• 한국시뮬레이션학회논문지
• /
• 제26권2호
• /
• pp.1-8
• /
• 2017

High Level Architecture (HLA)는 완성된 시뮬레이터를 연동함으로써 재사용성을 높이고 분산된 이기종 시뮬레이터간의 연동성을 확보하고자 제정된 연동 표준으로, Runtime Infrastructure (RTI)로 구현되어 다양한 시뮬레이터간의 연동 시뮬레이션을 중개한다. 이러한 연동 시뮬레이션 관련 연구는 연동 대상이 되는 시스템이 점점 복잡해짐에 따라 시뮬레이터간의 연동을 넘어 연동된 페더레이션 간의 연동으로 발전하고 있다. 그러나 기존의 연구들은 객체 모델 통합에 대한 고민이 없었기 때문에 객체 모델이 동일한 표준 형식을 따르며 차이점이 존재하지 않아 쉽게 통합될 수 있다고 가정하고 진행되었다. 그러나 다양한 HLA 표준에 기초한 페더레이션들이 이미 구현되어 있기 때문에 객체 모델의 형식에 차이점이 있어 기계적인 객체 모델 통합이 불가능하고, 실제로는 같은 객체/속성에 대해 다르게 기술되어 있을 가능성이 많다. 또한 모든 객체를 통합하여 공개했을 때에는 보안성의 문제도 존재한다. 따라서 본 논문은 이러한 문제를 해결하는 페더레이션 연동을 위한 객체 모델 통합 프로세스를 제안한다. 제안하는 객체 모델 통합 프로세스는 서로 다른 표준을 따르는 객체 모델 간의 통합 방법을 제안하고, 객체간의 서로 다른 이름/특성 문제를 해결하며, 보안객체를 제외하는 기능을 담고 있다. 본 연구를 통하여 페더레이션 연동 기술이 실제적으로 적용될 때에 각 페더레이션의 연동성과 재사용성을 향상시킬 수 있을 것으로 기대한다.

• 정보처리학회논문지:소프트웨어 및 데이터공학
• /
• 제2권2호
• /
• pp.113-118
• /
• 2013

현재 개발된 GPU 가상화 기술은 모두 미세한 시분할 기법에 의한 스케줄링을 사용하기 때문에 어플리케이션 실행을 위한 오버헤드를 필요 이상으로 유발한다. 또한 이들은 가상 머신 모니터에 GPU 컴퓨팅 API를 포함하고 있어서, 가상 머신 모니터의 이식성이 약하다. 본 논문에서는 이질적 컴퓨팅 시스템에서 바이오 어플리케이션에 최적화된 GPU 가상화 기술을 제안하며, 공개 소스 Xen을 사용하여 개발하였다. 우리가 제안하는 방법은 가상 머신 간의 GPU 공유를 시분할에 의존하지 않는다. 대신에 하나의 가상 머신이 GPU를 할당 받으면 그 가상 머신이 어플리케이션을 종료할 때까지 GPU를 사용하도록 허용한다. 이렇게 하여 바이오 어플리케이션의 성능을 향상시키고 GPU의 활용률을 높인다. GPU 가상화의 이식성을 높이기 위해 하드웨어가 지원하는 IOMMU 가상화를 이용하여 GPU에 대한 직접 접근 통로를 제공한다. 미생물 유전체 분석 어플리케이션을 대상으로 성능을 분석한 결과, 본 연구에서 제안하는 직접 통로 방식에 의한 GPU 가상화는 Domain0를 통한 접근에 비해 오버헤드가 적었다. 또한 직접 접근 방식에 의한 가상 머신의 GPU 접근은, 비가상화된 머신과 거의 성능의 차이가 없었다.

• 지능정보연구
• /
• 제27권1호
• /
• pp.65-82
• /
• 2021

주식시장에 참여하는 투자자들은 크게 외국인투자자, 기관투자자, 그리고 개인투자자로 구분된다. 외국인투자자 같은 전문투자자 집단은 개인투자자 집단과 비교하여 정보력과 자금력에서 우위를 보이고 있으며, 그 결과 시장 참여자들 사이에는 외국인투자자들이 좋은 투자 성과를 보이는 것으로 알려져 있다. 외국인 투자자들은 근래에는 인공지능을 이용한 투자를 많이 하고 있다. 본 연구의 목적은 투자자별 거래량 정보와 머신러닝을 결합하는 투자전략을 제안하고, 실제 주가와 투자자별 거래량 데이터를 이용하여 제안 모형의 포트폴리오 투자 성과를 분석하는 것이다. 일별 투자자별 매수 수량과 매도 수량 정보는 한국거래소에서 공개하고 있는 자료를 활용하였으며, 여기에 인공신경망을 결합하여 최적의 포트폴리오 전략을 도출하고자 하였다. 본 연구에서는 자기 조직화 지도 모형 인공신경망을 이용하여 투자자별 거래량 데이터를 그룹화하고 그룹화한 데이터를 변환하여 오류역전파 모형을 학습하였다. 학습 후 검증 데이터 예측결과로 매월 포트폴리오 구성을 하도록 개발하였다. 성과 분석을 위해 포트폴리오의 벤치마크를 지정하였고 시장 수익률 비교를 위해 KOSPI200, KOSPI 지수 수익률도 구하였다. 포트폴리오의 동일배분 수익률, 복리 수익률, 연평균 수익률, MDD, 표준편차, 샤프지수, 벤치마크로 지정한 시가총액 상위 10종목의 Buy and Hold 수익률 등을 사용하여 성과 분석을 진행하였다. 분석 결과 포트폴리오가 벤치마크 대비 2배 수익률을 올렸으며 시장 수익률보다 좋은 성과를 보였다. MDD와 표준편차는 포트폴리오와 벤치마크가 비슷한 결과로 성과 대비 비교한다면 포트폴리오가 좋은 성과라고 할 수 있다. 샤프지수도 포트폴리오가 벤치마크와 시장 결과보다 좋은 성과를 내었다. 이를 통해 머신러닝과 투자자별 거래정보 분석을 활용한 포트폴리오 구성 프로그램 개발의 방향을 제시하였고 실제 주식 투자를 위한 프로그램 개발에 활용할 수 있음을 보였다.