전염병 제어를 위한 순차적 동적 자원 배분

논문은 네트워크 기반 전염병 확산을 억제하기 위한 동적 자원 할당(Dynamic Resource Allocation, DRA) 모델을 출발점으로 한다. 기존 DRA는 관리자가 언제든지 전체 네트워크와 감염 상태에 완전 접근할 수 있다고 가정하지만, 실제 상황에서는 정보와 접근이 제한적이다. 이를 해결하기 위해 저자들은 두 단계의 모델 확장을 제안한다. 첫 번째는 ‘제한형 DRA(Restricted DRA, RDRA)’이다. 매 라운드마다 관리자는 전체 노드가 아닌, 현재 감염 상태 Xₜ에 따라 결정되는 함수 f에 의해 정해지는 크기 nₜ 의 샘플 Cₜ에만 접근한다. 샘플은 확률분포 Λₜ에 따라 무작위로 선택되며, 관리자는 이 샘플 내에서 점수 s(i) 가 가장 높은 b 개의 감염 노드에 자원을 할당한다. 점수 함수는 ‘Largest Reduction in Infectious Edges(LRIE)’와 같이 이웃의 감염 상태를 반영하는 로컬 스코어가 사용된다. 두 번째 확장은 RDRA 위에 ‘순차형 DRA(Sequential DRA, SDRA)’를 도입한 것이다. 여기서는 샘플 Cₜ가 무작위 순서로 도착하고, 관리자는 각 후보를 순차적으로 평가해 즉시 할당 결정을 내려야 한다. 라운드 k는 감염 상태가 변할 때마다 발생하며, 라운드 내 시간은 nₖ 개의 작은 인터벌로 나뉜다. 라운드 시작 시 이미 b 개의 자원이 사전 할당된 ‘프리셀렉션’ Cᴿ에 존재하고, 새로운 후보가 도착하면 기존 할당을 교체할 수 있다. 이러한 순차적 의사결정 구조는 전통적인 ‘Secretary Problem’과 같은 순차 선택 문제(Sequential Selection Problem, SSP)와 유사하다. 논문은 이를 ‘Warm‑Starting Sequential Selection Problem(WSSP)’로 정의한다. WSSP는 (1) 고정된 자원 b, (2) 점수 함수 s, (3) 사전 할당된 b 개의 프리셀렉션, (4) 무작위 순서로 도착하는 n 개의 후보라는 네 가지 요소로 구성된다. 목표는 비용 함수 φ_B = max(S·R) – (S·R) 를 최소화하는 것으로, 이는 오프라인(전체 후보를 한 번에 보는) 전략이 달성할 수 있는 최고 점수와 온라인 전략이 실제 달성한 점수의 차이를 의미한다. 알고리즘 측면에서는 기존 SSP 문헌에 있는 두 가지 대표적인 온라인 전략을 적용한다. 첫 번째는 ‘hiring‑above‑the‑mean’으로, 현재 프리셀렉션 평균 점수보다 높은 후보가 등장하면 즉시 자원을 교체한다. 두 번째는 ‘cutoff‑based cost minimization’으로, 초기 일정 비율의 후보를 관찰한 뒤, 이후에 나타나는 후보가 관찰 단계에서의 최고 점수보다 높으면 할당한다. 두 전략 모두 라운드 사이에 감염·회복 이벤트가 하나만 발생한다는 가정 하에, 즉시 재배치가 가능한 상황에서 최적에 근접한 성능을 보인다. 실험은 연속시간 마코프 SIS 모델을 사용해 다양한 네트워크(무작위 그래프, 실세계 소셜 네트워크)와 샘플 비율 α (전체 노드 대비 접근 가능한 비율)에서 수행되었다. 결과는 (1) 제한된 샘플 접근만으로도 전통적인 전면 DRA와 비슷한 수준의 평균 감염 비율 감소를 달성, (2) 순차적 온라인 전략이 오프라인 RDRA에 비해 비용 φ_B 가 작게 유지되어 자원 할당 효율성이 높음, (3) 특히 cutoff‑based 전략이 평균 점수 기준 전략보다 더 일관된 억제 효과를 보였음을 보여준다. 결론적으로, 논문은 (i) 현실적인 정보·접근 제약을 모델링한 RDRA·SDRA 프레임워크를 제시, (ii) DP 제어 문제를 SSP와 연결해 기존 온라인 선택 알고리즘을 활용 가능하게 함, (iii) 제한된 정보 환경에서도 효과적인 전염병 억제가 가능함을 실증하였다. 향후 연구는 다중 자원, 비균등 샘플링, 그리고 실제 의료 시스템과의 연계 등을 탐색할 여지를 남긴다.