차량 네트워크를 위한 의미 기반 분할 연합 학습

초록

본 논문은 차량 엣지 인텔리전스(VEI) 환경에서 발생하는 통신 과부하와 라벨 프라이버시 문제를 해결하고자, 의미 통신을 결합한 U‑Shape 분할 연합 학습(SC‑USFL) 프레임워크를 제안한다. 사전 학습된 인코더·디코더를 고정하고, 네트워크 상태 모니터(NSM)를 통해 실시간 채널 변동에 맞춰 압축률을 조절함으로써, 업링크 전송량을 크게 감소시키면서도 학습 성능과 프라이버시 보호를 동시에 달성한다.

상세 분석

SC‑USFL은 기존 SFL이 안고 있던 두 가지 핵심 병목, 즉 고차원 중간 특징 전송에 따른 대역폭 소모와 라벨 정보 노출 위험을 동시에 해소한다. 첫 번째로, 의미 통신 모듈(SCM)은 Deep JSCC 기반의 엔코더‑디코더를 활용해 차량 단말에서 추출된 중간 특징을 ‘태스크‑레벨 의미’만 남기도록 압축한다. 이때 인코더와 디코더는 사전 학습된 모델을 파라미터 고정 방식으로 사용함으로써 학습 과정에서 추가적인 연산 부하와 통신 오버헤드를 방지한다. 압축된 의미 벡터는 전통적인 비트‑레벨 전송보다 훨씬 작은 패킷 크기를 가지며, 채널 잡음에 대한 내성을 높이는 JSCC 특성 덕분에 전송 오류가 학습 성능에 미치는 영향을 최소화한다. 두 번째로, U‑Shape 구조는 클라이언트 측에 모델의 앞부분(헤드)과 뒤부분(테일)을 모두 보유하게 하여, 라벨과 손실 함수 계산을 로컬에서 수행한다. 이는 라벨이 서버로 전송되지 않으므로 라벨 프라이버시가 자연스럽게 보장된다.

네트워크 상태 모니터(NSM)는 차량의 현재 채널 품질, 가용 대역폭, 전력 상태 등을 실시간으로 수집하고, 이를 기반으로 압축률(또는 전송 비트율)을 동적으로 조정한다. 예를 들어, 채널 SNR이 낮아지면 압축률을 낮춰(즉, 전송 비트를 늘려) 의미 손실을 최소화하고, 반대로 채널이 양호하면 압축률을 높여 전송량을 최소화한다. 이러한 적응형 제어는 차량 네트워크의 고속 이동성과 급격한 채널 변동성을 효과적으로 완화한다.

성능 평가에서는 전통적인 SFL 대비 평균 65 % 이상의 업링크 트래픽 감소와 0.8 % 이하의 정확도 손실을 기록했으며, 라벨 프라이버시 측면에서도 기존 SFL이 노출시키는 라벨 정보 대비 99 % 이상의 보호율을 달성했다. 또한, NSM 기반 압축률 조정이 적용된 경우와 그렇지 않은 경우를 비교했을 때, 평균 지연이 30 ms 이하로 유지되면서도 학습 수렴 속도가 크게 저하되지 않는 것을 확인했다.

이 논문이 제시하는 SC‑USFL은 의미 통신과 분할 연합 학습을 결합함으로써, VEI 시스템에서 요구되는 저지연·저대역·고프라이버시라는 삼중 목표를 동시에 만족시키는 실용적인 설계 패러다임을 제공한다. 향후 연구 과제로는 다중 태스크 동시 학습, 비동기식 클라이언트 참여, 그리고 보다 경량화된 JSCC 모델 설계 등이 제시된다.