참고논문 : A Survey of Deep Learning for Data Caching in Edge Network
Edge caching은 사용자 가까운 네트워크 노드에 콘텐츠를 저장해 latency를 줄이고 네트워크 트래픽을 감소시키는 기술이다.
그러나 실제 네트워크 환경에서는 단순히 콘텐츠를 저장하는 것만으로는 충분하지 않다.
콘텐츠를 어디에 저장할지, 무엇을 저장할지, 얼마나 저장할지, 그리고 어떻게 전달할지와 같은
다양한 문제들이 함께 고려되어야 한다.
Layer 1 Caching과 Layer 2 Caching의 개념
Edge caching은 네트워크 계층 구조에 따라 두 가지 수준에서 이루어질 수 있다.
Layer 1 Caching (유선 네트워크 기반 캐싱)
Layer 1 caching은 유선 네트워크 인프라에서 이루어지는 캐싱을 의미한다.
이 계층에서는 콘텐츠 라우터(Content Router)나 네트워크 라우터와 같은 노드가 캐싱 기능을 수행한다.
이러한 노드는 일반적으로 다음 특징을 가진다.
- 유선 네트워크로 연결됨
- 비교적 큰 저장 공간
- 안정적인 네트워크 환경
예를 들어 다음과 같은 장치들이 Layer 1 caching 노드가 될 수 있다.
- Content Router (CR), Backbone router, CDN node
Layer 1 caching의 주요 목적은 네트워크 전송 비용을 줄이고 데이터 전달 효율을 높이는 것이다.
Layer 2 Caching (무선 네트워크 기반 캐싱)
Layer 2 caching은 무선 네트워크 환경에서 이루어지는 캐싱을 의미한다.
이 계층에서는 모바일 네트워크 인프라가 캐싱 노드로 활용된다.
대표적인 캐싱 위치는 다음과 같다.
- Macro Base Station (MBS), Small Cell / Femto Base Station (FBS)
- Edge Server, User Device, Device-to-Device (D2D)
Layer 2 caching은 사용자와 매우 가까운 위치에서 콘텐츠를 제공할 수 있기 때문에 지연 감소와 QoE 향상에 큰 영향을 미친다.
하지만 Layer 2 환경에서는 다음과 같은 추가적인 어려움이 존재한다.
- 무선 채널의 불안정성
- 사용자 이동성(mobility)
- 제한된 저장 공간
- 제한된 스펙트럼 자원
따라서 Layer 2 caching 문제는 Layer 1보다 훨씬 복잡한 특징을 가진다.
Edge Caching의 네 가지 핵심 문제
Edge caching 시스템에서는 다음 네 가지 핵심 문제가 존재한다.
- Where to cache
- What to cache
- Cache dimensioning
- Content delivery
이 문제들은 Layer 1과 Layer 2에서 모두 등장하지만 고려해야 할 요소와 난이도가 서로 다르다.
1. Where to Cache — 콘텐츠를 어디에 저장할 것인가
Layer 1 관점
Layer 1에서는 콘텐츠를 어떤 라우터 또는 네트워크 노드에 배치할 것인지가 중요한 문제이다.
예를 들어 콘텐츠를 네트워크의 하위 라우터에 배치하면 사용자와의 거리가 가까워져 전송 지연이 감소한다.
그러나 많은 노드에 콘텐츠를 복제해야 하기 때문에 저장 비용이 증가한다.
반대로 콘텐츠를 상위 라우터에 집중적으로 저장하면 저장 비용은 줄어들지만,
사용자까지의 전송 홉 수(hops)가 증가하여 지연이 커질 수 있다.
따라서 Layer 1 caching에서는 저장 비용 vs 전송 비용이라는 trade-off가 존재한다.
Layer 2 관점
Layer 2에서는 캐싱 위치 선택이 훨씬 다양하다.
예를 들어 콘텐츠를 다음 위치에 저장할 수 있다.
- Macro Base Station, Small Cell
- Edge server, 사용자 단말, D2D device
각 위치는 다음과 같이 서로 다른 장단점을 가진다.
- Base station 캐싱 → backhaul 트래픽 감소
- Device 캐싱 → D2D 콘텐츠 공유 가능
- Edge server 캐싱 → 높은 연산 능력
또한 Layer 2에서는 사용자 이동성도 고려해야 한다.
사용자가 이동하면서 네트워크 연결 지점이 바뀌기 때문에 캐싱 위치 결정이 더욱 복잡해진다.
2. What to Cache — 어떤 콘텐츠를 캐시할 것인가
Layer 1 관점
Layer 1 caching에서는 보통 전체 사용자 요청 패턴을 기반으로 콘텐츠 인기도(popularity)를 추정하여 캐싱 결정을 내린다.
대표적인 모델은 Zipf distribution이다.
이 모델은 인기 콘텐츠가 전체 트래픽의 대부분을 차지한다는 가정을 기반으로 한다.
그러나 이러한 접근 방식은 다음 한계를 가진다.
- 콘텐츠 인기 변화 반영 어려움
- 지역별 사용자 선호 반영 어려움
따라서 Layer 1에서도 최근에는 시간적 변화(temporal dynamics)와 지역적 특성(spatial correlation)을 고려하는 모델들도 연구된다.
Layer 2 관점
Layer 2에서는 콘텐츠 선택 문제가 더욱 복잡하다.
그 이유는 다음과 같다.
- 사용자 그룹마다 콘텐츠 선호가 다름
- 지역마다 인기 콘텐츠가 다름
- 네트워크 셀마다 사용자 분포가 다름
예를 들어 Macro Base Station은 많은 사용자 데이터를 기반으로 인기 콘텐츠를 예측할 수 있지만 Small Cell 환경에서는 사용자 수가 적기 때문에 보다 정밀한 사용자 선호 모델링이 필요하다.
따라서 Layer 2 caching에서는 다음과 같은 요소가 중요해진다.
- 사용자 행동 데이터
- 지역 기반 콘텐츠 인기
- 사용자 선호 모델
3. Cache Dimensioning — 캐시 크기를 어떻게 설정할 것인가
Layer 1 관점
Layer 1에서는 캐시 크기가 커질수록 cache hit ratio가 증가하여 네트워크 트래픽이 감소한다.
하지만 캐시 공간을 너무 크게 할당하면
- 저장 비용 증가
- 에너지 소비 증가
와 같은 문제가 발생한다.
따라서 Layer 1에서는 캐시 비용 vs 네트워크 성능 사이의 균형을 고려해야 한다.
Layer 2 관점
Layer 2에서는 캐시 크기 설계가 더 복잡해진다.
그 이유는 다음과 같다.
- 무선 채널 상태, backhaul 용량, 사용자 밀도, 네트워크 토폴로지
예를 들어 backhaul 용량이 제한된 셀에서는 캐시 크기를 더 크게 설정해야 네트워크 혼잡을 줄일 수 있다.
또한 dense wireless network 환경에서는 적절한 캐시 크기가 네트워크 전체 throughput에 큰 영향을 미친다.
4. Content Delivery — 콘텐츠를 어떻게 전달할 것인가
Layer 1 관점
Layer 1에서는 콘텐츠 전달 경로를 최적화하는 것이 중요하다.
대표적인 방법은 다음과 같다.
- routing optimization
- flooding 기반 콘텐츠 검색
- hop 기반 전달 경로 설계
이 문제는 캐싱 위치 문제(where to cache)와 함께 고려되는 경우가 많다.
Layer 2 관점
Layer 2에서는 콘텐츠 전달 방식이 더욱 다양하다.
대표적인 방식은 다음과 같다.
- Unicast (1:1 전달)
- Multicast (1:N 전달)
- D2D communication
- Coordinated transmission
예를 들어 동일한 콘텐츠를 여러 사용자가 동시에 요청할 경우 multicast 방식이 효율적일 수 있다.
반면 D2D 통신을 이용하면 사용자 간 콘텐츠 공유를 통해 네트워크 부하를 줄일 수 있다.
하지만 이러한 방식은 동시에 다음 문제를 발생시킬 수 있다.
- interference, scheduling 문제, bandwidth 경쟁
따라서 Layer 2에서는 콘텐츠 전달 방식이 무선 자원 관리 문제와 밀접하게 연결된다.
핵심내용 정리
따라서 정리하면, Edge caching 문제는 다음 네 가지 핵심 문제로 구성된다.
- Where to cache
- What to cache
- Cache dimensioning
- Content delivery
그리고 이러한 문제들은 Layer 1 (유선 네트워크)과 Layer 2 (무선 네트워크)에서 서로 다른 특징을 가진다.
Layer 1은 비교적 안정적인 유선 네트워크 환경에서 전송 비용과 저장 비용의 균형을 중심으로 문제를 다루는 반면,
Layer 2는 무선 채널의 불확실성과 사용자 이동성까지 고려해야 하기 때문에 훨씬 더 복잡한 캐싱 전략이 필요하다.
이러한 복잡한 환경 때문에 최근 연구에서는 Edge caching 문제를 강화학습 기반 접근 방식으로 해결하려는 시도가 활발히 이루어지고 있다.
'딥러닝 모델 > DQN for Cloud-Edge Caching' 카테고리의 다른 글
| 모바일 Edge Caching의 개념과 강화학습의 필요성 (0) | 2026.03.12 |
|---|---|
| Edge–Cloud 패러다임에서의 Offloading의 개념 (0) | 2026.03.12 |
| [강화학습 기초 13] Proximal Policy Optimization (PPO) (0) | 2026.03.11 |
| [강화학습 기초 12] Asynchronous Advantage Actor-Critic (A3C) (0) | 2026.03.11 |
| [강화학습 기초 11] Actor-Critic 알고리즘 총정리 (Q, Advantage, TD) (0) | 2026.03.09 |