Since the advent of Deep Belief Network (DBN) deep learning technology in 2006, Artificial Intelligence (AI) technology has been utilized in various convergence areas, such as autonomous driving and medical care. Some services requiring fast decision making and action typically work seamlessly with edge computing service model. As an example of an edge computing service model, in autonomous driving of a connected vehicle with Vehicle-to-Everything (V2X) communication, Road Side Unit (RSU) as an edge computing device should process V2X messages sent by vehicles or other RSUs rapidly. IEEE 1609.2 standard provides application message security technology to ensure the security and reliability of V2X communication messages. It uses Elliptic Curve Digital Signature Algorithm (ECDSA) signatures based on the NIST p256 curve for message authenticity. In this dissertation, considering the expected number of vehicles, message delivery rate, and wireless channel (IEEE 802.11p) capacity of the environment such as the intersection in rush hour, we investigate that RSU should verify 3500 ECDSA signatures per second without the help of hardware based cryptographic accelerator. For the requirement, we propose a hybrid approach of parallel ECDSA verification at high speed using CPU and GPU, simultaneously. In this proposed method, the characteristics of CPU and GPU such as signature verification rate and latency are analyzed, and based on the analysis result, the scheduling algorithm for parallel processing on CPU and GPU is configured to maximize the verification performance. Moreover, we implemented the proposed method in various modern computing environments for RSU and edge computing devices. Through the experiments, we reach the conclusion that GPU can contribute to the required performance of ECDSA signature verification in RSU platform, which could not satisfy the above throughput only with CPU. The target platform with Intel Pentium E6500 CPU and GeForce GTX650 GPU can verify 5667 signatures per second with 30% utilization, while CPU in the platform can process only 2668 signatures. Even in a higher performance edge computing device, we examine experimentally that the performance can be further improved by using the proposed hybrid approach.
2006년 DBN 방식의 deep learning 기법 출현 이후, AI 기술은 자율 주행, 의료 등 다양한 융합 분야에서 활용되고 있다. 빠른 의사 결정 및 행동을 필요로 하는 어떤 서비스들은 일반적으로 엣지 컴퓨팅 서비스 모델을 통하여 원활히 동작하게 된다. 엣지 컴퓨팅 서비스 모델의 하나의 예로, V2X 통신을 활용하는 커넥티드 자동차 기반의 자율 주행 환경에서, 노변기지국(RSU)는 엣지 컴퓨팅 기기로서 차량 및 여러 단말들이 보내는 V2X 메시지를 빠르게 처리하여야 한다. IEEE 1609.2 표준은 V2X 통신 메시지의 신뢰성을 보장하기 위한 응용 메시지 보안 기술을 제공하며, 이를 위하여 NIST p256 커브 기반의 ECDSA 서명 기술을 사용한다. 본 연구에서는 출퇴근시간 교차로와 같은 환경의 예상되는 차량 대수와 메시지 전달 비율, 무선 채널(IEEE 802.11p) 용량 등을 고려하여, 노변 기지국이 하드웨어 기반 암호 가속기의 도움없이 초당 3500번의 ECDSA 서명을 검증하여야 하는 요구사항을 갖고 있음을 보인다. 이를 만족시키기 위하여 CPU와 GPU를 동시에 활용하여 ECDSA 서명 검증을 고속으로 병렬 처리할 수 있는 하이브리드 접근 방법을 제안하였다. 이 제안 방법에서는 CPU와 GPU의 서명 검증 속도와 지연 시간의 특성을 분석하고, 분석한 결과를 바탕으로 CPU 및 GPU 상의 병렬 처리 스케줄링 알고리즘을 구성함으로써 서명 검증 성능을 극대화할 수 있도록 하였다. 또한, 해당 제안 방법에 대해 노변 기지국 및 엣지 컴퓨팅 기기를 위한 다양한 플랫폼 환경에서 구현을 하여 실험을 실시하였다. 해당 실험을 통하여 CPU 상의 서명 검증만으로는 위의 성능을 만족시키지 못하는 노변 기지국 플랫폼에서 GPU의 도움으로 성능을 만족시킬 수 있음을 보였다. 예를 들어, ECDSA를 위해 30%의 프로세서 성능을 활용할 수 있다는 가정하에, 펜티엄 E6500 CPU만으로는 2668번의 서명 검증이 가능한데 반해, 해당 CPU와 Geforce GTX650 GPU의 병렬 처리를 통하여 초당 5667번의 서명 검증이 가능하였다. 보다 고성능의 엣지 컴퓨팅 기기에서 역시 하이브리드 접근 방법이 CPU만을 사용하는 방법 대비 성능을 충분히 개선시킬 수 있음을 실험적으로 확인하였다.
