연산자(operator) 수준에서 질의를 최적의 컴퓨팅 장치에 매핑하는 작업은 이종 컴퓨팅 자원을 갖는 스트림 처리 시스템(SPS)에서 중요한 과제로 제기된다. 비효율적인 질의 매핑은 SPS의 성능을 저하시킬 수 있다. 이러한 문제를 해결하기 위해 기존 접근법은 모든 질의를 CPUs 또는 GPUs 중 하나로 매핑하는 정적 방법이나, 사전에 정해진 장치 선호도에 따라 질의 또는 연산자에 대한 정적 매핑 테이블을 유지하는 방식과 같은 정적 기법을 사용한다. 그러나 정적 매핑 방식은 최적의 해를 제공하지 못하는데, 서로 다른 질의 연산자에 대한 장치 선호도가 런타임 동안 동적으로 변화하기 때문이다. 본 논문에서는 연산자 수준에서 질의를 장치에 동적으로 매핑하는 고성능 SPS인 DynO를 제안한다. DynO는 질의 연산자들에 대한 최적화된 장치 매핑 계획을 효과적으로 도출하기 위해 모든 가능한 매핑 계획 조합에 대한 실행 시간을 정확히 예측하기 위해 트리 기반 그래디언트 부스팅 모델을 사용한다. 또한 DynO는 스트림 처리에서의 성능을 최대화하기 위해 트리 기반 그래디언트 부스팅 모델을 학습하는 과정에서 사용하는 새로운 턴 기반 업데이트 스킴을 도입한다. 더 나아가 우리는 직접 비순환 그래프(DAG) 최단 경로 알고리즘을 활용함으로써 최적 장치 매핑 계획을 결정하는 과정을 가속하는 효율적인 장치 매핑 스킴을 설계한다. DynO는 최적 계획을 찾기 위해 추가로 필요한 연산으로 인해 발생하는 어떠한 오버헤드도 프리페칭(prefetching)과 GPU 유휴 시간 활용을 통해 완전히 은폐한다. 다양한 질의와 트래픽 패턴을 사용한 실험 결과는 DynO가 높은 처리량, 낮은 지연, 높은 효율성을 보장하면서 기존의 최신 기술 접근법을 능가함을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.