[논문]블록체인 기반의 시계열 정보를 이용한 클라우드 엣지 환경의 효율적인 AIoT 정보 연계 처리 기법

정윤수

doi:10.15207/jkcs.2021.12.3.009

블록체인 기반의 시계열 정보를 이용한 클라우드 엣지 환경의 효율적인 AIoT 정보 연계 처리 기법
Efficient AIOT Information Link Processing in Cloud Edge Environment Using Blockchain-Based Time Series Information 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.12 no.3, 2021년, pp.9 - 15

초록
AI-Helper

최근 5G와 인공지능 기술이 발전하면서 클라우드 엣지 환경에서 정보를 수집/처리/분석 하기 위한 AIoT 기술에 많은 관심을 갖고 있다. AIoT 기술은 다양한 스마트 환경에 적용되고 있지만 수집된 정보의 정확한 분석을 통해 빠른 대응처리를 수행할 수 있는 연구가 필요하다. 본 논문에서는 스마트 환경에서 수집된 정보를 AIoT에서 빠른 처리와 정확한 분석/예측을 통해 AIoT 정보들간 연계 처리를 블록 처리함으써 대역폭 및 처리시간을 최소화할 수 있는 기법을 제안한다. 제안 기법은 블록체인으로 수집된 정보를 다중 연계하여 AIoT 장치에서 데이터 인덱스에 대한 시드를 생성하여 수집정보와 함께 블록처리하여 데이터 센터로 전달한다. 이 때, 클라우드와 AIoT 장치사이는 DNN(Deep Neural Network) 모델을 배치하여 네트워크 오버헤드를 줄이도록 하였다. 그리고, 서버/데이터센터에서는 전달된 분석 및 예측된 결과를 통해 정확하지 못한 AIoT 정보의 정확도를 개선하여 지연시간을 최소화하도록 하였다. 또한, 제안기법은 AIoT 정보에 가중치를 적용하여 블록체인으로 그룹핑하기 때문에 계층화된 다층 네트워크로 분할 가능하도록 하여 데이터 지연시간을 최소화하였다.

Abstract ▼ AI-Helper

With the recent development of 5G and artificial intelligence technologies, it is interested in AIOT technology to collect, process, and analyze information in cloud edge environments. AIIoT technology is being applied to various smart environments, but research is needed to perform fast response processing through accurate analysis of collected information. In this paper, we propose a technique to minimize bandwidth and processing time by blocking the connection processing between AIOT information through fast processing and accurate analysis/forecasting of information collected in the smart environment. The proposed technique generates seeds for data indexes on AIOT devices by multipointing information collected by blockchain, and blocks them along with collection information to deliver them to the data center. At this time, we deploy Deep Neural Network (DNN) models between cloud and AIOT devices to reduce network overhead. Furthermore, server/data centers have improved the accuracy of inaccurate AIIoT information through the analysis and predicted results delivered to minimize latency. Furthermore, the proposed technique minimizes data latency by allowing it to be partitioned into a layered multilayer network because it groups it into blockchain by applying weights to AIOT information.

주제어

표/그림 (5)

그림 Fig. 1. An architecture of AIoT and cloud server
표 Table 1. Classification of blockchain technology by generation
그림 Fig. 2. An operation overview architecture of AIoT and cloud server
그림 Fig. 3. AIOT Information Link Processing Using Time Series Information
표 Table 2. Performance analysis of AIoT vs. Not AIoT

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 AIoT 장치가 포함된 에지 컴퓨팅 환경과 데이터 센터가 포함된 클라우드 환경을 융합하여 AIoT 정보의 처리 지연과 네트워크 오버헤드를 최소화하기 위한 클라우드 엣지 기반의 효율적인 AIoT 정보 연계 처리 기법을 제안한다. 제안 기법은 IoT(Internet of Things) 장치에서 수집된 데이터 정보를 블록체인으로 다중 연계하여 AIoT 장치에서 데이터 인덱스 정보를 수집/분석하여 데이터 센터로 전달할 때 클라우드와 AIoT 장치사이에 DNN(Deep Neural Network) 모델을 배치하고 있다.
대두되고 있다. 본 논문에서는 IoT 센서로부터 수집된 정보를 시계열 축으로 수집하여 AIoT 정보와 연계 처리하는 기법을 제안하였다. 제안 기법은 블록체인으로 다중 연계하여 AIoT 장치에서 데이터 인덱스 정보를 수집/분석한 후 그 결과를 데이터 센터로 전달하도록 하였다.
본 논문에서는 시계열 정보를 이용하여 클라우드 엣지 기반의 효율적인 AIoT 정보 연계 처리 기법을 제안한다. 제안 기법은 IoT 장치에서 수집된 데이터 정보를 블록체인으로 다중 연계한 후 AIoT의 데이터 인덱스 정보의 트랜잭션을 DNN 모델로 배치하여 처리하기 때문에 빠른 처리와 무결성을 보장하고 있다.
이 절에서는 클라우드 엣지 환경에서 AIoT 정보를 원활하게 처리하기 위해서 AIoT 정보 연계를 블록체인으로 연계하기 위한 기법을 제안한다. 제안 기법은  개의 지역 로컬 AIoT 장치에서 데이터를 분석/예측하여 결과 정보를 클라우드 서버로 전달할 때 쌍방향으로 AIoT 정보를 교차 검증할 수 있도록 개의 AIoT 정보에 가중치를 포함하도록 블록체인 기술을 적용하고 있다.

제안 방법

AIoT 정보 가중치를 이용한다. AIoT 정보의 가중치 정보에 따라 계층적으로 묶어 AIoT 정보를 딥러닝 한다. 이때, AIoT는 접근성(Tension)이 높은가 중치들을 접근 경로나 정규식 필터링 검사 등의 결과에 따라 임계치 한계의 강도로 결정하게 된다.
둘째, 제안기법은 에지 컴퓨팅 환경과 데이터 센터가 포함된 클라우드 환경을 융합하여 AIoT 정보의 처리 지연과 네트워크 오버헤드를 최소화하도록 오버레이 네트워크 환경에서 AIoT 정보를 블록체으로 연계한다.
시드로 선택된 정보의 인덱스 값은 AIoT 장치에서 분석 /예측된 정보와 서로 연계 사용한다. 또한, 제안 기법에서는 AIoT 정보의 빠른 처리와 무결성을 보장하기 위해서 수집된 정보를 시계열 정보로 수집․연계한다. 이 같은 방법을 통해 네트워크 송․수신 과정 중에 발생하는 병목현상을 최소화할 수 있다.
성능평가는 클라우드 에지 환경을 구축한 후 AIoT를 사용할 경우와 AIoT를 사용하지 않는 경우로 구분하여 AIoT 정보 연계 처리의 효율성, 정확성, 처리시간, 오버헤드 등을 Table 2처럼 평가하였다.
이 절에서는 시뮬레이션에서 사용되는 매개변수를 몬테카를로에 기초하여 성능평가를 수행하였다. AIoT를 포함한 하부 네트워크 범위는 150m로 설정하고, 대여폭은 10MHz/5MHz으로 설정한다.
제안 기법은 AIoT 정보 전달 단계는 다음과 같이 2단계로 구성되며, AIoT 정보를 전달받은 서버(또는 데이터센터)는 AIoT 정보 변경 유․무를 체크하고 변경 정보는 에지 컴퓨팅에서 AIoT가 바로 처리한다.
제안 기법은 AIoT 정보를 연계 처리하기 위해서 AIoT 정보의 트랜잭션을 다중 해쉬체인 기반의 블록체인으로 AIoT 정보를 전달한다. AIoT 정보 연계 과정은 Fig.
처리 기법을 제안한다. 제안 기법은 IoT(Internet of Things) 장치에서 수집된 데이터 정보를 블록체인으로 다중 연계하여 AIoT 장치에서 데이터 인덱스 정보를 수집/분석하여 데이터 센터로 전달할 때 클라우드와 AIoT 장치사이에 DNN(Deep Neural Network) 모델을 배치하고 있다. AIoT 장치에서 데이터 센터로 전달된 정보는 DNN 모델을 통해 분석 및 예측된 결과를 전달하기 때문에 네트워크 오버헤드를 줄일 수 있다.
본 논문에서는 IoT 센서로부터 수집된 정보를 시계열 축으로 수집하여 AIoT 정보와 연계 처리하는 기법을 제안하였다. 제안 기법은 블록체인으로 다중 연계하여 AIoT 장치에서 데이터 인덱스 정보를 수집/분석한 후 그 결과를 데이터 센터로 전달하도록 하였다. 이 때, 클라우드 서버와 AIoT 장치사이에 DNN 모델을 배치하여 대역폭을 최소화하였다.
제안 기법은 수 많은 IoT 장치로부터 센싱된 정보를 빠른 속도로 수집한 후 수집된 정보 중 시드를 선택한다. 시드로 선택된 정보의 인덱스 값은 AIoT 장치에서 분석 /예측된 정보와 서로 연계 사용한다.
연계하기 위한 기법을 제안한다. 제안 기법은  개의 지역 로컬 AIoT 장치에서 데이터를 분석/예측하여 결과 정보를 클라우드 서버로 전달할 때 쌍방향으로 AIoT 정보를 교차 검증할 수 있도록 개의 AIoT 정보에 가중치를 포함하도록 블록체인 기술을 적용하고 있다.
첫째, 제안 기법은 AIoT 장치가 포함된 하부 네트워크상의 송⋅수신 정보의 병목현상을 최소화하기 위해서 에지 컴퓨팅을 분산 네트워크 구조를 가지도록 하였다.

성능/효과

Table 2에서 AIoT 사용 유․무에 따른 효율성 평가의 성능 평가를 보면, IoT 정보 수에 따른 효율성이 AIoT를 사용하지 않았을 때보다 평균 23.7% 향상되었다..
둘째, 제안기법은 에지 컴퓨팅 환경과 데이터 센터가 포함된 클라우드 환경을 융합하여 AIoT 정보의 처리 지연과 네트워크 오버헤드를 최소화하고 있다.
이 때, 클라우드 서버와 AIoT 장치사이에 DNN 모델을 배치하여 대역폭을 최소화하였다. 또한, DNN 모델을 통해 분석 및 예측된 결과는 네트워크 오버헤드를 줄일 수 있으며, 데이터 센터에서 분석 및 예측된 결과 정보의 정확도를 개선할 수 있다. 향후 연구에서는 본 연구의 결과를 기반으로 다양한 환경에 적용하여 성능 개선을 위한 문제점 및 보완 사항을 추가적으로 연구 수행할 계획이다.
제안 기법은 IoT 장치에서 수집된 데이터 정보를 블록체인으로 다중 연계한 후 AIoT의 데이터 인덱스 정보의 트랜잭션을 DNN 모델로 배치하여 처리하기 때문에 빠른 처리와 무결성을 보장하고 있다. 또한, 제안 기법은 DNN 모델을 통해 분석 및 예측된 AIoT 정보를 오버레이 네트워크를 통해 전달하기 때문에 네트워크의 오버헤드를 최소화시킬 수 있다. 또한, 데이터 센터에 전달된 AIoT 정보는 사전 저장된 데이터 셋과 비교한 후 정확하지 못한 AIoT 정보의 정확도를 개선하고 있다.
셋째, AIoT 정보는 블록체인 기반의 해쉬 체인을 사용하여 인덱스 정보와 트랜잭션 정보를 구분하여 블록체인으로 구성하기 때문에 데이터 변조 및 불법적 액세스 접근을 사전에 예방할 수 있다.
셋째, 제안 기법은 AIoT 정보를 블록체인 기반의 해쉬 체인을 사용하여 데이터 변조 및 불법적 액세스를 사전에 예방할 수 있다.
정확성 평가의 성능 평가를 보면, 시계열 정보의 딥러닝 기반으로 AIoT 정보간 연계 정보를 시드로 선택하여해쉬 체인으로 묶음으로써 정확도는 AIoT를 사용하지 않았을 때보다 평균 29.1% 향산된 결과를 얻었다. 이 같은 결과는 AIoT 정보에 가중치를 적용하도록 시드값을 이용하여 AIoT 정보간 동기화를 수행하여 AIoT 정보의 오류율을 낮추었기 때문이다.
제안한다. 제안 기법은 IoT 장치에서 수집된 데이터 정보를 블록체인으로 다중 연계한 후 AIoT의 데이터 인덱스 정보의 트랜잭션을 DNN 모델로 배치하여 처리하기 때문에 빠른 처리와 무결성을 보장하고 있다. 또한, 제안 기법은 DNN 모델을 통해 분석 및 예측된 AIoT 정보를 오버레이 네트워크를 통해 전달하기 때문에 네트워크의 오버헤드를 최소화시킬 수 있다.
2과 같은 환경을 통해 동작되다. 제안 기법은  개의 지역 AIoT 그룹의 가중치 정보 정보를 블록체인에 적용하여 누적 확률값을 사용하며, AIoT 분석/예측 정보의 인덱스 정보에 가중치를 부여하기 때문에 AIoT 정보 연계가 기존 기법보다 효율적으로 처리될 수 있다.
처리시간 평가의 성능평가를 보면, 시계열 정보를 이용한 AIoT 정보 연계 처리 시간은 AIoT를 사용하지 않았을 때보다 평균 17.5% 향상된 결과를 얻었다. 이 같은 결과는 AIoT 정보가 실시간으로 처리 및 저장하여 클라우드에서 처리하는 대신 AIoT에서 실시간으로 직접 처리하기 때문이다.
첫째, AIoT 장치가 포함된 하부 네트워크의 송⋅수신정보는 병목현상을 최소화하도록 분산 네트워크 구조를 가진다.
확보할 수 있는 기술들이 연구되고 있다. 특히, IoT 장치로부터 수집되는 정보들은 클라우드 환경에서 많은 대역폭과 처리 시간에 대한 지연 문제가 존재하지만 AIoT 에지 환경으로 변화하면서 기존환경보다 대역폭과 처리 지연시간이 개선되었다. 그러나, AIoT에서 수집되어 분석/예측된 결과를 클라우드 서버(또는 데이터센터) 로 전송할 때 처리지연과 보안 문제는 여전히 해결되어야 하는 문제로 남아있다.
솔루션이 필요하다[3]. 특히, IoT 장치에서 수집되는 정보를 AIoT에서 사전 분석 및 예측을 통해 AIoT 네트워크 간 서로 다른 액세스 정책을 부여하여 정보 제어와 접근성을 AIoT 컴퓨팅 환경에서 사전 처리됨으로써 지연 시간을 최소화할 수 있다.

후속연구

또한, DNN 모델을 통해 분석 및 예측된 결과는 네트워크 오버헤드를 줄일 수 있으며, 데이터 센터에서 분석 및 예측된 결과 정보의 정확도를 개선할 수 있다. 향후 연구에서는 본 연구의 결과를 기반으로 다양한 환경에 적용하여 성능 개선을 위한 문제점 및 보완 사항을 추가적으로 연구 수행할 계획이다.

참고문헌 (15)

Z. Zhao, K. M. Barijough & A. Gerstlauer. (2018). DeepThings: Distributed Adaptive Deep Learning Inference on Resource-Constrained IoT Edge Clusters. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems (TCAD), 37(11), 2348-2359.

상세보기
Y. Chen, J. He, X. Zhang, C. Hao & D. Chen. (2019). Cloud-DNN: An Open Framework for Mapping DNN Models to Cloud FPGAs. Proceedings of International Symposium on Field-Programmable Gate Arrays (FPGA), s73-82.
V. Sze, Y. Chen, T. Yang & J. S. Emer. (2017). Efficient Processing of Deep Neural Networks: A Tutorial and Survey. Proceedings of IEEE, 105(12), 2295-2329.

상세보기
Q. Wu, K. He & X. Chen. (2020). Personbalized Federated Learning for Intelligent IoT Applications: A Cloud-edge Based Framework. IEEE Computer Graphics and Applications, PP(99), 1-1.
R. Hadidi, J. Cao, M. S. Ryoo & H. Kim. (2019). Robustly executing DNNs in IoT systems using coded distributed computing. Proceedings of ACM/IEEE Design Automation Conference (DAC), 234.
F. Forooghifar, A. Aminifar & D. Atienza. (2019). Resource-Aware Distributed Epilepsy Monitoring Using Self-Awareness From Edge to Cloud. IEEE Transactions on Biomedical Circuits and Systems, 13(6), 1338-1350.

상세보기
Y. Kang, J. Hauswald, C. Gao, A. Rovinski, T. N. Mudge, J. Mars & L. Tang. (2017). Neurosurgeon: Collaborative intelligence between the cloud and mobile edge. Proceedings of International Conference on Architectural Support for Programming Languages and Operating Systems (ASPLOS), 615-629.
Z. Zhao, R. Zhao, J. Xia, X. Lei, D. Li, C. Yuen & L. Fan. (2020). A Novel Framework of Three-Hierarchical Offloading Optimization for MEC in Industrial IoT Networks. IEEE Transactions on Industrial Informatics (TII), 16(8), 5424-5434.

상세보기
B. Yang, X. Cao, C. Yuen & L. Qian. (2020). Offloading Optimization in Edge Computing for Deep Learning Enabled Target Tracking by Internet-of UAVs. IEEE Internet of Things Journal(Early Access), 1-1.
S. Wang, T. Tuor, T. Salonidis, K. K. Leung, C. Makaya, T. He & K. Chan. (2019). Adaptive Federated Learning in Resource Constrained Edge Computing Systems. IEEE Journal of Selected Areas in Communications (JSAC), 37(6), 1205-1221.

상세보기
J. Mills, J. Hu & G. Min. (2020). Communication-Efficient Federated Learning for Wireless Edge Intelligence in IoT. IEEE Internet of Things Journal (IoTJ), 7(7), 5986-5994.

상세보기
M. Figurnov, M. D. Collins, Y. Zhu, L. Zhang, J. Huang, D. P. Vetrov & R. Salakhutdinov. (2017). Spatially adaptive computation time for residual networks. Proceedings of Conference on Computer Vision and Pattern Recognition (CVPR), 1790-1799.
T. Bolukbasi, J. Wang, O. Dekel & V. Saligrama. (2017). Adaptive neural networks for efficient inference. Proceedings of International Conference on Machine Learning (ICML), 527-536.
M. Figurnov, M. D. Collins, Y. Zhu, L. Zhang, J. Huang, D. P. Vetrov & R. Salakhutdinov. (2017). Spatially adaptive computation time for residual networks. Proceedings of Conference on Computer Vision and Pattern Recognition (CVPR), 1790-1799.
S. Teerapittayanon, B. McDanel & H. T. Kung. (2017). Distributed Deep Neural Networks Over the Cloud, the Edge and End Devices. Proceedings of International Conference on Distributed Computing Systems (ICDCS), 328-339.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증