초록 (Abstract)

본 포스트에서는 실제 환경의 이상 탐지, 예측 분석 및 클라우드 측 진단을 위한 지능형 엣지 하드웨어 장치인 Aeris의 설계 및 구현에 대해 다룹니다. Ultra-Low-Power (ULP) 모드에서 BSEC2로 구성된 두 개의 Bosch BME688 센서를 사용하여, Aeris는 실시간 공간 가스, 온도 및 습도 지표를 처리합니다. 이 시스템은 예측을 돕기 위해 국소적 다변량 통계 임계값 (multi variant statistic thresholds)과 최소제곱법 (Ordinary Least Squares) 선형 회귀를 사용합니다. 로컬 이상 징후가 확인되면, 페이로드 (payload)는 Alibaba cloud function compute를 통해 Qwen Cloud API로 안전하게 전송되어 결정론적 진단 및 국소적 완화 전략을 도출합니다. 폐쇄 루프 피드백 (Closed loop feedback)을 통해 클라우드 측 에이전트는 베이스라인 (baseline)의 움직임에 따라 시간이 지남에 따라 엣지 임계값을 최적화할 수 있습니다. 또한, Aeris는 네트워크 환경이 취약한 상황에서의 성능 저하를 허용하기 위해 파일 시스템 큐 (filesystem queue)를 통한 탄력적인 운영 안전 장치를 포함합니다.

1. 서론 (Introduction)

현대의 사물 인터넷 (Internet of Things) 장치들은 즉각적인 처리, 대역폭 최적화, 그리고 진단 깊이 사이의 절충안(trade off) 문제에 직면해 있습니다. 순수 클라우드 중심 아키텍처는 지연 시간 (latency) 문제로 어려움을 겪지만, 전통적인 마이크로컨트롤러 (microcontrollers)는 로컬에서 심층적인 문맥 추론 모델을 실행할 능력이 부족합니다. 우리의 목표는 Global AI Hackathon Series의 EdgeAgent 트랙을 위해 이러한 문제들을 해결하는 것이었습니다. 통합된 엣지-클라우드 공동 설계 (edge-to-cloud codesign)를 통해 워크로드를 분산함으로써, 시스템은 로컬 제약 조건 내에서 고주파 센서 데이터 수집, 차분 오류 완화 (differential error mitigation) 및 예측 포캐스팅을 수행할 수 있으며, 강력한 LLM 추론은 구조적 이상 검증 및 문맥적 완화 가이드를 위해 예약됩니다.

1.2 배경 (Background)

고도화된 실시간 모니터링의 필요성은 예를 들어 병원 및 의료 시설과 같은 곳의 거주자 건강과 웰빙(wellbeing) 측면에서의 역할로 인해 점점 더 커지고 있습니다. 리뷰에 따르면 중환자실(intensive care units)과 같은 의료 시설을 대상으로 이러한 영역을 최적화하는 데 대한 관심이 있음이 나타났습니다. 이들 중 상당수는 일산화탄소[1]와 같이 건강에 해로운 것으로 밝혀진 특정 매개변수(parameters)를 우선시합니다. Aeris와 같은 시스템은 조기 편차(deviations)를 위한 로컬 데이터 수집(data ingestion)을 제공함으로써 이 문제를 해결합니다.

또한, 사물인터넷(Internet of Things, IoT) 장치에 LLM을 통합하는 과정에서 현대 LLM의 매개변수(parameter) 수가 10배씩 증가함에 따라, 리소스가 제한된 에지 노드(edge nodes)에 요구되는 메모리 용량이 너무 커져 에지 장치와 클라우드 기반 협업으로 전환되는 문제가 발생했습니다[2]. Aeris는 구조적 진단(structural diagnosis)을 Qwen Cloud에 예약함으로써 이를 활용합니다.

2. 시스템 아키텍처 및 에지-클라우드 공동 설계 (System Architecture & Edge-Cloud Co-Design)

Aeris의 아키텍처는 아래 그림과 같이 에지(edge)와 Alibaba Cloud 간의 역할을 분리합니다.

2.1 에지 센싱 레이어 (Edge Sensing Layer)

센서 스택은 내부 실행을 위해 BSEC2 소프트웨어 엔진을 통해 작동하는 두 개의 BME688 가스 센서를 사용합니다.

2.2 클라우드 통합 레이어 (Cloud Integration Layer)

• Alibaba Cloud Function Compute: 장치로부터의 실시간 하트비트(heartbeats) 및 원격 측정(telemetric) 데이터의 엔드포인트(endpoint)로 사용됩니다.
• Alibaba Cloud Object Storage Service: 구조적 센서 어레이(sensor arrays) 및 그에 상응하는 클라우드 진단이 포함된 아카이브된 페이로드(payloads)를 유지하며 이력 데이터 로깅을 관리합니다.
• Qwen Cloud Engine: 에지에서 생성된 텍스트 프롬프트(text prompts)를 처리하여 장치에 분석 및 통찰력을 제공합니다.

3. 로컬 프로세싱 및 에지 인텔리전스 (Local Processing & Edge Intelligence)

3.1 차분 이상 탐지 및 불일치 격리 (Differential Anomaly Detection and Mismatch Isolation)

Aeris는 원시 온도 (raw temperature), 상대 습도 (relative humidity) 및 가스 저항 (gas resistance) 도메인 전반에 걸쳐 다변량 임계값 검증 (multi variant threshold verification)을 구현합니다.
로컬 드리프트 (local drift)를 완화하기 위해, 기본 구성 요소와 보조 구성 요소 간의 실시간 차이를 계산하는 간단한 센서 불일치 탐지 (sensor mismatch detection) 알고리즘이 제작되었습니다.

Δgas​=∣GasP​−GasS​∣

Δtemp​=∣TempP​−TempS​∣

만약 가스 델타 (delta gas) 값이 보정된 기준 구성 (calibrated baseline configuration)의 80%를 초과하거나, 온도 델타 (delta temperature)가 엄격한 3°C 편차를 위반하는 경우, 시스템은 이상 징후를 플래그(flag)합니다. 이는 표준 규칙을 우회하여 오경보 (false alarm)가 발생하기 전에 내부 하드웨어 결함을 격리합니다.

3.2 예측 최소제곱 선형 회귀 (Predictive Least-Squares Linear Regression)

예측을 가능하게 하기 위해, 펌웨어 (firmware)는 이전 메트릭 (metrics)의 롤링 링 버퍼 (rolling ring buffer)를 모니터링하며, 이후 엣지 하드웨어 (edge hardware)가 분 단위의 시간 메트릭을 격리하고 최소제곱법 (Ordinary Least Squares) 방정식을 풀어 연속적인 기울기 (slope)를 추출합니다.

β1​=n∑i
=1n​xi2​−(∑i
=1n​xi​)2n∑i
=1n​(xi​yi​)−(∑i
=1n​xi​)(∑i
=1n​yi​)​

여기서:

• n은 총 유효 히스토리 프레임 (total valid history frames)을 나타냅니다 (n >= 3).
• x_i는 가장 이른 버퍼 마일스톤(buffer milestone)을 기준으로 한 연대순 시간 인덱스 (chronological time indexes)를 분 단위로 격리합니다 (tmin​=Δtms​/60000.0).
• y_i는 유입되는 원시 물리 메트릭 (raw incoming physical metrics) (가스, 온도 또는 습도)을 추적합니다.

3.3 임계값 도달 시간 투영 (Time-to-Threshold Projections)

기울기를 사용하여 마이크로컨트롤러 (microcontroller)는 환경 파라미터 (environmental parameters)가 설정된 마진 (margins)을 위반할 시점을 예측하기 위한 구조적 잔여 작동 간격 (structural remaining operation intervals)을 계산할 수 있습니다.

ttarget​=β1​(Ybaseline​±Ythreshold​)−Ycurrent​​

만약 작동 간격 (operation interval) >= 0 이라면, 엣지 (edge)는 예측 화면을 트리거하여 인터페이스 (interface)로 예측 메트릭을 브로드캐스팅 (broadcasting)합니다.

4. 비동기 엣지-클라우드 오케스트레이션 (Asynchronous Edge-Cloud Orchestration)

4.1 비대칭 오프라인 회복력 큐 (Asymmetric Offline Resilience Queue)

불안정한 네트워크 환경에서 견고함 (Robustness)을 강제하기 위해, Aeris는 두 계층의 비대칭 저장소 (Asymmetric storage)를 구현합니다:

• 휘발성 큐 (Volatile Queue): 활성 작업 (Active jobs)을 유지하기 위한 원형 메모리 구조로, 트래픽 범람을 방지하기 위해 속도 제한 블록 (Rate limit block)을 통해 아웃바운드 트래픽을 조절 (Throttling)합니다.
• 비휘발성 큐 (Non-Volatile Queue): 네트워크가 끊어지면, 시스템은 LittleFS를 사용하여 원시 구조체 (Raw structs)를 밀집 이진 행렬 (Dense binary matrices) 형태로 플래시 (Flash)에 직렬화 (Serialise)합니다. 네트워크가 다시 연결되면, 검증 루프 (Verification loop)가 개수를 읽고 캐시된 페이로드 (Payloads)를 순차적으로 디큐 (Dequeue)하여 클라우드 스토리지 엔드포인트 (Cloud storage endpoints)로 데이터를 로그 기록합니다.

4.3 폐쇄 루프 LLM 진단 오케스트레이션 (Closed-Loop LLM Diagnostic Orchestration)

운영 제약 조건이 초과되면, 진단 데이터가 프롬프트 (Prompt)에 수집되어 Qwen으로 전송됩니다. 모델은 다음과 같은 엄격한 규칙에 의해 제약됩니다:

• 페르소나 프레이밍 (Persona Framing): 쌍을 이룬 BME688 텔레메트리 (Telemetry) 레코드를 평가합니다.
• 데이터 그라운딩 (Data Grounding): 제공된 메트릭 (Metrics)으로 제한됩니다.
• 불확실성 매핑 (Uncertainty Mapping): 신뢰도 메트릭 (Confidence metrics)이 50% 미만으로 떨어지면, 출력 언어는 추측성 구문 (Speculative syntax)으로 전환되어야 합니다.
• 형식 제약 (Format Constraints): 반드시

Aeris는 환경 모니터링을 위한 클라우드-엣지 협업 아키텍처 (cloud-edge collaborative architecture)의 효능을 성공적으로 검증했습니다. 온디바이스 프로세싱 (on-device processing) 및 예측 최소제곱법 (predictive least squares) 예측을 Qwen Cloud의 강력한 진단 능력과 결합함으로써, 이 시스템은 매우 신뢰할 수 있는 실시간 환경 인텔리전스를 달성합니다. 이러한 공동 설계 (codesign)는 지연 시간 (latency), 대역폭 제약 (bandwidth constraints), 그리고 심층 진단 추론 (deep diagnostic reasoning) 사이의 전통적인 IoT 트레이드오프 (trade-offs)를 효과적으로 해결합니다.

팀 (Team)

• Jonathan Randall
• Saarujan Srishankar

Qwen Cloud와 함께한 Global AI Hackathon Series — Track 5: EdgeAgent를 위해 제작되었습니다.

인용 (Citations)

[1]A. Loureiro, A. Ana Ferreira, and N. Barros, “Systematic Review of the Literature on Indoor Air Quality in Healthcare Units and Its Effects on Health,” BMC Public Health, vol. 25, no. 2398, 2025, doi: 10.1186/s12889-025-23445-1.
[2]Y. Liang et al., “A Comprehensive Survey on Large Language Model Compression for Artificial Intelligence Applications in Edge Systems,” IEEE Internet of Things Journal, vol. 13, no. 10, pp. 20583–20599, Mar. 2026, doi: 10.1109/jiot.2026.3675866.