최근 사물인터넷(Internet of Things, IoT)이 4차 산업혁명의 핵심 기술로 부상하였으며, 이에 따라 센싱 기술을 활용한 분야가 확대되고 있다. 유무선 센서로부터 획득한 일련의 시계열 데이터를 효율적으로 처리하기 위해 다양한 데이터 마이닝 기술이 적용되고 있다. 이러한 ...
최근 사물인터넷(Internet of Things, IoT)이 4차 산업혁명의 핵심 기술로 부상하였으며, 이에 따라 센싱 기술을 활용한 분야가 확대되고 있다. 유무선 센서로부터 획득한 일련의 시계열 데이터를 효율적으로 처리하기 위해 다양한 데이터 마이닝 기술이 적용되고 있다. 이러한 시계열을 해석하고, 직관적인 분석을 통해 예측이나 분류 모델을 생성함과 같은 다양한 응용이 가능하다. 특히, IoT 시스템에서는 실시간으로 수집되는 시계열 데이터를 분석하여 수요에 맞는 정보를 제공해야하기 때문에, 우수한 성능 보장과 동시에 지속가능한 배터리 소모량에 따른 에너지 효율성을 고려해야한다.
본 연구에서는 복수의 시계열 데이터를 분석하고, 이를 처리하기 위한 효율적인 시스템을 제안한다. 에너지 효율성이 높은 소음 센서를 활용한 연구, 기존의 다종류의 센서 데이터와 비교하여 분류 효율성이 높은 소리 데이터를 분석하는 연구, 그리고 압력 센서를 활용하여 점수 자동화를 수행함으로써, 데이터를 효율적으로 처리하는 연구를 제안한다. 마지막으로 특징 선택 기법을 적용하여 데이터 축소를 도모하고, 이로 인해 분류 효율성을 증대하는 연구를 제안한다.
가정 내의 넓은 활동 반경을 가지는 반려견의 소리 데이터를 취득하기 위해서는 무선 센서 네트워크를 적용해야한다. 그러나 기존의 소리 센서는 데이터를 수집하고 전송하는 데에 있어서 많은 양의 전력을 소비하게 되는 단점이 존재하여 실시간 시스템에 적합하지 않다. 에너지 효율성을 개선하기 위해 본 연구에서는 소음 센서(LM-393)를 사용하여 반려견의 소음 강도 데이터를 수집하고, 반려견의 소리 이벤트(짖는 소리, 으르렁 거리는 소리, 울부짖는 소리, 그리고 우는 소리)를 효과적으로 분류하는 방법을 제안한다. 그러나 소리 신호의 모든 정보가 아닌 강도 정보만을 활용하기 때문에 높은 분류 정확도를 획득하는 것은 어렵다. 이러한 분류 정확도의 저하를 최소화하기 위해 Bicubic interpolation을 적용하였으며, 최종적으로 시계열 데이터 분석에 적합한 딥러닝 모델인 Long short-term memory-fully convolutional network(LSTM-FCN)를 통해 반려견의 소리 이벤트를 분류하였다. 제안한 방법의 유효성 검증을 위해 기존의 소리 센서를 활용한 특징 추출(MFCC, Spectrogram, mel-spectrum)과 기계 학습 기법(SVM, K-NN 알고리즘)을 적용한 방법과 비교 실험을 진행하였다. 실험 결과, 일반적인 소리 센서를 활용한 방법에 비해 정확도가 크게 저하되지 않은 반면에, 약 10배의 에너지 효율성 개선을 확인한다.
추가로, 본 연구에서는 다양한 분야의 시계열 데이터를 효율적으로 처리하는 방법을 제안한다. 소리 센서와 압력 센서를 활용한 연구, 그리고 시계열 분석의 대표적인 예시인 네트워크 트래픽 분석에 관한 연구를 소개한다.
소리 센서로부터 획득한 데이터는 전력 변압기의 이상상황 탐지를 위해 활용된다. 이는 유입식 전력 변압기의 외부 소음 데이터를 취득하고, MFCC 특징 벡터를 추출하여 Shpelets 알고리즘을 통해 정상과 비정상 상태의 전력 변압기를 분류한다. 설치 기간이 3년 이상의 전력 변압기를 98.5%의 분류 정확도로 탐지하는 방법을 제안한다.
압력 센서로부터 획득한 데이터는 요가 자세 평가 모델을 생성하기 위해 활용된다. 전도성 섬유 기반의 압력 센서를 이용하여 피험자의 요가 자세 데이터를 수집하고, 수집된 데이터를 바탕으로 올바른 요가 자세 지도를 위한 자동화된 점수화 모델을 생성하는 방법을 제안한다.
네트워크 트래픽 데이터는 비정상 트래픽 탐지를 위해 활용된다. 오픈 데이터 셋인 NSL-KDD 패킷 데이터 셋을 활용하여 비정상 상황을 탐지한다. 패킷 데이터 셋은 다종류의 공격 패킷 리스트로 구성되어 있으며, 이에 따른 다수의 패킷 특징이 존재한다. 이러한 다수의 특징을 감축시키기 위해, 특징 선택 기법을 통해 차원 축소를 도모하고, 분류기인 Shapelets을 적용하여 정상과 비정상의 패킷을 분류하는 방법을 제안한다.
최근 사물인터넷(Internet of Things, IoT)이 4차 산업혁명의 핵심 기술로 부상하였으며, 이에 따라 센싱 기술을 활용한 분야가 확대되고 있다. 유무선 센서로부터 획득한 일련의 시계열 데이터를 효율적으로 처리하기 위해 다양한 데이터 마이닝 기술이 적용되고 있다. 이러한 시계열을 해석하고, 직관적인 분석을 통해 예측이나 분류 모델을 생성함과 같은 다양한 응용이 가능하다. 특히, IoT 시스템에서는 실시간으로 수집되는 시계열 데이터를 분석하여 수요에 맞는 정보를 제공해야하기 때문에, 우수한 성능 보장과 동시에 지속가능한 배터리 소모량에 따른 에너지 효율성을 고려해야한다.
본 연구에서는 복수의 시계열 데이터를 분석하고, 이를 처리하기 위한 효율적인 시스템을 제안한다. 에너지 효율성이 높은 소음 센서를 활용한 연구, 기존의 다종류의 센서 데이터와 비교하여 분류 효율성이 높은 소리 데이터를 분석하는 연구, 그리고 압력 센서를 활용하여 점수 자동화를 수행함으로써, 데이터를 효율적으로 처리하는 연구를 제안한다. 마지막으로 특징 선택 기법을 적용하여 데이터 축소를 도모하고, 이로 인해 분류 효율성을 증대하는 연구를 제안한다.
가정 내의 넓은 활동 반경을 가지는 반려견의 소리 데이터를 취득하기 위해서는 무선 센서 네트워크를 적용해야한다. 그러나 기존의 소리 센서는 데이터를 수집하고 전송하는 데에 있어서 많은 양의 전력을 소비하게 되는 단점이 존재하여 실시간 시스템에 적합하지 않다. 에너지 효율성을 개선하기 위해 본 연구에서는 소음 센서(LM-393)를 사용하여 반려견의 소음 강도 데이터를 수집하고, 반려견의 소리 이벤트(짖는 소리, 으르렁 거리는 소리, 울부짖는 소리, 그리고 우는 소리)를 효과적으로 분류하는 방법을 제안한다. 그러나 소리 신호의 모든 정보가 아닌 강도 정보만을 활용하기 때문에 높은 분류 정확도를 획득하는 것은 어렵다. 이러한 분류 정확도의 저하를 최소화하기 위해 Bicubic interpolation을 적용하였으며, 최종적으로 시계열 데이터 분석에 적합한 딥러닝 모델인 Long short-term memory-fully convolutional network(LSTM-FCN)를 통해 반려견의 소리 이벤트를 분류하였다. 제안한 방법의 유효성 검증을 위해 기존의 소리 센서를 활용한 특징 추출(MFCC, Spectrogram, mel-spectrum)과 기계 학습 기법(SVM, K-NN 알고리즘)을 적용한 방법과 비교 실험을 진행하였다. 실험 결과, 일반적인 소리 센서를 활용한 방법에 비해 정확도가 크게 저하되지 않은 반면에, 약 10배의 에너지 효율성 개선을 확인한다.
추가로, 본 연구에서는 다양한 분야의 시계열 데이터를 효율적으로 처리하는 방법을 제안한다. 소리 센서와 압력 센서를 활용한 연구, 그리고 시계열 분석의 대표적인 예시인 네트워크 트래픽 분석에 관한 연구를 소개한다.
소리 센서로부터 획득한 데이터는 전력 변압기의 이상상황 탐지를 위해 활용된다. 이는 유입식 전력 변압기의 외부 소음 데이터를 취득하고, MFCC 특징 벡터를 추출하여 Shpelets 알고리즘을 통해 정상과 비정상 상태의 전력 변압기를 분류한다. 설치 기간이 3년 이상의 전력 변압기를 98.5%의 분류 정확도로 탐지하는 방법을 제안한다.
압력 센서로부터 획득한 데이터는 요가 자세 평가 모델을 생성하기 위해 활용된다. 전도성 섬유 기반의 압력 센서를 이용하여 피험자의 요가 자세 데이터를 수집하고, 수집된 데이터를 바탕으로 올바른 요가 자세 지도를 위한 자동화된 점수화 모델을 생성하는 방법을 제안한다.
네트워크 트래픽 데이터는 비정상 트래픽 탐지를 위해 활용된다. 오픈 데이터 셋인 NSL-KDD 패킷 데이터 셋을 활용하여 비정상 상황을 탐지한다. 패킷 데이터 셋은 다종류의 공격 패킷 리스트로 구성되어 있으며, 이에 따른 다수의 패킷 특징이 존재한다. 이러한 다수의 특징을 감축시키기 위해, 특징 선택 기법을 통해 차원 축소를 도모하고, 분류기인 Shapelets을 적용하여 정상과 비정상의 패킷을 분류하는 방법을 제안한다.
주제어
#Deep learning IoT System Sensor Energy efficiency Classification
학위논문 정보
저자
김윤빈
학위수여기관
고려대학교 대학원
학위구분
국내석사
학과
컴퓨터정보학과
지도교수
정용화
발행연도
2019
총페이지
5, 58장
키워드
Deep learning IoT System Sensor Energy efficiency Classification
※ AI-Helper는 부적절한 답변을 할 수 있습니다.