디지털 라이브러리[ 검색결과 ]
RocksDB 최적화를 위한 파라미터 조정 자동화 기법
http://doi.org/10.5626/JOK.2021.48.11.1167
애플리케이션 이해도가 낮은 유저들에게 복잡해진 애플리케이션 최적화는 매우 어려운 일이다. 애플리케이션 파라미터를 이용해 최적화하는 선례 연구들은 한 개 혹은 두 개의 파라미터를 통해 성능을 최적화하였다. 그러나 단일 파라미터를 통한 최적화는 파라미터들의 관계성을 고려하여 최적하기 힘든 방법이다. 본 논문에서는 여러 파라미터를 동시에 최적화하는 두 개의 기법 LDH-Force, PF-LDH를 제안한다. LDH-Force기법은 LDH과정을 추가해 효율적으로 탐색 횟수를 줄이면서, 여러 파라미터에 대하여 동시에 최적의 파라미터 조합을 찾아낸다. PF-LDH기법은 파라미터가 성능에 영향을 주는 정도가 다름을 확인해 필터링 과정을 추가해 탐색 비용을 더 줄일 수 있다. 제안하는 기법은 실험을 통하여 최대 42.55배의 성능향상을 확인할 수 있었으며, 다양한 워크로드에서도 사용자의 간섭없이 최저의 탐색비용으로 최적의 파라미터 조합을 찾아낼 수 있음을 보였다.
V-그램: 명령어 기본 블록과 딥러닝 기반의 악성코드 탐지
http://doi.org/10.5626/JOK.2019.46.7.599
악성코드가 급증하여 기계 학습 기반의 자동 탐지 연구가 중요해지고 있다. 악성코드 실행파일로부터 추출되는 opcode 시퀀스는 악성코드 탐지에 좋은 특징이기 때문에 바이트 기반의 n-그램 처리 기법을 거쳐 기계 학습의 입력 데이터로서 폭넓게 사용되고 있다. 본 논문에서는 처리 속도와 저장 공간 측면에서 기존 n-그램 방식을 크게 향상시키는 기본 블록 단위의 딥러닝 입력 데이터 가공 기법인 V-그램을 새롭게 제안한다. V-그램은 opcode 시퀀스로부터 의미 없는 입력 데이터의 불필요한 생성을 막을 수 있다. 본 논문에서는 64,000개 이상의 실제 정상 및 악성코드 파일을 수집하여 진행한 실험을 통해서, V-그램이 처리 속도와 저장 공간, 그리고 탐지 정확도 측면에서 모두 기존의 n-그램 기법보다 우수하다는 것을 검증하였다.
