💻 computer science

Agentic Fog: A Policy-driven Framework for Distributed Intelligence in Fog Computing

이 논문은 기존의 휴리스틱 및 최적화 방법보다 낮은 지연 시간과 더 나은 적응성을 달상하는 동시에 수렴성과 안정성을 보장하기 위해, 포그 노드를 공유 메모리와 게임 이론적 원칙을 통해 협력하는 자율 에이전트로 모델링하는 정책 기반 프레임워크인 Agentic Fog를 소개한다.

원저자: Saeed Akbar, Muhammad Waqas, Rahmat Ullah

게시일 2026-01-29

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Saeed Akbar, Muhammad Waqas, Rahmat Ullah

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

수천 개의 소규모 독립 상점(포그 노드, Fog Nodes)이 고객에게 패키지를 배달해야 하는 활기찬 도시를 상상해 보십시오. 과거의 방식에는 두 가지가 있었습니다. 하나는 멀리 떨어진 본사에서 모든 상점에 무엇을 할지 일일이 지시하려는 과부하 걸린 유능한 관리자(중앙 집중식 제어)였고, 다른 하나는 각 상점 주인이 근처에 있는 패키지를 일단 집어 들고 어떻게든 해보겠다며 달려 나가는 것(탐욕적 휴리스틱)이었습니다. 이 두 방법 모두 교통 체증, 느린 배송, 그리고 관리자가 아프거나 도로 상황이 변했을 때 발생하는 혼란을 초래했습니다.

이 논문은 이러한 상점들을 조직하는 새로운 방법인 **에이전틱 포그(Agentic Fog)**를 소개합니다. 이것은 모든 상점 주인을 자신의 동네를 속속들이 알고 있으면서도, 서로 조화를 유지하기 위해 이웃들과 소통하는 똑똑하고 자율적인 에이전트로 만드는 것을 의미합니다.

이 논문은 다음과 같은 쉬운 개념들을 사용하여 이 시스템을 설명합니다.

1. "스마트" AI(LLM)의 문제점

요즘 "AI 에이전트"라고 하면 거대 언어 모델(에세이를 쓰거나 대화를 나누는 모델)을 떠올릴 수 있습니다. 저자들은 이렇게 말합니다. "잠깐만요." 그런 모델들은 이야기를 쓰는 데는 훌륭하지만, 도시의 인프라를 운영하기에는 너무 느리고, 비용이 많이 들며, 예측 불가능합니다. 어떤 경로로 갈지 결정하는 데 10초가 걸리거나, 경로를 무작위로 추측하는 배송 시스템을 가질 수는 없습니다.

대 대신, 이 논문은 **거대 언어 모델 없는 에이전틱 AI(Agentic AI without the big language models)**를 제안합니다. 이 에이전트들은 이야기를 나누며 결정을 내리는 것이 아니라, 엄격하고 신뢰할 수 있는 규칙(정책)을 따르는 숙련된 지역 상인과 같습니다. 이들은 빠르고, 예측 가능하며, 수학적으로 작동함이 증명되었습니다.

2. 시스템의 3단계 층 구조

저자들은 이 시스템을 위해 3층짜리 건물을 설계했습니다.

최상층 (두뇌/오케스트레이터): 이곳은 느리게 생각하는 "글로벌 오케스트레이터(Global Orchestrator)"입니다. 이들은 상점들에게 매 초마다 무엇을 할지 지시하지 않습니다. 대신, "오늘은 속도에 집중하자" 또는 "오늘은 에너지를 절약하자"와 같이 일반적인 분위기나 목표를 설정합니다. 이들은 이러한 목표를 공유 게시판에 적어둡니다.
중간층 (에이전트): 이들은 포그 노드(상점 주인들)입니다. 이들은 게시판에서 목표를 읽고, 자신의 지역 상황(내 선반이 가득 찼는가? 도로가 막혔는가?)을 살피며, 즉시 옆에 있는 이웃들과 대화합니다. 이들은 공유 게시판에서 본 내용과 자신의 지역 지식을 조합하여 무엇을 할지 결정합니다.
최하층 (작업자): 이들은 "실행 에이전트(Execution Agents)"입니다. 이들은 근육 역할을 합니다. 생각하거나 계획하지 않고, 중간층이 지시하는 작업(패키지를 옮기거나 고객을 응대하는 일 등)을 수행하기만 합니다. 만약 작업자가 넘어지더라도 상층부의 계획가들은 당황하지 않고 다른 사람에게 업무를 할당합니다.

3. 핵심 비결: 공유 게시판

마법은 **공유 메모리(Shared Memory, 게시판)**에서 일어납니다.

이것은 모든 세부 사항을 기록하는 목록(너무 무거워져서 들고 다닐 수 없기 때문)이 아닙니다.
대신 "요약된 이력"을 담습니다: 사람들이 어디에 몰려 있는가? 어제는 무엇이 효과적이었는가? 전반적인 교통 패턴은 어떠한가?
모든 사람이 이 게시판을 읽을 수 있기 때문에, 중앙의 보스가 무엇이 일어나고 있는지 알려주지 않아도 됩니다. 그들은 게시판을 확인하고 옆집 상점과 대화함으로써 이웃들과 협력할 수 있습니다.

4. 그들이 수행하는 "게임"

이 논문은 **포텐셜 게임(Potential Game)**이라는 수학적 개념을 사용합니다.
모든 상점 주인이 자신에게 최선인 행동을 하려고 노력하지만, 그 규칙이 설정되어 있어 스스로를 돕는 행위가 자동으로 도시 전체를 돕게 되는 게임을 상상해 보십시오.

만약 한 상점 주인이 시간을 아끼기 위해 덜 붐비는 거리로 패키지를 옮긴다면, 그는 자신을 돕는 동시에 다른 모든 사람의 교통 체증도 줄여줍니다.
논문은 만약 모든 이가 (비동기적으로) 하나씩 결정을 업데이트하며 이 게임을 수행한다면, 시스템 전체가 결국 교통량이 최소화되는 완벽하고 안정적인 상태에 도달한다는 것을 수학적으로 증명합니다. 이는 마치 군중이 누군가의 지시 없이도 자연스럽게 식료품점의 가장 짧은 줄을 찾아가는 것과 같습니다.

5. 문제가 발생했을 때

이 시스템은 **회복 탄력성(Resilience)**을 갖추도록 설계되었습니다.

상점이 문을 닫으면: 시스템은 멈추지 않습니다. 이웃들은 상점이 사라진 것을 알아차리고, 게시판을 확인한 뒤 업무를 재분배합니다. "게임"은 계속되며, 시스템은 새로운 안정적인 균형을 찾아냅니다.
수요가 변하면: 갑작스러운 고객 급증(예: 명절 세일)이 발생하면, 에이전트들은 게시판의 새로운 데이터를 바탕으로 자신의 정책을 빠르게 조정합니다. 이는 기존의 "중앙 관리자" 시스템보다 훨씬 빠릅니다.

6. 결과

저자들은 기존 방식들과 비교 테스트하기 위해 컴퓨터 시뮬레이션을 실행했습니다.

더 빠름: 새로운 시스템은 "탐욕적" 방식보다 15~~30%, "중앙 관리자" 방식보다 10~~18% 더 빠르게 패키지(데이터)를 배달했습니다.
더 견고함: 시뮬레이션 중에 무작위로 여러 상점을 "죽였을(꺼버렸을)" 때, 새로운 시스템은 거의 속도가 느려지지 않았으나, 기존 시스템들은 교통 체증에 갇혀 버렸습니다.
효율적임: 협력을 유지하기 위해 상점 간에 방대한 양의 대화를 주고받을 필요가 없었습니다.

요약

요약하자면, 이 논문은 복잡한 컴퓨터 네트워크(포그 컴퓨팅)를 운영하기 위해 각 컴퓨터를 똑똑하고 독립적인 이웃으로 취급하는 방법을 제안합니다. 느리고 비싼 "슈퍼 브레인"이나 혼란스러운 무법천지에 의존하는 대신, 공유 메모리와 단순한 규칙을 사용하여 네트워크 전체가 스스로 조직되도록 합니다. 이는 마치 벌집과 같습니다. 단 한 마리의 벌도 지휘관 역할을 하지 않지만, 그들은 모두 무엇을 해야 할지 알고 있으며, 몇몇 벌이 길을 잃더라도 벌집은 완벽하게 작동합니다.

기술 요약: 에이전틱 포그(Agentic Fog): 포그 컴퓨팅의 분산 지능을 위한 정책 기반 프레임워크

1. 문제 정의

포그 컴퓨팅은 지연 시간에 민감하고 데이터 집약적인 애플리케이션을 지원하기 위해 클라우드 서비스를 네트워크 엣지로 확장한다. 그러나 현재의 포그 시스템은 휴리스틱 접근 방식, 로컬 그리디(Greedy) 최적화, 중앙 집중식 정수 선형 계획법(ILP)을 포함한 반응형 제어 체계에 과도하게 의존하고 있다. 이러한 기존 방식들은 실제 환경의 포그 환경에서 세 가지 결정적인 한계에 직면한다:

전역 관측 가능성 가정: 중앙 집중식 모델은 시스템 상태에 대한 거의 완전한 지식을 가정하지만, 이는 대규모의 이기종 및 장애 발생 가능성이 있는 배포 환경에서는 지속 불가능하다.
장기적 적응력 부족: 분산형 설계는 변화하는 수요 패턴과 장기적 행동 양상을 고려하지 못하는 경우가 많다.
확장성 및 오버헤드: ILP 정식화는 동적인 워크로드 하에서 확장성이 떨어지고 계산 오버헤드가 높다.

나아가, "에이전틱 AI(Agentic AI, AAI)"가 부상하는 패러다임임에도 불구하고, 최근 문헌들은 이를 거대언어모델(LLM) 기반 시스템과 혼동하는 경향이 있다. LLM 기반 에이전트는 높은 계산 비용, 확률적 의사결정, 그리고 형식적 분석 가능성의 결여로 인해 인프라 수준의 포그 컴퓨팅에는 부적합하다. 따라서 예측 가능성, 효율성 및 형식적 수렴 보장을 보장하는 비(Non)-LLM AAI 프레임워크가 필요하다.

2. 방법론: 에이전틱 포그(Agentic Fog, AF) 프레임워크

본 논문은 포그 노드(FN)가 정책 기반의 자율 에이전트로 동작하는 일반 모델인 **에이전틱 포그(AF)**를 제안한다. 이 프레임워크는 다음과 같은 핵심 구성 요소로 구축된다:

에이전트 정의: 에이전트 $A_i$ 는 관측( $O_i$ ), 내부 상태(메모리, $\zeta_i$ ), 결정 정책( $\pi_i$ ), 행동 공간( $\Lambda_i$ ), 유틸리티( $\upsilon_i$ )를 나타내는 튜플 $\langle O_i, \zeta_i, \pi_i, \Lambda_i, \upsilon_i \rangle$ 로 모델링된다. 결정적으로, 정책 함수 $\pi_i$ 는 알고리즘 불가지론적이며 자연어 추론에 의존하지 않는다.
아키텍처: 시스템은 계층형 아키텍처를 채택한다:
- 지능 계층(Intelligence Layer): 글로벌 목표를 실시간 제어 동작이 아닌 추상적인 정책 가이드(예: 지연 시간, 비용, 신뢰성 가중치)로 분해하는 글로벌 오케스트레이터 에이전트(GOA)를 포함한다.
- 에이전트 계층(Agent Layer): 캐싱, 라우팅 및 부하 분산을 관리하는 분산된 포그 에이전트(FA)로 구성된다. 이들은 로컬 상태와 **공유 메모리( $M^*$ )**를 사용하여 부분 관측 가능성 하에서 동작한다.
- 실행 계층(Execution Layer): 무상태(Stateless) 작업(서비스, 복제)을 수행하고 상태를 보고하는 경량 실행 에이전트(EA)로 구성되며, 실행과 전략적 의사결정을 분리한다.
공유 메모리: 에이전트들은 토폴로지( $T$ ), 수요 이력( $D$ ), 요약된 정책 결과( $H$ )를 저장하는 공유되고 최종적으로 일관성이 유지되는 메모리에 접근한다. 이를 통해 에이전트들은 중앙 집중식 권한 없이도 시간적 패턴을 추론할 수 있다.
게임 이론적 정식화: 에이전트 간의 협력은 **정확한 포텐셜 게임(Exact Potential Game, PG)**으로 정식화된다. 각 에이전트는 글로벌 목표( $O^*$ $O^{*}$ )에 대한 기대 한계 기여도로 정의되는 로컬 유틸리티를 최적화한다.
- 글로벌 목표는 $O^* = \alpha L + \beta C + \gamma R$ (지연 시간, 비용, 신뢰성)이다.
- 시스템은 비동기적이고 유계된 합리성(Bounded-rational) 기반의 최적 대응(Best-response) 역학을 사용한다.
조정 메커니즘: 에이전트들은 충돌(예: 중복 복제)을 해결하기 위해 피어 투 피어(P2P) 방식의 국소적 조정을 수행하며, 이는 글로벌 동기화 없이 전역 포텐셜 함수의 존재를 보장한다.

3. 주요 기여

본 논문은 다음과 같은 개념적 및 기술적 기여를 한다:

LLM 독립적 AAI 정의: LLM 중심의 시스템과 명확히 구분되는, 지속적인 자율성, 정책 기반 의사결정 및 분석 가능한 협력을 강조하는 시스템 중심의 정밀한 에이전틱 AI 정의를 제공한다.
통합된 형식 모델: 포그 컴퓨팅을 공유 메모리, 분산 조정, 그리고 느린 정책 정렬과 빠른 로컬 의사결정 사이의 시간 척도 분리를 포착하는 자율 에이전트들의 집합으로 모델링한다.
수렴 보장: 분산된 포그 조정이 정확한 포텐셜 게임을 유도함을 증명한다. 이 정식화는 비동기적 유계 합리적 최적 대응 역학 하에서 내쉬 균형(Nash equilibrium)으로의 수렴에 대한 형식적 보장을 제공한다.
장애 하의 안정성: 연결성과 공유 메모리의 지속성이 유지되는 한, AF 시스템이 영구적인 노드 장애 하에서도 안정성을 유지함을 입증하여 "우아한 성능 저하(Graceful degradation)" 특성을 정형화한다.

4. 시뮬레이션 결과

본 프레임워크는 비정상 포아송 요청 도착(Non-stationary Poisson request arrivals)과 지프 분포(Zipf-distributed) 콘텐츠 인기도를 가진 메시 네트워크(10~50개 노드)에서 시뮬레이션을 통해 평가되었다. AF 시스템은 동적인 워크로드 하에서 중앙 집중식 ILP 및 그리디 휴리스틱과 비교되었다.

지연 시간 및 적응성: AF 시스템은 동적인 워크로드 하에서 그리디 전략 대비 평균 지연 시간을 15~30% 감소시켰으며, ILP 대비 10~18% 감소시켰다.
수렴성: AF 시스템은 베이스라인보다 현저히 빠르게 수렴하였으며, 네트워크 크기가 증가함에 따라 반복 횟수가 거의 일정하게 유지되어 PG 정식화의 확장성을 검증하였다.
장애 복구력: 무작위 노드 장애 발생 시, AF는 ILP 및 그리디 방식에서 나타나는 급격한 성능 저하와 비교하여 최소한의 지연 시간 저하만을 보였다.
제어 오버헤드: AF는 베이스라인보다 약간 높은 메시 교환 오버헤드를 발생시켰으나, 지연 시간 및 안정성 측면의 이득에 비하면 무시할 만한 수준이었다.
민감도 분석: 성능은 공유 메모리 크기가 증가함에 따라 향상되었으나(최대 100개의 에피소드), 그 이후에는 수익 체감 현상이 관찰되었다.

5. 의의 및 주장

본 논문은 에이전틱 AI를 위한 엄격한 이론적 및 시스템적 토대를 구축한다고 주장한다. 주요 의의는 다음과 같다:

이론과 실제의 가교: 원칙 있고 분석 가능하며 인프라와 호환되는 아키텍처를 제공함으로써 AAI 이론과 실제 포그 시스템 사이의 간극을 메운다.
개념적 명확화: AAI를 형식적 보장이 필요한 지연 시간 민감형 환경에 부적합한 LLM 중심 시스템과 구별함으로써, 자원 제약이 있는 인프라를 위한 실행 가능한 패러다임으로 재정립한다.
강건성: 중앙 집중식 최적화나 언어 처리 시스템에 의존하지 않고, 국소적이고 정책 기반의 상호작용을 통해 시스템 수준의 지능이 창발될 수 있음을 입증하며, 이를 통해 동적이고 부분 관측 가능한 환경에서의 강건성을 보장한다.

저자들은 에이전틱 포그 프레임워크가 인지적으로 분산되어 있으면서도 형식적으로 검증 가능한 차세대 엣지 및 포그 컴퓨팅을 향한 경로를 제시한다고 결론짓는다.