[논문 리뷰] A Survey of Parallel A*

Alex Fukunaga, Adi Botea외 2명|arXiv (Cornell University)|2017. 08. 16.

Advanced Database Systems and Queries참고 문헌 52인용 수 3

한 줄 요약

이 종합적 서베이는 메모리 제약을 극복하기 위해 상태 공간을 프로세서 간에 분할하는 분산형 접근 방식에 중점을 두어 병렬 A* 검색 알고리즘에 대한 포괄적인 개요를 제공한다. 해시 기반 작업 분배, 구조 기반 분할, 제한된 메모리 버전인 병렬 IDA*와 GPU 가속 전략, 하이브리드 CPU-GPU 방법을 포함하며, 대규모 검색 문제의 확장성과 효율성 향상에 있어 핵심 성능 트레이드오프와 최근의 발전을 강조한다.

ABSTRACT

A* is a best-first search algorithm for finding optimal-cost paths in graphs. A* benefits significantly from parallelism because in many applications, A* is limited by memory usage, so distributed memory implementations of A* that use all of the aggregate memory on the cluster enable problems that can not be solved by serial, single-machine implementations to be solved. We survey approaches to parallel A*, focusing on decentralized approaches to A* which partition the state space among processors. We also survey approaches to parallel, limited-memory variants of A* such as parallel IDA*.

연구 동기 및 목표

• 대규모 상태공간에서 최적의 경로 탐색을 위한 A* 검색을 병렬화하는 데 있어 기존 접근 방식을 분석하고 분류하는 것.
• 특히 분산 시스템에서의 메모리 병목 현상과 통신 오버헤드를 포함한 A* 병렬화의 근본적 과제를 규명하는 것.
• 해시 기반 작업 분배와 구조 기반 분할을 포함한 분산 검색 전략의 효율성, 특히 로드 밸런싱 및 중복 상태 탐지 향상 여부를 평가하는 것.
• 단일 머신의 메모리 제약를 극복하기 위한 제한된 메모리 버전인 병렬 IDA*와 GPU 최적화 A*의 성능을 분석하는 것.
• GPU 가속, 하이브리드 CPU-GPU 아키텍처, 메타 솔버 포트폴리오와 같은 새로운 추세를 탐색하여 검색 성능 향상에 기여하는 것.

제안 방법

• 중앙집중형과 분산형 아키텍처로 병렬 A*를 분류하며, 상태 공간을 프로세서 간에 분할하는 분산 방법에 중점을 둔다.
• 공유 메모리 및 분산 메모리 시스템에서 로드 밸런싱과 효율적인 중복 상태 탐지에 최적화된 해시 기반 작업 분배 기법을 리뷰한다.
• 중복 상태 탐지 범위 개념을 활용한 구조 기반 상태공간 분할을 분석하여 프로세서 간 통신을 최소화한다.
• GPU 전용 A* 변형을 평가하며, 블록 기반 병렬 IDA* (BPIDA*)는 검색 부분수를 GPU 블록에 할당하고 공유 메모리를 사용하여 전역 메모리 접근을 피한다.
• 계산(예: 후속 상태 생성)을 GPU에 위임하고 CPU는 중복 상태 탐지 및 전역 상태 관리를 담당하는 하이브리드 접근 방식을 분석한다.
• 운영자 분배 및 병렬 포트폴리오와 같은 대안적 병렬화 전략을 논의하며, 동적 튜닝을 위한 기계학습 기반 설정 방법도 포함한다.

실험 결과

연구 질문

• RQ1 대규모 상태공간 문제에서 메모리 제약을 극복하기 위해 A* 검색을 어떻게 효과적으로 병렬화할 수 있는가?
• RQ2 중앙집중형 대비 분산형 접근 방식의 상대적 이점과 트레이드오프는 무엇인가?
• RQ3 해시 기반 작업 분배와 구조 기반 분할이 병렬 A*에서 로드 밸런싱을 향상시키고 통신을 줄이는 데 어떻게 기여하는가?
• RQ4 GPU 아키텍처에 A*를 구현할 경우의 성능 영향은 무엇이며, 메모리 제약는 어떻게 완화할 수 있는가?
• RQ5 하이브리드 CPU-GPU 또는 다중 에이전트 병렬화 전략이 기존의 단일 아키텍처 접근 방식보다 우월한 상황은 언제인가?

주요 결과

• 해시 기반 작업 분배는 현재 병렬 A*의 최첨단 기술로, 공유 메모리 및 분산 메모리 시스템에서 로드 밸런싱과 효율적인 중복 상태 탐지 모두에 효과적이다.
• 구조 기반 분할은 지역적 중복 상태 탐지 범위를 정의하여 프로세서 간 통신을 줄여 분산 A*의 확장성 향상에 기여한다.
• 블록 기반 병렬 IDA* (BPIDA*)는 부분수를 GPU 블록에 할당하고 공유 메모리만 사용함으로써 GPU에서 높은 병렬 효율성을 달성한다. 이는 전역 메모리 병목 현상을 피한다.
• 높은 병렬 효율에도 불구하고 GPU 기반 A* 구현은 메모리 용량 제약으로 인해 제한된다. 현재 GPU는 전역 메모리가 16GB 뿐이며, 현대의 워크스테이션보다 훨씬 적다.
• 한정된 코어당 메모리로 인해 GPU에서 메모리 집약적인 휴리스틱 기법(예: 패턴 데이터베이스)을 사용하는 것은 여전히 도전 과제이며, 향후 전역 메모리 활용 최적화가 필요하다.
• 하이브리드 CPU-GPU 접근 방식은 잠재력을 보이며, 예를 들어 GPU는 후속 상태 생성을 담당하고 CPU는 중복 상태 탐지에 사용함으로써 성능과 메모리 제약 간 균형을 이룬다.