플라워다발FL 이기종 클라이언트 하드웨어 가상화

초록

본 논문은 단일 물리 머신에서 CPU·GPU·메모리 제한을 적용해 다양한 클라이언트 하드웨어를 에뮬레이션하는 BouquetFL 프레임워크를 소개한다. Flower 기반 FL 파이프라인에 쉽게 통합되며, Steam 하드웨어 설문을 활용한 샘플러로 현실적인 디바이스 분포를 자동 생성한다. 실험은 GPU 세대별 상대 성능을 게임 벤치마크와 비교해 ρ=0.92, τ=0.80의 높은 상관을 보이며, 메모리 부족 오류와 데이터 로딩 병목도 재현한다. 제한 사항으로는 전역 리소스 제어와 순차 실행만 지원한다는 점이다.

상세 분석

BouquetFL은 연합학습(Federated Learning) 연구에서 흔히 간과되는 하드웨어 이기종성을 단일 서버에서 재현할 수 있도록 설계되었다. 핵심 기술은 Linux cgroups와 NVIDIA CUDA MPS를 이용해 프로세스별 CPU 클럭, 코어 수, 메모리 용량, GPU 코어 및 메모리 사용량을 제한하는 것이다. 이를 통해 실제 모바일, 노트북, 저가형 GPU 등 다양한 디바이스의 연산·메모리 특성을 가상 환경에서 강제한다. 프레임워크는 Flower의 ServerApp·ClientApp 구조에 최소한의 침투만으로 통합되며, 클라이언트의 fit 호출 시 별도 서브프로세스를 스폰해 지정된 하드웨어 프로파일을 적용한다. 실행이 끝나면 제한이 해제돼 다음 라운드에 영향을 주지 않는다.

하드웨어 프로파일은 두 가지 방식으로 제공된다. 첫째, 사용자가 직접 CPU 모델, GPU 모델, RAM 용량 등을 명시적으로 정의한다. 둘째, 논문에서는 Steam 하드웨어 설문 데이터를 기반으로 만든 자동 샘플러를 제시한다. 이 샘플러는 전 세계 수백만 사용자의 실제 하드웨어 구성을 통계적으로 추출해, 현재 시장에 존재하는 소비자 디바이스 범위 내에서 현실적인 분포를 생성한다. 따라서 연구자는 복잡한 설정 없이도 실제 배포 환경을 근사한 클라이언트 풀을 손쉽게 구성할 수 있다.

제한점으로는 현재 리소스 제한이 전역적으로 적용돼 동시에 서로 다른 프로파일을 가진 클라이언트를 병렬 실행할 수 없다는 점이다. 이는 실험 설계 시 순차 실행을 강제하며, 대규모 시뮬레이션에서 시간 비용을 증가시킬 수 있다. 또한, 캐시 구조, PCIe 대역폭, 메모리 대역폭 등 하드웨어 아키텍처 수준의 미세 특성은 제어가 불가능해, 메모리 집약형 워크로드에서 실제 디바이스와 차이가 발생할 수 있다. 그럼에도 불구하고, GPU 세대별 상대 성능을 게임 벤치마크와 비교했을 때 Spearman ρ=0.92, Kendall τ=0.80이라는 높은 상관을 보이며, 하드웨어 제한이 학습 시간 순서를 잘 재현함을 입증한다.

또한, BouquetFL은 메모리 초과 오류를 인위적으로 발생시켜 OOM 처리 로직을 검증하고, CPU 코어 수 차이에 따른 데이터 로딩 속도 차이를 재현한다. 이러한 기능은 실제 이기종 환경에서 발생할 수 있는 다양한 시스템 병목을 연구자에게 제공한다. 향후 계획으로는 네트워크 지연 시뮬레이션과 제한된 병렬 클라이언트 실행 지원을 추가해, 보다 포괄적인 엣지·클라우드 혼합 시나리오를 모델링하려는 의지를 보인다.

전반적으로 BouquetFL은 물리적 장비를 다수 확보하기 어려운 연구실 환경에서도 현실적인 하드웨어 이기종성을 실험에 반영할 수 있게 함으로써, FL 알고리즘의 성능·공정성 평가에 새로운 연구 인프라를 제공한다.