모든 사물에서 네트워크 및 컴퓨팅이 가능한 IoT(Internet of Things) 환경이 빠르게 확산되고 있다. IoT 환경은 클라우드 기반 중앙처리 구조를 통해 데이터를 처리하고 사용자에게 서비스를 제공하기 때문에 병목현상 및 서비스 지연이 발생할 수 있다. 이를 해결하기 위해, 최근 단말 IoT 노드와 네트워크에서 직접 데이터를 처리하여 사용자에게 서비스를 제공하는 Edge Computing이 주목받고 있으며 이러한 Edge Computing 환경에서 사용자에게 효율적으로 지능형 서비스를 제공하기 위한 연구가 지속되고 있다. 본 논문에서는 IoT 환경에서 Edge Computing을 위한 전문가 시스템 기반 상황 인식 서비스 기법을 제안한다. 제안하는 기법은 자원 제한적인 IoT 노드 간 효율적인 협업을 기반으로 데이터를 실시간으로 처리하고 상황 인식을 통해 사용자에게 최적화된 맞춤형 서비스를 제공한다. 또한, 사용자는 사용 용도에 따라 직접 상황 인식 서비스를 수정하여 원하는 서비스를 제공받을 수 있다. 제안하는 기법을 스마트 홈 환경에서 3가지 방범 서비스 모드를 이용하여 테스트하였으며, 본 논문의 IoT 기반 전문가 시스템 서버와 기존 PC 기반 전문가 시스템 서버의 자원 소모량을 비교하여 제안하는 기법의 안정성을 입증하였다.
모든 사물에서 네트워크 및 컴퓨팅이 가능한 IoT(Internet of Things) 환경이 빠르게 확산되고 있다. IoT 환경은 클라우드 기반 중앙처리 구조를 통해 데이터를 처리하고 사용자에게 서비스를 제공하기 때문에 병목현상 및 서비스 지연이 발생할 수 있다. 이를 해결하기 위해, 최근 단말 IoT 노드와 네트워크에서 직접 데이터를 처리하여 사용자에게 서비스를 제공하는 Edge Computing이 주목받고 있으며 이러한 Edge Computing 환경에서 사용자에게 효율적으로 지능형 서비스를 제공하기 위한 연구가 지속되고 있다. 본 논문에서는 IoT 환경에서 Edge Computing을 위한 전문가 시스템 기반 상황 인식 서비스 기법을 제안한다. 제안하는 기법은 자원 제한적인 IoT 노드 간 효율적인 협업을 기반으로 데이터를 실시간으로 처리하고 상황 인식을 통해 사용자에게 최적화된 맞춤형 서비스를 제공한다. 또한, 사용자는 사용 용도에 따라 직접 상황 인식 서비스를 수정하여 원하는 서비스를 제공받을 수 있다. 제안하는 기법을 스마트 홈 환경에서 3가지 방범 서비스 모드를 이용하여 테스트하였으며, 본 논문의 IoT 기반 전문가 시스템 서버와 기존 PC 기반 전문가 시스템 서버의 자원 소모량을 비교하여 제안하는 기법의 안정성을 입증하였다.
IoT(Internet of Things) can enable networking and computing using any devices is rapidly proliferated. In the existing IoT environment, bottlenecks and service delays can occur because it processes data and provides services to users using central processing based on Cloud. For this reason, Edge Com...
IoT(Internet of Things) can enable networking and computing using any devices is rapidly proliferated. In the existing IoT environment, bottlenecks and service delays can occur because it processes data and provides services to users using central processing based on Cloud. For this reason, Edge Computing processes data directly in IoT nodes and networks to provide the services to the users has attracted attention. Also, numerous researchers have been attracted to intelligent service efficiently based on Edge Computing. In this paper, expert system-based context awareness scheme for Edge Computing in IoT environment is proposed. The proposed scheme can provide customized services to the users using context awareness and process data in real-time using the expert system based on efficient cooperations of resource limited IoT nodes. The context awareness services can be modified by the users according to the usage purpose. The three service modes in the security system based on smart home are used to test the proposed scheme and the stability of the proposed scheme is proven by a comparison of the resource consumptions of the servers between the proposed scheme and the PC-based expert system.
IoT(Internet of Things) can enable networking and computing using any devices is rapidly proliferated. In the existing IoT environment, bottlenecks and service delays can occur because it processes data and provides services to users using central processing based on Cloud. For this reason, Edge Computing processes data directly in IoT nodes and networks to provide the services to the users has attracted attention. Also, numerous researchers have been attracted to intelligent service efficiently based on Edge Computing. In this paper, expert system-based context awareness scheme for Edge Computing in IoT environment is proposed. The proposed scheme can provide customized services to the users using context awareness and process data in real-time using the expert system based on efficient cooperations of resource limited IoT nodes. The context awareness services can be modified by the users according to the usage purpose. The three service modes in the security system based on smart home are used to test the proposed scheme and the stability of the proposed scheme is proven by a comparison of the resource consumptions of the servers between the proposed scheme and the PC-based expert system.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 IoT 환경에서 Edge Computing을 위한 전문가 시스템 기반 상황 인식 서비스 기법을 제안하였다. 제안하는 기법은 자원 제한적인 IoT 노드의 효율적인 협업을 기반으로 데이터를 실시간으로 처리하고 상황 인식을 통해 사용자에게 맞춤형 서비스를 제공하며, 사용자는 서비스 규칙을 수정하여 원하는 서비스를 제공받을 수 있다.
본 논문에서는 IoT 환경에서 Edge Computing을 위한 전문가 시스템 기반 상황 인식 서비스 기법을 제안한다. 본 논문에서 제안하는 기법은 IoT 환경에서 Edge Computing을 위해 각 IoT 노드 간 협업으로 실시간성이 필요한 데이터를 저장 및 처리함으로써 데이터 처리 시간을 비약적으로 감소시키며, IoT 노드에서의 추론엔진을 통해 상황 정보를 분석 및 활용하여 사용자에게 최적화된 서비스를 제공한다.
본 논문에서는 스마트 홈 환경에서 3가지 방범 서비스모드를 이용하여 제안하는 상황 인식 서비스 기법을 테스트하였다. 스마트 홈은 침실(방 1)과 파티 룸(방 2)으로이루어져 있다고 가정하였으며 각 방마다 모션센서가 연결된 클라이언트 노드가 설치되어 움직임을 감지한다.
가설 설정
본 논문에서는 스마트 홈 환경에서 3가지 방범 서비스모드를 이용하여 제안하는 상황 인식 서비스 기법을 테스트하였다. 스마트 홈은 침실(방 1)과 파티 룸(방 2)으로이루어져 있다고 가정하였으며 각 방마다 모션센서가 연결된 클라이언트 노드가 설치되어 움직임을 감지한다. 스피커가 연결된 클라이언트 노드는 침입자 발생 시 경보음을 울려 침입자 발생을 알린다.
PC 기반 서버의 환경은 (표 4)와 같으며, 자체 제작한 추론 엔진을 사용하였다. 시스템이 안정된 상태에서 자원 소모량을 측정하기 위해 실행 후 10시간 뒤에 성능을 측정하였으며, 규칙 실행은 없다고 가정하였다. 또한, 상황 정보와 규칙 데이터의 개수에 따라 (표 5)와 같이 4가지 케이스에서 메모리 사용량(Resident set size), 메모리 할당량(Virtual memory size), CPU 사용률(CPU utilization)을 비교하였다.
제안 방법
IoT 기반 전문가 시스템의 클라이언트 노드는 Collect 모듈의 센서를 통해 주변 데이터를 수집하며, 수집된 데이터는 Context manage 모듈에서 주어, 술어, 목적어 형태의 Tripel 구조 기반 상황 정보로 변한다. 이러한 표준화 과정을 통해 이기종 센서 데이터의 통합사용이 가능하다.
IoT 환경에서 제안하는 기법의 안정성을 확인하기 위해 본 논문의 IoT 기반 전문가 시스템 서버와 기존 PC 기반 전문가 시스템 서버의 자원 소모량을 비교하였다. PC 기반 서버의 환경은 (표 4)와 같으며, 자체 제작한 추론 엔진을 사용하였다.
서버 노드는 삼성 Artik 10을 기반으로 JAVA 언어로 구현되었으며 Maria DB 데이터베이스와 자체 제작한 경량화 전향 추론 엔진을 사용하였다. 또한, XML 언어를 이용하여 사용자가 정의한 서비스의 규칙을 표현하였다. 클라이언트 노드는 Raspberry Pi B+을 기반으로 C 언어를 이용하여 구현되었으며 테스트를 위해 HD-SEN0018 모션센서, COM05051P 스피커를 사용하였다.
시스템이 안정된 상태에서 자원 소모량을 측정하기 위해 실행 후 10시간 뒤에 성능을 측정하였으며, 규칙 실행은 없다고 가정하였다. 또한, 상황 정보와 규칙 데이터의 개수에 따라 (표 5)와 같이 4가지 케이스에서 메모리 사용량(Resident set size), 메모리 할당량(Virtual memory size), CPU 사용률(CPU utilization)을 비교하였다.
본 논문에서는 IoT 환경에서 Edge Computing을 위한 전문가 시스템 기반 상황 인식 서비스 기법을 제안한다. 본 논문에서 제안하는 기법은 IoT 환경에서 Edge Computing을 위해 각 IoT 노드 간 협업으로 실시간성이 필요한 데이터를 저장 및 처리함으로써 데이터 처리 시간을 비약적으로 감소시키며, IoT 노드에서의 추론엔진을 통해 상황 정보를 분석 및 활용하여 사용자에게 최적화된 서비스를 제공한다. 따라서 IoT 환경에서 사용자에게 항상 안정적으로 맞춤형 서비스를 제공할 수 있으며,수집되는 정보가 민감한 가정이나 긴급한 이벤트에 즉각적으로 반응하여야 하는 특수한 산업 분야 등 다양한 환경에서 응용 가능하다.
제안하는 기법은 자원 제한적인 IoT 노드의 효율적인 협업을 기반으로 데이터를 실시간으로 처리하고 상황 인식을 통해 사용자에게 맞춤형 서비스를 제공하며, 사용자는 서비스 규칙을 수정하여 원하는 서비스를 제공받을 수 있다. 본 논문에서는 제안하는 기법을 위해 RDF의 Triple 구조 기반 상황 인식 모델링, 전향 추론 기반 경량화 추론 엔진, 저전력 CoAP 통신 프로토콜을 이용하였다. 스마트 홈 환경에서 3가지 방범 서비스 모드를 이용한 테스트를 통해 제안하는 기법이 IoT 노드 자원을 기반으로 효율적으로 사용자에게 서비스를 제공하는 것을 확인하였다.
추론 엔진의 추론 실행 주기는 사용자가 원하는 상황 인식 서비스에 따라 설정할 수 있다. 본 논문에서는 제안하는 상황 인식 서비스 기법을 4장의 스마트 홈 환경에서 3가지 방범 서비스 모드를 이용하여 테스트하였다.
사용자는 취침 시 보안을 위해 IoT 기반 전문가 시스템에 규칙 2번, 5번, 6번을 등록하고 침실 외에 다른 방에 구성원이 존재하지 않는다는 상황 정보 C를 추가한다. 서비스 실행 후 침실에는 사람이 존재하기 때문에 움직임이 감지되어 상황 정보 D가 발생하지만 추론을 통해 새로운 상황 정보가 도출되지 않는다.
RDF는 WWW (World Wide Web) Consortium에서 제안한 XML 기반 데이터 표현 구조이며, 웹상에 존재하는 데이터 간의 정보 교환 과정에서 효율적인 메타데이터 교환 및 상호 호환을 목적으로 한다. 이를 위해, RDF는 데이터 및 메타데이터가 가지고 있는 시멘틱을 XML 형태로 구조화하고 RDF 데이터 모델인 데이터와 해당 데이터에 대한 정보를 Triple 구조 형태로 표현한다. Triple 구조는 (그림 2)와 같이 주어(Subject), 술어(Predicate), 목적어(Object)을 이용하여 현재 상황을 표현하는데, 주어는 표현 되는 상황의 주체, 목적어는 주어와 술어로 표현되는 관계를가지는 객체, 술어는 타 객체와의 관계 등을 표현하는 메타데이터이다.
이와 같이 본 논문에서 제안하는 기법은 상황 정보 모델링, 경량화 추론 엔진, 저전력 통신 프로토콜을 이용한 IoT 노드 간 협업으로 데이터를 처리하고 주변 상황을 인식하여 사용자에게 적합한 상황 인식 서비스를 제공한다.
이와 같이 본 논문에서 제안하는 전문가 시스템 기반 상황 인식 서비스 기법을 스마트 홈 환경에서 3가지 방범 서비스 모드를 이용하여 테스트하였다. 테스트 결과, 본 논문에서 제안하는 기법이 IoT 노드의 자원을 효율적으로 활용하여 상황 인식을 통해 사용자에게 맞춤형 서비스를 제공하는 것을 확인하였다.
제안하는 기법에서 IoT 기반 전문가 시스템은 IoT 환경의 IoT 노드 중 하나를 서버 노드로 사용한다. 사용자가 직접 시스템에 상황 인식 서비스 규칙을 입력하여 시스템의 사용 용도에 따라 서비스를 수정할 수 있다.
제안하는 기법을 위해 본 논문에서는 (그림 5)와 같이 IoT 기반 전문가 시스템을 사용하였으며, 해당 시스템은 이기종 센서 데이터 규격화를 위한 RDF의 Triple 구조 기반 상황 정보 모델링, 전향 추론을 이용한 경량화 추론 엔진, 저전력 CoAP 통신 프로토콜, 상황 정보와 규칙 데이터 관리를 위한 데이터베이스를 기반으로 동작한다.
따라서 IoT 환경에서 사용자에게 항상 안정적으로 맞춤형 서비스를 제공할 수 있으며,수집되는 정보가 민감한 가정이나 긴급한 이벤트에 즉각적으로 반응하여야 하는 특수한 산업 분야 등 다양한 환경에서 응용 가능하다. 제안하는 기법을 위해 이기종 센서 데이터 규격화를 위한 상황 정보 모델링, 경량화 추론 엔진, 저전력 통신 프로토콜, 상황 정보 및 규칙 데이터관리를 위한 데이터베이스를 기반으로 상황 인식 서비스를 제공하는 IoT 기반 전문가 시스템을 사용하였다. 해당 시스템의 동작은 클라이언트 등록, 데이터 수집, 추론 및 서비스 실행으로 이루어져 있으며, 최근에 갱신된 상황 정보를 기준으로 규칙 실행의 우선순위를 결정하여 추론 시 규칙 간의 충돌을 방지하였다.
사용자는 사용 용도에 따라 IoT 기반 전문가 시스템에 등록된 방범 서비스 규칙을 변경함으로써 스마트 홈 환경에서 원하는 방범 서비스를 제공받을 수 있다. 제안하는 기법을 테스트하기 위해 스마트 홈 환경에서 외출, 취침, 파티 방범 서비스 모드를 이용하였다.
제안하는 상황 인식 서비스 기법의 전체 동작 절차는(그림 8)과 같이 클라이언트 등록(Client registration), 데이터 수집(Data collection), 추론 및 서비스 실행(Inference &activate service)으로 이루어져 있다.
제안하는 전문가 시스템 기반 상황 인식 서비스 기법은 IoT 환경에서 IoT 노드 간 효율적인 협업을 기반으로 데이터를 처리하고 상황 인식을 통해 주변 상황을 인식하여 사용자에게 적합한 서비스를 실시간으로 제공한다. 제안하는 상황 인식 서비스 기법의 개요도는 (그림 4)와 같으며, 이를 위해 IoT 기반 전문가 시스템을 사용하였다.
추론 엔진은 데이터베이스에 저장된 상황 정보와 규칙 데이터를 이용하여 주변 상황을 추론한다. 추론 과정에서 새로운 상황 정보가 발생하면 추론 엔진은 추론을 중단하며, 도출된 상황 정보를 데이터베이스에 저장하고 해당 상황 정보를 포함하여 다시 추론을 실행한다. 추론 중 도출된 상황 정보가 사용자에게 제공되어야하는 서비스인 경우 상황 정보의 주어 및 술어와 매치되는 클라이언트 노드를 찾아 CoAP 통신의 PUT message를 보낸다.
데이터 수집 후 사용자에게 맞춤형 서비스를 제공하기 위해 서버 노드는 사용자가 생성한 규칙 데이터를 데이터베이스에 저장하여 상황 인식 서비스를 정의한다. 추론 엔진은 데이터베이스에 저장된 상황 정보와 규칙 데이터를 이용하여 주변 상황을 추론한다. 추론 과정에서 새로운 상황 정보가 발생하면 추론 엔진은 추론을 중단하며, 도출된 상황 정보를 데이터베이스에 저장하고 해당 상황 정보를 포함하여 다시 추론을 실행한다.
대상 데이터
IoT 환경에서 제안하는 기법의 안정성을 확인하기 위해 본 논문의 IoT 기반 전문가 시스템 서버와 기존 PC 기반 전문가 시스템 서버의 자원 소모량을 비교하였다. PC 기반 서버의 환경은 (표 4)와 같으며, 자체 제작한 추론 엔진을 사용하였다. 시스템이 안정된 상태에서 자원 소모량을 측정하기 위해 실행 후 10시간 뒤에 성능을 측정하였으며, 규칙 실행은 없다고 가정하였다.
서버 노드의 데이터베이스는 현재 상황에 적합한 서비스를 사용자에게 제공하기 위해 필요한 모든 데이터를 저장 및 관리한다. 데이터베이스의 테이블은 IoT 시스템에 연결된 클라이언트 노드의 정보를 저장하는 Client 테이블, 클라이언트에서 전송받은 상황 정보를 저장하는 Context 테이블, 사용자가 생성하여 등록한 규칙 데이터를 저장하는 Rule 테이블, 사용자 룰과 상황 정보 매치 시 생성되는 상황 정보를 저장하는 Execute로 이루어져 있으며, 전체 데이터 테이블 구조는 (그림 7)과 같다.
제안하는 상황 인식 서비스 기법을 위한 IoT 기반 전문가 시스템을 구현하기 위해 서버 노드 1대와 클라이언트 노드 3대를 이용하였으며 구현 환경은 다음과 같다. 서버 노드는 삼성 Artik 10을 기반으로 JAVA 언어로 구현되었으며 Maria DB 데이터베이스와 자체 제작한 경량화 전향 추론 엔진을 사용하였다. 또한, XML 언어를 이용하여 사용자가 정의한 서비스의 규칙을 표현하였다.
제안하는 상황 인식 서비스 기법을 위한 IoT 기반 전문가 시스템을 구현하기 위해 서버 노드 1대와 클라이언트 노드 3대를 이용하였으며 구현 환경은 다음과 같다. 서버 노드는 삼성 Artik 10을 기반으로 JAVA 언어로 구현되었으며 Maria DB 데이터베이스와 자체 제작한 경량화 전향 추론 엔진을 사용하였다.
또한, XML 언어를 이용하여 사용자가 정의한 서비스의 규칙을 표현하였다. 클라이언트 노드는 Raspberry Pi B+을 기반으로 C 언어를 이용하여 구현되었으며 테스트를 위해 HD-SEN0018 모션센서, COM05051P 스피커를 사용하였다. 서버 클라이언트 간 통신은 CoAP 라이브러리를 이용하여 구현되었으며, 전체 시스템의 구현 및 테스트 환경은 (표 1)과 같다.
이론/모형
제안하는 전문가 시스템 기반 상황 인식 서비스 기법은 IoT 환경에서 IoT 노드 간 효율적인 협업을 기반으로 데이터를 처리하고 상황 인식을 통해 주변 상황을 인식하여 사용자에게 적합한 서비스를 실시간으로 제공한다. 제안하는 상황 인식 서비스 기법의 개요도는 (그림 4)와 같으며, 이를 위해 IoT 기반 전문가 시스템을 사용하였다.
성능/효과
스마트 홈 환경에서 3가지 방범 서비스 모드를 이용한 테스트를 통해 제안하는 기법이 IoT 노드 자원을 기반으로 효율적으로 사용자에게 서비스를 제공하는 것을 확인하였다. 또한, 기존 PC 기반 전문가 시스템 서버와 자원 소모량을 비교하여 제안하는 기법의 안정성을 입증하였다. 본 논문에서 제안하는 기법은 화재·방범 시스템과 같이 신속한 대응을 필요로 하는 산업분야에 접목하면 더 많은 부가가치를 창출할 수 있을 것이라 기대된다.
(그림 12)와 (그림 13)은 각각 메모리 사용량과 메모리 할당량을 나타내며, (그림 14)는 CPU 사용률을 보여준다. 메모리 사용량과 메모리 할당량은 PC 기반 서버를 기준으로 약 50%와 약 70% 낮았으며, CPU 사용률은 Artik 10 기반 서버에서 더 높았으나 70% 이하를 유지하였다.
해당 시스템의 동작은 클라이언트 등록, 데이터 수집, 추론 및 서비스 실행으로 이루어져 있으며, 최근에 갱신된 상황 정보를 기준으로 규칙 실행의 우선순위를 결정하여 추론 시 규칙 간의 충돌을 방지하였다. 본 논문에서 제안하는 기법을 스마트 홈 환경에서 3가지 방범 서비스 모드를 이용하여 테스트하였으며, 본 논문의 IoT 기반 전문가 시스템 서버와 기존 PC 기반 전문가 시스템 서버의 자원 소모량을 비교하여 제안하는 기법의 안정성을 입증하였다.
사용자는 사용 용도에 따라 IoT 기반 전문가 시스템에 등록된 방범 서비스 규칙을 변경함으로써 스마트 홈 환경에서 원하는 방범 서비스를 제공받을 수 있다. 제안하는 기법을 테스트하기 위해 스마트 홈 환경에서 외출, 취침, 파티 방범 서비스 모드를 이용하였다.
본 논문에서는 제안하는 기법을 위해 RDF의 Triple 구조 기반 상황 인식 모델링, 전향 추론 기반 경량화 추론 엔진, 저전력 CoAP 통신 프로토콜을 이용하였다. 스마트 홈 환경에서 3가지 방범 서비스 모드를 이용한 테스트를 통해 제안하는 기법이 IoT 노드 자원을 기반으로 효율적으로 사용자에게 서비스를 제공하는 것을 확인하였다. 또한, 기존 PC 기반 전문가 시스템 서버와 자원 소모량을 비교하여 제안하는 기법의 안정성을 입증하였다.
이를 통해 상황 정보와 규칙 데이터가 1000개 이하인 경우 제안하는 기법이 안정적으로 상황 인식 서비스를 제공하는 것을 확인하였으며, 실제 상용화하여 사용자에게 서비스를 제공하기 위해서는 자원 소모량에 따라 상황 정보와 규칙 데이터의 보관 주기를 고려하여야 한다.
본 논문에서는 IoT 환경에서 Edge Computing을 위한 전문가 시스템 기반 상황 인식 서비스 기법을 제안하였다. 제안하는 기법은 자원 제한적인 IoT 노드의 효율적인 협업을 기반으로 데이터를 실시간으로 처리하고 상황 인식을 통해 사용자에게 맞춤형 서비스를 제공하며, 사용자는 서비스 규칙을 수정하여 원하는 서비스를 제공받을 수 있다. 본 논문에서는 제안하는 기법을 위해 RDF의 Triple 구조 기반 상황 인식 모델링, 전향 추론 기반 경량화 추론 엔진, 저전력 CoAP 통신 프로토콜을 이용하였다.
첫 번째로, IoT 기반 전문가 시스템의 서버 노드는 상황 정보 수집과 상황 인식 서비스 제공을 위해 다수의 클라이언트 노드와 연동한다. 각 클라이언트 노드는 실행과 동시에 내장되어 있는 클라이언트 노드 정보를 CoAP 통신의 PUT message를 이용하여 서버 노드에 전송한다.
이와 같이 본 논문에서 제안하는 전문가 시스템 기반 상황 인식 서비스 기법을 스마트 홈 환경에서 3가지 방범 서비스 모드를 이용하여 테스트하였다. 테스트 결과, 본 논문에서 제안하는 기법이 IoT 노드의 자원을 효율적으로 활용하여 상황 인식을 통해 사용자에게 맞춤형 서비스를 제공하는 것을 확인하였다.
제안하는 기법을 위해 이기종 센서 데이터 규격화를 위한 상황 정보 모델링, 경량화 추론 엔진, 저전력 통신 프로토콜, 상황 정보 및 규칙 데이터관리를 위한 데이터베이스를 기반으로 상황 인식 서비스를 제공하는 IoT 기반 전문가 시스템을 사용하였다. 해당 시스템의 동작은 클라이언트 등록, 데이터 수집, 추론 및 서비스 실행으로 이루어져 있으며, 최근에 갱신된 상황 정보를 기준으로 규칙 실행의 우선순위를 결정하여 추론 시 규칙 간의 충돌을 방지하였다. 본 논문에서 제안하는 기법을 스마트 홈 환경에서 3가지 방범 서비스 모드를 이용하여 테스트하였으며, 본 논문의 IoT 기반 전문가 시스템 서버와 기존 PC 기반 전문가 시스템 서버의 자원 소모량을 비교하여 제안하는 기법의 안정성을 입증하였다.
후속연구
또한, 기존 PC 기반 전문가 시스템 서버와 자원 소모량을 비교하여 제안하는 기법의 안정성을 입증하였다. 본 논문에서 제안하는 기법은 화재·방범 시스템과 같이 신속한 대응을 필요로 하는 산업분야에 접목하면 더 많은 부가가치를 창출할 수 있을 것이라 기대된다.
향후 연구로는 자원 소모량에 따라 자동적으로 상황 정보와 규칙 데이터의 보관 주기를 조절하는 IoT 기반 지능형 전문가 시스템에 대한 연구를 진행할 예정이다.
질의응답
핵심어
질문
논문에서 추출한 답변
RDF란 무엇인가?
상황 정보 모델링을 통해 추상적인 개념의 상황 정보를 단편적인 데이터를 이용하여 표현이 가능해지며, 이러한 모델링을 위한 대표적인 규격으로는 RDF(Resource Description Framework)의 Triple 구조가 있다[7]. RDF는 WWW (World Wide Web) Consortium에서 제안한 XML 기반 데이터 표현 구조이며, 웹상에 존재하는 데이터 간의 정보 교환 과정에서 효율적인 메타데이터 교환 및 상호 호환을 목적으로 한다. 이를 위해, RDF는 데이터 및 메타데이터가 가지고 있는 시멘틱을 XML 형태로 구조화하고 RDF 데이터 모델인 데이터와 해당 데이터에 대한 정보를 Triple 구조 형태로 표현한다.
IoT는 무엇인가?
최근 디바이스 크기의 소형화, 저전력·고성능 프로세서의 발전으로 유비쿼터스를 넘어 IoT(Internet of Things) 환경이 빠르게 확산중이다. IoT는 모든 사물을 네트워크로 연결하여 사물이 가진 특성을 지능화하고, 이를 통해 사람의 개입 없이 스스로 다른 사물, 사람, 시스템과 연동하여 정보를 생성하고 동작하는 환경을 의미한다. IoT가 주목받기 시작하며 다양한 사양의 IoT 디바이스들이 지속적으로 개발되고 있으며, 이를 효과적으로 활용하기 위해 국내 및 해외 기업들은 삼성 Smart Things, 아마존 AWS IoT와 같은 IoT 서비스를 제품화하고 있다[1].
기존 IoT의 구조로 인한 문제점은 무엇인가?
전체 서비스 로직 중 IoT 노드는 데이터 수집 및 사용자와의 커뮤니케이션을 담당하고 클라우드는 기계 학습,추론 엔진과 같은 지능화 알고리즘을 통해 사용자에게 적합한 서비스를 정의한다. 그러나, 이와 같은 클라우드 기반 중앙 집중 방식의 처리 구조로 인해 병목현상이 발생하여 데이터의 실시간 처리가 어렵고 클라우드에 장애가 발생할 경우 전체 서비스가 지연되거나 중단될 수 있다. 이런 문제점은 응급의료, 화재·방범 서비스와 같이 신속한 대응을 요구하는 서비스에 치명적으로 작용한다[4].
참고문헌 (9)
Y. Xu and A. Helal, "Scalable Cloud-Sensor Architecture for the Internet of Things," IEEE Internet of Things Journal, Vol. 3, No. 3, 2016, pp. 285-298. https://doi.org/10.1109/JIOT.2015.2455555
C. Perera, A. Zaslavsky, P. Christen, and D. Georgakopoulos, "Context Aware Computing for The Internet of Things: A Survey," IEEE Comm. Surveys & Tutorials, Vol. 16, No.1, 2014, pp. 414-454. https://doi.org/10.1109/SURV.2013.042313.00197
J. Gubbi, R. Buyya, S. Marusic, and M. Palaniswami, "Internet of Things (IoT): A vision, architectural elements, and future directions," Future Generation Computer Systems, Vol. 29, No. 7, Sept. 2013, pp. 1645-1660. http://dx.doi.org/10.1016/j.future.2013.01.010
L. D. Xu, W. He, and S. Li, "Internet of Things in Industries: A Survey," IEEE Trans. on Industrial Informatics, Vol. 10, No. 4, 2014, pp. 2233-2243. https://doi.org/10.1109/TII.2014.2300753
A. Ahmed and E. Ahmed, "A Survey on Mobile Edge Computing," IEEE International Conf. on Intelligent Systems and Control, Jan. 2016, pp. 1-8. https://doi.org/10.1109/ISCO.2016.7727082
O. Yurur, C. H. Liu, Z. Sheng, V. C. M. Leung, W. Moreno, and K. K. Leung, "Context-Awareness for Mobile Sensing: A Survey and Future Directions," IEEE Communcations Surveys & Tutorials, Vol. 18, No. 1, 2016, pp. 68-93. https://doi.org/10.1109/COMST.2014.2381246
A. Al-Ajlan, "The Comparison between Forward and Backward Chaining," International Journal of Machine Learning and Computing, Vol. 5, No. 2, April 2015, pp. 106-113. https://doi.org/10.7763/IJMLC.2015.V5.492
Z. Shelby, K. Hartke, and C. Bormann, "The Constrained Application Protocol (CoAP)," No. RFC 7252, June, 2014. https://doi.org/10.17487/RFC7252
※ AI-Helper는 부적절한 답변을 할 수 있습니다.