신경망 기반 실시간 제어 작업 피드백 스케줄링

초록

이 논문은 제한된 CPU 자원을 가진 임베디드 실시간 제어 시스템에서, 최적 피드백 스케줄링의 높은 연산 비용을 신경망으로 대체한다. 오프라인에서 수학적 최적화(SQP)로 얻은 최적 샘플링 주기 데이터를 학습한 BP 신경망을 실시간에 적용해 제어 작업의 샘플링 주기를 동적으로 조정한다. 실험 결과, 기존 최적 스케줄러와 거의 동일한 제어 성능을 유지하면서 연산 오버헤드를 크게 감소시켰다.

상세 분석

본 연구는 임베디드 실시간 제어 시스템에서 다중 제어 작업이 공유하는 제한된 CPU 자원을 효율적으로 배분하기 위한 피드백 스케줄링 문제를 다룬다. 전통적인 최적 피드백 스케줄링은 제어 비용 함수 J_i(h_i) 또는 J_i(f_i) 를 최소화하면서 ∑c_i/h_i ≤ U_R 이라는 제약을 만족시키는 샘플링 주기 h_i (또는 주파수 f_i) 를 찾는 비선형 최적화 문제로 모델링된다. 이때 SQP와 같은 수치 최적화 기법은 정확한 해를 제공하지만, 반복적인 그라디언트·헤시안 계산과 다중 이차계획 서브문제 해결 때문에 실시간 적용 시 연산량이 과다해지는 단점이 있다.

논문은 이러한 문제를 해결하기 위해, 오프라인에서 SQP를 이용해 다양한 작업 실행 시간 c_i 와 목표 CPU 활용도 U_R 조합에 대한 최적 샘플링 주기 데이터를 생성한다. 이 데이터를 입력‑출력 쌍으로 사용해 3‑계층 피드포워드 BP 신경망을 학습한다. 입력은 N 개의 제어 작업 실행 시간 c_1…c_N 과 전체 목표 활용도 U_R (총 N+1 차원)이며, 출력은 각 작업의 최적 주파수 f_i 또는 주기 h_i (총 N 차원)이다. 은닉층에 하나의 레이어와 적절한 뉴런 수(M)만을 두어, 은닉‑출력 매핑의 계산 복잡도를 O(N·M) 수준으로 제한한다. 활성화 함수는 은닉층에 시그모이드, 출력층에 선형 함수를 사용해 연속적인 근사 함수를 구현한다.

학습 단계에서는 Levenberg‑Marquardt 알고리즘을 적용해 빠른 수렴을 도모하고, 테스트를 통해 근사 오차가 허용 범위 내임을 검증한다. 실시간 운영 시, 스케줄러는 현재 c_i 와 U_R 값을 신경망에 전달하고, 즉시 출력된 h_i 값을 제어 루프에 적용한다. 이 과정은 단일 매트릭스‑벡터 연산으로 구현되므로, 전통적인 최적화 루프에 비해 수십 배 적은 CPU 사이클을 소모한다.

성능 평가에서는 24개의 제어 루프를 대상으로, 변동하는 워크로드와 CPU 가용성을 시뮬레이션했다. 결과는 신경망 기반 스케줄러가 최적 SQP 스케줄러와 비교해 제어 비용 J 의 평균 차이가 12 % 이내이며, 스케줄링 연산 시간은 5 ms 이하(최적 스케줄러는 30~50 ms)로 크게 개선되었음을 보여준다. 또한, 신경망은 입력 노이즈와 미학습 영역에서도 비교적 안정적인 출력을 제공해, 실시간 시스템의 견고성을 향상시킨다.

핵심 인사이트는 다음과 같다. ① 최적 해를 오프라인에 미리 계산하고 이를 신경망으로 근사함으로써, 실시간 연산 부담을 근본적으로 낮출 수 있다. ② 제어 비용 함수의 형태에 구애받지 않고, 입력‑출력 매핑만 정의하면 다양한 제어 시스템에 적용 가능하다. ③ 은닉층 뉴런 수를 작업 수에 비례하게 설계하면, 모델 복잡도와 실시간 오버헤드 사이의 트레이드오프를 효율적으로 관리한다.