다중프로세서 작업 스케줄링을 위한 휴리스틱 기반 유전 알고리즘

초록

본 논문은 다중프로세서 시스템에서 작업을 효율적으로 배분하기 위해, 유전 알고리즘(GA)에 작업‑프로세서 매핑을 사전에 제한하는 휴리스틱을 도입한다. 적합도 평가 시 ‘eligible processor’를 선택하는 전략을 적용해 탐색 공간을 축소하고, 실험을 통해 기존 GA 대비 계산 시간이 크게 감소하면서도 비슷한 수준의 서브옵티멀 해를 얻는 것을 확인하였다.

상세 분석

이 연구는 다중프로세서 환경에서 작업 스케줄링이 NP‑complete 문제임을 전제로, 메타휴리스틱인 유전 알고리즘을 활용해 근사 해를 찾는 전통적 접근법의 한계를 보완하고자 한다. 핵심 아이디어는 각 작업에 대해 사전 계산된 ‘eligible processor’를 정의하고, GA의 초기 해와 교배·돌연변이 연산에서 이 후보 집합만을 고려하도록 제한하는 것이다. 이렇게 하면 탐색 공간이 급격히 축소되어 수렴 속도가 빨라지지만, 동시에 후보 집합 선정 과정에서 발생할 수 있는 편향(bias) 문제를 어떻게 해결했는지가 논문의 핵심 논점이다.

논문은 먼저 작업 간 의존 관계를 DAG(Directed Acyclic Graph) 형태로 모델링하고, 각 작업의 실행 시간과 통신 비용을 고려해 프로세서별 예상 비용을 계산한다. 여기서 ‘eligible processor’는 해당 작업의 최소 예상 완료 시간을 제공하는 프로세서 집합으로 정의되며, 동일 비용을 갖는 다수 프로세서가 있을 경우 모두 포함한다. 이 과정은 전통적인 GA에서 무작위로 선택되는 초기 해보다 더 ‘교육된 추정(educated guess)’을 제공한다는 점에서 의미가 있다.

GA 단계에서는 일반적인 2‑point 교배와 단일 비트 돌연변이를 사용하지만, 교배 후 생성된 자식 해에 대해 ‘eligible processor’ 제약을 다시 적용한다. 즉, 자식이 비허용 프로세서에 할당된 작업을 포함하면 해당 할당을 가장 비용이 낮은 eligible processor로 자동 교정한다. 이러한 사후 보정 메커니즘은 탐색 과정에서 불필요한 비효율성을 방지하고, 적합도 함수가 실제 실행 시간(또는 makespan)과 직접적으로 연관되도록 만든다.

실험에서는 8개와 16개 프로세서 환경, 그리고 50200개의 작업을 포함하는 다양한 DAG를 사용해 기존 GA, 시뮬레이티드 어닐링, 그리고 HEFT(휴리스틱 기반 리스트 스케줄링)와 비교하였다. 결과는 제안된 휴리스틱 GA가 평균 3045% 정도 계산 시간을 절감하면서, makespan 측면에서는 기존 GA와 거의 동일한 수준(≤5% 차이)을 유지함을 보여준다. 특히 작업 수가 증가할수록 시간 절감 효과가 두드러지는 경향을 보였다.

하지만 몇 가지 한계점도 존재한다. 첫째, ‘eligible processor’ 선정이 작업의 실행 시간과 통신 비용에 대한 정확한 사전 정보에 크게 의존한다는 점이다. 실제 시스템에서는 이러한 파라미터가 동적으로 변하거나 측정 오차가 존재할 수 있다. 둘째, 후보 집합이 지나치게 제한될 경우 탐색 다양성이 감소해 전역 최적해에 도달할 확률이 낮아질 위험이 있다. 논문에서는 이를 완화하기 위해 일정 확률로 무작위 프로세서를 허용하는 ‘탐색 강화’ 옵션을 제안했지만, 구체적인 파라미터 튜닝 방법은 제시되지 않았다. 셋째, 실험이 시뮬레이션 기반이며 실제 하드웨어에서의 검증이 부족하다. 따라서 실제 멀티코어 혹은 클라우드 환경에서의 적용 가능성을 추가 연구가 필요하다.

종합적으로, 이 논문은 GA 기반 스케줄링에 사전 휴리스틱을 결합함으로써 탐색 효율성을 크게 향상시킬 수 있음을 실증하였다. 향후 연구에서는 동적 시스템 상황에 맞는 적응형 eligible processor 선정 기법, 그리고 다목적(예: 에너지 소비와 응답 시간 동시 최소화) 최적화를 위한 확장 가능성을 탐색할 여지가 있다.