클라우드‑엣지 연속체를 위한 선언형·선형계획 하이브리드 배치 최적화

초록

본 논문은 선언형 프로그래밍과 혼합정수선형계획(MILP)을 결합한 하이브리드 프레임워크 EdgeWiseCR을 제안한다. 연속 추론을 도입해 기존 배치를 재사용하고 불필요한 재계산과 서비스 마이그레이션을 최소화함으로써, 기존 EdgeWise 대비 최대 65 % 빠른 실행 시간을 달성하면서도 비용 증가를 33 % 이하로 억제하고, 동적 장애 상황에서도 배치 안정성을 유지한다.

상세 분석

EdgeWiseCR은 두 단계로 구성된다. 첫 번째 단계는 Prolog 기반 선언형 전처리기로, 인프라의 하드웨어·소프트웨어·보안·IoT 제약을 논리식으로 기술하고, 서비스·함수 간의 데이터 흐름, 요청 빈도, 처리 시간 등을 메타데이터로 캡처한다. 이 단계에서 “연속 추론(continuous reasoning)” 메커니즘을 적용해 이전 배치 결과를 상태로 보존하고, 변화가 감지된 컴포넌트와 그와 직접 연결된 경로만을 재평가한다. 따라서 전체 애플리케이션을 매번 새로 최적화할 필요가 없어, 재계산 비용이 급격히 감소한다.

두 번째 단계는 MILP 최적화기로, 선언형 단계에서 필터링된 후보 노드 집합에 대해 비용 함수와 제약식을 수립한다. 비용 함수는 클라우드·엣지·디바이스별 단위 가격을 기반으로 하드웨어 사용량, 소프트웨어 라이선스, 함수 호출량·지속시간 등을 종합한다. 제약식은 아키텍처 호환성, 최소 하드웨어 요구량, 보안 정책, 지연·대역폭 한계, 그리고 “마이그레이션 최소화”라는 목표를 수학적으로 표현한다.

핵심 인사이트는 선언형 전처리가 MILP 문제의 차원을 크게 축소한다는 점이다. 기존 연구에서는 전체 인프라(수천 노드)와 수백 개의 서비스·함수를 동시에 MILP에 투입해 해결 시간이 수십 분에 달했지만, EdgeWiseCR은 전처리 후 변수 수를 70 % 이상 감소시켜 솔버가 1~2 초 내에 최적해를 도출한다. 연속 추론은 특히 동적 장애(노드 고장·링크 품질 저하) 상황에서 유용하다. 장애가 발생하면 영향을 받은 부분만 재배치하고, 나머지는 기존 배치를 그대로 유지함으로써 서비스 중단 시간을 최소화한다.

실험에서는 3가지 실제 애플리케이션 시나리오(음성 합성, 영상 스트리밍, 스마트 팩토리)와 3가지 네트워크 토폴로지(클라우드‑중심, 엣지‑중심, 혼합)에서 256~2048 노드 규모를 테스트했다. 결과는 EdgeWiseCR이 평균 58 %~65 % 빠른 실행 시간을 보였으며, 비용은 EdgeWise 대비 12 %~33 % 상승했지만, 배치 안정성 지표(마이그레이션 횟수, 서비스 중단 시간)는 40 % 이상 개선되었다.

한계점으로는 연속 추론이 상태 저장과 변경 감지를 위한 추가 메모리 오버헤드가 존재하고, 매우 빈번한 워크로드 변동이 있는 경우 재계산 빈도가 증가해 성능 이득이 감소할 수 있다. 또한 비용 모델이 현재는 AWS·Azure 가격에 기반한 정적 단가를 사용하므로, 실제 운영 환경의 변동 가격이나 에너지 효율을 반영하려면 모델 확장이 필요하다. 향후 연구에서는 강화학습 기반 예측 모델을 결합해 사전 배치 예측 정확도를 높이고, 멀티‑클라우드·멀티‑엣지 환경에서 정책 기반 협상 메커니즘을 도입하는 방향을 제시한다.