모바일 엣지 컴퓨팅 환경에서의 연산 오프로딩을 위한 이동경로 예측

Abstract

모바일 기기의 부족한 컴퓨팅 파워와 배터리 용량으로 인해 연산량이 많은 어플리케이션을 모바일 기기에서 수행하기에는 무리가 있다. 이에 대한 해결책 중 하나는 중앙 클라우드 서버로 연산을 오프로딩 하여 서버가 연산을 대신 수행하도록 하는 것이다. 하지만 중앙 클라우드 서버를 이용하게 되면 데이터를 주고 받으며 발생하는 시간 지연(latency)이 커지게 된다. 이러한 시간 지연은 실시간으로 연산을 해야 하는 어플리케이션의 수행을 어렵게 만든다. 중앙 클라우드 서버의 시간 지연 문제를 해결하기 위해 모바일 엣지 컴퓨팅(MEC)이라는 새로운 패러다임이 등장했다. 모바일 엣지 컴퓨팅에서는 모바일 기기와 가까운 엣지 서버로 연산을 오프로딩 하기 때문에 전통적인 클라우드 컴퓨팅에서 중앙 서버를 이용하기 때문에 발생했던 시간 지연을 줄일 수 있다. 하지만 모바일 엣지 컴퓨팅 환경에서는 모바일 유저가 이동하면서 오프로딩하는 서버가 계속해서 바뀌게 된다. 서버가 바뀔 때마다 오프로딩에 필요한 데이터를 다시 전송해야 하고, 데이터를 전송하는 동안은 서버를 이용할 수 없기 때문에 성능 저하가 발생한다. 본 논문에서는 모바일 유저의 과거 위치정보를 기반으로 이동경로를 예측하여 다음에 연결될 엣지 서버로 연산 오프로딩을 위한 데이터를 미리 보내 전체적인 오프로딩 성능을 향상시킬 수 있도록 이동경로를 예측하는 모델을 제시한다. 이동경로 예측 모델은 Markov Model, Support Vector Regression, Recurrent Neural Network를 사용하여 구현하였고, 시뮬레이션을 통해 이동경로 예측 모델이 모바일 엣지 컴퓨팅 환경에서의 연산 오프로딩 성능을 향상시키는 것을 확인하였다.

Mobile Edge Computing(MEC) paradigm allows mobile devices to offload complex computations to a nearby edge server with low latency. However, in mobile edge computing environment, as a mobile user moves, accessible edge servers constantly change. Moving to another edge servers coverage area cause offloading performance degradation because the server does not have necessary data for offloading. In this paper, we propose mobility prediction models which predict mobile users next locations based on their past mobility data and send necessary data for offloading to edge servers close to the predicted locations. Mobility prediction models are implemented by using Markov Model, Support Vector Regression, and Recurrent Neural Network. We evaluated mobility prediction models by performing simulations, which showed that the models can improve computation offloading in mobile edge computing environment.