사물인터넷(Internet of Things, IoT) 센서 네트워크의 배치가 급속히 증가함에 따라 데이터 생성이 기하급수적으로 늘어나고, 효율적인 자원 관리 인프라에 대한 전례 없는 수요가 발생하고 있다. 다중의 상이한(heterogeneous) 네트워크 도메인에 걸친 종단 간(end-to-end) 통신을 보장하는 것은, 저지연과 높은 연산 처리 능력과 같은 QoS(Quality of Service) 요구사항을 IoT 애플리케이션에 대해 유지하는 데 결정적으로 중요하다. 그러나 다중 접속 에지 컴퓨팅(Multi-access Edge Computing, MEC)에서의 제한된 컴퓨팅 자원과, 작업 오프로딩(task offloading) 과정에서 증가하는 IoT 네트워크 요청은 네트워크 혼잡, 서비스 지연, 비효율적인 자원 활용을 야기하여 전체 시스템 성능을 저하시킬 수 있다. 본 논문은 이러한 문제를 해결하기 위해 지능형 작업 오프로딩 및 자원 오케스트레이션(resource orchestration) 프레임워크를 제안하며, 그 결과 동적인 IoT-MEC 환경에서 에너지 소비, 연산 비용, 네트워크 혼잡, 서비스 지연을 최적화한다. 제안 프레임워크는 작업 오프로딩과 동적 자원 오케스트레이션 전략을 도입하며, 여기서 MEC 서버로의 작업 오프로딩은 연산 작업량의 효율적인 분배를 보장한다. 동적 자원 오케스트레이션 과정, 버추얼 네트워크 기능(Virtual Network Functions, VNFs) 배치에서의 서비스 기능 체이닝(Service Function Chaining, SFC), 그리고 라우팅 경로 결정은 네트워크 전반에서의 서비스 실행을 최적화한다. 적응적이고 지능적인 의사결정을 달성하기 위해, 제안된 접근법은 Deep Reinforcement Learning(Deep 강화학습, DRL)을 활용하여 자원을 동적으로 할당하고 작업 실행을 오프로딩함으로써 전체 시스템 효율을 향상시키고 에지 컴퓨팅에서의 최적 정책을 해결한다. 네트워크 자원 조정 정책과 작업 오프로딩을 최적으로 학습하는 데 활용되는 Deep Q-network(Deep Q-네트워크, DQN)은 SFC 배치 평가에서 유연한 적응을 보장한다. 시뮬레이션 결과는 DRL 기반 방식이 누적 보상, 감소된 서비스 지연, 낮아진 에너지 소비, 향상된 전달(delivery) 및 처리량(throughput) 측면에서 기준(reference) 방식에 비해 유의하게 우수함을 보여준다.

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