김영진 부교수

단말 자원의 한계를 극복하기 위해 서버와 단말 간 협업이 요구되는 상황에서, 모바일 엣지 컴퓨팅 환경의 효율적인 자원 관리 문제를 해결하기 위한 연구를 수행하고 있습니다. 핵심 기술로는 Lyapunov optimization 기반 확률적 최적화 기법을 적용하여 네트워크 자원 오케스트레이션 알고리즘을 설계했으며, 이를 통해 시간에 따라 변화하는 무선 채널 상태와 단말의 에너지 제약 조건 하에서도 안정적이고 효율적인 자원 할당이 가능하도록 구현했습니다. 확률적 최적화 기반의 스케줄링 방식은 장기적인 시스템 안정성을 보장하면서도 순간적인 자원 병목 현상을 완화하는 데 기여합니다. 해당 기술은 AR/VR 서비스, 자율주행 네트워크, 6G 이동통신 환경에 적용되어 저지연·고신뢰 통신을 지원하는 데 활용되고 있습니다. 본 연구 성과는 삼성 휴먼테크 논문대상을 수상하며 기술적 우수성을 인정받았으며, 현재 TRL 5-6 수준으로 실증 환경에서의 검증을 진행하고 있습니다.

고성능 AI 모델을 온디바이스 환경에서 구동할 때 발생하는 지연시간 문제를 단축하기 위한 연구를 진행하고 있습니다. 핵심 기술로는 DNN partitioning 기법인 CutEdge를 개발하여 신경망 모델을 단말과 엣지 서버 간에 효율적으로 분할 배치했으며, GPU clock scaling과 입력 해상도 조절 기술을 결합하여 연산량과 전력 소모를 동시에 최적화했습니다. 이러한 접근을 통해 단말의 제한된 컴퓨팅 자원 환경에서도 실시간에 가까운 추론 성능을 확보하도록 시스템을 설계했습니다. 해당 기술은 실시간 객체 인식과 온디바이스 모바일 AI 애플리케이션에 적용되어 지연시간 단축과 배터리 효율 개선에 기여하고 있습니다. 임베디드 AI 기기 테스트베드를 통한 검증을 완료했으며, 현재 TRL 5 수준으로 실제 응용 환경에서의 적용 가능성을 확인한 상태입니다.

보안 및 개인정보 보호에 대한 요구가 높아지면서 단말 내에서 직접 초거대 언어모델을 구동해야 할 필요성이 증대되고 있는 상황에서, 이를 해결하기 위한 연구를 수행하고 있습니다. 핵심 기술로는 모바일-엣지 컴퓨팅 구조를 기반으로 LLM을 최적화하여 서빙하는 알고리즘을 개발하고 있으며, 단말의 제한된 메모리와 연산 자원 내에서도 응답 지연을 최소화하는 경량화 및 분산 처리 기법을 적용하고 있습니다. 해당 기술은 개인용 AI 비서와 보안이 중요한 모바일 LLM 서비스에 적용되어 데이터 유출 위험 없이 고품질의 언어모델 서비스를 제공하는 데 활용될 것으로 기대됩니다. 본 연구는 2026년 NRF 5년 과제인 중견연구로 선정되어 현재 수행 중이며, TRL 4 수준으로 핵심 알고리즘 개발 및 초기 검증 단계에 있습니다.