포그 컴퓨팅의 등장은 클라우드에서 네트워크 지연과 혼잡을 감소시키는 데 유망한 결과를 보여주었다. 이러한 환경에서는 지리적으로 분산되어 있고 자원이 제한된 포그 노드에서 시공간 부하 버스트(spatio-temporal load bursts)를 처리하기 위한 효과적인 오토스케일링(autoscaling)이 시의적절한 문제로 대두되었다. 오토스케일링의 전형적인 전략은 포그 노드와 배치된 서비스 인스턴스에 대한 중앙집중식 모니터링에 기반한다. 그러나 포그 노드의 수가 증가함에 따라 오토스케일링을 위한 메트릭(metrics)의 중앙집중식 수집 및 분석은 비실현적이 될 수 있다. 또한 포그 노드의 동적이고 변동적인 특성은 포그 컴퓨팅 환경에서 효과적인 오토스케일링을 어렵게 만든다. 본 연구에서는 다중 에이전트 강화학습(multi-agent reinforcement learning)에 기반하여 마이크로서비스 인스턴스를 스케일링하고 배치하는 계층적 분산 오토스케일러인 HiDRA를 제안한다. HiDRA에서 에이전트는 스케일링 에이전트와 배치 에이전트로 나뉘며, 이들은 포그 컴퓨팅에서 시공간 부하 버스트를 효과적으로 처리하기 위해 상호 협력한다. Deep Q-Network 기반 오토스케일링 에이전트는 런타임 시 자신의 지역적 관측(regional observations)만을 기반으로 학습되므로, 메트릭의 중앙집중식 수집이 필요 없다. 우리는 실제 데이터셋을 사용하여 생성한 여러 시뮬레이션 포그 환경에서 HiDRA를 평가하였다. 각 환경은 3가지 수준의 희소성(sparsity)으로 나누었고, 각 수준은 초기 인스턴스 수 20, 15, 10개와 불안정 노드(unstable nodes)로 구성되었다. 그 결과, 기준(baseline) 대비 비율로 보았을 때 HiDRA는 평균 요청 성공률(request success rate)을 초기 인스턴스 수 20, 15, 10개 및 불안정 노드가 있는 환경에서 각각 10.7%, 16.4%, 36.7% 증가시켰으며, 생성된 인스턴스 수는 각각 12.3%, 15.9%, 16.8% 감소시켰다.

사물인터넷(IoT)은 공유 가능한 장치를 사용하여 공공장소에서 사용자 일상생활을 향상시키는 서비스를 제공함으로써 더 많은 관심을 받고 있다. 그러나 불확실한 요인과 환경 내의 다른 서비스는 서비스에 심각한 영향을 미칠 수 있으며, 그 결과 사용자의 만족도가 낮아진다. 다중 에이전트 강화학습과 클러스터 기반 연합학습을 기반으로 하는 자율 서비스 에이전트는 정교한 모델링 및 탐지 과정 없이도 사용자 피드백으로부터 요인이 복잡하게 미치는 영향을 학습할 수 있다. 그러나 종래 접근법은 서비스 에이전트의 다중 클러스터링 차원과 에이전트에 영향을 주는 동적인 환경 맥락을 처리하는 데 한계가 있다. 본 연구에서는 공공 IoT 환경에서 서비스 에이전트를 효율적으로 훈련하기 위한 다차원 및 다중에이전트 연합 강화학습(multidimension and multiagent federated reinforcement learning; MultiFedRL)을 제안한다. 첫째, 여러 클러스터링 차원에 대한 신경망의 병렬 구조를 제안하여 파라미터를 독립적으로 공유함으로써 종래의 클러스터 기반 연합학습의 한계를 해결한다. 둘째, 정적 특성과 동적 상태로 구성된 물리적 맥락을 에이전트가 요약하고 해석할 수 있도록, 환경 중심의 학습 가능한 통신 프로토콜을 제안한다. MultiFedRL을 평가하기 위해, 중요 물리 현상을 기반으로 사용자-서비스 상호작용을 모사하여 공공장소에서 모바일 사용자에게 제공되는 IoT 서비스를 위한 시뮬레이션 프레임워크를 개발하였다. 실험 결과, MultiFedRL은 최신 기술의 클러스터 기반 연합학습과 비교하여 사용자 만족도를 82.9% 증가시키고 훈련 효율성을 24.5% 향상시키는 것으로 나타났다.

센서 기반 사물인터넷(IoT) 시스템은 데이터 스트림으로부터 사건을 감지하고 사건 처리(event processing)를 통해 적절한 조치를 수행한다. 사건 처리의 핵심인 사건 규칙(event rules)은 통상적으로 도메인 전문가가 수동으로 정의한다. 그러나 IoT 시스템의 런타임 동안 라벨이 없는 모든 사건에 대해 전문가가 규칙을 수동 설정하는 데에는 한계가 있다. 따라서 라벨이 없는 사건에 대한 규칙 생성을 지원하는 방법이 필요하다. 본 연구는 기존 사건 처리에 두 단계를 추가함으로써 이 문제를 다룬다. 첫 번째 단계는 데이터 스트림으로부터 라벨이 없는 사건을 탐지하는 것이다. IoT 시스템의 특성을 고려하여, 우리는 다변량 시계열 데이터로부터 다양한 시간 규모의 사건을 탐지할 수 있는 이상 탐지(anomaly detection) 기법의 확장인 Multi-Temporal-Scale Sampling(MulTemS)을 제안한다. 두 번째 단계는 유사한 사건들 간의 클러스터를 형성하는 것이다. 우리는 특징(feature) 추출을 통해 클러스터 수를 예측하고 도메인 중립적인 클러스터링을 수행하는 Feature-based Clustering Number prediction and Clustering(FeatCNC)을 제안한다. 실험을 통해 MulTemS가 여러 시간 규모에 해당하는 사건을 효과적으로 탐지할 수 있음을, 그리고 FeatCNC가 다양한 도메인 전반에서 사건을 안정적으로 클러스터링할 수 있음을 보여준다. 또한 이 두 단계를 통합하면 사건의 특성을 포착하는 더 나은 클러스터 형성이 이루어짐을 검증한다.

포그 컴퓨팅의 등장은 클라우드에서 네트워크 지연과 혼잡을 감소시키는 데 유망한 결과를 보여주었다. 이러한 환경에서는 지리적으로 분산되어 있고 자원이 제한된 포그 노드에서 시공간 부하 버스트(spatio-temporal load bursts)를 처리하기 위한 효과적인 오토스케일링(autoscaling)이 시의적절한 문제로 대두되었다. 오토스케일링의 전형적인 전략은 포그 노드와 배치된 서비스 인스턴스에 대한 중앙집중식 모니터링에 기반한다. 그러나 포그 노드의 수가 증가함에 따라 오토스케일링을 위한 메트릭(metrics)의 중앙집중식 수집 및 분석은 비실현적이 될 수 있다. 또한 포그 노드의 동적이고 변동적인 특성은 포그 컴퓨팅 환경에서 효과적인 오토스케일링을 어렵게 만든다. 본 연구에서는 다중 에이전트 강화학습(multi-agent reinforcement learning)에 기반하여 마이크로서비스 인스턴스를 스케일링하고 배치하는 계층적 분산 오토스케일러인 HiDRA를 제안한다. HiDRA에서 에이전트는 스케일링 에이전트와 배치 에이전트로 나뉘며, 이들은 포그 컴퓨팅에서 시공간 부하 버스트를 효과적으로 처리하기 위해 상호 협력한다. Deep Q-Network 기반 오토스케일링 에이전트는 런타임 시 자신의 지역적 관측(regional observations)만을 기반으로 학습되므로, 메트릭의 중앙집중식 수집이 필요 없다. 우리는 실제 데이터셋을 사용하여 생성한 여러 시뮬레이션 포그 환경에서 HiDRA를 평가하였다. 각 환경은 3가지 수준의 희소성(sparsity)으로 나누었고, 각 수준은 초기 인스턴스 수 20, 15, 10개와 불안정 노드(unstable nodes)로 구성되었다. 그 결과, 기준(baseline) 대비 비율로 보았을 때 HiDRA는 평균 요청 성공률(request success rate)을 초기 인스턴스 수 20, 15, 10개 및 불안정 노드가 있는 환경에서 각각 10.7%, 16.4%, 36.7% 증가시켰으며, 생성된 인스턴스 수는 각각 12.3%, 15.9%, 16.8% 감소시켰다.

사물인터넷(IoT)은 공유 가능한 장치를 사용하여 공공장소에서 사용자 일상생활을 향상시키는 서비스를 제공함으로써 더 많은 관심을 받고 있다. 그러나 불확실한 요인과 환경 내의 다른 서비스는 서비스에 심각한 영향을 미칠 수 있으며, 그 결과 사용자의 만족도가 낮아진다. 다중 에이전트 강화학습과 클러스터 기반 연합학습을 기반으로 하는 자율 서비스 에이전트는 정교한 모델링 및 탐지 과정 없이도 사용자 피드백으로부터 요인이 복잡하게 미치는 영향을 학습할 수 있다. 그러나 종래 접근법은 서비스 에이전트의 다중 클러스터링 차원과 에이전트에 영향을 주는 동적인 환경 맥락을 처리하는 데 한계가 있다. 본 연구에서는 공공 IoT 환경에서 서비스 에이전트를 효율적으로 훈련하기 위한 다차원 및 다중에이전트 연합 강화학습(multidimension and multiagent federated reinforcement learning; MultiFedRL)을 제안한다. 첫째, 여러 클러스터링 차원에 대한 신경망의 병렬 구조를 제안하여 파라미터를 독립적으로 공유함으로써 종래의 클러스터 기반 연합학습의 한계를 해결한다. 둘째, 정적 특성과 동적 상태로 구성된 물리적 맥락을 에이전트가 요약하고 해석할 수 있도록, 환경 중심의 학습 가능한 통신 프로토콜을 제안한다. MultiFedRL을 평가하기 위해, 중요 물리 현상을 기반으로 사용자-서비스 상호작용을 모사하여 공공장소에서 모바일 사용자에게 제공되는 IoT 서비스를 위한 시뮬레이션 프레임워크를 개발하였다. 실험 결과, MultiFedRL은 최신 기술의 클러스터 기반 연합학습과 비교하여 사용자 만족도를 82.9% 증가시키고 훈련 효율성을 24.5% 향상시키는 것으로 나타났다.

센서 기반 사물인터넷(IoT) 시스템은 데이터 스트림으로부터 사건을 감지하고 사건 처리(event processing)를 통해 적절한 조치를 수행한다. 사건 처리의 핵심인 사건 규칙(event rules)은 통상적으로 도메인 전문가가 수동으로 정의한다. 그러나 IoT 시스템의 런타임 동안 라벨이 없는 모든 사건에 대해 전문가가 규칙을 수동 설정하는 데에는 한계가 있다. 따라서 라벨이 없는 사건에 대한 규칙 생성을 지원하는 방법이 필요하다. 본 연구는 기존 사건 처리에 두 단계를 추가함으로써 이 문제를 다룬다. 첫 번째 단계는 데이터 스트림으로부터 라벨이 없는 사건을 탐지하는 것이다. IoT 시스템의 특성을 고려하여, 우리는 다변량 시계열 데이터로부터 다양한 시간 규모의 사건을 탐지할 수 있는 이상 탐지(anomaly detection) 기법의 확장인 Multi-Temporal-Scale Sampling(MulTemS)을 제안한다. 두 번째 단계는 유사한 사건들 간의 클러스터를 형성하는 것이다. 우리는 특징(feature) 추출을 통해 클러스터 수를 예측하고 도메인 중립적인 클러스터링을 수행하는 Feature-based Clustering Number prediction and Clustering(FeatCNC)을 제안한다. 실험을 통해 MulTemS가 여러 시간 규모에 해당하는 사건을 효과적으로 탐지할 수 있음을, 그리고 FeatCNC가 다양한 도메인 전반에서 사건을 안정적으로 클러스터링할 수 있음을 보여준다. 또한 이 두 단계를 통합하면 사건의 특성을 포착하는 더 나은 클러스터 형성이 이루어짐을 검증한다.

사물인터넷(Internet of Things, IoT)의 최근 등장과 더불어, 인간 사용자와 IoT 기반 서비스는 빛과 소리와 같은 물리적 효과를 매개로 상호작용하고 있다. 따라서 IoT 환경에서 서비스를 선택하기 위해서는, IoT 기기가 사용자에게 물리적 효과를 전달하는 품질을 고려할 필요가 있다. 그러나 기존의 서비스 선택 알고리즘은 주로 지연 시간과 처리량과 같은 네트워크 수준의 품질보장(Quality of Service, QoS)에 초점을 둔다. 본 연구에서는 사용자 및 애플리케이션에 특화된 요인을 고려함으로써, 시각 서비스를 기반으로 한 물리적 효과의 개인화된 전달에 대한 사용자 체감 효과성을 측정하기 위해 이전 연구에서 개발한 시각 서비스 효과성(visual-service effectiveness) 지표를 개선한다. 우리는 사용자 연구를 수행하여 이 지표를 평가하였으며, 그 결과 해당 지표가 사용자의 지각된 효과성을 높은 정확도로 반영함을 확인하였다. 또한 본 지표의 효율적인 평가를 위해 물리적 환경을 모사하는 가상현실(Virtual Reality, VR)의 활용을 조사한다. 본 지표를 바탕으로, 서비스 효과 전달의 효과성을 고려하여 출력 서비스를 동적으로 선택하는 동적 효과 기반 출력 서비스 선택 에이전트(dynamic effect-driven output-service selection agent, DEOSA)를 개발한다. 최신 수준의 강화학습 알고리즘을 채택함으로써, DEOSA는 다양한 환경에 일반화될 수 있는 출력 서비스 선택의 최적 정책을 학습할 수 있다. 우리는 시뮬레이션된 IoT 환경에서 DEOSA를 평가하였고, 최적 정책을 성공적으로 학습할 수 있음을 보여준다. 또한 무작위로 생성된 테스트 환경에서 시각 서비스 효과성 지표 및 교체 오버헤드 측면에서 전통적인 탐욕적(greedy) 알고리즘보다 전반적으로 더 나은 성능을 보인다.

최근, 딥 뉴럴 네트워크(DNN) 모델이 소프트웨어 시스템의 주요 구성 요소로 자리 잡고 있다. 이러한 DNN의 설계와 훈련은 도메인 전문 지식, DNN 프레임워크에 대한 숙련도, 상당한 컴퓨팅 자원 및 대규모 훈련 데이터를 요구하므로 간단하지 않은 과정이다. 개발자들은 전통적인 소프트웨어 공학의 철학에 따라 모델 허브에서 사전 훈련된 모델(PTM)을 재사용하곤 한다. 그러나 개발자의 특정 요구사항과 일치하는 PTM이 없을 때에는 어려움이 발생한다. 본 논문에서는 PTM 조합의 개념을 탐구하고, 여러 PTM을 결합하여 애플리케이션 요구 사항을 미세 조정이나 새 DNN 개발 없이 충족할 수 있는지를 조사한다. 사례 연구를 통해 PTM 조합의 현재 도전과제와 모델 허브의 한계를 도출하고, PTM 조합과 웹 서비스 구성 간의 유사성을 바탕으로 성공적인 조합을 위한 필수 기술과 해결책을 논의한다.

주목할 만하게도, 현재의 지능형 교통 시스템은 적확한 교통 예측과 신속한 추론 제공에 크게 의존하여 적시에 의사결정을 내린다. 그래프 합성곱 신경망(Graph Convolutional Networks, GCNs)은 복잡한 교통 의존성을 모델링하는 데 이점을 보였으나, 기존의 GCN 기반 접근법은 다양한 공간 및 시간 척도에 걸쳐 다중-과립(spatiotemporal) 특징을 충분히 완전하게 추출하고 융합하지 못해, 정확도가 덜한 결과를 초래하는 것으로 입증되었다. 또한 척도 전반에 걸쳐 다중-과립 특징을 추출하는 것은 컴퓨터 비전, 자연어 처리, 시계열 예측 등 여러 분야에서 유망한 전략이었으므로, 선행 연구들에서는 시공간 교통 데이터 마이닝을 위해 유사한 메커니즘을 활용하려는 시도가 이루어졌다. 그러나 기존 연구에서 도입된 추가적인 특징 추출 분기(branch)는 모델 복잡성을 현저히 증가시키고 추론 시간을 연장하여, 빠른 예측을 제공하기 어렵게 만들었다. 본 논문에서는 생성된 동적 교통 그래프에 대해 다중-과립 시공간 특징 융합을 적용함으로써 상호 의존적인 교통 역학을 충분히 포착하는 새로운 교통 예측 모델을 활용하는, 효율적인 포그(fog) 분산 추론 시스템인 MultiGran-STGCNFog를 제안한다. 제안하는 스케줄링 알고리즘 GA-DPHDS는 계층 실행 순서와 계층-장치 스케줄링 방식을 동시에 최적화하며, 파이프라이닝 방식으로 이질적인 포그 장치를 조율함으로써 상당한 추론 처리량 향상에 기여한다. 실제 데이터셋에 대한 광범위한 실험 결과, 제안 방법은 선택된 GCN 기반 기준 모델들에 비해 우수함을 보여주었다.

주목할 만하게도, 현재의 지능형 교통시스템은 시의적절한 의사결정을 위해 정확한 교통 예측과 신속한 추론 제공에 크게 의존한다. 그래프 합성곱 신경망(Graph Convolutional Networks, GCNs)은 복잡한 교통 의존성 모델링에서 이점을 보였으나, 기존의 GCN 기반 접근법은 다양한 공간 및 시간 규모에 걸쳐 다중 입자(다중-과립) 시공간 특징을 충분히 완전하게 추출하고 융합하지 못하여, 결과적으로 정확도가 낮아지는 것으로 입증되었다. 규모 전반에서 다중 입자 특징을 추출하는 것은 컴퓨터 비전, 자연어 처리, 시계열 예측과 같은 여러 분야에서 유망한 전략으로 알려져 있어, 시공간 교통 데이터 마이닝에도 유사한 메커니즘을 활용하려는 선행 연구들이 있었다. 그러나 기존 연구에서 도입된 추가 특징 추출 분기는 모델 복잡성을 비판적으로 증가시키고 추론 시간을 연장시켜, 신속한 예측을 제공하기 어렵게 만들었다. 본 논문에서는 생성된 동적 교통 그래프에 대해 다중 입자 시공간 특징 융합을 활용하여 교통의 상호 의존적 역학을 완전히 포착하는 새로운 교통 예측 모델을 채택한 효율적인 포그(fog) 분산 추론 시스템 MultiGran-STGCNFog를 제안한다. 층 실행 순서와 층-디바이스 스케줄링 방식을 동시에 최적화하는 스케줄링 알고리즘 GA-DPHDS는 파이프라인 방식으로 이질적인 포그 디바이스를 조율함으로써 추론 처리량을 상당히 향상시키는 데 기여한다. 실제 데이터셋에 대한 광범위한 실험 결과, 제안 방법이 선택된 GCN 기반 기초모형들보다 우수함을 보여주었다.