본 연구의 최종 목표는, 시간 길이, 특성 종류 및 수, 관측 주기, 누락 패턴 등이 서로 다른 이질적인 시계열 데이터를 대상으로, 예측(Forecasting), 보간(Imputation), 이상 탐지(Anomaly Detection), 분류(Classification) 네 가지 작업을 하나의 통합 모델로 동시에 수행할 수 있으며, Transformer 블...

1차년도에는 기본적인 워크로드 분석 툴의 개발 및 스케줄링을 도울 모니터링 툴 구현을 목표로 한다. 본 연구팀은, 현재까지 수집해온 GPU 스케줄링 로그와 추가적으로 Darshan log와 같은 데이터 이동 파악 로그 툴을 이용하여, GPU 스케줄링 및 수행 과정에서 발생하는 데이터들의 이동 및 연산과정을 파악한다. 2차년도부터는 본격적인 스케줄러를 구현한다. Multi-GPU 환경에서 ML/DL 모델이 연산될 경우 GPU 간 데이터 교환 또한 발생한다. 1차년도에 구현한 모니터링 툴을 기반으로 GPU 내부에서 발생하는 데이터 지역성을 고려하여, 서로 지역성을 지닌 데이터는 같은 GPU에 스케줄링될 수 있도록 한다. 3차년도에는 실제 구현한 스케줄러를 Tensorflow, Pytorch와 같은 실제 ML/DL 프레임워크에 반영하여, 성능평가를 진행하고, 본 연구 결과를 분산시스템 인공지능학습인 Federated Learning 방식에 적용하여 결과의 확장성을 확인하고 최적화한다.

1차년도에는 기본적인 워크로드 분석 툴의 개발 및 스케줄링을 도울 모니터링 툴 구현을 목표로 한다. 본 연구팀은, 현재까지 수집해온 GPU 스케줄링 로그와 추가적으로 Darshan log와 같은 데이터 이동 파악 로그 툴을 이용하여, GPU 스케줄링 및 수행 과정에서 발생하는 데이터들의 이동 및 연산 과정을 파악한다. 2차년도부터는 본격적인 스케줄러를 구현한다. Multi-GPU 환경에서 ML/DL 모델이 연산될 경우 GPU 간 데이터 교환 또한 발생한다. 1차년도에 구현한 모니터링 툴을 기반으로 GPU 내부에서 발생하는 데이터 지역성을 고려하여, 서로 지역성을 지닌 데이터는 같은 GPU에 스케줄링 될수 있도록 한다. 3차년도에는 실제 구현한 스케줄러를 Tensorflow, Pytorch와 같은 실제 ML/DL 프레임워크에 반영하여, 성능평가를 진행하고, 본 연구 결과를 분산시스템 인공지능학습인 Federated Learning 방식에 적용하여 결과의 확장성을 확인하고 최적화한다.

본 과제는 컴퓨터 기술을 미래 융합교육 플랫폼(걸리버 플랫폼)과 사회공헌형 연구로 연결해, 스타학생연구자와 글로벌 리더를 육성하고 교육·연구 체계를 혁신하는 연구임. 연구 목표는 10년내 세계 10위권 진입, 인공지능·빅데이터 기반 산학협력(ABCIC) 및 학부 연구그룹 융복합 활성화, AI 연구원과 수평적 협력 구축임. 기대효과는 연구환경·인센티브·인력유치를 통한 연구역량 강화, 국제적 인지도 향상, 산학협력으로 국내 경쟁력 증진, 컴퓨터 기술로 사회 문제 해결 및 사회적 약자 지원 확대임