사물인터넷 데이터 집계 혁신 방안

초록

본 논문은 대규모 IoT 네트워크에서 에너지 효율, 데이터 불확실성, 통신 지연 및 프라이버시 문제를 해결하기 위해 세 가지 독립적인 데이터 집계 기법을 제안한다. 첫 번째는 디바이스‑투‑디바이스 기반 클러스터링을 활용한 에너지 절감 라우팅 프로토콜, 두 번째는 불확실한 원시 데이터를 정제·보강하는 집계 스키마, 세 번째는 의료 IoT(​IoMT​) 환경에서 통신 오버헤드와 개인정보 보호를 최소화하는 예측 기반 집계 프레임워크이다.

상세 분석

이 논문은 현대 IoT 시스템이 직면한 세 가지 핵심 제약—제한된 전력·연산 자원, 원시 데이터의 높은 불확실성, 그리고 실시간성·프라이버시 요구—을 각각 독립적인 알고리즘적 접근으로 해결하고자 한다. 첫 번째 접근은 비볼록 최적화와 군집 이론을 결합한 D2D(디바이스‑투‑디바이스) 클러스터링 프로토콜을 설계한다. 여기서는 노드의 잔여 에너지와 이동성을 실시간으로 평가해 클러스터 헤드와 멤버를 동적으로 재배치함으로써 라우팅 경로의 길이를 최소화하고, 전송 횟수를 감소시켜 전체 네트워크의 에너지 소모를 30 % 이상 절감한다는 시뮬레이션 결과를 제시한다. 두 번째 접근은 확률적 행렬 섭동 이론과 머신러닝 기반 데이터 정제 모델을 결합한다. 원시 센서 데이터는 노이즈와 결측치가 다수 포함되므로, 저차원 행렬 근사와 베이지안 필터링을 통해 데이터의 신뢰도를 추정하고, 불확실성을 정량화한 후 가중 평균 집계를 수행한다. 이 과정에서 평균 제곱 오차(MSE)가 기존 단순 평균 방식 대비 45 % 감소한다. 세 번째 접근은 의료 IoT 환경을 겨냥해 연합 학습(Federated Learning)과 예측 기반 압축 집계를 도입한다. 각 디바이스는 로컬에서 시계열 모델(LSTM)을 학습하고, 모델 파라미터만을 암호화된 형태로 중앙 서버에 전송한다. 서버는 파라미터를 집계해 전역 모델을 업데이트하고, 이를 다시 디바이스에 배포한다. 이때 통신량은 원본 데이터 전송 대비 70 % 이상 감소하고, 차등 프라이버시 기법을 적용해 개인 건강 정보의 노출 위험을 최소화한다. 전반적으로 논문은 이론적 분석과 시뮬레이션, 실제 테스트베드 실험을 통해 제안된 세 기법이 각각의 제약을 효과적으로 완화함을 입증한다. 특히, 비볼록 최적화와 연합 필터링을 결합한 하이브리드 구조는 향후 다중 도메인 IoT 환경에서 확장 가능성이 높으며, 에너지·데이터·프라이버시 삼위일체 문제를 동시에 고려한 최초의 통합 프레임워크로 평가될 수 있다.