클라우드 스토리지·MEC 콘텐츠 캐싱의 동적 자원·가격·부호화 최적화

Dynamic Optimization of Cloud Storage and MEC Content Caching (Resources, Pricing, Coding)

연구 내용

클라우드 객체 스토리지의 동적 부호화 위치 최적화와 서비스 제공자 수익 중심 가격·스케줄링을 결합하고, MEC 콘텐츠 캐싱에서 시공간 예산 공유와 예측 기반 확률 최적화를 수행하는 연구

클라우드 객체 스토리지에서 시간에 따라 변하는 네트워크·처리·저장 자원 환경을 반영해 안전한 데이터 저장을 위한 부호화 전략을 동적으로 최적화하는 문제를 다룹니다. 극한 소거(Extreme erasure) 기반 동적 부호화 위치를 게이트웨이와 저장 서버 사이에서 조정해, 저장 속도와 클라이언트 공정성을 동시에 고려합니다. 또한 서비스 제공자의 경쟁 환경을 반영해 시간 의존 가격과 CPU 클록 스케줄링, 인코딩 스케줄링, 네트워크 스케줄링, 에너지 저장 관리까지 포함한 동적 의사결정을 수익 극대화 관점에서 구성합니다. MEC 콘텐츠 캐싱에서는 시공간 캐싱 예산 공유와 확률적 최적화를 적용해 장기 전달 지연을 최소화하며, 딥러닝 예측과 분산형 제어를 결합해 불확실한 지역 인기에도 대응합니다.

관련 프로젝트

0건

연구 흐름

초기에는 클라우드 객체 스토리지의 인코딩이 기존 아키텍처와 자원 동역학을 충분히 반영하지 못한다는 점을 바탕으로, 네트워크·처리·저장 병목을 완화하는 동적 부호화 전략을 정립했습니다. 이후 서비스 운영 단계에서 고객 수요와 자원 공급이 변동하는 상황을 고려해 시간 의존 가격과 자원 스케줄링을 공동으로 결정하는 TD-PnS 계열 연구로 확장했습니다. 병행하여 MEC 콘텐츠 캐싱에서는 시공간 예산 공유와 확률적 최적화 기반 동적 캐싱을 통해 전달 지연과 hit ratio를 동시에 관리하는 방향으로 발전했습니다. 2024년에는 딥러닝 기반 요청 예측 모듈과 Lyapunov 최적화 기반 분산 캐싱 모듈을 결합해 불확실한 인기 분포를 반영하는 ProCache 계열을 고도화했습니다.

활용 가능성

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

동적 극한 소거 부호화 기반 저장 효율화
클라우드 객체 스토리지 공정성 중심 인코딩 제어
시간 의존 가격 기반 스토리지 수익 최적화
CPU 클록 스케일링 및 인코딩 스케줄 통합 운영
네트워크 스케줄링과 에너지 저장 관리 동시 의사결정
MEC 시공간 예산 공유 콘텐츠 캐싱
딥러닝 예측 기반 선제적 캐싱 정책
불확실한 지역 인기 대응 확률 캐싱 제어
전송 지연 최소화를 통한 영상 트래픽 품질 개선
분산형 캐싱 운영을 위한 성능 상한 보장