클라우드 자원 할당을 위한 자원 인식형 미니멈‑민 알고리즘

초록

본 논문은 기존 Min‑Min 스케줄링의 단점을 보완한 Resource‑Aware Min‑Min(RAMM) 알고리즘을 제안한다. 작업의 최단 실행 시간을 가진 태스크를 선택하고, 해당 태스크를 가장 짧은 완료 시간을 제공하는 가용 자원에 할당한다. 만약 최적 자원이 현재 사용 중이면 두 번째 최적 자원을 선택해 대기 시간을 최소화하고, 전반적인 makespan과 자원 부하 균형을 개선한다. 실험 결과는 RAMM이 기존 Min‑Min, Max‑Min 및 개선된 Max‑Min 대비 makespan과 로드 밸런스에서 우수함을 보여준다.

상세 분석

RAMM 알고리즘은 전통적인 Min‑Min 방식이 “가장 짧은 완료 시간(CT)을 가진 작업을 가장 빠른 실행 시간(ET)을 가진 자원에 매핑”하는 과정에서 발생하는 두 가지 주요 문제—작업 대기 시간 증가와 특정 자원에 과부하가 집중되는 현상—을 근본적으로 재구성한다. 먼저, 모든 작업‑자원 쌍에 대해 ET와 현재 준비 시간(RT)을 합산해 CT를 계산한다. 이후 전체 작업 집합에서 최소 ET를 가진 작업을 선택하고, 그 작업에 대해 최소 CT를 제공하는 자원을 탐색한다. 여기서 핵심은 “최소 CT 자원이 바쁠 경우, 두 번째 최소 CT 자원으로 대체”하는 단계이다. 이는 자원 사용률을 고르게 분산시켜, 한 자원에 작업이 몰려 다른 자원이 유휴 상태가 되는 비효율을 방지한다.

알고리즘 흐름은 다음과 같다. 1) 초기에는 모든 RT가 0이므로 CT=ET; 2) 반복적으로 최소 ET 작업을 선정하고, 해당 작업의 최소 CT 자원을 찾는다; 3) 선택된 자원이 사용 중이면 다음 최소 CT 자원으로 전환한다; 4) 작업을 할당하고, 해당 자원의 RT를 업데이트한다(즉, 현재 작업의 ET를 RT에 누적); 5) 모든 작업이 할당될 때까지 2‑4 과정을 반복한다.

이러한 설계는 두 가지 측면에서 기존 스케줄링보다 우수하다. 첫째, 대기 시간 감소이다. 작업이 최소 CT 자원에 바로 할당되지 못하더라도, 두 번째 최소 CT 자원을 활용함으로써 대기열에 머무는 시간을 최소화한다. 둘째, 로드 밸런스 향상이다. 자원별 RT가 동적으로 반영되므로, 빠른 자원이 지속적으로 포화되는 현상을 방지하고, 느린 자원도 일정 수준 활용한다. 실험에서는 4개의 작업과 2개의 가상 머신(VM) 환경을 설정하고, 작업의 명령량·데이터량을 기반으로 ET를 계산하였다. 결과는 RAMM이 makespan을 약 15 %~20 % 단축하고, 자원 이용률을 기존 Min‑Min 대비 10 % 이상 향상시켰음을 보여준다. 또한, RAMM은 기존 Max‑Min이 대형 작업에 편향되는 문제를 완화하면서도, 개선된 Max‑Min이 제시한 두 단계(초기 Min‑Min 후 재배치)와 비교해 구현 복잡성을 크게 낮춘다.

한계점으로는 자원 상태 정보의 실시간 업데이트 비용과 작업 특성(우선순위, SLA) 고려 부족을 들 수 있다. 현재 RAMM은 단순히 ET와 RT만을 기준으로 스케줄링하기 때문에, QoS 요구사항이나 비용 최적화와 같은 다목적 목표와 결합하려면 추가적인 가중치 모델링이 필요하다. 또한, 대규모 클라우드 환경에서 CT 행렬의 계산 및 업데이트가 O(m·n) 복잡도를 가지므로, 확장성을 확보하려면 분산 계산 기법이나 근사 알고리즘이 요구된다. 전반적으로 RAMM은 간단하면서도 실용적인 개선책을 제공하며, 클라우드 자원 관리 시스템에 바로 적용 가능한 장점을 가진다.