DA-TOPSIS Based Multi-Criteria Scheduling for Real-Time DNN Inference on Edge Devices

엣지 환경에서 실시간 딥러닝 추론 수요가 증가함에 따라, 제한된 GPU 자원하에서 latency와 deadline satisfaction ratio (DSR)을 동시에 보장할 수 있는 스케줄링 기법의 중요성이 더욱 커지고 있다. 그러나 전통적인 EDF 및 우선순위 기반 알고리즘은 GPU 경합으로 인한 비선형 latency 증가와 이기종 워크로드의 특성을 충분히 반영하지 못하므로, 고부하 환경에서 성능이 현저히 저하되는 한계를 보인다. 본 논문에서는 latency, GPU utilization, 에너지 소비, 처리량, 데드라인 여유 (slack)를 통합적으로 고려하는 DA-TOPSIS(Deadline-Aware TOPSIS) 기반 스케줄링 기법을 제안한다. 제안 기법은 오프라인 프로파일링을 바탕으로 각 태스크의 실행 특성을 정량화하고, 다기준 의사결정을 통해 실시간성과 자원 효율성을 균형있게 고려한 실행 우선순위를 산출한다. YAFS 기반 시뮬레이션 결과, DA-TOPSIS는 기존 EDF 대비 약4~5배 높은 DSR을 달성하였으며, GPU utilization을 70% 이상 감소시키는 동시에 처리량 손실은 3% 이내로 제한하였다. 이러한 결과는 제안 기법이 단일 엣지 GPU 환경에서 실시간 QoS 보장과 자원 안정성 확보에 유효함을 시사한다.