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
- 임베디드 센서의 오류 발생은 전술한 바와 같이 다양한 환경에서 발생하기 때문에 임베디드 센서의 오류 탐지는 매우 어렵다는 특징이 있다. 본 논문에서 이와 같은 임베디드 센서의 오류 탐지를 실시간으로 탐지할 수 있는 실시간 오류 검출 기법을 제안한다. 본 논문에서 제안한 실시간 오류 검출 기법은 임베디드 센서의 신호 정보를 시계열 기반으로 정보를 분석하여 미래에 발생할 오류를 예측하는 기법이다.
- 본 논문에서는 임베디드 장치에서 발생하는 결측치와 이상치를 실시간적으로 검출할 수 있는 시계열 예측 기반 오류 검출 기법을 제안한다. 본 논문에서 제안한 방법은 안정 구간 함수를 활용하여 실시간으로 발생하는 센서 신호의 결측치와 이상치를 검출할 수 있는 장점이 있다.
- 본 논문에서는 임베디드 장치의 물리적 특성을 고려하여 실시간적으로 오류 신호를 검출하는 시계열 예측 기반 오류 검출 기법을 제안한다. 본 논문에서 제안한 시계열 예측 기반 오류 검출 기법은 안정 구간 함수를 이용하여 현재 발생하는 임베디드 장치 신호의 오류를 판단한다.
- 본 논문에서는 임베디드 장치의 환경과 물리적 특성을 고려하여 시계열 예측 기반 오류 검출 기법을 제안한다. 본 논문에서 제안한 시계열 예측 기반 오류 검출 기법은 안정 구간 함수를 이용하여 현재 발생하는 임베디드 장치 신호의 오류를 검출한다.
- 첫 번째 신호 집합에는 임베디드 장치 신호의 측정 단위가 20이고, 두 번째 신호 집합에서는 임베디드 장치 신호의 측정 단위가 100이다. 이와 같이 서로 다른 측정 시간들을 이용하여 실험용 임베디드 신호 집합을 구성한 이유는 임베디드 장치의 특성상 결측치와 이상치가 많이 발생하기 때문에 제안한 알고리즘이 다양한 환경에서 임베디드 장치의 신호 오류에 효과적으로 반응하는 가를 측정하기 위해서다.
제안 방법
- 먼저 이상치를 탐지하려는 센서로부터 일정한 거리 r내에 존재하는 이웃 센서들을 선정한다. 그리고 커널 밀도 추정을 이용하여 센서의 편차 요소와 평준화 편차 요소를 계산한다. 그리고 두 값을 비교하여 센서의 편차 요소가 평준화 편차 요소보다 클 경우에 이상치로 판별한다[23].
- 본 논문에서는 임베디드 장치에서 발생하는 결측치와 이상치를 실시간적으로 검출할 수 있는 시계열 예측 기반 오류 검출 기법을 제안한다. 본 논문에서 제안한 방법은 안정 구간 함수를 활용하여 실시간으로 발생하는 센서 신호의 결측치와 이상치를 검출할 수 있는 장점이 있다.
- 본 논문에서는 임베디드 장치의 환경과 물리적 특성을 고려하여 시계열 예측 기반 오류 검출 기법을 제안한다. 본 논문에서 제안한 시계열 예측 기반 오류 검출 기법은 안정 구간 함수를 이용하여 현재 발생하는 임베디드 장치 신호의 오류를 검출한다. 안정 구간 함수는 오류 가중화와 신호 예측화율을 적용하여 랜덤하게 발생하는 임베디드 장치의 오류 신호를 효과적으로 탐지할 수 있는 장점이 있다.
- 본 논문에서는 임베디드 장치의 물리적 특성을 고려하여 실시간적으로 오류 신호를 검출하는 시계열 예측 기반 오류 검출 기법을 제안한다. 본 논문에서 제안한 시계열 예측 기반 오류 검출 기법은 안정 구간 함수를 이용하여 현재 발생하는 임베디드 장치 신호의 오류를 판단한다. 안정 구간 함수는 임베디드 장치 신호를 관측하여 오류 검출을 수행할 때 최근의 신호들에 오류 가중화를 적용하여 임베디드 장치의 물리적 특성을 고려하기 때문에 랜덤하게 발생하는 임베디드 장치의 오류 신호를 효과적으로 탐지할 수 있다.
- 임베디드 장치 신호의 오류는 랜덤하게 발생하는 특성이 있기 때문에 연속된 구간을 실험에서 사용하는 것보다는 다양한 임의의 구간을 추출하여 실험에 사용하는 것이 현실성이 높기 때문에 다양한 구간을 랜덤하게 선택하여 실험 신호 집합을 구성하였다. 실험 신호 집합을 구성하는 세 개의 각 구간에서 랜덤하게 전체 구간의 10%에 해당하는 신호들을 추출하여 노이즈 신호로 변경하였다. 노이즈 신호를 생성한 이유는 일반적인 임베디드 장치의 신호에는 노이즈에 많이 존재하기 때문이다.
- 100은 두 개의 임베디드 장치에서 시간 구간 100을 적용하여 임베디드 신호를 추출한 집합이다. 실험에 사용한 모든 임베디드 신호 집합들은 임베디드 신호 전체 구간에서 랜덤하게 세 구간을 선정하여 셍성하였으며, 실험에 사용된 임베디드 장치 신호 집합은 전체 임베디드 신호의 30%에 해당하는 신호들을 랜덤 추출하여 생성하였다. 임베디드 장치 신호의 오류는 랜덤하게 발생하는 특성이 있기 때문에 연속된 구간을 실험에서 사용하는 것보다는 다양한 임의의 구간을 추출하여 실험에 사용하는 것이 현실성이 높기 때문에 다양한 구간을 랜덤하게 선택하여 실험 신호 집합을 구성하였다.
- 이와 같은 임베디드 장치 신호의 특성으로 인해 본 실험에서는 중심이동평균 기법을 전체 구간과 단위 구간으로 나누어 실험에 적용하였다. 실험에 적용한 세 번째 알고리즘은 시계열 예측 기반 오류 검출 기법으로 윈도우를 전체 구간으로 적용한 것이고, 네 번째 알고리즘은 시계열 예측 기반 오류 검출 기법으로 원도우를 단위 구간으로 적용한 것이다.
- 임베디드 장치에서 추출한 신호들은 시간, 온도, 습도, 광량, 전압 등이다. 온도는 섭씨 단위로 측정하였고, 습도는 백분율을 사용하여 측정하였으며, 광량은 lux 단위로 측정하였다. 각 임베디드 장치 신호들은 다양한 형태로 구성되며, 각 신호들은 시계열 기반으로 수집되었다.
- 임베디드 장치 신호는 전체 신호를 기준으로 하면 안정화된 양상을 나타내지만, 임의의 소구간에서는 분산도가 높게 나타나는 특성이 있다. 이와 같은 임베디드 장치 신호의 특성으로 인해 본 실험에서는 중심이동평균 기법을 전체 구간과 단위 구간으로 나누어 실험에 적용하였다. 실험에 적용한 세 번째 알고리즘은 시계열 예측 기반 오류 검출 기법으로 윈도우를 전체 구간으로 적용한 것이고, 네 번째 알고리즘은 시계열 예측 기반 오류 검출 기법으로 원도우를 단위 구간으로 적용한 것이다.
- 실험에 사용한 모든 임베디드 신호 집합들은 임베디드 신호 전체 구간에서 랜덤하게 세 구간을 선정하여 셍성하였으며, 실험에 사용된 임베디드 장치 신호 집합은 전체 임베디드 신호의 30%에 해당하는 신호들을 랜덤 추출하여 생성하였다. 임베디드 장치 신호의 오류는 랜덤하게 발생하는 특성이 있기 때문에 연속된 구간을 실험에서 사용하는 것보다는 다양한 임의의 구간을 추출하여 실험에 사용하는 것이 현실성이 높기 때문에 다양한 구간을 랜덤하게 선택하여 실험 신호 집합을 구성하였다. 실험 신호 집합을 구성하는 세 개의 각 구간에서 랜덤하게 전체 구간의 10%에 해당하는 신호들을 추출하여 노이즈 신호로 변경하였다.
- Sheng 등은 센서 네트워크에서 통신비용을 줄이면서 이상치 탐지를 수행하기 위해 히스토그램(histogram) 기반 이상치 탐지 방법을 제안하였다. 제안된 방법은 한 지역에 존재하는 센서들의 데이터를 모아서 처리하는 대신에 데이터 분포에 대한 정보를 히스토그램 형태로 수집하여 활용한다. 그리고 수집된 정보를 기반으로 불필요한 데이터를 제거하거나 잠재적 이상치를 판별하기 위해 수집한 정보를 활용한다[20].
- 실험에 사용된 알고리즘은 네 가지이다. 첫 번째 알고리즘은 윈도우를 전체 구간에 적용한 중심이동평균 기법이고, 두 번째 알고리즘은 윈도우를 단위 구간에 적용한 중심이동평균 기법이다. 서로 다른 윈도우를 중심이동평균 기법에 적용한 이유는 전체 구간을 이용한 중심이동평균 기법은 일반적으로 안정화된 추세 관측치 집합에 강한 특성이 있으며, 단위 구간을 이용한 중심이동평균 기법은 특정 구간의 분산도가 높은 관측치들의 집합에 강한 특성을 나타낸다.
대상 데이터
- 이상치 탐지는 다음과 같은 과정을 따른다. 먼저 이상치를 탐지하려는 센서로부터 일정한 거리 r내에 존재하는 이웃 센서들을 선정한다. 그리고 커널 밀도 추정을 이용하여 센서의 편차 요소와 평준화 편차 요소를 계산한다.
- 본 실험은 CPU 2.4GHz, 주기억장치 4GB, 윈도우즈XP 환경에서 수행되었으며, 실험에 사용된 임베디드 장치 신호는 Intel Lab 신호를 활용하였고, 임베디드 신호 추출에 활용된 임베디드 장치는 Mica2Dot이다.
이론/모형
- 이를 위해 주어진 데이터가 정확할 것이라 예측되는 최상의 확률에 따라 센서의 부분 집합을 선택한다. 이 연구에서는 센서의 결함 탐지를 위해 확률 기법으로 MAP(maximum a posteriori probability)을 이용하여 센서들의 집합을 결정한다. 그리고 그 집합으로부터 적절한 데이터 행동에 대한 모델을 생성하고, 생성한 모델을 이용하여 센서의 결함을 판단한다[21].
성능/효과
- 본 실험에서도 윈도우를 단위 구간으로 활용한 경우가 전체 구간으로 활용한 경우보다 높은 정확도를 나타내었다. D2.100 신호 집합은 임베디드 장치 신호의 밀집도가 낮은 데이터이지만, 임베디드 장치 신호의 밀집도가 높은 D1.20보다 높은 정확도가 나타났다. 이와 같은 결과가 발생하는 이유는 D2.
- 100에서는 한 개의 임베디드 장치가 문제를 발생시키면 다른 임베디드 장치의 정보를 활용할 수 있기 때문에 결측치나 이상치 발생에 효과적으로 대응할 수 있는 것이다. D2.100은 임베디드 신호 정보의 밀집도가 낮기는 하지만, D1.100에 비해 동일한 물리적 공간에서 사용할 수 있는 추가 신호가 존재하여 D2.100에서의 단위 구간 윈도우를 활용한 중심이동평균 기법이 D1.100에서의 단위 구간 윈도우를 활용한 중심이동평균 기법에 비해 정확도가 10% 향상하였다.
- 단위 구간 윈도우를 이용한 시계열 예측 기반 오류 검출 기법의 정확도는 D2.100에서 92%의 정확도를 나타내었고, 전체 구간 윈도우를 이용한 시계열 예측 기반 오류 검출 기법의 정확도는 89%로 나타났다. 임베디드 장치를 두 개로 활용한 신호 집합에서도 윈도우를 단위 구간으로 결정한 경우가 전체 구간으로 결정한 경우보다 우수한 성능을 나타내었다.
- 100은 하나의 임베디드 장치를 활용하여 임베디드 장치 신호를 추출한 집합이며, 임베디드 신호 추출에는 시간 구간 100을 이용하였다. 단위 구간을 윈도우로 활용한 중심이동평균 기법 CMA(I)는 56%의 정확도를 나타내었고, 전체 구간을 윈도우로 활용한 중심이동평균 기법 CMA(T)는 43%의 정확도를 나타내었다. 본 실험결과를 보면 단위 구간을 윈도우로 활용한 중심이동평균 기법이 전체 구간을 윈도우로 활용한 중심이동평균 기법보다 13%의 성능 향상을 나타내었다.
- 단위 구간을 윈도우로 활용한 중심이동평균 기법 CMA(I)는 65%의 정확도를 나타내어 D1.100 신호 집합의 실험결과보다 9%의 성능 향상을 보였다. 이와 같은 결과가 나타난 이유는 D1.
- 단위 구간을 윈도우로 활용한 중심이동평균 기법 CMA(I)는 75%의 정확도를 나타내었고, 전체 구간을 윈도우로 활용한 중심이동평균 기법 CMA(T)는 66%의 정확도를 나타내었다. 본 실험결과에서 단위 구간을 윈도우로 활용한 중심이동평균 기법이 전체 구간을 윈도우로 활용한 중심이동평균 기법보다 9%의 성능 향상을 나타내었다.
- 20보다는 물리적 공간이 동일한 곳에서 임베디드 장치 신호가 평균적으로 하나 더 많은 신호 집합이다. 단위 구간을 윈도우로 활용한 중심이동평균 기법 CMA(I)는 82%의 정확도를 나타내어 밀집도가 동일한 D1.20의 실험결과보다 17%의 성능 향상을 보였다. 이와 같은 결과가 나타난 이유는 D2.
- 본 실험결과를 보더라도 이상치 발생이 극단적일 경우에는 윈도우를 전체 구간으로 활용하는 것보다 단위 구간으로 활용하는 것이 효과적이라는 것을 알 수 있다. 단위 구간을 이용한 윈도우 기반 중심이동평균 기법과 시계열 예측 기반 오류 검출 기법을 비교하면 중심이동평균 기법에 비해 시계열 예측 기반 오류 검출 기법이 25%의 성능 향상을 나타낸다. 이와 같은 실험결과를 보더라도 본 논문에서 제안한 시계열 예측 기반 오류 검출 기법은 임베디드 장치에서 중심이동평균 기법에 비해 우수하게 임베디드 신호의 오류 검출에 적용할 수 있다는 것을 확인할 수 있다.
- 이와 같은 임베디드 장치의 특성으로 인하여 단위 구간을 이용한 윈도우 기반 중심이동평균 기법이 전체 구간을 이용한 윈도우 기반 중심이동평균 기법보다 우수한 성능을 나타내었다. 단위 구간을 활용한 시계열 예측 기반 오류 검출 기법 SRD(I)는 81%의 정확도를 나타내었고, 전체 구간을 활용한 시계열 예측 기반 오류 검출 기법 SRD(T)는 73%의 정확도를 나타내었다. 시계열 예측 기반 오류 검출 기법에서도 윈도우를 단위 구간으로 결정한 경우가 전체 구간으로 결정한 경우보다 우수한 성능을 나타내었다.
- 임베디드 장치 신호의 오류 검출을 위해서 임베디드 장치 신호의 밀집도를 증가시키면 임베디드 장치 신호의 오류 검출에 효과적인 이유는 임베디드 장치 신호의 오류 검출에 활용되는 정상 구간의 관측치가 증가하기 때문이다. 단위 구간을 활용한 시계열 예측 기반 오류 검출 기법 SRD(I)는 87%의 정확도를 나타내었고, 전체 구간을 활용한 시계열 예측 기반 오류 검출 기법 SRD(T)는 82%의 정확도를 나타내었다. 시계열 예측 기반 오류 검출 기법에서도 윈도우를 단위 구간으로 결정한 경우가 전체 구간으로 결정한 경우보다 우수한 성능을 나타내었다.
- 단위 구간을 활용한 시계열 예측 기반 오류 검출 기법 SRD(I)는 95%의 정확도를 나타내었고, 전체 구간을 활용한 시계열 예측 기반 오류 검출 기법 SRD(T)는 93%의 정확도를 나타내었다. 시계열 예측 기반 오류 검출 기법에서도 윈도우를 단위 구간으로 결정한 경우가 전체 구간으로 결정한 경우보다 우수한 성능을 나타내었다.
- 두 개의 임베디드 장치에서 시간 구간 100으로 추출한 신호 집합에서의 중심이동평균 기법 CMA(100)은 평균 70.5%의 정확도를 나타내었고, 시간 구간 20으로 추출한 신호 집합에서의 중심이동평균 기법 CMA(20)은 평균 79.5%의 정확도를 나타내었다. 밀집도가 높은 신호 집합에서의 중심이동평균 기법이 밀집도가 낮은 신호 집합에서의 중심이동 평균 기법보다 평균 8.
- 두 개의 임베디드 장치에서 시간 단위 200으로 추출한 신호 집합에서의 시계열 예측 기반 오류 검출 기법 SRD(100)은 평균 90.5%의 정확도를 나타내었고, 시간 구간 20으로 추출한 신호 집합에서의 시계열 예측 기반 오류 검출 기법 SRD(20)은 평균 94%의 정확도를 나타내었다. 밀집도가 높은 신호 집합에서의 시계열 예측 기반 오류 검출 기법이 밀집도가 낮은 신호 집합에서의 시계열 예측 기반 오류 검출 기법보다 3.
- 첫째, 이상치 탐지는 네트워크의 대역폭 사용량을 줄이고 배터리의 고갈을 피하기 위해 네트워크 내에서 수행되어야 한다. 둘째, 실패한 센서는 회복력을 갖추어야 한다. 셋째, 이상치 탐지를 위한 계산 시 동적으로 업데이트된 데이터를 수용할 공간이 있어야 한다.
- 또한 시계열 예측 기반 오류 검출 기법에서도 랜덤하게 발생하는 이상치나 결측치에 효과적으로 대응하기 위해서는 임베디드 장치 신호 추출을 위해 다수의 임베디드 장치를 활용하는 것이 효과적이라는 것을 본 실험결과를 통해 확인할 수 있었다.
- 20 신호 집합보다 임베디드 장치 신호가 관측 지점마다 평균적으로 하나 더 존재함으로 오류 검출에 활용되는 신호가 안정되어 있기 때문이다. 또한 활용되는 임베디드 장치가 두 개이기 때문에 한 개의 임베디드 장치가 문제를 발생시켜도 다른 하나의 임베디드 장치 정보를 활용할 수 있기 때문에 오류 검출에 효과적으로 대응할 수 있다는 것을 본 실험을 통해서 확인할 수 있었다.
- 랜덤하게 발생하는 임베디드 장치 신호의 오류 검출에 효과적으로 대응하기 위해서는 임베디드 장치 신호의 밀집도를 높여 오류 검출 확률을 증가시켜야 한다는 것을 본 실험을 통해 확인할 수 있었고, 신호 밀집도 증가는 랜덤하게 발생하는 결측치나 이상치 예측에 실시간 오류 검출 기법에도 효과적인 대응 방법이라는 것을 본 실험을 통해 확인할 수 있었다.
- 이와 같은 문제를 해결하기 위해서는 임베디드 장치의 수량을 증가시켜 추가적인 장치 정보를 수집하면 신호 오류에 효과적으로 대응할 수 있다는 것을 여러 실험을 통해 확인하였다. 밀집도 실험과 추가 신호 실험에서 시계열 예측 기반 오류 검출 기법이 중심이동평균 기법에 비해 우수한 성능을 나타내었다. 한 개의 임베디드 신호 장치를 활용하였을 경우에는 시계열 예측 기반 오류 검출 기법이 중심이동평균 기법에 비해 26.
- 임베디드 장치 신호의 밀집도 실험과 임베디드 장치의 추가 신호를 활용한 실험이다. 밀집도 실험에서는 중심이동평균 기법과 시계열 예측 기반 오류 검출 기법 모두 밀집도가 증가할수록 정확도가 향상되었다. 이와 같은 결과가 발생하는 이유는 임베디드 장치 신호의 밀집도 높으면 오류 검출에 활용될 수 있는 신호량이 증가하기 때문이다.
- 5%의 정확도를 나타내었고, 시간 구간 20으로 추출한 신호 집합에서의 시계열 예측 기반 오류 검출 기법 SRD(20)은 평균 94%의 정확도를 나타내었다. 밀집도가 높은 신호 집합에서의 시계열 예측 기반 오류 검출 기법이 밀집도가 낮은 신호 집합에서의 시계열 예측 기반 오류 검출 기법보다 3.5%의 성능 향상을 나타내었다. 시간 구간 20으로 추출한 신호 집합에서 중심이동평균 기법과 시계열 예측 기반 오류 검출 기법을 비교하면 시계열 예측 기반 오류 검출 기법이 15% 높은 정확도를 나타내었다.
- 5%의 정확도를 나타내었다. 밀집도가 높은 신호 집합에서의 중심이동평균 기법이 밀집도가 낮은 신호 집합에서의 중심이동 평균 기법보다 평균 8.5% 우수한 성능을 나타내었다. 하나의 임베디드 장치에서 추출한 밀집도가 낮은 신호 집합에서의 평균 정확도와 비교하면 21%의 정확도 향상이 발생한 것이다.
- 시간 구간 20으로 추출한 신호 집합에서 중심이동평균 기법과 시계열 예측 기반 오류 검출 기법을 비교하면 시계열 예측 기반 오류 검출 기법이 15% 높은 정확도를 나타내었다. 본 결과에서도 알 수 있듯이 시계열 예측 기반 오류 검출 기법은 중심이동평균 기법에 비해 우수한 오류 검출 성능을 다양한 실험 구간에서 확인할 수 있었다.
- 전체 구간을 윈도우로 활용한 중심이동평균 기법 CMA(T)는 54%의 정확도를 나타내어 단위 구간을 윈도우로 활용한 중심이동평균 기법보다 11% 낮은 정확도를 나타내었다. 본 결과에서도 알 수 있듯이 임베디드 장치 신호의 밀집도가 증가하여도 오류 검출에는 단위 구간 윈도우를 활용하는 것이 전체 구간 윈도우를 활용하는 것이 보다 효과적이라는 것을 본 실험을 통해 확인할 수 있었다. 임베디드 장치 신호의 오류 검출을 위해서 임베디드 장치 신호의 밀집도를 증가시키면 임베디드 장치 신호의 오류 검출에 효과적인 이유는 임베디드 장치 신호의 오류 검출에 활용되는 정상 구간의 관측치가 증가하기 때문이다.
- 본 논문에서 제안한 시계열 예측 기반 오류 검출 기법은 임베디드 장치 신호와 같이 극단적인 오류가 랜덤하게 발생하는 시스템에 효과적으로 적용될 수 있는 기법으로 실시간적으로 임베디드 신호 오류를 판단할 수 있는 장점이 있다.
- 5% 향상된 정확도를 나타내었다. 본 논문에서 제안한 시계열 예측 기반 오류 검출 기법이 임베디드 장치의 오류 신호를 실시간적으로 검출할 수 있다는 것을 다양한 실험을 통해 확인하였다.
- 시계열 예측 기반 오류 검출 기법에서도 윈도우를 단위 구간으로 결정한 경우가 전체 구간으로 결정한 경우보다 우수한 성능을 나타내었다. 본 실험결과를 보더라도 이상치 발생이 극단적일 경우에는 윈도우를 전체 구간으로 활용하는 것보다 단위 구간으로 활용하는 것이 효과적이라는 것을 알 수 있다. 단위 구간을 이용한 윈도우 기반 중심이동평균 기법과 시계열 예측 기반 오류 검출 기법을 비교하면 중심이동평균 기법에 비해 시계열 예측 기반 오류 검출 기법이 25%의 성능 향상을 나타낸다.
- 단위 구간을 윈도우로 활용한 중심이동평균 기법 CMA(I)는 56%의 정확도를 나타내었고, 전체 구간을 윈도우로 활용한 중심이동평균 기법 CMA(T)는 43%의 정확도를 나타내었다. 본 실험결과를 보면 단위 구간을 윈도우로 활용한 중심이동평균 기법이 전체 구간을 윈도우로 활용한 중심이동평균 기법보다 13%의 성능 향상을 나타내었다. 임베디드 장치에서 오류 신호 발생은 랜덤하게 발생하는 경우가 많고, 오류 신호의 편차도 매우 크게 나타나는 특성이 있기 때문에 오류 검출이 매우 어렵다.
- 100 신호 집합보다 임베디드 장치 신호의 밀집도가 높기 때문에 오류 검출에 활용될 수 있는 신호가 안정되어 있기 때문이다. 본 실험결과를 통해 임베디드 장치 신호의 오류 검출에서는 신호 밀집도가 중요한 작용을 한다는 것을 알 수 있었다.
- 단위 구간을 윈도우로 활용한 중심이동평균 기법 CMA(I)는 75%의 정확도를 나타내었고, 전체 구간을 윈도우로 활용한 중심이동평균 기법 CMA(T)는 66%의 정확도를 나타내었다. 본 실험결과에서 단위 구간을 윈도우로 활용한 중심이동평균 기법이 전체 구간을 윈도우로 활용한 중심이동평균 기법보다 9%의 성능 향상을 나타내었다. 본 실험에서도 윈도우를 단위 구간으로 활용한 경우가 전체 구간으로 활용한 경우보다 높은 정확도를 나타내었다.
- 전체 구간을 윈도우로 활용한 중심이동평균 기법 CMA(T)는 76%의 정확도를 나타내어, 단위 구간을 윈도우로 활용한 중심이동평균 기법이 전체 구간을 윈도우로 활용한 중심이동평균 기법보다 6% 높은 정확도를 나타내었다. 본 실험결과에서도 알 수 있듯이 임베디드 장치의 오류 신호는 비선형적이고 극단적인 형태를 취하기 때문에 다수의 임베디드 장치를 활용하여 전체 구간의 시계열 추세를 생성하여도 오류 예측에는 능동적으로 대응할 수 없다는 것을 본 실험에서 확인할 수 있었다.
- 본 실험결과에서 단위 구간을 윈도우로 활용한 중심이동평균 기법이 전체 구간을 윈도우로 활용한 중심이동평균 기법보다 9%의 성능 향상을 나타내었다. 본 실험에서도 윈도우를 단위 구간으로 활용한 경우가 전체 구간으로 활용한 경우보다 높은 정확도를 나타내었다. D2.
- 임베디드 장치를 두 개로 활용한 신호 집합에서도 윈도우를 단위 구간으로 결정한 경우가 전체 구간으로 결정한 경우보다 우수한 성능을 나타내었다. 본 실험에서도 확인할 수 있듯이 추가 신호 정보를 확보한 집합에서도 오류 발생이 극단적일 경우에는 윈도우를 전체 구간을 활용하는 것보다 단위 구간으로 활용하는 것이 효과적이다.
- 5%의 성능 향상을 나타내었다. 시간 구간 20으로 추출한 신호 집합에서 중심이동평균 기법과 시계열 예측 기반 오류 검출 기법을 비교하면 시계열 예측 기반 오류 검출 기법이 15% 높은 정확도를 나타내었다. 본 결과에서도 알 수 있듯이 시계열 예측 기반 오류 검출 기법은 중심이동평균 기법에 비해 우수한 오류 검출 성능을 다양한 실험 구간에서 확인할 수 있었다.
- 5%의 정확도 향상을 나타냈다. 신호 집합의 밀집도가 증가함에 따라 중심이동평균 기법과 시계열 예측 기반 오류 검출 기법 모두 정확도가 증가하였지만, 중심이동 평균 기법의 정확도 증가율이 시계열 예측 기반 오류 검출 기법의 정확도 증가율보다 높게 나타났다. 이와 같은 결과가 발생하는 이유는 시계열 예측 기반 오류 검출 기법은 밀집도가 낮다고 하여도 안정 구간 함수에 의해 결측치나 이상치 예측을 중심이동평균에 비해 쉽게 예측할 수 있기 때문이며, 활용하지 못하였던 실질적인 안정 신호가 없어도 충분히 오류 검출을 예측할 수 있기 때문에 실질적인 안정신호를 입력받아도 오류 검출 예측 활용에 주요한 작용을 수행시킬 필요성을 갖지 못하기 때문이다.
- Buonadonna 등은 센서 네트워크의 환경을 구축할 때 센서 배치를 위한 디자인과 최종 사용자의 편의성을 위한 요소들까지 고려하였다. 이 연구에서는 송신 센서와 수신 센서의 거리에 따른 데이터 전송 성공률을 측정하였으며, 실험에서 전송률이 가장 나쁜 센서는 22%의 성공률을 나타냈고, 전송률이 가장 좋은 센서는 75%의 성공률을 나타냈다. 센서 네트워크는 센서 장비, 환경, 시스템 등의 다양한 요인으로 인해결측치와 이상치가 발생하여 양질의 센서 신호 정보를 획득하기가 매우 어렵다[16].
- 이와 같은 결과가 발생하는 이유는 시계열 예측 기반 오류 검출 기법은 밀집도가 낮다고 하여도 안정 구간 함수에 의해 결측치나 이상치 예측을 중심이동평균에 비해 쉽게 예측할 수 있기 때문이며, 활용하지 못하였던 실질적인 안정 신호가 없어도 충분히 오류 검출을 예측할 수 있기 때문에 실질적인 안정신호를 입력받아도 오류 검출 예측 활용에 주요한 작용을 수행시킬 필요성을 갖지 못하기 때문이다. 이러한 실험결과를 보더라도 시계열 예측 기반 오류 검출 기법은 중심이동평균 기법에 비해 신호 밀집도가 낮은 영역에서도 임베디드 장치의 오류 신호를 우수하게 검출할 수 있다는 것을 확인할 수 있다.
- 단위 구간을 이용한 윈도우 기반 중심이동평균 기법과 시계열 예측 기반 오류 검출 기법을 비교하면 중심이동평균 기법에 비해 시계열 예측 기반 오류 검출 기법이 25%의 성능 향상을 나타낸다. 이와 같은 실험결과를 보더라도 본 논문에서 제안한 시계열 예측 기반 오류 검출 기법은 임베디드 장치에서 중심이동평균 기법에 비해 우수하게 임베디드 신호의 오류 검출에 적용할 수 있다는 것을 확인할 수 있다.
- 이와 같은 임베디드 장치의 특성으로 전체 구간을 윈도우로 활용하게 되면 극단적인 오류 신호가 발생할 경우에 적절히 대응하기가 어렵다. 이와 같은 임베디드 장치의 특성으로 인하여 단위 구간을 이용한 윈도우 기반 중심이동평균 기법이 전체 구간을 이용한 윈도우 기반 중심이동평균 기법보다 우수한 성능을 나타내었다. 단위 구간을 활용한 시계열 예측 기반 오류 검출 기법 SRD(I)는 81%의 정확도를 나타내었고, 전체 구간을 활용한 시계열 예측 기반 오류 검출 기법 SRD(T)는 73%의 정확도를 나타내었다.
- 임베디드 장치 신호 추출에 시간 구간 100을 적용한 신호 집합에서의 중심이동평균 기법 CMA(100)는 평균 49.5%의 정확도를 나타내었고, 시간 구간 20을 적용한 신호 집합에서의 중심이동평균 기법 CMA(20)은 평균 59.5%의 정확도를 나타내었다. 한 개의 임베디드 장치를 활용한 본 실험결과에서 밀집도가 높은 신호 집합에서의 중심이동평균 기법이 밀집도가 낮은 신호 집합의 중심이동평균 기법보다 10% 우수한 성능을 나타내었다.
- 임베디드 장치 신호를 추출할 때 시간 구간 100을 적용하여 구성한 신호 집합에서의 시계열 예측 기반 오류 검출 기법 SRD(100)은 평균 77%의 정확도를 나타내었고, 시간 구간 20을 이용하여 추출한 신호 집합에서의 시계열 예측 기반 오류 검출 기법 SRD(20)은 평균 84.5%의 정확도를 나타내어 신호 집합의 밀집도가 증가함에 따라 시계열 예측 기반 오류 검출 기법은 7.5%의 정확도 향상을 나타냈다. 신호 집합의 밀집도가 증가함에 따라 중심이동평균 기법과 시계열 예측 기반 오류 검출 기법 모두 정확도가 증가하였지만, 중심이동 평균 기법의 정확도 증가율이 시계열 예측 기반 오류 검출 기법의 정확도 증가율보다 높게 나타났다.
- 이와 같은 결과가 발생하는 이유는 임베디드 장치 신호의 밀집도 높으면 오류 검출에 활용될 수 있는 신호량이 증가하기 때문이다. 임베디드 장치의 추가 신호를 활용한 실험에서도 중심이동평균 기법과 시계열 예측 기반 오류 검출 기법 모두 정확도 향상이 나타났다. 임베디드 장치들은 물리적으로 안정성을 취하지 못하기 때문에 오류 신호 문제가 빈번히 발생한다.
- 전체 구간을 윈도우로 활용한 중심이동평균 기법 CMA(T)는 54%의 정확도를 나타내어 단위 구간을 윈도우로 활용한 중심이동평균 기법보다 11% 낮은 정확도를 나타내었다. 본 결과에서도 알 수 있듯이 임베디드 장치 신호의 밀집도가 증가하여도 오류 검출에는 단위 구간 윈도우를 활용하는 것이 전체 구간 윈도우를 활용하는 것이 보다 효과적이라는 것을 본 실험을 통해 확인할 수 있었다.
- 전체 구간을 윈도우로 활용한 중심이동평균 기법 CMA(T)는 76%의 정확도를 나타내어, 단위 구간을 윈도우로 활용한 중심이동평균 기법이 전체 구간을 윈도우로 활용한 중심이동평균 기법보다 6% 높은 정확도를 나타내었다. 본 실험결과에서도 알 수 있듯이 임베디드 장치의 오류 신호는 비선형적이고 극단적인 형태를 취하기 때문에 다수의 임베디드 장치를 활용하여 전체 구간의 시계열 추세를 생성하여도 오류 예측에는 능동적으로 대응할 수 없다는 것을 본 실험에서 확인할 수 있었다.
- Branch 등은 센서 네트워크 환경에서 이상치 탐지를 수행하기 위해 이상치 탐지 계산은 다음과 같은 특징을 갖추어야 한다고 제안하고 있다. 첫째, 이상치 탐지는 네트워크의 대역폭 사용량을 줄이고 배터리의 고갈을 피하기 위해 네트워크 내에서 수행되어야 한다. 둘째, 실패한 센서는 회복력을 갖추어야 한다.
- 밀집도 실험과 추가 신호 실험에서 시계열 예측 기반 오류 검출 기법이 중심이동평균 기법에 비해 우수한 성능을 나타내었다. 한 개의 임베디드 신호 장치를 활용하였을 경우에는 시계열 예측 기반 오류 검출 기법이 중심이동평균 기법에 비해 26.25% 향상된 정확도를 나타냈으며, 두 개의 임베디드 신호 장치를 활용하였을 경우에도 시계열 예측 기반 오류 검출 기법이 중심이동평균 기법에 비해 17.5% 향상된 정확도를 나타내었다. 본 논문에서 제안한 시계열 예측 기반 오류 검출 기법이 임베디드 장치의 오류 신호를 실시간적으로 검출할 수 있다는 것을 다양한 실험을 통해 확인하였다.
- 5%의 정확도를 나타내었다. 한 개의 임베디드 장치를 활용한 본 실험결과에서 밀집도가 높은 신호 집합에서의 중심이동평균 기법이 밀집도가 낮은 신호 집합의 중심이동평균 기법보다 10% 우수한 성능을 나타내었다. 이와 같은 결과가 발생하는 이유는 중심 이동평균 기법이 오류 검출을 수행할 때 밀집도가 높은 임베디드 신호 집합에서는 오류 검출에 활용할 수 있는 안정화된 신호의 수량이 많기 때문이다.
- 한 개의 임베디드 장치를 활용한 신호 집합 중 시간 구간을 100으로 임베디드 신호를 추출한 신호 집합에서의 시계열 예측 기반 오류 검출 기법과 두 개의 임베디드 장치를 활용한 신호 집합에서의 시계열 예측 기반 오류 검출 기법을 비교하면 두 개의 임베디드 장치에서 활용한 시계열 예측 기반 오류 검출 기법이 13.5% 높은 정확도를 나타낸다.
후속연구
- 향후 연구로는 안정 구간 함수의 오류 가중화와 신호 예측 화율을 다양하게 적용하여 임베디드 장치의 수량 증가에 따른 효율성 측정과 서로 다른 물리적 공간에서 효율적인 임베디드 장치의 위치 설정에 관한 연구가 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.