원격 모니터링 시스템의 저전력 연산 최적화를 위한 지능형 서버 오프로딩 기법 = Intelligent Server Offloading Technique for Low-Power Computation Optimization in Remote Monitoring Systems

국문 초록 (Abstract)

현대 사회에서 원격 모니터링 시스템은 재난 감지, 환경 분석, 스마트 농 업 등 다양한 분야에서 중요한 역할을 수행하고 있다. 이러한 시스템들은 사람의 접근이 제한적이거나 외부 전력 인프라가 부족한 지역에 설치되며, 주로 배터리나 태양광 등 제한된 전원 자원에 의존하여 구동되는 경우가 많다. 그러나 카메라 영상 분석, 센서 데이터 패턴 인식 등과 같은 딥러닝 기반의 복잡한 연산은 시스템의 컴퓨팅 자원을 과도하게 사용하고, 이로 인해 배터리 소모를 증가시켜 시스템의 지속적인 운영을 어렵게 하는 문제 점을 가지고 있다. 본 논문은 이와 같은 한계를 극복하기 위해 시스템의 자원 사용량을 예 측하고, 이를 기반으로 연산을 동적으로 분산하는 지능형 서버 오프로딩 기법을 제안한다. 제안하는 기법은 엣지(Edge) 시스템에 탑재된 장단기 메 모리(Long Short-Term Memory, LSTM)을 활용하여 미래의 자원 사용량 을 예측하고, 연산 부하가 증가할 것으로 판단되면 엣지 디바이스는 딥러 닝 연산을 직접 수행하는 대신 원시 데이터(Raw Data)를 중앙 서버로 전 송한다. 중앙 서버는 전송받은 원시 데이터를 바탕으로 딥러닝 연산을 처 리하고, 그 결과값만을 엣지 디바이스로 다시 전달함으로써 엣지 디바이스 의 연산 부하를 최소화한다. 실험 결과, 제안된 기법은 기존 엣지 단독 연산 방식 대비 평균 전력 소 모량을 4.6% 감소시켰으며, 오프로딩 대상 알고리즘의 에너지 소비를 43.6% 절감하는 효과를 보였다. 이는 원격 모니터링 시스템의 지속 가능성 및 가용성을 크게 향상시킬 수 있음을 의미하며, 배터리 기반의 원격 엣지 컴퓨팅 환경에서 에너지 효율성을 극대화하는 새로운 방향을 제시한다.

다국어 초록 (Multilingual Abstract)

Remote monitoring systems are often deployed in locations with limited human access and constrained power budgets, where deep learning workloads (e.g., camera analytics and sensor pattern recognition) can quickly drain batteries and jeopardize continuous operation. This paper of thesis presents a prediction-driven, selective offloading technique that forecasts near-term resource demand on the edge and redirects computation accordingly. An LSTM model running on the edge predicts upcoming load; when a rise is anticipated, the device transmits raw data to a central server, which executes the deep-learning pipeline and returns only the results, thereby reducing on-device computation while preserving service quality. In experiments against an edge-only baseline, the method reduces average system power by 4.6% and cuts the energy of the offloaded algorithm by 43.6%, improving the sustainability and availability of battery-powered deployments. These results indicate that prediction-guided offloading is a practical path to maximizing energy efficiency in resource-constrained remote monitoring.

목차 (Table of Contents)

• 제1장 서론 1
• 제2장 관련 연구 조사 2
• 제1절 엣지 디바이스 기술 2
• 제2절 연산 오프로드 기술 4
• 제3장 제안 기법 7
• 제1절 시스템 아키텍처 7
• 제2절 LSTM기반의 자원 사용량 예측 모델 13
• 제3절 동적 오프로딩 의사결정 알고리즘 13
• 제4절 데이터 전송 및 연산 처리 프로세스 13
• 제4장 실험 및 성능 평가 19
• 제1절 실험 환경 구축 19
• 제2절 평가 지표 30
• 제3절 실험결과 및 분석 42
• 제5장 결론 58
• 참고문헌 62
• Abstract 66