엔터프라이즈 클라우드에서 오프스프링을 활용한 다목적 진화 알고리즘 구현

초록

본 논문은 네트워크 기반 다목적 진화 알고리즘 EMO를 Offspring 프레임워크 위에 구현하여, 대규모 인구를 필요로 하는 알고리즘을 엔터프라이즈 클라우드 환경에서 효율적으로 실행할 수 있음을 보인다. 플러그인 구조와 자동 자원 할당·스케줄링 기능을 통해 개발자는 알고리즘을 빠르게 배포하고, 실험 결과는 분산 실행이 수렴 속도와 처리량을 크게 향상시킴을 확인한다.

상세 분석

EMO( Evolutionary Multi‑Objective )는 개체들 사이에 네트워크 연결을 유지하면서 진화를 진행하는 방식으로, 전통적인 파레토 기반 방법보다 탐색 다양성을 높이는 장점이 있다. 그러나 네트워크 구조를 유지하려면 수천에서 수만 개의 개체가 필요하고, 이는 계산량과 메모리 요구를 급격히 증가시킨다. 본 연구는 이러한 문제를 해결하기 위해 Offspring라는 플러그인 기반 분산 실행 환경을 도입한다. Offspring는 자바 기반의 모듈식 아키텍처를 가지고 있어, 알고리즘 로직을 ‘플러그인’ 형태로 캡슐화하고, 클라우드 자원을 동적으로 할당·해제한다. 특히, 작업 스케줄러는 각 워커 노드에 개체 서브셋을 균등하게 분배하고, 네트워크 연결 정보를 주기적으로 동기화한다. 이를 통해 네트워크 토폴로지를 유지하면서도 병렬 평가와 교배 연산을 동시에 수행할 수 있다. 구현 단계에서는 EMO의 핵심 연산인 선택, 교배, 변이, 그리고 네트워크 재구성을 Offspring의 ‘Task’와 ‘Operator’ 인터페이스에 매핑하였다. 또한, 클라우드 환경 특성상 노드 장애와 지연이 발생할 수 있기에, Offspring는 체크포인트 기반 복구 메커니즘과 비동기 메시징을 제공한다. 실험에서는 표준 ZDT와 DTLZ 시리즈를 대상으로 단일 머신, 클러스터, 그리고 Amazon EC2 기반 엔터프라이즈 클라우드에서 실행 시간을 비교하였다. 결과는 클라우드 환경에서 평균 4배 이상의 속도 향상을 보였으며, 파레토 전선의 품질 지표인 HV(Hypervolume)와 IGD(Inverted Generational Distance)에서도 유의미한 개선을 확인했다. 특히, 대규모 인구(>10 000) 상황에서 네트워크 연결 유지 비용이 전체 연산 시간의 12% 이하로 감소했으며, 이는 Offspring의 효율적인 데이터 전송 및 압축 전략 덕분이다. 마지막으로, 플러그인 방식 덕분에 다른 네트워크 기반 EA(예: NSGA‑II‑Net)나 완전히 다른 문제 도메인(예: 다목적 스케줄링)에도 최소한의 코드 수정만으로 적용 가능함을 시연하였다. 이러한 결과는 엔터프라이즈 클라우드가 대규모 다목적 최적화 문제 해결에 실용적인 플랫폼이 될 수 있음을 강력히 시사한다.