| 1 |
1
센서 노드의 클러스터링 장치에서, 센서 네트워크를 구성하는 복수 개의 센서 노드를 클러스터링하는 방법으로서,
상기 센서 노드의 클러스터링 장치에서, 상기 각 센서 노드의 센싱 데이터의 정규화된 거리를 계산하는 단계;
상기 센서 노드의 클러스터링 장치에서, 상기 각 센서 노드의 정규화된 평균 거리를 계산하는 단계;
상기 센서 노드의 클러스터링 장치에서, 상기 각 센서 노드의 각 센싱 데이터의 정규화된 거리를 이용하여 각 센서 노드에 대응되는 벡터를 생성하는 단계;
상기 센서 노드의 클러스터링 장치에서, 상기 각 센서 노드의 정규화된 평균 거리를 이용하여 생성된 상기 벡터에 랭킹을 부여하는 단계;
상기 센서 노드의 클러스터링 장치에서, 랭킹이 부여된 상기 벡터들을 랭킹 순으로 복수 개의 그룹으로 나누고, 각 그룹별 중간 랭킹에 해당하는 벡터를 초기 중심벡터로 선정하는 단계; 및
상기 센서 노드의 클러스터링 장치에서, 선정된 상기 초기 중심벡터와 상기 벡터들과의 유사도에 따라 상기 벡터들을 클러스터링하는 단계;
를 포함하는 센서 노드의 클러스터링 방법
|
| 2 |
2
제1항에 있어서,
상기 각 센서 노드의 센싱 데이터의 정규화된 거리는, 다음의 수학식
(이때, e(xkj)는 xkj의 정규화된 거리, xkj는 k(1≤k≤m)번째 센서 노드의 j 번째 센싱 데이터, n은 센싱 데이터의 개수, 는 노드들의 j 번째 센싱 데이터의 집계 연산 결과, 는 각 노드(i)의 j 번째 센싱 데이터와 노드들의 j 번째 센싱 데이터의 집계 연산 결과 값과의 차이 중 가장 큰 값)
에 의하여 계산되는, 센서 노드의 클러스터링 방법
|
| 3 |
3
제2항에 있어서,
값이 0인 경우, 상기 e(xkj) 값은 0으로 설정되는, 센서 노드의 클러스터링 방법
|
| 4 |
4
제1항에 있어서,
상기 각 센서 노드의 센싱 데이터의 정규화된 거리는, 다음의 수학식
(이때, e(xkj)는 xkj의 정규화된 거리, xkj는 k(1≤k≤m)번째 센서 노드의 j 번째 센싱 데이터, n은 센싱 데이터의 개수, 는 노드들의 j 번째 센싱 데이터의 집계 연산 결과, xj(1≤j≤n)는 센서 노드들에서 j번째 센싱된 데이터)
에 의하여 계산되는, 센서 노드의 클러스터링 방법
|
| 5 |
5
제4항에 있어서,
상기 xj의 분산이 0인 경우, 상기 e(xkj) 값은 0으로 설정되는, 센서 노드의 클러스터링 방법
|
| 6 |
6
제1항에 있어서,
상기 각 센서 노드의 센싱 데이터의 정규화된 거리는, 다음의 수학식
(이때, e(xkj)는 xkj의 정규화된 거리, xkj는 k(1≤k≤m)번째 센서 노드의 j 번째 센싱 데이터, n은 센싱 데이터의 개수, 는 노드들의 j 번째 센싱 데이터의 집계 연산 결과, xj(1≤j≤n)는 센서 노드들에서 j번째 센싱된 데이터)
에 의하여 계산되는, 센서 노드의 클러스터링 방법
|
| 7 |
7
제6항에 있어서,
상기 xj의 표준편차가 0인 경우, 상기 e(xkj) 값은 0으로 설정되는, 센서 노드의 클러스터링 방법
|
| 8 |
8
제1항에 있어서,
상기 각 센서 노드의 정규화된 평균 거리는, 다음의 수학식
(이때, E(nk)는 k 번째 센서 노드(1≤k≤m)의 정규화된 평균 거리, e(xkj)는 xkj의 집계 연산 결과 값에 대한 정규화된 거리, xkj는 k 번째 센서 노드의 j 번째 센싱 데이터, n은 센싱 데이터의 개수)
에 의하여 계산되는, 센서 노드의 클러스터링 방법
|
| 9 |
9
제1항에 있어서,
상기 벡터의 각 원소의 값은 상기 벡터와 대응되는 센서 노드의 각 센싱 데이터의 정규화된 거리인, 센서 노드의 클러스터링 방법
|
| 10 |
10
제1항에 있어서,
상기 초기 중심벡터는, 다음의 수학식
(이때, K는 상기 그룹의 개수, j는 초기 중심벡터가 속하는 그룹으로서 1≤j≤K, round(X)는 반올림에 의해 X를 정수로 변환하는 함수)
에 의하여 계산된 랭킹을 가지는 벡터인, 센서 노드의 클러스터링 방법
|
| 11 |
11
제1항에 있어서,
상기 벡터 클러스터링 단계는,
상기 생성된 벡터들와 상기 초기 중심벡터와의 유사도를 비교하여 가장 유사한 초기 중심벡터를 선택하는 단계;
상기 생성된 벡터들을 가장 유사한 초기 중심벡터가 동일한 벡터끼리 그룹화하여 복수 개의 클러스터를 생성하는 단계;
생성된 클러스터의 중심 벡터를 재계산하는 단계;
상기 생성된 클러스터들이 기 설정된 클러스터링 조건을 만족하는지의 여부를 판단하여, 만족하지 못하는 경우 상기 클러스터링 조건을 만족하도록 각각의 클러스터에 속한 벡터의 일부를 다른 클러스터로 이동하고, 벡터의 일부가 이동한 클러스터의 중심 벡터를 재계산하는 단계;
를 더 포함하는, 센서 노드의 클러스터링 방법
|
| 12 |
12
제11항에 있어서,
상기 생성된 벡터와 상기 초기 중심벡터와의 유사도는 코사인 유사도에 의한 각 벡터 간의 유사도 또는 유클리디언 거리(Euclidean distance) 기반 유사도에 의한 각 벡터 간의 유사도에 의하여 계산되는, 센서 노드의 클러스터링 방법
|
| 13 |
13
제12항에 있어서,
상기 코사인 유사도에 의한 각 벡터 간의 유사도는, 다음의 수학식
(이때, Q, D는 유사도 비교하기 위한 벡터, qt, dt 는 상기 벡터 Q, D를 구성하는 각 원소, n은 각 벡터의 원소의 개수)
에 의하여 계산되는, 센서 노드의 클러스터링 방법
|
| 14 |
14
제12항에 있어서,
상기 유클리디언 거리 기반 유사도에 의한 각 벡터 간의 유사도는, 다음의 수학식
(이때, Q, D는 유사도를 비교하려는 벡터, qt, dt 는 상기 벡터 Q, D를 구성하는 각 원소, n은 각 벡터의 원소의 개수)
에 의하여 계산되는, 센서 노드의 클러스터링 방법
|
| 15 |
15
제1항에 있어서,
상기 클러스터링 단계의 수행 이후, 상기 센서 노드의 클러스터링 장치에서, 센싱 데이터가 유사한 센서 노드를 검색하고자 하는 질의 노드의 과거 일정 기간 동안의 센싱 데이터를 이용하여 질의 벡터를 생성하는 단계;
상기 센서 노드의 클러스터링 장치에서, 상기 생성된 질의 벡터와 상기 각 클러스터의 중심 벡터와의 유사도를 비교하여 상기 질의 벡터와 가장 유사한 클러스터를 선택하는 단계;
상기 센서 노드의 클러스터링 장치에서, 상기 선택된 클러스터 내의 각 벡터와 상기 질의 벡터와의 유사도를 계산하여 상기 질의 벡터와 가장 유사한 소정 개수의 벡터를 선택하는 단계; 및
상기 센서 노드의 클러스터링 장치에서, 상기 선택된 벡터에 대응되는 소정 개수의 센서 노드를 상기 질의 노드와 센싱 데이터가 가장 유사한 센서 노드로 선정하는 단계;를 더 포함하는, 센서 노드의 클러스터링 방법
|
| 16 |
16
제1항에 있어서,
상기 클러스터링 단계의 수행 이후,
상기 센서 노드의 클러스터링 장치에서, 각 클러스터별로 집계 연산을 수행할 소정 개수의 센서 노드를 선정하는 단계; 및
상기 센서 노드의 클러스터링 장치에서, 상기 선정된 센서 노드로부터 센싱 데이터를 전송받아 집계 연산값을 추정하는 단계;
를 더 포함하는, 센서 노드의 클러스터링 방법
|
| 17 |
17
제16항에 있어서,
상기 센서 노드 선정 단계는,
상기 각 클러스터에 속한 센서 노드를 각 클러스터의 중심 벡터와의 유사도에 따라 랭킹을 부여하고, 부여된 랭킹이 높은 순서로 소정 개수의 센서 노드를 선정하는, 센서 노드의 클러스터링 방법
|
| 18 |
18
제1항에 있어서,
상기 클러스터링 단계의 수행 이후,
상기 센서 노드의 클러스터링 장치에서, 집계 연산을 수행할 클러스터를 선택하는 단계;
상기 센서 노드의 클러스터링 장치에서, 상기 선택된 클러스터에 포함된 센서 노드 중 소정 개수의 센서 노드를 선정하는 단계; 및
상기 센서 노드의 클러스터링 장치에서, 상기 선정된 센서 노드로부터 센싱 데이터를 전송받아 집계 연산값을 추정하는 단계;
를 더 포함하는, 센서 노드의 클러스터링 방법
|
| 19 |
19
제1항에 있어서,
상기 클러스터링 단계의 수행 이후,
상기 센서 노드의 클러스터링 장치에서, 센싱 주기 별로 각 클러스터 내에서 센싱을 수행할 소정 개수의 센서 노드를 선택하는 단계; 및
상기 센서 노드의 클러스터링 장치에서, 상기 선택된 센서 노드로부터 센싱된 데이터를 전송받는 단계;
를 더 포함하는, 센서 노드의 클러스터링 방법
|
| 20 |
20
제19항에 있어서,
상기 센서 노드의 선택은 각 센싱 주기 별로 선택된 센서 노드의 중심 벡터와의 평균 유사도가 기 설정된 소정 범위 이내를 만족하도록 이루어지는, 센서 노드의 클러스터링 방법
|
| 21 |
21
제1항 내지 제20항 중 어느 한 항에 기재된 방법을 컴퓨터상에서 수행하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체
|
| 22 |
22
센서 네트워크를 구성하는 각 센서 노드들의 센싱 데이터가 저장되는 데이터베이스;
상기 데이터베이스에 저장된 상기 센싱 데이터를 이용하여, 상기 각 센서 노드의 센싱 데이터의 정규화된 거리를 계산하는 거리 계산부;
상기 계산된 정규화된 거리를 이용하여 상기 각 센서 노드의 정규화된 평균 거리를 계산하는 평균 거리 계산부;
상기 각 센서 노드의 각 센싱 데이터의 정규화된 거리를 이용하여 각 센서 노드에 대응되는 벡터를 생성하는 벡터 생성부; 및
상기 각 센서 노드의 정규화된 평균 거리를 이용하여 생성된 상기 벡터에 랭킹을 부여하고, 랭킹이 부여된 상기 벡터들을 랭킹 순으로 복수 개의 그룹으로 나누고, 각 그룹별 중간 랭킹에 해당하는 벡터를 초기 중심벡터로 선정하며, 선정된 상기 중심벡터와 상기 벡터들과의 유사도에 따라 상기 벡터들을 클러스터링하여 하나 이상의 클러스터를 생성하는 벡터 클러스터링부;
를 포함하는 센서 노드의 클러스터링 장치
|
| 23 |
23
제22항에 있어서,
상기 생성된 클러스터들을 이용하여 상기 센서 네트워크에 포함된 특정 센서 노드와 가장 유사한 소정 개수의 센서 노드를 검색하는 센서 노드 검색부;
상기 각 클러스터에 포함된 센서 노드 중 집계 연산을 수행할 샘플 노드들을 선택하고, 선택된 샘플 노드들로부터 센싱 데이터값을 전송받아 집계 연산을 수행하는 집계 연산부; 및
상기 각 클러스터에 포함된 센서 노드들 중 각 센싱 주기마다 데이터를 센싱할 센서 노드를 선택하는 센싱 주기 조절부;
중 하나 이상을 더 포함하는, 센서 노드의 클러스터링 장치
|
