위치 기반 어플리케이션의 소모 전력 최적화를 위한 CNN 기반 실시간 전력 분석 시스템
CNN-based Real-Time Power Analysis System for Optimizing Power Consumption of Location-based Applications
- 주제(키워드) 위치 기반 어플리케이션 , 소모 전력 분석 , CNN
- 발행기관 아주대학교
- 지도교수 이정원
- 발행년도 2019
- 학위수여년월 2019. 8
- 학위명 석사
- 학과 및 전공 일반대학원 전자공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000029065
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
사용자의 위치를 기반으로 서비스를 제공하는 위치 기반 어플리케이션은 다양한 분야에서 광범위하게 사용되고 있다. 위치 기반 어플리케이션은 위치를 기반으로 서비스를 제공하기 위해서 지속적으로 위치를 측정한다. 측위 과정에서 배터리 소모량이 증가하게 된다. 이는 사용 가능한 전력이 배터리로 한정되어 있는 모바일 기기에서는 중요한 문제이다. 이러한 문제를 고려하기 위해 다양한 연구들이 진행되어 왔다. 그 중 하나로 소모 전력 최적화에 도움이 되는 정보를 제공하기 위한 연구가 있다. 크게 하드웨어를 이용한 소모 전력 측정과 소프트웨어를 이용한 소모 전력 추정 방법으로 나누어진다. 하드웨어를 이용한 소모 전력 측정 방법은 전력 관점의 문제점만 식별이 가능하며, 전력 소모를 개선하기 위한 정보를 얻기는 어렵다. 반대로 소프트웨어를 이용한 소모 전력 추정 방법은 문제점을 개선하기 위한 정보를 얻을 수 있지만, 실시간으로 얻기 위해서는 탐침 영향(Probe Effect)으로 인해 분석의 신뢰성이 떨어진다. 이러한 한계점을 해결하기 위해 CNN(Convolutional Neural Network)을 이용한 소모 전력 분석 방법을 제안한 연구가 있다. 이러한 연구에서는 CNN이 특징점을 자동으로 학습한다는 장점을 이용하여 컴포넌트의 상태와 동작에 따른 소모 전력 패턴을 자동으로 학습하는 방법을 제안하였다. 그러나 해당 방법의 검증 과정에 있어 학습데이터의 레이블링과 편향된 학습 데이터와 같은 문제점이 있다. 본 논문에서는 기존 연구를 개선한 위치 기반 어플리케이션의 소모 전력 최적화를 위한 CNN 기반 실시간 전력 분석 시스템을 제안한다. 제안하는 시스템은 첫째, 학습 데이터의 레이블링 과정에서 모호한 기준과 방법이 사용되지 않도록 레이블링 방식을 변경하였다. 둘째, 균등한 데이터 셋을 확보하여 CNN 모델을 생성하였다. 그 결과, 두 개의 상용 어플리케이션을 대상으로 검증한 정확도가 각각 평균 97%, 95%로 높은 것을 확인할 수 있었다. 본 시스템은 해당 모델을 사용하여 탐침 영향 없이 모바일 기기의 컴포넌트와 관련된 세밀한 정보를 실시간으로 사용자에게 제공할 수 있고, 이동성을 가지고 있다. 이를 이용하여 불필요한 전력 소모를 발생하는 상황이나 컴포넌트의 동작을 식별할 수 있어 어플리케이션의 소모 전력 최적화를 도모할 수 있다. 결과적으로 어플리케이션에서 소모하는 전력량이 줄어들게 됨으로써 모바일 기기의 사용시간이 늘어나 배터리의 효율성이 향상될 수 있다.
more목차
1. 서론 1
2. 관련연구 5
2.1. 하드웨어를 이용한 소모 전력 측정 5
2.2. 소프트웨어를 이용한 소모 전력 추정 6
2.3. 위치 인식과 관련된 컴포넌트의 정보 제공 7
2.4. CNN을 이용한 컴포넌트의 정보 추론 8
3. CNN 기반 전력 분석 시스템 설계 9
3.1. 요구사항 9
3.1.1. 분석 요구사항 9
3.1.2. 학습 요구사항 12
3.1.3. 요구사항 요약 14
3.2. CNN 기반 컴포넌트 상태 및 동작 추정 16
3.3. 측위와 관련된 컴포넌트의 상태 및 동작 정보 20
3.3.1. Location API 21
3.3.2. BatteryStats 23
3.4. 시스템 구성 24
4. 시스템 구현 28
4.1. 데이터 수집 28
4.1.1. 전력 측정 도구 28
4.1.2. Callback Method Collector 29
4.1.3. BatteryStats 30
4.2. 데이터 가공 31
4.2.1. 파싱 31
4.2.2. 동기화 및 병합 32
4.2.3. 레이블링 33
4.3. CNN 모델 학습 35
4.3.1. CNN 모델 35
4.3.2. 학습 데이터 구성 35
4.3.3. 학습 결과 49
4.4. CNN 기반 전력 분석 도구 40
5. 시스템 검증 42
5.1. 요구사항 검증 42
5.1.1. 분석 요구사항 42
5.1.2. 학습 요구사항 46
5.2. CNN 모델 검증 47
6. 결론 50
참고문헌 51
