Recently, various cutting-edge Internet of Things (IoT) services and solutions markets such as smart home, energy, and manufacturing rapidly increase in size. In most cases, continuous monitoring application is expect to be the main component which these IoT solutions and services are being provided to users. In order to provide a continuous monitoring service stably in such an environment, multiple IoT devices should be deployed, and a huge amounts of data are generated and collected from these IoT devices. Once these IoT devices are deployed in the environment, it is difficult to change the configuration of them. Also, it is almost impossible to supply power via connecting cables to all the IoT devices simultaneously, in most cases. Therefore, typical IoT devices are generally supplied energy from a capacity-constrained battery. Furthermore, IoT devices transmit measurement data in uniform period fashion in order to continuously provide a monitoring service. Therefore, energy saving of IoT devices has become a critical issue in diverse IoT applications due to their limited battery capacity. Particularly, unnecessary energy cost for redundant data transmission such as transmitting duplicate or similar data generally occurs. Therefore, based on these mentioned problems, an deep learning-based energy management framework method for IoT devices in an edge computing system environment is newly proposed. To reduce energy consumption of multiple IoT devices, the transmission period of data transmitted from IoT devices is dynamically adjusted by considering both prediction for imputation error of un-transmitted data and energy consumption of IoT devices, simultaneously. The proposed imputation error prediction module is designed using various deep learning model structures and the optimal transmission period value is obtained through an optimization problem considering both the prediction value of imputation error and the numerically modeled energy consumption of the IoT device. Furthermore, the proposed transmission period control framework is implemented in the configured testbed environment and checks whether the proposed framework can be developed in the practical environment. In addition, radio frequency-based energy harvesting technology is considered for the energy supply of IoT devices. When a large number of IoT devices are distributed in the OFDMA environment, the minimum harvesting energy of IoT devices should be optimized through efficient wireless channel and transmission power resource allocation to prolong the lifetime of IoT devices. Therefore, two resource allocation methodologies that optimizes the harvesting power of IoT devices has been studied. First one is a method to maximize the minimum harvested power of an IoT device, and the other one maximizes the harvested power of each IoT device while considering the minimum harvested power constraint. In the both resource allocation methodologies, the amount of DC power converted from RF power is considered as a non-linear model for practical energy harvesting result. Finally, by combining the proposed transmission period control algorithm and energy harvesting mechanism, an optimal period allocation method of data transmission and energy harvesting is newly proposed.
최근 스마트 홈, 에너지, 물류 등과 같은 다양한 최첨단 사물 인터넷 서비스 및 솔루션 시장이 점점 더 커지고 있다. 이러한 사물인터넷 솔루션과 서비스들이 사용자들에게 어떠한 형태로 공급되고 있는지를 살펴보면, 대부분의 경우 환경을 지속적으로 모니터링하는 유즈케이스가 다수를 이루고 있다. 이러한 환경에서 안정적인 모니터링 서비스를 제공하기 위해서 다수의 사물인터넷 센서단말들이 배치되게 되며, 또한 이러한 센서단말들로부터 무수히 많은 양의 데이터들이 수집되게 된다. 이러한 센서단말들의 경우에는 한번 배치되면 변경이 어려우며, 또한 상시 전원공급이 어렵기 때문에 대부분의 경우에는 배터리로 파워를 공급받게 된다. 또한, 일반적으로 이러한 센서단말들에서는 지속적으로 환경에 대한 모니터링 서비스를 제공하기 위해 일정하게 정해진 주기로 데이터를 전송하게 된다. 따라서, 최근 다양한 사물인터넷 모니터링 환경에서 센서단말들의 제한된 배터리 용량으로 인해, 사물인터넷 단말의 에너지를 절감하는 기술들이 중요한 이슈로 부각되고 있다. 특히, 센서단말에서 전송하는 데이터의 경우 일반적으로 중복되거나 유사한 데이터를 다수 전송하게 되므로, 이러한 데이터를 전송하는데 불필요한 에너지를 낭비하게 되는 현상이 발생하고 있다. 따라서, 이러한 문제점을 기반으로 본 연구에서는 에지 컴퓨팅 시스템 환경 내 딥러닝 기반의 사물 인터넷 기기의 에너지 관리 프레임워크 방안을 제안한다. 사물인터넷 환경 모니터링을 위해 배치된 다수의 센서 단말의 소모 에너지 절감 방안으로, 센서단말에서 보내는 데이터의 전송주기를 동적으로 조절하여 불필요한 데이터 전송을 줄이며, 이때 미전송 데이터에 대한 복원 오차 예측값 및 센서단말의 에너지 소모량을 함께 고려하여 전송주기를 결정하게 된다. 제안하는 복원오차 예측 모듈의 경우 다수의 딥러닝 모델 구조를 활용하여 설계되었으며, 이러한 복원 정확도 예측값과 수치적으로 모델링된 사물인터넷 기기의 에너지 소모량을 최적화 문제로 구성하여 최적의 전송주기값을 계산하였다. 나아가, 제안된 전송주기조절 프레임워크를 구축된 테스트베드에서 구현하고 동작 가능성을 검증하였다. 또한, 이러한 energy saving 기법 이외에도, Radio Frequency 기반의 에너지 하베스팅 기술을 통한 센서단말의 에너지 공급 방안 역시 제안하였다. 다수의 센서단말들이 실내 환경에 분포 하였을시, OFDMA환경 내에서 효율적인 무선채널 및 전송파워 자원할당을 통해 최소의 에너지량을 가진 센서단말의 에너지를 최적화시키는 자원할당 방법론을 연구하였다. 본 학위논문에서는 총 2가지 자원할당 방법론을 제시하였으며, 하나는 최소의 하베스팅 에너지량을 가지는 IoT 단말의 에너지를 최대화 시키는 방법이며, 다른 하나는 에너지의 효율적인 공급을 고려하기 위해, 각 센서 단말의 최소 하베스팅 에너지량을 제약조건으로 설정하고, 모든 센서 단말의 전체 하베스팅 에너지량을 최대화 시키는 연구를 진행하였다. 특히, 2가지 자원할당 방법론에서는 실용적인 에너지 하베스팅연구를 위하여, RF 에너지를 DC power로 전환할 시 변환되는 총 에너지의 양을 비선형적인 모델로 가정하였다. 마지막으로, 제안된 전송주기조절 방법과 에너지 하베스팅 방법을 결합하여, 최적의 전송주기 값을 설정하고, 설정된 전송주기 내에서 에너지 하베스팅 구간을 최적으로 할당하는 방법을 새로 제안하였다.
