Location Update Scheme for IoT Devices through Opportunistic Fog Node

기회적 포그 노드를 활용한 IoT 기기의 위치 업데이트 방법

Abstract

In order to provide useful Internet of Things (IoT) services, the locations of IoT devices should be well managed. However, frequent location updates of lots of IoT devices result in signaling overhead in networks. To solve this problem, this paper utilizes the opportunistic fog node (OFN) which is opportunistically available according to the mobility to perform the location updates as a representative of IoT devices. Therefore, the location updates through OFN can reduce the signaling loads of networks. To show the performance of the proposed scheme, we develop an analytic model for the opportunistic location update offloading probability that the location update can be offloaded to OFN from the IoT device. Then, the extensive simulation results are given to validate the analytic model and to assess the performance of the proposed scheme in terms of the opportunistic location update offloading probability.

1. 서론

최근 Wearable기기, 스마트폰 등 많은 종류의 기기들이 다양한 물리적인 상황들을 인지하고 활용하기 위하여 센서들을 탑재하고 있는 추세이다. 이는기기 간, 그리고 기기와 네트워크 간 연결을 이용하여 다양한 정보들이 수집되고 공유되는 개념인 IoT (InternetofThings), 그리고 더 나아가 IoE(Internet ofEverything)의 시대로 이끌고 있다. 이에 따라 스마트 홈, 스마트 팩토리, C-ITS(CollaborativeIntel- ligentTransportationSystem), 스마트 환경 등 다양한 IoT응용 서비스가 연구되고 발전하게 되었고[1- 3], IoT기기들의 통신방식을 고려한 mMTC(mas- siveMachineTypeCommunication)는 5G의 핵심통신 타입으로 정의되었다[4].

이러한 IoT서비스들은 컴퓨팅 및 스토리지 자원의 유연한 활용이 가능한 클라우드 기반으로 제공되다가 처리 지연 및 코어 네트워크 부하 증가 등의 이슈가 발생할 수 있기 때문에 이를 해결하고자 사용자 근처에서 서비스를 제공하는 포그 컴퓨팅 개념이 도입되었다[5].하지만 IoT의 특성 상 물리적으로 인접한 IoT기기들의 다수 요청이 짧은 시간 내에 발생할 수 있기 때문에 정적으로 설치된 포그 컴퓨팅 노드(FogComputingNode, FN)에도 부하가 집중될 수 있다. 최근에는 해당 이슈를 고려하여 정적으로 설치된 FN뿐만 아니라 동적으로 움직이는 FN을 통한 오프로딩에 대한 연구도 관심을 받게 되었다[6- 11].이러한 동적인 FN들은 이동성으로 인해 기회적으로 자원 활용이 가능하기 때문에 기회적 포그 컴퓨팅 노드(OpportunisticFN, OFN)라는 용어로 정의되었고[7], 차량, 스마트폰, 드론 등 그 연구 범위가 확장되고 있다 [8]. OFN관련 연구로는 OFN을 통해 테스크를 오프로딩 연구[6,9], 재난 상황 등 네트워크 인프라 사용이 불가할 때 OFN을 통한 기회적 네트워크를 구성하는 연구[7], 그리고 OFN을 통해 컨텐츠서비스를 제공받는 연구[10,11] 등이 진행되고 있다.

한편, 위치 기반 서비스는 IoT핵심 서비스들 중 하나로 고려되고 있으며 현재 사용자 디바이스 찾기, 물류 시스템, 그리고 지능형 차량 시스템 등 다양한 상용 서비스에 적용되고 있는 추세이다[12]. 이러한위치 기반 서비스를 가능하게 하려면 IoT기기의 위치 관리가 필요한데, IoT기기의 위치 관리는 크게 IoT기기 스스로의 위치 업데이트 또는 참조 노드의 도움을 통한 위치 업데이트를 통해 운영될 수 있다 [12].하지만 IoT기기들은 인접한 영역에 다수가 존재하는 경우가 많을 수 있기 때문에 모든 기기가 위치 업데이트를 수행하게 되면 네트워크 입장에서 시그널링 부하가 증가할 수 있다. 이를 해결하기 위해 위치 업데이트를 지연시키거나[13,14], 중요 위치에서만 업데이트를 수행하는 연구[15], 그리고 그룹을 형성하여 대표가 업데이트를 수행하는 연구[16,17] 등이 제안되었는데 기존 연구들은 주로 IoT 기기들의 자체 자원을 활용하는 방법만이 고려되었다.

그러므로 본 연구에서는 IoT기기들의 위치 업데이트를 기회적으로 가용한 자원인 OFN을 통해 수행함으로써 네트워크의 시그널링 부하를 줄이고 OFN 의 자원 활용도를 높일 수 있는 방안을 제시하고자 한다.

2. 관련 연구

2.1 OFN 활용 연구

OFN은 기회적으로 연결성과 자원 가용성을 제공하기 때문에 이동성 및 서비스 지연 이슈 등 기존의 정적인 FN과는 다른 다양한 새로운 특징들을 고려한 연구가 진행되고 있다 [8].특히 OFN을 통한 테스크 오프로딩 관련 연구가 활발히 진행되었는데 기회적인 가용성을 고려하여 OFN과 FN의 협력적 처리 또는 OFN들간의 분산적인 네트워킹을 통한 처리 등이 아키텍처로 고려되고 있다[6,9].Y.Kyung의 연구 [6]에서는 IoT기기에서 발생하는 테스크의 서비스 요구사항을 지연 민감도에 따라 분류하여 지연에 민감한 요청들은 정적인 FN을 통해 안정적으로 처리하고, 지연에 둔감한 요청들은 동적인 OFN을 통해기회적으로 처리함으로써 부하를 분산시킬 수 있는 방안을 제시하였다.Y.Liu의 연구[9]에서는 다수의테스크로 구성된 어플리케이션을 테스크 간의 의존성을 고려하면서 서비스 지연 요구사항을 만족시킬 수 있도록 OFN및 FN가용 자원 스케줄링 방법을 제안하였다.또한 OFN을 통한 컨텐츠 공유 서비스 관련 연구도 진행되었는데 L.Yao의 연구[10]에서는 사용자들의 사회적 유사성 및 경로 히스토리를 기반으로 OFN에 컨텐츠를 캐싱하여 캐시 hit비율을 높이고 컨텐츠 서비스 지연 시간을 줄이는 방안을 제시하였다. Y.Zhao의 연구[11]에서는 OFN들 간의 컨택을 Markovchain모델을 통해 모델링하고, 최적의 에너지 효율성을 위한 OFN컨텐츠 캐싱 방법을 제안하였다.

2.2 IoT 시스템의 위치 관리 연구

IoT 시스템에서 다수의 IoT 기기들이 수행하는 위치 업데이트로 인한 네트워크의 시그널링 부하를 줄이기 위한 연구들이 진행되고 있다[13-17].H.Fu 의 연구[13]와 C.Lee의 연구[14]에서는 시간 지연 타이머를 적용하여 타이머가 만료되기 전의 이동은 체류 시간이 매우 짧은 이동이기 때문에 핑퐁 효과를 줄이고자 위치 업데이트를 수행하지 않도록 하여 시그널링의 수를 줄일 수 있는 방법을 제안하였다.H. Ko의 연구[15]에서는 기기의 이동 패턴을 고려하여 확률적으로 체류 시간이 긴 위치에서 업데이트를 수행하는 방법을 제안하였고 Markovdecisionprocess 기반의 모델링을 통해 비용을 최소화시키는 문제를 해결하고자 하였다.H.Fu의 연구[16]에서는 중앙집중적으로 위치 관리 매니저에 의해 기기들의 이동패턴이 분석되고 유사한 이동 패턴을 갖는 기기들을 그룹으로 지정하여, 그룹 리더에 의해서만 위치 업데이트가 수행되도록 구성하여 업데이트 시그널 링의 수를 줄이는 방법은 제안하였다. 또한 H.Ko의 연구 [17]에서는 확률적 게임 모델을 기반으로 분산적인 그룹 위치 업데이트를 수행하는 알고리즘을 제안하여 위치 정확도를 보장하면서 에너지 효율성을 증대시키고자 하였다. 하지만 기존 연구들은 IoT 기기들의 자체적인 자원활용을 통해 위치 업데이트를 수행하는 연구들이 대부분이었고, OFN과 같이 이동하는 가용자원을 활용하는 방법에 대해서는 고려하지 않았다.

3. 시스템 모델

본 논문에서는 Fig.1과 같이 IoT 기기들이 BS (BaseStation)을 통해 LocationManager로 위치 업데이트를 수행하여 전체 IoT기기들의 위치 관리가 LocationManager에서 수행되는 것을 가정한다. 제안하는 방법에서 IoT기기들의 OFN을 통한 위치 업데이트는 Fig.1의 2번 과정과 같이 OFN이 IoT기기근처에서 통신이 가용한 시간인 τ₁과 τ₂사이에서 가능하다. 본 논문에서는 이 시간을 OFN컨택 시간이라고 명명한다.이 때 OFN은 IoT기기의 위치 업데이트 메시지를 수신한 뒤에 BS영역 내에 존재하는 동안 BS를 통해 LocationManager에게 해당 업데이트 메시지를 전달할 수 있다. 즉, OFN컨택 시간에는 IoT기기의 위치 업데이트가 OFN으로 오프로딩 될 수 있는 것이다. 반면 τ₁이전 또는 τ₂이후의 위치업데이트는 OFN활용이 불가하기 때문에 Fig.1의 1번 과정과 같이 IoT기기들이 스스로 BS를 통해 위치 업데이트를 수행한다.

Fig. 1. System model of the proposed scheme.

본 논문에서 IoT기기가 이동하여 BS의 영역 내에 존재하는 시간(즉, BS컨택 시간)인 t_B는 평균 1/μ_B을갖는 general분포를 따르며 OFN컨택 시간인 t_O는평균 1/μ_O를 갖는 exponential분포를 따른다고 가정하였다[18].t_O의 확률 밀도 함수(ProbabilityDensity Function, PDF)와 누적 분포 함수(CumulativeDis- tributionFunction, CDF)은 각각 식(1)과 식(2)와 같다.

\(f_{O}(t)=\mu_{O} e^{-\mu_{O^t}}\)       (1)

\(F_{O}(t)=1-e^{-\mu_{O^t}}\)       (2)

또한 본 논문에서 IoT기기가 BS의 영역 내에 들어왔을 때, OFN을 기다리기 위한 시간 지연 타이머인 t_T는 평균 1/λ_T을 갖는 exponential분포를 갖는 것을 가정하였고[19,20], t_T의 PDF와 CDF는 각각 식 (3)과 식(4)과 같다.

\(f_{T}(t)=\lambda_{T} e^{-\lambda_{T} t}\)       (3)

\(F_{T}(t)=1-e^{-\lambda_{T} t}\)       (4)

위에서 설명한 모델링을 기반으로 제안하는 방법의 타이밍 다이어그램을 그리면 Fig.2와 같다. 여기서 t_B, t_O, t_T는 위에서 설명한 내용과 동일하고, t_F는 IoT기기가 BS영역 내에서 OFN컨택을 할 수 없는 시간을 의미하고, τ_L은 t_T이후 위치 업데이트 이벤트가 발생하는 시간을 의미한다.먼저 t_B가 t_T보다 짧은 경우에는 위치 업데이트를 수행하지 않게 된다.즉, 기존 연구들에서 제시된 바와 같이 체류 시간이 매우 짧은 영역에서는 위치 업데이트를 수행하지 않음으로써 시그널링 부하를 줄일 수 있으며 핑퐁 문제를 완화시키는 효과를 얻을 수 있다[13-15].t_B가 t_T보다클 확률 p_e, 즉 위치 업데이트를 수행할 확률은 식(5) 와 같이 계산될 수 있다.

\(p_{e}=\int_{t_{T}=0}^{\infty} \int_{t_{B}=t_{T}}^{\infty} f_{T}(t) f_{B}(t) d t_{T} d t_{B}\)       (5)

Fig. 2. Timing diagrams of the proposed scheme.

제안하는 방법에서 만약 t_T가 지났음에도 OFN의활용이 불가한 상황이면 위치 업데이트는 IoT 기기에 의해 직접 수행되며, t_T가 지나기 전에 OFN활용이 가능한 상황이면 (즉, OFN컨택 시간에 도달하면) 위치 업데이트는 OFN으로 오프로딩 될 수 있다. OFN으로의 기회적인 위치 업데이트 오프로딩 확률 p_o는 식(6)과 같이 계산될 수 있다.

\(p_{O}=p_{e} \int_{t_{B}=0}^{\infty} \int_{t_{o}=0}^{t_{B}} \int_{t_{T}=t_{B}-t_{o}}^{t_{B}} f_{T}(t) f_{O}(t) f_{B}(t) d t_{T} d t_{O} d t_{B}\)       (6)

즉 t_T로 인하여 OFN을 활용한 기회적인 위치 업데이트를 가능하게 할 수 있고, 동시에 체류 시간이 짧은 영역에서 불필요한 위치 업데이트를 수행하지 않을 수 있으며 핑퐁 효과를 완화시키는 효과를 얻을 수 있다.

본 논문에서는 IoT기기들이 각각의 위치 업데이트를 기회적으로 OFN을 통해 수행하는 방법을 이용하기 때문에 기존의 기기 개별적인 업데이트 방법 [13-15]과 비교하고자 한다. 기존의 기기 개별적인 위치 업데이트 방법은 Fig.3과 같이 OFN에 대한고려는 없고, 시간 지연 타이머인 t_T를 통해 불필요한 위치 업데이트를 수행하지 않는 연구이기 때문에 위치 업데이트를 수행하는 확률은 식(5)와 같이 계산될 수 있다.

Fig. 3. Timing diagrams of the conventional scheme.

한편, OFN을 활용하게 되면 IoT기기 입장에서는 위치 업데이트에 대한 시그널링 부하가 감소하는 효과를 얻을 수 있지만 OFN입장에서는 IoT 기기의 위치 업데이트를 대신 수행하기 때문에 OFN의 자원을 IoT기기를 위해 사용하는 비용이 발생한다. 본연구에서는 컨택 가용한 OFN은 자신의 자원을 IoT 기기를 위해 조건 없이 사용한다는 가정으로 가용분포에 따른 시그널링 부하 감소에 대한 분석에 집중하고자 하였지만, 향후 연구에서는 OFN의 자원 공유 선호도 및 가용 자원 현황을 고려한 인센티브 메커니즘[21]을 적용하여 오프로딩 비용에 대한 분석을 수행할 예정이다.

또한 제안하는 방법은 향후에 그룹 기반의 업데이트 방법에도 적용될 수 있을 것으로 기대된다. 예를들어 그룹을 형성하여 그룹 기반의 위치 업데이트를 수행할 시점이 결정되었을 때[16,17]제안하는 방법을 통해 OFN을 통해 업데이트를 수행할 수 있다. 즉 제안하는 방법은 기존 방법들과 상충되는 방법이 아니라 기존 방법들의 성능을 개선시킬 수 있는 방법으로 활용될 수 있을 것으로 기대된다.

4. 성능 분석 결과

본 장에서는 위치가 변경될 때마다 위치 업데이트를 수행하는 방법(Basic)과 지연 딜레이를 적용하여 불필요한 위치 업데이트를 줄이고자 한 기존 방법 (Conventional)[13-15], 그리고 제안하는 방법(Pro- posed)을 비교하여 진행하고자 한다.3장에서 진행한 모델링을 검증하기 위하여 MATLABR2018a를 이용해서 이벤트 기반 시뮬레이터를 구현하여 시뮬레이션을 수행하였다.μ_B와 λ_T의 디폴트 값은 각각 20과 100으로 설정하였고[18,20], t_B와 t_O, 그리고 t_T 는 각각의 분포도에 맞게 50, 000번의 랜덤 값을 발생시켜서 위치 업데이트로 인한 시그널링 부하를 측정하였다. 본 장에서 측정한 시그널링 부하는 Basic 방법을 기준으로 정규화(normalization) 시킨 결과를 의미하는데, 이는 모델링을 이용하여 수학적 분석을 통해 3장에서 도출한 식(5)와 식(6)으로 계산된 결과값 A(AnalyticalResult)와, 시뮬레이션을 통해 측정된 결과 값인 S(Simulation Result)로 표시하였다.

Fig.4는 OFN컨택 시간(1/μ_O)에 따라 Basic 방법을 기준으로 기존 방법과 제안하는 방법의 정규화된 시그널 링 부하를 보여준다.이 때 OFN컨택 시간의 단위를 BS컨택 시간(1/μ_B)으로 설정하여 BS컨택시간 내에서 OFN컨택 시간의 비율이 증가함에 따른 시그널링 부하의 변화를 나타내고자 하였다. OFN컨택 시간의 비율이 증가한다는 것은 현재 네트워크에서 OFN의 속도가 느려서 가용할 수 있는 시간이 증가했다는 것을 의미한다. 또한 Fig.4의 (X, Y)에서 X는 A또는 S의 값을 갖고, 위에서 설명한 바와 같이 A는 수학적 분석을 통해 계산된 결과 값, S는 시뮬레이션을 통해 측정된 결과 값을 의미한다. 그리고 Y는 100과 50을 갖는데, 이는 λ_T의 값을 의미한다. 먼저 Fig.4를 통해 수학적 분석을 통해 계산된 결과 값(A)과 시뮬레이션을 통해 측정된 결과 값(S) 이 동일하다는 것을 확인하였다.Fig.4를 통해 Basic 방법을 기준으로 기존 방법과 제안하는 방법 모두 1보다 작은 값을 갖기 때문에 시그널링 부하가 감소함을 알 수 있다. 이는 시간 지연 타이머의 적용을 통해 불필요한 위치 업데이트를 수행하지 않기 때문이다. 시간 지연 타이머만의 효과는 기존 방법의 결과 값을 통해 확인할 수 있는데, 예를 들어 Fig. 4에서기존 방법의 경우 λ_T가 100일 때, 시간 지연 타이머 적용을 통해 약 18.3%의 시그널링 부하를 줄일 수 있으며 λ_T가 50일 때 약 33%의 시그널링 부하를 줄일 수 있는 것을 확인하였다. 이에 더하여 제안하는 방법은 1/μ_O의 비율이 커질수록 위치 업데이트가 OFN에게 오프로딩될 수 있는 확률이 증가하기 때문에 시그널링 부하를 더 감소시킬 수 있음을 나타낸다. 그리고 이 효과는 Fig.4에서 볼 수 있듯이 (X, Y)에서 Y값인 λ_T의 값이 감소할수록 더 커진다. 이유는 λ_T의 값이 감소하면 시간 지연 타이머의 평균시간(1/λ_T)이 증가하여 OFN을 만날 수 있는 확률이 더 높아지기 때문이다. 예를 들어 Fig.4에서 1/μ_O의비율이 0.5일 때, 기존 방법에 비교하여 제안하는 방법은 λ_T가 100일 때 약 6.8%의 시그널링 부하를 감소시킬 수 있고, λ_T가 50일 때 약 19.2%의 시그널 링 부하를 감소시킬 수 있는 것을 확인하였다.

Fig. 4. Normalized signaling load according to the OFN contact time (1/μ_O).

Fig.5는 BS컨택 시간(1/μ_B)에 따라 Basic 방법을 기준으로 기존 방법과 제안하는 방법의 정규화된 시 그널링 부하를 보여준다. BS 컨택 시간이 증가한다 는 것은 물리적으로 IoT 기기의 이동 속도가 감소하 는 등의 이유로 BS 영역에서 머무르는 시간이 증가 한다는 것을 의미한다. Fig. 5의 제안하는 방법의 (X, Y)에서 X는 Fig. 4에서 설명한 바와 동일하고 Y는 0.1과 0.5를 갖는데, 이는 1/μ_B 대비 1/μ_O의 비율을 의미한다. Fig. 5를 통해 Basic 방법을 기준으로 기존 방법과 제안하는 방법 모두 시간 지연 타이머의 적용을 통해 불필요한 위치 업데이트를 수행하지 않기 때문에 시그널링 부하가 감소함을 알 수 있다. 또한 이 효과는 1/μ_B이 증가함에 따라 커지는 것을 알 수 있는데 평균 BS 컨택 시간이 줄어들면 IoT 기기가 시간 지연 타이머 내에 해당 BS 영역 내에 들어왔다가 다시 나갈 확률이 커지기 때문에 위치 업데이트를 수행하지 않을 확률이 커지기 때문이다. 이에 더하여 Fig. 5를 통해 제안하는 방법은 기존 방법과 비교하여 OFN을 통해 위치 업데이트를 오프로딩 시키기 때문에 시그널링 부하를 더 줄일 수 있는 것을 확인할 수 있다. 그리고 이 효과는 Fig. 5에서 볼 수 있듯이 (X, Y)에서 Y값인 1/μ_B 대비 1/μ_O의 비율이 커질수록 OFN을 활용할 수 있는 OFN 컨택 시간이 증가하기 때문에 더 커지는 것을 확인할 수 있다. 예를 들어 Fig. 5에서 1/μB이 1/50일 경우, 기존 방법과 비교하여 제안하는 방법은 1/μ_B 대비 1/μ_O의 비율이 0.1 일 때 시그널링 부하가 약 10% 감소하였고, 비율이 0.5일 때 약 22.3% 감소함을 확인하였다.

Fig. 5. Normalized signaling load according to the BS contact time (1/μ_B).

5. 결론

본 논문에서는 IoT기기의 위치 업데이트로 인한 네트워크 시그널링 부하를 줄이기 위해 이동 특성으로 인해 기회적으로 가용한 자원인 OFN을 활용하여 위치 업데이트 메시지를 오프로딩 시키는 방법을 제안하였다. 제안하는 방법의 기회적인 위치 업데이트오프로딩 확률의 성능 분석을 위해 수학적 모델링을 수행하였으며, 이벤트 기반 시뮬레이션을 통해 모델링에 대한 검증과 성능 측정을 진행하였다. 수학적모델링 및 시뮬레이션을 통하여 OFN컨택 시간, BS 컨택 시간, 그리고 시간 지연 타이머의 평균 시간이 시그널링 부하에 미치는 영향을 확인하였으며 결과적으로 제안하는 방법이 기존 방법과 비교하여 네트워크의 시그널링 부하를 감소시킬 수 있음을 확인하였다. 본 연구는 향후 IoT기기의 다양한 이동패턴을 고려하여 모델링 및 성능 분석을 진행할 예정이고 위치 업데이트의 요구사항을 고려하여 최적의 시간 지연 타이머를 찾는 방향으로 확장시킬 예정이다.

※ This work was supported by Hanshin University Research Grant