엣지 컴puting은 엣지 자원이 역량과 용량 면에서 매우 다양하고, 수많은 사용자와 물리 세계에 걸쳐 고도로 분산되어 있으므로 고유한 과제를 수반한다. 기존 분산 컴puting 프레임워크는 이러한 수준의 이질성과 분산을 충분히 처리할 수 없다. 본 논문은 사물인터넷(IoT), 엣지, 클라우드에 분산된 이질적 자원을 컴puting에 효과적으로 활용할 수 있도록 엣지 애플리케이션을 지원하는 새로운 함수 기반 엣지 컴puting 프레임워크인 EdgeFaaS를 제안한다. 함수 가상화(function virtualization)와 스토리지 가상화(storage virtualization)를 제안하여 분산되고 이질적인 물리적 자원을 추상화하고, 함수를 배포·실행하고 데이터를 저장·접근하기 위한 일관된 가상 인터페이스를 제공한다. EdgeFaaS는 다양한 엣지 컴puting 워크플로에 대한 포괄적 지원을 제공하면서, 동시에 사용자가 설정을 유연하게 조정하고 다양한 중요한 트레이드오프를 탐색할 수 있게 한다. 사용성을 입증하기 위해, 본 논문은 지리적으로 분산된 100개 이상의 IoT 기기, 엣지 서버, 클라우드 서비스로 구성된 실제 테스트베드에서 비디오 분석, 연합 학습(federated learning), 오디오 분류를 위한 EdgeFaaS 상의 세 가지 대표적인 워크플로의 구현과 평가를 제시한다. EdgeFaaS는 사용자가 분산되고 이질적인 자원 전체에 걸쳐 이러한 워크플로의 배포 설정을 유연하게 탐색할 수 있게 한다. 예를 들어, 사용자는 IoT, 엣지, 클라우드 자원에 걸쳐 비디오 처리 파이프라인의 함수 배치(function placement)를 쉽게 변경하고 연산 비용과 통신 비용 사이의 트레이드오프를 연구할 수 있으며, 계층적 연합 학습 시스템에서 클러스터 수와 크기를 유연하게 조정하고 학습 정확도와 속도 사이의 트레이드오프를 탐색할 수 있다.
이 논문은 에이전틱 AI, IoT, 사이버-물리 시스템, Physical AI, 엣지 컴퓨팅, 디지털 트윈을 통합된 폐루프 오케스트레이션 프레임워크로 통합하는 아키텍처 프레임워크인 에이전틱 사물인터넷(Internet of Agentic Things, IoAT)을 소개한다. 제안된 아키텍처는 클라우드, 엣지/포그, 물리적 IoT 계층으로 구성되며, 분산된 사이버-물리 환경 전반에서 지각하고, 추론하고, 조정하고, 구동하는 자율 AI 에이전트를 통해 이들이 연결된다. 이 논문은 에이전틱 계획과 물리적 실행을 연결하는 형상론적 동적 프로그래밍(hylomorphic dynamic programming) 프레임워크를 사용하여 중첩된 전략적·전술적 의사결정을 포함하는 결합 워크플로-제어 문제로 IoAT를 형식화한다. 스마트 빌딩 오케스트레이션을 대표적인 사용 사례로 제시하고, 안전성, 보안, 거버넌스, 복원력, 신뢰할 수 있는 배치와 관련된 주요 연구 과제를 논의한다.
에지 사물인터넷(IoT) 에이전트는 종종 메모리 용량, 프라이버시 요구사항, 통신 지연, 반복적인 추론 비용에 의해 제약된다. 현재 스마트홈 어시스턴트는 일반적으로 API 수준의 명령 인터페이스나 클라우드 기반 언어 모델에 의존하며, 이는 에지 디바이스에 배포하기 어렵다. 본 논문은 여러 자연어 지시가 결정론적 스마트홈 파싱을 위해 동일한 정규(canonical) 명령 문자열에 매핑되는 다대일(many-to-one) 구조화 출력 작업으로 에지 IoT 명령 생성을 다룬다. 이를 지원하기 위해, 본 연구는 모델 아키텍처 선택, Smart Home Instruct 데이터 생성, triplet-loss 대조 지도 미세조정, 가지치기와 양자화, 배포 지향 익스포트를 포괯하는 end-to-end 프레임워크인 SCENIC(Semantic-Conditioned Edge-Aware Neural Framework for Structured IoT Command Generation)를 제안한다. 우리는, 우리가 아는 한 에지 IoT 구조화 명령 생성을 위해 연구된 최소 규모의 언어 모델 백본 중 하나인 0.2B 미만 규모 트랜스포머 백본을 평가한다. Smart Home Instruct-Bench에서, 가장 강력한 dense decoder-only 구성은 99.0% EM@1에 도달하며, encoder-decoder 모델은 더 강한 고희소성 동작을 유지한다. 대표적인 가지치기된 INT8 encoder-decoder 익스포트는 익스포트된 모델 크기를 25.38% 줄이면서 91.0% EM@1과 99.0% EM@5를 유지한다. NVIDIA 2:4 희소 encoder 익스포트에 대한 TensorRT 프로파일링은 추가로 최대 1.8배 encoder 컴포넌트 속도 향상을 보여주며, 이는 선택된 encoder-decoder 배포 경로가 에지 지향 압축 하에서도 구조화 명령 정확도를 유지할 수 있음을 시사하지만, 하드웨어 가속 증거는 컴포넌트 수준에 머무른다는 점을 나타낸다. SCENIC 코드와 실험 산출물은 재현성을 위해 오픈소스로 공개되었다.
본 논문은 엣지(Edge)에서 신경망(NN)을 설계하기 위한 자동화된 방법을 제시하며, 이는 프라이버시에 민감한 사물인터넷(IoT) 애플리케이션에서도 머신러닝(ML) 접근성을 가능하게 합니다. 제안된 방법은 IoT 게이트웨이에서 실행되며, 수집된 데이터를 로컬 네트워크 외부로 공유하지 않고 데이터를 수집된 장소에 유지한 채 연결된 센서 노드를 위한 NN을 설계합니다. 이 접근 방식은 헬스케어 사물인터넷(HIoT) 및 산업용 사물인터넷(IIoT)에서 ML을 활성화할 잠재력을 가지며, 개인화된 헬스케어 및 품질 관리, 예지 보전, 결함 진단과 같은 고급 산업 서비스를 위해 엣지에서 하드웨어 친화적이고 맞춤형 NN을 설계합니다. 데이터가 클라우드 서비스에 공개되는 것을 방지함으로써, 이 방법은 산업 기밀 및 개인 데이터를 포함한 민감한 정보를 보호합니다. 철저한 실험 결과, 제안된 접근 방식은 Raspberry Pi Zero 2에서 10시간 미만으로 실행되는 탐색 절차를 활용하여 Visual Wake Words 데이터셋에서 최첨단(state-of-the-art) 결과를 달성할 수 있음을 확인했습니다.