도 13은 M 상태의 반-자율적(예컨대, 독립형) 디바이스들에 관한 것일 수 있다. 블록 1302에서, 방법이 시작된다. 블록 1304에서, M 상태 센서를 체크할 시간이면, 방법은 블록 1306에서 M 상태 센서 및 H 상태 센서를 활성화시킨다. 블록 1308에서, 방법은 위에서 논의된 바와 같은 오차 함수

및 M 상태 센서에 대한 도메인 D를 결정한다. 블록 1310에서, 도메인 D에 M 상태 센서 판독들이 있다면, 방법은 블록 1312에서 H 상태 센서를 디스에이블하고, M-상태 센서는 이 예에서 단독으로 작동한다. 다른 한편, 블록 1310에서 도메인 D에 M 상태 센서 판독들이 없다면, 방법은 블록 1316에서 H 상태 센서를 활성화된 상태로 유지한다. 어느 경우든, 블록 134에서, 방법은 H 상태 센서를 활성화된 상태로 유지할지 또는 H 상태 센서를 수동이 되도록 비활성화시킬지를 결정하기 위해 도메인 D 안 또는 밖의 M 상태 센서 판독들의 변화들을 대기한다.

따라서, 일반적으로, 실시예들은 예컨대 부정확한 센서들을 검출, 정정, 및 격리하기 위한 파라미터들을 동적으로 튜닝하는 것을 수반한다. 많은 파라미터들은 센서의 상태가 어떻게 검출되는지, 및 필요에 따라 적용되는 데이터 정정의 제어(U 상태의 센서로부터의 데이터를 격리하는 것을 포함함)를 가능하게 할 수 있다. 예를 들어, H 상태 센서에 대해, 시스템은 주기적으로 센서의 상태를 검출할 수 있다. 게다가, 논의된 바와 같이, H 상태는 서브-상태마다 상이한 검출 빈도를 갖는 다수의 서브-상태들로 분리될 수 있다.

따라서, 서브-상태들의 수 및 각각에 대한 검출 빈도들이 파라미터들일 수 있다. 유사하게, M 및 W 상태들은 다수의 서브-상태들로 분리될 수 있고, 상태/서브-상태 변화를 검출하기 위해 상이한 빈도들이 이용될 수 있다. 각각의 서브-상태에 대해, 데이터를 정정하는 것도 또한 파라미터화될 수 있고, 세부사항들은 솔루션 도메인에 따라 달라진다. U 상태 센서로부터 데이터를 격리하기 위해, 데이터를 즉시 폐기하거나, 데이터를 로그하거나, 데이터의 선택을 로그하기로 선택할 수 있다. 이러한 파라미터들의 대부분 또는 모두는 미리 정의되어 IoT 디바이스에 저장될 수 있다. 파라미터들은 또한 백-엔드 시스템으로부터 동적으로 업데이트될 수 있다. IoT 디바이스들은 통신 모듈을 구비할 수 있기 때문에, 디바이스는 그의 상태/서브-상태 변화 패턴을 보고할 수 있다. 백-엔드 시스템에서 수행된 분석을 이용하여 실시간으로 파라미터들 및 상태들을 정의하는 것은 단지 센서 상태에 의해서뿐만 아니라 해당 센서의 또는 센서 그룹의 실제 배치에서 검출된 환경 조건들에 의해서도 동적인 조정들을 가능하게 한다.

도 14는 컴퓨팅 디바이스에 의해 시스템 내의 센서들을 관리하는 방법(1400)이다. 방법(1400)을 구현하기 위해, 프로세서에 의해 실행되는 코드로서의 센서 관리자가 컴퓨팅 디바이스의 메모리에 저장될 수 있다. 특정 예들에서, 시스템은 IoT 시스템이거나 이를 포함하고, 센서들은 IoT 센서들이다. 컴퓨팅 디바이스는 IoT 게이트웨이 디바이스, 클라우드 컴퓨팅 디바이스, 또는 IoT 스마트 센서 등일 수 있다.

블록 1402에서, 방법은 센서들의 각각의 건강 동작 상태를 결정한다. 건강 동작 상태는 센서 정확성과 상관적일 수 있다. 센서들은 샘플링되고 샘플링된 데이터는 센서들의 정확성을 결정하기 위해 참조 또는 참조 센서와 비교될 수 있다. 건강 동작 상태들의 결정은 센서의 샘플링 빈도가 센서의 정확성 드리프트의 또는 센서가 현재 건강 동작 상태에 남아 있을 확률의, 또는 이들의 조합의 함수인 센서 건강의 적응적 평가일 수 있다.

블록 1404에서, 방법은 센서들을 그들 각각의 건강 동작 상태에 의해 분류한다(예컨대, 실시간으로). 예들에서, 건강 동작 상태는 건강한(H) 상태, 건강하지 않은(U) 상태, 및 감지된 데이터가 H 상태에 대한 것보다는 덜 정확하고 U 상태에 비해서는 더 정확한 중간 상태를 포함한다. 일부 예들에서, H 상태 센서로부터의 센서 데이터는 실질적으로 정확하거나 적어도 90% 정확하다. 90% 정확성은 센서가 시간의 90%, 또는 센서가 측정하는 범위 등의 90%에 걸쳐 정확한 것을 의미할 수 있다. 예들에서, U 상태 센서 데이터로부터의 센서 데이터는 용인불가능하거나 사용불가능하다. U 상태 센서로부터의 데이터는 격리될 수 있다.

일부 예들에서, 적당히 건강한(M) 상태 및 약한 건강한(W) 상태와 같은 다수의 중간 상태들이 존재한다. M 상태 센서에 대해, 일부 감지된 데이터가 정확하고 다른 감지된 데이터가 부정확하거나, 또는 정확한 것으로부터의 감지된 데이터 편차가 패턴을 따르거나, 기타 등등이다. 예들에서, W 상태 센서는 단독으로 사용될 수 없다.

블록 1406에서, 방법은 센서들의 건강 동작 상태의 건강을 결정하기 위해 센서들의 동적 샘플링 빈도를 구현한다. 처음에는, 예를 들어, 온라인으로 가져온 새로운 센서들에 대해 부트스트랩 샘플링 빈도가 구현된다. 또한, 방법은 센서의 배치 지속기간의 증가와 상관적으로 센서의 샘플링 빈도의 증가를 구현할 수 있다. 또한, 방법은 센서가 비정상 값들을 보고하는 것에 응답하여, 또는 센서의 센시티브 부분의 더 많은 이용에 응답하여, 등등에 대해 샘플링 빈도의 증가를 가속화할 수 있다.

블록 1408에서, 센서들의 건강 동작 상태들 및 연관된 분류를 결정하는 방법은 센서들이 배치되는 환경을 파라미터화하는 단계를 포함한다. 특정 예들에서, 환경은 시나리오들로서 파라미터화된다. 어쨌든, 센서 정확성의 드리프트는 환경 및 사용 팩터들의 함수로서 해독가능한 패턴을 따를 수 있다. 정확성 또는 건강의 증가하는 손실은 상이한 레벨의 사용 및 환경 스트레스, 오염 등으로 인해 가변적이고 시간의 경과에 따라 누적적일 수 있다. 게다가, 하나의 조건 세트에서는 정상 동작에 못미치는 디바이스가 다른 조건 세트들에 걸쳐서는 용인가능한 사용을 산출할 수 있다. 연관된 정책들은 현재의 외부 팩터들이 H, M, W, 또는 U 모드(또는 다른 모드들 - 몇 개의 동작 카테고리들이 정의되는지에 따라)에 있는 것으로 취급될 디바이스를 나타내는지를 좌우할 수 있다.

블록 1410에서, 방법은 센서들을 팀 구성하는 단계를 포함한다. 예를 들어, 방법은 상기 H 상태를 갖는 팀을 제공하기 위해 상기 중간 상태를 각각 갖는 2개의 센서를 팀 구성하는 단계를 포함한다. 다른 예에서, 방법은 다수의 W 상태 센서들의 그룹화를 H 상태 또는 M 상태의 단일 논리 센서로서 취급하는 단계를 포함한다.

또 다른 예에서, 방법은 H 상태 센서의 노출을 감소시키기 위해 M 상태 센서를 H 상태 센서와 연관시키거나 팀 구성하는 단계를 포함한다. 방법은 M 상태 센서가 실질적으로 정확한 도메인을 결정하는 단계를 포함한다. 그 후 방법은 M 상태 센서 판독들이 도메인에서 발생하는 것에 응답하여 H 상태 센서를 비활성화시킨다. 방법은 M 상태 센서 판독들이 도메인 밖에서 발생하는 것에 응답하여 H 상태 센서를 활성화시킨다.

도 15는 다수의 센서들(1512)을 이용하는 시스템(1510)이다. 센서들(1512)은 객체의 물리적 특성 또는 특징들, 환경 파라미터 또는 특성 등을 검출 또는 측정할 수 있다. 예시된 예에서, 센서들(1512)은 특성을 측정하고 측정된 데이터를 하나 이상의 게이트웨이 디바이스(1514)에 전송한다. 센서들(1512)은 스마트 센서들, IoT 센서들 등일 수 있다. 센서들(1512)은 게이트웨이 디바이스(들)(1514)에 무선으로 및/또는 유선 결합될 수 있다. 게이트웨이 디바이스(1514)는 데이터를 집성하고 클라우드 인프라스트럭처(1518) 내의 서버(1516)와 같은 원격 컴퓨팅 디바이스에 데이터를 전송할 수 있다. 서버(1516)는 클라우드 컴퓨팅 디바이스 또는 클라우드 분산 컴퓨팅 시스템 등일 수 있다. 시스템(1510)은 IoT 시스템일 수 있고, 센서들(1512) 사이에 분산된 액추에이터들(도시되지 않음)을 포함할 수 있다.

센서들(1512)은 정확성을 위해 샘플링되고 샘플링된 데이터는 참조 디바이스 또는 참조 센서의 판독들과 비교될 수 있다. 센서들(1512) 중 하나 이상은 참조 디바이스 또는 참조 센서일 수 있다. 또한, 시스템(1510)은 참조 센서(1520)를 포함하거나 이에 액세스할 수 있다.

서버(506) 및/또는 게이트웨이 디바이스(504)와 같은 컴퓨팅 시스템은 위에서 논의된 바와 같이 센서들(1512)을 관리한다. 예를 들어, 센서 관리는 센서들(1512)의 각각의 건강 동작 상태를 결정하는 것, 센서들(1512)의 환경을 고려하는 것, 센서들(1512)의 샘플링 빈도를 변화시키는 것, 센서들(1512) 중 일부를 팀 구성하는 것 등을 수반할 수 있다. 서버(506) 및/또는 게이트웨이 디바이스(504)는 그러한 센서 관리를 위해 메모리에 저장된 실행가능 코드(512) 및 코드(514)를 각각 포함할 수 있다. 마지막으로, 클라우드(1518)는 다른 시스템들(1526)과 통신할 수 있다.

일반적으로 센서들에 대해서는, 센서들은 자극에 응답하여 측정가능한 신호를 생성할 수 있다. 센서는 하나의 형태의 에너지를 다른 형태의 에너지로 변환하는 트랜스듀서 디바이스를 포함하거나 이와 연관될 수 있다. 트랜스듀서는 하나의 물리적 형태로부터의 신호를, 기계적, 열적, 자기적, 전기적, 광학적, 화학적, 및 기타 등등일 수 있는 상이한 물리적 형태를 갖는 대응하는 신호로 변환하는 디바이스일 수 있다. 센서는 입력 트랜스듀서(예컨대, 마이크로폰)일 수 있고 액추에이터는 출력 트랜스듀서(예컨대, 라우드스피커)일 수 있다. 센서는 신호 또는 자극을 수신하고 그에 응답하는 디바이스일 수 있다. 일반적으로, 센서에 의해, 감지 또는 센시티브 층 또는 매체가 외부 자극에 응답하고 트랜스듀서는 응답을 외부의 측정가능한 양으로 변환할 수 있다. 센서는 파라미터 또는 객체의 존재를 나타내는 검출기이거나 이를 포함할 수 있다. 동작 중에, 센서는 측정된 파라미터 또는 객체의 변화를 모니터링하고 정량화할 수 있다.

센서들의 특징들 또는 특성들은 정적이거나 동적일 수 있고, 이러한 센서 파라미터들은 출력 대 입력을 매핑할 수 있다. 센서 특성들은 정확성, 오차, 정밀도, 분해능, 감도, 선택도, 잡음, 드리프트, 검출 제한, 반복가능성, 재현성, 히스테리시스, 안정성, 응답 시간, 범위 또는 스팬, 오프셋 등을 포함할 수 있다. 센서의 정확성은 센서 출력이 얼마나 정확하게 진정한 값을 나타내는지, 센서가 절대적 의미에서 환경을 얼마나 잘 측정하는지, 및/또는 인식된 표준과 비교하여 센서 측정된 데이터가 얼마나 양호한지 등일 수 있다. 드리프트는 측정된 객체 또는 파라미터가 동일하게 유지되는 동안 센서의 응답에서의 점진적 변화일 수 있다. 일부 예들에서, 센서들의 동적 특성들은 가변 입력 파형들(예컨대, 임펄스, 스텝, 램프, 사인파, 백색 잡음 등)의 패밀리에 대한 센서의 응답을 분석함으로써 결정될 수 있다. 센서들 또는 감지 시스템들에 대한 수학적 표현들은 선형, 비선형, 시불변, 시간 의존적 등일 수 있다. 출력 특성 곡선 대 물리적 파라미터의 입력은 센서들에 대한 검출가능한 출력 변화들을 제공할 수 있다. 일반적으로, 일부 예들에 대해, 센서 응답은 출력 변화 대 입력 파라미터 변화일 수 있다.

도 15a는 컴퓨팅 시스템, 클라우드 컴퓨팅 시스템, 게이트웨이 디바이스, 센서 디바이스, 서버, 집성 디바이스, 원격 컴퓨터, 포그 디바이스 등과 같은 컴퓨팅 디바이스(1500)이다. 도 15a는 하나의 컴퓨팅 디바이스(1500)를 묘사하지만, 실시예들은 다수의 컴퓨팅 디바이스(1500)를 이용할 수 있고/있거나 분산 컴퓨팅 시스템일 수 있다. 컴퓨팅 디바이스(1500)는 마이크로프로세서, 중앙 프로세싱 유닛 또는 CPU 등과 같은 프로세서 또는 하드웨어 프로세서(1502)를 포함한다. 프로세서(1502)는 다수의 프로세서일 수 있거나 각각의 프로세서(1502)는 다수의 코어를 가질 수 있다. 컴퓨팅 디바이스(1500)는 비휘발성 메모리, 휘발성 메모리, 및 다른 타입들의 메모리와 같은 메모리(1504)를 갖는다. 비휘발성 메모리는 하드 드라이브, 판독 전용 메모리 또는 ROM 등일 수 있다. 휘발성 메모리는 랜덤 액세스 메모리 또는 RAM, 캐시 등일 수 있다.

예시된 예에서, 메모리(1504)는 하나 이상의 프로세서(1502)에 의해 실행가능한 코드(1506), 예컨대, 명령어들, 로직 등을 저장한다. 코드(1506)는 시스템 내의 센서들을 관리하는 센서 관리자일 수 있다. 사실, 코드(1504)는 본 명세서에서 논의된 센서 관리 기법들을 구현하기 위해 프로세서(1504)에 의해 실행될 수 있다. 논의된 바와 같이, 센서 관리는 센서들의 각각의 건강 동작 상태를 결정하는 것, 센서들의 환경을 고려하는 것, 센서들의 샘플링 빈도를 변화시키는 것, 센서들 중 일부를 팀 구성하는 것 등을 수반할 수 있다. 또한, 각각의 액션들은 상이한 컴퓨팅 디바이스들(1500)에 의해 구현될 수 있다. 또한, 컴퓨팅 디바이스(1500)는 설명된 기법들을 위해 맞춤화된 특정 용도 집적 회로(ASIC)를 포함할 수 있다.

도 16은 센서 관리를 가능하게 하기 위한 유형의 비일시적인 컴퓨터 판독가능 매체(1600)를 묘사하는 블록 다이어그램이다. 컴퓨터 판독가능 매체(1600)는 컴퓨터 인터커넥트(1604)를 통해 프로세서(1602)에 의해 액세스될 수 있다. 프로세서(1602)는 집성 디바이스 프로세서, 센서 프로세서, 서버 프로세서, 원격 컴퓨팅 디바이스 프로세서, 클라우드 컴퓨팅 시스템 프로세서, 또는 다른 프로세서일 수 있다. 유형의 비일시적인 컴퓨터 판독가능 매체(1600)는 예컨대 논의된 센서 관리를 구현하기 위해, 본 명세서에 설명된 기법들을 수행하도록 1602에 지시하는 실행가능한 명령어들 또는 코드를 포함할 수 있다.

본 명세서에서 논의된 다양한 소프트웨어 컴포넌트들은 도 16에 나타낸 바와 같이 유형의 비일시적인 컴퓨터 판독가능 매체(1600) 상에 저장될 수 있다. 예를 들어, 센서 관리 모듈(1606)(실행가능 코드/명령어들)은 IoT 시스템 또는 네트워크를 포함하는 시스템 내의 센서 디바이스들의 관리를 구현하도록 프로세서(1602)에 지시할 수 있다. 센서 관리는 센서들의 각각의 건강 동작 상태를 결정하는 것, 센서들의 환경을 고려하는 것, 센서들의 샘플링 빈도를 변화시키는 것, 센서들 중 일부를 팀 구성하는 것 등을 수반할 수 있다. 도 16에 도시되지 않은 임의의 수의 추가 소프트웨어 컴포넌트들이 응용에 따라 유형의 비일시적인 컴퓨터 판독가능 매체(1600) 내에 포함될 수 있다는 것을 이해해야 한다.

일반적으로, 디바이스들은 상호 통신, 자율적 센서들, 액추에이터들, 및 지능형 에지 프로세싱 노드들의 매우 큰 규모의 그리드들로서 IoT 네트워크들 내에 수십억 개만큼 점점 더 많이 통합될 것이다. 이러한 디바이스들의 배치를 단순화하고 그들의 동작들을 신뢰성 있게 만드는 비용을 제거하는 것으로부터 이점들이 실현될 수 있다. 에지 게이트웨이들이 더 복잡해지고 더 전력 효율적이 됨에 따라, 여기에 설명된 발명은 매우 긴 지속기간 동작들 동안 이러한 디바이스들 간의 더 자율적인 재구성들을 위한 길을 닦는다. 예를 들어, 공간 탐사에서 수백만의 IoT 클러스터들을 목표로 할 수 있고, 여기서 수동 수리들은 대부분 실행 불가능하고 센시티브 표면들 상의 입자 충격들에 대한 노출은 심지어 높은 마진 디바이스들이 그들의 동작을 위해 적응적 중복을 요구할 것임을 의미한다.

사물 인터넷(IoT)은 매우 낮은 레벨들에서 기능성 및 데이터 취득을 제공하기 위해 다수의 컴퓨팅 디바이스들이 서로에 그리고 인터넷에 상호접속되는 패러다임을 포함한다. 본 명세서에서 사용되는 바와 같이, IoT 디바이스는 다른 IoT 디바이스들 및 인터넷과 같은 더 넓은 네트워크와 통신하는, 많은 것들 중에서도 특히, 감지 또는 제어와 같은 기능을 수행하는 반자율적 디바이스를 포함할 수 있다. 종종, IoT 디바이스들은 메모리, 크기, 또는 기능성이 제한되어, 더 작은 수들의 더 큰 디바이스들과 유사한 비용으로 더 많은 수들이 배치되는 것을 허용한다. 그러나, IoT 디바이스는 스마트 폰, 랩톱, 태블릿, 또는 PC, 또는 다른 더 큰 디바이스일 수 있다. 또한, IoT 디바이스는 스마트 폰 또는 다른 컴퓨팅 디바이스 상의 애플리케이션과 같은 가상 디바이스일 수 있다. IoT 디바이스들은 데이터 스토리지, 프로세스 제어 등을 위해, IoT 디바이스들을 다른 IoT 디바이스들에 그리고 클라우드 애플리케이션들에 결합하기 위해 사용되는 IoT 게이트웨이들을 포함할 수 있다.

IoT 디바이스들의 네트워크들은, 물 분배 시스템들, 전기 전력 분배 시스템들, 파이프라인 제어 시스템들, 플랜트 제어 시스템들, 조명 스위치들, 서모스탯들, 로크들, 카메라들, 경보기들, 모션 센서들, 공장 자동화, 스마트 빌딩, 자산 추적/로지스틱스, 산업/공장 네트워크들을 갖는 운영 기술(Operation Technology)(OT) 등과 같은, 상업 및 홈 자동화 디바이스들을 포함할 수 있다. IoT 디바이스들은 원격 컴퓨터들, 서버들, 및 다른 시스템들을 통해, 예를 들어, 제어 시스템들 또는 액세스 데이터에 액세스 가능할 수 있다.

인터넷의 미래의 성장은 매우 많은 수의 IoT 디바이스들을 포함할 수 있다. 따라서, 본 명세서에 설명된 바와 같이, 미래 인터넷에 대한 다수의 혁신은 이러한 모든 계층들이 방해받지 않게 증가하고, 접속된 리소스들을 발견하고 액세스 가능하게 하고, 접속된 리소스들을 숨기고 구획하는 능력을 지원하는 필요성을 어드레싱한다. 임의의 수의 네트워크 프로토콜들 및 통신 표준들이 사용될 수 있고, 각각의 프로토콜 및 표준은 특정 목적들을 어드레싱하도록 설계된다. 또한, 프로토콜들은 위치, 시간 또는 공간에 관계없이 동작하는 인간 액세스 가능한 서비스들을 지원하는 패브릭의 일부이다. 혁신들은 서비스 제공 및 하드웨어 및 소프트웨어와 같은 연관된 인프라스트럭처를 포함한다. 서비스들은 서비스 레벨 및 서비스 제공 협정에 특정된 서비스 품질(QoS) 조항들에 따라 제공될 수 있다. IoT 디바이스들 및 네트워크들의 사용은 도 1 및 도 2에 묘사된 바와 같이 유선 및 무선 기술들의 조합을 포함하는 접속의 이종 네트워크에서의 다수의 새로운 도전적 과제들을 제시한다.

도 17은 다수의 사물 인터넷(IoT) 디바이스들과 통신하는 클라우드 컴퓨팅 네트워크, 또는 클라우드(1702)의 도면이다. 클라우드(1702)는 인터넷을 나타낼 수 있거나, 로컬 영역 네트워크(LAN), 또는 회사용 사유 네트워크와 같은 광역 네트워크(WAN)일 수 있다. 클라우드(1702)는 커맨드 및 제어 기능들을 제공하거나 IoT 디바이스들로부터의 데이터를 소비할 수 있는 하나 이상의 서버(1704)와 접촉할 수 있다. IoT 디바이스들은 다양한 조합들로 그룹화된 임의의 수의 상이한 타입의 디바이스들을 포함할 수 있다. 예를 들어, 교통 제어 그룹(1706)은 도시 내의 거리들을 따라 IoT 디바이스들을 포함할 수 있다. 이러한 IoT 디바이스들은 정지등들, 교통 흐름 모니터들, 카메라들, 날씨 센서들 등을 포함할 수 있다. 교통 제어 그룹(1706) 또는 다른 서브그룹들은 저전력 광역(low power wide area)(LPWA) 링크들 등과 같은 무선 링크들(1708)을 통해 클라우드(1702)와 통신할 수 있다. 또한, 유선 또는 무선 서브-네트워크(1712)는 IoT 디바이스들이 로컬 영역 네트워크, 무선 로컬 영역 네트워크 등과 같이, 서로 통신하는 것을 허용할 수 있다. IoT 디바이스들은 클라우드(1702)와 통신하기 위해 집성기 또는 집성 디바이스로서 기능할 수 있는 게이트웨이(1710)와 같은 다른 디바이스를 사용할 수 있다.

IoT 디바이스들의 다른 그룹들은, 많은 것들 중에서도 특히, 온도 센서들(1714), 원격 날씨 스테이션들(1716), 경보 시스템들(1718), 자동 출납기들(1720), 경보 패널들(1722), 또는 긴급 차량들(1724)과 같은 움직이는 차량들 또는 드론들(1726)을 포함할 수 있다. 이러한 IoT 디바이스들 각각은 다른 IoT 디바이스들과, 서버들(1704)과, 또는 양쪽 모두와 통신할 수 있다.

도 17로부터 알 수 있는 바와 같이, 많은 수의 IoT 디바이스들이 클라우드(1702)를 통해 통신할 수 있다. 이는 상이한 IoT 디바이스들이 다른 디바이스들에게 자율적으로 정보를 요청하거나 제공하는 것을 허용할 수 있다. 예를 들어, 교통 제어 그룹(1706)은 인간의 개입 없이 예보를 제공할 수 있는 원격 날씨 스테이션들(1716)의 그룹에 현재 날씨 예보를 요청할 수 있다. 또한, 긴급 차량(1724)은 절도가 진행 중인 자동 출납기(1720)에 의해 경보를 받을 수 있다. 긴급 차량(1724)이 자동 출납기(1720)를 향해 진행함에 따라, 그것은, 예를 들어, 긴급 차량(1724)이 교차로에 대한 방해받지 않고 접근할 수 있도록 충분한 시간 동안 교차로에서의 크로스 교통을 차단하기 위해 교통 신호등을 적색으로 전환함으로써, 해당 위치까지의 클리어런스를 요청하기 위해 교통 제어 그룹(1706)에 액세스할 수 있다.

원격 날씨 스테이션들(1716) 또는 교통 제어 그룹(1706)과 같은 IoT 디바이스들의 클러스터들은 다른 IoT 디바이스들뿐만 아니라 클라우드(1702)와 통신할 장비를 갖출 수 있다. 이는 IoT 디바이스들이 디바이스들 사이에 애드혹 네트워크를 형성하는 것을 허용하여, 이들이 단일 디바이스로서 기능하는 것을 허용할 수 있으며, 이는 도 2에 관하여 더 논의되는 포그 디바이스라고 지칭될 수 있다.

도 18은 클라우드(1702)의 에지에서 동작하는 포그 디바이스(1802)라고 지칭될 수 있는 IoT 디바이스들의 메시 네트워크와 통신하는 클라우드 컴퓨팅 네트워크 또는 클라우드(1702)의 도면(1800)이다. 유사한 번호의 아이템들은 도 17에 관하여 설명된 바와 같다. 이 예에서, 포그 디바이스(1802)는 거리 교차로에서의 IoT 디바이스들의 그룹이다. 포그 디바이스(1802)는, 많은 것들 중에서도 특히, OFC(OpenFog Consortium)에 의해 공개된 사양들에 따라 설정될 수 있다. 이러한 사양들은 포그 디바이스(1802)를 클라우드(702)에 결합하는 게이트웨이들(1710)과, 이 예에서는 교통 신호등(1804) 및 데이터 집성기들(1806)과 같은 엔드포인트 디바이스들 사이의 컴퓨팅 요소들의 계층 구조의 형성을 허용한다.

교차로를 통한 교통 흐름은 이 예에서 3개의 교통 신호등(1804)에 의해 제어될 수 있다. 교통 흐름 및 제어 스킴들의 분석은 메시 네트워크를 통해 서로 그리고 교통 신호등들(1804)과 통신하는 집성기들(1806)에 의해 구현될 수 있다. 데이터는 클라우드(1702)에 업로드될 수 있고, 커맨드들은 메시 네트워크를 통해 교통 신호등들(1804) 및 집성기들(1806)과 통신하는 게이트웨이들(1710)을 통해 클라우드(1702)로부터 수신될 수 있다.

임의의 수의 통신 링크가 포그 디바이스(1802)에서 사용될 수 있다. 예를 들어, IEEE 802.15.4와 호환가능한 더 단거리(shorter-range) 링크들(1808)은 교차로에 근접한 IoT 디바이스들 사이의 로컬 통신을 제공할 수 있다. 예를 들어, LPWA 표준들과 호환가능한 더 장거리(longer-range) 링크들(1810)은 IoT 디바이스들과 게이트웨이들(1710) 사이의 통신을 제공할 수 있다. 다이어그램을 단순화하기 위해, 모든 통신 링크(1808 또는 1810)가 참조 번호로 라벨링되지는 않는다.

포그 디바이스(1802)는 다수의 IoT 디바이스들이, 예를 들어, 통신 링크들(1808 및 1810)에 의해 서로 통신하는 대규모로 상호접속된 네트워크인 것으로 간주될 수 있다. 이 네트워크는 2015년 12월 23일자로 OCF(Open Connectivity Foundation™)에 의해 공개된 OIC(open interconnect consortium) 표준 사양 1.0을 이용하여 설정될 수 있다. 이 표준은 디바이스들이 서로를 발견하고 상호접속들을 위한 통신을 설정하는 것을 허용한다. 많은 것들 중에서도 특히, 예를 들어, 저전력을 위한 라우팅 프로토콜(routing protocol for low-power, RPL), 최적화된 링크 상태 라우팅(optimized link state routing, OLSR) 프로토콜, 또는 모바일 애드혹 네트워킹에 대한 더 양호한 접근법(better approach to mobile ad-hoc networking, B.A.T.M.A.N.)을 포함하는 다른 상호접속 프로토콜들이 사용될 수도 있다.

임의의 IoT 디바이스로부터의 통신은 게이트웨이들(1710)에 도달하기 위해 IoT 디바이스들 중 임의의 것 사이의 가장 편리한 경로를 따라 전달될 수 있다. 이러한 네트워크들에서, 상호접속의 수는 상당한 중복성을 제공하여, 다수의 IoT 디바이스들의 손실에도 불구하고 통신이 유지되는 것을 가능하게 한다.

IoT 디바이스들 모두가 포그 디바이스(1802)의 영구적 멤버들일 수 있는 것은 아니다. 도면(1800)의 예에서는, 3개의 일시적 IoT 디바이스가 포그 디바이스(1802)에 조인하였고, 제1 차량(1812), 제2 차량(1814), 및 보행자(1816)이다. 이러한 경우들에서, IoT 디바이스는 차량들(1812 및 1814)에 내장될 수 있거나, 보행자(1816)에 의해 휴대되는 휴대폰 상의 앱일 수 있다.

디바이스들의 포그 디바이스(1802)는 클라우드(1702)의 에지에 위치한 단일 디바이스로서, 서버(1704)와 같은, 클라우드(1702) 내의 클라이언트들에 제시될 수 있다. 이 예에서, 포그 디바이스(1802) 내의 특정 리소스들에 대한 제어 통신은 포그 디바이스(1802) 내의 임의의 특정 IoT 디바이스를 식별하지 않고 발생할 수 있다. 따라서, 하나의 IoT 디바이스가 고장나면, 다른 IoT 디바이스들이 리소스를 발견 및 제어할 수 있다. 예를 들어, 교통 신호등들(1804)은 교통 신호등들(1804) 중 어느 하나가 다른 교통 신호등들(1804)에 대한 조명들을 제어하는 것을 허용하도록 와이어링될 수 있다.

일부 예들에서, IoT 디바이스들은 명령형 프로그래밍 스타일(imperative programming style)을 이용하여 구성될 수 있어, 예컨대, 각각의 IoT 디바이스가 특정 기능 및 통신 파트너들을 갖는다. 그러나, 포그 디바이스(1802)를 형성하는 IoT 디바이스들은 선언형 프로그래밍 스타일(declarative programming style)로 구성될 수 있어서, 예컨대 조건들, 쿼리들, 및 디바이스 고장들에 응답하여 필요한 리소스들을 결정하기 위해 IoT 디바이스들이 그들의 동작들 및 통신을 재구성하는 것을 허용한다. 이는 보행자(1816)와 같은 일시적 IoT 디바이스들이 포그 디바이스(1802)에 조인할 때 수행될 수 있다. 보행자(1816)는 차량들(1812 및 1814) 보다 더 느리게 이동할 가능성이 있으므로, 포그 디바이스(1802)는 보행자(1816)가 교차로를 통과하기에 충분한 시간을 갖도록 보장하기 위해 자체를 재구성할 수 있다. 이는 교통 신호등(1804)을 제어하기 위해 차량들(1812 및 1814) 및 보행자(1816)의 임시 그룹을 형성함으로써 수행될 수 있다. 차량들(1812 또는 1814) 중 하나 또는 양쪽 모두가 자율적이면, 임시 그룹은 차량들에게 교통 신호등(1804)에 앞서 속도를 늦추도록 지시할 수 있다.

일시적 디바이스들(1812, 1814, 및 1816)이 포그 디바이스(1802)의 교차로의 인근을 떠날 때, 그것은 네트워크로부터 그러한 IoT 디바이스들을 제거하도록 자체를 재구성할 수 있다. 다른 일시적 IoT 디바이스들이 교차로에 접근할 때, 포그 디바이스(1802)는 그러한 디바이스들을 포함하도록 자체를 재구성할 수 있다.

포그 디바이스(1802)는 거리를 따라 있는 모든 일시적 IoT 디바이스들과 함께, 예컨대 거리를 따라, 다수의 교차로들에 대한 교통 신호등들(1804)을 포함할 수 있다. 그 후 포그 디바이스(1802)는 자체를 단일 교차로에 근접한 교통 신호등들(1804) 및 다른 IoT 디바이스들과 같은 기능 유닛들로 분할할 수 있다. 이러한 타입의 조합은 포그 디바이스(1802)에서 더 큰 IoT 구성체들의 형성을 가능하게 할 수 있다. 예를 들어, 긴급 차량이 포그 디바이스(1802)에 조인하면, 거리에 대한 모든 교통 신호등들(1804)을 포함하는 긴급 구성체, 또는 가상 디바이스가 생성될 수 있어, 전체 거리에 대한 교통 흐름 패턴들의 제어를 허용한다. 긴급 구성체는 거리를 따라 있는 교통 신호등들(1804)에게 반대 교통에 대해서는 적색으로 그리고 긴급 차량에 대해서는 녹색으로 유지되도록 지시하여, 긴급 차량의 통과를 촉진할 수 있다. 마지막으로, 차량 교통과 관련되지 않은 많은 다른 유사하고 상이한 구성들 및 애플리케이션들이 관련되고 적용가능하다.

도 19는 IoT 시스템에서의 센서들을 관리하기 위해 IoT 디바이스(900) 내에 존재할 수 있는 컴포넌트들의 예의 블록 다이어그램이다. IoT 디바이스(1900)는 예에 도시된 컴포넌트들의 임의의 조합들을 포함할 수 있다. 컴포넌트들은 IoT 디바이스(1900)에 적응된 IC들, 그의 부분들, 개별 전자 디바이스들, 또는 다른 모듈들, 로직, 하드웨어, 소프트웨어, 펌웨어, 또는 이들의 조합으로서, 또는 더 큰 시스템의 섀시 내에 달리 통합된 컴포넌트들로서 구현될 수 있다. 도 19의 블록 다이어그램은 IoT 디바이스(1900)의 컴포넌트들의 하이-레벨 뷰를 도시하도록 의도되어 있다. 그러나, 다른 구현들에서는 도시된 컴포넌트들 중 일부가 생략될 수 있고, 추가 컴포넌트들이 존재할 수 있고, 도시된 컴포넌트들의 상이한 배열들이 발생할 수 있다.

IoT 디바이스(1900)는 프로세서(1902)를 포함할 수 있고, 이 프로세서는 마이크로프로세서, 멀티-코어 프로세서, 멀티스레드 프로세서, 초저전압 프로세서, 임베디드 프로세서, 또는 다른 공지된 프로세싱 요소일 수 있다. 프로세서(1902)는 프로세서(1902) 및 다른 컴포넌트들이 단일 집적 회로 내로 형성되는 시스템 온 칩(SoC)의 일부, 또는 Intel로부터의 Edison™ 또는 Galileo™ SoC 보드들과 같은 단일 패키지일 수 있다. 예로서, 프로세서(1902)는 Quark™, Atom™, i3, i5, i7, 또는 MCU-클래스 프로세서와 같은, Intel® Architecture Core™ 기반 프로세서, 또는 캘리포니아주 산타 클라라의 Intel® Corporation으로부터 입수가능한 다른 그러한 프로세서를 포함할 수 있다. 그러나, 예를 들어, 캘리포니어주, 서니베일의 Advanced Micro Devices, Inc.(AMD)로부터 입수가능한 것, 캘리포니아주, 서니베일의 MIPS Technologies Inc.로부터의 MIPS-기반 설계, ARM Holdings, Ltd. 또는 그의 고객, 또는 그들의 피허가자들 또는 사용권자로부터 라이센싱된 ARM-기반 설계와 같은, 임의의 수의 다른 프로세서들이 사용될 수 있다. 프로세서들은 Apple® Inc.로부터의 A5-A9 프로세서, Qualcomm® Technologies, Inc.로부터의 Snapdragon™ 프로세서 또는 Texas Instruments, Inc.로부터의 OMAP™ 프로세서와 같은 유닛들을 포함할 수 있다.

프로세서(1902)는 버스(906)를 통해 시스템 메모리(1904)와 통신할 수 있다. 주어진 양의 시스템 메모리를 제공하기 위해 임의의 수의 메모리 디바이스들이 사용될 수 있다. 예로서, 메모리는 JEDEC(Joint Electron Devices Engineering Council) 저전력 더블 데이터 레이트(LPDDR)-기반 설계, 예컨대 JEDEC JESD 209-2E에 따른 현재 LPDDR2 표준(2009년 4월 발표), 또는 대역폭을 증가시키기 위해 LPDDR2에 확장을 제공할 LPDDR3 또는 LPDDR4 와 같은 차세대 LPDDR 표준에 따른 랜덤 액세스 메모리(RAM)일 수 있다. 다양한 구현들에서, 개별 메모리 디바이스들은 단일 다이 패키지(SDP), 듀얼 다이 패키지(DDP) 또는 쿼드 다이 패키지(Q17P)와 같은 임의의 수의 상이한 패키지 타입들일 수 있다. 이러한 디바이스들은, 일부 실시예들에서, 더 낮은 프로파일 솔루션을 제공하기 위해 마더보드 상에 직접 솔더링될 수 있는 반면, 다른 실시예들에서 디바이스들은 주어진 커넥터에 의해 마더보드에 차례로 결합되는 하나 이상의 메모리 모듈로서 구성된다. 다른 타입의 메모리 모듈들, 예컨대, microDIMM들 또는 MiniDIMM들을 포함하지만, 이들로 제한되지 않는 상이한 다양성들의 듀얼 인라인 메모리 모듈들(DIMM들)과 같은 임의의 수의 다른 메모리 구현들이 사용될 수 있다. 예를 들어, 메모리는 크기가 2GB 내지 16GB일 수 있고, 볼 그리드 어레이(BGA)를 통해 마더보드 상에 솔더링되는 DDR3LM 패키지 또는 LPDDR2 또는 LPDDR3 메모리로서 구성될 수 있다.

데이터, 애플리케이션, 운영 체제 등과 같은 정보의 영구적 저장을 제공하기 위해, 대용량 스토리지(908)가 버스(1906)를 통해 프로세서(1902)에 결합될 수도 있다. 더 얇고 더 가벼운 시스템 설계를 가능하게 하기 위해, 대용량 스토리지(1908)는 솔리드 스테이트 디스크 드라이브(SSDD)를 통해 구현될 수 있다. 대용량 스토리지(1908)에 사용될 수 있는 다른 디바이스들은 SD 카드들, microSD 카드들, xD 픽처 카드들 등과 같은 플래시 메모리 카드들, 및 USB 플래시 드라이브들을 포함한다. 저전력 구현들에서, 대용량 스토리지(1908)는 프로세서(1902)와 연관된 온-다이 메모리 또는 레지스터들일 수 있다. 그러나, 일부 예들에서, 대용량 스토리지(1908)는 마이크로 하드 디스크 드라이브(HDD)를 이용하여 구현될 수 있다. 또한, 설명된 기술들에 더하여, 또는 그 대신에, 많은 것들 중에서도 특히, 저항 변화 메모리들, 상 변화 메모리들, 홀로그래픽 메모리들, 또는 화학 메모리들과 같은, 임의의 수의 새로운 기술들이 대용량 스토리지(908)에 사용될 수 있다. 예를 들어, IoT 디바이스(1900)는 Intel® 및 Micron®으로부터의 3D XPOINT 메모리들을 통합할 수 있다.

컴포넌트들은 버스(1906)를 통해 통신할 수 있다. 버스(1906)는 ISA(industry standard architecture), EISA(extended ISA), PCI(peripheral component interconnect), PCIx(peripheral component interconnect extended), PCIe(PCI express), 또는 임의의 수의 다른 기술들을 포함하는 임의의 수의 기술들을 포함할 수 있다. 버스(1906)는, 예를 들어, SoC 기반 시스템에서 사용되는 사유 버스일 수 있다. 많은 것들 중에서도 특히, I2C 인터페이스, SPI 인터페이스, 포인트 투 포인트 인터페이스들, 및 전력 버스와 같은, 다른 버스 시스템들이 포함될 수 있다.

버스(1906)는, 다른 메시 디바이스들(1912)과의 통신을 위해, 프로세서(1902)를 메시 트랜시버(1910)에 결합할 수 있다. 메시 트랜시버(1910)는, 많은 것들 중에서도 특히, Bluetooth® Special Interest Group에 의해 정의된 바와 같은 BLE(Bluetooth® low energy) 표준, 또는 ZigBee® 표준을 이용하여, IEEE 802.15.4 표준 하에서 2.4 기가헤르츠(GHz) 송신들과 같은 임의의 수의 주파수들 및 프로토콜들을 사용할 수 있다. 특정 무선 통신 프로토콜을 위해 구성된 임의의 수의 무선기들이 메시 디바이스들(1912)로의 접속들을 위해 사용될 수 있다. 예를 들어, WLAN 유닛은 IEEE(Institute of Electrical and Electronics Engineers) 802.11 표준에 따라 Wi-Fi™ 통신을 구현하는 데 사용될 수 있다. 또한, 예컨대, 셀룰러 또는 다른 무선 광역 프로토콜에 따른 무선 광역 통신이 WWAN 유닛을 통해 발생할 수 있다.

메시 트랜시버(1910)는 상이한 거리들에서의 통신을 위해 다수의 표준 또는 무선기를 이용하여 통신할 수 있다. 예를 들어, IoT 디바이스(1900)는, BLE에 기초한 로컬 트랜시버, 또는 다른 저전력 무선기를 이용하여, 예컨대, 약 10 미터 내의 가까운 디바이스들과 통신하여, 전력을 절약할 수 있다. 예컨대, 약 50 미터 내의, 더 멀리 있는 메시 디바이스들(1912)은 ZigBee 또는 다른 중간 전력 무선기들을 통해 도달될 수 있다. 양쪽 통신 기법들은 상이한 전력 레벨들에서 단일 무선기를 통해 일어날 수 있거나, 별개의 트랜시버들을 통해, 예를 들어, BLE를 사용하는 로컬 트랜시버 및 ZigBee를 사용하는 별개의 메시 트랜시버를 통해 일어날 수 있다. 메시 트랜시버(1910)는, Intel로부터 입수가능한 Curie® 유닛들에서와 같이, 칩에 의해 직접 액세스 가능한 어드레스로서 MCU에 통합될 수 있다.

클라우드(102) 내의 디바이스들과 통신하기 위해 업링크 트랜시버(1914)가 포함될 수 있다. 업링크 트랜시버(1914)는, 많은 것들 중에서도 특히, IEEE 802.15.4, 또는 IEEE 802.15.4g 표준을 따르는 LPWA 트랜시버일 수 있다. IoT 디바이스(1900)는 Semtech 및 LoRa Alliance에 의해 개발된 LoRaWAN™ Range Wide Area Network)을 사용하여 광역에 걸쳐 통신할 수 있다. 본 명세서에 설명된 기법들은 이러한 기술들로 제한되지 않고, 장거리, 낮은 대역폭 통신, 예컨대 Sigfox, 및 다른 기술들을 구현하는 임의의 수의 다른 클라우드 트랜시버들과 함께 사용될 수 있다. 또한, IEEE 802.15.4e에 기술된 시간 슬롯 채널 호핑과 같은 다른 통신 기법들이 사용될 수 있다.

본 명세서에 설명된 바와 같이, 메시 트랜시버(1910) 및 업링크 트랜시버(1914)에 대해 언급된 시스템들에 더하여 임의의 수의 다른 무선 통신 및 프로토콜들이 사용될 수 있다. 예를 들어, 무선 트랜시버들(1910 및 1912)은, 예컨대 비디오 전송을 위해, 고속 통신을 구현하기 위해 확산 스펙트럼(SPA/SAS) 통신을 사용하는 LTE 또는 다른 셀룰러 트랜시버를 포함할 수 있다. 또한, 정지 화상들, 센서 판독들, 및 네트워크 통신의 제공과 같은, 중속 통신을 위해 Wi-Fi 네트워크들과 같은 임의의 수의 다른 프로토콜들이 사용될 수 있다.

무선 트랜시버들(1910 및 1914)은 임의의 수의 3GPP(Third Generation Partnership Project) 사양들, 특히 롱 텀 에볼루션(LTE), 롱 텀 에볼루션-어드밴스드(LTE-A), 및 롱 텀 에볼루션-어드밴스드 프로(LTE-A Pro)와 호환가능한 무선기들을 포함할 수 있다. LTE-머신-타입 통신(LTE-M), LTE-협대역(LTE-NB), 또는 이들의 변형들과 같은 셀룰러 표준들이 적용가능할 수 있다. 임의의 수의 다른 고정, 모바일, 또는 위성 통신 기술들 및 표준들과 호환가능한 무선기들이 선택될 수 있다는 점에 유의할 수 있다. 이들은, 예를 들어, 임의의 셀룰러 광역 무선 통신 기술을 포함할 수 있으며, 본 기법은 예컨대 5세대(5G) 통신 시스템, GSM(Global System for Mobile Communications) 무선 통신 기술, GPRS(General Packet Radio Service) 무선 통신 기술, 또는 EDGE(Enhanced Data Rates for GSM Evolution) 무선 통신 기술을 포함할 수 있다. 사용될 수 있는 다른 3세대 파트너쉽(3GPP) 무선 통신 기술은 UMTS(Universal Mobile Telecommunications System), FOMA(Freedom of Multimedia Access), 3GPP LTE(Long Term Evolution), 3GPP LTE Advanced(Long Term Evolution Advanced), 3GPP LTE Advanced Pro(Long Term Evolution Advanced Pro)), CDMA2000(Code division multiple access 2000), CDPD(Cellular Digital Packet Data), Mobitex, 3G(Third Generation), CSD(Circuit Switched Data), HSCSD(High-Speed Circuit-Switched Data), UMTS(3G)(Universal Mobile Telecommunications System(Third Generation)), W-CDMA(UMTS)(Wideband Code Division Multiple Access(Universal Mobile Telecommunications System)), HSPA(High Speed Packet Access), HSDPA(High-Speed Downlink Packet Access), HSUPA(High-Speed Uplink Packet Access), HSPA+(High Speed Packet Access Plus), UMTS-TDD(Universal Mobile Telecommunications System-Time-Division Duplex), TD-CDMA(Time Division-Code Division Multiple Access), TD-SCDMA(Time Division-Synchronous Code Division Multiple Access), 3GPP Rel. 8(Pre-4G)(3rd Generation Partnership Project Release 8(Pre-4th Generation)), 3GPP Rel. 9(3rd Generation Partnership Project Release 9), 3GPP Rel. 10(3rd Generation Partnership Project Release 10), 3GPP Rel. 11(3rd Generation Partnership Project Release 11), 3GPP Rel. 12(3rd Generation Partnership Project Release 12), 3GPP Rel. 13(3rd Generation Partnership Project Release 13), 3GPP Rel. 14(3rd Generation Partnership Project Release 14), 3GPP LTE Extra, LTE Licensed-Assisted Access LAA, UTRA(UMTS Terrestrial Radio Access), E-UTRA(Evolved UMTS Terrestrial Radio Access), LTE Advanced(4G)(Long Term Evolution Advanced(4th Generation)), cdmaOne 2G, CDMA2000(3G)(Code division multiple access 2000(Third generation)), EV-DO(Evolution-Data Optimized 또는 Evolution-Data Only), AMPS(1G)(Advanced Mobile Phone System(1st Generation)), TACS/ETACS(Total Access Communication System/Extended Total Access Communication System), D-AMPS(2G)(Digital AMPS(2nd Generation)), PTT(Push-to-talk), MTS(Mobile Telephone System), IMTS(Improved Mobile Telephone System), AMTS(Advanced Mobile Telephone System), OLT(Offentlig Landmobil Telefoni, Public Land Mobile Telephony에 대한 노르웨이 말), MTD(Mobiltelefonisystem D, 또는 Mobile telephony system D에 대한 스웨덴 약어), Autotel/PALM(Public Automated Land Mobile), ARP(Autoradiopuhelin,

에 대한 핀란드 말), NMT(Nordic Mobile Telephony), Hicap(High capacity version of NTT(Nippon Telegraph and Telephone)), CDPD(Cellular Digital Packet Data), Mobitex, DataTAC, iDEN(Integrated Digital Enhanced Network), PDC(Personal Digital Cellular), CSD(Circuit Switched Data), PHS(Personal Handy-phone System), WiDEN(Wideband Integrated Digital Enhanced Network), iBurst, UMA(Unlicensed Mobile Access)(3GPP Generic Access Network, 또는 GAN 표준이라고도 지칭됨), WiGig(Wireless Gigabit Alliance) 표준, 일반적으로 mmWave 표준들(wireless systems operating at WiGig, IEEE 802.11ad, IEEE 802.11ay와 같이 10-90 GHz 이상에서 동작하는 무선 시스템들) 등을 포함한다. 위에 열거된 표준들에 더하여, 많은 것들 중에서도 특히, 예를 들어, ITU(International Telecommunication Union), 또는 ETSI(European Telecommunications Standards Institute)에 의해 발행된 표준들을 준수하는 무선기들을 포함하는, 임의의 수의 위성 업링크 기술들이 업링크 트랜시버(1914)에 사용될 수 있다. 따라서, 본 명세서에 제공된 예들은 기존의 그리고 아직 공식화되지 않은 다양한 다른 통신 기술들에 적용가능한 것으로 이해된다.

유선 통신을 클라우드(1702)에 제공하기 위해 네트워크 인터페이스 컨트롤러(NIC)(1916)가 포함될 수 있다. 유선 통신은 이더넷 접속을 제공할 수 있거나, 많은 것들 중에서도 특히, CAN(Controller Area Network), LIN(Local Interconnect Network), DeviceNet, ControlNet, Data Highway+, PROFIBUS, 또는 PROFINET와 같은 다른 타입의 네트워크들에 기초할 수 있다. 제2 네트워크로의 접속을 허용하기 위해 추가 NIC(1916), 예를 들어, 이더넷을 통해 클라우드에 통신을 제공하는 NIC(1916), 및 다른 타입의 네트워크를 통해 다른 디바이스들에 통신을 제공하는 제2 NIC(1916)가 포함될 수 있다.

NIC, 업링크, 및 메시 트랜시버의 표현에 관하여, QW 노드에 대한 일반적인 경우에, 적어도 2개의 물리적 인터페이스가 있을 수 있다. 스택의 일부로서 메시 및 라우팅 능력을 가질 수 있는 저전력 메시(예컨대, IEEE 802.15.4)에 대한 하나의 인터페이스. 제2 물리적 인터페이스는 클라우드 엔티티에의 데이터의 "업링크" 보고를 수행하는 인터넷 프로토콜(IP) 접속을 가질 수 있다.

버스(906)는 외부 디바이스들을 접속하는 데 사용될 수 있는 인터페이스(1918)에 프로세서(1902)를 결합할 수 있다. 외부 디바이스들은 가속도계들, 레벨 센서들, 유동 센서들, 온도 센서들, 압력 센서들, 기압 센서들 등과 같은 센서들(1920)을 포함할 수 있다. 인터페이스(1918)는 IoT 디바이스(900)를 전력 스위치들, 밸브 액추에이터들, 가청 사운드 생성기, 시각적 경고 디바이스 등과 같은 액추에이터들(1922)에 접속하기 위해 사용될 수 있다.

도시되어 있지 않지만, 다양한 입력/출력(I/O) 디바이스들이 IoT 디바이스(1900) 내에 존재하거나 그에 접속될 수 있다. 예를 들어, 센서 판독 또는 액추에이터 위치와 같은 정보를 보여주기 위해 디스플레이가 포함될 수 있다. 입력을 수용하기 위해 터치 스크린 또는 키패드와 같은 입력 디바이스가 포함될 수 있다.

사실, IoT 디바이스(1900)는 디스플레이 인터페이스(1938) 및 인간-머신(HM) 인터페이스(1942)와 같은 하나 이상의 I/O 인터페이스를 가질 수 있다. 디스플레이 인터페이스(1938)는 비디오뿐만 아니라, 오디오를 수용할 수 있다. 예시된 예에서는, 디스플레이(1940)가 디스플레이 인터페이스(1938)에 결합될 수 있다. 디스플레이(1940)는 IoT 시스템들을 통해 수집된 IoT 데이터를 포함하는 데이터의 디스플레이를 제공할 수 있다. 디스플레이(1940)는 액정 디스플레이(LCD), 발광 다이오드(LED), 유기 LED(OLED), 가스-플라즈마 등과 같은 기술들을 통합할 수 있다. 디스플레이(1940)는 단순 디스플레이 또는 더 복잡한 디스플레이일 수 있다. 디스플레이(1940)는 인터랙티브 디스플레이일 수 있고 사용자 입력을 수용할 수 있다. 일부 예들에서, 디스플레이(1940)는 사용자 입력을 위한 터치 스크린을 가질 수 있다. 디스플레이(1940)는 노브들 또는 푸시 버튼들을 가질 수 있고, 가상 아이콘들, 선택가능 또는 멀티-터치 메뉴들, 그래픽 사용자 인터페이스(GUI) 등으로 구성될 수 있다.

인터페이스 디바이스(1944)가 HM 인터페이스(1942)(HMI)에 결합될 수 있다. 인터페이스 디바이스(1944)는 터치스크린, 마우스, 키보드들, 버튼들 등을 포함할 수 있다. HM 인터페이스(1942)는 인간 상호작용 및 입력을 수용하기 위한 하드웨어 및 코드를 포함할 수 있다. 게다가, 디스플레이(1940) 및 인터페이스 디바이스(1944)가 IoT 디바이스(1900)에 결합된 것으로 또는 그의 일부로서 묘사되어 있지만, IoT 시스템 전체에 걸친 다양한 노드들 및 디바이스들이 IoT 데이터의 디스플레이를 위해 그리고 인간 상호작용을 위해 디스플레이 디바이스 또는 인터페이스 디바이스에 결합되거나 그와 연관될 수 있다.

배터리(1924)는 IoT 디바이스(1900)에 전력을 공급할 수 있지만, IoT 디바이스(1900)가 고정된 위치에 장착되는 예들에서, 그것은 전기 그리드에 결합된 전원을 가질 수 있다. 배터리(1924)는 리튬 이온 배터리, 아연-공기 배터리, 알루미늄-공기 배터리, 리튬-공기 배터리와 같은 금속-공기 배터리 등일 수 있다.

배터리(1924)의 충전 상태(SoCh))를 추적하기 위해 IoT 디바이스(1900)에 배터리 모니터/충전기(1926)가 포함될 수 있다. 배터리 모니터/충전기(1926)는 배터리(1924)의 건강 상태(SoH) 및 기능 상태(SoF)와 같은 고장 예측들을 제공하기 위해 배터리(1924)의 다른 파라미터들을 모니터링하는 데 사용될 수 있다. 배터리 모니터/충전기(1926)는 Linear Technologies로부터의 LTC4020 또는 LTC2990과 같은 배터리 모니터링 집적 회로, 아리조나주 피닉스의 ON Semiconductor로터의 ADT7488A, 또는 텍사스 달라스의 Texas Instruments로부터의 UCD90xxx 패밀리로부터의 IC를 포함할 수 있다. 배터리 모니터/충전기(1926)는 배터리(1924) 상의 정보를 버스(1906)를 통해 프로세서(1902)에 전달할 수 있다. 배터리 모니터/충전기(1926)는 또한 프로세서(1902)가 배터리(1924)의 전압 또는 배터리(1924)로부터의 전류 흐름을 직접 모니터링하는 것을 허용하는 아날로그-디지털(ADC) 컨버터를 포함할 수 있다. 배터리 파라미터들은 송신 주파수, 메시 네트워크 동작, 감지 주파수 등과 같은, IoT 디바이스(1900)가 수행할 수 있는 액션들을 결정하기 위해 사용될 수 있다. 이는 위에서 논의된 바와 같이 수행되는 고장 동작들과 관련될 수 있다.

그리드에 결합된 전력 블록(1928), 또는 다른 전원이 배터리(1924)를 충전하기 위해 배터리 모니터/충전기(1926)와 결합될 수 있다. 일부 예들에서, 전력 블록(1928)은 무선 전력 수신기로 대체되어, 예를 들어, IoT 디바이스(1900) 내의 루프 안테나를 통해 무선으로 전력을 획득할 수 있다. 많은 것들 중에서도 특히, 캘리포니아주 밀피타스의 Linear Technologies로부터의 LTC4020 칩과 같은 무선 배터리 충전 회로가 배터리 모니터/충전기(1926)에 포함될 수 있다. 선택된 특정 충전 회로들은 배터리(1924)의 크기, 및 따라서, 요구되는 전류에 의존한다. 충전은, 많은 것들 중에서도 특히, Airfuel Alliance에 의해 공포된 Airfuel 표준, Wireless Power Consortium에 의해 공포된 Qi 무선 충전 표준, Alliance for Wireless Power에 의해 공포된 Rezence 충전 표준을 이용하여 수행될 수 있다.

대용량 스토리지(1908)는 본 명세서에 설명된 센서를 구현하기 위한 다수의 모듈을 포함할 수 있다. 예를 들어, 블록(1930)은 센서 관리를 구현하기 위한 실행가능 코드일 수 있다. 센서 관리는 센서들의 각각의 건강 동작 상태를 결정하는 것, 센서들의 환경을 고려하는 것, 센서들의 샘플링 빈도를 변화시키는 것, 센서들 중 일부를 팀 구성하는 것 등을 수반할 수 있다.

중복 센서들이 이용되는 동안, 양태는 팀 구성에 의해 중간 건강 레벨의 열화된 센서들을 계속 사용하는 것에 의해 전형적인 것보다 더 적은 중복 센서들을 갖는 것일 수 있다. 센서 관리자(1930)의 특정 실시예들은 센서 열화 및 고장의 예상(예컨대, 동적 예상), 열화된 센서를 다른 센서 또는 중복 센서와 페어링 또는 팀 구성하는 적용가능성을 어드레싱할 수 있다. 이는 바이털 센서 기능들 및 에지 디바이스들 또는 포그 요소들의 컨텍스트에서 적용가능하다. 예를 들어, 로컬 에지 디바이스 또는 포그 디바이스 구성(도 15 내지 도 19 참조)에서 또는 그와 함께, 네트워킹된 디바이스들에서의 교체 또는 팀 구성에 대한 필수적 측정들에 대한 중복성은 정상 또는 바이털 센서 기능이 중간 건강 레벨로 시프트할 때 구현될 수 있다. 이 중복성 및 팀 구성은 임계치들 및 이전에 논의된 다른 팩터들의 함수일 수 있다. 다시금, 그것은 포그 네트워킹 요소들에 관하여 구현될 수 있다.

마지막으로, 비록 대용량 스토리지(1908)에서 코드 블록(1930)으로 도시되었지만, 센서 관리자 모듈은, 예를 들어, 특정 용도 집적 회로(ASIC)에 내장된 하드와이어드 회로들로 대체될 수 있다는 것을 이해할 수 있다. 대용량 스토리지(1908)는 구성 파라미터들에 액세스하기 위한 제어 UI와 같은 다른 기능 블록들, 및 사전 준비된(canned) 트리거 스크립트들의 상호작용을 위한 애플리케이션 프로그램 인터페이스(API)들을 제공할 수 있는 자동화 프레임워크를 추가로 포함하고 저장할 수 있다. 존재할 수 있는 다른 기능 블록들은 트리거 스크립트들이 동기 대 스태거된 시작을 식별하는 것을 허용하는 표준 세트의 타이밍 정보를 교환하는 자동화 프레임워크에서 가속 프로세싱 유닛(APU)들을 포함한다. 워크플로우 구성 정보, 관측된 시스템 성능, 및 결과적인 솔루션 특성들을 저장하기 위해 IoT 데이터베이스가 포함될 수 있다. IoT 데이터베이스와의 상호작용들은 제어 UI를 통해 이루어질 수 있다.

본 설명 및 청구항들에서, 용어들 "결합된" 및 "접속된"과 함께 그의 파생어들이 사용될 수 있다. 이러한 용어들은 서로에 대해 동의어로서 의도되어 있지 않음을 이해해야 한다. 오히려, 특정 실시예들에서, "접속된"은 2개 이상의 요소가 서로 직접 물리적으로 또는 전기적으로 접촉하고 있음을 나타내기 위해 사용될 수 있다. "결합된"은 2개 이상의 요소가 직접 물리적으로 또는 전기적으로 접촉하고 있음을 의미할 수 있다. 그러나, "결합된"은 또한 2개 이상의 요소가 서로 직접 접촉하고 있지 않지만, 여전히 서로 협력 또는 상호작용함을 의미할 수 있다.

일부 실시예들은 하드웨어, 펌웨어, 및 소프트웨어 중 하나 또는 조합으로 구현될 수 있다. 일부 실시예들은 또한 본 명세서에 설명된 동작들을 수행하기 위해 컴퓨팅 플랫폼에 의해 판독 및 실행될 수 있는 머신 판독가능 매체에 저장된 명령어들로서 구현될 수 있다. 머신 판독가능 매체는 머신, 예컨대, 컴퓨터에 의해 판독가능한 형태로 정보를 저장 또는 송신하는 임의의 메커니즘을 포함할 수 있다. 예를 들어, 머신 판독가능 매체는 판독 전용 메모리(ROM); 랜덤 액세스 메모리(RAM); 자기 디스크 저장 매체; 광학 저장 매체; 플래시 메모리 디바이스들; 또는 많은 것들 중에서도 특히, 전기, 광학, 음향 또는 다른 형태의 전파된 신호들, 예컨대, 반송파들, 적외선 신호들, 디지털 신호들, 또는 신호들을 송신하거나 수신하는 인터페이스들을 포함할 수 있다.

실시예는 구현 또는 예이다. 본 명세서에서 "실시예", "일 실시예", "일부 실시예들", "다양한 실시예", 또는 "다른 실시예들"이라는 언급은 실시예들과 관련하여 설명된 특정 특징, 구조, 또는 특성이 적어도 일부 실시예들에 포함되지만, 반드시 본 기법들의 모든 실시예에 포함되는 것은 아님을 의미한다. "실시예", "일 실시예", 또는 "일부 실시예들"의 다양한 출현들은 반드시 모두가 동일한 실시예들을 언급하는 것은 아니다. 한 실시예로부터의 요소들 또는 양태들은 다른 실시예들의 요소들 또는 양태들과 조합될 수 있다.

본 명세서에 설명되고 예시된 모든 컴포넌트, 특징, 구조, 특성 등이 특정 실시예 또는 실시예들에 포함될 필요가 있는 것은 아니다. 명세서에서 컴포넌트, 특징, 구조, 또는 특성이, 예를 들어, 포함될 수 있다("may", "might", "can", 또는 "could")고 명시한다면, 그 특정 컴포넌트, 특징, 구조, 또는 특성이 포함되는 것이 필수는 아니다. 명세서 또는 청구항에서 한("a" 또는 "an") 요소를 언급한다면, 그것은 그 요소가 하나만 존재함을 의미하지 않는다. 명세서 또는 청구항에서 "추가" 요소를 언급한다면, 그것은 하나보다 많은 추가 요소가 존재하는 것을 배제하지 않는다.

비록 일부 실시예들이 특정 구현들에 관련하여 기술되었을지라도, 일부 실시예들에 따라 다른 구현들이 가능하다는 점에 유의해야 한다. 추가적으로, 본 명세서에 설명되거나 도면들에 예시된 회로 요소들 또는 다른 특징들의 배열 및 순서는 설명되고 예시된 특정 방식으로 배열될 필요는 없다. 일부 실시예들에 따라 다른 많은 배열들이 가능하다.

도면에 도시된 각각의 시스템에서, 일부 경우들에서 요소들은 각각 표현된 요소들이 상이하거나 유사할 수 있다는 것을 암시하기 위해 동일한 참조 번호 또는 상이한 참조 번호를 가질 수 있다. 그러나, 한 요소가 상이한 구현들을 가지고 본 명세서에 설명되거나 도시된 시스템들의 일부 또는 전부와 함께 작업할 만큼 충분히 유연할 수 있다. 도면들에 도시된 다양한 요소들은 동일하거나 상이할 수 있다. 어느 하나가 제1 요소라고 지칭되고 어느 것이 제2 요소라고 지칭되는지는 임의적이다.

예들이 주어진다. 예 1은 컴퓨팅 디바이스에 의해 시스템 내의 센서들을 관리하는 방법이다. 이 방법은 상기 센서들의 건강 동작 상태들을 상기 센서들의 정확성과 상관적으로 결정하는 단계 - 상기 건강 동작 상태들을 결정하기 위한 상기 센서들의 샘플링 빈도는 동적임 -; 상기 센서들을 그들 각각의 건강 동작 상태에 의해 분류하는 단계 - 상기 건강 동작 상태들은 건강한(H) 상태, 건강하지 않은(U) 상태, 및 감지된 데이터가 상기 H 상태보다는 덜 정확하고 상기 U 상태보다는 더 정확한 중간 상태를 포함함 -; 및 H 상태를 갖는 팀을 제공하기 위해 각각 상기 중간 상태를 갖는 2개의 센서를 팀 구성하는 단계를 포함한다.

예 2는 옵션 특징들을 포함하거나 배제하는, 예 1의 방법을 포함한다. 이 예에서, 상기 센서들을 분류하는 단계는 동작 센서들의 실시간 분류를 포함하고, H 상태 센서로부터의 센서 데이터는 실질적으로 정확하고, U 상태 센서 데이터로부터의 센서 데이터는 용인가능하지 않다.

예 3은 옵션 특징들을 포함하거나 배제하는, 예 1 내지 2 중 어느 하나의 방법을 포함한다. 이 예에서, 상기 센서들의 건강 동작 상태들을 결정하는 단계는 온라인으로 가져온 새로운 센서들에 대한 부트스트랩 샘플링 빈도를 포함한다.

예 4는 옵션 특징들을 포함하거나 배제하는, 예 1 내지 3 중 어느 하나의 방법을 포함한다. 이 예에서, 상기 센서들의 건강 동작 상태들을 결정하는 단계는 상기 센서들이 배치되는 환경을 파라미터화하는 단계를 포함한다.

예 5는 옵션 특징들을 포함하거나 배제하는, 예 1 내지 4 중 어느 하나의 방법을 포함한다. 이 예에서, 상기 동적 샘플링 빈도를 포함하는 건강 동작 상태들을 결정하는 단계는 상기 센서들을 샘플링하고 샘플링된 데이터를 참조 센서와 비교하는 단계를 포함하고, 상기 H 상태는 적어도 90%의 센서 데이터의 정확성으로서 정의되고, 상기 중간 상태는 적당히 건강한(M) 상태 및 약한 건강한(W) 상태를 포함하는 다수의 중간 상태들을 포함한다. 옵션으로, M 상태 센서에 대해, 일부 감지된 데이터가 정확하고 다른 감지된 데이터가 부정확하거나, 또는 정확한 것으로부터의 감지된 데이터 편차가 패턴을 따르거나, 또는 이들의 조합이다. 옵션으로, 상기 방법은 H 상태 센서의 노출을 감소시키기 위해 M 상태 센서를 상기 H 상태 센서와 연관시키는 단계; 상기 M 상태 센서가 실질적으로 정확한 도메인을 결정하는 단계; 상기 M 상태 센서 판독들이 상기 도메인에서 발생하는 것에 응답하여 상기 H 상태 센서를 비활성화시키는 단계; 및 상기 M 상태 센서 판독들이 상기 도메인 밖에서 발생하는 것에 응답하여 상기 H 상태 센서를 활성화시키는 단계를 포함한다. 옵션으로, 상기 방법은 센서의 배치 지속기간의 증가와 상관적으로 센서의 샘플링 빈도를 증가시키는 단계; 및 다수의 W 상태 센서들의 그룹화를 H 상태 또는 M 상태의 단일 논리 센서로서 취급하는 단계를 포함하고, W 상태 센서는 단독으로 사용될 수 없다. 옵션으로, 상기 방법은 상기 센서가 비정상 값들을 보고하는 것에 응답하여 상기 샘플링 빈도의 증가를 가속화하는 단계를 포함한다. 옵션으로, 상기 방법은 센서의 센시티브 부분의 더 많은 이용에 응답하여 상기 샘플링 빈도의 증가를 가속화하는 단계를 포함한다.

예 6은 옵션 특징들을 포함하거나 배제하는, 예 1 내지 5 중 어느 하나의 방법을 포함한다. 이 예에서, 상기 방법은 U 상태 센서로부터 데이터를 격리하는 단계를 포함하고, 상기 시스템은 IoT 시스템을 포함하고, 상기 센서들은 IoT 센서들을 포함하고, 상기 컴퓨팅 디바이스는 IoT 게이트웨이 디바이스, 클라우드 컴퓨팅 디바이스, 또는 IoT 스마트 센서를 포함한다.

예 7은 옵션 특징들을 포함하거나 배제하는, 예 1 내지 6 중 어느 하나의 방법을 포함한다. 이 예에서, 센서들의 건강 동작 상태들을 결정하는 단계는 센서의 샘플링 빈도가 센서의 정확성 드리프트의 또는 상기 센서가 현재 건강 동작 상태에 남아 있을 확률의, 또는 이들의 조합의 함수인 센서 건강의 적응적 평가를 포함한다.

예 8은 데이터를 감지하기 위한 시스템이다. 이 시스템은 상기 데이터를 측정하는 센서들; 및 상기 센서들의 건강 동작 상태들을 결정하고 상기 센서들을 그들 각각의 건강 동작 상태에 의해 분류하는 센서 관리자를 포함하고, 상기 건강 동작 상태들은 건강한(H) 상태, 건강하지 않은(U) 상태, 및 감지된 데이터가 상기 H 상태에 대한 것보다는 덜 정확하고 상기 U 상태에 대한 것보다는 더 정확한 중간 상태를 포함하고, 상기 센서 관리자는 상기 H 상태를 갖는 팀을 제공하기 위해 상기 중간 상태를 각각 갖는 2개의 센서를 팀 구성한다.

예 9는 옵션 특징들을 포함하거나 배제하는, 예 8의 시스템을 포함한다. 이 예에서, 상기 센서 관리자는 상기 시스템의 메모리에 저장되고 상기 시스템의 프로세서에 의해 실행가능한 코드이고, 상기 H 상태는 센서 데이터가 실질적으로 정확한 것이고, 상기 U 상태는 센서 데이터가 사용가능하지 않은 것이다.

예 10은 옵션 특징들을 포함하거나 배제하는, 예 8 내지 9 중 어느 하나의 시스템을 포함한다. 이 예에서, 상기 시스템은 상기 센서들로부터 상기 데이터를 수신하고 상기 데이터를 클라우드 인프라스트럭처에 제공하는 게이트웨이 디바이스를 포함하고, 상기 센서 관리자는 상기 클라우드 인프라스트럭처 내에 또는 상기 게이트웨이 디바이스 상에, 또는 이들의 조합에 배치되고, 상기 시스템은 사물 인터넷(IoT) 시스템을 포함하고, 상기 센서들은 IoT 센서들을 포함한다.

예 11은 옵션 특징들을 포함하거나 배제하는, 예 8 내지 10 중 어느 하나의 시스템을 포함한다. 이 예에서, 건강 동작 상태들을 결정하는 것은 상기 센서들을 샘플링하고 샘플링된 데이터를 참조 센서와 비교하는 것을 포함하고, 샘플링 빈도는 동적이고, 상기 H 상태는 적어도 90%의 센서 데이터의 정확성으로서 정의되고, 상기 중간 상태는 적당히 건강한(M) 상태 및 약한 건강한(W) 상태를 포함하는 다수의 중간 상태들을 포함한다. 옵션으로, M 상태 센서에 대해, 일부 감지된 데이터가 정확하고 다른 감지된 데이터가 부정확하거나, 또는 정확한 것으로부터의 감지된 데이터 편차가 패턴을 따르거나, 또는 이들의 조합이다. 옵션으로, 상기 센서 관리자는: H 상태 센서의 노출을 감소시키기 위해 M 상태 센서를 상기 H 상태 센서와 팀 구성하고; 상기 M 상태 센서가 실질적으로 정확한 도메인에서 상기 M 상태 센서 판독들이 발생하는 것에 응답하여 상기 H 상태 센서를 비활성화시키고; 상기 M 상태 센서 판독들이 상기 도메인 밖에서 발생하는 것에 응답하여 상기 H 상태 센서를 활성화시킨다. 옵션으로, 건강 동작 상태들을 결정하는 것은 센서의 배치 지속기간의 증가와 상관적으로 센서의 샘플링 빈도의 증가를 구현하는 것을 포함한다. 옵션으로, 건강 동작 상태들을 결정하는 것은 상기 센서가 비정상 값들을 보고하는 것에 응답하여 또는 상기 센서의 센시티브 부분의 더 많은 이용에 응답하여, 또는 이들의 조합에 대해 샘플링 빈도의 증가를 가속화하는 것을 포함한다.

예 12는 옵션 특징들을 포함하거나 배제하는, 예 8 내지 11 중 어느 하나의 시스템을 포함한다. 이 예에서, 상기 센서 관리자는 다수의 W 상태 센서들을 H 상태 또는 M 상태의 단일 논리 센서로서 그룹화하고, 센서들의 건강 동작 상태들을 결정하는 것은 센서의 샘플링 빈도가 센서의 정확성 드리프트의 또는 상기 센서가 현재 건강 동작 상태에 남아 있을 확률의, 또는 이들의 조합의 함수인 센서 건강의 적응적 평가를 포함한다.

예 13은 유형의 비일시적인 컴퓨터 판독가능 매체이다. 이 컴퓨터 판독가능 매체는 시스템 내의 센서들의 건강 동작 상태들을 상기 센서들의 정확성과 상관적으로 결정 및 할당하고 - 상기 건강 동작 상태들은 실질적으로 정확한 건강한(H) 상태, 건강하지 않은(U) 상태, 및 상기 H 상태보다는 덜 정확하고 상기 U 상태보다는 더 정확한 개재 상태를 포함하고, 상기 센서들의 건강 동작 상태들을 결정하는 것은 정확성을 결정하기 위한 센서의 샘플링 빈도가 센서의 정확성 드리프트의 또는 상기 센서가 현재 건강 동작 상태에 남아 있을 확률의, 또는 이들의 조합의 함수인 센서 건강의 적응적 평가를 포함함 -; 센서의 배치 지속기간의 증가와 상관적으로 센서의 샘플링 빈도를 증가시키고; 상기 H 상태를 갖는 팀을 제공하기 위해 상기 개재 상태를 각각 갖는 2개의 센서를 팀 구성하도록 프로세서에 지시하는 명령어들을 포함한다.

예 14는 옵션 특징들을 포함하거나 배제하는, 예 13의 컴퓨터 판독가능 매체를 포함한다. 이 예에서, H 상태 센서는 센서들의 팀 밖에서만 정확하게 감지할 수 있고, 건강 동작 상태들을 결정하는 것은 상기 센서가 비정상 값들을 보고하는 것에 응답하여 또는 상기 센서의 센시티브 부분의 더 많은 이용에 응답하여, 또는 이들의 조합에 대해 샘플링 빈도의 증가를 가속화하는 것을 포함한다.

예 15는 옵션 특징들을 포함하거나 배제하는, 예 13 내지 14 중 어느 하나의 컴퓨터 판독가능 매체를 포함한다. 이 예에서, 건강 동작 상태들을 결정하는 것은 상기 센서들을 샘플링하고 샘플링된 데이터를 참조 센서와 비교하는 것을 포함하고, 상기 샘플링 빈도는 동적이고, 상기 H 상태는 적어도 90%의 센서 데이터의 정확성을 포함하고, 상기 개재 상태는 적당히 건강한(M) 상태 및 약한 건강한(W) 상태를 포함하는 다수의 개재 상태들을 포함하고, M 상태 센서에 대해, 일부 감지된 데이터가 정확하고 다른 감지된 데이터가 부정확하다. 옵션으로, 명령어들은, 프로세서에 의해 실행될 때: H 상태 센서의 노출을 감소시키기 위해 M 상태 센서를 상기 H 상태 센서와 팀 구성하고; 상기 M 상태 센서가 실질적으로 정확한 도메인에서 상기 M 상태 센서 판독들이 발생하는 것에 응답하여 상기 H 상태 센서를 비활성화시키고; 상기 M 상태 센서 판독들이 상기 도메인 밖에서 발생하는 것에 응답하여 상기 H 상태 센서를 활성화시키고; 다수의 W 상태 센서들을 H 상태 또는 M 상태의 단일 논리 센서로서 그룹화하도록 상기 프로세서에 지시한다.

예 16은 컴퓨팅 디바이스에 의해 시스템 내의 센서들을 관리하는 방법이다. 이 방법은 상기 센서들의 건강 동작 상태들을 상기 센서들의 정확성과 상관적으로 결정하는 단계 - 상기 건강 동작 상태들을 결정하기 위한 상기 센서들의 샘플링 빈도는 동적임 -; 상기 센서들의 실시간 동작 중에 상기 센서들을 그들 각각의 건강 동작 상태에 의해 분류하는 단계 - 상기 건강 동작 상태들은 건강한(H) 상태, 건강하지 않은(U) 상태, 및 감지된 데이터가 상기 H 상태보다는 덜 정확하고 상기 U 상태보다는 더 정확한 중간 상태를 포함하고, H 상태 센서로부터의 센서 데이터는 실질적으로 정확하고, U 상태 센서 데이터로부터의 센서 데이터는 용인가능하지 않음 -; 및 H 상태를 갖는 팀을 제공하기 위해 각각 상기 중간 상태를 갖는 2개의 센서를 팀 구성하는 단계를 프로세서에게 지시하는 명령어들을 포함한다.

예 17은 옵션 특징들을 포함하거나 배제하는, 예 16의 방법을 포함한다. 이 예에서, 상기 동적 샘플링 빈도를 포함하는 건강 동작 상태들을 결정하는 단계는 상기 센서들을 샘플링하고 샘플링된 데이터를 참조 센서와 비교하는 단계를 포함하고, 상기 H 상태는 적어도 90%의 센서 데이터의 정확성으로서 정의되고, 상기 중간 상태는 적당히 건강한(M) 상태 및 약한 건강한(W) 상태를 포함하는 다수의 중간 상태들을 포함하고, M 상태 센서에 대해, 일부 감지된 데이터가 정확하고 다른 감지된 데이터가 부정확하거나, 또는 정확한 것으로부터의 감지된 데이터 편차가 패턴을 따르거나, 또는 이들의 조합이다. 옵션으로, 상기 방법은 H 상태 센서의 노출을 감소시키기 위해 M 상태 센서를 상기 H 상태 센서와 연관시키는 단계; 상기 M 상태 센서가 실질적으로 정확한 도메인을 결정하는 단계; 상기 M 상태 센서 판독들이 상기 도메인에서 발생하는 것에 응답하여 상기 H 상태 센서를 비활성화시키는 단계; 및 상기 M 상태 센서 판독들이 상기 도메인 밖에서 발생하는 것에 응답하여 상기 H 상태 센서를 활성화시키는 단계를 포함한다. 옵션으로, 상기 방법은 상기 센서의 배치 지속기간의 증가와 상관적으로, 또는 상기 센서가 비정상 값들을 보고하는 것에 응답하여, 또는 센서의 센시티브 부분의 더 많은 이용에 응답하여, 또는 이들의 임의의 조합에 대해 센서의 샘플링 빈도를 증가시키는 단계; 및 다수의 W 상태 센서들의 그룹화를 H 상태 또는 M 상태의 단일 논리 센서로서 취급하는 단계를 포함하고, W 상태 센서는 단독으로 사용될 수 없다. 옵션으로, 상기 방법은 U 상태 센서로부터 데이터를 격리하는 단계를 포함하고, 상기 시스템은 IoT 시스템을 포함하고, 상기 센서들은 IoT 센서들을 포함하고, 상기 컴퓨팅 디바이스는 IoT 게이트웨이 디바이스, 클라우드 컴퓨팅 디바이스, 또는 IoT 스마트 센서를 포함한다. 옵션으로, 센서들의 건강 동작 상태들을 결정하는 단계는 센서의 샘플링 빈도가 센서의 정확성 드리프트의 또는 상기 센서가 현재 건강 동작 상태에 남아 있을 확률의, 또는 이들의 조합의 함수인 센서 건강의 적응적 평가를 포함한다.

예 18은 데이터를 감지하기 위한 시스템이다. 이 시스템은 상기 데이터를 측정하는 센서들; 및 상기 센서들의 건강 동작 상태들을 결정하고 상기 센서들을 그들 각각의 건강 동작 상태에 의해 분류하는 센서 관리자를 프로세서에게 지시하는 명령어들을 포함하고, 상기 건강 동작 상태들은 건강한(H) 상태, 건강하지 않은(U) 상태, 및 감지된 데이터가 상기 H 상태에 대한 것보다는 덜 정확하고 상기 U 상태에 대한 것보다는 더 정확한 중간 상태를 포함하고, 상기 센서 관리자는 상기 시스템의 메모리에 저장되고 상기 시스템의 프로세서에 의해 실행가능한 코드를 포함하고, 상기 H 상태는 센서 데이터가 실질적으로 정확한 것이고, 상기 U 상태는 센서 데이터가 사용가능하지 않은 것이고, 상기 센서 관리자는 상기 H 상태를 갖는 팀을 제공하기 위해 상기 중간 상태를 각각 갖는 2개의 센서를 팀 구성한다.

예 19는 옵션 특징들을 포함하거나 배제하는, 예 18의 시스템을 포함한다. 이 예에서, 상기 시스템은 상기 센서들로부터 상기 데이터를 수신하고 상기 데이터를 클라우드 인프라스트럭처에 제공하는 게이트웨이 디바이스를 포함하고, 상기 센서 관리자는 상기 클라우드 인프라스트럭처 내에 또는 상기 게이트웨이 디바이스 상에, 또는 이들의 조합에 배치되고, 상기 시스템은 사물 인터넷(IoT) 시스템을 포함하고, 상기 센서들은 IoT 센서들을 포함한다.

예 20은 옵션 특징들을 포함하거나 배제하는, 예 18 내지 19 중 어느 하나의 시스템을 포함한다. 이 예에서, 건강 동작 상태들을 결정하는 것은 상기 센서들을 샘플링하고 샘플링된 데이터를 참조 센서와 비교하는 것을 포함하고, 샘플링 빈도는 동적이고, 상기 H 상태는 적어도 90%의 센서 데이터의 정확성으로서 정의되고, 상기 중간 상태는 적당히 건강한(M) 상태 및 약한 건강한(W) 상태를 포함하는 다수의 중간 상태들을 포함하고, M 상태 센서에 대해, 일부 감지된 데이터가 정확하고 다른 감지된 데이터가 부정확하거나, 또는 정확한 것으로부터의 감지된 데이터 편차가 패턴을 따르거나, 또는 이들의 조합이다.

예 21은 옵션 특징들을 포함하거나 배제하는, 예 18 내지 20 중 어느 하나의 시스템을 포함한다. 이 예에서, 상기 센서 관리자는: H 상태 센서의 노출을 감소시키기 위해 M 상태 센서를 상기 H 상태 센서와 팀 구성하고; 상기 M 상태 센서가 실질적으로 정확한 도메인에서 상기 M 상태 센서 판독들이 발생하는 것에 응답하여 상기 H 상태 센서를 비활성화시키고; 상기 M 상태 센서 판독들이 상기 도메인 밖에서 발생하는 것에 응답하여 상기 H 상태 센서를 활성화시키고; 다수의 W 상태 센서들을 H 상태 또는 M 상태의 단일 논리 센서로서 그룹화한다. 옵션으로, 건강 동작 상태들을 결정하는 것은 센서의 배치 지속기간의 증가와 상관적으로 상기 센서의 샘플링 빈도의 증가를 구현하는 것, 또는 상기 센서가 비정상 값들을 보고하는 것에 응답하여 샘플링 빈도의 증가를 구현하는 것, 또는 상기 센서의 센시티브 부분의 더 많은 이용에 응답하여 샘플링 빈도의 증가를 구현하는 것, 또는 이들의 임의의 조합들을 포함한다.

예 22는 컴퓨팅 디바이스에 의해 시스템 내의 센서들을 관리하는 방법이다. 이 방법은 상기 센서들의 건강 동작 상태들을 상기 센서들의 정확성과 상관적으로 결정하는 단계 - 상기 건강 동작 상태들을 결정하기 위한 상기 센서들의 샘플링 빈도는 동적임 -; 상기 센서들을 그들 각각의 건강 동작 상태에 의해 분류하는 단계 - 상기 건강 동작 상태들은 건강한(H) 상태, 건강하지 않은(U) 상태, 및 감지된 데이터가 상기 H 상태보다는 덜 신뢰성 있고 상기 U 상태보다는 더 신뢰성 있는 개재 상태를 포함함 -; 상기 H 상태를 갖는 팀을 제공하기 위해 상기 개재 상태를 각각 갖는 2개의 센서를 팀 구성하는 단계를 포함한다.

예 23은 옵션 특징들을 포함하거나 배제하는, 예 22의 방법을 포함한다. 이 예에서, 센서들을 분류하는 단계는 동작 센서들의 실시간 분류를 포함한다.

예 24는 옵션 특징들을 포함하거나 배제하는, 예 22 내지 23 중 어느 하나의 방법을 포함한다. 이 예에서, H 상태 센서로부터의 센서 데이터는 실질적으로 정확하고, U 상태 센서 데이터로부터의 센서 데이터는 용인가능하지 않다.

예 25는 옵션 특징들을 포함하거나 배제하는, 예 22 내지 24 중 어느 하나의 방법을 포함한다. 이 예에서, 상기 방법은 U 상태 센서로부터 데이터를 격리하는 단계를 포함한다.

예 26은 옵션 특징들을 포함하거나 배제하는, 예 22 내지 25 중 어느 하나의 방법을 포함한다. 이 예에서, 상기 센서들의 건강 동작 상태들을 결정하는 단계는 온라인으로 가져온 새로운 센서들에 대한 부트스트랩 샘플링 빈도를 포함한다.

예 27은 옵션 특징들을 포함하거나 배제하는, 예 22 내지 26 중 어느 하나의 방법을 포함한다. 이 예에서, 상기 센서들의 건강 동작 상태들을 결정하는 단계는 상기 센서들이 배치되는 환경을 파라미터화하는 단계를 포함한다.

예 28은 옵션 특징들을 포함하거나 배제하는, 예 22 내지 27 중 어느 하나의 방법을 포함한다. 이 예에서, 상기 동적 샘플링 빈도를 포함하는 건강 동작 상태들을 결정하는 단계는 상기 센서들을 샘플링하고 샘플링된 데이터를 참조 센서와 비교하는 단계를 포함한다.

예 29는 옵션 특징들을 포함하거나 배제하는, 예 22 내지 28 중 어느 하나의 방법을 포함한다. 이 예에서, 상기 H 상태는 적어도 90%의 센서 데이터의 정확성으로서 정의된다.

예 30은 옵션 특징들을 포함하거나 배제하는, 예 22 내지 29 중 어느 하나의 방법을 포함한다. 이 예에서, 상기 방법은 센서의 배치 지속기간의 증가와 상관적으로 센서의 샘플링 빈도를 증가시키는 단계를 포함한다. 옵션으로, 상기 방법은 상기 센서가 비정상 값들을 보고하는 것에 응답하여 상기 샘플링 빈도의 증가를 가속화하는 단계를 포함한다. 옵션으로, 상기 방법은 센서의 센시티브 부분의 더 많은 이용에 응답하여 상기 샘플링 빈도의 증가를 가속화하는 단계를 포함한다.

예 31은 옵션 특징들을 포함하거나 배제하는, 예 22 내지 30 중 어느 하나의 방법을 포함한다. 이 예에서, 상기 개재 상태는 적당히 건강한(M) 상태 및 약한 건강한(W) 상태를 포함하는 다수의 개재 상태들을 포함한다. 옵션으로, M 상태 센서에 대해, 일부 감지된 데이터가 정확하고 다른 감지된 데이터가 부정확하다. 옵션으로, M 상태 센서에 대해, 정확한 것으로부터의 적어도 일부 감지된 데이터 편차가 패턴을 따른다. 옵션으로, 상기 방법은 H 상태 센서의 노출을 감소시키기 위해 M 상태 센서를 상기 H 상태 센서와 연관시키는 단계; 상기 M 상태 센서가 실질적으로 정확한 도메인을 결정하는 단계; 상기 M 상태 센서 판독들이 상기 도메인에서 발생하는 것에 응답하여 상기 H 상태 센서를 비활성화시키는 단계; 및 상기 M 상태 센서 판독들이 상기 도메인 밖에서 발생하는 것에 응답하여 상기 H 상태 센서를 활성화시키는 단계를 포함한다. 옵션으로, 상기 방법은 다수의 W 상태 센서들의 그룹화를 H 상태 또는 M 상태의 단일 논리 센서로서 취급하는 단계를 포함하고, W 상태 센서는 단독으로 용인가능하게 사용될 수 없다.

예 32는 옵션 특징들을 포함하거나 배제하는, 예 22 내지 31 중 어느 하나의 방법을 포함한다. 이 예에서, 상기 시스템은 IoT 시스템을 포함하고, 상기 센서들은 IoT 센서들을 포함하고, 상기 컴퓨팅 디바이스는 IoT 게이트웨이 디바이스, 클라우드 컴퓨팅 디바이스, 또는 IoT 스마트 센서를 포함한다.

예 33은 옵션 특징들을 포함하거나 배제하는, 예 22 내지 32 중 어느 하나의 방법을 포함한다. 이 예에서, 센서들의 건강 동작 상태들을 결정하는 단계는 센서의 샘플링 빈도가 센서의 정확성 드리프트의 또는 상기 센서가 현재 건강 동작 상태에 남아 있을 확률의, 또는 이들의 조합의 함수인 센서 건강의 적응적 평가를 포함한다.

예 34는 유형의 비일시적인 컴퓨터 판독가능 매체이다. 이 컴퓨터 판독가능 매체는 센서들의 건강 동작 상태들을 상기 센서들의 정확성과 상관적으로 결정하고 - 상기 건강 동작 상태들을 결정하기 위한 상기 센서들의 샘플링 빈도는 동적임 -; 상기 센서들을 그들 각각의 건강 동작 상태에 의해 분류하고 - 상기 건강 동작 상태들은 건강한(H) 상태, 건강하지 않은(U) 상태, 및 감지된 데이터가 상기 H 상태보다는 덜 정확하고 상기 U 상태보다는 더 정확한 중간 상태를 포함함 -; 상기 H 상태를 갖는 팀을 제공하기 위해 상기 개재 상태를 각각 갖는 2개의 센서를 팀 구성하도록 프로세서에 지시하는 명령어들을 포함한다.

예 35는 옵션 특징들을 포함하거나 배제하는, 예 34의 컴퓨터 판독가능 매체를 포함한다. 이 예에서, 센서들을 분류하는 것은 동작 센서들의 실시간 분류를 포함한다.

예 36은 옵션 특징들을 포함하거나 배제하는, 예 34 내지 35 중 어느 하나의 컴퓨터 판독가능 매체를 포함한다. 이 예에서, H 상태 센서로부터의 센서 데이터는 실질적으로 정확하고, U 상태 센서 데이터로부터의 센서 데이터는 용인가능하지 않다.

예 37은 옵션 특징들을 포함하거나 배제하는, 예 34 내지 36 중 어느 하나의 컴퓨터 판독가능 매체를 포함한다. 이 예에서, 상기 명령어들은, 프로세서에 의해 실행될 때, U 상태 센서로부터의 데이터를 격리하도록 상기 프로세서에 지시한다.

예 38은 옵션 특징들을 포함하거나 배제하는, 예 34 내지 37 중 어느 하나의 컴퓨터 판독가능 매체를 포함한다. 이 예에서, 상기 센서들의 건강 동작 상태들을 결정하는 것은 온라인으로 가져온 새로운 센서들에 대한 부트스트랩 샘플링 빈도를 포함한다.

예 39는 옵션 특징들을 포함하거나 배제하는, 예 34 내지 38 중 어느 하나의 컴퓨터 판독가능 매체를 포함한다. 이 예에서, 상기 센서들의 건강 동작 상태들을 결정하는 것은 상기 센서들이 배치되는 환경을 파라미터화하는 것을 포함한다.

예 40은 옵션 특징들을 포함하거나 배제하는, 예 34 내지 39 중 어느 하나의 컴퓨터 판독가능 매체를 포함한다. 이 예에서, 상기 동적 샘플링 빈도를 포함하는 건강 동작 상태들을 결정하는 것은 상기 센서들을 샘플링하고 샘플링된 데이터를 참조 센서와 비교하는 것을 포함한다.

예 41은 옵션 특징들을 포함하거나 배제하는, 예 34 내지 40 중 어느 하나의 컴퓨터 판독가능 매체를 포함한다. 이 예에서, 상기 H 상태는 적어도 90%의 센서 데이터의 정확성을 포함한다.

예 42는 옵션 특징들을 포함하거나 배제하는, 예 34 내지 41 중 어느 하나의 컴퓨터 판독가능 매체를 포함한다. 이 예에서, 상기 명령어들은, 프로세서에 의해 실행될 때, 센서의 배치 지속기간의 증가와 상관적으로 센서의 샘플링 빈도를 증가시키도록 상기 프로세서에 지시한다. 옵션으로, 상기 명령어들은, 프로세서에 의해 실행될 때, 상기 센서가 비정상 값들을 보고하는 것에 응답하여 상기 샘플링 빈도의 증가를 가속화하도록 상기 프로세서에 지시한다. 옵션으로, 상기 명령어들은, 프로세서에 의해 실행될 때, 상기 센서의 센시티브 부분의 더 많은 이용에 응답하여 상기 샘플링 빈도의 증가를 가속화하도록 상기 프로세서에 지시한다.

예 43은 옵션 특징들을 포함하거나 배제하는, 예 34 내지 42 중 어느 하나의 컴퓨터 판독가능 매체를 포함한다. 이 예에서, 상기 중간 상태는 적당히 건강한(M) 상태 및 약한 건강한(W) 상태를 포함하는 다수의 중간 상태들을 포함한다. 옵션으로, M 상태 센서에 대해, 일부 감지된 데이터가 정확하고 다른 감지된 데이터가 부정확하다. 옵션으로, M 상태 센서에 대해, 정확한 것으로부터의 적어도 일부 감지된 데이터 편차가 패턴을 따른다. 옵션으로, 상기 명령어들은, 프로세서에 의해 실행될 때: H 상태 센서의 노출을 감소시키기 위해 M 상태 센서를 상기 H 상태 센서와 연관시키고; 상기 M 상태 센서가 실질적으로 정확한 도메인을 결정하고; 상기 M 상태 센서 판독들이 상기 도메인에서 발생하는 것에 응답하여 상기 H 상태 센서를 비활성화시키고; 상기 M 상태 센서 판독들이 상기 도메인 밖에서 발생하는 것에 응답하여 상기 H 상태 센서를 활성화시키도록 상기 프로세서에 지시한다. 옵션으로, 상기 명령어들은, 프로세서에 의해 실행될 때, 다수의 W 상태 센서들의 그룹화를 H 상태 또는 M 상태의 단일 논리 센서로서 취급하도록 상기 프로세서에 지시하고, W 상태 센서는 단독으로 용인가능하게 사용될 수 없다.

예 44는 옵션 특징들을 포함하거나 배제하는, 예 34 내지 43 중 어느 하나의 컴퓨터 판독가능 매체를 포함한다. 이 예에서, 상기 시스템은 IoT 시스템을 포함하고, 상기 센서들은 IoT 센서들을 포함하고, 상기 컴퓨팅 디바이스는 IoT 게이트웨이 디바이스, 클라우드 컴퓨팅 디바이스, 또는 IoT 스마트 센서를 포함한다.

예 45는 옵션 특징들을 포함하거나 배제하는, 예 34 내지 44 중 어느 하나의 컴퓨터 판독가능 매체를 포함한다. 이 예에서, 센서들의 건강 동작 상태들을 결정하는 것은 센서의 샘플링 빈도가 센서의 정확성 드리프트의 또는 상기 센서가 현재 건강 동작 상태에 남아 있을 확률의, 또는 이들의 조합의 함수인 센서 건강의 적응적 평가를 포함한다.

예 46은 동작 센서들을 관리하기 위한 시스템이다. 이 시스템은 상기 센서들의 건강 동작 상태들을 상기 센서들의 정확성과 상관적으로 결정하는 수단 - 상기 건강 동작 상태들을 결정하기 위한 상기 센서들의 샘플링 빈도는 동적임 -; 상기 센서들을 그들 각각의 건강 동작 상태에 의해 분류하는 수단 - 상기 건강 동작 상태들은 건강한(H) 상태, 건강하지 않은(U) 상태, 및 감지된 데이터가 상기 H 상태보다는 덜 정확하고 상기 U 상태보다는 더 정확한 중간 상태를 포함함 -; 및 상기 H 상태를 갖는 팀을 제공하기 위해 상기 중간 상태를 각각 갖는 2개의 센서를 팀 구성하는 수단을 프로세서에게 지시하는 명령어들을 포함한다.

예 47은 옵션 특징들을 포함하거나 배제하는, 예 46의 시스템을 포함한다. 이 예에서, H 상태 센서로부터의 센서 데이터는 실질적으로 정확하고, U 상태 센서 데이터로부터의 센서 데이터는 용인가능하지 않다. 옵션으로, 상기 시스템은 U 상태 센서에 의해 제공되는 데이터를 격리하는 수단을 포함한다.

예 48은 옵션 특징들을 포함하거나 배제하는, 예 46 내지 47의 시스템을 포함한다. 이 예에서, 상기 센서들의 건강 동작 상태들을 결정하는 수단은 온라인으로 가져온 새로운 센서들에 대한 부트스트랩 샘플링 빈도를 수용한다.

예 49는 옵션 특징들을 포함하거나 배제하는, 예 46 내지 48의 시스템을 포함한다. 이 예에서, 상기 센서들의 건강 동작 상태들을 결정하는 수단은 상기 센서들이 배치되는 환경을 파라미터화한다.

예 50은 옵션 특징들을 포함하거나 배제하는, 예 46 내지 49의 시스템을 포함한다. 이 예에서, 건강 동작 상태들을 결정하는 수단은 상기 동적 샘플링 빈도를 구현하고 상기 센서들을 샘플링하는 것과 샘플링된 데이터를 참조 센서와 비교하는 것을 포함한다. 옵션으로, 상기 H 상태는 적어도 90%의 센서 데이터의 정확성을 포함한다.

예 51은 옵션 특징들을 포함하거나 배제하는, 예 46 내지 50의 시스템을 포함한다. 이 예에서, 건강 동작 상태들을 결정하는 수단은 센서의 배치 지속기간의 증가와 상관적으로 센서의 샘플링 빈도의 증가를 구현한다. 옵션으로, 건강 동작 상태들을 결정하는 수단은 상기 센서가 비정상 값들을 보고하는 것에 응답하여 상기 샘플링 빈도의 증가를 가속화한다. 옵션으로, 건강 동작 상태들을 결정하는 수단은 상기 센서의 센시티브 부분의 더 많은 이용에 응답하여 상기 샘플링 빈도의 증가를 가속화한다.

예 52는 옵션 특징들을 포함하거나 배제하는, 예 46 내지 51의 시스템을 포함한다. 이 예에서, 상기 중간 상태는 적당히 건강한(M) 상태 및 약한 건강한(W) 상태를 포함하는 다수의 중간 상태들을 포함한다. 옵션으로, M 상태 센서에 대해, 일부 감지된 데이터가 정확하고 다른 감지된 데이터가 부정확하다. 옵션으로, M 상태 센서에 대해, 정확한 것으로부터의 적어도 일부 감지된 데이터 편차가 패턴을 따른다. 옵션으로, 상기 시스템은 H 상태 센서의 노출을 감소시키기 위해 M 상태 센서를 상기 H 상태 센서와 연관시키는 수단; 상기 M 상태 센서가 실질적으로 정확한 도메인을 결정하는 수단; 상기 M 상태 센서 판독들이 상기 도메인에서 발생하는 것에 응답하여 상기 H 상태 센서를 비활성화시키는 수단; 및 상기 M 상태 센서 판독들이 상기 도메인 밖에서 발생하는 것에 응답하여 상기 H 상태 센서를 활성화시키는 수단을 포함한다. 옵션으로, 상기 시스템은 다수의 W 상태 센서들의 그룹화를 H 상태 또는 M 상태의 단일 논리 센서로서 취급하는 수단을 포함하고, W 상태 센서는 단독으로 용인가능하게 사용될 수 없다.

예 53은 옵션 특징들을 포함하거나 배제하는, 예 46 내지 52의 시스템을 포함한다. 이 예에서, 상기 시스템은 IoT 시스템을 포함하고, 상기 센서들은 IoT 센서들을 포함하고, 상기 컴퓨팅 디바이스는 IoT 게이트웨이 디바이스, 클라우드 컴퓨팅 디바이스, 또는 IoT 스마트 센서를 포함한다.

예 54는 옵션 특징들을 포함하거나 배제하는, 예 46 내지 53의 시스템을 포함한다. 이 예에서, 센서들의 건강 동작 상태들을 결정하는 수단은 센서의 샘플링 빈도가 센서의 정확성 드리프트의 또는 상기 센서가 현재 건강 동작 상태에 남아 있을 확률의, 또는 이들의 조합의 함수인 센서 건강의 적응적 평가를 구현한다.

전술한 예들에서의 상세 사항들은 하나 이상의 실시예에서 어디에서든 사용될 수 있다는 것을 이해해야 한다. 예를 들어, 위에 기술된 컴퓨팅 디바이스의 모든 옵션 특징들은 또한 본 명세서에 설명된 방법들 또는 컴퓨터 판독가능 매체 중 어느 하나에 관하여 구현될 수 있다. 더욱이, 본 명세서에서 실시예들을 설명하기 위해 흐름 다이어그램들 및/또는 상태 다이어그램들이 사용되었을 수 있지만, 본 기법들은 그러한 다이어그램들로 또는 본 명세서의 대응하는 설명들로 제한되지 않는다. 예를 들어, 본 명세서에 설명되고 예시된 바와 정확히 동일한 순서로 또는 각각의 예시된 박스 또는 상태를 통해 흐름이 진행될 필요는 없다.

본 기법들은 본 명세서에 열거된 특정 세부사항들로 한정되지 않는다. 사실, 이 개시내용의 혜택을 받은 본 기술분야의 통상의 기술자들은 전술한 설명과 도면들로부터 많은 다른 변형들이 본 기법들의 범위 내에서 이루어질 수 있다는 것을 인정할 것이다. 따라서, 본 기법들의 범위를 정의하는 것은, 임의의 보정들을 포함하는 다음의 청구항들이다.

Claims (25)

1. 컴퓨팅 디바이스에 의해 시스템 내의 센서들을 관리하는 방법으로서,
   상기 센서들의 건강 동작 상태들을 상기 센서들의 정확성과 상관적으로 결정하는 단계 - 상기 건강 동작 상태들을 결정하기 위한 상기 센서들의 샘플링 빈도는 동적임 -;
   상기 센서들을 그들 각각의 건강 동작 상태에 의해 분류하는 단계 - 상기 건강 동작 상태들은 건강한(H) 상태, 건강하지 않은(U) 상태, 및 감지된 데이터가 상기 H 상태보다는 덜 정확하고 상기 U 상태보다는 더 정확한 중간 상태를 포함함 -; 및
   상기 H 상태를 갖는 팀을 제공하기 위해 상기 중간 상태를 각각 갖는 2개의 센서를 팀 구성하는 단계를 포함하는, 방법.
2. 제1항에 있어서, 상기 센서들을 분류하는 단계는 동작 센서들의 실시간 분류를 포함하고, H 상태 센서로부터의 센서 데이터는 실질적으로 정확하고, U 상태 센서 데이터로부터의 센서 데이터는 용인가능하지 않은, 방법.
3. 제1항에 있어서, 상기 센서들의 건강 동작 상태들을 결정하는 단계는 온라인으로 가져온 새로운 센서들에 대한 부트스트랩 샘플링 빈도를 포함하는, 방법.
4. 제1항에 있어서, 상기 센서들의 건강 동작 상태들을 결정하는 단계는 상기 센서들이 배치되는 환경을 파라미터화하는 단계를 포함하는, 방법.
5. 제1항에 있어서, 상기 동적 샘플링 빈도를 포함하는 건강 동작 상태들을 결정하는 단계는 상기 센서들을 샘플링하고 샘플링된 데이터를 참조 센서와 비교하는 단계를 포함하고, 상기 H 상태는 적어도 90%의 센서 데이터의 정확성으로서 정의되고, 상기 중간 상태는 적당히 건강한(M) 상태 및 약한 건강한(W) 상태를 포함하는 다수의 중간 상태들을 포함하는, 방법.
6. 제5항에 있어서, M 상태 센서에 대해, 일부 감지된 데이터가 정확하고 다른 감지된 데이터가 부정확하거나, 또는 정확한 것으로부터의 감지된 데이터 편차가 패턴을 따르거나, 또는 이들의 조합인, 방법.
7. 제5항에 있어서,
   H 상태 센서의 노출을 감소시키기 위해 M 상태 센서를 상기 H 상태 센서와 연관시키는 단계;
   상기 M 상태 센서가 실질적으로 정확한 도메인을 결정하는 단계;
   상기 M 상태 센서 판독들이 상기 도메인에서 발생하는 것에 응답하여 상기 H 상태 센서를 비활성화시키는 단계; 및
   상기 M 상태 센서 판독들이 상기 도메인 밖에서 발생하는 것에 응답하여 상기 H 상태 센서를 활성화시키는 단계를 포함하는, 방법.
8. 제5항에 있어서,
   센서의 배치 지속기간의 증가와 상관적으로 상기 센서의 샘플링 빈도를 증가시키는 것을 포함하는 단계; 및
   다수의 W 상태 센서들의 그룹화를 H 상태 또는 M 상태의 단일 논리 센서로서 취급하는 단계를 포함하고, W 상태 센서는 단독으로 사용될 수 없는, 방법.
9. 제5항에 있어서, 상기 센서가 비정상 값들을 보고하는 것에 응답하여 상기 샘플링 빈도의 증가를 가속화하는 단계를 포함하는, 방법.
10. 제5항에 있어서, 상기 센서의 센시티브 부분의 더 많은 이용에 응답하여 상기 샘플링 빈도의 증가를 가속화하는 단계를 포함하는, 방법.
11. 제1항에 있어서, U 상태 센서로부터 데이터를 격리하는 단계를 포함하고, 상기 시스템은 IoT 시스템을 포함하고, 상기 센서들은 IoT 센서들을 포함하고, 상기 컴퓨팅 디바이스는 IoT 게이트웨이 디바이스, 클라우드 컴퓨팅 디바이스, 또는 IoT 스마트 센서를 포함하는, 방법.
12. 제1항에 있어서, 센서들의 건강 동작 상태들을 결정하는 단계는 센서의 샘플링 빈도가 센서의 정확성 드리프트의 또는 상기 센서가 현재 건강 동작 상태에 남아 있을 확률의, 또는 이들의 조합의 함수인 센서 건강의 적응적 평가를 포함하는, 방법.
13. 데이터를 감지하기 위한 시스템으로서,
    상기 데이터를 측정하는 센서들; 및
    상기 센서들의 건강 동작 상태들을 결정하고 상기 센서들을 그들 각각의 건강 동작 상태에 의해 분류하는 센서 관리자를 포함하고, 상기 건강 동작 상태들은 건강한(H) 상태, 건강하지 않은(U) 상태, 및 감지된 데이터가 상기 H 상태에 대한 것보다는 덜 정확하고 상기 U 상태에 대한 것보다는 더 정확한 중간 상태를 포함하고, 상기 센서 관리자는 상기 H 상태를 갖는 팀을 제공하기 위해 상기 중간 상태를 각각 갖는 2개의 센서를 팀 구성하는, 시스템.
14. 제13항에 있어서, 상기 센서 관리자는 상기 시스템의 메모리에 저장되고 상기 시스템의 프로세서에 의해 실행가능한 코드이고, 상기 H 상태는 센서 데이터가 실질적으로 정확한 것이고, 상기 U 상태는 센서 데이터가 사용가능하지 않은 것인, 시스템.
15. 제13항에 있어서, 상기 센서들로부터 상기 데이터를 수신하고 상기 데이터를 클라우드 인프라스트럭처에 제공하는 게이트웨이 디바이스를 포함하고, 상기 센서 관리자는 상기 클라우드 인프라스트럭처 내에 또는 상기 게이트웨이 디바이스 상에, 또는 이들의 조합에 배치되고, 상기 시스템은 사물 인터넷(IoT) 시스템을 포함하고, 상기 센서들은 IoT 센서들을 포함하는, 시스템.
16. 제13항에 있어서, 건강 동작 상태들을 결정하는 것은 상기 센서들을 샘플링하고 샘플링된 데이터를 참조 센서와 비교하는 것을 포함하고, 샘플링 빈도는 동적이고, 상기 H 상태는 적어도 90%의 센서 데이터의 정확성으로서 정의되고, 상기 중간 상태는 적당히 건강한(M) 상태 및 약한 건강한(W) 상태를 포함하는 다수의 중간 상태들을 포함하는, 시스템.
17. 제16항에 있어서, M 상태 센서에 대해, 일부 감지된 데이터가 정확하고 다른 감지된 데이터가 부정확하거나, 또는 정확한 것으로부터의 감지된 데이터 편차가 패턴을 따르거나, 또는 이들의 조합인, 시스템.
18. 제16항에 있어서, 상기 센서 관리자는:
    H 상태 센서의 노출을 감소시키기 위해 M 상태 센서를 상기 H 상태 센서와 팀 구성하고;
    상기 M 상태 센서가 실질적으로 정확한 도메인에서 상기 M 상태 센서 판독들이 발생하는 것에 응답하여 상기 H 상태 센서를 비활성화시키고;
    상기 M 상태 센서 판독들이 상기 도메인 밖에서 발생하는 것에 응답하여 상기 H 상태 센서를 활성화시키는, 시스템.
19. 제16항에 있어서, 건강 동작 상태들을 결정하는 것은 상기 센서의 배치 지속기간의 증가와 상관적으로 센서의 샘플링 빈도의 증가를 구현하는 것을 포함하는, 시스템.
20. 제16항에 있어서, 건강 동작 상태들을 결정하는 것은 상기 센서가 비정상 값들을 보고하는 것에 응답하여 또는 상기 센서의 센시티브 부분의 더 많은 이용에 응답하여, 또는 이들의 조합에 대해 샘플링 빈도의 증가를 가속화하는 것을 포함하는, 시스템.
21. 제13항에 있어서, 상기 센서 관리자는 다수의 W 상태 센서들을 H 상태 또는 M 상태의 단일 논리 센서로서 그룹화하고, 센서들의 건강 동작 상태들을 결정하는 것은 센서의 샘플링 빈도가 센서의 정확성 드리프트의 또는 상기 센서가 현재 건강 동작 상태에 남아 있을 확률의, 또는 이들의 조합의 함수인 센서 건강의 적응적 평가를 포함하는, 시스템.
22. 프로세서에 의해 실행가능한 코드를 포함하는 유형의 비일시적인 컴퓨터 판독가능 매체로서, 상기 코드는:
    시스템 내의 센서들의 건강 동작 상태들을 상기 센서들의 정확성과 상관적으로 결정 및 할당하고 - 상기 건강 동작 상태들은 실질적으로 정확한 건강한(H) 상태, 건강하지 않은(U) 상태, 및 상기 H 상태보다는 덜 정확하고 상기 U 상태보다는 더 정확한 개재 상태를 포함하고, 상기 센서들의 건강 동작 상태들을 결정하는 것은 정확성을 결정하기 위한 센서의 샘플링 빈도가 센서의 정확성 드리프트의 또는 상기 센서가 현재 건강 동작 상태에 남아 있을 확률의, 또는 이들의 조합의 함수인 센서 건강의 적응적 평가를 포함함 -;
    센서의 배치 지속기간의 증가와 상관적으로 센서의 샘플링 빈도를 증가시키고;
    상기 H 상태를 갖는 팀을 제공하기 위해 상기 개재 상태를 각각 갖는 2개의 센서를 팀 구성하도록 상기 프로세서에 지시하는, 유형의 비일시적인 컴퓨터 판독가능 매체.
23. 제22항에 있어서, H 상태 센서는 센서들의 팀 밖에서만 정확하게 감지할 수 있고, 건강 동작 상태들을 결정하는 것은 상기 센서가 비정상 값들을 보고하는 것에 응답하여 또는 상기 센서의 센시티브 부분의 더 많은 이용에 응답하여, 또는 이들의 조합에 대해 샘플링 빈도의 증가를 가속화하는 것을 포함하는, 유형의 비일시적인 컴퓨터 판독가능 매체.
24. 제22항에 있어서, 건강 동작 상태들을 결정하는 것은 상기 센서들을 샘플링하고 샘플링된 데이터를 참조 센서와 비교하는 것을 포함하고, 상기 샘플링 빈도는 동적이고, 상기 H 상태는 적어도 90%의 센서 데이터의 정확성을 포함하고, 상기 개재 상태는 적당히 건강한(M) 상태 및 약한 건강한(W) 상태를 포함하는 다수의 개재 상태들을 포함하고, M 상태 센서에 대해, 일부 감지된 데이터가 정확하고 다른 감지된 데이터가 부정확한, 유형의 비일시적인 컴퓨터 판독가능 매체.
25. 제24항에 있어서, 상기 프로세서에 의해 실행가능한 상기 코드는:
    H 상태 센서의 노출을 감소시키기 위해 M 상태 센서를 상기 H 상태 센서와 팀 구성하고;
    상기 M 상태 센서가 실질적으로 정확한 도메인에서 상기 M 상태 센서 판독들이 발생하는 것에 응답하여 상기 H 상태 센서를 비활성화시키고;
    상기 M 상태 센서 판독들이 상기 도메인 밖에서 발생하는 것에 응답하여 상기 H 상태 센서를 활성화시키고;
    다수의 W 상태 센서들을 H 상태 또는 M 상태의 단일 논리 센서로서 그룹화하도록 상기 프로세서에 지시하는, 유형의 비일시적인 컴퓨터 판독가능 매체.

Images