전술 엣지 디바이스의 강건성 보장을 위한 Bare-Bone CNN 모델
Bare-Bone CNN Model for Ensuring the Robustness of Tactical Edge Devices
- 주제(키워드) Tactical Edge Device , Robust , Bare-Bone , CNN
- 주제(DDC) 355
- 발행기관 아주대학교 일반대학원
- 지도교수 오상윤, 정찬기
- 발행년도 2025
- 학위수여년월 2025. 8
- 학위명 박사
- 학과 및 전공 일반대학원 국방디지털융합학과
- 실제URI http://www.dcollection.net/handler/ajou/000000034944
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
최근 국방 분야에서는 자율무기체계, 스마트 센서, 무인 이동체 등 다양한 전술 시스템에서 실시간 상황인식 및 의사결정을 위한 AI 기술의 중요성이 증 가하고 있다. 그러나 기존의 VGGNet, ResNet, MobileNet과 같은 CNN 모델들은 높은 정확도를 제공하지만, 깊고 복잡한 구조로 인해 전력 공급 및 컴퓨팅 리 소스의 제한이 있는 전술 엣지 디바이스에 적합한 연산 효율성과 에너지 소비 측면에서 한계를 보인다. 이에 본 연구에서 전술 엣지 디바이스 환경에서 높은 성능과 강건성을 동시에 확보할 수 있는 경량 합성곱신경망(CNN) 기반 AI 모델 을 설계하고, 이를 실험적으로 검증하여 적용 가능성을 평가하고자 하였다. 따라서 본 연구에서는 CNN 모델 구조의 핵심 요소인 합성곱층, 풀링층, 완전연결층, 입력 데이터 크기, CPU 주파수 등 다양한 요소들이 학습 시간, 추론 시간, 에너지 소비 및 CPU 사용률에 미치는 영향을 이론적으로 분석하고, 실제 실험을 통해 이를 검증하였다. 본 연구에서 제안하는 Bare-Bone CNN은 입력층, 4개의 합성곱층 및 풀링층, 2개의 완전연결층으로 구성되어 연산량과 메모리 사용을 최소화하면서도 다양한 전술 환경 조건에서 안정적인 성능을 유지할 수 있도록 설계되었다. 실험은 MNIST 및 손글씨 군대부호 이미지 데이터셋을 활용하여 28×28 ~ 400×400까지 5종의 데이터 크기, Adam, RMSprop 등 4종의 최적화 알고리즘, 데이터 유형(RGB, Grayscale, Binary) 조건 하에서 수행되었다. 그 결과, B2CNN 은 MobileNet 대비 최대 29.9배, ResNet18 대비 최대 20.1배, GoogLeNet 대비 최대 20.9배 빠른 학습 속도를 나타냈으며, 추론 시간 또한 MobileNet 대비 최대 48.2%, ResNet18 대비 최대 61.7%, GoogLeNet 대비 최대 45.0% 단축되었다. 정확도는 평균 97% 이상을 유지하여 경량화와 성능 간의 균형을 성공적으로 달성하였다. 또한, CPU 점유율과 메모리 점유율 측면에서도 기존 모델 대비 효 율적인 자원 사용을 확인하였다. 본 연구는 전술 엣지 디바이스에 최적화된 CNN 모델 설계의 실용적 기준을 제시하였다는 점에서 학술적·산업적 의의를 가진다. 제안된 B2CNN 모델은 전술 무인 시스템, 스마트 센서 네트워크, 재난 대응 로봇 등 다양한 자원 제약 환경에서 실시간 AI 처리를 가능하게 하여 국방 및 민간 분야의 엣지 컴퓨팅 기술 발전에 기여할 수 있다. 향후 연구에서는 실제 전술 임무 환경에서의 다양한 작전 조건과 변화하는 데이터 환경에 대응하기 위한 부분학습(few-shot learning) 및 연속학습 (continual learning) 기술을 도입하여 모델의 적응력과 확장성을 강화할 계획이다. 또한, 모델 경량화 및 하드웨어 가속 기술과의 융합을 통해 에너지 효율성 과 처리 속도를 더욱 향상하는 연구를 진행할 예정이다. 이를 통해 전술 엣지 AI 시스템의 실시간성과 강건성을 극대화하는 방향으로 연구를 확대해 나갈 것이다.
more초록/요약
In recent years, the importance of AI technologies for real-time situational awareness and decision-making has been rapidly increasing in the defense sector, particularly in tactical systems such as autonomous weapon systems, smart sensors, and unmanned vehicles. However, existing CNN models such as VGGNet, ResNet, and MobileNet, while offering high accuracy, have limitations in computational efficiency and energy consumption due to their deep and complex architectures. These characteristics make them less suitable for tactical edge devices, which typically operate under constraints in power supply and computing resources. To address this challenge, this study proposes a lightweight convolutional neural network (CNN)-based AI model designed to deliver both high performance and robustness in resource-constrained tactical edge environments. The core structural components of CNN models—including convolutional layers, pooling layers, fully connected layers, input data size, and CPU frequency—were theoretically analyzed for their impact on training time, inference time, energy consumption, and CPU usage. These theoretical insights were then validated through empirical experiments. The proposed model, named Bare-Bone CNN (B2CNN), consists of an input layer, four convolutional and pooling layers, and two fully connected layers. This architecture minimizes computational load and memory usage while maintaining stable performance across various tactical scenarios. Experiments were conducted using the MNIST dataset and custom datasets of handwritten military symbols, with image sizes ranging from 28×28 to 400×400 pixels. The evaluation considered four different optimization algorithms (including Adam and RMSprop), and three types of data formats (RGB, Grayscale, Binary). Results showed that B2CNN achieved up to 29.9 times faster training speed compared to MobileNet, 20.1 times faster than ResNet18, and 20.9 times faster than GoogLeNet. In inference time, B2CNN also outperformed MobileNet by up to 48.2%, ResNet18 by 61.7%, and GoogLeNet by 45.0%. Despite its lightweight design, B2CNN maintained an average accuracy of over 97%, demonstrating a successful balance between model simplicity and performance. Additionally, the proposed model showed lower CPU and memory usage compared to existing models, confirming its efficient resource utilization. This study presents practical guidelines for designing CNN models optimized for tactical edge devices, offering both academic and industrial significance. The proposed B2CNN model enables real-time AI processing in various resource-constrained environments, including tactical unmanned systems, smart sensor networks, and disaster response robots. Future research will focus on enhancing the adaptability and scalability of the model by incorporating few-shot learning and continual learning techniques to accommodate varying operational conditions and dynamic data environments in real tactical missions. Furthermore, by integrating model compression techniques with hardware acceleration technologies, we aim to further improve energy efficiency and processing speed. These efforts will support the development of highly responsive and robust AI systems for tactical edge computing.
more목차
제1장 서론 1
제1절 배경 및 필요성 1
1. 국방 분야의 AI 응용 요구 증가 1
2. 전술 엣지 디바이스의 강건성 보장을 위한 CNN 모델의 필요성 3
제2절 범위 및 구성 8
제2장 관련 연구 10
제1절 국방 분야의 AI 적용 연구 10
1. 전장 인식을 위한 AI 연구 10
2. C4I체계를 위한 AI 연구 17
3. 특정 무기체계를 위한 AI 및 기타 AI 연구 20
제2절 전술 엣지 AI 모델 연구 26
1. 전술 엣지 AI의 정의 26
2. 전술 엣지 AI 연구 29
제3절 AI 모델의 에너지 효율성 분석 연구 34
제4절 기존 연구의 문제점 40
제3장 전술 엣지 디바이스의 강건성 보장을 위한 Bare-Bone CNN 모델 43
제1절 Bare-Bone CNN 모델 설계 43
제2절 고성능 컴퓨팅 디바이스에서의 성능 비교 51
1. 학습 성능 비교 52
2. 추론 성능 비교 63
제3절 저성능 컴퓨팅 디바이스에서의 추론 성능 비교 97
1. CPU 사용률 및 변동성 비교 97
2. 추론 시간 비교 116
3. 추론 시 점유 메모리 비교 134
제4장 CNN 모델의 에너지 효율성 분석 137
제1절 CNN 모델의 에너지 효율성 분석 모델링 138
제2절 CNN 구조에 따른 에너지 효율성 분석 결과 143
1. CNN 구조에 따른 에너지 효율성 분석 실험 환경 144
2. 학습 시간 및 정확도 비교 145
3. 추론 시간 비교 149
4. 에너지 소비량 비교 154
제5장 결론 158
참고문헌 160
Abstract 171
