[논문 리뷰] Video Processing on the Edge for Multimedia IoT Systems

Yang Cao, Zeyu Xu외 2명|arXiv (Cornell University)|2018. 05. 13.

IoT and Edge/Fog Computing참고 문헌 14인용 수 5

한 줄 요약

이 논문은 스마트 시티, 위성 네트워크, 차량 등에서 다중미디어 사물인터넷(M-IoT) 시스템에서 협업형 영상 처리를 가능하게 하는 경량 가상화 기반 엣지 컴퓨팅 플랫폼을 제안한다. Docker를 기반으로 하여 근접한 엣지 노드로 영상 작업을 오프로드함으로써 지연 시간을 감소시키고 처리 효율성을 향상시키며, 성능 평가 결과 협업형 처리 방식이 비협업형 방식에 비해 작업 완료 시간과 자원 활용도 면에서 뚜렷한 성능 향상을 보였다.

ABSTRACT

In this article, we first survey the current situation of video processing on the edge for multimedia Internet-of-Things (M-IoT) systems in three typical scenarios, i.e., smart cities, satellite networks, and Internet-of-Vehicles. By summarizing a general model of the edge video processing, the importance of developing an edge computing platform is highlighted. Then, we give a method of implementing cooperative video processing on an edge computing platform based on light-weighted virtualization technologies. Performance evaluation is conducted and some insightful observations can be obtained. Moreover, we summarize challenges and opportunities of realizing effective edge video processing for M-IoT systems.

연구 동기 및 목표

• 장거리 전송과 국지적 처리 능력의 제한으로 인한 M-IoT 시스템 내 고지연 영상 처리 문제를 해결하기 위해.
• 이질적인 엣지 노드 간에 협업형 영상 처리를 지원하는 유연하고 환경 인지형 엣지 컴퓨팅 플랫폼을 개발하기 위해.
• 경량 가상화 기반 협업형 영상 처리의 성능을 평가하고 주요 시스템 개선 사항을 규명하기 위해.
• 엣지 기반 M-IoT 영상 시스템의 자원 스케줄링, 관리 및 품질 평가에 있어 도전 과제를 특정하고 분석하기 위해.

제안 방법

• 논문은 엣지 노드에서 영상 처리 작업을 컨테이너화하고 격리 실행할 수 있도록 Docker 기반 경량 가상화 기반 엣지 컴퓨팅 플랫폼을 설계하였다.
• 영상 하위 작업(예: 특징 추출, ROI 슬라이싱, 시각 변환 등)을 노드의 능력에 따라 다수의 엣지 노드에 할당하는 분산형 협업 작업 오프로딩 모델을 적용하였다.
• 계산 부하, 네트워크 근접성, 자원 가용성 등을 고려하여 작업 할당을 최적화하는 환경 인지 스케줄링 메커니즘을 사용하였다.
• 성능 평가는 스마트 시티의 객체 탐지, 위성 네트워크의 목표 추적, 차량의 주행 보조 등 세 가지 M-IoT 시나리오에서 실제 영상 워크로드를 기반으로 수행되었다.
• 대규모 동적 엣지 네트워크에서의 관리 오버헤드 감소와 확장성 향상을 위해 Named Data Networking(NDN)과 통합하였다.
• 영상 처리 품질(예: 탐지 정확도)을 입력 영상 특징과 연관지켜 성능 인지형 작업 할당을 가능하게 하기 위해 딥러닝 기반 품질 평가 프레임워크를 제안하였다.

실험 결과

연구 질문

• RQ1 M-IoT 시스템에서 이질적이고 분산된 엣지 노드 간에 영상 처리를 효과적으로 조율할 수 있는 방법은 무엇인가?
• RQ2 작업 완료 시간과 자원 활용도 측면에서 협업형 영상 처리는 비협업형 처리에 비해 얼마나 높은 성능 향상을 보이는가?
• RQ3 Docker와 같은 경량 가상화 기술을 활용해 M-IoT 영상 워크로드를 위한 확장성 있고 이식 가능한 엣지 컴퓨팅 플랫폼을 어떻게 구축할 수 있는가?
• RQ4 대규모 동적 엣지 네트워크에서 영상 처리를 위한 통신, 계산, 스토리지 자원을 관리하는 데 있어 핵심 과제는 무엇인가?
• RQ5 사람의 시청을 넘어서 후속 처리 정확도(예: 객체 탐지)를 고려할 때 M-IoT 시스템에서 영상 품질을 어떻게 평가할 수 있는가?

주요 결과

• 제안된 엣지 플랫폼에서의 협업형 영상 처리는 비협업형 처리 대비 작업 완료 시간을 크게 감소시켜 병렬 분산 계산의 이점을 입증하였다.
• Docker 기반 경량 가상화 기술의 적용은 다양한 능력의 엣지 디바이스 간에 효율적이고 이식 가능하며 격리된 영상 처리 기능 실행을 가능하게 하였다.
• 성능 평가 결과 엣지 기반 처리가 손실 압축을 피할 수 있음을 입증하여 특징의 유지도를 향상시키고 후속 작업의 정확도를 높였다.
• NDN 기반 네트워킹 통합으로 대규모 엣지 네트워크에서 인프라 캐싱과 콘텐츠 중심 자원 탐색을 통해 관리 오버헤드를 감소시켰다.
• 딥러닝 기반 품질 평가 모델은 영상 입력 특징과 처리 결과 간의 상관관계를 효과적으로 파악하여 기대되는 처리 품질에 기반한 지능형 워크로드 할당을 가능하게 하였다.
• 연구는 자원 스케줄링, 동적 워크로드 배치, 품질 평가 분야에서 아직 해결이 필요한 도전 과제들을 특정하였으며, 향후 M-IoT 영상 시스템 연구에 기여할 수 있을 것이다.