빅데이터 분석을 위한 메모리 중심 컴퓨팅시스템 설계 및 구현
Design and Implementation of Memory-Centric Computing System for Big Data Analysis
2
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 대용량 데이터를 프로그램 자체에서 생성시키면서 구동되는 빅데이터 프로그램, 머신 러닝 프로그램 같은 응용 프로그램의 사용이 일상화됨에 따라 기존의 메인 메모리만으로는 메모리가 부족하여 프로그램의 빠른 실행이 어려운 경우가 발생하고 있다. 특히, 코로나 변이 바이러스 발생으로 염기서열 전체의 유전 변이 여부를 분석해야 하는 상황에는 더욱 빠르게 결과를 도출해야 하는 필요성이 대두되었다. 대용량 데이터를 병렬실행으로 빠른 결과를 필요로 하는 전장유전체(WGS; Whole Genome Sequencing) 분석 방법에 기존 SSD에서 대용량 데이터를 처리하는 것이 아닌 자체 개발한 메모리풀 MOCA host adapter 가 장착된 컴퓨팅 시스템에 적용하여 성능을 측정한 결과 기존 SSD 시스템에 비해 16%의 성능 향상이 있었다. 그리고, 그 외의 다양한 벤치마크 시험에서도 워크플로우의 task별 SortSampleBam, ApplyBQSR, GatherBamFiles등 메모리풀 MOCA host adapter가 장착된 컴퓨팅 시스템에서도 SSD를 사용한 경우보다 IO 성능이 각각 92.8%, 80.6%, 32.8% 실행시간 단축을 보였다. 전장유전체파이프라인 분석같이 대용량 데이터 분석시 본 연구에서 개발한 메모리풀 MOCA host adapter가 장착된 컴퓨팅 시스템에서 분석할 경우 런타임(run time)시 발생하는 측정 지연을 줄일 수 있을 것으로 판단된다.
Abstract
Recently, as the use of applications such as big data programs and machine learning programs that are driven while generating large amounts of data in the program itself becomes common, the existing main memory alone lacks memory, making it difficult to execute the program quickly. In particular, the need to derive results more quickly has emerged in a situation where it is necessary to analyze whether the entire sequence is genetically altered due to the outbreak of the coronavirus. As a result of measuring performance by applying large-capacity data to a computing system equipped with a self-developed memory pool MOCA host adapter instead of processing large-capacity data from an existing SSD, performance improved by 16% compared to the existing SSD system. In addition, in various other benchmark tests, IO performance was 92.8%, 80.6%, and 32.8% faster than SSD in computing systems equipped with memory pool MOCA host adapters such as SortSampleBam, ApplyBQSR, and GatherBamFiles by task of workflow. When analyzing large amounts of data, such as electrical dielectric pipeline analysis, it is judged that the measurement delay occurring at runtime can be reduced in the computing system equipped with the memory pool MOCA host adapter developed in this research.
참고문헌 (11)
- "High-performance interconnect for the data-centric future", OCP Summit, ~ (2018)
- "Data Centric Computing", SPXXL, 2011
- Amirali Boroumand, "Google workloads for consumer devices: Mitigating data movement bottlenecks", Proceedings of the 23rd International Conference on Architectural Support for Programming Languages and Operating Systems (ASPLOS) (2018)
- Onur Mutlu, "Memory-centric computing in the big data era", FMS Special Session Invited Talk, ~ (2019)
- Rajeev Balasubramonian, "Near-data processing: Insights from a micro-46 workshop", IEEE Micro, 34(4) (2014)
- Yoonho Park, "IBM data centric systems & OpenPOWER", HPC User Forum, ~ (2017)
- 권혁제, "Signal integrity analysis of system interconnection module of high‐density server supporting serial RapidIO", ETRI Journal, 41(5), pp.670~683 (2019), 한국전자통신연구원[DOI]
- 김현미, "Automated optimization for memory‐efficient high‐performance deep neural network accelerators", ETRI Journal, 42(4), pp.505~517 (2020), 한국전자통신연구원[DOI]
- Seokbin Hong, "Hardware implementation and analysis of Gen-Z protocol for memory-centric architecture", IEEE Access (2020)