클라우드‑엣지 연속체를 위한 적응형 AI 기반 분산 자원 관리

초록

본 논문은 클라우드‑엣지 연속체에서 동적인 인프라와 변동하는 워크로드에 대응하기 위해, 그래프 신경망(GNN) 임베딩과 협업형 다중 에이전트 강화학습(MARL)을 결합한 하이브리드 프레임워크를 제안한다. 로컬 에이전트는 이웃 수준에서 자원 배치를 담당하고, 전역 오케스트레이터가 시스템 전체의 목표와 정책을 조정한다. 이를 통해 중앙집중식 관리의 확장성 한계와 완전 분산 정책의 전역 최적화 부족을 동시에 해소한다.

상세 분석

이 논문은 클라우드‑엣지 연속체라는 복합적인 환경에서 자원 관리 문제를 ‘중앙집중식 vs. 완전 분산식’이라는 이분법적 관점이 아닌, 계층적 하이브리드 구조로 재구성한다는 점에서 의미가 크다. GNN을 활용해 각 노드와 링크의 상태를 그래프 형태로 인코딩함으로써, 동적인 토폴로지 변화에도 유연하게 대응할 수 있다. 특히 노드 추가·삭제 시 전체 모델을 재학습하지 않고 마스킹 기법으로 처리한다는 설계는 실운용에서의 비용을 크게 절감한다.

MARL 측면에서는 로컬 에이전트가 부분 관측(local subgraph)만을 이용해 독립적으로 정책을 학습하고, 전역 에이전트가 로컬 에이전트들의 선택을 조정하는 이중 보상 구조를 채택한다. 로컬 보상은 자원 활용도(RU), 완료 시간(CT), SLA 위반률(SVR)을 가중합으로 정의해 현장 수준의 효율성을 확보하고, 전역 보상은 비지역 메트릭과 로컬 보상의 가중합으로 전역 목표와의 정렬을 유도한다. 이러한 보상 설계는 비정상성 문제를 완화하고, 협업 학습 시 안정성을 높이는 데 기여한다.

학습 절차는 사전 학습(pre‑training) 단계와 공동 학습(joint training) 단계로 나뉘어, 로컬 정책을 먼저 최적화한 뒤 전역 정책과의 협업을 통해 전체 시스템 성능을 향상시킨다. PPO·A3C와 같은 최신 정책 그라디언트 알고리즘을 사용하고, 경험 재플레이를 도입해 샘플 효율성을 높인 점도 실용적이다.

하지만 몇 가지 한계도 존재한다. 첫째, 논문은 시뮬레이션 기반 평가 계획만 제시하고 실제 구현 결과가 부족하다. 둘째, GNN 임베딩의 차원과 마스킹 전략이 대규모 네트워크에서 메모리·연산 비용에 미치는 영향을 정량적으로 분석하지 않았다. 셋째, 전역 오케스트레이터가 모든 로컬 에이전트의 상태를 집계하는 과정에서 발생할 수 있는 통신 병목과 지연에 대한 고려가 미흡하다. 마지막으로, 비용 모델에 에너지 소비나 경제적 비용을 포함하려는 향후 계획은 제시했지만, 현재 목표 함수는 RU·CT·SVR에만 국한돼 실제 서비스 제공자의 비용 효율성 평가에 한계가 있다.

전반적으로, GNN과 MARL을 결합한 계층적 프레임워크는 클라우드‑엣지 연속체의 확장성·적응성을 동시에 달성하려는 시도로서 학술적·실무적 가치를 지닌다. 향후 실제 테스트베드와 대규모 실험을 통해 통신 오버헤드, 모델 복잡도, 비용 모델 확장성을 검증한다면, 본 접근법은 차세대 연속체 자원 관리 솔루션의 핵심이 될 가능성이 높다.