Federated Learning for Mobility-Aware Vehicular Edge Resource Management
연구 내용
차량과 UAV 환경에서 태스크 오프로딩·마이그레이션·로드 밸런싱·클라이언트 선택을 연합학습과 강화학습으로 최적화하는 연구
차량 밀집과 채널 간섭, 비정형 트래픽 등으로 인해 엣지 자원 상태가 시시각각 변하는 환경을 대상으로 연구를 수행합니다. 딥 강화학습 기반 태스크 오프로딩에서는 DDPG로 전력 제약 하 목표 처리량과 큐 지연을 동시에 고려합니다. 또한 UAV MEC에서 부하·에너지 편차를 반영한 DQN 태스크 마이그레이션과, 로드 편차에 따른 파티셔닝 기반 마이그레이션을 적용합니다. 연합학습에서는 데이터 비독립·비동질성과 고이동성에 대응하기 위해 클라이언트 선택을 퍼지 로직과 DRL로 결합하고, SplitFed 학습을 모빌리티 마이그레이션과 연동하여 학습 시간을 줄입니다. 이를 통해 분산 의사결정의 성능과 자원 활용도를 함께 개선하는 차별성을 보유합니다.
관련 연구 성과
관련 논문
0편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
초기 연구는 차량 엣지 컴퓨팅에서 채널 간섭과 전력 제약을 반영한 태스크 오프로딩을 딥 강화학습으로 구성하는 방향으로 진행되었습니다. 이후 2022년부터 MECS 부하 불균형이 서비스 지연과 신뢰성에 미치는 문제를 파악하고, 파티셔닝 기반 태스크 마이그레이션으로 QoS 만족도를 높이는 연구로 확장되었습니다. 2023년에는 SplitFed 학습에 모빌리티를 반영하여 학습 완료까지의 시간을 줄이는 방법을 제안하였습니다. 2023년과 2024년에는 UAV MEC에서 에너지·부하 편차를 고려한 연합 DQN 마이그레이션과, 비-IID 및 통신 변동을 고려한 연합학습 클라이언트 선택 전략을 강화하였습니다. 2025년에는 고속철 환경에서 TD3 기반 태스크 파티셔닝 비율 제어로 QoS와 자원 효율을 동시에 최적화하는 방향으로 심화되었습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.