모바일 애드혹 클라우드 기반 자동 영상 감시 인프라

초록

본 논문은 실시간 영상·이미지 처리에 필요한 대용량 연산·저장 자원을 모바일 기기들 간에 공유하도록 설계된 모바일 애드혹 클라우드(MA-CC)와 Wi‑Fi Direct 기반 네트워킹 인프라를 제시한다. 그룹 내·외 다중 홉 라우팅을 지원하는 라우팅 계층과 에너지 효율적인 실시간 작업 할당 알고리즘을 구현했으며, 삼성 스마트폰을 이용한 프로토타입 실험을 통해 성능 및 전력 절감 효과를 검증하였다.

상세 분석

이 연구는 모바일 자동 영상 감시 시스템이 요구하는 고속 실시간 영상 분석을 모바일 환경에서 구현하기 위한 근본적인 문제를 두 가지 축으로 접근한다. 첫 번째는 물리적 제약이 큰 스마트폰들 사이에서 고속·안정적인 데이터 전송을 보장하는 네트워킹 계층이며, 두 번째는 제한된 배터리 용량을 고려한 작업 스케줄링·자원 할당 메커니즘이다. 논문은 Wi‑Fi Direct를 기반으로 하는 애드혹 네트워크를 선택한 이유를 상세히 설명한다. Wi‑Fi Direct는 기존 인프라 없이도 P2P 연결을 지원하고, 그룹 오너( GO )를 중심으로 다중 디바이스를 연결할 수 있어 클라우드 노드 역할을 수행하기에 적합하다. 그러나 표준 Wi‑Fi Direct는 그룹 내 단일 홉 통신만을 지원하므로, 저자들은 그룹 내부 라우팅 테이블과 그룹 간 다중 홉 라우팅 프로토콜을 자체 설계하였다. 라우팅 계층은 (1) GO 선정 및 그룹 관리, (2) 인터‑그룹 브리지 디바이스 탐색, (3) AODV‑유사 경로 탐색 및 유지, (4) 패킷 재전송·우선순위 제어의 네 단계로 구성된다. 이를 통해 영상 프레임 스트림이 여러 홉을 거쳐도 평균 지연이 150 ms 이하로 유지되는 것을 실험적으로 확인했다.

두 번째 핵심 기여는 에너지 효율적인 실시간 작업 할당 스킴이다. 저자들은 작업을 ‘영상 전처리’, ‘객체 검출’, ‘행동 인식’ 등 세 단계로 분류하고, 각 단계별 연산량·메모리 요구량을 사전 프로파일링하였다. 이후 디바이스의 현재 배터리 잔량, CPU 부하, 네트워크 대역폭을 실시간으로 수집하고, 다중 목표 최적화(Multi‑Objective Optimization) 모델을 적용해 (1) 전체 처리 지연 최소화, (2) 전력 소비 균등화, (3) 네트워크 혼잡 최소화를 동시에 만족하는 작업 매핑을 도출한다. 구체적으로는 파레토 최적해 집합을 구한 뒤, 현재 배터리 수준에 가중치를 부여해 최적 솔루션을 선택한다. 실험 결과, 기존 라운드 로빈 방식 대비 평균 전력 소모가 27 % 감소하고, 프레임 처리율은 1.4배 향상되었다.

시스템 구현은 Wi‑Fi Direct를 지원하는 삼성 갤럭시 S9, S10 모델을 사용했으며, 안드로이드 기반 네이티브 모듈과 JNI를 통해 OpenCV 기반 영상 처리 파이프라인을 실행한다. 각 디바이스는 안드로이드 서비스 형태로 라우팅·자원 관리 모듈을 구동하고, MQTT 프로토콜을 이용해 상태 정보를 교환한다. 프로토타입은 5대의 디바이스로 구성된 두 개의 그룹(각 3대, 2대) 사이에서 다중 홉 전송을 수행했으며, 실험 시나리오는 (1) 정적 감시(고정 카메라), (2) 이동형 카메라(드론) 두 경우로 나뉘었다. 정적 시나리오에서는 평균 프레임 지연이 112 ms, 전력 소모가 1.8 W였으며, 이동형 시나리오에서는 네트워크 재구성에 따른 라우팅 재계산 오버헤드가 18 ms 정도 추가되었지만 전체 시스템 안정성은 유지되었다.

이 논문의 강점은 실제 모바일 디바이스를 활용한 엔드‑투‑엔드 구현과, 에너지·성능을 동시에 고려한 자원 할당 알고리즘을 제시한 점이다. 다만, Wi‑Fi Direct의 전송 거리 제한과 간헐적인 채널 간섭 문제는 여전히 시스템 확장성에 제약을 남긴다. 또한, 현재 구현은 비교적 작은 규모(5~8대)에서 검증되었으므로, 대규모 애드혹 클라우드 환경에서의 스케일링 성능 및 보안 메커니즘에 대한 추가 연구가 필요하다.