유혁 연구실
고려대학교 컴퓨터학과
유혁 교수
자원 프로비저닝
Linux kernel
네트워크 SLO
유혁 교수 연구실
홈
유혁 연구실
고려대학교 컴퓨터학과 유혁 교수
유혁 연구실은 컴퓨터학과 기반의 클라우드 및 네트워크 시스템 연구를 수행합니다. 특히 Linux 커널과 컨테이너 실행 환경에서 네트워크 성능 병목을 측정하고, CPU 스케줄링과 네트워크 트래픽 제어의 연계를 통해 서비스 레벨 목표를 만족시키는 자원 프로비저닝 기술을 개발합니다. SDN 기반 네트워크 가상화에서는 테넌트 간 대역폭 격리와 트래픽 스플리팅 정확도 문제를 분석하고, IoT 및 엣지에서는 상호운용성을 유지하는 패킷 처리 가속과 경량 보안 가상화 플랫폼의 워크로드 성능 비교를 수행합니다. 또한 제어 트래픽 및 스케일링 성능을 머신러닝으로 예측하여 운영 자동화 기반을 마련합니다.
자원 프로비저닝Linux kernel네트워크 SLOSDN네트워크 가상화
대표 연구 분야
연구 영역 전체보기
커널 기반 클라우드 자원 프로비저닝과 SLO 보장
Kernel-level Cloud Resource Provisioning and SLO Assurance
연구 분야 상세보기
커널 기반 클라우드 자원 프로비저닝과 SLO 보장
Kernel-level Cloud Resource Provisioning and SLO Assurance
연구 분야 상세보기
머신러닝 기반 네트워크 및 시스템 성능 예측
Machine Learning-based Network and System Performance Prediction
연구 분야 상세보기
네트워크 가상화 격리와 IoT/엣지 패킷 처리 성능
Network Virtualization Isolation and Efficient Packet Processing for IoT/Edge
연구 분야 상세보기
연구 성과 추이
표시된 성과는 수집된 데이터 기준으로 산출되며, 일부 차이가 있을 수 있습니다.
5개년 연도별 논문 게재 수
24총합
5개년 연도별 피인용 수
291총합
주요 논문
5
논문 전체보기
1
article
|
·
인용수 2
·
2024Intelligent Packet Processing for Performant Containers in IoT
Wonmi Choi, Yeonho Yoo, Kyungwoon Lee, Zhixiong Niu, Peng Cheng, Yongqiang Xiong, Gyeongsik Yang, Chuck Yoo
IF 8.9 (2024)
IEEE Internet of Things Journal
이 글은 사물인터넷(IoT) 장치에서 네트워크 처리와 관련된 컴퓨팅 및 통신 오버헤드를 탐구하며, 엣지 컴퓨팅의 주요 구성 요소인 컨테이너에 초점을 둔다. 우리의 실험 결과, IoT 장치의 컨테이너는 네이티브 프로세스에 비해 SoftIRQ 처리를 위한 CPU 사용률이 더 높고, 네트워크 처리량은 약 59% 감소하며, 평균적으로 패킷당 지연이 더 큰 것으로 나타났다. 기존의 여러 연구는 네트워킹 성능을 향상시키지만, 특별한 하드웨어 요구 또는 네트워크 의미론이나 API의 수정과 같은 방식으로 상호운용성을 희생하는 경우가 흔하다. 따라서 우리는 IoT 장치에 필수적인 상호운용성을 유지하는 커널 네트워킹 가속기인 SCON을 설계하고 구현한다. SCON은 시스템 수준의 프로파일링을 통해 컨테이너 네트워킹에서의 주요 병목을 해결한다. 우리는 세 가지 유형의 Io트 장치에서 SCON을 평가한다. Raspberry Pi 4에서는 SCON이 주요 IoT 응용 프로토콜(예: HTTP 및 MQTT)의 지연을 까지 감소시켜, 네이티브 프로세스와 유사한 수준의 지연을 달성한다. 추가 분석에서는 SCON이 SoftIRQ 처리를 위한 CPU 사용률을 약 26% 감소시키는 것으로 확인되었다. 또한 나머지 두 가지 IoT 장치에서도 유사한 개선을 보고한다. 결론적으로 SCON은 상호운용성을 유지하면서도 IoT 장치에서 컨테이너 네트워킹의 컴퓨팅 및 통신 오버헤드를 유의미하게 감소시키는 점에서 독특하다. 더 나아가 유선 또는 무선 여부, 그리고 트래픽이 과중하거나 산발적인 경우와 무관하게 서로 다른 유형의 장치 전반에서 일관되게 작동한다.
https://doi.org/10.1109/jiot.2024.3453410
Computer science
Computer network
Network packet
Internet of Things
Packet switching
Intelligent Network
Embedded system
Distributed computing
2
article
|
인용수 11
·
2024Prediction of permissioned blockchain performance for resource scaling configurations
Seungwoo Jung, Yeonho Yoo, Gyeongsik Yang, Chuck Yoo
IF 4.2 (2024)
ICT Express
블록체인은 클라우드 서비스 제공자들에 의해 블록체인-아즈-어-서비스(blockchain-as-a-service, BaaS)로 점차 제공되고 있다. 그러나 최적의 성능과 신뢰성을 위해 BaaS를 적절하게 구성하는 일은 시행착오에 의존하는 경우가 많다. 핵심 과제는 BaaS가 흔히 “블랙박스(black-box)”로 인식되어 성능과 자원 할당에 대한 불확실성이 발생한다는 점이다. 선행 연구들은 이러한 과제를 다루고자 시도해 왔으나, 수직 및 수평 스케일링의 영향은 여전히 명확히 파악되지 못한 상태다. 이에 본 연구에서는 스케일링 구성에 기반하여 네트워크 신뢰성과 처리량(throughput)을 예측하기 위한 머신러닝 기반 모델을 제시한다. 평가 결과, 해당 모델들은 약 ∼ 1.9%의 예측 오차를 보였으며, 이는 매우 정확한 수준으로 실제 환경에 적용 가능하다.
https://doi.org/10.1016/j.icte.2024.09.003
Blockchain
Scaling
Resource (disambiguation)
Computer science
Mathematics
Computer security
Computer network
3
article
|
·
인용수 15
·
2023Machine Learning-Based Prediction Models for Control Traffic in SDN Systems
Yeonho Yoo, Gyeongsik Yang, Changyong Shin, Junseok Lee, Chuck Yoo
IF 5.5 (2023)
IEEE Transactions on Services Computing
이 논문은 기계 학습을 이용한 제어 트래픽(control traffic) 예측 모델 수립을 위한 자동화 예측 모델 수립 프레임워크인 Elixir를 제시한다. 제어 트래픽은 소프트웨어 정의 네트워킹(Software-Defined Networking, SDN) 시스템에서 전체 시스템의 신뢰성과 확장성을 좌우하기 때문에 필수적이다. 여러 연구에서는 SDN 시스템의 적절한 프로비저닝 및 계획 수립을 위해 제어 트래픽 예측 모델을 설계하고자 시도해 왔다. 그러나 기존에 제안된 모델들은 서술적 모델링(descriptive modeling)에 기반하며, 이는 특정 SDN 시스템 인스턴스에만 적합하다. 또한 이러한 모델들은 SDN 시스템의 이질성으로 인해 정확도가 낮으며(오류 최대 85%), 서술적 모델링은 상당한 수준의 인간의 숙고를 요구하므로 수많은 SDN 시스템 인스턴스에 대해 적절한 예측 모델을 수립하는 것은 불가능하다. Elixir는 기계 학습을 적용함으로써 이러한 문제를 해결한다. Elixir는 자체 생성한 데이터셋을 통해 모델 수립을 시작한다. 그 후, Elixir는 각 SDN 시스템에 대해 정확도를 맞추는 예측 모델을 탐색한다. 또한 Elixir는 모델 학습에 사용된 토폴로지와 다른 네트워크 토폴로지에서도 합리적인 정확도를 보이는 견고한 모델을 선택한다. 우리는 Elixir 프레임워크를 아홉 개의 이질적인 SDN 시스템에서 평가한다. 주요 결과로서 Elixir는 제어 트래픽 처리량(control traffic throughput)에 대한 기존 모델과 비교하여 최대 10.6배 향상에 해당하는 수준으로 예측 오류를 유의미하게 감소시킨다. 이는 OpenDayLight controller의 제어 트래픽 처리량에 대한 성능이다.
https://doi.org/10.1109/tsc.2023.3324007
Computer science
Artificial intelligence
Machine learning
Scalability
Database
최신 정부 과제
36
과제 전체보기
1
2024년 3월-2028년 12월
|2,000,000,000원마이크로소프트연구소와 공동연구협력 프로젝트
4차 산업혁명 기술 주도는 산업 및 미래 발전에 있어 매우 중요하다. 이러한 주도권을 잡기 위한 글로벌 경쟁에서 인적자원은 매우 중요하다. 핵심인재를 양성하는 것은 가까운 미래에 국가 및 산업경쟁력을 좌우한다. 4차 산업혁명을 위한 인력의 양적 공급 기반은 어느정도 확충되었으나 질적 노력 개선은 아직 부족하다. 본 과제에서는 글로벌 핵심인재를 양성하기 위해...
공동연구원 파견
마이크로소프트연구소와연구협력
인공지능
클라우드컴퓨팅
빅데이타
2
2023년 2월-2026년 2월
|399,915,000원이기종 GPU 환경에서 분산 학습 자동공급 및 스케줄링 기술 연구
이기종 GPU 자원 소모량 예측 및 자동공급, 스케줄링 연구
이기종 GPU
GPU 클라우드
분산 딥러닝
자원 소모 예측
학습 시간 예측
3
2023년 2월-2026년 2월
|359,924,000원이기종 GPU 환경에서 분산 학습 자동공급 및 스케줄링 기술 연구
1. 배경 - GPU 가속기는 “매년” 새로운 세대/구조 출시되어, 이기종 GPU가 혼용되는 환경이 Google, Micrsoft, Amazon 등 전세계적으로 보편적임. - 이기종 GPU 환경에서 딥러닝 플랫폼 기술의 한계로 인하여 모델 개발자는 자신이 사용할 GPU와 그 개수를 단순히 경험 기반으로(manually) 고르고 GPU 클라우드 운용자는 GP...
이기종 GPU
GPU 클라우드
분산 딥러닝
자원 소모 예측
학습 시간 예측
자원 자동할당
간섭 최적화 스케줄
최신 특허
특허 전체보기
전체 특허
블록체인 클라우드 및 스마트 웨어러블 기기 기반 이종 디지털 헬스 데이터 수집 장치 및 방법
상태
공개출원연도
2023출원번호
1020230176920프로그래밍 가능한 네트워크 가상화에서의 제어 트래픽 시계열 예측 기반의 제어 채널 고립 방법 및 장치
상태
등록출원연도
2022출원번호
1020220155709분산 딥러닝 학습 시간 및 자원 소모량 예측 방법 및 장치
상태
공개출원연도
2022출원번호
1020220147865