네트워크 분야에서 데이터 압축은 네트워크 트래픽을 줄이기 위한 전통적이고, 효과적인 방법 중 하나이다. 센서 네트워크의 데이터는 시 공간적인 연관성을 가지고 있으며, 이러한 특성을 이용한 데이터 압축 기법들이 많이 연구되고 있다. 센서 노드는 통신 범위의 제약을 가지고 있기 때문에 공간적인 특성을 이용한 압축시 데이터의 범위로 제한된 정보를 사용한다. 하지만, 때때로 전역적인 데이터 분포와 특성은 데이터 압축 기법의 효율을 증가시킬 수 있는 기회를 제공하기도 한다. 본 논문에서는 이러한 기회를 활용하기 위한 새로운 접근의 데이터 압축기법을 제안한다. 제안하는 기법은 기지국 혹은 슈퍼 노드에 의해 수집된 데이터를 통해 압축을 위한 정보, 즉, 피드백 정보를 생성하고 배포함으로써 네트워크 전체의 데이터 압축을 용이하게 한다. 본 논문의 우수성을 보이기 위해서 시뮬레이션을 통해 성능 평가를 수행하였으며 그 결과 네트워크의 수명이 약 30% 증가하였다.
네트워크 분야에서 데이터 압축은 네트워크 트래픽을 줄이기 위한 전통적이고, 효과적인 방법 중 하나이다. 센서 네트워크의 데이터는 시 공간적인 연관성을 가지고 있으며, 이러한 특성을 이용한 데이터 압축 기법들이 많이 연구되고 있다. 센서 노드는 통신 범위의 제약을 가지고 있기 때문에 공간적인 특성을 이용한 압축시 데이터의 범위로 제한된 정보를 사용한다. 하지만, 때때로 전역적인 데이터 분포와 특성은 데이터 압축 기법의 효율을 증가시킬 수 있는 기회를 제공하기도 한다. 본 논문에서는 이러한 기회를 활용하기 위한 새로운 접근의 데이터 압축기법을 제안한다. 제안하는 기법은 기지국 혹은 슈퍼 노드에 의해 수집된 데이터를 통해 압축을 위한 정보, 즉, 피드백 정보를 생성하고 배포함으로써 네트워크 전체의 데이터 압축을 용이하게 한다. 본 논문의 우수성을 보이기 위해서 시뮬레이션을 통해 성능 평가를 수행하였으며 그 결과 네트워크의 수명이 약 30% 증가하였다.
Data compression techniques are traditional and effective to reduce the network traffic. Generally, sensor data exhibit strong correlation in both space and time. Many algorithms have been proposed to utilize these characteristics. However, each sensor just utilizes neighboring information, since it...
Data compression techniques are traditional and effective to reduce the network traffic. Generally, sensor data exhibit strong correlation in both space and time. Many algorithms have been proposed to utilize these characteristics. However, each sensor just utilizes neighboring information, since its communication range is restrained. The distribution and characteristics of whole sensor data provide other opportunities to enhance the compression technique. In this paper, we propose an orthogonal approach for compression algorithm. The base station or a super node generates useful information for compression of sensor data and broadcasts it into sensor networks. Every sensor that received the information compresses their sensor data and transmits them to the base station. We define this approach as feedback-diffusion. In order to show the superiority of our approach, we compare it with the existing aggregation algorithms in terms of the lifetime of the sensor network. As a result, our experimental results show that the whole network lifetime was prolonged by about 30%.
Data compression techniques are traditional and effective to reduce the network traffic. Generally, sensor data exhibit strong correlation in both space and time. Many algorithms have been proposed to utilize these characteristics. However, each sensor just utilizes neighboring information, since its communication range is restrained. The distribution and characteristics of whole sensor data provide other opportunities to enhance the compression technique. In this paper, we propose an orthogonal approach for compression algorithm. The base station or a super node generates useful information for compression of sensor data and broadcasts it into sensor networks. Every sensor that received the information compresses their sensor data and transmits them to the base station. We define this approach as feedback-diffusion. In order to show the superiority of our approach, we compare it with the existing aggregation algorithms in terms of the lifetime of the sensor network. As a result, our experimental results show that the whole network lifetime was prolonged by about 30%.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
피드백 정보는 다양한 형태로 제공될 수 있다. 본 논문에서는 기본적으로 센서 데이터의 빈도를 기반으로 한 피드백 정보 생성 기법을 제안한다. 빈도가 높은 센서 데이터를 양자화함으로써 전체 데이터의 압축 효율을 높인다.
본 논문에서는 기존 압축 기법과 교차 사용될 수 있는 새로운 접근의 압축 기법을 제안한다. 기지국 또는 다른 센서 노드의 데이터를 수집 가능한 센서 노드가 데이터를 수집하고, 수집된 데이터의 분포와 특성을 요약하여 다시 센서 네트워크로 배포한다.
본 논문은 기존 압축 기법과 교차 사용 가능한 피드백 배포기법을 제안한다. 공간적인 특성을 이용한 대부분의 압축 기법은 통신의 제약으로 인해 인접한 센서 데이터의 특성만을 이용하는 단점이 있다.
제안 방법
시뮬레이션에서 사용된 데이터는 미국 워싱턴주의 온도 데이터를 활용하였다[5]. 공간적인 연관성을 만들기 위해서 데이터 모델의 위상차를 두어 각 센서 노드가 서로 다른 데이터를 수집하도록 설정하였으며, 센서 노드는 그림 5와 같은 형태의 네트워크 토폴로지를 형성한다. 센서 노드의 메시지 전송에 소모되는 에너지 모델은 {메시지 크기}x({전송 비용}+{증폭 비용}x{거리}) 이며, 전송 비용은 50nJ/b, 증폭 비용은 100pJ/b/m2으로 설정하였다.
본 논문에서는 기존 압축 기법과 교차 사용될 수 있는 새로운 접근의 압축 기법을 제안한다. 기지국 또는 다른 센서 노드의 데이터를 수집 가능한 센서 노드가 데이터를 수집하고, 수집된 데이터의 분포와 특성을 요약하여 다시 센서 네트워크로 배포한다. 이 정보를 수신한 센서 노드는 이 정보를 기준으로 자신의 데이터를 압축함으로써 데이터 압축의 효율이 증가된다.
제안하는 알고리즘은 수집된 데이터를 통해 압축을 위한 정보, 즉, 피드백 정보를 생성하고 배포함으로써 네트워크 전체의 데이터 압축을 용이하게 한다. 먼저 전체 알고리즘의 특징과 피드백 배포의 개념을 설명하고, 배포 방법에 따른 분류와 피드백 생성 기법, 근사 데이터 수집 기법의 일련의 절차를 기술한다.
메시지 수신에 소모되는 에너지 모델은 {메시지 크기}x{수신 비용} 이며, 수신 비용은 50nJ/b으로 설정하였다. 수집된 센서 데이터의 정확성을 보장하기 위해서 피드백 정보를 이용할 수 없는 데이터의 경우 양자화되지 않은 원본 데이터를 그대로 수집하는 정책을 사용하였다.
공간적인 특성을 이용한 대부분의 압축 기법은 통신의 제약으로 인해 인접한 센서 데이터의 특성만을 이용하는 단점이 있다. 제안하는 기법에서 기지국 혹은 슈퍼 노드에 의해 생성된 피드백 정보는 센서데이터의 전역적인 분포 특성을 반영하고 있기 때문에 효율적인 양자화를 수행한다. 시뮬레이션을 통한 실험 결과, 기존 데이터 수집 기법에 비해 네트워크의 수명이 약 30% 향상되었고, 기존 압축 기법과 교차 사용함으로써 에너지 사용의 효율을 더욱 높일 수 있었다.
제안하는 압축 알고리즘은 기존의 압축 알고리즘과 교차 사용이 가능하다. 제안하는 알고리즘은 수집된 데이터를 통해 압축을 위한 정보, 즉, 피드백 정보를 생성하고 배포함으로써 네트워크 전체의 데이터 압축을 용이하게 한다. 먼저 전체 알고리즘의 특징과 피드백 배포의 개념을 설명하고, 배포 방법에 따른 분류와 피드백 생성 기법, 근사 데이터 수집 기법의 일련의 절차를 기술한다.
데이터는 센서 네트워크 내부에서 각 알고리즘의 특성에 따라 압축이 이루어지기도 한다. 제안하는 피드백 배포 기법은 수집된 데이터를 바탕으로 데이터 압축을 위한 피드백 정보를 생성하고, 센서 네트워크로 정보를 배포함으로써 원본 데이터를 압축할 수 있다. 물론 피드백을 배포하기 위해서 에너지의 소모된다.
반대로 피드백 정보를 갱신하지 않으면, 압축율이 저하되는 문제점을 가지고 있다. 제안하는 피드백 배포 기법은 적절한 갱신 시점을 찾기 위해서 기지국에서 수집되는 데이터의 수를 계산하고, 데이터의 수가 일정 크기보다 적은 경우 피드백 정보를 갱신하기 위해서 새로운 피드백 정보를 배포한다. 이때, 양자화된 데이터의 수집하는 정도를 "Hit율"이라고 정의한다.
대상 데이터
공간적인 연관성을 만들기 위해서 데이터 모델의 위상차를 두어 각 센서 노드가 서로 다른 데이터를 수집하도록 설정하였으며, 센서 노드는 그림 5와 같은 형태의 네트워크 토폴로지를 형성한다. 센서 노드의 메시지 전송에 소모되는 에너지 모델은 {메시지 크기}x({전송 비용}+{증폭 비용}x{거리}) 이며, 전송 비용은 50nJ/b, 증폭 비용은 100pJ/b/m2으로 설정하였다. 메시지 수신에 소모되는 에너지 모델은 {메시지 크기}x{수신 비용} 이며, 수신 비용은 50nJ/b으로 설정하였다.
표 1은 시뮬레이션에 사용된 환경 변수이다. 시뮬레이션에서 사용된 데이터는 미국 워싱턴주의 온도 데이터를 활용하였다[5]. 공간적인 연관성을 만들기 위해서 데이터 모델의 위상차를 두어 각 센서 노드가 서로 다른 데이터를 수집하도록 설정하였으며, 센서 노드는 그림 5와 같은 형태의 네트워크 토폴로지를 형성한다.
데이터처리
제안하는 피드백 배포 기법의 우수성을 보이기 위해 TAG 기반의 일반적인 데이터 수집 기법과 시뮬레이션을 통해 성능을 비교평가 하였다. 표 1은 시뮬레이션에 사용된 환경 변수이다.
이론/모형
그림 6은 TAG 기반의 FM(Flooding Method)과 제안하는 피드백 배포 기법의 네트워크 수명을 비교한 결과이다. 기존 압축 기법의 교차 사용을 평가하기 위해서 [2]에서 사용된 압축 기법을 적용하였다. x축의 값은 라우팅 트리의 레벨을 의미한다.
성능/효과
이러한 데이터 연관성을 이용하여 센서 데이터를 압축하기 위한 많은 연구들이 진행되었다. [2]에서 제안하는 시간적인 압축 기법은 센서 데이터의 오차 허용치를 미리 정하고, 수집한 데이터의 변화가 오차 범위보다 작은 경우 데이터를 기지국으로 전송하지 않는다. 이때, 기지국은 데이터를 송신하지 않은 센서 노드의 데이터를 시간적인 유사도 관점에서 마지막으로 보고된 데이터의 오차 허용치 범위에 있다고 판단한다.
하지만, 기지국이 센서 네트워크와 거리가 먼 경우 피드백 정보 생성을 위한 데이터 수집 시 많은 에너지를 소모한다는 단점이 있다. 두 번째, TAG를 기반으로 하는 데이터 수집 알고리즘의 경우, 라우팅 트리의 상위 노드 혹은 루트 노드가 피드백 정보를 생성할 수 있다. 이 경우, 전역 혹은 부분적인 데이터의 특성이 반영될 수 있으며, 센서 네트워크 내부에서 피드백 정보가 배포됨으로써 피드백 정보의 라우팅 비용을 줄일 수 있다는 장점을 가지고 있다.
시뮬레이션을 통한 실험 결과, 기존 데이터 수집 기법에 비해 네트워크의 수명이 약 30% 향상되었고, 기존 압축 기법과 교차 사용함으로써 에너지 사용의 효율을 더욱 높일 수 있었다. 또한, 센서 네트워크의 오류와 센서 데이터의 오차 범위를 이용하여 에너지 효율적인 데이터 수집이 가능함을 확인하였다. 향후 연구는 피드백 정보를 효율적으로 압축하는 기법과 내부 네트워크 처리를 통한 배포 기법을 제안하는 것이다.
제안하는 기법에서 기지국 혹은 슈퍼 노드에 의해 생성된 피드백 정보는 센서데이터의 전역적인 분포 특성을 반영하고 있기 때문에 효율적인 양자화를 수행한다. 시뮬레이션을 통한 실험 결과, 기존 데이터 수집 기법에 비해 네트워크의 수명이 약 30% 향상되었고, 기존 압축 기법과 교차 사용함으로써 에너지 사용의 효율을 더욱 높일 수 있었다. 또한, 센서 네트워크의 오류와 센서 데이터의 오차 범위를 이용하여 에너지 효율적인 데이터 수집이 가능함을 확인하였다.
x축의 값은 라우팅 트리의 레벨을 의미한다. 실험결과 FM에 비해 제안하는 기법이 약 30%의 네트워크 수명 향상을 보였으며, 각 기법에 압축기법을 적용한 경우 추가적인 에너지 사용의 효율이 발생하였다. 이는 제안하는 기법의 특성상 기존 압축 알고리즘과 교차사용이 가능하다는 것을 의미하며, 전체적으로 피드백 배포를 통한 압축을 수행함으로써 데이터 전송에 소모되는 에너지 소모가 크게 줄었다는 것을 보여준다.
실험결과 FM에 비해 제안하는 기법이 약 30%의 네트워크 수명 향상을 보였으며, 각 기법에 압축기법을 적용한 경우 추가적인 에너지 사용의 효율이 발생하였다. 이는 제안하는 기법의 특성상 기존 압축 알고리즘과 교차사용이 가능하다는 것을 의미하며, 전체적으로 피드백 배포를 통한 압축을 수행함으로써 데이터 전송에 소모되는 에너지 소모가 크게 줄었다는 것을 보여준다.
본 장에서는 센서 데이터를 압축하기 위한 새로운 접근을 제안한다. 제안하는 압축 알고리즘은 기존의 압축 알고리즘과 교차 사용이 가능하다. 제안하는 알고리즘은 수집된 데이터를 통해 압축을 위한 정보, 즉, 피드백 정보를 생성하고 배포함으로써 네트워크 전체의 데이터 압축을 용이하게 한다.
후속연구
또한, 센서 네트워크의 오류와 센서 데이터의 오차 범위를 이용하여 에너지 효율적인 데이터 수집이 가능함을 확인하였다. 향후 연구는 피드백 정보를 효율적으로 압축하는 기법과 내부 네트워크 처리를 통한 배포 기법을 제안하는 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
피드백 배포를 통해 각 센서 노드로 전달된 피드백 정보는 무엇으로 활용되는가?
피드백 배포를 통해 각 센서 노드로 전달된 피드백 정보는 각 센서 노드가 센서 데이터를 양자화하는데 활용된다. 그림 4는 피드백 정보를 배포하고 압축 데이터를 수집하는 과정을 나타낸다.
피드백의 배포는 어떤 경우로 나누어지는가?
피드백의 배포는 크게 네트워크 내부에서 이루어지는 경우와 외부, 즉, 기지국으로부터 이루어지는 경우로 나누어진다. 그림과 같이 피드백을 생성하는 주체에 따라 그림 3과 같이 몇가지로 구분할 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.