다중 접속 엣지 컴퓨팅 환경의 실시간 통합 적응형 오프로딩
사물 인터넷(IoT) 기기는 제한된 연산 능력과 배터리 수명으로 인해 모바일 엣지 컴퓨팅(MEC) 환경에서 연산 오프로딩(MCO)을 통해 인접한 고성능 서버의 자원을 활용합니다. 이러한 태스크를 사용자 기기 또는 엣지 서버에서 실행할지 결정하는 과정은 딥러닝(DRL)과 같은 인공지능 기법으로 최적화될 수 있습니다. 본 연구는 리아푸노프 최적화(LO), 다중 출력 학습(MOL), 그리고 DRL을 기반으로 하는 실시간 통합 적응형 안정 오프로딩(RIASO) 알고리즘을 제안합니다. RIASO는 훈련 시작 시간을 조절하는 새로운 훈련 정책을 도입하여 응답 시간을 효과적으로 단축하며, 메모리 사용량 또한 최적화합니다. RIASO는 장기적인 데이터 큐 안정성과 평균 전력 소비 제약을 유지하면서 네트워크 데이터 처리 능력을 극대화하여 변화하는 환경에 유연하게 적응합니다. 이를 통해 연산율, 에너지 소비, 메모리 사용량 등 핵심 성능 지표에서 높은 정확성과 효율성을 달성합니다. 이 알고리즘은 IoT 기기의 성능 한계를 극복하고 MEC 환경의 효율성을 향상시키는 데 기여하며, 향후 다양한 엣지 컴퓨팅 애플리케이션에 활용될 수 있을 것으로 기대됩니다.