제로 터치 예측 오케스트레이션: 클라우드-에지 컨티뉴엄을 위한 시계열 모델 자동화

클라우드-에지 컨티뉴엄 (Cloud-Edge Continuum, CEC)은 자원을 파드 에지 (far edge)로 분산함으로써 지연 시간에 민감한 애플리케이션을 가능하게 하지만, 그 극심한 변동성으로 인해 시계열 예측 (time-series forecasting)을 통한 선제적인 제로 터치 관리 (Zero Touch Management)가 필수적입니다. 그러나 오케스트레이터 (orchestrators)는 심각한 "콜드 스타트 (cold start)" 문제에 직면합니다. 새로 발견된 노드들은 국지적 예측 모델 (localized predictive models)을 훈련하는 데 필요한 과거 데이터가 부족한 반면, 일반화된 모델들은 고유한 하드웨어 및 마이크로서비스 (microservice) 동작을 포착하는 데 실패합니다. 이를 해결하기 위해, 우리는 새로운 데이터 혼합 (data-mixing) 방법론에 의해 구동되는 완전 자동화된 시계열 예측 아키텍처를 제안합니다. 인프라 수준에서, 우리는 노드를 동적으로 발견하고 맞춤형 텔레메트리 (telemetry, 예: 컴퓨팅, 네트워크, 에너지)를 지속적으로 수집하는 가볍고 기술 중립적인 리소스 익스포저 (Resource Exposer, RE)를 도입합니다. 이러한 초기 로컬 샘플의 희소성을 극복하기 위해, 우리의 프레임워크는 이를 45초 간격으로 수집된 공개 고해상도 데이터셋인 TimeTrack과 자동으로 병합합니다. 이는 TimeTrack의 기초적이고 고주파적인 시간적 패턴과 로컬 노드 데이터의 정밀한 보정(calibration)을 시너지화합니다. 신경망 구조 탐색 (Neural Architecture Search, NAS) 엔진을 통해 처리됨으로써, 시스템은 매우 정확한 베이스라인 모델을 자동으로 생성합니다. 실험 결과는 대상 데이터를 TimeTrack과 병합하는 것이 콜드 스타트 문제를 효과적으로 완화함을 보여줍니다. 이러한 통합은 평균 제곱 오차 (Mean Squared Error, MSE), 평균 절대 오차 (Mean Absolute Error, MAE), 평균 절대 백분율 오차 (Mean Absolute Percentage Error, MAPE)로 측정된 예측 정확도를 크게 향상시키며, 희소한 로컬 샘플만으로 훈련하거나, 일반적인 데이터셋만으로 훈련하거나, 대상 데이터를 표준적인 대안 데이터셋과 혼합하는 방식에 비해 수렴 (convergence)을 가속화하여 지속적인 MLOps 배포를 위한 강력한 기반을 구축합니다.