인공지능 서비스 수요 증가는 중앙 집중형 클라우드 서버의 에너지 소비와 지연 문제를 심화시키고 있다. 이를 해결하기 위해 엣지 컴퓨팅이 제안되었지만, 이기종 디바이스의 자원 제약으로 안정적인 서비스 제공에 한계가 있다. 본 논문은 이러한 문제를 해결하기 위해 디바이스 자원을 정량화하는 구조를 제안한다. 리소스 셀은 CPU 성능과 메모리 대역폭을 반영한 인공지능 워크로드 기반 벤치마크를 통해 산출되며, 엣지 디바이스 자원을 정량화한다. 본 연구에서는 엣지 디바이스인 Raspberry Pi를 대상으로 벤치마크를 수행하고, MQTT 기반 분산 추론 환경에서 작업 분배 전략을 적용하였다. 실험 결과, 리소스 셀 기반 추론 예측은 최대 94%의 높은 추론 시간 예측 신뢰도를 보였으며, 에너지 효율성과 분산 처리 효율성을 확인하였다. 본 연구는 이기종 엣지 환경에서 효율적 자원 관리와 분산 추론을 위한 구조적 접근을 제시한다.
Kwon et al. (Tue,) studied this question.