포그 마이크로서비스 분산 오토스케일링 연구

Decentralized Autoscaling for Fog Microservices Research

연구 내용

포그 컴퓨팅의 지리적·시계열 부하 급증을 다중 에이전트 학습으로 대응하고, 중앙 모니터링 없이 스케일과 배치를 자율 결정하는 연구

포그 컴퓨팅에서 마이크로서비스를 컨테이너로 배치할 때, 중앙 집중형 모니터링은 관측 규모가 커질수록 네트워크 오버헤드와 스케일 반응 지연을 유발합니다. 본 연구는 마이크로서비스 인스턴스가 자기 모니터링을 통해 복제하거나 종료하는 완전 분산 오토스케일러를 구성하고, 부하 급증 상황에서 스케일 반응 시간을 단축하는 것을 목표로 합니다. 또한 스파티오템포럴 부하 버스트를 다루기 위해 스케일 에이전트와 배치 에이전트를 협력시키며, 지역 관측 기반 딥 강화학습으로 중앙 집계 없이 의사결정을 수행합니다.

관련 프로젝트

5건

연구 흐름

먼저 2023년에는 완전 분산 수평 오토스케일링을 목표로, 마이크로서비스가 자체 관측으로 스케일 결정을 수행하는 구조를 제안했습니다. 이후 2025년에는 지리적으로 분산된 포그 노드에서 발생하는 스파티오템포럴 부하 버스트에 대응하기 위해 계층적 분산 오토스케일링으로 확장했습니다. 스케일과 배치의 협업을 에이전트 분해로 구현하고, 중앙 지표 수집 없이 지역 관측과 학습으로 정책을 수렴시키는 흐름으로 발전했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

분산 마이크로서비스 오토스케일러
부하 배치 최적화 정책
지역 관측 기반 스케일 결정
네트워크 오버헤드 저감 운영
지연 민감 서비스 운영
지리·시계열 부하 대응
다계층 에이전트 제어기
자원 제약 환경 자율 운영
부하 급증 시 인스턴스 관리
컨테이너 복구 및 배치 자동화