비정형 센서 데이터 해석을 위한 Stacking RNN model
A Stacking RNN Model for Irregular Sensor Message Serialization
- 주제(키워드) IoT , sensor , RNN , machine learning , parsing
- 발행기관 아주대학교
- 지도교수 김재훈
- 발행년도 2019
- 학위수여년월 2019. 2
- 학위명 석사
- 학과 및 전공 일반대학원 산업공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000028669
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
Internet of Things(IoT)의 비약적인 성장은 다양한 센서와 보드, 프로토콜들을 만들어냈다. 제조업체는 효율적인 무선 통신을 위해 자신만의 센서 및 보드와 적절한 프로토콜을 적용하려고 한다. 이렇게 복잡하게 섞인 IoT 통신 환경은 사용자가 하나의 애플리케이션을 구축하는데 어려움을 만들어냈다. 이는 엔지니어가 다양한 종류의 센서를 결합하여 하나의 IoT 네트워크를 구축하기 위해서 각각의 기기를 분석하게 만들었다. 이는 불필요한 시간적인 낭비를 불러일으켰으며, 통합 네트워크를 구성하는데 어려움으로 작용하였다. 본 논문에서는 이를 해결하기 위한 새로운 Recurrent Neural Network(RNN) 모델을 제안하였다. Stacking RNN 모델은 기존의 RNN 모델에 비해 노이즈를 효과적으로 제거하고 구조적인 정보 없이 원하는 정보를 얻기 위해 분기 예측의 요소를 추가한 모델이다. 이를 위해 추가한 buffer는 예측 과정에서 나올 수 있는 예측 분기를 저장하고, 해당 예측 값은 값이 연속적으로 만들어지거나 소멸되기도 한다. 이 과정에서 예측 분기에 일치하는 값이 오면, 이에 따른 결과가 계속해서 조합되게 되고, 이를 통해 센서 패킷에서 원하는 정보를 추출할 수 있도록 한다. 제안하는 RNN 모델을 통해 사용자는 프로토콜에 대한 지식이 없더라도 원하는 정보를 얻을 수 있다. 따라서 IoT 네트워크를 구성하는데 있어 별도의 부가적인 작업을 하지 않고 효과적인 통합 애플리케이션을 만들 수 있다. 또한 제안한 모델은 예측 분기를 나눠서 추측을 하기 때문에 불안정한 IoT network에서 발생하는 노이즈를 효과적으로 제거할 수 있다.
more목차
제 1 장 서 론 1
제 1 절 연구 배경 1
제 2 절 연구의 범위 및 구성 3
제 2 장 관련 연구 4
제 1 절 IoT 프로토콜 4
제 2 절 Semantic gateway 7
2.1 Multi-protocol proxy 8
2.2 Semantic data annotation 9
2.3 Gateway service interface 10
제 3 절 Word embedding 12
제 4 절 Recurrent Neural Network(RNN) 14
제 3 장 Stacking RNN 모델 설명 17
제 1 절 학습을 위한 딕셔너리 구성 방법 17
제 2 절 Stacking RNN 모델의 예측 방법 20
제 4 장 모델의 hyperparameters 설계 25
제 1 절 모델의 branch prediction difficulty 26
제 2 절 모델의 input letters의 예측 단위 29
제 3 절 Stacking buffer의 크기에 따른 예측 변화 31
제 5 장 실험 과정에 대한 설명 32
제 1 절 모델의 학습 과정 32
제 2 절 모델의 평가 과정 33
제 6 장 실험 결과 34
제 7 장 결론 및 향후 연구 38
참고문헌 40
Abstract 42
