결정트리와베이지안네트워크를이용한효율적인안드로이드폰에너지관리프레임워크 209 결정트리와베이지안네트워크를이용한효율적인안드로이드폰에너지관리프레임워크 (An Efficient Energy Management Framework For Android Phones using Decision-Tree and Bayesian Network) 이영설 조성배 (Young-Seol Lee) (Sung-Bae Cho) 요약스마트폰시장이확대되고사용자가늘어남에따라각종센서나통신기능을이용하는스마트폰애플리케이션이증가하고있다. 여러기능을사용하는게임이나멀티미디어, 통신애플리케이션들은많은양의전력을소비하게되고, 제한된배터리용량으로다양한작업을할수있도록하기위한에너지관리시스템이모바일기기의개발에있어서중요한부분이되었다. 본논문에서는가속도등의저전력센서들을이용하여사용자의상황을추론하고상황에따라서불필요한모듈을정지시켜에너지를관리하는방법을제안한다. 상황추론을위한확률모델은입력으로요구되는상황정보에변화가있을경우에만계산되므로확률모델계산으로인한시스템의부하를최소화할수있다. 또한실제안드로이드폰에적용하여제안하는방법이약 128% 의배터리시간을연장할수있는가능성을보인다. 키워드 : 결정트리, 베이지안네트워크, 에너지관리, 스마트폰 Abstract As smart phone market grows, many applications on a smart phone use diverse sensors and functionalities. The various sensors and functions require a large amount of energy to support multimedia, game, and wireless communication. Efficient energy management becomes an important issue to overcome limited battery on a mobile phone. This paper propose a novel method to reduce energy consumption that includes inference of a user s situation from low power sensors and energy management depending on the inferred situation. The inference is active only when a user s situation changes to minimize the cost of energy management. In order to show the usefulness of the proposed method, we conduct an experiment with real data in a mobile device. The experiments shows about 128% improvement of the battery life. Key words :Decision Tree, Bayesian Network, Energy Management, Smart Phone 본연구는 2010년도정부 ( 교육과학기술부 ) 의재원으로한국연구재단뇌과학원천기술개발사업의지원 (2010-0018948). 으로수행됨. 이논문은제38회추계학술발표회에서 결정트리와규칙을이용한효율적인안드로이드폰에너지관리프레임워크 의제목으로발표된논문을확장한것임 학생회원 : 연세대학교컴퓨터과학과 tiras@sclab.yonsei.ac.kr 종신회원 : 연세대학교컴퓨터과학과교수 sbcho@cs.yonsei.ac.kr (Corresponding author 임 ) 논문접수 : 2011년 12월 5일심사완료 : 2012년 3월 6일 CopyrightC2012 한국정보과학회ː개인목적이나교육목적인경우, 이저작물의전체또는일부에대한복사본혹은디지털사본의제작을허가합니다. 이때, 사본은상업적수단으로사용할수없으며첫페이지에본문구와출처를반드시명시해야합니다. 이외의목적으로복제, 배포, 출판, 전송등모든유형의사용행위를하는경우에대하여는사전에허가를얻고비용을지불해야합니다. 정보과학회논문지 : 시스템및이론제39권제3호 (2012.6) 1. 서론애플의아이폰과구글의안드로이드폰이출시된이후, 스마트폰시장은계속커지고있으며, 그에따라스마트폰에탑재되는하드웨어와소프트웨어는더욱다양해지고있다 [1]. 특히안드로이드폰의경우널리알려진언어인 Java를이용한개발환경을지원하고플랫폼이공개되어있어쉽게관련소프트웨어를개발할수있다는장점을가지고있다. 그에따라수많은애플리케이션들이단기간에개발되었고, 스마트폰을이용하는연구에도많이활용되고있다. 그러나스마트폰은가속도, 거리, 빛센서등을이용한인터페이스기능과 Wi-Fi를이용한무선통신, 블루투스를이용한주변기기와의통신등의기능, 그리고고성능 CPU와많은메모리를사용하는멀티미디어기능
210 정보과학회논문지 : 시스템및이론제 39 권제 3 호 (2012.6) 을사용하는경우가많기때문에자주충전하거나예비배터리를필요로하는단점이있다. 이때문에스마트폰의에너지를절약하는기술을개발하는것이큰이슈가되고있으며스마트폰의에너지효율성을높이기위한많은연구가이루어지고있다 [2-4]. 여러연구자들이효율적인에너지활용을위해서현재사용자의상황을인식하여스마트폰의 GPS 등의센서수집주기를조절하거나 [5] 배터리소모시점을예측하여배터리의충전을추천 [6] 하거나필요하지않은상황에는몇몇기능들을정지하는방법들을연구하고있다. 그러나모바일환경에서수집되는불확실한정보들로부터사용자의상황을추론하기는쉽지않으며, 배터리를충전할수있는장소가가까이있지않을경우에는배터리충전권고는큰도움이되지못한다. 본논문에서는스마트폰의효율적인전력관리를위하여대량의전력을요구하는다수의기능들 ( 블루투스, Wi-Fi, 화면밝기, 불필요한애플리케이션 ) 을관리하기위한시스템을개발한다. 이시스템은스마트폰에서수집되는가속도, 빛등의센서정보를바탕으로사용자가처한상황을추론하고, 추론된상황에서필요하지않은기능을 off 상태로두어, 스마트폰의전력사용량을감소시키고배터리를보존한다. 스마트폰의센서정보처리를위하여결정트리알고리즘과규칙기반알고리즘을사용하며, 불확실한센서정보들을통합하여특정기능의정지여부를결정하기위해베이지안네트워크확률모델을이용한다. 제안하는방법의효과성을보이기위하여안드로이드플랫폼상에서시스템을개발하고, 개발된시스템의정확도와효율성을분석한다. 2. 관련연구배터리소모를줄이기위하여저전력센서로부터수집된상황정보를이용한에너지관리를시도한많은연구가있었다 [7]. Park 등은모바일기기에서멀티미디어컨텐츠의질을상황에따라변경시킴으로써에너지효율을높이는연구를진행하였다 [8]. Simunic 등은스마트배지시스템을이용하여환경정보를수집하고이정보를이용하여전원을관리하는시스템을개발하였다 [9]. Harris 등은사용자의위치와시간등의환경정보로부터베이지안네트워크를이용한에너지관리방법을제안하였다 [10]. Liu 등은 OS나하드웨어레벨이아니라애플리케이션레벨에서에너지를절감하기위한 Chameleon 시스템을개발하였다 [11]. 이시스템은사용중인애플리케이션에따라서사용되는자원을조절하여에너지소비를감소시킨다. Fei 등은모바일환경의한정된에너지를효율적으로이용하기위한프레임워크를제안하였다 [12]. 모바일기기에서사용자의상황에맞추어에너지를절감하는프레임워크를개발하기위해서는모바일환경에서수집된정보를이용하여사용자의상황을인식하기위한기술이필요하다. 현재까지상황인지애플리케이션을개발하기위한많은연구가이루어졌다 [13]. Efstratiou 등은상황인지애플리케이션을개발하기위한프레임워크를제안하였다 [14]. Paspallis 등은손쉬운모바일상황인지애플리케이션의개발을위해 MUSIC 이라는상황인지아키텍처를제안하였다 [15]. 이아키텍처는 RFID, 위치정보, 빛센서, Wi-Fi, 블루투스등의기능을플러그인형태로제공할수있었다. Murao 등은다수의가속도센서로부터수집된데이터에 SVM(Support Vector Machine) 을이용하여사용자의행동을모니터링할수있는시스템을개발하였다 [16]. 이시스템은에너지절감을위해가속도센서의일부를정지시킬수있으며, 이때정지된가속도센서에서수집되는정보는가상데이터로대체되어정확도손실을최소화한다. 또 Zhou 등은상황의변화에따라서비스조합을변경시키기위한 CAPSC(Context-Aware Pervasive Service Composition) 아키텍처를제안하였다 [17]. 3. 제안하는방법제안하는방법의전체구성은모바일기기로부터센서데이터를수집하는센서데이터수집부, 수집된센서정보의전처리부, 전처리된데이터로부터베이지안네트워크를이용하여현재사용자의상황추론부, 그상황에적합한 Wi-Fi, 블루투스, GPS, 애플리케이션상태를유지시켜주는에너지관리부의 4단계로나뉜다. 그림 1은개략적인전체시스템구성을보여주고있다. 그림 1 시스템전체구성도 3.1 센서데이터수집부안드로이드폰에서지원하는기본 API를이용하여
결정트리와베이지안네트워크를이용한효율적인안드로이드폰에너지관리프레임워크 211 수집된데이터를더잘처리하는결과를보였다 [18]. 따라서본논문에서는가속도정보를처리하기위하여결정트리를사용한다. 결정트리알고리즘을사용하기위하여 10초분량의가속도, 지자기, 방향정보의시계열데이터에대하여특징값을추출한다. 시계열데이터의특징을추출하기위하여현재값에서이전값의차를구하여사용한다. 가속도정보의경우, 이렇게하는것으로사용자가모바일폰을들고있는자세와각도에따른중력가속도의영향력을줄일수있다. 전체센서데이터의 10초동안의총합, 평균, 그리고표준편차를구하여특징으로이용한다. 그림 2 데이터수집및레이블링인터페이스 표 1 상황인지를위한센서데이터 센서구분 수집주기 비고 CPU 5초당 1회 현재 CPU 사용량 (%) RAM 5초당 1회 현재 RAM 사용량 (%) 근접도 1초당 5~6회 현재접촉상태 (1 혹은 0) 가속도 1초당 5~6회 3축가속도값 (-2g~2g) 방향 1초당 5~6회 현재스마트폰 3축의기울기 지자기 1초당 5~6회 3축자기장값 (ut) 시간 5초당 1회 현재시간 배터리 5초당 1회 현재배터리잔량레벨 (%) CPU 상태와 RAM 상태, 그리고거리와가속도, 방향, 지자기, 배터리상태등의정보를수집한다. 그림 2는데이터수집을위해서개발한프로그램의인터페이스를보여준다. 수집된데이터는학습과평가를위해서사용자에의해레이블링되었다. 표 1은수집주기와상세내역을보여준다. 데이터수집은기본적으로 5초당 1회씩이루어지며, 가속도, Proximity, 지자기, 방향데이터에한하여 1초이하의수집주기를가진다. 3.2 데이터전처리부수집된데이터를이용하여사용자의상황을효율적으로추론하기위해서는수집된정보가연속적인 (continuous) 값에서이산적인 (discrete) 값으로변경되어야한다. 연속적인값을사용할경우계산량이늘어나거나메모리사용량이커지게되므로모바일환경에적합하지않다. 가속도와자기장, 그리고방향값은결정트리알고리즘을이용하여처리하며, 거리, 시간이나배터리잔량, CPU 사용량과메모리사용량은규칙기반으로처리한다. 가속도와같이시간의흐름에따라변화하는데이터를처리하기위한많은알고리즘이있으나, 몇몇연구에서결정트리는 HMM이나신경망과비교하여모바일기기에서 (1) (2) (3) 위의식 (1)~(3) 은특징추출방법을보여준다. 위에서 X 는센서의종류를의미하며, x 는센서 X 로부터수집된센서의값이며, i 는센서에서수집된시간을의미한다. 여기서는시계열정보들이초당약 6회수집되므로 10초간수집된데이터의숫자 N 은최대 60이될수있다. 다음표 2는결정트리구성에이용된특징들을모두열거하고있다. 표 2에서 AccX, AccY, AccZ는각각 X축 /Y축/Z축가속도, 센서를의미하며, Ori, Pitch, Roll 은각각 Orientation, Pitch, Roll을의미한다. MagX, MagY, 표 2 결정트리구성에이용된센서특징값 특징 SumAccX SumAccY SumAccZ StdAccX StdAccY StdAccZ SumOri SumPitch SumRoll StdOri StdPitch StdRoll SumMagX SumMagY SumMagZ StdMagX StdMagY StdMagZ 상세내역 X축가속도변화량의총합 Y축가속도변화량의총합 Z축가속도변화량의총합 X축가속도변화량의표준편차 Y축가속도변화량의표준편차 Z축가속도변화량의표준편차 Orientation 변화량의총합 Pitch 변화량의총합 Roll 변화량의총합 Orientation 변화량의표준편차 Pitch 변화량의표준편차 Roll 변화량의표준편차 X축자기장변화량의총합 Y축자기장변화량의총합 Z축자기장변화량의총합 X축자기장변화량의표준편차 Y축자기장변화량의표준편차 Z축자기장변화량의표준편차
212 정보과학회논문지 : 시스템및이론제 39 권제 3 호 (2012.6) 그림 3 생성된결정트리의일부 표 3 전처리된센서값 구분 처리방식 출력값 CPU 사용량 규칙이용 20%, 40%, 60%, 80%, 100% RAM 사용량 규칙이용 20%, 40%, 60%, 80%, 100% 가속도, 지자기, 결정트리방향빛규칙이용 걷기, 뛰기, 달리기, 계단올라가기, 계단내려가기 매우밝음, 밝음, 보통, 어두움, 매우어두움 근접도 규칙이용접촉, 비접촉 시간 규칙이용 낮, 밤 배터리잔량 규칙이용 20%, 40%, 60%, 80%, 100% 그림 4 상황추론및에너지관리모듈 MagZ 는각각 X축 /Y축/Z축자기장센서를의미한다. 그림 3은생성된결정트리의일부를보여준다. 결정트리와규칙으로생성된전처리된결과는표 3 과같은출력값을가진다. 이출력값들은상황추론을위한베이지안네트워크확률모델의입력값으로이용된다. 3.3 상황추론부및에너지관리부베이지안네트워크는비순환방향성그래프구조를가진확률모델로조건부확률테이블을이용하여변수들사이의인과관계를표현한다. 베이지안네트워크는조건부독립가정을이용하여현실세계의문제에확률모델을적용하여불확실성을정량적으로다루기에적합한모델이다. 또한데이터로부터모델을학습할수있으며동시에전문가지식을활용하여모델을설계할수있으므로현상분석과패턴인식의많은분야에서활용되고있다. 에너지관리를위하여시스템은관리하는모듈별로베이지안네트워크가설계되어있으며, 각각의베이지안네트워크는그림 4와같이관리모듈과통합되어있다. 각베이지안네트워크가제어하는모듈의상태를결정하기위해서필요로하는상황정보는그림 4에서보는바와같이다르다. Wi-Fi 나블루투스모듈을제어하기 그림 5 화면밝기조절을위한 BN의일부위해서는사용자활동상태, 접촉상태, 시간, 주변밝기등의 4 가지상황정보를활용하므로이 4가지상황정보가이전과변화가없을경우에는확률추론을생략할수있다. 마찬가지로화면밝기를조절하는모듈이나백그라운드애플리케이션을종료시키기위한모듈또한관련된상황정보가바뀔경우에만베이지안네트워크를이용하여상황을추론한다. 그림 5는설계된베이지안네트워크구조의일부를보여준다. 스마트폰의기능을제어하기위한확률모델을 3 종류의노드를이용하여구성된다. 실제제어하기위한모듈을나타내기위한목표노드 ( 그림 5에서의 Display 노드 ), 이산화된센서상태정보를입력받기위한입력노드, 그리고목표노드와입력노드사이를
결정트리와베이지안네트워크를이용한효율적인안드로이드폰에너지관리프레임워크 213 연결하는중간노드이다. 중간노드는사용자가처한상황을의미하는노드로설정되며, 예를들어사용자의위치 ( 실내 / 실외 ), 사용자의신체에서휴대폰위치 ( 손 / 주머니 ) 등의상황을암시하는노드로설정된다. 이사용자의상황이목표노드를제어하기위한정보로연결된다. 또한효율적인베이지안네트워크설계를위하여확률테이블크기를줄이기위한노드인과관계의순서변경, 상태노드의분할, 그리고불필요한인과관계의삭제등을반복하였다. 4. 실험및결과 그림 7 사용자행동상태정확도비교 제안하는방법의성능을시험하기위하여실제안드로이드플랫폼 (HTC 디자이어 3대, LG 옵티머스 2X 2 대 ) 에적용하여실험을실시하였다. 실험데이터는가속도등센서데이터의학습과파라미터튜닝을위하여 3 일간데이터를수집하였고, 제안하는방법을적용하여배터리소모량비교를위하여 2일간데이터를수집하였다. 그림 6은데이터수집및적용과정에서모니터링을위한인터페이스를보여준다. 그림 8 사용자이동상태정확도비교 그림 6 안드로이드폰의센서및리소스감시 4.1 결정트리를이용한사용자활동상태추론본논문에서는가속도센서로부터수집된정보를이용하여사용자의상태를분석하기위해서결정트리알고리즘을이용한다. 그림 7과 8은 HMM, ANN 등과결정트리의성능을비교한다. 그림 4에서보이는것처럼결정트리가가장안정적인상태분류능력을보여준다. 4.2 결정트리를이용한사용자활동상태추론제안하는방법을이용하여배터리소모량을줄일수있음을보이기위하여하루동안의배터리소비량을비교하였다. 그림 9는비교결과를보여준다. 그림 9의 X 축은경과시간 ( 단위 : 10초 ) 을보여주며, Y축은배터리 그림 9 제안하는방법의적용결과레벨 ( 단위 :%) 을보여준다. 비교할시에는 GPS는 on/off 제어가불가능하므로, 꺼놓은상태로유지하였다. 에너지관리모듈은 10초주기로현재상태를확인하고블루투스, Wi-Fi, 화면밝기, 백그라운드애플리케이션을조절한다. 그림 9에서일점쇄선이모든제어기능을적용한것이며, 굵은점선은화면밝기와백그라운드애플리케이션제어기능만을적용한것이고, 이점쇄선은 WiFi 제어기능만을적용한버전이며, 마지막으로세밀한점선은제어기능을전혀사용하지않은경우이다. 결과적으로이실험에서제안하는제어기능이배터리효율을증가시키는것을확인할수있다. WiFi 기능이생각보다배터리효율에영향을미치지않는것은
214 정보과학회논문지 : 시스템및이론제 39 권제 3 호 (2012.6) 실험용으로배포한스마트폰에서 WiFi 기능을이용하는앱을실험참가자들이많이사용하지않아서인것으로예상된다. 모든제어기능을적용하였을경우와전혀적용하지않았을경우, 배터리레벨이 1% 감소하는데소요되는평균시간이약 128% 증가하였다. 이는 HTC Dream 안드로이드폰을이용한 Shafer 등의연구 [3] 에서약 50% 이상의배터리효율이증가한것과 Zhuang [4] 등의연구에서 75% 정도효율이향상된것과비교하여상대적으로높은효율을보인것이다. 5. 결론및향후연구 본논문에서는가속도같은저전력센서를이용하여사용자의상태를추론하고, 추론된상태에맞추어전력소모가큰기능들을제어하는방법을제안하였다. 제안하는방법은특정모듈을제어하기위한확률모델을제어부와통합하여특정모듈에서필요로하는상황정보가변경되지않을경우불필요한추론알고리즘의실행으로인한부하를줄일수있다. 향후연구로진행되어야할부분은애플리케이션에서제어가불가능했던 GPS 모듈을제어하는부분과사용자개개인별로확률모델의개인화를적용할수있도록확률모델학습이포함되어야할것이다. 또한실험에서는관련연구들과비교하여좋은성능을보였으나안드로이드 OS 를사용하는기기라하더라도실험에사용된폰의제조사의차이나기기의차이에따라다른결과를보일수있다. 그러므로다양한종류의스마트폰에서다양한시나리오에대해서검증실험을거쳐제안하는시스템이현실적으로적용가능함을보일필요가있다. 참고문헌 [1] M. Butler, "Android: Changing the mobile landscape," IEEE Pervasive Computing, vol.10, no.1, pp.4-7, 2011. [2] T. K. Kundu and K. Paul, "Android on mobile devices: An energy perspective," IEEE 10th Int. Conf. on Computer and Information Technology, pp.2421-2426, 2010. [3] I. Shafer, and M. L. Chang, "Movement detection for power-efficient smartphone WLAN localization," Proc. of the 13th ACM Int. Conf. on Modeling, analysis, and simulation of wireless and mobile systems, pp.81-90, 2010. [4] Z. Zhuang, K.-H. Kim, and J. P. Singh, "Improving energy efficiency of location sensing on smartphones," Proc. of the 8th Int. Conf. on Mobile Systems, Applications, and Services, pp.315-329, 2010. [5] J. Paek, J. Kim, and R. Govindan, "Energyefficient rate-adaptive GPS-based positioning for smartphones," Proc. of the 8th Int. Conf. on Mobile Systems, Applications, and Services, pp. 299-314, 2010. [6] N. Ravi, J. Scott, L. Han, and L. Iftode, "Contextaware battery management for mobile phones," Proc. of the Sixth Annual IEEE International Conference on Pervasive Computing and Communications, pp.224-233, 2008. [7] J. Zhang, D. Wu, S. Ci, H. Wang, and A. K. Katsaggelos, "Power-aware mobile multimedia: A survey," Journal of Communications, vol.4, no.9, pp. 00-613, 2009. [8] J.-T. Park, J.-W. Nah, S. Wang and S.-M. Chun, "Context-aware mobility management with energy efficiency for multimedia streaming service in wireless LAN," Proc. of the 6th IEEE Conf. on Consumer Communications and Networking Conference, pp.1-6, 2009. [9] T. Simunic, L. Benini, P. Glynn, and G. D. Micheli, "Event-driven power management," IEEE Trans.on Computer-Aided Design of Integrated Circuits and Systems, vol.20, no.7, pp.840-857, 2001. [10] C. Harris, and V. Cahill, "Exploiting user behaviour for context-aware power management," IEEE Int. Conf. on Wireless and Mobile Computing, Networking and Communications, vol.4, pp.122-130, 2005. [11] X. Liu, P. Shenoy, and M. D. Corner, "Chameleon: Application-level power management," IEEE Trans. on Mobile Computing, vol.7, no.8, pp.995-1010, 2008. [12] Y. Fei, L. Zhong, and N. K. Jha, "An energyaware framework for dynamic software management in mobile computing systems," Journal of ACM Trans. on Embedded Computing Systems, vol.7, no.3, pp.27:1-27:31, 2008. [13] D. Romero, "Context-aware middleware: An overview," Paradigma, vol.2, no.3, 2008. [14] C. Efstratiou, K. Cheverst, N. Davies and A. Friday, "An architecture for the effective support of adaptive context-aware applications," Proc. of the Second Int. Conf. on Mobile Data Management, pp.15-26, 2001. [15] N. Paspallis, R. Rouvoy, P. Barone, G. A. Papadopoulos, F. Eliassen, and A. Mamelli, "A pluggable and reconfigurable architecture for a contextaware enabling middleware system," Proc. of the OTM 2008 Confederated Int. Conf., CoopIS, DOA, GADA, IS, and ODBASE, pp.553-570, 2008. [16] K. Murao, T. Terada, Y. Takegawa, and S. Nishio, "A context-aware system that changes sensor combinations considering energy consumption," Proc. of the 6th Int. Conf. on Pervasive Computing, pp.197-212, 2008. [17] J. Zhou, E. Gilman, J. Palola, J. Riekki, M. Ylianttila, J. Sun, "Context-aware pervasive service
결정트리와베이지안네트워크를이용한효율적인안드로이드폰에너지관리프레임워크 215 composition and its implementation," Personal and Ubiquitous Computing, vol.15, no.3, pp.291-301, 2011. [18] S. Reddy, M. Mun, J. Burke, D. Estrin, M. Hansen, and M. Srivastava, "Using mobile phones to determine transportation modes," ACM Transactions on Sensor Networks, vol.6, no.2, pp.13:1-13:27, 2010. 이영설 2006년 2월연세대학교컴퓨터과학과 ( 학사 ). 2008년 2월연세대학교컴퓨터과학과 ( 석사 ). 2008년~현재연세대학교컴퓨터과학과박사과정. 관심분야는스마트폰, 모바일상황인식, 스토리생성, 확률추론 조성배 1988년연세대학교전산과학과 ( 학사 ). 1990 년한국과학기술원전산학과 ( 석사 ). 1993 년한국과학기술원전산학과 ( 박사 ). 1993 년~1995년일본 ATR 인간정보통신연구소객원연구원. 1998년호주 Univ. of New South Wales 초청연구원. 1995년~ 현재연세대학교컴퓨터과학과정교수. 2005년~2006년캐나다 Univ. of British Columbia 방문교수. 관심분야는신경망, 패턴인식, 지능정보처리