[논문 리뷰] Mobile Edge Computing and Artificial Intelligence: A Mutually-Beneficial Relationship

Ahmed A. Al-Habob, Octavia A. Dobre|arXiv (Cornell University)|2020. 04. 27.

IoT and Edge/Fog Computing참고 문헌 7인용 수 9

한 줄 요약

이 논문은 모바일 에지 컴퓨팅(MEC)과 인공지능(AI)의 상호보완적 통합을 제안한다. AI는 강화학습을 활용한 지능적인 자원 관리로 MEC 오프로딩을 향상시키고, MEC는 피어드 학습을 통한 분산형 모바일 에지 학습(MEL)을 가능하게 한다. 주요 기여는 네트워크 에지에서 실시간 AI 추론 및 학습을 위한 자가 최적화, 저지연, 확장 가능한 프레임워크이다.

ABSTRACT

This article provides an overview of mobile edge computing (MEC) and artificial intelligence (AI) and discusses the mutually-beneficial relationship between them. AI provides revolutionary solutions in nearly every important aspect of the MEC offloading process, such as resource management and scheduling. On the other hand, MEC servers are utilized to avail a distributed and parallelized learning framework, namely mobile edge learning.

연구 동기 및 목표

• VR 및 실시간 게임과 같은 모바일 애플리케이션의 증가하는 계산 요구를 충족시키기 위해 네트워크 에지에서 국소화되고 저지연되는 처리를 가능하게 한다.
• 작업 우선순위, 의존성, 반복 작업 등의 제약 조건 하에 NP-완전 문제를 포함하는 복잡하고 동적인 MEC 오프로딩의 높은 복잡도를 극복한다.
• 피어드 학습 프레임워크를 통해 분산된 에지 노드 간에 효율적이고 확장 가능하며 개인정보 보호를 보장하는 AI 모델 학습을 가능하게 한다.
• 실시간으로 컴퓨팅 및 통신 자원을 동적으로 관리하기 위해 AI를 활용하는 자가 최적화 및 적응형 시스템을 개발한다.

제안 방법

• 강화학습을 사용하여 최적의 작업-서버 매핑을 선택하는 에이전트를 훈련시키기 위해 MEC 오프로딩 결정을 마르코프 결정 과정(MDP)으로 모델링한다.
• 서버 계산 속도, 채널 품질, 사용자 작업 요구 사항 등의 특징에서 일반화 가능한 스케줄링 정책을 학습하기 위해 딥 네ural 네트워크(DNN)를 활용한다.
• 다중 에이전트 강화학습 프레임워크를 구현하여 여러 사용자와 서버 간의 지연, 에너지 소비, 오프로딩 오차를 최소화하는 데 협력한다.
• 에지 서버가 로컬 모델을 훈련하고 원시 데이터 대신 업데이트된 모델 파라미터만 중앙 오케스트레이터에 공유하는 방식으로 피어드 학습 기반의 모바일 에지 학습(MEL) 아키텍처를 설계한다.
• 로직 오케스트레이터 컴ponent를 사용하여 로컬 모델 업데이트를 집계하고, 업데이트된 전역 파라미터를 다시 에지 서버에 방송함으로써 데이터 프라이버시를 유지한다.
• 강화학습의 보상 함수를 정의하여 지연 최소화, 에너지 소비 감소, 오프로딩 오차 최소화 등의 목표를 반영한다.

실험 결과

연구 질문

• RQ1 어떻게 AI를 활용하여 복잡하고 동적인 MEC 환경에서 저지연, 고효율의 작업 오프로딩 결정을 최적화할 수 있는가?
• RQ2 딥 강화학습은 이질적인 에지 서버와 모바일 사용자 간의 적응형 실시간 자원 할당을 어떻게 가능하게 하는가?
• RQ3 데이터 프라이버시를 유지하면서 통신 오버헤드를 최소화하고 분산된 AI 학습을 네트워크 에지에서 효율적으로 수행할 수 있는 방법은 무엇인가?
• RQ4 모바일 및 IoT 환경에서 AI 모델 학습의 확장성과 성능을 향상시키기 위해 모바일 에지 학습(MEL)이 어떻게 기여하는가?
• RQ5 MEC와 AI의 통합은 향후 5G를 초월하는 지능적이고 자가 최적화, 적응형 네트워크의 개발을 어떻게 가능하게 하는가?

주요 결과

• 딥 네ural 네트워크를 활용한 강화학습은 알려지지 않은 시스템 상태에 적응할 수 있는 일반화 가능한 스케줄링 정책을 학습할 수 있으며, 정적 또는 히우리스틱 방법을 초월하는 오프로딩 성능 향상을 이룬다.
• MEL에서 피어드 학습을 사용하면 에지 서버 간에 분산되고 개인정보 보호가 보장된 AI 모델 학습이 가능해지며, 원시 데이터 대신 모델 파라미터만 전송함으로써 통신 오버헤드를 줄일 수 있다.
• MEL 프레임워크는 다양한 국소 데이터를 포함한 여러 에지 노드에서의 데이터를 활용하여 AI 모델의 강건성과 일반화 능력을 향상시키며, 민감한 데이터를 중앙 집중화하지 않는다.
• AI와 MEC의 통합은 실시간으로 동적인 사용자 요구와 네트워크 조건에 적응할 수 있는 자동으로 작동하는 지능형 네트워크 인fra를 가능하게 한다.
• 제안된 MEL 및 AI 강화 오프로딩 프레임워크는 복잡하고 고차원적인 MEC 환경에서 지연, 에너지 소비, 오프로딩 오차를 줄이는 데 효과적임을 입증했다.