가치를 만들어 내기 위한 - kosta.or.kr · 운항 상태 와 예측방향을 제공하고...

제8회 2015 한국 소프트웨어 아키텍트 대회

2015(제8회) 한국 소프트웨어 아키텍트 대회

가치를 만들어 내기 위한 IoT 기술과 아키텍처 구성

2015. 07. 16

회사명: 한국오라클

발표자: 신 현 철

제8회 2015 한국 소프트웨어 아키텍트 대회 2

INTERNET of THINGS


SENSOR

3


NETWORK

4


PEOPLE & PROCESSES

5


IoT Market #1

6


IoT Market #2

7


Value!!


IoT 최종 Value는 해석과 서비스에서 발생

9

사물인터넷 Data의 Collection 사물인터넷을 통한 Service Value

• 다양한 형태의 Status/Activity 등의 Raw Log 값을 전달

• 가공되거나 해석되지 않은 순수한 형태의 현상데이터를 전달

• 해석을 통한 판단, 전망, 의사결정 • Raw데이터를 조직화하고 관리하고 비교가

필요함 • 분석된 Insight를 통하여 향후의 계획을 수

립하거나, 즉각대응을 위한 연계 • 사람을 위한 서비스로의 적용


단계별 Value 모델

10

Devices/”Things” Internet IoT Cloud Service

Other Devices

Other Devices

Other Devices

Java Device

3rd Party Device Cloud

WWAN

2G/3G/LTE Wireless

Endpoint Management

Messaging Proxy

Device Management

Oracle Database

Oracle Event Processing

Integration

Oracle Business Intelligence Service

Oracle Integration Service

Hadoop

Custom Application

Field Service

CRM/OM/SFA Industry Vertical

Applications

Charging Billing

ERP • Financials • SCM • HCM

Enterprise Cloud or On-Premise

1 Collection Value

• 기존에 누락하고 있던 자료들을 더욱 다양하게 많이 편리하게 수집함으로써 다양한 서비스에 대한 가능성을 높임

• 통신기술의 발전으로 인한 Passive Device에서 Active Device로의 전환

Management Value 2

• 다양한 프로토콜의 관리의 자동화

• 시스템확장의 유연성

• 강화된 보안 및 인증

End Point Value 3

• 1 – 2를 커쳐서 들어온 데이터를 분석하여 사용자에게 적합한 서비스를 제공

• 최종사용자들에게 전달되는 Value

• 최종 IoT 서비스에 대한 평가가 이루어짐


무엇을 할 것인가?

빠르고 조직화된 서비스

귀찮은 것을 대신해 주는 서비스

생각하지 못한 것을 제공해 주는 서비스

어떻게 할 것인가?

Data Scientist 가 그 솔루션인가?

시스템을 통한 자동화/표준화 서비스

결국은 분석을 통한 Insight를 도출

What Value How to make It What Technology

편리함

섬세함

다양함

빠른 데이터 처리

Simple Process

Complex Service Integration

Complex Event Processing

Service Integration Architecture

많은 데이터의 처리 신뢰성 Big Data Processing

지속성 24/7 Stable Service Monitoring

HUMAN

WHO/WHERE

DEVICE

Process Management

Value의 형태와 추구의 대상


GE는 엔진에 센서를 연결해 엔진의 성능, 부품 상태, 고장 유무 등을 실시간으로 파악하는 엔진 모니터링 서비스를 제공

사례1: GE 엔진 모니터링 서비스


Overview

• 연동된 의료기기의 원격 상태의 점검 및 상태 모니터링과 유지보수 시스템 용도로 적용

• Portal시스템 및 자동화된 프로세스 관리 시스템을 적용

• 75%의 서비스 요청 성능 향상

사례2: Lifetech 의료기기 관리 서비스

Tech Architecture

• IoT를 적용한 동작감시 센서 모니터링

• 실시간 원격 모니터링

• Multi Player 시스템

• 프로세스 관리 시스템


사례3. 서울시 포트홀 관리 서비스

14

Overview

• 최근 5년간 포트홀 발생 건수 급속 증가, 포트홀로 인한 사고 발생 증가

• 서울은 계절의 변화 / 부산은 컨테이너트럭

• 도로의 포트홀 발생을 확인하고 신속히 보수함 (24시간내)

• 버스 및 택시를 이용한 감시 시스템으로 확장

Technology

• 동작감지 센서와 GPS연동한 상황 및 위치정보 기록

• 실시간 관제 센터로의 연계

• 도로 보수 서비스와의 연계


사례4. NEST 온도조절기

15

• 문제 해결 : 집안 온도조절 분야에서의 사용자 니즈와 시스템 구조를 이해하고 무엇을 어떻게 제공해야 할지 정확하게 파악함

• 센싱, 학습 : 기기 자체의 센서를 활용하여 환경에 반응하고, 온도조절 패턴을 학습함

• 네트워크 : 인터넷에 연결되어 외부 날씨를 파악하거나 에너지 러시아워 등의 정보를 활용함

• 에너지 절약 : 사람이 조절하는 것보다 집안 온도를 더 잘 관리해주고 에너지를 아껴줌

• 새로운 서비스 : 전력회사의 전력 피크 부담을 줄여주고, 사용자에게 돈을 돌려주는 것을 알아서 해주는 서비스 모델을 만듦

• 플랫폼화 : 집안 온도 조절을 넘어서 기기들간의 연동을 통해 집 자체를 똑똑하게 만들고 있음


사례5. Dropcam[NEST CAM] 클라우드 비디오 저장/분석

16

기존의 CCTV구축비용을 절감하고, 클라우드를 통한 영상의 저장 및 다양한 기기로의 공유를 통한 편리한 영상관리서비스 제공. 여기에 영상을 분석하여 필요한 정보를 찾는데 걸리는 시간 가능


사례6. 오라클 아메리카스컵 IoT/AR

17

단조로운 요트경기를 박진감 넘치게 하기 위하여 위치, 속도 센서 등을 부착하고, 이를 사용하여 요트의 운항 상태 와 예측방향을 제공하고 이를 AR (증강현실) 시스템과 연계한 TV중계를 제공


IoT Reference Architecture

18

Smart Sensor

IoT Comm. Agent

Application Framework

Sensor

IoT Comm. Agent


Gateway


IoT Comm. Agent & Mgmt Proxy

IoT Common Gateway

Protocol Mediation

Web Services Security

Web Services Mgmt

IoT Identity & Access Mgmt

Device Access Management

Device Identity Management

Identity Directory/Database

IoT Management

Device Registration & Mgmt

Message Cache

Management Console

Applications Provisioning

Data Routing & Analysis

Distributed Data Grid

Complex Event Processing

Big Data

Big Data Store

Data Aggregator

NoSQL DB

Key Value Data Store

Database

RDBMS

Business Intelligence

Performance Management

Alerts, Dashboards & Reports

Advanced Analysis & Data Science

Tools

Data & Knowledge Discovery Tools

Enterprise Integration

Complex applications integration & SOA

Datacenter Management

Gather Enrich Stream Manage Acquire Organize & Analyze

Local Event Analysis

Intr

anet

Firew

all

Data

base

Firew

all


EVENT PROCESSING #1

19

목표

• 양질의 데이터

• 데이터를 정보로 변환

• 효과적인 의사결정을 위한 정보의 활용

• …모든 것이 실시간으로

필수요소

• Legacy system간의 연결성 확보

• 적합한 신규시스템의 도입

• Device 정보의 절대량 증가

• 기기 및 센서의 장소,경로, 방식의 종별 확산에 대한 대응

• 상황 정보의 제공

더욱더 많아지는 자료 더욱 어려워지는 정보의 의미의 파악: 위험과 기회

Quantitative Change has led to a Qualitative Change in the nature of the problem...


Streams

Continuous input, often in high-volume

Time ordered

Does not end

Impossible to process / analyze in real-time with traditional relational database systems

Example: Raw Sensor Event streams, GPS, Market Data Feeds

BA BOEING D 77.575 800 20080305 10:03:02:78

DO DUPONT D 41.575 3000 20080305 10:03:04:12

AA ALCOA INC D 20.125 1000 20080305 10:03:01:55

AXP AMER EXPRESS CO D 45.875 500 20080305 10:03:02:10

BA BOEING D 77.575 800 20080305 10:03:02:78

C CITIGROUP D 34.125 2000 20080305 10:03:03:05

CAT CATERPILLAR D 22.5 600 20080305 10:03:03:46

DO DUPONT D 41.575 3000 20080305 10:03:04:12

AA ALCOA INC D 20.125 1000 20080305 10:03:01:55


BA BOEING D 77.575 800 20080305 10:03:02:78

C CITIGROUP D 34.125 2000 20080305 10:03:03:05


DO DUPONT D 41.575 3000 20080305 10:03:04:12

AA ALCOA INC D 20.125 1000 20080305 10:03:01:55


BA BOEING D 77.575 800 20080305 10:03:02:78

C CITIGROUP D 34.125 2000 20080305 10:03:03:05


DO DUPONT D 41.575 3000 20080305 10:03:04:12

AA ALCOA INC D 20.125 1000 20080305 10:03:01:55


BA BOEING D 77.575 800 20080305 10:03:02:78

…

…

Tim

e

Event Processing provides a new data management infrastructure to support and analyze Streams in real-time

EVENT PROCESSING #2


Event Processing Output Filtering

• New stream filtered for specific criteria, e.g. stock price > $22

Correlation & Aggregation

• Scrolling, time-based window metrics, e.g. average # of stock trades in the last hour

Pattern Matching

• Notification of detected event patterns, e.g. price changes A, B and C occurred within 15 minute window


DO DUPONT D 41.575 3000 20080305 10:03:04:12

AA ALCOA INC D 20.125 1000 20080305 10:03:01:55


BA BOEING D 77.575 800 20080305 10:03:02:78

…

…

EP

Runs In-Memory (not in Database) Logic is defined through Continuous

Queries on the data

Example: Stock Trading “W” Pattern

1 9 12 19

minutes

X

Y W

Z

EVENT PROCESSING #3


Processors

• Set of queries

applied to the

streams

Listeners

• Handle triggers

raised by the

processors

Events

• Implemented as

JavaBean or Map

Enriched Streams

• From any source: data

streams, web services,

Java, Database

Adapters

• Translate external

events/data into java

objects for processing

Data/Msg.

Feeds Listener/SINK:

User Code

(Plain Java)

Data Feed

Adapters

Process

Events

(CEP)

Incoming Data Streams

1M+ Messages/Sec

Aggregate, correlate, filter data

Can Handle Unlimited Queries

Resulting Data fed to vast

business opportunities

with Java language

Latency

Microsecond Latency (Avg.)

EDA Java Application Container

Complex Event Processor

Average Latency vs. Injection Rate (10 Connections)

0

10

20

30

40

50

60

70

80

0 200000 400000 600000 800000 1000000 1200000

Injection Rate (events/second)

Avera

ge L

ate

ncy

(mic

roseco

nd

s)

Distribution of Latency Values

20,136,515

3,054,550

131,5980

5,000,000

10,000,000

15,000,000

20,000,000

25,000,000

0 - 99 100 - 199 >=200

Latency Range (microseconds)

# o

f O

utp

ut

Ev

en

ts

OSGi Lightweight, Low Latency, Extreme High Throughput, and Java-based Application Solution Container

EVENT PROCESSING #4


A simple decision tree Becomes quickly too complex

to manage

단순한 정보에서의 의사결정은 쉽지만 수많은 정보를 통한 의사결정은 관리와 의사결정 비용의 문제가 발생한다.

MACHINE LEARNING #1


Real time contextual data

Historical data

Relevant external sources

eg Social Media

Target Audience

Predictive Modeling

σ

Self-Learning Loop

Personalized recommendations, offers & actions

MACHINE LEARNING #2


Traditional Approach

Source Databases

Analytical Mart

Data Mining Tools

Scores and Lists

Operational Applications

feedback: days or weeks

Learning 기반의 실시간 Approach

Operational Applications

Machine-Learning Analytics

feedback: immediate

decisions

events input from

external models and lists

► 전통적인 Data Mining방법론은 무수한 많은 예측Rule을 관리해야 하는 업무적 부담 있으며, 분석 전문가의 도움이 반드시 필요함

► 예측 Rule을 개발하는 시점과 적용하는 시점간의 Time Gap이 발생하게 됨

► Decision과 Event결과를 바탕으로 자동으로 model 생성

► 변화에 따른 빠른 반응

► 데이터가 증가할 수록 모델의 정확도가 높아짐

► Rule 기반의 Data Mining과 비교하여 분석의 폭이 넓으며, 구현 및 실현이 용이함

What’s Different ? : Real-Time, Immediate Action

(with User Base Collaborative Filtering)

MACHINE LEARNING #3


Different Goal for Each Segment Change Performance Goal

What’s Different ? : Changeable Performance Goal

MACHINE LEARNING #4


Traditional Approach Learning 기반의 실시간 Approach

데이터 이동, Offer 및 결과 분석

분석대상 Segment

각 Segment에 대한 Rule 개발

Segments에 추천

Wait Weeks for Results

목표 설정 ( Performance Goal)

Supply All Relevant Data

자동화된 개인 추천

informed on success or failure of each offer

Self Adjusts the Offer Model (Learning)

What’s Different ? : Fully Automated

MACHINE LEARNING #5


Control Group (Static) RTD Page (Machine Learning)

► 시간의 경과에 관계없이 일정한 수준의 Acceptance

► 적확도를 향상시키기 위해서는 지속적인 예측모델의 업데이트가 필요

► 시간이 흐름에 따라 예측모델이 더욱 더 정교해져 Acceptance 크게 증가

Test : Onlineshop.com, 2012

What’s Different ?: Accurate over Time

MACHINE LEARNING #6


• 인공 신경망 • 결정 트리 • 유전 알고리즘 • 유전자 프로그래밍 • 가우스 과정 회귀

• 선형 분별 분석 • K 근접 이웃 • 퍼셉트론 • 방사 기저 함수 네트워크 • 서포트 벡터 머신

MACHINE LEARNING #7


Machine Learning기반의 Collaborative Filtering 기법 Real Time Offer & Personalization

고객정보

가맹점 (Offer) 정보

거래정보 (구매 History)

Self-Learning 예측 고객 카드 사용

Offer List 검토

(Eligibility Rules)

Offer List

Scoring

개인화 추천

(Decision)

사용여부(또는

관심여부) 확인

Insight Reporting 자동 생성 & 검증

위치

정보

Segmentation, Filtering & Scoring

Rule

MACHINE LEARNING #8


MACHINE LEARNING #9


Deployment Choice Public or Private Cl

oud

High Performance, Scalable & Elastic Infrastructure (IaaS)

Compute, Storage & Network Services

One Platform (PaaS) for All On-premise, Cloud & Mobile Innovations

Automated

Management Development & Deplo

yment Services Content, Analytics & User Engagement Services

Integration Services

Security & Identity Services

Self Hosted/ Managed On Premise

(Private Cloud)

Provider Hosted/ Managed

(Public Cloud)

CLOUD #1

기존의 제한된 자원에 기반한 시스템/서비스 아키텍처에서 클라우드 환경으로의 변화에 따라 거의 무한한 확장이 가능한 아키텍처로의 변화가 가능


Data as a Service

Software as a Service

Platform as a Service

Infrastructure as a Service

Line of Business

BUSINESS ANALYTICS

CONTENT AND

COLLABORATION

Architects & IT Ops

ENTERPRISE MANAGEMENT

INTEGRATION

Developers & DevOps

MOBILE

APPLICATION DEVELOPMENT

DATA MANAGEMENT

CLOUD #2


REFERENCE ARCHITECTURE : SMART TOUR #1


실외 위치 확인

멀티미디어정보

Notification

로그기록

메타데이터관리

컨텐츠관리시스템

다국어지원

실내 위치 정보

경로분석시스템

기기관리 이미지분석

인증시스템

Location Contents Analysis Management Communication

정보공유시스템 사용자패턴분석

스마트관광에 필요한 Service Module Requirement 를 분석



IoT Tour Service

IoT Platform

BigData Discovery

Steam Explorer

Real-time Decision

통합데이터베이스

실시간 사용패턴 판단 및 이벤트 발생 • 관광정보안내 (관광객 판단) • 정보 알림 시스템

개인화 및 지능화 분석/추천 • 개인 맟춤형 관광분석정보 • 시스템 스스로 학습 모델

관광정보 및 사용자 트렌트 분석 • 다양한 정보의 취합 분석 • 다차원 분석 • MARKET INSIGHT

* 실시간 지능화 이벤트

* 정형/비정형 통합 분석 데이터

* 시스템 반응 Rule/변화된 정보

1

2

3

관광정보 조회 IoT 서비스 이용

위치정보

가격정보, 평가 정보 경로정보, 관광정보 쇼핑정보 (Text, 비디오 등)



Reference Architecture for Smart Tour

Smart Phone

Digital Signage

Kiosk

Beacon

Gateway Proxy

API Gateway

Device Management

Business Application

Business Hub

Common Application Platform

Map

Translate

File Storage

RDB

BigData Analysis

Key Value DB

File Storage

Event Processing

Monitoring

Notification

Machine Learning

Streaming


CLOUD INFRASTRUCTURE


Cloud BigData

Internet Of Things Mobile

ONE THING

SUMMARY

가치를 만들어 내기 위한 - kosta.or.kr · 운항 상태 와 예측방향을 제공하고...

Documents