경매 기반 최적 작업 할당 및 자원 인식 컨테이너화

초록

본 논문은 IoT 디바이스의 연산 집약적 작업을 다중 로컬 서버에 효율적으로 오프로드하기 위해 Docker Swarm 기반의 매니저·워커 구조와 경매 메커니즘을 결합한 AUC‑RAC 프레임워크를 제안한다. 경매를 통해 워커 노드의 자원 가용성과 비용을 고려한 최적 작업 배분을 수행하고, 매니저 노드는 이익을 극대화하도록 비용을 조정한다. 실험 결과, 기존 오프로드 방식에 비해 처리 지연이 감소하고 자원 활용도가 향상됨을 보인다.

상세 분석

AUC‑RAC는 IoT 환경에서 흔히 발생하는 제한된 디바이스 자원과 높은 연산 요구를 해결하기 위해 두 가지 핵심 기술을 융합한다. 첫째, Docker Swarm을 이용해 여러 물리 서버를 하나의 클러스터로 구성하고, 매니저 노드(MN)가 중앙 조정자 역할을 수행한다. 각 워커 노드(WN)는 Docker 엔진 위에서 컨테이너를 동적으로 생성·소멸시켜 작업을 실행한다. 둘째, 경매 기반 입찰 프로세스를 도입해 작업 할당을 최적화한다. IoT 디바이스가 작업을 MN에 전송하면, MN은 작업 사양(CPU, 메모리, 예상 실행 시간 등)을 모든 WN에 브로드캐스트하고, 각 WN은 자신의 현재 자원 상황과 사전에 정의된 비용 모델에 따라 입찰 가격을 제시한다. 입찰 가격은 ‘자원 사용량 ÷ 가용성’ 형태의 함수로, 자원이 풍부한 노드일수록 낮은 가격을 제시하도록 설계되어 있다. MN은 가장 낮은 입찰가를 제시한 WN에게 작업을 할당하고, 해당 WN은 컨테이너를 배포한다.

이 과정에서 매니저는 자체 이익을 고려한다. 매니저는 각 작업에 대해 사용료를 부과하고, 워커에게 지급하는 비용을 입찰가와 비교해 차액을 이익으로 확보한다. 논문은 이익‑비용 최적화를 위한 수식 모델을 제시하고, 라그랑주 승수를 이용해 제약조건(예: 총 CPU/메모리 한계, 작업 마감시간)을 만족하도록 한다.

실험 설계는 4대의 워커 노드와 1대의 매니저 노드로 구성된 테스트베드를 사용했으며, CPU‑집약적 작업(행렬 곱셈)과 메모리‑집약적 작업(대용량 데이터 정렬)을 각각 50개씩 생성해 비교하였다. 결과는 경매 기반 할당이 라운드 로빈이나 단순 자원 기반 스케줄링에 비해 평균 응답 시간이 22 % 감소하고, 워커 노드당 평균 CPU 사용률이 15 % 향상됨을 보여준다. 또한, 매니저의 수익률이 18 % 증가했으며, 시스템 전체의 에너지 소비도 약 10 % 절감되었다.

강점으로는 (1) 자원 가용성을 실시간으로 반영한 동적 입찰 메커니즘, (2) Docker 컨테이너를 통한 경량화된 배포, (3) 비용‑이익 모델을 통한 경제적 인센티브 제공이 있다. 반면, 한계점은 입찰 과정에서 발생하는 통신 오버헤드와 입찰 전략이 정적 비용 함수에 의존한다는 점이다. 또한, 워커 노드가 급격히 변동하는 부하를 겪을 경우 입찰 가격이 비현실적으로 낮아져 매니저의 이익이 감소할 가능성이 있다. 향후 연구에서는 머신러닝 기반 예측 모델을 도입해 입찰 가격을 동적으로 조정하고, 다중 매니저 간 협업을 통한 확장성을 탐색할 필요가 있다.