하이브리드 질의를 위한 데이터 스트림 저장 기술

신재진(Jae-Jyn Shin),유병섭(Byeong-Seob You),어상훈(Sang-Hun Eo),이동욱(Dong-Wook Lee),배해영(Hae-Young Bae) 한국멀티미디어학회 2007 멀티미디어학회논문지 Vol.10 No.11

본 논문은 데이터 스트림의 하이브리드 질의를 위한 빠른 저장 방법을 제안한다. 빠르고 많은 입력을 가지는 데이터 스트림의 처리를 위해 DSMS(Data Stream Management System)란 새로운 시스템에 대한 연구가 활발히 진행되고 있다. 현재 입력되고 있는 데이터 스트림과 과거에 발생했던 데이터 스트림를 동시에 검색하는 하이브리드 질의를 위해서는 데이터 스트림이 디스크에 저장되어져야 한다. 그러나 데이터 스트림의 빠른 입력 속도와 메모리와 디스크 공간의 한계 때문에 저장된 데이터 스트림에 대한 질의보다는, 현재 입력되고 있는 데이터 스트림에 대한 질의에 대한 연구들이 주로 이루어졌다. 본 논문에서는 데이터 스트림의 입력을 받을 때 순환버퍼를 이용하여 메모리 이용률을 최대화하고 블록킹 없는 데이터 스트림의 입력을 가능하게 한다. 또한 최대한 많은 양의 데이터를 디스크에 저장하기 위하여 디스크에 있는 데이터를 압축한다. 실험을 통하여 제안되는 기술이 대량으로 입력되는 데이터 스트림을 빠르게 저장시킬 수 있다는 것을 보인다. This paper proposes fast storage techniques for hybrid query of data streams. DSMS(Data Stream Management System) have been researched for processing data streams that have busting income. To process hybrid query that retrieve both current incoming data streams and past data streams data streams have to be stored into disk. But due to fast input speed of data stream and memory and disk space limitation, the main research is not about querying to stored data streams but about querying to current incoming data streams. Proposed techniques of this paper use circular buffer for maximizing memory utility and for make non blocking insertion possible. Data in a disk is compressed to maximize the number of data in the disk. Through experiences, proposed technique show that bursting insertion is stored fast.

공간 데이터스트림을 위한 조인 전략 및 비용 모델

유기현,남광우,Yoo, Ki-Hyun,Nam, Kwang-Woo 한국공간정보학회 2008 한국공간정보시스템학회 논문지 Vol.10 No.4

GeoSensor 네트워크란 지리공간상에서 발생하는 다양한 현상들을 모니터링하는 특정형태의 센서네트워크 인프라 및 관련 소프트웨어를 의미한다. 그리고 이러한 GeoSensor 네트워크는 데이터스트림과 공간 속성의 데이터를 가진 스트림, 또는 공간 릴레이션과의 조합으로 구현될 수 있다. 하지만, 최근까지 연구된 센서 네트워크 시스템은 공간 정보를 배제한 센서 데이터스트림에 대한 저장 및 검색 방안 연구에 치중되어 있다. 따라서 본 논문은 GeoSensor 네트워크에서 데이터스트림과 공간 데이터가 결합된 형태의 공간 데이터스트림의 정의 및 그들 간의 조인 전략들을 제안한다. 본 논문에서 정의하고 있는 공간 데이터스 트림에는 이동 객체 형태의 동적 공간 데이터스트림과 고정된 형태의 정적 공간 데이터스트림이 있다. 동적공간 데이터스트림은 GPS와 같이 동적으로 이동하는 센서에 의해 전송되는 데이터스트림을 말한다. 반면, 정적 공간 데이터스트림은 일반 센서 형태의 데이터스트림과 이러한 센서들의 위치 값을 가지고 있는 릴레이션과의 조인으로 만들어 진다. 본 논문은 동적 공간 데이터스트림과 정적 공간 데이터스트림의 조인 및 조인 비용을 추정하는 모델을 제안하고 있다. 또한, 실험을 통해 제안하는 비용 모델의 검증 및 조인 전략에 따른 조인 성능을 보이고 있다. GeoSensor network means sensor network infra and related software of specific form monitoring a variety of circumstances over geospatial. And these GeoSensor network is implemented by mixing data stream with spatial attribute, spatial relation. But, until a recent date sensor network system has been concentrated on a store and search method of sensor data stream except for a spatial information. In this paper, we propose a definition of spatial data stream and its join strategy model at GeoSensor network, which combine data stream with spatial data. Spatial data stream s defining in this paper are dynamic spatial data stream of a moving object type and static spatial data stream of a fixed type. Dynamic spatial data stream is data stream transmitted by moving sensor as GPS, while static spatial data stream is generated by joining a data stream of general sensor and a relation with location values of these sensors. This paper propose joins of dynamic spatial data stream and static spatial data stream, and cost models estimating join cost. Finally, we show verification of proposed cost models and performance by join strategy.

에스퍼 기반 실시간 필터링 시스템

박세빈,길명선,최형진,문양세 한국정보과학회 2017 데이타베이스 연구 Vol.33 No.2

In this paper, we address the filtering problem of data stream data. In general, stream data are continuously generated, and the volume are very large. Therefore, in order to process such a large-capacity data stream in real time, a filtering algorithm should be used to sufficiently remove unnecessary data for analysis. However, since existing filtering algorithms are optimized for a single data type, it is difficult to precisely filter different data types with only one filtering algorithm. To solve this problem, in this paper we propose an Esper-based real-time filtering system that applies various filtering algorithms to Esper, a typical data stream management system (DSMS). The proposed system is designed and implemented based on the client-server model. First, the client transmits the user’s input for filtering to the server and displays the filtering results received from the server in real time. The server filters the data stream in real-time according to the user input and returns the results to the client in real time. Experimental results on real data stream show that the proposed system filters data stream accurately and quickly. In addition, because it supports various filtering algorithms, we can easily filter various types of streams and compare the results. As a result, the proposed filtering system is considered to be an excellent system for extracting data more accurately and efficiently by selectively supporting a filtering algorithm suitable for the type of input data streams. 본 논문에서는 데이터 스트림 대상의 필터링 문제를 다룬다. 데이터 스트림은 지속적으로 생성되며 수집하게 되면 크기 또한 거대해진다. 따라서, 이러한 대용량 데이터 스트림을 실시간 처리하기 위해서는 필터링 알고리즘을 사용하여 분석에 불필요한 데이터를 충분히 제거해야 한다. 그러나, 기존 필터링 알고리즘은 하나의 데이터 타입에 최적화 되어있기 때문에 각기 다른 데이터 타입에 대한 정확한 필터링이 어렵다. 본 논문에서는 이 같은 문제를 해결하기 위해 대표적인 데이터 스트림 처리 시스템(DSMS: data stream management system)인 에스퍼(Esper)에 여러 필터링 알고리즘을 적용한 에스퍼 기반 실시간 필터링 시스템을 클라이언트-서버 모델 기반으로 설계 및 구현한다. 먼저, 클라이언트는 필터링을 위한 사용자의 입력을 서버에게 전달하고, 서버로부터 전달받은 필터링 결과를 실시간 보여준다. 그리고, 서버는 클라이언트로부터 전달받은 사용자 입력에 따라 데이터 스트림을 실시간 필터링하고 그 결과를 클라이언트에게 실시간으로 반환한다. 실제 데이터 스트림을 활용한 실험 결과, 제안 시스템은 데이터 스트림을 정확하고 빠르게 필터링함을 확인하였다. 또한, 여러가지 필터링 알고리즘을 통합 지원하기 때문에, 다양한 타입의 스트림을 쉽게 필터링하고, 그 결과를 비교할 수 있다. 이 같은 결과로 보아, 제안하는 필터링 시스템은 입력 데이터 스트림 타입에 적합한 필터링 알고리즘을 선택적으로 지원함으로써, 보다 정확하고 효율적으로 데이터를 추출하는 우수한 시스템으로 사료된다.

부분 질의계획 중복에 기반한 동적 스트림 질의 재구성

이상돈(Sang-Don Lee),이원근(Won-Gen Lee) 한국정보과학회 데이터베이스 소사이어티 2004 데이타베이스 연구 Vol.20 No.4

최근 들어 데이터가 연속적으로 생성되는 데이터 스트림을 처리하는 스트림 응용에 대한 요구가 증대하고 있다. 데이터 스트림을 대상으로 이루어지는 스트림 질의는 한번 등록이 되면 계속적으로 입력 데이터 스트림을 감시하다가 질의를 만족시키는 투플이 발생될 때마다 결과를 출력하는 연속성을 갖는다. 이러한 데이터 스트림 처리 시스템에서는 성능 향상을 위하여 동적으로 질의 실행 계획을 변경해야 하는 경우가 빈번히 발생한다. 현재 사용 중인 질의 계회 중의 일부를 재구성하기 위해서 사용될 수 있는 방법중의 하나는 대상 질의 계획으로의 입력을 중단하고 질의 계획을 재구성한 후 새로 구성된 질의 계획을 대상으로 스트림 입력을 재개하는 것이다. 그러나 이 경우 입력 데이터 보관을 위한 저장공간에 대한 비용이 증가하고, 부정확한 값을 산출하거나 출력 지연시간이 증가하는 등의 문제점을 안고 있다. 본 논문에서는 이러한 문제를 해결하기 위하여 질의 계획의 일부를 중복시켜 동적으로 질의 계획을 재구성하는 기법을 제시한다. 제안 기법은 최적화 대상이 되는 질의 계획을 일시적으로 중복시킴으로서 최적화가 진행되고 있는 과정 중에도 기존의 질의 계획이 입력 스트림을 계속 처리하도록 하고, 재구성이 완료된 후에는 새로운 질의 계획이 입력 스트림을 처리하도록 한 후 기존의 질의 계획을 삭제하는 과정으로 이루어진다. 본 논문에서 제시한 기법의 성능을 메모리 요구량, 출력 지연에 대하여 비교 평가하였다. 부분 질의계획 중복에 기반한 동적 스트림 질의 재구성 방법은 동기화를 위한 추가 비용이 발생하지만, 입력을 중단하지 않기 때문에 기존의 방법에 비하여 메모리 요구량이 감소하고, 추가적인 출력지연도 발생하지 않는 장점을 갖는다. Recently, a new class of data applications has been widely recognized, in which data arrives continuously. Stream queries, once registered, continuously monitor the input streams and produce outputs whenever the queries are satisfied. In order to improve data stream processing system's performance, query plans are dynamically changed often. In order to substitute parts of an old query plan with a new optimized one, previously proposed approach follows a set of steps : The optimizer decides the target query plan, buffers data streams, reorganizes the query plan and stops holding the streams. But, this strategy has some problems such as probably excessive memory requirements to buffer input streams, inaccuracy of outputs and increased delays. This paper suggests a new dynamic query plan reorganization strategy based on repliction of a part of query plan. The optimizer temporarily maintains two query plans, the target query plan and the optimized query plan. The target query plan processes the input streams while the optimization is proceeding. When the reorganization is completed, the target query plan is removed from the system. Now, the optimized query plan processes the input streams. Performance results show that the proposed dynamic query plan reorganization strategy successfully reduces the required memory requirements and does not cause the additional output delays with marginal overhead.

실시간 공간 상황 분석을 위한 공간 데이터 스트림 처리 시스템

권오제,김재훈,이기준 대한공간정보학회 2010 Spatial Information Research Vol.18 No.1

센서로부터 획득되는 데이터 스트림들 중에 특히 이동 객체에 대한 공간 정보를 담은 데이터 스트림은 상황 인지의 여러 응용 분야에 매우 유용하다. 하지만, 실시간으로 공간 스트림을 처리하는 것과 공간 상황 인지를 위한 복잡한 연산 처리 사이에는 중요한 기능적인 격차가 존재하는데, 이는 공간 스트림 처리와 상황 인지를 통합하는데 매우 큰 어려움을 준다. 본 논문에서는, 공간 스트림 처리와 공간 상황 인지 사이에 존재하는 기능적인 격차를 해결하기 위한 공간 데이터 스트림 처리 시스템인 SCONSTREAM(Spatial CONtext STREAm Management)를 제안한다. 본 논문에서 제안하는 시스템은 불필요한 공간 데이터 스트림을 전처리하고 상황 인지에 용이한 형태로 가공한다. 실험을 통해, 본 시스템이 공간 스트림 처리와 공간 상황 인지 사이에 존재하는 기능적인 격차를 해소할 수 있음을 보인다. Spatial data streams from sensors are useful in context-awareness for many types of applications. However, an important gap is found between spatial data stream management in real-time and complex computation for spatial context-awareness, and this brings about serious difficulty to integrate spatial data stream processing and context-awareness. In this paper, we present a system called SCONSTREAM(Spatial CONtext STREAm Management) that we have developed to resolve the gap between spatial data stream and context-awareness. The key approach of our system is to filter off unnecessary spatial data streams and convert them to the spatial context streams, which are smaller and more suitable to be processed by the context-awareness module than raw data from sensors. By experimentation, We show that SCONSTREAM resolves the functional gap between spatial stream processing and spatial context-awareness module.

데이터 스트림 시스템에서 희소 항목 집합 기반의 연관 규칙 탐사 기법과 성능 평가

김대인,김홍기 동신대학교 2006 論文集 Vol.16 No.-

최근에, 하드웨어와 통신 기술의 발전으로 인하여 시간과 공간의 제약에 상관없이 연속적인 데이터를 센서가 수집하는 데이터 스트림 시스템이 대두되었다. 그러나 데이터 스트림 시스템에서 대부분의 지지도 기반의 연관 분석 방법들은 센서에서 수집되는 단일 데이터 스트림에 대한 것이며 다차원 데이터 스트림의 연관 정보 분석은 간과하고 있다. 본 논문에서는 데이터 스트림 시스템에서 다차원 데이터 스트림의 연관 규칙을 탐사할 수 있는 SRI-DSS 방법을 제안한다. SRI-DSS 방법은 한 번의 데이터 스캔으로 연관 규칙 탐사에 필요한 요약 정보를 구축함으로써 데이터 스트림의 특성을 반영하며, 자주 발생하지는 않지만 중요도가 높은 이벤트에 대한 연관 정보를 탐사할 수 있다. 또한 SRI-DSS 방법은 의미있는 희소 항목 집합에 대한 연관 규칙 탐사도 가능하다. 그리고 다양한 실험을 통하여 SRI-DSS 방법의 성능을 탐사 시간과 항목 집합의 수의 관점에서 비교함으로써 제안하는 방법이 기존의 방법들에 비하여 우수함을 확인하였다. Recently, in advance in hardware and communication have rendered the data stream management system that sensors collect the continuous information via wireless channel, regardless of the time and space restriction. However, in data stream management system, most of the researches based on the support are concerned with a single data stream, and this approaches ignore in mining to multiple data stream In this paper, we study the techniques discovering the association rules to multidimensional data stream The SRI-DSS method reflecting the characteristics of stream data since make the summarization information by one data scan and discovering the association rules for itemsets that appear infrequently in the database but are very significant event. Also, SRI-DSS method can discover association rules for the significant rare itemsets. Through analysis and experiments, we show that SRI-DSS method is superior to other previous methods in terms of the search time and the count of itemsets.

CNN을 활용한 IoT 스트림 데이터 패턴 분류 기법

김경주,오소연,이민수 한국정보과학회 2019 데이타베이스 연구 Vol.35 No.2

These days due to the development of the Internet of Things environment, big data technology is becoming important for collecting and managing large amounts of data. Recent studies are being conducted to incorporate deep learning technology into Internet of Things(IoT) data analysis in order to classify the specific pattern and trends. In this paper, ECG(Electrocardiogram) data, which could be useful for IoT services, is the input steam data, and a deep learning model structure suitable for data characteristics is found, so that IoT data analysis is efficiently performed. In order to classify the IoT stream data pattern, the experiments were conducted to find the best suitable model structure using the convolutional neural networks. To optimize the CNN, various models and parameter values were used to design various experiments. Also to enhance the classification performance, a preprocessing step is added to the existing convolutional neural networks model. The model structure parameters and the model learning parameters are divided into two major conditions. The experiment environment is set up and applied to two time series data with different characteristics. It is concluded that the deeper the layer and the larger the batch size, the easier model structure for IoT data pattern classification. 사물 인터넷(Internet of Things, IoT) 환경의 발달로 다양한 종류의 센서들로부터 대량의 데이터가 생성되고 있으며, 이를 수집, 관리 및 분석하기 위한 빅데이터 기술이 중요해지고 있다. 최근에는 실시간으로 생성되는 대용량의 IoT 데이터 분석에 딥러닝 기술을 활용하여 특정 데이터 패턴이나 경향성의 분석을 수행하기 위한 연구가 진행되고 있다. 본 논문에서는 헬스케어 등 IoT 기반 서비스에의 활용 가능성이 높은 스트림데이터 중 하나인 ECG(Electrocardiogram, 심전도) 데이터에 대하여, 딥러닝 모델을 설계 및 적용함으로써 효율적인 분석을 가능하도록 하였다. 먼저, ECG 스트림 데이터의 패턴 분류를 위하여 합성곱 신경망(Convolutional Neural Networks, CNN) 기반의 딥러닝 모델을 설계하고, 이를 최적화하기 위한 다양한 파라미터들을 각각 모델의 구조와 학습에 관련한 파라미터들로 분리하여 실험을 설계 및 진행하였다. 또한, 분류 작업의 추가적인 성능 향상을 위하여, ECG 스트림 데이터에 대한 전처리 기법을 고안하여 적용해 보았다. 이러한 다양한 조건을 기반으로 설계된 실험들은, 서로 다른 센서에서 서로 다른 목적으로 수집되어 서로다른 특성을 갖는 두 가지의 ECG 스트림 데이터 세트 에 대하여 각각 수행되었다. 그 결과, 레이어가 깊을수록, 배치 크기가 큰 학습 모델일수록 IoT 스트림 데이터의 패턴 분류에 용이한 모델 구조라는 결론을 얻을수 있었다.

적응적 격자기반 다차원 데이터 스트림 클러스터링 방법

박남훈,이원석,Park, Nam-Hun,Lee, Won-Suk 한국정보처리학회 2007 정보처리학회논문지D Vol.14 No.7

데이터 스트림이란, 빠른 속도로 지속적으로 생성되는 무한한 크기의 방대한 양의 데이터 집합으로 정의된다. 무한한 데이터 스트림에 비해 주어진 메모리 공간은 유한하게 한정되어 있어, 이러한 제약조건을 충족시키는 범위 내에서 일정 한도내의 정확도 오차를 허용하기도 한다. 또한, 변화하는 데이터 스트림 내의 최신 클러스터를 찾기 위해서는 데이터 객체의 저장없이 오래된 데이터 스트림 내의 정보들을 비중을 감소시킬 수 있어야 한다. 본 연구에서는 데이터 스트림 분석을 위한 데이터 스트림 격자 기반 클러스터링 기법을 제시한다. 주어진 초기 격자셀에 대해, 데이터 객체의 빈도가 높은 범위를 반복적으로 보다 작은 크기의 격자셀로 분할하여 최소 크기의 격자셀, 단위 격자셀을 생성한다. 격자 셀에서는 데이터 객체들의 분포에 대한 통계값만을 저장하여, 기존의 클러스터링 기법에 비해 데이터 객체에 대한 탐색없이 효율적으로 클러스터를 찾을 수 있다. 또한, 가용 메모리 공간에 따라 단위 격자셀의 크기를 조절하여 클러스터의 정확도를 최대화할 수 있어, 주어진 메모리 공간에 맞게 적응적으로 성능을 조절할 수 있다. A data stream is a massive unbounded sequence of data elements continuously generated at a rapid rate. Due to this reason, memory usage for data stream analysis should be confined finitely although new data elements are continuously generated in a data stream. To satisfy this requirement, data stream processing sacrifices the correctness of its analysis result by allowing some errors. The old distribution statistics are diminished by a predefined decay rate as time goes by, so that the effect of the obsolete information on the current result of clustering can be eliminated without maintaining any data element physically. This paper proposes a grid based clustering algorithm for a data stream. Given a set of initial grid cells, the dense range of a grid cell is recursively partitioned into a smaller cell based on the distribution statistics of data elements by a top down manner until the smallest cell, called a unit cell, is identified. Since only the distribution statistics of data elements are maintained by dynamically partitioned grid cells, the clusters of a data stream can be effectively found without maintaining the data elements physically. Furthermore, the memory usage of the proposed algorithm is adjusted adaptively to the size of confined memory space by flexibly resizing the size of a unit cell. As a result, the confined memory space can be fully utilized to generate the result of clustering as accurately as possible. The proposed algorithm is analyzed by a series of experiments to identify its various characteristics

센서 네트워크를 위한 PCA 기반의 데이터 스트림 감소 기법

알렉산더페도시브 ( Alexander Fedoseev ),최영환 ( Young-hwan Choi ),황인준 ( Eenjun Hwang ) 한국인터넷정보학회 2009 인터넷정보학회논문지 Vol.10 No.4

데이터 스트림이란 새로운 개념과 기존의 단순 데이터 사이에 존재하는 개념적 차이를 극복하기 위해서는 많은 연구가 필요하다. 대표적인 예로써 센서 네크워크에서의 데이터 스트림 처리를 들 수 있는 데, 이를 위해서는 대역폭이나 에너지, 메모리와 같은 자원적 한계에서부터 연속 질의를 포함하는 질의처리의 특수성까지 고려해야 할 대상이 광범위하다. 본 논문에서는 데이터 스트림 처리에서의 물리적 제약사항에 해당하는 한정된 메모리 문제를 해결하기 위해 PCA 기법을 기반으로 하는 데이터 스트림 축소 방안을 제안하다. PCA는 상호 관련된 다수의 변수들을 관련이 없는 적은 수의 변수로 변환해준다. 본 논문에서는 질의 처리 엔진의 협력을 가정하고서 센서 네크워크의 스트림 데이터 처리를 위해 PCA 기법을 적용하며, 다른 센서로부터 얻어진 많은 측정값 사이에 시공간적 관련성을 이용한다. 최종적으로 그러한 데이터 처리를 위한 프레임워크를 제시하고 다양한 실험을 통하여 기법의 성능을 분석한다. The emerging notion of data stream has brought many new challenges to the research communities as a consequence of its conceptual difference with conventional concepts of just data. One typical example is data stream processing in sensor networks. The range of data processing considerations in a sensor network is very wide, from physical resource restrictions such as bandwidth, energy, and memory to the peculiarities of query processing including continuous and specific types of queries. In this paper, as one of the physical constraints in data stream processing, we consider the problem of limited memory and propose a new scheme for data stream reduction based on the Principal Component Analysis (PCA) technique. PCA can transform a number of (possibly) correlated variables into a (smaller) number of uncorrelated variables. We adapt PCA for the data stream of a sensor network assuming the cooperation of a query engine (or application) with a network base station. Our method exploits the spatio-temporal correlation among multiple measurements from different sensors. Finally, we present a new framework for data processing and describe a number of experiments under this framework. We compare our scheme with the wavelet transform and observe the effect of time stamps on the compression ratio. We report on some of the results.

다중 센서 스트림 데이터 유형을 활용한 딥러닝 신경망 설계와 적용

박상아,오소연,이미경,이민수 한국정보과학회 2022 데이타베이스 연구 Vol.38 No.1

With the development of the Internet of Things(IoT), it is becoming important to analyze stream data to find new values from massive sensor data. As the learning of large-capacity data becomes easier, various studies for analyzing stream data by applying a deep learning technique are being conducted. Although neural networks are designed for analyzing stream data for the types of analysis such as classification or regression, various structures of neural networks can exist for the same type. Also, when multiple stream data is analyzed together, meaningful characteristics may vary. However, no applicable consistent methodology for neural network design exists. Therefore, we present a rule to classify types based on the characteristics of each stream data. In addition, we propose a consistent deep learning neural network design technique based on these rules. We conducted experiments applying the proposed method to the various biosensor datasets used in healthcare research. The experiments show improvement from 80.93% to 92.76% in average accuracy, and a decrease from 1081.27 seconds to 200.32 seconds in training time compared to the basic model. Finally, it was confirmed that our method is effective in designing a deep learning neural network to analyze multi-sensor stream data. 최근 사물인터넷의 발달로, 방대한 센서 데이터들로부터 새로운 가치를 찾아내는 스트림 데이터의 분석이 중요해지고 있다. 또한, 대용량 데이터의 학습이 용이해짐에 따라, 딥러닝 기법을 적용하여 스트림 데이터를 분석하는 연구들이 진행되고 있다. 기존의 연구에서 분류 또는 회귀와 같은 분석 유형을 고려하여 딥러닝 신경망을 설계하고 있지만, 동일한 유형에 대해서도 다양한 구조의 신경망이 존재한다. 또한, 여러 스트림 데이터를 함께 분석하는 경우 각 데이터마다 주목해야 할 특징이 다를 수 있다. 그러나, 이러한 상황에서 적용할 수 있는 신경망 설계 기법에 대한 일관된 방법론이 존재하지 않는다. 따라서, 본 논문에서는 다중 센서 스트림 데이터에 대해, 각 스트림 데이터가 가진 특성에 기반하여 유형을 구분할 수 있는 규칙을 제시한다. 또한, 이러한 유형화 규칙에 기반한 일관된 딥러닝 신경망 설계 기법을 제안한다. 제안하는 기법을 헬스케어 분야에 사용되고 있는 다양한 바이오센서 데이터셋에 대해 실험하여, 기본 모델 대비 평균 정확도는 80.93%에서 92.76%로 향상되며, 학습시간의 경우 1081.27초에서 200.32초로 단축됨을 보였다. 이를 통해 제안하는 기법이 다중 센서 스트림 데이터를 분석하기 위한 딥러닝 신경망을 설계하는 데 효과적임을 확인하였다.