선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 대규모 하이브리드 시스템을 멀티 코어와 GPU로 분배하는 구조를 셀룰러 모델을 그 예로 들어 설명하고자 한다. 본 연구에서 사용되는 셀룰러 모델은 다수의 셀 간의 연결로 구성되어 있고, 대규모 셀 모델의 각 셀은 연속 시간 시스템 모델링에 사용되는 미분 방정식에 의해 내부 변화 동작을 가진다.
- 본 논문에서는 DEVS 기반의 가속화 연구를 이기종아키텍처가 결합된 구조의 구현 관점에서 진행한다. 특히, CPU와 GPU가 결합된 구조에서 연속 시간 시스템과 이산 사건 시스템이 결합된 하이브리드 시스템의 시뮬레이션을 가속화하고자 한다.
- 본 논문에서는 DEVS 형식론 기반의 하이브리드 시스템의 가속화를 위해 CPU와 GPU가 결합된 이기종 아키텍처에서의 시뮬레이션을 제안하였다. 타겟 시스템 모델로 대규모 셀룰러 모델을 이용하였으며, 그 중 화재 확산모델을 예로 사용하였다.
- 시뮬레이션의 실행 시간은 셀의 개수, 하드웨어 조합, Runge-Kutta 방법을 이용 미분 방정식에서의 시간 간격을 바꾸어가며 측정되었다. 추가로, 8가지 하드웨어 조합과 여러 실험 조건에 대하여 최대 전력 소모를 각각 분석하여 제안하는 구조의 전력관점에서의 효율성을 분석하고자 하였다. 본 연구의 실험 부에서 측정한 시뮬레이션 시간은 모든 셀들이 전부 한 번씩 갱신되는 시간을 측정하였다.
- 본 논문에서는 DEVS 기반의 가속화 연구를 이기종아키텍처가 결합된 구조의 구현 관점에서 진행한다. 특히, CPU와 GPU가 결합된 구조에서 연속 시간 시스템과 이산 사건 시스템이 결합된 하이브리드 시스템의 시뮬레이션을 가속화하고자 한다. 이를 위하여 시뮬레이션의 처리 과정을 각각의 하드웨어에 적절히 분배하고, CPU 코어와 GPU 코어 개수에 따른 여러 하드웨어 조합에서 시뮬레이션을 진행하고, 전력 소모를 분석하여 제안하는 구조의 효율성을 분석하고자 한다.
가설 설정
- 특히 이벤트를 이용한 시뮬레이션의 시간 천이 동작으로 인해 고정시간 간격을 기반으로 하는 시뮬레이션에 비해 시스템 모델을 평가할 때 고속으로 시뮬레이션 할 수 있는 장점이 있다. 일반적으로 하이브리드 시스템은 두 가지 이상의 시스템의 특성들이 결합되어 있는 시스템을 의미하며, 본 연구에서 다루는 하이브리드 시스템은 연속상태 특성과 이산 상태 특성 모두가 하나의 시스템 모델에 내재되어 있고 이를 단일 시뮬레이터로 해석하는 것을 가정한다. 연속 시간 시스템과 이산 사건 시스템의 결합성 때문에 여러 관점의 동특성을 가지는 복잡한 시스템의 모델링과 시뮬레이션에 효과적으로 이용될 수 있다.
제안 방법
- Figure 11은 셀의 개수와 하드웨어 조합을 바꾸어가며 측정한 시뮬레이션의 시간이다. 8가지 경우의 하드웨어조합에 대하여 시뮬레이션 시간을 측정하였으며, 셀의 개수를 90000개에서 2880000개로 변경해가며 시간을 측정하였다. 미분 방정식 계산을 위한 연속 시간 시스템의 시간 간격은 0.
- 전체 시뮬레이션 과정은 하이브리드 시스템의 특성에 따라 연속 시간 시스템과 이산 사건 시스템으로 분할하였다. 대규모 셀룰러 모델에서 동일한 연산이 반복되는 특성을 가지는 연속 시간 시스템의 시뮬레이션은 GPU에 할당하여 동작하도록 하였으며, 이산 사건 시스템은 CPU의 멀티 코어에서 병렬 처리 하였다. 제안하는 구조의 시뮬레이션을 여러 하드웨어 조합과 셀의 개수를 변경해가며 분석하였으며, 전력 소모 관점에서도 분석하여 효율적인 시뮬레이션의 하드웨어 조합을 찾고자 하였다.
- DEVS 기반의 하이브리드 시스템에서 GPU를 효과적으로 사용하기 위해, Figure 4와 같이, 시뮬레이션 대상인 시스템을 정확히 이해하고 그로부터 GPU에서 시뮬레이션 하고자 하는 동작의 시점을 정하는 과정이 필요하다.대규모 셀룰러 모델의 시뮬레이션에서 본 연구에서 제안하는 GPU로의 데이터 복사 시점은 가장 일반적인 방법으로써, 하이브리드 시스템의 이산 사건 시스템의 시뮬레이션이 끝난 후, 연속 시간 시스템 모델을 GPU에서 시뮬레이션 하는 방법이다. 이 방법을 적용하기 위해, 타겟 모델 특성의 정확한 이해와 더불어 DEVS 시뮬레이션의 흐름 제어가 필요하다.
- 또한, 시뮬레이션에 소요되는 시간을 코어 개수에 따른 다양한 하드웨어의 조합에서 분석하였다. 더 나아가, 각각의 하드웨어 조합에서 시뮬레이션 시 소모되는 최대 전력 값을 측정하고, 제안하는 이기종 아키텍처에서의 시뮬레이션을 효율성 관점에서 분석하도록 하였다.
- 제안하는 구조의 시뮬레이션을 여러 하드웨어 조합과 셀의 개수를 변경해가며 분석하였으며, 전력 소모 관점에서도 분석하여 효율적인 시뮬레이션의 하드웨어 조합을 찾고자 하였다. 또한, DEVS 형식론 기반의 하이브리드시스템에서 연속 시간 시스템의 시뮬레이션 정확도를 위한 미분 방정식의 시간 간격을 변경해가며 시뮬레이션 시간을 분석하였다. 그 결과, 제안하는 구조가 DEVS 기반의 가속화된 하이브리드 시스템의 시뮬레이션에 적용 가능함을 확인하였고, 제안하는 이기종 아키텍처를 실행 시간 대 전력 소모 관점에서 분석하여 효율적인 시뮬레이션 구조임을 확인하였다.
- 각각의 셀들의 연속 시간 시스템의 미분 방정식은 Runge-Kutta 방법을 이용하여 구현되었다. 또한, 대규모 셀을 사용함으로써 보다 자세한 시뮬레이션 결과를 얻도록 하였다. 화재 확산 모델의 시뮬레이션 과정은 크게 두 부분, 주변 셀과 메시지 전달을 포함한 전체 동작 부분과 내부, 외부 상태에 의해 상태가 변하는 부분으로 나뉜다.
- 하이브리드 시스템의 시뮬레이션을 가속화하기 위하여 이산 사건 시스템의 시뮬레이션은 멀티 코어에서, 미분 방정식을 포함하는 연속 시간 시스템의 시뮬레이션은 GPU에서 동작하는 것을 제안한다. 또한, 멀티 코어에서 동작하는 이산 사건 시스템의 시뮬레이션은 셀룰러 모델을 여러 하위 모델로 나누어 시뮬레이션 하도록 하였다. 셀룰러 모델은 그 지역적인 특징으로부터 여러 하위 모델로 나누어질 수 있으며, 각 하위모델들을 코어에 할당하여 시뮬레이션하고, 각기 다른 코어에서 동작하는 하위 모델 간의 통신을 구현하여 전체 시뮬레이션의 동작을 가능하게 하였다.
- 제안하는 멀티 코어와 GPU가 결합된 이기종 아키텍처에서의 시뮬레이션을 시스템의 매개 변수들의 값을 바꾸어가며 결과를 분석하였다. 또한, 시뮬레이션에 소요되는 시간을 코어 개수에 따른 다양한 하드웨어의 조합에서 분석하였다. 더 나아가, 각각의 하드웨어 조합에서 시뮬레이션 시 소모되는 최대 전력 값을 측정하고, 제안하는 이기종 아키텍처에서의 시뮬레이션을 효율성 관점에서 분석하도록 하였다.
- 이러한 문제점을 해결하기 위해, 대규모 셀룰러 모델의 시뮬레이션 가속화 관점에서의 연구가 진행되었다(Hu, 2004). 본 연구는 기존의 GPU 기반의 DEVS 병렬 처리 연구와 달리, DEVS 기반의 하이브리드 시스템의 가속화된 시뮬레이션을 제안하고, 제안하는 이기종 아키텍처에서의 시뮬레이션의 성능을 상세한 시뮬레이션 결과를 얻을 수 있는 대규모 셀룰러 모델을 이용하여 분석하고 검증하였다.
- 본 연구에서 모델링하고자 하는 시스템의 대상의 구조는 DEVS 형식론 기반으로 표현될 수 있는 셀룰러 모델(Wainer, 2004)을 이용하여 이산 시간, 공간, 그리고 시스템의 상태를 이용한 셀들의 대규모 상호 연결 형태의 집합으로 정의되어 많은 수의 모델의 셀들을 필요로 한다. 이러한 이유로 인해 속도 측면에서 보다 높은 성능의 시뮬레이션을 가능하게하기 위해 시뮬레이션의 병렬화 방법을 고안하고 이를 하드웨어 플랫폼에 최적화 하는 것이 필수적이다.
- 대규모 하이브리드 시스템을 멀티 코어와 GPU로 분배하는 구조를 셀룰러 모델을 그 예로 들어 설명하고자 한다. 본 연구에서 사용되는 셀룰러 모델은 다수의 셀 간의 연결로 구성되어 있고, 대규모 셀 모델의 각 셀은 연속 시간 시스템 모델링에 사용되는 미분 방정식에 의해 내부 변화 동작을 가진다. 따라서 각 셀의 연속 시간 시스템의 시뮬레이션 과정은 미분 방정식 계산을 따르며, 반복적이다.
- 이산 사건 시스템 모델을 이용한 시뮬레이션의 흐름은 하위 모델로 나눔으로써 멀티 코어에서 병렬처리 되도록 하였다. 본 연구에서 시뮬레이션은 다수의 GPU 장치를 이용하여 동작하도록 하였고, 이산 사건 시스템을 따르는 나머지 시뮬레이션 부분은 멀티 코어에 분배되어 동작하도록 하였다. 설정된 시간 간격이 흐른 후, 멀티 코어와 GPU에서 동작한 시뮬레이션 결과는 하나로 합쳐진다.
- 본 연구에서는 DEVS 형식론 기반의 이산 사건e 시스템과 연속 시간 시스템의 결합으로 구성된 하이브리드 시스템의 통합 시뮬레이션을 위한 이전 연구에 기반 한다. DEVS 기반의 하이브리드 시스템 모델링 관련 연구가 진행되었으며(Zeigler, 1995), 많은 분야에서 복잡한 시스템을 시뮬레이션 하는 데 이용되어 왔다(Bergero, 2011; Hong, 2013; Saadawi, 2012).
- 본 연구에서는 연속 시간 시스템과 이산 사건 시스템의 결합으로 이루어진 DEVS 형식론 기반의 하이브리드시스템의 시뮬레이션을 가속화 관점에서 접근하였다. 특히, 대규모 셀룰러 기반의 하이브리드 시스템 시뮬레이션의 동작 과정을 CPU 멀티 코어와 GPU에 적절하게 분배하고, GPU를 이용한 대규모 셀룰러 모델의 시뮬레이션에서 고려해야할 부분들을 제안하고자 한다.
- 본 연구에서는 제안하는 구조를 Table 1에 나타난 하드웨어들의 여러 조합에 대한 시뮬레이션 시간과 디바이스들의 최대 전력 소모 관점에서 분석하였다. Figure 10은 제안하는 이기종 아키텍처 기반의 시뮬레이션에서 사용된 장치들을 나타낸다.
- 추가로, 8가지 하드웨어 조합과 여러 실험 조건에 대하여 최대 전력 소모를 각각 분석하여 제안하는 구조의 전력관점에서의 효율성을 분석하고자 하였다. 본 연구의 실험 부에서 측정한 시뮬레이션 시간은 모든 셀들이 전부 한 번씩 갱신되는 시간을 측정하였다.
- 제안하는 구조에서의 시뮬레이션을 Table 2와 같이 8가지 경우의 하드웨어 조합에 대해 나누고, 각각 동작하였다. 시뮬레이션의 실행 시간은 셀의 개수, 하드웨어 조합, Runge-Kutta 방법을 이용 미분 방정식에서의 시간 간격을 바꾸어가며 측정되었다. 추가로, 8가지 하드웨어 조합과 여러 실험 조건에 대하여 최대 전력 소모를 각각 분석하여 제안하는 구조의 전력관점에서의 효율성을 분석하고자 하였다.
- S:X는 원자 모델을 위한 시뮬레이터를 나타내며 C:XY는 결합 모델 XY와 대응되는 코디네이터를 나타낸다. 시뮬레이터는 원자 모델을 위하여 시뮬레이션 동작을 업데이트하고, 네 개의 원자 모델의 함수를 호출하여 상태를 천이한다. 코디네이터는 네 개의 결합 함수를 호출하며 메시지 전달을 담당한다.
- 일반적으로 더 조밀한 시간 간격을 이용한 연산이 더 정확한 결과를 얻어낸다. 실험에서는 1차 미분 방정식 기반의 연속 시간 시스템을 구현하였으며, 시뮬레이션 시간은 Figure 12와 같이 시간 간격을 바꾸어가며 측정되었다. 16개의 CPU 코어와 4개의 GPU를 이용하여 실행 시간을 측정하였으며, 미분 방정식 계산을 위한 시간 간격은 0.
- CPU 코어를 이용한 시뮬레이션의 경우 전력 소모는 이론적으로 구하였으며, GPU를 사용한 시뮬레이션의 경우 nvidia-smi 툴을 이용하여 실제로 구하였다. 실험은 2880000개의 셀과 0.0001 시간 간격, 그리고 8개의 하드웨어 조합을 변경해가며 진행하였다. 최대 전력 소모와 시뮬레이션 실행 시간은 그래프와 같이 반비례하는 것을 확인할 수 있으며, 더 많은 전력이 소모될 경우 실행 시간 관점에서 더 높은 성능을 가지는 것을 확인하였다.
- 특히, CPU와 GPU가 결합된 구조에서 연속 시간 시스템과 이산 사건 시스템이 결합된 하이브리드 시스템의 시뮬레이션을 가속화하고자 한다. 이를 위하여 시뮬레이션의 처리 과정을 각각의 하드웨어에 적절히 분배하고, CPU 코어와 GPU 코어 개수에 따른 여러 하드웨어 조합에서 시뮬레이션을 진행하고, 전력 소모를 분석하여 제안하는 구조의 효율성을 분석하고자 한다.
- 타겟 시스템 모델로 대규모 셀룰러 모델을 이용하였으며, 그 중 화재 확산모델을 예로 사용하였다. 전체 시뮬레이션 과정은 하이브리드 시스템의 특성에 따라 연속 시간 시스템과 이산 사건 시스템으로 분할하였다. 대규모 셀룰러 모델에서 동일한 연산이 반복되는 특성을 가지는 연속 시간 시스템의 시뮬레이션은 GPU에 할당하여 동작하도록 하였으며, 이산 사건 시스템은 CPU의 멀티 코어에서 병렬 처리 하였다.
- 대규모 셀룰러 모델에서 동일한 연산이 반복되는 특성을 가지는 연속 시간 시스템의 시뮬레이션은 GPU에 할당하여 동작하도록 하였으며, 이산 사건 시스템은 CPU의 멀티 코어에서 병렬 처리 하였다. 제안하는 구조의 시뮬레이션을 여러 하드웨어 조합과 셀의 개수를 변경해가며 분석하였으며, 전력 소모 관점에서도 분석하여 효율적인 시뮬레이션의 하드웨어 조합을 찾고자 하였다. 또한, DEVS 형식론 기반의 하이브리드시스템에서 연속 시간 시스템의 시뮬레이션 정확도를 위한 미분 방정식의 시간 간격을 변경해가며 시뮬레이션 시간을 분석하였다.
- 멀티 코어와 GPU가 결합된 구조의 대규모 하이브리드 시스템의 시뮬레이션 가속화를 수행하기 위해 각각의 디바이스에 하이브리드 시스템의 특성을 기반으로 하여 시뮬레이션 커널을 적절히 분배하는 과정이 매우 중요하며, 그 과정은 다음과 같다. 제안하는 시뮬레이션 구조에서 하이브리드 시스템 시뮬레이션의 가속화를 위하여, 시뮬레이션의 과정 중 이산 사건 시뮬레이션은 CPU에서 동작하도록, 연속 시간 시뮬레이션은 GPU에서 동작하도록 구현하였다. GPU는 특히 대규모 부동소수점 연산에 장점을 가지는 가속기로써 대규모 하이브리드 시스템에서 연속 시간 시스템의 시뮬레이션에 적합하다.
- 즉, 제안하는 GPU의 동작 시점을 한 시점에서 모든 셀 모델들의 상태가 변하게 되는 마지막 tN을 찾고, GPU 동작 시점에 적용하도록 한다. 즉, 이 tN이 지난 후, 하이브리드 시스템에서 미분 방정식 형태를 가지는 연속 시간 시스템들을 GPU CUDA의 쓰레드와 블록 인덱스를 이용한 GPU 동작을 수행하여 시뮬레이션 되도록 한다.
- 모델의 상태는 다가오는 tN이 갖고 있는 tN과 같아질 경우 변하게 된다. 즉, 제안하는 GPU의 동작 시점을 한 시점에서 모든 셀 모델들의 상태가 변하게 되는 마지막 tN을 찾고, GPU 동작 시점에 적용하도록 한다. 즉, 이 tN이 지난 후, 하이브리드 시스템에서 미분 방정식 형태를 가지는 연속 시간 시스템들을 GPU CUDA의 쓰레드와 블록 인덱스를 이용한 GPU 동작을 수행하여 시뮬레이션 되도록 한다.
- 본 연구에서는 연속 시간 시스템과 이산 사건 시스템의 결합으로 이루어진 DEVS 형식론 기반의 하이브리드시스템의 시뮬레이션을 가속화 관점에서 접근하였다. 특히, 대규모 셀룰러 기반의 하이브리드 시스템 시뮬레이션의 동작 과정을 CPU 멀티 코어와 GPU에 적절하게 분배하고, GPU를 이용한 대규모 셀룰러 모델의 시뮬레이션에서 고려해야할 부분들을 제안하고자 한다. 제안하는 멀티 코어와 GPU가 결합된 이기종 아키텍처에서의 시뮬레이션을 시스템의 매개 변수들의 값을 바꾸어가며 결과를 분석하였다.
- 시뮬레이션 과정에서, 사용하는 대규모 셀룰러 모델은 Figure 5와 같이 수많은 하이브리드 시스템들의 연결로 구성되어 있다. 하이브리드 시스템의 시뮬레이션을 가속화하기 위하여 이산 사건 시스템의 시뮬레이션은 멀티 코어에서, 미분 방정식을 포함하는 연속 시간 시스템의 시뮬레이션은 GPU에서 동작하는 것을 제안한다. 또한, 멀티 코어에서 동작하는 이산 사건 시스템의 시뮬레이션은 셀룰러 모델을 여러 하위 모델로 나누어 시뮬레이션 하도록 하였다.
대상 데이터
- 본 논문에서는 DEVS 형식론 기반의 하이브리드 시스템의 가속화를 위해 CPU와 GPU가 결합된 이기종 아키텍처에서의 시뮬레이션을 제안하였다. 타겟 시스템 모델로 대규모 셀룰러 모델을 이용하였으며, 그 중 화재 확산모델을 예로 사용하였다. 전체 시뮬레이션 과정은 하이브리드 시스템의 특성에 따라 연속 시간 시스템과 이산 사건 시스템으로 분할하였다.
데이터처리
- 특히, 대규모 셀룰러 기반의 하이브리드 시스템 시뮬레이션의 동작 과정을 CPU 멀티 코어와 GPU에 적절하게 분배하고, GPU를 이용한 대규모 셀룰러 모델의 시뮬레이션에서 고려해야할 부분들을 제안하고자 한다. 제안하는 멀티 코어와 GPU가 결합된 이기종 아키텍처에서의 시뮬레이션을 시스템의 매개 변수들의 값을 바꾸어가며 결과를 분석하였다. 또한, 시뮬레이션에 소요되는 시간을 코어 개수에 따른 다양한 하드웨어의 조합에서 분석하였다.
이론/모형
- 제안하는 시뮬레이션의 전력 관점에서의 효율성을 분석하기 위해 Figure 13과 같이 8가지 하드웨어 조합에 대하여 최대 전력 소모를 측정하고 분석하였다. CPU 코어를 이용한 시뮬레이션의 경우 전력 소모는 이론적으로 구하였으며, GPU를 사용한 시뮬레이션의 경우 nvidia-smi 툴을 이용하여 실제로 구하였다. 실험은 2880000개의 셀과 0.
- 각각의 셀들의 연속 시간 시스템의 미분 방정식은 Runge-Kutta 방법을 이용하여 구현되었다. 또한, 대규모 셀을 사용함으로써 보다 자세한 시뮬레이션 결과를 얻도록 하였다.
- 미분 방정식의 기본 구조는 Figure 2의 연속 시스템 모델과 같이 나타난다. 미분 방정식을 풀기 위한 여러 방법 중, 본 연구에서는 Runge-Kutta 방법을 이용한다. Runge-Kutta 방법은 미분 방정식 중 초기값 문제를 해결하는 방법이며, 연산을 위한 시간 간격이 짧을수록 그 결과가 정확하다.
- 기반의 화재 확산 모델 제안하는 이기종 아키텍처를 분석하기 위하여 Figure 8 (b)와 같은 화재 확산 모델 현상을 시뮬레이션 하도록 한다. 이 시스템은 DEVS 형식론을 기반으로 모델링 되었으며, 각각의 셀들은 주변의 셀들로부터 임계 값 이상의 값을 전달 받을 경우 불안정한 상태로 변하게 된다. 이 상태 천이 과정은 연속 시간 시스템으로 모델링되며, GPU에서 제안하는 방법으로 시뮬레이션 된다.
성능/효과
- 또한, CPU-GPU가 결합된 시뮬레이션의 실행 시간은 시간 간격이 변하더라도 거의 일정한 것을 확인하였다. 16개의 CPU 코어만을 이용하는 4의 경우 시간 간격에 대한 시뮬레이션 시간의 차이가 확연하게 드러남을 확인하였고, 0.1 시간 간격을 이용한 시뮬레이션과 0.0001 시간 간격을 이용한 시뮬레이션의 시간은 약 3.7배가 차이나는 것을 확인하였다. 반면, 제안하는 CPU-GPU 구조에서의 실행 시간은 같은 조건에 대하여 0.
- 5 GBytes의 추가 메모리 사용량을 가지는 것을 알 수 있다. GPU에서 사용되는 추가 메모리 사용량으로 인해 시뮬레이션 과정에 사용할 수 있는 시스템의 메모리 사용량이 제한될 수 있지만 그 양이 크지 않은 것을 확인하였다. 즉, 제안하는 이기종 아키텍처를 이용한 시뮬레이션의 경우 추가 메모리 사용량을 가지지만 실행 시간 관점에서 성능이 크게 향상되는 것을 확인하였다.
- 그 결과, 셀의 개수가 늘어날수록 시뮬레이션 시간은 더 가파르게 증가하는 것을 확인할 수 있다. 같은 CPU 코어 개수를 사용하는 4번과 8번의 하드웨어 조합의 경우, 8번의 하드웨어 조합의 시뮬레이션 시간이 180000개의 셀을 사용하였을 때 10% 빠른 실행 시간을 보였고, 2880000개의 셀을 사용하였을 경우 80% 더 빠른 시간에 동작함을 확인하였다. 즉, CPU-GPU가 결합된 제안하는 구조의 시뮬레이션이 대규모 셀의 시뮬레이션에 이점을 가지는 것을 확인하였다.
- 0001로 변경해가며 측정하였다. 그 결과 제안하는 CPU-GPU가 결합된 시뮬레이션과 CPU만 사용한 시뮬레이션의 시간과 비교 하였을 때, 제안하는 구조의 시뮬레이션 시간이 미분 방정식 계산의 시간 간격이 조밀해짐에 따라 0.05배에서 3.1배 만큼 상대적으로 적음을 확인하였다. 또한, CPU-GPU가 결합된 시뮬레이션의 실행 시간은 시간 간격이 변하더라도 거의 일정한 것을 확인하였다.
- 0001을 사용하였다. 그 결과, 셀의 개수가 늘어날수록 시뮬레이션 시간은 더 가파르게 증가하는 것을 확인할 수 있다. 같은 CPU 코어 개수를 사용하는 4번과 8번의 하드웨어 조합의 경우, 8번의 하드웨어 조합의 시뮬레이션 시간이 180000개의 셀을 사용하였을 때 10% 빠른 실행 시간을 보였고, 2880000개의 셀을 사용하였을 경우 80% 더 빠른 시간에 동작함을 확인하였다.
- 또한, DEVS 형식론 기반의 하이브리드시스템에서 연속 시간 시스템의 시뮬레이션 정확도를 위한 미분 방정식의 시간 간격을 변경해가며 시뮬레이션 시간을 분석하였다. 그 결과, 제안하는 구조가 DEVS 기반의 가속화된 하이브리드 시스템의 시뮬레이션에 적용 가능함을 확인하였고, 제안하는 이기종 아키텍처를 실행 시간 대 전력 소모 관점에서 분석하여 효율적인 시뮬레이션 구조임을 확인하였다. 추후 연구로는 제안하는 CPU-GPU 결합 시뮬레이션 구조를 다수의 레이어를 포함하는 시뮬레이션에 적용하고 넓혀나갈 계획이다.
- 1배 만큼 상대적으로 적음을 확인하였다. 또한, CPU-GPU가 결합된 시뮬레이션의 실행 시간은 시간 간격이 변하더라도 거의 일정한 것을 확인하였다. 16개의 CPU 코어만을 이용하는 4의 경우 시간 간격에 대한 시뮬레이션 시간의 차이가 확연하게 드러남을 확인하였고, 0.
- 7배가 차이나는 것을 확인하였다. 반면, 제안하는 CPU-GPU 구조에서의 실행 시간은 같은 조건에 대하여 0.02배 차이가 나타났으며, 그 결과 제안하는 구조에서 GPU가 대규모 부동소수점 연산에 장점을 가지며 연속 시간 시스템의 시뮬레이션에 적합한 것을 확인하였고, 연속 시간 시스템의 시뮬레이션 시간 관점에서 매우 효율적인 구조임을 확인하였다. 추가로 제안하는 구조의 GPU에서 사용하는 추가 메모리 사용량은 Table 3과 같으며, 각 GPU 장치는 680 MBytes의 추가 메모리 사용량을 가진다.
- 최대 전력 소모와 시뮬레이션 실행 시간은 그래프와 같이 반비례하는 것을 확인할 수 있으며, 더 많은 전력이 소모될 경우 실행 시간 관점에서 더 높은 성능을 가지는 것을 확인하였다. 본 연구에서 측정한 전력 소모량은 최대 전력 소모 값이며 시뮬레이션에 소모되는 전체 전력의 경우, 제안하는 구조에서의 전력소모량이 시뮬레이션 시간이 길어질수록 상대적으로 더 작아져 전체 전력 소모 관점에서도 이점을 가지는 것을 알 수 있다. 하드웨어 조합 4번의 경우와 5번의 경우에 대해, 5번의 경우 405 와트를 소모하였으며, 4번의 경우 353 와트를 소모하였다.
- 이벤트 기반 모델링 및 시뮬레이션은 사물인터넷과 같이 대규모 연결로 구성된 각각의 모델 구조를 다양한 계층으로 표현할 수 있고 시스템 간에 복잡한 상호관계와 그로 인한 상태변화의 동특성을 이벤트 기반으로 해석할 수 있어 대상 시스템의 복잡한 동특성을 쉽고 강력하게 분석할 수 있다. DEVS는 계층적이고 객체 지향적인 특성에 기반 하여 수평적으로 상호 결합된 시스템 구조와 수직적으로 멀티 레벨 모델링을 용이하게 기술하고 통합할 수 있는 형식론이며 이산 사건 시스템뿐만 아니라 연속 시간 시스템과의 이벤트 기반 연결성 등을 모델링하고 통합 시뮬레이션 하는 데 적용될 수 있는 방법이다.
- 같은 CPU 코어 개수를 사용하는 4번과 8번의 하드웨어 조합의 경우, 8번의 하드웨어 조합의 시뮬레이션 시간이 180000개의 셀을 사용하였을 때 10% 빠른 실행 시간을 보였고, 2880000개의 셀을 사용하였을 경우 80% 더 빠른 시간에 동작함을 확인하였다. 즉, CPU-GPU가 결합된 제안하는 구조의 시뮬레이션이 대규모 셀의 시뮬레이션에 이점을 가지는 것을 확인하였다.
- GPU에서 사용되는 추가 메모리 사용량으로 인해 시뮬레이션 과정에 사용할 수 있는 시스템의 메모리 사용량이 제한될 수 있지만 그 양이 크지 않은 것을 확인하였다. 즉, 제안하는 이기종 아키텍처를 이용한 시뮬레이션의 경우 추가 메모리 사용량을 가지지만 실행 시간 관점에서 성능이 크게 향상되는 것을 확인하였다.
- 0001 시간 간격, 그리고 8개의 하드웨어 조합을 변경해가며 진행하였다. 최대 전력 소모와 시뮬레이션 실행 시간은 그래프와 같이 반비례하는 것을 확인할 수 있으며, 더 많은 전력이 소모될 경우 실행 시간 관점에서 더 높은 성능을 가지는 것을 확인하였다. 본 연구에서 측정한 전력 소모량은 최대 전력 소모 값이며 시뮬레이션에 소모되는 전체 전력의 경우, 제안하는 구조에서의 전력소모량이 시뮬레이션 시간이 길어질수록 상대적으로 더 작아져 전체 전력 소모 관점에서도 이점을 가지는 것을 알 수 있다.
후속연구
- 그 결과, 제안하는 구조가 DEVS 기반의 가속화된 하이브리드 시스템의 시뮬레이션에 적용 가능함을 확인하였고, 제안하는 이기종 아키텍처를 실행 시간 대 전력 소모 관점에서 분석하여 효율적인 시뮬레이션 구조임을 확인하였다. 추후 연구로는 제안하는 CPU-GPU 결합 시뮬레이션 구조를 다수의 레이어를 포함하는 시뮬레이션에 적용하고 넓혀나갈 계획이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.