Linux kernel 시장이 확장됨에 따라 다양한 하드웨어 환경과 워크로드 상에서 Linux OS가 사용되고 있다. 하지만 대부분의 머신은 범용 환경을 위해 구현된 Linux 스케줄러를 사용하고 있다. 본 논문에서는 스케줄러의 성능을 최적화하기 위해 강화학습을 활용하여 Linux kernel 내부의 ...
Linux kernel 시장이 확장됨에 따라 다양한 하드웨어 환경과 워크로드 상에서 Linux OS가 사용되고 있다. 하지만 대부분의 머신은 범용 환경을 위해 구현된 Linux 스케줄러를 사용하고 있다. 본 논문에서는 스케줄러의 성능을 최적화하기 위해 강화학습을 활용하여 Linux kernel 내부의 파라미터를 자동으로 최적화하는 STUN을 제안한다. STUN은 사용자의 개입 없이 스케줄러의 성능을 최적화하여 real workload인 얼굴인식 수행 시간을 18.3%, 초당 프레임 수는 22.4% 개선했다. 또한 STUN은 4 core, 44 core, 120 core에서 Sysbench를 최적화하여 26.97%, 54.42%, 256.13%의 성능 향상률 확인해 코어 수가 많을수록 높은 성능 향상률을 나타내었다.
Linux kernel 시장이 확장됨에 따라 다양한 하드웨어 환경과 워크로드 상에서 Linux OS가 사용되고 있다. 하지만 대부분의 머신은 범용 환경을 위해 구현된 Linux 스케줄러를 사용하고 있다. 본 논문에서는 스케줄러의 성능을 최적화하기 위해 강화학습을 활용하여 Linux kernel 내부의 파라미터를 자동으로 최적화하는 STUN을 제안한다. STUN은 사용자의 개입 없이 스케줄러의 성능을 최적화하여 real workload인 얼굴인식 수행 시간을 18.3%, 초당 프레임 수는 22.4% 개선했다. 또한 STUN은 4 core, 44 core, 120 core에서 Sysbench를 최적화하여 26.97%, 54.42%, 256.13%의 성능 향상률 확인해 코어 수가 많을수록 높은 성능 향상률을 나타내었다.
As the Linux kernel market expands, the Linux OS is used in various hardware environments and workloads. However, most machines use the Linux scheduler implemented for general-purpose environments. In this paper, we propose a STUN that automatically optimizes parameters inside the Linux kernel using...
As the Linux kernel market expands, the Linux OS is used in various hardware environments and workloads. However, most machines use the Linux scheduler implemented for general-purpose environments. In this paper, we propose a STUN that automatically optimizes parameters inside the Linux kernel using reinforcement learning to optimize the performance of the scheduler. By optimizing the performance of the scheduler without user intervention, STUN improved the execution time of real workloads by 18.3% and frames per second by 22.4%. In addition, STUN showed 26.97%, 54.42%, and 256.13% performance improvement by optimizing Sysbench in 4 core, 44 core, and 120 core.
As the Linux kernel market expands, the Linux OS is used in various hardware environments and workloads. However, most machines use the Linux scheduler implemented for general-purpose environments. In this paper, we propose a STUN that automatically optimizes parameters inside the Linux kernel using reinforcement learning to optimize the performance of the scheduler. By optimizing the performance of the scheduler without user intervention, STUN improved the execution time of real workloads by 18.3% and frames per second by 22.4%. In addition, STUN showed 26.97%, 54.42%, and 256.13% performance improvement by optimizing Sysbench in 4 core, 44 core, and 120 core.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.