Core Concepts
본 논문은 작업 길이가 알려지지 않은 상황에서 탄소 배출을 최소화하기 위한 학습 강화 알고리즘 LACS를 제안한다. LACS는 작업 길이 예측을 활용하여 평균 성능을 향상시키면서도 최악의 경우에도 강력한 성능 보장을 제공한다.
Abstract
본 논문은 클라우드 데이터 센터의 탄소 배출 감축을 위해 작업 길이가 알려지지 않은 상황에서의 온라인 탄소 인식 자원 스케일링 문제(OCSU)를 다룬다.
OCSU는 작업 완료 기한 내에 작업을 완료하면서 탄소 배출을 최소화하는 것을 목표로 한다. 작업 길이가 알려지지 않은 상황에서 자원(예: 서버 수)을 동적으로 스케일링해야 한다. 기존 연구는 작업 길이를 정확히 알고 있거나 탄소 집약도 예측을 요구하는 등의 제한적인 가정을 하고 있어 실제 배포에 어려움이 있다.
이에 본 논문은 LACS라는 학습 강화 알고리즘을 제안한다. LACS는 작업 길이 예측을 활용하여 평균 성능을 향상시키면서도 최악의 경우에도 강력한 성능 보장을 제공한다. 이를 위해 LACS는 작업 길이 예측을 활용하는 알고리즘과 두 개의 경쟁력 있는 기준 알고리즘(ROROcmax, ROROcmin)의 조합을 사용한다.
실험 결과, LACS는 작업 길이를 정확히 아는 온라인 기준 알고리즘 대비 평균 1.2% 내에 있으며, 탄소 집약도 예측까지 요구하는 오프라인 기준 알고리즘 대비 16% 내에 있다. 또한 LACS는 탄소 무관 실행 대비 32% 탄소 배출 감축을 달성한다.
Stats
제안된 LACS 알고리즘은 작업 길이를 정확히 아는 온라인 기준 알고리즘 대비 평균 1.2% 내의 성능을 보인다.
LACS는 탄소 집약도 예측까지 요구하는 오프라인 기준 알고리즘 대비 16% 내의 성능을 보인다.
LACS는 탄소 무관 실행 대비 32% 탄소 배출 감축을 달성한다.
Quotes
"LACS는 작업 길이 예측을 활용하여 평균 성능을 향상시키면서도 최악의 경우에도 강력한 성능 보장을 제공한다."
"LACS는 작업 길이를 정확히 아는 온라인 기준 알고리즘 대비 평균 1.2% 내의 성능을 보이며, 탄소 집약도 예측까지 요구하는 오프라인 기준 알고리즘 대비 16% 내의 성능을 보인다."
"LACS는 탄소 무관 실행 대비 32% 탄소 배출 감축을 달성한다."