디지털 라이브러리[ 검색결과 ]
전통적 탐색을 넘어서: SIMD 최적화 기반 Learned Index 오차 보정 탐색
http://doi.org/10.5626/JOK.2025.52.5.363
기계 학습 기반의 Learned Index는 전통적 인덱스 기법의 한계를 극복하기 위해 등장했다. 본 논문에서는 읽기 전용 RMI와 수정 가능한 ALEX의 탐색 성능을 분석하고, 오차 보정 과정에서 발생하는 오버헤드를 줄이기 위한 SIMD 기반 최적화 기법을 제안한다. Learned Index는 키의 분포를 학습해 예측과 오차 보정의 두 단계로 탐색을 수행하는데, 오차 보정이 전체 탐색 시간의 최대 80%를 차지할 수 있음이 확인되었다. RMI에서는 오차가 클 때 탐색 범위를 빠르게 줄이는 SIMD Branchless Binary Search, 작을 때 모델 예측 기반의 SIMD Linear Search가 효과적이었다. 반면, ALEX는 일정한 오차 범위를 유지하는 특성으로 인해 단순한 SIMD Linear Search가 가장 효율적이었다. 이를 통해 데이터셋의 오차 범위, 인덱스 크기 및 밀도에 따라 적절한 탐색 알고리즘을 선택하는 것이 성능 최적화에 중요함을 제시한다.
NEON SIMD를 통한 경량 블록 암호 CHAM의 속도 향상 방안에 대한 연구
http://doi.org/10.5626/JOK.2019.46.5.485
임베디드 디바이스 및 IoT 기기들이 개발됨에 따라 저사양 디바이스 상에서 기밀성을 달성하기 위한 경량 블록 암호들이 제안되고 있다. 최근 국내에서는 4-branch Feistel 구조를 갖는 경량 블록 암호 알고리즘 CHAM이 제안되었다. 이는 평문과 비밀 키의 크기에 따라 CHAM-64/128, CHAM-128/128, CHAM-128/256으로 구성된다. 상태 정보를 유지하지 않는(stateless on the fly) 키 스케줄 그리고 ARX 연산을 기반으로 한 CHAM은 임베디드 디바이스에서 효율적이며 특히 저사양 디바이스 상에서 더 효율적이다. 본 논문에서는 국내 경량 블록 암호 CHAM을 분석하고 고사양 IoT환경에서 최적화 방안에 대해 연구한다. 라운드 키의 독립적 생성과 4-branch Feistel 성질을 이용하여 직렬 구현을 하였고, NEON(ARM SIMD)을 이용해 CHAM을 병렬 구현하여 ARM Cortex-A53 상에서 최적화하였다.
