클라우드 기반 진화 알고리즘의 성능 분석

초록

본 논문은 Dropbox와 같은 무료 클라우드 스토리지를 이용해 여러 이질적인 컴퓨터를 연결한 비동기식 분산 진화 알고리즘의 실제 알고리즘 성능을 평가한다. 두 가지 난이도 높은 벤치마크(P‑Peaks, MMDP)를 대상으로 노드 수와 이주(마이그레이션) 간격을 변형시켜 성공률과 해결 시간에 미치는 영향을 실험적으로 분석하였다. 결과는 노드 수가 늘어날수록 성공률이 향상되지만, 이주 빈도와 문제 복잡도에 따라 해결 시간은 비선형적으로 변한다는 점을 보여준다.

상세 분석

이 논문은 클라우드 스토리지 서비스인 Dropbox를 “파일 동기화 매개체”로 활용해 분산 진화 알고리즘을 구현한 점이 가장 큰 특징이다. Dropbox는 로컬 파일 시스템을 감시하고 변경 사항을 비동기적으로 서버에 업로드한 뒤, 연결된 모든 클라이언트에 전파한다. 이를 이용해 각 컴퓨터는 동일한 “풀” 디렉터리에 접근해 개체를 교환한다(이주). 기존 연구에서는 평가 횟수(evaluations per second)의 스케일링만을 확인했지만, 본 연구는 실제 최적 해 탐색 성공률과 시간에 미치는 영향을 정량화한다.

알고리즘은 1000개의 이진 개체를 유지하는 풀 기반(무토폴로지) EA이며, 3‑토너먼트 선택, 비트플립 변이, 균등 교차를 사용한다. 매 세대마다 일정 세대 간격(100, 200, 400 등)마다 최적 개체를 풀에 기록하고, 풀에서 가장 좋은 개체를 받아들인다. 이주가 없을 경우 풀에 무작위 개체를 삽입해 다양성을 유지한다. 또한, 이주 후 1초 지연을 두어 Dropbox 데몬이 파일을 전파할 시간을 확보한다.

실험 환경은 그라나다 대학 내 Wi‑Fi에 연결된 4대의 랩톱(성능 차이 존재)이며, 각 노드는 독립적으로 실행된다. 따라서 더 강력한 머신이 더 많은 평가를 수행하고, 자동 부하 분산 효과가 발생한다. 두 벤치마크는 다음과 같다.

1. P‑Peaks: 100개의 64비트 피크를 가진 다중봉우리 문제. 최적 해는 1.0이며, 비교적 쉬운 문제이므로 단일 노드에서도 100% 성공률을 보인다.
2. MMDP: 20개의 6비트 서브문제로 구성된 복합 문제. 각 서브문제는 특정 비트 수에 따라 0.0~0.64의 보상을 주며, 전역 최적은 20개의 서브문제가 모두 최적 상태일 때 도달한다. 이 문제는 다중 지역 최적이 많아 탐색 난이도가 높다.

성공률 측면에서, P‑Peaks는 노드 수와 이주 간격에 관계없이 100% 성공을 기록했다. 반면 MMDP는 노드 수가 증가할수록 성공률이 상승했으며, 이주 간격이 100세대(높은 이주 빈도)와 400세대(낮은 이주 빈도) 사이에서 최적 성공률을 보였다. 이는 이주가 너무 빈번하면 다양성이 감소하고, 너무 드물면 다른 노드의 좋은 개체가 충분히 전파되지 않아 중간 정도의 이주가 가장 효율적임을 시사한다.

시간 측면에서는 P‑Peaks가 이미 2분 내에 해결되므로 Dropbox 전파 지연이 전체 시간에 큰 영향을 미쳤다. 이 경우 이주 간격이 넓을수록(예: 60세대) 전파 지연이 적어 전체 시간이 감소했다. 반면 MMDP는 해결에 수십만 세대가 필요하므로, 추가 노드가 제공하는 평가량 증가가 실제 해결 시간을 크게 단축시켰다. 최적 이주 간격은 문제 복잡도와 노드 수에 따라 달라지며, 현재 실험에서는 100세대 이주가 가장 좋은 결과를 보였다.

한계점으로는 (1) Dropbox 전파 지연이 실험에 큰 변동성을 주며, (2) 이주 간격을 고정된 1초 지연으로 처리한 것이 최적이 아닐 가능성, (3) 노드 수가 증가함에 따라 풀에 기록되는 평가 횟수가 정확히 동기화되지 않아 “실제 평가 횟수”와 “보고된 평가 횟수”가 차이 나는 점을 들 수 있다. 향후 연구에서는 전용 클라우드 파일 동기화 API를 사용하거나, 풀 크기와 인구 규모를 고정한 상태에서 노드 수만 변동시키는 실험 설계가 필요하다.