CARGO 탄소 인식 가십 오케스트레이션 기반 스마트 해운

본 논문은 스마트 해운 분야에서 협업 인공지능을 적용하기 위한 새로운 시스템 설계인 CARGO를 제시한다. 기존의 서버‑중심 연합 학습(Federated Learning, FL)은 중앙 집계 서버가 항상 접근 가능하고, 라운드마다 전역 동기화가 이루어져야 한다는 전제에 의존한다. 그러나 선박 간 통신은 해상 이동성, 위성·무선·포트 기반 다양한 백홀, 그리고 상업적 민감성으로 인해 간헐적이고 불안정하며, 중앙 서버에 대한 지속적인 접근이 보장되지 않는다. 이러한 환경에서는 서버리스 가십(gossip) 방식이 자연스러운 선택이지만, 기존 가십 기반 분산 학습은 주로 통신량을 최소화하거나 수렴 속도를 높이는 최적화 문제에만 초점을 맞추고, 탄소 배출, 신뢰성, 장기 참여 공정성 등 운영적 제약을 동시에 고려하지 않는다. CARGO는 학습을 두 개의 평면, 즉 **제어면(Control Plane)**과 **데이터면(Data Plane)**으로 분리한다. 데이터면에서는 기존 D‑PSGD, SGP, CHOCO‑SGD와 같은 가십 기반 알고리즘을 그대로 사용하면서, 압축(양자화·희소화)과 오류 보상 메커니즘을 적용해 전송량을 줄인다. 제어면은 매 라운드마다 다음 네 가지 결정을 내린다. ① **참여 선박 선택** – 각 선박의 예측 유틸리티(최근 로컬 손실 감소율), 탄소·에너지 비용, 과거 참여 빈도 등을 종합해 라운드에 참여시킬지를 판단한다. ② **통신 링크 활성화** – 시간에 따라 변하는 그래프 Gₜ(V,Eₜ)에서 현재 가용한 피어 중, 링크 신뢰도(패킷 손실률)와 탄소 인텐시티를 고려해 선택된 링크만을 활성화한다. ③ **압축 강도 조절** – 탄소 비용이 높은 구간에서는 높은 압축률(예: 8‑bit 양자화·80 % 희소화)을 적용하고, 저탄소 구간에서는 낮은 압축률을 사용해 정확도 손실을 최소화한다. ④ **복구·재동기화 트리거** – 패킷 손실이 연속적으로 발생하거나 특정 선박이 장시간 오프라인 상태가 되면, 재동기화 라운드를 강제해 모델 일관성을 회복한다. 이러한 의사결정은 **컴팩트 텔레메트리**를 통해 이루어진다. 텔레메트리는 (a) **예측 유틸리티** – 최근 로컬 경사·손실 감소량, (b) **탄소·에너지 비용** – 선박별 전력 소비·탄소 인텐시티 cₜ(i) 추정, (c) **참여 이력** – 과거 라운드 참여 횟수·성공률을 포함한다. 텔레메트리는 라운드마다 몇 백 바이트 수준으로 압축 전송되며, 제어면은 이를 기반으로 다목적 최적화(정확도·탄소·공정성) 문제를 근사적으로 해결한다. 구체적인 최적화는 라그랑주 승수법을 이용한 휴리스틱으로 구현되며, 실시간 연산 비용을 최소화한다. 논문은 **실증 평가**를 위해 두 가지 주요 구성 요소를 구축했다. 첫째, 실제 대형 벌크 캐리어 엔진 센서 데이터(수천 개 샘플, 온도·압력·진동 등 다중 채널)를 이용해 고장 예측 모델을 학습한다. 둘째, 선박 이동 경로와 포트 체류·통신 로그를 기반으로 한 **트레이스‑드리븐 해상 통신 프로토콜**을 설계했다. 이 프로토콜은 (i) 클라이언트 드롭아웃, (ii) 부분 참여, (iii) 패킷 손실, (iv) 다중 연결 레짐(위성, 근해 무선, 포트 LAN) 등을 시뮬레이션한다. 다양한 스트레스 시나리오(예: 고탄소 구간에서의 연속 전송, 30 % 패킷 손실, 50 % 선박 장기 오프라인)에서 CARGO와 기존 베이스라인(Decentralized Parallel SGD, GossipFL, Soft‑DSGD 등)을 비교하였다. 실험 결과는 다음과 같다. CARGO는 **정확도** 면에서 모든 베이스라인과 0.2 % 이내의 차이만을 보이며, **탄소 발자국**을 평균 12 % 감소시켰다. 또한 **통신량**은 평균 18 % 줄었으며, 특히 탄소 인텐시티가 높은 위성 구간에서 압축률을 4배까지 높여 전송량을 크게 억제했다. 참여 공정성 지표(라운드당 평균 참여 횟수의 표준편차)에서도 CARGO는 기존 방법보다 30 % 이상 균등하게 참여를 분산시켰다. 복구 메커니즘 덕분에 장기 오프라인 선박이 재참여할 때 모델 일관성이 빠르게 회복되었으며, 전체 수렴 시간은 베이스라인 대비 5 % 정도 증가했지만, 이는 탄소·통신 절감 효과와 비교해 충분히 허용 가능한 수준으로 평가된다. 마지막으로 논문은 **시스템 구현 가능성**을 논의한다. 제어면은 선박 내 저전력 엣지 컴퓨팅 장치(예: ARM 기반 SBC)에서 실행 가능하도록 설계되었으며, 텔레메트리와 제어 정책은 gRPC 기반 경량 프로토콜로 교환된다. 또한, 탄소 인텐시티 추정은 선박 엔진 관리 시스템(EMS)에서 제공하는 실시간 전력·연료 소비 데이터를 활용한다. 따라서 CARGO는 현재 스마트 해운 인프라와 호환 가능하며, 향후 실제 선박에 적용해 파일럿 테스트를 진행할 수 있는 수준이다. 요약하면, CARGO는 **탄소‑인식, 신뢰‑중심, 공정‑참여**라는 세 축을 동시에 만족시키는 서버리스 가십 오케스트레이션 프레임워크로, 스마트 해운에서 협업 AI를 실용적으로 구현하기 위한 중요한 첫걸음이다.