Scaling Real-Time Traffic Analytics on Edge-Cloud Fabrics for City-Scale Camera Networks

이 논문은 엣지-클라우드 패브릭 기반의 AIITS 를 통해 수천 개의 CCTV 스트림을 실시간으로 처리하고, 스페이셜-타임 GNN 을 활용한 교통 예측 및 지속적 학습을 가능하게 하는 확장성 있는 도시 규모 교통 분석 시스템을 제안하고 검증합니다.

핵심

이 논문은 인도 벵갈루루의 거대한 교통 체증을 해결하기 위해, 수백 대의 CCTV 카메라를 '스마트한 도시의 눈'으로 바꾸는 혁신적인 시스템을 소개합니다.

기존 방식이 모든 영상 데이터를 중앙 서버로 보내고 처리했다면, 이 연구는 "가까운 곳에서 처리하고, 필요한 정보만 보내는" 새로운 방식을 제안합니다. 마치 거대한 도시의 교통 상황을 한 번에 파악하기 위해, 각 교차로에 지능형 감시병을 배치하고 그들만 필요한 보고서를 본부에 보내는 것과 같습니다.

이 복잡한 기술을 일상적인 비유로 쉽게 설명해 드릴게요.

---

1. 문제: "눈이 멀어가는 도시"

벵갈루루는 세계에서 가장 교통 체증이 심한 도시 중 하나입니다. 수천 대의 CCTV 카메라가 있지만, 기존 시스템은 이 모든 영상을 중앙 서버로 보내야 했기 때문에 데이터 폭포가 발생했습니다.

• 비유: 마치 1,000 명이 동시에 한 명에게 "지금 차가 몇 대 지나갔나요?"라고 물어보고, 그 사람이 모든 답을 메모장에 적으려다 지쳐버리는 상황입니다. 대역폭 (인터넷 속도) 과 서버 용량이 부족해 실시간 분석이 불가능했습니다.

2. 해결책: "현장 전문가 (에지) 와 지휘본부 (클라우드) 의 협업"

이 연구팀은 두 단계로 나뉜 스마트한 협업 시스템을 만들었습니다.

① 현장 전문가: "스마트한 감시병 (에지 장치)"

각 CCTV 카메라 옆에는 **라즈베리 파이 (저가형 컴퓨터)**와 **제트슨 오린 (고성능 AI 칩)**이라는 작은 컴퓨터들이 붙어 있습니다.

• 역할: 이들은 영상을 중앙으로 보내지 않고, 현장에서 바로 분석합니다. "저 차는 버스야", "저건 오토바이야"라고 식별하고, "지금 1 분 동안 50 대의 차량이 지나갔어"라는 간단한 요약 보고서만 만듭니다.
• 비유: 1,000 명의 감시병이 각자 자신의 구역에서 상황을 지켜보다가, 본부에 "차량 50 대 통과"라는 짧은 전보만 보내는 것입니다. 영상 파일 자체는 보내지 않아 인터넷 속도가 느려지지 않습니다.

② 지휘본부: "예측 천재 (클라우드 서버)"

중앙 서버는 현장으로부터 받은 '간단한 요약 보고서'들을 받아 **도시 전체의 교통 지도 (그래프)**를 그립니다.

• 역할: AI 가 이 지도를 보고 "지금 A 교차로가 막히면, 5 분 뒤 B 교차로도 막힐 거야"라고 미래를 예측합니다.
• 비유: 본부는 수천 개의 전보를 받아 "아, 지금 이 길이 막히면 저 길도 곧 막히겠구나"라고 파악하고, 교통 경찰에게 "지금 이 신호등 시간을 바꿔!"라고 지시합니다.

3. 핵심 기술: "유연한 인력 배치와 학습"

🚦 지능형 배정 시스템 (스케줄러)

현장의 컴퓨터들 (에지 장치) 은 성능이 제각각입니다. 어떤 것은 강력하고 어떤 것은 약합니다.

• 비유: 이 시스템은 **"현장 지휘관"**처럼 작동합니다. "강한 병사 (고성능 칩) 에는 100 개의 카메라를, 약한 병사 (저성능 칩) 에는 10 개만 맡겨라"라고 자동으로 배정합니다. 어떤 병사가 지치면 다른 병사가 도와주며, 시스템 전체가 멈추지 않도록 균형을 맞춥니다.

🧠 스스로 배우는 AI (연속 학습)

인도 도로에는 오토바이, 삼륜차, 버스 등 다양한 차량이 섞여 있어 기존 AI 가 헷갈려 합니다.

• 비유: 이 시스템은 **"스스로 공부하는 학생"**입니다. 현장에서 AI 가 모르는 새로운 차종 (예: 낯선 형태의 오토바이) 을 발견하면, SAM3 라는 거대 AI 모델이 도와주어 "이건 뭐지?"라고 자동으로 라벨을 붙여줍니다. 그리고 그 정보를 바탕으로 현장 컴퓨터 스스로 학습을 업데이트합니다. 중앙 서버로 데이터를 보내지 않아도, 각 현장이 스스로 똑똑해집니다.

4. 성과: "2,000 대의 카메라를 한 번에!"

이 시스템을 벵갈루루의 한 동네에서 테스트한 결과, 놀라운 성과를 거두었습니다.

• 속도: 초당 2,000 장 이상의 영상을 실시간으로 처리했습니다.
• 정확도: 100 개의 카메라 데이터를 바탕으로 5 분 뒤의 교통 체증을 90% 이상 정확하게 예측했습니다.
• 확장성: 앞으로는 1,000 개의 카메라 스트림을 한 번에 처리할 수 있도록 시스템을 확장할 계획입니다.

요약

이 논문은 **"수천 대의 CCTV 가 찍는 영상을 한곳으로 모아 처리하는 구식 방식"**을 버리고, **"각 카메라 옆에서 지능적으로 분석하고 요약한 뒤, 그 정보만으로 도시 전체의 교통을 예측하는 분산형 시스템"**을 제안합니다.

이는 마치 수천 명의 감시병이 각자 현장을 지키며 필요한 정보만 전보로 보내고, 본부는 그 전보들로 미래의 교통 체증을 미리 막는 똑똑한 도시 운영 시스템입니다. 이를 통해 에너지도 아끼고, 실시간으로 도시의 교통 흐름을 최적화할 수 있게 되었습니다.

기술 요약

논문 개요

이 논문은 인도 벵갈루루와 같은 신흥 대도시의 복잡한 교통 환경을 해결하기 위해, 엣지 - 클라우드 패브릭 (Edge-Cloud Fabric) 기반의 확장 가능한 AI 기반 지능형 교통 시스템 (AIITS) 을 제안합니다. 수백~수천 개의 CCTV 스트림을 실시간으로 처리하면서도 엄격한 지연 시간, 대역폭, 컴퓨팅 제약 조건을 만족시키는 아키텍처와 알고리즘을 제시합니다.

1. 문제 정의 (Problem Statement)

• 교통 혼잡과 안전: 급속한 도시화로 인해 교통 체증과 사고가 심각한 사회적 문제입니다. 벵갈루루는 전 세계적으로 두 번째로 혼잡한 도시로, 통근 속도가 매우 느리고 연간 통근자당 약 7 일의 시간이 손실됩니다.
• 기존 인프라의 한계:
  • 비표준 교통 환경: 인도 도로에서는 오토바이, 삼륜차, 버스, 트럭 등 다양한 차량이 비선로 (non-lane-based) 방식으로 혼재하여 이동합니다. 기존 SUMO 나 Vissim 같은 시뮬레이션 도구는 이러한 이질적인 환경을 효과적으로 보정하기 어렵습니다.
  • 센서 부족: 전용 교통 감시 카메라 (차선 인식, 번호판 인식 등) 가 부족하여, 일반 안전용 CCTV 를 교통 흐름 분석에 활용해야 합니다.
  • 확장성 문제: 수천 개의 카메라에서 생성되는 고해상도 비디오를 중앙 집중식 클라우드 서버로 전송하여 처리하는 방식은 대역폭 비용이 과도하게 증가하고, 실시간 분석을 위한 지연 시간 (Latency) 요구사항을 충족하기 어렵습니다.

2. 방법론 (Methodology)

제안된 시스템은 엣지 - 클라우드 협업 아키텍처를 기반으로 하며, 다음과 같은 핵심 구성 요소로 이루어져 있습니다.

가. 엣지 기반 실시간 처리 (Edge-First Inference)

• 하드웨어: 카메라 근처에 배치된 Raspberry Pi가 RTSP 스트림을 호스팅하고, Nvidia Jetson Orin과 같은 엣지 가속기가 고처리량 (High-throughput) 검출 및 추적을 수행합니다.
• 파이프라인:
  1. 스트림 인제스트 (Ingestion): GStreamer 파이프라인과 nvdec 하드웨어 가속기를 사용하여 비디오를 GPU 메모리로 직접 디코딩합니다.
  2. 검출 및 추적: YOLO26s 모델로 차량을 검출하고, BoT-SORT 알고리즘으로 프레임 간 차량 ID 를 추적합니다.
  3. 데이터 압축: 원본 비디오를 클라우드에 전송하지 않고, 차량 수, 클래스, 바운딩 박스 등 경량화된 '흐름 요약 (Flow Summary)' 데이터만 생성하여 전송합니다.

나. 지능형 스트림 라우팅 (Intelligent Routing)

• 용량 인식 스케줄러 (Capacity-aware Scheduler): 이질적인 엣지 장치 (Jetson Orin 32GB/64GB 등) 의 성능 차이를 고려하여 스트림을 할당합니다.
• 할당 전략:
  • Best Fit: 스트림을 수용 가능한 가장 작은 용량의 장치에 배치하여 장치 활성화 수를 최소화하고 전력 소모를 줄입니다.
  • Worst Fit: 남은 용량이 가장 큰 장치에 배치하여 부하 균형을 맞추고 열 분산을 개선합니다.
  • 이는 스트림 수가 수십 개에서 수백 개로 늘어날 때 실시간 성능을 유지하게 합니다.

다. 클라우드 기반 예측 및 그래프 신경망 (Cloud-based GNN Forecasting)

• 동적 교통 그래프: 엣지에서 수집된 차량 흐름 데이터를 기반으로 도시 수준의 시간적 교통 그래프를 구성합니다.
• ST-GNN (Spatio-Temporal Graph Neural Network): TrendGCN 아키텍처를 사용하여 도로 네트워크의 공간적 구조와 시간적 변화를 동시에 모델링합니다.
• 기능: 실시간 'Nowcasting'(현재 상태 파악) 과 단시간 'Forecasting'(혼잡 예측) 을 수행하며, 카메라가 없는 구간도 그래프 추론을 통해 예측합니다.

라. 지속적 적응 및 학습 (Continuous Adaptation)

• SAM3 기반 자동 라벨링: SAM3 (Segment Anything Model 3) 기반 모델을 사용하여 엣지에서 수집된 이미지로부터 자동으로 차량 클래스 (예: 새로운 상용 차량, 삼륜차 등) 를 라벨링합니다.
• 연속 연동 학습 (Continuous Federated Learning): 중앙 서버로 원본 데이터를 보내지 않고, 엣지 장치에서 로컬 데이터를 학습하고 가중치만 공유하여 DNN 검출기를 지속적으로 업데이트합니다. 이는 데이터 드리프트 (Data Drift) 를 방지하고 지역적 특성을 반영합니다.

3. 주요 기여 (Key Contributions)

1. 다차원 확장성 아키텍처:
   • Scale-out: 50 개 이상의 이질적인 엣지 장치와 100 개 이상의 스트림을 처리.
   • Scale-up: 1,000 개 스트림까지 실시간 추론을 지원하는 GNN 파이프라인 확장.
   • Cross-fabric: 엣지 (검출) 와 클라우드 (예측) 간의 효율적인 협업.
2. 용량 인식 스케줄링: 이질적인 하드웨어 환경에서 실시간 성능을 보장하는 지능형 스트림 할당 알고리즘.
3. SAM3 기반 자동 라벨링과 연동 학습: 대규모 수동 주석 작업 없이도 엣지 모델이 지역적 교통 변화에 적응할 수 있는 프레임워크.
4. 실증적 검증: 벵갈루루 neighborhoods 에서 100 개 카메라를 대상으로 한 엔드 - 투 - 엔드 테스트베드 구축 및 평가.

4. 실험 결과 (Results)

• 처리량 및 성능:
  • Jetson Orin 장치에서 **초당 2,000 프레임 (FPS)**까지 안정적인 스트림 처리가 가능함을 입증했습니다.
  • Raspberry Pi 기반의 RTSP 스트리밍 서버는 CPU 사용률 25% 미만으로 경량화되어 안정적으로 운영되었습니다.
• 예측 정확도:
  • ST-GNN 모델은 1 분~5 분 단위의 혼잡 예측에서 낮은 RMSE(평균 제곱근 오차) 를 보였습니다 (1 분 기준 RMSE 약 20, 4 분 기준 약 23).
  • 100 개 스트림에서 1,000 개 스트림으로 확장 시에도 지연 시간이 관리 가능한 수준을 유지했습니다.
• 연동 학습 효율성:
  • SAM3 를 이용한 자동 라벨링은 Jetson Orin 32GB 기준 이미지당 약 6.3 초, 64GB 기준 4.0 초의 속도로 수행되었습니다.
  • 비 IID(Non-IID) 데이터 분포 하에서도 모든 엣지 장치가 다양한 차량 클래스를 인식하도록 모델이 업데이트됨을 확인했습니다.

5. 의의 및 결론 (Significance)

• 실용적 확장성: 이 시스템은 대도시의 제한된 자원 (대역폭, 컴퓨팅 파워) 하에서도 수천 개의 카메라를 실시간으로 분석할 수 있는 실현 가능한 솔루션을 제시합니다.
• 사회적 영향: 실시간 교통 혼잡 예측은 교통 경찰의 배치 최적화, 신호 제어 자동화, 정책 시뮬레이션 (예: 일방통행 도입, 버스 전용차로) 등에 기여하여 도시 이동성을 개선하고 탄소 배출을 줄이는 데 기여할 수 있습니다.
• 미래 전망: 현재 100 개 스트림 테스트를 기반으로 하며, 향후 1,000 개 스트림 이상의 실시간 데모를 통해 도시 규모의 교통 관리를 위한 표준 아키텍처로 발전할 잠재력을 가지고 있습니다.

이 논문은 단순한 기술적 시연을 넘어, 데이터 이동 최소화, 엣지 컴퓨팅의 효율성, 그리고 AI 모델의 지속적 학습을 결합하여 실제 도시 문제를 해결하는 시스템 공학적 접근의 중요성을 강조합니다.