다중 스트림 환경에서 분산 처리 기반 바이너리 베르누이 샘플링 :

조원형

추천

검색

자료유형: 학위논문

저자정보: 조원형 (강원대학교, 강원대학교 대학원)

지도교수: 문양세

발행연도: 2019

저작권: 강원대학교 논문은 저작권에 의해 보호받습니다.

이용수5

이 논문의 연구 히스토리 (3)

2019

분산 바이너리 베르누이 샘플링의 최적화

조원형 , 길명선 , 주남수 외 1명 한국정보과학회 학술발표논문집 2019.06 학술대회자료

다중 스트림 환경에서 분산 처리 기반 바이너리 베르누이 샘플링

조원형 컴퓨터과학과 2019.01 학위논문

2017

바이너리 베르누이 샘플링을 위한 스톰 기반 분산 프레임워크

조원형 , 이상훈 , 문양세 한국정보과학회 학술발표논문집 2017.06 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

최근 SNS(social network service), IoT(Internet of things), 스마트 팩토리(smart factory), 의료 등에서 대용량 데이터 스트림이 빠르게 생성됨에 따라 샘플링 기법의 필요성이 크게 증가하고 있다. 본 논문에서는 다중 입력 환경에서 샘플링을 수행하는 바이너리 베르누이 샘플링의 성능 향상 문제를 다룬다. 바이너리 베르누이 샘플링은 n개의 사이트(site)가 1개의 코디네이터(coordinator)에게 데이터를 전송하는 n:1 구조를 갖는다. 그런데, 기존 바이너리 베르누이 샘플링은 사이트 수가 증가하거나 입력 데이터 스트림이 폭증하는 경우 코디네이터에게 데이터가 집중되어 병목현상이 발생한다. 또한, 사이트와 코디네이터는 각기 다른 네트워크를 통해 양방향 통신을 수행하기 때문에 과도한 통신 오버헤드가 발생한다. 본 논문에서는 이 같은 병목현상과 통신 오버헤드 문제를 해결하는 바이너리 베르누이 샘플링의 분산 처리 모델을 제안한다. 먼저, 병목현상을 해결하기 위해 본 논문에는 다중 코디네이터 구조를 제시한다. 그리고, 과도한 통신 오버헤드를 완화하기 위해 통합 프레임워크 구조와 공유 메모리 구조를 제시한다. 다음으로, 제안하는 모델의 실효성(effectiveness)과 확장성(scalability)을 확인하기 위해 실시간 분산 스트림 처리 시스템인 아파치 스톰(Apache Storm)에 구현하고 이의 성능을 기존 바이너리 베르누이 샘플링과 비교한다. 실험 결과, 제안하는 스톰 기반 바이너리 베르누이 샘플링은 기존 방법보다 성능을 최대 1.8배까지 향상시켰을 뿐만 아니라 입력 데이터 스트림이 증가해도 높은 성능을 유지하였다. 다음으로, 제안한 분산 처리 기반 바이너리 베르누이 샘플링의 분배 대기 문제를 해결하기 위해 다중 분배 구조와 분배자 분리 구조를 제안하여 최적화를 수행하였다. 실험 결과, 다중 분배와 분배자 분리 구조를 적용한 바이너리 베르누이 샘플링이 성능을 더욱 향상시킴을 확인하였다. 이 같은 결과로 보아, 제안하는 분산 처리 모델은 기존 바이너리 베르누이 샘플링의 성능 저하 문제를 해결할 뿐만 아니라 실제 분산 처리 시스템인 스톰에서 구동 가능한 매우 우수한 연구라 사료된다.

In recent years, a large volume of data streams has been rapidly produced in many applications such as SNS(social network service), smart devices, and IoT(internet of things), and accordingly, there have been a lot of demands for sampling techniques on those rapid data streams. In this paper, we deal with the performance improvement of binary Bernoulli sampling which performs sampling in the multiple-input environment. Binary Bernoulli sampling has an n:1 structure where multiple sites send data to a single coordinator. However, binary Bernoulli sampling may cause coordinator bottlenecks due to the concentration of data in the coordinator as the number of sites increases or the input data stream increases. In addition, the site and the coordinator perform bi-directional communication over different networks, resulting in excessive communication overhead. In this paper, we propose a novel distributed processing model of binary Bernoulli sampling to solve these coordinator bottleneck and communication overhead problems. We first present a multiple-coordinator structure to solve the coordinator bottleneck. We then present a new sampling model with an integrated framework and shared memory to alleviate the communication overhead. To verify the effectiveness and scalability of the proposed model, we perform its actual implementation in Apache Storm, a real-time distributed stream processing system. Experimental results show that our Storm-based binary Bernoulli sampling improves performance by up to 1.8 times compared with the legacy method and maintains high performance even when the input stream largely increases. Futhermore, we propose a multiple-distribution structure and a distributor split structure to optimizie the proposed binary Bernoulli sampling. Experimental results show that the optimized binary Bernoulli sampling enhances the performance much more. These results indicate that the proposed distributed processing model is an excellent approach that solves the performance degradation problem of binary Bernoulli sampling and verifies its superiority through the actual implementation on Apache Storm.

#바이너리 베르누이 #샘플링 #분산 스트림

1 서 론 1
2 배경 지식 5
2.1 바이너리 베르누이 샘플링 5
2.2 아파치 스톰 6
3 관련 연구 9
4 바이너리 베르누이 샘플링의 분산 처리 모델 11
5 스톰 기반 바이너리 베르누이 샘플링 17
6 성능 평가 21
6.1 실험 데이터 및 환경 21
6.2 실험 결과 22
7 분산 처리 모델의 최적화 26
7.1 다중 분배와 분배자 분리 27
7.2 성능 평가 29
8 결 론 32
9 참고 문헌 33

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (3)

초록· 키워드

목차

최근 본 자료

댓글(0)