DICOMPUTE: An Economic and Privacy-Aware Framework for Distributed Artificial Intelligence Inference

이 논문은 정책 제약 분산 추론 구조의 경제성과 프라이버시 조건을 분석하고 반증 가능한 가설과 실험 설계를 제시한 연구 프레임워크 보고서다.

이 논문은 한마디로 AI 추론을 중앙 집중 시설 대신 사유·지역·독립 컴퓨팅 자원에 정책 제약 스케줄링으로 배치할 때 언제 유리한지 전체 비용과 프라이버시 모델로 분석한 프레임워크다. 저자들은 자본 상각, 에너지, 전송, 편성, 활용률, 실패, 신뢰 비용을 모두 담은 총비용 비교와 손익분기 모델을 유도했다. 프라이버시는 데이터 거주지, 전송 기밀성, 실행 기밀성, 검증 가능한 정산을 구분해 정의했다. 저자들은 반증 가능한 가설과 재현 가능한 실험 설계를 제시하되, 시뮬레이션을 실측 성능으로 제시하지 않았고 분산 추론의 우위를 조건부로만 결론지었다.

핵심 요약

• 연구진은 정책 제약 스케줄링으로 추론 요청을 사유·지역·독립 컴퓨팅 자원에 배치하는 분산 추론 구조 DICOMPUTE의 연구 프레임워크를 제시했다.
• 총비용 모델은 자본 상각, 에너지, 네트워크 전송, 편성, 활용률, 실패, 신뢰 비용을 모두 포함한다.
• 예시 시나리오에서 고정비와 변동비 구조에 따라 월 5.625 million 요청의 손익분기점이 나왔다.
• 프라이버시 모델은 데이터 거주지, 전송 기밀성, 실행 기밀성, 검증 가능한 정산을 구분한다.
• 저자들은 반증 가능한 가설과 재현 가능한 실험 설계를 제시하고 시뮬레이션을 실측 성능으로 내세우지 않았다.
• 중앙 집중 클러스터는 긴밀 결합되고 메모리 집약적인 고처리량 추론에서 구조적 이점을 유지한다는 조건부 결론을 내렸다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.