CUDA 기반 최적 사이클 평균 병렬 계산

초록

본 논문은 가중치가 부여된 방향 그래프에서 최적 사이클 평균(OCM)을 구하는 문제를 데이터‑병렬 알고리즘으로 재구성하고, 이를 NVIDIA CUDA 환경에서 구현·최적화한다. 기존 순차 알고리즘 대비 그래프 규모가 수백만 정점에 달하는 경우 5배 이상의 속도 향상을 달성했으며, 모델 검증 도구 DIVINE에 적용해 실제 시스템 성능 분석에 활용 가능함을 보였다.

상세 분석

논문은 먼저 OCM 문제를 그래프 이론적 정의와 성능 분석 도메인에서의 의미를 정리한다. 최적 사이클 평균은 모든 사이클의 평균 가중치 중 최소값으로, 시스템의 장기적인 자원 소비 한계나 최악 지연 시간을 추정하는 데 쓰인다. 기존 알고리즘은 Karp, Howard, Young‑Tarjan 등 다양하지만, 대부분이 순차적 구조를 갖고 있어 대규모 그래프에 적용하기 어렵다. 저자들은 CUDA 기반 SIMD 아키텍처의 특성을 고려해, 데이터‑병렬화에 적합한 알고리즘을 선정한다. 핵심 선택은 “Shortest Path Feasibility”(SPF) 기반 스캔 방식으로, 이는 각 정점에 대해 현재 추정값을 업데이트하는 반복 과정을 전체 정점 집합에 동시에 적용할 수 있다.

GPU 메모리 제약을 극복하기 위해 그래프를 압축된 인접 리스트 형태(Ai, At)로 저장하고, 전·후방 엣지를 별도 배열에 유지한다. 전방 엣지만으로 역방향 도달성을 구현하는 기법을 제안했지만, 부분 그래프에서 단일 출발 엣지만을 따르는 경우 성능 저하가 발생해 결국 전·후방 엣지를 모두 보관하는 설계를 채택했다. 커널 설계 시 워프 단위의 동기화와 메모리 접근 패턴을 최적화해, 전역 메모리 접근을 최소화하고 공유 메모리를 활용해 로컬 연산을 가속한다.

알고리즘 흐름은 (1) 초기값 설정, (2) 파라미터 Λ에 대한 가중치 wΛ = w – Λ 계산, (3) SPF 스캔을 통해 Λ가 feasible인지 검사, (4) 이분 탐색으로 최적 Λ를 수렴시키는 단계로 구성된다. 각 단계는 GPU에서 수천 개의 스레드가 동시에 수행되며, 커널 호출 오버헤드를 줄이기 위해 반복 횟수를 배치 단위로 묶는다. 실험에서는 모델 검증용 그래프(수백만 정점, 수십억 엣지)를 대상으로 순차 Karp 알고리즘, Howard 알고리즘, 그리고 제안된 CUDA 구현을 비교했다. 결과는 평균 4.8배~5.2배의 속도 향상을 보였으며, 메모리 사용량은 그래프 크기에 비례해도 GPU 메모리 한계 내에 머물렀다. 또한, DIVINE 도구에 통합해 실제 클라이언트‑서버 시스템의 CPU 사용량 한계를 분석한 사례를 제시, OCM 기반 성능 예측이 실용적임을 입증했다.

이 논문은 그래프 알고리즘을 GPU에 이식할 때 고려해야 할 메모리 레이아웃, 워프 동기화, 커널 호출 빈도 등의 실용적 가이드라인을 제공한다는 점에서도 의미가 크다. 특히, OCM과 같은 전역 최적화 문제를 데이터‑병렬 스캔 형태로 변환함으로써, 기존에 순차 전용으로 여겨졌던 알고리즘도 대규모 실시간 분석에 적용 가능함을 보여준다. 향후 연구에서는 다중 GPU 환경에서의 확장성, 동적 그래프 업데이트에 대한 인크리멘털 처리, 그리고 다른 최적화 목표(예: 최댓값 사이클 평균)와의 일반화 가능성을 탐색할 여지가 있다.