NVMe SSD를 위한 멀티-큐 블록 레이어 기반 입출력 자원 분배 기법 :Proportional I/O Sharing on Multi-Queue Block Layer for NVMe SSD

손수호

추천

검색

자료유형: 학위논문

저자정보: 손수호 (부산대학교, 부산대학교 대학원)

지도교수: 안성용

발행연도: 2022

저작권: 부산대학교 논문은 저작권에 의해 보호받습니다.

이용수19

이 논문의 연구 히스토리 (2)

2022

NVMe SSD를 위한 멀티-큐 블록 레이어 기반 입출력 자원 분배 기법

손수호 정보융합공학과 2022.01 학위논문

2021

멀티-큐 네트워크 블록 디바이스 드라이버의 CPU 사용률 개선을 위한 동적 입출력 큐 할당 기법

손수호 , 오기준 , 최영인 외 1명 한국정보과학회 학술발표논문집 2021.12 학술대회자료

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

초록· 키워드

오류제보하기

다수의 사용자가 존재하는 클라우드 컴퓨팅 서비스에서 각 사용자의 요구사항에 맞게 시스템 자원을 효율적이고 공정하게 분배하는 것은 중요하다. 특히, 최근 NVMe SSD와 같은 고성능 멀티-큐 SSD가 클라우드 컴퓨팅에 적용되면서 다수의 사용자에게 입출력 대역폭을 낭비하지 않으면서도 정확하게 분배할 필요가 있다. 하지만, 기존 싱글-큐 구조에서 제안된 입출력 대역폭 분배 기법들은 멀티-큐의 병렬성을 고려하지 않기 때문에 NVMe SSD의 고성능을 충분히 활용할 수 없다. 대표적으로 BFQ 스케줄러의 스케줄링은 한 번에 하나의 프로세스 그룹을 선택하는 방식이기 때문에 멀티-큐의 이점을 활용하지 못한다. 이 문제를 해결하기 위해 본 논문에서는 프로세스 그룹마다 전용 입출력 요청 큐를 할당하고 입출력 요청을 처리할 때 토큰을 소모하는 방식으로 입출력 대역폭을 분배하는 스케줄러를 제안한다. 이 스케줄러는 전역적 동기화가 필요하지 않기 때문에 멀티-큐의 병렬성을 최대로 보장할 수 있다. 성능평가 결과, 입출력 가중치에 따라 대역폭을 정확하게 분배하면서도 NVMe SSD의 대역폭을 낭비없이 사용하여 기존 BFQ 스케줄러에 비해 최대 3.6 배 향상된 성능을 보였다. 두번째로 제안하는 기법은 다수의 SSD를 LVM을 통해 소프트웨어 RAID로 관리할 때, 입출력 가중치가 높은 프로세스 그룹이 상대적으로 빠른 SSD를 사용할 수 있도록 DM 드라이버에서 리다이렉팅함으로써 전체 입출력 성능을 향상시키는 기법이다. 이 기법은 기존 DM 드라이버에 비해 최대 1.3배 이상 향상된 성능을 보였다.

#NVMe SSD #Proportional I/O sharing #Multi-queue Block Layer

Ⅰ. 서론 1
Ⅱ. 배경지식 4
1. NVMe SSD 4
2. 멀티-큐 블록 레이어 5
3. 리눅스 Cgroup 7
4. 리눅스 볼륨 매니저(LVM) 8
Ⅲ. 관련연구 9
1. 비례배분 입출력 자원 공유 9
가. 토큰 기반 스케줄링 9
A. BFQ (Budget Fair Queueing) 스케줄러 9
B. FeedBAC (Feedback Based Allocation of Credits) 9
나. Fair-queueing 기반 스케줄링 10
A. SFQ (Start-time Fair Queueing) 스케줄러 10
B. MQFQ (Multi-Queue Fair Queueing) 스케줄러 10
C. D2FQ (Device-Direct Fair Queueing) 스케줄러 10
2. RAID 환경에서 SSD 동적 할당 11
가. SWAN (Spatial separation Within an Array of SSDs on a Network) 11
나. FusionRAID 11
Ⅳ. Kyber-fairness 스케줄러 12
1. 연구 동기 12
가. BFQ 스케줄러 성능 실험 12
나. BFQ 스케줄러 성능 저하 분석 13
2. Kyber-fairness 스케줄러 개요 14
3. Kyber-fairness 스케줄러의 비례배분 입출력 대역폭 공유 16
4. NVMe SSD 대역폭 예측 기법 18
5. 멀티-큐 구조와의 호환성 21
Ⅴ. Kyber-fairness 스케줄러 실험 환경 및 결과 22
1. 실험 환경 23
2. 실험 결과 23
가. 합성 워크로드 (Syntactic Workload) 23
나. 실제 워크로드 (Real-world Workload) 24
다. 확장성 평가 27
Ⅵ. DM-log 28
1. 연구 동기 28
2. DM-log 개요 32
3. 로그블록 생성 34
4. 로그블록 사용 35
5. 로그블록 가비지 컬렉션 37
Ⅶ. DM-log 실험 환경 및 결과 39
1. 실험 환경 39
2. 실험 결과 40
가. 합성 워크로드 (Syntactic Workload) 40
나. 실제 워크로드 (Real-world Workload) 41
다. 로그블록 수에 따른 성능 비교 44
Ⅷ. 결론 45

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 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)