Towards Seamless Edge Intelligence

Abstract

The growth in number of edge devices utilized by the users emphasizes the significance of edge intelligence including on-device data analysis, computation, and real-time decision- making proximal to data sources, mitigating latency and preserving user privacy. This trend also empowers devices to maintain functionality despite disruptions in central server connectivity while optimizing bandwidth utilization by minimizing data transmission across networks. In the rapidly evolving landscape of edge intelligence, the proliferation of diverse mobile devices has underscored the need for agile decision-making capabilities adapting to the surrounding environment. This thesis delves into the challenges and complexities faced by mobile edge nodes, particularly in two interrelated domains. Initially, the focus is on precise indoor localization, pivotal for real-time navigation and personalized services in indoor settings where the Global Positioning System (GPS) lacks accuracy. Fingerprint-based localization, leveraging the unique signal strengths of Wi-Fi or Bluetooth, is explored. However, constructing robust radio maps used as fingerprints remains challenging due to the dynamic nature of edge device environments. To address this, CollageMap, a two-stage radio fingerprint map generative model, is proposed to facilitate efficient localization across diverse settings on the fly. The second domain concerns the security of federated learning, a method aggregating models from various edge nodes, vulnerable to security threats like model poisoning attacks. To counteract this, Breakwater, a novel defense framework, is introduced. It employs on-device malicious weight discrimination to identify and filter out poisonous weights, safeguarding the ix integrity of global models in multi-hop federated learning environments. This thesis contributes to the understanding and implementation of edge intelligence, offering comprehensive solutions to challenges encountered by mobile edge nodes. The proposed methodologies, CollageMap and Breakwater, offer innovative approaches to indoor localization and mitigate security threats in federated learning systems. Through the work presented in this thesis, a basis is laid for future exploration and progress, imagining a forthcoming era where edge intelligence smoothly becomes a part of our interconnected globe, delivering increased reliability, security, and adaptability in diverse environments.;많은 수의 단말기 (Edge Device)가 사용되면서, 단말에서 수집 및 발생하는 데이터 (Data)를 다른 기기로 보내지 않고 해당 단말기 상에서 처리하여 지식을 추출하고 지능을 형성하여 응용하는 기기 상의 지능 (On-device Intelligence)이 활발하게 연구되고 있다. 기기 상의 지능은 네트워크 사용량을 줄이고 및 사용자 정보 보호 수준을 향상시킨다. 또한, 기기 상에서 즉시 결정이 이루어지기 때문에, 사용자에게 빠른 지능 서비스를 제공할 수 있다는 장점이 있다. 최근 사용되고 있는 단말기 중에는 모바일 단말기 (Mobile Edge Device)의 수가 많은데, 이 단말기를 이용하여 기기 상의 지능을 구현하기 위해서는 새로운 문제들을 해결해야 한다. 모바일 단말기는 사용자와 함께 새로운 장소로 이동함에 따라 지속적으로 새로운 장소를 파악하고 그에 적응한 지능 서비스를 끊김 없이 제공할 수 있어야 한다. 본 논문에서는 1) 장소 기반 서비스 (Location-based Service) 제공을 위한 기기 위치 파악, 2) 안전한 연합 학습 (Federated Learning)을 위한 주변 기기 신뢰도 측정 및 선택의 두 가지 문제로 이를 구체화하였다. 첫 번째 문제 해결을 위해서는 실내 측위를 위해 요구되는 핑거프린트 맵 (Fingerprint Map)을 새로운 장소에서 직접 신호 세기를 수집하지 않고 파악한 장소에 대한 정보인 AP (Access Point)의 위치와 대략적인 장애물 정보, AC- 75 GAN과 DNN을 이용하여 생성하고, 즉시 새로운 장소에서의 측위를 가능하게 하는 프레임워크 (Framework)인 CollageMap을 제안하였다. 다양한 신호(Radio) 종류와 실내 장소에서의 데이터를 이용한 검증 과정을 통해 CollageMap이 전혀 새로운 데이터를 수집하지 않고도 실내 장소에서 직접 수집한 데이터를 사용하는 것과 14.6 %의 성능 차이만을 보이며 정확한 측위 성능을 보였다. 이를 통해 보다 정확하고 즉각적인 실내 측위가 가능하며, 신호의 특성을 학습하는 인공지능 모델 (Artificial Intelligent Model) 통해 노동 집약적인 실내 측위 과정을 간소화했다는 데에 그 의의가 있다. 두번째로, 최근 여러 기기들이 가지고 있는 학습 데이터를 공유하지 않고 연합학습을 하는 온 디바이스 러닝 (On-device Learning)을 새로운 장소에서 새로 만난 기기와 함께 안전하게 진행하기 위한 프레임워크인 Breakwater 를 제안하였다. B reakwater 는 여러 기기와 함께 모델 가중치 (Model Weight) 공유를 통하여 하나의 글로벌 모델 (Global Model)을 학습시킬 때에, 글로벌 모델을 정상적으로 작동하지 못하게 하려는 의도를 가진 공격 기기를 전송받은 가중치를 이용하여 판별하고, 글로벌 모델의 학습 상황에 따라 학습에 해당 기기로부터의 가중치를 학습에 반영할지 혹은 차단할지를 결정하는 프레임워크이다. 다양한 실험상황에서 Breakwater 는 악의적인 기기를 성공적으로 판별하여 악의적인 가중치를 제거하였고, 악의적인 기기를 완벽히 제거할 때와 유사한 성능의 글로벌 모델을 학습시킬 수 있음을 확인하였다. 이는 각각의 기기가 최선형 (Best-effort) 방어를 통해 악의적인 기기를 최대한 차단함과 동시에 각각의 기기가 가진 데이터를 최대한 활용하는 연합학습 (Federated Learning)을 할 수 있게 하는 데에 기여하였다. 본 논문은 지능형 모바일 단말기가 이동하며 끊김 없는 지능형 서비스를 제공하기 위해 해결해야 하는 두 가지 문제를 구체적으로 정의하였다. 이를 통해 상호 연결된 기기들이 존재하는 현실의 환경에 기반하여 향후 더욱 안전하고 신뢰 가능하며 유용한 엣지 인텔리전스 (Edge Intelligence)를 현실화할 수 있는 토대를 마련하였다.