에너지 인식 스케줄링: 가중 완료시간 및 지연시간 최소화

초록

본 논문은 하나의 기계에서 선점 없이 작업을 수행할 때, 작업의 가중 완료시간(또는 가중 지연시간)과 에너지 소비 비용을 동시에 최소화하는 문제를 다룬다. 일반적인 작업별 에너지 비용 함수를 허용하고, 출시일·마감일·선행 제약을 포함한 모델을 제시한다. 저자들은 α‑포인트와 새로운 α‑속도 개념을 이용한 다항식 시간 근사 알고리즘을 설계하여, 가중 완료시간과 에너지 비용의 선형 결합, 그리고 가중 지연시간과 에너지 비용의 선형 결합에 대해 상수 배근사 비율을 보장한다.

상세 분석

이 논문은 기존 연구가 주로 CPU 전력 소비와 같은 단일 형태의 에너지 모델에 국한되었던 점을 극복하고, 작업별로 서로 다른 비선형 에너지 비용 함수를 허용한다는 점에서 혁신적이다. 저자들은 먼저 시간‑인덱스 정수계획(IP)을 구간‑인덱스 형태로 변형함으로써, 연속적인 시간대 대신 기하급수적으로 증가하는 구간에 작업을 할당하도록 설계하였다. 이 구간‑IP는 다항식 크기의 LP 완화문제로 변환될 수 있어, 효율적인 풀링이 가능하다.

LP 해를 이용한 α‑포인트 기법은 기존에 가중 완료시간 최소화 문제에서 성공적으로 사용된 바 있다. 여기서는 α‑포인트와 함께 “α‑속도(α‑speeds)”라는 새로운 개념을 도입한다. 구체적으로, 각 작업 i에 대해 LP 해에서 속도 σ_j 별로 할당된 처리량을 확률 질량 함수(pmf)로 해석하고, 그 기대값을 α‑속도로 정의한다. 이렇게 선택된 속도는 작업을 일정한 속도로 실행하도록 보장하면서, 에너지 비용이 LP 하한 대비 상수 배만큼만 증가하도록 설계된다.

선행 제약과 출시일·마감일을 동시에 다루기 위해, 저자들은 기존 α‑포인트 기반 순서 결정 알고리즘에 두 단계의 라운딩을 결합한다. 첫 단계에서는 LP 해에서 각 작업이 어느 구간에 완료되는지를 파악해 α‑포인트를 계산하고, 이를 기반으로 작업 순서를 정한다. 두 번째 단계에서는 선택된 순서에 따라 α‑속도를 적용해 실제 실행 속도를 결정한다. 이때 구간 크기와 속도 집합 S={σ_1,…,σ_m} 사이의 관계(σ_{j+1} ≤ (1+δ)σ_j)를 이용해 근사 비율을 정밀하게 제어한다.

가중 완료시간 목표에서는, 선행 제약만 존재할 경우 4(1+ε)(1+δ) 배, 출시일이 추가될 경우 (3+2√2)(1+ε)(1+δ) 배의 근사 비율을 얻는다. 가중 지연시간 목표에서는 에너지 비용 함수가 β 차수 성장 조건을 만족하면, 4β(1+ε)^{β-1}(1+δ)^{β-1} 배의 근사 비율을 달성한다. 여기서 β는 에너지 비용 함수 E_i(s)=v_i·ρ_i·s^{β-1}의 지수이며, ε, δ는 구간 분할과 속도 이산화의 정밀도를 조절하는 파라미터이다.

또한, 논문은 연속적인 속도 모델로 확장하는 방법을 제시한다. 구간‑IP와 α‑속도 라운딩을 연속 속도 함수에 적용하면, 이산 속도 집합을 가정했을 때와 동일한 근사 비율을 유지할 수 있다. 이는 실제 시스템에서 CPU 주파수를 미세하게 조정할 수 있는 경우에도 알고리즘이 그대로 적용 가능함을 의미한다.

마지막으로, 에너지 비용 함수를 일반적인 비음수 함수로 확장하는 절차를 제시한다. 작업별 비용 함수가 비선형이더라도, LP 완화 단계에서 해당 비용을 그대로 목적식에 포함시키고, 라운딩 단계에서는 비용 함수의 단조성만을 이용해 상수 배근사 비율을 유지한다. 이는 유지보수 비용, 부품 마모, 교체 비용 등 다양한 실세계 비용 모델에 알고리즘을 적용할 수 있게 만든다.

전체적으로 이 논문은 α‑포인트와 새로운 α‑속도 개념을 결합한 라운딩 프레임워크를 통해, 에너지 비용과 전통적인 스케줄링 목표(가중 완료시간, 가중 지연시간)를 동시에 최적화하는 상수 배근사 알고리즘을 제공한다. 이는 선행 제약, 출시일·마감일, 작업별 비선형 에너지 비용 등 복합적인 현실 제약을 모두 포괄한다는 점에서 학문적·실용적 의의가 크다.