경량 압축 데이터 집계 기반 희소 측정 기법

본 논문은 사물인터넷(IoT) 네트워크에서 데이터 집계 시 에너지 소비를 최소화하면서도 압축 센싱(Compressed Sensing, CS) 기반 복구 정확성을 유지할 수 있는 새로운 경량 압축 데이터 집계(Light Weight Compressed Data Aggregation, LWCDA) 알고리즘을 제안한다. 1. **연구 배경 및 문제점** - IoT 노드는 배터리 전원에 의존하는 경우가 많아 전송 에너지 감소가 네트워크 수명 연장의 핵심이다. - 기존 CS 기반 데이터 집계는 (①) 조밀 랜덤 측정 방식으로 온노드 연산이 복잡하고 메모리 요구가 크며, (②) 희소 랜덤 측정 방식은 측정 행렬을 각 노드에 저장해야 하는 저장 부담이 있다. - 라우팅 기반 측정 방식은 전송 횟수를 줄이지만, 코히어런스가 낮아 복구 정확도가 떨어지거나 라우팅 경로가 길어 에너지 효율이 낮다. 2. **제안 방법: LWCDA 프로토콜** - **클러스터링**: 전체 N개의 노드를 무작위로 M개의 비중첩 클러스터로 나눈다. 각 클러스터는 하나의 클러스터 헤드(CH)를 갖고, CH가 될 확률은 P_CH = M/N이다. - **측정 생성**: 각 노드는 자신의 센서값 x_i에 베르누이(±1) 난수 α_i를 곱해 α_i x_i를 만든다. 이 값은 가장 가까운 CH에 전송된다. - **집계**: CH는 자신과 하위 노드들의 α_i x_i를 모두 합산해 y_j = Σ_{i∈c_j} α_i x_i 를 계산한다. - **전송**: 모든 CH는 최소 신장 트리(MST)를 통해 sink 노드로 y_j를 전달한다. 패킷 포워딩 시 현재 측정값을 포함해 전송한다(pack‑and‑forward). - **측정 행렬 Φ**: 각 클러스터는 Φ의 한 행에 해당한다. 행의 비활성 원소는 0, 클러스터에 속한 노드의 열은 α_i(±1) 값으로 채워져 매우 희소한 Φ가 형성된다. 3. **이론적 분석** - **제한 동등성(RIP)**: 실험적으로 다양한 희소도(k)와 측정 수(M)에서 δ_k < 0.2를 만족하는 구간을 확인, 이는 ℓ₁ 최소화 복구가 가능함을 의미한다. - **상호 코히어런스(μ)**: Φ와 변환 행렬 Ψ(DCT, DFT, DWT 등)와의 곱 A = ΦΨ에 대해 μ ≤ 0.15 수준으로 낮아, 기존 방법 대비 코히어런스가 크게 개선되었다. - **위상 전이(Phase Transition)**: 압축 비율(M/N)이 0.2~0.3일 때 90% 이상의 복구 성공률을 보이며, 실험 결과는 이론적 위상 전이 곡선과 일치한다. 4. **시뮬레이션 및 성능 평가** - **데이터셋**: 실제 온도·습도·조도 데이터와 합성 k‑sparse 신호를 사용. - **복구 정확도**: 평균 재구성 오차(NMSE)에서 LWCDA는 기존 조밀 방법과 동등하거나 더 낮은 값을 기록, 특히 희소도가 낮은 경우에도 안정적인 복구를 제공한다. - **전송 비용**: 전체 네트워크에서 전송된 패킷 수를 기준으로 LWCDA는 기존 CS 기반 라우팅(예: