한계 대역폭을 넘어서는 의미 기반 멀티태스크 오프로드 최적화

초록

본 논문은 모바일 엣지 컴퓨팅(MEC) 환경에서 다중 모달리티 작업을 의미 추출을 통해 압축하고, 전송·연산·작업 성능 간의 트레이드오프를 고려한 QoE 기반 자원 할당 프레임워크를 제안한다. 마르코프 의사결정 과정(MDP)으로 문제를 모델링하고, 다중 에이전트 근접 정책 최적화(MAPPO) 알고리즘을 이용해 의미 압축 비율, 통신·컴퓨팅 자원을 공동 최적화함으로써 기존 의미 비인식 방식 대비 지연 18 %·에너지 13 % 절감 효과를 보인다.

상세 분석

이 연구는 기존 MEC 연구가 주로 전송 지연 혹은 에너지 최소화에 초점을 맞추는 반면, 데이터 양이 방대하고 다중 모달리티를 포함하는 최신 서비스(예: VQA, XR)에서는 작업 성능 자체가 QoE에 큰 영향을 미친다는 점을 강조한다. 이를 위해 저자들은 ‘의미 추출 계수(semantic extraction factor)’라는 새로운 제어 변수를 도입한다. 이 계수는 원본 데이터에서 작업에 필수적인 의미 정보만을 추출해 압축률을 조절하며, 압축률이 높을수록 전송량은 감소하지만 의미 손실로 인한 작업 정확도가 저하될 수 있다. 따라서 전송 지연, 연산 에너지, 그리고 작업 성능(정확도·품질) 사이의 복합적인 상관관계를 수식화하였다.

QoE 메트릭은 세 가지 요소를 로지스틱 정규화 후 가중합 형태로 통합한다. 가중치는 사용자 선호도(지연 우선, 에너지 절감, 성능 중시)를 반영하도록 설계돼, 개별 사용자 맞춤형 서비스 제공이 가능하도록 했다. 이와 같은 통합 QoE는 다중 모달리티 작업마다 평가 기준이 다르다는 문제를 해결하기 위해 ‘통일된 로지스틱 함수’를 적용, 서로 다른 스케일의 지표들을 동일한 0~1 구간으로 매핑한다.

문제 최적화는 MDP로 정의하고, 상태는 각 UE의 작업 크기, 채널 상태, 현재 자원 할당 상황을 포함한다. 행동은 (1) 의미 추출 비율 선택, (2) 전송 채널 및 전력 할당, (3) 엣지 서버의 컴퓨팅 자원 배분이다. 보상은 바로 앞에서 정의한 QoE 값이며, 장기 기대 보상을 최대화하는 정책을 학습한다. 여기서 다중 에이전트 근접 정책 최적화(MAPPO)를 채택한 이유는 각 UE가 독립적인 에이전트로 동작하면서도 공동 보상을 공유함으로써 자원 경쟁을 완화하고, 연속적인 행동 공간(전력, 대역폭)과 이산적인 행동 공간(의미 압축 레벨)을 동시에 다룰 수 있기 때문이다.

실험에서는 이미지 분류, 텍스트 분류, 시각 질문 응답(VQA) 세 가지 모달리티를 대상으로, 의미 비인식 기준선과 비교해 평균 QoE가 12.68 % 향상됨을 보였다. 특히 VQA와 같이 연산량·데이터량이 큰 작업에서 전송량을 30 % 이상 감소시키면서도 정확도 저하를 2 % 이하로 억제, 전체 지연을 18 % 단축하고 에너지 소비를 13 % 절감했다. 또한 사용자 선호 파라미터를 변화시켜 지연 중심, 에너지 중심, 성능 중심 정책을 각각 구현했으며, 모두 목표 지표에서 기대한 개선을 달성했다.

이 논문의 주요 기여는 (1) 의미 압축을 자원 할당 변수에 포함시킨 최초의 프레임워크, (2) 다중 모달리티 작업을 공정하게 평가할 수 있는 통합 QoE 설계, (3) 연속·이산 행동을 동시에 다루는 MAPPO 기반 공동 최적화 알고리즘이다. 한계점으로는 의미 추출 모델이 사전 학습된 상태에 의존한다는 점과, 실시간 채널 변동이 급격한 환경에서 정책 재학습 비용이 발생할 수 있다는 점을 들 수 있다. 향후 연구에서는 온디바이스 경량 의미 인코더 설계와, 메타‑강화학습을 통한 빠른 정책 전이 기법을 탐색할 여지가 있다.