클라우드 QoS 온라인 모델링을 위한 하이브리드 적응형 다중 학습기 접근법

초록

클라우드 서비스의 QoS와 자원·구성 간 관계를 실시간으로 정확히 예측하기 위해, 입력 공간을 두 부분으로 나누어 대칭 불확실성 기반 특징 선택을 수행하고, 여러 머신러닝 알고리즘을 동시에 학습시켜 상황에 맞는 최적 모델을 동적으로 선택하는 하이브리드·적응형 다중 학습기 프레임워크를 제안한다. RUBiS와 FIFA 98 워크로드 실험에서 기존 방법보다 높은 예측 정확도와 모델 복잡도 효율성을 입증하였다.

상세 분석

본 논문은 클라우드 환경에서 서비스 품질(QoS)을 예측하는 모델이 정적이거나 반정적이라 급변하는 워크로드와 자원 간 상호작용을 충분히 반영하지 못한다는 문제점을 지적한다. 이를 해결하기 위해 두 단계의 핵심 설계를 도입한다. 첫째, 입력 변수(서비스 구성, 하드웨어 자원, 외부 트래픽 등)의 전체 공간을 “민감도 높은 영역”과 “민감도 낮은 영역”으로 분할한다. 각 서브스페이스에 대해 대칭 불확실성(Symmetric Uncertainty) 기반 특징 선택을 적용하는데, 이는 변수 간 상호 의존성을 정량화하여 QoS에 가장 큰 영향을 미치는 특성을 자동으로 추출한다. 둘째, 하이브리드 학습기 집합을 구성한다. 구체적으로 선형 회귀, 결정 트리, 서포트 벡터 머신, 인공 신경망 등 서로 다른 편향·분산 특성을 가진 알고리즘을 동시에 학습시킨 뒤, 실시간 예측 단계에서 최근 성능 지표(예: 평균 제곱 오차, 예측 지연)를 기반으로 최적 모델을 동적으로 선택한다. 이 적응 메커니즘은 모델이 환경 변화에 따라 자동으로 전환되도록 하여, 과거 데이터에 과도하게 의존하는 전통적 정적 모델의 한계를 극복한다. 실험에서는 RUBiS 전자상거래 벤치마크와 FIFA 98 게임 워크로드를 사용해 12개의 QoS 지표(응답 시간, 처리량, CPU 사용률 등)를 대상으로 비교하였다. 다중 학습기 접근법은 평균 15 % 이상의 오차 감소와 20 % 이하의 모델 복잡도 증가를 보였으며, 특히 급격한 부하 변동이 발생하는 구간에서 기존 단일 학습기 대비 예측 정확도가 크게 향상되었다. 또한, 입력 공간 분할과 대칭 불확실성 선택이 특징 차원 수를 평균 30 % 감소시켜 학습 및 추론 비용을 절감함을 확인하였다. 이러한 결과는 클라우드 운영자가 실시간 자동 스케일링, SLA 관리, 비용 최적화 등에 활용할 수 있는 실용적인 QoS 모델링 프레임워크를 제공한다는 점에서 의의가 크다.