에지 컴퓨팅은 특히 사용자들의 계산 집약적인 작업을 오프로딩(offloading)하는 데 유망한 기술이다. 에지 컴퓨팅 장치가 사용자와 매우 가깝기 때문에 네트워크 지연이 최소화되어 지연에 민감한 응용이 가능해진다. 에지 컴퓨팅에서의 최적 자원 할당과 작업 오프로딩은 문헌에서 널리 연구되어 왔으나, 여전히 몇 가지 핵심 연구 공백이 존재한다. 본 연구에서는 트래픽 인지형 최적 연결(association) 및 작업 오프로딩 접근법을 제안한다. 제안된 방법은 오프로딩 요청의 평균 전송률에만 의존하지 않는데, 이는 실제 환경에서 실시간으로는 값이 달라질 수 있기 때문이다. 대신 지능적이며 고정밀의 예측 모델을 사용하여 향후 오프로딩 요청을 예측함으로써, 자원 할당이 평균값이 아니라 요청의 향후 시퀀스(sequence)에 기반하도록 한다. 또한 임무 수행에 핵심적인 응용에서 중요한 작업 기한(deadline)을 충족할 수 있는 최적화 기반 접근법도 제안한다. 마지막으로, 제안된 접근법은 여러 시간 단계에 걸쳐 계산 부하를 분산시켜 향후 자원 스케줄링 및 작업 오프로딩 의사결정을 일정 수준의 유연성을 가지고 수행할 수 있도록 한다. 제안된 접근법은 그 효과성을 검증하기 위해 다양한 시나리오와 구성에서 광범위하게 평가된다. 그 결과, 제안된 딥러닝 모델은 요청 예측 오차가 0.0338 (RMSE)로 나타났다. 또한 탐욕적(greedy) 접근법과 비교할 때, 제안된 접근법은 로컬 및 클라우드 컴퓨팅 사용량을 각각 0.02와 18.26에서 0.00과 0.62로 감소시키는 한편, 에지 컴퓨팅 사용량을 1.31에서 16.98로 증가시켜 사용자 기기의 수명을 효과적으로 연장하고 네트워크 지연을 감소시킬 수 있음을 보여준다.

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