CISA Lab
반도체시스템공학 김준성
CISA 연구실은 성균관대학교 반도체시스템공학과에 소속되어 있으며, 컴퓨터 시스템의 핵심 인프라와 아키텍처에 대한 첨단 연구를 수행하고 있습니다. 본 연구실은 컴퓨터 아키텍처, 시스템 소프트웨어, 시스템 성능 모델링, 시스템을 위한 머신러닝, AI 시스템 인프라 등 다양한 분야를 아우르며, 차세대 컴퓨팅 환경의 혁신을 이끌고 있습니다.
특히, 시스템 성능 모델링 분야에서는 프로세서, 저장장치, 데이터센터 등 다양한 컴퓨팅 자원의 성능을 정밀하게 분석하고 예측할 수 있는 방법론을 개발하고 있습니다. 이를 통해 실제 시스템의 설계 및 운영에 있어 신뢰성 높은 성능 평가와 최적화가 가능하도록 지원합니다. 또한, 다양한 시뮬레이션 도구와 분석 프레임워크를 통해 복잡한 시스템 환경에서도 효율적인 성능 진단이 이루어지고 있습니다.
시스템을 위한 머신러닝(ML for Systems) 연구는 현대 시스템의 복잡한 설정과 운영을 자동화하고 최적화하는 데 중점을 두고 있습니다. 머신러닝 기반의 오토튜닝 기술을 활용하여, 데이터베이스, 저장장치 등 다양한 시스템의 성능을 극대화하고, 운영 효율성을 높이는 혁신적인 솔루션을 제시하고 있습니다. 이러한 연구는 클라우드, 데이터센터, 엣지 컴퓨팅 등 다양한 응용 분야에 적용될 수 있습니다.
AI 시스템 인프라스트럭처 분야에서는 초거대 인공지능 모델을 위한 맞춤형 하드웨어 및 소프트웨어 솔루션을 개발하고 있습니다. 대규모 AI 워크로드를 효율적으로 처리할 수 있는 분산 스토리지 시스템, 고성능 네트워크 아키텍처, 맞춤형 가속기 설계 등 다양한 기술을 연구하며, 실제 산업 현장에서 요구되는 성능과 확장성을 동시에 만족시키는 인프라를 구현하고 있습니다.
CISA 연구실은 앞으로도 인공지능 시대의 핵심 인프라 기술을 선도하기 위해, 시스템 성능 분석, 자동화된 시스템 최적화, AI 인프라 설계 등 다양한 연구를 지속적으로 추진할 계획입니다. 이를 통해 학계와 산업계에 실질적인 기여를 하고, 차세대 컴퓨팅 환경의 발전에 이바지하고자 합니다.
System Performance Modeling
FPGA-based Accelerator
DNN Acceleration System
시스템 성능 모델링
시스템 성능 모델링은 컴퓨터 시스템의 다양한 구성 요소, 예를 들어 프로세서, 저장장치, 데이터센터 등에서 발생하는 복잡한 동작을 정량적으로 분석하고 예측하는 연구 분야입니다. 본 연구실에서는 내부 구조가 완전히 공개되지 않은 상용 시스템까지도 성능을 정확하게 분석할 수 있는 혁신적인 방법론을 개발하고 있습니다. 이를 통해 시스템의 병목 현상, 자원 활용도, 처리량 등 다양한 성능 지표를 체계적으로 파악할 수 있습니다.
이러한 성능 모델링 기술은 실제 시스템의 설계 및 운영에 있어 매우 중요한 역할을 합니다. 예를 들어, 새로운 하드웨어 아키텍처를 설계하거나, 대규모 데이터센터의 효율적인 자원 배분 전략을 수립할 때, 신뢰성 높은 성능 예측이 필수적입니다. 본 연구실은 정밀한 시뮬레이션 도구와 분석 프레임워크를 개발하여, 다양한 환경에서의 성능을 빠르고 정확하게 평가할 수 있도록 지원하고 있습니다.
향후에는 인공지능 및 빅데이터 기반의 자동화된 성능 분석 기법을 도입하여, 더욱 복잡해지는 현대 시스템 환경에서도 실시간으로 성능을 진단하고 최적화할 수 있는 기술을 지속적으로 발전시킬 계획입니다. 이를 통해 차세대 컴퓨팅 인프라의 신뢰성과 효율성을 극대화하는 데 기여하고자 합니다.
시스템을 위한 머신러닝(ML for Systems)
현대의 컴퓨터 시스템은 점점 더 복잡해지고 있으며, 데이터베이스나 저장장치와 같은 핵심 시스템은 수많은 내부 설정값(튜닝 노브)을 가지고 있습니다. 본 연구실에서는 이러한 시스템의 최적 구성을 자동으로 찾아내기 위해 머신러닝 기법을 적극적으로 활용하고 있습니다. 머신러닝을 통해 시스템의 다양한 상태와 입력에 따라 최적의 설정을 실시간으로 추천함으로써, 성능을 극대화하고 운영 효율을 높일 수 있습니다.
특히, 시스템 오토튜닝 분야에서는 기존의 수동적이고 경험에 의존하던 설정 방식에서 벗어나, 데이터 기반의 자동화된 최적화 방법을 제시합니다. 이를 위해 대규모 실험 데이터를 수집하고, 다양한 머신러닝 모델을 적용하여 시스템의 동작 특성을 학습합니다. 그 결과, 복잡한 시스템 환경에서도 사용자의 개입 없이 최적의 성능을 달성할 수 있는 솔루션을 제공합니다.
이러한 연구는 클라우드, 데이터센터, 엣지 컴퓨팅 등 다양한 응용 분야에 적용될 수 있으며, 앞으로는 강화학습 등 최신 AI 기술을 접목하여 더욱 지능적이고 자율적인 시스템 관리가 가능하도록 연구를 확장할 예정입니다.
AI 시스템 인프라스트럭처
초거대 인공지능 모델(예: 대형 언어 모델, LLM)과 같은 최신 AI 기술의 발전은 기존 시스템 인프라에 새로운 도전과제를 제시하고 있습니다. 본 연구실은 이러한 대규모 AI 워크로드를 효율적으로 처리할 수 있는 새로운 시스템 인프라스트럭처를 설계하고 최적화하는 데 주력하고 있습니다. 대량의 연산과 데이터 이동, 메모리 및 저장장치의 병목 현상 등 다양한 문제를 해결하기 위한 하드웨어 및 소프트웨어 통합 솔루션을 개발하고 있습니다.
특히, AI 모델의 학습 및 추론 과정에서 발생하는 막대한 자원 소모를 최소화하기 위해, 맞춤형 가속기 설계, 분산 스토리지 시스템, 고성능 네트워크 아키텍처 등 다양한 기술을 연구하고 있습니다. 최근에는 초거대 언어 모델을 위한 차세대 분산 스토리지 시스템 아키텍처 개발 프로젝트를 수행하며, 실제 산업 현장에서 요구되는 성능과 확장성을 동시에 만족시키는 인프라를 구현하고 있습니다.
향후에는 AI 시스템의 신뢰성, 보안성, 에너지 효율성 등 다양한 측면을 고려한 통합 인프라 연구를 지속적으로 추진할 계획입니다. 이를 통해 인공지능 시대의 핵심 인프라 기술을 선도하고, 학계 및 산업계에 실질적인 기여를 하고자 합니다.
1
LATPC: Accelerating GPU Address Translation Using Locality-Aware TLB Prefetching and MSHR Compression
Y. Ha et al.
, 1970
2
Achieving Fast and Accurate GPU Performance Analyses Using Fine-Grained Stall Cycle Accounting and Interval Analysis
H. Cha et al.
, 1970
3
IntervalSim++: Enhanced Interval Simulation for Unbalanced Processor Designs
H. Bong et al.
, 1970
