듀얼마인드 디지털 트윈 기반 지능형 접근 스케줄링

초록

본 논문은 Dual Mind World Model(DMWM) 구조를 네트워크 디지털 트윈(NDT)과 결합한 새로운 스케줄링 프레임워크를 제안한다. 빠른 휴리스틱(Fast Mind)과 심층 상징적 플래너(Slow Mind)를 병행하여 짧은 예측 호라이즌과 제약 기반 롤아웃을 수행함으로써, 폭증 트래픽·간섭·패킷 마감시간이 존재하는 산업용 IoT 환경에서 높은 처리량과 낮은 지연, 높은 샘플 효율성을 달성한다. 실험 결과는 기존 Max‑Weight, LQF, 강화학습 기반 정책들을 능가함을 보여준다.

상세 분석

본 연구는 네트워크 스케줄링 문제를 인간의 이중 프로세스 이론에 빗대어 ‘Fast Mind’와 ‘Slow Mind’ 두 모듈로 분할한다. Fast Mind은 현재 큐 길이를 기반으로 K개의 노드를 선택하는 LQF‑유사 경량 휴리스틱으로, 연산 지연이 거의 없으며 급격한 부하 상황에서 즉각적인 응답을 제공한다. 반면 Slow Mind은 디지털 트윈 내부에서 모든 가능한 스케줄 후보를 제약 검사(ICN) 후, H‑스텝(논문에서는 3)까지 큐 변화를 상징적으로 시뮬레이션한다. 각 후보에 대해 누적 전송 패킷 수를 보상으로 정의하고, 보상이 최대인 스케줄을 선택한다. 이 과정은 O(N·K·H·N) 복잡도를 가지지만, ICN 필터링으로 실제 탐색 공간이 크게 축소된다.

핵심 기술적 기여는 다음과 같다. 첫째, 제약 기반 로직 검증을 통해 간섭·마감·큐 비어 있음 등을 사전에 차단함으로써 안전성을 확보한다. 둘째, 디지털 트윈을 활용한 ‘상상(imagination)’ 단계는 모델‑프리 강화학습이 요구하는 대규모 샘플을 필요로 하지 않으며, 정책의 해석 가능성을 제공한다. 셋째, Fast Mind과 Slow Mind 사이의 동적 전환 규칙을 도입해 연산 제한이 있는 실시간 시스템에서도 적용 가능하도록 설계했다.

실험에서는 5노드, K=3, 큐 용량 50인 설정에서 기본, 버스티 트래픽, 마감 민감, 간섭 제한 네 가지 시나리오를 구성하였다. DMWM은 모든 경우에서 평균 지연 감소 1530%, 마감 위반률 감소 2045%를 기록했으며, 특히 버스티 트래픽 상황에서 Max‑Weight와 Q‑learning 기반 정책보다 높은 처리량을 유지했다. 샘플 효율성 측면에서도 10배 이하의 학습 에피소드로 수렴했으며, 이는 모델‑프리 RL이 수천 에피소드 필요로 하는 것에 비해 현저히 우수하다.

한계점으로는 후보 스케줄 탐색이 여전히 조합 폭에 따라 급격히 증가할 수 있어, 대규모 네트워크(N≫10)에서는 추가적인 휴리스틱 프루닝이나 메타휴리스틱 탐색이 필요하다. 또한, 현재는 중앙집중식 스케줄러를 전제로 하며, 분산 구현 시 동기화 비용과 디지털 트윈의 일관성 유지 문제가 남아 있다.

전반적으로 DMWM은 심볼릭 플래닝과 데이터‑드리븐 휴리스틱을 유기적으로 결합함으로써, 실시간 제약을 만족하면서도 미래 예측을 활용한 고성능 스케줄링을 구현한다는 점에서 네트워크 디지털 트윈 기반 제어 연구에 중요한 전진을 제공한다.