• 정보처리학회논문지A
• /
• 제8A권3호
• /
• pp.189-200
• /
• 2001

본 논문에서는 Real-Time Linux를 위한 메모리 할당 모델을 제안한다. 제안 모델은 사용자로 하여금 하나의 응용에 여러 개의 연속된 메모리 영역들을 생성하고, 각 영역마다 별도의 영역 할당 정책을 설정한 후, 원하는 영역으로부터 필요한 메모리 블록을 할당 받을 수 있게 한다. 이를 위해 기존의 단일 메모리 관리 모듈 대신 할당 정책을 구현한 영역 할당자 모듈과 이를 제어하는 영역 관리자 모듈로 세분한 두 단계 분리 구조를 채택했다. 이 구조는 할당 정책을 할당 메커니즘으로부터 분리함으로써, 시스템 개발자로 하여금 필요한 경우 동일한 할당 정책을 서로 다른 알고리즘을 사용하여 구현할 수 있게 한다. 또한 사전에 정의된 인터페이스를 준수할 경우 새로운 할당 정책을 쉽게 구현해 삽입할 수 있고, 불필요한 정책은 시스템에서 제거할 수도 있다. 제안 모델은 다수개의 할당 정책들을 사전에 구현하여 제공함으로써, 시스템 구축자로 하여금 매번 기존 정책들을 새로이 구현할 필요 없이 제공된 정책들 중 해당 응용에 가장 적합한 정책들만을 선택하여 시스템을 재구성할 수 있게 한다.

• International Journal of Internet, Broadcasting and Communication
• /
• 제15권1호
• /
• pp.79-84
• /
• 2023

Due to the rapid performance improvement of smartphones, multitasking on mobile platforms has become an essential feature. Unlike traditional desktop or server environments, mobile applications are mostly interactive jobs where response time is important, and some applications are classified as real-time jobs with deadlines. When interactive and real-time jobs run concurrently, memory allocation between multitasking applications is a challenging issue as they have different time requirements. In this paper, we study how to allocate memory space when real-time and interactive jobs are simultaneously executed in a smartphone to meet the multitasking requirements between heterogeneous jobs. Specifically, we analyze the memory size required to satisfy the constraints of real-time jobs and present a new model for allocating memory space between heterogeneous multitasking jobs. Trace-driven simulations show that the proposed model provides reasonable performance for interactive jobs while guaranteeing the requirement of real-time jobs.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제12권11호
• /
• pp.5234-5251
• /
• 2018

It is well-known that virtualization technology can bring many benefits not only to users but also to service providers. From the view of system security and resource utility, higher resource sharing degree and higher system reliability can be obtained by the introduction of virtualization technology in distributed cloud. The small size time-sharing multiplexing technology which is based on virtual machine in distributed cloud platform can enhance the resource utilization effectively by server consolidation. In this paper, the concept of memory block and user satisfaction is redefined combined with user requirements. According to the unbalanced memory resource states and user preference requirements in multi-virtual machine environments, a model of proper memory resource allocation is proposed combined with memory block and user satisfaction, and at the same time a memory optimization allocation algorithm is proposed which is based on virtual memory block, makespan and user satisfaction under the premise of an orderly physical nodes states also. In the algorithm, a memory optimal problem can be transformed into a resource workload balance problem. All the virtual machine tasks are simulated in Cloudsim platform. And the experimental results show that the problem of virtual machine memory resource allocation can be solved flexibly and efficiently.

• Journal of information and communication convergence engineering
• /
• 제7권2호
• /
• pp.199-202
• /
• 2009

Adaptive memory management is a serious issue in data stream management. Data stream differ from the traditional stored relational model in several aspect such as the stream arrives online, high volume in size, skewed data distributions. Data skew is a common property of massive data streams. We propose the predicted allocation strategy, which uses predictive processing to cope with time varying data skew. This processing includes memory usage estimation and indexing with timestamp. Our experimental study shows that the predictive strategy reduces both required memory space and latency time for skewed data over varying time.

• Industrial Engineering and Management Systems
• /
• 제9권3호
• /
• pp.227-241
• /
• 2010

A memory module industry's supply chain usually consists of multiple manufacturing sites and multiple distribution centers. In order to fulfill the variety of demands from downstream customers, production planners need not only to decide the order allocation among multiple manufacturing sites but also to consider memory module industrial characteristics and supply chain constraints, such as multiple material substitution relationships, capacity, and transportation lead time, fluctuation of component purchasing prices and available supply quantities of critical materials (e.g., DRAM, chip), based on human experience. In this research, a directed graph-based supply network planning (DGSNP) model is developed for memory module industry. In addition to multi-site order allocation, the DGSNP model explicitly considers production planning for each manufacturing site, and purchasing planning from each supplier. First, the research formulates the supply network's structure and constraints in a directed-graph form. Then, a proposed genetic algorithm (GA) solves the matrix form which is transformed from the directed-graph model. Finally, the final matrix, with a calculated maximum profit, can be transformed back to a directed-graph based supply network plan as a reference for planners. The results of the illustrative experiments show that the DGSNP model, compared to current memory module industry practices, determines a convincing supply network planning solution, as measured by total profit.

• 한국정보과학회논문지:시스템및이론
• /
• 제37권3호
• /
• pp.147-160
• /
• 2010

최근 서버의 통합을 통해 시스템 자원의 효율적인 활용을 제공할 수 있는 시스템 가상화가 많은 주목을 받고 있다. 이 시스템 가상화 기술을 통하여 보다 효과적으로 시스템 자원을 활용하고 가상화 소프트웨어의 성능을 향상시킬 수 있는 방안이 다양하게 연구되고 있다. 이러한 연구들은 CPU 측면에서 동적으로 가상머신에 할당된 양을 조절하거나 마이그레이션 기능을 활용하여 머신 간 자원 관리 등의 다양한 측면에서 활발하게 진행되고 있으나 메모리 측면에서는 그 연구가 매우 부족한 실정이다. 따라서 서버 통합에서의 메모리 자원의 이용은 가상머신 탑재 시에 정적으로 할당된 메모리를 사용하는 수준에서 머물고 있다. 하지만 본 논문의 성능 비교 환경인 Xen 가상화에서 가상머신에 정적으로 메모리를 할당하는 방식은 유휴메모리를 다량 발생시켜 메모리 이용률을 낮추게 된다. 메모리 이용률을 높이기 위하여 가상머신에 할당하는 메모리양을 줄일 경우 다른 시스템 자원에도 영향을 미치게 되며 가상머신에서 운영되는 서비스의 성능 저하를 유발하게 된다. 본 논문에서는 가상머신 사이의 메모리 할당량을 조절하여 가상머신의 서비스에 성능저하가 없으면서 이용률을 향상시킬 수 있는 메모리의 동적 할당을 제안한다. 메모리 사용량 예측을 위한 AR 모델과 메모리 이용률 최적화를 위한 개미 군집 알고리즘을 사용하여 구현한 메모리의 동적 할당 시스템을 통하여 정적 할당의 경우에 비하여 더 많은 수의 가상머신을 운영할 수 있게 되고 서버로 운영되는 가상머신의 서비스 성능 저하 없이 약 1.4배의 이용률 향상을 얻을 수 있었다.

• 한국인터넷방송통신학회논문지
• /
• 제22권3호
• /
• pp.43-48
• /
• 2022

최근 스마트폰의 성능이 급격히 향상되고 모바일 플랫폼에서 백그라운드 앱의 실행이 늘면서 모바일 환경의 멀티태스킹이 활성화되고 있다. 모바일 환경에서는 종래의 데스크탑 및 서버 응용들과 달리 응답시간이 중요한 대화형 작업들이 대부분을 차지하고 있으며, 일부 응용은 데드라인이 존재하는 실시간 작업에 해당된다. 본 논문에서는 스마트폰에서 실시간 작업과 대화형 작업이 동시에 실행될 때 메모리 관리를 어떻게 함으로써 이질적인 멀티태스킹 환경의 요구사항을 충족할 수 있는지에 대해 연구한다. 본 논문에서는 실시간 작업의 요구 조건 만족을 위해 필요한 메모리 크기를 분석 및 모델링하고 이에 기반해서 멀티태스킹 작업 간의 메모리를 할당하는 방안을 제안한다. 이종 앱의 스토리지 접근 트레이스를 추출하고 이에 기반한 시뮬레이션을 통해 제안한 기법이 실시간 작업의 요구를 일정 수준으로 보장하면서 대화형 작업에 합리적인 성능을 제공함을 확인하였다.

• Communications for Statistical Applications and Methods
• /
• 제24권5호
• /
• pp.507-518
• /
• 2017

Volatility plays a crucial role in theory and applications of asset pricing, optimal portfolio allocation, and risk management. This paper proposes a combined model of autoregressive moving average (ARFIMA), generalized autoregressive conditional heteroscedasticity (GRACH), and skewed-t error distribution to accommodate important features of volatility data; long memory, heteroscedasticity, and asymmetric error distribution. A fully Bayesian approach is proposed to estimate the parameters of the model simultaneously, which yields parameter estimates satisfying necessary constraints in the model. The approach can be easily implemented using a free and user-friendly software JAGS to generate Markov chain Monte Carlo samples from the joint posterior distribution of the parameters. The method is illustrated by using a daily volatility index from Chicago Board Options Exchange (CBOE). JAGS codes for model specification is provided in the Appendix.

• 국제지역연구
• /
• 제14권2호
• /
• pp.25-40
• /
• 2010

변동성을 정확하게 예측하는 것은 금융시장의 변동성 연구에 있어 특히 포트폴리오선택, 옵션가격결정, 위험관리와 관련하여 매우 흥미로운 연구주제이다. 왜냐하면 변동성은 시장의 위험을 의미하기 때문이다. 이 논문은 세 가지 변동성 모형(GARCH, IGARCH, FIGARCH)을 이용하여 호주 주가지수선물시장의 일일후 변동성을 예측하고 각 모형의 예측력을 비교 분석하였다.특히 호주 주가지수선물 변동성에 존재하는 장기기억 특성에 초점을 맞추고 실증분석하였다. 실증분석 결과 FIGARCH 모형이 GARCH 모형이나 IGARCH 모형보다 호주 주가지수선물시장의 장기기억 특성을 더 잘 포착한다는 것을 발견하였다. 또 세 모형 중 FIGARCH 모형을 이용할 경우 일일후 변동성 예측의 성과가 가장 우수하다는 것도 발견하였다. 이는 호주 주가지수선물 변동성에 장기기억이 존재하는 것을 의미하고, 변동성의 특징을 명시적으로 고려하는 FIGARCH 모형이 장기기억을 고려하지 않는 다른 모형들보다 예측성과 측면에서 더 우수하다는 것을 의미한다. 따라서 호주 주가지수선물시장의 장기기억 변동성을 예측하는 데는 FIGARCH 모형이 가장 유용한 것으로 나타났다.

• 지능정보연구
• /
• 제26권1호
• /
• pp.135-149
• /
• 2020

인공지능을 기반으로 한 다양한 연구들이 현대사회에 많은 변화를 불러일으키고 있다. 금융시장 역시 예외는 아니다. 로보어드바이저 개발이 활발하게 진행되고 있으며 전통적 방식의 단점을 보완하고 사람이 분석하기 어려운 부분을 대체하고 있다. 로보어드바이저는 인공지능 알고리즘으로 자동화된 투자 결정을 내려 다양한 자산배분 모형과 함께 활용되고 있다. 자산배분 모형 중 리스크패리티는 대표적인 위험 기반 자산배분 모형의 하나로 큰 자산을 운용하는 데 있어 안정성을 나타내고 현업에서 역시 널리 쓰이고 있다. 그리고 XGBoost 모형은 병렬화된 트리 부스팅 기법으로 제한된 메모리 환경에서도 수십억 가지의 예제로 확장이 가능할 뿐만 아니라 기존의 부스팅에 비해 학습속도가 매우 빨라 많은 분야에서 널리 활용되고 있다. 이에 본 연구에서 리스크패리티와 XGBoost를 장점을 결합한 모형을 제안하고자 한다. 기존에 널리 사용되는 최적화 자산배분 모형은 과거 데이터를 기반으로 투자 비중을 추정하기 때문에 과거와 실투자 기간 사이의 추정 오차가 발생하게 된다. 최적화 자산배분 모형은 추정 오차로 인해 포트폴리오 성과에서 악영향을 받게 된다. 본 연구는 XGBoost를 통해 실투자 기간의 변동성을 예측하여 최적화 자산배분 모형의 추정 오차를 줄여 모형의 안정성과 포트폴리오 성과를 개선하고자 한다. 본 연구에서 제시한 모형의 실증 검증을 위해 한국 주식시장의 10개 업종 지수 데이터를 활용하여 2003년부터 2019년까지 총 17년간 주가 자료를 활용하였으며 in-sample 1,000개, out-of-sample 20개씩 Moving-window 방식으로 예측 결과값을 누적하여 총 154회의 리밸런싱이 이루어진 백테스팅 결과를 도출하였다. 본 연구에서 제안한 자산배분 모형은 기계학습을 사용하지 않은 기존의 리스크패리티와 비교하였을 때 누적수익률 및 추정 오차에서 모두 개선된 성과를 보여주었다. 총 누적수익률은 45.748%로 리스크패리티 대비 약 5% 높은 결과를 보였고 추정오차 역시 10개 업종 중 9개에서 감소한 결과를 보였다. 실험 결과를 통해 최적화 자산배분 모형의 추정 오차를 감소시킴으로써 포트폴리오 성과를 개선하였다. 포트폴리오의 추정 오차를 줄이기 위해 모수 추정 방법에 관한 다양한 연구 사례들이 존재한다. 본 연구는 추정 오차를 줄이기 위한 새로운 추정방법으로 기계학습을 제시하여 최근 빠른 속도로 발전하는 금융시장에 맞는 진보된 인공지능형 자산배분 모형을 제시한 점에서 의의가 있다.