동적 휴리스틱 신경형 엣지 사용자 할당 솔버

초록

본 논문은 베이지안 신뢰 전파 신경망(BCPNN) 기반의 승자독점(WTA) 회로에 동적 휴리스틱 편향을 결합하여, 엣지 사용자 할당(EUA) 문제를 실시간으로 해결하는 신경형 솔버를 제안한다. 각 사용자마다 “할당 안 함” 유닛을 추가해 자원 부족 상황에서도 부분 할당이 가능하도록 설계했으며, 외부 입력을 수요‑용량 비율, 서버 포화도, 코사인 유사도 등으로 동적으로 조정한다. 실험 결과, 제한된 시간 단계 내에 거의 최적에 근접한 할당을 달성하면서도 파라미터 튜닝 없이 확장성을 확보한다.

상세 분석

이 연구는 엣지 컴퓨팅 환경에서 발생하는 NP‑hard 사용자‑서버 매칭 문제를, 전통적인 에너지 최소화 기반 어트랙터 네트워크가 갖는 파라미터 의존성과 확장성 한계를 극복하고자 한다. 핵심 아이디어는 BCPNN 프레임워크를 이용해 각 사용자에 대해 nₛ+1개의 뉴런(서버 후보 nₛ개와 “할당 안 함” 유닛)으로 구성된 하이퍼컬럼을 만들고, 이 내부에서 확률적 승자독점(WTA) 메커니즘을 적용한다. BCPNN은 시냅스 가중치를 사후 확률 추정으로 업데이트하므로, 입력 신호와 내부 상태가 직접 확률 분포로 변환돼 빠른 수렴을 가능하게 한다.

동적 휴리스틱 생성기는 매 타임스텝마다 현재 할당 상태를 기반으로 세 가지 주요 특징을 계산한다. 첫째, 전체 수요‑용량 비율(r)로 전역적인 자원 희소성을 파악한다. 둘째, 각 서버의 포화도(f)와 이를 비선형 load‑bias 함수에 매핑해, 서버가 거의 가득 찼을 때는 높은 편향을, 과포화나 저활용 시에는 낮은 편향을 부여한다. 셋째, 사용자 요구량과 서버 남은 용량 사이의 코사인 유사도(θ)로 2차원(코어, RAM) 자원 균형을 동적으로 반영한다. 이러한 값들은 선형 결합 형태(I₍ᵢⱼ₎ = loadbias(fⱼ) – k₁Dᵢ + k₂Cⱼ + k₃θᵢⱼ – b₃)로 외부 입력에 삽입되어, 각 뉴런의 지원값(s′)을 조정한다.

특히 “할당 안 함” 유닛에 대한 입력은 전역 희소성 r과 개별 사용자 규모 Dᵢ를 이용해 I₍ᵢ,na₎ = k₀·r·Dᵢ + b₀ 로 정의한다. 이는 자원이 부족할 때 큰 사용자를 포기하고 작은 사용자를 우선 할당하도록 유도한다. 또한 커버리지를 벗어난 사용자‑서버 쌍에는 큰 음수 입력(2·y_min)을 부여해 불법 할당을 확률적으로 차단한다. 이러한 설계는 기존 방식이 에너지 함수에 큰 패널티를 부여해 탐색 공간을 인위적으로 확대하는 문제를 해결한다.

실험에서는 제한된 타임스텝(예: 3050) 내에 Gurobi와 같은 최적화 솔버가 도출하는 최적해와 13% 수준의 차이만 보이며, 파라미터 k₁~k₃, y₁, y_min 등은 직관적 의미를 갖는 설명 가능한 값으로 설정 가능해 자동 튜닝 부담을 크게 감소시킨다. 또한, 네트워크 구조가 사용자 수에 비례해 선형적으로 확장되므로, 대규모 엣지 시나리오에서도 메모리와 연산량이 제한된 신경형 하드웨어(예: Loihi, TrueNorth) 위에 직접 매핑이 가능하다.

한계점으로는 현재 정적 스냅샷을 전제로 하며, 동적 UE 이동이나 실시간 트래픽 변동에 대한 연속적 재할당 메커니즘이 구현되지 않았다. 또한, 2차원 자원 모델을 코어 중심으로 단순화했기 때문에 RAM이 병목이 되는 경우 성능 저하가 예상된다. 향후 연구에서는 연속적인 시간 윈도우를 통한 온라인 업데이트와, 다중 자원 차원을 동시에 고려하는 다중 스칼라 입력 설계가 필요하다.