동적 MEC 환경을 위한 그래프 강화학습 기반 의미 압축 CNN 오프로드

본 논문은 사물인터넷(IoT) 디바이스가 제한된 연산 능력과 대역폭을 가지고 있음에도 불구하고, 실시간 이미지 분류와 같은 고부하 CNN 추론 작업을 수행해야 하는 상황을 다룬다. 이를 해결하기 위해 저자들은 “자동인코더 기반 CNN(AECNN)”이라는 새로운 아키텍처를 설계하였다. AECNN은 크게 의미 인코더와 의미 디코더 두 부분으로 구성된다. 인코더에서는 채널 어텐션 메커니즘을 적용해 각 레이어의 출력 텐서(특성 맵)에서 채널별 중요도를 계산한다. 중요도가 낮은 채널은 선택적으로 제거되며, 남은 채널들은 엔트로피 코딩을 통해 추가 압축된다. 이렇게 압축된 중간 텐서는 전송량을 크게 줄여, 변동성이 큰 무선 채널에서도 정해진 지연 제한 내에 전송될 수 있다. 디코더는 경량화된 복구(FR) 모듈을 사용한다. FR 모듈은 몇 개의 컨볼루션 레이어와 잔차 연결을 통해 손실된 정보를 복원하고, 최종 레이어에서 원본 CNN과 동일한 추론 결과를 얻도록 학습된다. 이 과정에서 압축 비율(m)과 복구 정확도 사이의 트레이드오프를 최소화하도록 설계되었다. 시스템 모델은 U개의 IoT 디바이스와 S개의 엣지 서버(ES)로 구성된 동적 MEC 네트워크를 가정한다. 각 디바이스는 매 타임슬롯마다 이미지 작업을 생성하고, 작업 크기 d와 지연 제한 σ를 가진다. 작업 수행 방식은 로컬 연산, 전체 오프로드, 혹은 중간 레이어에서 분할하는 세 가지 중 하나이며, 이를 나타내는 이산 변수 α, β, γ가 도입된다. 오프로드 결정 문제는 통신 지연, 전송 전력, 연산 지연, 에너지 소비, 그리고 최종 추론 정확도를 모두 고려하는 복합적인 최적화 문제로 정의된다. 저자들은 이를 “보상 함수” 형태로 정량화하고, 장기 평균 정확도와 처리량을 최대화하는 목표식으로 변환한다. 전통적인 혼합정수계획(MIP) 해결법은 계산 복잡도가 높고 실시간 적용이 어렵다. 따라서 저자들은 그래프 강화학습(GRL) 기반 접근법을 제안한다. 네트워크의 상태(채널 상태, 서버 부하, 작업 크기 등)를 그래프 노드와 엣지로 표현하고, 그래프 컨볼루션 네트워크(GCN)를 통해 상태를 임베딩한다. 이후 강화학습 에이전트가 정책 πθ를 학습해, 각 타임슬롯마다 최적의 (α, β, γ) 조합을 선택한다. 보상 함수는 다음과 같이 구성된다: R = λ1·Accuracy + λ2·Throughput – λ3·Delay – λ4·Energy, 여기서 λ는 각 항목의 중요도를 조절하는 가중치이다. 학습 효율성을 위해 단계별 학습(step‑by‑step) 전략을 적용하였다. 먼저 인코더‑디코더를 독립적으로 사전 학습하고, 이후 GCN‑RL 정책을 학습한다. 이렇게 하면 초기 탐색 단계에서 발생하는 불필요한 시행착오를 크게 줄일 수 있다. 실험에서는 ResNet‑50 기반 이미지 분류 모델을 사용해 CIFAR‑10 및 ImageNet 데이터셋에서 성능을 평가하였다. 다양한 시나리오(채널 SNR 변화, 서버 부하 변동, 작업 크기 다양성)에서 GRL‑AECNN은 기존 최첨단 방법인 DROO‑AECNN, GRL‑BottleNet++ 및 GRL‑DeepJSCC에 비해 평균 정확도를 3~5%p 향상시키고, 지연 시간을 20% 이상 감소시켰다. 특히, 압축 비율을 동적으로 조절함으로써 저 SNR 상황에서도 안정적인 오프로드가 가능함을 확인하였다. 결론적으로, 이 논문은 (1) 채널 어텐션 기반 의미 압축, (2) 경량 복구 디코더, (3) 그래프 강화학습을 통한 다중 의사결정이라는 세 가지 핵심 기술을 결합해, 동적 MEC 환경에서 CNN 추론의 효율성과 신뢰성을 크게 향상시켰다. 향후 연구 과제로는 비디오 스트리밍과 같은 연속 데이터 처리, 다중 작업 스케줄링, 실제 하드웨어 프로토타입 구현 및 실시간 테스트 등이 제시된다.