현대 컴퓨팅 환경에서 데이터 센터의 중요성은 지속적으로 증가하고 있으며, 지연 민감 작업(Latency-Critical, LC)의 서비스 품질(Quality of Service, QoS)을 보장하는 것은 시스템 고장 및 성능 저하를 방지하는 데 필수적이다. 지연 민감 작업의 QoS를 보장하기 위해 널리 사용되는 자원 격리 기법은 QoS 요구 사항을 만족할 때까지 추가 자원을 할당한다. 그러나 기존 방법은 최선 노력(Best-Effort, BE) 작업의 성능 포화 지점을 고려하지 않으며, LC 작업 요구 사항을 충족한 이후 남는 모든 자원을 BE 작업에 할당함으로써 자원 낭비가 발생한다. 또한 실시간 자원 조정에 의해 유발되는 높은 오버헤드는 시스템 성능 저하로 이어질 수 있다. 이러한 문제를 해결하기 위해 본 논문은 자중 기반 마르코프 체인 모델을 제안하여 자원 최적화를 수행한다. 제안된 모델은 균형 잡힌 자원 조합에 대한 오프라인 프로파일링을 통해 자원 효율을 평가하고, 최적 자원 할당 전략을 사전에 결정한다. LC 작업 QoS를 보장하는 데 필요한 최소 자원을 정확히 식별하고 BE 작업의 성능 포화 지점을 예측함으로써, 모델은 불필요한 자원 낭비를 방지한다. 전통적 방법과 달리, 제안된 모델은 자중 기반 프로파일링을 활용하여 실시간 스케줄링 오버헤드를 크게 감소시키고 균형 잡힌 자원 할당을 달성한다. 실험 결과는 제안된 모델이 기존 자원 격리 스케줄링 기법과 비교 가능한 수준에서 BE 작업 성능을 보장하면서도 LC 작업 QoS를 유지함을 보여준다. 또한 해당 모델은 자원 활용을 성공적으로 최적화하고 전통적 방법에 비해 프로파일링 오버헤드를 효과적으로 감소시킨다. 제안된 접근 방식은 다중 작업 서버 환경에서 자원 효율과 성능을 모두 최적화한다.

클라우드 데이터 센터는 고성능 서버를 점차 통합함에 따라, 동질적인 인프라를 유지하는 것이 비효율적인 이질적 환경으로 전환되고 있다. 이에 따라 GPU-CPU 이질적 클라우드 데이터 센터가 필수적인 요소로 자리 잡았다. 최적 스케줄링은 서버 성능 차이와 자원 사용 변동을 처리하는 데 필수적이다. 이질적 클러스터에서의 효율적인 자원 활용은 작업 실행 성능과 전체 시스템 효율을 최적화하기 위한 핵심 과제로서, 전통적인 스케줄링 기법들은 주로 오프라인 정적 프로파일링에 의존하여 각 장치에서의 작업 실행 시간을 사전에 측정하거나, CPU와 메모리 활용도를 기준으로 작업을 분류하여 서로 다른 특성을 갖는 워크로드를 함께 배치함으로써 자원 경합을 완화하고 성능을 향상시킨다. 그러나 이러한 접근법은 세부적인 수준의 자원 경합과 환경 변화에 동적으로 대응하지 못하여 성능 저하와 자원 효율의 감소를 초래한다. 본 연구는 이러한 문제를 해결하기 위해 실시간 자원 지표를 활용하는 동적 스케줄링 프레임워크를 제안한다. 제안된 프레임워크는 작업을 Compute-intensive와 Memory-intensive 범주로 분류하여 이질적 클러스터 환경에서의 최적 작업 배치를 결정한다. Compute-intensive 작업은 높은 IPC(Instructions Per Cycle)를 요구하며 주로 CPU 자원을 활용하는 반면, Memory-intensive 작업은 높은 LLC miss rate를 보이고 상당한 메모리 대역폭을 소모한다. 대규모 실험을 통해 작업 분류 지표를 정의한 후, 프레임워크는 각 작업의 특성에 따라 이를 CPU 서버 또는 GPU 서버에 배치한다. 또한 실시간 자원 모니터링을 통해 경합을 감지하고, 작업 마이그레이션을 트리거하여 자원 활용을 최적화하고 경합을 완화하며 성능을 극대화한다. 실험 결과는 제안 방법이 기존의 이질적 클러스터 스케줄링 기법들보다 우수함을 보여주며, 자원 활용도, 작업 실행 시간, 경합 완화 측면에서 유의미한 개선을 달성하였다.

전자상거래의 인기가 증가함에 따라 전자쿠폰(e-coupon)은 편의성과 휴대성 때문에 널리 사용되고 있다. 대부분의 e-쿠폰 서비스에서는 e-쿠폰의 정보가 중앙 집중식 서버에서 관리된다. 그러나 이러한 중앙 집중화로 인해 e-쿠폰 서비스는 보안 문제에 취약한 경우가 많다. 예를 들어, 중앙 집중식 e-쿠폰 서버에 저장된 e-쿠폰 정보가 위조되면 사용자와 e-쿠폰 소유자를 대조하기가 어려워지며, 만료된 e-쿠폰을 반복적으로 사용할 수 있다(즉, 이중지불). 이 문제를 해결하기 위해 본 연구는 서비스의 보안을 향상시키기 위해 블록체인 시스템을 활용하는 새로운 e-쿠폰 서비스를 제안한다. 이를 위해 첫째, e-쿠폰 서비스를 가능하게 하고 블록체인 시스템과 통신할 수 있는 서버를 설계한다. 둘째, 블록체인 시스템 상에 스마트 계약을 고안하여 e-쿠폰 비즈니스 로직과 e-쿠폰 정보의 무결성을 제공한다. 제안된 서비스를 Ethereum 기반 블록체인 시스템에서 구현하였다. 실험 결과, 본 연구에서 제안한 서비스는 기존 e-쿠폰 서비스에 비해 성능 오버헤드는 경미하면서도 더 높은 보안을 제공함을 보여주었다.

2024년 3월 13일, 이더리움은 데이터 가용성 계층으로서의 역할을 강화하기 위해 설계된 업그레이드인 EIP-4844를 구현하였다. 이 업그레이드는 롤업의 데이터 게시 비용을 낮추는 한편, 전파되는 데이터의 증가로 인해 합의 보안에 미칠 영향에 대한 우려도 함께 제기한다. 또한 롤업의 역학과 이더리움 생태계 전반에 대한 더 광범위한 효과는 아직 largely unexplored 상태이다. 본 논문에서는 EIP-4844가 합의 보안, 이더리움 사용, 롤업 트랜잭션 역학, 블롭 가스 수수료 시장에 미치는 영향을 실증적으로 분석한다. 우리는 슬롯 동기화 시간의 변화를 조사하고, 롤업 및 사용자 행동에 대한 정량적 평가를 제공하며, 블롭 가스 수수료 시장의 효율성을 평가한다. 연구 결과, EIP-4844는 롤업의 이더리움 사용을 성공적으로 증가시키면서도 롤업 트랜잭션 수수료를 낮추는 것으로 나타났다. 그러나 포크 비율이 약간 상승하는 현상도 관찰되었는데, 우리의 분석에 따르면 이러한 증가는 블롭 전파 대기 시간 때문이 아닌 것으로 시사된다. 추가로, 일부 롤업 사용자는 이더리움 블록에 트랜잭션이 포함되기까지 지연을 경험하며, 이는 비용을 최소화하는 배치 전략의 영향을 받는 것으로 보인다. 이러한 결과는 업그레이드가 제공하는 이점과 상충관계를 모두 보여주며, 이더리움의 확장성과 합의 안정성에 관한 향후 연구 방향을 시사한다.

이기종 GPU 클러스터 환경에서 딥러닝 계산 작업들을 실행할 때 발생할 수 있는 활용률 저하 문제를 GPU 공유 기술을 통해 해결하고 최적의 성능을 내기 위한 연구가 진행 중이다. 그러나time-slicing, Multi-Process Service(MPS), Multi-Instance GPU(MIG) 공유 기술을 딥러닝 응용의 특성에 맞춰 적절히 사용하는 연구는 제시되지 않았다. 본 논문은 딥러닝 모델 및 파라미터에 따른 작업의 실행 규모, 자원 민감도, 자원 활용 특징을 분석하여 time-slicing, MPS, MIG 공유 기술에 대한 최적의 작업 배치 기준을 제안한다. 서로 다른 공유 기술을 지원하는 이기종 GPU 클러스터 환경에서 최적의 작업 배치를 수행하고 실험을 통해 실행 시간과 처리량이 향상됨을 보였다.

다양한 입출력(I/O) 특성을 갖는 여러 과학적 응용이 HPC 시스템에서 수행된다. 그러나 기반의 병렬 파일 시스템은 응용의 이러한 특성을 인지하지 못하며, 모든 응용에 대해 단일 고정 파일 레이아웃을 사용하는 경우 HPC 시스템의 성능이 저하될 수 있다. 본 논문에서는 응용의 접근 패턴을 분석하여 병렬 파일 시스템 구성을 최적화하는 자율적이고 적응적인 파일 레이아웃 조정 기법 A2FL을 제안한다. A2FL의 핵심 단계는 다음과 같다. (1) A2FL은 초기에는 응용의 I/O 연산을 가로채어 이를 실시간으로 기록함으로써 접근 패턴을 수집한다. (2) 이후 접근 패턴을 그래픽적 표현으로 변환하여 I/O 성능을 예측하고 조정 권고를 제공하는 데 사용한다. (3) A2FL은 예측 결과에 기반하여 파일 레이아웃을 자율적으로 조정함으로써 병렬 파일 시스템 내에서 최적의 파일 레이아웃을 제공한다. 또한, 접근 패턴을 더 작은 구성 요소로 분할하여 세분화된 방식으로 파일 레이아웃을 최적화하는 A2FL-Compound도 제안한다. 평가 결과, A2FL은 기본 파일 레이아웃에 비해 최대 65.9배까지 향상되며 I/O 성능을 유의미하게 개선함을 입증하였다.

본 논문은 프라이빗 네트워크에서 분산 파일 공유를 가속하기 위해 설계된 새로운 파일 시스템 ScaleDFS를 소개한다. ScaleDFS는 최신 하드웨어에서 방향성 비순환 그래프(directed acyclic graph, DAG)에 기반한 파일 관리의 확장성 잠재력을 활용한다. 구체적으로, ScaleDFS에서는 먼저 파일에 대한 DAG 노드의 구성을 병렬화하되 업로드 과정을 신속화하기 위해 핵심 순서를 보존하는 DAG 빌더를 설계한다. 둘째, 고안된 DAG 캐시를 통해 그래프 순회(graph traversal)를 보조하지 않고도 리프(leaf) DAG 노드를 병렬로 검색하는 DAG 리더를 제안하여 다운로드 과정을 가속한다. 마지막으로, DAG 리무버를 제시하여 오래된 DAG 노드/데이터를 신속하게 식별하고 이를 병렬로 제거함으로써, 일관성을 저해하지 않으면서 가비지 컬렉션(garbage collection) 오버헤드를 완화한다. 우리는 IPFS를 기반으로 ScaleDFS를 구현하고, 현실적인 파일, 프라이빗 블록체인, 게이트웨이(gateway) 워크로드에서 각각 최대 3.7배, 1.8배, 12.6배까지 ScaleDFS가 IPFS보다 우수함을 입증한다.

현대 컴퓨팅 환경에서 데이터 센터의 중요성은 지속적으로 증가하고 있으며, 지연 민감 작업(Latency-Critical, LC)의 서비스 품질(Quality of Service, QoS)을 보장하는 것은 시스템 고장 및 성능 저하를 방지하는 데 필수적이다. 지연 민감 작업의 QoS를 보장하기 위해 널리 사용되는 자원 격리 기법은 QoS 요구 사항을 만족할 때까지 추가 자원을 할당한다. 그러나 기존 방법은 최선 노력(Best-Effort, BE) 작업의 성능 포화 지점을 고려하지 않으며, LC 작업 요구 사항을 충족한 이후 남는 모든 자원을 BE 작업에 할당함으로써 자원 낭비가 발생한다. 또한 실시간 자원 조정에 의해 유발되는 높은 오버헤드는 시스템 성능 저하로 이어질 수 있다. 이러한 문제를 해결하기 위해 본 논문은 자중 기반 마르코프 체인 모델을 제안하여 자원 최적화를 수행한다. 제안된 모델은 균형 잡힌 자원 조합에 대한 오프라인 프로파일링을 통해 자원 효율을 평가하고, 최적 자원 할당 전략을 사전에 결정한다. LC 작업 QoS를 보장하는 데 필요한 최소 자원을 정확히 식별하고 BE 작업의 성능 포화 지점을 예측함으로써, 모델은 불필요한 자원 낭비를 방지한다. 전통적 방법과 달리, 제안된 모델은 자중 기반 프로파일링을 활용하여 실시간 스케줄링 오버헤드를 크게 감소시키고 균형 잡힌 자원 할당을 달성한다. 실험 결과는 제안된 모델이 기존 자원 격리 스케줄링 기법과 비교 가능한 수준에서 BE 작업 성능을 보장하면서도 LC 작업 QoS를 유지함을 보여준다. 또한 해당 모델은 자원 활용을 성공적으로 최적화하고 전통적 방법에 비해 프로파일링 오버헤드를 효과적으로 감소시킨다. 제안된 접근 방식은 다중 작업 서버 환경에서 자원 효율과 성능을 모두 최적화한다.

클라우드 데이터 센터는 고성능 서버를 점차 통합함에 따라, 동질적인 인프라를 유지하는 것이 비효율적인 이질적 환경으로 전환되고 있다. 이에 따라 GPU-CPU 이질적 클라우드 데이터 센터가 필수적인 요소로 자리 잡았다. 최적 스케줄링은 서버 성능 차이와 자원 사용 변동을 처리하는 데 필수적이다. 이질적 클러스터에서의 효율적인 자원 활용은 작업 실행 성능과 전체 시스템 효율을 최적화하기 위한 핵심 과제로서, 전통적인 스케줄링 기법들은 주로 오프라인 정적 프로파일링에 의존하여 각 장치에서의 작업 실행 시간을 사전에 측정하거나, CPU와 메모리 활용도를 기준으로 작업을 분류하여 서로 다른 특성을 갖는 워크로드를 함께 배치함으로써 자원 경합을 완화하고 성능을 향상시킨다. 그러나 이러한 접근법은 세부적인 수준의 자원 경합과 환경 변화에 동적으로 대응하지 못하여 성능 저하와 자원 효율의 감소를 초래한다. 본 연구는 이러한 문제를 해결하기 위해 실시간 자원 지표를 활용하는 동적 스케줄링 프레임워크를 제안한다. 제안된 프레임워크는 작업을 Compute-intensive와 Memory-intensive 범주로 분류하여 이질적 클러스터 환경에서의 최적 작업 배치를 결정한다. Compute-intensive 작업은 높은 IPC(Instructions Per Cycle)를 요구하며 주로 CPU 자원을 활용하는 반면, Memory-intensive 작업은 높은 LLC miss rate를 보이고 상당한 메모리 대역폭을 소모한다. 대규모 실험을 통해 작업 분류 지표를 정의한 후, 프레임워크는 각 작업의 특성에 따라 이를 CPU 서버 또는 GPU 서버에 배치한다. 또한 실시간 자원 모니터링을 통해 경합을 감지하고, 작업 마이그레이션을 트리거하여 자원 활용을 최적화하고 경합을 완화하며 성능을 극대화한다. 실험 결과는 제안 방법이 기존의 이질적 클러스터 스케줄링 기법들보다 우수함을 보여주며, 자원 활용도, 작업 실행 시간, 경합 완화 측면에서 유의미한 개선을 달성하였다.

전자상거래의 인기가 증가함에 따라 전자쿠폰(e-coupon)은 편의성과 휴대성 때문에 널리 사용되고 있다. 대부분의 e-쿠폰 서비스에서는 e-쿠폰의 정보가 중앙 집중식 서버에서 관리된다. 그러나 이러한 중앙 집중화로 인해 e-쿠폰 서비스는 보안 문제에 취약한 경우가 많다. 예를 들어, 중앙 집중식 e-쿠폰 서버에 저장된 e-쿠폰 정보가 위조되면 사용자와 e-쿠폰 소유자를 대조하기가 어려워지며, 만료된 e-쿠폰을 반복적으로 사용할 수 있다(즉, 이중지불). 이 문제를 해결하기 위해 본 연구는 서비스의 보안을 향상시키기 위해 블록체인 시스템을 활용하는 새로운 e-쿠폰 서비스를 제안한다. 이를 위해 첫째, e-쿠폰 서비스를 가능하게 하고 블록체인 시스템과 통신할 수 있는 서버를 설계한다. 둘째, 블록체인 시스템 상에 스마트 계약을 고안하여 e-쿠폰 비즈니스 로직과 e-쿠폰 정보의 무결성을 제공한다. 제안된 서비스를 Ethereum 기반 블록체인 시스템에서 구현하였다. 실험 결과, 본 연구에서 제안한 서비스는 기존 e-쿠폰 서비스에 비해 성능 오버헤드는 경미하면서도 더 높은 보안을 제공함을 보여주었다.