다중코어 중첩 깊이 우선 탐색 변형

초록

본 논문은 두 개의 최신 다중코어 NDFS 기반 알고리즘인 ENDFS와 LNDFS를 동일한 LTSmin 프레임워크에 구현하여 BEEM 벤치마크 전체에 대해 실험하고, 이들의 장단점을 비교한다. 두 알고리즘을 결합한 새로운 MC‑NDFS를 제안하고, OWCTY‑MAP과도 성능을 비교한다. 실험 결과는 병렬 랜덤 탐색 효과와 작업 공유 메커니즘이 각각 기여하는 속도 향상을 정량화한다.

상세 분석

논문은 먼저 전통적인 Nested Depth‑First Search(NDFS)가 DFS의 순차적 특성 때문에 다중코어 환경에서 효율적으로 확장되기 어렵다는 점을 지적한다. 이를 해결하기 위해 두 가지 병렬 NDFS 변형을 소개한다. 첫 번째인 LNDFS는 빨간 색(red) 정보를 전역으로 공유하고, 빨간 탐색이 끝날 때마다 해당 정점을 전역적으로 빨간색으로 마킹한다. 이는 다른 워커들이 이미 탐색한 영역을 건너뛰게 해 중복 작업을 감소시키지만, 빨간 색을 공유하기 위해 동기화가 필요하고, 특히 수용 상태가 적은 그래프에서는 여전히 전체 그래프를 탐색해야 하는 한계가 있다. 두 번째인 ENDFS는 파란 색(blue)과 빨간 색을 모두 전역적으로 공유하면서, 위험 상태(dangerous)를 표시하고 나중에 순차적인 복구 단계에서 기존 NDFS를 사용해 정확성을 보장한다. ENDFS는 작업 공유가 활발해 빨간 색이 늦게 마킹되는 문제를 완화하지만, 복구 단계가 순차적으로 수행돼 병목이 발생한다.

두 알고리즘을 동일한 최적화(예: allred 확장)와 동일한 LTSmin 백엔드에 구현함으로써 비교의 공정성을 확보한다. 실험은 16코어 AMD Opteron 서버에서 BEEM 데이터베이스의 453개 모델에 대해 수행됐으며, 각 알고리즘의 실행 시간, 스케일링, 그리고 버그 탐지 시의 속도 향상을 측정한다. 결과는 LNDFS가 빨간 색 공유 덕분에 수용 상태가 많은 모델에서 높은 속도 향상을 보였고, ENDFS는 위험 상태가 적은 경우에 더 좋은 스케일링을 나타냈다. 두 방법의 장점을 결합한 MC‑NDFS는 ENDFS의 전역 파란 색 공유와 LNDFS의 병렬 복구 전략을 동시에 적용해, 전반적인 속도 향상을 달성한다. 또한, OWCTY‑MAP과 비교했을 때, 특히 약한 LTL 속성에 대해서는 MC‑NDFS가 비슷하거나 더 나은 성능을 보이며, 온‑더‑플라이 탐색 능력도 유지한다.

마지막으로 논문은 병렬 랜덤 탐색(Randomized Search)의 효과를 통계 모델을 통해 정량화한다. 모델은 워커가 독립적인 순열을 적용해 상태 공간을 무작위로 탐색한다고 가정하고, 기대 속도 향상을 계산한다. 실험 결과는 실제 속도 향상이 순수 랜덤 탐색 효과보다 크게 향상된 것을 보여, 작업 공유 메커니즘이 실질적인 성능 개선에 크게 기여함을 확인한다.