연합 학습 (Federated Learning, FL)은 지리적으로 분산된 장치들이 원시 데이터 (raw data)를 중앙 클라우드로 전송하지 않고도 공유 모델을 협력적으로 학습할 수 있게 함으로써, 개인정보를 보호하는 에지 지능 (edge intelligence)을 위한 유망한 패러다임으로 부상했습니다. 이러한 능력은 매우 이기종적인 장치들과 시시각각 변하는 무선 채널 위에서 작동하면서도 엄격한 지연 시간 (latency), 대역폭 (bandwidth), 그리고 개인정보 보호 제약 조건을 충족해야 하는 에지 네이티브 서비스가 요구되는 5G 및 차세대 6G 네트워크에서 특히 가치가 있습니다. 그러나 실제 환경에서 동기식 FL은 계산 능력이 제한적이거나 통신 조건이 불리한 지연 클라이언트 (straggling clients)로 인해 제약을 받는 경우가 많으며, 이는 라운드 지연 시간 (round latency)을 증가시키고 전반적인 자원 효율성을 저하시킵니다. 이러한 문제를 해결하기 위해, 본 연구는 이기종 무선 에지 환경에서 동적 클라이언트 선택 및 무선 자원 할당을 위한 엄격하게 구조화된 프레임워크를 개발합니다. 각 FL 라운드는 로컬 계산 시간, 업링크 전송 시간, 최소 참여 제약 조건, 그리고 자원 블록 (resource block) 할당을 공동으로 포착하는 지연 시간 인식 스케줄링 문제 (latency-aware scheduling problem)로 공식화됩니다. 이를 바탕으로, 우리는 계산 인식 (computation-aware), 채널 인식 (channel-aware), 그리고 공정성 인식 (fairness-aware) 점수 산정 방식을 한계 완료 시간 감소 (marginal completion time reduction)에 의해 유도되는 탐욕적 자원 블록 할당 (greedy resource block allocation)과 통합한 동적 클라이언트 선택 및 자원 할당 (Dynamic Client Selection and Resource Allocation, DCS-RA) 방법을 제안합니다.