무거운 클리크 기반 네트워크 압축으로 가상 네트워크 매핑 효율 극대화

초록

본 논문은 가상 네트워크 임베딩(VNE) 문제를 해결하기 위해 가상 네트워크를 ‘Heavy Clique’ 매칭 기법으로 압축하고, 압축된 그래프에 정제된 Kernighan‑Lin(KL) 알고리즘을 적용한다. 압축 단계에서 높은 연결 강도를 가진 클리크를 중심으로 노드를 그룹화함으로써 매핑 후보 공간을 크게 줄이고, KL 단계에서 그룹 간 교환을 최적화해 물리 자원의 활용도를 높인다. 시뮬레이션 결과, 제안 알고리즘은 기존 방법 대비 수용률과 수익이 현저히 향상됨을 보였다.

상세 분석

가상 네트워크 임베딩(VNE)은 물리 인프라 위에 다수의 가상 네트워크(VN)를 동시에 배치하는 문제로, 노드와 링크 매핑을 동시에 고려해야 하므로 NP‑hard로 분류된다. 기존 연구들은 주로 휴리스틱 기반 매핑, 메타휴리스틱, 혹은 선형/정수 계획 모델을 활용했지만, 매핑 후보 탐색 비용이 급격히 증가하거나 자원 파편화가 심화되는 한계를 보였다. 본 논문은 이러한 한계를 극복하기 위해 두 단계의 구조적 최적화를 제안한다. 첫 번째 단계인 ‘Heavy Clique 기반 코어싱(Heavy Clique Matching)’은 VN 그래프에서 연결 강도가 높은 서브그래프, 즉 무거운 클리크를 탐지하고 이를 하나의 슈퍼노드로 합치는 과정이다. 이때 클리크의 ‘무게’는 내부 링크 대역폭 요구량과 노드 CPU 요구량의 가중합으로 정의되며, 높은 무게를 가진 클리크가 우선 선택된다. 이렇게 함으로써 VN의 규모가 급격히 축소되고, 매핑 후보 공간이 크게 감소한다. 두 번째 단계는 정제된 Kernighan‑Lin(KL) 알고리즘이다. 전통적인 KL은 그래프 파티셔닝에 사용되지만, 여기서는 코어싱된 슈퍼노드 간 교환을 통해 물리 노드와의 매핑 비용을 최소화하도록 변형하였다. 구체적으로, 각 슈퍼노드의 매핑 비용은 물리 노드의 남은 CPU와 연결된 물리 링크의 잔여 대역폭을 고려한 비용 함수로 계산되며, 교환 시 비용 감소량이 양수인 경우에만 수행한다. 이 과정은 지역 최적해에 빠지는 것을 방지하기 위해 다중 시작점과 제한된 반복 횟수를 도입한다. 알고리즘 복잡도는 코어싱 단계에서 O(|V_VN|·log|V_VN|) 정도이며, KL 단계는 O(k·|E_VN|) (k는 반복 횟수)로, 전체적으로 기존 전체 탐색 방식보다 현저히 낮은 시간 복잡도를 유지한다. 실험에서는 다양한 토폴로지와 요청률 하에서 수용률(acceptance ratio)과 총 수익(revenue)이 기존 Best‑Fit, First‑Fit, 그리고 최근의 메타휴리스틱 기반 방법보다 평균 12~18% 향상되었으며, 특히 고밀도 클리크가 많이 포함된 VN에서 그 효과가 두드러졌다. 이러한 결과는 무거운 클리크를 중심으로 VN를 압축하면 물리 자원의 집합적 활용도가 높아지고, 정제된 KL이 남은 미세 조정을 담당함으로써 전체 매핑 효율이 크게 개선된다는 핵심 인사이트를 제공한다.