KR20200002615A

KR20200002615A - 고신뢰 IoT 서비스를 위한 지능형 IoE 에지 컴퓨팅 시스템

Info

Publication number: KR20200002615A
Application number: KR1020190070365A
Authority: KR
Inventors: 김귀훈; 임완선; 홍용근
Original assignee: 한국전자통신연구원
Priority date: 2018-06-29
Filing date: 2019-06-14
Publication date: 2020-01-08
Also published as: KR102506644B1

Abstract

본 발명은 고신뢰 IoT 서비스를 위한 지능형 IoE 에지 컴퓨팅 시스템에 관한 것이다.
본 발명에 따른 고신뢰 IoT 서비스를 위한 지능형 IoE 에지 컴퓨팅 시스템은 다양한 응용에 적용하기 위해 모듈화된 에지 컴퓨팅을 구성하고, 지능형 트래픽 분석 및 예측이 가능한 기술적 특징이 있다.

Description

고신뢰 IoT 서비스를 위한 지능형 IoE 에지 컴퓨팅 시스템{INTELLIGENT IoE EDGE COMPUTION SYSTEM FOR HIGH RELIABLE IoT SERVICE}

본 발명은 고신뢰 IoT 서비스를 위한 지능형 IoE 에지 컴퓨팅 시스템에 관한 것이다.

IoT 환경은 디바이스 자체 및 무선 네트워킹 기술에 의한 제한적 환경이라는 문제점이 있다.

종래 기술에 따르면, IoT 환경에서 연결성을 제공하는 기술이 다양하게 제안되고 있으나, 다양한 Edge/Fog 컴퓨팅 기술과 함께, 다양한 IoT 서비스 분야에서 개발된 수많은 IoT 플랫폼이 양립하고 있어, 통합된 IoT 플랫폼을 제공하고 있지 못한 문제점이 있다.

본 발명은 전술한 종래 기술의 문제점을 개선하기 위하여 제안된 것으로, IoT 서비스를 위한 자동 구성 지능형 IoT 정보 프레임워크(Autonomous configurable Intelligent IoT Information framework) 및 네트워크 제어 기술을 제안하고, 다양한 응용에 적용 가능한 모듈화된 지능형 IoT 정보 프레임워크를 제안하며, 트래픽 분석 및 예측이 가능한 지능형 IoE 에지 컴퓨팅 시스템을 제공하는데 그 목적이 있다.

본 발명은 자동 구성 지능형 IoT 정보 프레임워크(Autonomous configurable Intelligent IoT Information framework), 에지 노드 기반 시계열 데이터 예측 및 결정 기술(Edge node based time-series data prediction and decision) 및 이에 기반한 서비스(예: 스마트 IoT 건설 모니터링)를 제공한다.

본 발명의 실시예에 따르면, 수동적으로 사업자 요구사항에 맞게 에지 컴퓨팅을 구성하여야 하는 종래 기술과는 달리, 사업자 요구사항을 언어나 사진 등을 통해서 제공받아, 에지 컴퓨팅을 자동 구성하는 특징이 있다.

또한, 서비스 요구사항에 맞게 rule-based, ML-based, DL-based 융합 예측을 통해 최소의 cost로 자동 예측하고, 예측(prediction)과 결정(decision)을 하이브리드(hybrid)하게 적용하여 정책 기반으로 트래픽을 제어하는 특징이 있다.

정책의 예로는 트래픽 최소화, 비용 최소화(정량제, 종량제), 사용자 등급에 따른 QoS 제어, exact alarm detection 등이 있다.

본 발명의 실시예에 따르면, 서비스 요구사항에 맞게 prediction 및 decision 알고리즘을 자동으로 선택하는 특징이 있다.

또한, 본 발명의 실시예에 따르면, 스마트 건설 서비스뿐만 아니라, 다양한 서비스에 활용될 수 있으며, 스마트 건설 서비스로는 업링크 트래픽을 위한 비디오 트래픽 제어 서비스를 제공할 수 있다.

지능형 VR 캐쉬는 공간 기반 비디오 트래픽 제어와 이미지 인식을 통해, 사용자가 자주 보는 곳을 고화질로, 나머지는 저화질로 전송하는 서비스를 제공할 수 있다.

VR 영상은 사람들이 특정 위치를 볼 확률이 높으며, 예를 들어, 격투기 경기와 같은 경우 사람 위주로 시청하게 된다.

스마트 교통 서비스로는 자율 주행 자동차를 타겟팅하여, 이동성 제어 및 QoS 제어를 수행할 수 있다.

귀중품 전송 관제 서비스로는 끊김 없는 영상 서비스의 제공이 가능하다.

개인방송 업링크 서비스로는 다중 사용자의 등급에 최적화된 업링크 트래픽 제어가 가능하다.

본 발명에 따르면, 자동 구성 지능형 정보 프레임 워크, 시계열 기반 예측 및 결정 기술을 제안함에 따라, 지능형 정보 프레임워크를 기반으로 하는 다양한 서비스로의 확장이 가능한 효과가 있다.

본 발명의 실시예에 따르면, 민원 발생 시 건설 현장에서의 소음, 진동, 가스 수치 및 현장 영상에 대해, 신속하게 동기를 맞춰서 온라인으로 제공하는 지능형 사물 인터넷 현장 라이브 모니터링 서비스 제공이 가능한 효과가 있다.

또한, 오버플로우(overflow)를 방지하며 클라우드에 현장 영상을 효율적으로 저장하는 효과가 있다.

본 발명에 따르면, 과거 수동적인 모니터링 방안으로부터, 능동적이고 즉각적인 협업 서비스로 전환하는 효과가 있으며, 수집 데이터를 머신 러닝의 기초 데이터로 활용하는 것이 가능한 효과가 있다.

본 발명의 효과는 이상에서 언급한 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 실시예에 따른 자동 구성 지능형 IoT 정보 프레임워크의 구성도이다.
도 2는 본 발명의 실시예에 따른 지능형 IoT 에지 컴퓨팅 시스템의 블록도이다.
도 3은 본 발명의 실시예에 따른 지능형 IoT 에지 컴퓨팅 시스템의 기능 구성도이다.
도 4는 본 발명의 실시예에 따른 지능형 IoT 에지 컴퓨팅 시스템의 레퍼런스 포인트를 도시한다.
도 5는 본 발명의 실시예에 따른 레퍼런스 포인트의 message format을 도시한다.
도 6은 본 발명의 실시예에 따른 레퍼런스 포인트의 message specification을 도시한다.
도 7은 본 발명의 실시예에 따른 자동 초기 설정(autonomous initialization) 처리의 흐름도를 도시한다.
도 8은 본 발명의 실시예에 따른 지능형 데이터 처리의 흐름도를 도시한다.
도 9는 본 발명의 실시예에 따른 단말 제어를 위한 지능형 데이터 처리의 흐름도를 도시한다.
도 10은 본 발명의 실시예에 따른 ML 모델 업데이트 처리의 흐름도를 도시한다.
도 11은 본 발명의 실시예에 따른 에지 노드 기반 시계열 데이터 예측 및 결정을 위한 구성을 도시한다.
도 12는 본 발명의 실시예에 따른 에지 노드 기반 시계열 데이터 예측 및 결정 과정을 도시한다.
도 13a 및 도 13b는 본 발명의 실시예에 따른 결정(decision) 알고리즘을 도시한다.
도 14는 본 발명의 실시예에 따른 에지 노드 기반 시계열 데이터 예측 및 결정을 위한 트레이닝(training) 및 서빙(serving)의 구성을 도시한다.
도 15는 본 발명의 실시예에 따른 에지 노드 기반 시계열 데이터 예측 및 결정을 위한 트레이닝(training) 및 서빙(serving)의 흐름도를 도시한다.
도 16 및 도 17은 본 발명의 실시예에 따른 지능형 IoT 정보 프레임워크를 기반으로 하는 스마트 IoT 건설 모니터링의 구성도를 도시한다.
도 18은 본 발명의 실시예에 따른 지능형 IoT 정보 프레임워크를 기반으로 한 지능형 VR 캐쉬 서비스의 구성도이다.
도 19는 본 발명의 실시예에 따른 지능형 IoT 정보 프레임워크를 기반으로 한 지능형 VR 캐쉬 서비스의 활용을 도시한다.

본 발명의 전술한 목적 및 그 이외의 목적과 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다.

그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 이하의 실시예들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 목적, 구성 및 효과를 용이하게 알려주기 위해 제공되는 것일 뿐으로서, 본 발명의 권리범위는 청구항의 기재에 의해 정의된다.

한편, 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성소자, 단계, 동작 및/또는 소자가 하나 이상의 다른 구성소자, 단계, 동작 및/또는 소자의 존재 또는 추가됨을 배제하지 않는다.

이하에서는, 당업자의 이해를 돕기 위하여 본 발명이 제안된 배경에 대하여 먼저 서술하고, 본 발명의 실시예에 대하여 서술하기로 한다.

종래 기술에 따르면, IoT는 디바이스 자체 및 네트워크의 환경에 의해 제한적 환경을 가진다.

디바이스(things) 자체의 제한적 환경은 CPU 성능 및 메모리 용량의 제한적인 환경을 의미한다.

네트워크의 경우, LPWA(low power wide area network)와 LLN(low power lossy network)과 같은 무선 네트워킹 기술의 제한적 환경을 포함한다.

종래 기술에 따르면, 이러한 IoT 환경에서 연결성을 제공하기 위하여, TCP/IP 또는 UDP/IP 스택을 탑재하여 네트워킹 및 데이터 전송 서비스를 제공한다.

또한 수많은 IoT 디바이스들에 IP 주소를 할당하기 위해, 기존 인터넷 프로토콜인 IPv4가 아닌, IPv6를 이용하고 있다.

또한, LPWA와 같은 새로운 무선 기술을 탑재하도록 IPv6 계층과 MAC 계층 사이의 컨버전스 레이어(convergence layer)를 새롭게 개발하고, 표준화하고 있다.

또한, 응용 계층을 위해서는 HTTP 를 가볍게(lightweight) 만든 CoAP 등의 기술을 제공한다.

향후 다양한 IoT 디바이스들이 늘어날 것이고, 이 단말들을 통해 수많은 데이터가 발생될 것이다.

이러한 수많은 데이터를 처리하기 위해, 확장성이 있고 효과적인 네트워킹 및 컴퓨팅 플랫폼 기술이 필요하다.

이러한 니즈에 따라, 사용자 및 IoT 디바이스의 가까이에서 데이터를 처리하기 위한 에지/포그 컴퓨팅(Edge/Fog computing) 기술이 대중화되고 있다.

에지 컴퓨팅(Edge computing)의 경우 이동통신을 위한 Mobile Edge computing (MEC) 기술이 이에 해당된다.

이는 디바이스 및 액세스 게이트웨이(access gateway)와 베이스 스테이션(base station) 등에서 서비스에 필요한 기능을 직접 수행하는 것이다.

포그 컴퓨팅(Fog computing)은, IoT 디바이스와 인터넷을 통해 제공되는 중앙 클라우드 컴퓨팅 구조 사이에 위치하는 분산형 컴퓨팅 플랫폼이다.

에지 컴퓨팅과 포그 컴퓨팅은 함께 병행하여 쓰이는 경우가 많고, 이하에서도 에지 컴퓨팅과 포그 컴퓨팅 기술을 함께 병기한다.

이러한 다양한 에지/포그 컴퓨팅 기술과 함께, 기존의 다양한 IoT 서비스 분야의 수많은 IoT 플랫폼이 양립하는 상황에서, 지속적으로 이들을 통합하고 호환성(Inter-working)을 지원하기 위한 개발이 진행 중이다.

구체적인 예로, 스마트 시티, 스마트 팩토리, 스마크 헬스케어 등 수 많은 IoT 서비스들이 각각 별도의 IoT 플랫폼을 중심으로 개발되고 있다.

이에 따라, 수많은 IoT 플랫폼들이 난립하게 되었고, 하나의 공통된 기술을 공유하지 않음으로써, 지속적으로 개발 및 유지 비용이 증가할 것으로 예상된다.

특히 IoT 디바이스들은 게이트웨이(gateway) 또는 액추에이터(actuator)와 함께 동작하도록 개발되어, 특정 회사 제품과 함께 전용 서비스처럼 고정되는 단점이 있다.

국제적 표준화를 통해 IoT 플랫폼의 통합을 지원하기 위한 활동이 있으며, oneM2M 및 OCF의 IoTivity 등의 플랫폼도 개발되고 있으나, 여전히 통합된 IoT 플랫폼이라 할 수 없는 상황이다.

결론적으로, 단순히 인터넷과 같은 IP 기술인 IPv6, CoAP, 그리고 중앙의 클라우드 서버 기술만을 가지고 수많은 IoT 단말 및 데이터를 처리할 수 없으며, 확장성 있는 연결성 지원을 할 수 없는 한계가 있다.

또한, 기존재하는 IoT 플랫폼 역시 서로 다른 기술 및 서비스 도매인에 특화되어 개발된 것으로, 이를 통합할 솔루션 개발이 어려운 문제점이 있다.

따라서 수많은 IoT 디바이스의 자원 제약적 환경과 네트워킹 제약적 환경에서 효과적인 연결성과 이동성을 지원하며, 이러한 디바이스들에서 발생되는 수많은 데이터를 분산된 구조를 통해 수집 및 처리하는 기술이 필요하다.

또한, 기존의 IoT 플랫폼 또는 클라우드 서버 등의 기술과의 호환성을 위해, 웹과 같은 응용 서비스에서 사용하는 RESTful 과 같은 간단한 메시지 기법을 통해 네트워킹 및 보안 등의 기능을 제공하며, 다양한 서비스 도메인에 적용할 수 있는 통합적 프레임워크가 필요하다.

특히, 스마트 건설 분야에서 정부 주도하에 여러 건설사들이 사물 인터넷과 스마트 홈 기술 개발을 공동으로 개발하는 얼라이언스를 맺고 있다.

삼성전자와 LG전자, 코웨이, 쿠첸 등 가전업체를 포함해 통신사인 SKT, KT 뿐 아니라, 엠디에스(MDS) 테크놀로지, 삼영S&C, 와이즈넛, 한국토지주택공사(LH), 서울주택공사(SH) 등 스마트 홈 관련 기업들이 참여를 하고 있다.

이들은 향후 스마트 홈 플랫폼간 상호 운용성과 연계를 위해 협력하며, 공공정보 활용 및 스마트 홈 비즈니스 모델 개발에 참여하고 있다.

이러한 기반 위에 스마트 건설 등에 대한 기술도 지속적으로 개발되고 있다.

주택·건축·토목·플랜트 등 각종 건설 현장에 사물인터넷을 도입하고, 모바일·웨어러블 기기, 드론(무인비행장치) 등을 활용해 공정(工程) 전반을 실시간으로 관리하는 시스템으로 확장된다.

인터넷 사업자와 건설사간 상호 기술을 융합하여 스마트 건설에 대한 서비스를 제공하고 있으며, 건설 현장의 공기질 정보를 실시간으로 제공하는 기술 및 서비스 등을 제공하고 있다.

이는 주변 거주자들에게 건설 현장에서 다양한 민원 등에 대해 사전 예방 차원의 기술을 선보이고 있다.

기존 에지 컴퓨팅은 클라우드 컴퓨팅을 에지로 내려서 딜레이(delay)가 감소되고, 클라우드로 보내는 불필요한 트래픽이 감소되며, 보안이 강화되는 특징이 있다.

그러나, 사업자 별로 다양한 서비스 요구사항을 만족시키기 위해서는 별도로 기술 컨설팅을 받아서 구성하여야 하는 어려움이 있었으며, 기계학습 기법들도 각 서비스마다 산발적으로 적용되는 문제점이 있다.

본 발명은 전술한 문제점을 해결하기 위하여 제안된 것으로, IoT 서비스를 위한 자동 구성 IoT 정보 프레임워크(autonomous configured IoT information framework) 및 정보 지능화 네트워크 제어(information intelligence network control) 시스템을 제안한다.

또한, 다양한 응용에 적용을 위한 모듈화된 지능형 IoT 정보 프레임워크 를 제공하고, 지능형 트래픽 분석 및 예측을 수행하는 기술적 특징이 있다.

본 발명의 실시예에 따르면, 1) 지능형 IoT 정보 프레임워크, 2) 에지 노드 기반 시계열 데이터 예측 및 결정, 3) 이러한 기술을 기반으로 한 다양한 서비스(예: 에지 기술의 재활용성을 고려한 스마트 건설 모니터링 시스템)의 제공이 가능하다.

본 발명의 실시예에 따른 지능형 IoT 정보 프레임워크는 IoT 디바이스 데이터 및 데이터 분석 결과 처리된 정보를 클라우드 서버에 전달하는 게이트웨이를 포함한다.

본 발명의 실시예에 따르면, 지능형 IoE 에지 컴퓨팅의 구조, 절차, 구성 및 동작에 관해 제안한다.

본 발명의 실시예에 따르면, 지능형 IoT 정보 프레임워크 장치를 통해, 다양한 센서로부터 정보를 수집하고, 통계분석 및 기계학습을 통해, 현장의 상황을 분석한 후, 현장을 비추고 있는 네트워크 카메라의 송출 화질을 선택하여 네트워크 사용량을 절약하는 것이 가능하다.

예시로써 건설 현장에 적용할 수 있으며. 소음, 진동, 가스 정보를 관찰하여 기준치에 다다른 경우 고화질 영상을 송출하는 서비스를 제공하고, 보안 시스템으로써 움직임감지센서, 인체감지센서 등을 통해 침입자 탐지 후 고화질 영상을 송출한다.

본 발명의 실시예에 따르면, 센서에 추가 프로토콜 스택이나 응용 프로그램을 설치하지 않고도, IoT 게이트웨이의 설치만으로 동작이 가능하다.

또한, 종래 기술에 따른 클라우드 기반 IoT 서비스 대비 보안성이 향상되고, 서버 유지 비용의 절감이 가능하며, 다양한 클라우드 서비스와 연동 가능한 효과가 있다.

10¹⁰ 이상의 디바이스(Things)들에게 확장성, 이동성, 그리고 실시간(low latency) 연결성을 제공하는 정보 중심 네트워킹 기반의 Edge/Fog 지능형 네트워킹 플랫폼을 기반으로, 분산된 Edge/Fog 지능형 네트워킹 플랫폼을 관리하고 제어하는 기능을 포함한 지능형 IoE 정보 프레임워크에 관해 제안한다.

Edge/Fog 지능형 네트워킹 플랫폼 기반으로 디바이스(things)에서 발생하는 정보를 수집, 저장, 처리하고, 디바이스를 제어하거나 클라우드 서버에 분석 결과를 전송하는 것이 가능하다.

본 발명에 따르면, 직접적으로 디바이스 네트워킹(thing networking) 구간을 통해 직접적으로 디바이스와의 연결성을 지원한다.

다양한 형태와 환경을 가지는 디바이스들의 연결성 지원을 위해, 확장성, 실시간성(low latency), 이동성 등을 지원하기 위한 edge/fog computing 형태의 네트워킹 구조를 제안한다.

수집된 데이터의 지능형 처리를 위해 기계학습 및 강화 학습을 위한 컴포넌트를 탑재하여 low-latency 및 time-critical 한 IoE 서비스를 지원하는 효과가 있다.

도 1은 본 발명의 실시예에 따른 자동 구성 지능형 IoT 정보 프레임워크의 구성도이다.

본 발명의 실시예에 따른 지능형 IoT 정보 프레임워크(intelligent IoT information framework)는 자체적으로 인공 지능(AI)서비스를 제공하고, 빅데이터 분석을 통해 에지 분석을 수행하는 지능형 데이터 처리 장치이다.

에지 분석을 지원하기 위해, 데이터 수집, 동적 스토리지 및 실시간 데이터 처리를 포함하는 지능형 데이터 처리를 통해. 데이터 활용률을 높여야 하며, 특히 분석 모델은 주기적으로 갱신해야 한다.

본 발명의 실시예에 따른 자동 구성 지능형 IoT 정보 프레임워크의 기술적 특징은 마이크로서비스 기반 재구성, QnA / Object 인터페이스, 음성 및 영상 인식 기반 에지 컴퓨팅 구성, Core 지능형 IoE 정보 프레임워크이다.

본 발명의 실시예에 따르면, 도메인 서비스 사업자의 특정 요구사항이 있을 시, 음성 및 영상 인식을 통해서 자동적으로 도메인 서비스에 적합한 지능형 정보 프레임워크(intelligent information framework) 구성을 요청한다.

도 1을 참조하면, 본 발명의 실시예에 따른 자동 구성 지능형 IoT 정보 프레임워크는 음성/영상 인식 및 분석 모듈(20), 자동 도메인 구성 분석 모듈(30, autonomous domain configuration analyzer), Core 지능형 정보 프레임워크(40, Core Intelligent Information Framework)로 구성된다.

음성 인식 및 분석 모듈(20)은 서비스 브로바이더(10)로부터, 도메인 사업자의 요구사항을 음성으로 수신한다.

예를 들어,“알람을 인식하고 싶다”, ”영상 트래픽 소모가 많아서 트래픽을 감소시켜서 비용을 줄이고 싶다” 등으로 음성으로 서비스 요구사항을 수신한다.

음성 인식부(21, voice recognition)를 통해서 수신된 음성은 QnA I/F를 통해서, 컨텍스트 분석 모듈(23, Context analyzation)로 전달되고, 컨텍스트 분석 모듈(23)은 형태소 분석을 통해 도메인 서비스 요구사항을 분석한다.

분석된 서비스 요구사항은 자동 도메인 구성 분석 모듈(30)로 전달된다.

또한, 영상 인식 및 분석 모듈(20)은 서비스 프로바이더(10)의 현재 장비 및 서비스 상황을 영상을 통해서 인식한다.

예를 들어,“센서류”, “클라우드 장비”, “관리 화면”, “액세스장비” 등이 포함된 영상을 보내면, 이미지 인식부(22, image recognition)는 해당 장비 등의 구성요소에 대한 오브젝트(object)를 자동으로 인식한다.

인식된 오브젝트들은 Object I/F 를 통해서, 오브젝트 분석 모듈(24, Object analyzation)로 제공된다.

오브젝트 분석 모듈(24)은 해당 오브젝트의 종류, 스펙 등의 디바이스/클라우드 요구사항을 분석한다.

분석된 디바이스/클라우드 요구사항은 자동 도메인 구성 분석 모듈(30)로 전달된다.

자동 도메인 구성 분석 모듈(30)은 수집된 서비스, 디바이스, 클라우드 요구사항을 참고하여, 도메인 서비스 프로바이더들에게 “적절한 Core 지능형 정보 프레임워크 장비의 구성”을 요청한다.

Core 지능형 정보 프레임워크(40)는 여러 가지 마이크로서비스(MS, Micro Service) 형태로 구성되어, 재구성되는 것이 가능하다.

자동 도메인 구성 분석 모듈(30)은 요청사항에 따라 적절한 마이크로서비스를 인보크(invoke) 하고, 자동 구성 지능형 IoT 정보 프레임워크로 동작한다.

이하에서는 도 2를 참조하여, Core 지능형 정보 프레임워크(40)의 구성을 설명한다.

도 2는 본 발명의 실시예에 따른 지능형 IoT 에지 컴퓨팅 시스템의 블록도이다.

본 발명의 실시예에 따르면, 에지 네트워킹 엔티티(210, Edge Networking Entity, ENE), 지능형 컴퓨팅 엔티티(220, Intelligent Computing Entity, ICE), 에지 게이트웨이 엔티티(230, Edge Gateway Entity, EGE) 및 에지 식별자 관리 엔티티(240, Edge Identify Entity, EME)를 포함한다.

기본적으로 지능형 에지 컴퓨팅 시스템(200)은 터미널 엔티티(100, Terminal Entity, TE)와 인터넷, 클라우드 컴퓨팅에서의 빅데이터 분석을 수행하는 빅데이터 분석 서버(300) 사이에 배치된다.

에지 네트워킹 엔티티(210)는 이기종 무선 기술 및 리소스 제약 환경을 고려하여야 하는 터미널 엔티티(100)에 대한 연결을 제공한다.

따라서, 다양한 무선 기술 및 터미널 엔티티(100)와 지능형 에지 컴퓨팅 시스템(200) 사이의 프로토콜에 대해 구현된다.

지능형 컴퓨팅 엔티티(220)는 AI서비스를 통해 제공되는 에지 분석 기능을 자체적으로 제공하거나, 클라우드 컴퓨팅의 빅데이터 분석과 같은 기타 분석 기능을 제공한다.

지능형 컴퓨팅 엔티티(220)는 정보 수집을 통해 데이터 분석 기능을 수행하고, 에지 분석 외에도 분석 결과를 통해 터미널 엔티티(100)를 제어한다.

지능형 컴퓨팅 엔티티(220)는 데이터 수집의 에지 분석에 따라 비정상적인 상황 또는 일부 이벤트가 예측되면, 서비스 프로파일로 기정의된 액션 타입에 대한 요청 메시지를 전송한다.

에지 게이트웨이 엔티티(230)는 다른 IEC를 포함한 외부 기관에 대한 연동 기능을 제공하고, 클라우드 컴퓨팅을 이용해서 빅데이터 분석 기능을 제공한다.

에지 식별자 관리 엔티티(240)는 데이터 이름을 ID로 포함하여 터미널 엔티티(100), 에지 네트워킹 엔티티(210), 지능형 컴퓨팅 엔티티(220) 및 에지 게이트웨이 엔티티(230)의 ID종류를 저장/관리한다.

에지 식별자 관리 엔티티(240)는 이러한 식별자를 지능형 에지 컴퓨팅 시스템(200) 및 에지 게이트웨이 엔티티(230)의 위치에 해당하는 메타 데이터에 매핑한다.

따라서 터미널 엔티티(100)의 모빌리티와 같은 모빌리티 관리를 수행한다.

본 발명의 실시예에 따르면, 지능형 정보 처리 관리부(orchestrator), 데이터 저장부(DB), 리워드 및 액션부가 포함된다.

도 3은 본 발명의 실시예에 따른 지능형 IoT 에지 컴퓨팅 시스템의 기능 구성도이다.

도 3을 참조하면, 에지 네트워킹 엔티티(210a), 지능형 컴퓨팅 엔티티(220a), 에지 게이트웨이 엔티티(230a)에는 다양한 기능 블록이 포함된다.

에지 네트워킹 엔티티(210a)의 터미널 엔티티 제어 및 관리 기능, 데이터 수집 기능, 지능형 컴퓨팅 엔티티(220a)의 데이터 분석 기능, 에지 분석 모델 기능, 저장 관리 기능, 데이터 aggregation 기능, 에지 게이트웨이 엔티티(230a)의 포워딩 관리 기능은 데이터 프로세싱과 관련한 기능이다.

에지 네트워킹 엔티티(210a)의 터미널 엔티티 식별자 관리 기능, 지능형 컴퓨팅 엔티티(220a)의 에지 네트워킹 엔티티 식별자 관리 기능, 에지 게이트웨이 엔티티(230a)의 지능형 에지 컴퓨팅 식별자 관리 기능은 식별자 관리와 관련한 기능이다.

에지 네트워킹 엔티티(210a)의 터미널 엔티티 링크 관리 기능, 지능형 컴퓨팅 엔티티(220a)의 PULL 메시지 관리 기능, PUSH 메시지 관리 기능, 에지 게이트웨이 엔티티(230a)의 인터넷 워킹 관리 기능은 에지 네트워킹과 관련한 기능이다.

도 4는 본 발명의 실시예에 따른 지능형 IoT 에지 컴퓨팅 시스템의 레퍼런스 포인트를 도시한다.

레퍼런스 포인트는 크게 3가지 종류로 Dx, Cx, Ux 가 있다

Dx는 데이터 플로우를 관장하는 레퍼런스 포인트로 Da, Db, Dc, Dd, De, Df, Dg 가 있다.

Da는 터미널 엔티티(100)와 원시 데이터(raw data)를 수집하기 위한 에지 네트워킹 엔티티(210a)의 데이터 수집 기능 사이의 인터페이스이다.

Db는 에지 네트워킹 엔티티(210a)의 데이터 수집 기능과 지능형 컴퓨팅 엔티티(220a)의 데이터 aggregation 기능 사이의 인터페이스이다.

Dc는 지능형 컴퓨팅 엔티티(220a)의 데이터 aggregation 기능과 에지 게이트웨이 엔티티(230a)의 포워딩 관리 기능 사이의 인터페이스이다.

Dd는 지능형 컴퓨팅 엔티티(220a)의 데이터 aggregation 기능과 지능형 컴퓨팅 엔티티(220a)의 스토리지 관리 기능 사이의 인터페이스이다.

De는 지능형 컴퓨팅 엔티티(220a)의 데이터 aggregation 기능과 지능형 데이터 분석 기능 사이의 인터페이스이다.

Df는 지능형 컴퓨팅 엔티티(220a)의 데이터 분석 기능과 스토리지 관리 기능 사이의 인터페이스이다.

Dg는 지능형 컴퓨팅 엔티티(220a)의 데이터 분석 기능과 에지 게이트웨이 엔티티(230a)의 포워딩 관리 기능 사이의 인터페이스이다.

Dh는 에지 게이트웨이 엔티티(230a)의 포워딩 관리 기능과 클라우드에 위치한 빅데이터 분석 서버(300) 사이의 인터페이스이고, Di는 에지 게이트웨이 엔티티(230a)의 포워딩 관리 기능과 다른 IEC(200b) 사이의 인터페이스이다.

Cx는 제어 플로우를 관장하는 레퍼런스 포인트로 Ca, Cb 가 있다.

Ca는 에지 네트워킹 엔티티(210a)의 터미널 엔티티 제어 및 관리 기능과 지능형 컴퓨팅 엔티티(220a)의 데이터 분석 기능 사이의 인터페이스이다.

Cb는 에지 네트워킹 엔티티(210a)의 터미널 엔티티 제어 및 관리 기능과 터미널 엔티티(100) 사이의 인터페이스이다.

Ux는 모델 업데이트를 관장하는 레퍼런스 포인트로 Ua, Ub가 있다.

Ua는 지능형 컴퓨팅 엔티티(220a)의 에지 분석 모델 기능과 에지 게이트웨이 엔티티(230a)의 포워딩 관리 기능 사이의 인터페이스이다.

Ub는 지능형 컴퓨팅 엔티티(220a)의 데이터 분석 기능과 에지 분석 모델 기능 사이의 인터페이스이다.

도 5는 본 발명의 실시예에 따른 레퍼런스 포인트의 message format을 도시하고, 도 6은 본 발명의 실시예에 따른 레퍼런스 포인트의 message specification을 도시한다.

메시지는 Type-Length-Value(TLV) 인코딩 포맷을 이용하며, type과 length 필드는 2byte로 인코딩된다.

도 7은 본 발명의 실시예에 따른 자동 초기 설정(autonomous initialization) 처리의 흐름도를 도시한다.

지능형 에지 컴퓨팅의 구성인 에지 네트워킹 엔티티(210), 지능형 컴퓨팅 엔티티(220), 에지 게이트웨이 엔티티(230)는 에지 식별자 관리 엔티티(240)와 제어 채널을 통해 연결된다(S705).

터미널 엔티티(100)는 URI 타입과 같은 계층 이름(hierarchical name)을 이용하여 식별자를 생성한다(S710).

터미널 엔티티(100)는 에지 네트워킹 엔티티(210)로 연결성(connectivity)에 대한 요청을 전송한다(S715).

에지 네트워킹 엔티티(210)는 터미널 엔티티(100)의 식별자를 테이블에 저장한다(S720).

에지 네트워킹 엔티티(210)는 터미널 엔티티(100)의 식별자에 대한 등록 메시지를 지능형 컴퓨팅 엔티티(220)에 전송하고, 에지 네트워킹 엔티티(210)의 식별자를 전송한다(S725).

지능형 컴퓨팅 엔티티(220)은 터미널 엔티티(100) 및 에지 네트워킹 엔티티(210)의 식별자를 저장한다(S730).

지능형 컴퓨팅 엔티티(220)는 터미널 엔티티(100), 에지 네트워킹 엔티티(210), 지능형 컴퓨팅 엔티티(220)의 식별자에 대한 등록 요청을 전송한다(S735).

에지 식별자 관리 엔티티(240)는 터미널 엔티티(100), 에지 네트워킹 엔티티(210)의 식별자, 지능형 컴퓨팅 엔티티(220)의 식별자를 매핑시켜 저장하고(S740), 등록 요청에 대한 응답을 터미널 엔티티(100)로 전송한다(S745).

이를 통해, 터미널 엔티티(100)와 에지 네트워킹 엔티티(210) 사이의 연결성이 설정된다(S750).

도 8은 본 발명의 실시예에 따른 지능형 데이터 처리의 흐름도를 도시한다.

터미널 엔티티(100)는 일부 트리거 이벤트를 통해 원시 데이터(또는 단일 단위 데이터)를 생성한다(S805).

터미널 엔티티(100)는 원시 데이터를 에지 네트워킹 엔티티(210)로 전달한다(S810).

이 때 분할된 원시 데이터는 터미널 엔티티(100)와 에지 네트워킹 엔티티(210)와의 연결을 통해, 에지 네트워킹 엔티티(210)에 의해 수집된다(S815).

에지 네트워킹 엔티티(210)는 분할된 데이터를 수집한다.

에지 네트워킹 엔티티(210)는 수집된 데이터를 지능형 컴퓨팅 엔티티(220)에 전달한다(S820).

지능형 컴퓨팅 엔티티(220)는 집계 데이터를 분석하고(S825), 분석 결과를 에지 게이트웨이 엔티티(230)로 전달한다(S830).

집계 데이터는 스토리지에 저장하거나 스트림 데이터 처리를 통해 직접 분석될 수 있다.

집계 데이터는 먼저 데이터 품질 및 추출, 변환, 로드와 같은 사전 처리 단계로 처리된다.

또한, 정규화된 데이터는 AI모델을 이용하여 처리된다.

예를 들어, 미래의 이벤트를 예측하기 위해 ML예측 모델을 에지 분석에 적용할 수 있다.

에지 분석의 결과로, 지능형 컴퓨팅 엔티티(220)는 분석된 데이터를 빅데이터 분석 서버(300)로 전달한다.

이 때, ML예측의 결과에 따라 전달 데이터를 제어하여 비디오 트랜스 코딩 기능과 같은 종류의 비디오품질 적응 기능을 사용하여 지능형 컴퓨팅 엔티티(220)와 빅데이터 분석 서버(300) 간의 트래픽 부하를 줄인다.

분석된 에지 데이터는 지능형 컴퓨팅 엔티티(220)의 스토리지 기능을 통해 저장된다(S835).

빅데이터 분석 결과는 AI모델 업데이트 등의 새로운 기능으로 확인할 수 있다(S840).

도 9는 본 발명의 실시예에 따른 단말 제어를 위한 지능형 데이터 처리의 흐름도를 도시한다.

데이터 수집의 에지 분석에 따르면 비정상적인 상황 또는 일부 이벤트가 예측된다(S905).

지능형 컴퓨팅 엔티티(220)는 요청 메시지를 전송하여 작업을 수행한다(S910).

이 때, 서비스 프로파일로 정의할 수 있는 작업 유형이 있다.

예를 들어, 비디오 보안 감시 시스템의 경우, 지능형 컴퓨팅 엔티티(220)가 보안 감시 카메라를 직접 제어할 수 있다.

터미널 엔티티(100)는 즉각적인 조치를 취하는데(S915), 예를 들어 카메라는 예측 시간에 따라 고품질 비디오를 직접 인코딩할 수 있다.

터미널 엔티티(100)는 요청에 대한 응답을 지능형 컴퓨팅 엔티티(220)로 전송한다(S920).

도 10은 본 발명의 실시예에 따른 기계학습(ML) 모델 업데이트 처리의 흐름도를 도시한다.

에지 분석을 달성하기 전에, 지능형 컴퓨팅 엔티티는(220) 클라우드 서버 또는 모델 저장소에 대한 빅데이터 분석을 통해 AI모델을 요청한다(S1005).

지능형 컴퓨팅 엔티티(220)는 AI모델에 서비스 프로파일을 포함한 요청 메시지를 보낸다(S1010).

서비스 프로파일을 확인함에 따라, 적절한 AI 모델이 빅데이터 분석 서버(300)나 모델 저장소에 구축된다(S1015).

빅데이터 분석 서버(300)는 요청에 대한 응답을 전송하는데(S1020), 이는 AI모델과 매개 변수를 첨부하는 요청에 대한 응답이다.

지능형 컴퓨팅 엔티티(220)는 모델을 적용하여 에지 분석을 진행한다(S1025).

적절한 주기가 지나면, 빅데이터 분석 서버(300)에서 모델 업데이트를 추진한다(S1030).

지능형 컴퓨팅 엔티티(220)는 새로운 AI모델을 명시적으로 요청할 수 있다.

지능형 컴퓨팅 엔티티(220)는 모델을 적용한다(S1035).

도 11은 본 발명의 실시예에 따른 에지 노드 기반 시계열 데이터 예측 및 결정을 위한 구성을 도시한다.

본 발명의 실시예에 따른 에지 노드 기반 시계열 데이터 예측 및 결정 구성은 1) Rule-based, ML based, DL-based의 융합 예측, 2) Hybrid prediction 및 decision 알고리즘, 3) 정책 기반 트래픽 제어 수행, 트래픽 최소화, 비용 최소화(정량제, 종량제), 서비스 quality 만족의 특징이 있다.

도 11을 참조하면, 본 발명의 실시예에 따른 에지 노드 기반 시계열 데이터 예측 및 결정을 위한 구성은 센싱 박스(110), 카메라(120), 에지 컴퓨팅 시스템(200), 클라우드 서버(400)를 포함하여 구성된다.

센싱 박스(100)는 진동센서, 소음센서, 가스센서 등 복수의 센서들의 집합이다.

센싱 박스(100)는 소음, 진동, 가스 등 다양한 센서들의 정보를 에지 컴퓨팅 시스템(200)으로 제공한다.

카메라(120)는 FHD급으로 공사현장의 영상을 실시간으로 촬영하여 에지 컴퓨팅 시스템(200)으로 제공한다.

에지 컴퓨팅 시스템(200)은 IoE 정보 처리 기능뿐 아니라, 디바이스 네트워크(Things network)로부터 데이터를 제공받기 위한 연결성을 제공한다.

또한, 각 프레임워크의 구성 노드 및 컴포넌트 사이의 네트워킹 플랫폼으로서 동작한다.

또한, 인터넷상에 존재하는 클라우드 서버 등과의 네트워킹을 제공하는 플랫폼으로서 동작한다.

에지 컴퓨팅 시스템(200)은 센싱 데이터 수집부(250, sensing data collection), 예측부(260, static prediction, ML-based prediction), 결정부(270, decision), 비디오 퀄리티 적용부(280, video quality adaptation)을 포함한다.

클라우드 서버(400)는 AWS IoT를 통해서 센서 정보를 받거나 RTMP를 통해서 비디오 정보를 받는다.

도 12는 본 발명의 실시예에 따른 에지 노드 기반 시계열 데이터 예측 및 결정 과정을 도시한다.

본 발명의 실시예에 따르면, 도 12에 도시한 바와 같은 절차를 통하여, 센서(110)로부터 발생되는 데이터(raw data 또는 single unit data)가 처리된다.

센서(110)를 통해 들어온 데이터는 센싱 데이터 수집부(250)를 거쳐 DB(291)에 저장된다(S1201, S1202).

또한, 센싱 데이터 수집부(250)로부터 예측부(260)로 데이터가 전송된다(S1203).

예측부(260)는 수집된 데이터 기반으로 다음 주기의 데이터를 예측하고, 예측된 데이터를 결정부(270)에 전달한다(S1204).

결정부(270)는 후술하는 도 13의 알고리즘에 따라, 고화질로 비디오 데이터를 보낼지 저화질로 비디오 데이터를 보낼지 여부를 판단하고, 판단한 결과를 비디오 퀄리티 적용부(280)로 전달한다(S1205).

비디오 퀄리티 적용부(280)는 결정부(270)로부터 수신한 결과에 따라, 비디오 퀄리티를 적용하고(S1206), 비디오 데이터를 클라우드 서버로 송출한다.

결정을 위한 예측 알고리즘은 다음과 같으며, 본 발명의 실시예에 따르면 복수의 알고리즘 중 최적의 알고리즘이 선택된다.

룰 베이스 알고리즘(Rule based algorithm)에는 Last Value (LV), Moving Average (MA)가 포함된다.

기계 학습 알고리즘(Machine Learning based algorithm)에는 Multi Variable Regression Prediction(MV_RP)이 포함된다.

딥 러닝 알고리즘(Deep Learning based algorithm)에는 Multi Variable Regression Prediction(MV_RP), Long Short Term Memory(LSTM), General Recurrent Unit (GRU)이 포함된다.

도 13a 및 도 13b는 본 발명의 실시예에 따른 결정(decision) 알고리즘을 도시하며, 각 알고리즘의 parameter는 자동으로 선택된다.

도 13a는 SA-DCS(Static Alarm based Data transmission Control Scheme)에 따른 것이고, 도 13b는 DA-DCS(Dynamic Alarm based Data transmission Control Scheme)에 따른 것이다.

도 13a 및 도 13b의 파라미터로서, S 는 한계 소음(dB), C 는 화질 변경 민감도( 0<C<1 ), Ns 는 초당 샘플링 횟수, Tw 는 노이즈 예측 윈도우 크기(sec), Td는 화질 감소 기준 시간 (sec), Uth는 네트워크 사용율 제한 기준치(Kbps), FNth는 False negative 수 제한 기준치(회수)이다.

도 13a를 참조하면, 샘플링 데이터를 수신하고(S1301), 향후 Tw 초 동안의 소음 레벨(s ₁, s _{2, …,} s _Tw _* _Ns )을 계산한다(S1302).

소음 레벨 계산 결과가 한계 소음 및 화질 변경 민감도의 연산 결과보다 크고, 현재까지의 네트워크 사용율이 네트워크 사용율 제한 기준치보다 작은지 여부를 확인한다(S1303).

S1303 단계에서 yes인 경우, t'(Max(s _i ) > S*C 인 경우가 발생한 마지막 시점)을 현재 시간(t)로 업데이트하고(S1304), 현재 저화질로 비디오가 전송 중인지 여부를 확인한다(S1305).

S1305 단계에서 yes인 경우, 고화질로 화질을 상승시키고(S1306), S1305 단계에서 no인 경우, S1301 단계로 돌아간다.

S1303 단계에서 no인 경우, t'(Max(s _i ) > S*C 인 경우가 발생한 마지막 시점) 및 현재 시간(t)을 차연산한 결과가 화질 감소 기준 시간 이상인지 여부를 확인한다(S1307).

S1307 단계에서 no인 경우, S1301 단계로 돌아가고, S1307 단계에서 yes인 경우, 현재 고화질로 비디오가 전송 중인지 여부를 확인한다(S1308).

S1308 단계에서 no인 경우, S1301 단계로 돌아가고, S1308 단계에서 yes인 경우, 저화질로 화질을 감소시킨다(S1309).

도 13b를 참조하면, 샘플링 데이터를 수신하고(S1311), 향후 Tw 초 동안의 소음 레벨(s ₁, s _{2, …,} s _Tw _* _Ns )을 예측한다(S1312).

이어서, 화질 변경 민감도를 조절한다(S1313).

이어서, 소음 레벨 예측값이 한계 소음 및 화질 변경 민감도의 연산 결과보다 크고, 현재까지의 네트워크 사용율이 네트워크 사용율 제한 기준치보다 작은지 여부를 확인한다(S1314).

S1314 단계에서 yes인 경우, t'(Max(s _i ) > S*C 인 경우가 발생한 마지막 시점)을 현재 시간(t)로 업데이트하고(S1315), 현재 저화질로 비디오가 전송 중인지 여부를 확인한다(S1316).

S1316 단계에서 yes인 경우, 고화질로 화질을 상승시키고(S1317), S1306 단계에서 no인 경우, S1311 단계로 돌아간다.

S1314 단계에서 no인 경우, t'(Max(s _i ) > S*C 인 경우가 발생한 마지막 시점) 및 현재 시간(t)을 차연산한 결과가 화질 감소 기준 시간 이상인지 여부를 확인한다(S1318).

S1318 단계에서 no인 경우, S1311 단계로 돌아가고, S1318 단계에서 yes인 경우, 현재 고화질로 비디오가 전송 중인지 여부를 확인한다(S1319).

S1319 단계에서 no인 경우, S1311 단계로 돌아가고, S1319 단계에서 yes인 경우, 저화질로 화질을 감소시킨다(S1320).

전술한 알고리즘에 따라, 예컨대 S=60dB, C=0.8, Tw=30sec, Td=10sec 인 경우,향후 30초 동안 48dB를 초과하는 지점이 있을 것으로 예상되면 10초 동안 고화질로 비디오 전송을 보장한다.

도 14는 본 발명의 실시예에 따른 에지 노드 기반 시계열 데이터 예측 및 결정을 위한 트레이닝(training) 및 서빙(serving)의 구성을 도시한다.

도 14를 참조하여, 트레이닝 과정에 대해 살펴보면, 센싱 박스(110)에 있는 여러 개의 센서 정보들이 지능형 에지 컴퓨팅 시스템(200)으로 전달된다.

센싱 데이터 수집부(250)의 트레이닝 처리 방법은, 스트리밍(Streaming) 처리 방법과 배치(batch) 처리 방법으로 나뉘어진다.

스트리밍 처리 방법은 수집된 데이터를 On-line 으로 기계학습 트레이닝 처리 모듈(285)에 전달시켜 학습을 수행하고, 학습된 결과를 기계학습 모델 DB(292)에 저장한다.

배치 처리 방법은 센싱 데이터 수집부(250)에서 DB(291)에 센싱 데이터를 저장하고, 일정하게 데이터가 쌓인 후에 통째로 기계학습 트레이닝 처리 모듈(285)에서 처리하고, 학습 결과를 기계학습 모델 DB(292)에 저장한다.

도 14를 참조하여 서빙(Serving)과정을 살펴보면, 센싱 박스(110)에 있는 여러 개의 센서 정보들이 지능형 에지 컴퓨팅 시스템(200)으로 전달된다.

센싱 데이터 수집부(250)는 예측부(260)로 센싱 데이터를 보낸다.

예측부(260)는 기계학습 모델 DB(292)로부터 최신 학습 결과를 가져오고, 미래 값을 예측하며, 예측된 결과를 결정부(270)로 전달한다.

도 15는 본 발명의 실시예에 따른 에지 노드 기반 시계열 데이터 예측 및 결정을 위한 트레이닝(training) 및 서빙(serving)의 흐름도를 도시한다.

트레이닝 처리 과정에서, 센서(110)는 REST 방식으로 PUT 메시지를 센싱 데이터 수집부(250)로 전송한다(S1501).

센싱 데이터 수집부(250)는 DB(291)에 해당 데이터를 저장시키고(S1502), 동시에 REST 방식으로 기계학습 트레이닝 처리 모듈(285)로 PUT 메시지를 전송한다(S1503).

각 PUT 메시지에 전송되어야 할 메시지 포맷의 예는 sensor_id, timestamp, noise, gas 등이다.

기계학습 트레이닝 처리 모듈(285)은 해당 데이터를 기반으로 학습을 수행한 후 기계학습 모델 DB(292)에 저장한다(S1504).

예측부(260)는 서빙을 위해, 최신에 저장된 기계학습 모델을 로딩한다(S1505).

서빙 처리 과정에서, 센서(110)는 센싱 데이터를 센싱 데이터 수집부(250)로 전달한다(S1511).

센싱 데이터 수집부(250)는 예측부(260)로 REST 방식의 PUT 메시지를 전달한다(S1512).

예측부(260)는 다음 step의 결과를 예측하고, 결정부(270)로 해당 데이터를 전송한다(S1513).

이하, 본 발명의 실시예에 따른 지능형 IoE 정보 프레임워크 기반의 도메인 서비스에 대해 설명한다.

본 발명의 실시예에 따르면, 전술한 자동 구성 지능형 IoT 정보 프레임 워크 및 에지 노드 기반 시계열 데이터 예측 및 결정 기술 기반으로, 다양한 서비스를 제공하는 것이 가능하다.

도 16 및 도 17은 본 발명의 실시예에 따른 지능형 IoT 정보 프레임워크를 기반으로 하는 스마트 IoT 건설 모니터링의 구성도를 도시한다.

도 16을 참조하면, 지능형 IoT 정보 프레임워크 기반 스마트 IoT 건설 모니터링을 도시한다.

공통 구조로 지능형 에지 컴퓨팅 시스템(200)과 기계학습 프레임워크 시스템(600)이 있고, west에 센싱 박스(110)가 있고 east에 클라우드 서버(400)로 연동된다.

민원인, 현장 감독관, 시스템 관리자의 디바이스(500)는 클라우드를 통해서 서비스를 이용한다.

도 17을 참조하면, 지능형 에지 컴퓨팅 시스템(200)은 입출력 인터페이스 처리 모듈(HTTP, AWS IoT 등), 센서(110) 또는 카메라(120)의 데이터 수집 및 저장 처리기, 시계열 데이터 분석 및 예측기(TS 센서 데이터들의 알람 예측), 영상 데이터 transformer 컨트롤러(FHD, HD, SD transformer 용 Rest API), 센서 데이터 전송 모듈(AWS IoT 전송 방식에 맞게 sensor 데이터 전송 및 Rest API), scalable 영상 데이터 전송 모듈(알람 구간과 비구간에 대한 scalable 데이터 전송 및 Rest API)이 포함된다.

본 발명의 실시예에 따르면, 재활용성을 높이기 위해서 오픈 소스 기반의 에지 컴퓨팅(예: EdgeX)을 활용하여 구현한다.

본 발명의 실시예에 따르면, 데이터 흐름 측면에서 보면, 효율적으로 공사현장 데이터(소음, 진동, 가스, 영상) 전송 및 저장을 수행하고, 이를 통해 무선 통신 구간의 트래픽을 감소시키는 것이 가능하다.

사용자 측면에서 보면, 민원인, 현장 감독관, 지자체 관리자 요청 시 위치별, 시간별 검색을 통해 정보(소음, 진동, 가스, 영상)를 실시간으로 확인 하는 것이 가능하다.

도 18은 본 발명의 실시예에 따른 지능형 IoT 정보 프레임워크를 기반으로 한 지능형 VR 캐쉬 서비스의 구성도이고, 도 19는 본 발명의 실시예에 따른 지능형 IoT 정보 프레임워크를 기반으로 한 지능형 VR 캐쉬 서비스의 활용을 도시한다.

시점 정보는 통계학적 기반으로 수집할 수 있고, 기계학습 기반으로 시점 정보를 분석한다.

최종적으로 사용자는 공간적 시점을 정해야 한다.

차등 인코딩 서는 High, middle, low 3가지 레벨에서 차별적으로 인코딩을 수행한다.

사용자는 에지 컴퓨팅 서버에 있는 저지연 VR 스트리밍을 수신할 수 있으며, 종래 기술 대비 더 빠른 시간에 데이터를 수신하는 것이 가능하다.

본 발명의 실시예에 따르면, 지능형 IoT 정보 프레임워크를 기반으로 비용 감소를 위한 비디오 트래픽 제어 정책, 고신뢰를 위한 트래픽 shaping 제어가 가능하다.

또한, 이동성 제어 및 QoS 제어를 포함하는 스마트 자동차 자율 주행 서비스, 끊김없는 영상 서비스를 제공하기 위한 귀중품 전송 관제 서비스, 다중 사용자의 등급에 최적화된 업링크 트래픽 제어를 개인방송 업링크 서비스의 제공이 가능하다.

한편, 본 발명의 실시예에 따른 지능형 IoE 에지 컴퓨팅 방법은 컴퓨터 시스템에서 구현되거나, 또는 기록매체에 기록될 수 있다. 컴퓨터 시스템은 적어도 하나 이상의 프로세서와, 메모리와, 사용자 입력 장치와, 데이터 통신 버스와, 사용자 출력 장치와, 저장소를 포함할 수 있다. 전술한 각각의 구성 요소는 데이터 통신 버스를 통해 데이터 통신을 한다.

컴퓨터 시스템은 네트워크에 커플링된 네트워크 인터페이스를 더 포함할 수 있다. 프로세서는 중앙처리 장치(central processing unit (CPU))이거나, 혹은 메모리 및/또는 저장소에 저장된 명령어를 처리하는 반도체 장치일 수 있다.

메모리 및 저장소는 다양한 형태의 휘발성 혹은 비휘발성 저장매체를 포함할 수 있다. 예컨대, 메모리는 ROM 및 RAM을 포함할 수 있다.

따라서, 본 발명의 실시예에 따른 지능형 IoE 에지 컴퓨팅 방법은 컴퓨터에서 실행 가능한 방법으로 구현될 수 있다. 본 발명의 실시예에 따른 지능형 IoE 에지 컴퓨팅 방법이 컴퓨터 장치에서 수행될 때, 컴퓨터로 판독 가능한 명령어들이 본 발명에 따른 지능형 IoE 에지 컴퓨팅 방법을 수행할 수 있다.

한편, 상술한 본 발명에 따른 지능형 IoE 에지 컴퓨팅 방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체로는 컴퓨터 시스템에 의하여 해독될 수 있는 데이터가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래시 메모리, 광 데이터 저장장치 등이 있을 수 있다. 또한, 컴퓨터로 판독 가능한 기록매체는 컴퓨터 통신망으로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 읽을 수 있는 코드로서 저장되고 실행될 수 있다.

이제까지 본 발명의 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

Claims

터미널 엔티티에 대한 연결을 제공하는 에지 네트워킹 엔티티;
에지 분석 기능을 제공하는 지능형 컴퓨팅 엔티티;
외부 기관에 대한 연동을 수행하는 에지 게이트웨이 엔티티; 및
식별자를 저장 관리하는 에지 식별자 관리 엔티티
를 포함하는 지능형 IoE 에지 컴퓨팅 시스템.
제1항에 있어서,
상기 에지 네트워킹 엔티티는 이기종 무선 기술을 고려하여 상기 터미널 엔티티에 대한 연결을 제공하는 것
인 지능형 IoE 에지 컴퓨팅 시스템.
제1항에 있어서,
상기 지능형 컴퓨팅 엔티티는 AI 서비스를 통해 제공되는 에지 분석 기능 및 빅데이터 분석 기능을 제공하는 것
인 지능형 IoE 에지 컴퓨팅 시스템.
제1항에 있어서,
상기 에지 게이트웨이 엔티티는 다른 IEC를 포함한 외부 기관에 대한 연동 기능 및 클라우드 컴퓨팅을 이용한 빅데이터 분석 기능을 제공하는 것
인 지능형 IoE 에지 컴퓨팅 시스템.
제1항에 있어서,
상기 에지 식별자 관리 엔티티는 식별자를 메타 데이터에 매핑하여 관리하는 것
인 지능형 IoE 에지 컴퓨팅 시스템.
제1항에 있어서,
상기 에지 네트워킹 엔티티는 상기 터미널 엔티티로부터 원시 데이터를 수집하여, 수집 결과를 상기 지능형 컴퓨팅 엔티티로 전달하고, 상기 지능형 컴퓨팅 엔티티는 집계 데이터를 분석하고, 분석된 데이터를 빅데이터 분석 서버로 전달하는 것
인 지능형 IoE 에지 컴퓨팅 시스템.
제1항에 있어서,
상기 지능형 컴퓨팅 엔티티는 데이터 수집의 에지 분석에 따라 비정상적인 상황 또는 일부 이벤트가 예측되면, 서비스 프로파일로 기정의된 액션 타입에 대한 요청 메시지를 전송하는 것
인 지능형 IoE 에지 컴퓨팅 시스템.
제1항에 있어서,
상기 지능형 컴퓨팅 엔티티는 서비스 프로파일을 포함한 요청 메시지를 전송하고, 서비스 프로파일 확인에 따라 구축된 AI 모델이 적용되어 에지 분석을 수행하고, 일정 주기 이후 빅데이터 분석 서버에서 추진된 모델 업데이트에 따라, 상기 모델을 적용하는 것
인 지능형 IoE 에지 컴퓨팅 시스템.
센싱 박스로부터 데이터를 수집하는 센싱 데이터 수집부;
상기 수집된 데이터를 기반으로 다음 주기의 데이터를 예측하는 예측부; 및
상기 예측부로부터 예측된 데이터를 수신하여, 카메라로부터 수신한 영상의 화질을 결정하는 결정부
를 포함하는 지능형 IoE 에지 컴퓨팅 시스템.
제9항에 있어서,
상기 예측부는 룰 베이스 예측, 기계학습 베이스 예측, 딥러닝 베이스 예측의 융합을 통해 최소 코스트에 대한 자동 예측을 수행하는 것
인 지능형 IoE 에지 컴퓨팅 시스템.
제9항에 있어서,
상기 결정부는 노이즈 예측 윈도우 내의 샘플 값에 대한 계산 또는 예측을 수행하고, 한계 소음 및 화질 변경 민감도, 네트워크 사용율 제한 기준치 초과 여부를 고려하여 비디오 화질에 대한 결정을 수행하는 것
인 지능형 IoE 에지 컴퓨팅 시스템.
센싱 박스로부터 데이터를 수집하는 센싱 데이터 수집부;
센싱 데이터를 이용하여 기계학습 트레이닝을 처리하는 기계학습 트레이닝 처리 모듈; 및
상기 수집된 데이터를 기반으로 다음 주기의 데이터를 예측하는 예측부
를 포함하는 지능형 IoE 에지 컴퓨팅 시스템.
제12항에 있어서,
상기 센싱 데이터 수집부는 데이터를 상기 기계학습 트레이닝 처리 모듈로 전달시키고, 상기 기계학습 트레이닝 처리 모듈은 학습된 결과를 기계학습 모델 DB에 저장하는 것
인 지능형 IoE 에지 컴퓨팅 시스템.
제12항에 있어서,
상기 센싱 데이터 수집부는 DB에 데이터를 저장하고, 상기 기계학습 트레이닝 처리 모듈은 일정 데이터가 축적된 후 처리한 학습 결과를 기계학습 모델 DB에 저장하는 것
인 지능형 IoE 에지 컴퓨팅 시스템.
제12항에 있어서,
상기 예측부는 기계학습 모델 DB로부터 최신 학습 결과를 로딩하여 미래 값을 예측하고, 예측된 결과를 결정부로 전달하는 것
인 지능형 IoE 에지 컴퓨팅 시스템.