KR20230167872A - 엣지 컴퓨팅 환경 내 딥러닝 기법을 활용한 오차예측 기반 데이터 전송주기제어 프레임워크 방법 및 시스템 - Google Patents

엣지 컴퓨팅 환경 내 딥러닝 기법을 활용한 오차예측 기반 데이터 전송주기제어 프레임워크 방법 및 시스템 Download PDF

Info

Publication number
KR20230167872A
KR20230167872A KR1020220068029A KR20220068029A KR20230167872A KR 20230167872 A KR20230167872 A KR 20230167872A KR 1020220068029 A KR1020220068029 A KR 1020220068029A KR 20220068029 A KR20220068029 A KR 20220068029A KR 20230167872 A KR20230167872 A KR 20230167872A
Authority
KR
South Korea
Prior art keywords
data transmission
transmission cycle
data
energy consumption
accuracy
Prior art date
Application number
KR1020220068029A
Other languages
English (en)
Inventor
최준균
한재섭
이경호
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 KR1020220068029A priority Critical patent/KR20230167872A/ko
Publication of KR20230167872A publication Critical patent/KR20230167872A/ko

Links

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
    • H04L67/62—Establishing a time schedule for servicing the requests
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/20—Information sensed or collected by the things relating to the thing itself
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y30/00—IoT infrastructure
    • 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
    • H04L67/04—Protocols specially adapted for terminals or networks with limited capabilities; specially adapted for terminal portability
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)

Abstract

엣지 컴퓨팅 환경 내 딥러닝 기법을 활용한 오차예측 기반 데이터 전송주기제어 방법 및 장치가 제시된다. 본 발명에서 제안하는 엣지 컴퓨팅 환경 내 딥러닝 기법을 활용한 오차예측 기반 데이터 전송주기제어 시스템은 IoT 센서를 통해 측정된 시계열 데이터를 전송하고 통신 프로토콜을 통해 새롭게 업데이트된 데이터 전송 주기 값을 수신하는 통신부, 상기 IoT 센서의 측정 데이터를 저장하는 데이터베이스, 상기 데이터 전송 주기 값에 따른 대체 정확도를 예측하는 대체 정확도 예측모듈, 상기 데이터 전송 주기 값에 따른 IoT 센서의 에너지 소비량을 예측하는 에너지 소비 예측모듈 및 상기 대체 정확도 및 상기 에너지 소비량에 따라 최소최대 최적화 문제를 해결하기 위한 견고한 데이터 전송 주기 값을 계산하는 로버스트 데이터 전송주기 제어모듈을 포함한다.

Description

엣지 컴퓨팅 환경 내 딥러닝 기법을 활용한 오차예측 기반 데이터 전송주기제어 프레임워크 방법 및 시스템{Transmission Period Control Framework based on Error Prediction using Deep Learning Techniques in Edge Computing Environment}
본 발명은 엣지 컴퓨팅 환경 내 딥러닝 기반의 데이터 복원오차 예측을 기반으로 IoT 단말의 데이터 전송주기를 제어하는 방법 및 시스템에 관한 것이다.
무선 통신과 스마트 장치 기술의 급속한 발전은 스마트 홈, 스마트 시티, 스마트 헬스케어를 포함한 다양한 영역에서 보다 지능적이고 구조화된 사물 인터넷(Internet of Things; IoT) 어플리케이션을 촉진한다. 이러한 IoT 어플리케이션에서는 IoT 센서로부터 대량의 시계열 데이터(예를 들어, 온도, 습도, 스마트 미터 등)를 균일하게 수집 및 분석하여 다양한 실제 현상에 대한 지속적인 모니터링 서비스를 제공하여 사용자가 모니터링하는 환경과 관련된 위험을 감지할 수 있도록 지원한다. 여기서는 일반적으로 쿼리 중심, 이벤트 중심, 시간 중심의 세 가지 데이터 전송 모델이 고려된다. 구체적으로는 특정 영역의 특정 조건을 감시하고 정기적으로 데이터를 IoT 서버로 반송하는 시간 중심 모델은 일반적으로 특정 관심 영역 내의 긴급 및 위기 대응 감지를 지원하는 것으로 간주된다.
IoT 시스템의 여러 기술적 과제 중 IoT 센서의 에너지 절약은 제한된 배터리 용량으로 인해 문제가 되고 있다. 일반적인 시간 중심 모델에서는 신뢰할 수 있는 IoT 서비스를 지원하기 위해 짧은 시간 간격 내에 엄청난 IoT 센서에서 대규모 측정이 생성된다. 이 경우 방대한 양의 측정치는 대부분 시간적, 공간적 중복 기록으로 구성되기 때문에 이러한 중복 데이터를 일정한 주기적 방식으로 전송하면 IoT 센서의 수명이 불필요하게 단축된다.
이러한 맥락에서, 데이터 전송 주기의 증가는 에너지 소비량이 가장 높은 작업인 반복 데이터 전송을 줄임으로써 IoT 센서의 에너지 소비를 절약할 수 있게 한다. 그러나, 부작용으로서 송신되지 않은 데이터(즉, 결측치)의 양이 확대되어, 일반적으로 이러한 결측 데이터의 대체는 신뢰할 수 있는 데이터 분석에 필요하다. 이 작업은 데이터 패턴에 크게 의존하는 작업으로 정의되었다. 따라서 IoT 센서의 에너지 절약 이득이 데이터 분석의 정확도 손실로 상쇄되지 않도록 데이터 전송 주기를 세심하게 제어할 필요가 있다.
이러한 문제는 최근 통신 압축으로 알려진 적응형 데이터 전송 주기 제어 메커니즘에 대한 다양한 연구에 동기를 부여하고 있다. 종래기술에서, 추정값에서 상당히 벗어난 측정값만 전송하면 되는 데이터 예측 기반 전송 주기 제어 전략을 제안했다. 이러한 접근 방식은 데이터셋의 편차가 클 때 효율성이 떨어진다. 이러한 제한을 해결하는 한 가지 방법은 예측 모델이 아닌 데이터셋의 분산을 고려하여 데이터 전송을 제어하는 것이다. 이러한 통계 기반 방법과는 달리, 딥 러닝 기법은 데이터셋의 복잡한 링크나 연관성을 보다 정확하게 발견할 수 있기 때문에, 딥 러닝에 기반한 데이터 전송 주기 제어 방법론이 최근에 도입되었다.
또 다른 종래기술에서 다변량 시계열 데이터 간의 시공간적 상관관계를 학습하기 위한 컨볼루션 신경망(Convolutional Neural Network; CNN) 모델을 사용하여 복수의 센서에 대한 적응형 데이터 전송 주기 값을 구한다. 또 다른 종래기술에서 IoT 센서가 예측할 수 없는 순간에 측정을 예약할 수 있는 심층 강화 학습에서 피셔(Fisher) 정보 기반 보상 함수를 새롭게 설계했다. 또 다른 종래기술에서는 연속 측정 간의 차이가 임계값보다 작음을 보장하기 위해 적응형 데이터 전송 정책을 학습하는 Q-러닝 알고리즘이 활용되었다. 여기에서는, 전송 주기의 확대에 의한 결측 데이터 대체 작업이 적절히 고려되지 않았다. 데이터 전송 주기 제어 중에는 데이터 포인트가 균일하게 수집되지 않기 때문에 수집된 데이터셋에 시간적 불연속성이 존재하는 것이 명백하다. 따라서 데이터셋의 결측값을 관련 대체 절차를 사용하여 정밀하게 재구성할 것을 필요로 한다.
[1] A. Jain and E. Y. Chang, "Adaptive sampling for sensor networks," in Proceeedings of the 1st international workshop on Data management for sensor networks: in conjunction with VLDB 2004, 2004, pp. 10-16. [2] U. Kulau, J. van Balen, S. Schildt, F. Busching, and ¨ L. Wolf, "Dynamic sample rate adaptation for long-term iot sensing applications," in 2016 IEEE 3rd World Forum on Internet of Things (WF-IoT). IEEE, 2016, pp. 271- 276. [3] J. Azar, A. Makhoul, M. Barhamgi, and R. Couturier, "An energy efficient iot data compression approach for edge machine learning," Future Generation Computer Systems, vol. 96, pp. 168-175, 2019. [4] C. Luo, F. Wu, J. Sun, and C. W. Chen, "Compressive data gathering for large-scale wireless sensor networks," in Proceedings of the 15th annual international conference on Mobile computing and networking, 2009, pp. 145-156. [5] F. Fazel, M. Fazel, and M. Stojanovic, "Random access compressed sensing for energy-efficient underwater sensor networks," IEEE Journal on Selected Areas in Communications, vol. 29, no. 8, pp. 1660-1670, 2011. [6] V. Abolghasemi and M. H. Anisi, "Compressive sensing for remote flood monitoring," IEEE Sensors Letters, vol. 5, no. 4, pp. 1-4, 2021. [7] R. Du, L. Gkatzikis, C. Fischione, and M. Xiao, "Energy efficient sensor activation for water distribution networks based on compressive sensing," IEEE Journal on Selected Areas in Communications, vol. 33, no. 12, pp. 2997-3010, 2015. [8] T. Kim, D. Qiao, and W. Choi, "Energy-efficient scheduling of internet of things devices for environment monitoring applications," in 2018 IEEE International Conference on Communications (ICC). IEEE, 2018, pp. 1-7. [9] B. Yener, M. Magdon-Ismail, and F. Sivrikaya, "Joint problem of power optimal connectivity and coverage in wireless sensor networks," Wireless Networks, vol. 13, no. 4, pp. 537-550, 2007. [13] G. Li and Y. Wang, "Automatic arima modeling-based data aggregation scheme in wireless sensor networks," EURASIP Journal on Wireless Communications and Networking, vol. 2013, no. 1, pp. 1-13, 2013. [11] A. Makhoul, H. Harb, and D. Laiymani, "Residual energy-based adaptive data collection approach for periodic sensor networks," Ad Hoc Networks, vol. 35, pp. 149-160, 2015. [12] C. Salim, A. Makhoul, R. Darazi, and R. Couturier, "Adaptive sampling algorithms with local emergency detection for energy saving in wireless body sensor networks," in NOMS 2016-2016 IEEE/IFIP Network Operations and Management Symposium. IEEE, 2016, pp. 745-749. [13] J. Han, G. H. Lee, S. Park, J. Lee, and J. K. Choi, "A multivariate time series prediction-based adaptive data transmission period control algorithm for iot networks," IEEE Internet of Things Journal, pp. 1-1, 2021. [14] G. M. Dias, M. Nurchis, and B. Bellalta, "Adapting sampling interval of sensor networks using on-line reinforcement learning," in 2016 IEEE 3rd World Forum on Internet of Things (WF-IoT). IEEE, 2016, pp. 460- 465. [15] A. Murad, F. A. Kraemer, K. Bach, and G. Taylor, "Information-driven adaptive sensing based on deep reinforcement learning," in Proceedings of the 10th International Conference on the Internet of Things, 2020, pp. 1-8. [16] A. Vaswani, N. Shazeer, N. Parmar, J. Uszkoreit, L. Jones, A. N. Gomez, ￡. Kaiser, and I. Polosukhin, "Attention is all you need," in Advances in neural information processing systems, 2017, pp. 5998-60 [17] W. Kim and I. Jung, "Smart sensing period for efficient energy consumption in iot network," Sensors, vol. 19, no. 22, p. 4915, 2019.
본 발명이 이루고자 하는 기술적 과제는 결측 데이터 재구성의 에너지 소비량과 추정 정확도 수준을 고려하여 데이터 전송 주기를 적응적으로 제어하는 IoT 엣지 컴퓨팅 시스템에서 새로운 딥 러닝 기반의 강력한 IoT 데이터 전송 주기 제어(Deep Learning-based Robust Internet of Things (IoT) sensor Data Transmission Period Control; DL-RDTPC) 프레임워크를 새롭게 제안한다.
일 측면에 있어서, 본 발명에서 제안하는 엣지 컴퓨팅 환경 내 딥러닝 기법을 활용한 오차예측 기반 데이터 전송주기제어 시스템은 IoT 센서를 통해 측정된 시계열 데이터를 전송하고 통신 프로토콜을 통해 새롭게 업데이트된 데이터 전송 주기 값을 수신하는 통신부, 상기 IoT 센서의 측정 데이터를 저장하는 데이터베이스, 상기 데이터 전송 주기 값에 따른 대체 정확도를 예측하는 대체 정확도 예측모듈, 상기 데이터 전송 주기 값에 따른 IoT 센서의 에너지 소비량을 예측하는 에너지 소비 예측모듈 및 상기 대체 정확도 및 상기 에너지 소비량에 따라 최소최대 최적화 문제를 해결하기 위한 견고한 데이터 전송 주기 값을 계산하는 로버스트 데이터 전송주기 제어모듈을 포함한다.
상기 대체 정확도 예측모듈은 상기 데이터 전송 주기 값에 따른 대체 정확도를 예측하기 위해 결측 데이터 대체 알고리즘, 데이터 전송 주기 정보 및 시계열 데이터 패턴에 따라 딥 러닝 기술을 활용하여 대체 정확도를 예측한다.
상기 대체 정확도 예측모듈은 대체 정확도를 예측하기 위해 입력 시계열 데이터와 대체값 사이의 관계를 학습하는 적층형 양방향 장기 단기 메모리(Bidirectional Long Short Term Memory; Bi-LSTM) 모델을 통해 입력 데이터를 순방향 은닉 계층 및 역방향 은닉 계층으로 양방향 처리하고, 상기 적층형 양방향 장기 단기 메모리 각 계층에서 결측 간격을 기반으로 결측 데이터 대체를 순차적으로 수행하여 상기 적층형 양방향 장기 단기 메모리 모델의 출력 벡터가 대체 정확도를 예측하기 위해 제공되는 상기 결측 데이터 대체 알고리즘을 이용한다.
상기 대체 정확도 예측모듈은 데이터 전송 주기의 인코딩 네트워크에서의 학습된 가중치 값과 바이어스 값을 이용하여 결측 간격에 따른 입력 서브시퀀스를 정의하고, 상기 입력 서브시퀀스에 따른 상기 데이터 전송 주기 정보를 인코딩한다.
상기 대체 정확도 예측모듈은 복수의 컨볼루션 필터를 사용하여 시계열 데이터에 존재하는 복수의 특성에 맞게 각각의 컨볼루션 헤드를 조정하는 다중 헤드 신경망 모델을 통해 입력 데이터를 사용하여 시계열 데이터 패턴과 관련된 특징 추출을 수행한다.
상기 에너지 소비 예측모듈은 상기 IoT 센서의 데이터 전송 주기가 적응적으로 변함에 따라 조정되는 상기 IoT 센서의 데이터 전송 횟수에 기초하여 동적으로 변화하는 상기 IoT 센서의 에너지 소비량을 예측한다.
상기 에너지 소비 예측모듈은 데이터를 균일한 주기로 전송하는 IoT 센서의 전체 에너지 소비량 및 IoT 센서의 단일 데이터 전송에 필요한 에너지 소비량의 마이너스 값을 이용한 선형 근사 에너지 소비 함수를 통해 IoT 센서의 에너지 소비량과 데이터 전송 주기 간의 관계를 분석한다.
상기 로버스트 데이터 전송주기 제어모듈은 상기 에너지 소비량 및 상기 대체 정확도의 오차의 최대치에 관한 함수를 이용하여 상기 데이터 전송 주기 값을 계산한다.
상기 로버스트 데이터 전송주기 제어모듈은 데이터 전송 주기의 최소값과 최대값 및 대체 정확도의 기여도를 이용하여 상기 대체 정확도에 따른 데이터 전송 주기 조절을 수행하고, 데이터 전송 주기에 따른 복원 오차율을 고려함으로써 안정적 성능을 확보하며, 불필요한 데이터 정보 수집을 방지하여 에너지 소모량을 감소시킨다.
또 다른 일 측면에 있어서, 본 발명에서 제안하는 엣지 컴퓨팅 환경 내 딥러닝 기법을 활용한 오차예측 기반 데이터 전송주기제어 방법은 통신부가 IoT 센서를 통해 측정된 시계열 데이터를 전송하고 통신 프로토콜을 통해 새롭게 업데이트된 데이터 전송 주기 값을 수신하는 단계, 상기 IoT 센서의 측정 데이터를 PCES의 데이터베이스에 저장하는 단계, 상기 PCES의 대체 정확도 예측모듈이 상기 데이터 전송 주기 값에 따른 대체 정확도를 예측하는 단계, 상기 PCES의 에너지 소비 예측모듈이 상기 데이터 전송 주기 값에 따른 IoT 센서의 에너지 소비량을 예측하는 단계 및 상기 PCES의 로버스트 데이터 전송주기 제어모듈이 상기 대체 정확도 및 상기 에너지 소비량에 따라 최소최대 최적화 문제를 해결하기 위한 견고한 데이터 전송 주기 값을 계산하는 단계를 포함한다.
본 발명의 실시예들에 따르면 IoT 엣지 컴퓨팅 시스템에서 새로운 딥 러닝 기반의 강력한 IoT 데이터 전송 주기 제어(Deep Learning-based Robust Internet of Things (IoT) sensor Data Transmission Period Control; DL-RDTPC) 프레임워크를 통해 결측 데이터 재구성의 에너지 소비량과 추정 정확도 수준을 고려하여 데이터 전송 주기를 적응적으로 제어할 수 있다. IoT 센서에 가까운 네트워크 코어에서 네트워크 엣지로 클라우드 컴퓨팅 서비스를 푸시할 수 있는 이러한 IoT 에지 컴퓨팅 아키텍처는 네트워크 접속 품질에 대한 의존도를 줄임으로써 지연에 민감한 IoT 어플리케이션을 지원할 수 있다. 한편, 데이터 전송 주기를 효과적으로 제어함으로써 중복 데이터 전송을 배제하고 IoT 시스템 전체의 에너지 효율을 한층 향상시킬 수 있다. IoT 서버는 데이터 전송 주기 제어로 손실된 데이터를 정확하게 복구할 수 있는 동시에 IoT 센서의 에너지 소비를 줄일 수 있는 강력한 데이터 전송 주기 제어 방식을 도입한다.
도 1은 본 발명의 일 실시예에 따른 엣지 컴퓨팅 환경 내 딥러닝 기법을 활용한 오차예측 기반 데이터 전송주기제어 시스템의 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 엣지 컴퓨팅 환경 내 딥러닝 기법을 활용한 오차예측 기반 데이터 전송주기제어 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 대체 정확도(압축 감지 기반 전가 프로세스) 및 데이터 패턴 간의 관계를 나타내는 도면이다.
도 4는 본 발명의 일 실시예에 따른 적층형 양방향 장기 단기 메모리 셀 아키텍처를 나타내는 도면이다.
도 5는 본 발명의 일 실시예에 따른 주기 정보 인코딩 신경망을 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 다중 헤드 1D CNN 아키텍처를 나타내는 도면이다.
도 7은 본 발명의 일 실시예에 따른 대체 정확도 예측모듈을 설명하기 위한 도면이다.
본 발명은 IoT 엣지 컴퓨팅 시스템에서 새로운 딥 러닝 기반의 강력한 사물 인터넷 센서 데이터 전송 주기 제어(Deep Learning-based Robust Internet of Things (IoT) sensor Data Transmission Period Control; DL-RDTPC) 프레임워크를 제안한다. 일반적으로 IoT 센서의 데이터 전송 주기가 증가함에 따라 IoT 센서의 에너지 소비량이 감소하고 반대로 미송신 데이터량(즉, 결측치)이 지속적으로 축적된다. 따라서, IoT 서버는 이러한 결측 데이터를 정확하게 귀속시켜 신뢰할 수 있는 데이터 분석을 수행한다. 이 문제를 해결함으로써 귀속정도와 데이터 전송 주기 간의 복잡한 관계를 포착하여 귀속정도를 정확하게 추정하는 대체 정확도 예측(Imputation Accuracy Prediction; IAP) 모듈을 새롭게 설계한다. IAP를 구축하기 위해 스택형 양방향 장기 메모리(Bidirectional Long Short Term Memory; Bi-LSTM) 모델, 다중헤드 컨볼루션 뉴럴 네트워크(CNN) 및 뉴럴 네트워크 기반 주기 정보 인코딩 네트워크(Period Information Encoding Network; PIEN)를 포함한 3개의 서브 모듈을 이용한다. 데이터 전송 주기에 관한 대체 정확도와 에너지 소비 간의 균형을 맞추기 위해 해석 모델로부터 얻을 수 있는 IoT 센서의 에너지 소비 및 IAP 모듈로부터 예측되는 대체 정확도의 최대값을 최소화하기 위해 다목적 최적화 문제를 공식화한다. 따라서, 이분(bisection) 검색 알고리즘을 이용하여 최적의 솔루션을 얻을 수 있다. 광범위한 성능 평가를 통해 제안된 RDTPC 알고리즘의 효과를 다른 종래기술들과의 비교를 위해 평균 에너지 소비량(최대 85% 절감)과 결측 데이터 대체 정확도(최대 58% 감소) 모두에서 검증한다. 이하, 본 발명의 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다.
특정 환경에서 언제 어디서 무엇을 측정해야 하는지 문제를 해결하고 수집된 데이터를 중앙 IoT 서버에 보고하여 IoT 서비스의 품질(예를 들어, 지능형 의사 결정 및 센서 배터리 관리)을 제공하는 효율적인 시계열 데이터 수집은 스마트 모니터링 어플리케이션의 가장 큰 과제 중 하나이다[13]. 따라서 상당한 양의 문헌이 데이터 수집 기법에 초점을 맞추고 있다. 감지 활동량을 줄이면 불필요한 데이터 샘플링을 방지하여 IoT 센서의 에너지 소비를 크게 줄일 수 있다.
종래기술[1]에서는 칼만-필터(Kalman-Filter)의 추정 오차를 이용하여 주어진 범위 내에서 적응적으로 샘플링 속도를 조정했다. 샘플링 비율이 범위를 위반하면 IoT 서버는 모든 센서에 대해 칼만-필터 추정 오류가 최소화된다는 제약 하에 새로운 샘플링 비율을 할당한다. 종래기술[2]은 금융 수학에서 일반적으로 사용되는 볼린저(Bollinger) 대역의 일반적인 개념에 기초한 동적 샘플 속도 적응 방법론을 제안했다. 여기서, 적절한 샘플링 속도를 달성하기 위해 측정된 데이터 자체의 경향에만 의존했고 스마트 팜 분야에서 실제 측정을 사용하여 이 접근법의 효과를 보여주었다. 종래기술[3]의 분석을 위해 생리학적 데이터를 지속적으로 샘플링하는 운전자 행동 모니터링과 스트레스 감지 사례를 고려했다. 이들은 대량의 데이터셋에 오차 범위 SZ 손실 압축을 적용하여 IoT 센서의 측정 데이터 양을 줄여 센서의 수명을 늘릴 수 있음을 보여주었다.
희소성을 이용하여 데이터 수집과 데이터 압축(즉, 푸리에, 이진 또는 가우스 등의 랜덤 측정 매트릭스)을 결합하는 압축 감지(Compressive Sensing; CS)가 새로운 샘플링 접근법으로 개발되었다. 데이터 수집량이 감소된 범위 내에서 통계적 상관 관계만 사용하여 원래 데이터를 올바르게 복구할 수 있다. 종래기술[4]은 공간적으로 상관관계가 있는 대규모 무선 센서 네트워크에서 CS 기반의 에너지 효율적 데이터 수집 방법을 제안했다. 여기서 각 센서는 체인형 토폴로지의 하위 트리에서 모든 판독치의 가중치 합계를 포함하는 메시지를 전송하고 서버는 CS를 이용하여 개별 판독치를 정확하게 복원할 수 있다. 종래기술[5]에서, 측정된 데이터가 주파수 영역에서 압축 가능한 표현을 가지고 있다고 가정할 때, 압축 감지 이론에 의해 결정된 특정 최소 수의 랜덤 측정을 사용함으로써 성공적인 에너지 절약과 데이터 재구성을 달성했다.
종래기술[6]은 압축 감지에 의해 가능한 에너지 효율적인 원격 홍수 모니터링 시스템을 연구했다. 수위 데이터는 일반적으로 변동이 적고 홍수 발생 시 급상승하므로 압축 감지 기반 블록 희소 샘플 추출과 데이터 변동을 측정하는 경사도 함수라는 두 가지 방법을 고려했다. 앞서 설명한 데이터 샘플링 압축 방식은 데이터를 압축 및 복구하는 효과적인 방법이지만, 자원 제약 IoT 센서는 측정된 데이터를 자체적으로 압축해야 하므로 계산 오버헤드와 에너지 소비량이 증가한다.
데이터 전송은 IoT 센서의 에너지 소비에서 지배적인 요소 중 하나로 알려져 왔다. 이에 따라 IoT 센서의 데이터 전송을 효율적으로 제어함으로써 IoT 센서의 수명을 연장하기 위한 여러 연구가 수행되었다.
종래기술[7]은 IoT 수위 모니터링 시나리오에서 에너지 효율이 뛰어난 무선 센서 노드의 활성화 체계를 설계했다. 이 시나리오에서 네트워크 수명 증가와 노드 장애에 대한 견고성을 확보하기 위해 최대 정규화된 잔류 에너지를 가진 최소의 IoT 센서를 활성화했다.
종래기술[8]은 최적의 센서 활성화 스케줄링 알고리즘을 제안했다. 네트워크를 마르코프 프로세스로 모델링하여 어플리케이션 요구 사항을 충족하기 위해 최소 활성화 센서 수를 계산했다. 그런 다음 클러스터 수명을 극대화하기 위해 잔류 에너지를 고려하여 각 센서 활성화/수면 일정을 설정하는 최적의 계획을 제시하였다.
종래기술[9]에서, 감지 범위와 통신 연결을 보장하는 제약 조건 하에서 각 센서 노드의 전력 소비 최소화 문제를 다루었다. 오프 상태, 감지/수신 상태 및 전송 상태에 있을 확률은 마르코프 확률 프로세스에 의해 모델링되었으며, 정상 상태 확률을 고려할 때 IoT 센서의 예상되는 전력 소비 최소화 문제를 해결하였다.
또한, 데이터 측정의 품질에 기초하여, 적응형 데이터 전송 주기 제어 기술이 제안되었다. 일반적으로 사용되는 접근법은 데이터 값이 사전 정의된 임계값을 벗어날 때 IoT 센서가 데이터를 서버에 보고할 수 있도록 하는 것이다.
종래기술[13]은 무선 센서 네트워크에서 자동 자기 회귀 통합 이동 평균(Autoregressive Integrated Moving Average; ARIMA) 모델링 기반 데이터 수집 체계를 제안했다. IoT 센서는 감지된 값을 ARIMA 기반 예측 값과 비교한다. 이들 사이의 차이가 미리 정의된 임계값보다 클 경우 감지된 값을 서버로 보낸다. 그렇지 않으면 IoT 센서는 예측값을 저장하고 데이터를 서버로 전송하지 않는다. 이러한 방법은 분산이 작은 센서 데이터에 유리하지만 들어오는 데이터의 분산이 높을 때는 최선의 선택이 아닐 수 있다.
종래기술[11]에 제시된 다른 접근방식은 수집된 데이터의 분산, 어플리케이션 중요도 수준 및 잔류 에너지 수준을 고려하여 각 IoT 센서가 데이터 전송 주기를 조정할 수 있도록 한다. 이들은 특히 잔류 에너지에 따라 최대 데이터 전송 주기가 달라질 수 있도록 설계했다.
종래기술[12] 데이터 분산 기반 적응형 데이터 전송 주기 제어 알고리즘을 제안했다. 여기서, 수집된 측정값에 높은 변동이 있는지 여부를 감지하기 위해 Fisher 테스트를 사용한 분산 분석 모형을 적용했다. 높은 변동이 검출되면 데이터 전송 주기가 감소하여 중요한 조치를 놓치는 것을 방지하고, 분산이 임계값보다 작을 때는 반대로 데이터 전송 주기를 증가시킨다.
종래기술에 따른 통계 분석 기반 데이터 전송 주기 제어는 시계열 데이터의 복잡한 관계를 관찰할 수 없으며, 이는 신뢰할 수 없는 결과를 초래할 수 있다. 따라서, 종래기술[13]은 CNN 예측 기반의 적응형 데이터 전송 주기 제어 알고리즘을 제안한다. 여기서, 시공간 상관 관계 기반 입력 데이터 정렬 체계를 고려하고 다음 단계 데이터를 정확하게 예측하기 위해 기계 학습 모델을 활용했다. 그리고 예측 센서 값과 실제 판독값을 비교하여 제안된 데이터 전송 주기 값을 구하였다.
종래기술[14]은 Q-러닝 알고리즘을 사용하여 적응형 데이터 전송 주기 제어 정책을 학습하여 환경 변화를 놓치지 않으면서 전력 소비를 최소화했다. 여기서, 강화 학습에서 다음과 같은 세 가지 기본 개념을 정의했다. 상태가 가능한 데이터 전송 주기 값의 범위이며, 연속 측정의 차이가 사전 정의된 임계값 내에 있다는 제약에 따라 전송 속도가 되는 보상을 피한다(데이터 간격이 기준 주기의 4배인 경우 보상을 4로 설정한다).
또한, 종래기술[15]은 데이터 전송 주기 제어 정책 작성에 심층 강화 학습을 활용했다. 여기서 더 많은 일반화를 달성하기 위해 피셔(Fisher) 정보 기반 보상 함수를 제시했다. 이에 따라 강력한 기계 학습 기술을 활용하여 적절한 데이터 전송 주기를 얻었지만 데이터 전송 주기 값을 얻기 위해 에너지 소비와 데이터 품질 중 하나의 메트릭만(둘 다 동시는 아님) 고려하였다. 또한 데이터 전송 주기 제어 중에 수집된 데이터셋에는 시간적 불연속성이 존재하므로 데이터셋의 이러한 결측 값은 관련 대체 프로세스를 사용하여 적절하게 재구성되어야 한다. 그럼에도 불구하고, 데이터 전송 주기 제어에서 파생된 결측 데이터 대체 태스크는 고려되지 않았다.
따라서 본 발명에서는 결측 데이터 대체의 에너지 소비량과 추정 정확도 수준을 동시에 고려하여 적응형 데이터 전송 주기 제어 방법을 제안한다.
본 발명의 실시예에 따르면, IoT 네트워크의 에너지 소비와 불필요한 데이터 전송을 모두 줄이는 IoT 에지 컴퓨팅 환경에서 딥 러닝 기반의 강력한 IoT 데이터 전송 주기 제어(DL-RDTPC) 프레임워크를 새롭게 제안한다.
RMSE 측면에서 결측 데이터 대체 알고리즘의 추정 정확도 수준은 제안된 데이터 전송 주기를 얻기 위해 주로 활용된다. 이 정확도 수준을 정확하게 예측하기 위해 스택형 BiLSTM 모델, 다중 헤드 CNN 및 주기 정보 인코딩 네트워크(Period Information Encoding Network; PIEN)의 세 가지 주요 구성 요소로 구성된 대체 정확도 예측(Imputation Accuracy Prediction; IAP) 모듈을 의도적으로 구축한다. Bi-LSTM과 CNN 모델을 모두 결합한 이 아키텍처는 모든 유형의 시계열 데이터에서 시간적 및 공간적 특징을 추출하는 데 널리 사용되는 방법이며, 주기 정보 인코딩 네트워크는 종래기술[16]에서 영감을 얻어 추가로 채택된다.
특히 대체 정확도와 에너지 소비 간의 균형을 맞추기 위해 IAP 모듈의 대체 정확도 예측과 분석 모델에서 얻은 에너지 소비값의 최대값을 최소화하는 다목적 최적화 문제를 공식화한다. 종래기술[17]과 같이 데이터 전송 주기에 대한 IoT 센서의 에너지 소비 경향을 나타내는 선형 해석 모델을 이용한다.
일반적으로 NP-hard인 혼합 정수 프로그래밍 문제에 정의된 문제를 연속적 완화를 통해 볼록 문제로 변환하여 이분(bisection) 검색 방법을 적용하여 최적의 솔루션을 얻는다.
광범위한 성능 평가를 통해 제안된 RDTPC 알고리즘의 뛰어난 성능은 다른 벤치마크에 비해 평균 에너지 소비량(최대 85% 절감)과 결측 데이터 대체 정확도(최대 58% 감소) 모두에서 달성되는 것으로 나타났다.
본 발명에서는 IoT 에지 컴퓨팅 환경에서 제안된 RDTPC 알고리즘의 실제 구현에 대해 설명한다. 여기서 실용적인 IoT 노드는 HTTP 요구를 사용하여 IEEE 802.11 기반의 WLAN 통신 프로토콜에 따라 주기 제어 에지 서버(Priod Cntrol Ege Server; PCES)에 시계열 데이터를 전송하고 PCES는 RDTPC 알고리즘에 의해 업데이트된 새로운 주기 값을 전송한다.
도 1은 본 발명의 일 실시예에 따른 엣지 컴퓨팅 환경 내 딥러닝 기법을 활용한 오차예측 기반 데이터 전송주기제어 시스템의 구성을 나타내는 도면이다.
제안하는 엣지 컴퓨팅 환경 내 딥러닝 기법을 활용한 오차예측 기반 데이터 전송주기제어 시스템(110)은 통신부(111), 데이터베이스(112), 대체 정확도 예측모듈(113), 에너지 소비 예측모듈(114) 및 로버스트 데이터 전송주기 제어모듈(115)를 포함한다.
본 발명의 일 실시예에 따른 통신부(111)는 IoT 센서(120)를 통해 측정된 시계열 데이터를 전송하고 통신 프로토콜을 통해 새롭게 업데이트된 데이터 전송 주기 값을 수신한다.
본 발명의 실시예에 따른 통신부(111)는 복수의 IoT 센서(120)를 통해 측정된 시계열 데이터를 전송하고 통신 프로토콜(Communication Protocol)을 통해 새롭게 업데이트된 데이터 전송 주기 값을 수신한다.
본 발명의 일 실시예에 따른 데이터베이스(112)는 IoT 센서의 측정 데이터를 저장한다.
본 발명의 실시예에 따른 단일 주기 제어 에지 서버(Single Period Control Eedge Server; PCES)(110)는 IoT 센서의 측정 데이터를 자체 데이터베이스(112)에 저장한다.
본 발명의 일 실시예에 따른 대체 정확도 예측모듈(113)은 상기 데이터 전송 주기 값에 따른 대체 정확도를 예측한다.
본 발명의 일 실시예에 따른 대체 정확도 예측모듈(113)은 상기 데이터 전송 주기 값에 따른 대체 정확도를 예측하기 위해 결측 데이터 대체 알고리즘, 데이터 전송 주기 정보 및 시계열 데이터 패턴에 따라 딥 러닝 기술을 활용하여 대체 정확도를 예측한다.
본 발명의 일 실시예에 따른 대체 정확도 예측모듈(113)은 대체 정확도를 예측하기 위해 입력 시계열 데이터와 대체값 사이의 관계를 학습하는 적층형 양방향 장기 단기 메모리(Bidirectional Long Short Term Memory; Bi-LSTM) 모델을 통해 입력 데이터를 순방향 은닉 계층 및 역방향 은닉 계층으로 양방향 처리하고, 상기 적층형 양방향 장기 단기 메모리 각 계층에서 결측 간격을 기반으로 결측 데이터 대체를 순차적으로 수행하여 상기 적층형 양방향 장기 단기 메모리 모델의 출력 벡터가 대체 정확도를 예측하기 위해 제공되는 상기 결측 데이터 대체 알고리즘을 이용한다.
본 발명의 일 실시예에 따른 대체 정확도 예측모듈(113)은 데이터 전송 주기의 인코딩 네트워크에서의 학습된 가중치 값과 바이어스 값을 이용하여 결측 간격에 따른 입력 서브시퀀스를 정의하고, 상기 입력 서브시퀀스에 따른 상기 데이터 전송 주기 정보를 인코딩한다.
본 발명의 일 실시예에 따른 대체 정확도 예측모듈(113)은 복수의 컨볼루션 필터를 사용하여 시계열 데이터에 존재하는 복수의 특성에 맞게 각각의 컨볼루션 헤드를 조정하는 다중 헤드 신경망 모델을 통해 입력 데이터를 사용하여 시계열 데이터 패턴과 관련된 특징 추출을 수행한다.
본 발명의 일 실시예에 따른 에너지 소비 예측모듈(114)은 상기 데이터 전송 주기 값에 따른 IoT 센서의 에너지 소비량을 예측한다.
본 발명의 일 실시예에 따른 에너지 소비 예측모듈(114)은 IoT 센서의 데이터 전송 주기가 적응적으로 변함에 따라 조정되는 상기 IoT 센서의 데이터 전송 횟수에 기초하여 동적으로 변화하는 상기 IoT 센서의 에너지 소비량을 예측한다.
본 발명의 일 실시예에 따른 에너지 소비 예측모듈(114)은 데이터를 균일한 주기로 전송하는 IoT 센서의 전체 에너지 소비량 및 IoT 센서의 단일 데이터 전송에 필요한 에너지 소비량의 마이너스 값을 이용한 선형 근사 에너지 소비 함수를 통해 IoT 센서의 에너지 소비량과 데이터 전송 주기 간의 관계를 분석한다.
본 발명의 일 실시예에 따른 로버스트 데이터 전송주기 제어모듈(115)은 상기 대체 정확도 및 상기 에너지 소비량에 따라 최소최대 최적화 문제를 해결하기 위한 견고한 데이터 전송 주기 값을 계산한다.
본 발명의 일 실시예에 따른 로버스트 데이터 전송주기 제어모듈(115)은 상기 에너지 소비량 및 상기 대체 정확도의 오차의 최대치에 관한 함수를 이용하여 상기 데이터 전송 주기 값을 계산한다.
본 발명의 일 실시예에 따른 로버스트 데이터 전송주기 제어모듈(115)은 데이터 전송 주기의 최소값과 최대값 및 대체 정확도의 기여도를 이용하여 상기 대체 정확도에 따른 데이터 전송 주기 조절을 수행하고, 데이터 전송 주기에 따른 복원 오차율을 고려함으로써 안정적 성능을 확보하며, 불필요한 데이터 정보 수집을 방지하여 에너지 소모량을 감소시킨다.
본 발명의 실시예에 따른 로버스트 데이터 전송주기 제어모듈(115)(다시 말해, 데이터 매니저(Data Manager) 모듈)은 착신 IoT 센서 데이터를 저장하기 위해 착신 시계열 데이터를 IoT 센서 ID에 따라 분류하고 데이터 결측 부분을 대체하는 등 여러 데이터 처리 작업을 수행한다.
그런 다음, 본 발명의 실시예에 따른 PCES(110)는 도 1에서 도시된 바와 같이 대체 정확도 예측모듈(113), 에너지 소비 예측모듈(114) 및 로버스트 데이터 전송주기 제어모듈(115)의 서로 다른 모듈을 필요로 하는 제안된 RDTPC(Robust Data Transmission Period Control) 알고리즘을 통해 견고한 데이터 전송 주기 값을 계산한다.
본 발명의 실시예에 따른 로버스트 데이터 전송주기 제어(Robust Data Transmission Period Control)모듈(115)은 최소최대 최적화 문제를 해결하여 견고한 데이터 전송 주기 값(p)을 계산한다.
마지막으로 본 발명의 실시예에 따른 RDTPC 알고리즘을 정기적으로 AWS(Amazon Web Service) 상용 클라우드 서버(130)에서 학습한다. 학습 및 테스트 데이터셋을 생성하기 위해 AWS 클라우드 서버의 데이터 관리자(Data Manager) 모듈은 PCES(110)에서 IoT 센서 데이터를 검색하려고 한다. 그런 다음 이러한 데이터셋을 사용하여 RDTPC 알고리즘을 학습(RDTPC Training)한 후 AWS 클라우드 서버(130)는 업데이트된 RDTPC 모델을 모델 스토리지(Model Storage)에 저장하고 통신 프로토콜(Communication Protocol)을 통해 이 모델을 PCES(110)에 배포한다.
본 발명의 실시예에 따르면, PCES(110)와 IoT 센서(120) 간의 IEEE 802.11 기반의 WLAN 통신 프로토콜에 대해 설명한다. 여기서 IoT 센서(120)는 다른 센서의 캐리어 센서 범위 내에 있다. 본 발명의 실시예에서는, IoT 센서로부터의 시계열 데이터가 낮은 트래픽 강도 하에서 다운링크 방향과 업링크 방향 모두에서 충돌 없이 안정적으로 전송될 수 있다고 가정할 수 있다. 이는 표준 동작 조건 하에서 IoT 센서로부터의 트래픽 강도가 낮고 IEEE 802.11 기반의 WLAN 설정이 가능하기 때문에 패킷 충돌 가능성이 낮은 경우의 합리적인 가정이다.
도 2는 본 발명의 일 실시예에 따른 엣지 컴퓨팅 환경 내 딥러닝 기법을 활용한 오차예측 기반 데이터 전송주기제어 방법을 설명하기 위한 흐름도이다.
제안하는 엣지 컴퓨팅 환경 내 딥러닝 기법을 활용한 오차예측 기반 데이터 전송주기제어 방법은 통신부가 IoT 센서를 통해 측정된 시계열 데이터를 전송하고 통신 프로토콜을 통해 새롭게 업데이트된 데이터 전송 주기 값을 수신하는 단계(210), 상기 IoT 센서의 측정 데이터를 PCES의 데이터베이스에 저장하는 단계(220), 제안된 RDTPC(Robust Data Transmission Period Control) 알고리즘을 통해 견고한 데이터 전송 주기 값을 계산하는 단계(230)를 포함한다.
상기 단계(230)는 상기 PCES의 대체 정확도 예측모듈이 상기 데이터 전송 주기 값에 따른 대체 정확도를 예측하는 단계(231), 상기 PCES의 에너지 소비 예측모듈이 상기 데이터 전송 주기 값에 따른 IoT 센서의 에너지 소비량을 예측하는 단계(232) 및 상기 PCES의 로버스트 데이터 전송주기 제어모듈이 상기 대체 정확도 및 상기 에너지 소비량에 따라 최소최대 최적화 문제를 해결하기 위한 견고한 데이터 전송 주기 값을 계산하는 단계(233)를 포함한다.
단계(231)에서, PCES의 대체 정확도 예측모듈이 상기 데이터 전송 주기 값에 따른 대체 정확도를 예측한다.
본 발명의 실시예에 따르면, 상기 데이터 전송 주기 값에 따른 대체 정확도를 예측하기 위해 결측 데이터 대체 알고리즘, 데이터 전송 주기 정보 및 시계열 데이터 패턴에 따라 딥 러닝 기술을 활용하여 대체 정확도를 예측한다.
상기 대체 정확도를 예측하기 위해 입력 시계열 데이터와 대체값 사이의 관계를 학습하는 적층형 양방향 장기 단기 메모리(Bidirectional Long Short Term Memory; Bi-LSTM) 모델을 통해 입력 데이터를 순방향 은닉 계층 및 역방향 은닉 계층으로 양방향 처리하고, 상기 적층형 양방향 장기 단기 메모리 각 계층에서 결측 간격을 기반으로 결측 데이터 대체를 순차적으로 수행하여 상기 적층형 양방향 장기 단기 메모리 모델의 출력 벡터가 대체 정확도를 예측하기 위해 제공되는 상기 결측 데이터 대체 알고리즘을 이용한다.
상기 데이터 전송 주기의 인코딩 네트워크에서의 학습된 가중치 값과 바이어스 값을 이용하여 결측 간격에 따른 입력 서브시퀀스를 정의하고, 상기 입력 서브시퀀스에 따른 상기 데이터 전송 주기 정보를 인코딩한다.
본 발명의 실시예에 따르면, 복수의 컨볼루션 필터를 사용하여 상기 시계열 데이터에 존재하는 복수의 특성에 맞게 각각의 컨볼루션 헤드를 조정하는 다중 헤드 신경망 모델을 통해 입력 데이터를 사용하여 시계열 데이터 패턴과 관련된 특징 추출을 수행한다.
단계(232)에서, PCES의 에너지 소비 예측모듈이 상기 데이터 전송 주기 값에 따른 IoT 센서의 에너지 소비량을 예측한다.
본 발명의 실시예에 따르면, IoT 센서의 데이터 전송 주기가 적응적으로 변함에 따라 조정되는 상기 IoT 센서의 데이터 전송 횟수에 기초하여 동적으로 변화하는 상기 IoT 센서의 에너지 소비량을 예측한다.
상기 데이터를 균일한 주기로 전송하는 IoT 센서의 전체 에너지 소비량 및 IoT 센서의 단일 데이터 전송에 필요한 에너지 소비량의 마이너스 값을 이용한 선형 근사 에너지 소비 함수를 통해 IoT 센서의 에너지 소비량과 데이터 전송 주기 간의 관계를 분석한다.
단계(233)에서, PCES의 로버스트 데이터 전송주기 제어모듈이 상기 대체 정확도 및 상기 에너지 소비량에 따라 최소최대 최적화 문제를 해결하기 위한 견고한 데이터 전송 주기 값을 계산한다.
본 발명의 실시예에 따르면, 상기 대체 정확도 및 상기 에너지 소비량에 따라 최소최대 최적화 문제를 해결하기 위한 견고한 데이터 전송 주기 값을 계산한다.
상기 에너지 소비량 및 상기 대체 정확도의 오차의 최대치에 관한 함수를 이용하여 상기 데이터 전송 주기 값을 계산한다.
본 발명의 일 실시예에 따르면, 상기 데이터 전송 주기의 최소값과 최대값 및 대체 정확도의 기여도를 이용하여 상기 대체 정확도에 따른 데이터 전송 주기 조절을 수행하고, 데이터 전송 주기에 따른 복원 오차율을 고려함으로써 안정적 성능을 확보하며, 불필요한 데이터 정보 수집을 방지하여 에너지 소모량을 감소시킨다.
도 3은 본 발명의 일 실시예에 따른 대체 정확도(압축 감지 기반 전가 프로세스) 및 데이터 패턴 간의 관계를 나타내는 도면이다.
본 발명의 실시예에 따른 대체 정확도 예측(Imputation Accuracy Prediction)모듈은 견고한 데이터 전송 주기 값을 결정하기 위한 핵심 성능 측정의 하나로 대체 정확도를 선택한다. 여기서 데이터 전송 주기 제어는 결측 데이터 대체와 밀접하게 관련되어 있다.
도 3(a)는 단순한 데이터 패턴을 나타내는 도면이고, 도 3(b)는 복잡한 데이터 패턴을 나타내는 도면이다.
예를 들어, 도 3과 같이 단순한 패턴을 나타내는 데이터라면 결측치 중 패턴을 쉽게 예측할 수 있기 때문에 결측 데이터를 추정하기 쉬워질 수 있다. 이러한 경우, 데이터 전송 주기의 증가는 결측 데이터 대체의 정확도에 큰 영향을 미치지 않는다. 단, 측정에서 지각하기 어려운 패턴이 있으면 결측 간격이 조금 증가해도 대체 정확도가 크게 저하된다.
이러한 결측 값은 의미 있고 신뢰할 수 있는 정보를 보장하해야 한다. 그렇지 않으면 빅데이터 분석에 심각한 부작용을 초래하고 결측값 없이 대규모 데이터셋이 필요한 다양한 알고리즘에서 마이닝 및 학습 성능을 저하시킬 수 있다. 또한, 결측 데이터를 사용하는 기계 학습 훈련 모델이 대체되지 않은 훈련 모델보다 우수하다는 것이 입증되었다. 따라서 PCES는 누락된 값을 정확하게 복원할 수 있는 한 데이터 전송 주기 값을 적절하게 제어해야 한다. 결측값을 얼마나 정확하게 귀속할 수 있는가는 데이터 전송 주기 제어 중에 중요한 문제 중 하나이지만, 데이터 패턴과 대체 정확도 간의 관계는 일반적으로 학습해야 할 많은 파라미터를 포함하고 있기 때문에 모델링하기가 매우 어렵다.
따라서, 본 발명에서는 데이터 전송 주기를 적절히 조정하기 위해 우선 대체 정확도 예측 방식을 도입한다. 본 발명의 실시예에 따르면, 결측 데이터 대체 알고리즘, 데이터 전송 주기 정보, 시계열 데이터 패턴의 세 가지 요소를 별도로 고려하여 딥 러닝 기술을 활용하여 대체 정확도를 예측한다.
본 발명의 실시예에 따른 결측 데이터 대체 알고리즘은 대체 방법의 정확성을 평가할 때, 활용된 대체 알고리즘의 속성이 대체 성능에 결정적인 영향을 미친다. 따라서 정확도를 예측하기 위해 대체 알고리즘의 종합적인 특성을 적절히 고려하는 것이 중요하다. 이러한 특성을 나타내기 위해 본 발명은 모든 유형의 시계열 데이터에서 시간적 특징을 추출하는 데 널리 사용되는 양방향 장기 단기 메모리(Bidirectional Long Short Term Memory; Bi-LSTM) 기반 아키텍처를 사용한다. 입력 시계열 시퀀스 x = (x1,...xT)가 주어졌을 때, Bi-LSTM 모델은 입력 데이터를 두 개의 개별 은닉 계층(순방향 및 역방향)으로 양방향 처리한다. 여기서 순방향 은닉 시퀀스 및 역방향 숨겨진 시퀀스 는 각각 t = 1에서 T, t = T에서 1로 단일 LSTM 셀 작동을 반복하여 계산된다. 다음으로 계산된 은닉 시퀀스 와 는 다음과 같이 연결되고 출력 특징 L로 넘어간다:
(1)
(2)
(3)
여기서 W와 b는 각각 전형적인 Bi-LSTM 셀의 가중치 행렬과 바이어스 벡터를 나타낸다.
도 4는 본 발명의 일 실시예에 따른 적층형 양방향 장기 단기 메모리 셀 아키텍처를 나타내는 도면이다.
도 4와 같이 본 발명의 일 실시예에 따른 Bi-LSTM 모델을 적층하여 구성할 수 있는 다층 아키텍처에 대해서도 설명한다. 각 층의 Bi-LSTM 모델은 변환 알고리즘의 출력을 추정하는 역할을 한다. 상위 계층 특성은 딥 러닝 네트워크에서 더 많은 정보를 포함할 수 있으므로 각 계층의 Bi-LSTM 모델은 결측 간격을 기반으로 결측 데이터 대체를 순차적으로 수행한다. 예를 들어, Bi-LSTM 모델의 첫 번째 층에 시계열 데이터를 입력으로 제공한다. 그 후, 1층의 출력은, 2층의 입력 데이터뿐만이 아니라, 대체 알고리즘의 1번째 대체값(다시 말해, 결측 간격이 가장 작은 데이터)을 예측하기 위한 특징 벡터로서 이용된다. 2층의 출력은, 3층의 입력 데이터뿐만이 아니라, 대체 알고리즘의 2번째 대체값(다시 말해, 결측 간격이 2번째로 작은 데이터)을 추정하기 위한 특징 벡터로서도 활용된다. 마지막 층 K까지 이 프로세스를 반복하면 모든 특징 벡터가 단일 벡터로 연결되며, 이것이 이 Bi-LSTM 모델의 출력이다. 이 출력 벡터 L은 대체 정확도를 예측하기 위해 제공된다. 이러한 다중 계층 접근법은 원본 데이터를 더 높은 수준의 표현으로 변환할 수 있기 때문에, 이 아키텍처는 대체 알고리즘의 특성을 적절하게 묘사할 수 있다. 입력 시계열 데이터와 대체값 사이의 복잡한 관계를 학습하는 이러한 적층형 Bi-LSTM 모델을 활용하여 대체 알고리즘의 특성을 캡처하고 일반화한다.
도 5는 본 발명의 일 실시예에 따른 주기 정보 인코딩 신경망을 나타내는 도면이다.
본 발명의 실시예에 따른 데이터 전송 주기 정보(510)는 결측된 간격과 밀접하게 관련되어 있다. 결측 간격 l과 데이터 전송 주기 p의 해당 연결은 다음과 같이 성립되어 있는 것을 쉽게 확인할 수 있다:
(4)
여기서 pmin과 p는 각각 최소 및 현재 데이터 전송 주기 값이다.
본 발명의 실시예에 따르면, 결측 간격이 대체 정확도에 실질적으로 영향을 미치기 때문에 신경망에 의해 데이터 전송 주기 정보를 인코딩하고, 대체 성능에 대한 결측 간격의 영향을 고려하기 위해 입력 서브시퀀스 x 요소(540)를 추가하고, 이는 다음과 같이 정의된다:
(5)
여기서 wen과 ben은 각각 데이터 전송 주기의 인코딩 네트워크에서의 학습된 가중치 값과 바이어스 값으로 정의된다(520). 가중치 값과 바이어스 값(520)은 시그모이드 함수(530)를 거쳐 입력 서브시퀀스 x 요소(540)가 추가되고, 인코딩된 데이터 xen(550)은 다중 헤드 CNN 아키텍처의 입력으로 전송된다.
도 6은 본 발명의 일 실시예에 따른 다중 헤드 1D CNN 아키텍처를 나타내는 도면이다.
본 발명의 실시예에 따르면, 대표적인 기계 학습 모델 중 하나인 1D CNN 모델을 통해 입력 데이터 xen을 사용하여 시계열 데이터 패턴과 관련된 의미 있는 특징 추출을 수행한다. 특히 본 발명은 독립 CNN에서 시계열 데이터를 처리하는 다중 헤드 계층과 함께 CNN 아키텍처를 활용한다. 이 아키텍처는 다양한 컨볼루션 필터를 사용하여 시계열 데이터에 존재하는 다양한 특성에 맞게 각 컨볼루션 헤드를 조정할 수 있는 장점을 수반한다. 다중 헤드 CNN 모델에 관하여 도 6을 참조하여 설명한다.
본 발명의 실시예에 따른 인코딩 데이터 xen은 다음 다중 헤드 1D CNN(610)에 대한 입력으로 사용되며, 컨볼루션 필터의 길이에 관련된 다양한 의미 있는 특징을 추출한다. i번째 헤드를 통과한 특정 특징은 다음과 같다:
(6)
(7)
여기서 wh,i, bh,i, ph,i 및 sh,i 는 i번째 헤드에서 컨볼루션 연산의 가중치 벡터, 바이어스 값, 패딩 크기, 스트라이드 값을 각각 나타낸다. ch,i는 및 의 컨볼루션 연산을 통해 얻은 출력 특징 벡터를 나타내며 ch,i의 j번째 요소를 나타낸다. 각 출력 특징 벡터 ch,i는 ReLU 및 최대 풀링 층에 순차적으로 공급되며, 그 후 각 헤드의 출력 벡터는 최종적으로 하나의 단일 벡터 ch로 연결된다. 이 벡터는 순차적인 1D CNN 아키텍처(SeqCNN)(620)를 통과하며, 이는 일반적인 CNN 아키텍처의 다음 요소로 구성된다: 1D Convolution, ReLU, 1D Convolution, Batch Normalization, ReLU, max-pooling. 도 6과 같이 SeqCNN 공정을 2배 이상 반복하므로 다중 헤드 1D CNN의 최종 출력 특징 C는 다음과 같다.
(8)
여기서 SeqCNNk는 SeqCNN 프로세스의 k번 반복을 의미한다.
도 7은 본 발명의 일 실시예에 따른 대체 정확도 예측모듈을 설명하기 위한 도면이다.
본 발명의 일 실시예에 따른 대체 정확도 예측(Imputation Accuracy Prediction; IAP) 모듈은 적층형 Bi-LSTM(710), 다중 헤드 1D CNN(720), P주기 정보 인코딩 신경망(Period Information Encoding neural Network; PIEN)을 포함한다.
본 발명의 일 실시예에 따르면, 입력 시계열 데이터 x를 적층 Bi-LSTM 모델과 PIEN 양쪽으로 전송하여 출력 특징 L과 인코딩 데이터 xen을 별도로 얻는 대체 정확도 예측의 전체 프로세스의 개요를 다음과 같이 설명할 수 있다. 여기서 xen을 입력 데이터로서 다중 헤드 1D CNN 모델에 적용함으로써 다른 출력 특징 벡터 C를 도출한다. 특징 벡터 L과 C는 모두 1D 특징 벡터 I에 순차적으로 연결되며 밀집 계층으로 전송된다. 그런 다음, 밀집 계층은 입력 I로부터의 대체 정확도 예측 결과 를 일반화 및 추정한다.
(9)
(10)
(11)
(12)
(13)
본 발명의 실시예에 따른 대체 정확도 예측은 시계열 데이터 x와 주기 값 p를 입력 변수로 하는 다음 함수Q(x,p)로 간주된다. 이 함수는 RMSE(Root Mean Square Error)로 나타나는 대체 정확도 성능 을 예측한다. Q(x,p)에는 다음 속성이 있다고 정의한다:
정의 1. Q(x,p)는 p의 증가함수이다.
즉, 결측 간격이 넓을수록 대체 알고리즘의 추정치는 실제 값을 심각하게 벗어날 수 있다. 실제로 선형 보간, locf 및 평균 보간과 같은 대체 알고리즘이 사용되었는지 여부에 관계없이, 이러한 가정은 데이터에 대한 최적 모델에 대한 적합성의 결여를 반영하는 대부분의 결측 데이터 대체 기법에서 일반적으로 유효한 속성으로 간주된다.
다음으로 Q(x)에 관한 다음 속성도 정의 1에서 성립한다:
명제 1. Q(x,p)는 p의 준볼록 함수이다.
증명: Q(x)가 엄밀히 준볼록 함수가 아니라고 가정하자. 준볼록성의 일반화로부터, 이다.
Q(x)는 단조롭게 증가하는 함수이기 때문에 이다.
이 결과는 본 발명의 실시예에 따른 가정과 모순된다.
따라서 Q(x)는 준볼록함수이다.
본 발명의 실시예에 따른 에너지 소비 예측 모듈은 IoT 센서에 의해 소비되는 에너지량을 예측한다. IoT 센서의 데이터 전송 주기가 적응적으로 변경되면 IoT 센서의 데이터 전송 횟수 또한 동일한 시간 간격 내에 조정된다. IoT 센서의 에너지 소비량에서 데이터 전송이 차지하는 비중이 크기 때문에 소비 에너지량도 동적으로 변화한다.
본 발명에서는 IoT 센서의 에너지 소비량과 데이터 전송 주기 사이의 분석 모델을 제안한다. 따라서, 본 발명의 실시예에 따른 에너지 소비 예측 모듈은 다음과 같은 선형 함수 로 정의된다:
정의 2. 는 선형 근사 에너지 소비 함수 이며, 여기서 E1과 E2는 구성 파라미터이다.
여기서 E2는 데이터를 균일한 주기로 전송하는 IoT 센서의 전체 에너지 소비량(Wh)을 나타내고, E1은 IoT 센서의 단일 데이터 전송에 필요한 에너지 소비량(Wh)의 마이너스 값으로 정의한다. 따라서, 에너지 소비 함수 는 데이터가 균일한 주기로 송신되는 환경에 비해, 송신 주기를 조정해 에너지 소비를 감소시키도록 적절히 설계된다.
다음으로 함수 는 정의 2에서 다음과 같은 속성을 가진다.
명제 2. 또한 준볼록 함수이다.
증명. 는 단조롭게 감소하는 함수이며, 또한 명제 1의 동일한 과정을 따르는 것으로 증명될 수 있다.
본 발명의 실시예에 따른 로버스트 데이터 전송주기 제어모듈은 대체 정확도 함수 Q(x,p)와 에너지 소비 함수 를 고려하여 견고한 데이터 전송 주기를 제어한다.
여기서 입력 시계열 데이터 x를 변수가 아닌 상수 벡터로 간주한다. Q(x,p)와 는 p에 따라 서로 트레이드오프 관계가 있기 때문에 이들 2가지 기능을 적절히 고려하여 견고한 데이터 전송 주기 값을 결정하는 문제는 매우 중요한 이슈이다. 본 발명에서는 최소최대(Min-Max) 데이터 전송 주기 제어 문제에 대해 설명한다. 에너지 소비량 및 대체 정확도 오차의 최대치를 대상 함수로 간주함으로써 최악의 성능을 최소화할 수 있을 뿐만 아니라 이 문제의 데이터 전송 주기 최적화를 통해 견고한 결과를 보장할 수 있다. 따라서 RDTPC 문제는 다음과 같이 설정된다:
문제 1.
(14)
(15)
(16)
여기서 pmin과 pmax는 각각 데이터 전송 주기의 최소값과 최대값을 나타낸다. 는 RMSE 단위를 곱하여 다른 에너지 소비 단위(Wh)로 변경하는 데 사용되는 단위 변환 계수를 나타낸다. 또한, 강력한 데이터 전송 주기 값을 추출할 때 대체 정확도의 기여도를 나타낸다. pmin은 사용된 IoT 센서의 사양에 따라 결정되며 pmax는 사용자의 데이터 품질 요구 사항에 따라 결정된다. 제약조건(16)은 p가 pmin의 정수 배수로 결정되어야 함을 나타낸다. 여기서 측정된 데이터 사이의 시간 간격이 누락된 데이터 대치 및 기계 학습 알고리즘 재훈련에 대한 데이터 관리를 용이하게 하기 위해 공통 단위(pmin)를 갖도록 한다. 따라서 결정 변수인 p는 다음 도메인 집합 를 가진다.
명제 1과 2를 이용하여, 다음 명제는 목적 함수 을 유지한다.
명제 3. 는 p의 준볼록 함수이다.
증명: 가 준볼록 함수가 아니라고 가정하자.
(17)
일반성을 잃지 않고 p1 < p2라고 가정할 수 있다. 여기서, 와 는 각각 증가하고 감소하는 함수이므로 , 에 대한 두 가지 사례를 가진다:
그런 다음, 다음의 두 조건을 유지한다:
여기서, 정의1을 통해 이다. 조건을 요약함으로써 를 얻는다. 이 결과는 상기 가정(17)에 모순이다.
그런 다음, 위에서 설명한 것과 동일한 프로세스에 따라 다음 2가지 조건도 성립한다:
여기서, 정의 2를 통해 이므로, 이 결과는 상기 가정(17)에 모순이다.
이에 따라 모순에 의한 증명에 의해 가정(17)이 참이 아닌 것이 확인되고, 는 준볼록함수이다.
RDTPC 문제는 혼합 정수 프로그래밍 문제로 정수 제약 조건(16)으로 해결하기가 어렵다. 따라서 혼합 정수 프로그래밍 문제에 대처하기 위해 먼저 정수 제약 조건(16)을 연속 형식인 로 완화하여 RDTPC 문제를 변환한다.
문제 2.
문제 2는 준볼록 목적 함수와 선형 제약 조건을 가지고 있기 때문에 독특한 최적 솔루션을 가지고 있다. 문제 2를 해결하기 위해 고정된 t에 대해 다음과 같은 타당성 확인 문제를 정의한다:
문제 3.
문제 3을 풀기 위해, 다음의 보조명제를 정의한다.
보조명제 1.
이면 문제3의 솔루션 pt는 존재하지 않는다.
증명: 문제 3의 솔루션이 존재한다면, t는 의 범위 내여야 한다. 정의 1 및 2에 따라 는 이내여야만 한다.
따라서, 이면, 문제 3은 실행 불가능하다.
따라서 문제 3이 보조명제 1에 의해 실행 불가능하지 않은 경우 다음 절차에 따라 문제 3을 해결할 수 있다.
1) 문제 의 솔루션 를 구한다.
2) 정의 2를 이용하여 문제 의 솔루션 을 구한다.
3) 가 참인지 확인한다.
4) 참일 경우 는 문제 3의 솔루션이 된다.
5) 그렇지 않고 가 참이면 문제 3의 솔루션은 가 된다.
6) 그렇지 않으면 문제 3은 실행 불가능하다.
상기 1) 프로세스에서는 완전 검색 알고리즘을 사용하여 문제 Q(x,p) = t의 솔루션을 구할 수 있으며, 솔루션의 가능한 모든 후보를 열거하고 확인한다. 그러나, 완전 검색은 계산적으로 비현실적이기 때문에 본 발명에서는 완전 검색보다 계산적으로 효율적인 이분(bisection) 검색 알고리즘을 이용한다. 따라서 타당성 확인 문제 3(FCA)의 솔루션을 얻기 위한 전반적인 과정은 알고리즘 1에 요약되어 있다.
완화된 문제 2는 명제 3의 고유한 솔루션을 가지고 있는 것으로 인식된다. 따라서 최적값 t*를 얻기 위해 문제 3의 실현 가능한 솔루션이 고유할 때까지 t를 업데이트하고, 문제 2의 해법 pt*는 t*에서 알고리즘 1을 활용하여 도출한다.
따라서 다음과 같은 정리를 통해 RDTPC 문제에 대한 최적의 솔루션을 얻을 수 있다. 표기법을 쉽게 하기 위해 목적 함수 를 로 나타낸다.
정리 1. RDTPC 문제의 최적 솔루션 p*(문제 1)는 에 의해 얻는다.
증명: 모순에 의한 증명으로 총 2가지 사례를 순차적으로 검토한다.
1) 라 가정하자. T(x,p)는 준볼록함수이므로 다음 조건이 성립한다.
.
일반화 손실 없이, 라 가정한다. 가정은 를 야기할 것이다.
이 결과는 상기 가정에 모순이다.
2) 이라 가정하자. 따라서, 다음의 조건이 성립한다.
일반화 손실 없이,
이다.
따라서, 이다.
이 결과 또한 상기 가정에 모순이다.
따라서 RDTPC 문제의 최적 솔루션 p*는 )로 정의되며 알고리즘2는 RDTPC 문제의 솔루션을 얻기 위한 간단한 개요를 제공한다.
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, FPGA(field programmable gate 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 어플리케이션을 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 (20)

  1. IoT 센서를 통해 측정된 시계열 데이터를 전송하고 통신 프로토콜을 통해 새롭게 업데이트된 데이터 전송 주기 값을 수신하는 통신부;
    상기 IoT 센서의 측정 데이터를 저장하는 데이터베이스;
    상기 데이터 전송 주기 값에 따른 대체 정확도를 예측하는 대체 정확도 예측모듈;
    상기 데이터 전송 주기 값에 따른 IoT 센서의 에너지 소비량을 예측하는 에너지 소비 예측모듈; 및
    상기 대체 정확도 및 상기 에너지 소비량에 따라 최소최대 최적화 문제를 해결하기 위한 견고한 데이터 전송 주기 값을 계산하는 로버스트 데이터 전송주기 제어모듈
    을 포함하는 데이터 전송주기제어 시스템.
  2. 제1항에 있어서,
    상기 대체 정확도 예측모듈은,
    상기 데이터 전송 주기 값에 따른 대체 정확도를 예측하기 위해 결측 데이터 대체 알고리즘, 데이터 전송 주기 정보 및 시계열 데이터 패턴에 따라 딥 러닝 기술을 활용하여 대체 정확도를 예측하는
    데이터 전송주기제어 시스템.
  3. 제2항에 있어서,
    상기 대체 정확도 예측모듈은,
    대체 정확도를 예측하기 위해 입력 시계열 데이터와 대체값 사이의 관계를 학습하는 적층형 양방향 장기 단기 메모리(Bidirectional Long Short Term Memory; Bi-LSTM) 모델을 통해 입력 데이터를 순방향 은닉 계층 및 역방향 은닉 계층으로 양방향 처리하고, 상기 적층형 양방향 장기 단기 메모리 각 계층에서 결측 간격을 기반으로 결측 데이터 대체를 순차적으로 수행하여 상기 적층형 양방향 장기 단기 메모리 모델의 출력 벡터가 대체 정확도를 예측하기 위해 제공되는 상기 결측 데이터 대체 알고리즘을 이용하는
    데이터 전송주기제어 시스템.
  4. 제2항에 있어서,
    상기 대체 정확도 예측모듈은,
    데이터 전송 주기의 인코딩 네트워크에서의 학습된 가중치 값과 바이어스 값을 이용하여 결측 간격에 따른 입력 서브시퀀스를 정의하고, 상기 입력 서브시퀀스에 따른 상기 데이터 전송 주기 정보를 인코딩하는
    데이터 전송주기제어 시스템.
  5. 제2항에 있어서,
    상기 대체 정확도 예측모듈은,
    복수의 컨볼루션 필터를 사용하여 시계열 데이터에 존재하는 복수의 특성에 맞게 각각의 컨볼루션 헤드를 조정하는 다중 헤드 신경망 모델을 통해 입력 데이터를 사용하여 시계열 데이터 패턴과 관련된 특징 추출을 수행하는
    데이터 전송주기제어 시스템.
  6. 제1항에 있어서,
    상기 에너지 소비 예측모듈은,
    상기 IoT 센서의 데이터 전송 주기가 적응적으로 변함에 따라 조정되는 상기 IoT 센서의 데이터 전송 횟수에 기초하여 동적으로 변화하는 상기 IoT 센서의 에너지 소비량을 예측하는
    데이터 전송주기제어 시스템.
  7. 제6항에 있어서,
    상기 에너지 소비 예측모듈은,
    데이터를 균일한 주기로 전송하는 IoT 센서의 전체 에너지 소비량 및 IoT 센서의 단일 데이터 전송에 필요한 에너지 소비량의 마이너스 값을 이용한 선형 근사 에너지 소비 함수를 통해 IoT 센서의 에너지 소비량과 데이터 전송 주기 간의 관계를 분석하는
    데이터 전송주기제어 시스템.
  8. 제1항에 있어서,
    상기 로버스트 데이터 전송주기 제어모듈은,
    상기 에너지 소비량 및 상기 대체 정확도의 오차의 최대치에 관한 함수를 이용하여 상기 데이터 전송 주기 값을 계산하는
    데이터 전송주기제어 시스템.
  9. 제8항에 있어서,
    상기 로버스트 데이터 전송주기 제어모듈은,
    데이터 전송 주기의 최소값과 최대값 및 대체 정확도의 기여도를 이용하여 상기 대체 정확도에 따른 데이터 전송 주기 조절을 수행하고,
    데이터 전송 주기에 따른 복원 오차율을 고려함으로써 안정적 성능을 확보하며, 불필요한 데이터 정보 수집을 방지하여 에너지 소모량을 감소시키는
    데이터 전송주기제어 시스템.
  10. 통신부가 IoT 센서를 통해 측정된 시계열 데이터를 전송하고 통신 프로토콜을 통해 새롭게 업데이트된 데이터 전송 주기 값을 수신하는 단계;
    상기 IoT 센서의 측정 데이터를 PCES의 데이터베이스에 저장하는 단계;
    상기 PCES의 대체 정확도 예측모듈이 상기 데이터 전송 주기 값에 따른 대체 정확도를 예측하는 단계;
    상기 PCES의 에너지 소비 예측모듈이 상기 데이터 전송 주기 값에 따른 IoT 센서의 에너지 소비량을 예측하는 단계; 및
    상기 PCES의 로버스트 데이터 전송주기 제어모듈이 상기 대체 정확도 및 상기 에너지 소비량에 따라 최소최대 최적화 문제를 해결하기 위한 견고한 데이터 전송 주기 값을 계산하는 단계
    를 포함하는 데이터 전송주기제어 방법.
  11. 제10항에 있어서,
    상기 PCES의 대체 정확도 예측모듈이 상기 데이터 전송 주기 값에 따른 대체 정확도를 예측하는 단계는,
    상기 데이터 전송 주기 값에 따른 대체 정확도를 예측하기 위해 결측 데이터 대체 알고리즘, 데이터 전송 주기 정보 및 시계열 데이터 패턴에 따라 딥 러닝 기술을 활용하여 대체 정확도를 예측하는
    데이터 전송주기제어 방법.
  12. 제11항에 있어서,
    상기 대체 정확도를 예측하기 위해 입력 시계열 데이터와 대체값 사이의 관계를 학습하는 적층형 양방향 장기 단기 메모리(Bidirectional Long Short Term Memory; Bi-LSTM) 모델을 통해 입력 데이터를 순방향 은닉 계층 및 역방향 은닉 계층으로 양방향 처리하고, 상기 적층형 양방향 장기 단기 메모리 각 계층에서 결측 간격을 기반으로 결측 데이터 대체를 순차적으로 수행하여 상기 적층형 양방향 장기 단기 메모리 모델의 출력 벡터가 대체 정확도를 예측하기 위해 제공되는 상기 결측 데이터 대체 알고리즘을 이용하는
    데이터 전송주기제어 방법.
  13. 제11항에 있어서,
    상기 데이터 전송 주기의 인코딩 네트워크에서의 학습된 가중치 값과 바이어스 값을 이용하여 결측 간격에 따른 입력 서브시퀀스를 정의하고, 상기 입력 서브시퀀스에 따른 상기 데이터 전송 주기 정보를 인코딩하는
    데이터 전송주기제어 방법.
  14. 제11항에 있어서,
    복수의 컨볼루션 필터를 사용하여 상기 시계열 데이터에 존재하는 복수의 특성에 맞게 각각의 컨볼루션 헤드를 조정하는 다중 헤드 신경망 모델을 통해 입력 데이터를 사용하여 시계열 데이터 패턴과 관련된 특징 추출을 수행하는
    데이터 전송주기제어 방법.
  15. 제10항에 있어서,
    상기 PCES의 에너지 소비 예측모듈이 상기 데이터 전송 주기 값에 따른 IoT 센서의 에너지 소비량을 예측하는 단계는,
    상기 IoT 센서의 데이터 전송 주기가 적응적으로 변함에 따라 조정되는 상기 IoT 센서의 데이터 전송 횟수에 기초하여 동적으로 변화하는 상기 IoT 센서의 에너지 소비량을 예측하는
    데이터 전송주기제어 방법.
  16. 제15항에 있어서,
    상기 PCES의 에너지 소비 예측모듈이 상기 데이터 전송 주기 값에 따른 IoT 센서의 에너지 소비량을 예측하는 단계는,
    데이터를 균일한 주기로 전송하는 IoT 센서의 전체 에너지 소비량 및 IoT 센서의 단일 데이터 전송에 필요한 에너지 소비량의 마이너스 값을 이용한 선형 근사 에너지 소비 함수를 통해 IoT 센서의 에너지 소비량과 데이터 전송 주기 간의 관계를 분석하는
    데이터 전송주기제어 방법.
  17. 제10항에 있어서,
    상기 상기 PCES의 로버스트 데이터 전송주기 제어모듈이 상기 대체 정확도 및 상기 에너지 소비량에 따라 최소최대 최적화 문제를 해결하기 위한 견고한 데이터 전송 주기 값을 계산하는 단계는,
    상기 에너지 소비량 및 상기 대체 정확도의 오차의 최대치에 관한 함수를 이용하여 상기 데이터 전송 주기 값을 계산하는
    데이터 전송주기제어 방법.
  18. 제17항에 있어서,
    상기 데이터 전송 주기의 최소값과 최대값 및 대체 정확도의 기여도를 이용하여 상기 대체 정확도에 따른 데이터 전송 주기 조절을 수행하고,
    상기 데이터 전송 주기에 따른 복원 오차율을 고려함으로써 안정적 성능을 확보하며, 불필요한 데이터 정보 수집을 방지하여 에너지 소모량을 감소시키는
    데이터 전송주기제어 방법.
  19. 오차예측 기반 데이터 전송주기제어 시스템에 의해 수행되는 데이터 흐름 분석 방법을 실행시키기 위해 컴퓨터 판독 가능한 저장 매체에 저장된 프로그램에 있어서,
    통신부가 IoT 센서를 통해 측정된 시계열 데이터를 전송하고 통신 프로토콜을 통해 새롭게 업데이트된 데이터 전송 주기 값을 수신하는 단계;
    상기 IoT 센서의 측정 데이터를 PCES의 데이터베이스에 저장하는 단계;
    상기 PCES의 대체 정확도 예측모듈이 상기 데이터 전송 주기 값에 따른 대체 정확도를 예측하는 단계;
    상기 PCES의 에너지 소비 예측모듈이 상기 데이터 전송 주기 값에 따른 IoT 센서의 에너지 소비량을 예측하는 단계; 및
    상기 PCES의 로버스트 데이터 전송주기 제어모듈이 상기 대체 정확도 및 상기 에너지 소비량에 따라 최소최대 최적화 문제를 해결하기 위한 견고한 데이터 전송 주기 값을 계산하는 단계
    를 포함하는 컴퓨터 판독 가능한 저장 매체에 저장된 프로그램.
  20. 제19항에 있어서,
    상기 PCES의 대체 정확도 예측모듈이 상기 데이터 전송 주기 값에 따른 대체 정확도를 예측하는 단계는,
    상기 데이터 전송 주기 값에 따른 대체 정확도를 예측하기 위해 결측 데이터 대체 알고리즘, 데이터 전송 주기 정보 및 시계열 데이터 패턴에 따라 딥 러닝 기술을 활용하여 대체 정확도를 예측하고,
    상기 PCES의 에너지 소비 예측모듈이 상기 데이터 전송 주기 값에 따른 IoT 센서의 에너지 소비량을 예측하는 단계는,
    상기 IoT 센서의 데이터 전송 주기가 적응적으로 변함에 따라 조정되는 상기 IoT 센서의 데이터 전송 횟수에 기초하여 동적으로 변화하는 상기 IoT 센서의 에너지 소비량을 예측하며,
    상기 PCES의 로버스트 데이터 전송주기 제어모듈이 상기 대체 정확도 및 상기 에너지 소비량에 따라 최소최대 최적화 문제를 해결하기 위한 견고한 데이터 전송 주기 값을 계산하는 단계는,
    상기 에너지 소비량 및 상기 대체 정확도의 오차의 최대치에 관한 함수를 이용하여 상기 데이터 전송 주기 값을 계산하는
    컴퓨터 판독 가능한 저장 매체에 저장된 프로그램.
KR1020220068029A 2022-06-03 2022-06-03 엣지 컴퓨팅 환경 내 딥러닝 기법을 활용한 오차예측 기반 데이터 전송주기제어 프레임워크 방법 및 시스템 KR20230167872A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220068029A KR20230167872A (ko) 2022-06-03 2022-06-03 엣지 컴퓨팅 환경 내 딥러닝 기법을 활용한 오차예측 기반 데이터 전송주기제어 프레임워크 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220068029A KR20230167872A (ko) 2022-06-03 2022-06-03 엣지 컴퓨팅 환경 내 딥러닝 기법을 활용한 오차예측 기반 데이터 전송주기제어 프레임워크 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR20230167872A true KR20230167872A (ko) 2023-12-12

Family

ID=89159699

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220068029A KR20230167872A (ko) 2022-06-03 2022-06-03 엣지 컴퓨팅 환경 내 딥러닝 기법을 활용한 오차예측 기반 데이터 전송주기제어 프레임워크 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR20230167872A (ko)

Non-Patent Citations (17)

* Cited by examiner, † Cited by third party
Title
[1] A. Jain and E. Y. Chang, "Adaptive sampling for sensor networks," in Proceeedings of the 1st international workshop on Data management for sensor networks: in conjunction with VLDB 2004, 2004, pp. 10-16.
[11] A. Makhoul, H. Harb, and D. Laiymani, "Residual energy-based adaptive data collection approach for periodic sensor networks," Ad Hoc Networks, vol. 35, pp. 149-160, 2015.
[12] C. Salim, A. Makhoul, R. Darazi, and R. Couturier, "Adaptive sampling algorithms with local emergency detection for energy saving in wireless body sensor networks," in NOMS 2016-2016 IEEE/IFIP Network Operations and Management Symposium. IEEE, 2016, pp. 745-749.
[13] G. Li and Y. Wang, "Automatic arima modeling-based data aggregation scheme in wireless sensor networks," EURASIP Journal on Wireless Communications and Networking, vol. 2013, no. 1, pp. 1-13, 2013.
[13] J. Han, G. H. Lee, S. Park, J. Lee, and J. K. Choi, "A multivariate time series prediction-based adaptive data transmission period control algorithm for iot networks," IEEE Internet of Things Journal, pp. 1-1, 2021.
[14] G. M. Dias, M. Nurchis, and B. Bellalta, "Adapting sampling interval of sensor networks using on-line reinforcement learning," in 2016 IEEE 3rd World Forum on Internet of Things (WF-IoT). IEEE, 2016, pp. 460- 465.
[15] A. Murad, F. A. Kraemer, K. Bach, and G. Taylor, "Information-driven adaptive sensing based on deep reinforcement learning," in Proceedings of the 10th International Conference on the Internet of Things, 2020, pp. 1-8.
[16] A. Vaswani, N. Shazeer, N. Parmar, J. Uszkoreit, L. Jones, A. N. Gomez, ￡. Kaiser, and I. Polosukhin, "Attention is all you need," in Advances in neural information processing systems, 2017, pp. 5998-60
[17] W. Kim and I. Jung, "Smart sensing period for efficient energy consumption in iot network," Sensors, vol. 19, no. 22, p. 4915, 2019.
[2] U. Kulau, J. van Balen, S. Schildt, F. Busching, and ¨ L. Wolf, "Dynamic sample rate adaptation for long-term iot sensing applications," in 2016 IEEE 3rd World Forum on Internet of Things (WF-IoT). IEEE, 2016, pp. 271- 276.
[3] J. Azar, A. Makhoul, M. Barhamgi, and R. Couturier, "An energy efficient iot data compression approach for edge machine learning," Future Generation Computer Systems, vol. 96, pp. 168-175, 2019.
[4] C. Luo, F. Wu, J. Sun, and C. W. Chen, "Compressive data gathering for large-scale wireless sensor networks," in Proceedings of the 15th annual international conference on Mobile computing and networking, 2009, pp. 145-156.
[5] F. Fazel, M. Fazel, and M. Stojanovic, "Random access compressed sensing for energy-efficient underwater sensor networks," IEEE Journal on Selected Areas in Communications, vol. 29, no. 8, pp. 1660-1670, 2011.
[6] V. Abolghasemi and M. H. Anisi, "Compressive sensing for remote flood monitoring," IEEE Sensors Letters, vol. 5, no. 4, pp. 1-4, 2021.
[7] R. Du, L. Gkatzikis, C. Fischione, and M. Xiao, "Energy efficient sensor activation for water distribution networks based on compressive sensing," IEEE Journal on Selected Areas in Communications, vol. 33, no. 12, pp. 2997-3010, 2015.
[8] T. Kim, D. Qiao, and W. Choi, "Energy-efficient scheduling of internet of things devices for environment monitoring applications," in 2018 IEEE International Conference on Communications (ICC). IEEE, 2018, pp. 1-7.
[9] B. Yener, M. Magdon-Ismail, and F. Sivrikaya, "Joint problem of power optimal connectivity and coverage in wireless sensor networks," Wireless Networks, vol. 13, no. 4, pp. 537-550, 2007.

Similar Documents

Publication Publication Date Title
Tayeh et al. A spatial-temporal correlation approach for data reduction in cluster-based sensor networks
CN113810953B (zh) 一种基于数字孪生的无线传感网络资源调度方法及系统
Gupta et al. Green sensing and communication: A step towards sustainable IoT systems
Kumari et al. An energy efficient smart metering system using edge computing in LoRa network
CN109618301B (zh) 无线传感器网络的数据处理方法、可读存储介质和终端
Al-Qurabat et al. Important extrema points extraction-based data aggregation approach for elongating the WSN lifetime
Sinha et al. A multi-level strategy for energy efficient data aggregation in wireless sensor networks
Zhang et al. Energy-efficient federated learning framework for digital twin-enabled industrial internet of things
Han et al. A novel deep-learning-based robust data transmission period control framework in iot edge computing system
Jeon et al. Harvnet: resource-optimized operation of multi-exit deep neural networks on energy harvesting devices
JP2007013983A (ja) ワイヤレスセンサーネットワークにおけるダイナミックエネルギー管理方法と装置
Yang Data aggregation algorithm for wireless sensor network based on time prediction
Velayutham Ai-driven storage optimization for sustainable cloud data centers: Reducing energy consumption through predictive analytics, dynamic storage scaling, and proactive resource allocation
KR20230167872A (ko) 엣지 컴퓨팅 환경 내 딥러닝 기법을 활용한 오차예측 기반 데이터 전송주기제어 프레임워크 방법 및 시스템
Li et al. H-BILSTM: a novel bidirectional long short term memory network based intelligent early warning scheme in mobile edge computing (MEC)
Zebin et al. Research on intelligent perception model of sdn network delay
Zhao et al. Missing data reconstruction using adaptively updated dictionary in wireless sensor networks
Abbas Realization of autonomous sensor networks with ai based self-reconfiguration and optimal data transmission algorithms in resource constrained nodes
Hafeez et al. Using dynamic perceptually important points for data reduction in IoT
Ho et al. Energy efficiency learning closed-loop controls in O-RAN 5G network
Jain et al. Data prediction model in wireless sensor networks: a machine learning approach
Ghosh et al. Light-weight ML aided autonomous IoT networks
Rana et al. Optimal sampling strategy enabling energy-neutral operations at rechargeable wireless sensor networks
Hema et al. Enhancing energy‐efficient sleep scheduling for Narrowband Internet of Things devices in coordinated 5G networks within smart environments
Tang et al. Digital Twin-Enabled Efficient Federated Learning for Collision Warning in Intelligent Driving