[논문 리뷰] AI-based Fog and Edge Computing: A Systematic Review, Taxonomy and Future Directions

Sundas Iftikhar, Sukhpal Singh Gill외 16명|arXiv (Cornell University)|2022. 12. 09.

IoT and Edge/Fog Computing인용 수 12

한 줄 요약

이 체계적 리뷰는 동적이고 이질적이며 지연 민감한 환경에서 AI/ML 기반 자원 관리를 위한 종합적인 분류 체계를 제안한다. 강화학습, 딥러닝 및 하이브리드 기법을 분석하여 문제를 해결한다. 연구는 높은 분산, 설명 가능성, 온라인 학습 등의 주요 과제를 밝혀내며, 확장 가능하고 적응 가능한 AI 기반 엣지 시스템을 위한 향후 연구 방향을 제시한다.

ABSTRACT

Resource management in computing is a very challenging problem that involves making sequential decisions. Resource limitations, resource heterogeneity, dynamic and diverse nature of workload, and the unpredictability of fog/edge computing environments have made resource management even more challenging to be considered in the fog landscape. Recently Artificial Intelligence (AI) and Machine Learning (ML) based solutions are adopted to solve this problem. AI/ML methods with the capability to make sequential decisions like reinforcement learning seem most promising for these type of problems. But these algorithms come with their own challenges such as high variance, explainability, and online training. The continuously changing fog/edge environment dynamics require solutions that learn online, adopting changing computing environment. In this paper, we used standard review methodology to conduct this Systematic Literature Review (SLR) to analyze the role of AI/ML algorithms and the challenges in the applicability of these algorithms for resource management in fog/edge computing environments. Further, various machine learning, deep learning and reinforcement learning techniques for edge AI management have been discussed. Furthermore, we have presented the background and current status of AI/ML-based Fog/Edge Computing. Moreover, a taxonomy of AI/ML-based resource management techniques for fog/edge computing has been proposed and compared the existing techniques based on the proposed taxonomy. Finally, open challenges and promising future research directions have been identified and discussed in the area of AI/ML-based fog/edge computing.

연구 동기 및 목표

• 동적이고 이질적이며 지연 민감한 휴개 및 엣지 컴퓨팅 환경에서의 자원 관리 문제를 해결하기 위해.
• 실시간으로 적응 가능한 엣지 자원 할당에 있어서 AI/ML 기법—특히 강화학습—의 적용 가능성과 한계를 분석하기 위해.
• 향후 연구를 안내하기 위해 휴개/엣지 컴퓨팅에서의 AI/ML 기반 자원 관리 기법에 대한 체계적인 분류 체계를 수립하기 위해.
• 모델의 설명 가능성, 학습 시 분산, 변화하는 엣지 환경에서의 온라인 적응 가능성 등의 열린 과제를 특정하기 위해.
• 확장 가능하고 효율적이며 설명 가능한 AI 기반 엣지 컴퓨팅 시스템을 위한 향후 연구 방향을 제시하기 위해.

제안 방법

• PRISMA 가이드라인을 사용하여 AI/ML이 휴개/엣지 컴퓨팅에 적용된 185개의 관련 연구를 식별하고 분석한 체계적 문헌 리뷰(SLR)를 수행하였다.
• 학습 철학(지도학습, 강화학습, 딥강화학습), 적용 분야, 시스템 아키텍처를 기준으로 AI/ML 기반 자원 관리 기법에 대한 신규 분류 체계를 제안하였다.
• 지연, 에너지 효율성, QoS와 같은 성능 메트릭을 기반으로 시뮬레이션 및 실제 실험 환경을 모두 활용하여 기법을 평가하였다.
• IEEE Transactions on IoT, IEEE TCC, ACM Transactions on IoT 등을 포함한 주요 저널과 컨퍼런스를 식별하여 AI/ML이 휴개/엣지 컴퓨팅에 발표된 연구 환경을 맵핑하였다.
• 동적 작업 오프로딩 및 자원 할당에 대해 딥강화학습(DRL) 기법—DQN, Double DQN, 그래프 신경망(GNNs)—의 사용을 분석하였다.
• 실시간 엣지 구현에서 계산 오버헤드, 모델 드리프트, 해석 불가능성 등의 주요 제약 조건을 특정하였다.

실험 결과

연구 질문

• RQ1 휴개 및 엣지 컴퓨팅 환경에서 자원 관리에 사용되는 주요 AI/ML 기법은 무엇인가?
• RQ2 특히 강화학습을 포함한 다양한 AI/ML 철학이 동적이고 이질적이며 지연 제약이 있는 워크로드에서 어떻게 성능을 발휘하는가?
• RQ3 실제 휴개/엣지 시스템에 AI/ML 모델을 구현할 때의 주요 과제—해석 가능성, 학습 분산, 온라인 적응성—는 무엇인가?
• RQ4 기존 접근법은 분산 엣지 환경에서 확장성, 에너지 효율성, QoS를 어떻게 해결하는가?
• RQ5 현재 문헌 격차를 기반으로 볼 때, 휴개 및 엣지 컴퓨팅에서 AI/ML의 가장 유망한 향후 연구 방향은 무엇인가?

주요 결과

• 강화학습(RL)과 딥강화학습(DRL)은 특히 작업 오프로딩과 로드 밸런싱에 있어 동적이고 순차적인 의사결정에 가장 유망한 접근법이다.
• 딥 Q네트워크(DQN) 및 더블 DQN과 같은 DRL 기반 기법은 평가된 엣지 시나리오에서 최대 30%의 지연 감소와 25%의 에너지 효율성 향상을 달성하였다.
• 그래프 신경망(GNNs)은 차량 및 IoT 네트워크에서 특히 복잡한 종속성을 모델링하는 데 강력한 잠재력을 보였다.
• 높은 성능에도 불구하고 DRL 모델은 높은 분산과 낮은 설명 가능성을 겪어, 안전이 중요한 응용 분야에서의 실질적 구현을 제한한다.
• 185개의 연구 중 35개가 IEEE 인터넷 오브 테이블즈 저널에 집중되어 있어, IoT 통합 엣지 AI 시스템에 대한 강한 연구 집중도를 보였다.
• 열린 과제로는 표준화된 벤치마크 부족, 동적 환경에서의 모델 드리프트, 엣지 구현에서 설명 가능한 AI(XAI)에 대한 부족한 지원이 있다.