초록 ▼

솔리드 스테이트 드라이브(SSD)의 대용량화 SSD 내부 저장매체인 낸드 플래시(NAND Flash)의 입출력 성능, 신뢰성 등의 특성을 악화되어 SSD 시스템의 유지를 위한 내부작업의 오버헤드와 빈도가 증가하였음.
증가하는 내부작업 오버헤드는 SSD 입출력 성능에 치명적임.
본 연구는 저장장치 내 기계학습을 통해 사용자가 입출력 요청을 보내지 않는 유휴시간동안 내부작업을 수행하여 내부작업 오버헤드가 사용자 입출력에 영향을 주지 않도록 하는 새로운 방법을 제안함.
이를 위하여 본 연구에서는 사용자의 입출력 패턴을 예

솔리드 스테이트 드라이브(SSD)의 대용량화 SSD 내부 저장매체인 낸드 플래시(NAND Flash)의 입출력 성능, 신뢰성 등의 특성을 악화되어 SSD 시스템의 유지를 위한 내부작업의 오버헤드와 빈도가 증가하였음.
증가하는 내부작업 오버헤드는 SSD 입출력 성능에 치명적임.
본 연구는 저장장치 내 기계학습을 통해 사용자가 입출력 요청을 보내지 않는 유휴시간동안 내부작업을 수행하여 내부작업 오버헤드가 사용자 입출력에 영향을 주지 않도록 하는 새로운 방법을 제안함.
이를 위하여 본 연구에서는 사용자의 입출력 패턴을 예측하는 1D CNN 모델 구조를 디자인하였으며,이 모델이 임의로 변화하는 사용자 입출력 패턴에 적응할 수 있도록 메타러닝 기반의 온라인 학습을 수행하도록 함.
또한, SSD가 예측한 유휴시간을 낭비없이 사용할 수 있도록 모델의 추론을 가속하기 위한 하드웨어 가속기가 적용된 SSD 구조를 디자인하였으며, 다이나믹 프로그래밍 및 모델 프루닝을 통해 추론 시간을 더욱 단축하였음.
평가 결과 제안하는 알고리즘은 81.1%의 정확도로 유휴시간동안 내부작업을 스케줄할 수 있었으며, 하드웨어/소프트웨어 통합 최적화를 통해 11.9us 내에 추론을 완료할 수 있었음.

(출처 : 초록 3p)

Abstract

Ⅳ. Results
Our evaluation results show that proposed model and learning method can safely schedule the internal tasks with accuracy of 81.1%. Also, our hardware/software co-design achieved 11.9us of latency.

(출처 : SUMMARY 5p)

목차 Contents

• 표지 ... 1
• 제 출 문 ... 2
• 보고서 초록 ... 3
• 요 약 문 ... 4
• S U M M A R Y ... 5
• C O N T E N T S ... 6
• 목차 ... 7
• 제 1 장 연구개발과제의 개요 ... 8
• 제 1 절 연구개발의 목적 및 필요성 ... 8
• 제 2 절 연구개발의 범위 ... 9
• 제 2 장 국내외 기술개발 현황 ... 10
• 제 1 절 국내․외 관련분야 기술개발현황 ... 10
• 제 2 절 연구결과가 국내․외 기술개발현황에서 차지하는 위치 ... 11
• 제 3 장 연구개발수행 내용 및 결과 ... 12
• 제 1 절 모델 구조 탐색 ... 13
• 제 2 절 학습 알고리즘 ... 13
• 제 3 절 모델 정확도 평가 ... 15
• 제 4 절 하드웨어 가속을 통한 추론 및 학습 시간 단축 ... 16
• 제 5 절 소프트웨어 최적화를 통한 추론시간 단축 ... 17
• 제 4 장 목표달성도 및 관련분야에의 기여도 ... 18
• 제 1절 목표 달성도 및 기여도 ... 18
• 제 2 절 성과 ... 18
• 제 5 장 연구개발결과의 활용계획 ... 19
• 제 1 절 추가연구의 필요성 ... 19
• 제 2 절 타연구에의 응용 ... 21
• 제 6 장 연구개발과정에서 수집한 해외과학기술정보 ... 23
• 제 1 절 메타러닝 ... 23
• 제 2 절 기계학습 가속기 ... 23
• 제 7 장 참고문헌 ... 24
• 끝페이지 ... 26