초록 ▼

□ 연구개요
본 연구의 목표는 기존 클라우드 컴퓨팅 기반에서 중앙 집중형 AI 학습을 위해 사용자 디바이스에서 수집된 데이터를 중앙 서버로 전송할 때 생길 수 있는 개인 데이터 프라이버시 문제, 네트워크 전송 오버헤드 문제를 해결하기 위해, 다양한 스마트폰, 웨어러블 기기, 센서 장치 등과 같은 엣지 디바이스들을 잘 활용하여 간략하면서도 개별 상황에 최적화할 수 있는 엣지 컴퓨팅 기반 분산 학습 아키텍처 및 시스템을 연구 개발하는 것이다. 엣지 디바이스들은 주로 저가의 처리 속도가 높지 않은 CPU, 작은 메모리 공간이라는 하

□ 연구개요
본 연구의 목표는 기존 클라우드 컴퓨팅 기반에서 중앙 집중형 AI 학습을 위해 사용자 디바이스에서 수집된 데이터를 중앙 서버로 전송할 때 생길 수 있는 개인 데이터 프라이버시 문제, 네트워크 전송 오버헤드 문제를 해결하기 위해, 다양한 스마트폰, 웨어러블 기기, 센서 장치 등과 같은 엣지 디바이스들을 잘 활용하여 간략하면서도 개별 상황에 최적화할 수 있는 엣지 컴퓨팅 기반 분산 학습 아키텍처 및 시스템을 연구 개발하는 것이다. 엣지 디바이스들은 주로 저가의 처리 속도가 높지 않은 CPU, 작은 메모리 공간이라는 하드웨어 처리 한계와 함께 주로 배터리로 전원을 공급하는 방식으로 주로 저전력 낮은 통신 전송 속도를 가진 무선 네트워크 인터페이스(WiFi, ZigBee, Bluetooth 등)를 지니고 통신 불확실성이 상대적으로 높은 가변적 네트워크에서 동작하고 있는 상황이다. 이러한 개별적 리소스 관점에서 엣지 디바이스는 연산량이 많이 요구되는 AI 학습을 하기에 부적합할 수 있지만, 엣지 디바이스들을 연결도가 높은 효과적인 하나의 네트워크로 구성하여 리소스를 가상화하여 집합적으로 관리할 수 있다면 엣지단에서 필요로 하는 수준의 AI 모델을 서로 협업하여 분산 학습하는데 활용할 수 있다.
본 최종 연구 목표를 달성하기 위하여 세 가지 세부 연구 목표: 1) 분산 학습에 참여할 자생적 엣지 디바이스 그룹 형성, 2) 불안정한 통신 상황에 강인한 분산 학습 아키텍처 도출, 3) 학습 가속화를 위한 파이프라이닝 병렬 학습 구조 및 시스템 프로토타입 구현을 달성하고자 한다.

□ 연구 목표대비 연구결과
1) 1차년도
- 각 디바이스의 리소스, 디바이스간의 무선 네트워크 연결도를 종합적으로 고려하여 학습에 참여할 디바이스들을 선정하고 이들의 효율적인 “학습” 네트워크를 도출하였음
- 디바이스간의 실제 무선 통신 링크 안정성을 그래프 노드간의 엣지에 반영하여 그래프 기반의 Resource Pool 자료 구조를 정의하고 설계하였음
- 장기적인 리소스 부재에 따라 대체 신규 디바이스 또는 기존 디바이스의 유휴 자원을 빠르게 탐색하여 새롭게 Resource Pool을 변화하는 요구 조건에 따라 동적 구성 알고리즘 및 프로토콜을 구현하였음
2) 2차년도
- 특정 레이어의 뉴론들이 적절하게 여러 디바이스로 할당되어 forward, backward passes가 완전히 단절되지 않도록 리스크를 최소화할 수 있는 Neuron-to-Device 할당 알고리즘을 구현하였음
- 학습 구조 변화와 관계 없이 링크 레벨에서의 재전송 전략으로 학습 장애를 극복하는 방법, 최근 결과값을 저장해놓고 사용하는 방법을 도입하여 구현하였음
- Resource Pool 그래프를 이용하여 대체할 수 있는 디바이스 또는 디바이스 그룹을 검색하여 뉴론을 재할당하여 학습을 재개할 수 있는 메커니즘을 구현하였음
3) 3차년도
- Hybrid Allocation 기반 Neuron-to-Device 할당에 기반한 파이프라인 병렬 학습 아키텍처를 구현하였고, 실험을 수행하였음
- 파이프라인 스케줄링의 변화 뿐만 아니라 더 나아가 Neuron-to-Device 할당 정책을 동적으로 변화시키며 디바이스간 통신 링크 수를 최소화하는 방향으로 디바이스에 학습 뉴론을 할당하도록 학습 구조를 구현하였음
- 성능 평가를 위해 통신 환경의 불안정성 정도 및 분산 학습 참여 디바이스 범위에 따라 학습에 따른 추론 정확성, 학습 시간, 디바이스별 계산량, 네트워크 오버헤드 등의 성능 평가 지표에 따라 제안한 시스템의 동작 성능을 검증하였음
☞ SCI 논문 5편, 특허 출원 3건, 등록 1건

□ 연구개발성과의 활용 계획 및 기대효과(연구개발결과의 중요성)
데이터 프라이버시가 중요하게 요구되는 병원 내에서 개인별 맞춤형 학습이 필요한 진단 서비스, 높은 개인정보 보호 단계가 요구되는 직급의 사용자를 대상으로 한 개인 비서 AI 등 개인화 서비스로 발전되어 차별화된 서비스를 제공할 수 있는 핵심 기반 기술로 활용될 수 있다. 또한 최종 시스템 프로토타입 결과물은 상대적으로 연산, 저장, 통신 능력이 열악한 웨어러블 기기, 스마트워치, 센서 등과 같은 디바이스들도 주위의 유휴 가용 자원들을 필요시에 효과적으로 빌려 쓰는 방식의 학습을 통해 궁극적인 지능형 사물 인터넷 서비스를 제공할 수 있는 기반 기술로 활용 가능하다. 또한 커넥티드 카와 같이 클라우드 네트워크로의 접근이 상대적으로 확보가 되기 힘든 상황에서 주위의 가용한 다른 자동차 기기 자원들과 사용자 디바이스, RSU와 같은 엣지 디바이스들을 이용한 도로 및 주행 상황 분석과 데이터 공유를 통한 서비스 제공을 가능케 할 수 있다. 또한 이 기술은 우선 순위에 따라 수행할 수 있게 하여 핵심 재난 기술로도 활용가능하다.

(출처 : 연구결과 요약문 2p)

목차 Contents

• 표지 ... 1
• 연구결과 요약문 ... 2
• 목차 ... 3
• 1. 연구개발과제의 개요 ... 4
• 2. 연구개발과제의 수행 과정 및 수행 내용 ... 4
• 1) 1차년도(2021): 분산 학습에 참여할 자생적 엣지 디바이스 그룹 형성 연구 ... 5
• 2) 2차년도(2022): 불안정한 통신 상황에서 강인한 분산 학습 아키텍처 연구 ... 5
• 3) 3차년도(2023): 학습 가속화를 위한 파이프라인 병렬 학습 구조 및 시스템 프로토타입 구현 ... 6
• 3. 연구개발과제의 수행 결과 및 목표 달성 수준 ... 7
• 1) 정성적 연구개발성과(연구개발결과) ... 7
• 2) 세부 정량적 연구개발성과 ... 8
• 3) 목표 달성 수준 ... 8
• 4) 목표 미달 시 원인 분석 ... 10
• 4. 연구개발성과의 관련 분야에 대한 기여 정도(연구개발결과의 중요성) ... 10
• 5. 연구개발성과의 관리 및 활용 계획 ... 11
• (1) 학문/기술적 효과 ... 11
• (2) 경제/사회적 효과 ... 11
• 6. 자체점검표 ... 11
• 7. 참고문헌 ... 12
• 끝페이지 ... 24