EdgeFaaS: 함수 기반 엣지 컴puting 프레임워크
EdgeFaaS: A Function-based Framework for Edge Computing
한국어 초록
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.
원문 초록
Edge computing brings unique challenges as the resources on the edge are highly diverse in capabilities and capacities, and highly distributed across many users and the physical world. Existing distributed computing frameworks cannot adequately handle this level of heterogeneity and distribution. This paper proposes EdgeFaaS, a novel function-based edge computing framework to enable edge applications to effectively utilize heterogeneous resources distributed across the Internet of Things (IoT), edge, and cloud for computing. It proposes function virtualization and storage virtualization to abstract distributed and heterogeneous physical resources and provides consistent virtual interfaces for deploying and executing functions and storing and accessing data. EdgeFaaS provides comprehensive support to diverse edge computing workflows, and at the same time allows users to flexibly adjust the configurations and explore various important tradeoffs. To demonstrate its usability, the paper also presents the implementation and evaluation of three representative workflows on EdgeFaaS for video analytics, federated learning, and audio classification, on a real testbed of 100+ geographically distributed IoT devices, edge servers, and cloud services. EdgeFaaS allows users to flexibly explore the deployment configurations of these workflows over distributed and heterogeneous resources. For example, users can easily vary the function placement of the video processing pipeline across IoT, edge, and cloud resources and study the tradeoff between computation and communication costs; users can also flexibly adjust the cluster count and size in the hierarchical federated learning system and explore the tradeoff between training accuracy and speed.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2607.14489v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
모바일 네트워크 기반 LLM 연합학습: RAN 트랜스포트에서의 문제점과 해결 방안
Federated Learning for LLMs over Mobile Networks: Issues and Solutions in the RAN Transport
연합 LLM 미세조정(fine-tuning)은 네트워크 엣지에서 비공개 및 지리적으로 분산된 데이터를 활용해 대규모 모델을 적응시킬 수 있도록 지원하지만, 액세스 및 트랜스포트 네트워크 전반에 걸쳐 주기적이고 마감 기한에 민감한 통신 워크로드를 유발합니다. 이러한 과제는 무선 가변성, 이동성, 기기 이종성으로 인해 모델 업데이트가 비동기적으로 도착하는 모바일 RAN(무선 접속망)에서 특히 두드러집니다. 이 업데이트들은 동일한 학습 라운드에 속하며 공통의 목적지와 마감 기한을 공유함에도 불구하고, 기존 트랜스포트 네트워크는 이를 개별 기기에서 생성된 독립적인 흐름으로 취급하여 기저의 구조를 가리고 트랜스포트 자원을 효율적으로 프로비저닝하는 능력을 제한합니다. 이러한 불일치는 예측 가능하고 스케줄링 가능한 트래픽 수요에 유리한 광 회선 교환(optical circuit switching) 및 전광(all-photonics) 트랜스포트에서 특히 문제가 됩니다. 본 논문에서는 미래의 RAN이 분산 모델 적응의 통신 구조를 트랜스포트 층(layer)에 노출함으로써 학습 인지형 트래픽 셰이퍼(traffic shaper) 역할을 수행해야 한다고 주장합니다. gNB에서의 인네트워크 집약(in-network aggregation)을 통해, 비동기적인 UE 업데이트는 제한된 크기와 전달 요구사항을 갖는 더 적은 수의 집약 전송으로 변환될 수 있습니다. 이러한 방식으로 정형화되면 연합 LLM 트래픽은 선택적으로 프로비저닝되는 광학 연결에 적합한 후보가 되며, 집약 전송 윈도우 동안 대용량 경로를 설정하고 학습 라운드 사이에는 이를 해제할 수 있습니다. 결과적인 아키텍처는 패킷 기반 모바일 액세스의 유연성과 동적으로 프로비저닝되는 광 용량을 결합하여, 프로그래머블 액세스 및 트랜스포트 네트워크 전반에서 분산 AI 워크로드를 조정하기 위한 보다 폭넓은 접근 방식을 보여줍니다.
경량 연합 학습을 위한 정보 이론적 보안 집계: 드롭아웃 및 적대자에 강건
Information-Theoretically Secure Aggregation for Lightweight Federated Learning: Resilient to Dropouts and Adversaries
온디바이스 연합 학습(FL)은 스마트폰 및 IoT 노드와 같은 자원 제약이 있는 디바이스에서 프라이버시를 보존하면서 개인화된 모델 학습을 가능하게 한다. 통신 비용을 줄이기 위해 부호 기반 방법(예: signSGD)은 1비트 그래디언트를 전송한다. 그러나 그래디언트 부호를 노출하면 추론 공격에 취약해지며, 기존 보안 집계 방식은 이러한 방법과 호환되지 않거나 상당한 계산 및 통신 오버헤드를 발생시키는 경우가 많다. 우리는 부호 기반 FL에 맞춘 경량의 정보 이론적 보안 집계 프레임워크를 제안한다. 이 프레임워크는 단일 라운드 보안 곱셈을 통해 다수결(MV) 다항식을 안전하게 계산하며, 정직한 과반수 가정 하에서 종단 간 정보 이론적 보안을 보장하면서 서버에는 최종 집계된 부호만 공개한다. 효율성과 확장성을 높이기 위해 두 가지 핵심 기법을 도입한다. 첫째, 역형(inverse-form) 지수 축소는 유효 MV 다항식 차수를 절반으로 줄여 통신 및 계산 비용을 모두 낮춘다. 둘째, 단일 라운드 보안 곱셈을 제안하여 단 한 번의 온라인 통신만으로 선형 오프라인 복잡도와 저장 공간을 달성한다. 이들 기법을 결합하면 기존 방식 대비 온라인 통신을 최대 99.5%, 지연 시간을 최대 85.7% 줄인다. 또한 내재된 MDS 코드 기반 디코딩을 활용하여 드롭아웃과 적대적 행동 모두에 대한 강건성을 달성하며, 각각 최대 20.65% 및 10.74%의 정확도 향상을 얻는다. 전반적으로, 제안된 프레임워크는 부호 기반 FL에서 대규모, 저지연, 정보 이론적 보안 집계를 위한 실용적 기반을 마련한다.
OrchNAS: 개인화 연합 엣지 지능을 위한 오케스트레이션 신경 아키텍처 탐색(NAS) 서비스
OrchNAS: Orchestrated Neural Architecture Search Service for Personalised Federated Edge Intelligence
본 논문은 OrchNAS를 제안한다. OrchNAS는 에너지 인식, 개인화, 연합 엣지 지능 프레임워크로, 신경 아키텍처 탐색(NAS) 서비스를 활용하여 이질적인 엣지 환경에 맞는 서비스 적응형 모델을 자동으로 설계한다. 이 프레임워크는 서버 측 NAS 서비스에서 아키텍처 탐색 과정을 조율하여, 엣지 서비스가 장치 수준의 에너지, 연산, 메모리 제약 하에서 개인화된 아키텍처를 도출할 수 있게 한다. 또한 이질적인 서비스 전반에 걸쳐 간결한 전역 표현을 학습하는 에너지 인식 전역 아키텍처 탐색 메커니즘을 도입한다. 점진적·탐욕적·에너지 인식 가지치기(pruning) 전략을 통해 각 서비스가 자원 제약을 만족하는 개인화된 서브넷을 도출할 수 있도록 하는 에너지 효율적 아키텍처 선택 메커니즘을 개발한다. 전역 표현을 보존하면서 서비스 적응형 매개변수를 갱신하는 에너지 효율적 개인화 모델 최적화(optimization) 방안을 제안하며, 원-듀얼(primal-dual) 최적화 메커니즘이 아키텍처 적응 과정에서 엄격한 에너지 예산을 강제한다. 실세계 및 벤치마크 데이터셋에서의 실험을 통해 제안 접근법의 효과를 입증한다.
PFAdapter: 개인화 연합 MLLM을 위한 계층적 LoRA 분해
PFAdapter: Hierarchical LoRA Decomposition for Personalized Federated MLLMs
에이전트형 AI 시스템은 네트워크 엣지에서 데이터 프라이버시를 유지하면서 협업 학습이 가능한 자율 지능형 에이전트를 배포함으로써 통신 및 네트워킹을 재편하고 있다. 분산 네트워크 환경에서 멀티모달 대규모 언어 모델(MLLM)은 엣지 디바이스의 인지 엔진 역할을 하지만, 연합 미세조정은 이질적인 네트워크 조건 하에서 전역 지식 집약과 로컬 적응의 균형을 맞추는 데 상당한 어려움이 있다. 기존 연합 프로토콜은 일반적으로 균일한 매개변수 집약에 의존하여, 도메인 불변 특징과 클라이언트별 세부 사항을 혼동하게 되고, 이로 인해 비최적의 개인화와 과도한 통신 오버헤드가 발생한다. 이러한 과제를 해결하기 위해, 우리는 글로벌-공유 및 로컬-프라이빗 구성 요소로 어댑터 매개변수를 명시적으로 분리하는 계층적 LoRA 분해를 도입한 통신 효율적 프레임워크 PFAdapter를 제안한다. 쿼리 및 키 투영은 네트워크 전반에 걸친 보편적 멀티모달 의미론을 포착하기 위해 전역 동기화에 할당되며, value 및 output 투영은 엣지별 적응을 위해 로컬에 유지된다. 또한 Frobenius norm 기반 직교성 정규화는 이러한 구성 요소 간의 엄격한 분리를 강제하여 중복 특징 학습을 방지한다. 선택적 집약 프로토콜은 연합 네트워크 전반에서 글로벌-공유 구성 요소만 동기화하여 로컬 전문성을 보존하고 통신 비용을 거의 50% 감소시킨다. VQA-RAD, SLAKE, Hateful Memes, CrisisMMD 데이터셋에 대한 광범위한 실험은 PFAdapter가 최신 베이스라인을 지속적으로 능가하며, 다양한 엣지 지능 과제에서 2.4%에서 4.8%에 이르는 정확도 향상을 달성함을 보여준다. 결과적으로, 우리의 프레임워크는 자원 제약이 있는 통신 네트워크에서 에이전트형 AI 배포를 위한 효율적인 솔루션을 제시한다.
에이전틱 사물인터넷: 폐루프 IoT 오케스트레이션을 위한 네트워크 AI 에이전트
Internet of Agentic Things: Networked AI Agents for Closed-Loop IoT Orchestration
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.
AI 네이티브 6G를 위한 JEPA: 예측적 표현과 미해결 과제
JEPA for AI-Native 6G: Predictive Representations and Open Challenges
6세대(6G) 네트워크는 학습 모듈이 무선 접속 네트워크(RAN), 에지, 코어 전반에 임베딩되는 AI 네이티브 운용 방식으로 이행하고 있다. 이러한 전환은 제한된 레이블, 이종(heterogeneous) 무선 및 네트워크 데이터, 부분 관측, 비정상(non-stationary) 전파, 지연 제약 제어 루프로부터의 학습을 필요로 한다. 결합 임베딩 예측 아키텍처(JEPA)는 원시 측정값을 재구성하거나 대조적 부정 샘플을 사용하는 대신 잠재 공간에서 누락되거나 미래의 표현을 예측하기 때문에 이러한 환경에 적합한 유망한 자기지도(self-supervised) 패러다임이다. 본 논문은 6G 인텔리전스를 위한 JEPA의 무선 지향 튜토리얼을 제시한다. JEPA 학습 메커니즘을 정의하고, CSI(채널 상태 정보), 빔 측정값, KPI, 토폴로지 그래프, 센싱 관측값을 토큰화 및 마스킹하는 방법을 설명하며, 학습된 인코더를 RAN, O-RAN, 에지, 코어 기능을 위한 예측적 표현 층으로 위치시키고 태스크별 헤드 또는 컨트롤러가 최종 결정을 생성하도록 한다. 이어서, 자기지도 사전학습 중 무선 인식 목표—구체적으로 보조적 미래 빔 에너지 목표—가 지도 학습 소스 도메인 대비 분포 이동된 배포 환경에서 레이블 효율성과 견고성을 향상시킬 수 있음을 시사하는 예시적 빔 관리 사례 연구를 제시한다. 마지막으로, 다중 시간 스케일 예측, 행동 조건부 모델링, 분산 학습, 신뢰성, 효율적 배포, 벤치마킹, 표준화에 관한 미해결 과제를 제시한다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.