Governing AI Data-Centre Resources Before Consumption: The ZERO Framework

기술 요약: AI 데이터 센터 자원 관리를 위한 ZERO 프레임워크

문제 정의
현재의 AI 데이터 센터 지속 가능성 접근 방식은 주로 자원(전력, 용수, 재료)이 이미 할당된 이후에 환경 성과를 평가하는 데 중점을 둡니다. 전력 사용 효율(PUE), 용수 사용 효율(WUE), 탄소 사용 효율(CUE)과 같은 지표들은 운영 체제의 효율성을 설명하지만, 실행 전의 워크로드 *허용 가능성(admissibility)*을 결정하지는 못합니다. 탄소 인지형(carbon-aware) 및 용수 인지형(water-aware) 스케줄링을 포함한 기존 방법들은 기술적으로 가용 가능한 사전 정의된 시설 집합 내에서 최적화를 수행하는 경우가 많습니다. 이는 워크로드가 저탄소 강도를 가진 지역으로 이동하더라도 해당 지역의 용수 부족이 심각할 수 있거나, 열 회수(heat recovery)가 가용 가능한 수요를 정당화하는 데 사용되는 등의 문제를 야기하며, 결과적으로 의사결정의 공백을 만듭니다. 핵심 문제는 실행이 시작되기 전, 피할 수 있는 수요와 예방 가능한 자원 손실에 이의를 제기할 수 있는 상위 단계의 거버넌스 메커니즘이 부족하다는 점입니다.

방법론: ZERO 프레임워크
본 논문은 ZERO(약어가 아닌 하나의 운영적 전제로서의 명칭)를 운영 거버넌스 프레임워크로 제안합니다. ZERO는 효율성 지표와는 구별되는, 워크로드의 필요성, 자원 상태, 지역적 제약, 그리고 증거의 유효성을 통합하는 의사결정 아키텍처입니다. 방법론은 다섯 가지 테스트 가능한 속성과 계층적 의사결정 프로세스로 구조화되어 있습니다:

1. 워크로드 및 자원 표현:

   • 워크로드는 목적($p$), 에너지 수요($e$), 지속 시간($d$), 긴급도($u$), 위치 제한($l$), 서비스 요구사항($q$), 유연성($x$)을 포함하는 벡터 $W = \{p, e, d, u, l, q, x\}$로 정의됩니다.
   • 시설 자원 상태는 탄소 강도($c$), 용수 조건($w$), 냉각 예비량($k$), 열 회수 기회($h$), 그리드 조건($g$), 재료 상태($m$), 증거 유효성(시간 제한 포함, $v$)을 포함하는 $R(i,t) = \{c, w, k, h, g, m, v\}$로 정의됩니다.

2. 강제 허용성 (비보상적 관문 - The Non-Compensatory Gate):

   • 최적화가 수행되기 전, 이진 관문 $H(i,W,t)$가 구속 조건(법적, 보안, 안전, 데이터 주권, 회복 탄력성, 지역 환경 한계)을 평가합니다.
   • 만약 시설이 구속 조건을 충족하지 못할 경우(예: 심각한 용수 부족 상태), 해당 시설은 후보 집합에서 **제외(EXCLUDED)**됩니다.
   • 증거가 오래되었거나 미결 상태인 경우, 시설은 보류/조건부(HOLD/CONDITIONAL) 상태로 분류됩니다.
   • 결정적으로, 한 영역에서의 유리한 점수(예: 낮은 탄소 배출)가 다른 구속 조건(예: 용수 부족)의 실패를 보상할 수 없습니다.

3. 허용된 옵션 간의 선택:

   • 강제 허용성 관문을 통과한 시설만이 비교 단계에 진입합니다.
   • 허용된 작업(실행, 지연, 이전 등)에 대해 정규화된 부담(탄소, 용수, 냉 cooling)과 이득(열 회수)을 비용(전환 비용, 리스크)과 결합하여 가중치 점수 $S(a)$를 계산합니다.
   • 가중치는 공개되어야 하며 AHP(Analytic Hierarchy Process)나 엔트로피 가중치법을 통해 도출될 수 있으나, 본 프레임워크는 이러한 가중치가 오직 허용된 집합 내에서만 작동한다는 점을 강조합니다.

4. 지속 및 재검증:

   • 승인은 영구적이지 않습니다. 프레임워크는 자원 상태 임계값, 증거 만료 또는 지역적 거부권에 의해 트리거되는 지속적인 재검증을 의무화합니다.
   • 만약 조건이 변하면(예: 냉각 예비량이 보호 임계값 아래로 하락), 의사결정은 다시 열리며 현재 실행 중인 작업을 중단하거나 마이그레이션해야 합니다.

5. 연합 코디네이션 (Federated Coordination):

   • 프레임워크는 시설이 민감한 인프라 세부 정보를 노출하지 않으면서 검증된 자원 상태를 게시하는 연합 모델을 지원합니다.
   • 지역 운영자는 조건이 안전하지 않거나 불법적이 될 경우 실행에 대한 거부권을 보유하며, 이를 통해 지역적 권한이 네트워크 수준의 최적화보다 우선하도록 보장합니다.

주요 기여

• 의사결정 아키텍처: ZERO는 의사결정 경계를 사후 효율성 보고에서 실행 전 거버넌스로 전환합니다. 이는 '허용 가능성'을 정적인 가용 집합이 아니라, 만료되거나 거부될 수 있는 권한을 가진 상태로 공식화합니다.
• 비보상적 논리 (Non-Compensatory Logic): 이는 "강한 제약 조건"과 "약한 목표"를 명확히 분리합니다. 다중 자원 최적화를 통해 용수를 탄소와 맞교환할 수 있는 방식과 달리, ZERO는 구속력이 있는 지역적 제약을 절대적인 관문으로 취급합니다.
• 증거 유효성: 프레임워크는 결정이 오래된 정보에 기반하는 것을 방지하기 위해 자원 데이터에 대한 명시적인 '시간 제한(TTL)'을 요구하며, '증거 신선도'를 핵심 변수로 도입합니다.
• 운영 라이프사이클: 거버넌스를 초기 선택을 넘어 실행 중의 동적 재검증까지 확장하여, 지역 조건이 악화될 경우 워크로드의 중단이나 마이그레이션을 허용합니다.

결과: 예시 케이스 스터디
본 논문은 결정 논리를 입증하기 위해 합성 계산 케이스 스터디를 제시하며, 이것이 실제 절감량을 측정한 경험적 측정치가 아니라 거버넌스 시퀀스의 개념 증명(PoC)임을 명시합니다.

• 시나리오: 유연한 AI 학습 워크로드(100 MWh)를 세 곳의 사이트 중 하나에 스케줄링해야 합니다: 사이트 A (로컬 기본 설정), 사이트 B (최저 탄소 배출이지만, 심각한 용수 상태), 사이트 C (중간 수준의 탄소 배출, 낮은 용수 가용성, 열 회수 가능).
• 결과:
  • 로컬 기본 설정: 사이트 A에서 실행 (48.0 t CO2e, 30.0 m³ 용수).
  • 탄소 단독 스케줄링: 사이트 B를 선택 (14.56 t CO2e)하지만, 심각한 용수 규칙(114.4 m³ 용수)을 위반하여 허용 불가능한 결정을 내림.
  • ZERO 프레임워크: 심각한 용수 제약으로 인해 사이트 B를 제외함. 허용된 옵션들에 대한 점수 산정 후 사이트 C를 선택 (26.78 t CO2e, 18.54 m³ 용수).
• 민감도 분석: 연구는 가중치 프로필(탄소 우선, 가뭄 우선 등)과 자원 조건을 변화시킵로 진행되었습니다. 이를 통해 소프트 랭킹(soft rankings)은 가중치에 따라 변할 수 있지만, 강제 허용성 관문은 구속 조건을 위반하는 옵션(예: 사이트 C가 심각한 용수 상태에 진입할 경우)을 일관되게 제외함을 보여줍니다.
• 동적 재검증: 로링 호라이즌(rolling-horizon) 추적을 통해, 처음에 선택된 사이트 C가 보호된 냉각 예비량이 침해될 경우 실행 도중에 집합에서 제거되어 재평가 및 잠재적 마이그레이션이 필요하게 되는 과정을 보여줍니다.

의의 및 주장
본 논문은 ZERO를 입증된 절감 원천이나 우월한 최적화 알고리즘이 아닌, 테스트 가능한 거버넌스 아키텍처로 겸허히 포지셔닝합니다.

• 범위: 본 연구의 기여는 방법론적이며, 다섯 가지 특정 속성(강한 제약 조건 우선, 별도의 상태 표현, 허용된 옵션 간의 비교, 조건부 승인, 기록된 결과)을 갖춘 의사결정 아키텍처를 제공합니다.
• 한계: 저자는 본 연구가 합성 데이터를 사용하며, 수치적 임계값, 조직적 수용성 또는 상호 운용성을 아직 검증하지 않았음을 인정합니다. 또한, ZERO는 정치적 권한의 문제나 보편적 임계치를 결정하는 것이 아니며, 이는 지역적으로 정의되어야 합니다.
• 향후 과제: 논문은 프레임워크를 탄소 인지형 스케줄링 및 무제한 다목적 최적화와 같은 베이스라인과 비교하여 경험적으로 검증하기 위한 단계적 연구 프로그램(회고적 시뮬레이션, 섀도우 모드 배포, 통제된 파일럿 테스트, 교차 연합 시험)을 제시합니다.

결론적으로, ZERO는 "피할 수 있는 수요와 예방 가능한 자원 손실"이 불가피한 것으로 취급되기 전에 이를 도전적으로 검토하고, AI 워크로드의 실행 생애주기에 다중 자원 의사결정을 통합하는 것을 목표로 합니다.