디지털 라이브러리[ 검색결과 ]
4G/5G 네트워크 환경에서의 카테고리 특성 기여도 기반 Throughput 예측 모델 최적화
http://doi.org/10.5626/JOK.2024.51.11.961
네트워크 데이터 소비의 증가와 4G 한계로 5G 기술 도입이 가속화되면서 4G와 제한된 5G의 이종네트워크 환경이 구축되었다. 이에 따라 네트워크 서비스 품질(QoS)과 자원 최적화를 위한 Throughput 예측의 중요성이 부각되었다. 기존 Throughput 예측 연구는 주로 단일 속성을 사용하거나, 상관 관계 분석을 통해 속성을 추출하여 사용한다. 그러나 이는 비선형적 관계를 가지는 변수 배제 가능성, 상관 계수 구분점의 임의성과 일관성 부족과 같은 한계를 지닌다. 본 논문은 이러한 한계를 극복하고자 특성 중요도(Feature Importance)를 사용하여 새로운 접근법을 제시한다. 이는 네트워크에서 사용되는 특성들의 상대적 중요도를 계산하여 속성 카테고리에 기여도를 부여한 후, 이를 이용하여 Throughput을 예측하는 방안이다. 이 방법은 4개의 오픈 데이터셋에 적용하여 실험을 수행하였고, 예측을 위한 최적 카테고리 조합을 도출하여 전체 카테고리 사용 대비 모델의 복잡성을 감소시키고 예측 정확도를 향상시켰다.
인테리어 디자인 가이드라인과 근위 정책 최적화를 사용한 인테리어 디자인 자동화 모델
http://doi.org/10.5626/JOK.2024.51.6.519
주거 공간의 인테리어 디자인은 입주자의 만족도와 인상에 큰 영향을 미치는 작업이다. 그러나 인테리어 디자인은 전문적인 디자인 지식이 필요하기 때문에 쉽게 접근하기 어렵다. 따라서 인테리어 디자 인을 자동화하기 위한 최적화 및 딥 러닝 방법이 제안되었다. 그럼에도 불구하고 이 기술들은 문제를 해결 하는데 많은 시간이 걸리거나, 학습 데이터를 확보해야 한다는 어려움이 있다. 본 논문에서는 심층 강화학 습을 이용한 인테리어 디자인 자동화 모델을 제안한다. 강화 학습은 에이전트가 환경과 상호 작용하며 누 적 보상을 최대화하는 정책을 학습하기 때문에 학습 데이터 확보 과정을 생략할 수 있다. 인테리어 디자인 가이드라인을 보상 함수로 설계하여 기능적, 시각적 기준을 만족하는 인테리어 레이아웃을 생성한다. 강화 학습 에이전트는 PPO를 사용해 연속 위치에 가구를 배치한다. 가구와 방의 조합에 따른 보상 비교 실험 과 보상 함수의 조합에 따른 디자인 비교 실험으로 제안하는 모델의 성능을 평가한다.
에피소드 랜덤화 및 액션 노이즈를 통한 강화학습 기반의 포트폴리오 최적화 성능 향상
http://doi.org/10.5626/JOK.2024.51.4.370
포트폴리오 최적화는 투자 관리 위험을 감소시키고 수익을 극대화하기 위해 필수적이다. 최근 인공 지능 기술이 급격히 발달하면서 다양한 분야에서 이를 활용하기 위해 연구 중이며, 특히 금융 분야에서는 강화학습을 적용하기 위한 연구가 활발히 진행되고 있다. 그러나 대부분의 연구들이 과거 금융 데이터의 반복 학습으로 인한 에이전트 과적합 문제를 해결하지 못하고 있다. 이에 본 연구에서는 강화학습 기반의 포트폴리오 최적화에서 에피소드 랜덤화 및 액션 노이즈를 통해 과적합을 완화하는 기법을 제안한다. 제안된 기법은 에피소드마다 학습 데이터 기간을 랜덤화하여 다양한 시장 상황을 경험하게 함으로써 데이터 증폭의 효과와 액션 노이즈 기법을 활용하여 에이전트가 특정 상황에 대응할 수 있게 탐색을 촉진한다. 실험 결과 제안 기법을 적용하였을 때 기존 강화학습 에이전트보다 성능이 향상되었음을 확인할 수 있었으며 비교 실험을 통해 다양한 조건에서 제안하는 기법 모두 성능 향상에 기여하였음을 확인하였다.
자연어처리 모델을 이용한 무기체계 소프트웨어 정적시험 거짓경보 저감 연구
http://doi.org/10.5626/JOK.2024.51.3.244
최근 무기체계 첨단화 과정에서 소프트웨어 안정성 확보에 대한 필요가 대두된다. 이를 위해 방위사업청에서는 무기체계 소프트웨어를 대상으로 정적 분석 도구를 통해 신뢰성 시험을 수행한다. 하지만 시험 과정에서 많은 거짓경보가 발생하여 시간적, 자원적 낭비가 발생된다. 이를 위해 본 논문은 정적분석 도구의 로그를 활용하여 데이터셋을 만들고, 자연어처리 모델을 훈련시켜 높은 정/오탐 분류율을 달성하는 것을 목표로 하였다. 또한 연구 과정에서 무기체계 소프트웨어의 정적분석 특성에 맞는 데이터 처리 기법 및 모델 구성에 대해 조사 및 분석을 실행하였다. 분석 결과, 하이퍼파라미터 최적화 도구인 Optuna를 활용하여 C/CPP, 자연어로 선행학습 된 CodeBert 모델이 기존 SoTA모델보다 F1 Score 기준 4~5% 높은 성능을 보이는 것을 알 수 있었다. 소프트웨어 정적 시험에서 본 논문에서 제안하는 모델을 일차적으로 사용한다면 많은 수의 오탐이 식별될 수 있다.
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.
반례 유도 양방향 합성을 조금씩 더해가기로 가속하기
http://doi.org/10.5626/JOK.2023.50.12.1091
반례 유도 방식을 접목한 입출력 예제 기반 합성에는 반례가 추가될 때마다 입출력 예제 기반 합성 과정을 처음부터 다시 시작해야 하는 비효율적인 면이 있다. 이 연구에서는 반례 유도 방식을 접목한 입출력 예제 기반 양방향 합성 알고리즘에 적용할 수 있는 조금씩 더해가기 방식을 제안한다. 이 방식을 적용하면 반례가 추가되었을 때 기존의 탐색 결과를 재활용하여 불필요한 탐색을 줄이고 합성을 가속할 수 있다. 조금씩 더해가기를 통한 성능 개선 효과를 확인하기 위해서, 최근에 제안된 양방향 합성 방법인 정방향-역방향 요약 해석 기반 합성기 Simba에 이 연구에서 제안하는 조금씩 더해가기 방식을 적용하였다. 4가지 종류의 벤치마크에 속한 1,125개의 합성 문제에 대해 기본 알고리즘과 조금씩 더해가기 변형 알고리즘의 성능을 비교 실험한 결과, 합성 결과의 품질을 유지하면서도 합성 시간이 평균적으로 74.2%로 감소하는 것을 확인할 수 있었다.
Tensor-Train Decomposition을 적용한 임베딩 레이어를 위한 연산 최적화 기법
http://doi.org/10.5626/JOK.2023.50.9.729
개인 맞춤형 추천 시스템은 일상에 녹아 들어있다. 하지만 딥 러닝 기반 추천 시스템 모델에서 임베딩 레이어는 과거 유저가 상호 작용하는 아이템 수가 늘어남에 따라, 임베딩 테이블의 메모리 사용량이 늘어 산업용 AI 데이터 센터의 리소스 대부분을 차지하고 있다. 이 문제를 극복하기 위한 해결책 중 하나는 심층 신경망에서 유망한 압축 기법인 Tensor-Train (TT) 분해이다. 본 연구에서는 TT-분해 기법이 적용된 임베딩 레이어의 연산인 Tensor-Train Gather and Reduce (TT-GnR)에서 발생하는 불필요한 연산에 관해 분석하고 이를 해결하기 위해 아이템 벡터들을 하나로 묶는 연산 단위인 그룹을 정의하고 그룹 단위로 연산하여 불필요한 연산을 줄이는 Group Reduced TT-Gather and Reduce (GRT-GnR) 연산을 제안한다. 실험을 통해 기존 TT-GnR 연산에 비해 latency가 41% 감소한다.
ESP: Subpage 단위의 쓰기 명령어를 활용한 대용량 3D 플래시 메모리 기반 저장장치의 성능 및 수명 개선
http://doi.org/10.5626/JOK.2023.50.1.1
최근 대용량 3D NAND 플래시 메모리는 지속적으로 물리적인 페이지의 크기를 증가시키고 있다. 큰 크기의 페이지는 플래시 메모리의 용량을 늘리는 데는 유용하지만 작은 크기의 쓰기 요청이 지배적인 대부분의 응용에서 스토리지 시스템의 성능과 수명을 심각하게 저하시킨다. 본 논문은 작은 크기의 쓰기 요청을 처리하기 위해 동일한 페이지에 대하여 여러 번 순차적으로 쓰기 동작을 수행할 수 있는 ESP(Ease-Free Sub-Page Programming)라고 하는 새로운 NAND 쓰기 방식을 제안한다. ESP 방식은 데이터의 에러 특성을 활용하여 데이터 손실 없이 서브페이지 단위의 쓰기 동작을 구현함으로써 작은 쓰기로 인한 내부 단편화를 제거하여 스토리지 시스템의 가비지컬렉션 오버헤드를 줄일 수 있다. ESP를 지원하는 FTL(subFTL)을 구현하여 개선 효과를 검증한 결과 subFTL은 플래시 기반 저장장치 시스템의 IOPS와 수명을 각각 최대 74%와 177%까지 향상시켰다.
멀티코어 기반 차량용 임베디드 시스템의 타임-트리거드 아키텍처 설계와 구현
http://doi.org/10.5626/JOK.2022.49.12.1043
최근 차량용 임베디드 시스템은 안전성과 성능 향상을 위해 멀티코어를 사용한다. 하지만 코어간 데이터 통신 시 발생하는 Spinning 시간은 태스크의 응답시간 지연을 초래한다. 이에 본 논문에서는 Time Triggered Architecture (TTA)를 이용하여 AUTOSAR 멀티코어 환경에서 스케줄링 최적화하는 방법을 제시한다. 각 태스크의 스케줄링 가능성을 확보하기 위해, DQN (Deep Q-Network) 강화학습을 이용한 태스크 할당 알고리즘을 제시하여 코어 간 부하 균등화를 최적화한다. 또한 태스크 Harmonic Period 설정하는 방법과 태스크 Offset, Deadline 설정 알고리즘을 설명한다. 이후 런타임에서 다른 코어의 타이밍 오류로 인한 문제 발생을 감지하는 방법에 대해 설명한다. 연료전지제어기 모델에 적용 결과, 부하 균등화 정도가 94% 개선되었으며 태스크의 실행구간이 상호 배제가 강제됨과 각 알고리즘이 잘 적용됨을 확인하였다. 또한 태스크 할당 알고리즘은 최적의 값 대비 약 78% 이상의 확장성을 보였다.
