DAG-Based QoS-Aware Dynamic Task Placement for Networked Multi-Stage Control Pipelines

기술 요약: 네트워크 기반 다단계 제어 파이프라인을 위한 DAG 기반 QoS 인지 동적 작업 배치

1. 문제 제기

비전 - 언어 - 행동 (VLA) 모델과 월드 파운데이션 모델 (WFMs) 을 통한 물리적 AI(PAI) 의 산업용 로봇 통합은 계산적 불일치를 야기했습니다. 이러한 모델들은 일반적인 산업용 로봇의 온보드 (onboard) 능력을 초과하는 추론 비용을 요구하는 반면, 20 초 미만의 콜드 스타트 (cold-start) 지연 시간은 폐루프 제어에 필요한 밀리초 미만의 마감 기한과 양립할 수 없습니다.

기존 배포 전략은 다음과 같은 중대한 한계에 직면해 있습니다:

• 모놀리식 로컬 실행: 로봇에서 모든 단계 (감지, 인지, 계획, 제어) 를 실행하면 AI 가속 하드웨어가 포화되어 마감 기한 위반률이 높아집니다 (테스트베드에서 경험적으로 40% 이상 보고됨).
• 정적 엣지 오프로딩: 작업을 엣지 서버로 영구적으로 오프로딩하면 제어 루프가 네트워크 지터 (jitter) 와 지연 시간 변동성에 노출되어 안전 포락선을 위반할 수 있습니다.
• 현재 적응형 배치 (ATP): 기존 적응형 제어기는 일반적으로 이진 임계값 규칙에 기반하여 단일 파이프라인 단계만 재배치합니다. 이들은 공식적인 다단계 모델을 갖추지 못했고, 다목적 비용 함수를 최적화하지 않으며, 작업 배치 진동 (chatter) 에 대한 분석적 저항력을 제공하지 않습니다.

핵심 과제는 폐루프 타이밍 예산을 준수하고 안정성을 보장하면서 클라우드 - 퍼지 - 엣지 연속체 전반에 걸쳐 다단계 제어 파이프라인을 동적으로 배치하는 런타임 오케스트레이션 레이어를 설계하는 것입니다.

2. 방법론

저자들은 지향성 비순환 그래프 (DAG) 기반 품질-of-서비스 (QoS) 인지 동적 작업 배치 (DTP) 프레임워크를 제안합니다.

A. 시스템 모델링

• DAG 로서의 파이프라인: 감지 - 인지 - 계획 - 제어 파이프라인은 4 개의 작업 ($T_1$부터 $T_4$까지) 을 가진 DAG $G=(V, E_G)$로 형식화됩니다.
• 아키텍처 불변량:
  • 하드 앵커링 단계: 감지 ($T_1$) 와 제어 ($T_4$) 는 밀리초 미만의 로컬 반사 루프를 유지하기 위해 물리적 로봇 하드웨어 ($R_1$ 및 $R_2$) 에 고정됩니다.
  • 이동 가능한 적응 공간: 인지 ($T_2$) 와 계획 ($T_3$) 은 로봇과 엣지 서버 ($E$) 사이에서 이동할 수 있습니다.
• 컴퓨팅 패브릭: 시스템은 산업용 실시간 네트워크 (LAN, TSN, 또는 5G-URLLC) 로 상호 연결된 노드 집합 $N = R \cup E \cup C$를 고려합니다.

B. QoS 인지 비용 함수
이 프레임워크는 $W$개의 제어 주기 동안의 관찰 창을 기반으로 작동합니다. 창 $k$에 대한 다목적 비용 함수 $J_k$를 정의합니다:
$$J_k = \alpha_L \tilde{L}_{95,k} + \alpha_V VD_k + \alpha_r \tilde{U}_{r,k} + \alpha_e \tilde{U}_{e,k} + \alpha_S S(\pi_k, \pi_{k-1})$$

• 지표:
  • $\tilde{L}_{95,k}$: 정규화된 95 백분위수 종단 간 지연 시간 (꼬리 행동을 포착).
  • $VD_k$: 마감 기한 위반률 (주요 SLA).
  • $\tilde{U}_{r,k}, \tilde{U}_{e,k}$: 로봇 및 엣지 서버의 정규화된 CPU 사용률.
• 전환 패널티: 항 $S(\pi_k, \pi_{k-1})$는 해밍 거리를 사용하여 빈번한 이동을 패널티화하여 네트워크 안정성을 저하시키는 "배치 진동 (chatter)"을 방지합니다.
• 가중치: 산업 환경에서 가중치는 원시 지연 시간 ($\alpha_L$) 및 안정성 ($\alpha_S$) 보다 SLA 준수 ($\alpha_V$) 를 우선시합니다.

C. 알고리즘 및 제약 조건

• 후보 집합: 엣지 하드웨어에서의 실용성을 보장하기 위해 알고리즘은 작고 해석 가능한 배치 집합 $\Pi_{cand}$를 평가합니다:
  • LOC: 완전 로컬 ($T_2, T_3$을 로봇에서 실행).
  • SO: 정적 오프로딩 ($T_2, T_3$을 엣지에서 실행).
  • HYB: 하이브리드 ($T_2$를 엣지에서, $T_3$을 로봇에서 실행).
• 히스테리시스 메커니즘: DTP 알고리즘 (알고리즘 1) 은 다음을 통해 안정성을 강제합니다:
  • 최소 체류 시간 ($N_{min}$): 지표가 임계값 근처에서 변동할 때 빠른 반전을 방지합니다.
  • 비용 개선 임계값 ($\Delta_{min}$): 비용 감소가 통계적으로 유의미한 경우에만 이동을 수행합니다.
• 추정: 비활성 배치의 경우 시스템은 정적 프로파일링, 온라인 에뮬레이션 (일부 주기 라우팅), 또는 보수적 스케일링을 사용하여 QoS 지표를 추정합니다.

3. 주요 기여

1. 공식 DAG 모델: 하위 네트워크 서브스트레이트와 무관하게 안전-중요 하드 앵커링 단계와 이동 가능한 적응 공간을 구분하는 파이프라인 모델.
2. 다목적 비용 함수: 꼬리 지연 시간, 마감 기한 위반률, 하드웨어 사용률, 이동 안정성을 공동으로 최적화하는 창 기반 함수.
3. 안정화된 DTP 알고리즘: 이전의 단일 단계 적응형 배치를 동시 다중 작업 배치로 일반화하고, 진동을 제한하기 위해 히스테리시스 및 전환 패널티를 통합한 알고리즘.
4. 검증 로드맵: 이산 이벤트 시뮬레이션과 물리적 로봇 테스트베드에서의 하드웨어 - 인 - 루프 (HIL) 테스트를 포함하는 구조화된 2 단계 계획.

4. 결과 및 검증 전략

작업 진행 중 (WiP) 논문으로서 저자들은 최종 경험적 결과 대신 이론적 프레임워크와 정성적 분석을 제시합니다.

• 정성적 분석: 저자들은 DTP 정책이 불리한 네트워크 조건 (높은 지터) 하에서는 LOC로, 로봇 CPU 스트레스 하에서는 SO로, 컴퓨팅 및 통신 자원이 모두 제약될 때는 HYB로 수렴할 것으로 예측합니다.
• 검증 로드맵:
  • 1 단계 (시뮬레이션): 이산 이벤트 시뮬레이터는 스트레스 시나리오 (예: 가우시안 네트워크 결함 주입, CPU 스트레스) 에 대한 비용 함수 민감도 및 히스테리시스 경계를 테스트합니다.
  • 2 단계 (HIL): 모듈형 클라우드 - 엣지 - 로봇 테스트베드는 컴퓨팅 프로파일 및 네트워크 지연에 대한 경험적 데이터를 제공하여 제안된 DAG-QoS DTP 를 LOC, SO 및 단일 단계 ATP 기준선과 비교합니다.

5. 중요성 및 주장

이 논문은 산업 자동화에서의 "제어 - 통신 - 컴퓨팅 (3C)" 공동 설계 격차를 해결한다고 주장합니다. 그 중요성은 다음과 같습니다:

• 런타임 결정론: $T_1$과 $T_4$를 앵커링함으로써, 이 프레임워크는 액추에이션 안전을 네트워크 상태와 분리하여 밀리초 미만의 반사 루프를 유지합니다.
• 적응성: 이동 가능한 공간은 하드웨어를 과부하시키거나 결정을 하드코딩하지 않고도 이질적인 컴퓨팅 요구 사항 (새로운 VLA/LLM 워크로드 포함) 을 수용합니다.
• 안정성 보장: 해밍 거리 기반 전환 패널티는 배치 진동에 대한 수학적으로 제한된 보장을 제공하여 관찰 가능한 제어 루프 안정성으로 전환됩니다.
• 산업 성숙도: 저자들은 배포 포락선 전반에 걸쳐 마감 기한 위반률 ($VD$) 이$\le 5%$를 보장할 수 없다면 시스템이 신뢰성 있게 Industry 4.0 성숙도 또는 Industry 5.0 에이전트 자동화를 위한 준비 상태를 주장할 수 없다고 주장합니다.

이 프레임워크는 LLM 에이전트와 VLA 모델이 실제 세계의 컴퓨팅 및 네트워크 변동성 하에서 신뢰성 있게 작동할 수 있게 하는 기초적인 "런타임 인프라"또는 "PAI 신경계"로 위치합니다. 향후 작업은 후보 배치 집합을 확장하고, 다중 로봇 함대를 지원하며, 온라인 하이퍼파라미터 적응을 통합하는 방향으로 계획되어 있습니다.