본 과제는 전 세계 쇼핑몰에 필요한 추천기능을 개발 지식 없이도 쉽게 붙일 수 있게 하는 추천엔진 연동 서비스 연구임.
연구 목표는 aws 등 유명 추천엔진을 시작으로, (향후)google cloud 및 솔트룩스 추천엔진 등 쇼핑몰 현황에 최적화된 추천기능을 “설정만으로” 연동하는 것임. 핵심 연구 내용은 누구나 사용하는 쉬운 용어·쉬운 설정·편리한 사용성 제공, 일반 쇼핑몰부터 쇼핑몰 SI개발·디자인 에이전시까지 직관적 설정정보/사용방법 제공, 사용량당 과금되는 온디맨드 판매방식 제공, 간단한 스크립트 삽입으로 데이터 학습량당 또는 상품 list request당 과금 또는 매출기여도 판매량당 과금 구조 적용임. 기대 효과는 초기설치 부담을 낮추고 매출 향상을 위한 추천기능 도입을 용이하게 함.
본 과제는 전라북도의 농생명-신재생-융복합 분야를 발전시키기 위한 IT 교육·연구 거점으로, JIANT (Jeonbuk Innovating, Adventurous, & Novel Technology)-IT 인력양성사업단을 통해 한류 IT 인재를 양성하는 연구함.
연구 목표는 미래 지능형 글로컬 신산업 창출을 위한 인공 지능 IT 기술 기반 역량 확보이며, 대학원 교육을 연구 track·지역⋅산학 track으로 나누고 온라인 포트폴리오와 온라인 설문·수요조사로 지역 애로 기술을 발굴해 7대 연구 세부 목표와 IF Q1 35%, Q1+Q2 70% 달성 중심으로 연구 내실화함. 기대 효과는 지역 사회·산업 경쟁력 강화와 창의적 혁신 인재 배출, 지역 기업·전문가 협력으로 연구 성과의 지역 확산 및 핵심 전략 산업 고도화임.
본 과제는 전라북도 농생명·신재생·융복합 신산업을 고도화할 한류 IT 인재를 키우는 교육·연구 체계 JIANT(Jeonbuk Innovating, Adventurous, & Novel Technology)-IT 인력양성사업단 연구임.
연구 목표는 미래 지능형 글로컬 신산업 창출을 위한 AI IT 기술 연구와 교육 역량 내실화임. 연구 내용은 대학원 과정을 연구 track·지역·산학 track으로 구분한 Curriculum/Activity, 온라인 포트폴리오, 지역기업 현장실습·산업체 애로기술 해결·지역 기업 멘토, 온라인 설문·수요조사 및 온라인 평가·환류 운영으로 구성됨. 기대 효과는 대학원 연구가 지역 산업 경쟁력 강화로 연계·확산되어 글로컬 신산업 창출 및 취업 향상으로 이어짐.
<주요 연구 내용>
적응적 폴링 기법은 워크로드의 변화에 따른 최적의 폴링 주기를 자동으로 추적하여 네트워크 및 CPU 자원 활용률을 최대화하는 기법이다. 이를 위해 아래와 같은 연구 내용을 구성하였다.
① VirtIO 의 기존 인터럽트-폴링 혼합 구조에서 적응적 폴링 기법을 우선하는 구조로 변경.
우선 기존 VirtIO 는 인터럽트를 수신하면서 폴링을 시작하는 기본 구조를 갖고 있으며, 이를 폴링을 기본으로 사용하는 구조로 수정해야한다. 제안하는 연구에서는 적응적 폴링을 기본 구조로 사용하되, 폴링을 대기하는 시간동안은 인터럽트를 수신하도록 하여 빠른 응답속도를 제공하고자 한다. 따라서 이에 적합한 구조를 연구, 개발하여야 한다.
② 피드백 제어 기법(feedback control)을 활용해 다양한 워크로드에 대해 동적으로 폴링 주기를 변경.
위와 같이 변경한 구조에서 폴링 주기를 동적으로 변경하기 위해 피드백 제어 기법을 활용한다. 이때 주요한 연구 내용은 어떠한 성능 지표를 피드백에 적용할지 선택하고, 그에 맞춰 실제 피드백 함수를 구성하는 방법이다. VirtIO 네트워크 처리에서는 초당 패킷 처리량, 바이트 전송량, 응답 속도, CPU 사용률 등 주요 지표도 다양하고, 또한 vIRQ의 전달 횟수, 폴링 실패 횟수 등 간접적인 지표들도 이용할 수 있다. 이러한 수치들을 입력받아 폴링 주기를 도출하는 피드백 함수도 핵심적인 연구 내용이며 이때 어떠한 지표가 입력으로 들어가는지에 따라 함수의 내용도 적합하게 변경되어야 한다. 그리고 워크로드의 특성에 따라 다른 지표, 함수를 사용하여야 할 수 있다. 이러한 문제 해결을 위해 2차년도에서는 AI 딥러닝 기법을 도입하는 연구도 진행할 계획이다.
위와 같은 연구 내용은 기존 연구에서는 제시된 바 없는 내용이다.
<연차별 연구 내용>
● 1차년도: 적응적 폴링 기법의 설계 및 구현, 다양한 워크로드에서의 성능 평가 및 최적화
● 2차년도: 인공지능 딥러닝 학습을 도입을 통한 AI-assisted 적응적 폴링 기법의 연구
● 3차년도: 스토리지 I/O 처리에 적용 및 오픈스택 기반의 실제 운영 중인 클라우드 시스템에서 종합 평가 및 최적화
1차년도에는 앞서 제시한 주요 문제점에 대한 해결 방안을 연구한다. 2차년도에는 피드백 함수 대신 인공지능 딥러닝 학습을 통한 적응 모델을 연구할 계획이다. 다양하고 복잡한 워크로드에 보다 높은 수준으로 대응하기 위해 최신 딥러닝 기술을 적용하고자 한다. 4차년도에는 우선 스토리지 I/O 처리에도 적용하여 실제 환경에서 평가를 수행한다. 최종적으로 기법을 적용하여 평가할 클라우드 시스템은 본 연구팀의 소속 학과에서 교육 및 연구를 위해 운영 중인 시스템으로 매년 수 백 명의 학생들이 수 백 개의 VM을 생성해 사용 중이다. 실운용 클라우드 시스템에서 수정한 가상화 시스템을 적용해 성능을 평가하는 것은 대단히 차별적인 요소라 할 수 있다.
<주요 연구 내용>
적응적 폴링 기법은 워크로드의 변화에 따른 최적의 폴링 주기를 자동으로 추적하여 네트워크 및 CPU 자원 활용률을 최대화하는 기법이다. 이를 위해 아래와 같은 연구 내용을 구성하였다.
① VirtIO 의 기존 인터럽트-폴링 혼합 구조에서 적응적 폴링 기법을 우선하는 구조로 변경.
우선 기존 VirtIO 는 인터럽트를 수신하면서 폴링을 시작하는 기본 구조를 갖고 있으며, 이를 폴링을 기본으로 사용하는 구조로 수정해야한다. 제안하는 연구에서는 적응적 폴링을 기본 구조로 사용하되, 폴링을 대기하는 시간동안은 인터럽트를 수신하도록 하여 빠른 응답속도를 제공하고자 한다. 따라서 이에 적합한 구조를 연구, 개발하여야 한다.
② 피드백 제어 기법(feedback control)을 활용해 다양한 워크로드에 대해 동적으로 폴링 주기를 변경.
위와 같이 변경한 구조에서 폴링 주기를 동적으로 변경하기 위해 피드백 제어 기법을 활용한다. 이때 주요한 연구 내용은 어떠한 성능 지표를 피드백에 적용할지 선택하고, 그에 맞춰 실제 피드백 함수를 구성하는 방법이다. VirtIO 네트워크 처리에서는 초당 패킷 처리량, 바이트 전송량, 응답 속도, CPU 사용률 등 주요 지표도 다양하고, 또한 vIRQ의 전달 횟수, 폴링 실패 횟수 등 간접적인 지표들도 이용할 수 있다. 이러한 수치들을 입력받아 폴링 주기를 도출하는 피드백 함수도 핵심적인 연구 내용이며 이때 어떠한 지표가 입력으로 들어가는지에 따라 함수의 내용도 적합하게 변경되어야 한다. 그리고 워크로드의 특성에 따라 다른 지표, 함수를 사용하여야 할 수 있다. 이러한 문제 해결을 위해 2차년도에서는 AI 딥러닝 기법을 도입하는 연구도 진행할 계획이다.
위와 같은 연구 내용은 기존 연구에서는 제시된 바 없는 내용이다.
<연차별 연구 내용>
● 1차년도: 적응적 폴링 기법의 설계 및 구현, 다양한 워크로드에서의 성능 평가 및 최적화
● 2차년도: 인공지능 딥러닝 학습을 도입을 통한 AI-assisted 적응적 폴링 기법의 연구
● 3차년도: 스토리지 I/O 처리에 적용 및 오픈스택 기반의 실제 운영 중인 클라우드 시스템에서 종합 평가 및 최적화
1차년도에는 앞서 제시한 주요 문제점에 대한 해결 방안을 연구한다. 2차년도에는 피드백 함수 대신 인공지능 딥러닝 학습을 통한 적응 모델을 연구할 계획이다. 다양하고 복잡한 워크로드에 보다 높은 수준으로 대응하기 위해 최신 딥러닝 기술을 적용하고자 한다. 4차년도에는 우선 스토리지 I/O 처리에도 적용하여 실제 환경에서 평가를 수행한다. 최종적으로 기법을 적용하여 평가할 클라우드 시스템은 본 연구팀의 소속 학과에서 교육 및 연구를 위해 운영 중인 시스템으로 매년 수 백 명의 학생들이 수 백 개의 VM을 생성해 사용 중이다. 실운용 클라우드 시스템에서 수정한 가상화 시스템을 적용해 성능을 평가하는 것은 대단히 차별적인 요소라 할 수 있다.
