사물인터넷(Internet of Things, IoT)의 최근 폭발적인 성장과 함께, 엣지 컴퓨팅(edge computing)은 클라우드와 공존하면서 특히 엣지 네트워크에 분산되어 있는 방대한 양의 데이터를 처리하기 위한 현대적 컴퓨팅 패러다임으로 부상하고 있다. 한편 엣지 컴퓨팅은 엣지에서 인공지능(AI) 모델을 직접 활용할 수 있게 한다. 현재 다수의 IoT 응용에서, IoT 센서로부터 주변 정보를 실시간으로 모니터링하기 위해 엄청난 양의 데이터가 측정되어 전송되고 있다. 이러한 감지 데이터의 연속 전송은 IoT 센서의 높은 에너지 소비를 실질적으로 필요로 한다는 점을 고려하여, 본 문서는 IoT 엣지 컴퓨팅에서 각 IoT 센서의 전송 주기를 자동적이고 적응적으로 제어할 수 있는 근접 정책 최적화(proximal policy optimization, PPO) 기반 자율 전송 주기 제어(proximal policy optimization-based autonomous transmission period control, PPO-ATPC) 시스템을 제안한다. 여기서 상태(state), 행동(action), 보상(reward)의 설계는 전례 없는 방식으로 구성되며, 또한 가장 효과적인 모델 프리(model-free) 딥 강화학습(deep reinforcement learning, DRL) 알고리즘 중 하나인 PPO가 완전히 활용되어 데이터 품질을 높게 유지하면서 데이터 볼륨을 유의미하게 단축할 수 있는 최적 또는 거의 최적의 정책을 달성한다. 제안된 PPO-ATPC의 장점은 실시간 환경 모니터링에서 수집된 서로 다른 3종의 센서 데이터에 대해 다른 대안적 접근법과의 정량적 비교를 통해 광범위하게 검증되었으며, PPO-ATPC의 효과에 대한 심층적 통찰 또한 다양한 관점에서 추가로 제시된다. 성능 결과는 각 데이터 세트에 대한 총 데이터 볼륨이 73.849%, 89.931%, 81.310%까지 감소할 수 있었고, 평균 제곱근 오차(root mean square error)는 각각 0.322, 13.896, 0.048로 나타났음을 보여준다.

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