하이브리드 메모리 환경에서 머신러닝 기법과 메모리 하드웨어 특성을 고려한 힙 메모리 오브젝트 배치 기법 개선 연구
Improvement of Heap Memory Object Placement Considering Machine Learning Technique and Memory Hardware Characteristics in Hybrid Memory System
- 주제(키워드) 하이브리드 메인 메모리 시스템 , 메모리 오브젝트 패턴 , 메모리 하드웨어 특성 , 머신러닝
- 발행기관 서강대학교 일반대학원
- 지도교수 김영재
- 발행년도 2021
- 학위수여년월 2021. 2
- 학위명 석사
- 학과 및 전공 일반대학원 컴퓨터공학과
- UCI I804:11029-000000065960
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권보호를 받습니다.
초록/요약
매년 데이터 센터에서 처리되는 데이터 양이 기하급수적으로 증가함에 따라, 데이터 센터의 메모리 영역에서 소비되는 에너지량도 증가되고 있다. 에너지 소비량을 줄이기 위해 휘발성 메모리 (Volatile Memory)와 비휘발성 메모리 (Non-Volatile Memory)를 혼합하여 사용하는 하이브리드 메인 메모리 시스템 (Hybrid Main Memory System)에서 오브젝트 패턴을 예측하여 활용하는 배치 연구들이 진행되어 왔다. 하지만 기존 연구들은 부정확한 오브젝트 패턴 예측 및 실제 하이브리드 메인 메모리 시스템의 하드웨어 특성을 고려하지 않아, 하이브리드 메모리에서 응용의 동작의 성능 효율을 극대화 하지 못하였다. 따라서 이러한 기존 연구들의 한계점들을 해결하기 위한 오브젝트 예측 및 배치 기법인 eFairML을 제안한다. eFairML은 머신러닝 (Machine Learning)을 활용한 정확한 메모리 오브젝트 패턴 예측 및 메모리 컨트롤러 큐의 동작 특성을 고려하여 하이브리드 메모리에서 휘발성 메모리와 비휘발성 메모레 모듈 간의 힙 메모리 오브젝트 최적의 배치를 찾아낸다. 최적의 힙 메모리 오브젝트 배치를 위해 eFairML은 예측된 오브젝트 패턴을 활용한 오브젝트 배치는 정수 선형 프로그래밍 (Integer Linear Programming)을 사용한다. 과학용 응용에서 실험 결과, eFairML은 최근 연구인 eMap보다 실제 하이브리드 메인 메모리 시스템에서 최대 19.1% 높은 성능과 2.1% 높은 에너지 효율성을 보인다.
more