고정된 소수의 클라이언트를 위한 최적 데이터 및 페이지 배치 알고리즘

본 논문은 데이터 배치(Data Placement, DP)와 페이지 배치(Page Placement, PP)라는 두 가지 핵심 문제를, 클라이언트 수가 상수인 네트워크 환경에서 정확히 해결하는 알고리즘을 제시한다. DP는 각 클라이언트가 제한된 캐시 용량을 가지고 있을 때, 객체 복제 위치를 선택해 전체 접근·설치 비용을 최소화하는 문제이며, PP는 여기에 각 클라이언트가 서비스를 제공할 수 있는 다른 클라이언트 수에 대한 상한을 추가한다. 기존 연구에서는 메트릭 거리 가정 하에 10‑approximation(또는 13‑approximation) 알고리즘만 알려져 있었고, 비메트릭 상황에서는 근사 비율조차 보장되지 않았다. 논문은 먼저 문제를 정수선형계획(ILP) 형태로 모델링한다. 각 객체 o 와 구성 c (클라이언트 집합의 비어 있지 않은 부분집합) 사이에 이진 변수 x_oc 를 두어, 해당 구성에 객체를 복제할지를 결정한다. 비용 함수는   cost_oc = Σ_j (1‑p_cj)·w_jo·d_j(c) + Σ_j p_cj·f_jo 이며, 여기서 d_j(c) 는 구성 c 내에서 클라이언트 j 가 가장 가까운 복제본까지의 거리, w_jo 는 요청 빈도, f_jo 는 설치 비용이다. 제약은 (1) 각 클라이언트의 캐시 용량을 초과하지 않도록 하는 것, (2) 각 객체마다 정확히 하나의 구성을 선택하도록 하는 것이다. **1. 균일 길이 객체(단위 길이) 경우** 객체 길이 l_o = 1 이라면, 캐시 제약은 단순히 복제 개수 제한으로 변환된다. 논문은 남은 캐시 용량 벡터 r = (r_1,…,r_M) 에 대해 재귀식   f_k(r) = min_{c: r‑δ_c ≥ 0} (cost_{ok} + f_{k‑1}(r‑δ_c)) 을 도출한다. 여기서 δ_c 는 구성 c 의 머신 프로필(클라이언트가 포함되면 1, 아니면 0)이다. 이 재귀를 동적 계획법(DP)으로 구현하면, 각 단계에서 2^M 개의 구성만 검사하면 되므로 전체 복잡도는 O(N·2^M·C_max) 이다. 상수 M 에 대해 2^M 은 상수이므로, 실제 시간은 O(N·C_max) 에 비례한다. 또한, 객체 수 N 보다 큰 캐시가 존재한다면 C_max 을 N 으로 제한해 O(N^{M+1}) 의 다항 시간으로 최적해를 얻는다. **2. 비균일 길이 객체 경우** 객체 길이가 서로 다르면 위 DP는 C_max 에 의존하는 의사다항 시간으로 남는다. 이를 해결하기 위해 논문은 길이와 용량을 스케일링한다.   α = ε·l_max / N  (ε은 임의의 작은 양수) 을 정의하고, 모든 객체 길이와 캐시 용량을 각각 ⌊l_o/α⌋, ⌊C_j/α⌋ 로 내림한다. 이렇게 하면 스케일된 인스턴스의 최대 캐시 용량 C'_max 은 N/ε 이하가 되며, DP가 진정한 다항 시간에 실행된다. 최적해 OPT_α 는 원래 인스턴스와 동일한 비용을 갖지만, 각 클라이언트의 실제 사용 용량이 원래 한계 C_j 보다 최대 ε·l_max 만큼 초과한다는 보장을 제공한다. ε을 충분히 작게 잡으면 이 초과는 실질적으로 무시 가능하다. **3. 페이지 배치(PP) 확장** PP 문제는 추가 제약 k_j (클라이언트 j 가 서비스할 수 있는 최대 다른 클라이언트 수)를 도입한다. 논문은 DP 상태에 이 제약을 포함시켜 동일한 스케일링 기법을 적용한다. 결과적으로, 균일 길이에서는 정확한 다항 시간 해를, 비균일 길이에서는 ε·l_max 수준의 용량 초과를 허용하면서도 최적 비용을 달성한다. **4. 관련 연구와 차별점** - 기존 연구(