DEVOCEAN

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

프로젝트를 시작한게 엊그제 같은데 벌써 본 과정이 끝났다는게 믿기지 않습니다!

이번 포스트에서는 저희가 5개월동안 진행한 연구에 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 시스템 구축, Usecase Scenario 구현으로 나눌 수 있습니다.

wavelength 모니터링

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 모니터링 시스템을 구축하고자 했습니다.

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 했습니다.

연구결과 - Usecase Scenario

플랫폼 구성

실제 차량을 통해 본 프로젝트를 구현하려고 했지만 안전상의 문제와 예산 문제로 인하여 무려 저희가 직접 제작한 플랫폼을 통해

본 Usecase Scenario를 구현했습니다. SKTM 팀이 제작한 플랫폼에 대해서 소개시켜드리도록 하겠습니다!!

먼저 Code Name : 석쇠 입니다.

석쇠는 저희가 직접 제작한 플랫폼으로 인휠 모터를 사용하여 구현하였습니다. 탑재된 센서는 Velodyne의 VLP-16 LiDAR와 Ublox의 GPS입니다.

다음은 자이카입니다!

1/5 스케일의 차량형 로봇으로 센서는 Ublox사의 GPS가 탑재되었습니다.

컴퓨팅 오프로드

컴퓨팅 오프로드의 목적은 다음과 같습니다.

• 자율주행 시스템을 구성하는 시스템 중 높은 컴퓨팅 리소스를 요구하는 디텍션과 컨트롤 모듈의 클라우드 오프로드

• 실시간성을 보장하는 Wavelength Edge Computing으로 time-critical한 자율주행 시스템을 클라우드에서 구현할 수 있음

• 더 낮은 전력과 컴퓨팅 성능을 가진 프로세서로도 자율주행을 구현할 수 있도록 함

  
  

원격 제어

원격 제어는 LiDAR로 생성한 Point Cloud Map과 GPS 데이터를 사용하여 위치정보를 획득, 획득한 위치정보로부터 목표 지점까지의 경로점을 추종하도록

실시간으로 디바이스를 제어 하였습니다. 이떄 GPS 데이터, 제어신호를 통해 RTT를 계산하였습니다.

성능 평가

저희 SKTM은 5G MEC와 기존의 Local WorkStation과의 비교를 통해 5G MEC의 실질적인 성능을 확인할 수 있었습니다!

역시 저희가 예상한대로 Wavelength의 네트워크 성능이 훨씬 좋았습니다(?).

컴퓨팅 오프로드

앞서 확인할 수 있었던 Wavelength의 장점을 바탕으로 SKTM팀은 로봇 플랫폼으로부터 취득되는

LiDAR Point Cloud Data를 Wavelength의 G4dn.2xlarge 인스턴스로 스트리밍 과정을 거쳐 디텍션 모듈을 Wavelength로 오프로딩 할 수 있었습니다.

동적 장애물 검출에 사용된 모델은 Openpcdet의 PV-RCNN 모델을 사용하였으며 Overall RTT는 240ms로 측정되었습니다.

센서 데이터 공유

센서 데이터 공유의 목적은 다음과 같습니다.

• 자율주행 모빌리티 간의 센서 데이터 공유로 도로 환경을 실시간으로 관제, 교통망의 효율을 높이고 사고 가능성을 낮춤

이를 위해 SKTM은 센서 데이터 공유 프레임 워크를 다음과 같이 구성하였습니다.

• MQTT의 N:N 통신 특성을 이용하여 선행 차량의 오프로딩 환경과 후행 차량의 오프로딩 환경에서 동시에 Consuming

  
  

Usecase Scenario 결과

아래 사진처럼 5G MEC로 자율주행을 오프로딩하여 간단한 군집 자율주행을 수행할 수 있었습니다.

모니터링 시스템

디바이스 통신 메트릭

디바이스 통신 메트릭은 다음과 같습니다.

모니터링 시스템 아키텍처

모니터링 시스템은 Telegraf, Grafana, InfluxDB를 사용하여 모니터링 시스템을 구축했습니다.

각 Wavelength 인스턴스에 설치된 Telegraf를 통하여 Metric 수집, 중앙 Influx DB에 전달하도록 구현하였습니다.

대시보드 구현 결과는 다음과 같습니다.

대시보드 구성

대시보드는 다음과 같이 구성하였습니다.

• System Metrics / Network Status

  • Telegraf의 기본 메트릭 수집 플러그인을 통하여 CPU/RAM Usage 수집 – 자원 가용 상태 확인

  • Telegraf NET Metric 수집 플러그인을 통하여네트워크 사용량, TCP 연결 및 연결 실패, 패킷의 전송 실패 횟수 수집

• Overall Devices Monitoring

  • 현재 연결되어 있는 전체 디바이스의 RTT를 메시지 별로 표시

  • LiDAR message, Control Signal Message, State (position, heading, speed) Message의 RTT를 관제

• Message Status

  • 디바이스별, 메시지별 상세 메트릭을 확인할 수 있도록 구성

  • 브로커로부터 메시지 발행 및 소비 시 이벤트 수신, 단위 시간당 이벤트 발생 횟수 표기

• Publishing/Consuming Interval

  • 발행, 소비 이벤트 시의 타임스탬프의 기록, 타임스탬프의 간격을 표시

  • 설정한 발행 주기의 준수 여부를 확인할 수 있음

• RTT jitter, Processing Time, Delivering Delay

  • Overall RTT의 차이를 사용하여 Jitter 표시

  • RTT의 평균, 표준편차, 최대최소를 기록, 설정한 시간 동안RTT 통계를 확인할 수 있음

  • 발행시간과 소비시간의 차이를 통해 Delivering Delay 확인

  • RTT로부터 Delivering Delay, Processing Time을 제하여 Client로부터 Broker까지의 Round Trip Time을 확인할 수있음

이상으로 SKT AI Fellowship 5기 13-SKTM팀 5개월의 여정을 마무리하도록 하겠습니다.

5개월동안 아낌없이 지원해주신 SKT AI Fellowship 운영진, SKTM팀의 든든한 멘토님들(이기동 멘토님, 정치욱 멘토님)께 감사드립니다.