IIoT를 위한 엣지 컴퓨팅과 클라우드 컴퓨팅이 협력하는 지능형 컴퓨팅 아키텍처를 제안하고, 지연 외에 새로운 지표로 서비스 정확도를 극대화하고 적절한 경로를 통해 엣지 서버나 원격 클라우드에 트래픽을 분산하는 AI 강화 오프로딩 프레임워크를 제안하는 연구
Abstract (요약) 🕵🏻♂️
The Industrial Internet of Things (IIoT) enables intelligent industrial operations by incorporating artificial intelligence (AI) and big data technologies. An AI-enabled framework typically requires prompt and private cloud-based service to process and aggregate manufacturing data. Thus, integrating intelligence into edge computing is without doubt a promising development trend. Nevertheless, edge intelligence brings heterogeneity to the edge servers, in terms of not only computing capability, but also service accuracy. Most works on offloading in edge computing focus on finding the power-delay trade-off, ignoring service accuracy provided by edge servers as well as the accuracy required by IIoT devices. In this vein, in this article we introduce an intelligent computing architecture with cooperative edge and cloud computing for IIoT. Based on the computing architecture, an AI enhanced offloading framework is proposed for service accuracy maximization, which considers service accuracy as a new metric besides delay, and intelligently disseminates the traffic to edge servers or through an appropriate path to remote cloud. A case study is performed on transfer learning to show the performance gain of the proposed framework.
이 논문을 읽어서 무엇을 배울 수 있는지 알려주세요! 🤔
💡 요약
abstract: IIoT를 위한 엣지 컴퓨팅과 클라우드 컴퓨팅이 협력하는 지능형 컴퓨팅 아키텍처를 제안하고, 지연 외에 새로운 지표로 서비스 정확도를 극대화하고 적절한 경로를 통해 엣지 서버나 원격 클라우드에 트래픽을 분산하는 AI 강화 오프로딩 프레임워크에 관한 연구
introduction: 엣지 컴퓨팅에 인텔리전스를 통합하면 컴퓨팅 성능과 서비스 정확도 측면에서 이질성이 발생하는 문제점이 있다.
related works:
엣지 컴퓨팅 환경에서 IoT를 위한 딥러닝을 적용: 서비스 품질(QoS) 요구 사항을 보장하면서 엣지 컴퓨팅에서 작업 수를 최대화할 수 있는 스케줄링 알고리즘을 설계
method: 지연 외에 서비스 정확도를 새로운 지표로 고려하고, 트래픽을 엣지 서버 또는 원격 클라우드에 지능적으로 분산하는 AI 강화 오프로딩 프레임워크를 제안 했다.
experiment: 사전 학습된 AlexNet CNN을 사용하여 이미지 분류를 위한 예측 모델을 미세 조정함으로써 학습 단계의 계산 복잡성을 줄인다. 시뮬레이션 결과, 서버의 맞춤형 예측 모델은 서로 다른 로컬 데이터로 인해 서로 다르며, 이는 서비스되는 애플리케이션 및 서비스 정확도 측면에서 엣지 서버의 이질성으로 이어짐
conclusion & discussion: 서비스 정확도를 새로운 지표로 고려하여 엣지 서버나 원격 클라우드에 트래픽을 지능적으로 분산하는 AI 기반 오프로딩 프레임워크를 제안했으며, IIoT의 이미지 인식에 전이 학습을 활용한 사례 연구를 수행했다.
네트워킹 및 IIoT에서 복잡한 데이터에서 특징을 추출하고, 네트워크 패턴을 학습하고, 리소스 할당을 최적화하고, 예측 유지보수 및 수요 예측을 가능하게 하는 데 머신 러닝 알고리즘이 적용되었다.
NVIDIA DGX 워크스테이션과 같은 엣지 서버는 AI 지원 컴퓨팅 작업을 위해 설계되었으며 MD의 데이터를 실시간으로 처리할 수 있다.
노키아는 여러 대의 감시 카메라에 녹화된 비디오 스트림을 분석하는 Liquid MEC 제품(인텔도 비슷한 제품을 제공)에서 실행되는 시스템을 개발하고, 데이터는 기지국에 배포된 MEC 서버에서 실행되는 신경망에 의해 처리함 => MEC 애플리케이션은 비디오 스트림을 검사하고 정상 패턴과 비정상 패턴을 분류한 다음 잠재적인 보안 문제가 식별될 때만 스트림을 백본으로 전송
IIoT를 위한 에지 인텔리전스의 오프로딩: IIoT 아키텍처의 클라우드 계층은 지연 시간과 통신 부담을 감수하면서 강력한 컴퓨팅 서비스를 제공한다.
에지 계층: IIoT 디바이스에서 원격 클라우드로 데이터를 전송하는 중계 역할
클라우드 계층: 머신 러닝 모델 학습에서 에지 계층을 지원한다.
두 계층 간의 상호 작용에는 백본 네트워크에서 추가 통신이 필요하므로, 컴퓨팅 서비스를 배포하고 IIoT 장치에 컴퓨팅 작업을 할당할 때 신중하게 고려해야 함
정확도 최대화 오프로딩(AMOLC) 문제: 엣지 서버의 컴퓨팅 성능, 엣지 서버에 배포된 컴퓨팅 서비스, 네트워크 토폴로지 등 엣지 인텔리전스 정보와 지연 요구 사항, 정확도 요구 사항, MD의 위치 등 MD의 정보가 주어질 때, 지연 제약 조건 하에서 MD의 정확도를 최대로 달성하기 위해 MD의 모든 컴퓨팅 작업에 대한 최적의 결정을 찾는 문제
네트워크의 견고성을 판단하는 방법: 테스트 과정에서는 테스트 샘플을 활용하여 네트워크의 성능을 확인하는데, 테스트 결과가 정확한지 여부(총 테스트 샘플 수에 대한 정확한 테스트 결과 수의 비율)
1) 다양한 엣지 서버에서 AI 지원 컴퓨팅 애플리케이션을 학습하여 컴퓨팅 작업의 정확도를 추정
2) 단계에서는 컴퓨팅 작업의 액세스 지연을 추정
3) 추정된 정확도 및 지연과 IIoT 디바이스의 우선순위, 정확도 및 지연 요구 사항을 기반으로 오프로드에 적합한 엣지 서버를 결정
적절한 엣지 서버나 원격 서버를 찾지 못한 MD의 경우, MD의 CPU에서 로컬로 수행
원격 클라우드로의 예상 지연이 지연 요구 사항보다 낮은 컴퓨팅 작업의 경우, 원격 클라우드가 가장 강력하고 가장 높은 정확도를 제공할 수 있으므로 컴퓨팅 작업을 원격 클라우드로 라우팅하는 경향 => 3단계를 통해 지연이라는 제약 조건 하에서 사용 가능한 모든 엣지 서버 중에서 MD의 정확도가 최대가 되도록 결정
비용 정의 = 원격 클라우드에서 사전 학습된 네트워크를 다운로드하는 것 + 특정 엣지 서버에 대상 도메인 데이터를 업로드하는 것
서비스 정확도를 고려한 제안한 AMLC 알고리즘과 정확도를 고려하지 않은 MLC 알고리즘의 평균 정확도를 비교 => IIoT MD의 수가 적은 경우 AMLC의 성능이 더 우수함을 알 수 있다.
=> 딥 러닝의 최종 모델에는 많은 리소스가 필요하지 않으므로 딥 러닝 애플리케이션을 엣지 서버에 배포할 수 있다. 계산 집약적인 트래픽은 네트워크의 엣지에서 처리되며, 엣지 서버의 컴퓨팅 성능과 MD의 요구 사항에 따라 서로 다른 컴퓨팅 애플리케이션을 캐시하고 여러 엣지 서버 간에 컴퓨팅 서비스를 프루닝하는 방법을 신중하게 고려해야 한다.
어떤 내용의 논문인가요? 👋
IIoT를 위한 엣지 컴퓨팅과 클라우드 컴퓨팅이 협력하는 지능형 컴퓨팅 아키텍처를 제안하고, 지연 외에 새로운 지표로 서비스 정확도를 극대화하고 적절한 경로를 통해 엣지 서버나 원격 클라우드에 트래픽을 분산하는 AI 강화 오프로딩 프레임워크를 제안하는 연구
Abstract (요약) 🕵🏻♂️
The Industrial Internet of Things (IIoT) enables intelligent industrial operations by incorporating artificial intelligence (AI) and big data technologies. An AI-enabled framework typically requires prompt and private cloud-based service to process and aggregate manufacturing data. Thus, integrating intelligence into edge computing is without doubt a promising development trend. Nevertheless, edge intelligence brings heterogeneity to the edge servers, in terms of not only computing capability, but also service accuracy. Most works on offloading in edge computing focus on finding the power-delay trade-off, ignoring service accuracy provided by edge servers as well as the accuracy required by IIoT devices. In this vein, in this article we introduce an intelligent computing architecture with cooperative edge and cloud computing for IIoT. Based on the computing architecture, an AI enhanced offloading framework is proposed for service accuracy maximization, which considers service accuracy as a new metric besides delay, and intelligently disseminates the traffic to edge servers or through an appropriate path to remote cloud. A case study is performed on transfer learning to show the performance gain of the proposed framework.
이 논문을 읽어서 무엇을 배울 수 있는지 알려주세요! 🤔
네트워킹 및 IIoT에서 복잡한 데이터에서 특징을 추출하고, 네트워크 패턴을 학습하고, 리소스 할당을 최적화하고, 예측 유지보수 및 수요 예측을 가능하게 하는 데 머신 러닝 알고리즘이 적용되었다.
NVIDIA DGX 워크스테이션과 같은 엣지 서버는 AI 지원 컴퓨팅 작업을 위해 설계되었으며 MD의 데이터를 실시간으로 처리할 수 있다.
IIoT를 위한 에지 인텔리전스의 오프로딩: IIoT 아키텍처의 클라우드 계층은 지연 시간과 통신 부담을 감수하면서 강력한 컴퓨팅 서비스를 제공한다.
정확도 최대화 오프로딩(AMOLC) 문제: 엣지 서버의 컴퓨팅 성능, 엣지 서버에 배포된 컴퓨팅 서비스, 네트워크 토폴로지 등 엣지 인텔리전스 정보와 지연 요구 사항, 정확도 요구 사항, MD의 위치 등 MD의 정보가 주어질 때, 지연 제약 조건 하에서 MD의 정확도를 최대로 달성하기 위해 MD의 모든 컴퓨팅 작업에 대한 최적의 결정을 찾는 문제
적절한 엣지 서버나 원격 서버를 찾지 못한 MD의 경우, MD의 CPU에서 로컬로 수행
원격 클라우드로의 예상 지연이 지연 요구 사항보다 낮은 컴퓨팅 작업의 경우, 원격 클라우드가 가장 강력하고 가장 높은 정확도를 제공할 수 있으므로 컴퓨팅 작업을 원격 클라우드로 라우팅하는 경향 => 3단계를 통해 지연이라는 제약 조건 하에서 사용 가능한 모든 엣지 서버 중에서 MD의 정확도가 최대가 되도록 결정
비용 정의 = 원격 클라우드에서 사전 학습된 네트워크를 다운로드하는 것 + 특정 엣지 서버에 대상 도메인 데이터를 업로드하는 것
서비스 정확도를 고려한 제안한 AMLC 알고리즘과 정확도를 고려하지 않은 MLC 알고리즘의 평균 정확도를 비교 => IIoT MD의 수가 적은 경우 AMLC의 성능이 더 우수함을 알 수 있다.
=> 딥 러닝의 최종 모델에는 많은 리소스가 필요하지 않으므로 딥 러닝 애플리케이션을 엣지 서버에 배포할 수 있다. 계산 집약적인 트래픽은 네트워크의 엣지에서 처리되며, 엣지 서버의 컴퓨팅 성능과 MD의 요구 사항에 따라 서로 다른 컴퓨팅 애플리케이션을 캐시하고 여러 엣지 서버 간에 컴퓨팅 서비스를 프루닝하는 방법을 신중하게 고려해야 한다.
같이 읽어보면 좋을 만한 글이나 이슈가 있을까요?
만약에 있다면 자유롭게 작성해 주세요!
레퍼런스의 URL을 알려주세요! 🔗
markdown 으로 축약하지 말고, 원본 링크 그대로 그냥 적어주세요!