이 서신은 비선점형 Rate Monotonic(RM) 스케줄링의 활용도 상한을 조사한다. 선행 연구에서는 최대 차단 시간과 실행 시간의 비로 정의되는 차단 인자가 활용도 상한과 밀접한 관련이 있음을 보여주었다. 이 결과를 이용하여, 작업 주기 간의 비가 활용도 상한에 영향을 미친다는 점을 보이며, 기존 분석과 상호 보완적이면서도 보다 덜 비관적인 새로운 상한을 제시한다.

IoT 기기의 급속한 확장은 AI 기반 서비스에 새로운 과제를 제기하며, 특히 에너지 소비 측면에서 그러하다. 클라우드 기반 AI 처리는 지배적인 접근이었지만, 높은 에너지 소비로 인해 보다 에너지 효율적인 대안이 요구된다. 엣지 컴퓨팅은 지연 시간과 에너지 소비를 모두 줄이기 위한 접근을 제공한다. 본 논문에서는 임베디드 엣지 장치에서 AI 가속기의 전력 소비를 추정하기 위한 방법론을 제안한다. GPU 및 Edge TPU 기반 플랫폼을 활용한 실험적 평가를 통해, 제안된 방법은 8% 미만의 추정 오차를 보였다. 이러한 추정 오차는 주로 주기억장치 및 저장장치 접근으로 인한 전력 소비가 모델에 반영되지 않았기 때문에 일부 발생하였다. 제안된 접근은 AI 기반 엣지 컴퓨팅 시스템에서 보다 신뢰할 수 있는 에너지 관리의 기반을 제공한다.

이 서신은 비선점형 Rate Monotonic(RM) 스케줄링의 활용도 상한을 조사한다. 선행 연구에서는 최대 차단 시간과 실행 시간의 비로 정의되는 차단 인자가 활용도 상한과 밀접한 관련이 있음을 보여주었다. 이 결과를 이용하여, 작업 주기 간의 비가 활용도 상한에 영향을 미친다는 점을 보이며, 기존 분석과 상호 보완적이면서도 보다 덜 비관적인 새로운 상한을 제시한다.

IoT 기기의 급속한 확장은 AI 기반 서비스에 새로운 과제를 제기하며, 특히 에너지 소비 측면에서 그러하다. 클라우드 기반 AI 처리는 지배적인 접근이었지만, 높은 에너지 소비로 인해 보다 에너지 효율적인 대안이 요구된다. 엣지 컴퓨팅은 지연 시간과 에너지 소비를 모두 줄이기 위한 접근을 제공한다. 본 논문에서는 임베디드 엣지 장치에서 AI 가속기의 전력 소비를 추정하기 위한 방법론을 제안한다. GPU 및 Edge TPU 기반 플랫폼을 활용한 실험적 평가를 통해, 제안된 방법은 8% 미만의 추정 오차를 보였다. 이러한 추정 오차는 주로 주기억장치 및 저장장치 접근으로 인한 전력 소비가 모델에 반영되지 않았기 때문에 일부 발생하였다. 제안된 접근은 AI 기반 엣지 컴퓨팅 시스템에서 보다 신뢰할 수 있는 에너지 관리의 기반을 제공한다.

프로그래머블 로직 컨트롤러(Programmable Logic Controllers, PLC)는 산업용 사물인터넷(IIoT)과의 연계가 점차 확대됨에 따라, PLC에 대한 사이버보안 위협 또한 증가하고 있다. 공격자는 다수의 네트워크 패킷 전송을 기반으로 한 서비스 거부(DoS) 공격을 수행할 수 있으며, 정교한 패킷 전송을 통해 제어 로직 주입(control-logic injection) 공격을 수행할 수도 있다. 본 연구에서는 PLC 시스템의 보안 취약점을 악용하는 공격을 탐지하고 이에 대응하기 위한 접근법을 제안한다. 제어되지 않은 자원 소모 취약점을 악용하는 무차별적 패킷 전송 공격에 대비하기 위해, 작업들의 CPU 사용을 모니터링하는 비정상적 시간적 행위(abnormal temporal behavior) 탐지 방법을 제안한다. 시간적 이상이 감지되면, 제안된 접근법은 함수 호출(function calls) 시퀀스를 검토하여 제어 흐름(control-flow) 이상의 징후를 탐지한 다음, 스택 기반 버퍼 오버플로(stack-based buffer overflow) 공격을 탐지한다. 제안된 방법은 평가를 목적으로 수조(water tank) 제어 시스템에 구현하였다. 실험 결과는 제안된 방법이 시스템 오버헤드를 거의 유발하지 않으면서 시간적 행위의 이상을 탐지함으로써 시스템의 보안을 향상시킬 수 있음을 보여준다.

성능이 높은 CPU 또는 GPU는 많은 수의 뉴런을 시뮬레이션하는 AI 응용의 정확도를 위해 사용되어 왔다. 그러나 CPU와 GPU는 높은 전력 소비를 요구한다. 최근에는 더 빠른 응답 시간을 달성하고 네트워크 부하를 줄이기 위해 엣지에 위치한 임베디드 시스템에서 인공지능의 채택 가능성이 고려되어 왔다. 그러나 임베디드 시스템은 전력 공급이 제한되어 있어 높은 성능을 달성하기 위한 CPU와 GPU의 전력 요구가 너무 크다. 이러한 문제를 극복하기 위해 인공지능 전용 하드웨어를 활용하는 방안이 연구되었다. 본 논문에서는 NM500 뉴로모픽 칩을 사용하여 임베디드 장치에서 보행자 영상 검출 시스템을 구현하였다. 하나의 NM500 칩은 576개의 뉴런을 포함하며, 칩의 개수를 1개에서 7개까지 증가시키면서 정확도와 전력 소비를 측정하였다. 실험 결과, 전력 소비는 뉴런 수에 대해 선형적으로 비례하는 반면, 정확도는 향상되지만 뉴런 수에 선형적으로 비례하지는 않는 것으로 나타났다. 본 실험의 결과를 바탕으로, 인공지능 하드웨어를 임베디드 시스템에서 전력 소비와 정확도 사이의 트레이드오프로 활용할 수 있음을 제시한다.

모바일 기기는 두 가지 상충되는 목표를 모두 충족하도록 설계되어야 한다. 즉, 사용자가 원하는 성능을 제공하는 동시에 사용자가 기대하는 배터리 사용 시간에 부합하도록 에너지 소비를 최소화해야 한다. 이기종 멀티코어 아키텍처는 더 높은 에너지 효율과 성능을 위해 모바일 환경에 도입되었다. 그러나 이는 운영체제가 애플리케이션에 적절한 코어를 할당하여 이기종성의 장점을 최대한 활용할 때에만 가능하다. 본 글은 이기종 멀티코어 프로세서를 탑재한 모바일 기기에서의 코어 선택 문제를 다룬다. 에너지 소비를 줄이기 위한 코어 전환은 코어의 주파수와 활용도(이용률)를 동시에 고려해야 함이 제시된다.