상세 설명

현대의 차량 네트워크 환경에서는 실시간 데이터 전송과 빠른 응답이 필수적입니다. 그러나 차량의 이동성과 네트워크의 동적 특성은 이러한 요구를 충족하기 어렵게 만듭니다. 이를 해결하기 위해 엣지 컴퓨팅(MEC)을 기반으로 하는 기술이 중요한 해결책으로 주목받고 있습니다. 본 연구는 차량 네트워크 내에서 발생하는 높은 데이터 처리 요구를 해결하기 위해 지능형 자원 최적화 전략을 제안합니다. 이 전략은 차량의 태스크를 가장 적합한 MEC 서버로 분배하여 네트워크 혼잡을 완화하는 동시에 처리 지연을 최소화하는 것을 목표로 합니다. 강화 학습(Deep Reinforcement Learning)을 활용하여, 네트워크의 변화와 차량의 이동성에 실시간으로 대응할 수 있는 동적 오프로딩 기법을 설계했습니다. 이를 통해 MEC 서버 간의 부하를 균등하게 분산하며, 특정 서버의 과부하를 방지하여 전체 시스템의 자원 활용도를 극대화합니다. 또한, 이동형 UAV MEC 서버와의 결합을 통해 에너지 소비를 효율적으로 관리하며, 시스템의 지속 가능성을 강화했습니다. 차량의 이동 궤적과 네트워크 상태를 고려하여 태스크 마이그레이션 전략을 실행함으로써, 서비스 품질(QoS)을 보장하고 처리 지연이나 서비스 중단과 같은 문제를 하였습니다. 이 연구는 차량 네트워크와 엣지 컴퓨팅의 통합 기술 개발에 있어 중요한 초석이 될 뿐 아니라, 지능형 교통 시스템 및 자율주행 기술의 기반을 제공하며 미래의 스마트 교통 환경 구축에 기여할 것입니다.

키워드

관련 이미지

관련 자료