Demystifying Architecture, Networking, and Security Towards Edge Intelligence in Wireless Networks

Abstract

In the era of edge computing, cloud-oriented intelligent tasks have been pushed towards the edge devices due to the problems of latency, bandwidth, and privacy. End devices can collaboratively learn or outsource edge intelligence, where the data and tasks are mostly requested and generated. In this dissertation, we study the edge computing to foster intelligence over self-organized wireless devices. We propose two methodologies for edge nodes to acquire intelligence: 1) inter-connected devices to generate on-device intelligence; and 2) isolated edges to embrace outsourcing device-to-device intelligence from distant devices. In on-device intelligence, high-level tasks such as deep learning can be a promising approach to extract features from raw data without any manual guidance. However, low-end devices mostly suffer from lack of resources to process computation-intensive works. In this situation, if edge devices have any neighboring nodes of idle states or spare resources, they can self-organize edge networks to manage learning process. It enables low-level edge devices to operate intricate tasks with the help of other intelligent networks. On the other hand, there can be some isolated edge devices with low-computing resource. In case that they cannot form a network or even have no assistant devices, we can forward intelligence from distant information via some mobile message ferries such as vehicles or unmanned aerial vehicles (UAVs). This work facilitates edge devices to develop resilient and secured intelligence by focusing on three essential elements: 1) architecture; 2) networking; and 3) security. For edge network to generate intelligence, it is necessary to consider its volatility by building resilient architecture as a basis. However, even with well-structured foundation, wireless networks fluctuate in link-wise and node-wise, resulting instability of learning. Therefore, we have to make the networks stubborn to the link volatility or device malfunctioning via well-managed networking. On top of our edge structure, we make our system secured against unpredictable attacks using efficient but lightweight cryptography primitives for the end devices. Our main contribution is to enable edge devices to have intelligence without any help of cloud-based processing. For infrastructure-free and decentralized edge intelligence, we showed that our architecture constructs cost-effective and robust basis for deep learning viable under the volatile lossy environments. Furthermore, we address maintenance networking framework against the short-term and long-term network fluctuations. To supplement intelligence induction failure of isolated or low-resource devices, we provide a backup delivery scheme which leverages UAVs as data ferries to target users. Finally, we demonstrated that our highly-secured but lightweight cryptographic primitive makes the system resilient via vulnerability monitoring and restructuring even against machine learning attacks.;최근 엣지 컴퓨팅(Edge Computing)에 대한 관심이 높아짐에 따라, 클라우드에 맡겨졌던 지능적인 작업들이 네트워크 지연(Latency), 대역폭(Bandwidth), 그리고 프라이버시(Privacy) 문제들로 인하여 점점 엣지 디바이스(Edge Devices)로 향하고 있다. 대부분의 데이터가 형성되고 요청(Request)이 일어나는 말단 기기(End Devices)가 서로 협력하여 스스로 학습하거나 아웃소싱(Outsourcing)하여 엣지 지능(Edge Intelligence)을 형성할 수 있다. 본 논문에서는 자가 조직화(Self-organized)한 여러 대의 무선 기기(Wireless Devices) 상에서 엣지 지능을 만들어내는 엣지 컴퓨팅에 대해 연구하고자 한다. 우리는 엣지 지능을 얻기 위한 방법을 두 가지로 분류하였다: 1) 상호 연결된 기기 상의 지능(On-device Intelligence); 2) 지능을 형성할 수 없는 고립된 기기가 외부 기기로부터 데이터를 가져오는 기기 간의 지능(Device-to-device Intelligence)이다. 첫번째, 딥러닝(Deep Learning)과 같은 고수준의 태스크(Tasks)는 수동적인 관여 없이 컴퓨터 스스로 특징을 추출해낼 수 있기 때문에 기기 상의 지능을 만들어내는 데 유용한 방법이다. 하지만 대부분의 로우 엔드(Low-end) 기기들은 이러한 계산 집약적(Computation-intensive)인 일을 처리하기에는 자원(Resource)이 부족하다는 문제를 겪는다. 이러한 상황에서 만약 엣지 기기들이 주위에 운휴 또는 여분의 자원이 있다면, 여러 대의 기기들이 하나의 엣지 네트워크(Edge Network)를 형성하여 학습(Learning)을 진행할 수 있다. 이것은 저수준(Low-level)의 기기들도 지능적인 네트워크를 통해 복잡한 어플리케이션(Application)도 수행할 수 있게 한다. 하지만, 만약에 주위에 도움을 받을 자원이 없는 저성능의 기기들의 경우에는 네트워크 형성 또한 하지 못하고, 어떠한 지능적인 수행을 할 수 없게 된다. 이럴 경우에는 차량이나 무인 비행체(UAV: Unmanned Aerial Vehicles)등을 메시지 수송체(Message Ferry)로 사용하여, 먼 거리의 지능을 전달받을 수 있다. 본 연구는 세 가지 주요 요소를 사용하여 엣지 기기들이 안정적이고 안전한 지능을 얻을 수 있도록 한다: 1) 아키텍처(Architecture); 2) 네트워킹(Networking); 그리고 3) 보안(Security)이다. 엣지 네트워크가 지능을 형성하기 위해서는 엣지 기기들의 불안정성(volatility)를 고려하여 단단한 구조를 기초로 설립할 필요가 있다. 잘 형성된 구조임에도 불구하고 무선 네트워크는 연결도나 기기 자체의 변동이 많기 때문에 네트워킹을 통해 견고한 시스템을 구축하여야 한다. 이러한 구조들 위에 예측하기 어려운 여러 공격으로부터 시스템을 보호할 수 있는 가볍지만 안정성이 높은 보안 기법 또한 중요한 요소이다. 본 연구의 중요한 의의는 엣지 기기들이 클라우드의 도움 없이 지능을 가질 수 있다는 것이다. 독립형의 엣지 지능을 얻는 데에 있어서, 우리의 아키텍처가 데이터 손실이 많은 환경에서도 딥러닝을 가능하게 하는 데에 있어서 견고하면서도 비용 효율적인 기반을 구성하였음을 보였다. 또한, 우리는 단기간과 장기간의 네트워크 변동에 대응할 수 있는 유지보수 네트워킹을 다루었다. 이에 더하여 지능 형성으로부터 고립된 기기들을 위하여 무인 비행체를 활용한 백업(backup) 지능 전달 방법을 제공하였다. 마지막으로, 우리의 보안 시스템이 실시간으로 취약성을 감시하여 계속해서 보안을 유지할 수 있음을 확인하였다.