• Proceedings of the Korea Information Processing Society Conference
• /
• 2007.11a
• /
• pp.678-681
• /
• 2007

분산형 데스크탑 그리드 시스템에서 안정적인 연산 수행을 위한 노드 구성 기법과 동적인 환경에 적응적인 스케줄링 기법은 필수 요소이다. 그러나 기존 연구에서는 자원 제공자의 휘발성에 적응적으로 대처하지 못하는 연산 수행 모델을 사용하였기 때문에 데드라인 내에 전체 작업을 완료해야하는 응용에 대처하지 못하는 문제점이 발생한다. 이에 본 논문에서는 자원제공자의 성능과 논리적인 위치기반으로 자가 조직적 연산 오버레이 네트워크(Computation Overlay Network) 구성 기법과 자원제공자의 작업 완료 확률과 신용도 값을 이용하여 응용 QoS 보장을 위한 휴리스틱기반 복제 (Heuristic based Replication) 기법을 제안한다. 성능평가에서는 기존 스케줄링 기법과 자원제공자의 작업 완료 확률과 신용도에 따른 분포를 이용한 복제기반 스케줄링 기법을 비교평가 한다.

• Journal of KIISE:Computer Systems and Theory
• /
• v.31 no.5_6
• /
• pp.279-287
• /
• 2004

This paper describes a processor architecture, named Dynamically Instruction Scheduled VLIW (DISVLIW). The DISVLIW Processor architecture is designed for dynamic scheduling VLIW instructions using dependency information. The DISVLIW instruction format is augmented to allow dependency bit vectors to be placed in the same VLIW word. The DISVLIW processor dynamically schedules each instruction in long instructions using functional unit and dynamic scheduler pairs. Features such as explicit parallelism, balanced scheduling effort, and dynamic scheduling of VLIW instructions can be used to provide a sound frustructure for supercomputing. We simulate the DISVLIW processor architecture and show that the DISVLIW processor performs significantly better than the VLIW processor for a wide range of cache sites and across numerical benchmark applications.

• Proceedings of the KAIS Fall Conference
• /
• 2010.05b
• /
• pp.1180-1180
• /
• 2010

본 연구는 비안정적인 rework 발생 확률 자체가 납기 및 제품 품질에 매우 나쁜 영향을 미치는 복잡한 제조공정을 대상으로 rework 발생 확률의 변화에 따라 작업의 투입정책(dispatching policy)을 동적으로 변화시킬 수 있는 스케줄링 기법을 제안한다. 본 연구에서는 강화학습(reinforcement learning) 기법을 이용하여 시간의 흐름에 따라 변화하는 rework 발생 확률을 기반으로 작업 투입정책의 모수를 동적으로 조정함으로써 효율적인 투입계획을 수립하는 적응형 스케줄링 알고리즘을 제안하고, 다양한 현실적인 시나리오를 개발하여 그 성능을 테스트한다.

• Journal of KIISE:Computer Systems and Theory
• /
• v.33 no.6
• /
• pp.337-343
• /
• 2006

The Stack Resource Policy (SRP) is a real-time synchronization protocol with some distinct properties. One of such properties is early blocking; the execution of a job is delayed instead of being blocked when requesting shared resources. If SRP is used with dynamic priority scheduling such as Earliest Deadline First (EDF), the early blocking requires that a scheduler should select the highest-priority job among the jobs that will not be blocked, incurring runtime overhead. In this paper, we analyze the runtime overhead of EDF scheduling when SRP is used. We find out that the overhead of job search using the conventional implementations of ready queue and job search algorithms becomes serious as the number of jobs increases. To solve this problem, we propose an alternative data structure for the ready queue and an efficient job-search algorithm with O([log$_2n$]) time complexity.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2015.10a
• /
• pp.250-252
• /
• 2015

다양한 분야에서 활발히 연구되는 빅 데이터와 최근 이슈가 되고 있는 딥러닝(Deep-learning) 등은 컴퓨터공학 분야뿐만 아니라 다양한 분야와 접목하여 이에 대한 관심이 증가하고 있다. 대규모 클러스터를 통하여 빅데이터와 딥러닝 같은 계산 집약적인(computational-intensive) 작업을 빠르게 처리할 수 있다. 하지만 대규모 클러스터의 잦은 유휴상태는 클러스터의 활용률은 매우 낮아지게 한다. 본 논문에서는 작업 실행 시간 개선과 클러스터 활용 효율성을 향상시키는 HTCondor 클러스터를 위한 동적 자원 스케줄링 기법을 제안한다. 동적으로 자원 할당을 위해 가상머신으로 HTCondor 클러스터 환경을 구성하였으며, 가상머신의 관리를 위해 OpenStack을 사용하였다. OpenStack기반 HTCondor 클러스터 환경에서 HTCondor Python API와 OpenStack Python API를 사용하여 우리가 제안하는 동적 자원 스케줄링 기법을 구현하였으며, 실험을 통해 제안하는 기법의 성능 및 실현 가능성을 확인하였다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2008.06b
• /
• pp.509-514
• /
• 2008

동적 전력 관리 기법은 임베디드 시스템과 같은 저전력성이 요구되는 시스템에서 널리 활용되고 있다. 동적 전력 관리 기법은 처리율과 소비전력 간의 상관 관계를 통해, 프로세서의 전압과 주기를 조절하여 소비 전력당 처리율을 높이는 기법이다. 이러한 동적 전압 관리 기법이 실시간 특성이 필요한 임베디드 시스템에 적용되는 경우, 실시간 스케줄러에 큰 영향을 끼치게 된다. 실시간 스케줄러에서는 주어진 임계 시간 이내에 작업의 수행을 마치기 위하여, 스케줄 가능성 테스트를 수행하여 적합한 작업들만을 실행하도록 한다. 하지만, 인터럽트 처리 등으로 인한 선점 가능성은 스케줄 가능성에 대한 분석을 복잡하게 만들고 있다. 본 논문에서는 인터럽트 처리를 고려한 실시간 스케줄링 분석 연구를 기반으로 하여, 동적 전력 관리가 추가된 경우의 영향을 분석하도록 한다. 동적 전력 관리로 인한 실시간 처리 요구 사항의 증가와 실제 적용 가능한 사례를 보인다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2004.10a
• /
• pp.565-567
• /
• 2004

배터리를 효율적으로 사용하기 위한 기존 연구에서 제한된 용량의 배터리를 최대한 연장하여 사용하는 방법들에 관하여 다루었다. 본 논문에서는 시스템을 사용하는 정해진 시간동안 배터리가 소진되지 않도록, 시스템에서 동작하는 작업량을 동적으로 조절하는 방법을 제시한다. 제시된 방법에서는 시스템에서 동작하는 작업들을 중요성에 따라 분류하고, 시스템을 연동시키는 배터리 잔량을 주기적으로 측정한다. 그리고 측정된 배터리 잔량이 충분하면 모든 작업들을 동작시키고 배터리 잔량이 부족하면 중요성이 떨어지는 작업들부터 동작을 정지시켜서 전체 작업량을 감소시키고, 이를 통하여 배터리 지속 시간을 점진적으로 연장시키는 방법이다

• Proceedings of the Korean Information Science Society Conference
• /
• 2004.10a
• /
• pp.16-18
• /
• 2004

자원제공자 컴퓨팅(Volunteer Computing) 환경에서 자원제공자의 연산에 대한 참여(join) 및 이탈(leave), 결함 등의 동적인 연산 수행 특성을 고려한 스케줄링 기법은 안정적인 연산 수행을 지원하는 시스템의 설계에 있어서 중요한 고려사항이다. 기존의 자원제공자 컴퓨팅 연구에서는 자원제공자의 자유로운 연산 참여와 이탈 및 연산 수행 중 일시적인 연산 중단 등의 휘발성(volatility)을 고려한 결함 포용적 스케줄링 기법이 없어 연산 수행 중에 빈번한 중단이 발생하고, 연산 수행 시간이 지연된다. 본 논문에서는 이러한 자원제공자의 휘발성으로 인해 발생되는 문제를 해결하기 위해 자원제공자 컴퓨팅 환경에 부합하는 다양한 가용성(availability)을 정의, 분류하고, 공헌도(Contribution Rate) 기반 차별화 스케줄링 기법을 제안한다. 공헌도 기반 차별화 스케즐링 기밥은 헌신도(Dedication Rate)와 능력도(Faculty Rate)를 이용하여 주어진 작업량에 적합한 연산 수행 능력을 가지는 자원제공자를 선출하여 작업을 할당하고, 결함이 발생할 경우에는 결함의 종류에 따라 유연하게 대처하여 불안정한 자원 제공과 연산 중단 현상을 완화시킨다 이로써, 연산 수행에 대한 완료성과 신뢰성을 향상시켜 연산 지연 및 전체 연산 수행 시간을 단축시킨다.

• KIPS Transactions on Computer and Communication Systems
• /
• v.11 no.7
• /
• pp.205-216
• /
• 2022

One of the many tools used for distributed deep learning training is Kubeflow, which runs on Kubernetes, a container orchestration tool. TensorFlow jobs can be managed using the existing operator provided by Kubeflow. However, when considering the distributed deep learning training jobs based on the parameter server architecture, the scheduling policy used by the existing operator does not consider the task affinity of the distributed training job and does not provide the ability to dynamically allocate or release resources. This can lead to long job completion time and low resource utilization rate. Therefore, in this paper we proposes a new operator that efficiently schedules distributed deep learning training jobs to minimize the job completion time and increase resource utilization rate. We implemented the new operator by modifying the existing operator and conducted experiments to evaluate its performance. The experiment results showed that our scheduling policy improved the average job completion time reduction rate of up to 84% and average CPU utilization increase rate of up to 92%.

• Proceedings of the Korean Information Science Society Conference
• /
• 2007.06b
• /
• pp.493-496
• /
• 2007

그리드 컴퓨팅은 방대한 데이터 저장 공간과 고성능 연산능력을 요구하는 작업에 적합하다. 동적계획법(dynamic programming)은 방대한 크기의 동적 테이블(dynamic table)을 구성하여 최적해(optimal solution)을 찾기 때문에 그리드에서 수행하기에 적합한 작업이다. 본 논문에서는 동적 테이블을 구성하고 분산 배치하는 할당 정책을 제안한다. 그리고 동적계획법 기반의 어플리케이션을 그리드에서 효율적으로 수행할 수 있는 그리드 시스템 구조를 제안한다.