고속철도(High-speed rail, HSR) 환경은 높은 이동성과 승객 밀집 교통으로 인해 고유한 과제를 제시하며, 그 결과 과업(task) 생성 양상이 동적이고 예측 불가능한 형태로 나타난다. Mobile Edge Computing(MEC)은 종단 사용자에 더 가까운 위치에 컴퓨팅 자원을 배치함으로써 이러한 과제를 해결하기 위한 전환적 패러다임으로 부상하였다. 그러나 MEC 서버의 제한된 자원으로 인해 효율적인 과업 분할(task partitioning)이 필요하며, 단일 과업을 여러 개의 하위 과업(sub-tasks)으로 나누어 MEC 서버들 간 병렬 처리할 수 있도록 한다. HSR 환경에서 과업 분할 비율은 서비스 품질(QoS)을 보장하고 특히 동적이며 수요가 높은 조건에서 자원 활용을 최적화하는 데 핵심적이다. 본 논문은 MEC 서버(Mobile Edge Computing servers, MECSs)가 있는 HSR 환경을 대상으로, Twin Delayed Deep Deterministic Policy Gradient(TD3)를 사용하는 심층 강화학습(Deep Reinforcement Learning, DRL) 기반 과업 분할 메커니즘을 제안한다. 제안된 방법은 과업 특성 및 서버 부하 상태에 대한 실시간 정보를 활용하여 과업 분할 비율을 동적으로 조정한다. 실험 결과, 과업 도착률이 20일 때 지연(delay)은 무작위(random) 방식 대비 약 5% 개선되었고 no_partition 대비 약 13% 개선되었다. 과업 도착률이 50일 때는 무작위 방식과 유의미한 차이가 없었으며 no_partition 대비 약 2%의 개선이 나타났다. 과업 처리량(task throughput)은 20일 때 거의 동일하였다. 그러나 50일 때는 무작위 방식이 훨씬 더 우수하였다. 또한 제공하는 MECS의 수(number of serving MECSs)에 따른 성능 변화도 확인하였다. 이 과정에서 적절한 제공 MECS의 수 K를 찾는 연구 방향도 관찰할 수 있었다. 이러한 결과는 HSR 환경의 고유한 특성에 맞추어 동적으로 적응함으로써 최적의 자원 배분을 달성하고 높은 QoS를 유지하는 데 DRL 기반 접근법의 효율성을 강조한다. 본 논문은 HSR 시스템을 위한 과업 분할 전략을 발전시키는 데 기여하며, MEC 기반 HSR 시스템에서의 향후 연구를 위한 기반을 마련한다.

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