포크‑조인 네트워크를 위한 이상적인 마크드 페어 동기화기 설계와 성능 한계

본 연구는 현대의 대규모 병렬 처리 시스템에서 흔히 나타나는 포크‑조인(Fork‑Join) 구조의 핵심 병목 현상을 해결하고자 한다. 포크 단계에서 작업이 두 개 이상의 독립적인 경로로 분산되고, 조인 단계에서 이들 결과를 정확히 결합해야 하는데, 이때 결과가 서로 다른 시점에 도착하면 대기 시간이 발생한다. 기존 문헌에서는 전체 시스템의 평균 지연을 분석했지만, 개별 경로 간 동기화 지연을 별도로 모델링하지는 못했다. 이에 저자들은 “마크드 페어 동기화기(ideal synchronizer for marked pairs)”라는 새로운 기능소자를 제안한다. 이 동기화기는 각 작업에 고유 마크를 부여하고, 동일 마크를 가진 두 작업이 모두 도착했을 때만 결과를 방출한다. 동기화기 내부에 버퍼가 존재하지만, 버퍼 용량이 충분히 크다고 가정한다면 실제 구현과 이론적 모델 사이의 차이는 최소화된다. 수학적 모델은 다음과 같이 구성된다. 외부에서 들어오는 작업 흐름은 레이트 λ의 포아송 프로세스로 가정한다. 두 경로 a와 b는 각각 M/M/N_a, M/M/N_b 큐로 모델링되며, 서비스 시간은 지수분포(평균 1/μ_a, 1/μ_b)이다. 각 경로에서 작업이 시스템을 통과하는 데 걸리는 시간은 t_a, t_b 로 표기한다. 동기화기에서 두 작업이 동시에 방출되기 위해서는 |t_a – t_b| 만큼의 차이가 존재한다. 이 차이 ˜t = t_a – t_b 의 확률밀도 ˜f(˜t)는 두 독립적인 지연 변수 f_a(t_a), f_b(t_b) 의 컨볼루션으로 얻어진다. 구체적으로  ˜f(˜t) = ∫_{-∞}^{∞} f_b(τ) f_a(τ + ˜t) dτ 이며, 동기화기의 실제 체류시간 t = |˜t| 의 밀도는  f(t) = ˜f(t) + ˜f(–t) 로 정의된다. 평균 동기화 지연 T는  T = ∫_{0}^{∞} t f(t) dt 으로 계산된다. 핵심적인 정리는 T가 네트워크 파라미터 λ, N_a, N_b, μ_a, μ_b 에만 의존하고, 동기화기의 내부 구현(버퍼 크기, 스케줄링 정책 등)에 따라 변하지 않는 하한값을 가진다는 것이다. 이는 “이상적인 동기화기”가 물리적으로 가질 수 있는 최소 지연을 의미한다. 실제 구현에서는 버퍼 오버플로우, 비동기 처리 등으로 인해 추가 지연이 발생할 수 있지만, 시뮬레이션 결과는 이러한 추가 지연이 이론적 하한에 비해 상대적으로 작으며, 특히 서버 수가 충분히 클 때( N_i → ∞ ) 차이가 거의 사라진다. 다양한 파라미터 조합에 대한 실험 결과를 통해 다음과 같은 현상을 확인하였다. 1. **서버 수의 영향**: N_a = N_b = 1 (단일 서버)인 경우, 각 경로에서 대기열이 형성되어 t_a, t_b 의 분산이 크게 증가한다. 이때 평균 동기화 지연 T는 약 3~5배까지 증가한다. 반면 N_a, N_b 가 무한대에 가까워질수록(즉, M/M/∞ 모델) 두 경로의 지연 차이가 거의 사라져 T는 최소값에 수렴한다. 2. **이용률 ψ_i = λ/(N_i μ_i) 의 역할**: ψ_i 가 0.5 이하일 때는 대기열 효과가 미미하지만, ψ_i 가 0.7을 초과하면 급격히 지연이 증가한다. 특히 ψ_a 와 ψ_b 의 비율이 크게 차이날 경우, 한쪽 경로가 병목이 되어 동기화 지연이 비대칭적으로 커진다. 3. **서비스 속도 비율 μ_a / μ_b**: μ_a 와 μ_b 가 동일하면 대칭적인 지연 분포를 보이며, 한쪽이 빠를 경우 그 경로의 작업이 먼저 도착해 대기 시간이 늘어난다. 이때 평균 T는 느린 경로의 서비스 시간에 비례한다. 4. **시뮬레이션 검증**: 10,000개의 작업을 시뮬레이션한 결과, 경험적 평균 T_emp 과 이론적 T 사이의 상대 오차는 대부분 10% 이하였으며, 가장 극단적인 경우에도 20%를 넘지 않았다. 이는 제안된 모델이 실제 시스템 설계에 충분히 적용 가능함을 입증한다. 또한 저자들은 동기화기의 설계 지표로서 “동기화 지연 하한 대비 실제 지연 비율”을 제안한다. 이 비율이 1에 가까울수록 구현이 이상적인 동기화기에 근접한다는 의미이며, 시스템 설계자는 이를 통해 버퍼 크기, 스케줄링 정책, 서버 배치 등을 최적화할 수 있다. 마지막으로, 논문은 G/G/N 모델(일반적인 도착 및 서비스 분포)로 확장할 경우에도 비슷한 형태의 컨볼루션 접근법을 적용할 수 있음을 언급한다. 이 경우 ρ = λ·E