제11 항에 있어서,상기 타겟 무인 항공 서버는 상기 복수의 무인 항공 서버 중 상기 무인 항공 서버와 서비스 커버리지가 중첩되는 것들 중 가장 계산 부하가 낮은 것인 무인 항공 서버의 동작 방법.

제11 항에 있어서,상기 강화 학습에 로컬 모델이 사용되고, 상기 로컬 모델은 인공 신경망을 포함하는 무인 항공 서버의 동작 방법.

제11 항에 있어서,상기 강화 학습에 사용되는 로컬 모델을 연합 서버로 전송하는 단계;상기 연합 서버로부터 글로벌 모델을 수신하는 단계; 및 상기 글로벌 모델을 이용하여 상기 로컬 모델을 업데이트하는 단계를 더 포함하는 무인 항공 서버의 동작 방법.

제15 항에 있어서,상기 글로벌 모델은 인공 신경망을 포함하는 무인 항공 서버의 동작 방법.

제11 항에 있어서,상기 강화 학습에는 심층 Q-네트워크가 이용되는 무인 항공 서버의 동작 방법.

제11 항에 있어서,상기 타겟 무인 항공 서버로 전송할 상기 서브-태스크의 양을 결정하는 단계는 연합 학습을 더 이용하는 무인 항공 서버의 동작 방법.

제11 항에 있어서,상기 전자 장치는 차량이거나 차량에 구비되는 무인 항공 서버의 동작 방법.

모바일 엣지 컴퓨팅(MEC: mobile edge computing) 시스템에 포함되는 무인 항공 서버에 있어서,저장부;전자 장치로부터 복수의 서브-태스크(sub-task)를 포함하는 태스크(task)를 수신하고, 결정된 양의 서브-태스크를 상기 모바일 엣지 컴퓨팅 시스템에 포함되는 타겟 무인 항공 서버로 전송하는 통신부; 및강화 학습을 이용하여 상기 타겟 무인 항공 서버로 전송할 상기 서브-태스크의 양을 결정하는 프로세서;를 포함하고,상기 강화 학습에 사용되는 보상(reward)은 상기 모바일 엣지 컴퓨팅 시스템에 포함되는 복수의 무인 항공 서버 사이의 계산 부하 편차가 작을수록, 상기 복수의 무인 항공 서버 사이의 에너지 사용 편차가 작을수록, 상기 모바일 엣지 컴퓨팅 시스템의 처리량(throughput)이 클수록 큰 무인 항공 서버.

제1 항에 있어서,상기 강화 학습에 사용되는 상태(state)는 상기 태스크의 사이즈, 상기 태스크의 지연 제약 시간(delay constraint time), 상기 무인 항공 서버의 계산 부하 상태, 상기 무인 항공 서버의 잔여 에너지, 상기 타겟 무인 항공 서버의 계산 부하 상태, 상기 타겟 무인 항공 서버의 잔여 에너지, 및 상기 무인 항공 서버와 상기 타겟 무인 항공 서버 사이의 신호-대-간섭-플러스-잡음 비율(signal-to-interference-plus-noise ratio, SINR)을 포함하는 무인 항공 서버.

제1 항에 있어서,상기 타겟 무인 항공 서버는 상기 복수의 무인 항공 서버 중 상기 무인 항공 서버와 서비스 커버리지가 중첩되는 것들 중 가장 계산 부하가 낮은 것인 무인 항공 서버.

제1 항에 있어서,상기 프로세서는 로컬 모델을 이용하여 상기 강화 학습을 수행하고, 상기 로컬 모델은 인공 신경망을 포함하는 무인 항공 서버.

제1 항에 있어서,상기 프로세서는 로컬 모델을 이용하여 상기 강화 학습을 수행하고, 상기 통신부는 상기 로컬 모델을 연합 서버(federated server)로 전송하고, 상기 연합 서버로부터 글로벌 모델을 수신하고, 상기 프로세서는 상기 글로벌 모델을 이용하여 상기 로컬 모델을 업데이트하는 무인 항공 서버.

제5 항에 있어서,상기 글로벌 모델은 인공 신경망을 포함하는 무인 항공 서버.

제1 항에 있어서,상기 프로세서는 심층 Q-네트워크(Deep Q-Network)를 이용하여 상기 강화 학습을 수행하는 무인 항공 서버.

제1 항에 있어서,상기 프로세서는 상기 타겟 무인 항공 서버로 전송할 상기 서브-태스크의 양을 결정하기 위해 연합 학습(federated learning)을 더 이용하는 무인 항공 서버.

제1 항에 있어서,상기 전자 장치는 차량이거나 차량에 구비되는 무인 항공 서버.

제1 항에 있어서,상기 모바일 엣지 컴퓨팅 시스템은 복수의 지상(ground) 서버를 더 포함하는 무인 항공 서버.

모바일 엣지 컴퓨팅 시스템에 포함되는 무인 항공 서버의 동작 방법에 있어서,전자 장치로부터 복수의 서브-태스크를 포함하는 태스크를 수신하는 단계;강화 학습을 이용하여 상기 모바일 엣지 컴퓨팅 시스템에 포함되는 타겟 무인 항공 서버로 전송할 서브-태스크의 양을 결정하는 단계; 및결정된 양의 서브-태스크를 상기 타겟 무인 항공 서버로 전송하는 단계를 포함하고,상기 강화 학습에 사용되는 보상은 상기 모바일 엣지 컴퓨팅 시스템에 포함되는 복수의 무인 항공 서버 사이의 계산 부하 편차가 작을수록, 상기 복수의 무인 항공 서버 사이의 에너지 사용 편차가 작을수록, 상기 모바일 엣지 컴퓨팅 시스템의 처리량이 클수록 큰 무인 항공 서버의 동작 방법.

제11 항에 있어서,상기 강화 학습에 사용되는 상태(state)는 상기 태스크의 사이즈, 상기 태스크의 지연 제약 시간(delay constraint time), 상기 무인 항공 서버의 계산 부하 상태, 상기 무인 항공 서버의 잔여 에너지, 상기 타겟 무인 항공 서버의 계산 부하 상태, 상기 타겟 무인 항공 서버의 잔여 에너지, 및 상기 무인 항공 서버와 상기 타겟 무인 항공 서버 사이의 신호-대-간섭-플러스-잡음 비율을 포함하는 무인 항공 서버의 동작 방법.

제11 항에 있어서,상기 모바일 엣지 컴퓨팅 시스템은 복수의 지상 서버를 더 포함하는 무인 항공 서버의 동작 방법.