딥러닝 시계열 예측 기반 트래픽·모션 예측 및 엣지 클라우드 스케줄링 연구

Deep Learning Time-Series Prediction for Traffic and Motion and Edge-Cloud Scheduling

연구 내용

시계열 로그와 영상 시퀀스에서 미래 값을 예측해 스트리밍 품질과 트래픽 스케줄을 개선하는 연구

네트워크 상태가 불리할 때 서비스 품질을 유지하기 위해 미래 처리율 또는 사용자 시점을 예측하는 딥러닝 기반 접근을 수행합니다. LTE 환경에서는 TCP 로그와 throughputs를 재구성하고 sliding window로 입력을 생성한 뒤, attention 메커니즘을 포함한 LSTM으로 비선형 관계를 학습해 처리율을 추정합니다. VR/AR 영상에서는 LSTM·GRU와 attention을 결합해 360도 비디오의 시청자 머리 위치 좌표를 예측하여 스트리밍 중 좌표 변화 대응에 활용합니다. 동시에 엣지 클라우드를 대상으로 학습 기반 네트워크 트래픽 스케줄링을 연계해 리소스 관리에 적용하는 연구를 수행합니다.

관련 프로젝트

3건

연구 흐름

처리율 예측은 2021년에 LTE TCP 로그와 throughputs를 기반으로 입력을 구성하고, attention-LSTM 모델로 미래 처리율을 추정하는 연구로 시작하였습니다. 같은 해 VR/AR 맥락에서는 LSTM에 attention을 결합해 360도 비디오의 헤드 이동을 예측하는 모델링을 수행하였습니다. 이후 2021년부터는 엣지 클라우드와 스마트기기 환경을 대상으로 학습 기반 네트워크 트래픽 스케줄링 과제를 통해 예측을 리소스 관리 정책과 연결하는 방향으로 확장되었습니다. 2025년까지 프로젝트 기반으로 스케줄링과 예측의 결합을 지속해 적용 가능성을 높이고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

LTE 처리율 예측
엣지 클라우드 트래픽 스케줄링
스트리밍 버퍼 최적화
혼잡 대응 리소스 관리
VR/AR 좌표 예측
모션 기반 프리패칭
네트워크 로그 기반 예측 엔진
학습 기반 리소스 할당
품질 저하 상황 대응
시계열 모델 자동 튜닝