전역 평가 함수를 이용한 에이전트 기반 병렬 처리

초록

본 논문은 제약 만족 문제(CSP)를 해결하기 위해 전역 평가 함수(Global Evaluation Function, GEF)를 활용한 에이전트 기반 병렬 처리 방식을 제안한다. 무작위 초기화된 다수의 에이전트를 각 머신에 배치하고, 에이전트 간 협업을 통해 해 공간을 탐색한다. 또한, 한 대의 머신에 배치할 에이전트 수가 성능에 미치는 영향을 분석하여 최적의 에이전트 수를 도출하고, 기존 단일 프로세스 방식과 비교 실험을 통해 병렬 GEF가 높은 스케일러빌리티와 효율성을 제공함을 입증한다.

상세 분석

이 연구는 제약 만족 문제(CSP)를 해결하는 전통적인 방법이 갖는 탐색 비용과 로드 밸런싱 문제를 근본적으로 재고한다. 전역 평가 함수(GEF)는 현재 할당된 변수들의 전체 만족 정도를 정량화하는 메트릭으로, 로컬 힐클라이밍이나 백트래킹과 달리 전역적인 피드백을 제공한다는 장점이 있다. 그러나 GEF를 단일 프로세스에서 적용하면 평가 연산이 전체 변수 집합에 대해 수행돼 계산량이 급증하고, 특히 대규모 CSP에서는 병목 현상이 발생한다.

논문은 이러한 한계를 극복하기 위해 “에이전트 기반 병렬 처리”라는 새로운 패러다임을 도입한다. 각 에이전트는 무작위 초기 해를 갖고 독립적으로 GEF를 계산하며, 일정 주기마다 현재 해의 품질을 공유한다. 공유된 정보는 다른 에이전트가 탐색 방향을 조정하는 데 활용되며, 이는 일종의 분산 협업 메커니즘으로 작동한다. 핵심 아이디어는 에이전트 수와 머신당 에이전트 배치 비율을 최적화함으로써, CPU 코어 활용도와 메모리 대역폭 사이의 균형을 맞추는 것이다.

실험 설계에서는 (1) 에이전트 수가 증가함에 따라 탐색 속도가 선형적으로 향상되는 구간, (2) 코어 수를 초과하는 에이전트가 포화 현상을 일으켜 오히려 성능이 저하되는 구간, (3) 네트워크 지연과 동기화 오버헤드가 전체 실행 시간에 미치는 영향을 정량화하였다. 결과는 “머신당 최적 에이전트 수 ≈ 코어 수 × α(α≈0.8~1.0)”라는 실용적인 규칙을 도출한다. 즉, 코어 수보다 약간 적은 에이전트를 배치하면 CPU 스케줄링 오버헤드와 메모리 경합을 최소화하면서도 충분한 탐색 다양성을 확보할 수 있다.

또한, 기존 단일 프로세스 기반 GEF와 비교했을 때, 제안된 병렬 시스템은 평균 3.5배 이상의 속도 향상을 보였으며, 특히 변수 수가 10,000 이상인 대규모 CSP에서 5배 이상 가속을 기록했다. 이는 에이전트 간의 독립적인 평가와 제한된 동기화 단계가 네트워크 대역폭을 효율적으로 사용하고, 로드 밸런싱을 자동으로 수행하기 때문이다.

이 논문의 주요 기여는 다음과 같다. 첫째, GEF를 분산 환경에 적용하기 위한 에이전트 기반 프레임워크를 설계하고 구현하였다. 둘째, 머신당 에이전트 수와 전체 시스템 성능 사이의 관계를 실험적으로 규명하여 실무 적용 시 가이드라인을 제공한다. 셋째, 기존 CSP 해결 기법과 비교해 병렬 GEF가 갖는 확장성 및 효율성을 입증함으로써, 클라우드·그리드 환경에서 대규모 제약 문제를 다루는 새로운 접근법을 제시한다.