연합학습 기반 모바일 엣지 컴퓨팅 오프로드 최적화

초록

본 논문은 연합학습(Federated Learning)을 활용해 모바일 디바이스의 작업을 로컬 실행 혹은 엣지 서버로 오프로드할지를 자동으로 판단하는 두 단계 의사결정 모델을 제안한다. 첫 단계에서는 작업의 계산량을 MLP로 예측하고, 두 번째 단계에서는 네트워크 상태를 LSTM으로 분석해 오프로드 여부를 결정한다. 또한, 데이터 양이 많은 디바이스를 위해 부분 데이터 오프로드와 대칭키 암호화를 결합한 안전한 부분 연합학습(FedOff) 프레임워크를 설계하였다. 실험 결과, 오프로드 판단 정확도 90% 이상, 부분 연합학습 전역 모델 정확도 98% 이상을 달성했으며, 계산 집약적 작업에서 응답 시간과 에너지 소비를 11~31% 감소시켰다.

상세 분석

이 연구는 모바일 엣지 컴퓨팅 환경에서 ‘언제 오프로드하고 언제 로컬에서 실행할 것인가’라는 핵심 문제를 두 단계의 연합학습 기반 의사결정 모델로 해결한다. 첫 번째 모델인 FLDec‑MLP는 작업 유형(예: 행렬 연산, 정렬, 탐색)과 입력 규모(예: 행렬 차원)를 입력으로 받아 작업이 계산 집약적인지 여부를 이진 분류한다. MLP를 선택한 이유는 비선형 경계가 존재하는 작업 분류에 적합하면서도 학습 데이터가 제한된 상황에서도 비교적 빠른 수렴을 보이기 때문이다. 두 번째 모델인 FLDec‑LSTM은 네트워크의 시간에 따라 변동하는 업링크/다운링크 트래픽, 지연, 처리량 등을 시계열 데이터로 받아 오프로드 결정을 내린다. LSTM을 사용함으로써 과거 네트워크 상태가 현재 결정에 미치는 영향을 효과적으로 포착한다. 연합학습 구조는 중앙 엣지 서버가 전역 모델을 주기적으로 집계하고, 각 디바이스는 로컬 데이터와 모델 업데이트만 교환한다는 점에서 프라이버시 보호와 통신 비용 절감이라는 두 마리 토끼를 잡는다.

부분 연합학습(FedOff)에서는 데이터 양이 많은 디바이스가 로컬 학습에 필요한 데이터 일부만 보유하고, 나머지는 대칭키 암호화 후 엣지 서버에 전송한다. 서버는 복호화된 데이터를 이용해 추가 학습을 수행하고, 로컬 모델 업데이트와 함께 전역 모델을 재집계한다. 암호화·복호화에 소요되는 시간은 전체 처리 시간에 0.05~0.16%만 추가되었으며, 이는 실시간 서비스에 큰 영향을 주지 않는다.

실험은 실제 모바일 디바이스와 엣지 서버를 이용한 프로토타입 환경에서 수행되었으며, 90% 이상의 오프로드 판단 정확도와 11~31%의 응답 시간·에너지 절감 효과를 확인했다. 특히 계산 집약적인 작업(예: 대규모 행렬 곱셈)에서 오프로드가 크게 유리함을 보였다. 부분 연합학습에서는 전역 모델 정확도가 98%를 초과했으며, 이는 데이터 분할·암호화에도 불구하고 모델 성능이 크게 저하되지 않음을 의미한다.

이 논문의 주요 기여는 (1) 연합학습을 이용한 두 단계 의사결정 프레임워크 설계, (2) 동적 네트워크 환경에 적합한 LSTM 기반 오프로드 판단, (3) 데이터 양이 큰 디바이스를 위한 안전한 부분 연합학습 메커니즘, (4) 실제 환경에서의 종합적인 성능 평가이다. 한계점으로는 모델 학습에 필요한 라운드 수가 증가하면 초기 지연이 발생할 수 있고, 대칭키 관리가 스케일링 시 복잡해질 수 있다는 점이다. 향후 연구에서는 라운드 수를 최소화하는 효율적인 집계 알고리즘과 키 관리 자동화 방안을 탐색할 필요가 있다.