사물인터넷 확산으로 클라우드-엣지-엔드 협업 환경에서 연산 집약적 방향성 비순환 그래프(DAG) 작업이 늘고 있지만, 각 노드는 연산 능력·네트워크 대역폭·에너지 소비가 매우 이질적이어서 복잡한 의존성을 가진 작업의 효율적 스케줄링은 NP-hard 문제다. 기존 휴리스틱과 강화학습 방법은 시스템 자원의 시공간적 동역학을 포착하지 못하는 경우가 많다. 이 논문은 근접정책최적화(PPO)와 시공간 그래프신경망(STGNN)을 결합한 PPO-STGNN을 제안한다. STGNN으로 DAG 작업 위상과 물리적 자원 그래프에서 특징을 추출하고, PPO로 스케줄링 정책을 최적화해 완료 시간과 스케줄 길이 비율을 최소화하면서 CPU·메모리 부하 균형을 개선한다. 수렴 가속을 위해 다중 교사 행동복제 기법으로 사전학습을 도입했다. 실험 결과 PPO-STGNN은 낮은 완료 시간을 유지하면서 부하 균형을 크게 개선해 동적이고 이질적인 클라우드-엣지-엔드 DAG 스케줄링 상황에 적합함을 보였다.

• •PPO와 시공간 그래프신경망(STGNN)을 결합한 DAG 작업 스케줄링 알고리즘 PPO-STGNN 제안
• •STGNN으로 DAG 위상과 클라우드-엣지-엔드 자원 그래프 특징을 동시 추출
• •완료 시간과 스케줄 길이 비율 최소화, CPU·메모리 부하 균형 개선을 목표로 정책 최적화
• •다중 교사 행동복제 기법으로 사전학습을 도입해 수렴 속도 가속
• •동적·이질적 클라우드-엣지-엔드 환경에서 낮은 완료 시간과 개선된 부하 균형을 동시 달성