태양 에너지 수집형 엣지 AIoT 환경에서 엣지 장치의 에너지를 고려한 효율적인 분산 학습 방법 :Efficient Distributed Training Method Considering the Energy Level of Edge Devices in Solar-powered Edge AIoT Environments

유연태

추천

검색

자료유형: 학위논문

저자정보: 유연태 (숭실대학교, 숭실대학교 대학원)

지도교수: 노동건

발행연도: 2023

저작권: 숭실대학교 논문은 저작권에 의해 보호받습니다.

이용수4

이 논문의 연구 히스토리 (3)

2023

태양 에너지 수집형 IoT 엣지 컴퓨팅 환경에서 효율적인 오디오 딥러닝을 위한 에너지 적응형 데이터 전처리 기법

유연태 , 노동건 대한임베디드공학회논문지 2023.08 학술저널

태양 에너지 수집형 엣지 AIoT 환경에서 엣지 장치의 에너지를 고려한 효율적인 분산 학습 방법

유연태 지능시스템학과 2023.01 학위논문

2022

태양 에너지 수집형 엣지 AIoT 환경에서 효율적인 AI 분산 학습을 위한 데이터 수준 근사 컴퓨팅 기법

유연태 , 강민재 , 이승우 외 2명 한국정보과학회 학술발표논문집 2022.06 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

배터리 기반 사물 인터넷(IoT)는 한정적인 배터리의 용량으로 인한 에 너지 제한 문제를 겪고 있다. 태양 에너지 수집형 사물 인터넷(IoT) 장 치는 태양 에너지를 통해 주기적으로 에너지를 공급하여 동작함으로써 IoT기기의 제한적인 수명 문제를 근본적으로 해결할 수 있지만, 날씨와 장애물 등 다양한 환경적 요인으로 인해 에너지 수집량이 비 균일하여 효율적인 에너지 소모 정책이 필요하다. 한편, 일반적으로 엣지 AIoT 시 스템에서 이루어지는 데이터 학습은 상위 장치인 엣지 서버에서 진행하 는 중앙집중형으로 구성되어 있지만, 한 곳으로 많은 데이터를 전송하여 처리하기 때문에 실시간성 저하와 네트워크의 트래픽 및 컴퓨팅 과부하 가 발생하는 등의 문제를 야기한다. 최근에는 엣지 장치의 성능이 향상 되어 간단한 정도의 학습을 수행할 수 있게 되면서, 위의 문제를 해결하 기 위해 각 엣지 장치들이 각각 학습을 진행하고, 그 결과를 근처에 있 는 노드들에게 공유함으로써 학습의 질과 성과를 중앙집중형만큼 높여주 는 AI 분산 학습 모델이 많이 연구되고 있다. 하지만 이와 같은 분산 학 습 모델에서의 엣지 노드들이 더 많은 기능을 수행하기 때문에 에너지를 더 빨리 소모하여 부족해지고, 이에 따라 시스템 전체의 학습 속도 감소 및 IoT 네트워크의 수명이 저하되도록 하는 낙오자 노드 문제를 발생시 킬 수 있다. 이와 같은 내용을 토대로 본 연구에서는 태양 에너지 수집 형 AIoT환경에서 낙오자 노드의 발생을 최소화시키면서 효율적인 AI 분산 학습을 할 수 있도록 하는 기법을 제안한다. 제안하는 방식은 어플 리케이션에서 최소한으로 요구하는 추론의 정확도를 만족시키도록 하면 서, 각 노드에서 수집된 에너지 상황을 고려하여 그에 맞는 에너지를 소 모하도록 학습의 정확도를 결정하고 학습하는 근사 컴퓨팅 기법이다. 여 러 가지 근사 컴퓨팅 기법이 존재하는데, 본 논문에서는 수집한 데이터 중 샘플링되는 데이터의 비율을 조절하여 학습 정확도를 조절하는 데이 터 수준 근사 기법을 사용한다. 실험 결과, 어플리케이션에서 요구하는 하한 정확도를 만족시키면서, 낙오자 노드의 발생을 많이 줄일 수 있음 을 확인하였다.

Battery-based Internet of Things (IoT) devices are facing energy limitations due to their restricted battery capacity. Solar energy harvesting IoT devices provide a fundamental solution to the limited lifespan problem of IoT devices by periodically supplying energy through solar power. However, energy collection in such devices can be uneven due to various environmental factors like weather and obstacles. Meanwhile, traditional data learning in edge AIoT systems is based on a centralized model, where all data is processed at an edge server. This approach can lead to reduced real-time performance, network traffic, and computing overload issues. With recent improvements in edge device performance, there is a growing trend towards AI distributed learning models where individual edge devices perform their own learning and share the results with nearby nodes, resulting in improved learning quality and performance. However, these distributed learning models put more demands on edge nodes, causing them to deplete their energy resources faster and potentially leading to the problem of dropout nodes, which can result in reduced learning speed and a decreased lifespan for IoT networks. Based on these considerations, this study proposes a technique for minimizing dropout nodes in a solar energy harvesting AIoT environment while efficiently conducting AI distributed learning. The proposed approach aims to satisfy the minimal accuracy requirements of the application while considering the energy situation of each node to determine the appropriate energy consumption for accurate learning, using an approximation computing technique. Various approximation computing techniques are available, but this paper employs a data-level approximation technique that adjusts learning accuracy by controlling the ratio of sampled data from the collected data. Experimental results demonstrate that the proposed technique effectively reduces dropout nodes while meeting the application''s minimal accuracy requirements.

국문초록 ⅴ
영문초록 ⅶ
제 1 장 서론 1
1.1 연구 배경 1
1.2 논문 구성 4
제 2 장 관련 연구 5
2.1 태양 에너지 수집형 IoT 5
2.2 분산 학습 기법 7
제 3 장 제안 기법 9
3.1 제안 기법의 동작 흐름 11
3.1.1 네트워크의 구성 11
3.1.2 전반적인 동작 11
3.2 헤드 노드의 각 노드에 대한 샘플링 비율 결정 13
3.3 RESERVOIR 샘플링 기법 19
제 4 장 성능 평가 21
4.1 실험 환경 21
4.2 노드의 정전 시간 측정 24
4.3 기법에 따른 정확도 측정 25
제 5 장 결론 27
참고문헌 28

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (3)

초록· 키워드

목차

최근 본 자료

댓글(0)