서론

인간은 지구 상에서 가장 지능적인 생물 종족 중 하나입니다. 인간의 몸은 약 37조 개의 전문화된 세포로 구성된 고도로 최적화된 분산 환경으로 작동합니다. 이러한 세포는 신경계, 심혈관 시스템, 호흡기계, 근육 및 골격계와 같은 장 기능을 통해 협력하며 각각이 로컬 계산을 수행하면서 전반적인 생리적 안정성을 유지하는 데 기여합니다. 예를 들어 신경계는 분산 처리를 보여줍니다: 심장은 대략 4만 개의 뉴런으로 구성되어 있으며 이들은 심박 리듬을 조절하고, 소화관(두 번째 뇌)에는 자율적인 소화 제어에 책임 있는 약 5억 개의 뉴런이 포함되며 각각의 망막은 시각 신호를 처리하기 위해 100만 개 이상의 뉴런을 가지고 있으며, 척수는 밀리초 단위의 반사 작용을 실행하는 수백만 개의 뉴런을 호스팅합니다. 이 계층적이고 중앙 집중화되지 않은 생물학적 구조는 모던 컴퓨팅 패러다임인 분산 컴퓨팅 연속체 시스템(DCCS)과 유사하며, 엣지 장치, 중간 퓨그 노드 및 클라우드 인프라를 통합하여 지연 시간, 에너지 제약 및 계산 부하에 따라 작업을 할당할 수 있는 통일된 컴퓨팅 재료로 구성됩니다. DCCS는 이들의 이질적이고 지속적으로 진화하는 인프라로 인해 중요한 운영 과제를 직면하고 있습니다. 노드들은 계산 용량, 저장소, 연결성 및 신뢰성이 서로 다릅니다. 이러한 요구 사항은 작업 부하의 변동, 노드 이동성 및 동적인 네트워크 조건에 적응할 수 있는 오케스트레이션 메커니즘을 필요로 합니다.

이러한 유사성을 고려하면 DCCS에 생물학적 모델을 통합하는 것은 여러 핵심 과제를 해결하기 위한 잠재적인 접근 방식을 제시합니다. 이 논문에서는 이러한 방향을 탐색하고 시뮬레이션함으로써, 분산 자가 규율 프로세스를 DCCS에 매핑하여 자기 회복 행동을 가능하게 하고 시스템의 탄력성을 강화하는 방법을 탐구합니다. 인간의 몸은 전반적인 안정성을 유지하면서 손상 감지, 손상된 영역 격리 및 기능 복원을 가능하게 하는 자연 모델입니다. 상처 치유, 면역 반응, 분산 신경 세포 의사결정 과정과 같은 프로세스는 이질적인 구성 요소를 통해 감지, 피드백 및 적응을 조율하며 확장성과 중앙 집중화되지 않은 형태의 탄력성을 보여줍니다. 이러한 원칙을 DCCS 아키텍처에 채택하면 시스템은 실패를 신속하게 제한하고 영향받은 노드를 재구성하여 동적이고 불확실한 조건 하에서도 서비스 연속성을 유지할 수 있습니다.

생물학적 기초

생물학적 상처 치유는 조직 손상을 감지하고 대상 반응을 초기화하며 외부 개입 없이 기능적 정합성을 복원하는 다단계 프로세스입니다. 컴퓨팅 분야 독자를 위한 필요한 생물학적 맥락을 제공하기 위해, 우리는 상처 치유의 네 단계를 포함합니다: 혈전 형성, 염증, 증식 및 재조직화 단계.

혈전 형성

상처 치유의 초기 단계이며 혈관 손상에 대한 몸의 즉각적인 반응을 구성합니다. 조직 손상 후 현지 혈관이 수축하여 피 흐름을 제한하고 출혈을 줄입니다. 플레이트릿은 콜라겐과 함께 활성화되며 이 과정은 프로린 및 하이드록시프롤린과 같은 아미노산에 의해 지원됩니다. 활성화된 플레이트릿은 콜라겐 매트릭스에 부착되어 초기 플레이트릿 플러그를 형성하고 피브리노게닌을 포함한 매개체를 방출합니다. 추가적인 매개체는 콜라겐과의 결합을 강화하고 손상된 부위로 더 많은 플레이트릿을 유입시킵니다. 동시에, 엔도실루어 세포는 과도한 플레이트릿 축적을 방지하기 위해 프로스테사이클린을 생성합니다. 플레이트릿-피브리노게닌 복합체는 피브린으로 변환되어 안정적인 폴리머 네트워크를 형성합니다. 이 피브린 메시는 상처를 밀봉하고 추가 출혈을 방지하는 혈전 형성을 만듭니다.

염증

염증 단계에서는 몸이 감염을 예방하고 세포 잔여물을 청소하기 위한 방어 반응을 시작합니다. 혈관 확장이 발생하여 상처 부위로의 혈류를 증가시키고 면역세포, 산소 및 필수 영양분을 전달하는 것을 용이하게 합니다. 백혈구는 피해 부위로 이동하여 세균, 병원체 및 손상된 세포를 제거합니다. 동시에 다양한 성장인자가 방출되어 조직 수복 과정을 자극하고 치유에 관여하는 추가 세포를 모집합니다.

증식

손상된 조직의 치유와 재구성을 중심으로 하는 단계입니다. 이 단계는 임시 피브리노게닌 매트릭스가 콜라겐 섬유, 프로테오글리칸 및 피브론택틴을 포함하는 새로운 세포외 매트릭스로 대체되는 것을 특징으로 합니다. 이를 통해 조직의 정합성과 기능성을 재설정합니다. 이 단계에서 중요한 이벤트는 혈관 내피 성장인자(VEGF)를 유도하여 새로운 혈관을 형성하는 과산화물-유발 인자(HIF)가 증가하는 산소 의존적 조절입니다. 이로써 혈관화가 개선됨에 따라 섬유blast의 증식이 감소하고 상피화는 표피 장벽을 복원하며, 미오섬유blast는 상처를 줄여 그 크기를 줄입니다.

재조직화/성숙

조직 수복의 이 단계에서는 새로 형성된 조직이 점진적으로 강화되고 재구조화되어 기능적 정제를 진행합니다. 콜라겐 섬유는 재정렬 및 재조직화되어 복원된 조직의 인장 강도와 탄성을 향상시키며 구조적 정합성의 회복에 기여합니다. 동시에, 이전 치유 단계에서 증식한 혈관 네트워크가 회귀합니다. 결과적으로 상처는 특징적인 빨간색이나 분홍색 변색을 잃어 조직 성숙의 완료를 나타냅니다.

동기

이러한 관찰에 의해 ReCiSt, 생물학적 모델에서 영감을 받은 탄력적인 DCCS용 자기 회복 아키텍처를 소개합니다. 그림 1은 생물학적 상처 치유 단계와 ReCiST 프레임워크의 자기 회복 계층 간의 매핑을 보여줍니다. 혈전 형성은 시스템의 즉각적인 고장 반응과 대응하며 격리 및 완화가 시작됩니다; 이 기능은 ReCiSt에서 격리 계층이 수행합니다. 염증 단계는 생물학적 면역 반응을 반영하고 진단 계층에 해당되며 운영 데이터가 수집되고 분석되어 고장의 본질과 범위를 결정합니다. 증식 단계는 새로운 조직 및 혈관 형성과 관련되어 메타인지 계층이 미세 에이전트 증식, 동적 추론 및 업데이트된 라우팅 테이블을 통해 새로운 통신 경로의 생성을 가능하게 합니다. 마지막으로 재조직화 단계는 생물학적 조직 강화에 해당하며 지식 계층은 조정된 로컬과 글로벌 렌즈 포인트(RP)를 통해 분산 연속체 시스템 전체에 지식을 전파합니다.

style="width:99.0%" />

ReCiSt 프레임워크는 불확실한 조건 하에서도 일관된 시스템 성능을 달성하기 위해 교란 감지, 근본 원인 진단, 내부 추론 과정 규제 및 분산 지식 구조의 최적화를 가능하게 설계되었습니다. 이러한 능력은 언어 모델(LM)을 지원하는 에이전트가 지역적인 격리를 실행하고 인과 관계 발견, 메타인지 메커니즘을 통해 내부 추론을 조절하며 컨텍스트 변화에 따라 재조직화되는 적응적인 지식 공유 구조를 관리할 수 있게 합니다. 이러한 수준의 적응성은 각 단계에서 에이전트 기능을 가능하게 하여 시스템이 자체 추론 과정을 규제하고 운영 요구 사항이 진화함에 따라 내부 의사결정 구조를 조정하도록 합니다.

기여

• ReCiSt 프레임워크는 인간의 몸에서 영감을 받은 자가 치유 메커니즘, 즉 상처 치유에서 유래한 인과 관계 발견을 통해 반사적 로컬 격리를 통한 방어적인 응답을 시작하는 적응적이고 에이전트 기반의 자기 회복 시스템을 제공합니다.
• ReCiSt는 이동성 미세 에이전트를 통해 에이전트 내부 추론의 적응적 자기 조절을 가능하게 합니다.
• ReCiST는 적응적, 컨텍스트에 따른 저장을 사용하여 로컬과 글로벌 RP를 통한 지식 공유를 지원합니다.
• 우리의 프레임워크는 크기, 구조, 실패 특성 및 운영 상황이 다양하고 이질적인 데이터 세트에서 효과적으로 작동하도록 설계되었습니다.

ReCiSt 프레임워크의 프로토타입을 구현하고 다양한 DCCS 데이터세트에 대해 여러 LM을 사용하여 평가하여 회복 시간을 줄이고 에이전트 리소스 오버헤드를 제어하며 향상된 의사결정 품질을 보여줍니다.

관련 연구

탄력성은 특히 통신 커뮤니티에서 분산 인프라의 핵심 연구 주제로 부각되고 있습니다. 최근 6G 로드맵은 미래 네트워크 아키텍처의 핵심 표준화 목표로서 탄력성을 명시적으로 우선시합니다. Altaweel *et al.*은 임무 비중이 큰 퓨그 및 엣지 배포를 위한 동적 네트워크 조건 하에서 적응형 라우팅을 지원하는 ID 기반 라우팅 프로토콜을 제안합니다. 마찬가지로, Nakayama *et al.*은 모바일 네트워크의 복수 경로 통신용 탄력적 아키텍처를 개발했습니다. 서버리스 실행 환경 설계를 통해 동적 작업 부하에 대한 로그 기반 오류 허용성에 대해 논의되었습니다.

탄력성을 강조한 주요 기여는 데이터 및 작업 부하 중심 전략을 활용하여 머신 러닝(ML)을 예측과 조정에 사용합니다. Sen *et al.*은 서버 고장 예측을 최적화된 가상 머신(VM) 이주와 다중 경로 라우팅으로 결합하여 무결한 서비스 연속성을 확보하는 탄력적인 엣지-클라우드 아키텍처를 개발합니다. Díaz *et al.*은 연방 ML 고장 예측과 최적화 휴리스틱을 함께 사용하여 엣지 작업 부하에서의 오류 허용성을 높이는 배치 구성 선택을 합니다. Kashyap *et al.*은 동적인 퓨그 환경에서의 프로액티브 리소스 할당에 집중하며, 각 작업의 리소스 요구 사항을 예측하고 작업 분할을 안내하여 노드 실패를 완화합니다. 이러한 솔루션들은 오류 허용성을 제공하지만 광범위한 학습 데이터와 학습 주기를 필요로 하므로 즉시 발생하거나 예측 불가능한 시스템 변화에 대한 반응성이 제한됩니다.

최근 몇몇 연구에서는 불확실한 조건에서 고장과 지연을 구분하는 어려움을 강조합니다. 예를 들어, 이동 에이전트를 사용하여 소문 기반 통신을 효과적인 중앙 집중화되지 않은 감지 메커니즘으로 제안하고 있습니다. 후속 프레임워크는 예측, 진단 및 자율적 서비스 재배치가 가능한 지식에 의존한 동적으로 생성된 자기 회복 에이전트를 도입합니다 . 기타 발전들은 다중 에이전트 워크플로의 자동화된 생성과 유전자형 최적화 및 구조화된 컨텍스트 관리 아키텍처를 개발하여 대규모 언어 모델(LLM)을 구동하는 에이전트가 일관된 분산 추론을 위해 버전 관리 파일 시스템으로 메모리를 갖도록 합니다 . 신규 학습 패러다임은 작업 생성, 정책 최적화 및 보상 평가를 반복적으로 개선하기 위한 클로즈드 루프 과정에 결합합니다. LLM을 구동하는 다중 에이전트 시스템은 전문적인 역할을 통해 트래픽 패턴 분석, 성능 모니터링 및 의심스러운 활동 탐지로 최적화된 완화 전략을 결정하여 적응형 네트워크 관리를 지원합니다.

통신 네트워크에서 에이전트 메커니즘은 변동 조건 하에서 실시간 리소스 할당을 지원하기 위해 의도를 인식하는 추론을 사용합니다. 동시에, 다중 파이프라인 및 미세 조정된 작은 LLMs를 통합한 진단 파이프라인이 클라우드 네트워크에서 근본 원인 분석과 고장 로케이션을 개선하고, 엣지 네트워크의 프로액티브 오류 허용성 프레임워크는 서비스가 저하되기 전에 손상 제한, 진단 및 복구 도구를 관리하여 실패를 완화합니다. 이러한 연구는 자동화되고 자체 개선 에이전트 메커니즘을 달성하기 위한 시도이지만, 리소스 제약 환경에서는 원하는 솔루션에 도달하지 못했습니다.

우리는 생물학적 전략에 대한 강조를 고려하면, 이 분야의 현재 연구는 여전히 상대적으로 드뭅니다. 예를 들어, 생물학적 메커니즘은 다양한 센싱 환경에서 확장성과 견고성을 유지하기 위한 지속적인 네트워크 재구조화에 어떻게 도움을 줄 수 있는지 보여줍니다. 유사한 자동화된 네트워크 관리에 대한 생물학적 모델의 매핑은 시스템 및 장치 수준 제어 과정에서 하드웨어가 구조적인 결함에 반응하여 진화하고 복원될 수 있도록 합니다. 다중 에이전트, 생물학적으로 창조된 프레임워크는 복잡한 스케줄링 중단 시 성능을 회복하기 위한 자율적인 엔티티 간 협상을 보여줍니다. 최근 통신 네트워크 아키텍처는 진화론적, 면역 및 신경 모델을 통합하여 고장 감지와 복구를 가속화하고 생물학적으로 창조된 머신 러닝 프레임워크는 군집과 면역 메타포를 적용해 실패로부터 신속하고 분산식 회복을 달성합니다. 활동 추론은 DCCS에 대한 저항력 전략으로 제안되었으며, 인간의 뇌가 연속적인 추론 및 적응을 모방하는 생물학적으로 창조된 모델에서 근거를 두고 있습니다.

기존 대부분의 문헌은 AI 또는 ML 기반 의사결정 메커니즘에 의해 지원되는 효율적인 고장 감지와 자동 복구에 초점을 맞추고 있습니다. 그러나 이러한 접근 방식들은 사전 훈련된 모델, 외부에서 공급받은 의사결정 정책 및 대규모 데이터셋에 의존하는 한계로 인해 이전에 본 적 없는 고장이나 진화하는 고장을 처리하기 어렵습니다. 또한 그들의 계산과 데이터 집약적인 성격은 다양한 리소스 용량을 가진 분산 환경에서 실용성을 저하시킵니다. 이러한 제한을 극복하려면 교란에 대한 추론이 가능하고 적응할 수 있는 자기 회복 메커니즘이 필요합니다.