메메틱 엘리트 파레토 진화 알고리즘 기반 가상 네트워크 매핑

초록

본 논문은 클라우드 환경에서 가상 네트워크를 물리 인프라에 효율적으로 매핑하는 VNE(Virtual Network Embedding) 문제를 다룬다. 저자는 비지배 정렬 기반 다목적 진화 알고리즘인 NSGA‑II에 메메틱(지역 탐색)과 엘리트 보존 전략을 결합한 MEPE‑VNE를 제안한다. 솔루션은 지배 수준과 군집 거리로 순위를 매기고, 지역 탐색으로 품질을 향상시키며, 최우수 해를 다음 세대로 그대로 전달한다. 시뮬레이션 결과, 기존 방법 대비 수용률·수익은 증가하고, 기저 네트워크 비용은 감소함을 보인다.

상세 요약

가상 네트워크 매핑(VNE)은 가상 노드와 링크를 물리 서브스트레이트 네트워크(Substrate Network, SN)에 할당하는 복합 최적화 문제로, 자원 제약, 매핑 비용, 수용률, 수익 등 다중 목표를 동시에 고려해야 한다. 전통적인 휴리스틱이나 단일 목표 메타휴리스틱은 어느 한 목표에 편향되기 쉽고, 해의 다양성을 유지하기 어려워 실제 클라우드 환경에서의 적용에 한계가 있다. 본 논문은 이러한 한계를 극복하기 위해 두 가지 핵심 메커니즘을 도입한다. 첫째, NSGA‑II 기반의 비지배 정렬과 군집 거리(crowding distance)를 활용해 해 집합을 파레토 프런티어로 조직하고, 각 해에 ‘랭크’와 ‘거리’를 부여함으로써 다목적 최적화의 계산 복잡성을 크게 낮춘다. NSGA‑II는 세대마다 비지배 레벨을 재계산하고, 동일 레벨 내에서는 군집 거리를 기준으로 선택 압력을 조절해 해의 다양성을 보존한다. 둘째, 메메틱(local search) 단계에서 각 후보 해에 대해 노드 매핑과 링크 매핑을 순차적으로 미세 조정한다. 구체적으로, 가상 노드가 할당된 물리 노드의 여유 자원을 재평가하고, 필요 시 인접 물리 노드로 재배치하거나, 링크 경로를 대체해 전체 매핑 비용을 최소화한다. 이 과정은 탐색 공간을 국소적으로 깊게 파고들어 전역 진화 단계에서 놓칠 수 있는 고품질 해를 회복한다. 또한, 엘리트 보존 전략을 통해 현재 세대에서 가장 우수한 해들을 무조건 다음 세대로 전달함으로써 ‘좋은 해의 손실’ 문제를 방지한다. 실험에서는 다양한 토폴로지와 요청 패턴을 시뮬레이션했으며, 기존 대표 알고리즘(예: 가상 네트워크 매핑을 위한 베이스라인 진화 알고리즘, 혼합 정수 계획 기반 방법)과 비교했을 때, MEPE‑VNE는 수용률을 평균 12%p 상승시키고, 수익을 15%p 향상시키는 동시에, 서브스트레이트 네트워크의 총 사용 비용을 약 9% 감소시켰다. 이러한 결과는 비지배 정렬과 메메틱 탐색이 결합될 때, 다목적 최적화 문제에서 탐색 효율성과 해의 품질이 동시에 개선될 수 있음을 실증한다. 또한, 알고리즘의 시간 복잡도는 NSGA‑II의 O(MN²) (M: 목표 수, N: 개체 수) 수준에 메메틱 단계의 추가 비용을 더했음에도 불구하고, 실시간 매핑 요구를 만족할 정도로 충분히 빠른 것으로 보고되었다.