earticle

영어

Since vast amounts of data are collected every second, immediate processing is difficult in IoT sensor networks. Thus, the offloading skill quickly eliminating worthless data and selecting significant data is very important. In this work, we propose a composite sensor context-based multiple layer model and a adaptive offloading technique that efficiently controls the data and transmission workload by interpreting data contexts from individual sensors with fault patterns. That is, the corresponding sensor inputs are scaled in a comparable grid format, and pattern matching is performed on the grid to determine whether the context matching is successful. Therefore, the sensor information that is highly likely to be the cause of the actual device failure can be selected and transmitted, resulting in improved offloading performance and reduced response time. Compared to artificial intelligence technologies which need heavy data learning, the proposed scheme has the advantage of being able to quickly track optimal sensor combinations using light statistical calculations on the edge gateways which have limited computing resources. This study devised sensor candidate filtering in adaptive offloading model for fast data screening. The test results show that the fault prediction accuracy increased up to 89% in a public database.

한국어

IoT 센서 네트워크에서는 즉각적인 처리가 어려울 정도의 방대한 양의 데이터가 매 초마다 수집되므로, 상당한 양의 데이터를 미리 선별하고 무가치한 데이터를 신속히 제거하는 오프로딩 기술이 매우 중요하다. 본 연구에서는 개 별 센서로 부터 받은 데이터를 고장 패턴을 기준으로 복합적으로 해석하여, 센서 네트워크의 데이터 부하와 전송 부하 를 효율적으로 제어하는 복합 센서 컨텍스트 기반 다층 모델과 징후 패턴 기반 적응형 오프로딩 제어 기법을 제안한다. 즉, 해당되는 센서 입력들을 비교 가능한 형식으로 스케일링 패턴화 하고, 이를 그리드 패턴 매칭을 수행하여 컨텍스트 매칭 성공 여부를 결정한다. 따라서 실제 고장의 원인일 확률이 높은 센서 정보를 선별하고 전송하여 결과적으로 오프 로딩 성능을 향상시키고, 응답 지연 시간을 크게 줄일 수 있다. 그리고 대량의 데이터 학습이 필요한 인공지능 기법에 비해 제안 기법은 컴퓨팅 리소스가 제한된 에지 게이트웨이에서 가벼운 통계 계산을 사용하여 최적의 센서 조합을 신속하게 추적할 수 있다는 장점이 있다. 또한 빠른 데이터 스크리닝을 위해 적응형 오프로드 모델에서 센서 후보 필터 링을 고안하였다. 테스트 결과는 공개 데이터베이스에서 고장 예측 정확도가 최대 89%까지 증가함을 보였다.