메타버스는 몰입형 실시간 경험을 약속하지만, 엄격한 지연(latency) 및 자원 요구를 충족하는 일은 여전히 주요 과제이다. 기존의 최적화 기법은 동적인 엣지 조건과 높은 사용자 부하 하에서 효과적으로 대응하기 어렵다. 본 연구에서는 컴퓨팅-인-더-네트워크(Computing-in-the-network, COIN)와 멀티액세스 엣지 컴퓨팅(Multi-access edge computing, MEC)을 결합한 슬라이스(slic e) 기반 인-네트워크 엣지 아키텍처를 탐구한다. 또한 무선 및 컴퓨팅 자원 관리의 결합 문제를, 최적 슬라이스 선택을 포함하여 혼합정수 비선형계획법(Mixed-Integer Nonlinear Program, MINLP)으로 정식화한다. 이 모델을 온라인으로 해결하는 데는 계산적으로 높은 부담이 따르므로, 이를 세 가지 하위 문제로 분해한다: (SP1) 슬라이스 내부 할당, (SP2) 슬라이스 간 할당, (SP3) 오프로딩(offloading) 결정. 그리고 오프라인에서 얻은 최적 해에 대해 분산 계층형 DeepSets 기반 모델(DeepSets-S)을 학습한다. 제안하는 모델에서는 공유 인코더(shared encoder)와 태스크 특화 디코더(task-specific decoders)를 위한 슬랙 인지(slack-aware) 정규화 메커니즘을 설계하여, 가변 크기의 무선 단말(Wireless device, WD) 집합에 대해 순열 동치성(permutation equivariance)이 보장되도록 한다. 학습된 시스템은 추론 시간은 낮으면서도 거의 최적에 가까운 할당을 산출하고, 가변 크기 단말 집합에 대한 순열 동치성을 유지한다. 실험 결과는 DeepSets-S가 SP1/SP2에서 허용도 기반 정확도(tolerance-based accuracies)를 높게 달성함을 보여주며(Acc1 = 95.26% 및 95.67%), SP3에서 다중 클래스 오프로딩 정확도(Acc = 0.7486) 및 이진 로컬/오프로딩 정확도(이진 local/offload Acc = 0.8824)를 향상시킨다. 정확해를 구하는 해법(exact solvers)과 비교하면, 제안 접근법은 실행 시간을 86.1% 감소시키면서도 대표적인 조건(regimes)에서 최적 시스템 비용을 6.1% 이내로 밀접하게 추종한다. 기준(baseline) 모델과 비교할 때 DeepSets-S는 COIN/MEC 자원 전반에서 비용 비율(cost ratio)과 활용도(utilization)를 일관되게 더 높게 달성한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.