Edge Computing 이란?

Edge Computing

엣지 컴퓨팅(Edge Computing)이란? 개념, 사용 방법 및 사례

 엣지 컴퓨팅은 사용자 또는 데이터 소스의 물리적인 위치나 그 근처에서 컴퓨팅을 수행하는 것을 말합니다. 사용자의 단말 장치와 가까운 위치에서 컴퓨팅 서비스를 처리하면 사용자는 더 빠르고 안정적인 서비스를 제공받게 되며 기업은 유연한 하이브리드 클라우드 컴퓨팅의 이점을 얻을 수 있습니다. 엣지 컴퓨팅은 기업이 여러 위치에서 공통의 리소스 풀을 사용하여 데이터 연산 및 처리를 분산시키는 방법 중 하나입니다.

많은 엣지 활용 사례는 데이터를 로컬에서 실시간으로 처리해야 하는 상황에서 발생합니다. 데이터를 처리하기 위해 데이터센터로 전송하면 대기 시간이 지나치게 길어지기 때문입니다.

실시간 데이터 처리의 필요성으로 인해 촉진된 엣지 컴퓨팅의 사례로는 현대적인 제조 공장이 있습니다. 작업 현장에서는 사물 인터넷(IoT) 센서가 가동 중단을 방지하고 운영을 개선하는 데 사용할 수 있는 지속적인 데이터 스트림을 생성합니다. 2,000대의 장비를 보유한 현대적인 공장에서 매월 2,200테라바이트의 데이터가 생성되는 것으로 추정됩니다. 이렇게 수집한 데이터를 먼저 원격 데이터센터로 전송하는 것보다는 장비 근처에서 처리하는 것이 더 빠르고 비용도 적게 듭니다. 그래도 중앙집중식 데이터 플랫폼을 통해 장비를 연결하는 것이 좋습니다. 그래야 장비에서 표준화된 소프트웨어 업데이트를 수신하고 다른 공장 위치의 운영을 개선하는 데 도움이 되는 필터링된 데이터를 공유할 수 있기 때문입니다.

커넥티드 차량은 엣지 컴퓨팅의 또 다른 흔한 사례입니다. 버스와 기차는 승객 흐름 및 서비스 전달을 추적하기 위해 컴퓨터를 싣고 달립니다. 배송 기사는 트럭에 탑승한 채로 이 기술을 이용해 가장 효율적인 경로를 찾을 수 있습니다. 엣지 컴퓨팅 전략을 사용해 배포된 각 차량은 나머지 차량군과 동일한 표준 플랫폼을 실행함으로써 서비스의 신뢰성을 높이고 데이터를 일관되게 보호할 수 있습니다.

여기서 한 단계 더 나아간 것이 바로 자율 주행 차량입니다. 이는 엣지 컴퓨팅의 또 다른 사례로, 연결이 고르지 않을 경우 대량의 실시간 데이터를 처리하는 과정이 수반됩니다. 엄청난 양의 데이터로 인한 대기 시간을 줄이기 위해 자율 주행 차량은 센서 데이터를 차량에서 자체적으로 처리합니다. 하지만 무선(OTA) 소프트웨어 업데이트를 위해 중앙 위치와 계속 연결할 수 있어야 합니다.

엣지 컴퓨팅은 인기 있는 인터넷 서비스의 빠른 실행 속도를 유지하는 데에도 도움이 됩니다. 콘텐츠 전송 네트워크(CDN)는 사용자와 가까운 곳에 데이터 서버를 배포하여 트래픽이 많은 웹사이트가 빨리 표시되고 동영상 스트리밍 서비스가 신속히 제공되도록 지원합니다.

또 다른 엣지 컴퓨팅 사례는 근처의 5G 기지국에서도 찾을 수 있습니다. 통신사가 네트워크 엣지의 표준 하드웨어에서 실행되는 가상 머신을 사용해 네트워크 기능 가상화(NFV)로 자체 네트워크를 운영하는 경우가 갈수록 늘어나고 있습니다. 이러한 가상 머신은 값비싼 독점 장비를 대체할 수 있습니다. 엣지 컴퓨팅 전략을 통해 제공업체는 수만 곳의 원격 위치에 있는 소프트웨어를 모두 균일한 보안 표준에 따라 일관되게 실행할 수 있습니다. 또한 애플리케이션을 모바일 네트워크의 최종 사용자 가까이에서 실행하면 대기 시간이 단축되고 제공업체가 새로운 서비스를 제공할 수 있습니다.

📍 엣지 컴퓨팅은 사용자 또는 데이터 소스의 근처에서 컴퓨팅을 수행하여 빠르고 안정적인 서비스를 제공하며,
데이터 처리의 효율성을 높이는 중요한 전략이다

IOT Edge Computong

IoT 엣지 컴퓨팅이란?

 사물 인터넷(IoT)는 네트워크에 연결된 스마트 장치로 구성되며, 다른 장치와 대량의 데이터를 주고받으며 처리하고 분석할 대량의 데이터를 생성합니다.

데이터를 수집하거나 사용하는 위치에서 컴퓨팅하는 전략인 엣지 컴퓨팅을 사용하면 데이터를 데이터센터나 클라우드로 다시 보내는 대신 엣지에서 IoT 데이터를 수집하고 처리할 수 있습니다.

IoT와 엣지 컴퓨팅은 실시간으로 데이터를 신속하게 분석할 수 있는 강력한 방법입니다.

IoT 및 엣지 컴퓨팅

 사물인터넷(IoT)은 실제 오브젝트를 인터넷에 연결하는 프로세스입니다. IoT 기기는 수동 작업 없이 네트워크를 통해 데이터를 송수신하는 물리적 기기 또는 하드웨어로, 일반적인 IoT 시스템은 피드백 루프에서 데이터를 지속적으로 전송, 수신 및 분석하며, 거의 실시간으로 또는 장기간에 걸쳐 사람이 조작하거나 인공 지능 및 머신 러닝(AI/ML)을 통해 분석할 수 있습니다.

스마트라는 단어는 일반적으로 IoT를 의미합니다. 예를 들어 자율주행 자동차, 스마트 홈, 스마트워치, 가상 및 증강 현실, 산업용 IoT를 생각해 보십시오.

엣지 컴퓨팅은 사용자 또는 데이터 소스의 물리적인 위치나 그 근처에서 이루어집니다. 컴퓨팅 서비스를 이러한 위치에 가까이 배치하므로 사용자는 더 빠르고 안정적인 서비스와 함께 더 나은 사용자 경험을 누릴 수 있습니다. 기업에서는 대기 시간에 민감한 애플리케이션을 더욱 원활하게 지원하고 트렌드를 파악하고 제품 및 서비스를 개선할 수 있습니다.

엣지 컴퓨팅을 통해 기업은 다양한 위치에서 공통 리소스 풀을 사용하고 배포하여, 중앙화된 인프라 확장을 통해 증가하는 기기와 데이터를 처리할 수 있습니다.

IoT 기기와 엣지 기기의 차이점

 엣지 기기는 네트워크 엣지의 원격 위치에 있는 물리적 하드웨어입니다. 네트워크의 다른 부분에서 제한적인 도움만을 받는 상태에서 거의 실시간으로 데이터를 수집, 처리, 실행할 수 있을 만큼 충분한 메모리, 프로세싱 성능, 컴퓨팅 리소스를 갖추고 있습니다.

IoT 기기는 인터넷에 연결되어 있으며 데이터소스인 물리적 오브젝트를 뜻하며 , 데이터가 수집 및 처리되는 위치가 바로 엣지 기기입니다.

짧은 대기 시간(밀리초) 안에 의사 결정을 내리고 데이터를 처리할 수 있을 정도로 충분한 스토리지와 컴퓨팅 성능을 갖추고 있는 엣지 기기는 IoT의 일부로 간주될 수 있습니다.

IoT 기기와 엣지 기기라는 용어는 같은 의미로 사용되기도 합니다.

📍 IOT는 다른장치와 대량의 데이터를 주고 받으며 처리하고 분석하며 여기서 데이터를 수집하거나 
사용하는 위치(엣지)에서 처리하면 IOT 엣지 컴퓨팅이라고 할 수 있다.

IoT 및 엣지 컴퓨팅 활용 사례

 자율 주행 차량은 IoT 솔루션과 엣지 컴퓨팅이 연동되어야 하는 이유를 잘 설명해주는 예시입니다. 도로 위를 달리는 자율 주행 차량은 교통량, 보행자, 도로 표지판, 교통 신호등과 같은 실시간 데이터를 수집 및 처리하고 차량 시스템을 모니터링해야 합니다. 차량이 사고를 피하기 위해 급정거하나 빠르게 방향을 전환해야 하는 경우, 차량과 클라우드가 데이터를 주고 받으며 처리하기에는 너무 오랜 시간이 걸립니다. 엣지 컴퓨팅은 클라우드 컴퓨팅 서비스를 차량으로 가져와 차량의 IoT 센서가 로컬에서 데이터를 실시간으로 처리해 사고를 피할 수 있도록 지원합니다.

Edge Computing with GNN 관련 논문

• Brief Industry Paper: optimizing Memory Efficiency of Graph Neural Networks on Edge Computing Platforms
  • 간략한 산업 논문: 엣지 컴퓨팅 플랫폼에서 그래프 신경망의 메모리 효율성 최적화하기
  • IEEE 2021, 11회 인용
  • 📍 Abstract
    • 그래프 신경망(GNN)은 다양한 산업 작업에서 최첨단 성능을 달성했습니다. 그러나 GNN 추론의 낮은 효율성과 빈번한 메모리 부족(OOM) 문제로 인해 엣지 컴퓨팅 플랫폼에서 GNN을 성공적으로 적용하는 데 한계가 있습니다. 이러한 문제를 해결하기 위해 GNN 추론의 메모리 효율 최적화를 위한 특징 분해 접근법을 제안합니다. 제안된 접근 방식은 광범위한 데이터 세트를 포괄하는 다양한 GNN 모델에서 뛰어난 최적화를 달성하여 추론 속도를 최대 3배까지 높일 수 있습니다. 또한, 제안된 특징 분해는 피크 메모리 사용량을 크게 줄이고(메모리 효율성 최대 5배 향상), GNN 추론 중 OOM 문제를 완화할 수 있습니다.
•  
• Knowledge Graph and GNN-Based News Recommendation Algorithm With Edge Computing Support(유료..?)
  • 엣지 컴퓨팅을 지원하는 지식 그래프 및 GNN 기반 뉴스 추천 알고리즘
  • IGI 2022, 1회 인용
  • 📍 Abstract
    • 현재 다양한 미디어 웹사이트의 뉴스 정보는 측정된 데이터 정보에서 만족스러운 뉴스 콘텐츠를 얻기가 매우 어렵다는 심각한 문제를 안고 있습니다. 사용자 경험을 개선하기 위해 뉴스 추천에 대한 연구가 진행되어 왔습니다. 그럼에도 불구하고 뉴스 정보가 폭발적으로 증가하는 양상을 보이고 있어 이에 대한 개선이 필요한 상황입니다. 따라서 본 논문에서는 엣지 컴퓨팅을 고려한 지식그래프와 그래프 신경망(GNN) 기반의 뉴스 추천 알고리즘을 연구합니다. 먼저 지식 추출을 위해 지식 그래프를 사용합니다. 그리고 추출된 특징들을 GNN으로 학습시켜 뉴스 추천 알고리즘을 완성합니다. 마지막으로 엣지 컴퓨팅은 뉴스 추천 연산을 위해 대량의 트래픽을 엣지 서버로 오프로드하는 데 사용됩니다. 제안한 알고리즘은 두 가지 기준선에 비해 정확도는 각각 2.73%, 9.94% 향상되고 응답 시간은 각각 84.27%, 87.58% 단축되는 등 효율성이 향상되었습니다.
• Knowledge Graph and GNN-Based News Recommendation Algorithm With Edge Computing Support
• Branchy-GNN: A Device-Edge Co-Inference Framework for Efficient Point Cloud Processing
  • Branchy-GNN: 효율적인 포인트 클라우드 처리를 위한 디바이스-엣지 공동 추론 프레임워크
  • IEEE 2021 21회 인용
  • 📍 Abstract
    • 최근 3차원(3D) 데이터 수집 장치의 발전으로 포인트 클라우드 데이터 처리에 의존하는 새로운 유형의 애플리케이션이 등장했습니다. 그러나 대량의 포인트 클라우드 데이터를 처리하면 리소스가 제한된 모바일 기기에 상당한 워크로드가 발생하여 기기의 잠재력을 최대한 발휘하지 못하게 됩니다. 엣지 디바이스가 중간 특징을 추출하여 엣지 서버로 전송하여 추가 처리하는 디바이스-엣지 공동 추론이라는 새로운 패러다임에 기반하여, 엣지 컴퓨팅 플랫폼을 활용하여 효율적인 그래프 신경망(GNN) 기반 포인트 클라우드 처리를 위한 Branchy-GNN을 제안합니다. Branchy-GNN은 디바이스 내 연산 비용을 줄이기 위해 분기 네트워크를 추가하여 조기 종료합니다. 또한 통신 오버헤드를 줄이기 위해 중간 특징 압축을 위해 학습 기반 공동 소스-채널 코딩(JSCC)을 사용합니다. 실험 결과, 제안한 Branchy-GNN은 여러 벤치마크 방법과 비교했을 때 상당한 지연 시간 단축을 보장합니다.
•  
• AI-based fog and edge computing: A systematic review, taxonomy and future directions
  • AI 기반 포그 및 엣지 컴퓨팅: 체계적인 검토, 분류 및 향후 방향
  • Internet of Things, 2022, 23회 인용
  • 📍 Abstract
    • 컴퓨팅에서 리소스 관리는 순차적인 의사결정이 수반되는 매우 까다로운 문제입니다. 리소스 제한, 리소스 이질성, 워크로드의 동적이고 다양한 특성, 포그/엣지 컴퓨팅 환경의 예측 불가능성 등으로 인해 포그 환경에서는 리소스 관리가 더욱 어려워졌습니다. 최근에는 이러한 문제를 해결하기 위해 인공지능(AI) 및 머신러닝(ML) 기반 솔루션이 도입되고 있습니다. 강화 학습과 같이 순차적인 의사 결정을 내릴 수 있는 기능을 갖춘 AI/ML 방법이 이러한 유형의 문제에 가장 유망해 보입니다. 그러나 이러한 알고리즘에는 높은 분산, 설명 가능성, 온라인 교육과 같은 고유한 과제가 있습니다. 지속적으로 변화하는 포그/엣지 환경의 역학 관계는 변화하는 컴퓨팅 환경을 수용하여 온라인으로 학습하는 솔루션이 필요합니다. 본 논문에서는 포그/엣지 컴퓨팅 환경에서의 리소스 관리를 위한 AI/ML 알고리즘의 역할과 이러한 알고리즘의 적용 가능성에 대한 과제를 분석하기 위해 표준 문헌고찰 방법론을 사용하여 체계적 문헌고찰(SLR)을 수행했습니다. 또한 엣지 AI 관리를 위한 다양한 머신러닝, 딥러닝, 강화학습 기법에 대해 논의했습니다. 또한, AI/ML 기반 포그/엣지 컴퓨팅의 배경과 현황을 소개했습니다. 또한, 포그/엣지 컴퓨팅을 위한 AI/ML 기반 자원 관리 기법의 분류 체계를 제안하고, 제안된 분류 체계에 따라 기존 기법들을 비교하였습니다. 마지막으로 AI/ML 기반 포그/엣지 컴퓨팅 분야의 미해결 과제와 향후 유망한 연구 방향을 도출하고 논의하였습니다.
• AI-based fog and edge computing: A systematic review, taxonomy and future directions
• Pyramid: Enabling Hierarchical Neural Networks with Edge Computing
  • 피라미드: 엣지 컴퓨팅으로 계층적 신경망 활성화하기
  • ACM 2022, 37회 인용
  • 📍 ABSTRACT
    • 머신 러닝(ML)은 빠르게 증가하는 웹 애플리케이션을 뒷받침하고 있습니다. 5G의 중요한 부분인 엣지 컴퓨팅은 엣지 서버의 네트워크 엣지에서 ML 모델 학습 및 추론을 통해 엣지 인공지능(AI)을 촉진합니다. 중앙 집중식 클라우드 AI와 비교하여 엣지 AI는 지연에 민감한 웹 AR/VR, 웹 게임, 사물 인터넷 애플리케이션과 같은 많은 웹 애플리케이션에 필수적인 저지연 ML 추론을 가능하게 합니다. 엣지 AI에 대한 기존 연구는 트레이닝과 추론의 리소스 및 성능 최적화에 중점을 두었으며, 엣지 컴퓨팅을 트레이닝과 추론 프로세스를 가속화하는 도구로만 활용했습니다. 그러나 스마트 시티를 위한 사물 인터넷 구축을 위한 강력한 기능인 상황 인식으로 데이터를 처리하는 엣지 컴퓨팅의 고유한 능력은 제대로 탐구되지 않았습니다. 이 백서에서는 동종 및 이기종 계층적 ML 추론을 용이하게 함으로써 엣지 AI의 잠재력을 발휘하는 새로운 프레임워크인 피라미드(Pyramid)를 제안합니다. 트래픽 예측을 예로 들어 피라미드에 대한 동기를 부여하고, 두 가지 실제 데이터 세트에서 수행한 광범위한 실험을 통해 피라미드를 평가합니다. 그 결과, 계층적 교통량 예측과 날씨 분석에서 피라미드 신경망의 우수한 성능이 입증되었습니다.
• Pyramid: Enabling Hierarchical Neural Networks with Edge Computing | Proceedings of the ACM Web Conference 2022