본 논문에서는 엣지 보조 셀룰러 인프라에서 운용되는 자율주행차의 서비스 경로를 최적화하는 문제를 다룬다. 자원 제약이 크고 동적인 환경의 복잡성을 해결하기 위해, 업링크 기지국, 엣지 서버, 다운링크 기지국에 걸친 3단계 서비스 라우팅 모델을 제안한다. 먼저 실시간 자원 가용성에 기반하여 실현 불가능한 링크를 제거하고, 이후 경로 최적화를 간소화하기 위해 네트워크를 논리적으로 다층 구조로 확장한다. 이를 바탕으로 자원 효율적인 서비스 경로를 할당하되 계산 및 네트워크 병목을 방지하는 SErvice Route Optimization (SERO) 알고리즘을 제안한다. 실제 도시 지도와 2,502대의 차량 주행 궤적(vehicular traces)을 기반으로 한 대규모 시뮬레이션 결과, SERO는 기존 방식에 비해 서비스 실패율을 최대 68.27%까지 유의하게 감소시키는 것으로 나타났다. 본 연구 결과는 미래 B5G/6G 네트워크에서 규모 확장성과 신뢰성을 갖춘 자율주행차 서비스를 위해 통신 및 연산 자원을 함께 최적화하는 것의 중요성을 강조한다.

최근 증강현실(augmented reality)과 같은 모바일 장치에서 인공지능(AI) 기법을 활용하는 응용이 광범위하게 확산되고 있다. 이러한 응용의 품질경험(QoE)은 모바일 장치의 하드웨어 사양, 동적 서비스 요구, 확률적 네트워크 상태, 그리고 DNN(Deep Neural Network) 모델의 특성에 의해 영향을 받는다. 본 논문에서는 모바일 장치와 모바일 엣지 컴퓨팅(MEC) 서버 사이의 DNN 모델 분할과, 모바일 장치에서 내부/외부 시스템 동역학에 대해 처리 및 네트워킹 자원을 공동 최적화하기 위해 가상 대기열 기반 Lyapunov 최적화 프레임워크를 활용하는 CutEdge를 제안한다. 구체적으로, CutEdge는 (i) 모바일 장치와 MEC 서버 간 DNN 모델의 분할 지점, (ii) GPU 클록 주파수, 그리고 (iii) 모바일 장치에서의 전송률을 동시에 결정한다. 이어서, QoE 지표가 이전 연구에서 공동으로 다루어지지 않았던 CutEdge가 제공하는 에너지 소비, 처리량(throughput), 종단 간(end-to-end) 지연(latency) 간의 최적 트레이드오프 곡선을 이론적으로 제시한다. 또한 실제 트레이스 기반 시뮬레이션을 통해 세 가지 제어 파라미터의 공동 최적화가 성능에 미치는 영향을 보인다. 마지막으로, 임베디드 AI 장치와 MEC 서버를 활용하여 구현한 테스트베드에서의 실험을 통해 기존 알고리즘에 비해 CutEdge의 우수성을 보인다.

클라우드 객체 스토리지 서비스(COSS) 제공자들 사이에는 COSS에 대한 수요가 증가함에 따라 경쟁이 점차 심화되고 있다. 그러나 상용 COSS 제공자들이 제공하는 기존 가격 책정 모델은 변화하는 클라이언트 수요와 자원 공급에 효과적으로 적응하지 못한다. 그 결과, 많은 COSS 제공자들은 가격 정책, 로드 밸런싱, 서버 스케줄링, 에너지 관리와 같은 이익 극대화를 위한 운영상의 과제에 여전히 어려움을 겪고 있다. 본 논문에서는 라이apunov-drift-minus-profit 기법에 기반한 시간 의존적 가격 책정 및 스케줄링(time-dependent pricing and scheduling)이라는 새로운 접근법 TD-PnS를 제안한다. COSS 제공자의 이익을 극대화하기 위해 TD-PnS는 지금까지는 각각 별도로 다루어 왔던 여러 핵심 요인에 대해 공동의 동적 의사결정을 가능하게 한다: (i) 서비스 가격 책정, (ii) CPU 클록 스케일링 및 인코딩 스케줄링, (iii) 네트워크 스케줄링, 그리고 (iv) 에너지 저장 관리이다. 또한 시스템 안정화와 같은 다른 측면을 더 개선하기 위해, TD-PnS의 향상된 버전인 TD-PnS-Adv를 제안한다. 마지막으로 실제 데이터셋을 이용한 트레이스 기반 시뮬레이션을 통해, 제안된 알고리즘이 이익 극대화 측면에서 기존 알고리즘 및 가격 책정 모델보다 우수한 성능을 보임을 입증한다.

유연한 자원 관리는 소프트웨어 정의 네트워킹(Software-Defined Networking, SDN) 및 네트워크 기능 가상화(Network Function Virtualization, NFV) 기술의 최근의 급격한 발전에 의해 촉진될 수 있다. 최근 자원 관리에 관한 대부분의 연구는 주로 단일 계층 SDN 아키텍처 위에서 네트워크 기능과 컴퓨팅 기능의 독립적 최적화를 다루어 왔다. 본 논문에서는 계층형 클라우드-엣지-라디오 5G 네트워크 아키텍처에서 네트워크/컴퓨팅 기능의 성능을 향상시키기 위해 네트워킹 및 처리 자원 오케스트레이션에 초점을 둔다. 구체적으로, 사용 가능한 자원의 양과 전송 지연에 대해 클라우드와 엣지의 특성 간의 상충관계를 기회적으로 활용하여 네트워크/컴퓨팅 기능을 처리하는 동적 자원 관리 알고리즘, 즉 RACER 를 제안한다. 여기서 우리는 Lyapunov 최적화를 활용함으로써(즉, 최적성의 손실 없이) 모든 네트워크 계층(클라우드, 엣지, 라디오)에 걸친 복잡한 의사결정을 포함하는 원래의 장기 문제를 공간-시간(spatio-temporal) 하위 문제들로 분해한다. 그 다음, 우리는 각 계층과 각 시간 슬롯에서의 의사결정을 찾기 위해 RACER 알고리즘을 도출한다. 이 온라인 방식의 알고리즘은 즉시의 시간 슬롯에서 얻어진 정보를 활용할 뿐만 아니라, 서로 다른 계층 간의 소규모 메시지 교환을 통해 분산 방식으로 동작한다는 점에서 실용적이다. 또한, 제안하는 동적이고 통합적인 RACER 알고리즘이 5G 네트워크 환경에서 정적이며 독립적인 정책들에 비해 우수한 성능 향상을 보임을 입증한다.

본 논문에서는 엣지 보조 셀룰러 인프라에서 운용되는 자율주행차의 서비스 경로를 최적화하는 문제를 다룬다. 자원 제약이 크고 동적인 환경의 복잡성을 해결하기 위해, 업링크 기지국, 엣지 서버, 다운링크 기지국에 걸친 3단계 서비스 라우팅 모델을 제안한다. 먼저 실시간 자원 가용성에 기반하여 실현 불가능한 링크를 제거하고, 이후 경로 최적화를 간소화하기 위해 네트워크를 논리적으로 다층 구조로 확장한다. 이를 바탕으로 자원 효율적인 서비스 경로를 할당하되 계산 및 네트워크 병목을 방지하는 SErvice Route Optimization (SERO) 알고리즘을 제안한다. 실제 도시 지도와 2,502대의 차량 주행 궤적(vehicular traces)을 기반으로 한 대규모 시뮬레이션 결과, SERO는 기존 방식에 비해 서비스 실패율을 최대 68.27%까지 유의하게 감소시키는 것으로 나타났다. 본 연구 결과는 미래 B5G/6G 네트워크에서 규모 확장성과 신뢰성을 갖춘 자율주행차 서비스를 위해 통신 및 연산 자원을 함께 최적화하는 것의 중요성을 강조한다.

최근 증강현실(augmented reality)과 같은 모바일 장치에서 인공지능(AI) 기법을 활용하는 응용이 광범위하게 확산되고 있다. 이러한 응용의 품질경험(QoE)은 모바일 장치의 하드웨어 사양, 동적 서비스 요구, 확률적 네트워크 상태, 그리고 DNN(Deep Neural Network) 모델의 특성에 의해 영향을 받는다. 본 논문에서는 모바일 장치와 모바일 엣지 컴퓨팅(MEC) 서버 사이의 DNN 모델 분할과, 모바일 장치에서 내부/외부 시스템 동역학에 대해 처리 및 네트워킹 자원을 공동 최적화하기 위해 가상 대기열 기반 Lyapunov 최적화 프레임워크를 활용하는 CutEdge를 제안한다. 구체적으로, CutEdge는 (i) 모바일 장치와 MEC 서버 간 DNN 모델의 분할 지점, (ii) GPU 클록 주파수, 그리고 (iii) 모바일 장치에서의 전송률을 동시에 결정한다. 이어서, QoE 지표가 이전 연구에서 공동으로 다루어지지 않았던 CutEdge가 제공하는 에너지 소비, 처리량(throughput), 종단 간(end-to-end) 지연(latency) 간의 최적 트레이드오프 곡선을 이론적으로 제시한다. 또한 실제 트레이스 기반 시뮬레이션을 통해 세 가지 제어 파라미터의 공동 최적화가 성능에 미치는 영향을 보인다. 마지막으로, 임베디드 AI 장치와 MEC 서버를 활용하여 구현한 테스트베드에서의 실험을 통해 기존 알고리즘에 비해 CutEdge의 우수성을 보인다.

클라우드 객체 스토리지 서비스(COSS) 제공자들 사이에는 COSS에 대한 수요가 증가함에 따라 경쟁이 점차 심화되고 있다. 그러나 상용 COSS 제공자들이 제공하는 기존 가격 책정 모델은 변화하는 클라이언트 수요와 자원 공급에 효과적으로 적응하지 못한다. 그 결과, 많은 COSS 제공자들은 가격 정책, 로드 밸런싱, 서버 스케줄링, 에너지 관리와 같은 이익 극대화를 위한 운영상의 과제에 여전히 어려움을 겪고 있다. 본 논문에서는 라이apunov-drift-minus-profit 기법에 기반한 시간 의존적 가격 책정 및 스케줄링(time-dependent pricing and scheduling)이라는 새로운 접근법 TD-PnS를 제안한다. COSS 제공자의 이익을 극대화하기 위해 TD-PnS는 지금까지는 각각 별도로 다루어 왔던 여러 핵심 요인에 대해 공동의 동적 의사결정을 가능하게 한다: (i) 서비스 가격 책정, (ii) CPU 클록 스케일링 및 인코딩 스케줄링, (iii) 네트워크 스케줄링, 그리고 (iv) 에너지 저장 관리이다. 또한 시스템 안정화와 같은 다른 측면을 더 개선하기 위해, TD-PnS의 향상된 버전인 TD-PnS-Adv를 제안한다. 마지막으로 실제 데이터셋을 이용한 트레이스 기반 시뮬레이션을 통해, 제안된 알고리즘이 이익 극대화 측면에서 기존 알고리즘 및 가격 책정 모델보다 우수한 성능을 보임을 입증한다.

유연한 자원 관리는 소프트웨어 정의 네트워킹(Software-Defined Networking, SDN) 및 네트워크 기능 가상화(Network Function Virtualization, NFV) 기술의 최근의 급격한 발전에 의해 촉진될 수 있다. 최근 자원 관리에 관한 대부분의 연구는 주로 단일 계층 SDN 아키텍처 위에서 네트워크 기능과 컴퓨팅 기능의 독립적 최적화를 다루어 왔다. 본 논문에서는 계층형 클라우드-엣지-라디오 5G 네트워크 아키텍처에서 네트워크/컴퓨팅 기능의 성능을 향상시키기 위해 네트워킹 및 처리 자원 오케스트레이션에 초점을 둔다. 구체적으로, 사용 가능한 자원의 양과 전송 지연에 대해 클라우드와 엣지의 특성 간의 상충관계를 기회적으로 활용하여 네트워크/컴퓨팅 기능을 처리하는 동적 자원 관리 알고리즘, 즉 RACER 를 제안한다. 여기서 우리는 Lyapunov 최적화를 활용함으로써(즉, 최적성의 손실 없이) 모든 네트워크 계층(클라우드, 엣지, 라디오)에 걸친 복잡한 의사결정을 포함하는 원래의 장기 문제를 공간-시간(spatio-temporal) 하위 문제들로 분해한다. 그 다음, 우리는 각 계층과 각 시간 슬롯에서의 의사결정을 찾기 위해 RACER 알고리즘을 도출한다. 이 온라인 방식의 알고리즘은 즉시의 시간 슬롯에서 얻어진 정보를 활용할 뿐만 아니라, 서로 다른 계층 간의 소규모 메시지 교환을 통해 분산 방식으로 동작한다는 점에서 실용적이다. 또한, 제안하는 동적이고 통합적인 RACER 알고리즘이 5G 네트워크 환경에서 정적이며 독립적인 정책들에 비해 우수한 성능 향상을 보임을 입증한다.

동영상, 사진, 문서 등을 포함한 대규모 바이너리 대형 객체(BLOB)들을 효율적으로 관리하기 위해 클라우드 오브젝트 스토리지를 사용하는 수요가 증가하고 있다. 현재 다수의 기업과 기관이 AWS Simple Storage Service (S3)와 같은 공용 클라우드 오브젝트 스토리지 서비스를 활용하려고 시도하고 있으나, 데이터의 안전한 저장을 위한 대부분의 기존 인코딩 시스템은 현재의 클라우드 오브젝트 스토리지 아키텍처에 최적화되어 있지 않다. 본 논문에서는 DexEncoding이라 명명한 새로운 동적 극단적 소거(extreme erasure) 인코딩 알고리즘을 제안한다. 이 알고리즘은 시간에 따라 변동하는 클라우드 환경에 대해 게이트웨이 서버와 스토리지 서버 간의 클라우드 스토리지 아키텍처 내 인코딩 위치를 동적으로 최적화함으로써 클라이언트의 효용을 최대화하는 것을 목표로 한다. 여기서 효용은 데이터 저장 속도에 대한 클라이언트의 만족과 클라이언트 간의 공정성을 반영한다. DexEncoding은 동적 네트워크, 처리 및 스토리지 자원의 가용성, 그리고 스토리지 요청에 적응함으로써 자원 병목 문제를 효율적으로 해결한다. 실제 측정에 기반한 시뮬레이션 결과, 제안된 DexEncoding 알고리즘은 클라이언트의 만족 관점에서 최신 기술의 오브젝트 스토리지 시스템에 적용된 방법을 현저히 능가하는 것으로 나타났다.

증강현실(Augmented Reality, AR) 및 온라인 게임과 같은 모바일 서비스는 서버와의 실시간 데이터 교환을 필요로 하며, 높은 연산 및 저장 자원을 요구한다. 그러나 모바일 단말은 자원에 제약이 있고, 클라우드 컴퓨팅은 추가적인 네트워크 지연을 유발하여 이러한 모바일 서비스를 사용하기에 만족스럽지 않게 만든다. 이러한 문제에 대응하기 위해 서비스 캐싱은 사용자와 가까운 위치에 배치된 모바일 엣지 컴퓨팅(Mobile Edge Computing, MEC) 서버로부터 자원을 임대하여 서비스를 제공하는 핵심 기술로 부상하고 있다. 콘텐츠 캐싱이 전달을 위해 데이터만 저장하는 데 비해, 서비스 캐싱은 연산과 저장 자원을 모두 활용하므로 코드 오프로딩과 함께 공동으로 고려되어야 하며, 코드 오프로딩은 모바일 단말의 처리 워크로드를 서버로 오프로딩한다. 따라서 가장 인기 있는 서비스를 저장하는 기존 캐싱 전략은 최선의 선택이 아닐 수 있고, 서비스 캐싱 및 코드 오프로딩 정책이 서로 얽혀 있다는 점은 시스템 운영을 복잡하게 만든다. 본 논문에서는 3계층(모바일/MEC/클라우드) 네트워크 아키텍처에서 서비스 큐 안정성에 의해 제약된 모바일 단말의 평균 비용(에너지 소비, 오프로딩 지불) 최소화 문제를 정식화한다. 우리는 통계 기반 동적 최적화 프레임워크를 적용하여, 스토리지와 전송 간의 상호작용을 동시에 고려하여 온라인 방식으로 의사결정을 수행하는 interTWined Interplay between Storage and Transmission, 즉 TWIST 알고리즘을 도출한다. 이 알고리즘은 서비스 캐싱, 모바일 단말의 CPU 클록 주파수, 그리고 코드 오프로딩을 함께 결정한다. 다음으로 이론적 분석을 통해 모바일 단말의 평균 비용과 서비스 지연 간의 상충관계(trade-off) 관계를 제시한다. 마지막으로 광범위한 시뮬레이션을 통해 TWIST가 기존 알고리즘과 비교하여 동일한 지연 2.41초에서 최대 51%의 비용을 절감할 수 있음을 보여준다.

자율주행차, 드론, 스마트폰과 같은 모바일 기기에서 딥 뉴럴 네트워크(DNN) 모델을 활용하는 비전 애플리케이션이 점차 보편화되고 있다. 이러한 애플리케이션의 품질경험(QoE)은 모바일 기기의 하드웨어 성능, 변동하는 네트워크 조건, 그리고 DNN 모델의 특성에 의해 영향을 받는다. 본 논문에서는 내부 및 외부 시스템 역학 모두에 적응하는 확률적 최적화에 기반하여 DNN 모델 분할과 프레임 해상도를 최적화하는 Parecon 알고리즘을 제안한다. Parecon은 (i) 모바일 기기와 MEC 서버 간의 DNN 모델 분할 지점, (ii) 입력 프레임의 해상도, (iii) 초당 처리 프레임 수를 동적으로 결정하며, 이는 선행 연구에서 함께 다루어지지 않았다. 우리는 Parecon이 종단 간(E2E) 지연, 정확도, 처리량(throughput)이라는 세 가지 핵심 QoE 지표를 최적화함을 이론적으로 입증한다. 또한 임베디드 기기 및 고성능 GPU 서버를 기반으로 한 테스트베드 구현과 트레이스 기반 시뮬레이션을 통해, Parecon이 기존 알고리즘보다 효과적이고 우수함을 검증한다.

미디어 콘텐츠의 소비가 늘어나면서 MEC 서버를 이용하여 콘텐츠를 짧은 지연시간으로 전달할 수 있는 콘텐츠 캐싱 기술이 중요해졌다. 하지만 콘텐츠 캐싱을 위한 MEC 서버의 캐싱 자원은 한정되어있으며 같은 양의 캐싱 자원을 사용하더라도 시간대 혹은 지역에 따라 얻을 수 있는 캐싱 효과는 달라진다. 본 연구에서는 시/공간적으로 캐싱 예산을 유연하게 활용하여 콘텐츠 캐싱의 효과를 극대화하는 ProCache 알고리즘을 제안한다. 특히, 콘텐츠별 데이터 크기와 원격 콘텐츠 서버의 위치가 다를 수 있는 환경에서 Lyapunov 최적화를 활용하여 주어진 시간 평균 캐싱 예산 내에서 콘텐츠의 전달시간을 최소화한다. YouTube 데이터셋 기반 시뮬레이션을 이용하여 제안한 ProCache 알고리즘의 콘텐츠 요청당 평균 전달시간과 hit ratio를 평가한다. 시뮬레이션 결과를 통하여 ProCache 알고리즘이 시/공간적 예산 공유를 통하여 기존 콘텐츠 캐싱 알고리즘의 성능을 상회함을 확인한다.

딥러닝 기술이 고도화됨에 따라 증강현실(AR)이나 자율주행차와 같은 모바일 비전 애플리케이션이 널리 보급되고 있다. 이러한 서비스의 성능은 서로 다른 모바일 기기의 연산 능력, 동적인 서비스 요청, 확률적 모바일 네트워크 환경, 그리고 학습 모델에 크게 좌우된다. 기존 연구들은 다른 측면의 파라미터와 연산/네트워크 자원이 주어졌을 때, 모바일 자원 할당과 학습 모델 설계를 각각 독립적으로 최적화해 왔다. 그러나 시간에 따라 변하는 무선 채널과 서비스 요청이 특정 분포를 따른다고 가정함으로써, 이러한 접근은 현실적인 모바일 환경을 충분히 반영하지 못한다. 이러한 비현실적 가정을 배제하고자, 우리는 시스템 동역학에 적응하면서 학습 모델과 처리/네트워크 자원을 함께 최적화하는 알고리즘, 즉 최신 온라인 볼록 최적화(online convex optimization, OCO) 프레임워크를 활용한 VisionScaling을 제안한다. VisionScaling은 매 타임 슬롯마다 1) 학습 측에서의 학습 모델과 입력 레이어의 크기, 그리고 2) 자원 측에서의 GPU 클럭 주파수, 전송률, 계산 오프로딩(offloading) 정책을 동시에 의사결정한다. 우리는 이론적으로 VisionScaling이 만족할 만한 차수의 부분선형성(sublinearity)을 갖추며 비동기적으로(점근적으로) 오프라인 최적 성능에 수렴함을 보인다. 또한, 실제 트레이스 기반 시뮬레이션을 통해 VisionScaling이 mean average precision(mAP) 제약 하에서 에너지 소비와 초당 처리 프레임 수(PFPS)를 포착하는 동적 후회(dynamic regret)를 최소 24% 절감함을 입증한다. 마지막으로, Nvidia Jetson TX2와 고성능 GPU를 갖춘 엣지 서버를 테스트베드로 하여, VisionScaling이 목표 mAP를 만족하면서 에너지를 30.8% 절감하고 PFPS를 39.7% 향상시킴을 보여준다.