Granularity 기반 인터페이스를 통한 실시간 계산과 타임드 오토마타의 성능 평가

초록

본 논문은 실시간 계산(RTC)과 타임드 오토마타(TA) 사이의 인터페이스를 입자(Granularity) 수준에서 추상화함으로써, 상태 기반 TA 모델의 분석 시간을 크게 단축시키는 프레임워크를 제안한다. 복수의 거친 입자 수준에서 분석한 뒤, 인과 폐쇄(causality closure) 알고리즘을 이용해 미세 입자 수준의 입력·출력 스트림에 대한 상·하한을 복원한다. 이를 통해 정밀도와 분석 비용 사이의 트레이드오프를 효과적으로 조절할 수 있다.

상세 요약

이 연구는 실시간 임베디드 시스템의 복합성과 이질성을 다루기 위해 RTC와 TA라는 두 가지 형식적 분석 기법을 결합하는 기존 접근법의 한계를 짚는다. RTC는 이벤트 스트림의 도착 패턴을 상·하한 형태로 표현해 시스템 전체의 스루풋과 지연을 빠르게 추정할 수 있지만, 개별 컴포넌트의 내부 상태 전이와 동기화 메커니즘을 상세히 모델링하기엔 부족하다. 반면 TA는 상태 기반 모델링에 강점이 있어 복잡한 제어 로직, 버퍼링, 선점 스케줄링 등을 정확히 기술할 수 있지만, 상태 공간 폭발(state‑space explosion) 때문에 분석 시간이 급격히 증가한다는 문제가 있다.

논문은 이러한 딜레마를 해소하기 위해 “입자 기반(Granularity‑based) 인터페이스”라는 새로운 추상화 레이어를 도입한다. 구체적으로, 원래의 미세 입자(fine‑grained) 이벤트 스트림을 보다 큰 시간 단위인 거친 입자(coarse‑grained) 스트림으로 매핑한다. 이때 각 거친 입자는 일정 수의 미세 이벤트를 포함하도록 정의되며, 매핑 과정에서 발생할 수 있는 오버‑와 언더‑approximation을 명시적으로 관리한다.

핵심 아이디어는 다음과 같다. 첫째, 거친 입자 수준에서 TA 모델을 재구성함으로써 상태 공간을 크게 축소한다. 예를 들어, 1 ms 단위의 미세 이벤트를 10 ms 단위의 거친 입자로 묶으면, 타이머와 카운터의 범위가 10배 감소하고, 전이 조건도 간소화된다. 둘째, 여러 서로 다른 거친 입자 크기(예: 5 ms, 10 ms, 20 ms)를 선택해 독립적으로 분석한다. 각 분석 결과는 해당 입자 크기에 대한 입력 도착 상·하한과 출력 도착 상·하한을 제공한다. 셋째, RTC 이론에 기반한 인과 폐쇄(causality closure) 알고리즘을 적용해, 서로 다른 입자 크기에서 얻은 상·하한을 교차 검증하고, 이를 이용해 미세 입자 수준의 도착 패턴에 대한 가장 타이트한 상·하한을 추정한다. 인과 폐쇄는 “입력이 주어지면 출력은 반드시 이 범위 안에 있다”는 관계를 수학적으로 보장하므로, 추정된 미세 상·하한은 정밀도 손실을 최소화한다.

이 프레임워크는 정밀도와 분석 시간 사이의 트레이드오프를 사용자가 직접 조정할 수 있게 만든다. 거친 입자를 크게 잡을수록 분석 속도는 급격히 빨라지지만, 상·하한이 느슨해진다. 반대로 작은 입자를 사용하면 정밀도는 높아지지만, 상태 공간이 다시 커져 계산 비용이 상승한다. 논문은 실험을 통해 10배~100배 수준의 분석 시간 감소를 달성하면서도, 미세 입자 수준의 도착 패턴 오차는 평균 5 % 이하로 유지됨을 보여준다.

또한, 제안된 방법은 기존 RTC‑TA 인터페이스와 호환되도록 설계되었다. 입력·출력 스트림을 표현하는 곡선(Arrival Curve, Service Curve) 형태는 변함이 없으며, 기존 툴체인(예: UPPAAL, RTaW‑P)과 연동해 바로 적용 가능하다. 이는 실무 엔지니어가 기존 모델을 크게 수정하지 않고도 분석 효율성을 향상시킬 수 있음을 의미한다.

마지막으로, 논문은 한계점도 솔직히 제시한다. 입자 매핑 과정에서 발생하는 비선형 오버랩(over‑lap) 현상은 특정 유형의 비동기 이벤트에 대해 보수적인 상·하한을 초래할 수 있다. 또한, 인과 폐쇄 알고리즘의 복합성은 입자 크기가 많아질수록 계산 비용이 다시 증가할 위험이 있다. 향후 연구에서는 적응형 입자 선택 전략과 머신러닝 기반 오버랩 보정 모델을 도입해 이러한 문제를 완화할 계획을 제시한다.