KR20220168527A

KR20220168527A - 프라이버시 보존 엣지-서버 시너지 컴퓨팅 장치 및 방법

Info

Publication number: KR20220168527A
Application number: KR1020210109670A
Authority: KR
Inventors: 박유랑; 김호헌
Original assignee: 연세대학교 산학협력단
Priority date: 2021-06-15
Filing date: 2021-08-19
Publication date: 2022-12-23

Abstract

프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 장치 및 방법이 제공된다. 상기 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 장치는 서버와 통신을 수행하는 통신부 및 데이터 처리를 위해 상기 서버로 데이터를 전송하도록 상기 통신부를 제어하는 제어부를 포함하고, 상기 제어부는, 상기 데이터에 개인정보가 포함되어 있는지 여부를 판단하고, 상기 개인정보가 포함되어 있다고 판단되는 경우, 상기 개인정보의 식별이 불가능하도록, 상기 데이터를 변환하며, 변환된 데이터를 상기 통신부를 통해 상기 서버로 전송하는 것을 특징으로 한다.

Description

프라이버시 보존 엣지-서버 시너지 컴퓨팅 장치 및 방법{APPARATUS AND METHOD FOR PRESERVING PRIVACY IN EDGE-SERVER SYNERGETIC COMPUTING}

본 발명은 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 장치 및 방법에 관한 것이다.

모바일기기를 포함하는 여러 엣지 장치들(Edge device)에서 연산을 실행하는 임베디드 컴퓨팅의 한 분야에서, 여러 장치들은 데이터를 수집(접속 로그, 신호, 음성 등)이 가능하여, 각 인간의 행동이나 상황에 대한 데이터를 저장할 수 있다.

이러한 수집된 데이터로, 최종 사용자(end-users)에게 서비스를 제공하고자 할 때, 심층신경망이 이용될 수 있다.

이 때, 각 엣지 장치들이 데이터를 수집하는데 있어서는 컴퓨팅파워가 충분하나, 장치 내에서 인공지능 서비스를 실행하고자 할 때에는 자원(CPU, Memory, network)이 제한적이서서 실행에 한계(예, response time)가 존재한다는 문제점이 있다.

이러한 제한점을 극복하고자, 엣지 장치에서 수집된 데이터를 서버로 보내서, 서버에서 처리하여 결과값을 얻어오는 방식인 클라우드컴퓨팅(Cloud based computing)기술이 활용될 수 있다.

이 때, 원천 데이터를 서버에서 처리하기 위해서는 데이터를 엣지 장치에서 서버로 전송해야 하고, 이 과정에서 데이터 납치(data hijacking)가 일어날 수 있어 프라이버시 노출에 대한 문제점이 있다.

본 발명이 해결하고자 하는 과제는 엣지-서버 시너지 컴퓨팅에서 데이터에 포함된 프라이버시를 최적화된 방법으로 방지하는 것이 가능한 프라이버시 보존 엣지-서버 시너지 컴퓨팅 장치 및 방법을 제공하는데 있다.

본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상술한 과제를 해결하기 위한 본 발명의 일 실시 예에 따른 프라이버시 보존 엣지-서버 시너지 컴퓨팅 장치는, 서버와 통신을 수행하는 통신부 및 데이터 처리를 위해 상기 서버로 데이터를 전송하도록 상기 통신부를 제어하는 제어부를 포함하고, 상기 제어부는, 상기 데이터에 개인정보가 포함되어 있는지 여부를 판단하고, 상기 개인정보가 포함되어 있다고 판단되는 경우, 상기 개인정보의 식별이 불가능하도록, 상기 데이터를 변환하며, 변환된 데이터를 상기 통신부를 통해 상기 서버로 전송하는 것을 특징으로 한다.

실시 예에 있어서, 상기 제어부는, 상기 서버와 동시추론 방식으로 상기 데이터를 이용하여 딥 러닝을 수행하는 것을 특징으로 한다.

실시 예에 있어서, 상기 서버 및 상기 제어부는, 인공지능 모델을 이용하여 상기 데이터 처리를 수행하는 것을 특징으로 한다.

실시 예에 있어서, 상기 제어부는, 상기 서버 및 제어부에 포함된 인공지능 모델의 레이어의 특성을 판단하는 프로파일러를 포함하는 것을 특징으로 한다.

실시 예에 있어서, 상기 프로파일러는, 상기 서버 및 제어부에 구비된 인공지능 모델을 레이어별로 복수번 실행하여 지연시간을 측정하는 것을 특징으로 한다.

실시 예에 있어서, 상기 프로파일러는, 상기 제어부에서 데이터 처리된 딥러닝 그래프에 대하여 원본이미지와 처리된 이미지의 유사도를 산출하는 것을 특징으로 한다.

실시 예에 있어서, 상기 제어부는, 상기 딥러닝 그래프에 개인정보 보존을 위한 데이터 변환을 수행하는 그래프 변형자를 더 포함한다.

실시 예에 있어서, 상기 그래프 변형자는, 풀링 레이어(Pooling layer)를 추가하거나, 배치-정규화 기법을 이용하여 서버로 전송하는 데이터를 변환하는 것을 특징으로 한다.

실시 예에 있어서, 상기 제어부는, 상기 프로파일러에서 측정된 레이어 별 정보를 입력값으로 입력하여, 총 러닝타임을 예측하는 최적화 모듈을 더 포함한다.

실시 예에 있어서, 상기 제어부는, 상기 최적화 모듈에서 추출된 파티셔닝 포인트 및 프라이버시 요구사항에 근거하여, 상기 제어부 및 상기 서버에서 데이터 처리를 실행시키는 오케스트레이터를 더 포함한다.

실시 예에 있어서, 상기 처리된 이미지는 인공지능 모델에서 처리된 레이어별로 상이하며, 상기 제어부는, 상기 프로파일러에서 산출된 원본 이미지와 상기 처리된 이미지의 유사도가 일정값 이하인 경우, 데이터 변환을 미수행하는 것을 특징으로 한다.

본 발명의 다른 실시 예에 따른 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 방법은, 데이터에 개인정보가 포함되어 있는지 여부를 판단하는 단계; 상기 개인정보가 포함되어 있다고 판단되는 경우, 상기 개인정보의 식별이 불가능하도록, 상기 데이터를 변환하는 단계; 및 변환된 데이터를 서버로 전송하는 단계를 포함한다.

실시 예에 있어서, 상기 전송하는 단계는, 상기 서버와 동시추론 방식으로 상기 데이터를 이용하여 딥 러닝을 수행하는 것을 특징으로 한다.

실시 예에 있어서, 인공지능 모델을 이용하여 데이터 처리를 수행하는 단계를 더 포함하는 것을 특징으로 한다.

실시 예에 있어서, 상기 서버 및 장치에 포함된 인공지능 모델의 레이어의 특성을 추출하는 단계를 포함하는 것을 특징으로 한다.

실시 예에 있어서, 상기 추출하는 단계는, 상기 서버 및 장치에 구비된 인공지능 모델을 레이어별로 복수번 실행하여 지연시간을 측정하는 것을 특징으로 한다.

실시 예에 있어서, 상기 추출하는 단계는, 장치에서 데이터 처리된 딥러닝 그래프에 대하여 원본이미지와 처리된 이미지의 유사도를 산출하는 것을 특징으로 한다.

실시 예에 있어서, 상기 추출하는 단계는, 상기 딥러닝 그래프에 개인정보 보존을 위한 데이터 변환을 수행하는 단계를 더 포함한다.

실시 예에 있어서, 상기 데이터 변환을 수행하는 단계는, 풀링 레이어(Pooling layer)를 추가하거나, 배치-정규화 기법을 이용하여 서버로 전송하는 데이터를 변환하는 것을 특징으로 한다.

실시 예에 있어서, 상기 추출하는 단계에서 추출된 레이어 별 정보를 입력값으로 입력하여, 총 러닝타임을 예측하는 단계를 더 포함한다.

실시 예에 있어서, 상기 예측된 러닝타임에서 추출된 파티셔닝 포인트 및 프라이버시 요구사항에 근거하여, 상기 서버 및 장치에서 데이터 처리를 실행시키는 단계를 더 포함한다.

실시 예에 있어서, 상기 처리된 이미지는 인공지능 모델에서 처리된 레이어별로 상이하며, 상기 변환하는 단계는, 상기 프로파일러에서 산출된 원본 이미지와 상기 처리된 이미지의 유사도가 일정값 이하인 경우, 데이터 변환을 미수행하는 것을 특징으로 한다.

이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.

본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 발명에 따르면, 본 발명은 엣지 장치에서 서버로 데이터를 전송할 때 개인정보 포함 여부를 판단하고, 개인정보가 포함된 데이터를 변환하여 서버로 전송함으로써, 데이터 납치에 따른 개인정보 노출을 방지할 수 있다는 효과를 갖는다.

본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 일 실시 예에 따른 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 장치를 설명하기 위한 개념도이다.
도 2는 본 발명의 일 실시 예에 따른 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 방법을 설명하기 위한 흐름도이다.
도 3, 도 4 및 도 5는 도 2에서 살펴본 제어방법을 설명하기 위한 개념도이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

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 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.

설명에 앞서 본 명세서에서 사용하는 용어의 의미를 간략히 설명한다. 그렇지만 용어의 설명은 본 명세서의 이해를 돕기 위한 것이므로, 명시적으로 본 발명을 한정하는 사항으로 기재하지 않은 경우에 본 발명의 기술적 사상을 한정하는 의미로 사용하는 것이 아님을 주의해야 한다.

본 명세서에서 설명하는 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 방법은, 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 장치 또는 컴퓨터에 의해 구현될 수 있다.

예를 들어, '프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 장치'는 컴퓨터, 데스크 탑 PC, 노트북(Note Book) 뿐만 아니라 스마트폰(Smart phone), 태블릿 PC, 셀룰러폰(Cellular phone), 피씨에스폰(PCS phone; Personal Communication Service phone), 동기식/비동기식 IMT-2000(International Mobile Telecommunication-2000)의 이동 단말기, 팜 PC(Palm Personal Computer), 개인용 디지털 보조기(PDA; Personal Digital Assistant) 등도 해당될 수 있다.

또한, '프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 장치'는 클라이언트로부터 요청을 수신하여 정보처리를 수행하는 서버와 통신을 수행할 수 있다.

또한, 본 발명의 일 실시 예에 따른 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 장치는, 여러 기관 또는 클라이언트 장치와 통신을 수행할 수 있는 서버일 수 있다.

또한, 본 발명의 일 실시 예에 따른 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 장치는, 이동 단말기일 수 있다.

본 명세서에서 설명되는 이동 단말기에는 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)) 등이 포함될 수 있다.

이하, 본 명세서에서는 설명의 편의를 위해 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 장치 및 컴퓨터(또는 서버)를 혼용하여 사용하기로 한다. 또한, 상기 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 방법은, 상기 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 장치 또는 컴퓨터(또는 서버)가 주체가 되어 수행되는 것으로 이해될 수 있다.

이하에서는, 첨부된 도면을 참조하여, 본 발명의 일 실시 예에 따른 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 방법에 대하여 보다 구체적으로 살펴보기로 한다.

도 1은 본 발명의 일 실시 예에 따른 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 장치를 설명하기 위한 개념도이다.

프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 장치는, 적어도 하나의 장치(단말기)들과 서버로 이루어진 엣지 컴퓨팅 시스템에서, 서버(예를 들어, 적어도 하나의 장치로부터 데이터를 수집하여 데이터를 처리하는 중앙 집중 서버)로 데이터를 전송하는 장치를 의미할 수 있으며, 엣지 장치(Edge device)를 의미할 수 있다.

본 발명의 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 장치(100)는, 서버(110)와 통신을 수행하는 것이 가능한 통신부(210)를 포함할 수 있다.

상기 통신부(210)는, 유/무선 통신을 통해 서버(110)와 데이터를 송수신하는 통신을 수행할 수 있다.

일 예로, 무선 통신을 통해 서버와 통신을 수행하는 경우, 통신부(210)는, 이동 통신망을 이용할 수 있다.

통신부(210)는, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신할 수 있다.

메모리(220)는, 제어부(230)와 전기적으로 연결된다. 메모리(220)는 유닛에 대한 기본데이터, 유닛의 동작제어를 위한 제어데이터, 입출력되는 데이터를 저장할 수 있다. 메모리(220)는, 하드웨어적으로, ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브 등과 같은 다양한 저장기기 일 수 있다. 메모리(220)는 제어부(230)의 처리 또는 제어를 위한 프로그램 등, 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 장치(100) 전반의 동작을 위한 다양한 데이터를 저장할 수 있다.

제어부(230)는 응용 프로그램과 관련된 동작 외에도, 통상적으로 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 장치(100)의 전반적인 동작을 제어한다. 제어부(230)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.

도 2는 본 발명의 일 실시 예에 따른 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 방법을 설명하기 위한 흐름도이고, 도 3, 도 4 및 도 5는 도 2에서 살펴본 제어방법을 설명하기 위한 개념도이다.

프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 장치(100)는, 사용자 단말기일 수 있으며, 최종 사용자가 소유한 휴대용 단말기를 의미할 수 있다.

상기 장치(100)에서는, 데이터의 수집, 저장 및 처리가 가능할 수 있다.

도 2를 참조하면, 우선, 제어부(230)는, 데이터 처리를 위해 서버(110)로 데이터를 전송하도록 통신부(210)를 제어할 수 있다.

여기서, 서버(110)는, 상기 장치(100)와 통신하는 고사양 컴퓨팅 장치를 의미할 수 있다.

이 때, 제어부(230)는, 데이터에 개인정보가 포함되어 있는지 여부를 판단할 수 있다(S210).

제어부(230)는, 상기 개인정보가 데이터에 포함되어 있다고 판단되는 경우, 상기 개인정보의 식별이 불가능하도록, 상기 데이터를 변환(또는 변형, 가공)할 수 있다(S220).

이후, 제어부(230)는, 변환된 데이터를 서버(110)로 전송할 수 있다(S230).

본 발명은 모바일 기기를 포함하는 여러 장치에서 임베디드 딥러닝(장치 내 딥러닝의 실행)을 실행(execution)하고자 할 때, 클라우드 방식이 아닌, 엣지 장치와 서버간의 동시추론(co-inference) 방식으로 진행할 수 있다.

이 때, 본 발명은, 데이터 납치(data hijacking)에 대비하여, 데이터 변환(transformation)과정을 추가하여, 데이터에 유실이 발생되더라도 프라이버시 보존하여 딥러닝 추론 서비스가 가능하다.

이를 위해, 제어부(230)는, 서버와 동시추론 방식으로 데이터를 이용하여 딥 러닝을 수행할 수 있다.

또한, 서버(110) 및 제어부(230)는, 인공지능 모델을 이용하여 데이터 처리를 수행할 수 있다. 즉, 데이터 처리는, 인공지능 모델을 이용하는 것, 딥 러닝을 수행하는 것 등의 데이터와 관련된 모든 처리를 포함할 수 있다.

인공지능 모델은, 기계 학습(머신 러닝(machine learning))을 통해 학습된 인공지능 알고리즘일 수 있다.

여러 학습 방법 중 하나인 지도 학습(supervised learning)은 입력과 출력 사이의 매핑을 학습하는 것이며, 입력과 출력 쌍이 데이터로 주어지는 경우에 적용한다.

예를 들어 컴퓨터가 주차장 입구에서 자동차 번호판을 인식할 때 번호판이 오염된 경우 제대로 인식하지 못할 수 있다. 이 경우 다양하게 오염된 번호판 사례와 정상 번호판을 각각 입력과 출력 쌍으로 학습시켜 번호판 인식률을 높일 수 있다.

인공지능 모델은, 기 학습된 알고리즘 또는 인공지능 알고리즘 등으로 명명될 있으며, 딥 러닝 기반으로 학습된 인공지능 모델을 의미할 수 있다.

일 예로, 인공지능 모델은, CNN(Convolutional Neural Network)을 이용하여 학습된 알고리즘을 의미할 수 있다.

또한, 상기 인공지능 모델은, Random Forest (RF), Support Vector Machine (SVC), eXtra Gradient Boost (XGB), Decision Tree (DC), K-nearest Neighbors (KNN), Gaussian Naive Bayes (GNB), Stochastic Gradient Descent (SGD), Linear Discriminant Analysis (LDA), Ridge, Lasso 및 Elastic net 중 적어도 하나의 알고리즘을 포함하거나, 이러한 알고리즘을 통해 학습된 모델일 수 있다.

이러한 인공지능 모델은, 서버(110) 및 엣지 장치(즉, 프라이버시 보존 엣지-서버 시너지 컴퓨팅 장치)(100)에 구비될 수 있으며, 각각에 저장된 인공지능 모델은 동일할 수도 있고 서로 상이할 수도 있다.

도 3을 참조하면, 제어부(230)는, 서버 및 제어부에 포함된 인공지능 모델의 레이어의 특성을 판단하는 프로파일러(profiler)(232)를 포함할 수 있다.

구체적으로, 프로파일러(232)는, 장치(100) 및 서버(110)에 구비된 인공지능 모델의 레이어의 특성을 파악할 수 있는 모듈을 의미할 수 있다.

상기 레이어의 특성은, 레이어의 수, 입력값의 차원, 각 레이어에서 반환되는 데이터의 크기 등을 포함할 수 있다.

프로파일러(232)는, 서버(110) 및 제어부(230)에 구비된 인공지능 모델을 레이어별로 복수번 실행하여 지연시간을 측정할 수 있다.

구체적으로, 프로파일러(232)는, 사용자 단말기(100)과 서버(110)에서 주어진 인공지능 모델을 레이어 별로 N번 실행하게 되며, 이 실행되는 런타임(=지연시간)을 실험적으로 측정하여 저장할 수 있다.

또한, 프로파일러(232)는, 제어부(230)에서 데이터 처리된 딥러닝 그래프에 대하여 원본이미지와 처리된 이미지의 유사도를 산출할 수 있다.

구체적으로, 프로파일러(232)는, 주어진 딥러닝 그래프(G)에 대해서 원본이미지와 처리된 이미지의 유사도를 SSIM을 이용하여 구하여, 각 레이어별 유사성을 도출할 수 있으며, 유사성을 나타는 유사도는, 도 4의 5번 수식과 같이 표현될 수 있다.

제어부는, 상기 딥러닝 그래프에 개인정보 보존을 위한 데이터 변환을 수행하는 그래프 변형자(Graph modifier)(234)를 포함할 수 있다.

그래프 변형자(234)는, 풀링 레이어(Pooling layer)를 추가하거나, 배치-정규화 기법을 이용하여 서버로 전송하는 데이터를 변환할 수 있다.

즉, 그래프 변형자(234)는, 주어진 딥러닝 그래프에 프라이버시 보존을 위해 Pooling layer을 추가하거나, 배치-정규화 기법을 추가하여, 기존의 레이어를 변형하는 모듈일 수 있다.

제어부(230)는, 프로파일러(232)에서 측정된 레이어 별 정보를 입력값으로 입력하여, 총 러닝타임을 예측하는 최적화 모듈(Optimizer)(236)을 포함할 수 있다.

구체적으로, 최적화 모듈(236)은, 프로파일러가 저장하고 있는 각 레이어별 런타임, 현재 연결된 네트워크의 대역폭(bandwidth), 처리해야 할 데이터량(batch size)을 입력값으로 받아, 예상되는 총 런타임(total runtime, end-to-end latency)을 예측할 수 있다.

최적화 공식은 도 4에 도시된 프라이버시 보존 엣지-컴퓨팅 구동 알고리즘과 같을 수 있다.

제어부(230)는, 상기 최적화 모듈에서 추출된 파티셔닝 포인트 및 프라이버시 요구사항에 근거하여, 상기 제어부 및 상기 서버에서 데이터 처리를 실행시키는 오케스트레이터(Orchestrator)(238)를 포함할 수 있다.

구체적으로, 오케스트레이터(238)는, 최적화 모듈(236)에서 추출된 런타임에 근거하여 산출된 p, q의 파티셔닝 포인트와 프라이버시 요구사항(도 4의 6 및 8번)에 근거하여, 장치(100)와 서버(110)를 실행(즉, 제어부(230)와 서버(110)에서 데이터 처리를 수행)시킬 수 있다.

한편, 도 5에 도시된 것과 같이, 장치(100)에서 인공지능 모델에 의해 처리된 이미지는, 인공지능 모델에서 처리된 레이어별로 상이할 수 있다.

제어부(230)는, 프로파일러(232)에서 산출된 원본 이미지와 처리된 이미지의 유사도가 일정값 이하인 경우, 개인정보의 식별 우려가 없으므로, 데이터 변환을 미수행할 수 있다.

앞서 살핀 바와 같이, 엣지 서버 시너지 컴퓨팅(Edge-server synergetic computation)은 병목현상이 걸릴 수 있는 데이터의 처리를 서버로 이전(offloading)하기에, 데이터 전송이 필연적이다.

따라서, 신뢰할 수 없는 서비스 제공자에 의해, 중간처리된 데이터가 데이터 납치(Data hijacking)에 되는 경우, 데이터 프라이버시 위험이 있다.

본 발명은 그래프 변형자(230)에 의해, 데이터가 납치되는 경우에도 납치된 데이터를 기반으로 원본의 데이터를 추론하기 어렵게 할 수 있다.

또한, 레이어별로 처리되는 정도가 다르므로, 개인정보를 식별할 수 없을 정도로 원본 데이터가 처리된 경우에는, 별도의 데이터 변환 없이 서버로 전송할 수도 있다.

본 발명은 종전의 엣지컴퓨팅 기술에서 지원하지 않는 프라이버시 보존 기능을 수행할 수 있다.

종래의 기술들은 데이터 프라이버시에 대한 고려를 하지 않아, 딥러닝의 피드포워드(feed forward)결과가 그대로 노출되어, 이를 역연산할 경우나 중간 처리결과를 식별할 경우, 원본데이터의 노출/식별자 구분이 가능하다.

예를 들어, 다음의 딥러닝 그레프 F(x)가 주어진 경우, 프라이버시 공격자도 같은 그래프를 가지고 있으므로, g_n을 역연산할 수 있는 연산(예, (g_n)^(-1)inversed matrix)을 구하면 근사하게 x을 구할 수 있다.

또한, 정확한 연산을 할수 없더라도, 인간이 육안으로 확인이 가능할 정도의 식별성을 지닌 처리결과가 엣지에서 서버로 전송되다가 해킹당할 수 있다.

본 발명은 역연산이 불가능한 연산들을 추가하므로, 원본데이터를 구하는 방법을 기저에 두고 있다.

또한, 본 발명은 원본데이터를 재건하지못하지만 인간의 육안으로 식별성을 구분할 수 없게 하는 최소의 처리결과만을 전송할 수 있게 기준을 설정할 수도 있다.

본 발명은 종래기술에는 없는 프라이버시 보존 기술들을 추가하여, 데이터납치 상황하에도 원본데이터를 재구축(reconstruction)할 수 없고, 중간 처리결과를 식별했을 경우에도 노출되지 않는다.

본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.

이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

Claims

서버와 통신을 수행하는 통신부; 및
데이터 처리를 위해 상기 서버로 데이터를 전송하도록 상기 통신부를 제어하는 제어부를 포함하고,
상기 제어부는,
상기 데이터에 개인정보가 포함되어 있는지 여부를 판단하고,
상기 개인정보가 포함되어 있다고 판단되는 경우, 상기 개인정보의 식별이 불가능하도록, 상기 데이터를 변환하며,
변환된 데이터를 상기 통신부를 통해 상기 서버로 전송하는 것을 특징으로 하는 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 장치.
제 1 항에 있어서,
상기 제어부는,
상기 서버와 동시추론 방식으로 상기 데이터를 이용하여 딥 러닝을 수행하는 것을 특징으로 하는 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 장치.
제 2 항에 있어서,
상기 서버 및 상기 제어부는,
인공지능 모델을 이용하여 상기 데이터 처리를 수행하는 것을 특징으로 하는 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 장치.
제 1 항에 있어서,
상기 제어부는,
상기 서버 및 제어부에 포함된 인공지능 모델의 레이어의 특성을 판단하는 프로파일러를 포함하는 것을 특징으로 하는 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 장치.
제 4 항에 있어서,
상기 프로파일러는,
상기 서버 및 제어부에 구비된 인공지능 모델을 레이어별로 복수번 실행하여 지연시간을 측정하는 것을 특징으로 하는 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 장치.
제 4 항에 있어서,
상기 프로파일러는,
상기 제어부에서 데이터 처리된 딥러닝 그래프에 대하여 원본이미지와 처리된 이미지의 유사도를 산출하는 것을 특징으로 하는 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 장치.
제 6 항에 있어서,
상기 제어부는,
상기 딥러닝 그래프에 개인정보 보존을 위한 데이터 변환을 수행하는 그래프 변형자를 더 포함하는 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 장치.
제 7 항에 있어서,
상기 그래프 변형자는,
풀링 레이어(Pooling layer)를 추가하거나, 배치-정규화 기법을 이용하여 서버로 전송하는 데이터를 변환하는 것을 특징으로 하는 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 장치.
제 4 항에 있어서,
상기 제어부는,
상기 프로파일러에서 측정된 레이어 별 정보를 입력값으로 입력하여, 총 러닝타임을 예측하는 최적화 모듈을 더 포함하는 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 장치.
제 9 항에 있어서,
상기 제어부는,
상기 최적화 모듈에서 추출된 파티셔닝 포인트 및 프라이버시 요구사항에 근거하여, 상기 제어부 및 상기 서버에서 데이터 처리를 실행시키는 오케스트레이터를 더 포함하는 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 장치.
제 6 항에 있어서,
상기 처리된 이미지는 인공지능 모델에서 처리된 레이어별로 상이하며,
상기 제어부는,
상기 프로파일러에서 산출된 원본 이미지와 상기 처리된 이미지의 유사도가 일정값 이하인 경우, 데이터 변환을 미수행하는 것을 특징으로 하는 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 장치.
데이터에 개인정보가 포함되어 있는지 여부를 판단하는 단계;
상기 개인정보가 포함되어 있다고 판단되는 경우, 상기 개인정보의 식별이 불가능하도록, 상기 데이터를 변환하는 단계; 및
변환된 데이터를 서버로 전송하는 단계를 포함하는 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 방법.
제 12 항에 있어서,
상기 전송하는 단계는,
상기 서버와 동시추론 방식으로 상기 데이터를 이용하여 딥 러닝을 수행하는 것을 특징으로 하는 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 방법.
제 13 항에 있어서,
인공지능 모델을 이용하여 데이터 처리를 수행하는 단계를 더 포함하는 것을 특징으로 하는 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 방법.
제 12 항에 있어서,
상기 서버 및 장치에 포함된 인공지능 모델의 레이어의 특성을 추출하는 단계를 포함하는 것을 특징으로 하는 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 방법.
제 15 항에 있어서,
상기 추출하는 단계는,
상기 서버 및 장치에 구비된 인공지능 모델을 레이어별로 복수번 실행하여 지연시간을 측정하는 것을 특징으로 하는 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 방법.
제 15 항에 있어서,
상기 추출하는 단계는,
장치에서 데이터 처리된 딥러닝 그래프에 대하여 원본이미지와 처리된 이미지의 유사도를 산출하는 것을 특징으로 하는 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 방법.
제 17 항에 있어서,
상기 추출하는 단계는,
상기 딥러닝 그래프에 개인정보 보존을 위한 데이터 변환을 수행하는 단계를 더 포함하는 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 방법.
제 18 항에 있어서,
상기 데이터 변환을 수행하는 단계는,
풀링 레이어(Pooling layer)를 추가하거나, 배치-정규화 기법을 이용하여 서버로 전송하는 데이터를 변환하는 것을 특징으로 하는 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 방법.
제 15 항에 있어서,
상기 추출하는 단계에서 추출된 레이어 별 정보를 입력값으로 입력하여, 총 러닝타임을 예측하는 단계를 더 포함하는 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 방법.
제 20 항에 있어서,
상기 예측된 러닝타임에서 추출된 파티셔닝 포인트 및 프라이버시 요구사항에 근거하여, 상기 서버 및 장치에서 데이터 처리를 실행시키는 단계를 더 포함하는 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 방법.
제 17 항에 있어서,
상기 처리된 이미지는 인공지능 모델에서 처리된 레이어별로 상이하며,
상기 변환하는 단계는,
상기 프로파일러에서 산출된 원본 이미지와 상기 처리된 이미지의 유사도가 일정값 이하인 경우, 데이터 변환을 미수행하는 것을 특징으로 하는 프라이버시 보존을 위한 엣지-서버 시너지 컴퓨팅 방법.
하드웨어인 컴퓨터와 결합되어, 제12항 내지 제22항 중 어느 한 항의 방법을 수행하도록 컴퓨터에서 판독가능한 기록매체에 저장된 컴퓨터 프로그램.