[논문]전력 효율 향상을 위한 하이브리드 인공지능 기반의 비대칭 멀티코어 프로세서용 프로세스 스케줄러

정원섭; 김승훈; 이상민; 노원우

문제 정의

논문은 비대칭 멀티코어 프로세서의 효율을 최대한 높여 소비전력을 줄이면서 프로그램 실행 성능을 유지할 수 있는 프로세스 스케줄러를 제안한다. 비대칭 멀티코어의 경우 코어간 성능 및 소비전력이 다르기 때문에 프로세스의 특성을 고려한 코어의 선택이 필수적이다 [3][4].
이를 위해 각 코어와 수행하는 프로세스의 특성을 파악해야 한다. 본 연구에서 제안한 프로세스 스케줄러는 ANFIS 를 이용하여 non-linear 한 시스템을 모델링하고 인간이 사고하는 방식과 유사한 추론 과정을 적용시켜 문제를 해결하고자 하였다. 실험 결과 비대칭 멀티코어 프로세서를 이용해 병렬 프로그램을 실행할 경우 기존 리눅스의 CFS 를 사용하는 경우보다 평균 34.
비대칭 멀티코어의 경우 코어간 성능 및 소비전력이 다르기 때문에 프로세스의 특성을 고려한 코어의 선택이 필수적이다 [3][4]. 본 연구에서는 이를 위해 Fuzzy Inference System (FIS)의 일종인 Adaptive Neuro Fuzzy Inference System (ANFIS)를 이용해 실행중인 프로세스의 특징을 분석하고 프로세스에 알맞은 코어를 선택하는 프로세스 스케줄러를 제안한다.
본 연구에서는 차세대 프로세서 구조로 주목 받고 있는 비대칭 멀티코어 프로세서용 프로세스 스케줄러 개발에 하이브리드 인공지능을 적용하는 방법을 제안하였다. 비대칭 프로세서는 각 코어가 가지는 특성이 다르기 때문에 기존의 대칭 멀티코어 프로세서와 달리 프로세스를 수행하기에 적합한 특성을 가지는 코어를 찾아내는 작업을 필요로 한다.

제안 방법

리눅스에서 현재 사용되고 있는 CFS 는 안정적인 성능을 보이므로 이를 보완하는 방법으로 ANFIS 출력을 이용하여 프로세서에 알맞은 코어 그룹을 선택하고, CPU affinity 를 조절하여 그 그룹에서 우선적으로 실행되도록 조절한다. 전체 스케줄링 시스템은 그림 1 과 같다.
본 연구에서는 MATLAB 의 ANFIS toolbox 를 이용해 ANFIS 설계 및 트레이닝을 실시하였다. 트레이닝 데이터 수집을 위해 리눅스 상에서 실행되는 다양한 종류의 프로그램을 모니터링 하여 execution time, voluntary switch, involuntary switch 및 thread number 에 변화를 수집하였다.
비대칭 멀티코어 프로세서를 구성하기 위해 풀 시스템 시뮬레이터인 gem5 [7]를 이용하여 목표로 하는 프로세서를 모델링 하였다. 프로세서의 구성은 다음 그림 2 와 같다.
수집한 데이터를 ANFIS GUI tool 을 이용해 입력하여 membership function 을 트레이닝 하였다. 수집한 트레이닝 데이터를 분석한 결과 execution time 을 제외한 모든 입력은 많음 또는 적음 두 가지 상태로 뚜렷이 구분이 가능한 반면 execution time 은 값의 범위가 넓고 프로그램에 따라 다양한 패턴을 보였다.
위의 네 가지 데이터를 입력으로 ANFIS 에서 프로세스에 적합한 코어 그룹을 결정하고 그 결과는 리눅스 CFS 에서 프로세스 스케줄링 작업이 수행될 때 반영되어 각 프로세스 특성에 맞는 코어 그룹에서 수행이 되도록 만든다.
Esmaeilzadeh 등은 그들의 연구에서 프로세서의 성능과 소비전력과의 관계를 나타내기 위해 사용되던 폴락의 법칙 (Pollack’s Rule)을 보완하기 위해 상용 프로세서의 SPEC CPU2006 벤치마크 실행 점수 및 열 설계 전력 (TDP)를 적용한 비대칭 멀티코어의 전력 모델을 제안한 바 있다 [9]. 이 연구 결과를 활용하여 large-core 및 small-core 의 전력을 모델링하였고 결과는 표 3 과 같다.
앞서 설명한 바와 같이 비대칭 멀티코어 시스템은 프로세스에 적합한 코어를 선택하는데 많은 요소를 고려해야 한다. 이를 사람이 문제를 해결하는 것과 비슷한 방식으로 해결할 수 있도록 ANFIS 를 이용해 현재 수행중인 프로세스가 large-core 에 적합한지 small-core 에 적합한지 구분하는 시스템을 제안한다.
수집한 트레이닝 데이터를 분석한 결과 execution time 을 제외한 모든 입력은 많음 또는 적음 두 가지 상태로 뚜렷이 구분이 가능한 반면 execution time 은 값의 범위가 넓고 프로그램에 따라 다양한 패턴을 보였다. 이에 대응하기 위해 ANFIS 입력 중 execution time 은 membership function 의 수를 세 개로, 나머지 입력은 두 개로 정하였다.
제안하는 기술은 하이브리드 인공지능을 적용한 비대칭 멀티코어용 프로세스 스케줄러이다. 앞서 설명한 바와 같이 비대칭 멀티코어 시스템은 프로세스에 적합한 코어를 선택하는데 많은 요소를 고려해야 한다.
제안하는 스케줄러는 소비전력을 줄이는 것을 목표로 CPU 사용량이 많은 프로세스라도 쓰레드 생성이 많은 경우 small-core 에 할당하도록 규칙을 정하였다. 다만 bash shell 과 소수 검색 프로그램이 함께 동작할 경우 쓰레드 생성이 많은 프로그램이 small-core 를 최대한 활용할 수 있도록 bash 를 large-core 에 배치하였다.
제안한 가상 비대칭 프로세서의 소비전력 모델을 구성하였다. Esmaeilzadeh 등은 그들의 연구에서 프로세서의 성능과 소비전력과의 관계를 나타내기 위해 사용되던 폴락의 법칙 (Pollack’s Rule)을 보완하기 위해 상용 프로세서의 SPEC CPU2006 벤치마크 실행 점수 및 열 설계 전력 (TDP)를 적용한 비대칭 멀티코어의 전력 모델을 제안한 바 있다 [9].
트레이닝 데이터 수집에는 CPU bound, I/O bound, 멀티 쓰레드 프로세스의 특성을 나타내는 프로그램으로 선택하여 다양한 프로세스 수행 상황에 대비할 수 있도록 하였다. 사용된 프로그램은 bash shell, 네트워크 코딩 프로그램, 소수 검색 프로그램이다.
본 연구에서는 MATLAB 의 ANFIS toolbox 를 이용해 ANFIS 설계 및 트레이닝을 실시하였다. 트레이닝 데이터 수집을 위해 리눅스 상에서 실행되는 다양한 종류의 프로그램을 모니터링 하여 execution time, voluntary switch, involuntary switch 및 thread number 에 변화를 수집하였다.
PARSEC 벤치마크를 gem5 시뮬레이터 상에서 구현된 프로세서에서 수행하여 성능을 비교하였다. 프로세서는 large-core 1 개와 small-core 8 개로 구성하여 실험하였고, 각 벤치마크가 생성하는 쓰레드의 수는 1, 4, 8 개로 나누어 시뮬레이션을 진행하였다. 사용한 리눅스 커널의 버전은 2.

대상 데이터

트레이닝 데이터 수집에는 CPU bound, I/O bound, 멀티 쓰레드 프로세스의 특성을 나타내는 프로그램으로 선택하여 다양한 프로세스 수행 상황에 대비할 수 있도록 하였다. 사용된 프로그램은 bash shell, 네트워크 코딩 프로그램, 소수 검색 프로그램이다. Bash shell 은 대표적인 interactive 프로그램으로써 I/O 의 사용이 많은 프로그램이다.
위의 세 가지 프로그램을 독립적으로 실행했을 때와 조합하여 실행했을 때 (bash 와 네트워크 코딩, bash 와 소수 검색 프로그램, 네트워크 코딩과 소수 검색 프로그램)의 데이터를 모아 트레이닝에 사용하였다. 각 상황에 따른 정답은 사람이 내린 것으로 아래와 같은 규칙에 따르며 프로그램 실행 상태에 따른 최적 코어에 대한 답은 표 2 에 나타난 것과 같다.

데이터처리

PARSEC 벤치마크를 gem5 시뮬레이터 상에서 구현된 프로세서에서 수행하여 성능을 비교하였다. 프로세서는 large-core 1 개와 small-core 8 개로 구성하여 실험하였고, 각 벤치마크가 생성하는 쓰레드의 수는 1, 4, 8 개로 나누어 시뮬레이션을 진행하였다.

이론/모형

실험용 프로세서는 하나의 large-core 와 8 개의 small-core 로 구성된다. Large-core 는 Intel 사의 Xeon 프로세서에 사용된 Nehalem architecture 를 모델로 구성하였다. 동작속도는 2GHz 이고, I-Cache 32Kb, DCache 32Kb 의 용량을 가진다.

성능/효과

이러한 프로그램은 large-core 사용의 비중이 높은 것이 성능에 유리하며 CFS 의 경우 생성하는 쓰레드의 수가 적을수록 large-core 에서 실행되는 비중이 높다. 그러나 제안하는 프로세스 스케줄러를 사용할 경우 small-core 의 비중이 높으며, 따라서 생성하는 쓰레드의 수가 작을수록 더 높은 실행 시간의 증가량을 보인다.
Streamcluster 의 경우 캐시에 접근하여 읽어오는 데이터의 량이 많고 캐시의 크기가 작을수록 미스 레이트 (miss rate)가 크게 높아지는 특성을 보인다 [8]. 따라서 제안하는 프로세스 스케줄러를 사용하여 쓰레드를 small-core 에서 우선적으로 실행할 경우 다른 프로그램에 비해 실행시간의 증가량이 높아지는 경향을 관찰할 수 있다.
프로그램이 단일 쓰레드로 실행될 경우 CFS 와 제안하는 프로세스 스케줄러 모두 large-core 를 우선적으로 사용하도록 스케줄링하여 비슷한 수준의 EDP를 보였다. 반면 다수의 쓰레드를 사용할 경우 largecore 의 사용량이 감소하면서 발생하는 소비전력의 감소로 인해 EDP 가 평균 35.4% 감소하는 것을 확인할 수 있었다.
수집한 데이터를 ANFIS GUI tool 을 이용해 입력하여 membership function 을 트레이닝 하였다. 수집한 트레이닝 데이터를 분석한 결과 execution time 을 제외한 모든 입력은 많음 또는 적음 두 가지 상태로 뚜렷이 구분이 가능한 반면 execution time 은 값의 범위가 넓고 프로그램에 따라 다양한 패턴을 보였다. 이에 대응하기 위해 ANFIS 입력 중 execution time 은 membership function 의 수를 세 개로, 나머지 입력은 두 개로 정하였다.
본 연구에서 제안한 프로세스 스케줄러는 ANFIS 를 이용하여 non-linear 한 시스템을 모델링하고 인간이 사고하는 방식과 유사한 추론 과정을 적용시켜 문제를 해결하고자 하였다. 실험 결과 비대칭 멀티코어 프로세서를 이용해 병렬 프로그램을 실행할 경우 기존 리눅스의 CFS 를 사용하는 경우보다 평균 34.5% 낮은 EDP 를 얻을 수 있었다.
그림 4 는 각 프로그램 별 EDP 를 나타낸 그래프이다. 프로그램이 단일 쓰레드로 실행될 경우 CFS 와 제안하는 프로세스 스케줄러 모두 large-core 를 우선적으로 사용하도록 스케줄링하여 비슷한 수준의 EDP를 보였다. 반면 다수의 쓰레드를 사용할 경우 largecore 의 사용량이 감소하면서 발생하는 소비전력의 감소로 인해 EDP 가 평균 35.

후속연구

본 연구 결과를 바탕으로 향후 좀 더 정밀한 스케줄링 방법과 프로그램의 캐시 접근 빈도 및 캐시 미스 비율을 ANFIS 입력으로 사용하는 방법 등에 대한 연구를 진행할 계획이다.

핵심어	질문	논문에서 추출한 답변
	비대칭 멀티코어 프로세서를 구성하는 코어는 무엇으로 구분되는가?	비대칭 멀티코어 프로세서를 구성하는 코어들은 크게 단일 쓰레드 처리 성능이 높으면서 소비전력이 높은 고성능 large-core 와 단일 쓰레드 처리 성능은 떨어지나 소비 전력이 낮은 저전력 small-core 로 구분된다. Large-core 는 다이에서 차지하는 면적이 넓고 소비전력이 크기 때문에 소수를 배치하며 순차적으로 수행되는 프로세스 처리 시 높은 성능을 얻기 위한 목적으로 활용할 수 있다.
	비대칭 멀티코어 프로세서는 무엇인가?	본 논문에서 사용하는 비대칭 멀티코어 프로세서는 모든 코어가 동일한 ISA 를 가지고 있으나 동작속도와 캐시의 크기를 달리하여 코어의 성능에 차이를 둔 프로세서이다. 높은 성능을 가지는 코어는 large-core group, 낮은 성능을 가지는 코어는 small-core group 으로 구분한다.
	FIS는 어떤 특징을 가지고 있는가?	FIS 란 fuzzy logic 을 기반으로 하는 intelligent system 이다. 이미 알고 있는 지식으로부터 어떠한 입력이 주어졌을 때 이에 대한 추론이나 판단을 내릴 수 있다. 또한 fuzzy logic 을 기반으로 일련의 의사결정을 내리기 때문에, 인간의 사고 과정과 유사한 특징을 갖게 된다.

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

[국내논문] 전력 효율 향상을 위한 하이브리드 인공지능 기반의 비대칭 멀티코어 프로세서용 프로세스 스케줄러
Hybrid AI Based Process Scheduler for Asymmetric Multicore Processor to Improve Power Efficiency 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 전력 효율 향상을 위한 하이브리드 인공지능 기반의 비대칭 멀티코어 프로세서용 프로세스 스케줄러 Hybrid AI Based Process Scheduler for Asymmetric Multicore Processor to Improve Power Efficiency 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 전력 효율 향상을 위한 하이브리드 인공지능 기반의 비대칭 멀티코어 프로세서용 프로세스 스케줄러
Hybrid AI Based Process Scheduler for Asymmetric Multicore Processor to Improve Power Efficiency 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper