知財求人 - 知財ポータルサイト「IP Force」
特開2020-4414高信頼ＩｏＴサービスのための知能型ＩｏＥエッジコンピューティングシステム
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】特開2020-4414(P2020-4414A)
(43)【公開日】2020年1月9日
(54)【発明の名称】高信頼ＩｏＴサービスのための知能型ＩｏＥエッジコンピューティングシステム
(51)【国際特許分類】
G06N 20/00 20190101AFI20191206BHJP
【ＦＩ】
G06N20/00ZIT
【審査請求】未請求
【請求項の数】15
【出願形態】ＯＬ
【全頁数】28
(21)【出願番号】特願2019-123150(P2019-123150)
(22)【出願日】2019年7月1日
(31)【優先権主張番号】10-2018-0075842
(32)【優先日】2018年6月29日
(33)【優先権主張国】KR
(31)【優先権主張番号】10-2019-0070365
(32)【優先日】2019年6月14日
(33)【優先権主張国】KR
(71)【出願人】
【識別番号】596180076
【氏名又は名称】韓國電子通信研究院
【氏名又は名称原語表記】Ｅｌｅｃｔｒｏｎｉｃｓ ａｎｄ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｒｅｓｅａｒｃｈ Ｉｎｓｔｉｔｕｔｅ
(74)【代理人】
【識別番号】100091982
【弁理士】
【氏名又は名称】永井 浩之
(74)【代理人】
【識別番号】100091487
【弁理士】
【氏名又は名称】中村 行孝
(74)【代理人】
【識別番号】100105153
【弁理士】
【氏名又は名称】朝倉 悟
(74)【代理人】
【識別番号】100107582
【弁理士】
【氏名又は名称】関根 毅
(74)【代理人】
【識別番号】100152205
【弁理士】
【氏名又は名称】吉田 昌司
(72)【発明者】
【氏名】キム、クィフン
(72)【発明者】
【氏名】イム、ワンソン
(72)【発明者】
【氏名】ホン、ヨングン
(57)【要約】 （修正有）
【課題】トラフィック分析及び予測可能な知能型ＩｏＥエッジコンピューティングシステムを提供する。【解決手段】自動構成型ＩｏＴ情報フレームワーク、エッジノード基盤の時系列データ予測及び決定技術及びこれに基づいたサービスであって、高信頼ＩｏＴサービスのための知能型ＩｏＥエッジコンピューティングシステム２００は、様々なアプリケーションに適用するためにモジュール化されたエッジコンピューティングエンティティ２１０〜２３０を有し、知能型トラフィックを分析及び予測するる。
【選択図】図２
【特許請求の範囲】
【請求項1】
端末エンティティへの接続を提供するエッジネットワーキングエンティティと、
エッジ分析機能を提供する知能型コンピューティングエンティティと、
外部機関への連動を行なうエッジゲートウェイエンティティと、及び
識別子を保存管理するエッジ識別子管理エンティティ
を含む知能型ＩｏＥエッジコンピューティングシステム。
エッジ分析機能を提供する知能型コンピューティングエンティティと、
外部機関への連動を行なうエッジゲートウェイエンティティと、及び
識別子を保存管理するエッジ識別子管理エンティティ
を含む知能型ＩｏＥエッジコンピューティングシステム。
【請求項2】
前記エッジネットワーキングエンティティは、異種無線技術を考慮して前記端末エンティティへの接続を提供する請求項１に記載の知能型ＩｏＥエッジコンピューティングシステム。
【請求項3】
前記知能型コンピューティングエンティティは、ＡＩサービスを通じて提供されるエッジ分析機能及びビッグデータ分析機能を提供する請求項１に記載の知能型ＩｏＥエッジコンピューティングシステム。
【請求項4】
前記エッジゲートウェイエンティティは、他のＩＥＣを含む外部機関への連動機能及びクラウドコンピューティングを利用したビッグデータ分析機能を提供する請求項１に記載の知能型ＩｏＥエッジコンピューティングシステム。
【請求項5】
前記エッジ識別子管理エンティティは、識別子をメタデータにマッピングして管理する請求項１に記載の知能型ＩｏＥエッジコンピューティングシステム。
【請求項6】
前記エッジネットワーキングエンティティは、前記端末エンティティから生データを収集して、収集結果を前記知能型コンピューティングエンティティに伝達し、前記知能型コンピューティングエンティティは、集計データを分析し、分析されたデータをビッグデータ分析サーバーに伝達する請求項１に記載の知能型ＩｏＥエッジコンピューティングシステム。
【請求項7】
前記知能型コンピューティングエンティティは、データ収集のエッジ分析により非正常的な状況または一部のイベントが予測されると、サービスプロファイルに既に定義されたアクションタイプへの要求メッセージを送信する請求項１に記載の知能型ＩｏＥエッジコンピューティングシステム。
【請求項8】
前記知能型コンピューティングエンティティは、サービスプロファイルを含む要求メッセージを送信し、サービスプロファイル確認により構築されたＡＩモデルが適用されてエッジ分析を行い、一定周期以降にビッグデータ分析サーバーで行われたモデルアップデートに応じて、前記モデルを適用する請求項１に記載の知能型ＩｏＥエッジコンピューティングシステム。
【請求項9】
センシングボックスからデータを収集するセンシングデータ収集部と、
前記収集されたデータに基づいて次の周期のデータを予測する予測部と、及び
前記予測部から予測されたデータを受信して、カメラから受信した映像の画質を決定する決定部
を含む知能型ＩｏＥエッジコンピューティングシステム。
前記収集されたデータに基づいて次の周期のデータを予測する予測部と、及び
前記予測部から予測されたデータを受信して、カメラから受信した映像の画質を決定する決定部
を含む知能型ＩｏＥエッジコンピューティングシステム。
【請求項10】
前記予測部は、ルール基盤の予測、機械学習基盤の予測、ディープラーニング基盤の予測の融合を通じて最小のコストに対する自動予測を行う請求項９に記載の知能型ＩｏＥエッジコンピューティングシステム。
【請求項11】
前記決定部は、ノイズ予測ウィンドウ内のサンプル値に対する計算または予測を行い、限界騒音及び画質変更敏感度、ネットワーク使用率制限基準値を超えるかどうかを考慮してビデオ画質に対する決定を行う請求項９に記載の知能型ＩｏＥエッジコンピューティングシステム。
【請求項12】
センシングボックスからデータを収集するセンシングデータ収集部と、
センシングデータを利用して機械学習トレーニングを処理する機械学習トレーニング処理モジュールと、及び
前記収集されたデータに基づいて次の周期のデータを予測する予測部
を含む知能型ＩｏＥエッジコンピューティングシステム。
センシングデータを利用して機械学習トレーニングを処理する機械学習トレーニング処理モジュールと、及び
前記収集されたデータに基づいて次の周期のデータを予測する予測部
を含む知能型ＩｏＥエッジコンピューティングシステム。
【請求項13】
前記センシングデータ収集部は、データを前記機械学習トレーニング処理モジュールに伝達させ、前記機械学習トレーニング処理モジュールは、学習された結果を機械学習モデルＤＢに保存する請求項１２に記載の知能型ＩｏＥエッジコンピューティングシステム。
【請求項14】
前記センシングデータ収集部は、ＤＢにデータを保存し、前記機械学習トレーニング処理モジュールは、一定のデータが蓄積された以降に処理した学習結果を機械学習モデルＤＢに保存する請求項１２に記載の知能型ＩｏＥエッジコンピューティングシステム。
【請求項15】
前記予測部は、機械学習モデルＤＢから最新の学習結果をロードして将来の値を予測し、予測された結果を決定部に伝達する請求項１２に記載の知能型ＩｏＥエッジコンピューティングシステム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、高信頼ＩｏＴサービスのための知能型ＩｏＥエッジコンピューティングシステムに関する。
【背景技術】
【0002】
ＩｏＴ環境はデバイス自体及び無線ネットワーク技術による制限的環境という問題がある。
【0003】
従来技術によると、ＩｏＴ環境で接続性を提供する技術が多様に提案されているが、様々なＥｄｇｅ／Ｆｏｇコンピューティング技術とともに、様々なＩｏＴサービス分野で開発された多くのＩｏＴプラットフォームが両立しているので、統合されたＩｏＴプラットフォームを提供できていない問題がある。
【発明の概要】
【発明が解決しようとする課題】
【0004】
本発明は、前述した従来技術の問題点を改善するために提案されたものであって、ＩｏＴサービスのための自動構成知能型ＩｏＴ情報フレームワーク（Ａｕｔｏｎｏｍｏｕｓ ｃｏｎｆｉｇｕｒａｂｌｅ Ｉｎｔｅｌｌｉｇｅｎｔ ＩｏＴ Ｉｎｆｏｒｍａｔｉｏｎ ｆｒａｍｅｗｏｒｋ）及びネットワーク制御技術を提案し、様々な応用に適用可能なモジュール化された知能型ＩｏＴ情報フレームワークを提案し、トラフィック分析及び予測可能な知能型ＩｏＥエッジコンピューティングシステムを提供することにその目的がある。
【課題を解決するための手段】
【0005】
本発明は、自動構成知能型ＩｏＴ情報フレームワーク（Ａｕｔｏｎｏｍｏｕｓ ｃｏｎｆｉｇｕｒａｂｌｅ Ｉｎｔｅｌｌｉｇｅｎｔ ＩｏＴ Ｉｎｆｏｒｍａｔｉｏｎ ｆｒａｍｅｗｏｒｋ）、エッジノード基盤の時系列データ予測及び決定技術（Ｅｄｇｅ ｎｏｄｅ ｂａｓｅｄ ｔｉｍｅ−ｓｅｒｉｅｓ ｄａｔａ ｐｒｅｄｉｃｔｉｏｎ ａｎｄ ｄｅｃｉｓｉｏｎ）及びこれに基づいたサービス（例：スマートＩｏＴ建設モニタリング）を提供する。
【0006】
本発明の実施例によると、受動的に事業者の要件に合わせてエッジコンピューティングを構成しなければならない従来技術とは異なり、事業者の要件を言語や写真などを通じて提供され、エッジコンピューティングを自動構成する特徴がある。
【0007】
また、サービス要件に合わせてｒｕｌｅ−ｂａｓｅｄ、ＭＬ−ｂａｓｅｄ、ＤＬ−ｂａｓｅｄ融合予測を通じて最小のｃｏｓｔで自動予測し、予測（ｐｒｅｄｉｃｔｉｏｎ）と決定（ｄｅｃｉｓｉｏｎ）をハイブリッド（ｈｙｂｒｉｄ）に適用して、政策基盤でトラフィックを制御する特徴がある。
【0008】
政策の例としては、トラフィックの最小化、コストの最小化（定量制、従量制）、ユーザー等級によるＱｏＳ制御、ｅｘａｃｔ ａｌａｒｍ ｄｅｔｅｃｔｉｏｎなどがある。
【0009】
本発明の実施例によると、サービス要件に合わせてｐｒｅｄｉｃｔｉｏｎ及びｄｅｃｉｓｉｏｎアルゴリズムを自動的に選択する特徴がある。
【0010】
また、本発明の実施例によると、スマート建設サービスだけではなく、様々なサービスに活用されることができ、スマート建設サービスではアップリンクトラフィックのためのビデオトラフィック制御サービスを提供することができる。
【0011】
知能型ＶＲキャッシュは、空間基盤ビデオトラフィック制御と画像認識を通じてユーザーが頻繁に見る所を高画質に、残りは低画質に送信するサービスを提供することができる。
【0012】
ＶＲ映像は、人々が特定の位置を見る確率が高く、例えば、格闘技試合のような場合、人を中心に視聴することになる。
【0013】
スマート交通サービスでは、自律走行車をターゲットにして移動性制御及びＱｏＳ制御を行うことができる。
【0014】
貴重品送信管制サービスでは、シームレスな映像サービスの提供が可能である。
【0015】
個人放送アップリンクサービスでは、マルチユーザーの等級に最適化されたアップリンクトラフィック制御が可能である。
【発明の効果】
【0016】
本発明によると、自動構成知能型情報フレームワーク、時系列基盤予測及び決定技術を提供することにより、知能型情報フレームワークを基盤とする様々なサービスへの拡張が可能な効果がある。
【0017】
本発明の実施例によると、民願の発生時に建設現場での騒音、振動、ガス数値及び現場の映像について、速やかに同期を合わせてオンラインで提供する知能型モノのインターネット現場ライブモニタリングサービスの提供が可能な効果がある。
【0018】
また、オーバーフロー（ｏｖｅｒｆｌｏｗ）を防止し、クラウドに現場の映像を効率的に保存する効果がある。
【0019】
本発明によると、過去の受動的なモニタリング方法から、能動的且つ即刻的な協業サービスに転換する効果があり、収集データをマシンラーニングの基礎データとして活用することが可能な効果がある。
【0020】
本発明の効果は、以上で言及したものに限定されず、言及されていない他の効果は以下の記載から当業者に明確に理解することができる。
【図面の簡単な説明】
【0021】
【図1】本発明の実施例に係る自動構成知能型ＩｏＴ情報フレームワークの構成図である。
【図2】本発明の実施例に係る知能型ＩｏＴエッジコンピューティングシステムのブロック図である。
【図3】本発明の実施例に係る知能型ＩｏＴエッジコンピューティングシステムの機能構成図である。
【図4】本発明の実施例に係る知能型ＩｏＴエッジコンピューティングシステムのリファレンスポイントを示す。
【図5】本発明の実施例に係るリファレンスポイントのｍｅｓｓａｇｅ ｆｏｒｍａｔを示す。
【図6】本発明の実施例に係るリファレンスポイントのｍｅｓｓａｇｅ ｓｐｅｃｉｆｉｃａｔｉｏｎを示す。
【図7】本発明の実施例に係る自動初期設定（ａｕｔｏｎｏｍｏｕｓ ｉｎｉｔｉａｌｉｚａｔｉｏｎ）処理のフローチャートを示す。
【図8】本発明の実施例に係る知能型データ処理のフローチャートを示す。
【図9】本発明の実施例に係る端末制御のための知能型データ処理のフローチャートを示す。
【図10】本発明の実施例に係るＭＬモデルアップデート処理のフローチャートを示す。
【図11】本発明の実施例に係るエッジノード基盤の時系列データ予測及び決定のための構成を示す。
【図12】本発明の実施例に係るエッジノード基盤の時系列データ予測及び決定過程を示す。
【図13a】本発明の実施例に係る決定（ｄｅｃｉｓｉｏｎ）アルゴリズムを示す。
【図13b】本発明の実施例に係る決定（ｄｅｃｉｓｉｏｎ）アルゴリズムを示す。
【図14】本発明の実施例に係るエッジノード基盤の時系列データ予測及び決定のためのトレーニング（ｔｒａｉｎｉｎｇ）及びサービング（ｓｅｒｖｉｎｇ）の構成を示す。
【図15】本発明の実施例に係るエッジノード基盤の時系列データ予測及び決定のためのトレーニング（ｔｒａｉｎｉｎｇ）及びサービング（ｓｅｒｖｉｎｇ）のフローチャートを示す。
【図16】本発明の実施例に係る知能型ＩｏＴ情報フレームワークを基盤とするスマートＩｏＴ建設モニタリングの構成図を示す。
【図17】本発明の実施例に係る知能型ＩｏＴ情報フレームワークを基盤とするスマートＩｏＴ建設モニタリングの構成図を示す。
【図18】本発明の実施例に係る知能型ＩｏＴ情報フレームワークを基盤とする知能型ＶＲキャッシュサービスの構成図である。
【図19】本発明の実施例に係る知能型ＩｏＴ情報フレームワークを基盤とする知能型ＶＲキャッシュサービスの活用を示す。
【発明を実施するための具体的な内容】
【0022】
本発明の前述した目的及びその他の目的と利点及び特徴、そしてそれらを達成する方法は添付される図面とともに詳細に後述される実施例を参照すれば明確になるであろう。
【0023】
しかし、本発明は、以下に開示される実施例に限定されるのではなく、異なる多様な形態で具現されることができ、単に以下の実施例は、本発明の属する技術分野において通常の知識を有する者に発明の目的、構成及び効果を容易に知らせるために提供されるだけであって、本発明の権利範囲は、請求項の記載によって定義される。
【0024】
一方、本明細書で使用される用語は、実施例を説明するためのものであって、本発明を制限するものではない。本明細書では、単数形は、文句で特に言及しない限り、複数形も含む。明細書で使用される「含む（ｃｏｍｐｒｉｓｅｓ／ｃｏｍｐｒｉｓｉｎｇ）」は、言及された構成素子、段階、動作、及び／または素子が１つ以上の他の構成素子、段階、動作、及び／または素子の存在または追加されることを排除しない。
【0025】
以下では、当業者の理解を助けるために、本発明の提案された背景について先に説明し、本発明の実施例については後述する。
【0026】
従来技術によると、ＩｏＴはデバイス自体及びネットワークの環境により制限的な環境を持つ。
【0027】
デバイス（ｔｈｉｎｇｓ）自体の制限的な環境は、ＣＰＵの性能及びメモリ容量の制限的な環境を意味する。
【0028】
ネットワークの場合、ＬＰＷＡ（ｌｏｗ ｐｏｗｅｒ ｗｉｄｅ ａｒｅａ ｎｅｔｗｏｒｋ）とＬＬＮ（ｌｏｗ ｐｏｗｅｒ ｌｏｓｓｙ ｎｅｔｗｏｒｋ）のような無線ネットワーク技術の制限的な環境を含む。
【0029】
従来技術によると、このようなＩｏＴ環境で接続性を提供するために、ＴＣＰ／ＩＰまたはＵＤＰ／ＩＰスタックを搭載してネットワーク及びデータ送信サービスを提供する。
【0030】
また、多くのＩｏＴデバイスにＩＰアドレスを割り当てるために、既存のインターネットプロトコルのＩＰｖ４ではなく、ＩＰｖ６を利用している。
【0031】
また、ＬＰＷＡのような新しい無線技術を搭載するようにＩＰｖ６層とＭＡＣ層との間のコンバージェンス層（ｃｏｎｖｅｒｇｅｎｃｅ ｌａｙｅｒ）を新たに開発し、標準化している。
【0032】
また、アプリケーション層のためには、ＨＴＴＰを軽く（ｌｉｇｈｔｗｅｉｇｈｔ）作成したＣｏＡＰなどの技術を提供する。
【0033】
今後は、様々なＩｏＴデバイスが増えるだろうし、この端末を通じて数多くのデータが発生すると予想される。
【0034】
このような数多くのデータを処理するために、拡張性があり、効果的なネットワーク及びコンピューティングプラットフォーム技術が必要である。
【0035】
これらのニーズに応じて、ユーザー及びＩｏＴデバイスの近くでデータを処理するためのエッジ／フォグコンピューティング（Ｅｄｇｅ／Ｆｏｇ ｃｏｍｐｕｔｉｎｇ）技術が大衆化されている。
【0036】
エッジコンピューティング（Ｅｄｇｅ ｃｏｍｐｕｔｉｎｇ）の場合、移動通信のためのＭｏｂｉｌｅ Ｅｄｇｅ ｃｏｍｐｕｔｉｎｇ（ＭＥＣ）技術がこれに該当する。
【0037】
これは、デバイス及びアクセスゲートウェイ（ａｃｃｅｓｓ ｇａｔｅｗａｙ）とベースステーション（ｂａｓｅ ｓｔａｔｉｏｎ）などでサービスに必要な機能を直接行なうことである。
【0038】
フォグコンピューティング（Ｆｏｇ ｃｏｍｐｕｔｉｎｇ）は、ＩｏＴデバイスとインターネットを通じて提供される中央クラウドコンピューティング構造との間に位置する分散型コンピューティングプラットフォームである。
【0039】
エッジコンピューティングとフォグコンピューティングは、並行して使われることが多く、以下でもエッジコンピューティングとフォグコンピューティング技術とを一緒に併記する。
【0040】
これらの様々なエッジ／フォグコンピューティング技術とともに、既存の様々なＩｏＴサービス分野の数多くのＩｏＴプラットフォームが両立する状況で、継続的にこれらを統合し互換性（Ｉｎｔｅｒ−Ｗｏｒｋｉｎｇ）を支援するための開発が行われている。
【0041】
具体的な例として、スマートシティ、スマートファクトリー、スマートヘルスケアなど多くのＩｏＴサービスがそれぞれ別途のＩｏＴプラットフォームを中心に開発されている。
【0042】
これにより、数多くのＩｏＴプラットフォームが乱立し、１つの共通した技術を共有しないことにより、開発及びメンテナンス費用が継続的に増加すると予想される。
【0043】
特にＩｏＴデバイスは、ゲートウェイ（ｇａｔｅｗａｙ）またはアクチュエータ（ａｃｔｕａｔｏｒ）とともに動作するように開発されて、特定の会社の製品とともに専用サービスのように固定されるという欠点がある。
【0044】
国際的な標準化を通じてＩｏＴプラットフォームの統合を支援するための活動があり、ｏｎｅＭ２Ｍ及びＯＣＦのＩｏＴｉｖｉｔｙなどのプラットフォームも開発されているが、依然として統合されたＩｏＴプラットフォームと言えない状況である。
【0045】
結論としては、単にインターネットのようなＩＰ技術であるＩＰｖ６、ＣｏＡＰ、そして中央のクラウドサーバー技術だけを持って数多くのＩｏＴ端末及びデータを処理することはできず、拡張性のある接続性支援をできないという限界がある。
【0046】
また、既に存在するＩｏＴプラットフォームもまた異なる技術及びサービスドメインに特化されて開発されたもので、これを統合するソリューション開発が難しい問題点がある。
【0047】
したがって多くのＩｏＴデバイスのリソースの制約環境及びネットワーク制約的な環境での効果的な接続性と移動性を支援し、このようなデバイスで発生される数多くのデータを分散された構造を通じて収集及び処理する技術が必要である。
【0048】
また、既存のＩｏＴプラットフォームまたはクラウドサーバーなどの技術との互換性のために、ウェブのようなアプリケーションサービスで使用するＲＥＳＴｆｕｌのような簡単なメッセージ技法を通じて、ネットワーク及び保安などの機能を提供し、様々なサービスドメインに適用できる統合的なフレームワークが必要である。
【0049】
特に、スマート建設分野では、政府主導の下に複数の建設会社がモノのインターネットとスマートホーム技術開発を共同で行なうアライアンスを結んでいる。
【0050】
サムスン電子とＬＧ電子、コーウェイ（Ｃｏｗａｙ）、クチェン（Ｃｕｃｈｅｎ）などの家電メーカーを始めとして、通信会社であるＳＫＴ、ＫＴだけではなく、エムディエス（ＭＤＳ）テクノロジー、三栄Ｓ＆Ｃ、ワイズナット、韓国土地住宅公社（ＬＨ）、ソウル住宅公社（ＳＨ）などのスマートホーム関連企業が参加している。
【0051】
これらは、今後、スマートホームプラットフォーム間の相互運用性と連携のために協力し、公共情報の活用及びスマートホームビジネスモデルの開発に参加している。
【0052】
これらの基盤の上に、スマート建設などに対する技術も継続的に開発されている。
【0053】
住宅・建築・土木・プラントなどの各種建設現場にモノのインターネットを導入し、モバイル・ウェアラブル機器、ドローン（無人飛行装置）などを活用して工程全般をリアルタイムで管理するシステムに拡張される。
【0054】
インターネット事業者と建設会社との相互技術を融合して、スマート建設に対するサービスを提供しており、建設現場の空気質の情報をリアルタイムで提供する技術及びサービスなどを提供している。
【0055】
これは周辺の住民に建設現場での様々な民願などについて、事前予防次元の技術を披露している。
【0056】
既存のエッジコンピューティングは、クラウドコンピューティングをエッジに下げてディレイ（ｄｅｌａｙ）が減少し、クラウドに送る不要なトラフィックが減少し、保安が強化される特徴がある。
【0057】
しかし、事業者ごとに様々なサービス要件を満たすためには、別途の技術コンサルティングを受けて構成しなければならないという困難があり、機械学習の技法も各サービスごとに散発的に適用されるという問題点がある。
【0058】
本発明は、前述した問題点を解決するために提案されたものであって、ＩｏＴサービスのための自動構成ＩｏＴ情報フレームワーク（ａｕｔｏｎｏｍｏｕｓ ｃｏｎｆｉｇｕｒｅｄ ＩｏＴ ｉｎｆｏｒｍａｔｉｏｎ ｆｒａｍｅｗｏｒｋ）と情報知能化ネットワーク制御（ｉｎｆｏｒｍａｔｉｏｎ ｉｎｔｅｌｌｉｇｅｎｃｅ ｎｅｔｗｏｒｋ ｃｏｎｔｒｏｌ）システムを提供する。
【0059】
また、様々なアプリケーションに適用するためのモジュール化された知能型ＩｏＴ情報フレームワークを提供し、知能型トラフィック分析及び予測を行なう技術的特徴がある。
【0060】
本発明の実施例によると、１）知能型ＩｏＴ情報フレームワーク、２）エッジノード基盤の時系列データ予測及び決定、３）これらの技術を基盤とする様々なサービス（例：エッジ技術の再利用性を考慮したスマート建設モニタリングシステム）の提供が可能である。
【0061】
本発明の実施例による知能型ＩｏＴ情報フレームワークは、ＩｏＴデバイスデータ及びデータ分析結果処理された情報をクラウドサーバーに送信するゲートウェイを含む。
【0062】
本発明の実施例によると、知能型ＩｏＥエッジコンピューティングの構造、手順、構成、及び動作について提案する。
【0063】
本発明の実施例によると、知能型ＩｏＴ情報フレームワーク装置を通じて、様々なセンサーから情報を収集し、統計分析及び機械学習を通じて、現場の状況を分析した後、現場を照らしているネットワークカメラの送出画質を選択して、ネットワークの使用量を節約することが可能である。
【0064】
例示として建設現場に適用することができ、騒音、振動、ガス情報を観察して基準値に達した場合、高画質映像を送出するサービスを提供し、保安システムとして動き感知センサー、人体感知センサーなどにより侵入者を検知した後、高画質映像を送出する。
【0065】
本発明の実施例によると、センサーに追加のプロトコルスタックやアプリケーションプログラムを設けなくても、ＩｏＴゲートウェイのインストールのみで動作が可能である。
【0066】
また、従来技術によるクラウド基盤ＩｏＴサービスに比べて保安性が向上し、サーバー維持費用の節減が可能であり、様々なクラウドサービスと連動可能な効果がある。
【0067】
１０１０以上のデバイス（ｔｈｉｎｇｓ）に拡張性、移植性、そしてリアルタイム（ｌｏｗ ｌａｔｅｎｃｙ）接続性を提供する情報中心ネットワーク基盤のＥｄｇｅ／Ｆｏｇ知能型ネットワークプラットフォームを基盤に、分散されたＥｄｇｅ／Ｆｏｇ知能型ネットワークプラットフォームを管理し制御する機能を含む知能型ＩｏＥ情報フレームワークについて提供する。
【0068】
Ｅｄｇｅ／Ｆｏｇ知能型ネットワークプラットフォームを基盤にデバイス（ｔｈｉｎｇｓ）から発生する情報を収集、保存、処理し、デバイスを制御したりクラウドサーバーに分析結果を送信することが可能である。
【0069】
本発明によると、直接デバイスネットワーキング（ｔｈｉｎｇ ｎｅｔｗｏｒｋｉｎｇ）区間を通じて直接デバイスとの接続性を支援する。
【0070】
様々な形態と環境を持つデバイスの接続性を支援するために、拡張性、リアルタイム性（ｌｏｗ ｌａｔｅｎｃｙ）、移動性などを支援するためのｅｄｇｅ／ｆｏｇ ｃｏｍｐｕｔｉｎｇ形態のネットワーク構造を提供する。
【0071】
収集されたデータの知能型処理のために機械学習及び強化学習のためのコンポーネントを搭載してｌｏｗ−ｌａｔｅｎｃｙ及びｔｉｍｅ−ｃｒｉｔｉｃａｌなＩｏＥサービスを支援する効果がある。
【0072】
図１は、本発明の実施例に係る自動構成知能型ＩｏＴ情報フレームワークの構成図である。
【0073】
本発明の実施例に係る知能型ＩｏＴ情報フレームワーク（ｉｎｔｅｌｌｉｇｅｎｔ ＩｏＴ ｉｎｆｏｒｍａｔｉｏｎ ｆｒａｍｅｗｏｒｋ）は、自体的に人工知能（ＡＩ）サービスを提供し、ビッグデータ分析を通じてエッジ分析を行なう知能型データ処理装置である。
【0074】
エッジ分析を支援するために、データ収集、動的ストレージ及びリアルタイムデータ処理を含む知能型データ処理を通じて、データ活用率を高めなければならず、特に分析モデルは周期的に更新しなければならない。
【0075】
本発明の実施例に係る自動構成知能型ＩｏＴ情報フレームワークの技術的特徴は、マイクロサービス基盤再構成、ＱｎＡ／Ｏｂｊｅｃｔインタフェース、音声及び映像認識基盤エッジコンピューティングの構成、Ｃｏｒｅ知能型ＩｏＥ情報フレームワークである。
【0076】
本発明の実施例によると、ドメインサービス事業者の特定の要件がある場合、音声及び映像認識を通じて自動的にドメインサービスに適した知能型情報フレームワーク（ｉｎｔｅｌｌｉｇｅｎｔ ｉｎｆｏｒｍａｔｉｏｎ ｆｒａｍｅｗｏｒｋ）構成を要求する。
【0077】
図１を参照すると、本発明の実施例に係る自動構成知能型ＩｏＴ情報フレームワークは、音声／映像認識及び分析モジュール２０、自動ドメイン構成分析モジュール（３０、ａｕｔｏｎｏｍｏｕｓ ｄｏｍａｉｎ ｃｏｎｆｉｇｕｒａｔｉｏｎ ａｎａｌｙｚｅｒ）、Ｃｏｒｅ知能型情報フレームワーク（４０、Ｃｏｒｅ Ｉｎｔｅｌｌｉｇｅｎｔ Ｉｎｆｏｒｍａｔｉｏｎ Ｆｒａｍｅｗｏｒｋ）で構成される。
【0078】
音声認識及び分析モジュール２０は、サービスプロバイダ１０から、ドメイン事業者の要件を音声で受信する。
【0079】
例えば、「アラームを認識したい」、「映像トラフィック消耗が多いのでトラフィックを減少させてコストを節減したい」などと音声でサービス要件を受信する。
【0080】
音声認識部（２１、ｖｏｉｃｅ ｒｅｃｏｇｎｉｔｉｏｎ）を通じて受信された音声は、ＱｎＡ Ｉ／Ｆによりコンテキスト分析モジュール（２３、Ｃｏｎｔｅｘｔ ａｎａｌｙｚａｔｉｏｎ）に伝達され、コンテキスト分析モジュール２３は、形態素解析によりドメインサービス要件を分析する。
【0081】
分析されたサービス要件は、自動ドメイン構成分析モジュール３０に伝達される。
【0082】
また、映像認識及び分析モジュール２０は、サービスプロバイダ１０の現在の機器及びサービス状況を映像を通じて認識する。
【0083】
例えば、「センサー類」、「クラウド機器」、「管理画面」、「アクセス機器」などが含まれた映像を送れば、画像認識部（２２、ｉｍａｇｅ ｒｅｃｏｇｎｉｔｉｏｎ）は、該当機器などの構成要素に対するオブジェクト（ｏｂｊｅｃｔ）を自動的に認識する。
【0084】
認識されたオブジェクトは、Ｏｂｊｅｃｔ Ｉ／Ｆを通じてオブジェクト分析モジュール（２４、Ｏｂｊｅｃｔ ａｎａｌｙｚａｔｉｏｎ）に提供される。
【0085】
オブジェクト分析モジュール２４は、該当オブジェクトの種類、スペックなどのデバイス／クラウド要件を分析する。
【0086】
分析されたデバイス／クラウド要件は、自動ドメイン構成分析モジュール３０に伝達される。
【0087】
自動ドメイン構成分析モジュール３０は、収集されたサービス、デバイス、クラウド要件を参考して、ドメインサービスプロバイダに「適切なＣｏｒｅ知能型情報フレームワーク機器の構成」を要求する。
【0088】
Ｃｏｒｅ知能型情報フレームワーク４０は、様々なマイクロサービス（ＭＳ、Ｍｉｃｒｏ Ｓｅｒｖｉｃｅ）の形態で構成されるので、再構成されることが可能である。
【0089】
自動ドメイン構成分析モジュール３０は、要求事項に応じて適切なマイクロサービスをインボーク（ｉｎｖｏｋｅ）し、自動構成知能型ＩｏＴ情報フレームワークに動作する。
【0090】
以下では、図２を参照してＣｏｒｅ知能型情報フレームワーク４０の構成を説明する。
【0091】
図２は、本発明の実施例に係る知能型ＩｏＴエッジコンピューティングシステムのブロック図である。
【0092】
本発明の実施例によると、エッジネットワーキングエンティティ（２１０、ＥｄｇｅＮｅｔｗｏｒｋｉｎｇ Ｅｎｔｉｔｙ、ＥＮＥ）、知能型コンピューティングエンティティ（２２０、Ｉｎｔｅｌｌｉｇｅｎｔ Ｃｏｍｐｕｔｉｎｇ Ｅｎｔｉｔｙ、ＩＣＥ）、エッジゲートウェイエンティティ（２３０、Ｅｄｇｅ Ｇａｔｅｗａｙ Ｅｎｔｉｔｙ、ＥＧＥ）及びエッジ識別子管理エンティティ（２４０、Ｅｄｇｅ Ｉｄｅｎｔｉｆｙ Ｅｎｔｉｔｙ、ＥＭＥ）を含む。
【0093】
基本的に知能型エッジコンピューティングシステム２００は、端末エンティティ（１００、Ｔｅｒｍｉｎａｌ Ｅｎｔｉｔｙ、ＴＥ）とインターネット、クラウドコンピューティングでのビッグデータ分析を行なうビッグデータ分析サーバー３００との間に配置される。
【0094】
エッジネットワーキングエンティティ２１０は、異種無線技術及びリソースの制約環境を考慮しなければならない端末エンティティ１００への接続を提供する。
【0095】
したがって、様々な無線技術及び端末エンティティ１００と知能型エッジコンピューティングシステム２００との間のプロトコルに対して具現される。
【0096】
知能型コンピューティングエンティティ２２０は、ＡＩサービスを通じて提供されるエッジ分析機能を自体的に提供したり、クラウドコンピューティングのビッグデータ分析のようなその他の分析機能を提供する。
【0097】
知能型コンピューティングエンティティ２２０は、情報収集を通じてデータ分析機能を行い、エッジ分析の他にも分析結果を通じて端末エンティティ１００を制御する。
【0098】
知能型コンピューティングエンティティ２２０は、データ収集のエッジ分析により非正常的な状況または一部のイベントが予測されれば、サービスプロファイルに既に定義されたアクションタイプへの要求メッセージを送信する。
【0099】
エッジゲートウェイエンティティ２３０は、他のＩＥＣを含む外部機関への連動機能を提供し、クラウドコンピューティングを利用してビッグデータ分析機能を提供する。
【0100】
エッジ識別子管理エンティティ２４０は、データ名をＩＤとして含む端末エンティティ１００、エッジネットワーキングエンティティ２１０、知能型コンピューティングエンティティ２２０及びエッジゲートウェイエンティティ２３０のＩＤの種類を保存／管理する。
【0101】
エッジ識別子管理エンティティ２４０は、これらの識別子を知能型エッジコンピューティングシステム２００及びエッジゲートウェイエンティティ２３０の位置に該当するメタデータにマッピングする。
【0102】
したがって、端末エンティティ１００のモビリティのようなモビリティ管理を行う。
【0103】
本発明の実施例によると、知能型情報処理管理部（ｏｒｃｈｅｓｔｒａｔｏｒ）、データ保存部（ＤＢ）、リワード及びアクション部が含まれる。
【0104】
図３は、本発明の実施例に係る知能型ＩｏＴエッジコンピューティングシステムの機能構成図である。
【0105】
図３を参照すると、エッジネットワーキングエンティティ２１０ａ、知能型コンピューティングエンティティ２２０ａ、エッジゲートウェイエンティティ２３０ａには様々な機能ブロックが含まれる。
【0106】
エッジネットワーキングエンティティ２１０ａの端末エンティティ制御及び管理機能、データ収集機能、知能型コンピューティングエンティティ２２０ａのデータ分析機能、エッジ分析モデル機能、保存管理機能、データａｇｇｒｅｇａｔｉｏｎ機能、エッジゲートウェイエンティティ２３０ａのフォワード管理機能は、データプロセッシングと関連した機能である。
【0107】
エッジネットワーキングエンティティ２１０ａの端末エンティティ識別子管理機能、知能型コンピューティングエンティティ２２０ａのエッジネットワーキングエンティティ識別子管理機能、エッジゲートウェイエンティティ２３０ａの知能型エッジコンピューティング識別子管理機能は、識別子管理と関連した機能である。
【0108】
エッジネットワーキングエンティティ２１０ａの端末エンティティリンク管理機能、知能型コンピューティングエンティティ２２０ａのＰＵＬＬメッセージ管理機能、ＰＵＳＨメッセージ管理機能、エッジゲートウェイエンティティ２３０ａのインターネットワーキング管理機能は、エッジネットワークと関連した機能である。
【0109】
図４は、本発明の実施例に係る知能型ＩｏＴエッジコンピューティングシステムのリファレンスポイントを示す。
【0110】
リファレンスポイントは、大きくＤｘ，Ｃｘ，Ｕｘの３種類がある。
【0111】
Ｄｘは、データフローを担当するリファレンスポイントであって、Ｄａ、Ｄｂ、Ｄｃ、Ｄｂ、Ｄｅ、Ｄｆ、Ｄｇがある。
【0112】
Ｄａは、端末エンティティ１００と生データ（ｒａｗ ｄａｔａ）を収集するためのエッジネットワーキングエンティティ２１０ａのデータ収集機能間のインターフェースである。
【0113】
Ｄｂは、エッジネットワーキングエンティティ２１０ａのデータ収集機能と知能型コンピューティングエンティティ２２０ａのデータａｇｇｒｅｇａｔｉｏｎ機能との間のインタフェースである。
【0114】
Ｄｃは、知能型コンピューティングエンティティ２２０ａのデータａｇｇｒｅｇａｔｉｏｎ機能とエッジゲートウェイエンティティ２３０ａのフォワード管理機能との間のインターフェースである。
【0115】
Ｄｄは、知能型コンピューティングエンティティ２２０ａのデータａｇｇｒｅｇａｔｉｏｎ機能と知能型コンピューティングエンティティ２２０ａのストレージ管理機能との間のインターフェースである。
【0116】
Ｄｅは、知能型コンピューティングエンティティ２２０ａのデータａｇｇｒｅｇａｔｉｏｎ機能と知能型データ分析機能との間のインタフェースである。
【0117】
Ｄｆは、知能型コンピューティングエンティティ２２０ａのデータ分析機能とストレージ管理機能との間のインターフェースである。
【0118】
Ｄｇは、知能型コンピューティングエンティティ２２０ａのデータ分析機能とエッジゲートウェイエンティティ２３０ａのフォワード管理機能との間のインターフェースである。
【0119】
Ｄｈは、エッジゲートウェイエンティティ２３０ａのフォワード管理機能とクラウドに位置するビッグデータ分析サーバー３００との間のインターフェースであり、Ｄｉは、エッジゲートウェイエンティティ２３０ａのフォワード管理機能と他のＩＥＣ２００ｂとの間のインターフェースである。
【0120】
Ｃｘは、制御フローを担当するリファレンスポイントとしてＣａ、Ｃｂがある。
【0121】
Ｃａは、エッジネットワーキングエンティティ２１０ａの端末エンティティ制御及び管理機能と知能型コンピューティングエンティティ２２０ａのデータ分析機能との間のインタフェースである。
【0122】
Ｃｂは、エッジネットワーキングエンティティ２１０ａの端末エンティティ制御及び管理機能と端末エンティティ１００との間のインターフェースである。
【0123】
Ｕｘは、モデルアップデートを担当するリファレンスポイントとしてＵａ、Ｕｂがある。
【0124】
Ｕａは、知能型コンピューティングエンティティ２２０ａのエッジ分析モデル機能とエッジゲートウェイエンティティ２３０ａのフォワード管理機能との間のインターフェースである。
【0125】
Ｕｂは、知能型コンピューティングエンティティ２２０ａのデータ分析機能とエッジ解析モデル機能との間のインタフェースである。
【0126】
図５は、本発明の実施例に係るリファレンスポイントのｍｅｓｓａｇｅ ｆｏｒｍａｔを示し、図６は、本発明の実施例に係るリファレンスポイントのｍｅｓｓａｇｅ ｓｐｅｃｉｆｉｃａｔｉｏｎを示す。
【0127】
メッセージは、Ｔｙｐｅ−Ｌｅｎｇｔｈ−Ｖａｌｕｅ（ＴＬＶ）エンコードフォーマットを利用し、ｔｙｐｅとｌｅｎｇｔｈフィールドは２ｂｙｔｅでエンコードされる。
【0128】
図７は、本発明の実施例に係る自動初期設定（ａｕｔｏｎｏｍｏｕｓ ｉｎｉｔｉａｌｉｚａｔｉｏｎ）処理のフローチャートを示す。
【0129】
知能型エッジコンピューティングの構成であるエッジネットワーキングエンティティ２１０、知能型コンピューティングエンティティ２２０、エッジゲートウェイエンティティ２３０は、エッジ識別子管理エンティティ２４０と制御チャネルを通じて接続される（Ｓ７０５）。
【0130】
端末エンティティ１００は、ＵＲＩタイプのような階層名（ｈｉｅｒａｒｃｈｉｃａｌ ｎａｍｅ）を利用して識別子を生成する（Ｓ７１０）。
【0131】
端末エンティティ１００は、エッジネットワーキングエンティティ２１０に接続性（ｃｏｎｎｅｃｔｉｖｉｔｙ）への要求を送信する（Ｓ７１５）。
【0132】
エッジネットワーキングエンティティ２１０は、端末エンティティ１００の識別子をテーブルに保存する（Ｓ７２０）。
【0133】
エッジネットワーキングエンティティ２１０は、端末エンティティ１００の識別子への登録メッセージを知能型コンピューティングエンティティ２２０に送信し、エッジネットワーキングエンティティ２１０の識別子を送信する（Ｓ７２５）。
【0134】
知能型コンピューティングエンティティ２２０は、端末エンティティ１００及びエッジネットワーキングエンティティ２１０の識別子を保存する（Ｓ７３０）。
【0135】
知能型コンピューティングエンティティ２２０は、端末エンティティ１００、エッジネットワーキングエンティティ２１０、知能型コンピューティングエンティティ２２０の識別子への登録要求を送信する（Ｓ７３５）。
【0136】
エッジ識別子管理エンティティ２４０は、端末エンティティ１００、エッジネットワーキングエンティティ２１０の識別子、知能型コンピューティングエンティティ２２０の識別子をマッピングさせて保存し（Ｓ７４０）、登録要求への応答を端末エンティティ１００に送信する（Ｓ７４５）。
【0137】
これにより、端末エンティティ１００とエッジネットワーキングエンティティ２１０との間の接続性が設定される（Ｓ７５０）。
【0138】
図８は、本発明の実施例に係る知能型データ処理のフローチャートを示す。
【0139】
端末エンティティ１００は、一部のトリガイベントを通じて生データ（または単一単位データ）を生成する（Ｓ８０５）。
【0140】
端末エンティティ１００は、生データをエッジネットワーキングエンティティ２１０に伝達する（Ｓ８１０）。
【0141】
このとき、分割された生データは、端末エンティティ１００とエッジネットワーキングエンティティ２１０との接続を通じて、エッジネットワーキングエンティティ２１０により収集される（Ｓ８１５）。
【0142】
エッジネットワーキングエンティティ２１０は、分割されたデータを収集する。
【0143】
エッジネットワーキングエンティティ２１０は、収集されたデータを知能型コンピューティングエンティティ２２０に伝達する（Ｓ８２０）。
【0144】
知能型コンピューティングエンティティ２２０は、集計データを分析し（Ｓ８２５）、分析結果をエッジゲートウェイエンティティ２３０に伝達する（Ｓ８３０）。
【0145】
集計データは、ストレージに保存したり、ストリームデータ処理によって直接分析されても良い。
【0146】
集計データは、まずデータの品質及び抽出、変換、ロードのような前処理段階に処理される。
【0147】
また、正規化されたデータは、ＡＩモデルを利用して処理される。
【0148】
例えば、将来のイベントを予測するためにＭＬ予測モデルをエッジ分析に適用することができる。
【0149】
エッジ分析の結果、知能型コンピューティングエンティティ２２０は、分析されたデータをビッグデータ分析サーバー３００に伝達する。
【0150】
このとき、ＭＬ予測の結果により伝達データを制御して、ビデオトランスコーディング機能のような種類のビデオ品質適応機能を使用して、知能型コンピューティングエンティティ２２０とビッグデータ分析サーバー３００との間のトラフィックの負荷を減らす。
【0151】
分析されたエッジデータは、知能型コンピューティングエンティティ２２０のストレージ機能を通じて保存される（Ｓ８３５）。
【0152】
ビッグデータ分析結果は、ＡＩモデルアップデートなどの新機能で確認することができる（Ｓ８４０）。
【0153】
図９は、本発明の実施例に係る端末制御のための知能型データ処理のフローチャートを示す。
【0154】
データ収集のエッジ分析によると、非正常的な状況または一部のイベントが予測される（Ｓ９０５）。
【0155】
知能型コンピューティングエンティティ２２０は、要求メッセージを送信して処理を行なう（Ｓ９１０）。
【0156】
このとき、サービスプロファイルとして定義できる処理の類型がある。
【0157】
例えば、ビデオ保安監視システムの場合には、知能型コンピューティングエンティティ２２０が、保安監視カメラを直接制御することができる。
【0158】
端末エンティティ１００は、即刻的な措置を取るが（Ｓ９１５）、例えば、カメラは予測時間に応じて高品質のビデオを直接エンコードすることができる。
【0159】
端末エンティティ１００は、要求への応答を知能型コンピューティングエンティティ２２０に送信する（Ｓ９２０）。
【0160】
図１０は、本発明の実施例に係る機械学習（ＭＬ）モデルアップデート処理のフローチャートを示す。
【0161】
エッジ分析を達成する前に、知能型コンピューティングエンティティ２２０は、クラウドサーバーまたはモデルストレージに対するビッグデータ分析を通じてＡＩモデルを要求する（Ｓ１００５）。
【0162】
知能型コンピューティングエンティティ２２０は、ＡＩモデルにサービスプロファイルを含む要求メッセージを送る（Ｓ１０１０）。
【0163】
サービスプロファイルを確認することにより、適切なＡＩモデルがビッグデータ分析サーバー３００やモデルストレージに構築される（Ｓ１０１５）。
【0164】
ビッグデータ分析サーバー３００は、要求への応答を送信するが（Ｓ１０２０）、これはＡＩモデルと媒介変数を添付する要求に対する応答である。
【0165】
知能型コンピューティングエンティティ２２０は、モデルを適用してエッジ分析を行う（Ｓ１０２５）。
【0166】
適切な周期が経過すると、ビッグデータ分析サーバー３００でモデルアップデートを行なう（Ｓ１０３０）。
【0167】
知能型コンピューティングエンティティ２２０は、新しいＡＩモデルを明示的に要求することができる。
【0168】
知能型コンピューティングエンティティ２２０は、モデルを適用する（Ｓ１０３５）。
【0169】
図１１は、本発明の実施例に係るエッジノード基盤の時系列データ予測及び決定のための構成を示す。
【0170】
本発明の実施例に係るエッジノード基盤の時系列データ予測及び決定の構成は、１）Ｒｕｌｅ−ｂａｓｅｄ、ＭＬ ｂａｓｅｄ、ＤＬ−ｂａｓｅｄの融合予測、２）Ｈｙｂｒｉｄ ｐｒｅｄｉｃｔｉｏｎ及びｄｅｃｉｓｉｏｎアルゴリズム、３）政策基盤トラフィック制御の実行、トラフィックの最小化、コストの最小化（定量制、従量制）、サービスｑｕａｌｉｔｙ満足の特徴がある。
【0171】
図１１を参照すると、本発明の実施例に係るエッジノード基盤の時系列データ予測及び決定のための構成は、センシングボックス１１０、カメラ１２０、エッジコンピューティングシステム２００、クラウドサーバー４００を含んで構成される。
【0172】
センシングボックス１１０は、振動センサー、騒音センサー、ガスセンサーなど複数のセンサーの集合である。
【0173】
センシングボックス１１０は、騒音、振動、ガスなどの様々なセンサーの情報をエッジコンピューティングシステム２００に提供する。
【0174】
カメラ１２０は、ＦＨＤ級で工事現場の映像をリアルタイムで撮影してエッジコンピューティングシステム２００に提供する。
【0175】
エッジコンピューティングシステム２００は、ＩｏＥ情報処理機能だけではなく、デバイスネットワーク（Ｔｈｉｎｇｓ ｎｅｔｗｏｒｋ）からデータを提供されるための接続性を提供する。
【0176】
また、各フレームワークの構成ノード及びコンポーネント間のネットワークプラットフォームとして動作する。
【0177】
また、インターネット上に存在するクラウドサーバーなどとのネットワークを提供するプラットフォームとして動作する。
【0178】
エッジコンピューティングシステム２００は、センシングデータ収集部（２５０、ｓｅｎｓｉｎｇ ｄａｔａ ｃｏｌｌｅｃｔｉｏｎ）、予測部（２６０、ｓｔａｔｉｃ ｐｒｅｄｉｃｔｉｏｎ、ＭＬ−ｂａｓｅｄ ｐｒｅｄｉｃｔｉｏｎ）、決定部（２７０、ｄｅｃｉｓｉｏｎ）、ビデオクオリティ適用部（２８０、ｖｉｄｅｏ ｑｕａｌｉｔｙ ａｄａｐｔａｔｉｏｎ）を含む。
【0179】
クラウドサーバー４００は、ＡＷＳ ＩｏＴを通じてセンサー情報を受けたり、ＲＴＭＰを通じてビデオ情報を受ける。
【0180】
図１２は、本発明の実施例に係るエッジノード基盤の時系列データ予測及び決定過程を示す。
【0181】
本発明の実施例によると、図１２に示すような手順により、センサー１１０から発生されるデータ（ｒａｗ ｄａｔａまたはｓｉｎｇｌｅ ｕｎｉｔ ｄａｔａ）が処理される。
【0182】
センサー１１０を通じて入ってきたデータは、センシングデータ収集部２５０を経てＤＢ２９１に保存される（Ｓ１２０１、Ｓ１２０２）。
【0183】
また、センシングデータ収集部２５０から予測部２６０にデータが送信される（Ｓ１２０３）。
【0184】
予測部２６０は、収集されたデータに基づいて次の周期のデータを予測し、予測されたデータを決定部２７０に伝達する（Ｓ１２０４）。
【0185】
決定部２７０は、後述する図１３のアルゴリズムに応じて、高画質でビデオデータを送信するか、低画質でビデオデータを送信するかを判断し、判断した結果をビデオクオリティ適用部２８０に伝達する（Ｓ１２０５）。
【0186】
ビデオクオリティ適用部２８０は、決定部２７０から受信した結果に応じて、ビデオのクオリティを適用し（Ｓ１２０６）、ビデオデータをクラウドサーバーに送出する。
【0187】
決定のための予測アルゴリズムは次の通りであり、本発明の実施例によると、複数のアルゴリズムのうち最適なアルゴリズムが選択される。
【0188】
ルールベースアルゴリズム（Ｒｕｌｅ ｂａｓｅｄ ａｌｇｏｒｉｔｈｍ）は、Ｌａｓｔ Ｖａｌｕｅ（ＬＶ）、Ｍｏｖｉｎｇ Ａｖｅｒａｇｅ（ＭＡ）が含まれる。
【0189】
機械学習アルゴリズム（Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ｂａｓｅｄ ａｌｇｏｒｉｔｈｍ）には、Ｍｕｌｔｉ Ｖａｒｉａｂｌｅ Ｒｅｇｒｅｓｓｉｏｎ Ｐｒｅｄｉｃｔｉｏｎ（ＭＶ＿ＲＰ）が含まれる。
【0190】
ディープラーニングアルゴリズム（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ ｂａｓｅｄ ａｌｇｏｒｉｔｈｍ）は、Ｍｕｌｔｉ Ｖａｒｉａｂｌｅ Ｒｅｇｒｅｓｓｉｏｎ Ｐｒｅｄｉｃｔｉｏｎ（ＭＶ＿ＲＰ）、Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ（ＬＳＴＭ）、Ｇｅｎｅｒａｌ Ｒｅｃｕｒｒｅｎｔ Ｕｎｉｔ（ＧＲＵ）が含まれる。
【0192】
図１３ａは、ＳＡ−ＤＣＳ（Ｓｔａｔｉｃ Ａｌａｒｍ ｂａｓｅｄ Ｄａｔａ ｔｒａｎｓｍｉｓｓｉｏｎ Ｃｏｎｔｒｏｌ Ｓｃｈｅｍｅ）によるものであり、図１３ｂは、ＤＡ−ＤＣＳ（Ｄｙｎａｍｉｃ Ａｌａｒｍ ｂａｓｅｄ Ｄａｔａ ｔｒａｎｓｍｉｓｓｉｏｎ Ｃｏｎｔｒｏｌ Ｓｃｈｅｍｅ）によるものである。
【0193】
図１３ａ及び図１３ｂのパラメータとして、Ｓは限界騒音（ｄＢ）、Ｃは画質変更敏感度（０＜Ｃ＜１）、Ｎｓは毎秒サンプリング回数、Ｔｗはノイズ予測ウィンドウサイズ（ｓｅｃ）、Ｔｄは画質減少基準時間（ｓｅｃ）、Ｕｔｈはネットワーク使用率制限基準値（Ｋｂｐｓ）、ＦＮｔｈはＦａｌｓｅ ｎｅｇａｔｉｖｅ数制限基準値（回数）である。
【0194】
図１３ａを参照すると、サンプリングデータを受信し（Ｓ１３０１）、今後Ｔｗ秒間の騒音レベル（ｓ１、ｓ２、．．．ｓＴｗ＊Ｎｓ）を計算する（Ｓ１３０２）。
【0195】
騒音レベル計算結果が限界騒音及び画質変更敏感度の演算結果よりも大きく、現在までのネットワーク使用率がネットワーク使用率制限基準値よりも小さいかどうかを確認する（Ｓ１３０３）。
【0196】
Ｓ１３０３段階でｙｅｓの場合は、ｔ’（Ｍａｘ（ｓｉ）＞Ｓ＊Ｃの場合が発生した最後の時点）を現在の時間（ｔ）にアップデートし（Ｓ１３０４）、現在、低画質でビデオが送信中であるかどうかを確認する（Ｓ１３０５）。
【0197】
Ｓ１３０５段階でｙｅｓの場合には、高画質に画質を上昇させ（Ｓ１３０６）、Ｓ１３０５段階でｎｏの場合、Ｓ１３０１段階に戻る。
【0198】
Ｓ１３０３段階でｎｏの場合、ｔ’（Ｍａｘ（ｓｉ）＞Ｓ＊Ｃの場合が発生した最後の時点）及び現在の時間（ｔ）を差演算した結果が、画質減少基準時間以上であるかどうかを確認する（Ｓ１３０７）。
【0199】
Ｓ１３０７段階でｎｏの場合、Ｓ１３０１段階に戻り、Ｓ１３０７段階でｙｅｓの場合は、現在、高画質でビデオが送信中であるかどうかを確認する（Ｓ１３０８）。
【0200】
Ｓ１３０８段階でｎｏの場合、Ｓ１３０１段階に戻り、Ｓ１３０８段階でｙｅｓの場合には、低画質に画質を減少させる（Ｓ１３０９）。
【0201】
図１３ｂを参照すると、サンプリングデータを受信し（Ｓ１３１１）、今後Ｔｗ秒間の騒音レベル（ｓ１、ｓ２、．．．ｓＴｗ＊Ｎｓ）を予測する（Ｓ１３１２）。
【0202】
続いて、画質変更敏感度を調節する（Ｓ１３１３）。
【0203】
続いて、騒音レベル予測値が限界騒音及び画質変更敏感度の演算結果よりも大きく、現在までのネットワーク使用率がネットワーク使用率制限基準値よりも小さいかどうかを確認する（Ｓ１３１４）。
【0204】
Ｓ１３１４段階でｙｅｓの場合は、ｔ’（Ｍａｘ（ｓｉ）＞Ｓ＊Ｃ の場合が発生した最後の時点）を現在の時間（ｔ）にアップデートし（Ｓ１３１５）、現在、低画質でビデオが送信中であるかどうかを確認する（Ｓ１３１６）。
【0205】
Ｓ１３１６段階でｙｅｓの場合は、高画質に画質を上昇させ（Ｓ１３１７）、Ｓ１３０６段階でｎｏの場合、Ｓ１３１１段階に戻る。
【0206】
Ｓ１３１４4段階でｎｏの場合、ｔ’（Ｍａｘ（ｓｉ）＞Ｓ＊Ｃ の場合が発生した最後の時点）及び現在の時間（ｔ）を差演算した結果が、画質減少基準時間以上であるかどうかを確認する（Ｓ１３１８）。
【0207】
Ｓ１３１８段階でｎｏの場合、Ｓ１３１１段階に戻り、Ｓ１３１８段階でｙｅｓの場合は、現在、高画質でビデオが送信中であるかどうかを確認する（Ｓ１３１９）。
【0208】
Ｓ１３１９段階でｎｏの場合、Ｓ１３１１段階に戻り、Ｓ１３１９段階でｙｅｓの場合は、低画質に画質を減少させる（Ｓ１３２０）。
【0209】
前述したアルゴリズムにより、例えば、Ｓ＝６０ｄＢ、Ｃ＝０．８、Ｔｗ＝３０ｓｅｃ、Ｔｄ＝１０ｓｅｃである場合には、今後３０秒間４８ｄＢを超える地点があると予想されれば、１０秒間高画質ビデオ送信を保障する。
【0210】
図１４は、本発明の実施例に係るエッジノード基盤の時系列データ予測及び決定のためのトレーニング（ｔｒａｉｎｉｎｇ）及びサービング（ｓｅｒｖｉｎｇ）の構成を示す。
【0211】
図１４を参照して、トレーニング過程について見てみると、センシングボックス１１０にある数個のセンサー情報が知能型エッジコンピューティングシステム２００に伝達される。
【0212】
センシングデータ収集部２５０のトレーニング処理方法は、ストリーミング（Ｓｔｒｅａｍｉｎｇ）処理方法とバッチ（ｂａｔｃｈ）処理方法とに分けられる。
【0213】
ストリーミング処理方法は、収集されたデータをＯｎ−ｌｉｎｅで機械学習トレーニング処理モジュール２８５に伝達させて学習を行い、学習された結果を機械学習モデルＤＢ２９２に保存する。
【0214】
バッチ処理方法は、センシングデータ収集部２５０でＤＢ２９１にセンシングデータを保存し、データが一定に貯まった後、一遍に機械学習トレーニング処理モジュール２８５で処理し、学習結果を機械学習モデルＤＢ２９２に保存する。
【0215】
図１４を参照してサービング（Ｓｅｒｖｉｎｇ）過程を見てみると、センシングボックス１１０にある数個のセンサー情報が知能型エッジコンピューティングシステム２００に伝達される。
【0216】
センシングデータ収集部２５０は、予測部２６０にセンシングデータを送る。
【0217】
予測部２６０は、機械学習モデルＤＢ２９２から最新の学習結果を取得し、将来の値を予測し、予測された結果を決定部２７０に伝達する。
【0218】
図１５は、本発明の実施例に係るエッジノード基盤の時系列データ予測及び決定のためのトレーニング（ｔｒａｉｎｉｎｇ）及びサービング（ｓｅｒｖｉｎｇ）のフローチャートを示す。
【0219】
トレーニング処理過程で、センサー１１０は、ＲＥＳＴ方式でＰＵＴメッセージをセンシングデータ収集部２５０に送信する（Ｓ１５０１）。
【0220】
センシングデータ収集部２５０は、ＤＮ２９１に該当データを保存させ（Ｓ１５０２）、同時にＲＥＳＴ方式で機械学習トレーニング処理モジュール２８５にＰＵＴメッセージを送信する（Ｓ１５０３）。
【0221】
各ＰＵＴメッセージに送信されるメッセージフォーマットの例は、ｓｅｎｓｏｒ＿ｉｄ、ｔｉｍｅｓｔａｍｐ、ｎｏｉｓｅ、ｇａｓなどである。
【0222】
機械学習トレーニング処理モジュール２８５は、該当データに基づいて学習を行なった後、機械学習モデルＤＢ２９２に保存する（Ｓ１５０４）。
【0223】
予測部２６０はサービングのために、最新保存された機械学習モデルをロードする（Ｓ１５０５）。
【0224】
サービング処理過程で、センサー１１０はセンシングデータをセンシングデータ収集部２５０に伝達する（Ｓ１５１１）。
【0225】
センシングデータ収集部２５０は、予測部２６０にＲＥＳＴ方式のＰＵＴメッセージを伝達する（Ｓ１５１２）。
【0226】
予測部２６０は、次の段階の結果を予測し、決定部２７０に該当データを送信する（Ｓ１５１３）。
【0227】
以下、本発明の実施例に係る知能型ＩｏＥ情報フレームワーク基盤のドメインサービスについて説明する。
【0228】
本発明の実施例によると、前述した自動構成知能型ＩｏＴ情報フレームワーク及びエッジノード基盤の時系列データ予測及び決定技術に基づいて、様々なサービスを提供することが可能である。
【0230】
図１６を参照すると、知能型ＩｏＴ情報フレームワーク基盤のスマートＩｏＴ建設モニタリングを示す。
【0231】
共通の構造で知能型エッジコンピューティングシステム２００と機械学習フレームワークシステム６００があり、ｗｅｓｔにセンシングボックス１１０があり、ｅａｓｔにクラウドサーバー４００に連動される。
【0232】
民願人、現場監督官、システム管理者のデバイス５００は、クラウドを通じてサービスを利用する。
【0233】
図１７を参照すると、知能型エッジコンピューティングシステム２００は、入出力インターフェース処理モジュール（ＨＴＴＰ、ＡＷＳ ＩｏＴなど）、センサー１１０またはカメラ１２０のデータ収集及び保存処理機、時系列データ分析及び予測機（ＴＳセンサーデータのアラーム予測）、映像データｔｒａｎｓｆｏｒｍｅｒコントローラ（ＦＨＤ、ＨＤ、ＳＤ ｔｒａｎｓｆｏｒｍｅｒ用Ｒｅｓｔ ＡＰＩ）、センサーデータ伝送モジュール（ＡＷＳ ＩｏＴ伝送方式に合わせてｓｅｎｓｏｒデータ送信及びＲｅｓｔ ＡＰＩ）、ｓｃａｌａｂｌｅ映像データ伝送モジュール（アラーム区間と非区間に対するｓｃａｌａｂｌｅデータ送信及び Ｒｅｓｔ ＡＰＩ ）が含まれる。
【0234】
本発明の実施例によると、再利用性を高めるために、オープンソース基盤のエッジコンピューティング（例えば、ＥｄｇｅＸ）活用して具現する。
【0235】
本発明の実施例によると、データフローの観点から見ると、効率的に工事現場データ（騒音、振動、ガス、映像）送信及び保存を行い、これにより無線通信区間のトラフィックを減少させることが可能である。
【0236】
ユーザー側面から見ると、民願人、現場監督官、自治体管理者の要求時の位置別及び時間別検索を通じて情報（騒音、振動、ガス、映像）をリアルタイムで確認することができる。
【0237】
図１８は、本発明の実施例に係る知能型ＩｏＴ情報フレームワークを基盤とする知能型ＶＲキャッシュサービスの構成図であり、図１９は、本発明の実施例に係る知能型ＩｏＴ情報フレームワークを基盤とする知能型ＶＲキャッシュサービスの活用を示す。
【0238】
視点情報は、統計学的基盤として収集することができ、機械学習を基盤として視点情報を分析する。
【0239】
最終的に、ユーザーは空間的視点を定めなければならない。
【0240】
差等エンコードは、Ｈｉｇｈ、ｍｉｄｄｌｅ、ｌｏｗの３つのレベルで差別的にエンコードを行なう。
【0241】
ユーザーは、エッジコンピューティングサーバーにある低遅延ＶＲストリーミングを受信することができ、従来技術に比べて、より速い時間にデータを受信することが可能である。
【0242】
本発明の実施例によると、知能型ＩｏＴ情報フレームワークを基盤としてコスト節減のためのビデオトラフィック制御政策、高信頼のためのトラフィックｓｈａｐｉｎｇ制御が可能である。
【0243】
また、移動性制御、ＱｏＳ制御を含むスマート車自律走行サービス、シームレスな映像サービスを提供するための貴重品送信管制サービスは、マルチユーザーの等級に最適化されたアップリンクトラフィック制御を個人放送アップリンクサービスの提供が可能である。
【0244】
一方、本発明の実施例に係る知能型ＩｏＥエッジコンピューティング方法は、コンピュータシステムで具現されるか、または記録媒体に記録されても良い。コンピュータシステムは、少なくとも１つ以上のプロセッサと、メモリと、ユーザーの入力装置と、データ通信バスと、ユーザー出力装置と、ストレージを含んでも良い。前述したそれぞれの構成要素は、データ通信バスを通じてデータ通信を行う。
【0245】
コンピュータシステムは、ネットワークにカップリングされたネットワークインターフェイスをさらに含んでも良い。プロセッサは、中央処理装置（ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ（ＣＰＵ））であるか、或いはメモリ及び／またはストレージに保存されたコマンドを処理する半導体装置であっても良い。
【0246】
メモリ及びストレージは、様々な形態の揮発性或いは不揮発性記憶媒体を含んでも良い。例えば、メモリはＲＯＭ及びＲＡＭを含んでも良い。
【0247】
したがって、本発明の実施例に係る知能型ＩｏＥエッジコンピューティング方法は、コンピュータで実行可能な方法で具現されても良い。本発明の実施例に係る知能型ＩｏＥエッジコンピューティング方法がコンピュータ装置で行なわれるとき、コンピュータで読取り可能なコマンドが、本発明に係る知能型ＩｏＥエッジコンピューティング方法を行なうことができる。
【0248】
一方、前述した本発明に係る知能型ＩｏＥエッジコンピューティング方法は、コンピュータで読取り可能な記録媒体にコンピュータが読取り可能なコードとして具現されても良い。コンピュータの読取り可能な記録媒体には、コンピュータシステムにより読取られるデータが保存されたすべての種類の記録媒体を含む。例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、磁気テープ、磁気ディスク、フラッシュメモリ、光データ保存装置などであっても良い。また、コンピュータで読取り可能な記録媒体は、コンピュータネットワークに接続されたコンピュータシステムに分散されて、分散方式で読取られるコードとして保存され、実行されても良い。
【0249】
これまで本発明の実施例を中心に説明した。本発明の属する技術分野において通常の知識を有する者は、本発明が本発明の本質的な特性から逸脱しない範囲で変形された形で具現されることを理解できるであろう。したがって、開示された実施例は、限定的な観点ではなく、説明的な観点で考慮されなければならない。本発明の範囲は、前述した説明ではなく特許請求の範囲に示されており、それと同等の範囲内にあるすべての相違点は、本発明に含まれるものと解釈しなければならない。