태양 에너지 수집형 엣지 AIoT 환경에서 엣지 장치의 에너지를 고려한 효율적인 분산 학습 방법

Abstract

태양 에너지 수집형 IoT 장치는 태양 에너지를 주기적으로 수집하여 에너지를 공급할 수 있으므로 배터리 기반 IoT 장치의 에너지 제한 문제를 근본적으로 해결할 수 있으나, 에너지 수집량의 변화로 인하여 신중한 에너지 소모 정책을 요구한다. 한편, 엣지 AIoT 시스템의 데이터 학습은 대부분 엣지 서버와 같은 상위 장치에서 중앙집중형으로 담당하고 있는데, 이 경우 실시간성의 저하, 컴퓨팅 과부하, 네트워크 트래픽 등의 데이터 처리 비용 증가 문제가 발생할 수 있다. 최근 가벼운 학습을 수행할 수 있을 만한 성능의 엣지 장치가 나오게 되면서, 위와 같은 문제를 해결하고자 각 엣지 노드들에서 각각 작은 학습을 수행하고, 그 결과를 주변 노드들과 공유하여 점진적으로 협력함으로써 학습의 질과 성능을 높이는 AI 분산 학습 모델이 주목 받고 있다. 그러나 이러한 분산 모델에서는 엣지 노드들의 에너지가 더욱 부족해질 수 있고, 따라 전체 학습 속도가 현저히 감소되고, 동시에 IoT 네트워크의 수명이 기하급수적으로 감소되는, 낙오자 노드라 불리는 문제가 발생할 수 있다. 본 논문에서는 이러한 연구 배경을 기반으로 태양 에너지 수집형 장치들로 구성된 AIoT 환경에서 효율적인 AI 분산 학습을 위하여, 낙오자 노드의 발생을 최대한 방지하기 위한 기법을 제안한다. 제안 기법은 응용이 요구하는 추론의 최소 정확도는 유지하면서, 각 노드의 수집 에너지 상황에 맞게 학습 정확도를 조절하여 에너지 소모를 적응시키는 근사 컴퓨팅 기법이다. 다양한 근사 컴퓨팅 기법 중 본 연구에서는 센싱 데이터 중 샘플링되는 데이터의 크기를 조절하여 정확도를 조절하는 데이터 수준 근사 기법을 사용한다. 실험 결과, 제안 기법이 각 노드의 응용 요구 정확도를 충족시키면서, 낙오자 노드의 수를 현저히 감소시킴을 확인할 수 있다.