모바일·엣지 기반 DNN 추론 제어(분할, 해상도, 지속학습)

Mobile-Edge DNN Inference Control (Partitioning, Resolution, Continual Learning)

연구 내용

모바일 단말과 MEC 서버 간 DNN 분할 및 프레임 해상도·처리율을 동적으로 제어해 QoE를 최적화하는 연구와, 신경망 지속학습에서 기억 회상 기반 학습을 확장하는 연구

모바일 단말의 하드웨어 성능과 네트워크 상태, 그리고 DNN 모델 특성이 결합되어 지연과 처리량, 정확도 등 QoE가 흔들리는 문제를 다룹니다. Lyapunov 최적화 기반 가상 큐 제어를 적용해 DNN 모델 분할 지점, GPU 클록 스케일링, 전송률, 입력 프레임 해상도 및 처리 프레임 수를 동시에 결정합니다. 또한 지속학습 관점에서 기억회상 메커니즘을 포함하는 인공 신경망 플랫폼을 구축하여 누적 학습 중 성능 저하를 완화하고, 복합지능 서비스로의 확장성을 검증합니다.

관련 프로젝트

2건

연구 흐름

초기에는 모바일·엣지 환경에서 학습모델 분할과 자원 최적화가 추론 품질에 미치는 영향을 규명하고, 분할 지점과 자원 제어를 함께 다루는 연구를 수행했습니다. 이후 Lyapunov 최적화 프레임워크를 기반으로 모바일 단말과 MEC 서버 사이의 DNN partitioning을 동적으로 결정하고, GPU clock과 전송률까지 포함한 end-to-end QoE 최적화를 실증했습니다. 2024~2025년에는 해상도와 처리 프레임 수까지 확장해 지연·정확도·처리량의 균형을 정식화하고, 테스트베드 검증으로 적용 가능성을 강화했습니다. 동시에 지속학습 플랫폼 연구를 병행하며 기억 회상 기반 학습 구조를 고도화했습니다.

활용 가능성

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

MEC 기반 모바일 AI 추론 서비스 자동 스케줄링
DNN 모델 분할 제어를 통한 지연 저감
GPU 클록 스케일링 기반 에너지 절감
전송률-처리량 동시 최적화 전송 정책
입력 해상도 및 프레임 처리율 적응형 제어
지속학습 기반 개인화 추론 모델 운영
분산 추론을 위한 시스템 안정화 기법
자율주행·드론 등 엣지 비전 애플리케이션 QoE 보장
동적 서비스 수요에 따른 자원 확장 운영
복합지능 플랫폼에서 학습 이력 관리