Joint Optimization of Model Partitioning and Resource Allocation for Anti-Jamming Collaborative Inference Systems

이 논문은 적대적 재밍 환경에서 딥러닝 모델 분할과 자원 할당을 공동 최적화하여 지연과 정확도 수익 (RDA) 을 극대화하는 효율적인 교대 최적화 알고리즘을 제안하고 그 우수성을 입증합니다.

핵심

🏭 배경: 공장과 해커의 등장

상상해 보세요. 작은 **로봇 (휴대폰)**이 복잡한 미로 찾기 (딥러닝 추론) 를 해야 합니다. 하지만 로봇은 힘이 약해서 혼자서 미로 전체를 다 풀면 시간이 너무 오래 걸리거나 배터리가 다 떨어집니다.

그래서 로봇은 **큰 공장 (에지 서버)**과 손을 잡습니다.

1. 로봇은 미로의 초반부를 혼자 풀고, 그 결과물 (중간 데이터) 을 공장으로 보냅니다.
2. 공장은 그 결과물을 받아 나머지 후반부를 빠르게 풀어줍니다.
3. 이렇게 나누어 일하는 것을 **'협업 추론'**이라고 합니다.

하지만 문제! 악당인 **재밍 (Jamming)**이 나타납니다. 재밍은 공장과 로봇 사이를 오가는 편지 (데이터) 를 찢거나 왜곡시키는 방해꾼입니다. 편지가 망가지면 공장은 엉뚱한 답을 내놓게 되고, 결국 미로 찾기 실패로 이어집니다.

🎯 이 연구의 목표: "최고의 성과 (RDA)"

이 논문은 **"방해꾼이 있을 때, 어떻게 하면 로봇과 공장이 가장 효율적으로 일할 수 있을까?"**를 연구했습니다. 여기서 '효율'은 두 가지의 균형을 의미합니다.

• 속도 (Delay): 얼마나 빨리 끝내느냐?
• 정확도 (Accuracy): 얼마나 정확하게 끝내느냐?

저자들은 이 두 가지를 합친 **'수익 (RDA)'**이라는 지표를 만들어, 이를 최대화하는 방법을 찾았습니다.

🔧 해결책: 세 가지 핵심 전략

저자들은 세 가지 변수를 동시에 조절하여 최적의 상황을 만들었습니다.

1. 어디서 일을 나눌 것인가? (모델 분할)

   • 로봇이 미로의 10% 까지 풀고 공장에 보낼지, 50% 까지 풀고 보낼지 결정합니다.
   • 비유: 방해꾼이 심한 날에는 로봇이 더 많은 일을 직접 해서 공장까지 가는 '위험한 편지'의 양을 줄이는 전략을 씁니다.

2. 얼마나 세게 보내는가? (전송 전력)

   • 로봇이 공장에 편지를 보낼 때, 방해꾼의 소음을 이겨내려면 얼마나 큰 소리로 (전력을 높여) 말해야 할지 계산합니다.
   • 비유: 시끄러운 카페에서 친구에게 말을 걸 때, 귀를 막고 큰 소리로 말하느냐, 아니면 조용히 귀에 대고 속삭이느냐를 결정하는 것과 같습니다.

3. 공장에 얼마나 많은 인력을 줄 것인가? (컴퓨팅 자원)

   • 공장은 여러 로봇의 일을 동시에 처리해야 합니다. 각 로봇에게 얼마나 많은 작업 인력을 배정할지 조절합니다.
   • 비유: 공장의 일꾼들을 중요한 작업에 집중시키거나, 여러 작업에 골고루 나누어 주는 것과 같습니다.

🧠 해결 방법: "교차 최적화 알고리즘"

이 세 가지를 한 번에 다 맞추기는 너무 어렵습니다. 그래서 저자들은 세 가지 문제를 나누어 해결하는 지혜로운 방법을 제안했습니다.

1. 수학적 계산 (KKT 조건): 인력 배분 문제를 수학 공식으로 딱딱 계산해 최적의 답을 찾습니다.
2. 볼록 최적화: 전력 조절 문제를 깔끔하게 정리해 해답을 찾습니다.
3. 양자 유전 알고리즘 (QGA): "어디서 일을 나눌지"라는 결정은 정수 (0, 1, 2...) 로만 가능해서 복잡합니다. 이때 진화론을 모방한 AI를 사용합니다. 마치 자연에서 '적자생존'을 통해 가장 좋은 종을 찾아내듯, 수많은 시나리오를 빠르게 테스트해 가장 좋은 분할 지점을 찾아냅니다.

이 세 가지 과정을 반복하며 (교차 최적화), 점점 더 좋은 답을 찾아갑니다.

📊 실험 결과: 왜 이 방법이 좋은가?

저자들은 시뮬레이션을 통해 기존 방법들과 비교했습니다.

• 기존 방법 1 (로봇 혼자): 배터리가 금방 닳고 느립니다.
• 기존 방법 2 (공장 혼자): 로봇이 보내는 데이터가 방해받으면 실패합니다.
• 기존 방법 3 (고정 전력): 방해꾼이 강해져도 전력 조절을 안 해서 실패합니다.

**이 연구의 방법 (제안된 방식)**은 방해꾼 (재밍) 의 세기가 강해지더라도, 로봇이 스스로 일을 더 많이 하거나 전력을 조절하는 등 유연하게 대응했습니다. 그 결과, 가장 빠른 시간 안에 가장 높은 정확도를 달성하며 '수익 (RDA)'을 극대화했습니다.

💡 결론

이 논문은 **"악성 해커가 데이터를 방해할 때, 로봇과 공장이 서로의 능력을 최대한 활용하고, 일을 나누는 지점을 지능적으로 조절하며, 방해꾼을 이겨낼 만큼 충분히 큰 소리로 데이터를 보내는 방법"**을 찾아냈습니다.

이는 앞으로 6G 통신과 인공지능이 결합된 세상에서, 보안 위협 속에서도 빠르고 정확한 서비스를 제공하는 핵심 기술이 될 것입니다.

기술 요약

논문 요약: 반제밍 (Anti-Jamming) 협력 추론 시스템을 위한 모델 분할 및 자원 할당 공동 최적화

1. 문제 정의 (Problem Definition)

• 배경: 6G 통신과 딥뉴럴 네트워크 (DNN) 의 발전으로 인해 리소스가 제한된 단말기에서 DNN 추론을 수행하는 데 어려움이 발생함에 따라, 단말기 - 엣지 (Device-Edge) 협력 추론 (Collaborative Inference, CI) 이 대안으로 부상했습니다.
• 핵심 문제: 협력 추론 과정에서 단말기와 엣지 서버 간에 전송되는 **중간 특징 데이터 (Intermediate Feature Data, IFD)**는 악성 재밍 (Jamming) 공격에 매우 취약합니다.
  • 재밍 신호는 무선 링크의 신호 대 간섭 잡음비 (SINR) 를 저하시켜 데이터 무결성을 해치고, 이는 최종 추론 정확도 (Inference Accuracy) 의 심각한 저하로 이어집니다.
  • 기존 연구들은 주로 지연 시간이나 에너지 소비를 최적화했으나, 악성 재밍 환경 하에서 DNN 모델 분할 (Partitioning) 전략과 통신 자원을 어떻게 공동으로 최적화하여 추론 성능을 유지할지에 대한 연구는 부족했습니다.
• 목표: 악성 재밍이 존재하는 환경에서, 지연 시간과 추론 정확도의 균형을 나타내는 **수익 (Revenue of Delay and Accuracy, RDA)**을 최대화하는 것.

2. 방법론 (Methodology)

저자들은 다음과 같은 시스템 모델과 최적화 기법을 제안했습니다.

• 시스템 모델:

  • N 개의 무선 단말기, 1 개의 엣지 서버 (ES), 1 개의 악성 재밍러로 구성됩니다.
  • DNN 모델을 단말기와 엣지 서버 간에 분할하여 처리합니다 (단말기는 초기 레이어, 엣지는 후속 레이어 수행).
  • 추론 정확도 모델링: 실험 데이터를 기반으로 한 데이터 회귀 (Data Regression) 기법을 사용하여, SINR 과 분할 지점 (Partitioning Point) 에 따른 추론 정확도를 로지스틱 함수 형태로 수학적으로 모델링했습니다.

• 최적화 문제 수립:

  • 목적 함수: 지연 수익과 정확도 수익의 가중 합 (RDA) 을 최대화.
  • 결정 변수:
    1. 엣지 서버의 계산 자원 할당 ($f^E_n$)
    2. 각 단말기의 전송 전력 ($p_n$)
    3. DNN 모델 분할 지점 ($k_n$)
  • 제약 조건: 최소 추론 정확도, 단말기 에너지 소비 한도, 엣지 서버의 최대 계산 능력, 전송 전력 한도.
  • 이 문제는 정수 변수 (분할 지점) 와 연속 변수 (전력, 자원) 가 혼재된 혼합 정수 비선형 계획법 (MINLP) 문제로, 직접 해결이 어렵습니다.

• 해결 알고리즘 (AO 기반 반복 알고리즘):

  • 문제를 세 개의 하위 문제로 분해하여 교대 최적화 (Alternating Optimization, AO) 프레임워크로 반복적으로 해결합니다.
    1. 계산 자원 할당: 주어진 전력과 분할 지점에서, **KKT 조건 (Karush-Kuhn-Tucker)**을 활용하여 폐쇄형 해 (Closed-form solution) 를 유도합니다.
    2. 전송 전력 최적화: 주어진 자원과 분할 지점에서, 비볼록 문제를 볼록 최적화 문제로 변환하여 CVX 등의 솔버를 사용하여 전력을 결정합니다.
    3. DNN 분할 최적화: 이산적인 분할 지점을 찾기 위해 **양자 유전 알고리즘 (Quantum Genetic Algorithm, QGA)**을 적용합니다. QGA 는 유전 알고리즘에 양자 컴퓨팅 원리를 접목하여 조기 수렴을 방지하고 전역 최적해 탐색 능력을 향상시킵니다.

3. 주요 기여 (Key Contributions)

1. 새로운 시나리오 제안: 악성 재밍이 존재하는 단말기 - 엣지 협력 추론 시스템을 최초로 연구 대상으로 설정했습니다.
2. 정량적 모델링: 재밍과 DNN 분할이 추론 정확도에 미치는 영향을 데이터 회귀를 통해 정량화하고, 이를 정확도 함수에 반영했습니다.
3. 공동 최적화 프레임워크: 지연 시간과 정확도의 트레이드오프를 고려한 RDA 지표를 도입하고, 이를 최대화하기 위해 계산 자원, 전송 전력, 모델 분할을 동시에 최적화하는 알고리즘을 제안했습니다.
4. 효율적인 알고리즘 설계: MINLP 문제를 해결하기 위해 KKT, 볼록 최적화, QGA 를 결합한 효율적인 반복 알고리즘을 개발했습니다.

4. 실험 결과 (Simulation Results)

저자들은 ResNet-18 모델을 CIFAR-10 데이터셋에 적용하여 시뮬레이션을 수행했습니다.

• 비교 대상: 로컬 컴퓨팅 (LC), 엣지 서버 컴퓨팅 (ESC), 고정 전송 전력 (FTP), 기존 유전 알고리즘 기반 (GA-based) 방식.
• 주요 성과:
  • RDA 성능: 제안된 방식은 모든 비교 대상 (Baseline) 대비 가장 높은 RDA를 달성했습니다. 이는 지연 시간과 정확도 간의 균형을 재밍 환경에서도 효과적으로 유지함을 의미합니다.
  • 재밍 강도 변화: 재밍 전력 (Jamming Power) 이 증가함에 따라 다른 방식들은 성능이 급격히 저하되는 반면, 제안된 방식은 **높은 추론 정확도 (80% 이상)**를 유지하며 RDA 를 우세하게 유지했습니다.
  • 지연 시간: 단말기의 계산 능력이 증가할수록 제안된 방식은 전체 지연 시간을 효과적으로 줄였습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 기술적 의의: 본 논문은 무선 채널의 개방성으로 인한 보안 위협 (재밍) 이 DNN 추론 성능에 미치는 영향을 체계적으로 분석하고, 이를 완화하기 위한 시스템 차원의 통합 최적화 솔루션을 제시했다는 점에서 의미가 큽니다.
• 실용성: 리소스 제약이 있는 단말기 환경에서도 악성 공격에 견고한 (Robust) 협력 추론 서비스를 제공할 수 있는 가능성을 입증했습니다.
• 향후 과제: 무선 채널의 개방성을 고려하여, 모델 분할과 **보안 전송 전략 (Anti-jamming secure transmission)**을 더욱 긴밀하게 결합한 연구가 필요함을 언급하며 결론을 맺었습니다.

이 연구는 6G 환경에서의 지능형 엣지 컴퓨팅이 보안 위협 하에서도 안정적으로 작동할 수 있는 중요한 이론적 기반을 마련했다는 점에서 높은 가치를 지닙니다.