초록

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

버퍼캐시에서 선반입은 교체정책과 함께 중요한 성능 향상 기법 중의 하나이다. 하지만 참조 패턴의 특성에 따라서는 선반입을 수행하면 오히려 전체 수행시간을 증가시키는 경우도 보고된 바 있다. 본 논문에서는 참조 패턴을 탐지하고 탐지된 패턴에 적절히 대응하여, 선반입의 이익은 유지하되 성능에 악영향을 미치지 않는 선반입 기법으로 순환 참조 선반입을 제안한다. 성능 평가를 위해서 리눅스에서 현재 사용되고 있는 미리 읽기 선반입과 순환 참조 선반입의 수행 시간을 비교했다. 다양한 참조 패턴을 가지는 트레이스들에 대한 시뮬레이션 성능 평가 결과, 순차 참조를 많이 포함하는 트레이스에 대해서는 순환참조 선반입이 리눅스의 미리 읽기 선반입과 유사한 정도의 $3\sim5%$ 성능향상을 보였다. 뿐만 아니라, 미리 읽기 선반입 정책을 적용했을 때 오히려 40% 가량의 성능 악화를 초래하는 특정 트레이스에 대해서도 순환 참조 선반입을 적용할 경우 0.07%의 아주 미미한 성능 저하만을 유발하였다. 본 연구에서 제안하는 순환 참조 선반입 기법은 이득이 있을 때만 적극적인 선반입을 수행하여 시스템 성능을 향상시키며, 손해가 발생할 때는 선반입을 중지하여 시스템 성능 악화를 방지함을 실험을 통해 알 수 있다.

버퍼캐시에서 선반입은 교체정책과 함께 중요한 성능 향상 기법 중의 하나이다. 하지만 참조 패턴의 특성에 따라서는 선반입을 수행하면 오히려 전체 수행시간을 증가시키는 경우도 보고된 바 있다. 본 논문에서는 참조 패턴을 탐지하고 탐지된 패턴에 적절히 대응하여, 선반입의 이익은 유지하되 성능에 악영향을 미치지 않는 선반입 기법으로 순환 참조 선반입을 제안한다. 성능 평가를 위해서 리눅스에서 현재 사용되고 있는 미리 읽기 선반입과 순환 참조 선반입의 수행 시간을 비교했다. 다양한 참조 패턴을 가지는 트레이스들에 대한 시뮬레이션 성능 평가 결과, 순차 참조를 많이 포함하는 트레이스에 대해서는 순환참조 선반입이 리눅스의 미리 읽기 선반입과 유사한 정도의 $3\sim5%$ 성능향상을 보였다. 뿐만 아니라, 미리 읽기 선반입 정책을 적용했을 때 오히려 40% 가량의 성능 악화를 초래하는 특정 트레이스에 대해서도 순환 참조 선반입을 적용할 경우 0.07%의 아주 미미한 성능 저하만을 유발하였다. 본 연구에서 제안하는 순환 참조 선반입 기법은 이득이 있을 때만 적극적인 선반입을 수행하여 시스템 성능을 향상시키며, 손해가 발생할 때는 선반입을 중지하여 시스템 성능 악화를 방지함을 실험을 통해 알 수 있다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 비교할 필요가 있다. 따라서 본 논문에서는 순환 참 조선반입의 성능을 다른 선반입 정책뿐 아니라 선반입을 하지 않았을 때와 비교하여, 순환 참조 선반입의 악영향이 나타나는지 살펴보도록 한다.
• 참조 패턴을 탐지하고 이에 대응하여 선반입의 이익을 만들 수 있을 때에는 적절한 선반입을 수행하되 선반입이 악영향을 가져올 위험이 있을 때에는 선반입을 중지하는 정책이 필요하다. 본 논문에서는 참조 패턴을 탐지하여 선반입의 효과를 기대하기 어려운 참조 패턴에 대해서는 선반입을 수행하지 않고, 미래 참조의 예측 정확성이 높아 선반입의 효과가 높을 것으로 기대되는 참조 패턴에 대해 적극적인 선반입을 수행하는 순환 참조 선반입 기법을 제안한다.
• 본 논문은 참조 패턴이 불리할 때에 성능에 악영향을 끼치지 않기 위하여 선반입의 이익이 기대되지 않을 때에는 중지하고 선반입의 이익이 높게 기대될 때는 적극적으로 선반 입을 하는 기법을 제안하고자 한다. 앞에서 설명한 바와 같이 순환 참조 패턴에 대해서는 과거정보를 이용하여 미래에 일어날 참조의 형태를 근 오버헤드 없이 상당히 높은 확률로 예측할 수 있다.
• 본 절에서는 지금까지의 선반입 연구와 리눅스에서 현재 사용되고 있는 선반입 기법을 살펴보고, 이를 통해 선반입의 특성과 현재 선반입의 문제점을 살펴본다.

제안 방법

• 1절에서 설명한 통합버퍼 관리기법(UBM)을 사용한다. Accusim에 UBM을 구현하고, 순환 참조 선반입을 구현하였다. 리눅스의 미리 읽기 선반입은 Accusim에 구현된 것을 사용하였다.
• 이 기법은 참조 패턴을 세가지로 분류하고 자동으로 탐지한다. 각 참조 패턴을 위해 캐시를 분할하고 각 파티션의 한계 이익을 계산하여 그에 따라 파티션 크기를 동적으로 조정한다.
• 실험환경은 시뮬레이터를 사용하였다. 같은 환경에서 같은 트레이스를 사용하여 순환 참 조선반입을 수행한 경우와 선반입을 하지 않은 경우, 리눅스의 미리 읽기 선반입을 수행한 경우를 비교하였다. 일반적으로 교체 정책의 성능 지표로는 적중률을 사용하지만 선반입에서 성능 지표는 수행시간이 가장 적절함이 밝혀졌기 때문에 수행 시간을 기준으로 성능을 비교하였다[6].
• 이를 극복하기 위해 참조 특성을 탐지하고 그에 대해 적응할 수 있는 선반입 기법이 필요하다. 그러한 선반입 기법으로 순환 참조 선반입을 개발하였다.
• 순환 참조의 길이를 이용하여 선반입 후보를 결정하고, 각 블록 요청 사이의 간격을 이용하여 후보 블록이 언제 요청될 지를 예측했다. 그리고 캐시에 존재하는 순환 참조 블록들에 대해 최종 접근 시간과 참 조간 간격을 이용해 다음 요청 시간을 예측하고, 선반입 후보의 예상 요청 시간과 비교하여, 먼저 요청될 블록을 반입했다.
• 본 절에서는 순환 참조 선반입의 성능을 리눅스의 미리 읽기 선반입과 비교하여 평가한다. 실험환경은 시뮬레이터를 사용하였다.
• 참조 파티션의 관리에는 LRU를 사용하였다. 선반입을 수행하지 않은 경우와 리눅스 미리 읽기 선반입이 수행된 경우, 순환 참조 선반입이 수행된 경우의 총 수행 시간을 각각 비교하였다.
• 순환 참조 선반입의 성능을 평가하기 위해 시뮬레이션을 통해 리눅스의 미리 읽기 선반입과 비교하였다. 그 결과 순환 참조 선반입이 선반입의 효과가 발휘될 수 있을 때 선반입의 효과를 잘 발휘할 뿐 아니라, 선반입이 악영향을 낼 위험이 있을 때 선반입을 효율적으로 중지하여 성능 악화를 방지할 수 있음을 보여주었다.
• 예측한 정보를 이용해서, 순환 참조에 대해서 선반입을 수행한다. 순환 참조의 길이를 이용하여 선반입 후보를 결정하고, 각 블록 요청 사이의 간격을 이용하여 후보 블록이 언제 요청될 지를 예측했다. 그리고 캐시에 존재하는 순환 참조 블록들에 대해 최종 접근 시간과 참 조간 간격을 이용해 다음 요청 시간을 예측하고, 선반입 후보의 예상 요청 시간과 비교하여, 먼저 요청될 블록을 반입했다.
• 실험에서 전체 캐시 관리시스템으로는 UBM을 사용하고 기타 참조 파티션의 관리에는 LRU를 사용하였다. 선반입을 수행하지 않은 경우와 리눅스 미리 읽기 선반입이 수행된 경우, 순환 참조 선반입이 수행된 경우의 총 수행 시간을 각각 비교하였다.
• 이 때 순환 참조가 저장되는 캐시 파티션(Cache Loop Partition) 에는블록 B1, B2, B3, B4, B5가 존재한다. 알고리즘은 블록 A1을 순환 참조 A에 속하는 것으로 판단하고 선반입을 시도한다. 알고리즘은 순환 참조 A를 구성하는 순차 참조가 A1, A2, A3 세 개의 블록으로 이루어지는 것을 알 수 있다.
• 이 세가 참조 패턴 중 순환 참조패턴은 과거 정보를 기반으로 미래 참조를 구체적으로 예측할 수 있다. 예측한 정보를 이용해서, 순환 참조에 대해서 선반입을 수행한다. 순환 참조의 길이를 이용하여 선반입 후보를 결정하고, 각 블록 요청 사이의 간격을 이용하여 후보 블록이 언제 요청될 지를 예측했다.
• 우선 glimpse는 인덱싱과 검색을 하는 시스템으로 550MB 의 /usr 디렉토리 밑의 텍스트 파일들에서 텍스트 스트링을 검색하였고, gcc는 리눅스 커널 2.4.20을 컴파일 하였다. Cscopee 소스 코드 분석을 수행하는 어플리케이션으로 리눅스 커널 2.
• 이제 캐시에 있는 블록 중에 A2, A3이 요청될 시간인18, 19 보다 나중에 요청될 블록이 있는지를 살펴본다. 알고리즘은 IRG가 가장 길고 가장 마지막에 참조된 블록부터 비교 대상으로 삼는다.

대상 데이터

• 사용된 트레이스는 glimpse, gcc, viewperf, tpc-h, multi 3으로, 앞에서 밝힌 것처럼 [6]에서 제공된 것이다.
• 실험은 캐시 크기를 2M에서 128M까지 2배씩 증가하여 실험하였다. 각 캐시 크기 별 수행 시간의 평균치를 [표 1]에 각 트레이스 별로 비교하여 요약하고 [그림 2], [그림 3], [그림 4], [그림 5], [그림 6]에서 각각 gcc, glimpse, tpc-h 트레이스에 대해 캐시 크기 변화에 따른 실행 시간 변화를 그래프로 표현했다.
• 알고리즘은 IRG가 가장 길고 가장 마지막에 참조된 블록부터 비교 대상으로 삼는다. 가장 마지막에 참조된 블록 B5의 다음 참조 시간은 B5가 마지막으로 참조된 시간에 IRG를 더해서 예측한다.

데이터처리

• 20을 컴파일 하였다. Cscopee 소스 코드 분석을 수행하는 어플리케이션으로 리눅스 커널 2.4.20을 분석하는데 사용했다. Viewperf는 그래픽웍스테이션의 성능을 측정하는데 사용되는 SPEC 벤치마크이다.

이론/모형

• 기본적인 관리 시스템으로는 3.1절에서 설명한 통합버퍼 관리기법(UBM)을 사용한다. Accusim에 UBM을 구현하고, 순환 참조 선반입을 구현하였다.

성능/효과

• 리눅스의 미리 읽기 선반입과 비교하였다. 그 결과 순환 참조 선반입이 선반입의 효과가 발휘될 수 있을 때 선반입의 효과를 잘 발휘할 뿐 아니라, 선반입이 악영향을 낼 위험이 있을 때 선반입을 효율적으로 중지하여 성능 악화를 방지할 수 있음을 보여주었다.
• 패턴에 대한 힌트를 제공하도록 했다. 그리고, 적절한 응용프로그램 힌트를 기반으로 선반입을 수행하면, 상당한 성능 개선을 얻을 수 있음을 보여주었다. 그러나 인터페이스가 사용하기 편리하다고 해도, 응용 프로그래머에게는 개발 오버헤드가 주어진다.
• 수행할 수 있음을 보여준다. 또한 선반입을 수행하는 것이 손해를 가져올 위험이 있을 때 순환 참조 선반입이 효과적으로 선반입을 중지할 수 있음을 확인할 수 있다.
• 이 실험 결과는 순환 참조 선반입이 미리 읽기 선반입에 대비해 볼 때, 순차적 특성의 참조 패턴에 대해서 효과적인 선반 입을 수행할 수 있음을 보여준다. 또한 선반입을 수행하는 것이 손해를 가져올 위험이 있을 때 순환 참조 선반입이 효과적으로 선반입을 중지할 수 있음을 확인할 수 있다.

후속연구

• 본 연구의 향후 과제로는 순차 참조를 위한 선반입 기법이 개발되어야 하고 순환 참조에 대해서도 최적화의 여지가 있다고 본다. 또한 선반입이 각 블록의 가치에 미치는 영향을 고려하여 각 캐시 파티션 크기의 밸런스를 조정해야 한다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기

연구과제 타임라인

임베디드시스템의유비쿼터스네트워크화사업

LOADING...

전체(0) 논문(0) 특허(0) 보고서(0)

더보기

LOADING...

전체(0) 논문(0) 특허(0) 보고서(0)

더보기

LOADING...

LOADING...

LOADING...