KR20230013374A - LoRa 네트워크에서 효율적 IoT 디바이스 운용을 위한 크로스 레이어 기반의 IoT 디바이스 전송 주기 제어 방법 및 시스템 - Google Patents

LoRa 네트워크에서 효율적 IoT 디바이스 운용을 위한 크로스 레이어 기반의 IoT 디바이스 전송 주기 제어 방법 및 시스템 Download PDF

Info

Publication number
KR20230013374A
KR20230013374A KR1020210094042A KR20210094042A KR20230013374A KR 20230013374 A KR20230013374 A KR 20230013374A KR 1020210094042 A KR1020210094042 A KR 1020210094042A KR 20210094042 A KR20210094042 A KR 20210094042A KR 20230013374 A KR20230013374 A KR 20230013374A
Authority
KR
South Korea
Prior art keywords
data
clustering
iot
model
cluster
Prior art date
Application number
KR1020210094042A
Other languages
English (en)
Other versions
KR102514810B1 (ko
Inventor
최준균
이상현
박홍식
한재섭
김나경
박현서
Original Assignee
한국과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020210094042A priority Critical patent/KR102514810B1/ko
Publication of KR20230013374A publication Critical patent/KR20230013374A/ko
Application granted granted Critical
Publication of KR102514810B1 publication Critical patent/KR102514810B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/2866—Architectures; Arrangements
    • H04L67/289—Intermediate processing functionally located close to the data consumer application, e.g. in same machine, in same home or in same sub-network
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

LoRa 네트워크에서 효율적 IoT 디바이스 운용을 위한 크로스 레이어 기반의 IoT 디바이스 전송 주기 제어 방법 및 시스템이 제시된다. 본 발명에서 제안하는 LoRa 네트워크에서 효율적 IoT 디바이스 운용을 위한 크로스 레이어 기반의 IoT 디바이스 전송 주기 제어 시스템은 제1 평균 디바이스 밀도(
Figure pat00063
)를 갖는 LoRa 모듈을 탑재하며, 에지 서버의 LoRa 게이트웨이로 데이터를 전송하는 복수의 IoT 디바이스 및 에지 서버를 포함한다. 본 발명의 일 실시예에 따른 에지 서버는 복수의 IoT 디바이스로부터 데이터를 수집하는 LoRa 게이트웨이, 수집된 다중 모달 형태의 시계열 데이터에 기초하여 복수의 IoT 디바이스에 대한 군집화를 수행하는 디바이스 군집화 모듈, 복수의 IoT 디바이스에 대한 군집화 결과에 기초하여 각 군집 마다 예측 모델을 생성하여 데이터를 예측하는 데이터 예측 모듈 및 예측된 결과와 실측 데이터에 기초하여 복수의 IoT 디바이스에 대한 디바이스 전송 주기를 결정하는 디바이스 전송 주기 관리 모듈을 포함한다. 본 발명의 일 실시예에 따른 LoRa 게이트웨이는 결정된 디바이스 전송 주기를 복수의 IoT 디바이스에 재 할당하고, 결정된 디바이스 전송 주기를 복수의 IoT 디바이스에 재 할당함으로써 제1 평균 디바이스 밀도(
Figure pat00064
)보다 낮은 제2 평균 디바이스 밀도(
Figure pat00065
)로 데이터를 수집한다.

Description

LoRa 네트워크에서 효율적 IoT 디바이스 운용을 위한 크로스 레이어 기반의 IoT 디바이스 전송 주기 제어 방법 및 시스템{Cross Layer-based IoT Device Transmission Interval Management Scheme for Efficient IoT Device Operation in LoRa Network}
본 발명은 LoRa 네트워크에서 효율적 IoT 디바이스 운용을 위한 크로스 레이어 기반의 IoT 디바이스 전송 주기 제어 방법 및 시스템에 관한 것이다.
최근 IoT 서비스를 위한 LPWAN(Low-Power Wide-Area Network) 기술의 발전에 따라, 국내 IoT 플랫폼 시장은 매년 16.1%씩 증가될 것으로 예상된다[1]. 전세계적으로 2025년에는 400억개 이상의 IoT 디바이스들이 연결될 것으로 전망[2]
또한 5G 요구사항으로서 기존 4G 대비 100배 이상의 디바이스를 수용해야 한다. 따라서 IoT 서비스를 위해 낮은 전력과 넓은 범위를 커버할 수 있는 LPWAN 기술들이 개발되고 있다.
그러나, LPWAN 환경에서 수집되는 IoT 디바이스들은 무선환경에서 수집되기 때문에 디바이스 수가 많아지게 되면 평균적으로 발생하는 간섭이 증가하여 패킷 전송 성공확률이 현저히 떨어지게 된다.
LPWAN 기술들 중 LoRa(Long rage)는 시그폭스(sigfox)에 비해 높은 데이터 비율(datarate)을 갖고 있으며, 면허 대역을 사용하는 NB-IoT(NarrowBand-IoT)에 비해 설치 및 유지비용이 저렴하기 때문에 널리 사용되고 있다.
LoRa는 CSS(Chirp Spread Spectrum) 변조 방식을 통해 간섭에 강한 특성을 갖는다. 예를 들어, 처프 비율(chirp rate)에 따라 총 6개의 확산 인자(Spreading Factor; SF)로 모듈레이션될 수 있다.
높은 SF는 처프 비율이 낮기 때문에 낮은 SF에 비하여 ToA(Time of Air), 다시 말해 채널 점유 시간이 길게 되고, 그렇기 때문에 더 좋은 수신 감도(sensitivity)를 가질 수 있다.
낮은 수신 감도로 인하여 높은 SF는 낮은 SF에 비하여 멀리 전송 가능하다. 따라서 높은 SF를 통하여 G/W(Gate Way)로부터 멀리 떨어져 있는 디바이스를 수용할 수 있다.
일반적으로 IoT 디바이스들은 정보를 수집하기 위하여 밀집된 지역에 분포되어 있다. 이러한 디바이스들이 측정하는 데이터는 종종 비슷한 데이터를 전송하거나 자주 측정되어 중복(redundant) 측정이 될 수 있다.
유사한 데이터는 싱크(sink)(예를 들어, IoT Gateway)에서 중복(redundancy)을 유발 할 수 있으며, 중복 데이터 획득과 통신으로 인해 센서의 에너지 고갈의 가속화를 야기할 수 있다. 디바이스 수의 증가는 물리계층에서 충돌을 더 일으켜 패킷 에러 확률을 증가시킬 수 있다.
응용 계층에서는 의미 있는 데이터를 잘 추출 하는 것도 중요하다. 따라서 물리 계층에서 발생하는 에너지 소비 문제와 패킷 에러 확률, 응용 계층에서의 의미 있는 데이터 추출을 같이 고려할 필요가 있다.
[1] IDC Korea, domestic IoT platform market, expected to grow 16.1% annually by 2023, Mar, 2020. [2] The growth in connected IoT devices is expected to generate 79.4ZB of data in 2025, according to a new IDC forecast, Jun, 2019.
본 발명이 이루고자 하는 기술적 과제는 IoT 디바이스의 증가로 인하여 발생하는 물리계층에서의 간섭 문제와, 응용 계층에서 비효율적 수집으로 인한 IoT 데이터의 중복 문제를 동시에 해결하기 위한 크로스 레이어 기반의 IoT 디바이스 전송 주기 제어 방법 및 시스템을 제공하는데 있다. 또한, 실시간으로 데이터가 수집되는 환경에서 적용하기 위하여 예측을 위한 학습 모델의 학습을 경량화하고자 한다. 켬퓨팅 파워(Computing power)가 낮은 IoT 디바이스의 경우 주변 IoT 디바이스들의 데이터 정보를 판단하기 힘들기 때문에, 본 발명에서는 중앙 서버(Edge/cloud)에서 학습과 예측을 수행하고 이를 기반으로 각 디바이스 전송 주기를 제어하고자 한다.
일 측면에 있어서, 본 발명에서 제안하는 LoRa 네트워크에서 효율적 IoT 디바이스 운용을 위한 크로스 레이어 기반의 IoT 디바이스 전송 주기 제어 시스템은 제1 평균 디바이스 밀도(
Figure pat00001
)를 갖는 LoRa 모듈을 탑재하며, 에지 서버의 LoRa 게이트웨이로 데이터를 전송하는 복수의 IoT 디바이스 및 에지 서버를 포함한다.
본 발명의 일 실시예에 따른 에지 서버는 복수의 IoT 디바이스로부터 데이터를 수집하는 LoRa 게이트웨이, 수집된 다중 모달(Multi-modal) 형태의 시계열 데이터에 기초하여 복수의 IoT 디바이스에 대한 군집화를 수행하는 디바이스 군집화 모듈, 복수의 IoT 디바이스에 대한 군집화 결과에 기초하여 각 군집 마다 예측 모델을 생성하여 데이터를 예측하는 데이터 예측 모듈 및 예측된 결과와 실측 데이터에 기초하여 복수의 IoT 디바이스에 대한 디바이스 전송 주기를 결정하는 디바이스 전송 주기 관리 모듈을 포함한다.
본 발명의 일 실시예에 따른 LoRa 게이트웨이는 결정된 디바이스 전송 주기를 복수의 IoT 디바이스에 재 할당하고, 결정된 디바이스 전송 주기를 복수의 IoT 디바이스에 재 할당함으로써 제1 평균 디바이스 밀도(
Figure pat00002
)보다 낮은 제2 평균 디바이스 밀도(
Figure pat00003
)로 데이터를 수집한다.
본 발명의 일 실시예에 따른 디바이스 군집화 모듈은 비지도 학습을 이용하여 복수의 IoT 디바이스에 대한 군집화를 수행한다.
본 발명의 일 실시예에 따른 디바이스 군집화 모듈은 오토인코더 모델을 통해 데이터의 특징을 추출하고, 군집화를 수행하기 위해 PCA(Principal Component Analysis)를 이용하여 차원 축소(dimension reduction)를 수행하고, 차원 축소 결과에 기초하여 군집화를 수행한다.
본 발명의 일 실시예에 따른 디바이스 군집화 모듈은 입력과 출력이 동일하게 나오도록 학습하는 비지도 학습 모델인 오토인코더 모델을 통해 학습된 모델에 기초하여 입력 시퀀스에 대한 특징을 추출하고, 각 IoT 디바이스는 한 개 이상의 모달리티(modality)를 갖는 데이터가 측정되는 다중 모달(Multi-modal) 형태의 오토인코더 모델을 구성하며, 인코딩된 부분을 통해 특징을 추출하고 군집화 알고리즘을 수행하기 위해 PCA를 통한 차원 축소를 수행하고, 차원 축소 결과에 대하여 군집화 알고리즘을 통해 최적 군집을 선택하고, 레이블링을 수행한다.
본 발명의 일 실시예에 따른 데이터 예측 모듈은 지도 학습을 이용하여 군집화된 복수의 IoT 디바이스의 각 군집 마다 예측 모델을 생성하여 데이터 예측을 수행한다.
본 발명의 일 실시예에 따른 데이터 예측 모듈은 미리 저장된 학습 데이터 셋(training dataset)으로 사전 학습 글로벌 LSTM 모델을 생성하고, 군집화 결과 및 사전 학습 글로벌 LSTM 모델에 기초하여 각 군집에 대한 로컬 LSTM 모델을 생성한다.
본 발명의 일 실시예에 따른 데이터 예측 모듈은 사전 학습 글로벌 LSTM 모델 및 각 군집에 대한 로컬 LSTM 모델을 이용하고, 사전 학습 글로벌 LSTM 모델은 학습 과정에서 모든 미리 저장된 학습 데이터 셋에 대한 학습 시간을 필요로 하고, 각 군집에 대한 로컬 LSTM 모델은 각 군집 별로 학습 업데이트를 필요로 하며, 각 군집에 대한 로컬 LSTM 모델은 사전 학습 글로벌 LSTM 모델의 가중치를 가져와 고정시키고 새로운 로컬 군집 학습을 위한 레이어를 추가한 후 데이터를 학습하여 최종 예측을 수행한다.
본 발명의 일 실시예에 따른 디바이스 전송 주기 관리 모듈은 각 IoT 디바이스에 대하여 독립적으로 전송 주기를 관리하고, 모든 모달리티에 대하여 실측 값과 예측 값의 MAPE(Mean Absolute Percentage Error) 값을 의미하는 함수를 정의하며, 상기 함수와 에러 임계값을 비교하고, 비교 결과에 따라 각 IoT 디바이스에 대한 전송 주기를 조절한다.
또 다른 일 측면에 있어서, 본 발명에서 제안하는 LoRa 네트워크에서 효율적 IoT 디바이스 운용을 위한 크로스 레이어 기반의 IoT 디바이스 전송 주기 제어 방법은 제1 평균 디바이스 밀도(
Figure pat00004
)를 갖는 LoRa 모듈을 탑재한 복수의 IoT 디바이스가 에지 서버의 LoRa 게이트웨이로 데이터를 전송하는 단계, 에지 서버의 LoRa 게이트웨이에서 수집된 다중 모달(Multi-modal) 형태의 시계열 데이터에 기초하여 디바이스 군집화 모듈을 통해 복수의 IoT 디바이스에 대한 군집화를 수행하는 단계, 복수의 IoT 디바이스에 대한 군집화 결과에 기초하여 데이터 예측 모듈을 통해 각 군집 마다 예측 모델을 생성하여 데이터를 예측하는 단계, 예측된 결과와 실측 데이터에 기초하여 디바이스 전송 주기 관리 모듈을 통해 복수의 IoT 디바이스에 대한 디바이스 전송 주기를 결정하는 단계, 결정된 디바이스 전송 주기를 에지 서버의 LoRa 게이트웨이를 통해 복수의 IoT 디바이스에 재 할당하는 단계 및 결정된 디바이스 전송 주기를 복수의 IoT 디바이스에 재 할당함으로써 에지 서버의 LoRa 게이트웨이를 통해 제1 평균 디바이스 밀도(
Figure pat00005
)보다 낮은 제2 평균 디바이스 밀도(
Figure pat00006
)로 데이터를 수집하는 단계를 포함한다.
본 발명의 실시예들에 따르면 LoRa 네트워크에서 물리 및 MAC 계층에서 발생하는 간섭과 수집되는 데이터를 동시에 고려한 크로스 레이어 구조를 통해 디바이스 전송 주기를 제어하여 간섭을 줄이며 효율적으로 IoT 디바이스를 운용할 수 있다. 또한, 비슷한 특징을 갖는 디바이스들이 군집하여 생성한 예측 모델을 통해 더 낮은 예측 오차율을 보장할 수 있다. 또한, 예측 오차율을 기반으로 각 디바이스의 전송 주기를 제어함으로써 LoRa 네트워크에서 발생하는 간섭을 줄여 기존보다 더 많은 IoT 디바이스를 수용 가능하고, 평균 전송주기의 증가로 인해 IoT 디바이스의 에너지 소비를 절약할 수 있다.
도 1은 본 발명의 일 실시예에 따른 LoRa 네트워크에서 효율적 IoT 디바이스 운용을 위한 크로스 레이어 기반의 IoT 디바이스 전송 주기 제어 시스템의 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 LoRa 네트워크에서 효율적 IoT 디바이스 운용을 위한 크로스 레이어 기반의 IoT 디바이스 전송 주기 제어 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 디바이스 군집화 및 데이터 예측에 대하여 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 디바이스 군집화 및 데이터 예측에 대한 학습 및 수행과정을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 비지도 학습 기반 디바이스 군집화 모듈을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 지도 학습 기반 데이터 예측 모듈을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 디바이스 전송 주기 관리를 위한 알고리즘을 나타내는 도면이다.
도 8은 본 발명의 일 실시예에 따른 다중 모달 형태의 IoT 데이터 셋으로 인텔 랩 데이터 셋(Intel lab dataset) 환경에서의 성능 분석을 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시예에 따른 디바이스 군집화 결과 분석에 대해 설명하기 위한 도면이다.
도 10은 본 발명의 일 실시예에 따른 군집화 기반 데이터 예측 결과에 대해 설명하기 위한 도면이다.
도 11은 본 발명의 일 실시예에 따른 디바이스 전송 주기 관리의 에러 임계값에 따른 성능 비교에 대해 설명하기 위한 도면이다.
본 발명에서는 물리 및 MAC계층에서 발생하는 IoT 디바이스들의 간섭과 응용 계층에서 수집되는 IoT 데이터를 동시에 고려하여 효율적인 IoT 디바이스 운용 관리를 위한 IoT 디바이스 전송 주기 제어 방법 및 시스템을 제안한다.
본 발명의 실시예에 따르면, 딥러닝 기술을 활용하여 수집되는 데이터를 기반으로 비슷한 패턴을 갖는 디바이스들끼리 군집(clustering)을 구성하고, 구성된 군집(clustering)을 기반으로 데이터 예측을 위한 예측 모델을 생성한다.
실측 데이터 값과 예측된 데이터 값을 기반으로 LoRa 디바이스 전송 주기를 제어함으로써 효율적으로 IoT 디바이스를 운용 및 관리할 수 있다. 또한, IoT 를 위한 LPWAN (Low Power Wide Area Networks) 중 대표적인 네트워크인 LoRa 환경에서 실시 예를 분석한다. 이하, 본 발명의 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 LoRa 네트워크에서 효율적 IoT 디바이스 운용을 위한 크로스 레이어 기반의 IoT 디바이스 전송 주기 제어 시스템의 구성을 나타내는 도면이다.
제안하는 LoRa 네트워크에서 효율적 IoT 디바이스 운용을 위한 크로스 레이어 기반의 IoT 디바이스 전송 주기 제어 시스템은 복수의 IoT 디바이스(110) 및 에지 서버(120)를 포함한다.
본 발명의 실시예에 따른 복수의 IoT 디바이스(110)는 제1 평균 디바이스 밀도(
Figure pat00007
)를 갖는 LoRa 모듈을 탑재하며, 에지 서버의 LoRa 게이트웨이로 데이터를 전송한다.
본 발명의 실시예에 따른 에지 서버(120)는 LoRa 게이트웨이(121), 디바이스 군집화 모듈(122), 데이터 예측 모듈(123) 및 디바이스 전송 주기 관리 모듈(124)을 포함한다.
본 발명의 실시예에 따른 LoRa 게이트웨이(121)는 복수의 IoT 디바이스(110)로부터 데이터를 수집한다.
본 발명의 실시예에 따른 디바이스 군집화 모듈(122)은 수집된 다중 모달(Multi-modal) 형태의 시계열 데이터에 기초하여 복수의 IoT 디바이스(110)에 대한 군집화를 수행한다.
디바이스 군집화 모듈(122)은 비지도 학습을 이용하여 복수의 IoT 디바이스에 대한 군집화를 수행한다. 디바이스 군집화 모듈(122)은 오토인코더 모델을 통해 데이터의 특징을 추출하고, 군집화를 수행하기 위해 PCA(Principal Component Analysis)를 이용하여 차원 축소(dimension reduction)를 수행하며, 차원 축소 결과에 기초하여 군집화를 수행한다.
디바이스 군집화 모듈(122)은 입력과 출력이 동일하게 나오도록 학습하는 비지도 학습 모델인 오토인코더 모델을 통해 학습된 모델에 기초하여 입력 시퀀스에 대한 특징을 추출한다. 각 IoT 디바이스는 한 개 이상의 모달리티(modality)를 갖는 데이터가 측정되는 다중 모달(Multi-modal) 형태의 오토인코더 모델을 구성하며, 인코딩된 부분을 통해 특징을 추출하고 군집화 알고리즘을 수행하기 위해 PCA를 통한 차원 축소를 수행한다. 이후, 차원 축소 결과에 대하여 군집화 알고리즘을 통해 최적 군집을 선택하고, 레이블링을 수행한다.
본 발명의 실시예에 따른 데이터 예측 모듈(123)은 복수의 IoT 디바이스(110)에 대한 군집화 결과에 기초하여 각 군집 마다 예측 모델을 생성하여 데이터를 예측한다.
데이터 예측 모듈(123)은 지도 학습을 이용하여 군집화된 복수의 IoT 디바이스의 각 군집 마다 예측 모델을 생성하여 데이터 예측을 수행한다. 데이터 예측 모듈(123)은 미리 저장된 학습 데이터 셋(training dataset)으로 사전 학습 글로벌 LSTM 모델을 생성하고, 군집화 결과 및 사전 학습 글로벌 LSTM 모델에 기초하여 각 군집에 대한 로컬 LSTM 모델을 생성한다.
데이터 예측 모듈(123)은 사전 학습 글로벌 LSTM 모델 및 각 군집에 대한 로컬 LSTM 모델을 이용하고, 사전 학습 글로벌 LSTM 모델은 학습 과정에서 모든 미리 저장된 학습 데이터 셋에 대한 학습 시간을 필요로 하며, 각 군집에 대한 로컬 LSTM 모델은 각 군집 별로 학습 업데이트를 필요로 한다. 각 군집에 대한 로컬 LSTM 모델은 사전 학습 글로벌 LSTM 모델의 가중치를 가져와 고정시키고 새로운 로컬 군집 학습을 위한 레이어를 추가한 후 데이터를 학습하여 최종 예측을 수행한다.
본 발명의 실시예에 따른 디바이스 전송 주기 관리 모듈(124)은 예측된 결과와 실측 데이터에 기초하여 복수의 IoT 디바이스(110)에 대한 디바이스 전송 주기(
Figure pat00008
)를 결정한다.
디바이스 전송 주기 관리 모듈(124)은 각 IoT 디바이스에 대하여 독립적으로 전송 주기를 관리한다. 모든 모달리티에 대하여 실측 값과 예측 값의 MAPE(Mean Absolute Percentage Error) 값을 의미하는 함수를 정의하며, 상기 함수와 에러 임계값을 비교하고, 비교 결과에 따라 각 IoT 디바이스에 대한 전송 주기를 조절한다.
LoRa 게이트웨이(121)는 결정된 디바이스 전송 주기를 복수의 IoT 디바이스(110)에 재 할당하고, 결정된 디바이스 전송 주기를 복수의 IoT 디바이스(110)에 재 할당함으로써 제1 평균 디바이스 밀도(
Figure pat00009
)보다 낮은 제2 평균 디바이스 밀도(
Figure pat00010
)로 데이터를 수집한다.
본 발명의 일 실시예에 따른 LoRa 네트워크에서 효율적 IoT 디바이스 운용을 위한 크로스 레이어 기반의 IoT 디바이스 전송 주기 제어 시스템은 응용계층에서 데이터의 오차 에러율을 낮추고, 물리 계층에서 더 많은 IoT 디바이스의 수용이 가능한 크로스 레이어 구조를 갖는다.
도 2는 본 발명의 일 실시예에 따른 LoRa 네트워크에서 효율적 IoT 디바이스 운용을 위한 크로스 레이어 기반의 IoT 디바이스 전송 주기 제어 방법을 설명하기 위한 흐름도이다.
제안하는 LoRa 네트워크에서 효율적 IoT 디바이스 운용을 위한 크로스 레이어 기반의 IoT 디바이스 전송 주기 제어 방법은 제1 평균 디바이스 밀도(
Figure pat00011
)를 갖는 LoRa 모듈을 탑재한 복수의 IoT 디바이스가 에지 서버의 LoRa 게이트웨이로 데이터를 전송하는 단계(210), 에지 서버의 LoRa 게이트웨이에서 수집된 다중 모달(Multi-modal) 형태의 시계열 데이터에 기초하여 디바이스 군집화 모듈을 통해 복수의 IoT 디바이스에 대한 군집화를 수행하는 단계(220), 복수의 IoT 디바이스에 대한 군집화 결과에 기초하여 데이터 예측 모듈을 통해 각 군집 마다 예측 모델을 생성하여 데이터를 예측하는 단계(230), 예측된 결과와 실측 데이터에 기초하여 디바이스 전송 주기 관리 모듈을 통해 복수의 IoT 디바이스에 대한 디바이스 전송 주기를 결정하는 단계(240), 결정된 디바이스 전송 주기를 에지 서버의 LoRa 게이트웨이를 통해 복수의 IoT 디바이스에 재 할당하는 단계(250) 및 결정된 디바이스 전송 주기를 복수의 IoT 디바이스에 재 할당함으로써 에지 서버의 LoRa 게이트웨이를 통해 제1 평균 디바이스 밀도(
Figure pat00012
)보다 낮은 제2 평균 디바이스 밀도(
Figure pat00013
)로 데이터를 수집하는 단계(260)를 포함한다.
단계(210)에서, 제1 평균 디바이스 밀도(
Figure pat00014
)를 갖는 LoRa 모듈을 탑재한 복수의 IoT 디바이스가 에지 서버의 LoRa 게이트웨이로 데이터를 전송한다.
단계(220)에서, 에지 서버의 LoRa 게이트웨이에서 수집된 다중 모달(Multi-modal) 형태의 시계열 데이터에 기초하여 디바이스 군집화 모듈을 통해 복수의 IoT 디바이스에 대한 군집화를 수행한다.
디바이스 군집화 모듈은 비지도 학습을 이용하여 복수의 IoT 디바이스에 대한 군집화를 수행한다. 디바이스 군집화 모듈은 오토인코더 모델을 통해 데이터의 특징을 추출하고, 군집화를 수행하기 위해 PCA(Principal Component Analysis)를 이용하여 차원 축소(dimension reduction)를 수행하며, 차원 축소 결과에 기초하여 군집화를 수행한다.
디바이스 군집화 모듈은 입력과 출력이 동일하게 나오도록 학습하는 비지도 학습 모델인 오토인코더 모델을 통해 학습된 모델에 기초하여 입력 시퀀스에 대한 특징을 추출한다. 각 IoT 디바이스는 한 개 이상의 모달리티(modality)를 갖는 데이터가 측정되는 다중 모달(Multi-modal) 형태의 오토인코더 모델을 구성하며, 인코딩된 부분을 통해 특징을 추출하고 군집화 알고리즘을 수행하기 위해 PCA를 통한 차원 축소를 수행한다. 이후, 차원 축소 결과에 대하여 군집화 알고리즘을 통해 최적 군집을 선택하고, 레이블링을 수행한다.
단계(230)에서, 복수의 IoT 디바이스에 대한 군집화 결과에 기초하여 데이터 예측 모듈을 통해 각 군집 마다 예측 모델을 생성하여 데이터를 예측한다.
데이터 예측 모듈은 지도 학습을 이용하여 군집화된 복수의 IoT 디바이스의 각 군집 마다 예측 모델을 생성하여 데이터 예측을 수행한다. 데이터 예측 모듈은 미리 저장된 학습 데이터 셋(training dataset)으로 사전 학습 글로벌 LSTM 모델을 생성하고, 군집화 결과 및 사전 학습 글로벌 LSTM 모델에 기초하여 각 군집에 대한 로컬 LSTM 모델을 생성한다.
데이터 예측 모듈은 사전 학습 글로벌 LSTM 모델 및 각 군집에 대한 로컬 LSTM 모델을 이용하고, 사전 학습 글로벌 LSTM 모델은 학습 과정에서 모든 미리 저장된 학습 데이터 셋에 대한 학습 시간을 필요로 하며, 각 군집에 대한 로컬 LSTM 모델은 각 군집 별로 학습 업데이트를 필요로 한다. 각 군집에 대한 로컬 LSTM 모델은 사전 학습 글로벌 LSTM 모델의 가중치를 가져와 고정시키고 새로운 로컬 군집 학습을 위한 레이어를 추가한 후 데이터를 학습하여 최종 예측을 수행한다.
단계(240)에서, 예측된 결과와 실측 데이터에 기초하여 디바이스 전송 주기 관리 모듈을 통해 복수의 IoT 디바이스에 대한 디바이스 전송 주기(
Figure pat00015
)를 결정한다.
디바이스 전송 주기 관리 모듈은 각 IoT 디바이스에 대하여 독립적으로 전송 주기를 관리한다. 모든 모달리티에 대하여 실측 값과 예측 값의 MAPE(Mean Absolute Percentage Error) 값을 의미하는 함수를 정의하며, 상기 함수와 에러 임계값을 비교하고, 비교 결과에 따라 각 IoT 디바이스에 대한 전송 주기를 조절한다.
단계(250)에서, 결정된 디바이스 전송 주기를 에지 서버의 LoRa 게이트웨이를 통해 복수의 IoT 디바이스에 재 할당한다.
단계(260)에서, 결정된 디바이스 전송 주기를 복수의 IoT 디바이스에 재 할당함으로써 에지 서버의 LoRa 게이트웨이를 통해 제1 평균 디바이스 밀도(
Figure pat00016
)보다 낮은 제2 평균 디바이스 밀도(
Figure pat00017
)로 데이터를 수집한다.
도 3은 본 발명의 일 실시예에 따른 디바이스 군집화 및 데이터 예측에 대하여 설명하기 위한 도면이다.
본 발명의 일 실시예에 따르면, 먼저 에지 서버의 LoRa 게이트웨이에서 수집된 다중 모달(Multi-modal) 형태의 시계열 데이터에 기초하여 디바이스 군집화 모듈을 통해 복수의 IoT 디바이스에 대한 군집화를 수행한다.
이때, 본 발명의 일 실시예에 따른 디바이스 군집화 모듈은 비지도 학습(310)을 이용하여 복수의 IoT 디바이스에 대한 군집화를 수행한다. 디바이스 군집화 모듈은 에지 서버의 LoRa 게이트웨이에서 수집된 다중 모달(Multi-modal) 형태의 시계열 데이터(311)에 기초하여 오토인코더 모델(312)을 통해 데이터의 특징을 추출(314)하고, 군집화를 수행하기 위해 PCA(Principal Component Analysis)를 이용하여 차원 축소(dimension reduction)를 수행(315)하며, 차원 축소 결과에 기초하여 군집화를 수행한다(316). 본 발명의 실시예에 따르면, 차원 축소 결과에 기초하여 군집화를 수행하기 위해 K-평균의 군집화 알고리즘을 이용할 수 있다.
본 발명의 실시예에 따른 디바이스 군집화 모듈은 입력과 출력이 동일하게 나오도록 학습하는 비지도 학습 모델인 오토인코더 모델(312)을 통해 입력 시계열 데이터(311)에 대한 출력 시계열 데이터(313)를 출력한다. 이러한 오토인코더 모델(312)을 통해 학습된 모델에 기초하여 입력 시퀀스에 대한 특징을 추출한다(314). 각 IoT 디바이스는 한 개 이상의 모달리티(modality)를 갖는 데이터가 측정되는 다중 모달(Multi-modal) 형태의 오토인코더 모델을 구성하며, 인코딩된 부분을 통해 특징을 추출하고 군집화 알고리즘을 수행하기 위해 PCA를 통한 차원 축소를 수행한다(315). 이후, 차원 축소 결과에 대하여 군집화 알고리즘을 통해 최적 군집을 선택하고, 레이블링을 수행한다(316).
이후, 본 발명의 일 실시예에 따른 데이터 예측 모듈은 복수의 IoT 디바이스에 대한 군집화 결과에 기초하고, 지도 학습을 이용하여 각 군집 마다 예측 모델을 생성하고 데이터를 예측을 수행한다(320).
데이터 예측 모듈은 미리 저장된 학습 데이터 셋(training dataset)으로 사전 학습 글로벌 LSTM 모델을 생성하고(321), 군집화 결과 및 사전 학습 글로벌 LSTM 모델에 기초하여 각 군집에 대한 로컬 LSTM 모델을 생성한다(322).
데이터 예측 모듈은 사전 학습 글로벌 LSTM 모델 및 각 군집에 대한 로컬 LSTM 모델을 이용한다. 사전 학습 글로벌 LSTM 모델은 학습 과정에서 모든 미리 저장된 학습 데이터 셋에 대한 학습 시간을 필요로 하며, 각 군집에 대한 로컬 LSTM 모델은 각 군집 별로 학습 업데이트를 필요로 한다. 각 군집에 대한 로컬 LSTM 모델은 사전 학습 글로벌 LSTM 모델의 가중치를 가져와 고정시키고 새로운 로컬 군집 학습을 위한 레이어를 추가한 후 데이터를 학습하여 최종 예측을 수행한다(323).
이후, 예측된 결과와 실측 데이터에 기초하여 디바이스 전송 주기 관리 모듈을 통해 복수의 IoT 디바이스에 대한 디바이스 전송 주기(
Figure pat00018
)를 결정한다(344).
도 4는 본 발명의 일 실시예에 따른 디바이스 군집화 및 데이터 예측에 대한 학습 및 수행과정을 설명하기 위한 도면이다.
복수의 IoT 디바이스에 대한 군집화, 데이터 예측, 디바이스 전송 주기 조절은 자원 할당 주기(resource management interval)(
Figure pat00019
)를 기준으로 동작한다.
우선 학습 구간(training section)에서 IoT 디바이스 군집화 모델(410)과 사전 학습 글로벌 LSTM 모델(420)을 학습한다.
수행 구간(operation section)에서는 군집화 결과(411, 412)를 이용하여, 각 군집 별로 사전 학습 글로벌 LSTM 모델(420)에 추가적 레이어를 더하여 각 군집에 대한 로컬 LSTM 모델(421, 423)을 빠르게 재 학습하고, 이를 바탕으로 주기 조절을 수행한다(422, 424).
더욱 상세하게는, 본 발명의 일 실시예에 따른 학습 구간에서 본 발명의 일 실시예에 따른 디바이스 군집화 모델(410) 및 글로벌 사전 학습 LSTM 모델(420)을 이용하여 학습을 수행한다.
본 발명의 일 실시예에 따른 디바이스 군집화 모델(410)은 비지도 학습을 이용하여 복수의 IoT 디바이스에 대한 군집화를 수행한다. 디바이스 군집화 모델(410)은 에지 서버의 LoRa 게이트웨이에서 수집된 다중 모달 형태의 시계열 데이터에 기초하여 오토인코더 모델을 통해 데이터의 특징을 추출하고, 군집화를 수행하기 위해 PCA(Principal Component Analysis)를 이용하여 차원 축소(dimension reduction)를 수행하며, 차원 축소 결과에 기초하여 군집화를 수행한다.
본 발명의 일 실시예에 따른 데이터 예측 모듈은 학습 과정에서 모든 미리 저장된 학습 데이터 셋에 대한 사전 학습 글로벌 LSTM 모델을 생성한다(420).
다음의 수행 구간에서, 각 군집 별 자원 할당을 위해 제1 군집에 대한 자원 할당 주기에서는 디바이스 군집화 모델(410)의 복수의 IoT 디바이스에 대한 군집화 결과(411)에 기초하고, 지도 학습을 이용하여 각 군집 마다 예측 모델을 생성하고 데이터를 예측을 수행한다. 다시 말해, 군집화 결과(411) 및 사전 학습 글로벌 LSTM 모델(420)에 기초하여 각 군집에 대한 로컬 LSTM 모델을 생성한다(421).
이후, 디바이스 전송 주기 관리 모듈은 각 IoT 디바이스에 대하여 독립적으로 전송 주기를 관리한다(422). 모든 모달리티에 대하여 실측 값과 예측 값의 MAPE(Mean Absolute Percentage Error) 값을 의미하는 함수를 정의하며, 상기 함수와 에러 임계값을 비교하고, 비교 결과에 따라 각 IoT 디바이스에 대한 전송 주기를 조절한다.
본 발명의 실시예에 따른 각 군집 별 자원 할당을 위해 제2 군집에 대한 자원 할당 주기에서는 앞서 설명된 바와 같이, 디바이스 군집화 모델(410)의 복수의 IoT 디바이스에 대한 군집화 결과(412)에 기초하고, 지도 학습을 이용하여 각 군집 마다 예측 모델을 생성하고 데이터를 예측을 수행한다. 다시 말해, 군집화 결과(412) 및 사전 학습 글로벌 LSTM 모델(420)에 기초하여 각 군집에 대한 로컬 LSTM 모델을 생성한다(423).
이후, 디바이스 전송 주기 관리 모듈은 각 IoT 디바이스에 대하여 독립적으로 전송 주기를 관리한다(424). 모든 모달리티에 대하여 실측 값과 예측 값의 MAPE(Mean Absolute Percentage Error) 값을 의미하는 함수를 정의하며, 상기 함수와 에러 임계값을 비교하고, 비교 결과에 따라 각 IoT 디바이스에 대한 전송 주기를 조절한다.
본 발명의 실시예에 따른 각 군집 별 자원 할당을 위해 제2 군집에 대한 자원 할당 주기 및 제2 군집에 대한 자원 할당 주기에서 결정된 디바이스 전송 주기를 에지 서버의 LoRa 게이트웨이를 통해 복수의 IoT 디바이스에 재 할당한다. 결정된 디바이스 전송 주기를 복수의 IoT 디바이스에 재 할당함으로써 에지 서버의 LoRa 게이트웨이를 통해 첫 번째 자원 할당 주기에서의 제1 평균 디바이스 밀도(
Figure pat00020
)보다 낮은 제2 평균 디바이스 밀도(
Figure pat00021
)로 데이터를 수집할 수 있다.
도 5는 본 발명의 일 실시예에 따른 비지도 학습 기반 디바이스 군집화 모듈을 설명하기 위한 도면이다.
본 발명의 실시예에 따른 디바이스 군집화 모듈은 수집된 다중 모달(Multi-modal) 형태의 시계열 데이터에 기초하여 복수의 IoT 디바이스에 대한 군집화를 수행한다.
본 발명의 실시예에 따른 디바이스 군집화 모듈은 비지도 학습을 이용하여 복수의 IoT 디바이스에 대한 군집화를 수행한다. 디바이스 군집화 모듈은 오토인코더 모델을 통해 데이터의 특징을 추출하고, 군집화를 수행하기 위해 PCA(Principal Component Analysis)를 이용하여 차원 축소(dimension reduction)를 수행하며, 차원 축소 결과에 기초하여 군집화를 수행한다.
디바이스 군집화 모듈은 입력과 출력이 동일하게 나오도록 학습하는 비지도 학습 모델인 오토인코더 모델을 통해 학습된 모델에 기초하여 입력 시퀀스에 대한 특징을 추출한다. 각 IoT 디바이스는 한 개 이상의 모달리티(modality)를 갖는 데이터가 측정될 수 있으므로, 다중 모달(Multi-modal) 형태의 오토인코더 모델을 구성할 수 있다. 인코딩된 부분을 통해 특징을 추출하고 군집화 알고리즘을 수행하기 위해 PCA를 통한 차원 축소를 수행한다. 이후, 차원 축소 결과에 대하여 군집화 알고리즘을 통해 최적 군집을 선택하고, 레이블링을 수행한다.
도 6은 본 발명의 일 실시예에 따른 지도 학습 기반 데이터 예측 모듈을 설명하기 위한 도면이다.
본 발명의 실시예에 따른 데이터 예측 모듈은 복수의 IoT 디바이스에 대한 군집화 결과에 기초하여 각 군집 마다 예측 모델을 생성하여 데이터를 예측한다.
데이터 예측 모듈은 지도 학습을 이용하여 군집화된 복수의 IoT 디바이스의 각 군집 마다 예측 모델을 생성하여 데이터 예측을 수행한다. 데이터 예측 모듈은 미리 저장된 학습 데이터 셋(training dataset)으로 사전 학습 글로벌 LSTM 모델을 생성하고, 군집화 결과 및 사전 학습 글로벌 LSTM 모델에 기초하여 각 군집에 대한 로컬 LSTM 모델을 생성한다.
데이터 예측 모듈은 사전 학습 글로벌 LSTM 모델 및 각 군집에 대한 로컬 LSTM 모델을 이용한다.
사전 학습 글로벌 LSTM 모델은 학습 과정에서 모든 미리 저장된 학습 데이터 셋에 대하여 학습된 모델로서 많은 학습 시간을 필요로 한다.
반면에, 각 군집에 대한 로컬 LSTM 모델은 각 군집 별로 빠른 학습 업데이트를 필요로 한다.
각 군집에 대한 로컬 LSTM 모델은 사전 학습 글로벌 LSTM 모델의 가중치는 그대로 가져와 고정시키고 새로운 로컬 군집 학습을 위한 레이어를 추가한 후 데이터를 학습하여 최종 예측을 수행한다. 이 때 학습하는 데이터는 각 군집의 데이터 셋을 바탕으로 빠르게 학습될 수 있다.
도 7은 본 발명의 일 실시예에 따른 디바이스 전송 주기 관리를 위한 알고리즘을 나타내는 도면이다.
본 발명의 실시예에 따른 디바이스 전송 주기 관리 모듈은 예측된 결과와 실측 데이터에 기초하여 복수의 IoT 디바이스에 대한 디바이스 전송 주기(
Figure pat00022
)를 결정한다.
디바이스 전송 주기 관리 모듈은 각 IoT 디바이스에 대하여 독립적으로 전송 주기를 관리한다. 모든 모달리티에 대하여 실측 값과 예측 값의 MAPE(Mean Absolute Percentage Error) 값을 의미하는 함수를 정의하며, 상기 함수와 에러 임계값을 비교하고, 비교 결과에 따라 각 IoT 디바이스에 대한 전송 주기를 조절한다.
더욱 상세하게는, 본 발명의 실시예에 따른 LoRa 디바이스 전송 주기 제어는 각 LoRa 디바이스에 대하여 독립적으로 동작한다.
본 발명의 실시예에 따르면, 디바이스 전송 주기 관리 모듈은 Time-step(
Figure pat00023
) 이 한 칸씩 증가하며 자원 할당 주기(resource management interval)(
Figure pat00024
) 동안 진행되고, 모든 모달리티(modality)에 대하여 실측 값(
Figure pat00025
)과 예측 값(
Figure pat00026
)의 MAPE(Mean Absolute Percentage Error) 값을 의미하는 함수 F(Mj,Pj)를 다음과 같이 정의한다:
Figure pat00027
본 발명의 실시예에 따르면, F(Mj,Pj) 값과 에러 임계값(
Figure pat00028
)을 비교하여, F(Mj,Pj)가 임계값보다 작을 경우 주기(
Figure pat00029
)를 한 타임-스텝(time-step) 만큼 증가시키고, 그렇지 않을 경우 주기(
Figure pat00030
)를 1로 재설정한다. 또한, 패킷 충돌로 데이터가 수집되지 않았을 경우도 주기(
Figure pat00031
)를 1로 재설정할 수 있다. 이후, 설정된 주기(
Figure pat00032
)를 LoRa 게이트웨이를 통해 각 IoT 디바이스에 개별적으로 포워딩한다.
LoRa 게이트웨이는 결정된 디바이스 전송 주기를 복수의 IoT 디바이스에 재 할당하고, 결정된 디바이스 전송 주기를 복수의 IoT 디바이스에 재 할당함으로써 제1 평균 디바이스 밀도(
Figure pat00033
)보다 낮은 제2 평균 디바이스 밀도(
Figure pat00034
)로 데이터를 수집할 수 있다.
도 8은 본 발명의 일 실시예에 따른 다중 모달 형태의 IoT 데이터 셋으로 인텔 랩 데이터 셋(Intel lab dataset) 환경에서의 성능 분석을 설명하기 위한 도면이다.
본 발명의 일 실시예에 따른 다중 모달 형태의 IoT 데이터 셋으로 인텔 랩 데이터 셋(Intel lab dataset) 환경을 예시로서 성능을 분석하였다. 약 54개의 센서에서 한 달간 온도, 습도, 조도, 전압에 대한 데이터를 주기적으로 수집한 데이터 셋을 이용하였고, 시계열 데이터와 위치 데이터가 같이 존재하는 데이터 셋을 이용하였다.
본 발명의 실시예에 따른 IoT 서비스를 위한 LoRa 환경을 예시로서 성능을 분석하였다. 먼저, IoT 디바이스의 밀도와 전송 주기에 따른 LoRa 무선 환경을 모델링한다.
LoRa 패킷이 성공적으로 수신되기 위해서는 SNR 요구조건과 SIR 요구조건을 만족해야만 한다. SNR 요구조건은 수신되는 파워
Figure pat00035
가 수신 감도(
Figure pat00036
)보다 높아야 하고, 다음과 같이 나타낼 수 있다:
Figure pat00037
SIR 요구조건은 자기자신의 수신 파워
Figure pat00038
와 간섭에 영향을 주는 디바이스들에 의해 수신되는 파워 (
Figure pat00039
)의 비율은 SIR 요구사항 조건(
Figure pat00040
) 보다 커야 하고, 다음과 같이 나타낼 수 있다:
Figure pat00041
간섭에 영향을 주는
Figure pat00042
는 디바이스 강도(intensity)를 의미하는
Figure pat00043
로 구성되고,
Figure pat00044
이고,
Figure pat00045
이다.
Figure pat00046
는 시간 주기(Time interval)(
Figure pat00047
) 동안 패킷이 채널을 점유하는 시간(
Figure pat00048
)의 비율,
Figure pat00049
는 각 타임-스텝(time-step)
Figure pat00050
의 평균 전송 주기,
Figure pat00051
은 디바이스의 개수,
Figure pat00052
는 전체 시스템의 넓이를 나타낸다.
최종적으로 SIR 요구조건은 다음과 같이 나타낼 수 있다:
Figure pat00053
시스템의 수용 확률(coverage probability)은 SNR 성공 확률과 SIR 성공 확률의 곱으로 표현되고, 다음과 같이 나타낼 수 있다:
Figure pat00054
본 발명의 실시예에 따른 사전 학습 글로벌 LSTM 모델은 IoT 디바이스의 군집화 결과 없이 예측한 모델이고, 각 군집에 대한 로컬 LSTM 모델은 IoT 디바이스의 군집화 결과를 활용하여 예측한 모델이다.
도 9는 본 발명의 일 실시예에 따른 디바이스 군집화 결과 분석에 대해 설명하기 위한 도면이다.
도 9는 인텔 랩 데이터 셋(Intel lab dataset) 환경을 예시로서 다중 모달 데이터를 기반으로 데이터의 특징을 추출한 IoT 디바이스의 군집화 결과 결과로서 비슷한 위치에 있는 IoT 디바이스들이 효과적으로 군집화됨을 확인 할 수 있다.
도 10은 본 발명의 일 실시예에 따른 군집화 기반 데이터 예측 결과에 대해 설명하기 위한 도면이다.
도 10은 예측 모델에 따른 MAE(Mean Absolute Error), RMSE(Root Mean Square error), MAPE(Mean Absolute Percentage Error)를 비교한 결과를 설명하기 위한 도면이다. 예측 모델에 따른 두 모달(temperature, humidity)의 예측 에러 비교 결과를 도 10(a) 및 도 10(b)에 도시하였다.
각 군집에 대한 로컬 LSTM 모델이 다른 두 모델(moving average, Global LSTM) 에 비하여 낮은 예측 에러율을 보이는 것을 확인할 수 있다.
예측 모델에 따른 평균 전송주기와 평균 수용 확률(coverage probability) 비교 결과를 도 10(c) 및 도 10(d)에 도시하였다.
각 군집에 대한 로컬 LSTM 모델이 낮은 예측 에러율을 보임에 따라 평균전송주기가 길어짐을 알 수 있고, 그에 따라 네트워크의 평균 수용 확률(coverage probability)도 향상됨을 알 수 있다.
표 1은 예측 모델에 따른 MAE, RMSE, MAPE 비교 결과를 나타낸다.
<표 1>
Figure pat00055
도 11은 본 발명의 일 실시예에 따른 디바이스 전송 주기 관리의 에러 임계값에 따른 성능 비교에 대해 설명하기 위한 도면이다.
도 11(a)는 에러 임계값에 따른 전송주기, 도 11(b)는 에러 임계값에 따른 수용 확률을 나타내는 도면이다.
본 발명의 실시예에 있어서, 에러 임계값(
Figure pat00056
)이 커질수록 허용 가능한 에러의 범위가 증가하기 때문에 평균 전송주기가 증가할 수 있다. 평균 전송주기 증가로 인해 네트워크의 전체적인 수용 확률이 증가함을 알 수 있다.
결과적으로, 본 발명의 실시예에 따르면 각 군집을 기반으로 데이터의 특징을 추출하여 예측 모델을 생성함으로써 제안하는 기술이 적용되지 않은 기술(예를 들어, base model, moving average model, Global LSTM model)에 비하여 높은 예측 정확도를 보였고, 이로 인하여 응용 계층에서는 데이터를 더 정확히 예측 가능하고 물리 계층에서는 평균적으로 전송하는 디바이스를 효율적으로 제어함에 따라 기존보다 낮은 간섭으로 인해 더 높은 수용 확률을 확보할 수 있고 더 많은 디바이스의 수용이 가능하다.
이와 같이, 본 발명의 실시예에 따른 LoRa 네트워크에서 효율적 IoT 디바이스 운용을 위한 크로스 레이어 기반의 IoT 디바이스 전송 주기 제어 방법 및 시스템을 통해 IoT 디바이스의 증가로 인하여 발생하는 물리계층에서의 간섭 문제와, 응용 계층에서 비효율적 수집으로 인한 IoT 데이터의 중복 문제를 동시에 해결할 수 있다. 본 발명의 실시예에 따르면, LoRa 네트워크에서 물리계층과 응용계층을 동시에 고려한 크로스레이어 구조를 통해 중복 문제를 해결하고, 유사한 데이터 패턴을 갖는 IoT 디바이스들을 딥러닝 기술을 활용하여 군집화(Clustering) 함으로써 각 군집의 특징을 추출한다. 생성된 군집을 기반으로 해당 군집의 특성을 반영한 예측 모델을 생성하여 예측 오차율을 낮출 수 있다.
또한, 본 발명의 실시예에 따른 LoRa 네트워크에서 효율적 IoT 디바이스 운용을 위한 크로스 레이어 기반의 IoT 디바이스 전송 주기 제어 방법 및 시스템을 통해 실시간으로 데이터가 수집되는 환경에서 적용하기 위하여 예측을 위한 학습 모델의 학습을 경량화할 수 있다.
예측 모델의 경우 많은 인공지능 학습을 위한 많은 컴퓨팅(computing) 오버헤드가 발생하지만, 본 발명에서는 사전에 학습된 모델에 각 군집의 데이터 예측을 위한 모델을 업데이트하는 방식으로 학습으로 인한 오버헤드를 줄일 수 있다.
켬퓨팅 파워(Computing power)가 낮은 IoT 디바이스의 경우 주변 IoT 디바이스들의 데이터 정보를 판단하기 힘들기 때문에, 본 발명에서는 이를 중앙 서버(Edge/cloud)에서 학습과 예측을 수행하고 이를 기반으로 각 디바이스 전송 주기를 제어하고자 한다.
본 발명의 실시예에 따르면, 예측 오차율을 보장하며 디바이스 전송 주기를 제어함으로써 기존보다 더 많은 디바이스를 수용 가능하고, 인간의 개입 없이 자율적으로 디바이스 운용 관리가 가능하다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다.　 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다.　 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다.　 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다.　 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다.　 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다.　 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다.　 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.　 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.　 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.　 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.　
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다.　 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (16)

  1. 제1 평균 디바이스 밀도(
    Figure pat00057
    )를 갖는 LoRa 모듈을 탑재하며, 에지 서버의 LoRa 게이트웨이로 데이터를 전송하는 복수의 IoT 디바이스; 및
    에지 서버
    를 포함하고,
    상기 에지 서버는,
    복수의 IoT 디바이스로부터 데이터를 수집하는 LoRa 게이트웨이;
    수집된 다중 모달(Multi-modal) 형태의 시계열 데이터에 기초하여 복수의 IoT 디바이스에 대한 군집화를 수행하는 디바이스 군집화 모듈;
    복수의 IoT 디바이스에 대한 군집화 결과에 기초하여 각 군집 마다 예측 모델을 생성하여 데이터를 예측하는 데이터 예측 모듈; 및
    예측된 결과와 실측 데이터에 기초하여 복수의 IoT 디바이스에 대한 디바이스 전송 주기를 결정하는 디바이스 전송 주기 관리 모듈
    을 포함하고,
    상기 LoRa 게이트웨이는,
    결정된 디바이스 전송 주기를 복수의 IoT 디바이스에 재 할당하고, 결정된 디바이스 전송 주기를 복수의 IoT 디바이스에 재 할당함으로써 제1 평균 디바이스 밀도(
    Figure pat00058
    )보다 낮은 제2 평균 디바이스 밀도(
    Figure pat00059
    )로 데이터를 수집하는
    IoT 디바이스 전송 주기 제어 시스템.
  2. 제1항에 있어서,
    상기 디바이스 군집화 모듈은,
    비지도 학습을 이용하여 복수의 IoT 디바이스에 대한 군집화를 수행하는
    IoT 디바이스 전송 주기 제어 시스템.
  3. 제2항에 있어서,
    상기 디바이스 군집화 모듈은,
    오토인코더 모델을 통해 데이터의 특징을 추출하고,
    군집화를 수행하기 위해 PCA(Principal Component Analysis)를 이용하여 차원 축소(dimension reduction)를 수행하고,
    차원 축소 결과에 기초하여 군집화를 수행하는
    IoT 디바이스 전송 주기 제어 시스템.
  4. 제3항에 있어서,
    상기 디바이스 군집화 모듈은,
    입력과 출력이 동일하게 나오도록 학습하는 비지도 학습 모델인 오토인코더 모델을 통해 학습된 모델에 기초하여 입력 시퀀스에 대한 특징을 추출하고,
    각 IoT 디바이스는 한 개 이상의 모달리티(modality)를 갖는 데이터가 측정되는 다중 모달(Multi-modal) 형태의 오토인코더 모델을 구성하며,
    인코딩된 부분을 통해 특징을 추출하고 군집화 알고리즘을 수행하기 위해 PCA를 통한 차원 축소를 수행하고,
    차원 축소 결과에 대하여 군집화 알고리즘을 통해 최적 군집을 선택하고, 레이블링을 수행하는
    IoT 디바이스 전송 주기 제어 시스템.
  5. 제1항에 있어서,
    상기 데이터 예측 모듈은,
    지도 학습을 이용하여 군집화된 복수의 IoT 디바이스의 각 군집 마다 예측 모델을 생성하여 데이터 예측을 수행하는
    IoT 디바이스 전송 주기 제어 시스템.
  6. 제5항에 있어서,
    상기 데이터 예측 모듈은,
    미리 저장된 학습 데이터 셋(training dataset)으로 사전 학습 글로벌 LSTM 모델을 생성하고,
    군집화 결과 및 사전 학습 글로벌 LSTM 모델에 기초하여 각 군집에 대한 로컬 LSTM 모델을 생성하는
    IoT 디바이스 전송 주기 제어 시스템.
  7. 제6항에 있어서,
    상기 데이터 예측 모듈은,
    사전 학습 글로벌 LSTM 모델 및 각 군집에 대한 로컬 LSTM 모델을 이용하고,
    사전 학습 글로벌 LSTM 모델은 학습 과정에서 모든 미리 저장된 학습 데이터 셋에 대한 학습 시간을 필요로 하고, 각 군집에 대한 로컬 LSTM 모델은 각 군집 별로 학습 업데이트를 필요로 하며,
    각 군집에 대한 로컬 LSTM 모델은 사전 학습 글로벌 LSTM 모델의 가중치를 가져와 고정시키고 새로운 로컬 군집 학습을 위한 레이어를 추가한 후 데이터를 학습하여 최종 예측을 수행하는
    IoT 디바이스 전송 주기 제어 시스템.
  8. 제1항에 있어서,
    상기 디바이스 전송 주기 관리 모듈은,
    각 IoT 디바이스에 대하여 독립적으로 전송 주기를 관리하고,
    모든 모달리티에 대하여 실측 값과 예측 값의 MAPE(Mean Absolute Percentage Error) 값을 의미하는 함수를 정의하며,
    상기 함수와 에러 임계값을 비교하고, 비교 결과에 따라 각 IoT 디바이스에 대한 전송 주기를 조절하는
    IoT 디바이스 전송 주기 제어 시스템.
  9. 제1 평균 디바이스 밀도(
    Figure pat00060
    )를 갖는 LoRa 모듈을 탑재한 복수의 IoT 디바이스가 에지 서버의 LoRa 게이트웨이로 데이터를 전송하는 단계;
    에지 서버의 LoRa 게이트웨이에서 수집된 다중 모달(Multi-modal) 형태의 시계열 데이터에 기초하여 디바이스 군집화 모듈을 통해 복수의 IoT 디바이스에 대한 군집화를 수행하는 단계;
    복수의 IoT 디바이스에 대한 군집화 결과에 기초하여 데이터 예측 모듈을 통해 각 군집 마다 예측 모델을 생성하여 데이터를 예측하는 단계;
    예측된 결과와 실측 데이터에 기초하여 디바이스 전송 주기 관리 모듈을 통해 복수의 IoT 디바이스에 대한 디바이스 전송 주기를 결정하는 단계;
    결정된 디바이스 전송 주기를 에지 서버의 LoRa 게이트웨이를 통해 복수의 IoT 디바이스에 재 할당하는 단계; 및
    결정된 디바이스 전송 주기를 복수의 IoT 디바이스에 재 할당함으로써 에지 서버의 LoRa 게이트웨이를 통해 제1 평균 디바이스 밀도(
    Figure pat00061
    )보다 낮은 제2 평균 디바이스 밀도(
    Figure pat00062
    )로 데이터를 수집하는 단계
    를 포함하는 IoT 디바이스 전송 주기 제어 방법.
  10. 제9항에 있어서,
    상기 에지 서버의 LoRa 게이트웨이에서 수집된 다중 모달 형태의 시계열 데이터에 기초하여 디바이스 군집화 모듈을 통해 복수의 IoT 디바이스에 대한 군집화를 수행하는 단계는,
    비지도 학습을 이용하여 복수의 IoT 디바이스에 대한 군집화를 수행하는
    IoT 디바이스 전송 주기 제어 방법.
  11. 제10항에 있어서,
    상기 복수의 IoT 디바이스에 대한 군집화는 오토인코더 모델을 통해 데이터의 특징을 추출하고,
    군집화를 수행하기 위해 PCA(Principal Component Analysis)를 이용하여 차원 축소(dimension reduction)를 수행하고,
    차원 축소 결과에 기초하여 군집화를 수행하는
    IoT 디바이스 전송 주기 제어 방법.
  12. 제11항에 있어서,
    상기 복수의 IoT 디바이스에 대한 군집화는 입력과 출력이 동일하게 나오도록 학습하는 비지도 학습 모델인 오토인코더 모델을 통해 학습된 모델에 기초하여 입력 시퀀스에 대한 특징을 추출하고,
    각 IoT 디바이스는 한 개 이상의 모달리티(modality)를 갖는 데이터가 측정되는 다중 모달(Multi-modal) 형태의 오토인코더 모델을 구성하며,
    인코딩된 부분을 통해 특징을 추출하고 군집화 알고리즘을 수행하기 위해 PCA를 통한 차원 축소를 수행하고,
    차원 축소 결과에 대하여 군집화 알고리즘을 통해 최적 군집을 선택하고, 레이블링을 수행하는
    IoT 디바이스 전송 주기 제어 방법.
  13. 제9항에 있어서,
    상기 복수의 IoT 디바이스에 대한 군집화 결과에 기초하여 데이터 예측 모듈을 통해 각 군집 마다 예측 모델을 생성하여 데이터를 예측하는 단계는,
    지도 학습을 이용하여 군집화된 복수의 IoT 디바이스의 각 군집 마다 예측 모델을 생성하여 데이터 예측을 수행하는
    IoT 디바이스 전송 주기 제어 방법.
  14. 제13항에 있어서,
    상기 데이터 예측은 미리 저장된 학습 데이터 셋(training dataset)으로 사전 학습 글로벌 LSTM 모델을 생성하고,
    군집화 결과 및 사전 학습 글로벌 LSTM 모델에 기초하여 각 군집에 대한 로컬 LSTM 모델을 생성하는
    IoT 디바이스 전송 주기 제어 방법.
  15. 제14항에 있어서,
    상기 데이터 예측은 사전 학습 글로벌 LSTM 모델 및 각 군집에 대한 로컬 LSTM 모델을 이용하고,
    사전 학습 글로벌 LSTM 모델은 학습 과정에서 모든 미리 저장된 학습 데이터 셋에 대한 학습 시간을 필요로 하고, 각 군집에 대한 로컬 LSTM 모델은 각 군집 별로 학습 업데이트를 필요로 하며,
    각 군집에 대한 로컬 LSTM 모델은 사전 학습 글로벌 LSTM 모델의 가중치를 가져와 고정시키고 새로운 로컬 군집 학습을 위한 레이어를 추가한 후 데이터를 학습하여 최종 예측을 수행하는
    IoT 디바이스 전송 주기 제어 방법.
  16. 제9항에 있어서,
    상기 예측된 결과와 실측 데이터에 기초하여 디바이스 전송 주기 관리 모듈을 통해 복수의 IoT 디바이스에 대한 디바이스 전송 주기를 결정하는 단계는,
    각 IoT 디바이스에 대하여 독립적으로 전송 주기를 관리하고,
    모든 모달리티에 대하여 실측 값과 예측 값의 MAPE(Mean Absolute Percentage Error) 값을 의미하는 함수를 정의하며,
    상기 함수와 에러 임계값을 비교하고, 비교 결과에 따라 각 IoT 디바이스에 대한 전송 주기를 조절하는
    IoT 디바이스 전송 주기 제어 방법.
KR1020210094042A 2021-07-19 2021-07-19 LoRa 네트워크에서 효율적 IoT 디바이스 운용을 위한 크로스 레이어 기반의 IoT 디바이스 전송 주기 제어 방법 및 시스템 KR102514810B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210094042A KR102514810B1 (ko) 2021-07-19 2021-07-19 LoRa 네트워크에서 효율적 IoT 디바이스 운용을 위한 크로스 레이어 기반의 IoT 디바이스 전송 주기 제어 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210094042A KR102514810B1 (ko) 2021-07-19 2021-07-19 LoRa 네트워크에서 효율적 IoT 디바이스 운용을 위한 크로스 레이어 기반의 IoT 디바이스 전송 주기 제어 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20230013374A true KR20230013374A (ko) 2023-01-26
KR102514810B1 KR102514810B1 (ko) 2023-03-29

Family

ID=85110738

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210094042A KR102514810B1 (ko) 2021-07-19 2021-07-19 LoRa 네트워크에서 효율적 IoT 디바이스 운용을 위한 크로스 레이어 기반의 IoT 디바이스 전송 주기 제어 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102514810B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101591754B1 (ko) * 2015-02-05 2016-02-04 주식회사 큐버 댁내 IoT 센서의 생애주기 관리를 위한 클러스터 기반의 IoT 센서의 현황 표시 방법 및 이를 위한 컴퓨터로 판독가능한 기록매체
KR20200104881A (ko) * 2017-12-22 2020-09-04 레스메드 센서 테크놀로지스 리미티드 차량에서의 생리학적 감지를 위한 장치, 시스템, 및 방법
KR20200123310A (ko) * 2019-04-18 2020-10-29 한국전력공사 부하 예측 장치 및 방법
KR102186059B1 (ko) * 2019-04-22 2020-12-03 한국과학기술원 웨어러블 기기를 위한 상황 적응형 개인화 심리상태 표집 방법 및 장치
KR20210083117A (ko) * 2019-12-26 2021-07-06 주식회사 코웰테크 데이터 유형 및 민감도 기반 엣지컴퓨팅 처리 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101591754B1 (ko) * 2015-02-05 2016-02-04 주식회사 큐버 댁내 IoT 센서의 생애주기 관리를 위한 클러스터 기반의 IoT 센서의 현황 표시 방법 및 이를 위한 컴퓨터로 판독가능한 기록매체
KR20200104881A (ko) * 2017-12-22 2020-09-04 레스메드 센서 테크놀로지스 리미티드 차량에서의 생리학적 감지를 위한 장치, 시스템, 및 방법
KR20200123310A (ko) * 2019-04-18 2020-10-29 한국전력공사 부하 예측 장치 및 방법
KR102186059B1 (ko) * 2019-04-22 2020-12-03 한국과학기술원 웨어러블 기기를 위한 상황 적응형 개인화 심리상태 표집 방법 및 장치
KR20210083117A (ko) * 2019-12-26 2021-07-06 주식회사 코웰테크 데이터 유형 및 민감도 기반 엣지컴퓨팅 처리 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
[1] IDC Korea, domestic IoT platform market, expected to grow 16.1% annually by 2023, Mar, 2020.
[2] The growth in connected IoT devices is expected to generate 79.4ZB of data in 2025, according to a new IDC forecast, Jun, 2019.

Also Published As

Publication number Publication date
KR102514810B1 (ko) 2023-03-29

Similar Documents

Publication Publication Date Title
US11315045B2 (en) Entropy-based weighting in random forest models
US10365940B2 (en) Feedback system for optimizing the allocation of resources in a data center
CN107404523A (zh) 云平台自适应资源调度系统和方法
US20200372412A1 (en) System and methods to share machine learning functionality between cloud and an iot network
US11954129B2 (en) Updating data models to manage data drift and outliers
CN117909083B (zh) 一种分布式云容器资源调度方法及系统
Cui et al. Cross-platform machine learning characterization for task allocation in IoT ecosystems
KR20200114233A (ko) 사용자 이용 패턴을 신경망 알고리즘으로 분석하여 다음 어플리케이션을 예측하는 모바일 디바이스 메모리 관리 장치 및 방법
Patel et al. Performance comparison of deep VM workload prediction approaches for cloud
KR20210066545A (ko) 반도체 소자의 시뮬레이션을 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체
Jain et al. A novel data prediction technique based on correlation for data reduction in sensor networks
KR20200068056A (ko) 패턴 태깅 기술 기반 전력 데이터 예측 방법 및 시스템
Karthikeyan et al. COSCO2: AI‐augmented evolutionary algorithm based workload prediction framework for sustainable cloud data centers
Natarajan et al. k-coverage m-connected node placement using shuffled frog leaping: Nelder–Mead algorithm in WSN
US11550691B2 (en) Computing resources schedule recommendation
KR102514810B1 (ko) LoRa 네트워크에서 효율적 IoT 디바이스 운용을 위한 크로스 레이어 기반의 IoT 디바이스 전송 주기 제어 방법 및 시스템
Tang et al. Energy-efficient and high-throughput CNN inference on embedded CPUs-GPUs MPSoCs
US20240129801A1 (en) Systems and methods for determining, monitoring, and predicting application capacity in multiple radio access networks
Huang et al. A novel approach for energy consumption management in cloud centers based on adaptive fuzzy neural systems
US11822618B2 (en) System and method for profiling for microsegmentation based on unique signature of a device
CN110999263B (zh) Iot装置集群的分层数据处理
CN118034992B (zh) 基于ems的储能系统非定期运维方法及系统
Qiu et al. Machine-learning-based cache partition method in cloud environment
US11748229B2 (en) Adaptive collection of telemetry data
US20240089852A1 (en) Systems and methods for utilizing machine learning models to conserve energy in network devices

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right