# Introduction

## Evolution of AI Models and Services
최근 거대 언어 모델(Large Language Model, LLM)의 급격한 성장은 자연어 처리 분야를 넘어 인공지능 서비스 전반의 패러다임 변화를 주도하고 있다. 초기 생성형 AI 모델이 사용자의 입력(Prompt)에 대해 단순히 텍스트 응답을 생성하는 수동적 대화형 서비스(Chatbot)에 머물렀던 것과 달리, 현대의 AI 시스템은 스스로 목표를 인지하고 외부 환경과 상호작용하며 과업을 완수하는 자율 실행 주체, 즉 'AI 에이전트(AI Agent)'로 급격히 진화하고 있다. 이러한 진화는 단순한 언어적 출력을 넘어, 실제 운영체제(OS), 웹 브라우저, 외부 데이터베이스 및 API 시스템 제어 권한을 획득하여 능동적으로 업무를 수행하는 에이전트 기술의 대중화를 이끌고 있다.

## Rise of AI Agents and Industrial Paradigm Shift
AI 에이전트의 자율적 문제 해결 능력은 산업 현장의 제어 및 운영 시스템에도 지대한 변화를 불러일으키고 있다. 특히 농업 분야의 스마트 팜(Smart Farm)이나 제조업 분야의 스마트 팩토리(Smart Factory)와 같이 실시간 센싱 데이터 수집과 기기 자율 제어가 결합된 사물지능융합기술(AIoT, Artificial Intelligence of Things) 생태계에 AI 에이전트가 도입되기 시작하였다. 

기존의 AIoT 서비스는 단순 임계치 기반의 룰(Rule) 제어나 고정된 알고리즘에 의존하여 유연성이 낮았으나, 의사결정 능력을 갖춘 LLM 기반 에이전트가 연동되면서 유연한 예외 처리, 비정형 데이터 분석, 자연어 인터페이스 기반의 장치 통합 제어 등 고도화된 자율 제어 패러다임으로 전환되고 있다.

## Motivation and Contributions

그러나 실질적인 AIoT 산업 현장에 AI 에이전트를 배치하기 위해서는 해결해야 할 구조적 문제가 존재한다. 

첫째, 상시 센서 데이터 수집을 전제로 설계된 지속 연결(Persistent Connection) 기반의 IoT 통신 모델과 달리, 거대 언어 모델은 매 호출 시점마다 비동기적인 작업 단위(Job-based)로만 연동되는 패러다임 불일치(Execution Paradigm Mismatch)를 겪는다. 둘째, 공장이나 농장의 다양한 이기종 장치 제어 스키마 및 AI 추론 모델을 매번 수작업으로 매핑하는 것은 대규모 배포 환경에서 비현실적(Dynamic Binding Barrier)이다. 셋째, 에이전트가 상시 대기 상태로 물리 노드를 점유하는 구조는 연산 자원 및 트래픽 측면에서 극도로 비효율적(Resource Allocation Inefficiency)이다. 마지막으로, 통신 및 도구 호출 예외로 인한 자율 재시도 루프 시, 중복 명령 살포(Control Idempotency Deficit)로 인한 물리적 장치의 오작동 및 안전 사고의 위험성이 잔존한다. 

본 논문에서는 이러한 4대 문제를 해소하기 위하여 **gRPC 기반의 통합 에이전트 인터페이스 모듈(gRPC-based Unified Interface Module)**을 설계하고 제안한다. 통신 백본으로 gRPC를 채택한 것은 다음의 세 가지 기술적 근거에 기반한다:

- 첫째, 산업용 AIoT 구조는 온도·습도 값을 특정하여 edge 또는 cloud로 전송하는 하부의 '센싱 계층'(MQTT/CoAP 최적)과, "농약 살포"와 같이 명령을 내리고 결과를 확인해야 하는 '제어 계층'으로 자연스럽게 나뉜다. gRPC는 바로 이 제어 계층의 명령 호출에 특화된 프로토콜이며, 교환 가능한 기능과 데이터 형식을 계약서처럼 사전에 못박아 두는 인터페이스 명세(IDL)가 이종 에이전트의 기능 명세서인 Agent Card(A2A 계열 표준)와 정합적으로 매핑되어 표준 준수형 연동의 토대가 된다.
- 둘째, gRPC가 기반하는 HTTP/2 멀티플렉싱은 하나의 파이프라인 안에 여러 차선을 둔 고속도로처럼, 단일 연결 위에서 텍스트 제어 명령·카메라 이미지 스트림·장치 상태 회신이 서로를 가로막지 않고 동시에 흐르게 한다. 이 양방향 스트리밍 능력은 항상 연결되어 데이터를 흘려보내는 장치 계층과 필요할 때만 작업 단위로 동작하는 에이전트 계층 사이의 박자(실행 주기) 차이를 전송 계층 수준에서 자연스럽게 중재한다.
- 셋째, gRPC의 Protobuf는 송수신 양측이 미리 약속한 스키마에 따라 데이터를 압축된 이진 형태로 주고받으므로 텍스트(JSON)를 한 글자씩 해석하는 비용이 사라지고 전송 크기도 크게 줄어든다. 여기에 Envoy 로드 밸런서·Kubernetes 상태 감시 등 이미 검증된 클라우드 네이티브 인프라를 기존 전력망과 도로망에 접속하듯 그대로 활용할 수 있어, 대량 에이전트 태스크의 생명주기 관리와 부하 분산을 밑단부터 새로 구축할 필요가 없다(상세 논거는 2장에서 다룬다).

본 연구의 주요 기여는 다음과 같이 요약된다:
- 항상 연결되어 데이터를 흘려보내는 AIoT 물리 계층과 호출 시점마다 작업 단위로 동작하는 에이전트 계층, 즉 박자가 서로 다른 두 세계를 gRPC 양방향 스트리밍 위에서 실시간으로 잇는 통합 백본 메커니즘을 정립하였다.
- 장치와 AI 모델의 기능 명세를 에이전트 카드(Agent Card)로 자동 인식·연결(동적 바인딩)하도록 하여 신규 장치를 추가할 때마다 반복되던 수작업 매핑을 최소화하고, 평상시에는 경량 이벤트 감지기만 상주시키다가 이상 징후가 포착된 순간에만 에이전트를 기동해 제어권을 넘기는 비동기 위임 생명주기를 구현하여 연산 자원과 트래픽 낭비를 크게 줄였다.
- 재시도 루프로 인해 동일한 제어 명령이 두 번 도달하더라도 물리 장치가 두 번 동작하지 않도록, 명령의 멱등성 분류와 Control Intent Key 기반 중복 필터링 스키마를 설계하여 중복 제어로 인한 오작동과 안전 사고 위험을 선제적으로 차단하였다.

## Paper Organization
본 논문의 구성은 다음과 같다. 2장에서는 AIoT 구조 및 AI 에이전트, 오케스트레이션 프레임워크와 표준 프로토콜 등의 관련 연구를 소개한다. 3장에서는 제안하는 gRPC 기반 통합 인터페이스 모듈의 구조와 핵심 설계 스키마를 설명한다. 4장과 5장에서는 스마트 팜 가상 테스트베드 환경을 통한 실험 구성 및 성능 분석 결과를 제시하며, 마지막 6장에서 연구를 요약하고 향후 과제를 제시한다.

# Background and Related Technologies

## AIoT (Artificial Intelligence of Things) - 광선
사물지능융합기술(AIoT)은 사물인터넷(IoT) 기술에 인공지능(AI)을 결합하여, 종단 기기(Edge Device)에서 발생하는 원천 데이터를 수집할 뿐 아니라 엣지 및 클라우드 컴퓨팅 인프라를 통해 고도화된 자율 추론과 제어 기능을 제공하는 융합 기술이다. 전형적인 AIoT 시스템은 (1) 말단의 센서 및 액추에이터 디바이스 계층, (2) 이들을 집선하여 로컬 연산을 처리하거나 라우팅을 조율하는 게이트웨이 계층, (3) 대용량 연산 및 통합 모니터링을 담당하는 엣지/클라우드 컴퓨팅 계층의 3-tier 아키텍처를 따른다. 물리 센서의 시계열 정합성과 실시간 장치 복구를 보장하기 위하여, 기존 AIoT 통신 계층은 주로 MQTT나 CoAP와 같은 초경량 프로토콜을 사용해 지속 연결(Persistent Connection) 상태를 유지하고 양방향으로 고속 제어 신호를 전달하는 방식을 선호한다.

## gRPC as an Integration Backbone in AIoT Edge Architectures - 환웅

본 연구가 제안 모듈의 통신 백본으로 gRPC(Google Remote Procedure Call)를 선정한 기술적 근거는 다음의 세 가지로 정리된다.

### 계층 이원화 구조와의 아키텍처 정합성 및 에이전트 표준과의 호환성

스마트 팜·스마트 팩토리와 같은 산업용 AIoT 환경은 두 개의 성격이 다른 계층으로 이원화되는 것이 일반적이다. 하부의 초경량 센서 디바이스 계층은 온도·습도 등의 센서 값을 특정하여 edge 또는 cloud로 전송하는 데 특화되어 있으며, 대역폭과 연산 자원이 극도로 제약되어 있어 MQTT/CoAP 같은 초경량 프로토콜이 최적이다. 반면 상부의 게이트웨이·엣지 연산 계층은 단순 전달을 넘어, 에이전트가 "농약을 살포하라", "출입문 상태를 확인하라"와 같이 대상과 절차가 명확한 **행동 명령을 호출하고 그 결과를 회신받는 원격 프로시저 호출(RPC)** 성격의 상호작용을 조율해야 한다. 즉 하부는 '센싱 계층'이고 상부는 '제어 계층'이므로 요구되는 통신 모델 자체가 다르다. 따라서 말단 센서 계층에서는 기존 경량 프로토콜을 보완적으로 유지하되, 게이트웨이 이상의 상위 계층에서는 행동 명령 호출에 특화된 gRPC가 자율 통합 제어의 백본으로 기능하도록 계층별로 최적 배치하는 이원화 전략이 성립한다.

이때 gRPC의 인터페이스 정의 언어(IDL, Interface Definition Language)는 장치와 에이전트 사이에 교환 가능한 함수 목록 및 데이터 형식을 공유하기 위한 계약서 역할을 한다. 계약서에 서명한 양측이 조항을 재협상할 필요 없이 곧바로 거래할 수 있듯이, IDL에 명세된 서비스 정의만 공유되면 서로 다른 벤더가 만든 에이전트와 장치도 즉시 상호 호출이 가능하다. 

특히, gRPC가 메시지와 명령의 형식을 엄격히 규정하는 방식은 이종 에이전트 간의 상호운용성을 규정하는 A2A 표준의 '에이전트 카드(Agent Card)' 명세와 그 구조가 거의 일치한다. 에이전트 카드가 "이 에이전트가 어떤 기능을, 어떤 입력값으로, 어떤 주소(엔드포인트)에서 제공하는가"를 담는다면, gRPC의 IDL 역시 정확히 동일한 정보(메서드, 메시지 타입, 서비스 주소)를 선언하기 때문이다. 이처럼 두 문서의 정보 구조가 1:1로 정확히 대응(동형성, Isomorphic)되기 때문에, 에이전트 카드의 설정을 gRPC 통신 규격으로 번거로운 가공 없이 매핑하여 표준을 준수하는 연동 모듈을 쉽게 구현할 수 있다.

### 고성능 멀티모달 바이너리 스트리밍 지원

AIoT 기반 지능형 에이전트 시스템은 텍스트뿐 아니라 고해상도 이미지(작물 병해 사진), 음향 주파수(설비 이상음), 센서 시계열 등 대용량 멀티모달 데이터를 상시 교환해야 한다. 그러나 기존 방식은 이 요구에 구조적 한계를 보인다. MQTT는 애초에 짧은 측정값 전달을 위해 설계되어 대용량 파일 전송을 고려하지 않았으므로 큰 페이로드가 유입되면 브로커에 병목이 발생하며, REST(HTTP/1.1)는 요청할 때마다 연결을 새로 맺고 끊는 방식이라 미디어 데이터를 반복 요청할수록 연결 수립(Handshake) 오버헤드가 누적된다.

gRPC가 기반하는 HTTP/2의 다중화(Multiplexing)는 이 문제를 전송 원리 수준에서 해소한다. 이를 비유하면 **하나의 파이프라인(단일 TCP 연결) 안에 여러 차선(스트림)을 두어 서로 다른 데이터가 동시에 달리는 고속도로**와 같다. 한 차선에서는 에이전트의 텍스트 제어 명령이, 옆 차선에서는 카메라 이미지 스트림이, 또 다른 차선에서는 장치 상태 회신이 서로를 가로막지 않고 동시에 흐르므로, 연결을 매번 새로 맺을 필요 없이 단일 연결·단일 포트 위에서 Request/Response와 양방향 스트리밍(Bidirectional Streaming)이 저지연으로 공존한다. 또한 스트리밍 프리미티브를 조합하여 외부 브로커 없이 단일 서비스 내에서 한정적 Pub/Sub 상호작용 패턴을 구현할 수 있으나, N:N 팬아웃(Fan-out)이나 메시지 보존(Retention)이 필요한 경우에는 별도의 메시지 브로커 연계가 요구된다. 

나아가 손실이 잦은 무선 엣지 네트워크 환경을 겨냥한 QUIC 기반 HTTP/3 전송 지원이 실험적 단계로 진행 중이므로, 향후 전송 계층의 고속화 진화를 수용할 확장성을 확보한다. gRPC가 이미 마이크로서비스 아키텍처(MSA)의 사실상 표준 인터페이스로 통용되고 있다는 점은 제안 모듈의 현업 시스템 이식성과 확장 속도 측면에서도 이점으로 작용한다.

### 구조화된 직렬화 기반의 태스크 생명주기 관리 및 부하 분산 효율

통신 성능은 데이터를 "어떤 형태로 포장해 보내는가"에도 크게 좌우된다. 널리 쓰이는 JSON은 사람이 읽을 수 있는 텍스트 형식이라는 장점이 있으나, 컴퓨터 입장에서는 긴 문자열을 한 글자씩 해석(파싱)하여 숫자와 구조로 복원해야 하므로 CPU 연산과 메모리를 상당히 소모하며, 필드 이름까지 문자로 반복 전송되어 페이로드도 비대해진다. 반면 gRPC가 사용하는 Protobuf(Protocol Buffers)는 송수신 양측이 스키마(필드 구조)를 미리 약속해 두고 데이터만 압축된 이진수로 변환해 전송하는 방식이므로, 문자열 해석 과정이 사라져 직렬화·역직렬화 속도가 비약적으로 빨라지고 전송 크기도 현저히 절감된다. 이는 동적으로 생성·소멸을 반복하는 다수의 서브에이전트와 오케스트레이터 사이에 폭증하는 제어 메시지를 자원 제약적 엣지 노드에서도 메모리 효율적으로 처리할 수 있게 하며, 강타입 스키마가 이종 에이전트 간 메시지 규격 불일치를 컴파일 시점에 미리 차단하므로 연동 신뢰성 또한 높아진다.

운영 관점의 이점도 크다. 도시가 새 건물을 지을 때 **전력망과 도로 교통 관제 체계를 처음부터 새로 건설하지 않고 기존 기반 시설에 접속해 쓰는 것**처럼, gRPC 생태계에는 Envoy 기반 L7 로드 밸런싱(트래픽을 여러 서버로 고르게 분배하는 관제소 역할)과 Kubernetes의 gRPC 네이티브 liveness probe(각 서비스의 생존 여부를 주기적으로 점검하는 상태 감시 체계) 등 이미 대규모 현장에서 검증된 클라우드 네이티브 인프라가 갖춰져 있다. 제안 모듈은 이러한 기성 인프라에 그대로 접속함으로써, 에이전트 생명주기 감시 및 부하 분산 체계를 밑단부터 구축할 필요 없이 기성 클라우드 네이티브 도구 위에서 비교적 손쉽게 확보할 수 있다는 실용적 이점을 갖는다.

## AI Agents and Multi-Agent Systems

### LLM-based AI Agent
LLM 기반 AI 에이전트는 기계학습 모델의 단순한 예측 범위를 확장하여, 내재된 지식과 추론을 바탕으로 자율적인 행동을 조율하는 시스템을 의미한다. 일반적으로 에이전트는 거대한 문제 상황을 조각내어 실행 계획을 세우는 계획 및 추론(Planning), 과거 정보를 적시에 바인딩하는 단/장기 기억 장치(Memory), 그리고 웹 브라우징이나 API 제어 등 외부 연동을 담당하는 도구 사용(Tool Use)의 3대 요소를 통해 구현된다. 그러나 단일 에이전트(Single Agent) 구조에서는 장문의 문서나 방대한 컨텍스트를 다룰 때 중간 정보를 유실(Lost in the middle)하거나 여러 도구에 접근할수록 모델의 한계로 인해 환각(Hallucination)이 급격히 증가하며, 복잡한 비선형 흐름 제어 시 심각한 실행 실패율을 보이는 한계를 안고 있다.

### Multi-Agent Orchestration Frameworks
멀티 에이전트 오케스트레이션(Multi-Agent Orchestration)은 이러한 단일 에이전트의 인지적 한계를 극복하기 위해, 특화된 페르소나와 제한된 전용 도구만 가진 여러 에이전트가 협업 네트워크를 구축하여 문제를 조율·해결하는 분할 정복(Divide-and-Conquer) 아키텍처다. 대표적으로 **crewAI**는 각 에이전트의 역할(Role), 목표(Goal), 배경 설명(Backstory)을 엄격히 분리하여 PM, 개발자, QA 등의 인간 사회 조직 구조를 단순하고 직관적으로 투영하는 데 강점을 갖는다. 한편 **LangGraph**는 상태(State) 보존 기능과 함께 제어 흐름을 순환 그래프(Cyclic Graph) 구조로 캡슐화하여, 에러나 장애 발생 시 롤백 및 체크포인터 기반 복구 등 고도화된 워크플로우 통제 능력을 강건하게 제공한다.

## Agent Interoperability Protocols
서로 다른 아키텍처나 모델 벤더로 구성된 에이전트들이 공통 통신 언어로 발견 및 협업할 수 있도록 하는 표준 규격 역시 활발히 논의되고 있다. Anthropic이 주도한 **MCP(Model Context Protocol, 2024년 11월 발표)**는 AI Host 애플리케이션과 클라이언트 간에 로컬/원격 도구 및 컨텍스트 스키마를 안전하고 구조화된 프로토콜로 공유할 수 있도록 설계된 인터페이스이다. 나아가 이종 에이전트 간의 자율적 통신과 태스크 위임을 위해 IBM Research의 **ACP(2025년 3월 발표)** 규격이 제안되었으며, 이는 표준 연동 신뢰성 확보를 위해 구글 등 50여 사의 연대로 Linux Foundation에 기증된 **A2A(Agent-to-Agent, 2025년 4월 발표, 6월 LF 기증, 8월 ACP와 공식 병합)** 프로토콜 사양으로 통합되었다. A2A 표준 생태계에서는 각 에이전트의 식별과 기능 명세를 기록한 **에이전트 카드(Agent Card)**가 `/.well-known/agent-card.json` 등의 표준 엔드포인트를 통해 실시간 서빙 및 탐색을 가능케 한다.

## AIoT Services using AI Agents - 광선
현재 AI 에이전트와 AIoT 계층을 결합하려는 실무적 시도들은 주로 터미널 CLI 기반 에이전트(Claude Code 등)에 물리 장치 API 제어용 SKILL을 모듈 형태로 동적 주입하여 자동 배포나 파일 입출력을 대행하게 하는 방식으로 이루어지고 있다. 그러나 이러한 적용 방식은 여전히 단일 사용자 환경 내에 국한되어 있으며, 가용 자원 및 네트워크 대역폭이 극도로 제약된 산업용 AIoT 엣지 단말 환경에서 실시간으로 대량의 시계열 센서와 물리 액추에이터 제어 명령을 양방향 스트리밍으로 유기적으로 중재하고, 이기종 간의 자원 점유 최적화 및 멱등적 장애 복구를 제공하는 멀티 에이전트 오케스트레이션 모듈 연구는 아직 초기 단계에 머물러 있어 본 연구의 필요성을 더욱 강력히 부각한다.

## Problem Definition

AIoT 서비스 환경에서 멀티 에이전트 오케스트레이션(Multi-Agent Orchestration)을 구현하고, 제안하고자 하는 통합 인터페이스 모듈의 필요성을 정당화하기 위해 해결해야 할 핵심 문제는 다음과 같이 시간, 연결, 자원, 안정성의 4대 관점으로 정의된다.

1. **상시 연결과 작업 단위 실행 모델 간의 패러다임 불일치 (Execution Paradigm Mismatch - 시간 축)**
   - 기존 AIoT 서비스 환경은 센서 데이터의 상시 수집 및 실시간 제어를 위해 지속적 연결(Persistent Connection) 상태를 전제로 구동되는 반면, LLM 기반 AI 에이전트는 특정 과업(Job) 단위로 호출되어 비동기적으로 실행되는 모델을 따른다. 이처럼 상시 연결 기반의 물리 기기 계층과 비동기식 작업 단위의 에이전트 계층 간에 발생하는 실행 생명주기 및 제어 주기의 불일치를 조율할 수 있는 중재 계층이 부재하다.

2. **연결 계층의 동적 바인딩 및 다유형 메시지 교환 장벽 (Dynamic Binding & Multi-Type Messaging Barrier - 연결 축)**
   - **동적 파라미터 바인딩 결여**: AIoT 서비스 환경에서 에이전트가 물리 장치를 제어하거나 전용 인공지능 모델(예: 스마트 팜의 질병 진단용 지도학습 모델 등)의 추론 결과를 획득하기 위해서는, 대상 시스템의 API 주소, 파라미터 규격, 제어 명령 명세를 사전에 정확히 매핑하여야 한다. 그러나 관리자가 이를 매번 수작업으로 매핑하는 것은 확장성 측면에서 비현실적이며, 새로운 에이전트가 네트워크에 진입할 때마다 물리 기기 및 추론 모델의 입력 명세를 런타임에 동적으로 연동(Binding)해주는 표준 인터페이스 계층이 요구된다.
   - **다유형 메시지 교환 규격 결여**: AIoT 환경에서 에이전트와 물리 계층 간에 교환되는 정보는 단순 텍스트 명령에 국한되지 않고, 고해상도 이미지·음향 주파수·센서 시계열·상태 구조체·상세 에러 트레이스 등 다양한 유형의 멀티모달 페이로드를 포함한다. 그러나 기존 MQTT나 단순 메시지 큐(MQ) 방식은 토픽 세분화와 페이로드 크기 한계로 인해 이러한 다유형 대용량 메시지를 통합 교환하는 데 병목을 겪으며, 단편적인 이벤트 알림 전송에 머무르는 규격의 한계가 존재한다. 또한 기존 에이전트 프레임워크(AutoGen·CrewAI 등)는 주로 텍스트 기반 메시지 교환을 전제로 설계되어, 이종 에이전트 간 다유형 멀티모달 페이로드를 규격화하여 교환할 표준 메시지 스키마 및 풍부한 페이로드 지원 메시징 인터페이스가 결여되어 있다.

3. **상시 점유의 비효율성과 자원 최적화 한계 (Resource Allocation Inefficiency - 자원 축)**
   - 에이전트가 모니터링 작업을 직접 수행하며 물리 노드를 지속적으로 점유하는 구조는 한정된 엣지 인프라의 네트워크 트래픽 및 연산 자원 측면에서 비효율적이다. 따라서 평상시에는 경량화된 별도 감시 프로그램에 의해 이벤트를 식별하고, 이벤트 발생 시에만 비동기적으로 특정 에이전트에게 제어권 및 태스크를 위임하고 완료 후 즉시 회수할 수 있는 표준화된 자원 통제 및 위임 인터페이스가 결여되어 있다.

4. **비동기 재시도 루프에서의 물리 제어 멱등성 결여 (Control Idempotency Deficit - 안정성 축)**
   - 비동기 작업 위임 구조에서 에이전트가 예외 발생 시 재시도를 수행하는 과정에서, 동일한 제어 의도가 새로운 작업 ID로 중복 발행되어 물리 장치에 대한 이중 제어가 발생할 위험이 존재한다. 예컨대 스마트 팜 환경에서 농약 중복 투포나 중복 급수와 같이 물리적·화학적 작용이 누적되는 제어 명령은 재실행 시 치명적 안전 사고로 이어질 수 있다.
   - 그러나 기존 에이전트 프레임워크의 재시도 메커니즘은 주로 정보 조회나 텍스트 생성 등 멱등성이 자연 보장되는 작업을 전제로 설계되어 있어, 부작용이 누적되는 물리 제어 명령의 멱등성(Idempotency)을 보장하는 표준화된 제어 스키마 및 중복 발행 억제 인터페이스가 결여되어 있다.

이 네 가지 문제(실행 주기 불일치, 동적 바인딩 및 다유형 메시지 교환, 자원 최적화 위임, 물리 제어 멱등성 결여)는 에이전트와 물리 계층의 경계면에서 공통적으로 발생하며, 에이전트의 상태, 장치 명세, 태스크 생명주기 및 제어 안정성을 유기적으로 공유할 때 비로소 제어가 가능하다. 따라서 이를 개별 기능 단위로 분리하여 접근하기보다는 하나의 단일 통합 인터페이스 모듈(Unified Interface Module)로 설계하여 처리하는 것이 통신 연동의 정합성, 전체 시스템 효율성 및 물리 제어 안정성 확보 측면에서 필수적이다.

# gRPC-based Unified Interface Module for Multi-Agent Orchestration in AIoT Services [추후 작성]

본 논문에서는 다음과 같은 범용적인 AIoT 서비스 구조에서 사용될 수 있는 Multi-Agent 인터페이스 모듈을 설계 제안한다. 

## Design Goals and Requirements
- 4대 문제 정의(시간·연결·자원·안정성 축)와 설계 요구사항 간의 매핑(Traceability)
- 통합 모듈로 설계해야 하는 이유의 아키텍처 수준 재정리

## Overall Architecture
- 전체 시스템 구조도: 에이전트 계층 – 통합 인터페이스 모듈 – 물리 기기/추론 모델 계층
- 모듈 내부 구성요소 및 상호작용 흐름 개요

## gRPC Communication Backbone
- Protobuf 기반 메시지 스키마 정의 (태스크, 이벤트, 제어 명령 규격)
- HTTP/2 기반 양방향 스트리밍을 통한 상시 연결 계층과 작업 단위 계층의 중재 (시간 축 해소)
- Request/Response 및 스트리밍 기반 Pub/Sub 패턴 구현

## Agent Card-based Dynamic Binding Layer
- 에이전트/장치/추론 모델 명세의 Agent Card 규격화 및 서빙 (`/.well-known/agent-card.json`)
- 서비스 디스커버리 및 런타임 동적 바인딩 절차 (연결 축 해소)

## Event-Driven Task Delegation and Lifecycle Management
- 경량 감시 프로그램과 에이전트의 역할 분리 구조
- 이벤트 발생 시 태스크 위임–실행–제어권 회수의 생명주기 관리 (자원 축 해소)
- 로드 밸런싱 및 에이전트 상태 감시 (liveness) 연동

## Idempotent Control Schema
- 제어 명령의 멱등/비멱등 분류 명세
- Control Intent Key 기반 중복 발행 억제 및 사전 검증(pre-flight check) 절차 (안정성 축 해소)

# Testbed Configuration

## Smart Farm Scenario Design
- 방제 자동화 시나리오: 병해 감지(지도학습 모델) → 약품 추천 → 자동 투약 제어
- 시나리오별 참여 에이전트 및 역할 정의

## Hardware and Network Configuration
- 센서 디바이스/게이트웨이/엣지 노드 구성 및 네트워크 토폴로지
- 자원 제약 조건 (대역폭, 연산 자원) 설정

## Software Stack and Agent Deployment
- 에이전트 프레임워크 및 제안 모듈 구현 스택 (gRPC/Protobuf 버전 포함)
- 비교군(Baseline) 구성: 기존 REST/MQTT 기반 연동 방식

## Evaluation Scenarios and Metrics
- 평가 시나리오: 정상 경로, 재시도/장애 주입(Fault Injection), 동시 다중 위임
- 평가 지표: 지연 시간, 처리량, 자원 점유율, 중복 제어 발생률

# Performance Analysis

## Experimental Results
- 통신 성능 비교 (gRPC vs. Baseline): 지연 시간 및 처리량
- 자원 효율성 분석: 이벤트 기반 위임 구조의 노드 점유율 절감 효과
- 안정성 검증: 재시도 루프 하에서의 중복 제어 억제율 (멱등성 보장 효과)

## Discussion
- 4대 문제 축별 해소 여부 검증 및 한계 분석
- 제안 모듈의 일반화 가능성 (스마트 팩토리 등 타 도메인 확장)

# Conclusion and Future Work
- 연구 요약 및 기여 재정리
- 향후 연구: 표준 프로토콜(A2A) 연계 확장, 대규모 에이전트 스웜 환경 검증