선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
-
2. 제안하는 데이터 필터링 기법
기존 칼만 데이터 필터링 기법의 문제점을 해결하기 위해, 본 연구에서는 새로운 데이터 필터링 기법을 제안한다. 제안하는 데이터 필터링 기법은 센서 노드 생존 여부 확인을 위해 주기적으로 서버에 전송하고, 집계된 데이터 집합의 특성을 분석하여, 필터링 범위를 설정한다.
- 본 논문에서는 센서의 효율적인 에너지 소모량 감소를 위한 새로운 데이터 필터링 기법을 제안하였다. 제안한 기법은 데이터 집계 처리와 데이터 필터링을 결합한 방법으로써, 표본 데이터 및 노드 생존 메시지를 통해 전체 데이터의 특성을 분석하고, 분석된 데이터 특성을 바탕으로 필터링 범위를 설정하여 데이터 전송 여부를 결정한다.
- 이에 따라 본 논문에서는, 효율적인 센서 노드 에너지 소모량 감소를 위한 새로운 데이터 필터렁 기법을 제안한다. 제안하는 기법은 수집된 데이터를 분석하여 데이터 필터링의 범위를 설정하고, 이를 전체 센서 노드에 적용함으로써 예측 가능한 데이터를 효율적으로 필터링하는 기법이다.
가설 설정
- 데이터 전송율을 나타낸다. 단, 전체 데이터 전송 횟수가 통계적으로 충분히 큰 수이기 때문에, 데이터의 분포는 정규분포를 따른다고 가정한다. 실험 결과, CI 가 증가할수록 데이터 전송 횟수가 감소한다.
제안 방법
- 또한 칼만 필터는, 주기적인 노드 생존 메시지 전송을 하지 않기 때문에, 노드 생존 여부를 확인할 수 없다. 그러나 실제 모니터링 시스템 구축시 노드 생존 여부 확인에 따른 신속한 유지/ 보수가 필수적이기 때문에, 칼만 필터에도 주기적인 생존 메시지 전송 모듈을 구현하였다. 실험은 TOSSIM 시뮬레이터를 이용하여 수행되었으며, TinyOS 기반의 MintRoute를 사용하여 집계 트리를 구성하였다.
- 구축된 모니터링 시스템은, 냉동 컨테이너를 통해 운송되는 식품의 품질을 감시하고, 이에 대한 관리 서비스를 지원한다. 둘째, 임화정의 연구[1 기에서는 무선센서 네트워크를 도로, 교각 등의 구조물에 적용한 구조물 안전 모니터링 시스템을 구축하였다. 이를 통해도로에 걸리는 하중, 진동, 외부 중격 등의 부하를 감지하여 실시간으로 사용자에게 알려준다.
- 따라서 일정 주기마다 생존 메시지를 전송하여 무선 센서 노드의 실패 여부를 확인하는 것이 필수적이다. 따라서 이러한 고려사항에 근거허여, 기존 데이터 필터링 기법을 분석하여 문제점을 살펴본다.
- 센서 네트워크에서 스카이라인 질의처리 수행시, 불필요한 False Positive 데이터의 전송에 의한 데이터 전송량이 증가한다. 따라서 이를 해결하기 위해서, 클러스터 기반의 데이터 필터링 기법인 ECF(Excellent Cluster Filter)기법을 제안하였다. ECF 기법은 첫째, 전체적인 센서들의 데이터를 비교하여 우수 클러스터를 선정한다.
- 실험은 TOSSIM 시뮬레이터를 이용하여 수행되었으며, TinyOS 기반의 MintRoute를 사용하여 집계 트리를 구성하였다. 센서 노드는 매 주기마다 0.5%의 확률로 작동을 정지하도록 설정하였으며, 총 200주기 동안 데이터를 생성한다. 모든 실험은 100회 수행하여 그 평균을 결과값으로 측정하였다.
- 성능 평가 결과, 제안한 데이터 분석기반 데이터 필터링 기법은 기존 칼만 필터링에 비해 데이터 전송 횟수를 약 5%~10% 감소시켜, 전체적인 성능을 향상시켰다. 아울러 무선 센서 네트워크 기반 모니터 링 시스템에서 노드의 생존 여부 확인을 지원하기 위해, 주기적으로 샘플 데이터를 포함한 노드 생존 메시지를 전송하고, 수집된 샘플 데이터를 통해 필터링 범위 설정을 수행한다. 이를 통해 추가적인 컴포넌트의 구성없이 노드 실패 확인을 지원한다.
- 제안하는 기법은 수집된 데이터를 분석하여 데이터 필터링의 범위를 설정하고, 이를 전체 센서 노드에 적용함으로써 예측 가능한 데이터를 효율적으로 필터링하는 기법이다. 아울러, 제안하는 기법은 추가적인 컴포넌트 구성없이, 생존 메시지를 활용하여 센서 노드의 고장과 같은 노드 실패 감지를 지원한다.
- 특히 기존의 유선 센서 기반의 도로 모니터링 시스템의 경우, 시스템구축 흑은 확장 시 인프라 설치를 위한 도로 공사에 많은 시간과 비용이 소모되는 문제점이 존재한다. 이를 무선 센서 네트워크를 활용함으로써, 소모되는 시간 및 자원을 절감하였다.
- 이는 예측한 데이터의 특성이 변경되었음을 의미하며, 따라서 변경된 데이터의 특성을 반영하여 필터링 범위를 재설정할 필요가 있다. 이를 위해 필터링 범위 재설정 단계에서는, 생존 메시지 전송 주기 Lreset 마다 N개의 노드로부터 N개의 데이터를 수집하여(12번째 줄~13번째 줄), 새로운 필터링 범위를 측정한다(14번째 줄). 다음, 측정된 새로운 필터링 범위를 모든 센서 노드에 브로드케스팅한다(15번째 줄).
- 제안된 데이터 분석 기반 데이터 필터링 기법(OFM : 성능평가시 Our Filtering Method 이라 명명)을 기존의 적응적 필터링 기법 중, 가장 우수한 칼만 필터링 기법과 성능 평가를 수행한다. ECF의 경우, 처리하는 질의의 종류가 다르기 때문에 비교대상에서 제외하였다.
- 제안하는 기법은 수집된 데이터를 분석하여 데이터 필터링의 범위를 설정하고, 이를 전체 센서 노드에 적용함으로써 예측 가능한 데이터를 효율적으로 필터링하는 기법이다. 아울러, 제안하는 기법은 추가적인 컴포넌트 구성없이, 생존 메시지를 활용하여 센서 노드의 고장과 같은 노드 실패 감지를 지원한다.
- 제안하는 데이터 필터링 기법은 센서 노드 생존 여부 확인을 위해 주기적으로 서버에 전송하고, 집계된 데이터 집합의 특성을 분석하여, 필터링 범위를 설정한다. 즉, 필터링 범위 설정을 위한 데이터 집계 및 분석, 분석된 데이터 필터링 범위에 대한 real data의 row data 변환, 필터링 범위 전송은 모두 자원의 제약이 없는 서버에서 이루어진다.
- 제안한 기법은 데이터 집계 처리와 데이터 필터링을 결합한 방법으로써, 표본 데이터 및 노드 생존 메시지를 통해 전체 데이터의 특성을 분석하고, 분석된 데이터 특성을 바탕으로 필터링 범위를 설정하여 데이터 전송 여부를 결정한다. 또한 데이터의 분석 및 범위 계산을 서버에서 수행함으로써 센서노드의 데이터 처리 오버헤드를 감소시킨다.
- 첫째, 필터링 범위 초기화 단계에서는 충분한 양의 표본 데이터를 수집하고(1번째 줄'3번째 줄), 이를 분석하여 전체 데이터의 분포도를 예측한다(4번째 줄~6 번째 줄). 이후 전체 데이터 분포도를 통해 필터링 범위 F_Raee를 설정하고, 브로드케스트를 통해 모든 센서 노드에 필터링 범위를 전송한다.
- ECF의 경우, 처리하는 질의의 종류가 다르기 때문에 비교대상에서 제외하였다. 칼만 필터의 데이터 오차율 설정을 위해, 실제 센서를 활용하여 환경 데이터를 수집하고 분석하였으며, 그 결과 최적의 데이터 오차율을 3%로 설정하였다. 또한 칼만 필터는, 주기적인 노드 생존 메시지 전송을 하지 않기 때문에, 노드 생존 여부를 확인할 수 없다.
- 모든 실험은 100회 수행하여 그 평균을 결과값으로 측정하였다. 한편, 성능평가를 위해, 이전 데이터를 기준으로 주어진 변화율 범위 내에서 증가 혹은 감소하는 선형적 데이터 생성기를 구현하여 사용하였다. 예를 들어, 첫번째 데이터가 10, 데이터 변화율이 10%의 경우, 두번째 데이터는 9~11 사이의 범위에서 생성된다.
대상 데이터
- 이때 전체 데이터 전송횟수는 주기별 노드 생존 메시지 전송횟수와 필터링되지 않은 데이터의 전송 횟수를 더한 값이다. 전제 생성된 데이터 량은 노드 수*실험주기 이므로, 20*200 = 4, 000 개의 데이터가 생성되었다. 아울러 상위 노드에서의 라우팅을 위한 단순 메시지 전송횟수를 고려할 때, 필터링 미적용시 전체 데이터 전송횟수는 전체 생성된 데이터 량 * 트리 깊이이다.
데이터처리
- 5%의 확률로 작동을 정지하도록 설정하였으며, 총 200주기 동안 데이터를 생성한다. 모든 실험은 100회 수행하여 그 평균을 결과값으로 측정하였다. 한편, 성능평가를 위해, 이전 데이터를 기준으로 주어진 변화율 범위 내에서 증가 혹은 감소하는 선형적 데이터 생성기를 구현하여 사용하였다.
- 본 연구에서는 효율적인 데이터 필터링을 위한 필터링 범위 설정을 위해 데이터의 평균 및 표준 편차를 활용한다. 데이터 필터링을 위한 수행 과정은 필터링 범위 초기화(1번째 줄 ~ 7번째 줄), 데이터 필터링 수행 (8번째 줄 ~ 11번째 줄), 그리고 필터링 범위 재설정 (12번째 줄 ~ 16번째 줄)의 세 단계로 이루어진다.
이론/모형
- 그러나 실제 모니터링 시스템 구축시 노드 생존 여부 확인에 따른 신속한 유지/ 보수가 필수적이기 때문에, 칼만 필터에도 주기적인 생존 메시지 전송 모듈을 구현하였다. 실험은 TOSSIM 시뮬레이터를 이용하여 수행되었으며, TinyOS 기반의 MintRoute를 사용하여 집계 트리를 구성하였다. 센서 노드는 매 주기마다 0.
성능/효과
- 95 일 때, OFM 및 칼만 필터링에서의 데이터 변화율에 의한 평균 데이터 전송횟수를 나타낸다. OFM과 칼만 필터링 기법 모두, 데이터 변화율 증가 시 데이터 전송 횟수가 증가하였다. 이는 데이터 변화율 증가 시, 분석된 데이터 필터링 범위(OEM) 또는 예측된 데이터 값(칼만)의 정확도가 감소하기 때문이다.
- 칼만 필터 기법의 경우, row data 변환 및 데이터 예측값 계산작업을 제한된 CPU 자원을 지니는 센서 노드에서 수행하여 많은 오차가 발생하기 때문에, 필터링 성능이 저하된다. 그러나 제안한 기법은 많은 연산을 요구하는 작업들을 서버에서 수행하고, 센서 노드에서는 단순 비교연산만을 이용하여 데이터 필터링을 수행하기 때문에, 계산 오버헤드 및 오차를 감소시켜 데이터 필터링 성능을 향상시킨다.
- 또한 이기종의 센서 노드가 추가될 경우, 필터링 컴포넌트 수정 및 수정된 컴포넌트의 재전송 작업이 요구된다. 그러나 제안한 기법은 해당 작업들을 서버에서 처리하기 때문에, 센서 노드 추가에 따른 컴포넌트 재전송 작업을 최소화 할 수 있다.
- 따라서 계산 오버헤드가 감소한다. 둘째, 센서 종류에 의해 결정되는 변수들을 서버에서 처리하기 때문에 이기종 센서 노드 활용이 보다 용이하다. 기존 칼만 필터 기법의 경우, 센서 종류에 따라 결정되는 row data 변환식, SensorError 등을 센서 노드에서 전부 처리하기 때문에, 필터링 컴포넌트의 크기가 증가하는 단점이 존재한다.
- 둘째, 칼만 필터는 이기종 센서 사용시 시스템 구축 및 확장이 어려운 단점이 존재한다. 예를 들어 MTS 420 센서보드(Crossbow) 의 온도 센서는 0.
- 둘째, 필터링 수행 단계에서는 주어진 필터링 범위를 설정하고(8번째 줄), 필터링 범위 밖에 존재하는 데이터를 감지할 경우, 이를 상위 노드로 전송한다<9번째 줄 ~ 10번째 줄). 이때, 기존 칼만 필터링과 달리 곱셈/나눗셈 연산을 수행하지 않고 단순 비교연산만을 수행하기 때문에, 센서 노드에서의 계산 오버헤드가 감소한다.
- 제안한 기법은 기존 칼만 필터에 비해 전체적인 필터링 성능이 향상되었으며, 추가적인 컴포넌트 구성없이 주기적인 노드 생존 메시지 전송을 이용하여, 노드 생존 여부 확인을 지원한다. 따라서 제안한 필터링 기법은 실제 센서 네트워크 모니터링 시스템에서 활용이 가능한 우수한 기법이라 할 수 있다.
- 성능 평가 결과, 제안한 기법은 칼만 필터 기법에 비해, 센서 노드 수 증가에 의한 평균 메시지 전송량을 약 6%~15% 정도 감소시킨다. 아울러 데이터 변화에 따른 평균 메시지 전송량을 약 5%~10% 정도 감소시킨다.
- 또한 데이터의 분석 및 범위 계산을 서버에서 수행함으로써 센서노드의 데이터 처리 오버헤드를 감소시킨다. 성능 평가 결과, 제안한 데이터 분석기반 데이터 필터링 기법은 기존 칼만 필터링에 비해 데이터 전송 횟수를 약 5%~10% 감소시켜, 전체적인 성능을 향상시켰다. 아울러 무선 센서 네트워크 기반 모니터 링 시스템에서 노드의 생존 여부 확인을 지원하기 위해, 주기적으로 샘플 데이터를 포함한 노드 생존 메시지를 전송하고, 수집된 샘플 데이터를 통해 필터링 범위 설정을 수행한다.
- 셋째, 필터링 범위 초기화 이후, 센서 노드 데이터의 변화에 의해 설정된 필터링 범위 이외의 데이터가 빈번하게 발생할 수 있다. 이는 예측한 데이터의 특성이 변경되었음을 의미하며, 따라서 변경된 데이터의 특성을 반영하여 필터링 범위를 재설정할 필요가 있다.
- 단, 전체 데이터 전송 횟수가 통계적으로 충분히 큰 수이기 때문에, 데이터의 분포는 정규분포를 따른다고 가정한다. 실험 결과, CI 가 증가할수록 데이터 전송 횟수가 감소한다. 이는 CI 가 증가할수록 데이터 필터링 범위가 커지고, 따라서 필터링 되는 데이터의 량이 증가하기 때문이다.
- 실험결과 노드 수 증가에 따라 데이터 전송횟수가 증가하는데, 이는 노드 수 증가에 의해 트리의 깊이가 증가하기 때문이다. 아울러, OFM의 데이터 전송 횟수가 칼만 필터링에 비해 약 6%~15% 정도 감소하여, 필터링 성능이 향상되었음을 알 수 있다. 이는 칼만 필터링의 경우, row data를 real dataS.
- 제안한 데이터 필터링 기법은 데이터 분석을 이용한 필터링 범위 설정을 통해 효율적으로 메시지 전송 횟수를 감소시킨다. 제안한 기법은 기존 칼만 필터에 비해 전체적인 필터링 성능이 향상되었으며, 추가적인 컴포넌트 구성없이 주기적인 노드 생존 메시지 전송을 이용하여, 노드 생존 여부 확인을 지원한다. 따라서 제안한 필터링 기법은 실제 센서 네트워크 모니터링 시스템에서 활용이 가능한 우수한 기법이라 할 수 있다.
- 이를 통해 추가적인 컴포넌트의 구성없이 노드 실패 확인을 지원한다. 제안한 데이터 필터링 기법은 데이터 분석을 이용한 필터링 범위 설정을 통해 효율적으로 메시지 전송 횟수를 감소시킨다. 제안한 기법은 기존 칼만 필터에 비해 전체적인 필터링 성능이 향상되었으며, 추가적인 컴포넌트 구성없이 주기적인 노드 생존 메시지 전송을 이용하여, 노드 생존 여부 확인을 지원한다.
- 따라서 필터링 범위 설정을 통한 데이터 필터링은 다음과 같은 장점이 존재한다. 첫째, 데이터 예측값 계산을 위한 연산 오버헤드가감소된다. 즉, 서버에서 데이터의 통계 분석 및 데이터 필터링 범위 설정 작업을 수행하기 때문에, 센서 노드에서는 전송된 데이터 필터링 범위를 바탕으로 단순 비교 연산을 수행하여 데이터의 필터링 여부를 확인할 수 있다.
- 첫째, 데이터 예측에 필요한 계산 오버헤드가 크다. 데이터 예측을 위한 오버헤드는 row data변환을 위한 계산 오버헤드, 데이터 예측값을 위한 계산 오버헤드로 구성된다.
- 한다. 첫째, 센서 노드는 배터리와 같은 제한적인 에너지 자원을 이용하기 때문에, 효율적으로 에너지 소모량을 감소시킬 수 있어야 한다. 센서에서 가장 많은 에너지를 소모하는 작업은 데이터 전송 작업이다.
후속연구
- 5로 설정하여, 필터링 결과가 다르게 나타난다. 이를 해결하기 위해서, 제안하는 기법과 클러스터링 기법을 결합한, 클러스터별 데이터 필터링 범위 설정 기법에 대한 연구가 요구된다. 이를 통해 지역적 특성을 고려함으로써, 필터링 효율성 향상을 기대할 수 있다.
- 향후 연구로는 제안하는 기법과 클러스터링 기법을 결합하여, 클러스터별 데이터 특성을 고려한 필터링 범위 설정 기법에 대한 연구를 수행하는 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.