DEVOCEAN

안녕하세요! 저희는 SKT AI Fellowship 5기에서 “5G MEC (AWS Wavelength) 기반 데이터 트래픽 성능 최적화 방안 연구” 연구과제를 수행하게 된 SKTM(SK To The Moon) 팀입니다.

이번 포스트에서는 저희가 진행하고 있는 연구 주제와 진행 상황에 대해 설명드리겠습니다.

1. 연구 배경 및 목적

먼저 저희 팀의 연구 과제인 "5G MEC 기반 데이터 트래픽 성능 최적화 방안 연구"에 대해 간단히 소개 드리겠습니다.

저희 팀의 연구 과제는 크게 2가지로 Wavelength 모니터링 및 데이터 트래픽 최적화, Usecase Scenario 구현으로 나눌 수 있습니다.

• wavelength 모니터링 및 데이터 트래픽 최적화

  Wavelength는 5G MEC(Mobile Edge Computing)으로 클라우드 환경을 모바일 단말기와 가장 가까운 네트워크 인프라 내부에 구축함으로써 초광대역 및 초저지연 서비스를 제공하는 혁신적인 기술입니다.

  이에 저희는 Wavelength의 네트워크와 성능 모니터링을 통해 트래픽 분산 및 scaling, 서비스 정책 변경으로 데이터 트래픽을 최적화를 수행하고자 합니다.

• Usecase Scenario 구현

  저희는 Wavelength의 컴퓨팅 자원 offload, 저지연 연결 보장, 5G 기반의 높은 송수신 대역폭, 지역화된 서비스 제공이라는 특장점을 잘 표현할 수 있는 Usecase 선정하고자 합니다.

2. 연구 진행사항

저희팀의 중간 결과물은 크게 성능 평가 지표 선정, 시나리오 구현, 성능 평가 및 분석으로 나눌 수 있습니다.

성능 평가 지표

해당 연구의 목적은 Wavelength의 프로세싱 및 네트워크 성능 측정을 통해 Wavelength기반 application의 송수신 메시지 크기와 주기 결정,

데드라인 미스가 치명적인 Hard Real-Time 시스템의 관제, 서비스에서 보장 가능한 QoS 수준 결정, 현재의 통신 성능에 따른 Application의 정책 결정입니다.

모니터링 지표에는 크게 네트워크 메트릭, 프로세싱 메트릭으로 나눌 수 있습니다. 네트워크 메트릭에는 RTT(Round Trip Time), Jitter가 있고 프로세싱 메트릭에는 CPU&GPU 사용량, 네트워크 사용량입니다.

• RTT(Round Trip Time)

  • 메시지 데이터 전송 - 데이터 처리 - 결과 수신까지 한 제어 루프에 소요되는 시간을 측정

    
    

• Jitter

  • 현재 네트워크의 품질과 성능 일관성을 나타내는 지표

  • 미리 정의돈 주기로 전송되는 메시지에 대하여 도착 시간의 차이 측정

    
    

시나리오 시스탬 개요

이번 중간평가까지 구현한 시나리오는 그림과 같습니다.

먼저 로봇에서 표에 보이는 센서데이터를 5G MEC인 AWS Wavelength 로 전송합니다.

전송된 데이터는 그림과 같이 LiDAR Segmentation을 통해 사람이나 장애물을 인식한다거나, Camera Detecting을 통해 차선을 인식하는 등 센서 데이터를 처리해 주변 환경을 인지합니다.

이후 인지된 주변 환경을 통해서 차량의 경로를 생성한 후에, 그 경로를 추종할 수 있도록 차량의 속도와 Steering Angle 값을 추출합니다.

이후 해당 제어 명령을 다시 로봇으로 전송해 로봇이 자율 주행을 실현할 수 있도록 합니다.

중간평가에서는 LiDAR Segmentation과 Path Planning을 통한 차량 제어를 나누어서 개발했습니다.

또한 각 개발물 별로 5G Wavelength 로 Computation을 Offload 했을 때의 RTT(Round Trip Time), Jitter 등을 측정해

과연 자율주행과 같은 시스템에서의 Computation Offloading이 실현 가능한지에 대해 연구하고자 했습니다.

최종 결과물로는 해당 부분들을 합치고, 완전 자율주행을 실현할 계획입니다.

시나리오 평가 및 분석

앞서 설명 드린 시나리오 시스템의 성능 평가 및 분석을 진행해보았습니다. 자율주행 알고리즘, LiDAR Detection Offlaoding순으로 설명드리도록 하겠습니다.

• 자율주행 알고리즘 비교

  저희는 Wavelength와 Local WorkStation에 각각 자율주행 알고리즘을 Offloading하여 원격 제어 Cycle의RTT의 성능을 분석해보았습니다.

  
  

  앞에 표에서 확인할 수 있듯이 Wavelength가 Local 환경에 세팅된 Workstation에 비해 낮은 평균 RTT를 보이며, 최대값과의 편차도 적은 것을 확인할 수 있었습니다.

  다만 Wavelength RTT 또한 평균 대비 50% 이상 높은 지연 시간이 발생할 수 있으므로 실시간 시스템 모니터링 시스템이 요구됨을 확인하였습니다.

• LiDAR Detection Offloading

  LiDAR Detection또한 성능 평가를 위해 총 3개의 환경에서 RTT를 측정해 보았습니다. 측정에 사용된 기기는 Velodyne사의 VLP-16 모델을 사용하여 측정해보았습니다.

  1. Local Processing

     Local환경은 CPU:-i7-11600, GPU:RTX2060으로 구성되었습니다. Local환경에서 PV-RCNN 모델을 사용하여

     LiDAR Object Dection을 진행해본 결과 총 Processing Time은 평균 약 111ms로 측정되었습니다.

     
     

  2. Local -> wavelength

     wavelength는 G4dn.2xlarge로 구성하였습니다. Local에서 스트리밍 되는 LiDAR 데이터를 Wavelength에서 PV-RCNN으로 Detection을 진행한 결과

     네트워크 레이턴시를 포함한 전체 RTT는 243ms로 측정되었습니다.

     
     

  3. Local -> Wavelength -> ec2

     wavelength는 G4dn.2xlarge로, EC2는 G5.2xlarge로 구성하였습니다. Local에서 스트리밍 되는 데이터를 Wavelength를 통해

     EC2에서 PV-RCNN으로 Detection을 진행한 결과 네트워크 레이턴시를 포함한 전체 RTT는 199ms로 측정되었습니다.

     
     

     성능 측정 결과 Local Device Processing이 RTT가 제일 낮았습니다. 다만 해당 환경의 사용 전력과 크기를 고려하였을 때는 실제 차량 탑재에 어려움이 있습니다.

     Local Device -> Wavelength, Local Device -> Wavelength -> EC2 환경은 이와는 다르게 Device의 컴퓨팅을 최소화하여 자동차의 한정된 전력과 공간이라는 제약사항에 대해서 자유로울 수 있습니다.

     또한 단순 Wavelength로 offloading했을 때 보다, Wavelength를 데이터 브로커로 사용하고 더 컴퓨팅 성능이 우수한 EC2d의 인스턴스로 데이터를 처리하였을 때 성능 개선을 확인할 수 있었습니다.

3. 향후 계획

성능 모니터링을 실시간으로 할 수 있는 시스템을 먼저 구축할 예정입니다.

그림과 같이 Telegraf를 통해 시스템 메트릭, 서비스 상태, 로그 등 다양한 소스로부터 데이터를 수집합니다.

이후 InfluxDB라는 오픈소스 데이터베이스를 구축해서, 실시간 데이터를 저장하고 분석하는 용도로 사용합니다.

이후 Chronograf를 구축해 Telegraf로 부터 수집되고, InfluxDB에서 분석된 결과를 대시보드를 통해 시각화 할 예정입니다.

성능 모니터링 시스템이 구축되면, 해당 시스템을 바탕으로 해서 최종적으로 구축하고자 하는 Usecase는 그림과 같습니다.

건국대학교 캠퍼스 내에서 테스트를 진행할 예정입니다. 예상 시나리오는 먼저 선행 차량에서 라이다, 카메라, GPS 데이터 등을 수집합니다.

이후 해당 정보를 바탕으로 후행 차량이 따로 센서 취득을 하지 않고 선행 차량을 따라가면서 군집 주행을 실현하고자 합니다.

여기서의 목표는 성능 모니터링 시스템을 통한 성능 분석 후 데이터 트래픽 최적화를 통해 제어 루프 한 번의 Overall RTT를 150ms 이내로 달성하는 것입니다.

이 때 LSTM을 사용해 현재의 네트워크 성능 지표와 데이터 송수신 정책 등을 입력으로 사용해 최적의 송수신 정책(데이터 압축률, 전송 주기 등)을 도출해 해당 목표를 달성할 계획입니다.