임성수 연구실
국민대학교 소프트웨어학부
임성수 교수
CPU-GPU DVFS
Dynamic Voltage Frequency Scaling
Governor Control
홈
임성수 연구실
국민대학교 소프트웨어학부 임성수 교수
임성수 연구실은 이기종 CPU-GPU 기반 모바일 아키텍처에서 Dynamic Voltage Frequency Scaling(DVFS) governor의 온라인 제어를 해석가능 모델 기반 예측과 통합하는 연구를 수행합니다. 핵심 기술은 offline에서 tree-based piecewise linear 모델 트리를 구성하고, 시뮬레이션 가능성에 기반한 정량 지표로 모델을 선택한 뒤, 온라인 추정 결과를 integrated CPU-GPU governor의 주파수 결정에 연결하는 방식입니다. 이를 통해 동적이며 다양한 워크로드에서도 전력과 성능을 함께 고려한 실시간 에너지 효율 제어를 구현합니다.
CPU-GPU DVFSDynamic Voltage Frequency ScalingGovernor ControlInterpretable Machine LearningModel Trees
대표 연구 분야
연구 영역 전체보기
CPU-GPU DVFS 전력 효율을 위한 해석가능 governor 제어 연구
Interpretable CPU-GPU DVFS Governor for Energy-Efficient Control
연구 분야 상세보기
CPU-GPU DVFS 전력 효율을 위한 해석가능 governor 제어 연구
Interpretable CPU-GPU DVFS Governor for Energy-Efficient Control
연구 분야 상세보기
조각별 선형 모델 트리 기반 온라인 전력 예측 연구
Online Power Prediction Using Piecewise Linear Model Trees
연구 분야 상세보기
다양한 모바일 게임 워크로드를 고려한 통합 CPU-GPU 주파수 스케줄링 연구
Integrated CPU-GPU Frequency Scheduling for Diverse Mobile Workloads
연구 분야 상세보기
연구 성과 추이
표시된 성과는 수집된 데이터 기준으로 산출되며, 일부 차이가 있을 수 있습니다.
주요 논문
1
논문 전체보기
1
Article
|
·
인용수 18
·
2021An Interpretable Machine Learning Model Enhanced Integrated CPU-GPU DVFS Governor
Jurn-Gyu Park, Nikil Dutt, Sung-Soo Lim
IF 1.886 (2021)
ACM Transactions on Embedded Computing Systems
집약적인 모바일 게임/그래픽 응용을 실행하는 최신의 이기종 CPU-GPU 기반 모바일 아키텍처는 에너지 효율성을 유지하면서 높은 성능을 달성하기 위해 소프트웨어 거버너를 사용한다. 그러나 기존 거버너는 일반적으로 단순한 통계적 또는 휴리스틱 모델을 활용하며, 모바일 게임의 소규모 불균형 데이터셋을 사용해 선형 관계를 가정하는 경향이 있다. 그 결과 이기종 플랫폼에서의 동적이고 다양한 게임 워크로드에 대해 예측 오차가 크게 발생한다. 이러한 한계를 극복하기 위해, 해석 가능한 머신러닝(ML) 모델을 통합한 CPU-GPU 거버너를 제안한다: (1) 정확성(낮은 오차)과 수학적 공식에 기반한 해석 가능한 ML 모델을 동시에 고려하여, 시뮬레이터빌리티(simulatability) 연산 횟수의 정량적 지표를 사용함으로써 오프라인에서 트리 기반 구간별 선형 모델(즉, 모델 트리)을 구축한다. 그리고 (2) 선택된 모델을 온라인 추정에 배치하여 이를 통합 CPU-GPU 동적 전압 주파수 조절(Dynamic Voltage Frequency Scaling, DVFS) 거버너에 적용한다. 서로 다양한 특성을 보이는 20개의 모바일 게임을 대상으로 한 테스트 세트에서 수행한 실험 결과, 본 거버너는 프레임당 에너지에서 평균 10% 이상(최대 38%)의 유의한 에너지 효율 향상을 달성했으며, 단순 선형 회귀 모델을 사용하는 전형적인 최신 상태의 거버너와 비교하여 프레임/초 성능에서는 놀랍지만 절제된 3%의 향상만을 보였다.
https://doi.org/10.1145/3470974
Computer science
Governor
Heuristic
Metric (unit)
Frequency scaling
Frame (networking)
Piecewise linear function
Efficient energy use
Computer engineering
Machine learning
최신 정부 과제
12
과제 전체보기
1
주관|
2019년 6월-2020년 12월
|200,000,000원인공지능 기반 IoT 헬스케어 기술 국제 공동 연구
* 인공지능 기반 IoT 헬스케어 기술
- 스마트 헬스케어 분야의 발전과 함께 성장한 IoT 헬스케어 분야는 점차 다양한 생체 모니터링 디바이스를 더 많은 양으로 서로 연결함에 따라 고차원적인 데이터수집-판단-제어 기술에 대한 연구가 필요해짐
- 기존에 단순한 머신러닝을 적용하던 단계에서 현재는 매우 많은 센서 데이터를 기반으로 한 딥러닝 기반 헬스케어 기술을 연구, 개발하고 적용하는 단계임
- 인공지능 기술을 이용한 ‘판단’ 작업이 주로 클라우드 환경에서 이루어짐에 따라 위급한 상황을 인지하여 조치를 취해야 하는 환경에 현재의 구조를 적용하기 어려움
- 따라서, 기존의 센서 디바이스와 클라우드 환경으로 구성되어 있던 시스템 구조를 센서 디바이스 – 게이트웨이 시스템 그룹 – 클라우드 시스템으로 구성하는 새로운 구조를 제시함
IoT
Mission Critical
엣지컴퓨팅
인공지능
헬스케어
2
주관|
2019년 6월-2021년 6월
|400,000,000원인공지능 기반 IoT 헬스케어 기술 국제 공동 연구
* 인공지능 기반 IoT 헬스케어 기술
- 스마트 헬스케어 분야의 발전과 함께 성장한 IoT 헬스케어 분야는 점차 다양한 생체 모니터링 디바이스를 더 많은 양으로 서로 연결함에 따라 고차원적인 데이터수집-판단-제어 기술에 대한 연구가 필요해짐
- 기존에 단순한 머신러닝을 적용하던 단계에서 현재는 매우 많은 센서 데이터를 기반으로 한 딥러닝 기반 헬스케어 기술을 연구, 개발하고 적용하는 단계임
- 인공지능 기술을 이용한 ‘판단’ 작업이 주로 클라우드 환경에서 이루어짐에 따라 위급한 상황을 인지하여 조치를 취해야 하는 환경에 현재의 구조를 적용하기 어려움
- 따라서, 기존의 센서 디바이스와 클라우드 환경으로 구성되어 있던 시스템 구조를 센서 디바이스 – 게이트웨이 시스템 그룹 – 클라우드 시스템으로 구성하는 새로운 구조를 제시함
IoT
Mission Critical
엣지컴퓨팅
인공지능
헬스케어
3
주관|
2018년 5월-2018년 11월
|155,400,000원자율주행 솔루션 개발을 위한 모형자동차 통합플랫폼
● 모형자동차 하드웨어 플랫폼 개발
- RC카 차체에 프로세서와 센서들의 장착을 위한 구조물 개발
- Nvidia TX2 고성능 프로세서 장착
- Lidar, Camera, IMU지자계가속도자이로, Depth Camera 장착
- Linux 운영체제 ROS 메타운영체제 탑재
- CUDA, Tensorflow, OpenCV 등 미들웨어 라이브러리 탑재
- 바퀴모터와 스티어링모터를 제어하는 오픈HW 모터컨트롤러 장착
● 주변환경정보 기반 인지모듈 SW 개발
- 센서별 ROS Package 구성, 하드웨어 추상화, 노드간 데이터 통신환경 구축
- 센싱 데이터의 수집과 전달기능 개발
- 데이터의 확인과 검증을 위한 시각화 기능 개발
- 수집된 센싱데이터의 선처리를 위한 데이터마이닝 방법 연구
● 머신러닝 기반 판단모듈 SW 개발
- 수집된 주행데이터를 머신러닝에 적용하기 위한 필터링 처리
- 공개된 자율주행 머신러닝 모델TrailNet/ YOLO/DSO 등에 적용
- 자율주행 인공지능의 학습결과 확인과 검증
● 차량 제어모듈 SW 개발
- 가감속 제어를 위한 Wheel ESC 제어모듈 SW 개발
- 조향각 제어를 위한 Ackermann Steering 제어모듈 SW 개발
- 원격조정기와 인공지능의 제어명령을 통합관리하는 Tele-operation SW 개발
● 개발자를 위한 뷰어/원격제어도구 개발
- 센싱데이터, 머신러닝, 차량제어 결과를 시각화하여 보여주는 뷰어 개발
- 자동차를 원격으로 연결하여 상태정보수집, 매개변수전달, 피드백반영 작업을 자동화하는 원격제어도구 개발
● 실제 주행트랙에서 주행데이터 수집
- 모형자동차를 위한 전용 트랙에서 주행데이터 수집
- 실제의 모형자동차를 주행시키면서 센서로 센싱되는 정보를 수집
- 수집한 데이터를 머신러닝의 학습데이터로 사용하기 위해 가공
● 커뮤니티 활성화
- GitHub 통하여 모든 소스와 기술자료, 학습자료를 공유
- 라이선스 및 CLA외부개발자를 위한 계약를 공개하여 커뮤니티 개발자의 참여 유도
- 개발환경, 예제를 포함하는 SandBox VM image 구성하여 배포
- 스터디 모임 운영, 자율주행 강좌 수강생과 경주대회 참여자를 커뮤니티로 흡수, 지원
모형자동차
시스템통합
시각화
머신러닝
자율주행
최신 특허
특허 전체보기
전체 특허
애플리케이션의 로딩 성능 개선을 위한 입출력 최적화 장치 및 방법
상태
등록출원연도
2019출원번호
1020190035713도커 기반의 매니코어 관리 방법 및 이를 수행하는 도커 기반의 매니코어 관리 장치
상태
소멸출원연도
2017출원번호
1020170016236스크래치패드 메모리 관리 방법, 이를 수행하는 스크래치패드 메모리 관리 장치 및 이를 저장하는 기록매체
상태
소멸출원연도
2014출원번호
1020140179140