[논문]슈퍼컴퓨터 최적 실행 지원을 위한 하드웨어 성능 카운터 기반 프로파일링 기법의 확장성 연구

최지은; 박근철; 노승우; 박찬열

doi:10.3745/ktccs.2020.9.10.221

[국내논문] 슈퍼컴퓨터 최적 실행 지원을 위한 하드웨어 성능 카운터 기반 프로파일링 기법의 확장성 연구
A Study on Scalability of Profiling Method Based on Hardware Performance Counter for Optimal Execution of Supercomputer 원문보기

정보처리학회논문지. KIPS transactions on computer and communication systems 컴퓨터 및 통신 시스템, v.9 no.10, 2020년, pp.221 - 230

최지은 (한국과학기술정보연구원 슈퍼컴퓨터기술개발센터) , 박근철 (한국과학기술정보연구원 슈퍼컴퓨터기술개발센터) , 노승우 (한국과학기술정보연구원 슈퍼컴퓨터기술개발센터) , 박찬열 (한국과학기술정보연구원 슈퍼컴퓨터기술개발센터)

초록
AI-Helper

한정된 자원을 여러 사용자에게 공유해야하는 슈퍼컴퓨터와 같은 시스템은 응용프로그램의 실행을 최적화하는 방안이 필요하다. 이를 위해 시스템 관리자가 수행할 응용프로그램에 대한 사전 정보를 파악하는 것이 유용하다. 대부분의 고성능 컴퓨팅 시스템 운영에 있어 작업을 실행할 때 사용자로부터 실행 기간, 자원 요구사항들에 대한 정보를 제공 받거나 시스템 사용 통계 값을 사용하여 필요한 정보를 생성하는 등의 프로파일링 기술을 바탕으로 시스템 활용률을 높이는데 활용하고 있다. 본 논문의 선행연구에서는 하드웨어 성능 카운터를 이용하여 소스코드에 대한 별도의 이해 없이 응용프로그램 특성분석을 실행하고, 이 결과를 바탕으로 작업 스케줄링 알고리즘을 최적화하는 기술을 개발한 바 있다. 본 논문에서는 슈퍼컴퓨터 최적 실행지원을 위한 프로파일링 테스트베드 클러스터를 구축하고 구축한 클러스터 환경에서 하드웨어 성능 카운터를 기반으로 응용프로그램의 특성을 분석하는 프로파일링 기법의 확장성을 실험하였다. 이를 통해 응용프로그램의 문제크기를 축소하거나 프로파일링에 사용되는 노드수를 최소화하여도 개발한 하드웨어 성능 카운터 기반의 프로파일링 기법이 확장성 있게 동작하여 실제 스케줄링 최적화시에 활용될 수 있음을 보이고자 한다. 실험을 통해 프로파일링에 사용되는 노드의 수를 1/4로 줄여도 전체 노드를 사용한 프로파일링 대비 응용프로그램의 실행 시간이 1.08% 증가할 뿐 스케줄링 최적화 성능은 순차실행 대비 최대 37% 향상되었다. 또한 응용프로그램의 문제크기를 축소하여 프로파일링한 결과 프로파일링 데이터 수집 단계의 시간적 비용을 1/4배 이상 낮추면서 최대 35% 성능 향상 효과를 얻었다.

Abstract ▼ AI-Helper

Supercomputer that shares limited resources to multiple users needs a way to optimize the execution of application. For this, it is useful for system administrators to get prior information and hint about the applications to be executed. In most high-performance computing system operations, system administrators strive to increase system productivity by receiving information about execution duration and resource requirements from users when executing tasks. They are also using profiling techniques that generates the necessary information using statistics such as system usage to increase system utilization. In a previous study, we have proposed a scheduling optimization technique by developing a hardware performance counter-based profiling technique that enables characterization of applications without further understanding of the source code. In this paper, we constructed a profiling testbed cluster to support optimal execution of the supercomputer and experimented with the scalability of the profiling method to analyze application characteristics in the built cluster environment. Also, we experimented that the profiling method can be utilized in actual scheduling optimization with scalability even if the application class is reduced or the number of nodes for profiling is minimized. Even though the number of nodes used for profiling was reduced to 1/4, the execution time of the application increased by 1.08% compared to profiling using all nodes, and the scheduling optimization performance improved by up to 37% compared to sequential execution. In addition, profiling by reducing the size of the problem resulted in a quarter of the cost of collecting profiling data and a performance improvement of up to 35%.

Keyword

표/그림 (10)

그림 Fig. 1. Profiling Method Based on Hardware Performance Counter
그림 Fig. 2. Kiviat Charts for Characteristics Analysis of Application
표 Table 1. Specifications of KISTI-GVP Node
표 Table 2. Execution Time According to Problem Size of NPB Programs in Single Node and Multiple Nodes
표 Table 3. Sample Data from the Event Collection Step Generated by Single Node Profiling
그림 Fig. 3. Increase Data Collection Time in '#N-process' Compared to 'N-master'
표 Table 4. Profiling Results by Problem Size and Number of Profiling Nodes
표 Table 5. Interference Ratio Generated as a Result of Profiling to 16 Nodes
표 Table 6. Resource Interference-aware Co-scheduling Algorithm[11]
그림 Fig. 4. Experiment Results of Scheduling Optimization

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문의 선행연구[20]에서는 리눅스 perf를 사용하여 매니코어 형태의 컴퓨팅 시스템에서 응용프로그램을 실행하면서 성능이벤트의 일부를 기록하고 응용프로그램이 실행되는 동안 활용한 시스템 자원에 대한 특성을 도출하는 프로파일링 기법을 개발한 바 있다. 이를 바탕으로 본 논문에서는 슈퍼컴퓨터 최적 실행 지원을 위한 프로파일링 테스트베드를 구축하고 개발한 프로파일링 기법이 확장성 있게 동작함을 실험을 통해 보이고자 한다. 프로파일링 기법의 확장성 실험은 다음과 같이 3가지 방법으로 진행된다.
최적화 단계에서는 계산된 자원 간섭률을 고려한 작업 스케줄링 기법을 제시하여 전체 작업 시간을 줄이는 시스템 최적화 기술을 보인 바 있다. 본 논문에서는 다중 노드의 클러스터로 실험 환경을 확장하여 응용프로그램의 문제크기와 프로파일링에 사용되는 노드 수를 변경하며 프로파일링하고, 그 프로파일링 결과의 효용성을 검증함으로써 프로파일링 기술의 확장성을 보이고자 한다.
본 연구에서는 자체 개발한 KISTI-GVP 시스템 기반 클러스터 환경에서 응용 특성 분석 기법의 스케줄링 최적화 확장성 실험을 진행하였다. 실험 결과 프로파일링 대상 응용과 스케줄링 최적화 대상 응용프로그램의 문제 크기가 다를지라도 시스템 성능 향상의 효과가 유지됨을 보였다.
향후, 응용프로그램의 런타임 전체를 프로파일링 하는 것이 아닌 작업의 일부분만을 프로파일링 하는 경우의 성능 변화를 분석할 예정이다. 또한 쉘 프로그램을 이용하여 리눅스 perf 프로그램을 사용하여 mpi로 작성된 응용프로그램의 성능이벤트를 프로세스 레벨로 수집하는 데에 소모되는 오버헤드를 낮추고 데이터의 정확도를 유지할 수 있는 방법을 연구하고자 한다. 이와 같은 추가적인 연구를 통해 현재 실험에 사용한 자원 간섭률 기반 스케줄링 알고리즘을 개선하고 기초적인 스케줄링 기법이 아닌 최신 연구들에서 제시된 성능이 뛰어난 스케줄링 알고리즘과 비교 가능하도록 발전시키고자 한다.

제안 방법

프로파일링 기법의 확장성 실험은 다음과 같이 3가지 방법으로 진행된다. (1)프로파일링 테스트베드 클러스터의 노드수를 다르게 사용하여 응용프로그램을 프로파일링하고, 그 프로파일링 데이터를 바탕으로 전체 노드를 사용하는 환경에서 스케줄링 최적화 성능 평가를 통해 제시한 프로파일링 기법의 확장성을 검증하였다. (2)응용프로그램의 문제크기를 줄여 프로파일링하고, 그 프로파일링 데이터를 바탕으로 대규모 응용프로그램으로 스케줄링 실험시 최적화 성능 평가를 통해 제시한 프로파일링 기법의 확장성을 검증하였다.
(1)프로파일링 테스트베드 클러스터의 노드수를 다르게 사용하여 응용프로그램을 프로파일링하고, 그 프로파일링 데이터를 바탕으로 전체 노드를 사용하는 환경에서 스케줄링 최적화 성능 평가를 통해 제시한 프로파일링 기법의 확장성을 검증하였다. (2)응용프로그램의 문제크기를 줄여 프로파일링하고, 그 프로파일링 데이터를 바탕으로 대규모 응용프로그램으로 스케줄링 실험시 최적화 성능 평가를 통해 제시한 프로파일링 기법의 확장성을 검증하였다. (3)프로파일링 데이터 수집시 단일 노드 및 다중 노드에서 데이터를 수집하는 경우의 오버헤드를 측정하고 비용 대비 성능 향상의 효과를 분석한다.
고성능 컴퓨팅 시스템에서 작업에 대한 정보 및 통계 값을 사용하여 생성된 대략적인 프로파일 데이터를 활용하는 연구[11]에서는 오프라인 스케줄링을 통해 자원 활용률 기반으로 프로파일을 재생성한 다음 수정된 프로파일을 기반으로 스케줄링 기법을 제안하였다. 제안된 스케줄링 기법은 CINECA센터에서 운영하는 EURORA 슈퍼컴퓨터의 작업 스케줄러인 PBS[21] 스케줄러 성능을 개선시켰다. 동적 자원 관리 플랫폼을 제안한 연구[12]에서는 스케줄러가 사전에 노드수와 전력 사용 레벨의 조합에 대한 성능 프로파일 데이터 셋을 저장하도록 한다.
이렇게 운영되고 있는 누리온의 생산성을 높이기 위해서 한국과학기술정보연구원 국가슈퍼컴퓨팅본부에서는 사용자가 실행할 응용프로그램을 슈퍼컴퓨터 규모에 맞춰 최적 실행될 수 있도록 소스코드의 최적화 및 병렬화 기술을 지원하고 있다[23]. 본 연구에서는 누리온의 최적 실행 지원을 위해 응용프로그램의 성능 프로파일링이 가능한 테스트베드 클러스터를 구축하였다.
즉, 실제 실행환경과는 다른 적은 규모의 응용프로그램을 몇 개의 노드를 사용해서 프로파일링할 것인지 결정하는 것이 중요하다. 본 실험에서는 2.1절에서 소개한 하드웨어 성능 카운터 기반 프로파일링 기법에 따라 NPB 응용프로그램을 대상으로 단일노드에서 소규모 응용프로그램을 프로파일링하고, 다중노드에서 중규모 응용프로그램을 프로파일링하여 그 성능을 분석하였다.
본 실험에서는 제시한 InterAW 스케줄링 알고리즘과 비교군으로 선입선출 스케줄링(FCFS) 기법과 작업 실행시간이 짧은 작업 우선 실행 스케줄링(SJF) 기법을 비교 실험하였다. 또한 자원 간섭 없이 하나의 worker로 작업을 하나씩 순차적으로 실행한 결과는 ‘SEQ’으로 나타내었다.

대상 데이터

전력 프로파일링 생성 방법을 연구한 논문[13]에서는 작업 모니터링 데이터 수집, Cray 플랫폼을 활용한 out-of-band 데이터 수집, 하드웨어 성능 카운터를 활용한 In-band 데이터 수집 및 코드 인스트루멘테이션 기반의 코드 프로파일링 데이터 수집 방법을 비교 분석한다. 이 연구는 소규모 테스트베드에서 생성된 전력 프로파일을 이용하여 로스앨러모스 국립연구소의 Trinity 슈퍼컴퓨터를 대상으로 프로파일링 데이터의 확장성 실험을 진행하였다.
또한 온-패키지 메모리인 MCDRAM(Multi-Channel DRAM)을 고대역폭 메모리 또는 캐시로 활용함에 따라 메모리 모드를 flat, cache, hybrid로 설정 가능하다. 국가 슈퍼컴퓨터 5호기 누리온은 일반적으로 quadrant 클러스터 모드와 cache 메모리모드를 사용하기에 프로파일링 테스트베드 역시 동일하게 quadrant와 cache 모드로 구성하여 실험을 진행하였다.
실험에 사용된 응용프로그램은 NASA에서 개발한 전산유체역학분야의 계산 및 데이터 연산을 벤치마크한 Nas Parallel Benchmark(NPB)[24] 프로그램을 대상으로 하였다. NPB는 5개의 커널 프로그램(IS, EP, CG, MG, FT)과 3개의 수도 어플리케이션(BT, SP, LU)으로 구성되어 있다.

성능/효과

즉, 스케줄러는 프로파일이 없는 새로운 작업에 대해서 필수 전력특성을 바탕으로 성능 모델링을 통해 자원을 할당한다. 제안된 기법은 아르곤 국립연구소의 IBM BG/P 시스템에서 선입선출 및 backfiling 스케줄링 기법을 사용하는 Slurm[22] 스케줄러와 비교하여 성능을 최대 5.2배 향상시켰다. 전력 프로파일링 생성 방법을 연구한 논문[13]에서는 작업 모니터링 데이터 수집, Cray 플랫폼을 활용한 out-of-band 데이터 수집, 하드웨어 성능 카운터를 활용한 In-band 데이터 수집 및 코드 인스트루멘테이션 기반의 코드 프로파일링 데이터 수집 방법을 비교 분석한다.
4는 다섯 개의 작업 큐의 평균 실행 시간으로 계산한 결과를 보여준다. 결과를 보면, 16개 노드를 전부 사용한 경우 FCFS, SJF, SEQ 대비 7.00%, 10.91%, 38.34%의 성능이 향상되었다. 또한 30개의 작업을 실행하는데 있어서 2858.
69%의 성능 향상을 보였다. 노드 수를 1/4로 줄인 4노드 실험의 경우 스케줄링 기법 대비 5.99%, 9.04%, 37.67%의 성능 향상을 보였으며 평균 실행시간도 2889.36초로 16노드대비 겨우 1.08% 늘어난 것을 볼 수 있다.
한편, 문제크기를 줄이고 단일 노드에서 실행한 경우에 16-node InterAW의 성능 대비 실행시간이 4.35%의 증가하였으나 InterAW 기법이 FCFS, SJF, SEQ 대비 2.71%, 9.50%, 35.50%로 실행 시간을 단축 시켜 스케줄링 기법의 최적화 성능 향상을 동일하게 나타났음을 알 수 있다. 특히 SEQ 기법 대비 노드 수별 InterAW기법은 34%~38%의 실행 최적화를 보였는데 이는 배타적으로 작업별 노드를 할당하는 슈퍼컴퓨터의 스케줄링 방식이 하드웨어 성능 카운터 기반 프로파일링을 통해 시스템 최적화 가능함을 보여준다.
50%로 실행 시간을 단축 시켜 스케줄링 기법의 최적화 성능 향상을 동일하게 나타났음을 알 수 있다. 특히 SEQ 기법 대비 노드 수별 InterAW기법은 34%~38%의 실행 최적화를 보였는데 이는 배타적으로 작업별 노드를 할당하는 슈퍼컴퓨터의 스케줄링 방식이 하드웨어 성능 카운터 기반 프로파일링을 통해 시스템 최적화 가능함을 보여준다.
본 연구에서는 자체 개발한 KISTI-GVP 시스템 기반 클러스터 환경에서 응용 특성 분석 기법의 스케줄링 최적화 확장성 실험을 진행하였다. 실험 결과 프로파일링 대상 응용과 스케줄링 최적화 대상 응용프로그램의 문제 크기가 다를지라도 시스템 성능 향상의 효과가 유지됨을 보였다. 이는 슈퍼컴퓨터와 같은 대규모 노드로 구성된 클러스터 시스템의 시스템 최적화를 위한 프로파일링 테스트베드를 운용하는 것이 유용함을 보여준다.
이는 슈퍼컴퓨터와 같은 대규모 노드로 구성된 클러스터 시스템의 시스템 최적화를 위한 프로파일링 테스트베드를 운용하는 것이 유용함을 보여준다. 또한 프로파일링시의 시간적 비용과 프로파일링 기반 최적화 성능 향상 효과를 함께 고려하면 노드 수를 줄이거나 응용프로그램의 크기를 줄여서 프로파일링 하는 것이 응용프로그램 특성 분석에 드는 비용을 줄일 수 있음을 확인하였다.

후속연구

향후, 응용프로그램의 런타임 전체를 프로파일링 하는 것이 아닌 작업의 일부분만을 프로파일링 하는 경우의 성능 변화를 분석할 예정이다. 또한 쉘 프로그램을 이용하여 리눅스 perf 프로그램을 사용하여 mpi로 작성된 응용프로그램의 성능이벤트를 프로세스 레벨로 수집하는 데에 소모되는 오버헤드를 낮추고 데이터의 정확도를 유지할 수 있는 방법을 연구하고자 한다.
또한 쉘 프로그램을 이용하여 리눅스 perf 프로그램을 사용하여 mpi로 작성된 응용프로그램의 성능이벤트를 프로세스 레벨로 수집하는 데에 소모되는 오버헤드를 낮추고 데이터의 정확도를 유지할 수 있는 방법을 연구하고자 한다. 이와 같은 추가적인 연구를 통해 현재 실험에 사용한 자원 간섭률 기반 스케줄링 알고리즘을 개선하고 기초적인 스케줄링 기법이 아닌 최신 연구들에서 제시된 성능이 뛰어난 스케줄링 알고리즘과 비교 가능하도록 발전시키고자 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	하드웨어 성능 카운터를 통한 성능이벤트 수집은 무엇을 사용하여 수집할 수 있는가?	하드웨어 성능 카운터를 통한 성능이벤트 수집은 리눅스 perf[14]와 OProfile[15], PAPI[16] 등의 대표적인 데이터 수집 프로그램을 사용하여 수집할 수 있으며, 인텔 VTune[17]과 AMD uProf[18], IBM HPCS Toolkit[19] 등은 프로세서 제조사별로 제공되는 하드웨어 성능 카운터 기반 프로파일링 도구로 사용될 수 있다. 그러나 실제 사용자가 요청한 작업이 수행되어야할 대규모 고성능 컴퓨팅 시스템에서 작업의 프로파일링 데이터를 추출하기 위해 데이터 수집 프로그램을 실행하거나 성능 분석을 실행하는 과정은 시스템 활용률을 낮출 수 있으므로 실제 시스템과 유사하면서 적은 규모의 테스트베드 운용의 필요성이 대두된다.
	프로파일링 기법의 확장성 실험은 어떤 방법으로 진행되는가?	프로파일링 기법의 확장성 실험은 다음과 같이 3가지 방법으로 진행된다. (1)프로파일링 테스트베드 클러스터의 노드수를 다르게 사용하여 응용프로그램을 프로파일링하고, 그 프로파일링 데이터를 바탕으로 전체 노드를 사용하는 환경에서 스케줄링 최적화 성능 평가를 통해 제시한 프로파일링 기법의 확장성을 검증하였다. (2)응용프로그램의 문제크기를 줄여 프로파일링하고, 그 프로파일링 데이터를 바탕으로 대규모 응용프로그램으로 스케줄링 실험시 최적화 성능 평가를 통해 제시한 프로파일링 기법의 확장성을 검증하였다. (3)프로파일링 데이터 수집시 단일 노드 및 다중 노드에서 데이터를 수집하는 경우의 오버헤드를 측정하고 비용 대비 성능 향상의 효과를 분석한다.
	하드웨어 성능 카운터 기반 프로파일링 기법은 어떤 단계로 이루어져 있는가?	하드웨어 성능 카운터 기반 프로파일링 기법은 Fig. 1과 같이 이벤트 수집, 프로파일링, 응용프로그램 특성 분석 및 최적화의 4단계로 이루어져있다. 먼저, 하드웨어 성능 카운터를 수집하는 이벤트 수집 단계에서 성능을 분석할 시스템의 프로세서를 기반으로 하드웨어 성능 카운터 및 이벤트를 식별하고 자원 범주(CPU, Memory, I/O)에 따라 성능이벤트를 분류하는 과정을 수행한다.

참고문헌 (24)

Top500 [Internet], https://www.top500.org
B. Yang, X. Ji, X. Ma, X. Wang, T. Zhang, X. Zhu, N. El-Sayed, H. Lan, Y. Yang, J. Zhai, W. Liu, and W. Xue, "End-to-end I/O Monitoring on a Leading Supercomputer," in Proceedings of the 16th USENIX Symposium on Networked Systems Design and Implementation, Boston, MA, USA, pp.379-394, 2019.
X. Ji, B. Yang, T. Zhang, X. Ma, X. Zhu, X. Wang, N. El-Sayed, J. Zhai, W. Liu, and W. Xue, "Automatic, Application-Aware I/O Forwarding Resource Allocation," in Proceedings of the 17th USENIX Conference on File and Storage Technologies, Boston, MA, USA, pp.265-279, 2019.
S. Chunduri, S. Parker, P. Balaji, K. Harms, and K. Kumaran, "Characterization of MPI Usage on a Production Supercomputer," in SC18: International Conference for High Performance Computing, Networking, Storage and Analysis, Dallas, TX, USA, pp.386-400, 2018.
P. Gomez-Sanchez, D. Encinas, J. Panadero, A. Bezerra, S. Mendez, M. Naiouf, A. D. Giusti, D. Rexachs, and E. Luque, "Using AWS EC2 as Test-Bed infrastructure in the I/O system configuration for HPC applications," Journal of Computer Science & Technology, Vol.16, No.2, pp.65-75, 2016.
B. H. Park, S. Hukerikar, R. Adamson, and C. Engelmann, "Big Data Meets HPC Log Analytics: Scalable Approach to Understanding Systems at Extreme Scale," in 2017 IEEE International Conference on Cluster Computing, Honolulu, HI, USA, pp.758-765, 2017.
S. Oral, S. S. Vazhkudai, F. Wang, C. Zimmer, C. Brumgard, J. Hanley, G. Markomanolis, R. Miller, D. Leverman, S. Atchley, and V. V. Larrea, "End-to-end I/O Portforlio for the Summit Supercomputing Ecosystem," in SC'19: Proceedings of the International Conference for High Performance Computing, Networking, Storage and Analysis, Denver, CO, USA, pp.1-14, 2019.
G. Wei, H. Yang, Z. Luan, and D. Qian, "iDPL: A Scalable and Flexible Inter-continental Testbed for Data Placement Research and Experiment," in 2017 IEEE Symposium on Computers and Communications, Heraklion, Greece, pp.1158-1163, 2017.
S. Ilager, R. Muralidhar, K. Rammohanrao, and R. Buyya, "A Data-Driven Frequency Scaling Approach for Deadlineaware Energy Efficient Scheduling on Graphics Processing Units (GPUs), in Proceedings of the 20th IEEE/ACM International Symposium on Cluster, Cloud and Internet, Melbourne, Australia, pp.1-10, 2020.
S. Wallace, X. Yang, V. Vishwanath, W. E. Allcock, S. Coghlan, M. E. Papka, and Z. Lan, "A Data Driven Scheduling Approach for Power Management on HPC Systems," in SC'16: Proceedings of the International Conference for High Performance Computing, Networking, Storage and Analysis, Salt Lake City, Utah, USA, pp.656-666, 2016.
T. Bridi, "Scalable Optimization-based Scheduling Approaches for HPC Facilities," PhD. Dissertation, University of Bologna, Italy, 2018.
O. Sarood, A. Langer, A. Gupta, and L. Kale, "Maximizing throughput of Overprovisioned HPC Data Centers Under a strict Power Budget," in SC'14: Proceedings of the International Conference for High Performance Computing, Networking, Storage and Analysis, New Orleans, LA, USA, pp.807-818, 2014.
A. J. Younge, R. E. Grant, J. H. Laros III, M. Levenhagen, S. L. Olivier, K. Pedretti, and L. Ward, "Small Scale to Extreme: Methods for Characterizing Energy Efficiency in Supercomputing Applications," The Sustainable Computing: Informatics and Systems, Vol.21, pp.90-102, 2019.

상세보기
Perf [Internet], https://perf.wiki.kernel.org/index.php/Main_Page
Oprofile [Internet], https://oprofile.sourceforge.io/about/
Papi [Internet], http://icl.cs.utk.edu/papi/index.html
Intel vtune [Internet], https://software.intel.com/content/www/us/en/develop/documentation/vtune-help/top/analyze-performance/hardware-event-based-sampling-collection.html
AMD uProf [Internet], https://developer.amd.com/wordpress/media/2013/12/User_Guide.pdf
IBM HPCS Toolkit [Internet], https://researcher.watson.ibm.com/researcher/files/us-hfwen/HPCST_README.pdf
J. Choi, G. Park, and D. Nam, "Interference-aware coscheduling method based on classification of application characteristics from hardware performance counter using data mining," The Cluster Computing, Vol.23, pp.57-69, 2020.

상세보기
PBS Scheduler [Internet], https://www.pbspro.org
Slurm Scheduler [Internet], https://www.slurm.schedmd.com
Nurion [Internet], https://www.ksc.re.kr/gsjw/jcs/hd
Nas Parallel Benchmarks [Internet], https://www.nas.nasa.gov/publiccations/npb.html.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증