[논문 리뷰] An edge-fog-cloud platform for anticipatory learning process designed for Internet of Mobile Things

Hung Cao, Mónica Wachowicz외 2명|arXiv (Cornell University)|2017. 11. 19.

IoT and Edge/Fog Computing참고 문헌 28인용 수 10

한 줄 요약

이 논문은 모바일 사물 인터넷(Internet of Mobile Things, IoMT)에서 예측 학습을 위한 지리적으로 분산된 엣지- nie-클라우드 아키텍처를 제안한다. 이는 엣지에서 클라우드로의 계층적 데이터 스트림 처리를 통해 실시간 분석을 가능하게 하며, 네트워크 부하와 지연 시간을 감소시키면서도 확장성 있고 저지연 시간 예측을 지원한다. 실제 캐나다 몬트리용의 GTFS 및 GPS 데이터를 활용한 실증 결과, 훈련 데이터가 증가할수록 정확도가 향상되는 도착 지연 예측 모델을 통해 성능을 검증하였다.

ABSTRACT

This paper presents a novel architecture for data analytics targeting an anticipatory learning process in the context of the Internet of Mobile Things. The architecture is geo-distributed and composed by edge, fog, and cloud resources that operate collectively to support such an anticipatory learning process. We designed the architecture to manage large volumes of data streams coming from the IoMT devices, analyze in successive phases climbing up in the hierarchy of resources from edge, fog and cloud. We discuss the characteristics of the analytical tasks at each layer. We notice that the amount of data being transported in the network decreases going from the edge, to the fog and finally to the cloud, while the complexity of the computation increases. Such design allows to support different kind of analytical needs, from real-time to historical according to the type of resource being utilized. We have implemented the proposed architecture as a proof-of-concept using the transit data feeds from the area of Greater Moncton, Canada.

연구 동기 및 목표

• 동적인 환경에서 움직이는 IoT 기기들로부터 유입되는 고속도의 실시간 데이터 스트림에 대해 저지연, 확장 가능한 분석을 해결하기 위한 것이다.
• 엣지, 니, 클라우드 리소스를 활용하여 계산 부하와 지연 시간 요구 사항을 균형 있게 조절하는 계층적 컴퓨팅 아키텍처를 설계하기 위한 것이다.
• 이동성 응용 분야에서 적응형 의사결정을 위한 실시간 피드백과 역사적 분석을 융합하여 예측 학습을 가능하게 하기 위한 것이다.
• 실세계 대중교통 데이터를 활용하여 플랫폼의 효과성을 평가하고, 각 계층에서의 확장성과 예측 정확도를 입증하기 위한 것이다.
• 예측 정밀도 향상을 위해 피어 간 지식 공유의 타당성을 탐색하기 위한 것이다.

제안 방법

• 플랫폼은 세 단계 아키텍처를 사용한다: 엣지 장치가 원시 센서 데이터(예: GPS, 타임스탬프)를 수집하고, 니 노드가 중간 수준의 분석과 필터링을 수행하며, 클라우드는 장기 저장 및 복잡한 배치 처리를 담당한다.
• IoMT 기기(예: 버스)에서 유입되는 데이터 스트림은 단계적으로 처리되며, 엣지에서는 실시간 이상 징후 탐지, 니에서는 맥락 기반 집계, 클라우드에서는 모델 훈련 및 피드백 처리를 수행한다.
• 버스 도착 시간(조기/정시/지각) 예측을 위해 랜덤 포레스트 모델과 다수결 투표 방식을 사용하며, GPS 위치, 시간, 방향, 정류장 순서 등 9개의 가장 영향력 있는 속성에 기반한다.
• 모델 정확도 평가를 위해 10겹 교차 검증을 적용하였으며, 확장성 평가를 위해 훈련 세트 크기의 함수로서 정확도를 측정하였다.
• 클라우드에서 도출된 역사적 예측 결과는 도착 관리자에게 피드백으로 제공되어 성능 평가 및 시스템 최적화에 활용된다.
• 현지 처리 및 필터링을 통해 엣지에서 클라우드로의 데이터 전송을 최소화함으로써 데이터 프라이버시 및 대역폭 감소를 지원한다.

실험 결과

연구 질문

• RQ1 계층적 엣지-니-클라우드 아키텍처는 이동성 IoT 데이터 스트림에 대해 실시간 및 역사적 분석을 효과적으로 지원할 수 있는가?
• RQ2 엣지, 니, 클라우드 계층에 분산된 분석에서 데이터 볼륨, 네트워크 부하, 계산 복잡도 사이의 상충 관계는 어떠한가?
• RQ3 다층 플랫폼은 대중교통 스케줄링과 같은 이동성 응용 분야에서 저지연, 정확도 높은 예측을 달성할 수 있는가?
• RQ4 실세계 IoMT 구현 환경에서 훈련 데이터 크기가 증가함에 따라 모델 정확도는 어떻게 향상되는가?
• RQ5 니 또는 엣지 노드 간 피어 투 피어 정보 공유가 예측 시스템의 정밀도 향상에 어떤 역할을 할 수 있는가?

주요 결과

• 플랫폼은 엣지에서 클라우드로 점진적으로 데이터를 처리함으로써 네트워크 대역폭 사용량과 지연 시간을 감소시켰으며, 각 계층에서 데이터 볼륨은 감소하고 계산 복잡도는 증가하는 경향을 보였다.
• 버스 도착 시간 예측 모델은 Figure 7의 정확도 증가 곡선을 통해 더 큰 훈련 데이터 세트를 사용할수록 더 높은 정확도를 달성하였다.
• GPS 위치, 시간, 방향 등 9개의 핵심 속성에 기반한 랜덤 포레스트와 다수결 투표 방식을 통해 도착 상태(조기/정시/지각)의 강력한 분류가 가능했다.
• 클라우드 계층은 장기적인 시스템 평가를 위한 필수적인 역사적 피드백을 제공하였으며, 시스템 최적화를 위한 중심 집합 처리 분석의 가치를 입증하였다.
• 어느 한 계층(엣지, 니, 또는 클라우드)을 단독으로 고립시키는 것은 전체 예측 학습을 달성하는 데에는 부적합했으며, 유일하게 통합된 다층 아키텍처가 확장성, 저지연, 고정확도를 동시에 달성할 수 있었다.
• 이 아키텍처는 확장 가능하고 적응 가능하며, 향후 전체 대중교통 네트워크로의 확장과 노드 간 피어 투 피어 지식 공유 통합의 잠재적 가능성도 있다.