Due to advancement in computer vision algorithms and ever increasing number of cameras, demand for efficient video analytic is growing at the network edge. Object counting, face detection/recognition, person/vehicle tracking are some examples of video analytic applications which require real time DNN model inference of video frames. Existing works either leverage powerful compute resource of edge servers to process video analytic application or utilize smart cameras as filter to remove unnecessary video frames from the very start of the video analytic pipeline. The former suffers from poor utilization of edge network resources, large bandwidth usage for shipping high resolution frames and expensive while the latter suffers from inability to support multi-tenancy and flexible reconfiguration of edge cameras to support video analytic application dynamics. This dissertation propose a novel application-aware camera virtualization architecture which interprets video analytic requests into video analytic pipeline and QoS requirements, match, provision service to available edge network resource, and dynamically reconfigure to support application dynamics and context changes of the network edge. The proposed architecture is implemented and evaluated on real world edge devices with video dataset. Results show that our system can improve the resource utilization of the edge network by flexibly reconfiguring the edge camera according to various requirements and context changes.
카메라 개수 증가와 영상 처리 기술 발전으로 인해 엣지 네트워크에서 효율적인 비디오 분석 서비스의 수요가 증가하고 있는 추세이다. 물체 카운팅, 얼굴 감지/인식, 사람/차량 추적 어플리케이션을 비롯한 다양한 비디오 분석 어플리케션은 실시간으로 비디오 프레임에 DNN 모델 추론과 여러 영상 처리 기술이 필요하다. 기존의 연구들은 엣지 서버에의 강력한 컴퓨팅 자원를 활용하여 비디오 분석 어플리케이션을 처리하거나 스마트 카메라를 필터로 활용하여 비디오 분석 파이프라인의 맨 처음부터 불필요한 비디오 프레임을 제거하는 쪽으로 연구가 진행되어 왔다. 전자는 엣지 서버로 고해상도 프레임을 전송하기 때문에 큰 대역폭 사용하고 엣지 네트워크 자원의 활용도가 낮고, 프로세싱 비용이 비싼 문제가 있는 반면에, 후자는 비디오 분석 애플리케이션 역할을 지원하기 위해 엣지 카메라의 다중 테넌시 및 유연한 재구성을 지원할 수 없다는 문제가 있다. 본 논문은 비디오 분석 요청을 비디오 분석 파이프라인 및 QoS 요구 사항으로 해석하고, 요청 사양을 사용 가능한 엣지 네트워크 자원에 매치 및 할당하고, 상황 변화과 어플리케이션 요구사항을 이해하여 비디오 분석 파이프라인 재구성하여 적응한는 새로운 엣지 네이티브 아키텍처를 제시한다. 제안된 아키텍처는 실제 테스트베드에 구현하였으며 실제 비디오 데이터 세트를 사용하여 실험하였으며, 다양한 요구 사항과 상황 변화에 따라 엣지 카메라를 유연하게 재구성함으로써 엣지 네트워크의 자원 활용도를 향상시킬 수 있음을 보였다.
