디지털 라이브러리[ 검색결과 ]
이더리움 트랜잭션 데이터 기반 스토리지 트라이 최적화 연구
http://doi.org/10.5626/JOK.2024.51.2.110
블록체인에 대한 관심이 많아지고, 이더리움의 사용량이 증가함에 따라 블록체인 상태 데이터는 폭발적으로 증가하였는데, 이는 사용자의 네트워크 참여를 어렵게 만들었다. 본 논문에서는 상태 데이터의 상당수를 차지하는 스토리지 트라이를 과거 트랜잭션 데이터를 기반으로 최적화하는 방법을 제안하고자 한다. 본 연구에서는 1,400만 블록의 거대한 스토리지 트라이 중에서 100만 블록동안 한 번도 등장하지 않은 스토리지 트라이를 삭제하여 19.6%인 10.8GB의 저장공간을 줄였다. 본 논문의 연구 결과인 데이터 기반 스토리지 트라이 최적화를 기반으로 더욱 효과적인 스토리지 트라이 최적화를 제안할 수 있을 것으로 기대한다.
리스트 스케줄링 시뮬레이터를 이용한 인스트럭션 우선도 함수 성능 분석
http://doi.org/10.5626/JOK.2023.50.12.1048
인스트럭션 스케줄링은 병렬 처리를 통해 프로그램 실행 시간을 줄인다는 측면에서 중요한 컴파일러 최적화 기법이다. 그러나 아직까지도 대부분의 스케줄링 기법이 휴리스틱에 의존하기 때문에, 제한적인 성능만을 보여준다. 본 연구에서는 리스트 스케줄링(list scheduling)에서, 인스트럭션 우선도 함수(priority function)가 스케줄 길이에 미치는 영향을 시뮬레이션을 통해 알아본다. 결과적으로, 의존성 그래프(dependency graph)의 전체적인 구조를 반영하는 우선도 함수를 사용할 때, 기존 순서를 사용하는 우선도 함수에 비해 스케줄 길이가 약 4% 감소한다는 것을 확인할 수 있다. 해당 결과는 향후에 강화학습 기반의 스케줄링 모델을 구현할 때 사용해야 하는 입력 특성에 대한 방향성을 제시한다.
엣지 컴퓨팅 환경에서의 딥 러닝 연산 오프로딩의 병렬 최적화
http://doi.org/10.5626/JOK.2022.49.3.256
컴퓨팅 자원이 부족한 디바이스에 연산량이 많은 딥 러닝 애플리케이션을 실행하기 위해 주변에 있는 서버에 연산을 오프로딩하는 엣지 컴퓨팅 기술이 제안되었다. 그러나 딥 러닝 연산을 오프로딩하기 위해서는 서버에 모델을 먼저 업로드해야 하는 단점이 있다. 이를 해결하기 위해 모델을 점진적으로 전송하는 동시에 서버가 클라이언트 연산을 대신 수행하는 점진적 오프로딩 시스템이 제안되었다[1]. 점진적 오프로딩 시스템은 오프로딩에 걸리는 시간을 크게 단축했으나, 모델 구축 시간을 고려하지 않아서 전체 모델 업로드 시간이 늘어나는 단점이 있었다. 본 논문은 모델 구축과 모델 업로드의 병렬 최적화를 통해 기존 시스템의 문제점을 해결해서 기존 시스템 대비 전체 모델 업로드 시간을 최대 30% 개선했다.
HTML5 캔버스를 활용하는 웹 어플리케이션의 스냅샷 기반 연산 오프로딩
http://doi.org/10.5626/JOK.2017.44.9.871
최근 모바일 기기와 같이 하드웨어 성능이 부족한 기기에서 연산량이 많은 어플리케이션을 효과적으로 수행할 수 있는 방법들이 많이 연구되고 있다. 연산 오프로딩 기법이란 모바일 기기에서 하드웨어 성능이 좋은 서버로 복잡한 연산을 보내서 수행 한 뒤 결과를 받아서 반영하는 방법이다. 연산 오프로딩 기법의 어려움 중 하나는 서버와 클라이언트 사이에서 동작 중인 어플리케이션의 상태를 주고받는 일이다. 스냅샷 기반의 연산 오프로딩 기법은 스냅샷을 이용하여 웹 어플리케이션의 상태를 쉽게 전송할 수 있도록 하였다. 하지만 HTML5 캔버스를 사용하는 웹 어플리케이션의 경우 스냅샷이 캔버스의 상태를 포함하지 못하는 문제가 있어서 스냅샷 기반의 연산 오프로딩을 적용할 수 없었다. 본 연구에서는 스냅샷에 캔버스의 상태를 저장할 수 있는 코드 생성 기술을 제안하여 캔버스를 사용하는 웹 어플리케이션에도 스냅샷 기반 연산 오프로딩 기법을 사용할 수 있도록 하였다.
