Resource-Cell Structure for Distributed AI Workloads in Edge Computing

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.