스파크 QoS: 계층적 하이퍼볼릭 그래프와 적응형 특성 공유를 통한 다중 QoS 예측

초록

본 논문은 서비스 품질(QoS) 예측을 위해 하이퍼볼릭 공간에서 계층적 그래프 컨볼루션을 수행하고, QoS와 컨텍스트 특성을 동적으로 교환·융합하는 적응형 공유 메커니즘을 제안한다. EMA 기반 손실 균형으로 다중 태스크 학습 시 발생하는 부정적 전이 문제를 완화하고, 실험을 통해 기존 단일·다중 모델 대비 우수한 정확도와 견고성을 입증한다.

상세 분석

SHARP‑QoS는 세 가지 핵심 모듈로 구성된다. 첫 번째는 계층적 특성 추출 블록(HFEB) 으로, QoS 그래프와 지역·AS 컨텍스트 그래프 각각에 하이퍼볼릭 그래프 컨볼루션(HyGCN)을 적용한다. Poincaré 볼 안에서의 Möbius 연산을 이용해 지수·로그 맵, Möbius 덧셈·곱, 래핑 활성화 등을 구현함으로써, 전통적인 유클리드 GCN이 놓치는 트리‑형 계층 구조와 스케일‑프리 특성을 저왜곡으로 보존한다. 두 번째는 특성 공유·융합 블록(FSFB) 으로, 서브네트워크 라우팅(SNR) 아이디어를 차용해 QoS‑특화와 컨텍스트‑특화 표현을 각각 별도 서브네트워크에 전달한다. 이후 교차 라우팅을 통해 서로 다른 QoS 파라미터 간에 정보를 교환하고, 게이트형 융합 모듈이 구조적 특성, 공유 특성, 그리고 개별 특성 중 중요한 부분을 동적으로 선택한다. 이 과정은 파라미터 수를 크게 늘리지 않으면서도 다중 태스크 간 상호보완성을 극대화한다. 세 번째는 EMA 기반 손실 균형이다. 다중 QoS 파라미터는 값의 스케일이 크게 달라 손실 스케일링 문제가 발생하기 쉬운데, 지수 이동 평균을 이용해 각 태스크 손실의 단기 변동을 평활화하고, 이를 가중치로 사용해 전체 손실을 조정한다. 이렇게 하면 학습 초기에 특정 태스크가 과도하게 지배하는 현상을 방지하고, 수렴 속도와 최종 일반화 성능을 동시에 향상시킨다. 실험에서는 WS‑DREAM‑2T, small‑3T, gRPC‑4T 등 서로 다른 규모와 QoS 파라미터 수를 가진 세 데이터셋을 사용했으며, SHARP‑QoS는 단일‑태스크 MLP·MF·GCN부터 최신 다중‑태스크 MoE·DW‑A 기반 모델까지 모든 베이스라인을 평균 4~7%p 상회한다. 특히 희소성 90% 이상, 이상치 비율 20% 상황, 그리고 콜드‑스타트(신규 사용자·서비스) 테스트에서 손실 감소와 RMSE 개선이 두드러졌다. 복잡도 측면에서는 하이퍼볼릭 연산이 추가되지만, 라우팅과 게이트가 경량화된 구조라 전체 파라미터 수와 FLOPs는 기존 다중‑태스크 모델과 비슷하거나 약간 낮다. 한계점으로는 곡률 학습이 불안정할 경우 수렴이 느려질 수 있고, 현재는 정적 그래프(고정된 서비스·사용자 관계)만 다루므로 동적 환경(실시간 트래픽 변동)에는 추가 연구가 필요하다. 전반적으로 SHARP‑QoS는 계층적 구조와 다중 태스크 학습을 자연스럽게 결합한 설계로, 서비스 추천·오케스트레이션 시스템에 실용적인 향상을 제공한다.