[논문 리뷰] Deep Learning for Reliable Mobile Edge Analytics in Intelligent Transportation Systems

Aidin Ferdowsi, Ursula Challita외 1명|arXiv (Cornell University)|2017. 12. 12.

Traffic Prediction and Management Techniques참고 문헌 11인용 수 25

한 줄 요약

이 논문은 지능형 교통 시스템(ITS)을 위한 딥러닝 기반 모바일 엣지 분석 아키텍처를 제안한다. 이 아키텍처는 차량과 도로변 단말기에서 이질적인 센서 데이터를 현지에서 처리하여 지연 시간을 줄이고 신뢰성을 향상시킨다. 네트워크 엣지에 컨볼루션 신경망과 순환 신경망을 구현함으로써 실시간 컴퓨터 비전, 운전자 행동 예측, 보안성 있는 사이버-물리적 운영이 가능해지며, 클라우드 의존도와 통신 오버헤드가 크게 감소된다.

ABSTRACT

Intelligent transportation systems (ITSs) will be a major component of tomorrow's smart cities. However, realizing the true potential of ITSs requires ultra-low latency and reliable data analytics solutions that can combine, in real-time, a heterogeneous mix of data stemming from the ITS network and its environment. Such data analytics capabilities cannot be provided by conventional cloud-centric data processing techniques whose communication and computing latency can be high. Instead, edge-centric solutions that are tailored to the unique ITS environment must be developed. In this paper, an edge analytics architecture for ITSs is introduced in which data is processed at the vehicle or roadside smart sensor level in order to overcome the ITS latency and reliability challenges. With a higher capability of passengers' mobile devices and intra-vehicle processors, such a distributed edge computing architecture can leverage deep learning techniques for reliable mobile sensing in ITSs. In this context, the ITS mobile edge analytics challenges pertaining to heterogeneous data, autonomous control, vehicular platoon control, and cyber-physical security are investigated. Then, different deep learning solutions for such challenges are proposed. The proposed deep learning solutions will enable ITS edge analytics by endowing the ITS devices with powerful computer vision and signal processing functions. Preliminary results show that the proposed edge analytics architecture, coupled with the power of deep learning algorithms, can provide a reliable, secure, and truly smart transportation environment.

연구 동기 및 목표

• 지능형 교통 시스템(ITS)에서 클라우드 중심의 데이터 처리가 초래하는 높은 지연 시간과 신뢰성 문제를 해결한다.
• 클라우드에서 엣지 기반의 차량 및 도로변 단말기로 데이터 처리를 이관함으로써 실시간, 저지연 분석을 가능하게 한다.
• 차량 동역학, 환경 센서, 운전자 행동 등의 이질적인 데이터 소스를 처리하기 위해 딥러닝을 활용한다.
• 엣지에 AI 모델을 구현하여 공격 표면과 반응 시간을 줄임으로써 시스템의 복원력과 보안성을 향상시킨다.
• 자율 주행 제어, 플로팅 조정, 보안성 있는 사이버-물리적 운영을 지원하는 확장 가능한 분산 엣지 분석 프레임워크를 개발한다.

제안 방법

• 딥 뉴럴 네트워크(DNN)를 사용하여 차량과 도로변 단말기에서 데이터를 현지에서 처리하는 분산 엣지 컴퓨팅 아키텍처를 설계한다.
• 객체 탐지 및 교통 표지판 인식과 같은 실시간 컴퓨터 비전 작업을 위해 컨볼루션 신경망(CNN)을 구현한다.
• 교통 흐름과 운전자 행동의 시간적 동역학을 모델링하기 위해 장기 기억 신경망(LSTM) 네트워크를 활용한다.
• 실시간으로 악성 공격를 탐지하고 데이터의 강건성을 향상시키기 위해 엣지에 생성적 적대적 네트워크(GAN)를 통합한다.
• 자율주행 차량과 인간 운전 차량 간의 플로팅 중 상호작용을 모델링하기 위해 RNN과 함께 게임 이론 모델을 적용한다.
• 데이터 프라이버시를 유지하면서 클라우드 의존도를 줄이기 위해 연합 학습 원리를 활용해 엣지 기반 기기 간 협업 학습을 가능하게 한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 어떻게 모바일 엣지에 효과적으로 구현되어 ITS 데이터 분석에서 지연 시간을 줄이고 신뢰성을 향상시킬 수 있는가?
• RQ2 차량 또는 도로변 단말 수준에서 실시간으로 이질적인 센서 데이터를 처리하기 위해 가장 효과적인 딥러닝 아키텍처는 무엇인가?
• RQ3 엣지 기반의 딥러닝은 어떻게 악성 입력을 탐지하고 반응 시간을 향상시켜 사이버-물리 보안을 강화할 수 있는가?
• RQ4 자원 제약이 있는 엣지 기기에서 DNN을 구현할 때 데이터 정확도, 시스템 복원력, 강건성 확보에 있어 주요 과제는 무엇인가?
• RQ5 엣지 기반 AI 모델은 어떻게 자율주행 차량과 인간 운전 차량 간의 상호작용을 포함한 동적인 예측 불가능한 교통 환경을 지원할 수 있는가?

주요 결과

• 제안된 엣지 분석 아키텍처는 차량과 도로변 단말기에서 데이터를 현지에서 처리함으로써 클라우드의 통신 및 계산 부담을 감소시킨다.
• LSTM 및 GAN과 같은 딥러닝 모델을 엣지에 구현함으로써 기존 클라우드 기반 접근 방식에 비해 보안 및 행동 예측 작업에서 더 낮은 지연 시간과 높은 정확도를 달성한다.
• 초기 결과는 엣지 기반 DNN이 운전자 행동 예측 및 경로 계획과 같은 실시간 응용 프로그램을 1초 미만의 응답 시간으로 지원할 수 있음을 확인한다.
• 게임 이론 모델과 RNN의 통합은 자율주행 차량과 인간 운전 차량이 혼재된 환경에서 자가 조직화되고 적응형 제어를 가능하게 한다.
• 연합 학습 기반의 학습 방법은 분산된 엣지 노드 간의 모델 성능을 유지하면서도 모델 업데이트에 소요되는 시간과 자원 비용을 줄일 수 있다.
• 장점이 있음에도 불구하고, 데이터 정확도, 악성 공격에 대한 강건성, 장치 장애에 대한 복원력 등의 과제는 ITS에서 엣지 DNN 배포에 있어 여전히 중요한 열린 문제로 남아 있다.