KR20240006253A - 데이터 수집을 위한 엣지 컴퓨팅 방법, 장치 및 시스템 - Google Patents

데이터 수집을 위한 엣지 컴퓨팅 방법, 장치 및 시스템 Download PDF

Info

Publication number
KR20240006253A
KR20240006253A KR1020220083082A KR20220083082A KR20240006253A KR 20240006253 A KR20240006253 A KR 20240006253A KR 1020220083082 A KR1020220083082 A KR 1020220083082A KR 20220083082 A KR20220083082 A KR 20220083082A KR 20240006253 A KR20240006253 A KR 20240006253A
Authority
KR
South Korea
Prior art keywords
time series
edge computing
series data
data
computing devices
Prior art date
Application number
KR1020220083082A
Other languages
English (en)
Inventor
이종현
Original Assignee
주식회사 엘지유플러스
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 주식회사 엘지유플러스 filed Critical 주식회사 엘지유플러스
Priority to KR1020220083082A priority Critical patent/KR20240006253A/ko
Publication of KR20240006253A publication Critical patent/KR20240006253A/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/02—Capturing of monitoring data
    • H04L43/028—Capturing of monitoring data by filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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]
    • G16Y10/00—Economic sectors
    • G16Y10/75—Information technology; Communication
    • 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]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0604—Management of faults, events, alarms or notifications using filtering, e.g. reduction of information by using priority, element types, position or time
    • H04L41/0622—Management of faults, events, alarms or notifications using filtering, e.g. reduction of information by using priority, element types, position or time based on time
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0823—Errors, e.g. transmission errors
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computer And Data Communications (AREA)

Abstract

본 발명은 데이터 수집을 위한 엣지 컴퓨팅 방법, 장치 및 시스템에 관한 것으로 엣지 컴퓨팅 서버에 의해 수행되는 데이터 수집 방법에 있어서, 복수개의 엣지 컴퓨팅 디바이스들 중 일부의 엣지 컴퓨팅 디바이스들에 비정상 패턴을 필터링하기 위한 필터링 정보를 전송하는 단계; 상기 일부의 엣지 컴퓨팅 디바이스들로부터 복수개의 시계열 데이터들 중 상기 필터링 정보에 따라 수집된 제 1 시계열 데이터들을 수신하고, 나머지 엣지 컴퓨팅 디바이스들로부터 제 2 시계열 데이터들을 수신하는 단계; 및 상기 제 1 시계열 데이터들 및 상기 제 2 시계열 데이터들을 병합하여 학습데이터를 구축하는 단계;를 포함한다.

Description

데이터 수집을 위한 엣지 컴퓨팅 방법, 장치 및 시스템 {EDGE COMPUTING METHOD, DEVICE AND SYSTEM FOR DATA COLLECTION}
본 발명은 엣지 컴퓨팅에 관한 것으로서, 보다 상세하게는 시계열 데이터를 패턴 별로 수집하는 엣지 컴퓨팅 방법, 장치 및 시스템에 관한 것이다.
엣지 컴퓨팅 시스템(Edge Computing System)은 사용자 또는 데이터 소스의 물리적인 위치나 그 주변에서 연산을 수행할 수 있는 시스템이다. 엣지 컴퓨팅 시스템은 연산에 대한 응답 시간을 개선하고 대역폭을 절약하기 위해서 데이터 소스와 물리적으로 가까운 위치에 연산 가능한 디바이스를 배치하는 분산 컴퓨팅 패러다임의 하나이다.
일반적으로 네트워크 상에 존재하는 IoT 디바이스의 개수가 증가함에 따라 네트워크 상의 데이터도 기하급수적으로 증가하게 되는데 많은 양의 데이터로 인해 서버의 부하가 과중해짐으로써 충분한 전송 속도와 응답 시간을 만족하지 못하는 문제가 발생할 수 있다. 이에 따라 서버의 역할을 일부 대신할 수 있는 다수의 엣지 컴퓨팅 디바이스들을 각 데이터 소스와 인접한 위치에 배치시킴으로써 네트워크 내 데이터 전송량을 줄이고 서버의 부하를 분산시킴으로써 시스템을 원활하게 운용할 수 있다.
한편, 공정의 현황이나 안전성을 모니터링하기 위하여 엣지 컴퓨팅 시스템을 구축한 산업 현장에서는 다양한 센서들을 포함하는 IoT 디바이스들을 이용하여 데이터를 수집하고 이를 엣지 컴퓨팅 디바이스가 수신하여 모니터링을 수행하고 있다. 가령, 전압이나 전류, 온도와 같은 시계열 데이터(Time Series Data)들을 수집할 수 있으며 이들 시계열 데이터들의 패턴을 비교하는 것으로 공정이 정상적으로 돌아가고 있는지 또는 문제가 발생하였는지 판단하게 된다. 이때, 실제 환경에서 수집되는 시계열 데이터들 중 거의 대부분은 정상 패턴을 나타내는 것이어서 이러한 데이터를 토대로 모델을 학습시킬 경우 편향된 학습 결과를 나타낼 수 있고 패턴을 비교하는 과정에서 비정상 패턴에 대한 분별력이 떨어지는 문제가 있었다.
한국 공개특허 제10-2021-0054725호
본 발명은 상술한 문제점을 해결하기 위한 것으로서, 시계열 데이터를 패턴 별로 수집하되, 비정상 패턴을 나타내는 시계열 데이터의 비율을 조절하는 엣지 컴퓨팅 방법, 장치 및 시스템을 제공하는데 그 목적이 있다.
본 발명의 일 양태에 따르면, 엣지 컴퓨팅 서버에 의해 수행되는 데이터 수집 방법을 제공한다. 상기 데이터 수집 방법은, 복수개의 엣지 컴퓨팅 디바이스들 중 일부의 엣지 컴퓨팅 디바이스들에게 비정상 패턴을 필터링하기 위한 필터링 정보를 전송하는 단계, 상기 일부의 엣지 컴퓨팅 디바이스들로부터 복수개의 시계열 데이터들 중 상기 필터링 정보에 따라 수집된 제 1 시계열 데이터들을 수신하고, 나머지 엣지 컴퓨팅 디바이스들로부터 제 2 시계열 데이터들을 수신하는 단계 및 상기 제 1 시계열 데이터들 및 상기 제 2 시계열 데이터들을 병합하여 학습데이터를 구축하는 단계를 포함한다.
일 측면에서, 상기 필터링 정보를 입력하는 단계는, 상기 일부의 엣지 컴퓨팅 디바이스들에 상기 비정상 패턴에 대한 라벨값을 입력하는 단계를 포함한다.
다른 측면에서, 상기 일부의 엣지 컴퓨팅 디바이스들은 각각 시계열 데이터의 패턴을 분류하기 위한 분류기(Classifier)를 포함하고, 상기 분류기는 상기 라벨값에 따라 상기 시계열 데이터의 패턴을 정상 또는 비정상으로 분류한다.
또 다른 측면에서, 상기 제 1 시계열 데이터들은 비정상 패턴을 나타내는 시계열 데이터들이고, 상기 제 2 시계열 데이터들은 정상 패턴을 나타내는 시계열 데이터들이다.
또 다른 측면에서, 상기 복수개의 엣지 컴퓨팅 디바이스들은 각각 시계열 데이터를 감지하기 위한 적어도 하나의 IoT 디바이스와 연결되고, 상기 시계열 데이터는 상기 적어도 하나의 IoT 디바이스가 감지하는 진동, 전류, 전압, 자기장 및 온도 중 적어도 하나를 포함한다.
또 다른 측면에서, 상기 학습데이터를 구축하는 단계는, 상기 제 1 시계열 데이터들 및 상기 제 2 시계열 데이터들 간의 비율을 비교하는 단계를 더 포함하고, 상기 비율을 비교하는 단계는 상기 제 1 시계열 데이터들의 개수 대비 상기 제 2 시계열 데이터들의 개수가 기준 비율의 범위에 포함되면 상기 학습데이터를 구축하는 단계를 포함한다.
본 발명의 다른 양태에 따르면, 엣지 컴퓨팅 디바이스에 의해 수행되는 데이터 수집 방법을 제공한다. 상기 데이터 수집 방법은, 복수개의 IoT 디바이스들로부터 각각 복수개의 시계열 데이터들을 수신하는 단계, 엣지 컴퓨팅 서버의 필터링 정보에 따라 상기 복수개의 시계열 데이터들의 패턴을 분류하는 단계, 상기 패턴을 분류한 결과를 상기 엣지 컴퓨팅 서버에 전송하는 단계를 포함한다.
일 측면에서, 상기 패턴을 분류하는 단계는, 상기 필터링 정보의 입력 여부에 따라 제 1 모드 또는 제 2 모드로 동작하는 단계를 더 포함하고, 상기 제 1 모드 또는 제 2 모드로 동작하는 단계는, 상기 필터링 정보가 입력된 경우에는 상기 제 1 모드로 동작하여 비정상 패턴을 나타내는 시계열 데이터를 수집하고, 상기 필터링 정보가 입력되지 않은 경우에는 상기 제 2 모드로 동작하여 정상 패턴을 나타내는 시계열 데이터를 수집한다.
본 발명의 또 다른 양태에 따르면, 데이터 수집을 위한 엣지 컴퓨팅 서버를 제공한다. 상기 엣지 컴퓨팅 서버는 데이터 수집을 위한 엣지 컴퓨팅 서버에 있어서, 복수개의 엣지 컴퓨팅 디바이스들로부터 시계열 데이터를 수신하는 통신모듈, 상기 시계열 데이터의 패턴을 필터링하기 위한 필터링 정보를 저장하는 메모리 및 상기 복수개의 엣지 컴퓨팅 디바이스들 중 일부의 엣지 컴퓨팅 디바이스들에 상기 필터링 정보를 전송하고, 상기 일부의 엣지 컴퓨팅 디바이스들로부터 상기 필터링 정보에 따라 수집된 제 1 시계열 데이터를 수신하고, 나머지 엣지 컴퓨팅 디바이스들로부터 제 2 시계열 데이터를 수신하고, 상기 제 1 시계열 데이터 및 상기 제 2 시계열 데이터를 병합하여 학습데이터를 구축하는 프로세서를 포함한다.
일 측면에서, 상기 프로세서는 상기 학습데이터를 이용하여 모델을 학습시키고, 상기 학습된 모델을 상기 복수개의 엣지 컴퓨팅 디바이스들에 공유한다.
본 발명의 또 다른 양태에 따르면 데이터 수집을 위한 엣지 컴퓨팅 디바이스를 제공한다. 상기 엣지 컴퓨팅 디바이스는 데이터 수집을 위한 엣지 컴퓨팅 디바이스에 있어서, 복수개의 IoT 디바이스들로부터 복수개의 시계열 데이터를 수신하고 엣지 컴퓨팅 서버로부터 상기 복수개의 시계열 데이터를 필터링하기 위한 필터링 정보를 수신하는 통신모듈, 상기 복수개의 시계열 데이터 및 상기 필터링 데이터를 저장하는 메모리 및 상기 필터링 정보에 따라 상기 시계열 데이터들의 패턴을 분류하는 프로세서를 포함한다.
일 측면에서, 상기 프로세서는 상기 필터링 정보가 입력된 경우에는 제 1 모드로 동작하여 비정상 패턴을 나타내는 시계열 데이터를 상기 메모리에 저장하고, 상기 필터링 정보가 입력되지 않은 경우에는 제 2 모드로 동작하여 정상 패턴을 나타내는 시계열 데이터를 상기 메모리에 저장한다.
본 발명의 또 다른 양태에 따르면 데이터 수집을 위한 엣지 컴퓨팅 시스템을 제공한다. 상기 엣지 컴퓨팅 시스템은 데이터 수집을 위한 엣지 컴퓨팅 시스템에 있어서, 복수개의 시계열 데이터들을 감지하는 복수개의 IoT 디바이스, 상기 복수개의 IoT 디바이스들로부터 상기 시계열 데이터들을 수신하고 필터링 정보에 따라 상기 시계열 데이터들의 패턴을 분류하는 복수개의 엣지 컴퓨팅 디바이스들 및 상기 복수개의 엣지 컴퓨팅 디바이스들 중 일부의 엣지 컴퓨팅 디바이스들에 상기 필터링 정보를 전송하고, 상기 일부의 엣지 컴퓨팅 디바이스들에서 수집된 제 1 시계열 데이터 및 나머지 엣지 컴퓨팅 디바이스들에서 수집된 제 2 시계열 데이터를 병합하여 학습데이터를 구축하는 엣지 컴퓨팅 서버를 포함한다.
일 측면에서, 상기 일부의 엣지 컴퓨팅 디바이스들은 상기 필터링 정보에 따라 비정상 패턴을 나타내는 상기 제 1 시계열 데이터를 수집하고, 상기 나머지 엣지 컴퓨팅 디바이스들은 정상 패턴을 나타내는 상기 제 2 시계열 데이터를 수집한다.
다른 측면에서, 상기 엣지 컴퓨팅 서버는 상기 학습데이터를 이용하여 모델을 학습시키고, 상기 학습된 모델을 상기 복수개의 엣지 컴퓨팅 디바이스들에 공유한다.
본 발명의 실시예들은 다음의 장점들을 포함하는 효과를 가질 수 있다. 다만, 본 발명의 실시 예들이 이를 전부 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 발명의 일 실시예에 따른 데이터 수집을 위한 엣지 컴퓨팅 방법, 장치 및 시스템은 비정상 패턴을 나타내는 시계열 데이터의 비율을 증가시켜서 모델의 학습이 편향되지 않게 하는 효과가 있다.
또한, 임의로 생성된 비정상 패턴이 아닌 실제 현장에서 발생되는 비정상 패턴을 나타내는 시계열 데이터를 이용하여 모델의 학습 정확도를 높이는 효과가 있다.
또한, 필요에 따라 시계열 데이터에 대한 필터링 기준을 적용하여 불필요한 학습데이터 구축을 방지하는 효과가 있다.
또한, 학습된 모델을 엣지 컴퓨팅 디바이스들에 공유하여 필터링 연산에 따른 서버 부하를 방지하는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 데이터 수집을 위한 엣지 컴퓨팅 시스템의 동작을 개략적으로 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 데이터 수집을 위한 엣지 컴퓨팅 방법에 대한 순서도이다.
도 3은 본 발명의 다른 일 실시예에 따른 데이터 수집을 위한 엣지 컴퓨팅 방법에 대한 순서도이다.
도 4는 본 발명의 일 실시예에 따른 데이터 수집을 위한 엣지 컴퓨팅 장치에 대한 블록도이다.
도 5는 본 발명의 일 실시예에 따른 데이터 수집을 위한 엣지 컴퓨팅 시스템에 대한 블록도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제 1, 제 2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 '연결되어' 있다거나 '접속되어' 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 '직접 연결되어' 있다거나 '직접 접속되어' 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, '포함하다' 또는 '가지다' 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도면에 대한 상세한 설명을 하기에 앞서, 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능 별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다.
그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있다. 따라서, 본 명세서를 통해 설명되는 각 구성부들의 존재 여부는 기능적으로 해석되어야 할 것이다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
도 1은 본 발명의 일 실시예에 따른 데이터 수집을 위한 엣지 컴퓨팅 시스템의 동작을 개략적으로 나타낸 도면이다. 데이터 수집을 위한 엣지 컴퓨팅 시스템 (100)은 IoT 디바이스(110), 엣지 컴퓨팅 디바이스(120) 및 엣지 컴퓨팅 서버(130)를 포함한다. 엣지 컴퓨팅 시스템(100)을 기반으로 하여, 비즈니스 모델(Business Model, BM)이 구현될 수 있다.
IoT 디바이스(110)는 모바일 단말, 휴대용 단말, 스마트폰, PDA(Personal Digital Assistant), 스마트홈 단말, 산업용 IoT 단말, 헬스케어 단말, 복합 센서 단말, 웨어러블 단말을 포함할 수 있다. IoT 디바이스(110)는 서로 다른 종류의 복수개의 센서들을 탑재할 수 있으며 센서들을 이용하여 현장에서 발생되는 다양한 종류의 시계열 데이터를 감지할 수 있다. 일 실시예로, 제품 제조 공정에서 발생하는 진동, 전류, 전압, 자기장 및 온도 중 적어도 하나를 감지할 수 있다. 이러한 시계열 데이터를 감지하기 위해서 IoT 디바이스(110)는 진동센서, 전류센서, 전압센서, 자기장센서, 온도센서와 같은 센서들이 탑재될 수 있다. 물론 여기에서 언급한 시계열 데이터의 종류에 국한되지 않고 IoT 디바이스(110)를 착용한 사람의 맥박이나 호흡, 가정 내 도시가스 누출량과 같이 시계열 특징을 나타내는 다양한 종류의 데이터들을 감지할 수도 있다.
엣지 컴퓨팅 디바이스(120)는 PC, 노트북, 데스크탑, 태블릿, IoT용 데이터베이스, 데이터 스토리지, 데이터 센터, 네트워크 노드, 어플리케이션 컨테이너, IoT 센서 기지국을 포함할 수 있다. 엣지 컴퓨팅 디바이스(120)는 엣지 컴퓨팅 서버(130)의 부하를 줄이기 위해서 IoT 디바이스(110)가 구비된 현장에서 물리적으로 가까운 거리에 위치하는 장치이다. 엣지 컴퓨팅 디바이스(120)는 적어도 하나의 IoT 디바이스(110)들과 연결될 수 있으며 IoT 디바이스(110)에서 감지된 시계열 데이터를 수신할 수 있다. 이를 위해 엣지 컴퓨팅 디바이스(120)는 IoT 디바이스(110)들로부터 시계열 데이터를 수신하기 위한 별도의 통신 경로 내지는 통신 채널이 설정될 수 있다. 엣지 컴퓨팅 디바이스(120) 또한 IoT 디바이스(110)와 마찬가지로 복수개가 구비될 수 있다. 즉, 하나의 엣지 컴퓨팅 서버(130)를 기준으로 동일 네트워크에 복수개의 엣지 컴퓨팅 디바이스(120)들이 포함될 수 있고, 각각의 엣지 컴퓨팅 디바이스마다 적어도 하나의 IoT 디바이스들이 연결될 수 있다.
엣지 컴퓨팅 디바이스(120)는 IoT 디바이스에서 수신한 시계열 데이터의 패턴을 분류할 수 있다. 패턴 분류를 위해 엣지 컴퓨팅 디바이스(120)는 분류기(Classifier)를 포함할 수 있다. 엣지 컴퓨팅 디바이스(120)는 분류기를 이용하여 시계열 데이터의 패턴이 정상 패턴인지 또는 비정상 패턴인지 분류할 수 있다.
엣지 컴퓨팅 서버(130)는 PC, 노트북, 데스크탑, 태블릿, IoT용 데이터베이스, 데이터 스토리지, 데이터 센터, 네트워크 노드, 클라우드 서버, IoT 서버를 포함할 수 있다. 엣지 컴퓨팅 서버(130)는 엣지 컴퓨팅 디바이스(120)와 연결되어 시계열 데이터를 수집할 수 있다. 상술한 바와 같이 같은 네트워크 상에 복수개의 엣지 컴퓨팅 디바이스들이 구비될 수 있으며 엣지 컴퓨팅 서버(130)는 각 엣지 컴퓨팅 디바이스들로부터 시계열 데이터를 수집할 수 있다.
시계열 데이터의 패턴을 편향되지 않게 수집하기 위해서 엣지 컴퓨팅 서버(130)는 복수개의 엣지 컴퓨팅 디바이스들 중 일부의 엣지 컴퓨팅 디바이스에 필터링 정보를 전송할 수 있다. 필터링 정보는 시계열 데이터의 패턴을 필터링하기 위한 기준이 되는 정보일 수 있다. 즉, 시계열 데이터의 패턴이 정상인지 비정상인지를 판단하는 라벨값일 수 있다. 가령, 시계열 데이터가 온도를 감지한 값인 경우, 엣지 컴퓨팅 서버(130)는 온도의 최소값에서 최대값까지의 범위를 필터링 정보로 입력할 수 있고, 이러한 필터링 정보를 수신한 엣지 컴퓨팅 디바이스(120)는 온도에 대한 시계열 데이터가 수신된 필터링 정보의 범위에 속하면 정상 패턴인 것으로 분류할 수 있다. 또는 시계열 데이터의 최소값이 필터링 정보의 범위보다 낮거나, 최대값이 필터링 정보의 범위보다 높거나, 둘 다 필터링 정보의 범위를 벗어나면 비정상 패턴인 것으로 분류할 수 있다.
엣지 컴퓨팅 서버(130)는 필터링 정보를 전송한 일부의 엣지 컴퓨팅 디바이스들로부터는 비정상 패턴을 나타내는 제 1 시계열 데이터를 수신하고 나머지 엣지 디바이슬로부터는 정상 패턴을 나타내는 제 2 시계열 데이터를 수신할 수 있다. 즉, 복수개의 엣지 컴퓨팅 디바이스들은 필터링 정보를 수신 여부에 따라 각각 다른 패턴의 시계열 데이터를 수집할 수 있다. 복수개의 엣지 컴퓨팅 디바이스들은 필터링 정보의 수신 여부에 따라 각각 서로 다른 모드로 동작할 수 있다. 예컨대, 필터링 정보를 수신한 경우에는 제 1 모드로 동작하여 비정상 패턴을 나타내는 시계열 데이터들을 수집할 수 있고, 필터링 정보를 수신하지 않은 경우에는 제 2 모드로 동작하여 정상 패턴을 나타내는 시계열 데이터들을 수집할 수 있다.
한편, 엣지 컴퓨팅 서버(130)는 시계열 데이터를 자동으로 분류하기 위한 모델을 탑재할 수 있다. 엣지 컴퓨팅 서버(130)는 복수의 엣지 컴퓨팅 디바이스들로부터 수신한 복수개의 시계열 데이터를 이용하여 학습데이터를 구축할 수 있다. 그리고 구축된 학습데이터를 이용하여 모델을 학습시킬 수 있다.
모델을 학습시키는 과정에 있어서, 필터링 정보를 이용하지 않고 시계열 데이터를 그대로 수집하여 학습데이터를 구축하는 경우에는 학습데이터에 포함된 비정상 패턴의 시계열 데이터의 비율이 현저하게 적게 포함될 수 있다. 실제 현장에서 발생되는 시계열 데이터는 거의 대부분이 정상 패턴을 나타내는 시계열 데이터이고, 일부 극소수의 비정상 패턴을 나타내는 시계열 데이터들이 포함되는데 극단적인 경우 99.99%가 정상 패턴의 데이터이고 0.01%가 비정상 패턴의 데이터일 수 있다. 이러한 시계열 데이터들로 구성된 학습데이터를 모델에 입력하여 학습을 진행시키면 모델이 비정상 패턴을 제대로 학습하지 못하게 되므로 편향된 학습 결과가 나타날 수 있다. 결과적으로 학습의 정확도가 낮아질 수 있다.
이러한 문제점을 해결하기 위해서, 엣지 컴퓨팅 서버(130)가 일부의 엣지 컴퓨팅 디바이스들에 필터링 정보를 입력함으로써 비정상 패턴을 나타내는 시계열 데이터만 수집하도록 제어한 뒤, 상대적을 비정상 패턴을 나타내는 시계열 데이터의 비율이 높은 학습데이터를 구축함으로써 모델의 학습 결과가 편향되는 것을 방지할 수 있다. 이는 임의의 방법으로 비정상 패턴을 나타내는 학습데이터를 생성하거나 극소수의 비정상 패턴을 나타내는 시계열 데이터를 증폭시키는 것과는 달리 실제 필드에서 발생되는 비정상 패턴을 학습에 이용하기 때문에 모델의 학습 편향을 방지하고 높은 학습 정확도를 달성하는 것이 가능하다.
한편, 상술한 바와 같이 실제 필드에서 발생하는 시계열 데이터를 토대로 학습데이터를 구축하는데 있어서 정상 패턴을 나타내는 시계열 데이터들과 비정상 패턴을 나타내는 시계열 데이터들 간에 비율을 조절하여 학습데이터를 구축할 수 있다. 즉, 같은 시간 동안 시계열 데이터를 수집하는 복수개의 엣지 컴퓨팅 디바이스들 중 비정상 패턴을 수집하는 엣지 컴퓨팅 디바이스의 개수를 정상 패턴을 수집하는 엣지 컴퓨팅 디바이스보다 크게 증가시켜서 제 1 시계열 데이터의 개수와 제 2 시계열 데이터의 개수 간의 비율을 비슷하게 조절할 수 있다. 엣지 컴퓨팅 서버(130)는 각각의 엣지 컴퓨팅 디바이스들로부터 수신한 시계열 데이터들을 비교하여 제 1 시계열 데이터의 개수 대비 제 2 시계열 데이터의 개수가 기준 비율의 범위에 포함되는지 판단할 수 있다. 만약 기준 비율을 벗어나는 것으로 판단하면 복수개의 엣지 컴퓨팅 디바이스들 중 필터링 정보를 수신하는 엣지 컴퓨팅 디바이스의 개수를 증가시키는 것으로 비정상 패턴을 나타내는 시계열 데이터를 더 많이 수신할 수 있다. 따라서, 모델의 편향된 학습을 방지할 수 있는 학습데이터를 구축할 수 있다.
한편, 학습된 모델은 복수개의 엣지 컴퓨팅 디바이스들에 공유될 수 있다. 모델을 공유한 이후로는 각각의 엣지 컴퓨팅 디바이스들에서 시계열 데이터가 정상인지 아닌지를 판단하고 판단 결과만 엣지 컴퓨팅 서버로 전송함으로써 네트워크의 데이터 전송량을 줄일 수 있다.
도 2는 본 발명의 일 실시예에 따른 데이터 수집을 위한 엣지 컴퓨팅 방법에 대한 순서도이다. 도 2를 참조하면 데이터 수집을 위한 엣지 컴퓨팅 방법(200)은 S210 내지 S250 단계를 포함한다. 데이터 수집을 위한 엣지 컴퓨팅 방법(200)은 엣지 컴퓨팅 서버를 통해 수행될 수 있다. 본 실시예에 따른 방법은 엣지 컴퓨팅 서버에 의한 동작으로 설명되나, 엣지 컴퓨팅 서버 이외에 다른 장치에 의한 동작으로 치환될 수 있음은 당업자에게 자명하다.
S210 단계에서 엣지 컴퓨팅 서버는 복수개의 엣지 컴퓨팅 디바이스들 중 일부의 엣지 컴퓨팅 디바이스들에 필터링 정보를 전송한다. 필터링 정보는 엣지 컴퓨팅 디바이스들이 수신하는 시계열 데이터의 패턴을 분류하기 위한 라벨값일 수 있다. 복수개의 엣지 컴퓨팅 디바이스들 중 일부의 엣지 컴퓨팅 디바이스들만 필터링 정보를 수신하여 비정상 패턴을 나타내는 시계열 데이터를 수집하고 나머지 엣지 컴퓨팅 디바이스들은 별도의 필터링 과정을 거치지 않은 시계열 데이터를 수집할 수 있다.
S220 단계에서 엣지 컴퓨팅 서버는 자신의 필터링 정보를 수신한 일부의 엣지 컴퓨팅 디바이스들로부터 제 1 시계열 데이터를 수신하고 나머지 엣지 컴퓨팅 디바이스들로부터 제 2 시계열 데이터를 수신한다. 제 1 시계열 데이터는 필터링 정보를 기준으로 필터링된 비정상 패턴을 나타내는 시계열 데이터를 의미하며, 제 2 시계열 데이터는 정상 패턴을 나타내는 시계열 데이터를 의미한다. 제 2 시계열 데이터의 경우 별도의 필터링 과정을 거치지 않고 IoT 디바이스들로부터 그대로 수신한 것이므로 비정상 패턴을 나타내는 시계열 데이터가 포함될 수도 있다. 다만, 실제 필드에서 수집되는 비정상 패턴의 데이터 개수는 극히 적은 수이므로 여기에서는 제 2 시계열 데이터를 정상 패턴을 나타내는 시계열 데이터로 간주한다.
S230 단계에서 엣지 컴퓨팅 서버는 제 1 시계열 데이터의 개수 대비 제 2 시계열 데이터의 개수가 기준 범위에 포함되는지 판단한다. 본 발명에서 엣지 컴퓨팅 서버가 구축하고자 하는 학습데이터는 모델의 편향된 학습을 방지하기 위한 것으로, 바람직하게는 비정상 패턴의 시계열 데이터와 정상 패턴의 시계열 데이터가 서로 비슷한 개수로 이루어진 것일 수 있다. 가령, 제 1 시계열 데이터의 개수 대비 제 2 시계열 데이터의 개수에 대한 기준 범위가 4.5 내지 5.5일 수 있다. S230 단계에서 엣지 컴퓨팅 서버는 두 패턴의 시계열 데이터들의 개수를 비교하여 서로 비슷한 개수인지 비교할 수 있다. 만약 두 패턴의 시계열 데이터들의 개수가 기준 범위에 포함되지 않는다면 S240 단계에 따라 비정상 패턴을 나타내는 제 1 시계열 데이터를 수집하는 엣지 디바이스의 개수를 증가시킬 수 있다. 반대로, 두 패턴의 시계열 데이터들의 개수가 기준 범위에 포함되면 S250 단계에 따라 두 패턴의 시계열 데이터들을 병합하여 학습데이터를 구축할 수 있다.
도 3은 본 발명의 다른 일 실시예에 따른 데이터 수집을 위한 엣지 컴퓨팅 방법에 대한 순서도이다. 도 3을 참조하면 데이터 수집을 위한 엣지 컴퓨팅 방법(300)은 S310 내지 S350 단계를 포함한다. 데이터 수집을 위한 엣지 컴퓨팅 방법(300)은 엣지 컴퓨팅 시스템에 포함된 복수개의 엣지 컴퓨팅 디바이스들에서 각각 수행될 수 있다. 본 실시예에 따른 방법은 엣지 컴퓨팅 디바이스에 의한 동작으로 설명되나, 엣지 컴퓨팅 디바이스 이외에 다른 장치에 의한 동작으로 치환될 수 있음은 당업자에게 자명하다.
S310 단계에서 엣지 컴퓨팅 디바이스는 복수개의 IoT 디바이스들로부터 각각 복수개의 시계열 데이터를 수신한다. 엣지 컴퓨팅 디바이스는 적어도 하나의 IoT 디바이스와 연결될 수 있으며 IoT 디바이스는 현장에서 발생되는 다양한 종류의 시계열 데이터를 감지하여 각각 연결된 엣지 컴퓨팅 디바이스로 전송할 수 있다. IoT 디바이스가 감지하는 데이터는 정해진 시간 동안의 패턴 변화를 파악할 수 있는 시계열 데이터이므로 미리 입력된 시간 동안 감지되는 데이터일 수 있다. 여기에서 미리 입력되는 감지 시간은 엣지 컴퓨팅 디바이스로부터 입력받거나 엣지 컴퓨팅 서버로부터 입력된 것을 엣지 컴퓨팅 디바이스를 통해 전달받는 것일 수 있다. 기본적으로는 모든 IoT 디바이스들이 서로 동일한 감지 시간을 입력받을 수 있으나 상황에 따라 서로 다른 감지 시간을 입력받을 수도 있다. 예컨대, 비정상 데이터를 수집하는 엣지 컴퓨팅 디바이스들은 연결된 IoT 디바이스들에 시계열 데이터를 감지하는 시간을 긴 값으로 입력할 수 있고 정상 데이터를 수집하는 엣지 컴퓨팅 디바이스들은 연결된 IoT 디바이스들에 시계열 데이터를 감지하는 시간을 짧은 값으로 입력할 수 있다.
S320 단계에서 엣지 컴퓨팅 디바이스는 엣지 컴퓨팅 서버에서 전송된 필터링 정보가 존재하는지 판단할 수 있다. 필터링 정보는 도 1 및 도 2를 통해 설명한 바와 같이 비정상 패턴을 나타내는 시계열 데이터만을 수집하기 위한 라벨값일 수 있다. 엣지 컴퓨팅 디바이스는 시계열 데이터의 패턴을 분류하기 위한 분류기를 포함할 수 있으며 분류기는 필터링 정보를 라벨값으로 이용하여 시계열 데이터의 패턴을 정상 또는 비정상으로 분류할 수 있다. 만약 엣지 컴퓨팅 서버로부터 수신한 필터링 정보가 존재하지 않으면 엣지 컴퓨팅 디바이스는 S330 단계에 따라 별도의 필터링 없이 IoT 디바이스에서 전송되는 모든 패턴의 시계열 데이터를 수집할 수 있다. 반대로 엣지 컴퓨팅 서버로부터 수신한 필터링 정보가 존재하면 엣지 컴퓨팅 디바이스는 S340 단계에 따라 시계열 데이터를 필터링하여 비정상 패턴을 나타내는 시계열 데이터만 수집할 수 있다.
S350 단계에서 엣지 컴퓨팅 디바이스는 수집된 시계열 데이터를 엣지 컴퓨팅 서버에 전송한다. 복수개의 엣지 컴퓨팅 디바이스는 필터링 정보의 유무에 따라 각각 비정상 패턴을 나타내는 시계열 데이터 또는 정상 패턴을 나타내는 시계열 데이터들을 수집한 후 수집된 시계열 데이터들을 엣지 컴퓨팅 서버로 전송한다.
도 4는 본 발명의 일 실시예에 따른 데이터 수집을 위한 엣지 컴퓨팅 장치에 대한 블록도이다. 도 4를 참조하면 엣지 컴퓨팅 장치(400)는 엣지 컴퓨팅 시스템에 포함된 엣지 컴퓨팅 서버로 구현될 수 있다. 엣지 컴퓨팅 장치(400)는 통신모듈(410), 메모리(420) 및 프로세서(430)를 포함한다.
통신모듈(410)은 복수개의 엣지 컴퓨팅 디바이스들로부터 시계열 데이터를 수신한다. 통신모듈(410)은 엣지 컴퓨팅 서버와 복수개의 엣지 컴퓨팅 디바이스들을 각각 노드로 포함하는 클라우드 네트워크를 통해 시계열 데이터를 전송할 수 있다. 통신장치(310)는 3G, LTE, 5G와 같은 다양한 방식의 이동통신 방식으로 시계열 데이터를 엣지 컴퓨팅 서버에 전송할 수 있다. 이를 위해 다양한 이동통신망을 이용할 수 있는 모듈 또는 모뎀으로 구현될 수 있다.
메모리(420)는 시계열 데이터의 패턴을 필터링하기 위한 필터링 정보를 저장한다. 메모리(420)는 하드디스크와 같은 스토리지, 데이터베이스 또는 저장소로 구현될 수 있다.
프로세서(430)는 복수개의 엣지 컴퓨팅 디바이스들 중 일부의 엣지 컴퓨팅 디바이스들에 필터링 정보를 전송한다. 프로세서(430)는 메모리(420)에 저장된 필터링 정보를 통신모듈(410)을 이용하여 복수개의 엣지 컴퓨팅 디바이스들에 각각 전송할 수 있다. 필터링 정보의 전송은 복수개의 엣지 컴퓨팅 디바이스들에 한번에 전송될 수도 있고 순차적으로 전송될 수도 있다. 이는 클라우드 네트워크의 상태에 따라 다르게 설정될 수 있다.
한편, 프로세서(430)는 필터링 정보를 전송한 일부의 엣지 컴퓨팅 디바이스들로부터 필터링 정보에 따라 수집된 제 1 시계열 데이터를 수신한다. 그리고, 나머지 엣지 컴퓨팅 디바이스들로부터 제 2 시계열 데이터를 수신한다. 그리고, 제 1 시계열 데이터 및 제 2 시계열 데이터를 병합하여 학습데이터를 구축하고 구축된 학습데이터를 이용하여 모델을 학습시킬 수 있다. 프로세서(430)는 엣지 컴퓨팅 서버의 CPU 또는 AP로 구현될 수 있다.
한편, 다시 도 4를 참조하면 엣지 컴퓨팅 장치(400)는 엣지 컴퓨팅 시스템에 포함된 엣지 컴퓨팅 디바이스로 구현될 수도 있다. 엣지 컴퓨팅 디바이스는 통신모듈(410), 메모리(420) 및 프로세서(430)를 포함할 수 있으며 통신모듈(410)을 이용하여 복수개의 IoT 디바이스들로부터 복수개의 시계열 데이터를 수신하고, 엣지 컴퓨팅 서버로부터 필터링 정보를 수신한다. 메모리(420)는 복수개의 시계열 데이터 및 필터링 정보를 저장한다. 그리고 프로세서(430)는 필터링 정보에 따라 시계열 데이터들의 패턴을 분류한다. 엣지 컴퓨팅 디바이스의 프로세서는 필터링 정보의 유무에 따라 제 1 모드 또는 제 2 모드로 동작할 수 있으며 필터링 정보가 존재하는 경우 제 1 모드로 동작하여 비정상 패턴을 나타내는 시계열 데이터를 분류할 수 있다. 그리고 필터링 정보가 존재하지 않는 경우 제 2 모드로 동작하여 정상 패턴을 나타내는 시계열 데이터를 분류할 수 있다.
한편, 상술한 엣지 컴퓨팅 장치(400)는 컴퓨터에서 실행될 수 있는 실행 가능한 알고리즘을 포함하는 프로그램(또는 어플리케이션)으로 구현될 수도 있다. 상기 프로그램은 일시적 또는 비일시적 판독 가능 매체(non-transitory computer readable medium)에 저장되어 제공될 수 있다.
비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 어플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM (read-only memory), PROM (programmable read only memory), EPROM(Erasable PROM, EPROM) 또는 EEPROM(Electrically EPROM) 또는 플래시 메모리 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.
일시적 판독 가능 매체는 스태틱 램(Static RAM，SRAM), 다이내믹 램(Dynamic RAM，DRAM), 싱크로너스 디램 (Synchronous DRAM，SDRAM), 2배속 SDRAM(Double Data Rate SDRAM，DDR SDRAM), 증강형 SDRAM(Enhanced SDRAM，ESDRAM), 동기화 DRAM(Synclink DRAM，SLDRAM) 및 직접 램버스 램(Direct Rambus RAM，DRRAM) 과 같은 다양한 RAM을 의미한다.
도 5는 본 발명의 일 실시예에 따른 데이터 수집을 위한 엣지 컴퓨팅 시스템에 대한 블록도이다. 도 5를 참조하면 엣지 컴퓨팅 시스템(500)은 복수개의 IoT 디바이스들(510a, 510b, 510c, 510d, 510e, 510f), 복수개의 엣지 컴퓨팅 디바이스들(520a, 520b, 520c) 및 엣지 컴퓨팅 서버(530)를 포함한다.
복수개의 IoT 디바이스들(510a, 510b, 510c, 510d, 510e, 510f)은 시계열 데이터를 감지한다. 복수개의 IoT 디바이스들(510a, 510b, 510c, 510d, 510e, 510f)은 각각 공정이 진행중인 현장에 배치될 수 있으며 현장에서 발생하는 여러가지 종류의 시계열 데이터를 수집하기 위해 서로 다른 종류의 복수개의 센서들을 탑재할 수 있다.
복수개의 엣지 컴퓨팅 디바이스들(520a, 520b, 520c)은 IoT 디바이스들이 배치된 현장에서 물리적으로 가까운 위치에 구비될 수 있다. 복수개의 엣지 컴퓨팅 디바이스들(520a, 520b, 520c)은 각각 적어도 하나의 IoT 디바이스들과 연결될 수 있다. 도 5에 도시된 바와 같이 엣지 컴퓨팅 디바이스(520a)는 IoT 디바이스들(510a, 510b)와 연결될 수 있고, 엣지 컴퓨팅 디바이스(520b)는 IoT 디바이스(510c)와 연결될 수 있고, 엣지 컴퓨팅 디바이스(520c)는 IoT 디바이스들(510d, 510e, 510f)와 연결될 수 있다.
서로 연결된 엣지 컴퓨팅 디바이스와 IoT 디바이스는 같은 영역에 구비될 수 있다. 예컨대, 엣지 컴퓨팅 디바이스(520a)와 IoT 디바이스들(510a, 510b)은 제 1 영역(501)에 함께 구비될 수 있고, 엣지 컴퓨팅 디바이스(520b)와 IoT 디바이스(510c)는 제 2 영역(502)에 함께 구비될 수 있고, 엣지 컴퓨팅 디바이스(520c)와 IoT 디바이스들(510d, 510e, 510f)은 제 3 영역(503)에 함께 구비될 수 있다. 여기에서 제 1 내지 제 3 영역은 공정이 이루어지는 현장에서 인접한 공간이나 구역으로 분류되는 것일 수 있다.
복수개의 엣지 컴퓨팅 디바이스들(520a, 520b, 520c)은 각각 연결된 IoT 디바이스들로부터 시계열 데이터를 수집할 수 있다. 그리고 수집된 시계열 데이터를 필터링 정보를 이용하여 필터링할 수 있다. 복수개의 엣지 컴퓨팅 디바이스들(520a, 520b, 520c) 중 일부의 엣지 컴퓨팅 디바이스들에만 필터링 정보가 전송될 수 있으며 필터링 정보를 수신한 일부의 엣지 컴퓨팅 디바이스들은 비정상 패턴을 나타내는 제 1 시계열 데이터들만 수집할 수 있다. 그리고 나머지 엣지 컴퓨팅 디바이스들은 정상 패턴을 나타내는 제 2 시계열 데이터들을 수집할 수 있다.
엣지 컴퓨팅 서버(530)는 제 1 시계열 데이터 및 제 2 시계열 데이터를 수신하여 모델 학습에 이용하는 학습데이터를 구축한다. 학습데이터의 구축 과정에서 엣지 컴퓨팅 서버(530)는 제 1 시계열 데이터와 제 2 시계열 데이터 간의 비율을 조절하여 편향된 학습이 이루어지지 않도록 학습데이터를 구축할 수 있다.
본 발명의 일 실시예에 따른 데이터 수집을 위한 엣지 컴퓨팅 방법, 장치 및 시스템은 이해를 돕기 위하여 도면에 도시된 실시예를 참고하여 설명되었지만 이는 예시적인 것에 불과하며, 당해 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위에 의해 정해져야 할 것이다.

Claims (15)

  1. 엣지 컴퓨팅 서버에 의해 수행되는 데이터 수집 방법에 있어서,
    복수개의 엣지 컴퓨팅 디바이스들 중 일부의 엣지 컴퓨팅 디바이스들에게 비정상 패턴을 필터링하기 위한 필터링 정보를 전송하는 단계;
    상기 일부의 엣지 컴퓨팅 디바이스들로부터 복수개의 시계열 데이터들 중 상기 필터링 정보에 따라 수집된 제 1 시계열 데이터들을 수신하고, 나머지 엣지 컴퓨팅 디바이스들로부터 제 2 시계열 데이터들을 수신하는 단계; 및
    상기 제 1 시계열 데이터들 및 상기 제 2 시계열 데이터들을 병합하여 학습데이터를 구축하는 단계;를 포함하는 데이터 수집 방법.
  2. 제 1 항에 있어서, 상기 필터링 정보를 입력하는 단계는,
    상기 일부의 엣지 컴퓨팅 디바이스들에 상기 비정상 패턴에 대한 라벨값을 입력하는 단계를 포함하는 데이터 수집 방법.
  3. 제 2 항에 있어서,
    상기 일부의 엣지 컴퓨팅 디바이스들은 각각 시계열 데이터의 패턴을 분류하기 위한 분류기(Classifier)를 포함하고,
    상기 분류기는 상기 라벨값에 따라 상기 시계열 데이터의 패턴을 정상 또는 비정상으로 분류하는 데이터 수집 방법.
  4. 제 1 항에 있어서,
    상기 제 1 시계열 데이터들은 비정상 패턴을 나타내는 시계열 데이터들이고, 상기 제 2 시계열 데이터들은 정상 패턴을 나타내는 시계열 데이터들인 데이터 수집 방법.
  5. 제 1 항에 있어서,
    상기 복수개의 엣지 컴퓨팅 디바이스들은 각각 시계열 데이터를 감지하기 위한 적어도 하나의 IoT 디바이스와 연결되고, 상기 시계열 데이터는 상기 적어도 하나의 IoT 디바이스가 감지하는 진동, 전류, 전압, 자기장 및 온도 중 적어도 하나를 포함하는 데이터 수집 방법.
  6. 제 1 항에 있어서, 상기 학습데이터를 구축하는 단계는,
    상기 제 1 시계열 데이터들 및 상기 제 2 시계열 데이터들 간의 비율을 비교하는 단계를 더 포함하고,
    상기 비율을 비교하는 단계에서 상기 제 1 시계열 데이터들의 개수 대비 상기 제 2 시계열 데이터들의 개수가 기준 비율의 범위에 포함되는 것으로 판단하면 상기 학습데이터를 구축하는 데이터 수집 방법.
  7. 엣지 컴퓨팅 디바이스에 의해 수행되는 데이터 수집 방법에 있어서,
    복수개의 IoT 디바이스들로부터 각각 복수개의 시계열 데이터들을 수신하는 단계;
    엣지 컴퓨팅 서버의 필터링 정보에 따라 상기 복수개의 시계열 데이터들의 패턴을 분류하는 단계; 및
    상기 패턴을 분류한 결과를 상기 엣지 컴퓨팅 서버에 전송하는 단계;를 포함하는 데이터 수집 방법.
  8. 제 7 항에 있어서, 상기 패턴을 분류하는 단계는,
    상기 필터링 정보의 입력 여부에 따라 제 1 모드 또는 제 2 모드로 동작하는 단계를 더 포함하고,
    상기 제 1 모드 또는 제 2 모드로 동작하는 단계는, 상기 필터링 정보가 입력된 경우에는 상기 제 1 모드로 동작하여 비정상 패턴을 나타내는 시계열 데이터를 수집하고, 상기 필터링 정보가 입력되지 않은 경우에는 상기 제 2 모드로 동작하여 정상 패턴을 나타내는 시계열 데이터를 수집하는 데이터 수집 방법.
  9. 데이터 수집을 위한 엣지 컴퓨팅 서버에 있어서,
    복수개의 엣지 컴퓨팅 디바이스들로부터 시계열 데이터를 수신하는 통신모듈;
    상기 시계열 데이터의 패턴을 필터링하기 위한 필터링 정보를 저장하는 메모리; 및
    상기 복수개의 엣지 컴퓨팅 디바이스들 중 일부의 엣지 컴퓨팅 디바이스들에 상기 필터링 정보를 전송하고, 상기 일부의 엣지 컴퓨팅 디바이스들로부터 상기 필터링 정보에 따라 수집된 제 1 시계열 데이터를 수신하고, 나머지 엣지 컴퓨팅 디바이스들로부터 제 2 시계열 데이터를 수신하고, 상기 제 1 시계열 데이터 및 상기 제 2 시계열 데이터를 병합하여 학습데이터를 구축하는 프로세서;를 포함하는 엣지 컴퓨팅 서버.
  10. 제 9 항에 있어서,
    상기 프로세서는 상기 학습데이터를 이용하여 모델을 학습시키고, 상기 학습된 모델을 상기 복수개의 엣지 컴퓨팅 디바이스들에 공유하는 엣지 컴퓨팅 서버.
  11. 데이터 수집을 위한 엣지 컴퓨팅 디바이스에 있어서,
    복수개의 IoT 디바이스들로부터 복수개의 시계열 데이터를 수신하고 엣지 컴퓨팅 서버로부터 상기 복수개의 시계열 데이터를 필터링하기 위한 필터링 정보를 수신하는 통신모듈;
    상기 복수개의 시계열 데이터 및 상기 필터링 데이터를 저장하는 메모리; 및
    상기 필터링 정보에 따라 상기 시계열 데이터들의 패턴을 분류하는 프로세서;를 포함하는 엣지 컴퓨팅 디바이스.
  12. 제 11 항에 있어서,
    상기 프로세서는 상기 필터링 정보가 입력된 경우에는 제 1 모드로 동작하여 비정상 패턴을 나타내는 시계열 데이터를 상기 메모리에 저장하고, 상기 필터링 정보가 입력되지 않은 경우에는 제 2 모드로 동작하여 정상 패턴을 나타내는 시계열 데이터를 상기 메모리에 저장하는 엣지 컴퓨팅 디바이스.
  13. 데이터 수집을 위한 엣지 컴퓨팅 시스템에 있어서,
    복수개의 시계열 데이터들을 감지하는 복수개의 IoT 디바이스;
    상기 복수개의 IoT 디바이스들로부터 상기 시계열 데이터들을 수신하고 필터링 정보에 따라 상기 시계열 데이터들의 패턴을 분류하는 복수개의 엣지 컴퓨팅 디바이스들; 및
    상기 복수개의 엣지 컴퓨팅 디바이스들 중 일부의 엣지 컴퓨팅 디바이스들에 상기 필터링 정보를 전송하고, 상기 일부의 엣지 컴퓨팅 디바이스들에서 수집된 제 1 시계열 데이터 및 나머지 엣지 컴퓨팅 디바이스들에서 수집된 제 2 시계열 데이터를 병합하여 학습데이터를 구축하는 엣지 컴퓨팅 서버;를 포함하는 엣지 컴퓨팅 시스템.
  14. 제 13 항에 있어서,
    상기 일부의 엣지 컴퓨팅 디바이스들은 상기 필터링 정보에 따라 비정상 패턴을 나타내는 상기 제 1 시계열 데이터를 수집하고, 상기 나머지 엣지 컴퓨팅 디바이스들은 정상 패턴을 나타내는 상기 제 2 시계열 데이터를 수집하는 데이터 수집 시스템.
  15. 제 13 항에 있어서,
    상기 엣지 컴퓨팅 서버는 상기 학습데이터를 이용하여 모델을 학습시키고, 상기 학습된 모델을 상기 복수개의 엣지 컴퓨팅 디바이스들에 공유하는 엣지 컴퓨팅 시스템.
KR1020220083082A 2022-07-06 2022-07-06 데이터 수집을 위한 엣지 컴퓨팅 방법, 장치 및 시스템 KR20240006253A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220083082A KR20240006253A (ko) 2022-07-06 2022-07-06 데이터 수집을 위한 엣지 컴퓨팅 방법, 장치 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220083082A KR20240006253A (ko) 2022-07-06 2022-07-06 데이터 수집을 위한 엣지 컴퓨팅 방법, 장치 및 시스템

Publications (1)

Publication Number Publication Date
KR20240006253A true KR20240006253A (ko) 2024-01-15

Family

ID=89543056

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220083082A KR20240006253A (ko) 2022-07-06 2022-07-06 데이터 수집을 위한 엣지 컴퓨팅 방법, 장치 및 시스템

Country Status (1)

Country Link
KR (1) KR20240006253A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210054725A (ko) 2019-11-06 2021-05-14 주식회사 스칼라웍스 엣지 기반의 위험상황 처리 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210054725A (ko) 2019-11-06 2021-05-14 주식회사 스칼라웍스 엣지 기반의 위험상황 처리 장치

Similar Documents

Publication Publication Date Title
WO2019165817A1 (zh) 可疑洗钱团伙的识别方法和识别装置
TWI718643B (zh) 異常群體識別方法及裝置
TWI673666B (zh) 資料風險控制的方法及裝置
Zhang et al. LPPLS bubble indicators over two centuries of the S&P 500 index
US20180181751A1 (en) Anomaly Detection in Distributed Ledger Systems
JP2021511557A (ja) ブロックチェーンベースのリソース価値評価方法および装置
Saneja et al. An efficient approach for outlier detection in big sensor data of health care
CN111897705B (zh) 服务状态处理、模型训练方法、装置、设备和存储介质
KR20190048004A (ko) 기계 학습 기반의 이상 행위 탐지 방법 및 그 장치
Nguyen et al. Temporal and spatial outlier detection in wireless sensor networks
US20130322686A1 (en) Profiling Activity Through Video Surveillance
Manral IoT enabled Insurance Ecosystem-Possibilities Challenges and Risks
Tian et al. Attention-based graph neural network for identifying illicit bitcoin addresses
Kambham et al. Predicting personality traits using smartphone sensor data and app usage data
Nandi et al. Model selection approach for distributed fault detection in wireless sensor networks
US11487739B2 (en) System and methods for data model detection and surveillance
KR20240006253A (ko) 데이터 수집을 위한 엣지 컴퓨팅 방법, 장치 및 시스템
Xu et al. LEDFD: A low energy consumption distributed fault detection algorithm for wireless sensor networks
EP3480734A1 (en) Generalized one-class support vector machines with jointly optimized hyperparameters thereof
US10756950B2 (en) Identifying a potentially erroneous device in an internet of things (IoT) network
CN104424596B (zh) 基于通信日志的报文分析方法以及生产报文分析工具
US11416734B2 (en) Integrated sensing system
WO2022245706A1 (en) Fault detection and mitigation for aggregate models using artificial intelligence
Brahmam et al. NODSTAC: novel outlier detection technique based on spatial, temporal and attribute correlations on IoT Bigdata
JP2019532525A (ja) インテリジェントなトゥキャップ