서의성 교수

모바일 기기에서 사용자 불만의 가장 큰 요소인 배터리 사용시간을 보장하기 위해 많은 연구 들이 진행되어 왔다. 배터리 사용시간 보장을 위해서는 일정 시간 동안 소비되는 에너지를 제한할 수 있는 에너지 제한 스케쥴링 기법이 필요하다. 대부분의 에너지 제한 스케쥴링 기법은 태스크들의 에너지 소비량을 추정하여 사용자가 요구하는 사용시간을 충족시킬 수 있도록 태스크들의 스케쥴링을 제한하여 에너지 소비량을 일정 수준으로 억제한다. 하지만, 기존 연구들에서 널리 사용되는 이러한 에너지 제한 스케쥴링 기법은 멀티미디어 애플리케이션들의 스케쥴링 주기를 불균등하게 분포하게 하여 QoS 저하를 일으킨다. 본 논문은 이러한 현상에 대한 실험적 증거를 처음으로 밝히고, 이에 대한 해결책으로 에너지 제한 스케쥴링 중에도 아이들 스레드를 멀티미디어 애플리케이션들과 교차 실행하여 스케쥴링 패턴을 유지함으로써 에너지 제한 스케쥴링 중에도 QoS를 유지할 수 있는 기법을 제안한다. 제안한 스케쥴링 기법은 구글 안

로그 구조 파일 시스템에서는 쓰기 작업을 처리할 때 새로운 블록들이 순차적으로 할당된다. 그러나, 다수의 프로세스가 번갈아가며 동기적 쓰기 작업을 요청할 경우, 파일 시스템 상에서는 각 프로세스가 생성한 파일이 단편화될 수 있다. 이 파일 단편화는 읽기 요청을 처리할 때 다수의 블록 I/O를 발생시키기 때문에 읽기 성능을 저하시킨다. 게다가, 미리 읽기 기능은 한 번에 요청되는 데이터의 양을 증가시킴으로써 성능 저하를 더욱 심화시킨다. 이에, 본 논문에서는 파일 단편화 문제를 해결하기 위해 로그구조 파일 시스템의 새로운 클리닝 기법을 제안한다. 제안 기법은 로그 구조 파일 시스템의 클리닝 과정중 유효 데이터 블록을 아이노드 번호 순으로 정렬함으로써 한 파일의 데이터 블록들을 인접하게 재배치한다. 실험 결과, 제안한 클리닝 기법이 클리닝 전에 비해 약 60%의 파일 단편화를 제거하였고, 그 결과로 미리 읽기 기능을 적용했을 때 읽기 성능을 최고 21%까지 향상시키는 것을 확인하였다.

데이터센터의 전력공급 인프라스트럭쳐 구축 비용을 절감하고, 기구축된 데이터센터 전력공급 시설의 활용율을 높이기 위해 서버의 전력소비량을 일정 수준으로 억제할 수 있는 하드웨어 또는 소프트웨어 측면의 접근을 통한 전력 상한 제한(power-capping) 기술이 많은 연구자들에 의해 제안되어 왔다. 특히, 가상화 기술을 기반으로 하는 클라우드 시스템들에서 널리 사용되고 있는 구조인 가상머신들이 집적되어 실행되는 서버들의 경우, 실행되고 있는 가상머신을 다른 서버로 이전하여 실행하는 동적 이전(live-migration) 기술은 서버 및 랙 수준에서 전력 상한 제한을 강제할 수 있는 중요 수단의 하나로 여겨지고 있다. 하지만, 지금까지 대부분의 연구자들은 동적 이전을 통해 가상머신을 이전하면 그 즉시 전력소비량이 감소한다는 가정으로 동적 이전을 전력 상한 제한의 최후의 수단으로 제안하고 있지만, 실제 동적 이전을 전력 상한 제한에 사용하였을 때 발생하는 효과에 대한 분석이나 연구는 알려

GPU 클러스터의 자원을 효율적으로 관리하기 위해 동적으로 스케일링하는 것이 중요하다. 체크포인트 기반의 중지 후 재개 스케일링이 널리 사용되어 왔지만, 최근 프레임워크는 학습된 모델을 런타임 환경에서 새로운 GPU로 전송하는 체크포인트 없는 접근 방식을 제공한다. 그러나 이 방법은 새로운 GPU를 추가할 때마다 기존의 학습이 중단되며 비효율적인 방식으로 학습 상태를 동기화한다. 이러한 문제를 해결하기 위해 본 논문은 스케일링 중 학습을 이어나가는 오버래핑 기법과 동기화 과정에서 발생하는 불필요한 중복된 학습 상태 전달을 제거하며 GPU들의 토폴로지를 고려하는 병렬적 브로드캐스트 기법을 제안한다. 제안하는 기법은 Elastic Horovod에 구현하여 성능평가를 수행하였고, 스케일링 과정의 72.8%의 시간을 학습 시간으로 대체하여 활용할 수 있으며 학습 상태 동기화의 성능이 최대 31.7% 향상시킴을 확인하였다.

Intel Optane DC Persistent 메모리는 DRAM에 가까운 응답속도를 보이면서 SSD 등 블록 장치처럼 데이터의 영구 저장이 가능한 차세대 하드웨어이다. 그러나 Optane DC는 DIMM에 장착되기 때문에 기존 블록 장치에서 발생하지 않던 NUMA 효과로 인한 성능 감소가 발생한다. 이 때문에 멀티 쓰레드 I/O 응용에서 쓰레드가 동작하는 CPU에 따라서 I/O 성능이 차이난다. 본 논문에서는 이를 해결하기 위한 새로운 스택커블 파일 시스템인 NUMA-Aware Filesystem(NAFS)을 제안한다. NAFS는 파일을 특정 세그먼트 단위로 나누어서 쓰레드가 동작하는 CPU와 가까운 소켓의 Optane DC로 I/O를 수행하도록 한다. 또한 응용 수행 중 원격 소켓에서의 I/O가 많아지면 NAFS는 파일의 메타데이터를 모든 소켓의 Optane DC에 복사한 뒤 로컬 I/O가 가능하도록 해준다. 그 결과 불필요한 원격 소켓 I/O가 줄어들어 멀티쓰레드 응용에서의 I

많은 상용 프로세서들은 LLC(last-level cache)를 모든 코어들이 공유하여 사용하기 때문에 LLC가 병목이 되어 전체 시스템 성능이 저하된다. 하드웨어 캐시 파티셔닝 기법을 적용하여 이런 문제를 해결할 수 있지만, 적절한 캐시 파티션을 결정하는 것은 지능적인 알고리즘을 필요로 한다. 강화학습을 사용한 캐시 파티셔닝은 애플리케이션의 수가 증가함에 따라 모델 복잡도가 폭발적으로 증가한다. 본 논문은 캐시 파티셔닝 문제의 강화학습 적용을 위해 모델 복잡도의 폭발적 증가를 억제하고 다중 애플리케이션에 대해 확장 가능한 강화학습 기반 캐시 파티셔닝을 제안한다. 먼저 적은 수의 애플리케이션에 대해 캐시 파티셔닝을 하는 강화학습 모델을 학습한다. 그 후 캐시 사용 특성 예측 지도학습 모델을 통해 얻은 정보로 애플리케이션들을 클러스터링하여 강화학습 모델을 확장 적용한다. 이를 통해 더 많은 애플리케이션에 대해서도 캐시 파티셔닝을 하여 최대 19.75%의 성능 향상을 얻을 수 있었다.

DRAM 기반의 인메모리 캐시는 고비용으로 인해 용량을 늘리는 데에는 한계가 있다. 이를 위해 압축을 이용하여 더 많은 데이터를 캐시하는 기법들이 연구되어 왔다. 그러나 압축은 높은 처리부하와 반응 지연을 야기한다. 본 논문에서는 섀넌 엔트로피를 통해 파일의 압축률을 낮은 오버헤드를 통해 고속으로 예측하여, 높은 압축률을 가진 파일만 압축하는 선택적 압축 기법을 제안하였다. 또한 이를 파일시스템 내에서 실제 사용이 가능하도록 커널 레벨에서 파일 시스템을 위한 인메모리 캐시를 제공하도록 구현하였다. 실험 결과 선택적 압축 기법은 비 압축에 비해 약 18%의 실행시간 감소를 보이며, 전체 캐시 데이터 압축 방법에 비해서도 캐시 히트율의 감소에 의한 성능하락을 최소화 시키고, 동시에 압축에 대한 오버헤드를 줄여, 7.5%의 실행시간을 감소시킬 수 있음을 보였다. 또한 압축에 사용되는 CPU사용시간을 모두 압축 했을 때와 비교하여 28%감소시킬 수 있음을 보여주었다.

FaaS(Function as a Service)는 컴퓨팅 자원을 가상화하여 함수 단위로 제공하는 클라우드 컴퓨팅 서비스 모델로 탄력적이고 간편한 서비스 전개가 가능해 클라우드 네이티브(cloud native) 아키텍처에서 빠르게 사용이 증가하고 있다. 하지만 FaaS 플랫폼에서 사용자가 요청한 함수의 최초 실행에는 몇몇 초기화 단계가 필수적으로 수반되며 이러한 초기화 오버헤드, 즉 콜드 스타트(cold start)는 함수 실행의 지연을 발생시킨다. 우리의 아이디어는 FaaS 플랫폼에서 실행중인 함 수와 동일한 함수실행 요청이 있을 때 해당 요청을 즉시 처리하지 않고 기다리는 것이 콜드 스타트 발생을 줄일 수 있다는 것이다. 본 논문에서는 강화학습을 기반으로 함수실행 요청의 전송과 대기 중 최선의 선택을 추구하는 FaaS 리퀘스트 대기 정책 모델을 제안한다. Azure Public Dataset을 이용한 Openwhisk 비교실험 결과 콜드 스타트 발생빈도를 최대 57% 낮추고, 함

본 논문은 대표적인 스테이블코인인 USDT의 온체인 거래 데이터를 분석하여 딥러닝 모델을 활용해 이상 행위를 탐지하는 방법론을 제안한다. 이더리움 블록체인 상의 ERC-20 기반 USDT 거래 데이터를 수집하고 분석해, 이를 시간 단위로 집계하여 총 6개의 피처(전송량, 거래 수, 송신자 수, 수신자 수, 발행량, 소각량)를 추출하였다. 이후 Anomaly VAE-Transformer 모델을 구성하고, 비지도 학습 방식으로 정상 패턴을 학습한 뒤 재구성 오차 기반 이상 스코어를 계산하였다. 도출된 스코어를 통해 탐지된 이상 구간에 대한 분석을 수행했고, 급격한 발행·소각, 거래 집중 등 다양한 이상 패턴을 효과적으로 탐지하였음을 보였다. 본 논문은 스테이블코인의 거래에 대해 이상 거래를 조기에 탐지할 수 있는 기반을 제공하며, 향후 디파이 생태계의 안정성과 보안성을 강화하는 데 기여할 것으로 기대된다.