KR20230088583A - LoRa 및 LwM2M 기술에 적용될 수 있는 하이브리드 게이트웨이 - Google Patents

Abstract

본 명세서는 LwM2M(Lightweight Machine to Machine) 서버와 통신할 수 있는 게이트웨이가 LoRa(Long Range) IoT(Internet of Things) 센서를 관리하는 방법에 있어서, 데이터 수신부를 통해, 하나 이상의 상기 LoRa IoT 센서로부터 센싱 데이터를 수신하는 단계;로서, 상기 센싱 데이터는 상기 LoRa IoT 센서의 센서 식별자를 포함함; 가상 디바이스를 통해, 상기 센서 식별자에 대응되는 상기 LoRa IoT 센서의 특성 정보를 획득하는 단계; 상기 특성 정보에 상기 센싱 데이터를 결합하는 단계; 및 상기 센싱 데이터가 결합된 특성 정보를 데이터 저장부에 저장하는 단계;를 포함하며, 상기 가상 디바이스는 상기 데이터 수신부 및 상기 데이터 저장부를 포함할 수 있다.

Description

LoRa 및 LwM2M 기술에 적용될 수 있는 하이브리드 게이트웨이 {HYBRID GATEWAY APPLICABLE TO LONG RANGE, LORA, AND LIGHTWEIGHT MACHINE TO MACHINE, LWM2M, TECHNOLOGIES}

본 명세서는 센서 이상치 탐지시스템에 적용될 수 있는 것으로, LoRa(Long Range) 및 LwM2M(Lightweight Machine to Machine) 기술에 적용될 수 있는 하이브리드 게이트웨이에 관한 것이다.

건축물 안전 모니터링 시스템에서 사용하는 진동, 균열, 기울기 센서는 IoT 센싱 자료의 특성상 시계열 자료 형태로 입력되고, 기온의 영향을 받으며, 우천(雨天)의 영향, 내장 전원 배터리 소진, 건물 공사로 인한 센서 정전, 건물에 실제 급격한 균열이나 기울어짐의 이유로 수집된 자료에 이질적인 이상치로 간주 될 수 있는 요소가 많이 존재한다. 따라서 안전 모니터링 시스템을 위한 자료 모델링 이전의 전처리 단계와 자료의 시각화 부분에서 이상치 탐지와 적절한 조치가 필요하다.

이러한 IoT 센서와 관련하여, 사용될 수 있는 LoRa 통신 기술은 다음의 특징들을 포함할 수 있다. 예를 들어, (1) Low Energy, 저전력, (2) Long Range, 장거리, (3) 다중센서 가능 및 (4) 암호화 (보안, AES128), 기본적으로 AES128을 따르는 보안기능을 제공할 수 있다.

또한, IoT 센서와 관련하여, 사용될 수 있는 또다른 기술인 LwM2M은 효율적이고 안전하며 배포 가능한 클라이언트-서버 프로토콜이다. 이 프로토콜의 목적은 IoT를 위한 보안 워크 플로와 체계적인 장치 관리를 제공하는 것이다.

그러나, 현재는 LoRa/LwM2M 게이트웨이 관련 기술 부재로 LwM2M 서버에서 LoRa 통신 말단의 디바이스를 관리할 수 없는 문제가 존재한다.

본 명세서는 상기와 같은 문제를 해결하기 위하여 창출된 것으로, 본 명세서의 목적은 다양한 센서를 활용하여 건축물의 안전을 모니터링함에 있어 다양한 원인으로 발생하는 감지신호의 이상치를 복수의 알고리즘을 순차적으로 적용하여 탐지하고 오류에 대응하여 정확한 탐지결과를 얻도록 하는 앙상블 알고리즘을 이용한 건축물 모니터링용 센서 이상치 탐지시스템을 제공하는 것이다.

또한, 본 명세서의 목적은 LoRa 및 LwM2M 기술에 모두 적용될 수 있는 하이브리드 게이트웨이를 제공하기 위함이다.

상기와 같은 목적을 위해 본 명세서의 일 양상은, LwM2M(Lightweight Machine to Machine) 서버와 통신할 수 있는 게이트웨이가 LoRa(Long Range) IoT(Internet of Things) 센서를 관리하는 방법에 있어서, 데이터 수신부를 통해, 하나 이상의 상기 LoRa IoT 센서로부터 센싱 데이터를 수신하는 단계;로서, 상기 센싱 데이터는 상기 LoRa IoT 센서의 센서 식별자를 포함함; 가상 디바이스를 통해, 상기 센서 식별자에 대응되는 상기 LoRa IoT 센서의 특성 정보를 획득하는 단계; 상기 특성 정보에 상기 센싱 데이터를 결합하는 단계; 및 상기 센싱 데이터가 결합된 특성 정보를 데이터 저장부에 저장하는 단계;를 포함하며, 상기 가상 디바이스는 상기 데이터 수신부 및 상기 데이터 저장부를 포함할 수 있다.

또한, 상기 데이터 저장부는 상기 LoRa IoT 센서에 대응되는 하나 이상의 특성정보를 포함할 수 있다.

또한, 상기 특성정보는 상기 LwM2M 서버에 적용될 수 있는 데이터 객체(object)로 구성될 수 있다.

또한, LwM2M 클라이언트로부터 상기 센서의 제어명령을 획득하는 단계; 및 상기 제어명령에 근거하여 상기 특성정보를 획득하고, 상기 특성정보에 근거하여 상기 LoRa IoT 센서를 제어하는 단계; 를 더 포함할 수 있다.

또한, 상기 특성정보를 건축물 모니터링용 센서 이상치 탐지시스템으로 전송하는 단계; 를 더 포함할 수 있다.

또한, 상기 건축물 모니터링용 센서 이상치 탐지시스템은 상기 특성정보로부터 얻어진 자료값을 오름차순으로 정렬하는 정렬부; 정렬된 자료값을 설정된 비율로 분할하여 경계구간을 설정하는 구간설정부; 상기 경계구간을 벗어나는 자료값을 제1이상치로 정의하여 저장하는 제1검출모듈; 상기 자료값을 정규분포화하고, 표준정규분포를 참고하여 설정된 신뢰수준에서 검정하여 제2이상치를 추출 및 저장하는 제2검출모듈; 상기 제1이상치 및 제2이상치 개수의 상한을 설정하고 검정통계량을 계산하는 검정통계부; 상기 검정통계량과 비교할 임계값을 설정하는 임계값설정부; 상기 검정통계량이 설정된 임계값보다 클 경우 제3이상치로 정의하여 저장하는 제3검출모듈; isolation forest 알고리즘을 이용하여 이상치 점수를 계산하는 점수계산부; 이상치의 비율을 설정하고 설정된 비율에 맞는 이상치 점수 자료값을 제4이상치로 정의하여 저장하는 제4검출모듈; 상기 제1이상치, 제2이상치, 제3이상치, 제4이상치에 근거하여, 원본 자료값 및 이상치 자료값을 제거한 데이터셋을 대상으로 엔트로피를 계산하는 엔트로피계산부; 상기 엔트로피의 변동을 확률변동 관점으로 재해석하는 해석부; 및 설정된 값과 확률변동을 비교하여 이상치 추출의 양호를 판단하는 검증모듈;을 포함할 수 있다.

본 명세서의 일 실시예에 따르면, 앙상블 알고리즘을 이용한 건축물 모니터링용 센서 이상치 탐지시스템을 제공할 수 있다.

또한, 본 명세서의 일 실시예에 따르면, LoRa 및 LwM2M 기술에 모두 적용될 수 있는 하이브리드 게이트웨이를 제공할 수 있다.

본 명세서에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 명세서가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 명세서의 개념도이다.
도 2는 본 명세서의 실시예에 따른 구성 및 연결관계를 나타낸 블록도이다.
도 3은 본 명세서의 실시예에 따른 순서를 나타낸 순서도이다.
도 4 내지 도 5는 본 명세서의 실험예에 따른 이상치 탐지 예시를 나타낸 시트이다.
도 6 내지 도 9는 본 명세서의 실험예에 따른 센서 자료값에 대한 분석결과를 나타낸 시트이다.
도 10은 본 명세서가 적용될 수 있는 게이트웨이의 예시이다.
도 11은 본 명세서가 적용될 수 있는 게이트웨이의 파이프라인 예시이다.
도 12는 본 명세서가 적용될 수 있는 일 실시예이다.

이하, 첨부된 도면을 참조하여 본 명세서 앙상블 알고리즘을 이용한 건축물 모니터링용 센서 이상치 탐지시스템의 구성을 구체적으로 설명한다.

도 1은 본 명세서의 개념도로서, 본 명세서는 건축물에 설치되어 안전을 모니터링하는 센서의 이상치를 탐지하는 시스템으로, 상기 센서는 진동, 균열, 기울기를 측정할 수 있는 센서가 될 수 있으며 적용되는 이상치 탐지 알고리즘은 다음과 같은 4가지 알고리즘을 기반으로 한다. 이는 다른 기법을 추가해도 같은 스텝을 밟아서 이상치를 정리하면 되므로 특정방법론에 의존하지 않아도 이상치를 탐지할 수 있는 장점이 있다.

첫 번째로 IQR(Interquatile range)로서 자료들을 크기순으로 배열한 후 1사분위수(25%)와 3사분위수(75%) 사이 간격을 IQR이라고 한다. 이 IQR값에 1.5배 하고 중앙값을 더한 것이나 뺀 것보다 자료값이 더 크거나 작으면 이상치로 본다.

특별한 자료에 대한 분포 가정이 전혀 없고 결과 해석에 주관적인 요인이 들어가지 않지만, 불균형한 자료(중앙값을 중심으로 양쪽의 자료가 나타나는 빈도가 많이 다른 경우)는 이상치 탐색이 다른 방법과는 차이를 보이고 여전히 거리를 바탕으로 이상치 검출을 하기 때문에 두 가지 이질적인 자료의 무리가 섞여있는 경우(Mixed distribution)에 이상치 검출에 문제가 생긴다.

두 번째로 z-score, 표준화 점수라고도 불리는 알고리즘으로 자료가 평균값에서 표준편차를 고려해서 얼마나 멀리 떨어져 있는지를 자료가 정규분포(Normal probability distribution)를 따른다는 가정하에 나타내며 다음과 같이 표현된다.

,

는 자료값,

는 평균,

는 표준편차의 제곱근이다.

z-score는 널리 쓰이는 알고리즘이나 자료가 정규분포를 따른다는 가정에 문제가 생기거나 자료에 극단치가 많이 섞이면 평균이 극단치에 민감하게 반응하기 때문에 문제가 생긴다. 여기에 95% 신뢰 계수를 사용할지 혹은 99% 신뢰계수를 사용할지도 사용자의 주관적인 판단 영역에 속한다. 다만, 정규분포 가정을 만족한다면 이상치 검출에 가장 민감한 반응을 보여주고 직관적이라는 장점이 있다.

세 번째로 Generalized ESD test로서 Grubb test와 같은 통계량을 사용하여 검정하지만 grubb 검정의 약점을 보완한 방법으로 이상치의 개수를 미리 결정해야 했던 약점을 완화해서 이상치의 개수 상한만 지정하면 된다.

이상치의 거리에 바탕을 두고 있지만 여러 점에 대한 이상치 판단의 1종 오류 확률이 수리적으로 수정 계산되어 나온다는 이론적 장점을 가지고 있다. ESD 검정은 이상치의 개수의 상한선만 제시하면 되고 여러 개의 이상치를 동시에 검출해내는데 장점을 가지고 있다. 그러나 여전히 정규성에 바탕을 두고 있고 거리 기반 이상치 탐지의 약점도 공유하고 있고 대용량 자료에서는 검정의 수치적 1종 오류 확률에 대한 시뮬레이션 결과가 불안정해진다는 단점이 존재한다.

참고로 Grubb test(Grubb 검정)은 자료값 중에서 가장 평균값과 거리가 먼 자료의 절대 편차를 가지고 자료가 정규분포에서 나왔다는 가정하에 outlier 인지를 검증한다.

이는 자료 중 편차가 가장 큰 1개에 대하여 검증을 수행하며, 이상치가 더 이상 감지되지 않을 때까지 검정을 되풀이하여 샘플 개수가 작아지면 사실 이상치가 아닌데도 이상치라고 결론을 내릴 확률이 높아지기 때문에 샘플 개수가 작아지면 검정을 멈추는 것이 필요하다.

다음 네 번째로 isolation forest로서, 이 기법은 랜덤하게 직선으로 자료값들을 둘로 나누는 직선들을 계속 생성해서 자료가 모두 직선으로 구분될 때까지 나눈 후에 비교적 빨리 다른 자료들과 구분이 지어진 데이터들을 이상치로 간주하는 기법이다.

여러 번 같은 알고리즘을 적용한 평균값을 점수화해서 판단하는 일종의 시뮬레이션 기법인 i-Forest 기법은 최근 기울기가 있는 직선으로 확장 버전이 나온 상황으로, 이 기법은 반복적인 시뮬레이션을 이용하는 방법론으로 다변량 자료와 지도적(supervised) 이상치 검출에 특화된 방법론이다.

비교적 이상치 검출 계산 시간이 빠르고 특별한 가정을 하지 않기 때문에 사용하기 쉽지만 전체 자료 중 얼마나 많은 자료를 이상치로 볼 것인가를 미리 입력해야 하기 때문에 결과를 해석하기가 쉽지 않다.

이러한 Isolation Forest는 Unsupervised Anomaly Detection 중 하나로 현재 갖고 있는 데이터 중 이상치를 탐지할 때 주로 사용되며, 이름에서 볼 수 있듯이 tree 기반으로 구현되는데, 랜덤으로 데이터를 split하여 모든 관측치를 고립시키며 구현된다. 특히, 변수가 많은 데이터에서도 효율적으로 작동할 수 있는 장점이 있다.

Isolation Forest의 컨셉은 각 관측치를 고립(=분리)시키기는 것은 이상치가 정상 데이터보다 쉽다라는 것으로, 학습 방법은, 정상 데이터는 tree의 terminal node와 근접하며 경로 길이가 크고, 이상치는 tree의 root node와 근접하며 경로 길이가 작다는 것을 통해 이루어진다.

랜덤포레스트가 의사결정나무를 여러번 반복하여 앙상블 하듯이, Isolation Forest는 iTree를 여러번 반복하여 앙상블함다. iTree는 ① Sub-sampling: 비복원 추출로 데이터 중 일부를 샘플링, ② 변수 선택: 데이터 X의 변수 중 q를 랜덤 선택, ③ split point 설정: 변수q의 범위(max~min) 중 uniform하게 split point를 선택, ④ ①~③번 과정을 모든 관측치가 split 되거나, 임의의 split 횟수까지 반복(=재귀 나무)하며, 경로 길이를 모두 저장하며, Isolation Forest는 ⑤ 1~4번 과정(iTree)을 여러 번 반복하게 된다.

평가는 다음과 같이 이뤄진다.

여기서 h(x): 해당 관측치의 경로 길이, E(h(x)): 모든 iTree에서 해당 관측치에 대한 평균 경로 길이, c(n): h(x)를 nomalise하기 위한 값으로, iTree의 평균 경로 길이. (iTree는 Binary Search Tree와 동일한 구조이기 때문에,c(n)값을 쉽게 구함)

E(h(x))에 따른 Score 값은 1. 관측치 x가 전체 경로길이의 평균과 유사(= 정상 데이터): E(h(x))→c(n),s→0.5, 2. 관측치 x가 이상치: E(h(x))→0,s→1, 3. 관측치 x의 최대 경로길이: E(h(x))→n-1, s→0로, 즉, Score는 0 ~ 1 사이에 분포되며, 1에 가까울수록 이상치일 가능성이 크고 0.5 이하이면 정상데이터로 판단할 수 있다.

본 명세서에서는 이러한 알고리즘을 유기적으로 결합하여 정확한 이상치의 검출과 오류에 대항할 수 있는 이른바 앙상블 알고리즘을 사용하게 된다.

기존의 이상치 탐지 방법론의 문제를 보면 후술되는 내용에서 실제 자료를 사용한 예제에서 보여주듯이, 근거가 되는 이론과 사용하는 상황들이 다르기 때문에 실제 자료에 적용해 보면 이상치 탐지의 결과가 비슷한 케이스도 있지만 결과가 다른 경우가 많다.

특히 건축물 안전 진단 플랫폼의 경우는 이상치가 검출되었느냐가 예측문제를 떠나서 플랫폼 자체의 존재 의미와 관련되기 때문에 정확성을 요구하는데 사용하는 방법론에 따라 결과가 많이 달라지는 것은 바람직한 현상이 아닐뿐더러 방법론들 사이에 어떤 것이 상황에 맞는지 아닌지 판단 기준조차 모호한 현실이다.

이는 서로 다른 근거를 사용해서 이질적인 자료들을 골라내는 고유의 논거를 펼치기 때문에 서로 다른 근거를 이용하는 방법론들은 우열을 이론적으로 가릴 수도 없고 실제 자료에서 어떤 것이 이질적인 이상치라고 알고 있어서 지도적(supervised) 학습 알고리즘을 사용할 수 있는 경우는 드물기 때문에 사후 검증을 할 수도 없기 때문이다.

이에 본 명세서에서는 Entropy 정보량을 이용한 이상치 탐지 적합성을 결정하였다.

데이터 사이언스에서 엔트로피(entropy)란 정보량이라는 것을 의미하며, 정보량에 대한 엔트로피는 새넌 엔트로피(Shannon entropy) 혹은 평균 정보량이 쓰이고 있다.

정보량이란 사건이 일어날 확률의 역수의 로그(log)로 정의하고, 이 정보량의 평균을 엔트로피 값이라고 한다. 엔트로피 값은 충분히 일어날 수 있는 일이 일어나는 경우는 값이 작고 일어날 가능성이 작은 사건에 대해서는 큰 값을 제공한다.

이상치의 관점에서 보면 여러 방식을 통해 탐지한 이상치를 제외한 자료의 엔트로피를 상호 비교해서 가장 작은 엔트로피 값을 주는 방법론으로 이상치 탐지 값을 선택해주는 것이 합리적 방식이다. 다시 말해, 이상치(일어날 확률이 작은 값)를 제외하면 이상치를 제외한 나머지 자료들에서 제공하는 평균 정보량은 이상치를 포함한 자료에서 계산된 평균 정보량보다 확연하게 큰 값이어야 하고 서로 다른 방법론을 통해 제시된 각각 다른 이상치들은 추출된 이상치들을 제외한 데이터 셋의 평균 정보량을 서로 비교함으로써 어떤 이상치 추출이 정보량이라는 관점에서 더 적합한 방식인가를 판단할 수 있는 여러 방법론을 통합하는 적합성 검정을 하는데 사용할 수 있다.

평균 정보량

(엔트로피)의 정의는 다음과 같다.

여기서 I(X)는 개별 자료의 정보량이라고 정의하고 b는 로그함수의 밑으로 새넌 엔트로피에서는 비트 수인 2를 사용하고 자연수 10 혹은 오일러 상수 e를 사용하기도 한다.

여러 이상치 추출 방법론으로 이상치를 검출한 결과로 이상치를 제외한 자료셋의 평균정보량이 유의미하게 적은 케이스를 선택하는 것이 좋다. 엔트로피는 자료에서 나올 확률이 적은 데이터들을 제외할수록 작은 값이 나오는 특징을 가지고 있다.

다만, 꼭 나올 확률이 매우 작은 이상치가 아니더라도 비교적 작은 확률값을 가지는 데이터를 제외해도 그 값은 작아진다. 매우 큰 확률을 가지는 데이터를 제외하는 경우는 엔트로피 값이 증가하기도 하며 확률값에 로그를 취하여 계산하기 때문에 확률값에 대하여 비선형적인 성격을 가진다.

이상치를 제외한 자료와 원자료의 정보량 값의 차이는 직관적인 해석이 어렵기 때문에 평균 정보량을 자료의 평균 확률값의 변화량으로 변환해서 보면 좀 더 직관적인 정보량의 차이를 체감하기 쉽다.

따라서, 본 명세서에서는 평균 정보량의 차이를 다음과 같이 정의한다. 평균 정보량의 정의 H(X)를 사용하면 이상치가 제외되는 경우 확률분포도 달라지기 때문에 이론적인 계산이 어려워진다.

이에 평균정보량을 데이터셋의 대표 정보량I(X)라고 간주하고 평균 정보량 엔트로피를 전체 데이터(full data set)와 이상치를 제외한 데이터(reduced data set)의 대표 정보량으로 간주한다. 두 자료의 대표 정보량의 차이는,

으로 표현될 수 있다.

두 데이터 셋의 평균 정보량을 대표 정보량으로 보고 그 차이를 확률의 관점으로 살펴보면 확률의 차이가 클수록 우리는 아웃라이어 추출이 잘되었다고 할 수 있다.

만일 확률값에 별 큰 차이가 없다면 우리는 이상치 추출 결과가 빈약하다고 할 수 있다.

종래 센서의 이상치 탐색을 위한 다양한 알고리즘이 제공되는 만큼 방법론에 따른 장단점이 존재하며, 여러 알고리즘이 이상치 개수를 미리 특정해야 활용 가능하다는 점도 문제였다.

여러 가지 알고리즘들 중 시계열 모델을 적합하고 예측치와의 차이를 이용하는 이상치 탐지 기법들은 최신 기법이고 유효성이 증명되었지만 건축물 관련 자료의 특성상 특별한 모델 적합이 반드시 필요하다고 보이지 않기 때문에 제외하였다.

또한, 다변량 기법은 필요치 않은 상황이고 건축물 관련 센서 자료들이 안정성에 대한 자료들이 축적되 있는 상황이 아니기 때문에 비지도적(unsupervised)기법만 사용 가능하다. 센서 자료는 시계열 자료라는 특성상 시간에 따른 영향을 배제하기 위해 1차 차분한 잔차를 가지고 이상치 탐지를 수행하였다.

도 2는 본 명세서의 실시예에 따른 구성 및 연결관계를 나타낸 블록도, 도 3은 본 명세서의 실시예에 따른 순서를 나타낸 순서도로서, 본 명세서에서는 대표적인 단변량 이상치 검출 방법론 4개를 동시에 적용하고 각 방법론에 따른 이상치로 검출된 결과의 정보량(entropy)를 계산하여 대표 정보량의 확률값의 변동을 기준으로 센서 데이터셋의 이상치로 정의하는 앙상블 알고리즘을 제안한다.

이를 위해 우선 기울기 센서를 예시로 직교 좌표계에서 극좌표계로 전환해준다. 이때 각도에 해당하는 값은 고려하지 않고 이상치 검출에서는 일단 기울기의 크기만 고려한다. 기울기 값의 크기는 다음과 같이 표현된다.

먼저, 첫 번째 단계(S 110)에서는 IQR(Inter quatile range)방식으로 이상치를 검출하며, 이는 상기 센서로부터 얻어진 자료값을 오름차순으로 정렬하는 정렬부(111)와, 정렬된 자료값을 설정된 비율로 분할하여 경계구간을 설정하는 구간설정부(112)를 구비하고, 상기 경계구간을 벗어나는 자료값을 제1이상치로 정의하여 저장하는 제1검출모듈(110)을 통해 수행된다.

즉 자료값을 오름차순으로 읽어들이고 4 등분하여 75% percentile과 25% percentile의 차를 계산한다. 이 값을 IQR 이라 부른다. 이때 상기 구간설정부(112)는 IQR에 1.5를 곱해서 75% percentile 값에 더해준 것을 최대, 25% percentile 값에서 빼준 것을 최소로 하는 경계 구간을 설정한다. 자료들 중 이 범위를 벗어나는 점들을 이상치라고 정의하고, 이상치로 검출된 값들과 이상치 개수를 저장한다.

다음 두 번째 단계(S 120)에서는 Z-Score 방식으로 이상치를 검출하며, 이는 상기 센서로부터 얻어진 자료값을 정규분포화하고, 표준정규분포를 참고하여 설정된 신뢰수준에서 검정하여 제2이상치를 추출 및 저장하는 제2검출모듈(120)을 통해 수해왼다.

즉 자료값을 정규분포라 가정하고 평균과 표준편차를 계산하여 점수를 계산한다. 실제로 건축물 안전 관련 균열과 기울기 센서는 정상적인 상황이라면 백색잡음의 정규분표 형태를 취하고 이상이 생겼다면 평소와는 다른 트렌드가 나타나거나 이상치가 나타나기 때문에 적당한 가정이라 볼 수 있다.

이때 상기 제2검출모듈(120)은 계산된 점수를 표준정규분포를 참조해서 95% 혹은 99%신뢰수준에서 이상치인지 아닌지를 검정한다. 계산된 이상치와 결과를 저장한다.

다음 세 번째 단계(S 130)에서는 Generalized ESD test를 이용해서 이상치를 검출하며, 상기 제1이상치 및 제2이상치 개수의 상한을 설정하고 검정통계량을 계산하는 검정통계부(131)와, 상기 검정통계량과 비교할 임계값을 설정하는 임계값설정부(132)를 구비하고, 상기 검정통계량이 설정된 임계값보다 클 경우 제3이상치로 정의하여 저장하는 제3검출모듈(130)을 통해 수행된다.

즉 상기 검정통계부(131)는 이상치의 개수의 상한을 첫 번째 단계(S 110) 및 두 번째 단계(S 120)의 최대값에 1을 더한값으로 설정한 후 검정통계량을 계산하되, 표본평균과 표본표준편차를 계산하고 관측치와 표본평균의 편차의 최대치를 구하고 최대치에 해당하는 자료값을 표본에서 제거하고 다시 검정통계량을 계산하여 추정한 최대치의 이상치 개수까지 검정 통계량을 계산한다. 이는 다음과 같이 표현된다.

i=1,2,...,r에서 r은 추정된 이상치의 최대값.

또한, 상기 임계값설정부(132)는 검정통계량과 비교할 임계값을 다음과 같이 계산한다.

여기서 t(p,v)는 자유도 v를 가지는 t

분포의 100p 백분율 값을 의미하고

로 정의한다. 계산된

가 임계값

보다 크면 이상치로 간주하고 이 값을 저장한다. 이 검정은

인 경우 상당히 정확하다.

다음 네 번째 단계(S 140)에서는 isolation forest 기법을 이용해서 이상치를 검출하며, 이는 isolation forest 알고리즘을 이용하여 이상치 점수를 계산하는 점수계산부(151)와, 이상치의 비율을 설정하고 설정된 비율에 맞는 이상치 점수 자료값을 제4이상치로 정의하여 저장하는 제4검출모듈(140)을 통해 수행된다.

이는 decision tree를 이용해서 이상치를 탐지하는 기법으로 선제적으로 자료에서 이상치가 차지하는 비중이 얼마 정도 될지 추정한 이후 공간분할 방식의 알고리즘을 사용해서 다른 관측치와 유사점이 없는 이상치를 탐지하는 기법이다.

많은 이상치 탐지 기법이 자료들 사이에 통계적 거리를 사용하는데 자료가 많아지거나 다차원 자료일 경우 계산량이 폭증하는 단점을 가지고 있으나 공간기반 탐지 기법은 거리 계산의 부담이 적고 이상치 탐지에서 어려운 두 가지 문제인 masking(이상치가 무리지어 있을 경우 정상치로 구분되는 문제)과 swamping(정상값이 이상치와 거리가 가까워 잘못 이상치로 구분되는 경우)에서 조금 더 자유롭다.

알고리즘은 전체 데이터를 가진 root node와 추후 분할을 위한 후보 노드를 담은 리스트(C)를 작성한다. 이 리스트에서 하나의 노드(R)를 랜덤하게 추출하고 이 노드는 리스트 C 에서 삭제한다. 뽑힌 R에 대해서 특성치(a)를 랜덤하게 정하고 a보다 작거나 같은 자료는

그 외의 자료는

로 나눈다.

혹은

에 데이터가 2개 이상 포함되 있다면 이것을 후보 리스트 집합인 C에 다시 포함 시키고 그렇지 않다면 이것을 고립된 노드로 간주한다. 모든 자료들이 고립된 노드로 구분될 때까지 같은 작업을 반복하고 자료별로 모두 고립될 때까지 필요한 작업의 수를 저장하고 필요 작업수가 작은 것들을 이상치로 간주한다.

이 알고리즘은 결과로 이상치 점수(anomaly score)를 계산하는데 이상치 점수가 높은 것을 이상치로 선언한다. 본 명세서에서는 다른 방법론에서 제시된 이상치 개수의 최대값을 반영하여 이상치 탐지를 수행한다. 다만, iForest는 이상치의 비율을 사전에 정하고 그 비율에 맞는 이상치 점수의 상위 % 자료를 이상치로 선언하는데 이것은 이상치 탐색을 하기 전에 미리 이상치가 대략 어느 정도 비율인지를 미리 결정해야 하는 어려움이 있지만, 일단은 이상치 점수를 계산하는데까지 실행한다.

마지막 다섯 번째 단계(S 150)에서는 이상 4가지 이상치 탐지 기법을 순차적으로 적용한 이후 검출된 이상치 자료를 바탕으로 원래 자료와 이상치로 탐지된 자료를 제거한 데이터 셋을 대상으로 엔트로피를 계산한다.

이는 상기 제1이상치, 제2이상치, 제3이상치, 제4이상치를 바탕으로 원본 자료값 및 이상치 자료값을 제거한 데이터셋을 대상으로 엔트로피를 계산하는 엔트로피계산부(151)와, 상기 엔트로피의 변동을 확률변동 관점으로 재해석하는 해석부(152)를 구비하고, 설정된 값과 확률변동을 비교하여 이상치 추출의 양호를 판단하는 검증모듈(150)을 통해 수행된다.

엔트로피 계산은 적절한 자료의 이산화(discretized)가 필요하다. 자료가 도출되는 통상적인 범위를 적절한 개수로 나누어서 이산확률 도수분포표를 생성하고 각 급간 간에 들어가는 도수들을 파악한다.

이 자료를 기준으로 엔트로피를 계산하고 이상치로 인한 엔트로피의 변동량의 해석을 위해 평균 정보량인 엔트로피의 변동을 데이터의 확률 변동 관점으로 재해석한다. 이 확률의 변동이 크다면 이상치 검출이 잘 이루어진 것이고 그렇지 않다면 그 방법론으로 검출된 이상치 추출에 문제가 있다고 결론 내린다.

도 4 ~ 5는 본 명세서의 실험예에 따른 이상치 탐지 예시를 나타낸 시트로서, 서로 다른 방법론이 내보내는 이상치 검출이 일치하고 정보량의 변화도 크다고 볼 수 있다.

대표 확률값 변동량의 기준에서 정보량의 변화가 얼마나 커야 유의미한 정보량의 변화라고 볼 수 있을지는 다른 통계적 가설 검정과 같이 사용자나 자료 해석자의 주관이 개입하게 된다. 통계량의 확률 분포를 정확하게 유도할 수 있다면 솔루션이 존재할 수 있으나 통계량의 확률분포 가정을 두지 않는다면 수학적 대답은 어렵다.

예를 들어 자료값이 정규 분포를 따른다고 가정한다면 다음과 같이 정보량 함수를 유도할 수 있다.

정규분포 가정을 한다면 평균 엔트로피는 분산이 커지면 늘어나고 분산이 작을수록 줄어든다. 그러나 자료값의 확률분포 가정을 두면 여러 가지 방법론 중에 정규성 가정을 하지 않는 방법론을 다루는데 문제가 생긴다.

이를 우회하기 위해, 본 명세서에서는 평균 엔트로피 값을 확률값 기준으로 변환해서 관찰했을 때 이상치 자료 1개당 1% 정도의 확률 변화량을 보이면 유의미한 변화라고 가정하기로 한다.

확률값 관점으로 변환이란 평균 정보량을 자료의 정보량의 대표값으로 보고 정보량 값을 다시 확률로 변환해서 관찰하는 것이다. 실제 자료들에 적용해본 이후 해석자가 변환된 확률 관점의 수치들을 바탕으로 개략적인 유의미한 정보 변화량을 이상치 검출 자료를 바탕으로 추산해 낼 수 있다.

도 6 ~ 9는 본 명세서의 실험예에 따른 센서 자료값에 대한 분석결과를 나타낸 시트이다.

도 6에서는 서로 다른 방법을 통해 모두 이상치 검출이 안 된 결과를 보여주고 있으며, 도 7에서는 IQR과 z-score에서 동일 이상치 검출하였으나 Generalized ESD test는 이상치 미검출된 상황으로 확률값의 변동이 IQR과 z-score에서 검출된 이상치 자료가 5%를 넘어서기 때문에 추출된 2개의 이상치를 이상치로 받아들였다.

도 8에서는 z-score방법론 에서만 1개가 검출되었으나 그나마 확률 변화가 1%를 넘지 못해 이상치가 존재하지 않는다는 결론을 내렸으며, 도 9에서는 z-score에서 2개가 이상치로 검출되고 나머지 방법론에서는 z-score 결과를 포함 4개가 이상치로 검출되어 4개를 이상치로 봤을 때 확률값 변화가 15%를 넘겨 4개를 이상치로 보는 것으로 결론을 내렸다.

이처럼 서로 다른 이상치 탐지 알고리즘 결과를 동시에 비교해 보면서 검출된 특정 이상치에 좀 더 정확성을 부여하고 근거로 확률 변화값을 얻을 수 있었으며 개별 방법론마다 다른 결과가 검출되는데 따른 혼란과 불신을 없앨 수 있다.

도 10은 본 명세서가 적용될 수 있는 게이트웨이의 예시이다.

전술한 모니터링용 센서는 LoRa 무선 통신 기술을 사용하는 IoT 센서일 수 있다. 이 경우, LwM2M 서버에 의해, 모니터링용 센서를 관리하기 위해서는 양 기술에 모두 적용될 수 있는 게이트웨이(1000)가 필요하다.

도 1 및 도 10을 참조하면, 게이트웨이(1000)는 LwM2M 서버에 포함되거나, 연결되어 센서들과 센서 이상치 탐지 시스템의 통신을 위해 구성될 수 있다.

예를 들어, LwM2M Server는 Coap/UDP 기반으로 LwM2M Client(1200)와 통신을 하며 LwM2M client(1200)를 관리할 수 있다. LwM2M Server는 LwM2M client(1200)가 보유하고 있는 자원 목록 조회, LwM2M client(1200)가 계측한 데이터의 주기적 보고 요구 및 LwM2M client(1200)를 제어(예를 들어, 원격부팅 등) 등을 할 수 있다.

LwM2M client(1200)는 이러한 LwM2M server의 요구를 해석하고 이행하는 기능을 수행할 수 있다.

이러한 LwM2M Server와 LwM2M client(1200)는 CoAP/UDP 통신을 기반으로 하는 protocol을 통해 통신이 수행될 수 있다.

일반적인 LwM2M client(1200)는 IP를 기반으로 통신하도록 설계되어 있어, LoRa 통신을 원하는 제한된 자원(예를 들어, 배터리 사용 최소, 저가)을 가진 장치 내에 LwM2M client(1200)는 구현될 수 없다.

따라서, 도 10을 다시 참조하면, 게이트웨이(1000)는 LwM2M client가 구현된 센서와 유사한 역할을 수행하는 가상 디바이스(1100)를 포함할 수 있다. 이를 통해, 게이트웨이(1000)는 CoAP/socket select/UDP 방식으로 1개의 LwM2M client(1200)가 n개의 가상 디바이스(1100)의 자원을 관리하도록 구성될 수 있다.

도 11은 본 명세서가 적용될 수 있는 게이트웨이의 파이프라인 예시이다.

도 11은 전술한 도 10의 게이트웨이(1000)의 파이프라인을 보다 자세히 예시한다.

도 10 및 도 11을 참조하면, 게이트웨이(1000)는 LoRa 데이터 수신부(1120), 복수 개의 IoT 센서 특성을 저장하는 데이터 저장부(1110) 및 LoRa 데이터 수신부(1120)를 포함하는 가상 디바이스(1100), LwM2M 서버와 통신을 위한 기능을 갖춘 LwM2M 클라이언트(1200), LoRa 인터페이스 및 LwM2M 서버와의 통신을 위한 인터페이스를 포함한다.

예를 들어, LwM2M 클라이언트(1200)는 IoT 센서 자원 등록 기능, 센싱 데이터의 센서값을 주기적으로 보고하는 기능, 서버의 다양한 데이터 요청에 따른 처리 기능, 서버의 재부팅, 및 펌웨어 업그레이드 요청을 처리하는 기능 등을 수행할 수 있다.

LoRa 데이터 수신부(1120)는 센서로부터 LoRa 인터페이스를 통해 수신된 LoRa 패킷을 처리할 수 있다.

예를 들어, LoRa 데이터 수신부(1120)는 LoRa 패킷 정보를 파싱하여, 처리할 수 있다. LoRa 패킷 정보는 센서 식별자(예를 들어, 시리얼번호), 센싱 데이터와 관련된 타임스탬프, 계측 혹은 계량 실수값, 및 센서의 배터리 잔량(%),내부온도, 기타정보 등을 포함할 수 있다.

LoRa 데이터 수신부(1120)는 센서 식별자를 통해 하나 이상의 데이터 저장부(1110)에서 IoT 센서의 특성 정보를 획득하고, 획득된 특성 정보에 LoRa 패킷 정보를 결합하여, 각 센서별로 대응되는 데이터를 다시 데이터 저장부(1110)에 저장할 수 있다.

이때, 데이터 저장부(1110)는 표준 LwM2M에서 요구하는 데이터 객체(object)로 구성될 수 있다. 예를 들어, 데이터 객체는 센서의 펌웨어 버전, 식별자, MCU 제조사, 센싱 데이터의 센서값, 메인 메모리 용량, 디스크용량, 배터리 사용유무, 배터리 충전 정보, 배터리 충전 상태, 외부전원 유무, 통신방법 등으로 구성된 XML 혹은 DB 등을 포함할 수 있다. 데이터 저장부(1110)는 LoRa 데이터수신부(1120)와 LwM2M 클라이언트(1200)가 동시에 접근될 수 있도록 동시성 제어 기능을 갖춘 알고리즘을 포함할 수 있다.

가상 디바이스(1100)는 LwM2M 서버가 인식할 수 있도록 데이터 저장부(1110)를 통해, 실제 IoT 센서 특성 정보를 저장할 수 있다. 가상 디바이스(1100)가 LwM2M 클라이언트(1200)로부터 제어명령을 수신하는 경우, 가상 디바이스(1100)는 데이터 저장부(1110)에서 제어명령에 대응되는 센서의 특성 정보를 획득하고, LoRa 데이터 수신부(1120)는 센서의 특정정보에 근거하여, 데이터 저장부(1110)로부터 적합한 제어 명령어를 획득하고, 이를 통해, 센서는 LoRa 통신을 통해 제어될 수 있다.

이를 위해, 데이터 저장부(1110)는 각 센서에 대응되는 센서 데이터(특정 정보)를 저장, 관리할 수 있고, 이에 따라 LwM2M 클라이언트(1200)로부터 수신된 제어명령을 LoRa 통신을 통해, 센서에 전달할 수 있다.

이를 통해, LwM2M 서버는 LoRa 센서를 관리할 수 있다.

도 12는 본 명세서가 적용될 수 있는 일 실시예이다.

도 12를 참조하면, 본 명세서에서의 게이트웨이(1000)는 LwM2M 서버와 통신하며, LoRa IoT 센서를 관리할 수 있다.

게이트웨이는 데이터 수신부를 통해, 하나 이상의 LoRa IoT 센서로부터 센싱 데이터를 수신한다(S1210). 예를 들어, 센싱 데이터는 LoRa IoT 센서의 센서 식별자(예를 들어, 시리얼 넘버)를 포함할 수 있다.

게이트웨이는 탑재된 가상 디바이스를 통해, 센서 식별자에 대응되는 LoRa IoT 센서의 특성 정보를 획득한다(S1220). 예를 들어, 가상 디바이스는 상기 데이터 수신부 및 상기 데이터 저장부를 포함할 수 있다. 또한, 데이터 저장부는 LoRa IoT 센서에 대응되는 하나 이상의 특성정보를 포함할 수 있다. 이러한 특성정보는 LwM2M 서버에 적용될 수 있는 데이터 객체(object)로 구성될 수 있다. 따라서, LwM2M 클라이언트는 LwM2M 서버를 통해, LoRa IoT 센서를 관리할 수 있다. 예를 들어, 게이트웨이는 LwM2M 클라이언트로부터 센서의 제어명령을 획득하고, 제어명령에 대응되는 센서의 특성정보를 획득하고, 이러한 특성정보에 근거하여 LoRa IoT 센서를 제어할 수 있다.

게이트웨이는 특성 정보에 센싱 데이터를 결합한다(S1230).

게이트웨이는 센싱 데이터가 결합된 특성 정보를 데이터 저장부에 저장한다(S1240). 센싱 데이터가 결합된 특성정보는 전술한 건축물 안전 모니터링용 센서 이상치 탐지시스템으로 전송되고, 건축물 모니터링용 센서 이상치 탐지시스템은 특성정보를 통해 센서 이상치를 탐지할 수 있다.

본 명세서의 권리는 위에서 설명된 실시 예에 한정되지 않고 청구범위에 기재된 바에 의해 정의되며, 본 명세서의 분야에서 통상의 지식을 가진 자가 청구범위에 기재된 권리범위 내에서 다양한 변형과 개작을 할 수 있다는 것은 자명하다.

110: 제1검출모듈 111: 정렬부
112: 구간설정부 120: 제2검출모듈
130: 제3검출모듈 131: 검정통계부
132: 임계값설정부 140: 제4검출모듈
141: 점수계산부 150: 검증모듈
151: 앤트로피계산부 152: 해석부

Claims (6)

1. LwM2M(Lightweight Machine to Machine) 서버와 통신할 수 있는 게이트웨이가 LoRa(Long Range) IoT(Internet of Things) 센서를 관리하는 방법에 있어서,
   데이터 수신부를 통해, 하나 이상의 상기 LoRa IoT 센서로부터 센싱 데이터를 수신하는 단계;로서,
   상기 센싱 데이터는 상기 LoRa IoT 센서의 센서 식별자를 포함함;
   가상 디바이스를 통해, 상기 센서 식별자에 대응되는 상기 LoRa IoT 센서의 특성 정보를 획득하는 단계;
   상기 특성 정보에 상기 센싱 데이터를 결합하는 단계; 및
   상기 센싱 데이터가 결합된 특성 정보를 데이터 저장부에 저장하는 단계;
   를 포함하며,
   상기 가상 디바이스는
   상기 데이터 수신부 및 상기 데이터 저장부를 포함하는, 관리 방법.
   
2. 제1항에 있어서,
   상기 데이터 저장부는
   상기 LoRa IoT 센서에 대응되는 하나 이상의 특성정보를 포함하는, 관리 방법.
   
3. 제2항에 있어서,
   상기 특성정보는
   상기 LwM2M 서버에 적용될 수 있는 데이터 객체(object)로 구성되는, 관리 방법.
   
4. 제3항에 있어서,
   LwM2M 클라이언트로부터 상기 센서의 제어명령을 획득하는 단계; 및
   상기 제어명령에 근거하여 상기 특성정보를 획득하고, 상기 특성정보에 근거하여 상기 LoRa IoT 센서를 제어하는 단계;
   를 더 포함하는, 관리 방법.
   
5. 제3항에 있어서,
   상기 특성정보를 건축물 모니터링용 센서 이상치 탐지시스템으로 전송하는 단계;
   를 더 포함하는, 관리 방법.
   
6. 제5항에 있어서,
   상기 건축물 모니터링용 센서 이상치 탐지시스템은
   상기 특성정보로부터 얻어진 자료값을 오름차순으로 정렬하는 정렬부;
   정렬된 자료값을 설정된 비율로 분할하여 경계구간을 설정하는 구간설정부;
   상기 경계구간을 벗어나는 자료값을 제1이상치로 정의하여 저장하는 제1검출모듈;
   상기 자료값을 정규분포화하고, 표준정규분포를 참고하여 설정된 신뢰수준에서 검정하여 제2이상치를 추출 및 저장하는 제2검출모듈;
   상기 제1이상치 및 제2이상치 개수의 상한을 설정하고 검정통계량을 계산하는 검정통계부;
   상기 검정통계량과 비교할 임계값을 설정하는 임계값설정부;
   상기 검정통계량이 설정된 임계값보다 클 경우 제3이상치로 정의하여 저장하는 제3검출모듈;
   isolation forest 알고리즘을 이용하여 이상치 점수를 계산하는 점수계산부;
   이상치의 비율을 설정하고 설정된 비율에 맞는 이상치 점수 자료값을 제4이상치로 정의하여 저장하는 제4검출모듈;
   상기 제1이상치, 제2이상치, 제3이상치, 제4이상치에 근거하여, 원본 자료값 및 이상치 자료값을 제거한 데이터셋을 대상으로 엔트로피를 계산하는 엔트로피계산부;
   상기 엔트로피의 변동을 확률변동 관점으로 재해석하는 해석부; 및
   설정된 값과 확률변동을 비교하여 이상치 추출의 양호를 판단하는 검증모듈;을 포함하는, 관리 방법.
   

Images