KR101072448B1

KR101072448B1 - 무선센서 네트워크 시스템 및 그의 클러스터링 방법

Info

Publication number: KR101072448B1
Application number: KR1020100038998A
Authority: KR
Inventors: 김성수; 장시환; 이규선
Original assignee: 강원대학교산학협력단
Priority date: 2010-04-27
Filing date: 2010-04-27
Publication date: 2011-10-11

Abstract

본 발명은 무선 센서 네트워크 시스템 및 그의 설계 방법에 관한 것으로서, 구체적으로는 센서네트워크의 자원 제약성을 고려하여 센서노드 간의 데이터 전송 거리를 최소화함으로써 센서노드의 에너지 소비를 최소화하여 수명을 극대화할 수 있도록 한 무선센서 네트워크 시스템 및 그의 클러스터링 방법에 관한 것이다. 이와 같은 본 발명은 싱크노드와 연결되는 클러스터 헤드 노드 및 그 클러스터 헤드 노드로 데이터를 전송하는 복수의 센서 노드로 클러스터링된 무선 센서네트워크 시스템의 클러스터링 방법에 있어서, 싱크노드와 각 센서 노드의 위치 데이터를 입력하고, 파라미터를 설정하며 한 swarm당 설정된 수만큼의 파티클(particle)을 임의적으로 생성하여 초기해 생성과정을 수행하는 단계; 및 상기 임의적으로 생성된 각 파티클의 평가값을 계산하고, 상기 계산된 평가값을 고려해 해를 평가하고, 다음 세대(generation)는 평가값을 적용하여 클러스터 헤드 노드가 될 확률을 계산하고, 시그모이드(Sigmoid) 함수를 이용하여 다음 세대의 해를 도출하여 현재 세대까지의 파티클 중에서 가장 좋은값과 현재 세대까지의 가장 좋은 파티클 중에서 가장 좋은 파티클로 갱신하며 다음 세대에 이를 반영하여 최적해에 수렴하도록 하는 단계를 수행하여 클러스터 헤드 노드의 개수와 위치를 결정하는 무선센서 네트워크 시스템의 클러스터링 방법 및 그 방법이 적용된 무선센서 네트워크를 제공한다.

Description

무선센서 네트워크 시스템 및 그의 클러스터링 방법{WIRELESS SENSOR NETWORK SYSTEM AND CLUSTERING METHOD THEREOF}

본 발명은 무선 센서 네트워크 시스템 및 그의 설계 방법에 관한 것으로서, 구체적으로는 센서네트워크의 자원 제약성을 고려하여 센서노드 간의 데이터 전송 거리를 최소화함으로써 센서노드의 에너지 소비를 최소화하여 수명을 극대화할 수 있도록 한 무선센서 네트워크 시스템 및 그의 클러스터링 방법에 관한 것이다.

최근 연구가 활발히 진행 중인 마이크로 무선 센서 네트워크는 이동 컴퓨팅과 통신 분야에서 활용성이 매우 높을 것으로 기대된다. 이 기술은 유비쿼터스 환경 구축을 대표로 여러 분야에 응용하여 사용될 수 있으며 현재는 주로 군사, 환경감시 및 극지 모니터링 등에서 사용되고 있다.

유비쿼터스란 사용자가 네트워크나 컴퓨터를 의식하지 않고 장소에 상관없이 자유롭게 네트워크에 접속할 수 있는 정보통신 환경을 말한다. 최근 각 보고서를 통해 무선 센서 네트워크의 시장성이 무한하다는 결과가 입증되었다. 2007년 2월 EE타임스가 시장조사 업체인 인스태트 자료를 인용하여 2010년 세계 RFID 시장이 330억 개 규모로 2005년에 비해 25배 이상 성장할 전망이라고 보도했다. 또한 2008년 2월 12일 정보통신정책연구원(KISDI)에서 발간한 'NFC폰 시장 전망 및 업체 동향' 보고서에서 2007년 국내 모바일 RFID 시장이 269억원으로 추정되고 향후 연평균 196%의 증가세를 보이면서 오는 2010년 7010억원대의 큰 시장을 형성할 것이라고 전망했다. 이러한 유비 쿼터스 환경에서는, 센서 네트워크 상에 존재하는 센서들을 통해 주변의 물리적인 정보가 수집되고, 수집된 데이터는 무선 인터페이스를 통해 싱크로 수집된다. 이렇게 수집된 데이터는 인터넷이나 셀룰러 등의 광대역 네트워크를 통해 원격지에 존재하는 서버 혹은 사용자에게 전달된다. 유비쿼터스 환경 하에서는 무선 센서 단말이 사용자가 휴대하고 다니는 노트북, 휴대폰, PDA 등의 단말 장치라 볼 수 있다. RFID 시스템은 데이터베이스, 리더, 태그로 구성되는데, 리더를 무선 센서 단말로 볼 수 있다. 이를 이용하면 자동차 네비게이션, 위치기반 컨텐츠, 모바일 서비스, 교통카드 등 일상생활, 산업시스템 전반에 걸쳐 광범위하게 적용될 수 있다. 하지만 무선 센서 단말은 저전력, 적은 메모리 등 제한된 컴퓨팅 파워와 같이 자원 제약성이 매우 높으며 저비용으로 구현되어야 한다.

한편 센서 네트워크는 현장에서 데이터를 수집하여 Sink로 전송하는 형태를 갖추고 있으며 사회 각 분야에서의 필요로 인해 개발의 필요가 증대되고 있다.

일반적으로 센서 네트워크는 원거리에 배치된 다수의 센서들이 그룹화 되어 노드로 서로 연결되어 있는 구조이다. 여기서 연결되어 있다는 것은 무선으로 통신 가능하게 신호적으로 결합되어 있는 것을 의미한다.

예를 들면, 센서노드에 의한 감시 시스템은 센서가 부착되어 있는 센서노드들이 데이터 수집장치에 연결에 있고, 센서노드들이 무선 통신, 위성 통신 등으로 구성된 통신 네트워크를 걸쳐 감시자가 있는 메인 컴퓨터에 연결되어 있는 구성으로 되어 있다. 센서노드는 마이크로프로세서, 여기에 연결된 메모리, RAM, ROM, 기억장치, 트랜시버 등 주변 구성요소를 구비한다. 초기에 센서 네트워크는 주로 직접 접근하기 어려운 지역의 군사동향의 감시를 하는 무인 정찰 시스템에 사용되었으나, 최근에는 그 응용분야가 외부 환경의 감시나 제어기능을 수향하는 지능형 교통시스템, 생산공정 자동 제어, 환자 상태 원격감지, 지능형 빌딩내의 환경 컨트롤 등으로 확장되는 추세이다.

이러한 센서 네트워크 시스템에서는 공간적으로 분산된 복수개의 센서노드들로 구성된다. 분산된 각각의 센서노드들은 각자 감시동작 상태로 들어가 이상 형상이 발생하거나 미리 설정된 시간마다 감시 지역의 상태를 통신 네트워크를 통해 데이터 수집장치로 전달한다. 따라서 이러한 분야에서 사용되는 센서 노드들은 주로 한정된 에너지원에 의하여 운영되며, 수개월 내지 수년간 전원의 교체 없이 동작할 필요성을 갖는다.

이러한 필요성에 따라 최소한의 제한적인 컴퓨팅 파워만으로 동작할 수 있는 효율적인 센서와 더불어 센서를 연결시키기 위한 무선 센서 네트워크의 효율적 배치, 집단화 등의 기술 개발이 필요하게 되었다.

그러나 종래에 진행된 많은 연구들이 단지 학술적인 연구 목적으로만 진행되었고, 실제 산업에 적용될 수 있도록 상용화된 기술로까지 진행되지 않아 급변하는 관련 시장에 보조를 맞출 수 있는 기술 개발이 시급한 실정이다.

본 발명은 상기와 같은 문제점을 감안하여 안출된 것으로, 센서네트워크의 자원 제약성을 고려하여 센서노드 간의 데이터 전송 거리를 최소화함으로써 센서노드의 에너지 소비를 최소화하여 수명을 극대화할 수 있도록 한 무선센서 네트워크 시스템 및 그의 클러스터링 방법을 제공함에 그 목적이 있다.

본 발명의 다른 목적은 센서노드의 클러스터링(clustering) 최적 설계를 위하여 휴리스틱 알고리즘인 Particle Swarm Optimization(PSO)을 사용하여 동적 환경에서도 최적의 해를 탐색할 수 있도록 한 무선센서 네트워크 시스템 및 그의 클러스터링 방법을 제공함에 있다.

본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해되어질 수 있을 것이다.

상기와 같은 목적을 달성하기 위한 본 발명의 일면에 따른 무선센서 네트워크 시스템은, 클러스터 헤드 노드 이외의 센서 노드를 구비하여 센싱 데이터를 수집 및 축약하는 적어도 하나의 클러스터; 및 상기 클러스터 헤드 노드로부터 축약된 센싱 데이터를 최종적으로 수집하는 싱크 노드를 포함하되, 상기 클러스터 헤드 노드는, 시그모이드(sigmoid) 함수를 이용하여 다음 세대(generation) 해를 도출하여 피에스오(PSO: Particle Swarm Optimization) 알고리즘을 통해 파티클(particle)별 평가값이 계산되고, 그 계산된 평가값을 고려해 획득되는 최적 해에 의해 개수와 위치가 결정되며, 상기 센서 노드는 가장 가까운 클러스터 헤드 노드에 연결되는 것을 특징으로 한다.

바람직하게, 상기 평가값은, 싱크 노드와 각 센서 노드의 위치 데이터를 입력하고, 아래의 수학식 1과 2의 파라미터를 설정하며, 초기 가능해군을 생성하기 위하여 한 스웜(swarm)당 설정된 수만큼의 파티클을 임의적으로 생성하여 각 파티클의 평가값을 계산하는 것을 특징으로 한다.

(수학식 1)

(수학식 2)

여기서 c₁과 c₂는 각 파티클이 pbestⁱ _j(i세대까지의 파티클 j중에서 가장 좋은값)와 gbestⁱ(i세대까지의 pbestⁱ _j중에서 가장 좋은값)로 향하는 확률적 가속의 가중치, r₁과 r₂는 [0, 1]내의 랜덤 상수, ω는 관성 가중치를 의미한다.

바람직하게, 상기 평가값은, 아래의 수학식 3을 이용하여 계산되는 것을 특징으로 한다.

(수학식 3)

여기서, TD는 초기에 모든 센서가 싱크노드와 연결되어 있을때의 총 거리, N은 모든 노드의 수, a는 가중치, 인덱스 k는 k번째 클러스터링 해, d_k는 k번째 클러스터링 해가 결정되었을 때의 총거리를 나타내고, 그때의 클러스터 헤드 노드의 수를 H_k로 의미한다.

바람직하게, 상기 최적 해는, 상기 평가값을 적용하여 클러스터 헤드 노드가 될 확률을 계산한 후, 시그모이드 함수를 사용하여 확률적으로 '0'과 '1'을 재할당하며, 세대를 거듭하면서 우수한 해가 파티클 중에서 가장 좋은 값(pbest, gbest)으로 갱신되어 다음 세대에 반영되어 수렴되는 것을 특징으로 한다.

본 발명의 다른 면에 따른 무선센서 네트워크 시스템의 클러스터링 방법은, 싱크노드와 연결되는 클러스터 헤드 노드 및 그 클러스터 헤드 노드로 데이터를 전송하는 복수의 센서 노드로 클러스터링된 무선 센서네트워크 시스템의 클러스터링 방법에 있어서, 싱크노드와 각 센서 노드의 위치 데이터를 입력하고, 파라미터를 설정하며 한 스웜(swarm)당 설정된 수만큼의 파티클(particle)을 임의적으로 생성하여 초기해 생성과정을 수행하는 단계; 및 상기 임의적으로 생성된 각 파티클의 평가값을 계산하고, 상기 계산된 평가값을 고려해 해를 평가하고, 다음 세대(generation)는 평가값을 적용하여 클러스터 헤드 노드가 될 확률을 계산하고, 시그모이드(Sigmoid) 함수를 이용하여 다음 세대의 해를 도출하여 현재 세대까지의 파티클 중에서 가장 좋은값과 현재 세대까지의 가장 좋은 파티클 중에서 가장 좋은 파티클로 갱신하며 다음 세대에 이를 반영하여 최적해에 수렴하도록 하는 단계를 수행하여 클러스터 헤드 노드의 개수와 위치를 결정한다.

바람직하게, 상기 최적해에 수렴하도록 하는 단계는, 싱크 노드와 각 센서 노드의 위치 데이터를 입력하고, 아래의 수학식 4와 5의 파라미터를 설정하며, 초기 가능해군을 생성하기 위하여 한 스웜(swarm)당 설정된 수만큼의 파티클을 임의적으로 생성하여 각 파티클의 평가값을 계산하는 단계를 포함한다.

(수학식 4)

(수학식 5)

바람직하게, 상기 관성 가중치의 ω는, 현재의 속도에 대한 기존 속도의 영향을 조절하기 위한 제어 파라미터로서 탐색과정 초기에는 전역탐색의 강화를 위해 ω값을 크게 설정하고, 탐색 후반부에는 지역탐색을 위해 ω를 감소시킨다.

바람직하게, 상기 평가값은, 아래의 수학식 6을 이용하여 계산되는 것을 특징으로 한다.

(수학식 6)

바람직하게, 상기 최적해에 수렴하도록 하는 단계는, 상기 평가값을 적용하여 클러스터 헤드 노드가 될 확률을 계산한 후, 시그모이드 함수를 사용하여 확률적으로 '0'과 '1'을 재할당하는 단계를 포함한다.

본 발명의 또 다른 면에 따른 컴퓨터로 읽을 수 있는 기록매체는, 컴퓨터에 싱크노드와 각 센서 노드의 위치 데이터를 입력하고, 파라미터를 설정하며 한 스웜(swarm)당 설정된 수만큼의 파티클(particle)을 임의적으로 생성하여 초기해 생성과정을 수행하는 단계; 및 상기 임의적으로 생성된 각 파티클의 평가값을 계산하고, 상기 계산된 평가값을 고려해 해를 평가하고, 다음 세대(generation)는 평가값을 적용하여 클러스터 헤드 노드가 될 확률을 계산하고, 시그모이드(Sigmoid) 함수를 이용하여 다음 세대의 해를 도출하여 현재 세대까지의 파티클 중에서 가장 좋은값과 현재 세대까지의 가장 좋은 파티클 중에서 가장 좋은 파티클로 갱신하며 다음 세대에 이를 반영하여 최적해에 수렴하도록 하는 단계를 실행시켜 클러스터 헤드 노드의 개수와 위치를 결정한다.

전술한 과제해결 수단에 의해 본 발명은 무선 센서 네트워크의 클러스터링 최적 설계로 센서 노드의 에너지 소비를 줄이고, 센서 네트워크의 수명을 연장하기 위해 최근에 정보통신기술 및 시스템 설계에 많이 적용되고 있는 PSO 방법을 이용하여 각 센서 노드들 중에서 싱크 노드와 연결되는 클러스터 헤드 노드의 가장 적절한 위치와 개수를 결정하고 그 외 센서 노드들은 가장 가까운 클러스터 헤드 노드에 할당함으로써, 센서 네트워크의 전송 거리와 클러스터 헤드 노드의 위치 및 개수를 최적화하여 센서 네트워크의 에너지 소비를 감소시켜 수명을 연장할 수 있도록 하는 효과가 있다.

또한 데이터 전송 속도 및 정확도 향상을 통하여 비용 절감 및 고객 만족도를 높일 수 있는 효과가 있다.

도 1은 본 발명의 실시예에 따른 무선센서 네트워크 시스템을 보인 예시도.
도 2는 도 1에 대해 컴퓨터에 저장한 가능해를 보인 예시도.
도 3은 본 발명의 실시예에 따라 PSO 방법을 적용하기 위한 가능 해를 표현한 예시도.
도 4는 본 발명에 따라 x₁ ¹, pbest₁ ¹, gbest¹의 해 표현과 PSO 방법을 적용하여 x₁ ²를생성하기 위한 예를 설명하기 위한 예시도.
도 5는 100개 노드에 대해 선세들의 위치를 임의로 설명한 예시도.
도 6은 100개의 노드 무선 센서 네트워크에서 평가 값의 수렴 과정을 설명하기 위한 예시도.
도 7은 100개의 노드 무선 센서 네트워크 최적 클러스터링 결과를 보인 예시도.
도 8은 100개의 노드 무선 센서 네트워크 최적/최선의 클러스터링 결과 위치 그래프를 보인 예시도.
도 9는 200개의 노드 무선 센서 네트워크에서 평가 값의 수렴 과정을 보인 예시도.
도 10은 400개의 노드 무선 센서 네트워크에서 평가 값의 수렴 과정을 보인 예시도.
도 11은 종래의 클러스터링 최적 설계 방법과 본 발명의 PSO 방법을 적용한 결과를 CPLEX의 최적해 결과와 비교 분석한 예시도.
도 12는 본 발명의 실시예에 따른 무선센서 네트워크 시스템의 클러스터링 방법을 보인 흐름도.

본 발명에 따른 무선센서 네트워크 시스템 및 그의 클러스터링 방법은 각각의 무선 센서노드로부터 수집된 정보를 BS로 전송함에 있어서 데이터 전송속도, 전력소모효율, 통신 거리 등을 고려하여 중간정보 수집 단계인 클러스터 헤드 노드의 최적의 수와 위치를 결정하고, 센서노드의 클러스터링(clustering) 최적 설계를 위하여 휴리스틱 알고리즘인 PSO(Particle Swarm Optimization)를 사용하여 동적 환경에서도 최적의 해를 탐색할 수 있도록 하는 기술적 구성을 제안한다.

하기의 설명에서 PSO의 기본 개념은 n-차원의 공간 계산에서 시간이 단계적으로 진행되며 수행함에 따라 각각의 particle들이 가지고 있는 이전의 경험과 주위 무리들이 갖고 있는 정보를 공유하여 최적해를 찾아나가는 진화적인 알고리즘이다.

하기의 설명에서 본 발명의 무선센서 네트워크 시스템 및 그의 클러스터링 방법의 특정 상세들이 본 발명의 보다 전반적인 이해를 제공하기 위해 나타나 있는데, 이들 특정 상세들 없이 또한 이들의 변형에 의해서도 본 발명이 용이하게 실시될 수 있다는 것은 이 기술분야에서 통상의 지식을 가진 자에게 자명할 것이다.

이하, 본 발명에 따른 바람직한 실시 예를 첨부된 도면을 참조하여 상세히 설명하되, 본 발명에 따른 동작 및 작용을 이해하는데 필요한 부분을 중심으로 설명한다.

도 1은 본 발명의 실시예에 따른 무선센서 네트워크 시스템을 보인 예시도이다.

도 1을 참조하면, 본 발명에 따른 무선 센서 네트워크 시스템(100)은 다수개의 클러스터(110, 120, 130, 140) 및 싱크(Sink) 노드(20) 등을 포함하여 구성된다.

우선 클러스터(110, 120, 130, 140)는 상호 독립적으로 구성된다. 그리고 각각의 클러스터(110, 120, 130, 140)는 클러스터 헤드 노드(4, 7, 10, 12) 및 센서 노드(1~3, 5, 6, 8, 9, 11, 13~15)를 포함한다. 이러한 클러스터(110, 120, 130, 140)에서 클러스터 헤드 노드(4, 7, 10, 12)는 각각의 센서 노드(1~3, 5, 6, 8, 9, 11, 13~15)로부터 수신되는 센싱 데이터에 대하여 데이터 축약을 수행한다. 그리고 클러스터 헤드(4, 7, 10, 12)는 축약된 센싱 데이터를 싱크 노드(20)로 전달한다.

싱크 노드(20)는 각각의 클러스터 헤드 노드(4, 7, 10, 12)로부터 수신되는 축약된 센싱 데이터를 수집한다. 이러한 싱크 노드(20)는 무선 센서 네트워크 시스템에서 복수개로 구성될 수도 있다

전술한 무선 센서 네트워크 시스템(100)은 효율적인 에너지 소비와 네트워크의 수명을 연장하기 위해 정보통신 기술 및 시스템에서 많이 사용되고 있는 휴리스틱 알고리즘인 PSO을 사용하여 동적 환경에서도 최적의 해를 탐색하여 클러스터 헤드의 최적의 수와 위치를 결정하는 클러스터링 최적 설계를 수행한다.

1.클러스터링 설계를 위한 PSO 기술

PSO 알고리즘은 탐색을 진행하며 i번째 세대에서 j개의 particle 각각의 가장 좋은 평가값을 찾아 그 결과값을 pbestⁱ _j(particle best) 행렬에 저장하여 기억시키고, i번째까지 진행된 세대(generation)에서 가장 좋은 평가값을 갖는 pbestⁱ _j를 선정하여 gbestⁱ(global best)에 저장한다. 각 particle의 이동은 pbestⁱ _j , gbestⁱ에 저장된 결과값과 현재 위치벡터와 속도벡터를 사용해서 다음과 같은 <수학식1>로 표현된다. 여기서 pbestⁱ _j는 i세대까지의 particle j 중에서 가장 좋은값을 의미하고, gbestⁱ는 i세대까지의 pbestⁱ _j 중에서 가장 좋은 값을 의미한다.

c₁과 c₂는 각 particle이 pbestⁱ _j와 gbestⁱ로 향하는 확률적 가속의 가중치이다. r₁과 r₂는 [0, 1]내의 랜덤 상수이다. ω는 관성 가중치(inertia weight)로서 현재의 속도에 대한 기존 속도의 영향을 조절하기 위한 제어 파라미터로서 탐색과정 초기에는 전역탐색의 강화를 위해 ω값을 크게 설정하고, 탐색 후반부에는 지역탐색을 위해 ω를 감소시킨다.

위치벡터의 수정은 현재의 위치와 수정된 속도를 이용하는 하기의 <수학식 2>를 이용한다.

이와 같은 과정을 반복함으로써 최적해를 찾아가게 된다.

무선센서 네트워크 클러스터링 설계시에 PSO 방법을 적용하여 클러스터 헤드 노드의 수와 위치, 다른 센서 노드가 어떤 클러스터 헤드 노드에 연결되는지를 결정한다.

싱크노드와 각 센서 노드의 위치 데이터를 입력하고 상기 <수학식 1> 과 <수학식 2>의 파라미터 ω, c₁, c₂, r₁, r₂를 설정한다. 초기 가능해군을 생성하기 위하여 한 swarm당 설정된 수만큼의 particle을 임의적으로 생성하고 하기의 <수학식 3>의 평가함수를 이용하여 각 particle의 해를 평가한다.

여기서, TD는 초기에 모든 센서가 싱크노드와 연결되어 있을때의 총 거리, N은 모든 노드의 수, a는 가중치, 인덱스 k는 k번째 클러스터링 해, d_k는 k번째 클러스터링 해가 결정되었을 때의 총거리를 나타내고, 그때의 클러스터 헤드 노드의 수를 H_k로 나타낸다.

다음 세대는 이전의 해와, pbestⁱ _j, gbestⁱ의 해를 적절한 비율로 반영하고, 지역해에 빠짐을 방지하고, 해 탐색의 다양성을 높이기 위해 Sigmoid 함수를 사용하여 확률적으로 0과 1을 재할당한다. 세대를 거듭하면서 우수한 해가 pbestⁱ _j, gbestⁱ로 갱신되고 다음 세대에 반영됨으로써 최적해에 수렴하게 된다.

하기에서는 해의 표현과 평가함수에 대해 설명하고, 그 다음에는 PSO 방법 수행 절차를 설명하도록 한다.

2. 해의 표현과 평가함수

도 1에서 사용된 cluster-based hierarchical model을 대상으로 해를 표현해보면 싱크 노드(20)에 연결되어 있는 참조부호 4, 7, 10, 12번 노드가 클러스터 헤드 노드가 되고 나머지 노드는 센서 노드(1~3, 5, 6, 8, 9, 11, 13~15)가 된다.

도 2는 도 1에 대해 컴퓨터에 저장한 가능해를 보인 예시도이다.

도 2를 참조하면, 클러스터 헤드 노드는 싱크 노드와 연결되어 데이터를 전송하게 되므로, 싱크 노드의 인덱스인 0번을 할당받게 되고, 클러스터 헤드 노드 이외의 센서 노드는 자신의 위치에서 가장 가까운 곳에 위치한 노드와 연결되어 해당 클러스터 헤드 노드의 번호를 할당받는다.

즉, 1, 2, 3, 5번 센서 노드는 4번 클러스터 헤드 노드에 연결되어 4번을 할당받게 되고, 6, 8번 센서 노드는 7번 클러스터 헤드 노드, 9, 14번 센서 노드는 10번 클러스터 헤드 노드, 11, 13, 14번 센서 노드는 12번 클러스터 헤드 노드에 연결되어 각각 해당 클러스터 헤드 노드의 번호를 할당받게 된다.

이와 같이 도 2의 해의 표현은 첨부된 구체적인 해의 정보와 해의 해석 측면에서 더 용이하기 때문에 본 발명에서는 컴퓨터에 저장할 때 도 2와 같은 형태로 저장한다.

도 3의 해 표현은 각 센서 노드가 클러스터 헤드 노드인지 아닌지를 ‘0’과 ‘1’로 단순히 표시할 수 있어 본 발명에서 사용한 BPSO 최적화 방법을 원활하게 적용할 수 있기 때문에 해 표현으로 사용하였고, 해의 정보를 저장할 때는 도 2의 형태를 사용하였다.

한편, 본 발명에서는 상기 <수학식 3>을 평가 함수로 사용하였으며, 가중치 a를 0.7로 사용하여 총 거리를 줄이는데 더 많은 비중을 두었으나, 파라미터 값은 평가 중요도에 따라 조정될 수 있다.

즉, 상기 <수학식 3>의 평가값을 최대화하는 것이 총 전송 거리를 줄이면서 가능하면 클러스터 헤드 노드를 줄이는 것이다.

3. PSO 의 설계

PSO방법의 초기해를 생성하는 방법은 우선 각 센서 노드별로 클러스터 헤드 노드인지 아닌지를 결정해야 한다. 이때 난수 발생을 통해 각 노드는 확률적으로 클러스터 헤드 노드가 된다. 다음으로 싱크 노드와 클러스터 헤드 노드를 제외한 센서 노드를 모든 클러스터 헤드 노드와의 거리를 계산하여 가장 짧은 거리에 위치한 클러스터 헤드 노드에 할당한다.

즉, 센서네트워크 설계해는 [0, 1]의 값으로 표현된다. 만들어진 해의 클러스터링 결과를 x_j ⁱ라 하고 순차적으로 세대가 진행될 때마다 particle번호 별로 가장 좋은 평가값을 가지는 클러스터링 결과가 pbestⁱ _j에 저장된다. 마찬가지로 pbestⁱ _j중 가장 좋은 평가값을 가지는 클러스터링 결과가 gbest_i에 저장된다.

x₁ ²는 x₁ ¹, pbest₁ ¹과 gbest¹을 상기 <수힉식 1>과 <수학식 2>에 적용하여 생성한다.

평가함수 f(x₁ ¹)과 f(x₁ ²)를 비교하여 더 좋은 값을 pbest₁ ²에 저장한다. 이와 같이 pbest₂ ², pbest₃ ² ^,…, pbest_j ²를 구하고 이 값들 중에서 가장 좋은 값을 gbest²에 저장한다. 다시 x₁ ³은 x₁ ², pbest₁ ²와 gbest²를 상기 <수학식 1>과 <수학식 2>에 적용하여 생성한다. 이와 같이 세대(generation)를 진행하여 최적해를 구한다.

위에서 설명한 x₁ ¹, pbest₁ ¹과 gbest¹을 식(2)와 (3)에 적용하여 x₁ ²를 생성하는 과정을 다음과 같은 예제로 설명할 수 있다.

만약, 평가 함수값 f(x₁ ¹)=2, f(pbest₁ ¹)=3, f(gbest¹)=5라 한다면 새로운 x₁ ²를 생성할 때 상기 <수학식 1>과 <수학식 2>를 적용하여, x₁ ¹, pbest₁ ¹, gbest¹의 유전인자를 x₁ ²가 확률적으로 어느 정도 닮아야 하는지를 아래의 <수학식 4>와 같이 계산할 수 있다.

각각의 평가 값에 따른 확률에 따라 x₁ ²의 특정 노드가 클러스터 헤드 노드 될 수 있는 확률은 0과 1사이의 값으로 각각 계산할 수 있다.

즉, 각 해의 유전 인자 “1”(클러스터 헤드 노드)을 확률적으로 받아들이는 것을 확률의 합으로 계산하여 상기 <수학식 1>의 v_i ^t ⁺ ¹를 도출한다.

클러스터 헤드 노드가 될 확률의 합 v_i ^t ⁺¹은 0과 1사이의 값이고, v_i ^t ⁺¹의 최소값과 최대값 v_min=-4, v_max=4 사이의 값(일반적으로 v_i ^t ⁺¹의 범위는 [-4, 4]내로 한다)으로 변환하여 Sigmoid 함수를 다음과 같이 <수학식 5>로 적용할 수 있다.

이에 v_i ^t ⁺¹의 값이 클수록 클러스터 헤드 노드 즉, “1”이 될 확률이 높아지고 v_i ^t ⁺¹의 값이 작을수록 클러스터 헤드 노드가 아닌 “0”이 될 확률이 높아진다.

도 4는 본 발명에 따라 x₁ ¹, pbest₁ ¹, gbest¹의 해 표현과 PSO 방법을 적용한 예를 설명하기 위한 예시도이다.

도 4를 참조하면, 우선 도 4의 ⓐ와 같이 x₁ ¹, pbest₁ ¹, gbest¹의 5번째 노드가 cluster head이면(즉, 유전인자가 모두 “1”이면) x₁ ²의 5번째 노드의 유전자를 1로 받아올 확률은 1이 되고 -4와 4사이의 값으로 변환하면 상기 <수힉식 1>의 v_i ^t ⁺¹이 4가 되어, 이를 상기 <수학식 5>에 대입하면

가 된다. 다시 말하면 x₁ ²의 5번째 노드가 클러스터 헤드 노드가 될 확률은 98.2%가 된다.

도 4의 ⓑ와 같이 x₁ ¹, pbest₁ ¹, gbest¹의 6번째 노드가 클러스터 헤드 노드가 아니면(즉, 유전인자가 모두 “0”이면) x₁ ²의 6번째 노드의 유전자를 1로 받아올 확률은 0이 되고 -4와 4사이의 값으로 변환하면 상기 <수학식 1>의 v_i ^t ⁺¹이 -4가 되어, 이를 상기 <수학식 5>에 대입하면

이 된다. 다시 말해서 x₁ ²의 6번째 노드가 클러스터 헤드 노드가 될 확률은 1.7986%가 되는 것이다.

도 4의 ⓒ와 같이 x₁ ¹의 7번째 노드가 클러스터 헤드 노드가 아니고 pbest₁ ¹, gbest¹의 7번째 노드가 클러스터 헤드 노드이면(즉, x₁ ¹의 유전인자는 “0”이고, pbest₁ ¹, gbest¹의 유전인자는 “1”이면) x₁ ²의 7번째 노드의 유전자를 1로 받아올 확률은

과 같은 계산 과정을 거쳐 0.8이 되고, -4와 4사이의 값으로 변환하면 상기 <수학식 1>의 v_i ^t ⁺¹이 2.4가 되어, 이를 상기 <수학식 5>에 대입하면

가 된다. 다시 말해서 x₁ ²의 7번째 노드가 클러스터 헤드 노드가 될 확률은 91.6827%가 된다.

이러한 과정을 통하여 particle 1의 해 x₁ ², x₁ ³ ,… 가 생성되어 i세대까지 중 가장 좋은 평가값을 가진 pbest₁ ⁱ 가 갱신된다. 이처럼 j개 각각의 particle에 대한 i세대까지의 pbestⁱ _j가 갱신되면 pbestⁱ _j중에서 가장 좋은 평가값이 gbest ⁱ 로 결정된다.

전술한 본 발명에 따른 무선센서 네트워크 시스템 및 그의 클러스터링 방법을 통해 센서 네트워크의 클러스터링 문제를 적용시킨 실험 결과에 대해 분석하였다. 실험은 100개, 200개, 400개 노드들에 대한 네트워크를 생성하여 진행하였다. 또한 싱크 노드를 각 네트워크의 원점(0, 0)과 중앙에 위치시켜 결과를 비교 분석하였다.

실험을 할 때, PSO 방법 적용을 위해 다음과 같은 초기 파라미터의 값을 사용하였다. 한 세대에 생성되는 particle의 수는 30개의 해를 생성한다. 상기 <수학식 1>의 전 particle의 inertia weight 2.5, pbest의 가중치 3.3, gbest의 가중치 0.2를 적용하였다. 이와 같은 파라미터 값은 여러 번의 실험 결과를 통하여 선택하였다.

본 발명은 각 노드의 위치를 임의의 난수를 발생시켜 초기 데이터를 생성하였다. 100개의 노드(싱크 노드 포함)인 경우 각 노드의 X좌표와 Y좌표에 대하여 임의로 1부터 99까지 발생 시켰고 모든 노드들은 중복되는 위치가 없도록 했다.

도 5는 100개 노드에 대해 선세들의 위치를 임의로 할당한 도면이며, 본 발명에서 사용된 초기 데이터이다.

100개 노드에 대한 PSO 방법의 적용결과는 도 6과 같은 수렴 과정이 뚜렷하게 나타났고, 싱크 노드가 (0, 0)과 (50, 50)일 때의 실험 결과를 보면 평가 값은 각각 CPLEX로 찾은 최적해와 같은 4159.84, 1774.39로 최적해를 탐색해 낼 수 있었다.

도 7과 도 8의 (a)와 (b)는 100개의 노드 무선 센서 네트워크의 최적 결과인데, 클러스터 헤드 노드가 몇 개이고, 어디에 위치하는지, 각 센서가 어떤 클러스터 헤드 노드에 할당되었는지를 보여준다. 싱크 노드가 (0, 0)인 경우를 보면 클러스터 헤드 노드는 3(73, 81), 16(82, 35), 17(18, 95), 32(74, 18), 38(36, 7), 41(34, 29), 46(17, 38), 91(11, 4), 92(52, 43), 96(50, 67), 98(12, 67)번 노드 11개가 선택되었다.

싱크 노드가 (50, 50)인 경우를 보면 클러스터 헤드 노드는 2(81, 17), 4(44, 70), 7(36, 14), 16(82, 35), 17(18, 95), 24(47, 54), 28(85, 64), 33(58, 50), 46(17, 38), 48(33, 30), 53(65, 11), 58(58, 69), 63(27, 66), 64(73, 89), 67(12, 10), 82(32, 46), 84(7, 73), 90(45, 30), 92(52, 43) 노드 19개가 선택되었다.

Sink 노드가 (50, 50)인 경우를 보면 클러스터 헤드 노드는 2(81, 17), 4(44, 70), 7(36, 14), 16(82, 35), 17(18, 95), 24(47, 54), 28(85, 64), 33(58, 50), 46(17, 38), 48(33, 30), 53(65, 11), 58(58, 69), 63(27, 66), 64(73, 89), 67(12, 10), 82(32, 46), 84(7, 73), 90(45, 30), 92(52, 43) 노드 19개가 선택되었다. 나머지 노드들은 선택된 클러스터 헤드 노드들 중 가장 가까운 클러스터 헤드 노드에 할당되었다.

도 8의 (a)와 (b) 모두 원점과 중앙점의 싱크 노드를 중심으로 클러스터 헤드 노드가 골고루 분포되어 있는 것을 알 수 있다.

도 9는 200개 노드, 도 10은 400개 노드에 대하여 싱크 노드가 원점 또는 중앙에 위치해 있을 때 각 실험의 평가 값의 뚜렷한 수렴 형태를 나타내고 있다.

도 11은 센서 네트워크의 클러스터링 최적화 문제에 김성수ㆍ최승현의 ACO(명칭: 개미군 최적화 방법을 적용한 무선 센서 네트워크에서의 클러스터링 최적 설계, 한국경영과학회, 제26권 3호, 11, 2009, pp.55-65.)와 본 발명에서 제시한 PSO 방법을 적용한 결과를 CPLEX의 최적해 결과와 비교 분석한 결과이다.

PSO 방법의 결과가 100, 200, 400개 노드 모든 경우에서 ACO 방법의 결과보다 월등히 좋은 것을 검증할 수 있었다. 특히, 100개 노드 경우 PSO 방법은 최적해를 탐색해 낼 수 있었다.

본 발명에서 생성한 100, 200, 400개 노드의 데이터를 바탕으로 싱크 노드를 원점(0, 0)과 중앙점으로 한 결과이다. 100, 200, 400개 노드 모든 경우에서 싱크 노드가 원점일 경우 중앙점일 경우보다 적합도 값이 상대적으로 우수한 것으로 분석되었고 최적해에 가까운 값을 탐색할 수 있었다.

또한, 김성수ㆍ최승현이 제시한 ACO 결과와 비교했을 때 도 11에 도시된 바와 같이 100개 노드 문제는 최적해를 탐색해 낼 수 있었으며 200, 400개 노드 문제도 ACO 결과에 비하여 상당히 개선된 해를 탐색해 낼 수 있었다.

ACO의 결과와 마찬가지로 싱크 노드가 원점에 있을 때가 중앙점에 있을때 보다 더 좋은 적합도를 갖는 클러스터링 해를 탐색할 수 있었다.

도 12는 본 발명의 실시예에 따른 무선센서 네트워크 시스템의 클러스터링 방법을 보인 흐름도이다.

도 12를 참조하면, 우선 싱크 노드와 각 센서 노드의 위치 데이터를 입력한 다(S1201). 예컨대, 도 5와 같이 센서들의 위치를 임의로 할당한다.

이후 particle의 이동을 위한 파라미터를 설정한다(S1203). 이때 PSO 방법 적용을 위해 사용되는 파라미터의 가중치를 설정한다.

그 다음으로 초기 가능해군을 생성하기 위해 한 swarm당 설정된 수만큼의 Particle을 임의적으로 생성한다(S1205). 여기서 초기 가능해군을 생성하는 방법은 우선 각 센서별로 클러스터 헤드 노드인지 아닌지를 결정해야 한다. 이때 난수 발생을 통해 각 노드는 확률적으로 클러스터 헤드 노드가 된다. 다음으로 싱크 노드와 클러스터 헤드 노드를 제외한 센서 노드를 모든 클러스터 헤드 노드와의 거리를 계산하여 가장 짧은 거리에 위치한 클러스터 헤드 노드에 할당한다. 즉 센서네트워크 설계 해는 [0, 1]의 값으로 표현된다.

초기 가능해군을 생성한 이후에 평가값을 이용하여 각 particle의 해를 평가한다(S1207). 이때 particle 별 평가값은 상기 <수학식 3>을 이용한다.

이후 particle별로 생성한 해를 각 particle의 pbest로 갱신하고 모든 particle 중에서 가장 좋은 평가값을 가진 해를 gbest로 갱신한다(S1209~1215).

상기 과정을 수행 후, 종료 조건이 되었는지를 판단한다(S1217). 여기서 종료 조건은 일예로, 4000 세대에 대한 해를 평가하여 최적화 하는 과정인 경우에 종료하게 된다.

상기 판단결과 종료 조건이 되지 않으면, 다음 세대는 1219단계~1223단계(S1219~S1223)로 진행하여 이전의 해와, pbest, gbest의 해를 적절한 비율로 반영하고 sigmoid 함수를 사용하여 새로운 해를 생성한다.

즉 평가값 f(x_j ⁱ ^-1), f(pbest_i ^j ^-1), f(gbest_j ⁱ ^-1)을 적용하여 클러스터 헤드 노드가 될 확률을 계산한다(S1219).

이후, 확률 범위[0,1]을 [Vmin, Vmax]로 비례하여 확장하고(S1221), Sigmoid 함수를 적용하여 다음 세대 해를 도출하며(S1223), 전술한 1207단계(S1207)로 복귀하여 다음 세대에서의 particle별로 새로 생성한 해를 평가값을 이용하여 평가하고 각 particle별로 기존의 해와 새로 생성된 해를 비교하여 더 좋은 평가값을 가진 해를 해당 particle의 pbest로 갱신하고, 갱신된 pbest의 해 중에서 가장 좋은 평가값을 가진 해를 gbest로 갱신한다(S1209~S1215). 다음 세대의 해를 생성 시에도 위와 같은 방법을 사용한다.

이와 같은 과정을 거친 후 종료조건을 만족하게 되면, 종료하게 되고 그렇지 않으면 위 과정을 반복 적용하게 된다. 여기서 종료 조건은 클러스터링의 최적설계를 위해 일정 횟수 반복하여 획득되는 실험데이터의 반복횟수가 종료 조건이 된다.

한편 본 발명의 상세한 설명에서는 구체적인 실시예에 관해 설명하였으나, 본 발명의 범위에서 벗어나지 않는 한도내에서 여러 가지 변형이 가능함은 물론이다. 그러므로 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 안되며 후술하는 특허청구의 범위뿐만 아니라 이 특허청구의 범위와 균등한 것들에 의해 정해져야 한다.

Claims

클러스터 헤드 노드 이외의 센서 노드를 구비하여 센싱 데이터를 수집 및 축약하는 적어도 하나의 클러스터; 및
상기 클러스터 헤드 노드로부터 축약된 센싱 데이터를 최종적으로 수집하는 싱크 노드를 포함하되,
상기 클러스터 헤드 노드는, 시그모이드(sigmoid) 함수를 이용하여 다음 세대(generation) 해를 도출하여 피에스오(PSO: Particle Swarm Optimization) 알고리즘을 통해 파티클(particle)별 평가값이 계산되고, 그 계산된 평가값을 고려해 획득되는 최적 해에 의해 개수와 위치가 결정되며, 상기 센서 노드는 가장 가까운 클러스터 헤드 노드에 연결되는 것을 특징으로 하는 무선센서 네트워크 시스템.
제1 항에 있어서, 상기 평가값은,
싱크 노드와 각 센서 노드의 위치 데이터를 입력하고, 아래의 수학식 1과 2의 파라미터를 설정하며, 초기 가능해군을 생성하기 위하여 한 스웜(swarm)당 설정된 수만큼의 파티클을 임의적으로 생성하여 각 파티클의 평가값을 계산하는 것을 특징으로 하는 무선센서 네트워크 시스템.
(수학식 1)

(수학식 2)

여기서 c₁과 c₂는 각 파티클이 pbestⁱ _j(i세대까지의 파티클 j중에서 가장 좋은값)와 gbestⁱ(i세대까지의 pbestⁱ _j중에서 가장 좋은값)로 향하는 확률적 가속의 가중치, r₁과 r₂는 [0, 1]내의 랜덤 상수, ω는 관성 가중치, Vi^t는 t시점의 변화, Vi^t+1은 t+1시점의 변화, Xi^t는 t시점의 위치, Xi^t+1은 t+1시점의 위치를 의미함.
제1 항 또는 제2 항에 있어서, 상기 평가값은,
아래의 수학식 3을 이용하여 계산되는 것을 특징으로 하는 무선센서 네트워크 시스템.
(수학식 3)

여기서, TD는 초기에 모든 센서가 싱크노드와 연결되어 있을때의 총 거리, N은 모든 노드의 수, a는 가중치, 인덱스 k는 k번째 클러스터링 해, d_k는 k번째 클러스터링 해가 결정되었을 때의 총거리를 나타내고, 그때의 클러스터 헤드 노드의 수를 H_k로 의미함.
제3 항에 있어서, 상기 최적 해는,
상기 평가값을 적용하여 클러스터 헤드 노드가 될 확률을 계산한 후, 시그모이드 함수를 사용하여 확률적으로 '0'과 '1'을 재할당하며, 세대를 거듭하면서 우수한 해가 파티클 중에서 가장 좋은 값(pbest, gbest)으로 갱신되어 다음 세대에 반영되어 수렴되는 것을 특징으로 하는 무선센서 네트워크 시스템.
싱크노드와 연결되는 클러스터 헤드 노드 및 그 클러스터 헤드 노드로 데이터를 전송하는 복수의 센서 노드로 클러스터링된 무선 센서네트워크 시스템의 클러스터링 방법에 있어서,
싱크노드와 각 센서 노드의 위치 데이터를 입력하고, 파라미터를 설정하며 한 스웜(swarm)당 설정된 수만큼의 파티클(particle)을 임의적으로 생성하여 초기해 생성과정을 수행하는 단계; 및
상기 임의적으로 생성된 각 파티클의 평가값을 계산하고, 상기 계산된 평가값을 고려해 해를 평가하고, 다음 세대(generation)는 평가값을 적용하여 클러스터 헤드 노드가 될 확률을 계산하고, 시그모이드(Sigmoid) 함수를 이용하여 다음 세대의 해를 도출하여 현재 세대까지의 파티클 중에서 가장 좋은값과 현재 세대까지의 가장 좋은 파티클 중에서 가장 좋은 파티클로 갱신하며 다음 세대에 이를 반영하여 최적해에 수렴하도록 하는 단계를 수행하여 클러스터 헤드 노드의 개수와 위치를 결정하는 것을 특징으로 하는 무선센서 네트워크 시스템의 클러스터링 방법.
제5 항에 있어서, 상기 최적해에 수렴하도록 하는 단계는,
싱크 노드와 각 센서 노드의 위치 데이터를 입력하고, 아래의 수학식 4와 5의 파라미터를 설정하며, 초기 가능해군을 생성하기 위하여 한 스웜(swarm)당 설정된 수만큼의 파티클을 임의적으로 생성하여 각 파티클의 평가값을 계산하는 단계를 포함하는 것을 특징으로 하는 무선센서 네트워크 시스템의 클러스터링 방법.
(수학식 4)

(수학식 5)

여기서 c₁과 c₂는 각 파티클이 pbestⁱ _j(i세대까지의 파티클 j중에서 가장 좋은값)와 gbestⁱ(i세대까지의 pbestⁱ _j중에서 가장 좋은값)로 향하는 확률적 가속의 가중치, r₁과 r₂는 [0, 1]내의 랜덤 상수, ω는 관성 가중치, Vi^t는 t시점의 변화, Vi^t+1은 t+1시점의 변화, Xi^t는 t시점의 위치, Xi^t+1은 t+1시점의 위치를 의미함.
제6 항에 있어서, 상기 관성 가중치의 ω는,
현재의 속도에 대한 기존 속도의 영향을 조절하기 위한 제어 파라미터로서 탐색과정 초기에는 전역탐색의 강화를 위해 ω값을 크게 설정하고, 탐색 후반부에는 지역탐색을 위해 ω를 감소시키는 것을 특징으로 하는 무선센서 네트워크 시스템의 클러스터링 방법.
제5 항 또는 제6 항에 있어서, 상기 평가값은,
아래의 수학식 5을 이용하여 계산되는 것을 특징으로 하는 무선센서 네트워크 시스템의 클러스터링 방법.
(수학식 5)

여기서, TD는 초기에 모든 센서가 싱크노드와 연결되어 있을때의 총 거리, N은 모든 노드의 수, a는 가중치, 인덱스 k는 k번째 클러스터링 해, d_k는 k번째 클러스터링 해가 결정되었을 때의 총거리를 나타내고, 그때의 클러스터 헤드 노드의 수를 H_k로 의미함.
제5 항에 있어서, 상기 최적해에 수렴하도록 하는 단계는,
상기 평가값을 적용하여 클러스터 헤드 노드가 될 확률을 계산한 후, 시그모이드 함수를 사용하여 확률적으로 '0'과 '1'을 재할당하는 단계를 포함하는 것을 특징으로 하는 무선센서 네트워크 시스템의 클러스터링 방법.
컴퓨터에 싱크노드와 각 센서 노드의 위치 데이터를 입력하고, 파라미터를 설정하며 한 스웜(swarm)당 설정된 수만큼의 파티클(particle)을 임의적으로 생성하여 초기해 생성과정을 수행하는 단계; 및
상기 임의적으로 생성된 각 파티클의 평가값을 계산하고, 상기 계산된 평가값을 고려해 해를 평가하고, 다음 세대(generation)는 평가값을 적용하여 클러스터 헤드 노드가 될 확률을 계산하고, 시그모이드(Sigmoid) 함수를 이용하여 다음 세대의 해를 도출하여 현재 세대까지의 파티클 중에서 가장 좋은값과 현재 세대까지의 가장 좋은 파티클 중에서 가장 좋은 파티클로 갱신하며 다음 세대에 이를 반영하여 최적해에 수렴하도록 하는 단계를 실행시켜 클러스터 헤드 노드의 개수와 위치를 결정하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.