영상 서버에서 SSD 캐시 할당을 위한 SVR 기법 활용 방법
Exploiting Support Vector Regression Techniques for SSD Cache Allocation in Video Servers
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
SSD (Solid-State Drive)는 다수의 HDD (Hard Disk Drive)로 구성된 영상 서버에서 캐시로 활용될 수 있으며, 제한된 캐싱 공간을 효율적으로 사용하기 위해서는 캐싱될 영상의 미래 인기도를 정확하게 예측하는 것이 요구된다. 본 논문에서는 SVR (Support Vector Regression) 기반의 영상 인기도 예측 기법을 통해 영상 서버에서 SSD 캐시를 할당하는 방법을 제안한다. 먼저 예측 영상 인기도를 도출하기 위해 영상의 제목, 대표 이미지, 선호도 지표, 과거 조회수 기록 등 다양한 특징 벡터를 통해 영상 인기도 예측 모델을 구축하고 특징 벡터 구성에 따라 모델의 예측 성능과 연산 복잡도가 어떻게 변화하는지 분석하며, 그 결과를 기반으로 영상 인기도를 인자로 사용하는 SSD 캐싱 할당 모델을 제시한다. 9만개의 실제 유튜브 영상의 데이터를 수집하고, SSD 캐싱 동작을 시뮬레이션하여 1) 영상 인기도 예측 성능과 연산 복잡도간의 관계, 2) 최적해 대비 SSD 캐싱 할당 성능 면에서 제안하는 기법의 효용성을 검증하였다.
Abstract
Solid-state drives (SSDs) can be effectively used as a cache for video servers that consist of a lot of hard disk drives (HDDs), for which exact prediction of future video popularity is essential to make effective use of limited cache space. We propose a new SSD cache allocation scheme by making use of video popularity prediction based on a machine learning technique called support vector regression (SVR). To derive future popularity, we first construct a video popularity prediction model based on various feature types including title, thumbnail, and a ratio of “likes" and “dislikes" and viewing history to predict the popularity of video clips and analyze how complexity and accuracy of the SVR vary with each feature type. Based on this, we develop an SSD cache allocation model that uses video popularity as a parameter. We simulated a video server that stores 90,000 actual YouTube video clips to evaluate our scheme in terms of 1) popularity prediction accuracy and computational complexity 2) SSD caching set determination performance compared with optimal solution. The results confirm that the proposed scheme can accurately predict future popularity at a modest machine learning cost, which can be effectively used to SSD caching set determination.
참고문헌 (28)
- "Cisco statistics"[URL]
- "Twitch statistics"[URL]
- J. Lee, "DTStorage : Dynamic tape-based storage for cost-effective and highly-available streaming service", Proceedings of the IEEE, 2016, 376~387
- M. Ryu, "FlashStream:a multi-tiered storage architecture for adaptive HTTP streaming", Proceedings of the ACM Multimedia Conference, pp.313~322 (2013)
- J. Lee, "Cache management for video servers by the combined use of DRAM and SSD", Proceedings of the IEEE International Symposium on Multimedia, pp.537~540 (2016)
- R. Manjunath, "Dynamic data replication on flash SSD assisted Video On-Demand servers", Proceedings of the International Conference on Computing, Networking, and Communications, pp.502~506 (2012)
- L. Jiang, "Viral video style : a closer look at viral videos on YouTube", Proceedings of the International Conference on Multimedia Retrieval, pp.193~200 (2014)
- Judging YouTube by its covers, "A. Zhang", Department of Computer Science and Engineering, University of California, ~ (2015)
- 주해종, "VOD 콘텐츠 시청형태 빅데이터 분석을 위한 지능 시스템 연구", 한국차세대컴퓨팅학회 논문지, 14(3), pp.66~74 (2018), 한국차세대컴퓨팅학회
- H. Pinto, "Using early view patterns to predict the popularity of Youtube videos", Proceedings of the ACM International Conference on Web Search and Data Mining, pp.365~374 (2013)
- L. Tang, "Popularity prediction of Facebook videos for higher quality streaming", Proceedings of the USENIX Annual Technical Conference, pp.111~123 (2017)
- T. Trzcinski, "Predicting popularity of online videos using support vector regression", IEEE Transactions on Multimedia, 19(11), pp.2561~2570 (2017)
- Q. Ling, "A feedback-based adaptive data migration method for hybrid storage VOD caching systems", Multimedia Tools and Applications, 75(1), pp.165~180 (2016)
- 백승훈, "SSD 캐시를 위한 이웃 프리페칭 기법", 한국차세대컴퓨팅학회 논문지, 14(5), pp.40~52 (2018), 한국차세대컴퓨팅학회
- A. Abdiansah, "Time complexity analysis of support vector machines(SVM)in LibSVM", International Journal of Computer Applications, 128(3), pp.28~34 (2015)
- L. Kleinrock, "Queueing systems: theory, Vol. 1" (1975), Wiley
- 이승운, "대기행렬 이론 기반 SDN 제어 평면 및 응용 평면의 트래픽 성능 분석 모델", 한국차세대컴퓨팅학회 논문지, 15(4), pp.80~88 (2019), 한국차세대컴퓨팅학회[DOI]
- "YouTube Data API"[URL]
- S. Abu-El-Haija, "YouTube-8M: a large-scale video classification benchmark", arXiv preprint:1609.08675, ~ (2016)
- "YouTube-8M"[URL]
- "Clickbait detector"[URL]
- "Open NSFW model"[URL]
- F. Pedregosa, "Scikitlearn:machine learning in Python", Journal of Machine Learning Research, 12, pp.2825~2830 (2011)
- S. Amari, "Asymptotic statistical theory of overtraining and cross-validation", IEEE Transactions on Neural Networks, 8(5), pp.985~996 (1997)
- "Pearson correlation coefficient"[URL]
- D. Pisinger, "Algorithms for knapsack problems", Ph. D., pp.1995
- "Samsung SSD 860 PRO"[URL]
- "Western Digital WD6002FRYZ"[URL]