[Paper] PHWSOA: 파레토 기반 하이브리드 고래‑갈매기 스케줄링을 이용한 클라우드 컴퓨팅의 다목적 작업

Source: arXiv - 2512.09568v1

Overview

이 논문은 PHWSOA라는 새로운 하이브리드 메타휴리스틱을 소개합니다. 이는 고래 최적화(WOA)와 갈매기 최적화(SOA)를 파레토 기반 다목적 처리와 결합한 것입니다. makespan, VM 부하 균형, 비용을 동시에 다룸으로써, 저자들은 기존의 단일 지표 접근법보다 더 균형 잡히고 실제 환경에 적합한 클라우드 스케줄러를 제공하고자 합니다.

Key Contributions

• 하이브리드 알고리즘 설계 – WOA의 전역 탐색과 SOA의 지역 활용을 결합하여 각각의 약점을 보완합니다.
• 파레토 기반 다목적 프레임워크 – 세 가지 상충 목표( makespan, 부하 균형, 경제적 비용)를 지배 순위를 사용해 동시에 최적화합니다.
• Halton 시퀀스 초기화 – 낮은 불일치 샘플로 인구를 시드하여 다양성을 높이고 수렴 속도를 빠르게 합니다.
• 파레토 가이드 변이 – 비지배 해에 기반해 다양성을 주입하여 조기 정체를 방지합니다.
• 병렬 실행 및 동적 VM 부하 재분배 – 탐색 속도를 높이고 실행 중에 지속적으로 워크로드를 재균형합니다.
• 광범위한 CloudSim 평가 – NASA‑iPSC와 HPC2N 실제 트레이스를 사용해 최신 기법(WOA, GA, PEWOA, GCWOA) 대비 72 % makespan 감소, 37 % 부하 균형 향상, 24 % 비용 절감을 보여줍니다.

Methodology

1. 인구 시드 – 무작위 시작 대신 Halton 시퀀스에서 초기 후보 스케줄을 추출하여 탐색 공간에 균일하게 점을 배치합니다.
2. 하이브리드 탐색 연산자
   • 고래 단계: 버블‑넷 급식을 모방해 VM‑작업 할당을 넓게 탐색합니다.
   • 갈매기 단계: “플러킹” 업데이트 규칙을 사용해 유망한 스케줄을 지역적으로 미세 조정합니다.
3. 파레토 순위 – 각 후보를 세 목표에 대해 평가하고, 비지배 해가 현재 파레토 앞선을 형성합니다.
4. 파레토 앞선에 의한 변이 – 앞선에 가까운 해에 목표 변이를 가해, 아직 충분히 탐색되지 않은 영역을 탐색하도록 유도합니다.
5. 병렬 평가 – 모든 후보의 적합도 계산을 다중 코어 CPU를 활용해 동시에 수행하여 실제 시간(벽시계 시간)을 단축합니다.
6. 동적 부하 재분배 – 시뮬레이션 중 VM이 과부하되면, 현재 파레토 앞선을 기준으로 부하가 적은 VM으로 작업을 이동시켜 균형을 유지합니다.

Results & Findings

• Makespan: PHWSOA는 기존 WOA 및 GA 대비 전체 실행 시간을 최대 72.1 % 단축합니다.
• 부하 균형: VM 활용도 분산이 36.8 % 감소하여 작업이 클라우드 풀 전체에 더 고르게 배치됩니다.
• 비용: 실행 시간과 과다 프로비저닝을 동시에 감소시켜 **23.5 %**의 비용 절감을 달성합니다.
• 수렴 속도: 병렬 처리와 Halton 초기화 덕분에 거의 최적에 가까운 파레토 앞선에 도달하는 세대 수가 약 30 % 감소합니다.
• 견고성: 두 개의 실제 워크로드(NASA‑iPSC, HPC2N) 모두에서 PHWSOA가 일관되게 베이스라인을 능가하여 좋은 일반화를 보여줍니다.

Practical Implications

• 클라우드 오케스트레이션 플랫폼(예: OpenStack, Kubernetes)은 PHWSOA를 플러그인 스케줄러로 삽입해 지연 시간, 자원 사용량, 청구 비용을 자동으로 균형 맞출 수 있습니다.
• DevOps 파이프라인에서 일시적인 VM을 사용해 배치 작업(CI 빌드, 데이터 처리)을 수행할 경우, 수동 튜닝 없이도 더 빠른 처리와 낮은 클라우드 비용을 얻을 수 있습니다.
• 에지‑클라우드 하이브리드 배포는 동적 부하 재분배 기능을 통해 에지 노드와 중앙 클라우드 간에 실시간 부하에 따라 워크로드를 이동시킬 수 있습니다.
• SLA‑인식 서비스는 파레토 앞선을 활용해 특정 트레이드‑오프(예: 비오프 피크 시간에 비용을 우선시) 를 만족하는 스케줄을 선택할 수 있습니다.
• 알고리즘의 병렬 특성은 이미 다중 코어 관리 노드에서 실행되는 기존 자동 스케일링 컨트롤러에 쉽게 통합될 수 있습니다.

Limitations & Future Work

• 대규모 클러스터 확장성 – 실험은 수백 대 VM까지 제한했으며, 수천 대 노드에서의 성능은 아직 검증되지 않았습니다.
• 정적 워크로드 가정 – 동적 재분배 단계가 포함되어 있지만, 주요 최적화는 고정된 배치 작업에 대해 수행됩니다. 지속적인 스트리밍 워크로드에 대한 추가 적응이 필요합니다.
• 파라미터 민감도 – 하이브리드 알고리즘은 변이율, 고래와 갈매기 단계 간 균형 등 여러 하이퍼파라미터를 도입하므로 도메인별 튜닝이 요구될 수 있습니다.
• 에너지 고려 – 현재 비용 모델은 금전적 비용에 초점을 맞추고 있으며, 향후 친환경 클라우드 운영을 위해 전력 소비를 포함하는 확장이 필요합니다.

전반적으로 PHWSOA는 이론적 엄밀함과 실용적 이점을 모두 갖춘 강력한 후보로, 차세대 클라우드 스케줄러에 적합합니다.

Authors

• Zhi Zhao
• Hang Xiao
• Wei Rang

Paper Information

• arXiv ID: 2512.09568v1
• Categories: cs.DC
• Published: December 10, 2025
• PDF: Download PDF