디지털 라이브러리[ 검색결과 ]
캐시 교체 기법 오버헤드 분석 및 구역 사상 교체 기법
http://doi.org/10.5626/JOK.2024.51.10.849
장치 간에 성능 차이를 보완하기 위하여 캐시가 사용되며, 이를 위한 여러 캐시 교체 기법들이 연구되었다. 이러한 캐시 교체 기법들은 메모리 및 실행 오버헤드를 가지고 있지만, 기법들을 평가할 때 캐 시 히트율이 사용되고 교체 기법의 오버헤드는 주목받지 못했다. 최근 컴퓨터 시스템의 캐시 크기는 지속적 으로 증가하고 있으며, 이에 따라 오버헤드 역시 커지고 있다. 이러한 추세에 따라 본 논문은 교체 기법의 히트율과 함께 오버헤드에도 주목하여 캐시 교체 기법 평가에 새로운 관점을 제공하는 것을 목표로 한다. 본 논문에서는 먼저 LRU, CLOCK, 2Q, ARC, 그리고 RAND 교체 기법의 메모리 및 실행 오버헤드를 분 석한다. 그리고 메모리 및 실행 오버헤드가 작은 구역 사상(RM) 기법을 제시한다. 또한 핫/콜드 데이터를 다르게 취급하는 RM2 기법도 제시한다. 분석 및 실제 시스템에서 측정한 실험 결과에 따르면 RM과 RM2 기법은 오버헤드가 크게 작을 뿐 아니라 최신 기법들과 대등한 성능을 보인다. 또한 메모리 오버헤드가 작 은 기법은 주어진 캐시 크기에 더 많은 데이터를 캐싱하여 전체적인 데이터 접근 시간을 감소시킨다.
L2LRU: LRU 페이지 교체 기법을 위한 러닝 기반 페이지 이동 정책
http://doi.org/10.5626/JOK.2021.48.9.981
페이지 캐시 교체 정책 중 하나인 LRU는 재접근이 발생하는 페이지를 리스트의 앞(Head) 위치로 이동시킴으로써 캐시 적중률을 높인다. 그러나, LRU의 페이지 이동은 락-언락 명령어를 호출함으로써 시스템의 대기 상태를 유발한다. 이에, 본 논문에서는 딥 러닝을 이용하여 페이지의 재접근 거리를 학습하고 재접근이 발생하는 경우, LRU 리스트 페이지에 대한 이동 유무를 판단하는 L2LRU(Learning-based Lock-free LRU) 기법을 새롭게 제안한다. 특히, L2LRU는 기존 LRU 교체 기법과 다르게 페이지를 재접근 될 가능성이 높은 위치로 페이지를 이동시킨다. 제안 기법을 평가하기 위해, 우리는 트레이스 기반 시뮬레이션 방식으로 L2LRU을 구현하였으며, Microsoft Research Cambridge Trace을 실험의 입력으로 사용하였다. 실험 결과 제안한 L2LRU가 LRU 대비 최대 91% 락-언락 명령어 호출을 감소시킬 수 있었다.
