신경망 진화 기반 SFC 최적 임베딩 GENESIS

초록

본 논문은 서비스 기능 체인(SFC) 임베딩의 세 가지 핵심 하위 문제(체인 구성, 가상 네트워크 기능(VNF) 배치, 링크 매핑)를 동시에 최적화하는 유전 알고리즘 기반 프레임워크 GENESIS를 제안한다. 세 개의 사인 함수 활성화 신경망을 진화시켜 얻은 출력값을 가우시안 분포와 A* 탐색에 연계함으로써 전체 문제를 통합적으로 해결한다. 48개의 데이터센터 시나리오 실험에서 GENESIS는 100 % 최적 해를 도출했으며, 기존 최선 알고리즘 대비 실행 시간도 크게 단축하였다.

상세 분석

GENESIS는 기존 유전 알고리즘(GA) 기반 SFC 임베딩 연구가 직면한 두 가지 근본적인 한계를 동시에 극복한다. 첫째, 기존 방법들은 체인 구성, VNF 배치, 링크 매핑을 순차적으로 혹은 부분적으로만 최적화했으며, 이로 인해 전역 최적해에 도달하기 어려웠다. 둘째, GA의 탐색 효율성 문제로 인해 실행 시간이 비현실적인 수준에 머물렀다. GENESIS는 이러한 문제를 해결하기 위해 세 가지 독립적인 신경망을 각각 사인 함수 활성화(sine‑function‑activated) 구조로 설계하고, 유전 연산(선택, 교차, 돌연변이)을 통해 파라미터 집합을 진화시킨다. 사인 함수는 비선형성을 강하게 부여하면서도 연속적인 미분 가능성을 유지해, 탐색 공간을 풍부하게 만든다.

진화된 신경망들의 출력은 정규(가우시안) 분포로 변환되어 확률적 비용 함수에 매핑된다. 이 확률 분포는 A* 알고리즘의 휴리스틱 값으로 활용되어, 네트워크 토폴로지와 자원 제약을 동시에 고려한 최단 경로 탐색을 가능하게 한다. 즉, 신경망이 제시하는 후보 배치와 A*가 제공하는 최적 경로가 결합되어, 세 하위 문제를 하나의 통합 최적화 과정으로 압축한다.

실험 설계는 48개의 서로 다른 데이터센터 시나리오(노드 수, 링크 대역폭, VNF 종류 및 요구 자원 등)를 에뮬레이터에 구현하고, GENESIS와 두 개의 최신 GA 기반 방법, 하나의 탐욕적(그리디) 알고리즘을 비교하였다. 평가 지표는 (1) 최적 해 도달 비율, (2) 전체 실행 시간, (3) 자원 활용 효율성이다. 결과는 GENESIS가 모든 시나리오에서 100 % 최적 해를 달성했으며, 두 번째로 좋은 GA는 71 %에 불과했다는 점을 보여준다. 또한 GENESIS의 평균 실행 시간은 15.84분으로, 동일 조건 하에서 두 번째 GA의 38.62분보다 절반 이하로 빠르다.

핵심 인사이트는 다음과 같다. 첫째, 비선형 사인 활성화 신경망은 복잡한 제약 조건을 효과적으로 인코딩해, GA의 탐색 능력을 크게 향상시킨다. 둘째, 정규 분포와 A*의 결합은 전역 최적화를 위한 강력한 휴리스틱을 제공함으로써, 탐색 공간을 급격히 축소한다. 셋째, 세 하위 문제를 동시에 고려함으로써 발생하는 상호 의존성을 정확히 모델링하고, 순차적 최적화에서 발생하는 비효율성을 제거한다. 이러한 설계는 SFC 임베딩뿐 아니라, 다른 다중 제약 최적화 문제에도 확장 가능성을 시사한다.