자원봉사 컴퓨팅으로 유전 프로그래밍 성능 극대화

** 본 논문은 유전 프로그래밍(GP)의 계산 집약적 특성을 극복하기 위해, 전 세계 일반 사용자가 제공하는 유휴 컴퓨팅 자원을 모아 연산 파워를 증폭시키는 자원봉사 컴퓨팅(Volunteer Computing, VC) 모델을 제안한다. 이를 구현하기 위해 가장 널리 사용되는 오픈소스 미들웨어인 BOINC( Berkeley Open Infrastructure for Network Computing)를 선택했으며, BOINC의 마스터‑슬레이브 구조와 작업 단위(Work Unit, WU) 개념을 GP 실행에 맞게 재구성하였다. 논문은 두 가지 대표적인 GP 툴, C 기반 Lil‑gp와 Java 기반 ECJ를 사례 연구로 삼아 BOINC와의 통합 방법을 상세히 기술한다. Lil‑gp는 C 언어로 작성돼 BOINC 라이브러리와 직접 링크하는 ‘Method 1’을 적용하였다. 주요 변경 사항은 파일 입출력 함수를 BOINC 전용 API로 교체하고, 실행 파라미터를 명령줄 인자로 전달하도록 한 점이다. 이렇게 만든 Lil‑gp‑BOINC 바이너리는 다양한 운영체제(Windows, Linux, macOS)와 아키텍처(x86, x86‑64)에서 실행 가능하도록 컴파일된다. 반면 ECJ는 Java로 구현돼 C/C++ 포팅이 비현실적이므로 ‘Wrapper’ 방식을 채택하였다. BOINC Wrapper는 기존 실행 파일을 그대로 감싸는 형태로, 클라이언트에 Java 가상 머신(JVM)과 ECJ 실행 파일을 압축 패키지 형태로 배포한다. Wrapper는 압축을 해제하고, 체크포인트 파일이 존재하면 이를 이용해 재시작하고, 결과 파일을 BOINC 코어에 전달한다. 이 과정에서 모든 클라이언트에 JVM이 사전 설치돼야 하며, 이를 위해 JVM 이미지까지 포함한 배포 패키지를 제공한다. 실험은 두 단계로 진행되었다. 첫 번째 실험에서는 Lil‑gp‑BOINC를 이용해 인공 안톤(Santa Fe Trail) 문제를 풀었다. 인구 규모 1 000·2 000, 세대 1 000·2 000의 조합으로 25번 실행했으며, 클라이언트 수를 5대와 10대로 각각 변환하였다. 결과는 순차 실행 대비 2.7배(5대)에서 5.7배(10대)의 가속도를 보였으며, 사용된 클라이언트 수가 늘어날수록 가속도가 비선형적으로 증가함을 확인했다. 두 번째 실험에서는 ECJ‑BOINC를 활용해 Boolean Multiplexer 벤치마크를 수행하였다. Wrapper를 통해 Java 환경을 그대로 유지하면서도 다수의 자원봉사 클라이언트에서 병렬 실행이 가능함을 입증했다. 이 실험에서는 체크포인트 복구와 결과 검증 메커니즘을 적용해, 클라이언트 중단이나 부정 행위에 대한 내성을 확보하였다. 논문은 BOINC가 제공하는 신뢰성 보장 수단—검증 퀄럼, 디지털 서명, 중복 실행—을 GP 작업에 적용함으로써, 자원봉사 컴퓨팅 특유의 불안정성을 효과적으로 완화한다는 점을 강조한다. 또한, BOINC의 멀티플랫폼·오픈소스 특성을 활용해 언어·플랫폼에 구애받지 않는 일반화된 GP‑BOINC 모델을 제시한다. 이 모델은 기존 GP 툴을 최소한의 포팅(또는 Wrapper)만으로 BOINC에 연계할 수 있게 하여, 향후 다양한 진화 알고리즘 연구에 저비용 고성능 연산 인프라를 제공한다. 하지만 논문에는 몇 가지 한계점도 존재한다. 첫째, 실제 자원봉사자 풀을 이용한 장기 운영 데이터가 부족해, 실사용 환경에서의 가용 컴퓨팅 파워(CP)와 네트워크 오버헤드에 대한 정량적 평가가 제한적이다. 둘째, 작업 단위(WU)의 크기와 데이터 전송량이 전체 성능에 미치는 영향을 상세히 분석하지 않아, 최적 WU 설계 가이드라인이 부족하다. 셋째, BOINC 클라이언트의 이질적인 하드웨어 사양이 결과의 일관성에 미치는 영향을 통계적으로 검증하지 않았다. 이러한 점들은 향후 연구에서 보완될 필요가 있다. 결론적으로, 본 연구는 BOINC 기반 자원봉사 컴퓨팅이 GP와 같은 계산 집약적 진화 알고리즘에 실용적인 고성능 연산 플랫폼을 제공한다는 것을 실험적으로 증명하였다. 언어·플랫폼 독립적인 확장 모델을 통해, 다양한 GP 툴이 손쉽게 대규모 분산 환경에 적용될 수 있음을 보여주며, 저비용·고효율 연산 인프라를 필요로 하는 학계·산업계 연구자들에게 중요한 참고 자료가 될 것이다. **