질문-답변 생성에 대한 전통적 접근 방식은 자원 집약적이어서, 이러한 문제에 대응하기 위한 혁신적 자동화 기법이 필요하다. 이를 위해 우리는 정교하게 선별된 도메인 특화 데이터셋을 활용하여 Quantized Low-Rank Adaptation(QLoRA)에 기반한 미세조정 전략을 제안한다. 사례 연구로서, 우리는 한국 대학수학능력시험(College Scholastic Ability Test, KCSAT)에 초점을 맞추고 실제 및 모의 시험으로부터 수집한 질문과 답변으로 구성된 KCSAT-ENG 데이터셋을 소개한다. 우리의 접근 방식은 LLaMA-3-8B-Instruct 모델을 미세조정하여 22가지 서로 다른 작업 유형(task types)에 대한 질문과 답변을 생성하도록 하는 것이었다. 본 연구의 핵심 혁신은 질문 생성 및 답변 생성을 위한 별도의 모델을 배치하고, 정확도를 향상시키기 위해 교차 검증(cross-verification) 과정을 활용한 점이다. QLoRA 기법을 평가하기 위해 우리는 양자화, rank, alpha 값들을 변화시키며 광범위한 실험을 수행하였다. 그 결과 최적 구성은 양자화를 적용하지 않았을 때 질문 생성 모델이 rank, α = 32, 8에서 각각 가장 우수했으며, 답변 생성 모델은 rank, α = 64, 16에서 각각 최적의 성능을 보였다. 비(非) 미세조정 LLaMA-3-8B-Instruct 모델과 비교할 때, 질문 생성 모델은 41.5% 향상을 보였고, 답변 생성 모델은 16.1% 향상을 달성하였다. 이러한 결과는 정확하고 비용 효율적이며 확장 가능한 자동화 교육 도구를 구현하는 데 있어 QLoRA 기반 미세조정의 잠재력을 시사한다.

질문-답변 생성에 대한 전통적 접근 방식은 자원 집약적이어서, 이러한 문제에 대응하기 위한 혁신적 자동화 기법이 필요하다. 이를 위해 우리는 정교하게 선별된 도메인 특화 데이터셋을 활용하여 Quantized Low-Rank Adaptation(QLoRA)에 기반한 미세조정 전략을 제안한다. 사례 연구로서, 우리는 한국 대학수학능력시험(College Scholastic Ability Test, KCSAT)에 초점을 맞추고 실제 및 모의 시험으로부터 수집한 질문과 답변으로 구성된 KCSAT-ENG 데이터셋을 소개한다. 우리의 접근 방식은 LLaMA-3-8B-Instruct 모델을 미세조정하여 22가지 서로 다른 작업 유형(task types)에 대한 질문과 답변을 생성하도록 하는 것이었다. 본 연구의 핵심 혁신은 질문 생성 및 답변 생성을 위한 별도의 모델을 배치하고, 정확도를 향상시키기 위해 교차 검증(cross-verification) 과정을 활용한 점이다. QLoRA 기법을 평가하기 위해 우리는 양자화, rank, alpha 값들을 변화시키며 광범위한 실험을 수행하였다. 그 결과 최적 구성은 양자화를 적용하지 않았을 때 질문 생성 모델이 rank, α = 32, 8에서 각각 가장 우수했으며, 답변 생성 모델은 rank, α = 64, 16에서 각각 최적의 성능을 보였다. 비(非) 미세조정 LLaMA-3-8B-Instruct 모델과 비교할 때, 질문 생성 모델은 41.5% 향상을 보였고, 답변 생성 모델은 16.1% 향상을 달성하였다. 이러한 결과는 정확하고 비용 효율적이며 확장 가능한 자동화 교육 도구를 구현하는 데 있어 QLoRA 기반 미세조정의 잠재력을 시사한다.

명시적 혼잡 알림(ECN)은 네트워크 라우터가 패킷을 폐기하는 대신 패킷에 표시를 할 수 있게 한다. 큐 크기가 특정 임계값에 도달하면, 대기열에 있는 패킷들이 예측되는 혼잡을 나타내도록 표시된다. 그러나 ECN 임계값의 최적 값은 정의되어 있지 않다. 따라서 사전에 정해진 값은 추정 또는 시행착오에 의해 선택되므로, 다양한 네트워크 시나리오 전반에서 일반화가 잘 이루어지지 않는다. 우리는 이 문제를 해결하기 위해 소프트웨어 정의 네트워크(SDN)를 활용하는 강화학습(RL) 기반 ECN 메커니즘을 제안한다. 우리의 해법은 라우터가 현재의 네트워크 상태에 따라 동적으로 ECN 임계값을 유지할 수 있게 한다. SDN은 네트워크의 가시성과 학습 범위를 제공하여 RL 모델을 훈련하고 ECN 임계값을 동적으로 조정할 수 있도록 한다. 제안한 모델이 기존의 최신 기술보다 성능이 우수함을 실험 결과를 통해 보인다.

현대 IT 환경에서 시스템 장애나 데이터 손실로 인해 발생하는 서비스 중단에 대비하여 안정적인 서비스를 제공하기 위한 재해 복구의 중요성이 강조되고 있다. 또한 다양한 재해 복구 도구의 등장과 함께, 이들의 선택과 활용은 안정적인 비즈니스 운영을 위한 핵심 과제로 부상하였다. 본 연구에서는 기업에서 애플리케이션 배포 및 관리를 위해 널리 사용되는 오픈소스 플랫폼인 Kubernetes 환경에서 재해 복구 도구에 대한 심층 조사와 분석을 수행하였다. 특히 “Backup and Restoration tools”와 “Recovery tools in Multicluster Management Platforms”라는 두 가지 재해 복구 도구의 사례를 중점적으로 살펴보았다. 각 도구가 제공하는 복구 지원, 클라우드 연결성, 백업 위치 지원, 역할 기반 접근 제어(Role-Based Access Control) 지원, 암호화 지원, 사용자 인터페이스, 비용, 그리고 자동 복구 기능 등 주요 특징과 차이점을 비교하고 분석하였다. 이를 바탕으로 본 연구는 현대 IT 환경에서 재해 복구가 지니는 중요성을 고찰하고, 다양한 도구 및 플랫폼을 활용한 백업 및 복원 기능의 통합을 통해 최적화 전략을 탐색한다. 또한 본 연구는 클러스터 수준과 애플리케이션 수준 모두에서 자동 복구를 가능하게 하는 통합 시스템을 개발할 수 있는 타당성을 제시한다. 이는 향후 연구와 구현을 위한 기반을 열어줄 것이며, 보다 광범위하고 심층적인 지식과 경험을 제공할 것으로 기대된다.

현대 IT 환경에서 시스템 장애 또는 데이터 손실로 인해 발생하는 불안정한 서비스의 지속성을 확보하기 위해 재해 복구의 중요성이 강조되고 있다. 또한 다양한 재해 복구 도구의 등장과 함께, 안정적인 비즈니스 운영을 위한 도구의 선택과 활용은 핵심 과제가 되었다. 본 연구에서는 기업에서 애플리케이션 배포 및 관리를 위해 널리 사용되는 오픈소스 플랫폼인 Kubernetes 환경에서 재해 복구 도구를 심층적으로 조사하고 분석하였다. 특히, “Backup and Restoration tools”와 “Recovery tools in Multicluster Management Platforms”의 두 가지 재해 복구 도구 사례를 중점적으로 살펴보았다. 각 도구가 제공하는 복구 지원, 클라우드 연결성, 백업 위치 지원, 역할 기반 접근 제어(Role-Based Access Control) 지원, 암호화 지원, 사용자 인터페이스, 비용, 자동 복구 기능과 같은 주요 특성과 차이를 비교하고 분석하였다. 이를 바탕으로 본 연구는 현대 IT 환경에서 재해 복구의 중요성을 고찰하고, 다양한 도구 및 플랫폼을 활용하여 백업 및 복원 기능을 통합하는 방식으로 최적화 전략을 탐색한다. 본 연구는 클러스터 수준 및 애플리케이션 수준 모두에서 자동 복구를 가능하게 하는 통합 시스템을 개발할 수 있는 가능성을 제시한다. 이는 향후 연구 및 구현으로 이어질 수 있는 길을 열어 주며, 보다 광범위하고 심층적인 지식과 경험을 제공할 것으로 기대된다.

현대의 비즈니스 환경에서 데이터의 중요성이 점점 커짐에 따라 효과적인 데이터 관리 및 보호 전략에 대한 연구 관심이 증가하고 있다. 클라우드 환경에서의 데이터 보호는 정보 자산을 안전하게 보전하고 지속 가능한 서비스를 유지하는 데 있어 핵심적이다. 본 연구는 Kubernetes 관리 플랫폼과 백업 및 복구 도구를 통합하는 시스템 구조를 제안한다. 이 시스템은 재난을 즉시 감지하고 다른 Kubernetes 클러스터에서 애플리케이션을 자동으로 복구하도록 설계되었다. 실험 결과, 본 시스템은 사람이 개입하지 않고도 복구 과정을 15초 이내에 수행하여 신속한 복구를 가능하게 함이 확인되었다. 이는 수동 복구 과정에 비해 잠재적인 지연과 오류를 유의하게 감소시켜 클라우드 환경에서 데이터 관리 및 복구 효율을 향상시킨다. 또한 본 연구 모델은 Long Short-Term Memory (LSTM)를 사용하여 클러스터의 CPU 활용률을 예측한다. 예측을 통한 스케줄링의 필요성은 스케줄링이 없는 실험과의 비교를 통해 보다 명확해졌으며, 성능 저하를 예방할 수 있는 능력이 입증되었다. 본 연구는 클라우드 환경에서의 자동 복구 시스템의 효율성과 필요성을 강조함으로써 향후 연구를 위한 새로운 방향을 제시한다.

기상 예측은 주로 기온과 습도 등 기상 관측 데이터를 사용하여 미래의 날씨를 예측하는 수치 기상 예측 모델을 활용한다. 한국 기상청(Korea Meteorological Administration, KMA)은 영국의 GloSea6 수치 기상 예측 모델을 날씨 예보에 채택하였다. 이러한 모델은 실시간 기상 예보에 활용되는 것 외에도, 연구 목적을 위해서는 이를 실행하기 위해 슈퍼컴퓨터가 필수적이다. 그러나 제한된 슈퍼컴퓨터 자원으로 인해 많은 연구자들이 모델을 실행하는 데 어려움을 겪고 있다. 이러한 문제를 해결하기 위해 KMA는 Low GloSea6라는 저해상도 모델을 개발하였으며, 이는 연구기관의 소규모 및 중규모 서버에서 실행할 수 있다. 다만 Low GloSea6도 특히 I/O 부하에서 상당한 컴퓨터 자원을 사용한다. I/O 부하는 고 데이터 I/O를 갖는 모델에서 성능 저하를 유발할 수 있으므로, 모델 I/O 최적화가 필수적이지만, 사용자의 시행착오 기반 최적화는 비효율적이다. 따라서 본 연구는 Low GloSea6 연구 환경의 하드웨어 및 소프트웨어 파라미터를 최적화하기 위한 기계 학습 기반 접근법을 제시한다. 제안된 방법은 두 단계로 구성된다. 첫째, 프로파일링 도구를 사용하여 다양한 설정에서 하드웨어 플랫폼 파라미터와 Low GloSea6 내부 파라미터를 얻기 위해 성능 데이터를 수집하였다. 둘째, 수집된 데이터를 이용하여 기계 학습 모델을 학습함으로써 새로운 연구 환경에 대한 최적의 하드웨어 플랫폼 파라미터와 Low GloSea6 내부 파라미터를 결정하였다. 기계학습 모델은 서로 다른 연구 환경에서 최적 파라미터 조합을 성공적으로 예측하였으며, 실제 파라미터 조합에 비해 높은 정확도를 보였다. 특히, 파라미터 조합에 기반한 예측 모델 실행 시간은 실제 실행 시간과 비교하여 오차율이 16%에 불과해 유의미한 결과를 나타냈다. 전반적으로, 본 최적화 방법은 다른 고성능 컴퓨팅 과학 응용프로그램의 성능을 향상시킬 잠재력이 있다.

본 논문은 지능형 교통 시스템 또는 자율주행차를 위한 분산 딥러닝 기법에 기반한 이미지 탐지에 관해 다룬다. 도로 감시를 위한 CCTV(폐쇄회로 텔레비전)와 같은 엣지 디바이스에 배치된 신경망의 정확도와 정밀도는 소규모 데이터셋에서는 손상될 수 있으며, 이로 인해 표적에 대한 오판이 발생할 수 있다. 이러한 문제를 해결하기 위해 TensorFlow와 PyTorch를 사용하여 다양한 분산 모델 병렬 및 데이터 병렬 기법을 초기화하였다. 해당 기법들의 적용에는 성공했으나, 통신 제약과 함께 일부 속도 문제도 관찰되었다. 이에 따라, 그라디언트 간의 오커뮤니케이션을 방지하기 위해 all-reduced 알고리즘과 NVlinks를 통해 데이터셋 분산과 모델 분산을 모두 결합하는 하이브리드 파이프라인을 제안하였다. 제안된 접근법은 엣지 클러스터와 Google 클러스터 환경 모두에서 시험되었으며, 다른 시험 설정과 비교하여 우수한 성능을 보였다. 또한 경계 박스 탐지 시스템의 품질은 신뢰성이 향상되면서 기대에 부합함을 확인하였다. 총 훈련 시간, 초당 이미지 수(images/second), 교차 엔트로피 손실(cross-entropy loss), 에포크 수에 대한 총 손실(total loss) 등 성능 지표를 평가한 결과, TensorFlow와 PyTorch 간에 견고한 경쟁 구도가 나타났다. PyTorch 환경의 하이브리드 파이프라인은 다른 시험 설정을 능가하였다.

과학과 기술이 급속히 발전함에 따라 공해의 여러 형태는 증가한다. 특히 미세먼지는 인체에 해를 끼쳐 심장 및 폐 관련 질환을 유발하거나 악화시킨다. 본 연구에서는 8시간 후 서울의 미세먼지 농도를 예측하여 건강 손상을 사전에 예방하고자 한다. 정확한 예측을 위해 두 가지 양식(즉, 수치 데이터와 이미지 데이터)을 결합하여 데이터셋을 구성한다. 또한 Long Short Term Memory(LSTM)와 Convolutional Neural Network(CNN)를 결합한 멀티모달 딥러닝 모델을 제안한다. 수치 시계열 데이터 처리를 위한 모델로 LSTM 오토인코더를 선택하고, 기본 CNN도 함께 사용한다. 이미지 처리를 위한 CNN 모델로 Visual Geometry Group Neural Network(VGGNet)(VGG16, VGG19)도 선택하여 네트워크 깊이에 따른 성능 차이를 비교한다. VGGNet은 다수의 층으로 구성된 표준적인 딥 CNN 아키텍처이다. 두 가지 양식(즉, 수치 데이터와 이미지 데이터)을 활용하는 본 멀티모달 딥러닝 모델은 단일 양식(수치 데이터)만 사용하는 단일 딥러닝 모델보다 더 나은 성능을 보였다. 구체적으로, 네트워크가 더 깊은 VGG19 모델을 VGG16 모델 대신 사용했을 때 성능이 최대 14.16%까지 향상되었다.

컴퓨터의 발전과 함께 기상예보에 수치예보를 활용하는 시대가 도래하게 되었으며, 강력한 컴퓨팅 자원의 등장으로 수치예보모델의 복잡도 역시 계속 증가하고 있다. 동시에 모델의 정확도를 높이기 위해서는 가용한 컴퓨터 자원을 증가시켜야 하며, 이를 위해서는 CPU, GPU, Storage I/O의 최적화에 관한 연구가 필수 불가결하다. 이에 본 논문에서는 수치예보모델의 연구를 위해, 소규모 서버에서도 구동이 가능한 저해상도 기상예측 모델인 Low GloSea6에 대해 알아본다. 이어서 벤치마킹 툴인 MADbench2와, 과학응용프로그램의 I/O 동작을 파악하기 위한 툴인 Darshan, CrayPat, NVIDIA NVXT, XIOS, Vidya, Apollo에 대한 심도 있는 조사 및 분석을 수행하였다. 그리고, 최신 프로그래밍 및 성능 시각화 툴인 TFProf 등에 대한 조사 및 분석도 진행하였다. 이를 바탕으로 Low GloSea6에 대한 벤치마킹/프로파일링 툴의 적용하여 향후 I/O 성능 개선 연구에 어떻게 적용할 수 있을지 논의하였다.