KR20240023840A

KR20240023840A - 차량 엣지 네트워트 기반 크라우드 센싱 시스템

Info

Publication number: KR20240023840A
Application number: KR1020220102041A
Authority: KR
Inventors: 이동만; 장시영
Original assignee: 한국과학기술원
Priority date: 2022-08-16
Filing date: 2022-08-16
Publication date: 2024-02-23
Also published as: WO2024038986A1

Abstract

차량 엣지 네트워트 기반 크라우드 센싱 시스템으로, 서비스 요청 유닛(SP);
데이터 제공 유닛(DP); 상기 서비스 요청 차량(SP)으로부터 서비스 요청을 수신받아, 상기 데이터 제공 유닛(DP)으로부터의 영상 데이터를 처리하여 서비스 요청 유닛(SP)에 제공하는 서비스 제공 유닛(SP); 및 상기 서비스 제공 유닛(SP)에 상기 데이터 제공 유닛(DP)의 신뢰도 가중치를 전송하는 중앙처리 유닛(CE)를 포함하며, 상기 서비스 제공 유닛(SP)은 상기 데이터 제공 유닛(DP)의 신뢰도가 기설정된 신뢰도 임계치를 넘는 경우에만 상기 데이터 제공 유닛(DP)으로부터의 영상정보를 상기 서비스 요청 유닛(SP)에 전송하는 것을 특징으로 하는 차량 엣지 네트워트 기반 크라우드 센싱 시스템이 제공된다.

Description

차량 엣지 네트워트 기반 크라우드 센싱 시스템{Vehicle edge network based crowd sensing system}

본 발명은 차량 엣지 네트워트 기반 크라우드 센싱 시스템에 관한 것이다.

센서가 내장된 스마트 차량의 확산과 향상된 연산 및 통신 기능은 운전자로 하여금 크라우드 센싱 기반 서비스를 받을 수 있게 한다. 예를 들어, 차량은 장착된 카메라를 통해 전방의 교통 상황 및 자동차 사고와 같은 주변의 비디오 데이터를 공유할 수 있다. 하지만, 악의적인 차량이 다른 차량을 다른 차량으로 우회시키기 위해 잘못된 정보를 전파할 수 있으며, 이러한 악의적인 행위를 방지하기 위해 신뢰할 수 있는 크라우드센싱 서비스를 위해 공유 데이터의 신뢰성 확보와 제공이 필요하다.

이를 위하여 신뢰 기반 접근 방식을 제안하여 신뢰성을 보장하는데, 예를 들어 Zhu 등은 대화형 진실 발견 알고리즘을 개시한다(L. Zhu, C. Zhang, C. Xu, and K. Sharif. 2018. RTSense: Providing reliable trust-based crowdsensing services in CVCC. IEEE Network 32, 3 (2018), 20-26). 하지만 이 기술은 디오 데이터를 분석하고 그 데이터를 추론하는 데 시간이 걸리기 때문에 실시간성을 요구하는 차량 에지 네트워크 서비스에는 적합하지 않다는 문제가 있는데, 왜냐하면 실제 환경에서 참 정보를 시간 내 확인하여 제공하는 것은 신뢰할 수 있는 클라우드 센싱 서비스에서 매우 중요하기 때문이다.

더 나아가, 몇몇 신뢰 기반 계획은 데이터 소스의 신뢰 검증 대신 시간적 요소를 더 중요하게 요구하는 경우도 있다. 이 경우 다른 차량과 인프라구조의 견해를 바탕으로 타겟 차량의 목적 신뢰(예를 들어 명성 등)를 레버리지 한다. 이 경우 데이터 분석에서 어떠한 비디오도 필요하지 않으면, 신뢰가 매우 신속히 구성될 수 있다. 하지만, 이러한 간접 증거는 공공 도로에서 일반적인 타겟 차량들간 직접적인 상호작용의 이력이 부재함을 보상하고, 불명한 차량에 대해서도 신뢰를 조기에 구축할 수 있다. 따라서, 이러한 기술은 주변 환경 관점(예를 들어 날씨, 러쉬아워, 또는 시계)에 따른 운전자의 행동에서의 역동적 특성들을 고려하지 못하는 문제가 있다. 이것은 결국 운전자 행동에 영향을 미치게 되므로, 차량 신뢰수준에 대한 업데이트를 필요로 하며, 이는 잘못하면 신뢰 에측의 정확도를 감소시키는 요인이 될 수 있다.

이러한 문제를 개선하기 위한 미세 조정 변수는 느린 학습 시간과 노동 집약적인 공정 등으로 이러한 문제에 대한 충분한 해결책을 제공하지 못한다.

따라서, 이러한 종래 기술의 문제를 해결할 수 있는 새로운 차량간 통신 방법 등이 필요한 상황이다.

따라서, 본 발명이 해결학자 하는 과제는 미상의 차량이 많이 존재하는 환경에서 공중 차량 엣지 네트워크에서 실시간으로 신뢰할 수 있는 클라우드 센싱 서비스를 제공 가능한 시스템을 제공하는 것이다.

상기 과제를 해결하기 위하여, 본 발명은 차량 엣지 네트워트 기반 크라우드 센싱 시스템으로, 서비스 요청 유닛(SP); 데이터 제공 유닛(DP); 상기 서비스 요청 차량(SP)으로부터 서비스 요청을 수신받아, 상기 데이터 제공 유닛(DP)으로부터의 영상 데이터를 처리하여 서비스 요청 유닛(SP)에 제공하는 서비스 제공 유닛(SP); 및 상기 서비스 제공 유닛(SP)에 상기 데이터 제공 유닛(DP)의 신뢰도 가중치를 전송하는 중앙처리 유닛(CE)를 포함하며, 상기 서비스 제공 유닛(SP)은 상기 데이터 제공 유닛(DP)의 신뢰도가 기설정된 신뢰도 임계치를 넘는 경우에만 상기 데이터 제공 유닛(DP)으로부터의 영상정보를 상기 서비스 요청 유닛(SP)에 전송하는 것을 특징으로 하는 차량 엣지 네트워트 기반 크라우드 센싱 시스템을 제공한다.

본 발명의 일 실시예에서, 상기 서비스 제공 유닛(SP)은 자체 이력 데이터베이스를 포함하며, 상기 신뢰도에 대한 미세 조정 모델을 활용하여 상기 신뢰도를 미세 조정하며, 상기 중앙처리 유닛(CE)은 상기 서비스 제공 유닛(SP)으로부터 데이터를 수집하는 원격 클라우드 서버이다.

본 발명의 일 실시예에서, 상기 데이터는 사용 가능한 모든 서비스 요청 유닛(SP)로부터의 수집된 환경 컨텍스트, 좋은 또는 나쁜 이력과, 데이터 제공 유닛 상태를 포함하며, 상기 중앙처리 유닛(CE)은 전이 학습 모델을 이용하여 상기 데이터로부터 획득된 신뢰도를 상기 서비스 제공 유닛(SP)에 전송한다.

본 발명의 일 실시예에서, 상기 중앙처리 유닛(CE)에서 데이터 제공 유닛(DP)의 신뢰도는 하기 식 (1)에 의하여 계산된다.

(1)

여기서 x는 데이터 제공 유닛(DP), y는 서비스 제공 유닛(SP), c는 현재 환경 컨텍스트, β는 간접 증거에 대한 가중치이며, 는 환경 컨텍스트 c에서 직접 증거 기반 x의 y 신뢰도이고, 는 간접 증거 기반 x의 y 신뢰도임. 또한 직접 신뢰도인 는 베타 분포도에 기반하여 하기 식 (2)에 따라 획득되며,

(2)

여기에서 와 는 트러스터 y가 컨텍스트 c에서의 트러스티 x에 대하여 얻은 긍정적 그리고 부정적 증거의 양임.

본 발명의 일 실시예에서, 상기 서비스 제공 유닛(SP)은 동적 신뢰 임계치 조정 모델을 활용하며, Q-학습에 기초한 시간 차를 이용하여 신뢰도를 피드백 받으며, 상기 영상정보는 복수의 영상이 스티칭된 조감도인 것을 특징으로 하는 차량 엣지 네트워트 기반 크라우드 센싱 시스템이다.

본 발명은 컨텍스트-인지 신뢰도 예측 모델을 제공하며, 이것은 미상의 차량이 많이 존재하는 환경에서 공중 차량 엣지 네트워크에서 실시간으로 신뢰할 수 있는 클라우드 센싱 서비스를 제공 가능하다. 즉, 본 발명은 신속하게 정확한 신뢰값을 확보할 수 있고 콜드 스타트의 문제를 피할 수 있는 신뢰 예측 모델에 기초한 전이 학습을 활용하였다. 더 나아가, 본 발명은 동적인 신뢰 임계치 조정 모델을 활용, 악의적 차량의 예측 정확도를 극대화하였으며, 이때 Q-학습에 기초한 시간 차를 이용하였다. 또한 상술한 바와 같이 본 발명에 따른 모델은 시뮬레이션 예측 결과, 유입되는 차량 중 신뢰값에 대한 분포에 대한 사전 지식 없이도 본 발명에 따른 CARES는 종래의 규칙 기반 신뢰 조정 모델(즉, RTMD, DTMD, ISTMD)보다 성능이 우수하며, 외부 및 내부 공격에 대하여 탄력성이 높다는 장점이 있다.

이하, 첨부한 도면을 참고로 하여 본 발명의 바람직한 실시예에 대하여 상세히 설명하면 다음과 같다.

본 발명을 상세하게 설명하기 전에, 본 명세서에서 사용된 용어나 단어는 통상적이거나 사전적인 의미로 무조건 한정하여 해석되어서는 아니 되며, 본 발명의 발명자가 자신의 발명을 가장 최선의 방법으로 설명하기 위해서 각종 용어의 개념을 적절하게 정의하여 사용할 수 있다.

더 나아가 이들 용어나 단어는 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 함을 알아야 한다.

즉, 본 명세서에서 사용된 용어는 본 발명의 바람직한 실시예를 설명하기 위해서 사용되는 것일 뿐이고, 본 발명의 내용을 구체적으로 한정하려는 의도로 사용된 것이 아니다.

이들 용어는 본 발명의 여러 가지 가능성을 고려하여 정의된 용어임을 알아야 한다.

또한, 본 명세서에 있어서, 단수의 표현은 문맥상 명확하게 다른 의미로 지시하지 않는 이상, 복수의 표현을 포함할 수 있다.

또한, 유사하게 복수로 표현되어 있다고 하더라도 단수의 의미를 포함할 수 있음을 알아야 한다.

본 명세서의 전체에 걸쳐서 어떤 구성 요소가 다른 구성 요소를 "포함"한다고 기재하는 경우에는, 특별히 반대되는 의미의 기재가 없는 한 임의의 다른 구성 요소를 제외하는 것이 아니라 임의의 다른 구성 요소를 더 포함할 수도 있다는 것을 의미할 수 있다.

더 나아가서, 어떤 구성 요소가 다른 구성 요소의 "내부에 존재하거나, 연결되어 설치된다"고 기재한 경우에는, 이 구성 요소가 다른 구성 요소와 직접적으로 연결되어 있거나 접촉하여 설치되어 있을 수 있다.

또한, 일정한 거리를 두고 이격되어 설치되어 있을 수도 있으며, 일정한 거리를 두고 이격되어 설치되어 있는 경우에 대해서는 해당 구성 요소를 다른 구성 요소에 고정 내지 연결시키기 위한 제 3의 구성 요소 또는 수단이 존재할 수 있다.

한편, 상기 제 3의 구성 요소 또는 수단에 대한 설명은 생략될 수도 있음을 알아야 한다.

반면에, 어떤 구성 요소가 다른 구성 요소에 "직접 연결"되어 있다거나, 또는 "직접 접속"되어 있다고 기재되는 경우에는, 제 3의 구성 요소 또는 수단이 존재하지 않는 것으로 이해하여야 한다.

마찬가지로, 각 구성 요소 간의 관계를 설명하는 다른 표현들, 즉 " ~ 사이에"와 "바로 ~ 사이에", 또는 " ~ 에 이웃하는"과 " ~ 에 직접 이웃하는" 등도 마찬가지의 취지를 가지고 있는 것으로 해석되어야 한다.

또한, 본 명세서에 있어서 "일면", "타면", "일측", "타측", "제 1", "제 2" 등의 용어는, 하나의 구성 요소에 대해서 이 하나의 구성 요소가 다른 구성 요소로부터 명확하게 구별될 수 있도록 하기 위해서 사용된다.

하지만, 이와 같은 용어에 의해서 해당 구성 요소의 의미가 제한적으로 사용되는 것은 아님을 알아야 한다.

또한, 본 명세서에서 "상", "하", "좌", "우" 등의 위치와 관련된 용어는, 사용된다면, 해당 구성 요소에 대해서 해당 도면에서의 상대적인 위치를 나타내고 있는 것으로 이해하여야 한다.

또한, 이들의 위치에 대해서 절대적인 위치를 특정하지 않는 이상은, 이들 위치 관련 용어가 절대적인 위치를 언급하고 있는 것으로 이해하여서는 아니 된다.

더욱이, 본 발명의 명세서에서는, "…부", "…기", "모듈", "장치" 등의 용어는, 사용된다면, 하나 이상의 기능이나 동작을 처리할 수 있는 단위를 의미한다.

이는 하드웨어 또는 소프트웨어, 또는 하드웨어와 소프트웨어의 결합으로 구현될 수 있음을 알아야 한다.

본 명세서에 첨부된 도면에서 본 발명을 구성하는 각 구성 요소의 크기, 위치, 결합 관계 등은 본 발명의 사상을 충분히 명확하게 전달할 수 있도록 하기 위해서 또는 설명의 편의를 위해서 일부 과장 또는 축소되거나 생략되어 기술되어 있을 수 있고, 따라서 그 비례나 축척은 엄밀하지 않을 수 있다.

또한, 이하에서, 본 발명을 설명함에 있어서, 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 구성, 예를 들어, 종래 기술을 포함하는 공지 기술에 대한 상세한 설명은 생략될 수도 있다.

최근 연구(( H. Yang, J.-H. Cho, H. Son, and D. Lee. 2020. Context-Aware Trust Estimation for Realtime Crowdsensing Services in Vehicular Edge Networks. In 2020 IEEE 17th Annual Consumer Communications & Networking Conference (CCNC). IEEE, 1?6.)에서 I-sharing(E. C. Pinel, A. E. Long, M. J. Landau, K. Alexander, and T. Pyszczynski. 2006. Seeing I to I: A pathway to interpersonal connectedness. Journal of Personality and Social Psychology 90, 2 (2006), 243.) 개념을 기반으로 대상 차량의 신뢰를 근사치로 예측하는 주관적 경험 아이텐티니 기반 신뢰 추정(subjective experience identity-based trust estimation)과, I-sharing 차량(즉, 유사한 상황에서 유사한 행동 패턴을 보인 차량)의 상호 작용 이력을 사용하는 기술을 개시하였다. 이 경우 I-sharing 차량은 유사한 도로 상황에서 대상 차량과 유사한 행동을 보인다고 가정하며, 따라서 정확한 신뢰 추정을 위해 대상 차량과의 충분한 상호 작용 데이터가 축적될 때까지 주어진 환경 컨텍스트에서 대상 차량의 불충분한 직접 증거는 I-공유 차량의 상호 작용 이력으로 보완될 수 있다.

이러한 I-sharing의 개념을 활용하면 직접적인 증거의 양이 충분하지 않을 때 시스템이 최적의 신뢰 수준을 더 빨리 학습할 수 있지만 여전히 규칙 기반 접근 방식이므로 애플리케이션에 높은 효율성과 자율성을 제공하지 않는다는 문제가 있다. 즉, 높은 역동성과 적대감(즉, 악의적인 차량 또는 사이버 공격의 존재) 하에서 지속적이고 원활한 서비스를 제공할 수 있어야 하지만 그렇지 않다는 문제가 있고, 또한 로드 유닛(road unit)과 I-sharing 유닛간 상호 작용 데이터가 충분하지 않으면 상술한 I-sharing 기반 기술이 작동하지 않는 문제가 있다.

따라서, 상술한 문제들을 해결하기 위하여, 본 발명은 차량 에지 네트워크에서 실시간 크라우드센싱(crowdsensing) 서비스를 위한 컨텍스트 인식 신뢰 추정 모델(Context-Aware Trust Estimation for Realtime Crowdsensing Services, CARES)을 활용한다.

본 발명에서 CARES는 차량 에지에서 고품질의 원활한 크라우드 센싱 서비스를 제공하기 위해 기계 학습 기술(즉, 전이 학습 및 강화 학습)을 통해 차량의 신뢰 수준을 정확하게 추정하고 악의적인 차량을 효과적으로 탐지하는 것을 목표로 하는 새로운 신뢰 모델이다.

본 발명에서는 종래의 본 발명자가 개발한 I-sharing 기반 신뢰 모델을 아래의 핵심 요소로 확장, 변경하였다.

- 실시간 상호작용 데이터가 부족할 때 빠르게 학습하기 위해 특성 기반 전이 학습 모델을 도입하였다. 여러 서비스 제공 유닛(RSU 또는 SP) 데이터로 구성된 중앙 처리 유닛(CE) 데이터베이스에서 풍부한 데이터를 학습에 사용하여 직접적인 증거가 부족한 상황에서도 학습 속도를 극대화한다.

- Q-러닝 기반 강화 학습(RL) 기술을 채택하여 악의적인 차량을 탐지, 이로부터 들어오는 신뢰할 수 없는 입력을 필터링하고, 고품질의 끊김없는 크라우드센싱을 구현한다. 즉, 본 발명에 따른 Q-learning 기반 RL 에이전트는 신뢰도 임계치(θ)를 학습, 업데이트하여 특정 차량이 악의의인지 여부를 판단하고, 그 탐지 정확도에 따라 보상이 제공된다. 또한 Q-Learning 알고리즘은 신뢰 임계값이각 시간대별로 올바르게 조정되었는지 실시간으로 학습할 수 있도록 피드백 루프를 적용한다.

- 본 발명에 따른 CARES의 성능을 기존 3개의 공격자와 비교하여 검증하기 위해 내부 및 외부 공격자가 있는 상태에서 광범위한 시뮬레이션 기반 실험을 수행하였다. 그 결과 본 발명에 따른 CARES는 주어진 세션의 초기 단계에서 정확한 신뢰 추정에 대해 최대 6배 빠른 학습을 보여주고 악의의 차량 탐지의 수렴 정확도에서 유사한 성능을 달성하는 것으로 나타났다.

1. 시스템 모델

1.1 서비스 지향 네트워크 모델

본 발명에서는 서비스 제공 유닛(roadside unit, RSU)이 비디오 데이터(예: 대시캠 비디오 클립)를 수집하고 광범위한 도로에서 조감도를 제공하는 크라우드센싱(crowdsensing) 서비스 시나리오를 가정하였다.

조감도(Bird's-eye viw)는 잠재적인 혼잡/위험을 피하고 그에 따라 원활하고 안전한 교통 흐름을 지원하기 위해 전방 도로 상황을 궁금해하는 운전자의 요구를 충족시킬 수 있다. 본 발명의 일 실시예에 따른 이 사나리오에서 각각의 서비스부는 하기의 기능을 수행하도록 정의된다.

- 데이터 제공 유닛(DP): 비디오 데이터를 캡처하여 SP에 전송하는 차량.

- 서비스 제공 유닛(SP): 서비스 요청을 수신하고, 데이터 제공자(DP)로부터 비디오를 수집하고, 신뢰 기반 비디오 필터링을 수행하고, 스티칭된 뷰를 SR에 전달하는 RSU. 여기에서 데이터는 이격된 먼 클라우드로 전송되지 않도록 도로 근처에서 처리되며, SP와 RSU라는 용어는 기사 전체에서 같은 의미로 사용됨

- 서비스 요청 유닛(SR): 주변 SP에 서비스를 요청하는 차량.

- 중앙 처리 유닛(CE): 다양한 환경 변수(이하 컨텍스트)에서 모든 차량의 악의의/선의의 운전 행동이 저장되는 클라우드 서버

도 1은 본 발명에 따른 서비스 모델 시나리오를 설명하는 도면이다.

도 1을 참조하면, 본 발명은 이러한 크라우드센싱 서비스를 달성하기 위해 서비스를 제공하는 엣지 컨트롤러인 RSU와 각 차량이 통신할 수 있는 V2I라고 하는 V2I 네트워크 모델을 고려하였다. 즉, SR이 근처의 RSU에 조감도를 요청하면 RSU는 DP에서 비디오를 수집한다(도 1의 1).

이후 RSU는 소스의 신뢰성을 추정하여 악의의 차량이 제공하는 비디오를 필터링한다. 이러한 신뢰 기반 필터링 메커니즘은 구성된 조감도의 무결성을 보장하는 데 있어 매우 중요하다.

악의의 차량 탐지 과정에서 RSU는 직간접적인 상호 작용 이력을 기반으로 각 DP 차량의 신뢰를 추정한다. 이는 모델 가중치를 CE(글로벌 신뢰 추정 모델이 있음)에서 RSU로 전송함으로써 수행된다(도 1의 2).

RSU가 정상 차량임을 평가하면((도 1의 3), 수집된 신뢰할 수 있는 비디오 데이터에서 조감도를 생성하여 SR로 전송한다(도 1의 4). 각 차량의 신뢰성은 SR이 여러 시간 슬롯 이후에 실제 이벤트를 검증하고 시스템에 피드백을 제공할 때 업데이트된다(도 1의 5, 6)

2. 위협 모델

본 발명의 일 실시예에서는 위협으로 공격 행위를 아래와 같이 분류하여 고려하였다.

- 내부 공격: 본 발명에서는 악의적인 차량이 다른 차량이 불편 및/또는 위험을 겪도록 오도하거나 다른 차량을 몰아내기 위해 SP에 잘못된 데이터를 보낼 수 있는 허위 데이터 주입 공격을 내부 공격으로 고려하였다. 이러한 공격 행위는 악의의 노드의 비율(Pvm )과 악의의 노드가 악의의 행위를 보일 확률에 의해 제어된다.

- 외부 공격: 외부 공격자는 정확한 신뢰 추정을 방해하기 위해 직접 및 간접 증거를 모두 수정할 수 있다는 점을 고려하였다. 평판 기반 신뢰 체계에서는 간접 증거는 런타임에서 동적으로 수집되므로 bad mouthing 및 ballot-stuffing(good mouthing) 공격에 의해 변조될 수 있다. Bad mouthing 공격에서 공격자는 신뢰 의견을 속이고 선의의 노드를 프레이밍하여 악의적인 노드가 완전 탐지되지 않도록 할 수 있다. 반면에 Good mouthing 공격에서 공격자는 Bad mouthing의 반대를 수행하여 진정 선의의 노드가 악의의으로 보이도록 위장할 수 있다. 또한 런타임에 동적으로 수집된 직접 증거도 외부 공격자에 의해 변조되어 허위 증거 주입 공격을 수행할 수 있다. 이러한 외부 공격은 본 발명에서 외부 공격(Pa)이 발생할 확률에 의해 제어될 수 있으며, 이는 하기 본 발명에 따른 개량된 CARES의 탄력성을 보여주기 위해 실험에서 이 두 가지 유형의 공격을 고려한 결과를 보여준다.

2. CARES 프레임워크 설명

2-1 시스템 설계 개요

도 2는 본 발명의 일 실시예에 따른 CARES 시스템 구조를 보여주는 도면이다.

도 2를 참조하면, 중앙 처리 유닛(Central Entity, CE) 여러 RSU에서 데이터를 수집하는 원격 시스템(예: 클라우드 서버)이다. 데이터에는 사용 가능한 모든 RSU로부터의 수집된 환경 컨텍스트, 좋은 또는 나쁜 기록과, 데이터 제공자 상태가 포함된다.

본 발명에서 축적된 CE 데이터는 각 DP의 신뢰 값을 추정할 수 있는 기본 모델을 학습하는 데 사용된다.

본 발명은 특히 전이 학습(TL)을 활용하고, 또한 SP에서 DP의 간접적인 신뢰 값을 도출하기 위해 미세 조정 모델을 생성한다. 이러한 미세 조정 모델은 SP가 런타임에 서비스 요청에 신속하게 대응할 수 있도록 도와주게 된다.

차량(즉, DP)이 SP의 적용 범위에 진입하면 SP의 신뢰도 예측 모델은 현재 환경 컨텍스트(즉, 날씨)와 함께 미세 조정된 모델(즉, 회귀 모델)을 기반으로 DP의 신뢰 값을 추정한다. 이 신뢰 값은 강화 학습 알고리즘에서 DP가 선의인지 또는 악의인지를 결정하는 신뢰 임계값을 조정하는 데 사용된다.

이후 결정이 내려지면 비디오 데이터 프로세서는 신뢰할 수 있는, 소위 선의의 DP 데이터만 사용하여 조감도를 만들어 SR에 반환한다.

본 발명의 일 실시예에서는 중앙처리 유닛의 비디오 데이터 프로세스는 DP로부터 들어오는 비디오 데이터가 신뢰할 수 있는지 여부를 평가할 수 있다고 가정하며, 시스템은 이후 DP의 크라우드센싱 서비스에 대한 피드백을 받는다. 피드백은 DP인 의뢰자(Trustor) 신뢰를 업데이트하기 위한 긍정 또는 부정 증거로 사용되며, 이는 다음에 후술한다. 본 발명의 일 실시예에서는 참가자 차량 및 RSU 인증을 위해 도전-응답(challenge-response) 기반 인증 프로토콜이 사용된다.

2-2 컨텍스트 인식 신뢰 측정

신뢰할 수 있는 DP(즉, 트러스터, x's)로부터 비디오 데이터를 수집하기 위해 RSU(즉, 트러스티) y인 SR이 요청한 크라우드센싱 서비스를 제공하며, 각 DP의 신뢰도는 다음과 같이 측정된다.

(1)

여기서 x는 DP, y는 SP, c는 현재 환경 컨텍스트, β는 간접 증거에 대한 가중치이다.

는 환경 컨텍스트 c에서 직접 증거 기반 x의 y 신뢰도이다. 는 간접 증거 기반 x의 y 신뢰도이다. 이 신뢰도 측정은 공격자들에 의하여 보상되는 증거들에 반한 톨러런스(tolerance)를 극대화하기 위하여 직접과 간접 증거 모두를 고려한다. y의 x에 대한 직접 신뢰도인 는 베타 분포도(F. Famoye. 1995. Continuous Univariate Distributions, Volume 1. Technometrics 37 (11 1995), 466?466. https: //doi.org/10.1080/00401706.1995.10484392 참조)에 기반하여 획득되며, 이는 다음과 같다.

(2)

여기에서 와 는 트러스터 y가 컨텍스트 c에서의 트러스티 x에 대하여 얻은 긍정적 그리고 부정적 증거의 양이다.

식 (2)에서 사용된 증거의 양은 기설정된 관찰 윈도우(예를 들어 현재 시간부터 100개의 과거 관찰 시점) 동안 수집되며, 타겟 위치를 통과하며, SRi가 시스템에 피드백을 제공할 때 이들 긍정적 또는 부정적 증거들은 검증된다.

x에 대한 y의 간접 증거에 대한 신뢰도는 주어진 컨텍스트 c에서 y와 유사한 행동을 보이는 차량의 신뢰값으로부더 얻어진다. 다양한 환경 컨텍스트에서 RSU가 모든 간접 신뢰값 을 가지지 않을 수 있는데, 이것은 저장과 연산 능력의 한계 때문이다.

이런 한계를 극복하기 위하여, 본 발명은 CE에서 간접 신뢰값을 측정하기 위하여 가용한 모든 컨텍스트 정보를 사용하여 훈련된 회귀모델을 가정하였다. 미세 조정 모델은 그 다음 RSU에서 로컬 컨텍스트를 사용하여 훈련하였다.

프라이버시 이슈를 피하기 위하여, 본 발명은 운전자 행위에 영향을 미치는 무인격(non-personal) 환경 컨텍스트, 예를 들어 날씨, 시인도 및 러쉬아워 등을 채용하였으며, 이는 다음 섹션에서 보다 상세히 설명된다. .y의 간접 신뢰도 는 하기 식 (3)으로부터 얻어진다.

(3)

여기에서 는 컨텍스트 집합 c에서 미세 조정된 간접 신뢰값을 예측하는 모델이다.

2-3 전이 학습 기반의 효율적 적용

2-3-1 기초 모델 셋업

간접 신뢰 값을 예측하도록 모델을 훈련하기 위해 세 개의 계층과 시그모이드 활성화가 있는 회귀 모델이 CE 데이터베이스의 데이터로 훈련된다.

모델이 학습하는 영역은 환경 컨텍스트 데이터와 좋은/나쁜 기록이며, 모델의 임무는 차량의 신뢰 가치를 계산하는 것이다. 이 모델은 CE 데이터베이스에서 샘플링된 100,000개의 데이터로 훈련되어 다양한 환경적 맥락과 다양한 RSU를 설명할 수 있으며, 이는 악의의 차량과 선의의 차량을 구별할 수 있는 일반적인 모델로서 기능하게 된다.

기초 모델이 CE 데이터베이스에서 훈련되면 레이어가 고정되고 하나의 추가 레이어가 추가된다. 이 추가 레이어는 기본 모델을 특정 RSU로 미세 조정하는 데 사용되며, 서로 다른 RSU의 유사한 환경 컨텍스트가 데이터 공급자의 서로 다른 동작을 유발할 수 있으므로 기본 모델이 현재 RSU 환경 내에서 악의의 차량을 보다 정확하게 감지할 수 있도록 하려면 이러한 미세 조정 방식이 필요하다.

2-3-2 미세 조정

1,000개의 데이터 샘플은 미세 조정을 위해 RSU 내의 이전 데이터 공급자로부터 샘플링된다. 이후 모델이 미세 조정되면 해당 모델은 컨텍스트와 좋은/나쁜 기록을 고려하여 데이터 공급자(DP)의 간접적 신뢰 값을 즉시 측정할 수 있다. 이 미세 조정 단계는 특정 RSU의 환경 컨텍스트를 설명하고, CE 데이터베이스가 가지는 방대한 교육 데이터로 인하여 신뢰할 수 있는 간접 신뢰 값을 계산하므로 콜드 스타트 문제를 해결할 수 있다. 또한, 이 접근 방식은 RSU 데이터베이스의 특정 데이터를 요구하지지 않은 반면, 종래의 I-공유 신뢰 추정 방식은 I-공유 친구의 데이터가 RSU 데이터베이스에 존재해야 하여야 한다. 이 점은 본 발명에 따른 접근 방법의 장점 중 하나이다.

2-3-3 모델 업데이트

본 발명에 따른 이 모델은 보다 나은 간접 신뢰 값 예측을 위해 더 많은 데이터로 주기적으로 미세 조정될 수 있다. RSU가 새로 설정되고 모델을 미세 조정할 데이터가 없는 경우 미세 조정된 모델을 사용할 준비가 될 때까지 상술한 기본 모델을 예측에 사용할 수 있다.

2-3-4 전이 학습-기반 검출의 수행

미세 조정된 모델은 모델에 입력 데이터를 제공하여 학습된다. 에포크(epoch)라는 하이퍼 매개변수는 모델을 학습하는 데 사용되는 학습 데이터 세트의 양을 나타내며, 각 에포크는 내부 모델 매개변수를 업데이트하여 모델을 훈련한다. 최대 정확도에 도달하면 다음 에포크 동안 더 이상 손실이 발생하지 않는다.

도 3은 전이 학습에 사용되는 기본 모델 및 미세 조정 모델의 정확도 및 손실 측정 결과이다.

도 3을 참조하면, 기본 모델은 최대 정확도에 도달하는 데 약 20 에포크가 걸리는 반면, 미세 조정 모델은 도 3과 같이 최대 정확도에 도달하는 데 약 5 에포크가 걸린다.

미세 조정 모델은 기본 모델의 레이어에서 전송된 가중치를 활용할 수 있음, 더 적은 수의 에포크 내에서 최대 정확도를 얻는다.

이것은 중앙 처리 유닛(CE) 데이터베이스의 데이터로 훈련된 기본 모델을 사용하여 RSU의 데이터에 대한 미세 조정 모델을 빠르게 훈련하는 방법을 보여주며, 이는 특히 RSU에서 사용할 수 있는 데이터가 적을 때 중요한 의미를 갖는다.

본 발명의 일 실시예에서 기본 모델은 10,000개의 행으로 훈련된 반면, 미세 조정 모델은 1000개의 행으로 훈련되었다. 학습할 행이 적음에도 불구하고 기본 모델에서 학습된 기능으로 인해 미세 조정 모델은 최대 정확도에 더 빨리 도달할 수 있는 것을 확인할 수 있다.

2.4 직접 증거(β에 대한 강화학습 기반 최적 동적 신뢰 임계값(θ) 및 가중치 정의

차량 x의 가 상기 식 (1)에 따라 어어지면, 신뢰 값은 차량이 악의적인지 아닌지의 이분법적 판단을 임계값을 기준으로 하게 된다. 본 발명은 특히 동적인 신뢰 입계값(θ)를 하용하여 특정 차량이 악의를 갖는지 또는 선의를 갖는지를 하기 조건을 통하여 결정을 한다.

여기에서 는 DP 차량 x의 클라우드소싱 서비스 i에 대한 이분법적 신뢰 예측값을 나타낸다. 낮은 신뢰 임계값을 선택하는 것은 악의를 갖는 차량 정보로 오도할 수 있으며, 높은 θ 값은 선의를 갖는 차량으로 잘못된 정보를 줄 수 있다. 따라서, 본 발명은 강화학습(RL) 기반 임계값 업데이트 메커니증을 채용하였으며, 이때 동적으로 임계값(θ)를 조정하여 신뢰 예측 정확도를 극대화한다. 전체적인 시간 차(Temporal Difference, TD)는 하기 알고리즘 1에서 도시된 Q-학습을 제어하며, TD 기반 Q 학습은 보다 상세히 후술된다.

2.4.1 최적 임계값(θ) 학습

본 발명의 일 실시예에서는 서비스 기간 중 신뢰 예측 정확도를 극대화하는 RL 문제로서 임계값(θ를 업데이트하였다. RSU가 고정된 값으로 시작을 한다. 본 발명에서는 RSU가 이 임계값을 올리거나 내리기 위하여 선택하는 액션을 정의하고, 이 결정은 상태 집합 S와 액션 집합 A에 대한 액션 방향 이 된다. 주어진 상태 S와 θ 업데이트 방향 f에서 강화학습 에이전트인 RSU는 액션 a = f(s)를 결정할 수 있으며, 이것은 누적된 보상값을 극대화시킬 수 있다.

2.4.2 상태 공간 및 액션 공간

최적의 행동 정책 f를 학습하기 위해 θ 업데이트 문제를 3-튜플( )로 정의된 Markov Decision Process(MDP)로 수식화하였다. 여기에서 S는 상태 집합, A는 액션 집합, γ는 보상에 대한 소멸 인자이다.

상태 공간

S를 두 개의 부동 소수점 요소의 튜플(θ, β)로 정의한다. 여기서 θ는 차량이 악의적인지 여부를 결정하는 현재 동적 신뢰 임계값을 나타내고 β는 간접 및 직접 신뢰 값의 가중치입니다. β을 수정하거나 수동으로 구성하는 대신 β를 포함하도록 상태 공간을 설계하여 어떤 증거에 더 많은 가중치를 부여해야 하는지 학습한다. θ는 [0, 1] 사이의 실수로, 1은 모든 차량이 악의의임을 나타내고 0은 모든 차량이 선의의임을 나타냅니다. 마찬가지로, β은 [0, 1] 사이의 실수이며, 여기서 1은 간접 증거에만 의존하는 차량에 대한 신뢰 추정을 나타내고 0은 그 반대를 나타냅니다.

작업 공간

A를 (±δ , ± δ)로 정의한다. 이는 RSU(즉, RL 에이전트)가 θ 및 β을 조정하기 위해 선택할 수 있는 모든 사용 가능한 액션 집합이다. 본 발명에서는 RSU 액션(동작)을 δ만큼 증가, δ만큼 감소 또는 θ 및 β 값을 유지하는 조합으로 설계한다. 예를 들어, 행동(-0.01, 0.01)은 θ을 0.01만큼 줄이고 β을 0.01만큼 증가시키는 것을 의미한다. 0.9와 같은 큰 δ값은 업데이트할 때마다 θ 및 β에 큰 변동을 일으킬 수 있다.

2.4.3 Q-학습 기반 최적 액션 선택

MDP 해결의 목표는 MDP에서 일련의 행동을 선택하여 얻은 보상의 할인된 합계를 최대화하는 최적의 행동을 찾는 것이다. 이를 위해 본 발명은 널리 사용되는 model-free RL 알고리즘 중 하나인 간단한 Q-학습방법을 이용한다. Q-함수 은 특정 상태에서 액션을 취함으로써 환경에서 얻을 수 있는 보상의 예상 할인 합계, 소위 Q-값을 추정한다.

Q 함수를 학습하는 동안 RSU는 학습한 내용을 기반으로 적절한 조치를 선택한다. 즉, 가장 높은 Q 값 반환이 예상되는 조치를 취한다. 이전에 학습된 몇 가지 Q-값을 활용하기 전, 초기 단계에서 높은 수준의 탐색을 허용하기 위해 RSU가 작업을 선택할 때마다 에이전트는 이미 학습된 Q-값을 활용하는 대신 임의의 작업을 수행할 무작위 확률을 추가한다. Decaying-epsilon-greedy approach(O. Caelen and G. Bontempi. 2007. Improving the exploration strategy in bandit algorithms. In International Conference on Learning and Intelligent Optimization. Springer, 56?68.는 시스템이 초기 단계에서 신뢰 임계값 θ을 탐색하고 탐색 확률을 점차 감소시키고 다음 식 (5)와 같이 최대 보상을 산출하는 작업을 선택하도록 구현된다.

(5)

RL 에이전트(RSU)가 작업을 수행하면 에이전트는 학습된 Q-값을 업데이트할 시기를 결정한다. 동적 신뢰 임계값 θ을 업데이트하는 시기와 방법을 결정하는 것은 더 긴 간격으로 조정하는 것이 차량을 잘못 진단하는 결과를 가져오므로 더 오랜 기간 동안 위선의의 또는 위음성이 될 수 있으므로 매우 중요한다. RL의 시간차(TD)는 에피소드가 끝날 때까지 기다리지 않고 연속적인 시간 단계에 대한 예측이 추정치를 업데이트하는 학습 접근 방식으로, 본 발명에서는 시나리오에 TD를 적용하여 모든 차량에 대한 신뢰 평가를 θ와 비교, 각 에피소드를 완료하지 않고 세분화된 학습 프로세스로 이어질 수 있게 하여 학습 속도를 높일 수 있다.

다른 많은 RL 문제와 달리 에피소드 종료는 동적 신뢰 임계값 조정 문제에서 RL 에이전트에 의해 명확하게 결정되지 않는다. 예를 들어, 차량 네트워킹 환경에서는 끊임없이 움직이는 차량의 특성으로 인해 에피소드가 언제 종료되는지 정의하기 어렵다. 따라서, 시간 지속 시간은 Q-learning의 가능한 종료 지점이 될 수 있지만, 본 발명은 차량과의 상호 작용의 양에만 의존한다는 점을 고려하여 각 에피소드는 서비스 기간 동안 RSU를 통과하는 차량의 수 Ne에서 종료된다.

RSU가 상태 s에서 액션 a를 취하여 상태가 s'로 전환되고 보상 R이 발생하면 a 및 s에 대한 Q-값은 다음과 같은 시간차(TD) 방법에 의해 업데이트된다.

(6)

여기에서 α는 [0, 1] 범위 에서 이전 값을 얼마나 새롭게 재정의하는지 나타내는 학습률입니다. 높은α 값(예: 0.9)은 이전에 통과한 DP의 신뢰 추정을 검증하기 위한 SR의 피드백이 적은 경우에도 시스템이 학습된 상태-동작 유틸리티 값을 빠르게 적용할 수 있도록 한다. 그러나 이는 Q-값의 더 높은 변동을 초래하고 바람직하지 않은 발산 동작으로 이어질 수 있습니다. 반면에 낮은 α 값을 설정하면 최적의 방향(policy)으로 수렴될 때까지 시간이 너무 오래 걸릴 수 있다. 따라서 α값은 신중하게 선택하거나 이전 문헌에서 볼 수 있듯이 응용 프로그램별 요구 사항을 수용하는 정교한 함수로 결정되어야 한다.

2.4.4 Q-학습에서의 보상 함수

RL 메커니즘을 설계할 때 보상 함수를 어떻게 설계하느냐에 따라 학습의 질과 수렴 속도가 달라질 수 있다. 보상 기능의 목표는 차량의 악의의 정보를 올바르게 분류하는 것이다. 따라서 시스템은 1) SR에 제공되는 서비스가 올바른지 추정하고 2) 분류 문제로 DP의 신뢰 값을 올바르게 추정하는 비율을 비교하여야 한다.

먼저, 각 차량에서 제겅된 정보가 참인지 아니지를 판단하기 위하여, 본 발명은 DP로부터 제겅되는 정보의 진실성을 확인한 후, SR 차량으로부터의 피드백 메시지 를 결합하였다. 유효성 확인을 위하여 하기 절차를 활용하였다.

(8)

진선의의(True positive, TP), 위선의의(FP), 위음성, 진선의의(True Negative, TN)은 차량 의 예측 신뢰 값과 이에 대응하는 피드백 메시지 을 비교한 분류 값이다. 예를 들어, 만약 DP 차량 x 에 대한 두개의 이분법적인 신뢰 예측값과 이들의 대응되는 피드백 이 1로 같다면, 이것은 DP의 신뢰 예측이 악의적이다는 것을 추론하게 한다. 따라서, 시스템은 TP를 증가시킨다.

악의의 차량과 선의의 차량을 정확하게 구분하는 비율을 극대화하기 위해 FPR과 FNR을 최소화한 보상을 준다. 반면에 FPR과 FNR을 최소화하지 못하는 행동을 하면 페널티가 주어지며, 보상 기능은 다음과 같다.

(9)

여기에서 는 0과 1 사이의 값이며, 보상은 상술한 알고리즘 1에서 설명된 Q-학습에서 적용된 바와 같다.

실험예

실험방법

본 실험예에서는 다양한 컨텍스트 정보를 갖는 실제 교통 데이터세트 대신, 악의적인 차량에 대한 확률을 갖는 가공된 데이터세트를 사용하였다.

본 실험을 하기 위해서는 다양한 컨텍스트 환경에서 malicous하게 운행할 차량들의 행동 데이터 세트(behavior data set)가 필요한데, 이를 위하여 특정 환경에서 악의적으로 행동할 차량들을 확률적으로 (확률은 실제 미국 차량 운행 환경 및 행동 데이터를 기반) 셋팅한 후 데이터 셋을 생성하였다.

이 데이터는 상술한 중앙처리 유닛(Central entity)에 저장되어 있다고 가정하며, 이 중앙처리 유닛에서 기본모델(base model)을 학습시켜두고, 도로변 유닛(RSU인 서비스 제공 유닛(SP) 쪽에서 lightweight 모델이 필요한 경우 전이 학습(transfer learning)을 통해서 더 작은 모델을 가져오게 된다.

이러한 전이 학습 결과는 도 3에 나타낸 바와 같으며, 기존 기본 모델과 비슷하게 높은 정확도를 나타내는 것을 알 수 있다.

결과 및 분석

외부 공격의 심각도에 따른 비교 성능 분석(Pa)

도 4는 서로 다른 범위에서 시간 단계에 대한 5가지 신뢰 체계의 성능 비교 결과로, 탐지 정확도(AD), 정밀도(PD), 리콜(RD) 및 F1 점수(F1)측면에서 외부 공격 확률(Pa)별 결과이다.

도 4를 참조하면, 외부 조작으로 인해서 데이터의 변조의 확률에 따라 각 스킴의 Accuracy, precision, recall, F1 Score에 있어서, 본 발명에 따른 CARES의 경우 적은 수의 step으로도 높은 성능을 보이는 것을 알 수 있다.

도 5는 서로 다른 범위에서 시간 단계에 대한 5가지 신뢰 체계의 성능 비교 결과로, 탐지 정확도(AD), 정밀도(PD), 리콜(RD) 및 F1 점수(F1)측면에서 외부 공격을 수행하는 악의적 차량 확률(Pdm)별 결과이다

도 5를 참조하면, 악의적인 차량들이 악의적인 행위를 할 확률이 다를때 각 스킴의 Accuracy, precision, recall, F1 Score을 확인할 수 있으며, 마찬가지로 적은수의 step으로도 높은 성능을 보이는 것을 알 수 있다.

도 6은 서로 다른 범위에서 시간 단계에 대한 5가지 신뢰 체계의 성능 비교 결과로, 탐지 정확도(AD), 정밀도(PD), 리콜(RD) 및 F1 점수(F1)측면에서 상이한 악의적 차량 외부 공격을 수행하는 악의적 차량 비율(Pvm)별 결과이다.

도 6을 참조하면, 모든 차량들 중 악의적인 차량들의 분포가 증가했을때 각 스킴의 Accuracy, precision, recall, F1 Score을 확인할 수 있는데, 위 결과와 비슷하게 본 발명에 따른 방법과 시스템인 CARES에서는 적은수의 step으로도 높은 성능을 보이는 것을 알 수 있따.

도 7은 시뮬레이션 런타임과 관련된 5가지 방식의 성능 비교 결과이다.

도 7을 참조하면, 다른 스킴과 비교하였을때 시뮬레이션 복잡도를 확인할 수 있는데, DTMD처럼 간단한 스킴을 제외하고는 학습 기반 시스템을 도입하였음에도 불구하고 복잡도가 다른 스킴과 비슷하거나 적은 것을 알 수 있다.

도 8 내지 11은 각각 CARES-S에서 다양한 δ에 대한 민감도 분석 결과, CARES-S에서 다양한 δ에 대한 민감도 분석 결과, CARES-S에서 다양한 θinit에 대한 민감도 분석 결과, 도 11은 CARES-B에서 다양한 θinit에 대한 민감도 분석 결과이다. 여기에서 (δ: v)는 δ가 동적으로 결정되는 변수 δ, δ: 는 δ가 동적으로 결정되는 변수 δ를 의미한다.

도 8 내지 11을 참조하면, 본 발명에 따른 시스템의 세부적인 파라미터들을 바꿔봤을 때 나타나는 결과를 확인할 수 있다.

상술한 바와 같이 본 발명은 컨텍스트-인지 신뢰도 예측 모델을 제공하며, 이것은 미상의 차량이 많이 존재하는 환경에서 공중 차량 엣지 네트워크에서 실시간으로 신뢰할 수 있는 클라우드 센싱 서비스를 제공 가능하다. 즉, 본 발명은 신속하게 정확한 신뢰값을 확보할 수 있고 콜드 스타트의 문제를 피할 수 있는 신뢰 예측 모델에 기초한 전이학습(Transfer learning)을 활용하였다. 더 나아가, 본 발명은 동적인 신뢰 임계치 조정 모델을 활용, 악의적 차량의 예측 정확도를 극대화하였으며, 이때 Q-학습에 기초한 시간 차를 이용하였다. 또한 상술한 바와 같이 본 발명에 따른 모델은 시뮬레이션 예측 결과, 유입되는 차량 중 신뢰값에 대한 분포에 대한 사전 지식 없이도 본 발명에 따른 CARES는 종래의 규칙 기반 신뢰 조정 모델(즉, RTMD, DTMD, ISTMD)보다 성능이 우수하며, 외부 및 내부 공격에 대하여 탄력성이 높다는 장점이 있다.

Claims

차량 엣지 네트워트 기반 크라우드 센싱 시스템으로,
서비스 요청 유닛(SP);
데이터 제공 유닛(DP);
상기 서비스 요청 차량(SP)으로부터 서비스 요청을 수신받아, 상기 데이터 제공 유닛(DP)으로부터의 영상 데이터를 처리하여 서비스 요청 유닛(SP)에 제공하는 서비스 제공 유닛(SP); 및
상기 서비스 제공 유닛(SP)에 상기 데이터 제공 유닛(DP)의 신뢰도 가중치를 전송하는 중앙처리 유닛(CE)를 포함하며,
상기 서비스 제공 유닛(SP)은 상기 데이터 제공 유닛(DP)의 신뢰도가 기설정된 신뢰도 임계치를 넘는 경우에만 상기 데이터 제공 유닛(DP)으로부터의 영상정보를 상기 서비스 요청 유닛(SP)에 전송하는 것을 특징으로 하는 차량 엣지 네트워트 기반 크라우드 센싱 시스템.
제 1항에 있어서,
상기 서비스 제공 유닛(SP)은 자체 이력 데이터베이스를 포함하며, 상기 신뢰도에 대한 미세 조정 모델을 활용하여 상기 신뢰도를 미세 조정하는 것을 특징으로 하는 차량 엣지 네트워트 기반 크라우드 센싱 시스템.
제 1항에 있어서,
상기 중앙처리 유닛(CE)은 상기 서비스 제공 유닛(SP)으로부터 데이터를 수집하는 원격 클라우드 서버인 것을 특징으로 하는 차량 엣지 네트워트 기반 크라우드 센싱 시스템.
재 3항에 있어서,
상기 데이터는 사용 가능한 모든 서비스 요청 유닛(SP)로부터의 수집된 환경 컨텍스트, 좋은 또는 나쁜 이력과, 데이터 제공 유닛 상태를 포함하는 것을 특징으로 하는 차량 엣지 네트워트 기반 크라우드 센싱 시스템.
제 4항에 있어서,
상기 중앙처리 유닛(CE)은 전이 학습 모델을 이용하여 상기 데이터로부터 획득된 신뢰도를 상기 서비스 제공 유닛(SP)에 전송하는 것을 특징으로 하는 차량 엣지 네트워트 기반 크라우드 센싱 시스템.
제 6항에 있어서,
상기 중앙처리 유닛(CE)에서 데이터 제공 유닛(DP)의 신뢰도는 하기 식 (1)에 의하여 계산되는 것을 특징으로 하는 차량 엣지 네트워트 기반 크라우드 센싱 시스템.
(1)
여기서 x는 데이터 제공 유닛(DP), y는 서비스 제공 유닛(SP), c는 현재 환경 컨텍스트, β는 간접 증거에 대한 가중치이며, 는 환경 컨텍스트 c에서 직접 증거 기반 x의 y 신뢰도이고, 는 간접 증거 기반 x의 y 신뢰도임. 또한 직접 신뢰도인 는 베타 분포도에 기반하여 하기 식 (2)에 따라 획득되며,
(2)
여기에서 와 는 트러스터 y가 컨텍스트 c에서의 트러스티 x에 대하여 얻은 긍정적 그리고 부정적 증거의 양임.
제 1항에 있어서,
상기 서비스 제공 유닛(SP)은 동적 신뢰 임계치 조정 모델을 활용하며, Q-학습에 기초한 시간 차를 이용하여 신뢰도를 피드백 받는 것을 특징으로 하는 차량 엣지 네트워트 기반 크라우드 센싱 시스템.
제 1항에 있어서,
상기 영상정보는 복수의 영상이 스티칭된 조감도인 것을 특징으로 하는 차량 엣지 네트워트 기반 크라우드 센싱 시스템.