[논문 리뷰] Learning-Assisted Competitive Algorithms for Peak-Aware Energy Scheduling

Russell Lee, Mohammad Hajiesmaili외 1명|arXiv (Cornell University)|2019. 11. 18.

Optimization and Search Problems참고 문헌 23인용 수 8

한 줄 요약

이 논문은 데이터 센터에서 피크 인식 에너지 스케줄링을 위한 학습 보조 경쟁 알고리즘을 제안하며, 기계 학습 예측을 통합하여 성능을 향상시키면서도 최악의 경우에 대한 강건성을 유지한다. 제안된 ${\lambda}\texttt{BED}$ 알고리즘은 실제 데이터에서 순수 온라인 알고리즘 대비 15.13% 뛰어난 성능을 달성했으며, 예측 오차가 0에 가까워질수록 이론적으로 최적의 행동을 보인다.

ABSTRACT

In this paper, we study the peak-aware energy scheduling problem using the competitive framework with machine learning prediction. With the uncertainty of energy demand as the fundamental challenge, the goal is to schedule the energy output of local generation units such that the electricity bill is minimized. While this problem has been tackled using classic competitive design with worst-case guarantee, the goal of this paper is to develop learning-assisted competitive algorithms to improve the performance in a provable manner. We develop two deterministic and randomized algorithms that are provably robust against the poor performance of learning prediction, however, achieve the optimal performance as the error of prediction goes to zero. Extensive experiments using real data traces verify our theoretical observations and show 15.13% improved performance against pure online algorithms.

연구 동기 및 목표

• 에너지 수요가 불확실하고 변동성이 큰 환경에서 데이터 센터의 피크 인식 에너지 스케줄링 문제를 해결한다.
• 최악의 경우 성능 보장을 위해 너무 보수적인 전통적 온라인 알고리즘의 한계를 개선한다.
• 정확한 예측 시 성능 향상을 달성하면서도 예측이 잘못되었을 경우에도 강건성을 유지하기 위해 기계 학습 예측을 경쟁 알고리즘에 통합한다.
• 예측이 잘못되었을 경우에도 이론적 성능 보장을(경쟁 비율) 유지하여 실세계 구현에서 신뢰성을 확보한다.

제안 방법

• 온라인 결정과 기계 학습 예측을 융합한 BED(최선의 노력 디스패치) 알고리즘의 학습 보조 변형인 ${\\lambda}\texttt{BED}$를 설계한다.
• $\lambda$ 매개변수를 사용해 기계 학습 예측과 보수적인 온라인 전략 간의 균형을 조절하여, 예측이 잘못되었을 경우에도 강건성을 확보한다.
• 볼륨 가격과 피크 가격을 조합한 하이브리드 비용 함수로 에너지 스케줄링 문제를 수식화하며, 피크 수요는 높은 피크 가격 $p_m$과 곱해진다.
• 발전기 출력에 대한 램프 제약 조건을 강제하기 위해 투영 기반 방법을 적용하여 스케줄의 물리적 타당성을 확보한다.
• 성능을 이론적으로 분석하기 위해 일致성-강건성 프레임워크를 도입: 일치성은 정확한 예측 시 성능 향상을 측정하고, 강건성은 최악의 경우 성능 한계를 보장한다.
• 실제 데이터 센터의 트레이스 데이터를 사용해 이론적 주장의 타당성을 실증적으로 검증하고 순수 온라인 알고리즘과의 성능을 비교한다.

실험 결과

연구 질문

• RQ1 기계 학습 예측을 경쟁 온라인 알고리즘에 통합할 수 있는가? 이 경우 최악의 경우 성능 보장이 손상되지 않는가?
• RQ2 학습 보조 알고리즘의 성능은 예측 정확도에 따라 어떻게 변화하는가? 일치성과 강건성 사이의 이론적 트레이드오프는 무엇인가?
• RQ3 실제 데이터 센터 에너지 스케줄링에서 학습 보조 알고리즘은 순수 온라인 방법 대비 전력 비용을 얼마나 줄일 수 있는가?
• RQ4 램프 제약 조건과 발전기 용량과 같은 시스템 제약 조건은 학습 보조 알고리즘의 성능에 어떤 영향을 미치는가?
• RQ5 특히 순수 온라인 알고리즘이 성능이 떨어지는 영역(예: 발전기 용량이 높을 경우)에서 제안된 알고리즘이 기존 온라인 알고리즘을 초월하는가?

주요 결과

• ${\lambda}\texttt{BED}$ 알고리즘은 실제 트레이스 데이터에서 순수 온라인 알고리즘 대비 15.13% 낮은 전기 요금을 기록하여 실용적 성능 향상을 입증한다.
• 예측 오차가 0에 가까워질수록 ${\lambda}\texttt{BED}$는 이론적 하한선에 도달하는 최적의 성능을 달성한다.
• 예측이 잘못되었을 경우에도 알고리즘은 증명 가능한 강건한 성능을 유지하여 최악의 경우 보장을 유지한다.
• 발전기 용량이 피크 수요의 60%를 초과할 경우 순수 온라인 알고리즘(BED)의 성능 저하가 관찰되나, ${\lambda}\texttt{BED}$는 예측을 활용함으로써 이를 피한다.
• ${\lambda}\texttt{BED}$의 경쟁 비율은 모든 피크 가격 수준에서 BED보다 끈적히 뛰어나며, 중간 수준의 피크 가격 영역에서 가장 큰 성과를 기록한다.
• 램프 제약 조건을 완화하면 두 알고리즘 모두 경쟁 비율이 향상되나, ${\lambda}\texttt{BED}$는 예측과 유연성의 더 나은 활용 덕분에 열등한 성능 유지를 유지한다.