클라우드 컴퓨팅 자원 최적 배분을 위한 분기한정 기반 부하 균형 기법

초록

본 논문은 클라우드 환경에서 가상 머신(VM) 간 작업을 효율적으로 배치하기 위해 분기한정(Branch and Bound) 알고리즘을 적용한 새로운 스케줄링 방식을 제안한다. QoS 제약을 고려한 최적화 모델을 수립하고, 실험을 통해 기존 휴리스틱 기법 대비 부하 균형과 자원 활용도가 크게 향상됨을 입증한다.

상세 분석

이 연구는 클라우드 컴퓨팅에서 작업 스케줄링이 NP‑complete 문제임을 전제로, 기존의 탐욕적 혹은 메타휴리스틱 접근법이 갖는 최적성 보장의 한계를 지적한다. 특히, 다중 사용자와 다양한 QoS 요구사항(응답 시간, 처리량, 비용 등)이 동시에 존재할 때, 단순한 로드 밸런싱만으로는 자원 낭비와 서비스 수준 저하가 발생한다는 점을 강조한다. 논문은 이러한 복합 제약을 수학적으로 모델링하고, 목표 함수를 ‘전체 작업 완료 시간(Total Completion Time)’ 최소화와 ‘가상 머신 간 부하 편차 최소화’라는 두 축으로 정의한다.

핵심 기법은 분기한정 알고리즘이다. 초기 해 공간을 작업‑VM 매핑의 모든 가능한 조합으로 설정하고, 상한(bound)과 하한(limit)을 계산해 비효율적인 분기를 조기에 차단한다. 상한은 현재까지 선택된 매핑에 남은 작업을 가장 빠른 VM에 할당했을 때의 최악 시나리오를, 하한은 작업의 최소 처리 시간과 현재 부하를 기반으로 한 이론적 최적값을 이용한다. 이러한 제한을 통해 탐색 트리의 깊이를 크게 얕게 만들면서도 최적 해에 도달할 확률을 유지한다.

또한, QoS 제약을 반영하기 위해 각 작업에 우선순위와 허용 지연시간을 부여하고, 이를 위반하는 매핑은 즉시 가지치기한다. 이 과정에서 가상 머신의 가용 자원(CPU, 메모리, 네트워크 대역폭)도 동적으로 업데이트되어, 자원 과부하 상황을 실시간으로 감지한다. 결과적으로, 알고리즘은 단일 목표가 아닌 다중 목표 최적화를 수행하며, 파레토 최적해 집합을 탐색한다는 점에서 기존 단일 목표 휴리스틱과 차별화된다.

실험 설계는 시뮬레이션 기반과 실제 클라우드 테스트베드 두 축으로 진행된다. 시뮬레이션에서는 작업 수 1001000개, VM 수 1050개 범위의 다양한 시나리오를 생성하고, 기존의 Round‑Robin, Min‑Min, Genetic Algorithm 등을 비교 대상으로 삼았다. 성능 지표는 평균 응답 시간, 전체 makespan, 부하 편차, 그리고 SLA 위반 비율이다. 결과는 제안 알고리즘이 평균 25% 이상의 makespan 감소와 30% 이상의 부하 편차 감소를 달성했으며, SLA 위반률을 5% 이하로 유지함을 보여준다. 실제 테스트베드에서는 OpenStack 기반 클러스터에 구현된 스케줄러를 적용했으며, 실시간 워크로드에서 동일한 개선 효과를 확인하였다.

이 논문의 의의는 두 가지이다. 첫째, 분기한정이라는 전통적인 최적화 기법을 클라우드 스케줄링에 성공적으로 적용함으로써, 복잡한 제약 조건 하에서도 실용적인 최적 해를 도출할 수 있음을 증명했다. 둘째, QoS 기반의 다중 목표 모델링을 통해 서비스 제공자의 비용 효율성과 사용자 만족도를 동시에 향상시킬 수 있는 설계 지침을 제공한다. 다만, 분기한정 알고리즘은 탐색 트리 규모가 급격히 커질 경우 계산 비용이 증가한다는 한계가 남아 있어, 향후 연구에서는 하이브리드 방식(예: 초기 휴리스틱으로 후보 영역 축소 후 분기한정 적용)이나 병렬화 기법을 도입해 확장성을 강화할 필요가 있다.