[논문 리뷰] Vision and Challenges for Knowledge Centric Networking (KCN)

Dapeng Wu, Zhenjiang Li외 4명|arXiv (Cornell University)|2017. 07. 04.

IoT and Edge/Fog Computing인용 수 7

한 줄 요약

이 논문은 인공지능을 활용해 IoT 및 엣지 데이터에서 지식을 추출하고 구성하며 네트워크 내에서 배포하는 지식 중심 네트워킹(KCN)이라는 새로운 패러다임을 제안한다. 이는 중복된 트래픽을 줄이고 시스템의 지능을 향상시키며, 더 나아가 효율성과 제어 가능성이 향상된 적응형 사용자 의도 기반 네트워킹을 가능하게 한다.

ABSTRACT

In the creation of a smart future information society, Internet of Things (IoT) and Content Centric Networking (CCN) break two key barriers for both the front-end sensing and back-end networking. However, we still observe the missing piece of the research that dominates the current networking traffic control and system management, e.g., lacking of the knowledge penetrated into both sensing and networking to glue them holistically. In this paper, we envision to leverage emerging machine learning or deep learning techniques to create aspects of knowledge for facilitating the designs. In particular, we can extract knowledge from collected data to facilitate reduced data volume, enhanced system intelligence and interactivity, improved service quality, communication with better controllability and lower cost. We name such a knowledge-oriented traffic control and networking management paradigm as the Knowledge Centric Networking (KCN). This paper presents KCN rationale, KCN benefits, related works and research opportunities.

연구 동기 및 목표

• 현재 네트워크 시스템이 감지 및 네트워킹을 통합적으로 연결할 수 있는 통합 지식이 부족한 격차를 해결한다.
• IoT 및 콘텐츠 중심 네트워크에서 발생하는 중복 데이터, 증가하는 네트워크 복잡성, 높은 최종 장치의 계산 요구량에 의해 발생하는 과제를 극복한다.
• 기계 학습을 통해 원시 감지 데이터에서 유래된 지식을 통합함으로써 지능적이고 적응형이며 사용자 의도 인식 네트워크 제어를 가능하게 한다.
• 네트워크 인fra 내에서 지식 생성, 조합, 배포를 위한 체계적인 프레임워크를 제안하여 최종 장치의 지능에 대한 의존도를 낮춘다.

제안 방법

• 기계 학습 및 딥 러닝 기법을 적용하여 원시 IoT 및 엣지 감지 데이터에서 서술적 지식을 추출함으로써 전송되는 데이터 양을 최소화한다.
• 지식 조합을 통해 자동으로 실행 가능한 규칙과 시스템 피드백을 도출하여 네트워크 동작을 사용자 의도에 맞춘다.
• 네트워크 내 저장 및 계산 기능을 활용하여 지식을 현지에서 생성하고 관리함으로써 전체 데이터를 최종 사용자에게 전송하는 것을 피한다.
• 기존의 CCN 이름 지정 및 라우팅 원리(예: DOI)를 활용하여 확장성 있고 탈중앙화되며 안전한 지식 배포를 가능하게 한다.
• 다양한 형태의 지식 표현 및 관리 메커니즘을 통합하여 훈련된 모델, 제어 파rameter, 네트워크 동역학 성질 등을 지원한다.
• 분산된 네트워크 내 처리를 활용하여 지식 추출 및 추론 과정에서 네트워크 부하를 줄이고 계산 오버헤드를 균형 잡는다.

실험 결과

연구 질문

• RQ1 기계 학습 기법을 어떻게 활용하여 원시 IoT 및 엣지 감지 데이터에서 의미 있는 지식을 추출하여 중복된 네트워크 트래픽을 줄일 수 있는가?
• RQ2 다이나믹한 네트워크 환경에서 추출된 지식으로부터 사용자 의도 인식 규칙과 피드백을 자동으로 조합할 수 있는 메커니즘은 무엇인가?
• RQ3 민감한 데이터를 중앙 집중화하지 않고도 네트워크 전반에 걸쳐 지식을 효율적으로 저장하고 검색하며 배포하여 확장성 있고 안전한 운영을 지원할 수 있는 방법은 무엇인가?
• RQ4 기존의 인간 히어리스틱 기반 제어 방법에 비해 KCN은 시스템 관리 및 네트워크 최적화를 어떻게 향상시킬 수 있는가?
• RQ5 기존의 CCN 원리(예: DOI, 네트워크 내 캐싱)는 어떻게 확장성 있고 탈중앙화된 지식 중심 네트워킹을 가능하게 하는가?

주요 결과

• KCN은 통신 중심에서 지식 중심 네트워킹으로의 전환을 가능하게 하여, 네트워크 내 지식이 원시 데이터를 최종 장치로 전송할 필요성을 줄인다.
• 기계 학습을 통한 지식 생성은 특히 고용량 트래픽을 발생시키는 IoT 환경에서 데이터 양과 네트워크 부하를 크게 감소시킨다.
• 지식 조합은 사용자 의도를 해석하고 맥락 인식 제어 조치를 생성함으로써 서비스 품질과 제어 가능성을 향상시킨다.
• DOI 및 네트워크 내 저장을 통한 탈중앙화된 지식 배포 방식은 스마트 주차 사용 사례에서 볼 수 있듯이 프라이버시와 확장성을 향상시킨다.
• 분산된 네트워크 내 처리 및 지식 관리는 고성능 최종 장치에 대한 의존도를 줄이고 시스템의 내구성과 효율성을 향상시킨다.
• KCN은 향후 지능적인 네트워크 최적화를 위한 기반을 제공하며, 적응형 자원 할당과 변화하는 네트워크 조건에 대한 동적 대응을 가능하게 한다.