제안하는 네트워크 트래픽 스케줄링 아키텍처는 스마트 기기와 가까운 엣지 클라우드에 스마트 기기의 클론을 두고 이를 통해 네트워킹 서비스를 우회적으로 제공한다. 엣지 클라우드의 클론은 스마트 기기를 대신해 각각의 서버와 교신하며, 서버로부터 발생한 트래픽 또는 알림을 인공지능 학습 알고리즘으로 분석한 뒤 적절한 시점에 스마트 기기에게 모아서 보내준다. 스마트 기기로부터 앱별 사용빈도 및 중요도 피드백을 받고 서버로 업로드하는 트래픽의 경우 엣지 클라우드에 버퍼링 후 스마트 기기와 클론 사이의 세션은 종료하고 클론이 대신 서버로 업로드해준다. 1: 알고리즘의 개발과 검증을 위해 먼저 사용패턴 데이터 및 운영체제 로그를 수집한다. 수집된 데이터를 분석하여 각 인자별 상관관계를 파악한다. 앱 사용 간의 상관관계를 파악하고 궁극적으로 트래픽이 발생하는 패턴 및 네트워크 상황을 예측할 수 있는 입력 인자들을 선별한다. 2: 네트워크 상황과 트래픽 발생패턴을 예측하는데 학습 기반 알고리즘을 도입한다. 선별한 입력 인자들을 사용하여 예측 알고리즘의 복잡도를 낮추고 스마트 기기의 추가 측정 오버헤드를 최소화한다. 엣지 클라우드에 존재하는 가상의 클론이 스마트 기기를 대신하여 알림 서버 및 각 앱의 서버와 통신할 수 있도록 아키텍처를 설계한다. 3: 수집된 운영체제 구동 로그를 기반으로 엣지 클라우드가 포함된 스케줄링 아키텍처를 시뮬레이터로 구현한다. 스마트 기기의 네트워크 상황을 상태 변환 머신으로 모델하고 엣지 클라우드의 트래픽 스케줄링 및 리소스 관리 문제를 마르코프 결정 과정 문제로 모델한다. 불규칙 변화 환경에 적응적인 강화학습 기반 스케줄링 알고리즘을 제안한다. 4: 제안한 아키텍처와 학습 기반 스케줄러를 모두 결합하여 안드로이드 시스템과 엣지 클라우드 서버에 구현한다. 구현 시스템을 테스트베드로 시연하고 구현 시스템을 장기간 실험하며 피드백을 통해 시스템 구현 및 스케줄러를 개선한다. 5: 스마트 기기 사용자 실험을 진행하고 구동 로그를 수집하여 평가한다.