KR102350195B1

KR102350195B1 - 모바일 엣지 컴퓨팅을 활용하는 모바일 증강현실 서비스의 모바일 단말 에너지 최적화 방법 및 시스템

Info

Publication number: KR102350195B1
Application number: KR1020200064158A
Authority: KR
Inventors: 최준균; 박홍식; 안재원; 이상현
Original assignee: 한국과학기술원
Priority date: 2020-05-28
Filing date: 2020-05-28
Publication date: 2022-01-12
Also published as: KR20210147240A

Abstract

모바일 엣지 컴퓨팅을 활용하는 모바일 증강현실 서비스의 모바일 단말 에너지 최적화 방법 및 시스템이 제시된다. 본 발명에서 제안하는 모바일 엣지 컴퓨팅을 활용하는 모바일 증강현실 서비스의 모바일 단말 에너지 최적화 방법은 MEC 서버에 연결된 각각의 MD로부터 MAR 어플리케이션 요구사항 및 MD의 스펙을 수신하는 단계, 기지국으로부터 각각의 MD의 업링크 전송 파워를 포함하는 채널정보를 수신하는 단계, 수신된 MAR 어플리케이션 요구사항, MD의 스펙 및 MD의 채널정보에 기초하여 최적의 이미지 해상도 정보 및 최적의 컴퓨팅 자원 정보를 계산하는 단계 및 각각의 MD에게 최적의 이미지 해상도 정보를 제공하고, 각각의 MD의 객체 검출을 수행할 MEC 어플리케이션에는 최적의 컴퓨팅 자원 정보를 제공하는 단계를 포함한다.

Description

모바일 엣지 컴퓨팅을 활용하는 모바일 증강현실 서비스의 모바일 단말 에너지 최적화 방법 및 시스템{Energy Optimization Scheme of Mobile Devices for Mobile Augmented Reality Applications in Mobile Edge Computing}

본 발명은 모바일 엣지 컴퓨팅을 활용하는 모바일 증강현실 서비스의 모바일 단말 에너지 최적화 방법 및 시스템에 관한 것이다.

증강현실(Augmented Reality; AR)이 현실 환경에 가상 정보를 원활하게 제공하기 위한 수단으로 각광받고 있다. AR을 활용하면 관광, 교육, 엔터테인먼트, 광고, 제조, 건강관리 분야에서 몰입되는 경험을 할 수 있다. 또한 AR은 차량의 헤드업 디스플레이(Heads-Up Display; HUD)를 통해 경고와 같은 유용한 증강 정보를 차량에 제공한다. 따라서 모바일 증강현실(Mobile Augmented Reality; MAR) 시스템은 최근 AR 서비스 제공을 위한 컴퓨팅 용량이 큰 모바일 기기의 빠른 보급에 힘입어 상당한 인기를 얻고 있다.

MAR 어플리케이션의 핵심 기술은 빠르고 정확한 객체 검출이다. 이는 MAR 어플리케이션의 가상 정보가 MAR의 몰입되는 경험을 위해 실제 객체와 원활하게 통합되어야 하기 때문이다. 최근에는 YOLO, SSD, Fast R-CNN 등 다양한 딥러닝 기반의 객체 검출 알고리즘이 제안되어 MAR 개발을 촉진하고 있다. 그러나 MAR 기기(MAR Devices; MD)의 대다수는 이러한 객체 검출 알고리즘을 지원할 컴퓨팅 리소스가 부족한 것으로 알려져 있어 처리 지연이 클 뿐만 아니라 정확도 저하를 초래한다. 대기 시간 및 정확도 문제와 함께 MD의 에너지 제약도 MAR 어플리케이션을 실현하기 위해 객체 검출 알고리즘을 활용하는 데 있어 중요한 문제이다. 그 이유는 MD에서 객체 검출 알고리즘을 실행하면 엄청난 에너지 소비로 이어져 MD의 수명이 줄어들기 때문이다. 따라서 MAR 어플리케이션의 대기 시간이 짧고 정확도가 높은 요구 사항을 충족하면서 MAR의 에너지 효율적인 객체 검출을 보장하는 것이 과제이다.

앞서 언급한 한계를 해결하기 위해 MEC(Mobile Edge Computing) 지원 MAR 어플리케이션이 유망한 접근법으로 간주되어 왔다. MEC는 클라우드 컴퓨팅 시스템보다 MD에 물리적으로 더 가까운 곳에 위치한 네트워크 에지에서의 객체 검출을 위해 MD에 컴퓨팅 리소스를 제공한다. MEC 지원 MAR 적용에 대한 연구는 1) 분산 방법과 2) 중앙 집중식 방법의 두 가지 조사 영역으로 나눌 수 있다. 분산 방법에서 각 MD는 정확도, 지연 시간, 에너지 효율과 같은 MEC와 함께 MAR 어플리케이션에서 자체 성능의 측면을 개별적으로 최적화한다. 그러나, 각 MD가 동일한 MEC 서버와 관련된 다른 MD의 상태를 인식하지 못하기 때문에, 분산 최적화는 여러 MD에 비해 글로벌 최적화에 도달할 수 없다. 이와는 대조적으로, MEC 시스템의 조정자(orchesrator)는 각 MD로부터 정보를 쉽게 수집하고, 따라서 다중 MD에 대한 연구를 통해 컴퓨팅 리소스를 효율적으로 분배할 수 있다. 그럼에도 불구하고, 우리가 아는 한 대부분의 연구 작업은 분산된 방법에 국한된다. 중앙 집중식 모드에서는 몇 가지 연구가 존재하나, MAR 어플리케이션의 정확도와 대기 시간을 최적화하는 것과 함께 MD의 에너지 효율을 고려하지 않는다.

SoC 관점은 낮은 대기 시간, 높은 정확도 및 낮은 에너지 소비 측면에서 효율적인 객체 검출을 위해 MD 용 SoC 설계를 최적화하는 것을 목표로 한다. 그러나, 다양한 SoC의 이질성으로 인해 미세하게 연결된 기기/SoC 별 최적화를 수행하는 것이 매우 어렵다. 다양한 SoC는 엄청난 프로그램으로 짤 수 있는 과제로 이어진다. 따라서 서로 다른 버전의 장치 드라이버, 메모리 세분성 범위 및 일관성 모델로 구현된 SoC에 성능 최적화 기술을 구현하는 것은 어렵다. 종래시술에서는 MD 내부의 소프트웨어 접근방식으로, MD에 관한 다양한 딥러닝 추론들을 실행하기 위한 모바일 딥러닝, DeepMon을 제안했다. 그러나, 그 지연 시간은 프레임당 약 600 ms이므로, 이 알고리즘은 MAR 어플리케이션의 엄격한 지연 요구사항을 충족하기 위해 더 많은 최적화가 필요하다. 또 다른 종래기술은 MAR 어플리케이션의 에너지 효율성, 서비스 지연 시간 및 정확도 간의 트레이드 오프를 잘 처리했다. 그러나 그들의 접근방식은 지정된 객체 검출 모델을 YOLO와 같은 공통 객체 검출 알고리즘을 사용하지 않고 에너지 효율이 높은 모델로 제한했다. 정확도 손실 없이 에너지 소비량을 줄이려고 시도했기 때문에 MAR 어플리케이션의 정확도를 높일 수 없었다. 게다가, 그들은 대부분의 MD에서 지원하지 않는 알고리즘을 작동시키기 위해 강력한 CPU를 필요로 한다.

종래기술의 문제점을 해결하기 위해 ETSI에 의해 표준화된 MEC(또는 다중 액세스 에지 컴퓨팅)는 유용한 솔루션으로 간주된다. 기지국을 경유하는 등 네트워크 에지의 MD에 컴퓨팅 리소스를 제공한다. 사용자와의 근접성은 클라우드 컴퓨팅 시스템보다 객체 검출 프로세스에서 더 낮은 지연 시간을 달성한다. 더욱이 MEC 서버는 MD보다 컴퓨팅 용량이 크므로, 서버는 객체 검출 알고리즘의 정확도를 높일 수 있다. MEC 서버에서 객체 검출 프로세스가 발생하면 MD는 객체 검출 알고리즘을 활용할 수 있는 전송 에너지만 충분히 소비한다. 따라서 MEC가 지원하는 MAR 어플리케이션은 지연 시간, 정확도 및 에너지 효율의 관점에서 매우 효율적인 MAR 어플리케이션을 달성할 수 있다. 그러나 MEC의 컴퓨팅 리소스는 일반적으로 중앙 집중식 클라우드 서버보다 성능이 떨어지며, 클라우드 컴퓨팅 시스템보다 컴퓨팅 용량을 늘리는 것이 더 어렵다. 최근 MEC 시스템의 컴퓨팅 용량 부족은 MEC 서버의 집약적인 계산 리소스를 필요로 하는 객체 검출 프로세스를 효율적으로 오프로드하기 위한 연구에 동기를 부여했다. 결과적으로, 컴퓨팅 용량이 제한된 MEC 서버를 활용하여 MD에서 MAR 어플리케이션의 성능을 향상시키는 방법에 대한 여러 연구가 있었다.

MEC 환경을 활용한 MAR 어플리케이션의 성능 향상에 관한 연구는 분산 방식과 중앙 집중식 방식의 두 가지로 나눌 수 있다. 분산 방식에서 각 MD는 대기 시간, 정확도, 에너지 효율을 고려하여 MAR 어플리케이션에서 자체 성능을 최적화한다. 예를 들어, 정확도, 프레임률, 에너지 소비량, 네트워크 데이터 등 MAR 적용 요건을 고려하여 프레임률과 정확도를 극대화하기 위해 최적의 객체 검출 모델, 프레임 해상도, 비트 전송률, 프레임률을 선택하여 객체 검출 알고리즘을 실행하는 측정 중심 프레임워크를 개발하였다. 그러나 MD의 에너지 소비를 제약요인으로 간주함에 따라 MD의 에너지 효율은 더욱 최적화될 수 있었다. 다른 예시에서는 동적 관심 영역 인코딩을 활용하여 계산 오프로드로 객체 검출 지연 시간을 줄이고, MEC 서버에 이미지의 관심 영역만 전송하여 빠른 객체 검출을 가능하게 하는 시스템을 제안했다. 또 다른 예시에서는, MEC 서버의 컴퓨팅 용량이 보장될 때 MD의 정확도와 에너지 효율을 달성하기 위해 MD의 영상 해상도와 전송 강도를 제어하는 방안을 제안했다. 이러한 방안 모두 동일한 MEC 서버와 관련된 다른 MD의 상태에 대한 정보를 완전히 획득할 수 없기 때문에 여러 MD에 대해 분산 최적화가 글로벌 최적화에 도달할 수 없다. 이에 상응하여 최대 지연 시간 제한을 초과하는 등 서비스 수준 협약서(SLA) 위반이 발생할 수 있다.

이러한 한계를 해결하기 위해 중앙 집중식 방식에서처럼 최대 지연 시간 제약을 충족하면서 공유 데이터 전송을 통한 MD의 통신 에너지를 줄이는 방안이 제안되었다. 여기서는, 업링크에서의 데이터 수집, 에지에서의 컴퓨팅, 다운링크에서의 데이터 제공 측면에서 MAR 어플리케이션의 고유한 협업 속성을 활용하여 MAR 어플리케이션의 에너지 소비를 줄였다. 즉, MEC 서버에 대한 입력 비트를 동일한 영역의 사용자 간에 공유할 경우 공유 입력 데이터로 동시에 처리되어 전송 및 데이터 처리 에너지를 감소시킨다.

또 다른 종래기술에서는 MAR 어플리케이션의 지연 시간-정확도 트레이드 오프를 완화하기 위한 에지 서버 할당 및 프레임 해상도 선택 알고리즘을 제안했다. 알고리즘을 기반으로 최적의 에지 서버와 지연 시간-정확도 트레이드 오프 하에서 최적의 해상도를 찾는 에지 네트워크 오케스트레이터를 구현했다.

또 다른 종래기술에서는 대규모 비디오 감시 네트워크 내의 실시간 재식별 문제를 연구했다. 이질적인 에지 서버와 타사 이미지 처리 클라우드 서버에 대한 작업 배치 전략을 최적화하고, 시스템 처리 지연 시간과 재식별 정확도 간의 트레이드 오프를 제어함으로써 시스템 응답성과 효용을 극대화했다.

본 발명이 이루고자 하는 기술적 과제는 MEC 지원 MAR 어플리케이션을 위한 새로운 중앙 집중식 서비스 품질(QoS) 보증 조정 방식을 제공하는데 있다. 컴퓨팅 용량이 제한된 단일 MEC 서버와 MEC 어플리케이션이 서로 다른 여러 MD(다시 말해, 서로 다른 서비스 요구사항)를 사용하는 다중 MEC 서버를 고려한다. 정확도, 서비스 지연 시간 및 각 MD의 에너지 소비량 간의 트레이드 오프를 고려하여 객체 검출을 위한 서로 얽힌 비용을 설계한다. 제안된 방식은 검출할 객체를 포함하는 이미지의 프레임 해상도(다시 말해, 최적의 이미지 해상도)와 MD를 통한 MEC의 컴퓨팅 용량 최적 분포를 공동으로 결정함으로써 서로 얽힌 비용을 최소화하기 위한 최적의 조정을 수행한다. 또한, 제안된 방식은 각 MAR 어플리케이션의 최대 지연 시간 제약과 최소 정확도 제약 조건을 충족하도록 보장한다.

일 측면에 있어서, 본 발명에서 제안하는 모바일 엣지 컴퓨팅을 활용하는 모바일 증강현실 서비스의 모바일 단말 에너지 최적화 방법은 MEC 서버에 연결된 각각의 MD로부터 MAR 어플리케이션 요구사항 및 MD의 스펙을 수신하는 단계, 기지국으로부터 각각의 MD의 업링크 전송 파워를 포함하는 채널정보를 수신하는 단계, 수신된 MAR 어플리케이션 요구사항, MD의 스펙 및 MD의 채널정보에 기초하여 최적의 이미지 해상도 정보 및 최적의 컴퓨팅 자원 정보를 계산하는 단계 및 각각의 MD에게 최적의 이미지 해상도 정보를 제공하고, 각각의 MD의 객체 검출을 수행할 MEC 어플리케이션에는 최적의 컴퓨팅 자원 정보를 제공하는 단계를 포함한다.

수신된 MAR 어플리케이션 요구사항, MD의 스펙 및 MD의 채널정보에 기초하여 최적의 이미지 해상도 정보 및 최적의 컴퓨팅 자원 정보를 계산하는 단계는 MEC 서버에 연결된 모든 MD의 에너지 소비, 서비스 지연 시간 및 정확도 손실을 포함하는 비용을 최소화하기 위하여, 모든 MD에 대한 정확도 손실의 가중치 및 모든 MD에 대한 에너지 소비의 가중치에 관한 비용 함수를 이용하여 최소 컴퓨팅 용량을 계산하고, 각각의 MD의 요구사항을 보장한 후 각각의 MD에게 제공하기 위한 나머지 잉여자원을 계산한다.

수신된 MAR 어플리케이션 요구사항, MD의 스펙 및 MD의 채널정보에 기초하여 최적의 이미지 해상도 정보 및 최적의 컴퓨팅 자원 정보를 계산하는 단계는 각각의 MD에 대한 MAR 어플리케이션의 최소 정확도 요건을 충족하는 제1 제약조건, 각각의 MD에 대한 MAR 어플리케이션의 최대 지연 시간 요건을 충족하는 제2 제약조건, 각각의 MD의 이미지 해상도 범위를 표시하는 제3 제약조건, MEC 서버의 컴퓨팅 용량을 공유하며 최대 컴퓨팅 용량을 초과하지 않는 제4 제약조건을 만족하는 최적의 컴퓨팅 자원 정보를 계산한다.

제1 제약조건, 제2 제약조건, 제3 제약조건 및 제4 제약조건을 독립적으로 적용하기 위하여 각각의 MD의 최소 컴퓨팅 용량을 이용한 비용 함수를 구한다.

각각의 MD의 최소 이미지 해상도를 이용하여 각각의 MD의 최소 컴퓨팅 용량을 구하고, 각각의 MD에 대한 MAR 어플리케이션의 최소 정확도 요건을 충족하는 제1 제약조건 및 각각의 MD의 이미지 해상도 범위를 표시하는 제3 제약조건을 이미지의 픽셀 사이즈의 함수로 나타낸다.

또 다른 일 측면에 있어서, 본 발명에서 제안하는 모바일 엣지 컴퓨팅을 활용하는 모바일 증강현실 서비스의 모바일 단말 에너지 최적화 시스템은 MEC 서버에 연결된 각각의 MD로부터 MAR 어플리케이션 요구사항 및 MD의 스펙을 수신하고, 기지국으로부터 각각의 MD의 업링크 전송 파워를 포함하는 채널정보를 수신하는 데이터 수신부, 수신된 MAR 어플리케이션 요구사항, MD의 스펙 및 MD의 채널정보에 기초하여 최적의 이미지 해상도 정보 및 최적의 컴퓨팅 자원 정보를 계산하는 해상도 및 컴퓨팅 자원 계산부 및 각각의 MD에게 최적의 이미지 해상도 정보를 제공하고, 각각의 MD의 객체 검출을 수행할 MEC 어플리케이션에는 최적의 컴퓨팅 자원 정보를 제공하는 자원 할당부를 포함한다.

본 발명의 실시예들에 따르면 MEC 서버에 객체 검출을 오프로드할 때 MD의 에너지 소비 행동을 고려하여, 최대 대기 시간 제약과 최소 정확도의 제약을 충족하면서 객체 검출의 서비스 지연과 정확도 손실을 최소화할 수 있다. 또한, MEC 서버로 전송되어야 하는 이미지의 최적 영상 해상도와 각 MD의 객체 검출을 위한 최적의 컴퓨팅 용량을 효율적으로 결정할 수 있다. 이것은 다른 유형의 물리적 장치, 다른 무선 채널 상태, 그리고 다른 QoS 파라미터를 가진 다른 MAR 어플리케이션과 같은 다른 상황에도 적용 가능할 수 있다.

도 1은 본 발명의 일 실시예에 따른 모바일 엣지 컴퓨팅을 활용하는 모바일 증강현실 서비스 시스템의 구성을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 모바일 증강현실 서비스 제공 과정을 설명하기 위한 전체 개략도를 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따른 모바일 엣지 컴퓨팅을 활용하는 모바일 증강현실 서비스의 모바일 단말 에너지 최적화 방법을 설명하기 위한 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 모바일 엣지 컴퓨팅을 활용하는 모바일 증강현실 서비스의 모바일 단말 에너지 최적화 시스템의 구성을 나타내는 도면이다.
도 5는 본 발명의 일 실시예에 따른 가중치 팩터에 따른 성능분석을 설명하기 위한 그래프이다.
도 6은 본 발명의 일 실시예에 따른 MEC서버에 연결되는 MD의 수가 증가함에 따른 최대 지연 제약을 어긴 MD의 비율을 나타내는 도면이다.
도 7은 본 발명의 일 실시예에 따른 가중치를 에너지, 지연, 정확도 세가지에 따라 고려한 성능분석을 설명하기 위한 그래프이다.

본 발명의 실시예에 따르면, MEC 지원 MAR 어플리케이션을 위한 새로운 중앙 집중식 서비스 품질(QoS) 보증 조정 방식을 제안한다. 컴퓨팅 용량이 제한된 단일 MEC 서버와 MEC 어플리케이션이 서로 다른 여러 MD(다시 말해, 서로 다른 서비스 요구사항)를 사용하는 다중 MEC 서버를 고려한다. 정확도, 서비스 지연 시간 및 각 MD의 에너지 소비량 간의 트레이드 오프를 고려하여 객체 검출을 위한 서로 얽힌 비용을 설계한다. 그런 다음, 제안된 방식은 검출할 객체를 포함하는 이미지의 프레임 해상도(다시 말해, 최적의 이미지 해상도)와 MD를 통한 MEC의 컴퓨팅 용량 최적 분포를 공동으로 결정함으로써 서로 얽힌 비용을 최소화하기 위한 최적의 조정을 수행한다. 또한 제안된 방식은 각 MAR 어플리케이션의 최대 지연 시간 제약과 최소 정확도 제약 조건을 충족하도록 보장한다.

MEC 서버에 객체 검출을 오프로드할 때 MD의 에너지 소비 행동을 고려하여, 최대 대기 시간 제약과 최소 정확도의 제약을 충족하면서 객체 검출의 서비스 지연과 정확도 손실을 최소화하는 에너지 효율적인 MEC 지원 MAR 어플리케이션을 위한 새로운 QoS 보증 조정 방식을 제안한다.

제안된 문제에 대한 엄격한 수학적 분석은 제안된 방식이 MEC 서버로 전송되어야 하는 이미지의 최적 영상 해상도와 각 MD의 객체 검출을 위한 최적의 컴퓨팅 용량을 효율적으로 결정할 수 있다는 것을 보여준다. 그것은 다른 유형의 물리적 장치, 다른 무선 채널 상태, 그리고 다른 QoS 파라미터를 가진 다른 MAR 어플리케이션과 같은 다른 상황을 고려할 수 있다.

각 MAR 어플리케이션의 QoS 요구사항을 충족하면서 에너지 소비, 서비스 지연 시간, 정확도 측면에서 제안된 방식의 성능을 검증한다. 이에 따라, 제안된 방식이 3.77%의 정확도 손실만으로 에너지 소비량을 14.99%, 서비스 지연 시간을 16.56% 감소시킨다는 것을 밝혀냈다. 이하, 본 발명의 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다.

종래기술에서, MAR 어플리케이션의 정확도와 대기 시간으로 MD의 에너지 효율을 중앙 집중식으로 다루는 기술에 대한 제안은 없다. MEC 지원 MAR 어플리케이션에 대한 기존 연구 활동은 분산 방식에서 개별 MD 성능 최적화의 범위에 국한되거나, 대기 시간-정확도 트레이드 오프를 고려하여 중앙 방식에서 MD 행동을 최적 관리하는 방식으로 제한되어 왔다.

본 발명은 에너지 소비, 정확도 및 대기 시간에 대한 상호 연관된 목표를 달성하기 위해 각 MD의 프레임 해상도 제어와 MEC 서버의 부하 분포를 계산한다.

도 1은 본 발명의 일 실시예에 따른 모바일 엣지 컴퓨팅을 활용하는 모바일 증강현실 서비스 시스템의 구성을 설명하기 위한 도면이다.

본 발명의 일 실시예에 따른 모바일 엣지 컴퓨팅을 활용하는 모바일 증강현실 서비스 시스템(110)의 구성에 있어서, 모바일 엣지 컴퓨팅 기반 MAR 어플리케이션(130)은 인퍼런스를 진행할 객체 인식 모델을 MEC 안의 MEC 어플리케이션에 구현함으로써 서비스 가용성을 높인다.

MD들(120)은 단말의 성능과 관계없이 단지 자신이 객체 인식 하고 싶은 이미지를 MEC에 보냄으로써 객체 인식 프로세스를 오프로딩 하게 되고, MEC로부터 객체 인식 결과를 셀룰러 혹은 wifi를 통하여 전송받게 된다.

이와 같은 MEC기반 MAR 어플리케이션(130)에서는 MAR 어플리케이션(130)의 서비스 레이턴시와 객체 인식 정확도뿐만 아니라 MD(120)의 에너지 소비도 함께 고려가 되어야 한다. 이들의 트레이드-오프(tradeoff)를 고려함으로써 효율적인 MEC 기반 MAR 어플리케이션을 제안할 수 있다.

도 2는 본 발명의 일 실시예에 따른 모바일 증강현실 서비스 제공 과정을 설명하기 위한 전체 개략도를 나타내는 도면이다.

본 발명의 일 실시예에 따르면, 기지국(Base Station; BS)(230)과 같은 이동 통신망 가장자리에 위치한 단일 셀 MEC 시스템을 고려한다. MEC 시스템은 도 2와 같이 과도하게 공급된 유선 네트워크를 통해 BS(230)에 직접 연결된 MEC 서버(250)로 구성된다. 무선 리소스 관리는 BS(230)에서 수행된다. 네트워크 사업자가 채용하는 MEC 시스템과 BS(230) 사이에 인터페이스가 있더라도, MEC 시스템이 이 인터페이스를 통해 무선 리소스 상태를 모니터링할 수 있지만 BS(230) 대신 이 리소스를 직접 제어하지는 못할 수 있다고 가정한다.

제안하는 스킴(240)은 각 MD(221, ..., 222)로 부터 각 MD의 MAR 어플리케이션의 요구사항 및 MD의 스펙(212)을 확인하고 BS로부터 각 MD(221, ..., 222)의 업링크 전송 파워 제어(231) 등과 같은 채널정보(232)를 얻게 된다. 이를 바탕으로 각 MD(예를 들어, 카메라)(211)에게는 해상도 제어(213)를 위한 최적의 이미지 해상도 정보를 각 MD의 객체 검출을 수행할 MEC 어플리케이션에는 최적의 컴퓨팅 자원을 제공해준다. 업링크 전송 파워 제어(231) 정보는 MD의 셀룰러 모듈(215)로 전달되어 MD의 배터리(214) 정보를 반영한다.

본 발명에서는 BS(230)로부터 주어진 무선 리소스를 가지고 MEC의 컴퓨팅 리소스 관리에 초점을 맞춘다. 클라이언트 측에서, n개의 MD(221, ..., 222)는 계산 오프로드를 위해 BS(230)를 통해 MEC 서비스에 연결된다. 여기서 i ∈ N, N = {1,2,...,n}이다. 여기서 MEC 서비스는 MEC 시스템의 MD에 제공되는 계산 리소스가 있는 MEC 어플리케이션(251, 252, ..., 253)을 표시한다. MEC 서비스는 하나의 MEC 어플리케이션을 지정하여 도 2와 같이 컴퓨팅 용량 f_i로 MD i로부터 수신된 이미지의 객체 검출 요청을 처리한다. MEC 서버(250)는 여러 MD가 요청하는 객체 검출 프로세스를 처리하는 데 사용되는 컴퓨팅 용량 c가 제한적이라고 가정한다. 결과적으로

이다. MD i의 MAR 어플리케이션은 MAR 어플리케이션의 최대 대기 시간

와 최소 정확도

를 가진 객체 검출 프로세스에 대한 자체 요건을 가지고 있다. 따라서 MEC 서버(250)가 제한된 컴퓨팅 용량 c를 연결된 MD n개에 분배하여 지연 비용, 정확도 손실 및 에너지 비용을 최소화하는 동시에 MAR 어플리케이션의 요구사항을 충족할 때 리소스 할당 문제를 고려한다. MEC 서비스가 MD의 MAR 어플리케이션의 최소 정확도와 최대 지연 시간 요건을 충족할 수 없는 경우, MEC 서비스는 MEC 시스템에 다른 물리적 MEC 서버(250)를 포함하도록 확장되거나, 본 발명의 실시예에 따른 범위를 벗어난 클라우드 시스템과의 연동을 고려한다.

각 MD가 이미지의 색을 표현하기 위해

비트로

의 이미지 해상도를 가지는 객체를 검출하는 데 필요한 이미지를 가져갈 수 있고, MD가

(초당 비트)에서

픽셀로 이미지의 해상도를 압축할 수 있다고 가정한다. MD는 캡처된 이미지의 해상도를 제어하고 캡처된 이미지를 MEC 서버로 분석하기 위한 컴퓨팅 리소스가 가장 적다. 즉, 각 MD는 MAR 어플리케이션의 객체 검출 프로세스를 MEC 서버로 오프로드한다.

각 MD가 중복되지 않는 대역폭인 W _i 를 BS로부터 점유하여 동시에 MEC 서버로 데이터를 오프로드할 수 있다고 가정한다. 준정적 레일리 플랫 페이딩 채널 모델(Rayleigh at fading channel model)은 각 오프로드 기간 동안 채널이 변경되지 않고 유지되지만 오프로드 기간마다 다를 수 있다. 모든 MD는 단일 안테나를 가지고 있으며, MD i는 전송 전력

로 무선 채널을 통해 크기 조정된 영상 데이터를 BS에 전송할 수 있다. MD에 대한 업링크 전송률을

로 간주한다. 여기서

는 무선 링크의 작은 눈금 페이딩 계수,

는 전송 강도,

는 MD i 에 의해 주어진다. 여기서 MD i의 평균 채널 이득은

이다.

객체 검출의 측정기준 정확도 및 처리부하 모델에 따르면,

에 의해 주어지는 MD i의 객체 검출 정확도의 분석모델은

에 관한 객체 검출의 정확도(예를 들어, mAP(mean average precision))이다. 결과적으로, 정확도 손실은

에 의해 주어진다.

를 사용하여 문제 정의에서 비용 함수의 값이 양수인지 확인할 수 있다는 점에 유의하라. 객체 검출 알고리즘이

가 3.6 × 10⁵픽셀 이상일 때 이미지의 모든 객체를 검출할 수 있다고 가정한다. 또한 물체를 검출하기 위한 처리 작업부하의 분석 모델은

(TPLOPS)에 의해 주어진다.

종래기술에서 서비스 지연 시간은 무선 지연 시간

, BS와 MEC 서버 사이의 핵심 네트워크 지연 시간

, MEC 서버가 MD i,

.

및

에서 수신된 이미지의 객체 검출 프로세스를 처리할 때의 처리 지연 시간으로 구성된다. 여기서

는 MD i가 연결된 BS와 MEC 서버 사이의 핵심 네트워크 지연 시간이다. BS와 MEC 서버 사이의 유선 링크가 과도하게 공급되었다고 가정한다. 따라서

는 유선 링크에 대한 이미지 패킷의 영향이나 대기 지연을 고려하지 않고 상수로 가정한다. 이와 함께 이미지 크기를 조정해야 하기 때문에

라는 압축 대기 시간이 우려된다. MD가 충분한 컴퓨팅 용량을 가지고 있지 않다고 가정할 때, 압축 지연 시간은 다른 지연 시간에 비해 무시할 수 없다. 따라서 MD i의 서비스 지연 시간은

에 의해 주어진다.

계산 오프로드로 인해 MD는 이미지의 크기, 즉

를 압축하기 위해 에너지를 소비하며, 여기서

는 MD에서 1비트의 데이터를 압축하기 위한 에너지 소비량이며, 데이터 전송을 위한 에너지 소비량인

를 사용한다. 객체 검출 프로세스의 오프로드를 위한 MD의 에너지 소비량은

에서 제공한다. 객체 검출 결과의 데이터 크기가 이미지 데이터의 데이터 크기보다 상당히 작기 때문에 MD가 MEC 서비스로부터 객체 검출 결과를 수신할 때의 대기 시간과 에너지를 무시한다.

도 3은 본 발명의 일 실시예에 따른 모바일 엣지 컴퓨팅을 활용하는 모바일 증강현실 서비스의 모바일 단말 에너지 최적화 방법을 설명하기 위한 흐름도이다.

모바일 엣지 컴퓨팅을 활용하는 모바일 증강현실 서비스의 모바일 단말 에너지 최적화 방법은 MEC 서버에 연결된 각각의 MD로부터 MAR 어플리케이션 요구사항 및 MD의 스펙을 수신하는 단계(310), 기지국으로부터 각각의 MD의 업링크 전송 파워를 포함하는 채널정보를 수신하는 단계(320), 수신된 MAR 어플리케이션 요구사항, MD의 스펙 및 MD의 채널정보에 기초하여 최적의 이미지 해상도 정보 및 최적의 컴퓨팅 자원 정보를 계산하는 단계(330) 및 각각의 MD에게 최적의 이미지 해상도 정보를 제공하고, 각각의 MD의 객체 검출을 수행할 MEC 어플리케이션에는 최적의 컴퓨팅 자원 정보를 제공하는 단계(340)를 포함한다.

단계(310)에서, MEC 서버에 연결된 각각의 MD로부터 MAR 어플리케이션 요구사항 및 MD의 스펙을 수신하고, 단계(320)에서, 기지국으로부터 각각의 MD의 업링크 전송 파워를 포함하는 채널정보를 수신한다.

단계(330)에서, 수신된 MAR 어플리케이션 요구사항, MD의 스펙 및 MD의 채널정보에 기초하여 최적의 이미지 해상도 정보 및 최적의 컴퓨팅 자원 정보를 계산한다. MEC 서버에 연결된 모든 MD의 에너지 소비, 서비스 지연 시간 및 정확도 손실을 포함하는 비용을 최소화하기 위하여, 모든 MD에 대한 정확도 손실의 가중치 및 모든 MD에 대한 에너지 소비의 가중치에 관한 비용 함수를 이용하여 최소 컴퓨팅 용량을 계산하고, 각각의 MD의 요구사항을 보장한 후 각각의 MD에게 제공하기 위한 나머지 잉여자원을 계산한다.

이때, 각각의 MD에 대한 MAR 어플리케이션의 최소 정확도 요건을 충족하는 제1 제약조건, 각각의 MD에 대한 MAR 어플리케이션의 최대 지연 시간 요건을 충족하는 제2 제약조건, 각각의 MD의 이미지 해상도 범위를 표시하는 제3 제약조건, MEC 서버의 컴퓨팅 용량을 공유하며 최대 컴퓨팅 용량을 초과하지 않는 제4 제약조건을 만족하는 최적의 컴퓨팅 자원 정보를 계산한다.

각각의 MD의 최소 이미지 해상도를 이용하여 각각의 MD의 최소한의 퓨팅 용량을 구하고, 각각의 MD에 대한 MAR 어플리케이션의 최소 정확도 요건을 충족하는 제1 제약조건 및 각각의 MD의 이미지 해상도 범위를 표시하는 제3 제약조건을 이미지의 픽셀 사이즈의 함수로 나타낸다.

단계(340)에서, 각각의 MD에게 최적의 이미지 해상도 정보를 제공하고, 각각의 MD의 객체 검출을 수행할 MEC 어플리케이션에는 최적의 컴퓨팅 자원 정보를 제공한다.

아래에서, 본 발명의 일 실시예에 따른 모바일 엣지 컴퓨팅을 활용하는 모바일 증강현실 서비스의 모바일 단말 에너지 최적화 방법을 더욱 상세히 설명한다.

제안하는 에너지 효율적인 MEC 지원 MAR 어플리케이션을 위한 새로운 QoS 보증 조정 방식에 대해 설명한다. 여기서 제안된 문제는 각 MD,

에 대해 리소스 제약 MEC 서버의 컴퓨팅 용량을 효율적으로 분배하고 객체 검출을 위한 이미지의 해상도를 제어한다. 구체적으로는 먼저 MEC 서버에 연결된 모든 MD의 에너지 소비, 서비스 지연 시간 및 정확도 손실을 포함하여 서로 얽힌 비용을 최소화하기 위해 제안된 문제를 정의한다. 이후 제안된 문제의 타당성을 확인한다. 다음으로, MD에 제공되는 컴퓨팅 용량(f)와 MD의 전송을 위한 이미지의 픽셀 사이즈(s)와 관련하여 제안된 문제의 볼록성을 설명하고, 전체 검색(exhaustive search) 및 경사 하강 방법(gradient descent method)에 의해 최적의 함수(f, s)를 찾는다. 제안된 알고리즘 내에서 최적의 (f, s)를 얻기 위한 프로세스를 정리하고 제안 알고리즘의 계산 복잡성을 분석한다.

에너지 소비, 서비스 지연 시간, MAR 어플리케이션의 정확도를 고려하는 최적의 솔루션을 얻기 위해, C(f, s)의 최적 집합에 대해 해결하는 다중 목적의 문제를 고려하기 위해 비용 함수 C(f, s)를 설계한다. 따라서 최적의 C(f, s)를 찾기 위해 다음과 같이 최적화 문제를 공식화할 수 있다.

여기서,

는 모든 MD에 대한 정확도 손실의 가중치 요인이며

는 모든 MD에 대한 에너지 소비의 가중치 요인이고

이다. 비용 함수는 서비스 지연 시간, 정확도 손실 및 모든 MD의 에너지 소비로 구성되며, 따라서 MEC 서비스 제공자는 비용 함수를 최소화함으로써 n MD의 최적 성능을 달성할 수 있다.

와

는 MEC 서비스 제공자가 MEC 시스템의 성능을 제어할 수 있도록 관리 가능하다. MEC 서비스가 모든 MD의 정확도 손실을 줄이려면

를 더 높은 값으로 설정한다. 대조적으로, MEC 서비스가 모든 MD의 에너지 소비를 줄이려고 한다면, 그것은

를 더 높은 값으로 설정한다.

C1에 나타낸 제1 제약조건은 각 MD에 대한 MAR 어플리케이션의 최소 정확도 요건을 충족하며, C2에 나타낸 제2 제약조건은 각 MD에 대한 MAR 어플리케이션의 최대 지연 시간 요건을 충족한다. C3에 나타낸 제3 제약조건은 각 MD의 이미지 해상도 범위를 표시하며, C4에 나타낸 제4 제약조건은 MEC 서버의 컴퓨팅 용량을 공유하며 최대 컴퓨팅 용량 c를 초과하지 않아야 한다고 설명한다. 제4 제약조건 C4 때문에 식(1)의 최소 비용함수는 각 MD의 비용함수를 독립적으로 최소화하여 해결할 수 없다.

식(1)의 실현가능성을 검증하기 위해,

으로 나타내는 각 MD의 최소 컴퓨팅 용량을 도입하는데, 이것은 C1과 C2를 만족시키는 데 필요한 최소 컴퓨팅 용량이다. 식(1)을 해결하기 전에

을 사용하여 MEC 서비스 제공자가 물리적 MEC 서버를 확장하는지 여부를 결정할 수 있다.

가 되면 MEC 서비스는 MEC 서버를 확장해야 한다. 본 발명에서는, MEC 서비스 제공자가

일 때 MEC 서버를 확장한다고 가정하고, 따라서

인 사례만을 고려한다.

를 결정하려면 각 MD의 최소 이미지 해상도를 정의해야 한다. 제약 조건 C1과 C3은

의 범위로 변환할 수 있다. C1에 따르면,

의 최소값은

로 얻을 수 있다.

의 최소값

는 식(2)에 의해 주어진다:

따라서

의 범위는

에 의해 주어진다.

그런 다음 서비스 지연 시간

의 속성을 도출하여 각각 C1과 C2의 MD i의 서비스 지연 시간 및 최소 정확도를 보장하기 위한

를 획득한다.

정리 1.

는

에 대해 증가하고

에 대해서는 감소한다.

증명.

. 따라서

가 양수이면

도 양수이다. 즉,

는

에서

에 관하여 증가시킨다.

즉,

는

에서

에 관하여 감소시킨다.

정리 1. 에 따르면,

가

일 때

의 최소값을 얻을 수 있다.

가 감소 할 때

가 증가함에 따라, MD i가

픽셀을 갖는 이미지 데이터를 최대

까지, 즉

가

를 만족할 때

를 얻을 수 있고, 식(3)에 의해 주어진다:

,

는 상수일 뿐 아니라

,

및

로 파라미터가 주어지기 때문에

은 주어진 값,

이다. 따라서 최적

를 획득하기 전에 각 MD에 대한 MAR 어플리케이션의 요구사항을 충족하기 위한

를 파악할 수 있다. 결과적으로, 각 MD의 요건을 보장하기 위해, MEC 서비스 제공자는 컴퓨팅 용량을 각 MEC 어플리케이션에

로 분배하고, 남은 컴퓨팅 용량인

를 각 MEC 어플리케이션에 효율적으로 분할한다. 따라서

를

와

로 나누는데, 여기서

는 MD i의 요건을 충족한 후 추가 컴퓨팅 용량을 가리킨다. 즉,

이고,

이다.

식(1)의 문제를 해결하려면

의 최대 한계는 최대 지연 시간 제약

를 초과하지 않도록 결정해야 한다. 정리 1.에 따르면,

는

에 의해 얻을 수 있다. 따라서

는

에 관한 식으로 주어질 수 있다.

는 식(4)로 주어질 수 있다:

(4)

여기서 삼차방정식의 일반식을 사용하여,

이고,

이다.

가

보다 크면

이다. 그러면 식(1)의 문제는 다음과 같이 수정될 수 있다:

여기서 x는

,

의 집합을 나타내고,

이고,

이다. 비용함수는 f와 s 대신 x와 s로 정의된다. C1에서 각 MD의 최대 대기 시간과 최소 정확도를 만족시키려면

의 값이 양수여야 한다. C2는 각 MD의 최소 정확도 제약을 만족하도록 정의되며, C3은 최대 지연 시간 제약을 보장하기 위해 정의된다. C4는 모든 MD가 c 이하 MEC 서버의 컴퓨팅 용량을 이용할 수 없다고 설명한다.

식(5)의 문제를 해결하기 위해서는 제안된 문제의 특성을 분석하는 것이 중요하다.

정리 2. C(x, s)는

,

일 때 s와 관련하여 강볼록(strictly convex)하다.

증명. 모든 변수

에 대해,

여기서

이다. 파라미터가 양수이면,

가 양수이고,

이다.

가 0이면,

또한 양수이다. 그러므로,

,

일 때 C(x, s) 또한 s에 대해 볼록하다.

정리 3.

,

이면 C(x, s)는 x에 대해 강볼록이다.

증명.

인 모든 변수

에 대해,

파라미터는 양수이고

는

가 양수일 때 양의 값을 가지므로

는 양수이다. 따라서 C(x, s)는 x와 관련하여

,

일 때 또한 볼록하다.

정리 4. 식(5)의 C1, C2, C3, C4는 x와 s에 관한 볼록이다.

증명. C1과 C4는 x의 아핀(affine) 함수이고, C2는 s의 아핀 함수이다. C3는 s의 아핀 함수이다.

함수는

로부터 나왔기 때문에, 우리는

의 음함수 미분을 통해

에 관한

의 미분을 얻을 수 있다. 모든 변수

,

에 대해

의 음함수 미분은 다음에 의해 주어진다.

결과적으로,

는 다음에 의해 주어진다.

따라서,

는 다음에 의해 주어진다.

,

및

이 양수이므로

는 음수이다. 식(5)의 제약 조건 C3은

가

로 주어지고, 그것은 양수이기 때문에,

에 대해 볼록하다. 따라서 식(5)의 C1, C2, C3, C4는 x와 s에 대해 볼록이다.

수정된 식(5)는 x와 s에 대해 비용 함수과 제약 조건이 볼록한 (x, s)의 최적 집합에 대해 해결하는 다목적 문제이다. 그러면 식(5)의 그러한 문제는 좌표 하강법(coordinate descent method)을 활용함으로써 해결되는 것으로 잘 알려져 있다. 그럼에도 불구하고, 좌표 하강 알고리즘과 관련하여, 최적의 x와 s를 향한 적절한 수렴을 보장하기 위해서는 수렴율이 1 미만이어야 한다. 제안된 방식에서는, 다양한 구성 파라미터가 도입되기 때문에, 그러한 정적 수렴 속도(예: 1)에서는 항상 조건을 만족시키기가 어렵다.

본 발명에서는 식(5)의 KKT(Karush―Kuhn-Tucker) 조건을 이용하여

,

의 함수로서

를 얻고,

에 대입한다. 그 후에, 식(5)의 비용 함수를 최소화할 수 있는 최적의 s를 경사 하강 방법(gradient descent method)에 의해 찾는데, 이 방법은 비용 함수가 s에 관해서 볼록할 때 항상 수렴된다. 그 후에, 최적 s로 x를 결정한다.

정리 2, 3, 4에 따르면, 문제는 볼록 최적화를 사용하여 해결할 수 있다. 정리 1로 C4를

로 수정할 수 있으며, 즉 컴퓨팅 용량이 클수록 서비스 지연 시간이 낮아진다.

그런 다음 위의 문제와 연관된 라그랑지언(Lagrangian)을 다음과 같이 정의한다:

여기서

,

및

은 라그랑지언의 승수 벡터이다. 식(5)의 KKT(Karush―Kuhn-Tucker) 조건은 다음과 같다.

정리 5.

이면

는 0이다.

증명.

이면

은 c를 충족하고 MD i는

만 보낼 수 있다. 따라서

이다. 식(12) 때문에

는 0이 되어야 한다.

일 때,

일 경우,

역시 식(12) 때문에 0이다. C(x, s)가 정리 2,

에 따라 s에 대해 볼록하기 때문에

일 때

이고

이라 가정한다.

이므로

일 때,

이다. 따라서, 식(11)에 따라

이다. 그러면, 식(9)는

에 의해 주어지는데 이는

이라는 가정과 모순된다. 따라서,

일 때,

또한 0이다. 그 결과로,

일 때,

또한 0이다.

정리 5를 따라

,

을 할당할 수 있다. 따라서 다음과 같이 식(8)을 단순화할 수 있다:

식(10)에

를 대입하면,

식(13)에 의해

는 다음과 같이 주어진다:

최종적으로,

는 다음과 같이 주어진다:

식(14)를 활용하면, 식에 의해 주어지는

의 값을 줄여서

,

를 찾을 수 있고, 다음과 같이 나타낸 수 있다:

즉,

는 반복하여 얻을 수 있다:

(21)

여기서

는 0이 되면 안되므로

이고, t는 반복 횟수이고,

는

까지 충분히 작은 고정 스텝 크기이며, 여기서

은 최적

를 찾기 위해 반복을 종료하는 임계값이다.

및

,

이 주어졌을 때,

,

은 식(19)에 의해 얻을 수 있다.

한편 식(9), 식(11), 식(12)에 따라

를 다음에 의해 구할 수 있다.

(22)

여기서

이다. (5)의 C2로 인하여

일 때

이고, 식(5)의 C3로 인하여

일 때

이다. 문제를 효율적으로 해결하기 위해서는 s와 관련하여 C(x, s)의 특성을 조사할 필요가 있다.

정리 6.

,

일 때

이면,

에서

,

이 증가할 때, C(x, s) 강단조(strictly monotone)가 증가한다.

증명.

일 때,

는 다음과 같이 주어진다.

일 때,

이다.

가 양수가 되기 위해서

,

일 때,

이다. 결과적으로,

인 경우,

는

,

일 때 양수이다. 따라서

,

일 때 C(x, s)는

가 증가하고,

일 때 단조적으로 증가한다.

정리 6에 따르면,

이고

일 때 C(x, s)는

가

,

일 때 최소값을 가지는데, 이는

가 증가하면 C(x, s)가 증가하기 때문이다. 따라서 식(19)에 따라

,

일 때

는 다음에 의해 주어진다.

반면에

또는

일 때,

가 식(22)의

이거나

또는

,

일 때 C(x, s)가 최소화된다. 식(19)에 따르면,

는

가 결정된 후에 결정할 수 있으며,

역시 식(22)에 따른

의 값에 기초하여 얻을 수 있다. 그것은 경사 하강법의 순차적 단계를 활용하여 처리할 수 있다. 여기서, 오직

를 수정함으로써

와

,

을 순차적으로 얻는 방법을 제안한다.

와

를 얻는 과정은

에서 시작하며 경사 하강 방법에 의해

의 값을 구성한다. 이 방법에서 C(x, s)는 식(19)에서 C(x, s)를 채택하여 s만의 함수, C(s)에 맞게 구성된다. C(s)는 다음에 의해 주어진다.

(24)

경사 강하법의 각 단계에서

,

은 C(s)의 경사도에 의해 수정된다.

값은

값에 따라 달라지므로

는 경사 하강 방법의 이전 단계에서 얻은

에 의해 얻는다.

는 다음에 의해 주어질 수 있다.

여기서 t는 반복 횟수이고,

은

,

이다.

,

은 경사 하강 방법을 사용하여 얻을 수 있으며, 방법은 다음과 같다:

까지

여기서

이고,

이며, t는 반복 횟수이고,

는 충분히 작은 고정 스템 크기이고,

는 최적의

를 얻기 위한 반복을 멈추기 위한 임계값이다.

와

는 경사 하강법의 t번째 단계에서

와

의 중간값이다. 또한

은 MD i에 대한 추가 컴퓨팅 용량이 없음을 나타내므로 경사 하강법의 각 단계에서

일 경우

는

이후

이다. 따라서

,

은 최종적으로 다음에 의해 주어진다:

그 결과, 경사 하강법을 통해

인

와

를 구하여 C(x, s)를 최소화할 수 있다.

수학적 분석에 기초하여 C(x, s)를 최소화하기 위해 최적의 x와 s를 얻기 위한 알고리즘 1을 설계한다.

알고리즘이 시작될 때 MEC 서비스는 파라미터

와

를 수정하여 시스템 작동 방법을 결정한다. MEC 서비스는 MD의 대기 시간, 정확도 및 에너지 소비량의 상대적 중요성을 비교하여 파라미터를 정밀하게 구성한다. MEC 서비스는 또한 MAR 어플리케이션의 객체 검출 프로세스를 수행하기 위한 컴퓨팅 용량 c를 결정한다. MD i를 MEC 서비스에 연결했을 때, MD i는 최대 서비스 대기 시간

, 최소 정확도 제약 조건

, MD i에서 한 픽셀이 이미지에 포함하는 정보

, 원래 이미지 해상도

, 압축 속도

, MD i에서 1비트 압축을 위한 에너지 소비량

등 MAR 어플리케이션에 대한 정보를 전송해야 한다. 통신 시스템은

,

및

와 같은 현재 무선 채널에 대한 정보를 BS로부터 전송한다. 마지막으로 MEC 서비스는 단계 크기

와

뿐만 아니라 임계값

과

의 값을 결정해야 한다.

2~7행까지에서 알고리즘은 최적의 x와 s를 얻기 위한 알고리즘의 초기 상태를 설정한다. 이후 8~11행을을 통해 알고리즘은

와 c의 양을 비교하여 문제의 타당성을 확인한다. c가

보다 작으면 알고리즘은 최적의 솔루션을 얻을 수 없다. 따라서 이 경우, 일부 MEC 서버는 각 MD i에 대해

를 만족시키기 위해 보완된다.

이고

이면 최적

,

은 정리 6으로 인해

으로 설정되어 있으므로, 최적의 x만 찾으면 된다. s가

에 고정되었을 때 x를 찾는 절차는 12~14행에 설명되어 있다. 대조적으로, 최적 s가

에 고정되지 않을 때, C(x, s)를 최소화하기 위한 최적 s를 찾는다.

경사 하강 방법을 사용하여 s를 최적화하는 동안, 각 단계에서 고정 s에 대한

및 x 값을 찾아 최적화할 필요가 있는

를 결정한다. 20~24행에서

및

,

의 경우를 나누어

인 MD i의

로 경사 하강 절차를 실시한다.

이면

는

으로 설정된다. 경사 하강법을 이용하여

의 값을 수정하고 나서

의 값이

의 최소값과 최대값,

이내인지 여부를 조사한다.

가

의 최소값과 최대값 사이의 범위에 있지 않으면,

는 25, 26행의 경계값으로 설정된다.

중간 x와 s를 기준으로 C(x, s)를 계산하여 C(x, s)를 경사 하강 과정의 이전 단계에서 얻은 값과 비교한다. C_j와 C_j-1의 차이가 임계값

작으면 x와 s를 찾는 알고리즘이 종료된다.

알고리즘 1은 경사 하강 알고리즘을 활용하여 s와 관련하여 볼록한 C(x, s)를 최소화하는 s를 찾으므로 알고리즘 1은 유한한 시간 내에 최적 s로 수렴한다.

다음에서는, 제안된 알고리즘의 계산 복잡성에 대해 논한다. 제안된 알고리즘은 각 MD의 최적 연산 용량 예측 MD와 최적 영상 해상도를 결정하는 프로세스를 나타낸다. 1)

과

찾기, 2) 최적 s를 찾기 위한 경사 하강법, 3) 두 번째 단계에서 최적의 x 중첩을 얻기 위한

의 철저한 검색의 세 단계로 나눌 수 있다. 첫 번째 단계에서, 계산 복잡성은 O(n)에 의해 주어질 수 있다. 두 번째 단계의 계산 복잡성을 파악하기 위해, 우리는 C(x, s)가 s와 관련하여 강볼록인지를 검토할 필요가 있다.

정리 7. C(x, s)는

,

일 때 s에 대하여 강볼록이다.

증명. 정리 2에 따라, 모든 변수

이다. 여기서

,

는 양수이다. 식(6)에서

가 증가하면

는 감소한다. 따라서,

이다. 여기서

이다.

이면

이다.

가 c보다 작으므로,

이다.

이면,

이다. 그러므로

일 때

이고

,

이다. 여기서

이다. 따라서 C(x,s)는

,

일 때 s에 대하여 강볼록이다.

C(x, s)는 s에 대하여 강볼록이기 때문에 두 번째 단계의 계산 복잡성은

이다.

에 대하여

일 때, 세 번째 단계가 마무리 되고, 따라서 세 번째 단계의 계산 복잡성은

이다. 따라서 제안된 알고리즘의 총 계산 복잡도는

로,

와 동일하다.

도 4는 본 발명의 일 실시예에 따른 모바일 엣지 컴퓨팅을 활용하는 모바일 증강현실 서비스의 모바일 단말 에너지 최적화 시스템의 구성을 나타내는 도면이다.

모바일 엣지 컴퓨팅을 활용하는 모바일 증강현실 서비스의 모바일 단말 에너지 최적화 시스템(400)은 데이터 수신부(410), 해상도 및 컴퓨팅 자원 계산부(420), 자원 할당부(430)를 포함한다.

데이터 수신부(410), 해상도 및 컴퓨팅 자원 계산부(420), 자원 할당부(430)는 도 3의 단계들(310~340)을 수행하기 위해 구성될 수 있다.

데이터 수신부(410)는 MEC 서버에 연결된 각각의 MD로부터 MAR 어플리케이션 요구사항 및 MD의 스펙을 수신하고, 기지국으로부터 각각의 MD의 업링크 전송 파워를 포함하는 채널정보를 수신한다.

해상도 및 컴퓨팅 자원 계산부(420)는 수신된 MAR 어플리케이션 요구사항, MD의 스펙 및 MD의 채널정보에 기초하여 최적의 이미지 해상도 정보 및 최적의 컴퓨팅 자원 정보를 계산한다. MEC 서버에 연결된 모든 MD의 에너지 소비, 서비스 지연 시간 및 정확도 손실을 포함하는 비용을 최소화하기 위하여, 모든 MD에 대한 정확도 손실의 가중치 및 모든 MD에 대한 에너지 소비의 가중치에 관한 비용 함수를 이용하여 최소 컴퓨팅 용량을 계산하고, 각각의 MD의 요구사항을 보장한 후 각각의 MD에게 제공하기 위한 나머지 잉여자원을 계산한다.

자원 할당부(430)는 각각의 MD에게 최적의 이미지 해상도 정보를 제공하고, 각각의 MD의 객체 검출을 수행할 MEC 어플리케이션에는 최적의 컴퓨팅 자원 정보를 제공한다.

도 5는 본 발명의 일 실시예에 따른 가중치 팩터에 따른 성능분석을 설명하기 위한 그래프이다.

수치분석은 먼저 웨이트 팩터에 따른 성능분석을 진행하였다.

가 커진다는 것은 알고리즘이 정확도를 더 많이 고려하는 것을 의미하고,

가 커진다는 것은 에너지를 더 많이 고려하는 것을 의미한다.

가 증가할 수록 보내는 이미지 데이터 사이즈가 늘어나게 되고 지연이 늘어나게 된다. 하지만 에너지를 더 고려함에 따라 이미지 데이터 사이즈가 늘어나는 양이 줄어들게 되고 그에 따라 지연도 천천히 증가하게 된다.

가 늘어남에 따라 정확도 성능 또한 증가하게 된다. 하지만

가 크면 더욱 천천히 성능 향상이 일어난다.

가 증가함에 따라서 에너지 소비는 보내는 데이터 양이 많아지므로 더 증가하게 되지만,

가 증가하면 데이터 양이 늘어나는 폭이 줄어 에너지 소비 증가폭이 감소하게 된다.

도 6은 본 발명의 일 실시예에 따른 MEC서버에 연결되는 MD의 수가 증가함에 따른 최대 지연 제약을 어긴 MD의 비율을 나타내는 도면이다.

도 6을 참조하면, 제안한 스킴은 모두 최대 지연 제약을 만족하였지만, FACT의 경우와 베이스 라인의 경우 최대 지연 제약을 고려하지 않았기 때문에 MD 수가 증가할 수록 즉, 각각의 MD에 부여되는 컴퓨팅 용량이 적어질 수록 점점 더 많은 수의 MD가 최대 지연 제약을 어기는 것을 확인할 수 있다.

FACT 1의 경우, n이 늘어날 수록 fi가 기하급수적으로 감소하기 때문에 지연이 늘어나게 된다. FACT1의 경우에는 지연과 정확도를 균등하게 고려하고 있으므로, 지연이 너무 늘어나지 않게 정확도를 희생하면서 지연을 줄일 수 있다.

이에 반해 FACT 20의 경우에는 정확도만 중요하게 생각하기 때문에 n이 늘어나더라도 계속 정확도만 고려하면서 성능이 낮아지게 된다.

도 6(b)의 그래프는 최대 지연 제약과 평균 서비스 지연의 비율을 표시한 것이다. Y=1 선분 아래 있을 경우, 레이턴시가 최대 지연제약을 만족하는 것이다.

제안한 스킴들은 모두 Y=1 선분 아래에 위치하고 있다. OptAcc의 경우 정확도를 중시하기 때문에 Y=1 선분에 붙어 있지만, OptBal의 경우와 OptEne의 경우 더 낮은 지연을 보이는 것을 알 수 있다.

도 6(c)는 각 스킴들의 평균 정확도 로스 그래프이다. 앞서 설명한 바와 같이, FACT1의 경우는 정확도를 작게 가져가고 있다가 fi가 n이 늘어남에 따라 급격히 감소하기 때문에 정확도를 포기하고 지연을 줄이려고 하는 것을 보여주고 있다.

도 7은 본 발명의 일 실시예에 따른 가중치를 에너지, 지연, 정확도 세가지에 따라 고려한 성능분석을 설명하기 위한 그래프이다.

첫번째로 가중치를 에너지, 지연, 정확도 세가지를 모두 골고루 고려하는 상황에서 성능 평가를 진행하였다. 이 경우 모든 경우에서 opt 경우의 비용이 제일 작게 나왔다.

케이스로 보자면 n이 80일 때에 최소 케이스와 비교해서 최대 지연을 보장하면서 에너지를 조금 더 줄이면서 정확도를 5%올리는 결과를 얻을 수 있었고, n이 40일때 최대 케이스와 비교하여 최저 정확도를 보장하면서 지연을 26% 줄이고 에너지를 18% 줄이는 결과를 얻을 수 있었다. 또한, n이 100일 때 최대 케이스와 비교하여 최저 정확도를 보장하면서 지연을 13프로 줄이고 에너지를 10% 줄이는 결과를 얻을 수 있었다.

마지막으로 에너지를 많이 고려하는 상황에서 성능 평가를 진행하였다. 이 경우에서도 모든 경우에서 opt 경우의 비용이 제일 작게 나왔다. 또한 모든 경우에서 opt 케이스가 에너지가 작게 나오는 것을 확인 할 수 있었다.

케이스로 보자면 n이 40일 때에 최소 케이스와 비교해서 최대 지연을 보장하면서 에너지를 5.6% 줄이고 정확도를 2.5%올리는 결과를 얻을 수 있었고, n이 40일때 최대 케이스와 비교하여 최저 정확도를 보장하면서 지연을 31% 줄이고 에너지를 23% 줄이는 결과를 얻을 수 있었다. 또한 n이 100일 때 최대 케이스와 비교하여 최저 정확도를 보장하면서 지연을 17프로 줄이고 에너지를 15% 줄이는 결과를 얻을 수 있었다.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다.　 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다.　 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다.　 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다.　 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다.　 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다.　 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다.　 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.　 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.　 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.　 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.　

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다.　 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims

MEC 서버에 연결된 각각의 MD로부터 MAR 어플리케이션 요구사항 및 MD의 스펙을 수신하는 단계;
기지국으로부터 각각의 MD의 업링크 전송 파워를 포함하는 채널정보를 수신하는 단계;
수신된 MAR 어플리케이션 요구사항, MD의 스펙 및 MD의 채널정보에 기초하여 최적의 이미지 해상도 정보 및 최적의 컴퓨팅 자원 정보를 계산하는 단계; 및
각각의 MD에게 최적의 이미지 해상도 정보를 제공하고, 각각의 MD의 객체 검출을 수행할 MEC 어플리케이션에는 최적의 컴퓨팅 자원 정보를 제공하는 단계
를 포함하고,
수신된 MAR 어플리케이션 요구사항, MD의 스펙 및 MD의 채널정보에 기초하여 최적의 이미지 해상도 정보 및 최적의 컴퓨팅 자원 정보를 계산하는 단계는,
MEC 서버에 연결된 모든 MD의 에너지 소비, 서비스 지연 시간 및 정확도 손실을 포함하는 비용을 최소화하기 위하여, 모든 MD에 대한 정확도 손실의 가중치 및 모든 MD에 대한 에너지 소비의 가중치에 관한 비용 함수를 이용하여 최소 컴퓨팅 용량을 계산하고, 각각의 MD의 요구사항을 보장한 후 각각의 MD에게 제공하기 위한 나머지 잉여자원을 계산하고,
수신된 MAR 어플리케이션 요구사항, MD의 스펙 및 MD의 채널정보에 기초하여 최적의 이미지 해상도 정보 및 최적의 컴퓨팅 자원 정보를 계산하는 단계는,
각각의 MD에 대한 MAR 어플리케이션의 최소 정확도 요건을 충족하는 제1 제약조건, 각각의 MD에 대한 MAR 어플리케이션의 최대 지연 시간 요건을 충족하는 제2 제약조건, 각각의 MD의 이미지 해상도 범위를 표시하는 제3 제약조건, 및 MEC 서버의 컴퓨팅 용량을 공유하며 최대 컴퓨팅 용량을 초과하지 않는 제4 제약조건을 만족하는 최적의 컴퓨팅 자원 정보를 계산하는
모바일 증강현실 서비스의 모바일 단말 에너지 최적화 방법.
삭제
삭제
제1항에 있어서,
제1 제약조건, 제2 제약조건, 제3 제약조건 및 제4 제약조건을 독립적으로 적용하기 위하여 각각의 MD의 최소 컴퓨팅 용량을 이용한 비용 함수를 구하는
모바일 증강현실 서비스의 모바일 단말 에너지 최적화 방법.
제4항에 있어서,
각각의 MD의 최소 이미지 해상도를 이용하여 각각의 MD의 최소 컴퓨팅 용량을 구하고, 각각의 MD에 대한 MAR 어플리케이션의 최소 정확도 요건을 충족하는 제1 제약조건 및 각각의 MD의 이미지 해상도 범위를 표시하는 제3 제약조건을 이미지의 픽셀 사이즈의 함수로 나타내는
모바일 증강현실 서비스의 모바일 단말 에너지 최적화 방법.
MEC 서버에 연결된 각각의 MD로부터 MAR 어플리케이션 요구사항 및 MD의 스펙을 수신하고, 기지국으로부터 각각의 MD의 업링크 전송 파워를 포함하는 채널정보를 수신하는 데이터 수신부;
수신된 MAR 어플리케이션 요구사항, MD의 스펙 및 MD의 채널정보에 기초하여 최적의 이미지 해상도 정보 및 최적의 컴퓨팅 자원 정보를 계산하는 해상도 및 컴퓨팅 자원 계산부; 및
각각의 MD에게 최적의 이미지 해상도 정보를 제공하고, 각각의 MD의 객체 검출을 수행할 MEC 어플리케이션에는 최적의 컴퓨팅 자원 정보를 제공하는 자원 할당부
를 포함하고,
해상도 및 컴퓨팅 자원 계산부는,
MEC 서버에 연결된 모든 MD의 에너지 소비, 서비스 지연 시간 및 정확도 손실을 포함하는 비용을 최소화하기 위하여, 모든 MD에 대한 정확도 손실의 가중치 및 모든 MD에 대한 에너지 소비의 가중치에 관한 비용 함수를 이용하여 최소 컴퓨팅 용량을 계산하고, 각각의 MD의 요구사항을 보장한 후 각각의 MD에게 제공하기 위한 나머지 잉여자원을 계산하고,
해상도 및 컴퓨팅 자원 계산부는,
각각의 MD에 대한 MAR 어플리케이션의 최소 정확도 요건을 충족하는 제1 제약조건, 각각의 MD에 대한 MAR 어플리케이션의 최대 지연 시간 요건을 충족하는 제2 제약조건, 각각의 MD의 이미지 해상도 범위를 표시하는 제3 제약조건, 및 MEC 서버의 컴퓨팅 용량을 공유하며 최대 컴퓨팅 용량을 초과하지 않는 제4 제약조건을 만족하는 최적의 컴퓨팅 자원 정보를 계산하는
모바일 증강현실 서비스의 모바일 단말 에너지 최적화 시스템.
삭제
삭제
제6항에 있어서,
해상도 및 컴퓨팅 자원 계산부는,
제1 제약조건, 제2 제약조건, 제3 제약조건 및 제4 제약조건을 독립적으로 적용하기 위하여 각각의 MD의 최소 컴퓨팅 용량을 이용한 비용 함수를 구하는
모바일 증강현실 서비스의 모바일 단말 에너지 최적화 시스템.
제9항에 있어서,
해상도 및 컴퓨팅 자원 계산부는,
각각의 MD의 최소 이미지 해상도를 이용하여 각각의 MD의 최소 컴퓨팅 용량을 구하고, 각각의 MD에 대한 MAR 어플리케이션의 최소 정확도 요건을 충족하는 제1 제약조건 및 각각의 MD의 이미지 해상도 범위를 표시하는 제3 제약조건을 이미지의 픽셀 사이즈의 함수로 나타내는
모바일 증강현실 서비스의 모바일 단말 에너지 최적화 시스템.