클라우드 연계 점진학습 및 유연 실행 스케줄링

Cloud-Connected Incremental Learning and Flexible Execution Scheduling

연구 내용

클라우드와 연계해 엣지에서 모델을 런타임 적응시키고, 하이퍼바이저 스케줄링으로 실시간 실행과 격리를 동시에 확보하는 연구

온디바이스 엣지 AI가 다양한 입력 환경에서 정확도를 유지하도록 가중치와 모델을 런타임에 재구성하는 구조를 연구합니다. 클라우드 연계 점진학습을 통해 오프라인 학습 단계의 비용을 엣지에서 분리하고, 정확도 기반 조건에 따라 가중치를 간헐적으로 갱신하여 통신 오버헤드를 줄입니다. 또한 자원 제약 환경에서 안정적인 실시간성을 제공하기 위해 상황 인지형 하이퍼바이저를 설계하고, 우선순위 기반 적응 time-quantum과 starvation-free 피드백 제어로 대기시간을 제어합니다. 컨텍스트 전환 비용을 낮추는 메모리 및 기능 격리 기법도 함께 적용합니다.

관련 프로젝트

4건

연구 흐름

엣지에서 정적 가중치에 의존하는 실행 한계를 전제로, 먼저 런타임에서 입력 변화에 반응하는 모델 업데이트 구조를 구상했습니다. 이후 2025년에 클라우드와 연결된 이벤트 기반 점진학습 아키텍처로 확장하여, 학습 오프로딩과 간헐적 가중치 갱신으로 통신·학습 부담을 줄이는 방향을 정립했습니다. 같은 시기에 가상화 계층의 스케줄링이 실시간 응답과 격리에 미치는 영향을 분석하고, 적응형 time-quantum과 피드백 제어를 결합한 하이퍼바이저로 구현했습니다. 결과적으로 엣지 AI 실행의 유연성과 예측 가능성을 동시에 다루는 흐름으로 발전했습니다.

활용 가능성

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

엣지-클라우드 동기화 기반 모델 갱신
정확도 조건부 간헐적 가중치 업데이트
실시간 태스크 우선순위 제어
starvation-free 스케줄링
가상화 기반 소프트웨어 격리
컨텍스트 전환 비용 최적화
실시간 AI 온디바이스 실행 런타임
이벤트 기반 리소스 할당 정책
다중 작업 적응형 시간할당
학습 오프로딩 중심 아키텍처