[논문 리뷰] Distributing Intelligence to the Edge and Beyond

Edgar Ramos, Roberto Morabito외 1명|arXiv (Cornell University)|2019. 07. 25.

Advanced Malware Detection Techniques참고 문헌 22인용 수 4

한 줄 요약

이 논문은 기기 스택과 애플리케이션 레이어 사이에 표준화된 지능 레이어를 도입함으로써 애플리케이션에서 지능을 분리하는 새로운 범주인 분산 기계지능(D-MI)을 제안한다. 이는 사물인터넷(IoT) 기기 간에 상호운용성 있고 재사용 가능한 지능 서비스를 가능하게 하며, 확장성 향상, 지연 감소, 제공자 인cent라이브 강화를 이룬다. 이는 특정 용도에 종속되지 않는 지능 기능의 추상화를 통해 달성된다.

ABSTRACT

Machine Intelligence (MI) technologies have revolutionized the design and applications of computational intelligence systems, by introducing remarkable scientific and technological enhancements across domains. MI can improve Internet of Things (IoT) in several ways, such as optimizing the management of large volumes of data or improving automation and transmission in large-scale IoT deployments. When considering MI in the IoT context, MI services deployment must account for the latency demands and network bandwidth requirements. To this extent, moving the intelligence towards the IoT end-device aims to address such requirements and introduces the notion of Distributed MI (D-MI) also in the IoT context. However, current D-MI deployments are limited by the lack of MI interoperability. Currently, the intelligence is tightly bound to the application that exploits it, limiting the provisioning of that specific intelligence service to additional applications. The objective of this article is to propose a novel approach to cope with such constraints. It focuses on decoupling the intelligence from the application by revising the traditional device's stack and introducing an intelligence layer that provides services to the overlying application layer. This paradigm aims to provide final users with more control and accessibility of intelligence services by boosting providers' incentives to develop solutions that could theoretically reach any device. Based on the definition of this emerging paradigm, we explore several aspects related to the intelligence distribution and its impact in the whole MI ecosystem.

연구 동기 및 목표

• 현재 사물인터넷(IoT) 시스템 내 기계지능(MI) 구현에서의 상호운용성 부족 문제를 해결하기 위해.
• MI 서비스가 특정 애플리케이션에 종속되지 않도록 하여 다양한 기기와 용도 간 재사용을 가능하게 하기 위해.
• 엣지 통합 지능을 통해 대규모 사물인터넷(IoT) 구현에서 지연과 대역폭 효율성을 향상시키기 위해.
• 최종 사용자와 제공자에게 MI 서비스에 대한 더 큰 제어력과 접근성 부여를 위해.
• 확장 가능하고 확장 가능한 사물인터넷(IoT) 생태계를 위한 기본 범주를 설정하기 위해.

제안 방법

• 기기 스택과 애플리케이션 레이어 사이에 위치하는 새로운 지능 레이어를 도입하여, 애플리케이션에서 MI 서비스를 추상화한다.
• 모듈화되고 재사용 가능한 지능 컴포onent를 지원하기 위해 기존 기기 아키텍처를 재설계한다.
• MI 서비스를 위한 표준화된 API를 노출시켜 상호운용성을 촉진한다.
• 이질적인 기기와 플랫폼 간에 MI 서비스의 동적 탐색 및 조합을 가능하게 한다.
• 실시간 사물인터넷(IoT) 애플리케이션에서 지연과 대역폭 사용을 최소화하기 위해 엣지 컴퓨팅을 활용한다.
• MI에 마이크로서비스 유사 모델을 지원하여 지능 컴포넌트의 독립적 배포 및 진화를 가능하게 한다.

실험 결과

연구 질문

• RQ1 어떻게 기계지능(MI)을 애플리케이션에서 분리하여 다양한 사물인터넷(IoT) 기기 간에 재사용 가능하게 할 수 있는가?
• RQ2 사물인터넷(IoT) 시스템에서 상호운용성 있고 분산된 기계지능(MI)을 지원하기 위해 필요한 아키텍처적 변화는 무엇인가?
• RQ3 제안된 지능 레이어는 대규모 사물인터넷(IoT) 구현에서 지연과 대역폭 효율성을 어떻게 향상시키는가?
• RQ4 새로운 범주가 제공자에게 MI 서비스 개발 및 공유를 위한 어떤 인cent라이브를 창출하는가?
• RQ5 지능을 애플리케이션에서 분리함으로써 사용자 제어력과 시스템 확장성은 어떻게 향상되는가?

주요 결과

• 제안된 지능 레이어는 MI 서비스가 여러 애플리케이션과 기기 간에 재사용 가능하게 하여 상호운용성 향상에 크게 기여한다.
• 지능을 애플리케이션에서 분리함으로써 벤더 종속성 감소와 함께 시스템 설계의 유연성 향상이 이루어진다.
• 지능 처리를 데이터 소스에 가까이 위치시킴으로써 종단 간 지연을 감소시키며, 엣지 컴퓨팅 원칙과 부합한다.
• 표준화된 MI 서비스 API는 개발자 생산성 향상과 생태계 성장 촉진에 기여한다.
• 동적 서비스 조합을 지원하여 애플리케이션이 필요에 따라 지능 기능을 동적으로 탐색하고 통합할 수 있다.
• 이 접근법은 서비스가 플랫폼 독립적이며 재사용 가능해지므로 제공자에게 더 강력한 기계지능(MI) 혁신 유인을 제공한다.