• Journal of Scientific & Technological Knowledge Infrastructure
• /
• s.4
• /
• pp.56-65
• /
• 2001

지난 10여년간 14단계에 해당하는 중앙집중형의 슈퍼컴퓨터센터 프로그램은 정부 투자에 의한 대표적 성공사례로 평가되었으며, 이에 따라 NSF는 다시 강력한 공동 협력체제를 갖춘 고성능연구망 기반 첨단과학적 컴퓨팅센터 프로그램을 계속하기로 결정하였다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2003.10c
• /
• pp.94-96
• /
• 2003

고속 네트워크의 등장으로 관리 영역을 초월한 계산 자원의 공유가 가능하게 되었고, 그리드 컴퓨팅이 등장하게 되었다. 그리드 환경에 포함된 각 자원들은 이질적이기 때문에 고성능을 얻기 위해서는 효과적인 자원 발견 및 자원 선택이 중요하다. 본 논문에서는 그리드 컴퓨팅에서 다양하고 이질적인 자원들을 각 응용프로그램에서 효율적으로 이용할 수 있도록, 각 참여 노드들에게 순위를 부여하고 각 작업(Task)에 적절한 자원을 할당하여 전반적인 시스템 성능을 극대화시키는 메커니즘을 제안하였다. 각 노드의 순위는 처음 각 노드별 자원의 시스템 사양을 토대로 그룹화하여 작업을 배분하고 각 노드들이 작업을 마친 후 반환 값의 정확도와 응답시간과 같은 동적 요소를 고려하여 참여자의 순위를 부여하였고, 이러한 순위에 따른 작업 재분배 메커니즘은 전체적인 시스템 성능을 향상시키고 정확도를 높인다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2015.10a
• /
• pp.12-14
• /
• 2015

클라우드 컴퓨팅 기술의 발전과 스마트워크 활성화, BYOD(Bring Your Own Device)의 일반화로 가상 데스크톱 서비스 사용이 활발해지고 있으며, 사용자는 기존 보다 고성능의 서비스 환경을 제공 받고자 한다. 최근 IT시장에서 화두가 되고 있는 올 플래시 스토리지는 기존 하드디스크 스토리지를 대체하여 고성능의 가상 데스크톱 서비스 인프라를 제공할 것으로 관련 업계에서 전망하고 있다. 본 논문은 위와 같은 환경에서 가상 데스크톱 서비스 인프라 구축 시 올 플래시 스토리지와 기존 하드디스크 스토리지의 성능 비교를 통해 관련 업계의 전망을 검증하고 더불어 올 플래시 스토리지 활용을 통해 클라우드 컴퓨팅 환경에서 효율적인 데이터센터 구성을 제시한다.

• Journal of Technology Innovation
• /
• v.23 no.2
• /
• pp.33-54
• /
• 2015

Supercomputing performance demand forecasting at the national level is an important information to the researchers in fields of the computational science field, the specialized agencies which establish and operate R&D infrastructure, and the government agencies which establish science and technology infrastructure. This study derived the factors affecting the scientific and technological capability through the analysis of supercomputing performance prediction research, and it proposed a hybrid forecasting model of applying the super-computer technology trends. In the cross-sectional analysis, multiple regression analysis was performed using factors with GDP, GERD, the number of researchers, and the number of SCI papers that could affect the supercomputing performance. In addition, the supercomputing performance was predicted by multiplying in the cross-section analysis with technical progress rate of time period which was calculated by time series analysis using performance(Rmax) of Top500 data. Korea's performance scale of supercomputing in 2016 was predicted using the proposed forecasting model based on data of the top500 supercomputer and supercomputing performance demand in Korea was predicted using a cross-sectional analysis and technical progress rate. The results of this study showed that the supercomputing performance is expected to require 15~30PF when it uses the current trend, and is expected to require 20~40PF when it uses the trend of the targeting national-level. These two results showed significant differences between the forecasting value(9.6PF) of regression analysis and the forecasting value(2.5PF) of cross-sectional analysis.

• Proceedings of the Korean Information Science Society Conference
• /
• 2000.04a
• /
• pp.615-617
• /
• 2000

인터넷 상에 분산되어 있는 다수의 일반 컴퓨터들을 이용하여 높은 컴퓨팅 파워를 요구하는 응용문제를 병렬분산 처리함으로써 값 비싼 고성능의 수퍼컴퓨터를 사용하는 것 보다 경제적인 효과를 얻을 수 있다. 본 연구에서는 다중 에이전트 시스템을 이용해서 가장 병렬 시스템을 구성하고, 기존 방법들 보다 더 효과적인 방법으로 워커 에이전트와 작업 패키지를 분산하고 결과를 얻는 새로운 방법을 제안한다. IBM의 Aglet 시스템을 이용하여 이동 컴퓨팅 환경을 모델링 하였고, 제안된 분산 기법에 관한 성능 모델을 수학적으로 유도하여 그 결과를 기존 결과와 비교함으로써 본 논문에서 제안된 방법이 더 효율적임을 보인다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2018.10a
• /
• pp.80-81
• /
• 2018

모바일, IoT, 데스크탑의 컴퓨팅 자원을 통합한 환경에서 다중 작업을 처리하는 연구가 진행되고 있다. 통합된 컴퓨팅 자원(Integrated Computing Resources)에서 다중 작업(Multi-Job)을 처리할 경우에는 실시간으로 발생하는 작업 부하 및 대규모의 컴퓨팅 능력이 요구된다. 또한 사용자에게는 단일 작업 처리 시간과 유사한 작업 처리 속도를 제공해야한다. 기존 클라우드 컴퓨팅의 작업 처리 연구에서는 고성능의 컴퓨팅 자원을 이용하여 단일 작업 처리 속도를 향상시키는 연구는 진행되었으나 다중 작업 처리에 대한 연구는 미흡하다. 본 논문에서는 통합된 컴퓨팅 자원에서 두 개 이상의 작업을 수행하여 작업 처리량을 향상 시키는 다중 작업 스케줄링(MJS-MM)을 제안한다. MJS-MM은 서브미션된 작업을 분할(Decomposition)하고 가용 컴퓨팅의 성능기반 작업을 수행하여 총소요시간(Makespan)을 최소화 할 수 있도록 한다.

• Electronics and Telecommunications Trends
• /
• v.32 no.4
• /
• pp.48-56
• /
• 2017

대규모 고성능 컴퓨팅 시스템에서 경량커널은 전통적으로 계산 노드에 탑재되어 특정 연산만을 수행한다. 특히 경량커널은 병렬 프로그램을 실행함에 있어 성능을 최대한 끌어올리기 위하여 자원 간의 간섭을 최소화할 수 있도록 개발되어 사용되고 있다. 최근에는 수천 개의 코어가 장착된 고성능 컴퓨팅 환경은 병렬프로그램뿐만 아니라 일반 응용 및 대규모 분산 응용에서도 필요하다. 고성능 컴퓨팅 환경에서는 매니코어와 메모리 자원이 늘어남에 따라 성능 확장성을 요구하는 현실적인 운영체제의 구조로서 경량커널과 리눅스를 같이 실행하는 멀티커널 구조를 선호하고 있다. 본고에서는 이러한 선행연구를 소개하고 매니코어 시스템에서 활용되는 최근 경량커널의 동향에 대해 살펴본다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2003.04d
• /
• pp.617-619
• /
• 2003

Grid는 고성능의 프로세스와 네트워크의 발전으로 인한 분산 컴퓨팅 환경에서의 이기종성을 극복하고, 대규모의 자원 및 데이터를 관리하고, 고속의 연산 수행이 가능한 시스템 개발을 가능하게 하였다. 또한, 현재 국가 및 대학 연구소를 중심으로 가상 환경에서의 협업 및 정보 공유가 가능한 가상 조직을 구축을 목표로 하고 있다. Grid는 고정된 분산 시스템을 기반으로 연구되고 있으며, 현재 컴퓨팅 환경의 변화의 축인 이동성을 고려하지 않고 있다. 경량화 된 프로세스는 이동기기의 대중화를 가져왔으며, 무선 네트워크의 저가화로 인해 무선 인터넷을 통한 컨텐츠 및 어플리케이션의 사용이 범람하게 되었다. 컴퓨팅 자원들의 산재와 이동성의 부여 둥의 컴퓨팅 환경의 변화는 사용자 중심의 컴퓨터 패러다임을 낳았으며, Grid 환경의 계속적인 발전을 위해서는 이러한 변화 수용이 필수적이다. 또한 변화된 컴퓨팅 환경에서의 사용자의 요구사항들에 대한 Grid 컴퓨팅 환경의 적용에 관한 많은 문제점들이 제시되고 있다. 본 논문에서는 이러한 관점을 고려하여 이동 컴퓨팅 환경의 인프라들을 기반으로 기존의 Grid 컴퓨팅과의 연동을 고려하여 적응성 및 재구성이 가능한 Mobile-Grid 아키텍처를 제시하고, 가상 조직 내에서 확장성, 유연성, 호환성, 개방성 둥의 특징을 가지는 Mobile-Grid의 미들웨어를 제안한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2023.11a
• /
• pp.2-4
• /
• 2023

KISTI의 GPU 클러스터 시스템인 뉴론은 NVIDIA의 A100과 V100 GPU가 총 260개 탑재되어 있는 클러스터 시스템이다. 뉴론의 계산노드들은 고성능의 인터커넥트인 Infiniband(IB) 케이블로 연결되어 있어 멀티 노드 작업 수행 시에 고대역 병렬통신이 가능하다. 본 논문에서는 NVIDIA사에서 제공하는 NCCL의 벤치마크 코드를 이용하여 인터커넥트 네트워크의 통신 성능을 비교분석하는 방안에 대해서 소개한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2016.10a
• /
• pp.64-65
• /
• 2016

슈퍼컴퓨터는 대용량의 데이터를 효율적으로 관리하기 위해 Lustre 파일 시스템과 같은 고성능의 병렬 파일 시스템을 이용한다. 한국과학기술정보연구원의 슈퍼컴퓨터 4호기 Tachyon 2차 시스템과 같이 다수의 사용자가 접속하는 슈퍼컴퓨터는 사용자의 데이터가 한없이 누적됨으로 Lustre 파일 시스템의 성능이 저하되는 이슈가 있다. 본 논문에서는 사용자의 데이터가 누적되는 것을 방지하기 위해 장기간 사용하지 않는 데이터를 자동 삭제하는 기능인 Purge기능을 구현하였다. 특히, 기하급수적으로 늘어나는 병렬 파일 시스템의 용량에 대처하기 위해 병렬 컴퓨팅 기술을 이용해 고속 Purge 기능을 구현하였다. 단일 컴퓨팅 노드와 병렬 환경에서 구현한 결과를 비교하였을 때, 단일 컴퓨팅 노드에서는 1,517GB 용량을 지우는데 221.2초가 걸렸으며 16개의 컴퓨팅 노드를 이용한 병렬 환경에서는 49.9초가 걸렸다. 이 결과를 비교했을 때 단일 컴퓨팅 노드에서 구현한 결과 대비 병렬 환경에서 구현했을 때 약 4.4배의 성능향상을 얻을 수 있었다.