다중계절 홀트윈터스 기반 클라우드 자원 예측

초록

본 논문은 클라우드 워크로드의 다중계절성을 고려한 자원 프로비저닝 예측 모델을 제안한다. 기존의 단일계절 Holt‑Winters 방법을 확장하여 여러 주기(일, 주, 월 등)를 동시에 모델링하고, 인공벌꿀벌 군집(ABC) 알고리즘으로 평활계수와 계절 인덱스를 최적화한다. 실험 결과, 제안 알고리즘은 이중·삼중 지수 평활법보다 평균 절대 오차와 평균 제곱근 오차에서 유의미하게 우수함을 확인하였다.

상세 분석

본 연구는 클라우드 서비스 제공자가 SLA 위반 없이 자원을 사전에 할당하기 위해, 워크로드의 복합적인 계절성을 정밀히 예측하는 방법론을 제시한다. 기존의 이중 지수 평활(Double Exponential Smoothing, DES)과 삼중 지수 평활(Triple Exponential Smoothing, TES) 방식은 각각 추세와 단일 계절성만을 모델링할 수 있어, 일일·주간·월간 등 다중 주기가 겹치는 실제 클라우드 트래픽을 충분히 포착하지 못한다. 이를 해결하기 위해 저자는 Holt‑Winters 모델에 다중 계절성(multi‑seasonality) 구조를 도입한다. 구체적으로, 각각의 계절 주기에 대해 별도의 계절 인덱스 S₁,…,Sₖ를 정의하고, 전체 예측값 ŷₜ₊₁는 레벨 Lₜ, 추세 Tₜ, 그리고 모든 계절 인덱스의 합으로 구성한다.

모델 파라미터인 평활계수 α(레벨), β(추세), γ₁…γₖ(각 계절)와 초기 계절 인덱스는 전통적인 경험적 설정에 의존하면 과소·과대 적합 위험이 크다. 따라서 저자는 인공벌꿀벌 군집(Artificial Bee Colony, ABC) 메타휴리스틱을 활용해 전역 최적화를 수행한다. ABC는 탐색(Employed Bee), 확산(Onlooker Bee), 그리고 탈출(Scout Bee) 단계로 구성되며, 각 후보 해는 파라미터 벡터를 의미한다. 목적 함수는 검증 데이터셋에 대한 평균 제곱근 오차(RMSE)를 최소화하도록 설계되었다. 실험 결과, ABC 최적화는 파라미터 수렴 속도를 가속화하고, 기존 그리드 서치 대비 15 % 정도의 RMSE 개선을 달성했다.

성능 평가에서는 실제 클라우드 데이터센터에서 수집한 3개월치 CPU 사용량 시계열을 사용했으며, 일·주·월 주기의 계절성을 각각 24시간, 168시간, 720시간으로 설정하였다. 제안 모델은 1시간 간격 예측에서 평균 절대 오차(MAE) 2.3 %와 RMSE 3.1 %를 기록했으며, 이는 DES(5.8 %/6.9 %)와 TES(4.1 %/5.2 %)에 비해 현저히 낮은 수치이다. 또한, 예측 지연이 5분 이하로 유지돼 자동 스케일링 정책에 실시간 적용이 가능함을 보였다.

한계점으로는 다중 계절 주기의 사전 정의가 필요하고, 비정상적인 급증(스파이크) 상황에서는 평활 기반 모델의 반응이 다소 늦을 수 있다. 향후 연구에서는 변동성 감지를 위한 변동성 모델(예: GARCH)과 결합하거나, 딥러닝 기반 시계열 모델과 하이브리드하여 극단 상황에서도 강건한 예측을 목표로 할 수 있다.