클라우드 서비스의 이중목표 시간제한 작업 스케줄링을 위한 새로운 SSO 기반 알고리즘

초록

본 논문은 기존 MOSSO 알고리즘의 오류를 수정하고, 군집 최적화 기법인 SSO를 변형한 BSSO(비‑목표 단순 군집 최적화)를 제안한다. BSSO는 에너지 소비와 makespan을 동시에 최소화하는 이중목표 시간제한 작업 스케줄링 문제에 적용되며, NSGA‑II, MOPSO, MOSSO와 비교했을 때 수렴성, 다양성, 임시·실제 비지배 해의 개수에서 우수함을 실험을 통해 입증한다.

상세 분석

본 연구는 클라우드 컴퓨팅 환경에서 작업 스케줄링을 다중목표 최적화 문제로 모델링하고, 특히 에너지 소비와 makespan이라는 상충되는 두 목표를 동시에 고려한다는 점에서 실용적 의의를 가진다. 기존 연구들(예: MOSSO)에서 제시된 SSO 기반 업데이트 메커니즘에 코드 오류가 존재함을 인정하고, 이를 정정한 새로운 알고리즘 BSSO를 설계하였다. BSSO는 전통적인 SSO의 gBest 개념을 제거하고, 각 개체의 pBest를 현재 세대의 임시 비지배 해 집합에서 선택하도록 함으로써 다목적 상황에 적합하도록 변형하였다. 또한, 군집 거리(crowding distance)를 이용해 비지배 해를 정렬하고, 하이브리드 엘리트 선택을 도입해 부모 개체를 효율적으로 선정한다. 이러한 설계는 탐색(exploration)과 활용(exploitation) 사이의 균형을 유지하면서 해 집합의 다양성을 보존하도록 고안되었다.

실험 부분에서는 소규모, 중규모, 대규모 세 가지 벤치마크 문제에 대해 9가지 파라미터 설정 하에 BSSO와 NSGA‑II, MOPSO, MOSSO를 비교하였다. 평가 지표는 수렴성(IGD, HV 등), 다양성(Spread), 임시 비지배 해 수, 실제 비지배 해 수 등으로 구성되었으며, 전반적으로 BSSO가 다른 알고리즘보다 우수한 성능을 보였다. 특히, 임시 비지배 해를 유지하면서도 실제 비지배 해로 전이되는 비율이 높아, 알고리즘이 탐색 단계에서 유망한 영역을 효과적으로 탐지한다는 점이 강조된다.

하지만 몇 가지 한계점도 존재한다. 첫째, 실험에 사용된 벤치마크 문제의 구체적인 파라미터(예: 작업 수, 프로세서 수, 작업 크기 분포 등)가 논문에 상세히 기술되지 않아 재현성이 떨어진다. 둘째, 알고리즘 파라미터(c_g, c_p, c_w, c_r)의 민감도 분석이 부족해, 실제 클라우드 환경에서 파라미터 튜닝이 얼마나 어려운지 가늠하기 어렵다. 셋째, 통계적 유의성 검증(예: Wilcoxon signed‑rank test) 없이 단순 평균값만 제시하고 있어, 성능 차이가 통계적으로 의미 있는지 판단하기 어렵다. 넷째, BSSO가 기존 SSO 기반 알고리즘보다 복잡도가 증가했는지 여부와 실행 시간 비교가 누락되어, 실시간 스케줄링 요구가 있는 환경에서의 적용 가능성을 평가하기 어렵다.

전반적으로 BSSO는 SSO의 간단한 업데이트 메커니즘을 다목적 최적화에 맞게 확장한 점에서 학술적 기여가 크며, 에너지 효율과 서비스 품질을 동시에 고려하는 클라우드 스케줄링 연구에 유용한 참고 모델이 될 수 있다. 다만, 향후 연구에서는 파라미터 민감도, 실행 시간, 대규모 실데이터셋 적용 등을 포함한 보다 포괄적인 평가가 필요하다.