FPGA가 탑재된 computational storage를 활용한 LSM-tree의 컴팩션 가속 :LSM-tree compaction acceleration using computational storage with FPGA

임민제

추천

검색

자료유형: 학위논문

저자정보: 임민제 (성균관대학교, 성균관대학교 일반대학원)

지도교수: 신동군

발행연도: 2022

저작권: 성균관대학교 논문은 저작권에 의해 보호받습니다.

이용수4

이 논문의 연구 히스토리 (3)

2022

FPGA가 탑재된 computational storage를 활용한 LSM-tree의 컴팩션 가속

임민제 전자전기컴퓨터공 2022.01 학위논문

2021

In-Storage Processing을 활용한 LSM-tree의 컴팩션 가속

임민제 , 정지윤 , 신동군 한국정보과학회 학술발표논문집 2021.12 학술대회자료

연속 컴팩션 기법을 이용한 LSM-tree의 FPGA 컴팩션 가속기

임민제 , 신동군 한국정보과학회 학술발표논문집 2021.06 학술대회자료

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

초록· 키워드

오류제보하기

Log-structured merge Tree(LSM-tree) 기반의 Key-value store는 빅 데이터 프로세싱 등 다양한 분야에서 사용되고 있다. LSM-tree의 구조를 유지하기 위해서는 중복된 Key range를 가진 SSTable들을 병합하여 독립적인 Key range를 가진 SSTable로 변환하는 컴팩션 작업이 수행될 필요가 있는데, 컴팩션 작업은 많은 양의 스토리지 IO를 발생시키고 DB 성능에 악영향을 미친다. FPGA가 탑재된 Computational Storage에 컴팩션 작업을 오프로딩 할 경우, Host와 Storage간 Data traffic을 감소시키고 작업을 빠르게 처리하여 시스템의 성능을 향상시킬 수 있다. 본 논문에서는 컴팩션 작업을 가속할 수 있는 IP를 설계 및 구현하였고, FPGA가 탑재된 OpenSSD 플랫폼에 통합하였다. 호스트 버전과 비교하였을 때는 컴팩션 성능과 벤치마크 전체 성능을 각각 최대 45.1%, 40.7% 개선하였으며, 외장 가속기 환경과 비교하여 벤치마크 전체 성능을 각각 최대 13.8%, 14.7% 개선하였다.

#LSM-Tree #Key-Value Store #FPGA #In-storage processing

제 1 장 서론 1
제 2 장 기술적 배경 및 관련 연구 3
2.1. LSM-Tree 3
2.2. FPGA 및 관련 연구 5
2.3. Computational Storage 관련 연구 6
2.4. Zoned Namespace 7
제 3 장 Computational Storage 시스템 설계 및 구현 8
3.1. Computational Storage 구조 설명 8
3.2 핵심 연산 분석 및 구현 9
3.2.1 Mux-Based shifter 9
3.2.2 Common prefix detector 10
3.2.3 스트림 세퍼레이터 11
3.3. IP 설계 13
3.3.1. 리소스 중점적 IP 설계 13
3.3.2. 디코더 구조 15
3.3.3. 컴퍼레이터 구조 16
3.3.4 인코더 구조 17
3.4. 소프트웨어 설계 18
3.4.1. 단계적 컴팩션 18
3.4.2. Host SW 스택 수정 20
3.4.3. Computational Storage 펌웨어 21
제 4 장 성능 평가 23
4.1. 평가 환경 23
4.2. 벤치마크 전체 성능 평가 23
4.3. 컴팩션 IP 성능 평가 24
4.4. 디코더의 수에 따른 성능 평가 25
4.5. 리소스 사용량 평가 27
4.6. Metadata Encoder 의 효용성 분석 28
4.7. CPU 사용량 평가 29
4.8. Host - SSD Parallel Compaction 30
제 5 장 논의 및 향후 연구 33
5.1. L0 ? L0 Compaction 33
5.2. Host ? SSD Collaborate Compaction 33
5.3. Fine-grained buffer synchronization 34
5.4. IP 성능 및 기능 확장 34
제 6 장 결론 35
참고문헌 36
Abstract 39

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)