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
- 통신보안은 암호화 키를 적용하고, 해당 키의 복호화는 클라우드 인프라 위에 개인용 실시간 빅데이터 분석 환경을 기준으로 설계하였다. 그래서 스마트 디바이스가 대량의 데이터를 분석하고 암복호화를 처리하기 위한 기능성을 설계에서 보완하였다. 각각의 지역에는 이기종 센서를 고려하여 센서 게이트웨이를 이용하여 사용자가 수신하는 정책을 반영한다.
- 각각의 지역에는 이기종 센서를 고려하여 센서 게이트웨이를 이용하여 사용자가 수신하는 정책을 반영한다. 그럼으로써 데이터 품질이 보장되는 서비스 환경 제공을 목표로 하였다. 사용자 인식 모듈은 센서 게이트웨이로부터 수신된 데이터를 개인데이터로 명시하고, 데이터의 차원 변환과 정규화 처리를 담당한다.
- 본 논문은 빅데이터 분석 환경에서 수집되는 센서의 이상 장애를 탐지하기 위한 빅데이터 기반의 이상탐지 시스템을 제안한다. 제안한 시스템은 센서 데이터의 이상 장애를 정확하게 탐지하기 위해 센서의 특징을 고려한 데이터 전처리 모델을 적용하였다.
- 본 논문은 사물인터넷 환경에서 생산되는 반정형 구조의 센서 데이터를 기준으로 이상 장애를 탐지하기 위한 빅데이터 기반의 이상 장애 탐지 시스템을 제안하였다. 제안된 시스템은 수집 데이터의 특징을 고려한 정제 모델과 이상탐지 기계학습 모델을 적용하였을 때와 정제되지 않은 원시 데이터와 이상탐지 기계학습 모델을 적용하여 각각의 학습 결과를 평가하였다.
제안 방법
- 그림 2에서와 같이 센서 게이트웨이는 수신된 데이터를 구분자(delimiter)로 구분하여 센서 별 데이터를 통합하여 사용자와 모니터링 서버로 전달한다. 구분자는 CSV 포맷 기준으로 콤마와 탭으로 센서와 데이터를 구분하도록 설계하였다. 예를 들면 하나의 단위 지역에 온도 센서가 2개와 빛 센서 1개가 존재한다면, “{센서 ID}, {생산데이터} 탭{센서전원데이터}, {센서 ID}, {생산 데이터} 탭 {센서전원데이터}, .
- 특히 실험에서 사용된 데이터는 도로의 경사면에서 설치되어 자연적 요인(낙하물, 풀, 나무, 먼지, 자동차 전조등, 가로등 등)에 의하여 설치 각이 변경되거나 태양빛을 정확하게 흡수하지 못하는 상태가 많이 발생한다. 그렇기 때문에 설치된 태양광 반사판에 대한 상태값을 고려한 정규화 모델이 수립하고 적용하였다.
- 그렇기 때문에 센서의 특징을 이해하지 못한 상태에서 전처리되지 않는 데이터로 이상 장애를 탐지하는 것은 잘못된 데이터 학습이나 학습의 정확도를 떨어뜨리는 단점을 가질 수 있다. 그렇기 때문에 제안한 시스템은 센서의 특징을 판별하기 위해 센서 게이트웨이에 센서의 메타정보와 센서 고유번호를 통합하여 데이터를 구성하도록 설계하였다.
- 그 결과, Support Vector의 개수가 1129개를 형성하였으며, 이 중에 이상장애에 대한 수렴이 잘 훈련되고 있음을 확인하였다. 그리고 검증용 데이터를 이용하여 학습 모델에 적용하고 이상 데이터가 이상 상태를 감지하는 범위에 포함되는지를 검증하였다.
- 각각의 센서는 전원이 0이 될 때까지 센서 게이트웨이로 자신의 상태정보와 생산하는 데이터를 전송한다. 그리고 센서 게이트웨이는 수신된 데이터를 사용자와 모니터링 서버로 전달하기 위한 통합 처리 과정을 모델링하였다. 그림 2는 제안한 모델에서 사물인터넷에서 발생된 데이터를 통합하고 정제하는 모델이다.
- 제안한 시스템은 센서 데이터의 이상 장애를 정확하게 탐지하기 위해 센서의 특징을 고려한 데이터 전처리 모델을 적용하였다. 그리고 수집된 센서 데이터가 시계열 구조를 가지고 있기 때문에 시계열 이상 탐지에 우수한 SVM(Support Vector Machine) 알고리즘을 개선하여 적용하였다. 제안한 모델을 평가하기 위한 실험에서는 도로의 경사면 상태를 감시하는 태양광 센서 데이터를 이용하여 평가하였다.
- 이는 지역 내 특정센서가 고장이나 이상으로 데이터 생산이 중단되는 경우 서비스의 연속성을 보장하기 위한 데이터를 보완하여 사용자에게 전달하기 위함이다. 그리고 이상탐지와 식별을 위해 기계학습 모델을 적용하여 실시간으로 이상상태를 탐지하도록 설계하였다.
- 사용된 데이터는 정제된 수집 데이터의 70%를 훈련데이터로 사용하였으며, 나머지 30% 데이터를 검증용으로 사용하였다. 기계학습에 사용된 하이퍼파라미터는 R의 SVM 패키지에서 제공하는 기본 설정값을 적용하였으며, R 모듈에서 초기 학습된 결과를 바탕으로 추천된 하이퍼파라미터 추천 값(Cost = 0.5, gamma =1, epsilon = 0.6)을 반영하여 재학습을 진행하였다. 그 결과, Support Vector의 개수가 1129개를 형성하였으며, 이 중에 이상장애에 대한 수렴이 잘 훈련되고 있음을 확인하였다.
- 본 논문은 이상 데이터 식별 및 장애 탐지를 위해 단순신경망 구조를 가진 SVM을 개선하여 적용하였다. SVM은 선형과 비선형 데이터를 학습시킬 수 있는 기계학습 모델이며, 시계열 데이터에서 이상데이터 식별과 장애를 탐지하는 성능이 우수하다.
- 센서의 이상 탐지를 위한 실험은 제공된 태양광 센서의 이상 증상을 탐지하기 위해 데이터간의 연관성을 확인하였다. 충전에 영향 변수의 특징을 찾기 위해 에너지 변환 효율을 이용하여 전처리 정규화를 진행하였다.
- 이는 전압의 이상상태가 전압 충전에 있기 때문에 전압의 연관성을 기준으로 해당 변수의 변화를 모니터링하고 이상상태를 탐지하고 예측하는 것이 중요하다. 실험에서는 이를 위해서 충전 전압과 온도, 충전 전압과 조도, 충전 전압과 온도 및 조도를 결합한 값을 각각의 연관 관계를 측정하였다. 그 결과, 충전 전압은 조도와 온도에 대해 개별적인 연관성이 떨어지는 것을 확인하였다.
- 사물인터넷은 다양한 산업분야에서 센서와 인식 장치를 이용하여 자동화된 서비스로 편리함을 제공하는 핵심기술로 발전하고 있다. 이 과정에서 다양하게 변화되는 개인의 상황 정보는 실시간으로 수집되어 분석한다. 주변의 장치와 연결된 상태에서 사용자를 위해 인식 장치간의 자동설정, 자율제어, 최적의 운영 상태를 유지하는 시스템 모니터링까지 복잡한 서비스 구조로 발전하고 있다.
- 센서의 생산 데이터가 다양할 경우에는 동일한 구조로 센서전원 데이터를 측정된 동일 값으로 표현한다. 이렇게 통합된 데이터를 기준으로 통합 서버와 개인의 스마트 장치에서 이상데이터를 찾아내고 식별하기 위해 센서의 특징에 맞는 데이터 정제 모델을 적용하였다. 예를 들면 태양광 충전방식의 센서는 센서의 충전 상태를 계속적으로 확인하기 위해 생산된 데이터와 연관성을 가지거나 연관정보를 별도로 생산한다.
- 중복된 센서의 배치는 시설의 중복 투자와 함께 보안의 취약성을 가지고 있다. 이를 위해 본 논문은 사용자와 직접적으로 연관성이 높은 사물인터넷 환경에서 센서의 특징에 대한 사전 분석과 이상탐지를 위해 기계학습 모델을 적용하였다. 센서 데이터는 시계열 특징을 가지며, 시간차에 따라 수집되고 관리된다.
- 그렇기 때문에 태양광 에너지 변환 효율을 고려한 태양광 센서의 충전 모델 정규화는 전압의 이상지점과 동일한 구간에서 온도와 조도가 결합된 상태 값의 변화가 가장 큰 영역을 이상 장애로 탐지할 수 있었다. 이를 통해 태양광 센서의 이상 장애를 탐지하기 위해 수립한 초기 가설은 온도와 조도를 결합한 에너지 변환 효율을 함께 적용하여 이상 장애 탐지 기계학습 모델의 학습성능을 보완하였다.
- 충전에 영향 변수의 특징을 찾기 위해 에너지 변환 효율을 이용하여 전처리 정규화를 진행하였다. 제공된 데이터의 수집 시간이 약한 시간 간격이기 때문에 시간에 대한 연속성을 부여하기 위해 수집 시간을 순차적 인덱스로 변환하여 처리하였다. 태양광 충전 방식의 에너지 변환 효율은 식 (5)와같이 적용되고 있다.
- 본 논문은 사물인터넷 환경에서 생산되는 반정형 구조의 센서 데이터를 기준으로 이상 장애를 탐지하기 위한 빅데이터 기반의 이상 장애 탐지 시스템을 제안하였다. 제안된 시스템은 수집 데이터의 특징을 고려한 정제 모델과 이상탐지 기계학습 모델을 적용하였을 때와 정제되지 않은 원시 데이터와 이상탐지 기계학습 모델을 적용하여 각각의 학습 결과를 평가하였다. 정제되지 않은 원시 데이터를 사용한 이상탐지 기계학습은 노이즈가 많은 상태로 학습 성능이 좋지 않았으며, 이상 탐지에서도 잘못된 탐지가 많이 발생하였다.
- 제안하는 시스템 모델은 빅데이터 기반의 센서 데이터 수집과 관리를 수행하는 사물인터넷 환경을 기반으로 한다. 최근의 사물인터넷은 다양한 센서에서 발생하는 데이터와 센서의 상태를 기록한 로그 데이터를 함께 전송하여 센서의 이상 상태를 모니터링하고 있다.
- 제안하는 시스템에서 데이터 통합은 동일 시간대에 수신된 센서 데이터를 통합하기 위한 센서 게이트를 기준으로 통합하도록 설계하였다. 각각의 센서는 전원이 0이 될 때까지 센서 게이트웨이로 자신의 상태정보와 생산하는 데이터를 전송한다.
- 제안하는 시스템은 지역별 설치되어 있는 이기종 센서들을 하나로 통합하고 관리하면서 사용자에게 제공되는 센서 데이터와 상태를 모니터링하면서 실시간으로 이상 장애를 탐지하는 모델이다. 센서는 지역별 연결성을 보장하기 위해 프로토콜에 대한 범용성을 확보하고, 스마트 디바이스의 통신 모델을 기반으로 데이터 송수신한다.
- 본 논문은 빅데이터 분석 환경에서 수집되는 센서의 이상 장애를 탐지하기 위한 빅데이터 기반의 이상탐지 시스템을 제안한다. 제안한 시스템은 센서 데이터의 이상 장애를 정확하게 탐지하기 위해 센서의 특징을 고려한 데이터 전처리 모델을 적용하였다. 그리고 수집된 센서 데이터가 시계열 구조를 가지고 있기 때문에 시계열 이상 탐지에 우수한 SVM(Support Vector Machine) 알고리즘을 개선하여 적용하였다.
- 제안한 시스템의 데이터 통합 및 정제 모델에서 센서는 서비스를 위해 생산되는 데이터와 센서 자신의 전압을 함께 센서 게이트웨이로 전달한다. 그림 2에서와 같이 센서 게이트웨이는 수신된 데이터를 구분자(delimiter)로 구분하여 센서 별 데이터를 통합하여 사용자와 모니터링 서버로 전달한다.
- 센서의 이상 탐지를 위한 실험은 제공된 태양광 센서의 이상 증상을 탐지하기 위해 데이터간의 연관성을 확인하였다. 충전에 영향 변수의 특징을 찾기 위해 에너지 변환 효율을 이용하여 전처리 정규화를 진행하였다. 제공된 데이터의 수집 시간이 약한 시간 간격이기 때문에 시간에 대한 연속성을 부여하기 위해 수집 시간을 순차적 인덱스로 변환하여 처리하였다.
- 센서는 지역별 연결성을 보장하기 위해 프로토콜에 대한 범용성을 확보하고, 스마트 디바이스의 통신 모델을 기반으로 데이터 송수신한다. 통신보안은 암호화 키를 적용하고, 해당 키의 복호화는 클라우드 인프라 위에 개인용 실시간 빅데이터 분석 환경을 기준으로 설계하였다. 그래서 스마트 디바이스가 대량의 데이터를 분석하고 암복호화를 처리하기 위한 기능성을 설계에서 보완하였다.
- 차원변환을 2차원에서 3차원으로 높게 변환하기 위해서는 식 (1)을 이용하였으며, 차원이 높게 변형되었을 때에는 선형 분리 초평면을 가지게 하였다. 하지만 고차원으로 비선형 매핑을 지속적으로 하면 MMH(maximum margin hyperplane)를 구하기 위해 연산속도와 성능이 떨어지는 문제점을 커널 트릭으로 개선하였다.
- 해당 가설에 따라 데이터를 정제하고 정규화한 데이터를 이상탐지 기계학습 모델에 적용하였다. 사용된 데이터는 정제된 수집 데이터의 70%를 훈련데이터로 사용하였으며, 나머지 30% 데이터를 검증용으로 사용하였다.
대상 데이터
- 실험에 사용된 데이터는 도로경사면을 감시하는 기업에서 수집한 데이터이다. 2017년에 수집된 데이터 중에서 데이터 품질이 양호한 2017년 7월과 8월 사이의 데이터를 사용하였다. 데이터 수집 단위는 시간(H) 단위이며, 총 건수는 41,970건이다.
- 2017년에 수집된 데이터 중에서 데이터 품질이 양호한 2017년 7월과 8월 사이의 데이터를 사용하였다. 데이터 수집 단위는 시간(H) 단위이며, 총 건수는 41,970건이다.
- 해당 센서는 하나의 센서 게이트웨이에 연결되어 측정된 데이터를 수집하고, 센서 게이트웨이는 5개의 센서가 연결되어 센서 데이터를 전송하고 있다. 데이터의 구조는 그림 4와 같은 구조로 센서를 연결하는 게이트웨어 인덱스, 게이트웨이 전압 상태 값, 센서 인덱스, 온도, 조도 , 수집 시간 등으로 구성된다. 센서 게이트웨이는 연결성을 관리하고 있기 때문에 전압이 없는 경우에는 이상 장애로 판단할 수 있다.
- 해당 가설에 따라 데이터를 정제하고 정규화한 데이터를 이상탐지 기계학습 모델에 적용하였다. 사용된 데이터는 정제된 수집 데이터의 70%를 훈련데이터로 사용하였으며, 나머지 30% 데이터를 검증용으로 사용하였다. 기계학습에 사용된 하이퍼파라미터는 R의 SVM 패키지에서 제공하는 기본 설정값을 적용하였으며, R 모듈에서 초기 학습된 결과를 바탕으로 추천된 하이퍼파라미터 추천 값(Cost = 0.
- 실험을 위해 사용된 데이터는 도로의 경사면에 설치되어 도로의 상태를 감시하는 태양광 충전방식의 센서 데이터를 이용하였다. 실험에 사용된 데이터는 도로경사면을 감시하는 기업에서 수집한 데이터이다. 2017년에 수집된 데이터 중에서 데이터 품질이 양호한 2017년 7월과 8월 사이의 데이터를 사용하였다.
- 실험을 위해 사용된 데이터는 도로의 경사면에 설치되어 도로의 상태를 감시하는 태양광 충전방식의 센서 데이터를 이용하였다. 실험에 사용된 데이터는 도로경사면을 감시하는 기업에서 수집한 데이터이다.
- 그리고 수집된 센서 데이터가 시계열 구조를 가지고 있기 때문에 시계열 이상 탐지에 우수한 SVM(Support Vector Machine) 알고리즘을 개선하여 적용하였다. 제안한 모델을 평가하기 위한 실험에서는 도로의 경사면 상태를 감시하는 태양광 센서 데이터를 이용하여 평가하였다.
데이터처리
- 수정된 이상 장애 탐지 기계학습 모델은 태양광 전지의 에너지 효율을 기준으로 정규화한 데이터를 이용하여 전압(x축)과 조도(illumination, y축), 온도(Temperature, y축)의 연관성을 각각 평가하였으며, 그 결과는 그림 5와 같이 도출되었다.
이론/모형
- 본 연구에서는 Gaussian radial basis function과 sigmoid kernel function을 결합한 커널 트릭을 사용하였다. 각각의 커널 트릭 함수는 힐버트 공간 커널 함수 평가 시 가우스 커널 함수를 적용하였으며, 유클리드 공간 커널 함수 평가 시 로직스틱 커널 함수를 적용하였다. 그럼으로써 비선형 SVM 기계학습에서 발생될 수 있는 차원 연산속도와 성능 문제를 해결하였다.
- 센서 데이터의 이상이나 장애가 시간에 따라 규칙적으로 발생되지 않기 때문에 SVM의 선형 모델보다는 비선형 모델이 적합하다. 본 논문은 센서 데이터에서 발생되는 이상이나 장애에 대한 예측을 추정하기 위해 비선형 구조의 데이터를 학습하는 SVM 모델을 적용하였다. SVM 알고리즘은 원 훈련 데이터를 비선형 매핑으로 고차원 공간 데이터로 변환한다.
- )로 대체할 수 있다. 본 연구에서는 Gaussian radial basis function과 sigmoid kernel function을 결합한 커널 트릭을 사용하였다. 각각의 커널 트릭 함수는 힐버트 공간 커널 함수 평가 시 가우스 커널 함수를 적용하였으며, 유클리드 공간 커널 함수 평가 시 로직스틱 커널 함수를 적용하였다.
성능/효과
- 6)을 반영하여 재학습을 진행하였다. 그 결과, Support Vector의 개수가 1129개를 형성하였으며, 이 중에 이상장애에 대한 수렴이 잘 훈련되고 있음을 확인하였다. 그리고 검증용 데이터를 이용하여 학습 모델에 적용하고 이상 데이터가 이상 상태를 감지하는 범위에 포함되는지를 검증하였다.
- 실험에서는 이를 위해서 충전 전압과 온도, 충전 전압과 조도, 충전 전압과 온도 및 조도를 결합한 값을 각각의 연관 관계를 측정하였다. 그 결과, 충전 전압은 조도와 온도에 대해 개별적인 연관성이 떨어지는 것을 확인하였다. 전압 추세선은 온도와 조도를 기준으로 수평하게 구성되었으며, 일부의 태양광 충전 성능은 계절적 특성과 설치된 장소에 따라 온도와 조도를 결합한 형태에서 좋은 성능을 가지고 있음을 확인하였다
- 시간당 태양광 전지의 전압 상태 값은 충전이 지속되는 동안 일정한 수준의 값을 유지하지만 충전이 미흡할 경우에는 급격히 떨어지는 구간 특징을 가지고 있다. 수집 시간의 차이는 있지만 이를 고려하더라도 태양광 에너지의 변환효율은 조도와 온도에 따라 충전 상태가 결정됨을 확인하였다. 온도는 전압의 변화보다 적은 크기로 변화를 가지며 정규화를 하더라도 3곳의 패턴 연관성이 적지만 후반부의 길어진 상태 패턴의 경우에 조도와 함께 전압의 충전 효율을 떨어뜨리는 연관성이 발견되었다.
- 하지만 센서의 특징이 반영된 정제 모델과 이상탐지 기계학습 모델은 정확한 이상탐지가 가능하였다. 이는 기계학습으로 사용되는 데이터의 정제가 중요하며, 센서 데이터의 특징이 반영된 정제 모델과 통합 과정이 반영되어야 함을 확인하였다.
- 그 결과, 충전 전압은 조도와 온도에 대해 개별적인 연관성이 떨어지는 것을 확인하였다. 전압 추세선은 온도와 조도를 기준으로 수평하게 구성되었으며, 일부의 태양광 충전 성능은 계절적 특성과 설치된 장소에 따라 온도와 조도를 결합한 형태에서 좋은 성능을 가지고 있음을 확인하였다
- 그리고 파랑색 점은 정제된 온도와 조도의 결합 데이터로 훈련된 기계학습 모델에서 추출된 데이터 값이다. 태양광 전압의 정상 범위에 들어가는 값과 전압 이상 범위에 들어가는 값이 거의 일치하고 있음을 확인하였다.
후속연구
- 이러한 실험결과를 통해 사물인터넷에서 사용되는 태양광 센서 데이터 이상탐지는 빅데이터 분석 환경에서 데이터를 수집할 때 센서의 특징을 고려한 정제가 반드시 필요하며, 그럼으로써 구성된 기계학습 모델에서도 좋은 성능을 발휘할 수 있을 것이다. 향후 연구는 제안한 시스템 모델을 구현하고, 구현된 시스템에서 태양광 센서의 특징을 고려한 자동화된 센서 데이터 정제 및 통합 모델을 설계하고 반영하는 것이다.
- 이러한 실험결과를 통해 사물인터넷에서 사용되는 태양광 센서 데이터 이상탐지는 빅데이터 분석 환경에서 데이터를 수집할 때 센서의 특징을 고려한 정제가 반드시 필요하며, 그럼으로써 구성된 기계학습 모델에서도 좋은 성능을 발휘할 수 있을 것이다. 향후 연구는 제안한 시스템 모델을 구현하고, 구현된 시스템에서 태양광 센서의 특징을 고려한 자동화된 센서 데이터 정제 및 통합 모델을 설계하고 반영하는 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.