포그 컴퓨팅의 등장은 클라우드에서 네트워크 지연과 혼잡을 감소시키는 데 유망한 결과를 보여주었다. 이러한 환경에서는 지리적으로 분산되어 있고 자원이 제한된 포그 노드에서 시공간 부하 버스트(spatio-temporal load bursts)를 처리하기 위한 효과적인 오토스케일링(autoscaling)이 시의적절한 문제로 대두되었다. 오토스케일링의 전형적인 전략은 포그 노드와 배치된 서비스 인스턴스에 대한 중앙집중식 모니터링에 기반한다. 그러나 포그 노드의 수가 증가함에 따라 오토스케일링을 위한 메트릭(metrics)의 중앙집중식 수집 및 분석은 비실현적이 될 수 있다. 또한 포그 노드의 동적이고 변동적인 특성은 포그 컴퓨팅 환경에서 효과적인 오토스케일링을 어렵게 만든다. 본 연구에서는 다중 에이전트 강화학습(multi-agent reinforcement learning)에 기반하여 마이크로서비스 인스턴스를 스케일링하고 배치하는 계층적 분산 오토스케일러인 HiDRA를 제안한다. HiDRA에서 에이전트는 스케일링 에이전트와 배치 에이전트로 나뉘며, 이들은 포그 컴퓨팅에서 시공간 부하 버스트를 효과적으로 처리하기 위해 상호 협력한다. Deep Q-Network 기반 오토스케일링 에이전트는 런타임 시 자신의 지역적 관측(regional observations)만을 기반으로 학습되므로, 메트릭의 중앙집중식 수집이 필요 없다. 우리는 실제 데이터셋을 사용하여 생성한 여러 시뮬레이션 포그 환경에서 HiDRA를 평가하였다. 각 환경은 3가지 수준의 희소성(sparsity)으로 나누었고, 각 수준은 초기 인스턴스 수 20, 15, 10개와 불안정 노드(unstable nodes)로 구성되었다. 그 결과, 기준(baseline) 대비 비율로 보았을 때 HiDRA는 평균 요청 성공률(request success rate)을 초기 인스턴스 수 20, 15, 10개 및 불안정 노드가 있는 환경에서 각각 10.7%, 16.4%, 36.7% 증가시켰으며, 생성된 인스턴스 수는 각각 12.3%, 15.9%, 16.8% 감소시켰다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.