당신이 거대한 고속 데이터 배송 서비스를 운영하고 있다고 상상해 보십시오. 다만 트럭과 도로 대신 디지털 데이터를 이동시킵니다. "산업 사물 인터넷(IIoT)"의 세계에서는 센서와 기계들이 자신의 상태에 대해 끊임없이 정보를 외치고 있습니다. 보통 이 데이터는 처리를 위해 멀리 떨어진 거대한 클라우드 서버까지 이동합니다. 하지만 이는 시간을 확인하기 위해 지구 반대편으로 편지를 보내는 것과 같습니다. 시간이 너무 오래 걸리며, 오일 리그나 건설 현장 같은 곳에서는 그 지연이 위험할 수 있습니다. 이를 해결하기 위해 엔지니어들은 "엣지 컴퓨팅(Edge Computing)"을 사용합니다. 이는 마치 작업자 바로 옆에 작은 지역 우체국을 세우는 것과 같습니다. 이 로컬 서버들은 데이터를 즉각적으로 처리할 수 있습니다. 하지만 문제가 하나 있습니다. 이러한 산업 현장에는 거대한 저장 탱크와 같은 거대하고 단단한 금속 장애물들이 가득 차 있어, 작업자와 서버 사이의 무선 신호를 차단하는 보이지 않는 벽 역할을 합니다. 만약 신호가 탱크에 부딪히면 메시지는 유실됩니다.

그래서 큰 질문이 생깁니다. 어떻게 하면 로컬 서버를 금속 벽에 부딪히지 않고 작업자들을 "볼" 수 있는 위치에 배치할 것이며, 작업자들이 무작위로 움직일 때 어떤 서버가 어떤 작업을 처리하도록 결정할 것인가? 이것이 바로 연구진이 DOA-EDS라는 새로운 시스템을 제안하며 해결하고자 했던 퍼즐입니다. 연구진은 단순히 서버 위치를 추측하거나 표준적인 컴퓨터 기법을 사용하는 것이 통하지 않는다는 점을 깨달았습니다. 왜냐하면 금속 탱크들이 기존 방식에서 사용되는 수학적 모델을 깨뜨리는 물리적 차단물을 만들기 때문입니다. 대신 그들은 먼저 서버를 놓을 최적의 안전한 지점을 찾아낸 다음, 실시간으로 작업을 할당하기 위해 학습하는 컴퓨터 두뇌를 사용하는 2단계 "스마트 플래너"를 구축했습니다.

문제: "탱크를 피하라" 게임

창고 안에 거대하고 통과할 수 없는 강철 드럼통들이 가득 차 있는 곳에서 술래잡기를 하고 있다고 상상해 보십시오. 당신에게는 다섯 명의 "술래"(엣지 서버)가 있고, 이들은 최대한 많은 "도망자"(데이터 작업)를 잡아야 합니다. 술래는 도망자와 직선의 끊기지 않는 시야(Line of Sight)가 확보될 때만 도망자를 잡을 수 있습니다. 만약 강철 드럼통이 둘 사이에 있다면, 태그(잡기)는 실패합니다.

과거에 연구자들은 기존의 선반(오래된 셀 타워와 같은)에 술래를 배치하거나, 공기가 비어 있다고 가정하는 단순한 수학을 사용하여 이 문제를 해결하려 했습니다. 하지만 실제 유전 현장에는 선반이 없으며, 공기는 탱크들로 가득 차 있습니다. 만약 서버를 탱크 뒤에 배치하면 무용지물이 됩니다. 너무 가까이 배치하면 신호가 금속에 반사되어 실패합니다. 연구진은 위치를 정하는 것과 누구를 잡을지를 동시에 해결하려는 시도가 매우 어렵다는 것을 발견했습니다. 이는 수학적으로 "NP-hard"로 분류되는데, 즉 컴퓨터가 짧은 시간 안에 완벽하게 해결하기에는 악몽 같은 난제라는 뜻입니다.

해결책: 2단계 팀워크 전략

이 논문의 저자인 지징보(Jingbo Ji)와 그의 팀은 이 도전을 극복하기 위해 DOA-EDS라고 불리는 영리한 2단계 프레임워크를 설계했습니다. 이것을 게임 시작 전에 계획을 짜는 코치와 경기 중의 심판이라고 생각하십시오.

1단계: 코치 (공간 플래너)
먼저, 시스템은 게임을 시작하기 전 계획을 짜는 코치처럼 작동합니다. 이 시스템은 OA-ALNS(장애물 인지 적응형 대규모 이웃 탐색)라고 불리는 알고리즘을 사용합니다. 코치가 창고의 지도를 보며 다섯 명의 술래를 배치하는 수천 가지의 서로 다른 방법을 시뮬레이션한다고 상상해 보십시오.

• 코치는 규칙을 알고 있습니다: "당신은 드럼통 안에 서 있을 수 없다."
• 코치는 물리학을 알고 있습니다: "드럼통이 가로막고 있다면 도망자를 잡을 수 없다."
• 코치는 배치를 시도해 보고, 그것이 나쁘면 그 나쁜 아이디어를 "파괴"한 뒤, 술래들을 새로운 위치로 옮겨서 다시 "수리"합니다.
• 코치는 이 과정을 반복하며, 탱크를 피하면서 도망자들을 가장 잘 볼 수 있는 위치를 학습합니다.

이 단계는 오프라인(게임 시작 전)에서 수행되며, 서버를 위한 완벽하고 고정된 좌표를 찾아냅니다. 이것은 단순히 추측하는 것이 아니라, 신호가 자유롭게 흐를 수 있는 최적의 "통신 통로"를 체계적으로 검색합니다.

2단계: 심판 (동적 스케줄러)
서버가 물리적으로 배치되면, 게임이 시작됩니다. 도망자(작업)들이 무작위로 나타나기 시작합니다. 이제 시스템은 두 번째 단계인 심층 강화 학습(Deep Reinforcement Learning) 에이전트, 즉 PPO(근사 정책 최优化) 알고리즘으로 전환됩니다.

• 이것은 실시간으로 경기를 관찰하는 초고속 심판이라고 생각하십시오.
• 심판은 어떤 서버가 바쁜지, 어떤 서버가 한가한지, 그리고 도망자들이 어디에 있는지 봅니다.
• 결정적으로, 심판에게는 "실행 가능성 마스크(Feasibility Mask)"가 있습니다. 이것은 심판에게 "잠깐, 탱크가 경로를 가로막고 있으니 이 도망자를 서버 A에 할당할 수 없다"라고 즉각 알려주는 특수 안경과 같습니다.
• 심판은 경험을 통해 배웁니다. 만약 특정 서버에 과부하가 걸리도록 작업을 할당했다면, 다음에는 그렇게 하지 않도록 배웁니다. 심판은 경기가 원활하게 돌아가도록 끊임없이 조정하며, 특정 서버가 과부하되지 않으면서 다른 서버가 놀고 있지 않도록 부하를 조절합니다.

발견한 내용: 결과

팀은 네 개의 거대한 저장 탱크가 있는 250m x 250m 크기의 유전 컴퓨터 시뮬레이션에서 이 시스템을 테스트했습니다. 그들은 자신들의 2단계 팀을 end-to-end 학습(배치와 스케줄링을 동시에 학습하려는 방식) 및 단순한 "탐욕적(Greedy)" 방식(가장 가까운 서버를 선택하는 방식)을 포함한 다른 방법들과 비교했습니다.

시뮬레이션 결과는 매우 명확했습니다:

• 성공률: 시스템이 250개의 작업으로 과부하 상태일 때, DOA-EDS 시스템은 **95.2%**의 작업을 성공적으로 처리했습니다. 반면, (배치와 스케줄링을 동시에 하려 했던) "end-to-end" 학습 시스템은 약 **68%~70%**만을 처리했습니다. 이들은 탱크의 까다로운 기하학적 구조를 파악하는 데 어려움을 겪었습니다.
• 속도 (지연 시간): DOA-EDS가 작업을 처리하는 데 걸린 평균 시간은 248.3밀리초였습니다. 다른 학습 기반 시스템인 DQN-Joint는 훨씬 느린 1,099.8밀리초가 걸렸습니다. 즉, DOA-EDS는 특정 경쟁자보다 77.4% 더 빨랐습니다.
• 비용: DOA-EDS는 서버를 매우 효율적으로 배치했기 때문에 일을 완수하는 데 필요한 자원이 적었습니다. DOA-EDS의 "비용" 점수는 5.25였던 반면, DQN-Joint 방식은 13.12를 기록했습니다. 이는 기존 방식이 더 못한 성과를 내면서도 약 150% 더 많은 인프라를 필요로 한다는 것을 의미합니다.

이것이 중요한 이유

이 논문은 문제를 "서버를 어디에 둘 것인가"와 "작업을 어떻게 스케줄링할 것인가"로 분리함으로써, 컴퓨터가 다루기에 너무 복잡했던 문제를 해결할 수 있다고 시사합니다. "코치"는 금속 탱크라는 까다로운 물리적 규칙을 처리하고, "심판"은 빠르게 변화하는 데이터의 흐름을 처리합니다.

저자들은 이것이 시뮬레이션 기반 연구임을 강조합니다. 그들은 실제 서버가 있는 물리적인 유전을 건설한 것이 아니라, 아이디어를 테스트하기 위해 디지털 트윈을 구축했습니다. 그러나 결과는 산업 현장의 거대한 금속 장애물들을 다룰 때, 이 두 단계 접근 방식이 모든 것을 한 번에 해결하려는 단일 학습 모델보다 훨씬 효과적이라는 것을 보여줍니다. 이는 복잡한 문제를 해결하는 가장 좋은 방법은 때때로 문제를 나누는 것임을 증명합니다. 즉, 먼저 안전한 경로를 찾고, 그다음 경주를 시작하는 것입니다.