KR20240093019A - IoT 라우터의 이상 감시를 위한 이상 감시 장치 및 방법 - Google Patents

IoT 라우터의 이상 감시를 위한 이상 감시 장치 및 방법 Download PDF

Info

Publication number
KR20240093019A
KR20240093019A KR1020220175901A KR20220175901A KR20240093019A KR 20240093019 A KR20240093019 A KR 20240093019A KR 1020220175901 A KR1020220175901 A KR 1020220175901A KR 20220175901 A KR20220175901 A KR 20220175901A KR 20240093019 A KR20240093019 A KR 20240093019A
Authority
KR
South Korea
Prior art keywords
artificial intelligence
intelligence model
iot
router
learning
Prior art date
Application number
KR1020220175901A
Other languages
English (en)
Inventor
조연제
이홍재
Original Assignee
주식회사 케이티
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 케이티 filed Critical 주식회사 케이티
Priority to KR1020220175901A priority Critical patent/KR20240093019A/ko
Publication of KR20240093019A publication Critical patent/KR20240093019A/ko

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
    • H04L63/1425—Traffic logging, e.g. anomaly detection
    • 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
    • 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
    • H04L43/06—Generation of reports
    • H04L43/065—Generation of reports related to network devices

Landscapes

  • Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

인공지능 모델 기반으로 다수의 IoT 라우터의 이상을 감시하는데 있어서 각 IoT 라우터에 대해 최적화된 인공지능 모델을 할당하여 이상을 감시하는 이상 감시 장치 및 방법이 개시된다. 일 측면에 따른, IoT 라우터의 이상 감시를 위한 이상 감시 장치는, 상기 IoT 라우터의 트래픽 데이터를 수집하는 수집부; 상기 IoT 라우터의 이상 감시를 수행할 인공지능 모델을 할당하는 할당부; 및 상기 할당된 인공지능 모델 및 상기 수집된 트래픽 데이터를 이용하여 상기 IoT 라우터의 이상 감시를 수행하는 감시부를 포함한다.

Description

IoT 라우터의 이상 감시를 위한 이상 감시 장치 및 방법{Apparatus and method for monitoring abnormality of IoT routers}
본 발명은, IoT 라우터의 이상 감시를 위한 이상 감시 장치 및 방법에 관한 것으로, 보다 구체적으로, 인공지능 모델 기반으로 IoT 라우터의 이상을 감시하기 위한 이상 감시 장치 및 방법에 관한 것이다.
이동형 IoT 라우터는, 차량이나 열차 등의 이동체에 탑재되어 무선 통신 서비스를 제공하는 장비이다. 이동형 IoT 라우터는 이동체에 탑재되어 LTE/5G 무선 기지국과 연결되어 이동체에 탑승한 사용자의 단말로 무선 통신 서비스(예, WiFi)를 제공한다. 이러한 IoT 라우터는 관제가 필요하다.
IoT 관제의 경우 단순한 IoT 라우터의 동작 유무, 특정 절대 기준값 기준의 트래픽 감시, 그리고 특정 기간 동안의 트래픽 통계 산출 방식 정도로 수행이 되고 있다. 하지만, 이러한 방식은 IoT 라우터별 특성이 고려되지 않은 감시 방식으로 이상 감시의 정확도가 떨어져 서비스 품질 불량에 대한 적기 대응이 어렵다.
이에 따라 인공지능 모델을 기반으로 개별 IoT 라우터 단위의 트래픽 패턴 학습 및 이상 감시에 관한 기술이 개발되고 있다. 하지만, 인공지능 모델을 활용한 트래픽 패턴 학습은 관제 대상 IoT 라우터가 수만 ~ 수십만개 이상이 될 경우 적기에 그리고 안정적으로 수행하기 어려운 문제가 있다.
IoT 라우터는 서버 자원의 한계로 순차적으로 학습이 진행될 수 밖에 없으며, 모든 개별 IoT 라우터들의 학습이 진행되기까지는 짧게는 몇 주에서 길게는 몇 달이 소요될 수 있다. 이 경우, 서비스 초기 단계나 신규 IoT 라우터 도입 등에 의해 학습이 수행되지 않은 IoT 라우터는 이상 감시를 수행할 수 없다. 또한, 학습 데이터가 확보되어 학습이 수행되었다 하더라도 학습 성능이 상대적으로 불량한 경우에도 유의미한 이상 감시 수행이 어렵게 되어, 서비스 품질에 악영향을 미치게 된다.
본 발명은 상술한 문제점을 해결하기 위해 제안된 것으로, 인공지능 모델 기반으로 다수의 IoT 라우터의 이상을 감시하는데 있어서 각 IoT 라우터에 대해 최적화된 인공지능 모델을 할당하여 이상을 감시하는 이상 감시 장치 및 방법을 제공하는데 그 목적이 있다.
일 측면에 따른, IoT 라우터의 이상 감시를 위한 이상 감시 장치는, 상기 IoT 라우터의 트래픽 데이터를 수집하는 수집부; 상기 IoT 라우터의 이상 감시를 수행할 인공지능 모델을 할당하는 할당부; 및 상기 할당된 인공지능 모델 및 상기 수집된 트래픽 데이터를 이용하여 상기 IoT 라우터의 이상 감시를 수행하는 감시부를 포함한다.
상기 할당부는, 미리 학습된 인공지능 모델이 없는 경우, 상기 IoT 라우터의 최근 소정 기간의 트래픽 데이터를 이용하여 인공지능 모델을 학습하여 할당할 수 있다.
상기 할당부는, 인공지능 모델의 학습 완료 시점에서의 평균 손실 값이 제1기준 값 이하이고, 해당 인공지능 모델의 확률 변수인 평균 손실 값이 해당 인공지능 모델의 학습 완료 시점에서의 평균 손실 값 보다 클 확률이 제2기준 값 이상인 경우, 해당 인공지능 모델을 할당할 수 있다.
상기 할당부는, 상기 IoT 라우터가 속한 그룹의 그룹 인공지능 모델을 할당할 수 있다.
상기 할당부는, 상기 IoT 라우터가 속한 그룹 내의 복수의 IoT 라우터들 중 제1기간 이상의 트래픽 데이터가 존재하는 IoT 라우터를 선정하고 그 중 랜덤하게 소정 개수를 선택하며, 선택된 IoT 라우터들의 최근 소정 기간 동안의 트래픽 데이터를 이용하여 그룹 인공지능 모델을 학습하여 할당할 수 있다.
상기 할당부는, 상기 IoT 라우터에 대응하는 인공지능 모델의 학습 완료 시점에서의 평균 손실 값이 제1기준 값을 초과하는 경우, 상기 그룹 인공지능 모델을 할당할 수 있다.
상기 할당부는, 상기 IoT 라우터에 대응하는 인공지능 모델의 학습 완료 시점에서의 평균 손실 값이 상기 제1기준 값 이하이고, 해당 인공지능 모델의 확률 변수인 평균 손실 값이 해당 인공지능 모델의 학습 완료 시점에서의 평균 손실 값 보다 클 확률이 제2기준 값 미만인 경우, 상기 그룹 인공지능 모델을 할당할 수 있다.
다른 측면에 따른 이상 감시 장치에서의 IoT 라우터의 이상 감시 방법은, 상기 IoT 라우터의 트래픽 데이터를 수집하는 단계; 상기 IoT 라우터의 이상 감시를 수행할 인공지능 모델을 할당하는 단계; 및 상기 할당된 인공지능 모델 및 상기 수집된 트래픽 데이터를 이용하여 상기 IoT 라우터의 이상 감시를 수행하는 단계를 포함한다.
상기 할당하는 단계는, 미리 학습된 인공지능 모델이 없는 경우, 상기 IoT 라우터의 최근 소정 기간의 트래픽 데이터를 이용하여 인공지능 모델을 학습하여 할당할 수 있다.
상기 할당하는 단계는, 인공지능 모델의 학습 완료 시점에서의 평균 손실 값이 제1기준 값 이하이고, 해당 인공지능 모델의 확률 변수인 평균 손실 값이 해당 인공지능 모델의 학습 완료 시점에서의 평균 손실 값 보다 클 확률이 제2기준 값 이상인 경우, 해당 인공지능 모델을 할당할 수 있다.
상기 할당하는 단계는, 상기 IoT 라우터가 속한 그룹의 그룹 인공지능 모델을 할당할 수 있다.
상기 할당하는 단계는, 상기 IoT 라우터가 속한 그룹 내의 복수의 IoT 라우터들 중 제1기간 이상의 트래픽 데이터가 존재하는 IoT 라우터를 선정하고 그 중 랜덤하게 소정 개수를 선택하며, 선택된 IoT 라우터들의 최근 소정 기간 동안의 트래픽 데이터를 이용하여 그룹 인공지능 모델을 학습하여 할당할 수 있다.
상기 할당하는 단계는, 상기 IoT 라우터에 대응하는 인공지능 모델의 학습 완료 시점에서의 평균 손실 값이 제1기준 값을 초과하는 경우, 상기 그룹 인공지능 모델을 할당할 수 있다.
상기 할당하는 단계는, 상기 IoT 라우터에 대응하는 인공지능 모델의 학습 완료 시점에서의 평균 손실 값이 상기 제1기준 값 이하이고, 해당 인공지능 모델의 확률 변수인 평균 손실 값이 해당 인공지능 모델의 학습 완료 시점에서의 평균 손실 값 보다 클 확률이 제2기준 값 미만인 경우, 상기 그룹 인공지능 모델을 할당할 수 있다.
본 발명에 따르면, 개별 IoT 라우터마다 적절한 인공지능 모델을 할당하여 이상 감시를 수행하므로, 항시 안정적인 관제 성능을 보장할 수 있고, 이를 통해, IoT 라우터 관제 업무의 효율 및 정확도를 개선하고 서비스 이용자에게 항시 안정적인 품질을 제공하는데 기여할 수 있다.
도 1은 본 발명의 일 실시예에 따른 IoT 라우터 및 이상 감시 장치를 포함하는 통신 시스템의 구성을 나타낸 도면이다.
도 2는 도 1의 이상 감시 장치의 구성을 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 인공지능 모델을 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 인공지능 모델의 할당 방법을 설명하는 흐름도이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함한다" 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.
본 발명을 구현함에 있어서 설명의 편의를 위하여 구성요소를 세분화하여 설명할 수 있으나, 이들 구성요소가 하나의 장치 또는 모듈 내에 구현될 수도 있고, 혹은 하나의 구성요소가 다수의 장치 또는 모듈들에 나뉘어져서 구현될 수도 있다.
도 1은 본 발명의 일 실시예에 따른 IoT 라우터 및 이상 감시 장치를 포함하는 통신 시스템의 구성을 나타낸 도면이다. 도 1을 참조하면, 본 실시예에 따른 통신 시스템은, IoT 라우터(110), 기지국(120), 네트워크(130) 및 이상 감시 장치(140)를 포함한다.
IoT 라우터(110)는, 이동형 IoT 라우터로서, 차량이나 열차 등의 이동체에 탑재되어 무선 통신 서비스를 제공하는 장비이다. 이동형 IoT 라우터는 이동체에 탑재되어 기지국(120)과 연결되어 이동체에 탑승한 사용자의 단말로 무선 통신 서비스(예, WiFi)를 제공할 수 있다. 본 실시예에서 이동형 IoT 라우터로 설명하지만 여기에 제한되는 것은 아니며 고정형 IoT 라우터일 수도 있다.
기지국(120)은 LTE 또는 5G 무선 기지국이다. 그러나 여기에 제한되는 것은 아니며 다양한 무선 프로토콜에 따른 기지국을 포함할 수 있다. 네트워크(130)는, 기지국(120)과 연결된 이동통신 코어 네트워크이다. 네트워크(130)는 LTE 코어 네트워크 또는 5G 코어 네트워크를 포함하나 여기에 제한되는 것은 아니다.
이상 감시 장치(140)는, IoT 라우터(110)별로 트래픽 데이터를 수집하고, 각 IoT 라우터(110)별로 인공지능(AI) 모델을 할당하고, 할당된 인공지능 모델을 통해 상기 수집된 트래픽 데이터를 분석하여 이상 감시를 수행한다. 바람직하게, 이상 감시 장치(140)는, 일정 시간 간격(예, 5분, 15분 등)으로 트래픽 데이터를 수집할 수 있고, 각 IoT 라우터(110)별로 미리 학습된 인공지능 모델을 할당하거나, 또는 소정 기간 수집된 트래픽 데이터로 인공지능 모델을 학습하여 할당하거나, 또는 소정 기준에 따라 그룹 인공지능 모델을 할당하여, 이상 감시를 수행할 수 있다.
도 2는 도 1의 이상 감시 장치의 구성을 나타낸 도면이다. 도 2를 참조하면, 이상 감시 장치(140)는, 수집부(141), 할당부(142), 전처리부(143) 및 감시부(144)를 포함한다. 이상 감시 장치(140)는, 메모리, 하나 이상의 프로세서(CPU), 주변 인터페이스, 입출력(I/O) 서브시스템, 디스플레이 장치, 입력 장치 및 통신 회로를 포함할 수 있다. 메모리는 고속 랜덤 액세스 메모리를 포함할 수 있고, 또한 하나 이상의 자기 디스크 저장 장치, 플래시 메모리 장치와 같은 불휘발성 메모리, 또는 다른 불휘발성 반도체 메모리 장치를 포함할 수 있다.
메모리는 각종 정보와 프로그램 명령어를 저장할 수 있고, 프로그램은 프로세서에 의해 실행된다. 주변 인터페이스는 입출력 주변 장치를 프로세서 및 메모리와 연결한다. 하나 이상의 프로세서는 다양한 소프트웨어 프로그램 및/또는 메모리에 저장되어 있는 명령어 세트를 실행하여 시스템을 위한 여러 기능을 수행하고 데이터를 처리한다. I/O 서브시스템은 디스플레이 장치, 입력 장치와 같은 입출력 주변장치와 주변 인터페이스 사이에 인터페이스를 제공한다.
통신 회로는 외부 포트를 통한 통신 또는 RF 신호에 의한 통신을 수행한다. 통신 회로는 전기 신호를 RF 신호로 또는 그 반대로 변환하며 이 RF 신호를 통하여 통신 네트워크, 다른 이동형 게이트웨이 장치 및 통신 장치와 통신할 수 있다. 수집부(141), 할당부(142), 전처리부(143) 및 감시부(144)는, 프로그램으로 구현되어 메모리에 저장되고 적어도 하나의 프로세서에 의해 실행될 수 있고, 하드웨어와 소프트웨어의 조합으로 구현되어 동작할 수 있다.
수집부(141)는, 각 IoT 라우터(110)로부터 일정 시간 간격으로 트래픽 데이터를 수집한다. 각 IoT 라우터(110)의 트래픽 데이터를 NMS(Network Management System)으로 수신되어 데이터베이스에 저장될 수 있고, 수집부(141)는 그 데이터베이스로부터 트래픽 데이터를 수집할 수 있다. 그러나 여기에 제한되는 것은 아니며, 수집부(141)는 각 IoT 라우터(110)로부터 일정 시간 간격으로 트래픽 데이터를 수집할 수 있다. 트래픽 데이터는, 업링크 패킷 수, 다운링크 패킷 수, 업링크 데이터 전송량, 다운링크 데이터 전송량, 라우터의 ID 등을 포함할 수 있다. 수집부(141)에서 수집된 트래픽 데이터는 별도의 저장 장치에 저장될 수 있다.
할당부(142)는, 각 IoT 라우터마다 이상 감시를 수행할 인공지능 모델을 할당한다. 할당부(142)는, 특정 IoT 라우터의 트래픽 데이터가 수집되면, 해당 특정 IoT 라우터에 대한 미리 학습된 인공지능 모델이 있는지 확인한다. 미리 학습된 인공지능 모델이 있는 경우, 할당부(142)는, 해당 인공지능 모델을 해당 특정 IoT 라우터의 이상 감시용 인공지능 모델로 할당한다.
도 3은 본 발명의 일 실시예에 따른 인공지능 모델을 나타낸 도면이다. 도 3에 도시된 바와 같이, 인공지능 모델은, 입력 데이터를 압축하는 인코더(encoder)와 압축된 데이터를 복원하는 디코더(decoder)로 구성된 오토인코더 구조이다. 즉 입력 데이터와 복원 데이터 간의 오차, 즉 손실(Loss)를 최소화하는 방식으로 학습하는 Long Short-Term Memory (LSTM) 오토인코더(Autoencoder) 구조이다.
할당부(142)는, 해당 특정 IoT 라우터에 대한 미리 학습된 인공지능 모델이 없는 경우, 해당 특정 IoT 라우터의 학습용 데이터가 존재하는지 확인한다. 예컨대, 할당부(142)는, 해당 특정 IoT 라우터의 예를 들어 최근 2주 이상의 트래픽 데이터가 존재하는지 확인한다. 학습용 데이터가 존재할 경우, 할당부(142)는, 학습되지 않은 기본 인공지능 모델을 상기 학습용 데이터, 예를 들어 최근 2주 이상의 트래픽 데이터를 이용하여 학습한다.
할당부(142)는, 해당 특정 IoT 라우터에 대한 학습용 데이터가 없는 경우, 소정 기준에 따라 해당 특정 IoT 라우터가 속한 그룹의 미리 학습된 그룹 인공지능 모델이 존재하는지 확인하고, 그룹 인공지능 모델이 존재하는 경우 해당 그룹 인공지능 모델을 할당한다. 여기서 소정 기준은, 예를 들어, IoT 라우터의 ID, 또는 지역 정보, 또는 IoT 라우터가 탑재된 이동체의 운행 노선 정보 등일 수 있다. 예를 들어, 동일 노선번호의 버스들에 탑재된 IoT 라우터들을 동일 그룹으로 분류하고, 또는 동일 지역 내의 IoT 라우터들을 동일 그룹으로 분류할 수 있다.
할당부(142)는, 해당 특정 IoT 라우터에 대한 그룹 인공지능 모델이 존재하지 않는 경우, 그룹 인공지능 모델을 학습하고, 학습된 그룹 인공지능 모델을 해당 특정 IoT 라우터에 할당할 수 있다. 할당부(142)는, 해당 특정 IoT 라우터가 속하는 그룹 내의 복수의 IoT 라우터들 중 K1일 이상의 트래픽 데이터가 존재하는 IoT 라우터들을 선정하고, 그 선정된 IoT 라우터들 중 랜덤하게 M 개를 선택하여 최종 학습용 라우터 그룹을 선정한다. 이때, IoT 라우터의 개수가 M개 미만일 경우 모든 IoT 라우터들을 선택하여 최종 학습용 라우터 그룹을 선정한다. 할당부(142)는, 최종 학습용 라우터 그룹 내 IoT 라우터들의 최근 K2(>K1)일 간의 트래픽 데이터를 사용하여 해당 그룹의 인공지능 모델을 학습한다. 이때, K2일 이하의 트래픽 데이터를 가지고 있는 IoT 라우터의 경우 해당 라우터의 모든 트래픽 데이터를 학습에 활용한다.
다른 실시예에서, 할당부(142)는, 특정 IoT 라우터에 대한 인공지능 모델이 있거나, 또는 학습용 데이터가 있어 인공지능 모델을 학습한 경우, 해당 인공지능 모델을 바로 할당하지 않고, 소정 기준에 부합되는 경우에만 해당 인공지능 모델을 할당하고, 그 소정 기준에 부합하지 않는 경우에는 앞서 설명한 바와 같이 미리 학습된 그룹 인공지능 모델을 할당하거나 그룹 인공지능 모델을 학습하여 할당할 수 있다.
예를 들어, 할당부(142)는, 특정 IoT 라우터에 대한 학습된 인공지능 모델이 있을 때, 해당 인공지능 모델의 학습 완료 시점에서의 평균 손실(Loss)(즉, 오차) 값이 기 정해진 기준 η1 값을 초과하는 경우, 정확도가 낮다고 판단하고, 그룹 인공지능 모델을 할당한다. 인공지능 모델의 학습 시간은 유한하게 제한되어 있고, 학습 종료 시점에서의 인공지능 모델의 평균 손실 값은 확률 변수이므로 이론적으로 항상 안정적인 범위 내의 손실 값을 보장하지 않고 불안정한 모델이 생성될 수 있다. 또한, 학습 데이터에 비정상 데이터가 많이 포함되어 있는 경우에도 학습이 효과적으로 수행되지 않을 수 있다. 따라서, 평균 손실 값의 기준 η1 값의 초과 여부를 판단하여 불안정한 모델인지 판단하고, 불안정한 모델인 경우 그룹 인공지능 모델을 사용한다.
또한, 할당부(142)는, 특정 IoT 라우터에 대한 학습된 인공지능 모델이 있을 때, 해당 인공지능 모델의 학습 완료 시점에서의 평균 손실(Loss)(즉, 오차) 값이 기 정해진 기준 η1 값 이하이지만, 다른 IoT 라우터들의 평균 손실 값의 분포 대비 상대적으로 손실 값의 편차가 양의 방향으로 큰 경우에는 그룹 인공지능 모델을 할당한다. 여기서 평균 손실은, 학습용 데이터 세트에 존재하는 각 학습용 데이터별 손실 값에 대한 평균이다.
이 경우, 특정 IoT 라우터에 대한 인공지능 모델의 확률 변수인 평균 손실 값(L)이 해당 인공지능 모델의 학습 완료 시점에서의 평균 손실 값(Lm) 보다 클 확률(Pr(L>LM))이 기 정해진 기준 η2 값 미만이면, 즉 확률이 작아질수록 신뢰 구간을 벗어나므로, 해당 인공지능 모델이 아닌, 그룹 인공지능 모델이 할당되고, 상기 확률(Pr(L>LM))이 기 정해진 기준 η2 값 이상이면, 즉 확률이 커지면 신뢰 구간에 포함되므로, 해당 인공지능 모델이 할당된다. 여기서 확률 Pr은 모집단 추론의 가설 검증에서 사용되는 p-value를 참조하면 이해될 수 있다.
상기 확률(Pr(L>LM))은 다음과 같이 표현할 수 있다.
여기서 L은 인공지능 모델의 평균 손실 값에 대한 확률 변수를 의미하고, FCDF(·)는 확률 변수 L의 누적 분포 함수(CDF: Cumulative Distribution Functions)를 의미한다. FCDF(·)는 존재하는 모든 개별 IoT 라우터들의 학습 완료 시점에서 도출되는 평균 손실 값들의 히스토리를 샘플로 하여 추정되어질 수 있다.
전처리부(143)는, 상기 수집부(141)에서 수집된 IoT 라우터들의 트래픽 데이터에 대해 정규화 및 이상치 제거 등의 전처리를 수행한다. 감시부(144)는, 상기 할당부(142)에서 할당된 인공지능 모델에 상기 전처리부(143)에서 전처리된 데이터를 입력하여 이상 감시를 수행한다. 감시부(144)는 이상 감지시 디스플레이 장치를 통해 알람을 출력할 수 있고, 또는 관리자의 단말로 알람을 전송할 수 있다.
도 4는 본 발명의 일 실시예에 따른 인공지능 모델의 할당 방법을 설명하는 흐름도이다.
도 4를 참조하면, 단계 S401에서, 이상 감시 장치(140)는, n번 IoT 라우터를 인공지능 모델 할당 대상 라우터로 선정한다. 단계 S402에서, 이상 감시 장치(140)는, 해당 n번 IoT 라우터에 대한 인공지능(AI) 모델이 존재하는지 확인한다.
인공지능 모델이 존재하는 경우, 단계 S403에서, 이상 감시 장치(140)는, 해당 인공지능 모델의 학습 완료 시점에서의 평균 손실(Loss, Lm) 값이 기 정해진 기준 η1 값을 초과하는지 확인한다.
평균 손실(Loss, Lm) 값이 기 정해진 기준 η1 값 이하인 경우, 단계 S404에서, 이상 감시 장치(140)는, 해당 인공지능 모델의 확률 변수인 평균 손실 값(L)이 해당 인공지능 모델의 학습 완료 시점에서의 평균 손실 값(Lm) 보다 클 확률(Pr(L>LM))이 기 정해진 기준 η2 값 미만인지 확인한다.
상기 확률이 기준 η2 값 이상인 경우, 단계 S405에서, 이상 감시 장치(140)는, 해당 인공지능 모델을 n번 IoT 라우터에 할당하여 이상 감시를 수행한다. 즉, 이상 감시 장치(140)는, 해당 인공지능 모델의 학습 완료 시점에서의 평균 손실(LM) 값이 기 정해진 기준 η1 값 이하이면서, 다른 IoT 라우터들의 평균 손실 값의 분포 대비 상대적으로 손실 값의 편차가 일반적인 허용 범위 안에 존재하는 경우, 즉 상기 확률이 기준 η2 값 이상인 경우, 해당 인공지능 모델을 신뢰하고 이를 이용하여 이상 감시를 수행한다.
한편, 단계 S402에서 확인 결과, 인공지능 모델이 존재하지 않는 경우, 단계 S406에서, 이상 감시 장치(140)는, 해당 n번 IoT 라우터의 학습용 데이터가 존재하는지 확인한다. 예컨대, 해당 n번 IoT 라우터의 예를 들어 최근 2주 이상의 트래픽 데이터가 존재하는지 확인한다. 학습용 데이터가 존재할 경우, 단계 S407에서, 이상 감시 장치(140)는, 학습되지 않은 기본 인공지능 모델을 상기 학습용 데이터, 예를 들어 최근 2주 이상의 트래픽 데이터를 이용하여 학습한다.
이후, 이상 감시 장치(140)는, 단계 S407에서 학습된 인공지능 모델에 대해 상술한 단계 S403, 및 단계 S404를 수행하며, 해당 인공지능 모델의 학습 완료 시점에서의 평균 손실(LM) 값이 기 정해진 기준 η1 값 이하이면서, 다른 IoT 라우터들의 평균 손실 값의 분포 대비 상대적으로 일반적인 허용 범위 안에 존재하는 경우, 즉 상기 확률이 기준 η2 값 이상인 경우, 단계 S405에서 해당 인공지능 모델을 신뢰하고 이를 이용하여 이상 감시를 수행한다.
한편, 단계 S403에서, 평균 손실(LM) 값이 기 정해진 기준 η1 값을 초과하거나, 단계 S404에서, 상기 확률이 기준 η2 값 미만인 경우, 또는 단계 S406에서 확인한 결과 학습용 데이터가 없는 경우, 단계 S408에서, 이상 감시 장치(140)는, 해당 n번 IoT 라우터가 속한 그룹의 미리 학습된 그룹 인공지능 모델이 존재하는지 확인한다. 여기서 그룹의 기준은, 예를 들어, IoT 라우터의 ID, 또는 지역 정보, 또는 IoT 라우터가 탑재된 이동체의 운행 노선 정보 등일 수 있다. 예를 들어, 동일 노선번호의 버스들에 탑재된 IoT 라우터들을 동일 그룹으로 분류하고, 또는 동일 지역 내의 IoT 라우터들을 동일 그룹으로 분류할 수 있다.
미리 학습된 그룹 인공지능 모델이 있는 경우, 단계 S409에서, 이상 감시 장치(140)는, 해당 미리 학습된 그룹 인공지능 모델을 n번 IoT 라우터에 할당하여 이상 감시를 수행한다.
한편, 미리 학습된 그룹 인공지능 모델이 없는 경우, 단계 S410에서, 이상 감시 장치(140)는, 해당 n번 IoT 라우터가 속하는 그룹 내의 복수의 IoT 라우터들 중 K1일 이상의 트래픽 데이터가 존재하는 IoT 라우터들을 선정하고, 그 선정된 IoT 라우터들 중 랜덤하게 M 개를 선택하여 최종 학습용 라우터 그룹을 선정한다. 이때, IoT 라우터의 개수가 M개 미만일 경우 모든 IoT 라우터들을 선택하여 최종 학습용 라우터 그룹을 선정한다.
단계 S411에서, 이상 감시 장치(140)는, 최종 학습용 라우터 그룹 내 IoT 라우터들의 최근 K2(>K1)일 간의 트래픽 데이터를 사용하여 해당 그룹의 인공지능 모델을 학습한다. 이때, K2일 이하의 트래픽 데이터를 가지고 있는 IoT 라우터의 경우 해당 라우터의 모든 트래픽 데이터를 학습에 활용한다.
이와 같이 학습이 완료되면, 단계 S409에서, 이상 감시 장치(140)는, 해당 학습된 그룹 인공지능 모델을 n번 IoT 라우터에 할당하여 이상 감시를 수행한다.
이상의 실시예에 따르면, 개별 IoT 라우터를 관제하는데 있어서 개별 IoT 라우터마다 적절한 인공지능 모델을 할당하여 이상 감시를 수행하므로, 항시 안정적인 관제 성능을 보장할 수 있고, 이를 통해, IoT 라우터 관제 업무의 효율 및 정확도를 개선하고 서비스 이용자에게 항시 안정적인 품질을 제공하는데 기여할 수 있다.
본 명세서는 많은 특징을 포함하는 반면, 그러한 특징은 본 발명의 범위 또는 특허청구범위를 제한하는 것으로 해석되어서는 안 된다. 또한, 본 명세서에서 개별적인 실시예에서 설명된 특징들은 단일 실시예에서 결합되어 구현될 수 있다. 반대로, 본 명세서에서 단일 실시예에서 설명된 다양한 특징들은 개별적으로 다양한 실시예에서 구현되거나, 적절히 결합되어 구현될 수 있다.
도면에서 동작들이 특정한 순서로 설명되었으나, 그러한 동작들이 도시된 바와 같은 특정한 순서로 수행되는 것으로, 또는 일련의 연속된 순서, 또는 원하는 결과를 얻기 위해 모든 설명된 동작이 수행되는 것으로 이해되어서는 안 된다. 특정 환경에서 멀티태스킹 및 병렬 프로세싱이 유리할 수 있다. 아울러, 상술한 실시예에서 다양한 시스템 구성요소의 구분은 모든 실시예에서 그러한 구분을 요구하지 않는 것으로 이해되어야 한다. 상술한 프로그램 구성요소 및 시스템은 일반적으로 단일 소프트웨어 제품 또는 멀티플 소프트웨어 제품에 패키지로 구현될 수 있다.
상술한 바와 같은 본 발명의 방법은 프로그램으로 구현되어 컴퓨터로 읽을 수 있는 형태로 기록매체(시디롬, 램, 롬, 플로피 디스크, 하드 디스크, 광자기 디스크 등)에 저장될 수 있다. 이러한 과정은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있으므로 더 이상 상세히 설명하지 않기로 한다.
이상에서 설명한 본 발명은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능하므로 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니다.
110 : IoT 라우터
120 : 기지국
130 : 네트워크
140 : 이상 감시 장치
141 : 수집부
142 : 할당부
143 : 전처리부
144 : 감시부

Claims (14)

  1. IoT 라우터의 이상 감시를 위한 이상 감시 장치에 있어서,
    상기 IoT 라우터의 트래픽 데이터를 수집하는 수집부;
    상기 IoT 라우터의 이상 감시를 수행할 인공지능 모델을 할당하는 할당부; 및
    상기 할당된 인공지능 모델 및 상기 수집된 트래픽 데이터를 이용하여 상기 IoT 라우터의 이상 감시를 수행하는 감시부를 포함하는 이상 감시 장치.
  2. 제1항에 있어서,
    상기 할당부는,
    미리 학습된 인공지능 모델이 없는 경우, 상기 IoT 라우터의 최근 소정 기간의 트래픽 데이터를 이용하여 인공지능 모델을 학습하여 할당하는 것을 특징으로 하는 이상 감시 장치.
  3. 제1항 또는 제2항에 있어서,
    상기 할당부는,
    인공지능 모델의 학습 완료 시점에서의 평균 손실 값이 제1기준 값 이하이고, 해당 인공지능 모델의 확률 변수인 평균 손실 값이 해당 인공지능 모델의 학습 완료 시점에서의 평균 손실 값 보다 클 확률이 제2기준 값 이상인 경우, 해당 인공지능 모델을 할당하는 것을 특징으로 하는 이상 감시 장치.
  4. 제1항에 있어서,
    상기 할당부는,
    상기 IoT 라우터가 속한 그룹의 그룹 인공지능 모델을 할당하는 것을 특징으로 하는 이상 감시 장치.
  5. 제4항에 있어서,
    상기 할당부는,
    상기 IoT 라우터가 속한 그룹 내의 복수의 IoT 라우터들 중 제1기간 이상의 트래픽 데이터가 존재하는 IoT 라우터를 선정하고 그 중 랜덤하게 소정 개수를 선택하며, 선택된 IoT 라우터들의 최근 소정 기간 동안의 트래픽 데이터를 이용하여 그룹 인공지능 모델을 학습하여 할당하는 것을 특징으로 하는 이상 감시 장치.
  6. 제4항에 있어서,
    상기 할당부는,
    상기 IoT 라우터에 대응하는 인공지능 모델의 학습 완료 시점에서의 평균 손실 값이 제1기준 값을 초과하는 경우, 상기 그룹 인공지능 모델을 할당하는 것을 특징으로 하는 이상 감시 장치.
  7. 제6항에 있어서,
    상기 할당부는,
    상기 IoT 라우터에 대응하는 인공지능 모델의 학습 완료 시점에서의 평균 손실 값이 상기 제1기준 값 이하이고, 해당 인공지능 모델의 확률 변수인 평균 손실 값이 해당 인공지능 모델의 학습 완료 시점에서의 평균 손실 값 보다 클 확률이 제2기준 값 미만인 경우, 상기 그룹 인공지능 모델을 할당하는 것을 특징으로 하는 이상 감시 장치.
  8. 이상 감시 장치에서의 IoT 라우터의 이상 감시 방법에 있어서,
    상기 IoT 라우터의 트래픽 데이터를 수집하는 단계;
    상기 IoT 라우터의 이상 감시를 수행할 인공지능 모델을 할당하는 단계; 및
    상기 할당된 인공지능 모델 및 상기 수집된 트래픽 데이터를 이용하여 상기 IoT 라우터의 이상 감시를 수행하는 단계를 포함하는 이상 감시 방법.
  9. 제8항에 있어서,
    상기 할당하는 단계는,
    미리 학습된 인공지능 모델이 없는 경우, 상기 IoT 라우터의 최근 소정 기간의 트래픽 데이터를 이용하여 인공지능 모델을 학습하여 할당하는 것을 특징으로 하는 이상 감시 방법.
  10. 제8항 또는 제9항에 있어서,
    상기 할당하는 단계는,
    인공지능 모델의 학습 완료 시점에서의 평균 손실 값이 제1기준 값 이하이고, 해당 인공지능 모델의 확률 변수인 평균 손실 값이 해당 인공지능 모델의 학습 완료 시점에서의 평균 손실 값 보다 클 확률이 제2기준 값 이상인 경우, 해당 인공지능 모델을 할당하는 것을 특징으로 하는 이상 감시 방법.
  11. 제8항에 있어서,
    상기 할당하는 단계는,
    상기 IoT 라우터가 속한 그룹의 그룹 인공지능 모델을 할당하는 것을 특징으로 하는 이상 감시 방법.
  12. 제11항에 있어서,
    상기 할당하는 단계는,
    상기 IoT 라우터가 속한 그룹 내의 복수의 IoT 라우터들 중 제1기간 이상의 트래픽 데이터가 존재하는 IoT 라우터를 선정하고 그 중 랜덤하게 소정 개수를 선택하며, 선택된 IoT 라우터들의 최근 소정 기간 동안의 트래픽 데이터를 이용하여 그룹 인공지능 모델을 학습하여 할당하는 것을 특징으로 하는 이상 감시 방법.
  13. 제11항에 있어서,
    상기 할당하는 단계는,
    상기 IoT 라우터에 대응하는 인공지능 모델의 학습 완료 시점에서의 평균 손실 값이 제1기준 값을 초과하는 경우, 상기 그룹 인공지능 모델을 할당하는 것을 특징으로 하는 이상 감시 방법.
  14. 제13항에 있어서,
    상기 할당하는 단계는,
    상기 IoT 라우터에 대응하는 인공지능 모델의 학습 완료 시점에서의 평균 손실 값이 상기 제1기준 값 이하이고, 해당 인공지능 모델의 확률 변수인 평균 손실 값이 해당 인공지능 모델의 학습 완료 시점에서의 평균 손실 값 보다 클 확률이 제2기준 값 미만인 경우, 상기 그룹 인공지능 모델을 할당하는 것을 특징으로 하는 이상 감시 방법.
KR1020220175901A 2022-12-15 2022-12-15 IoT 라우터의 이상 감시를 위한 이상 감시 장치 및 방법 KR20240093019A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220175901A KR20240093019A (ko) 2022-12-15 2022-12-15 IoT 라우터의 이상 감시를 위한 이상 감시 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220175901A KR20240093019A (ko) 2022-12-15 2022-12-15 IoT 라우터의 이상 감시를 위한 이상 감시 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20240093019A true KR20240093019A (ko) 2024-06-24

Family

ID=91711864

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220175901A KR20240093019A (ko) 2022-12-15 2022-12-15 IoT 라우터의 이상 감시를 위한 이상 감시 장치 및 방법

Country Status (1)

Country Link
KR (1) KR20240093019A (ko)

Similar Documents

Publication Publication Date Title
US20210185117A1 (en) Resource management in a big data environment
US11206196B2 (en) Computer network troubleshooting
US11438770B2 (en) Method and apparatus for monitoring and predicting channel availability and preemptively reconfiguring the network in a spectrum controlled network
US11399290B2 (en) Method and apparatus for monitoring and predicting capacity utilization and preemptively reconfiguring the network in a spectrum controlled network
JP7159347B2 (ja) モデル更新方法および装置、ならびにシステム
US8667126B2 (en) Dynamic rate heartbeating for inter-node status updating
US9756518B1 (en) Method and apparatus for detecting a traffic suppression turning point in a cellular network
CN110430068B (zh) 一种特征工程编排方法及装置
EP4451729A1 (en) Methods for determining root cause fault, and apparatuses
CN118101101B (zh) 一种基于wifi网络的云计算系统及方法
EP2863597B1 (en) Computer-implemented method, computer system, computer program product to manage traffic in a network
EP3560145B1 (en) Apparatus and method for identifying network object groups
US10805829B2 (en) BLE-based location services in high density deployments
WO2023045931A1 (zh) 一种网络性能异常分析方法、装置及可读存储介质
KR20240093019A (ko) IoT 라우터의 이상 감시를 위한 이상 감시 장치 및 방법
EP2930617A1 (en) Resource management method and device
US11622322B1 (en) Systems and methods for providing satellite backhaul management over terrestrial fiber
CN108540581A (zh) 基于多web服务器的服务系统及服务方法、储存介质
US20220358149A1 (en) Life cycle management
EP4203410A1 (en) User device, server, method, apparatus and computer readable medium for network communication
CN114567907B (zh) 一种跨域网络的资源管理方法、装置及系统
Darwish A survey of predictive maintenance and self-optimization in telecom field based on machine learning
CN114158081B (zh) 端到端感知预警方法装置、计算机设备
US20240348376A1 (en) Systems and methods for estimating a packet delay measurement
WO2024225940A1 (en) Method and apparatus for predicting traffic in cells of a wireless communication network

Legal Events

Date Code Title Description
E902 Notification of reason for refusal