• Proceedings of the Korea Information Processing Society Conference
• /
• 2018.05a
• /
• pp.256-259
• /
• 2018

다수의 사용자가 자원을 공유하는 클라우드 센터에서는 자원 사용량 예측이 힘들기 때문에 지속적으로 가상머신의 자원 부족과 특정 물리 서버에 가상머신들이 집중되는 것을 방지하고자 클라우드 센터를 구성하는 다수의 물리 서버 사이에서 가상머신을 이주시키는 마이그레이션 작업을 수행한다. 가상머신 마이그레이션은 가상머신에게 할당된 자원의 규모에 따라 물리 서버에 가상머신을 균등하게 배치시킬 수 있지만 가상머신의 특정 자원에 따른 자원 집중 현상은 방지할 수 없다. 본 논문에서는 가상머신 마이그레이션 작업 시 자원 집중 현상을 방지하기 위한 기반 정보를 생성하는 가상머신 유형분류 기법을 제안한다. 본 논문에서 제안하는 가상머신 유형분류 기법은 물리 서버에서 실행 중인 가상머신의 자원 사용 정보를 기반으로 CPU, 메모리 유형으로 분류하여 가상머신 마이그레이션을 수행할 때 사용할 수 있는 기반 정보를 제공한다. 또한 본 논문에서 제안한 기법은 실험을 통해 무시할 수 있는 수준의 오버헤드를 발생시키는 것을 확인하였다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2018.05a
• /
• pp.260-261
• /
• 2018

다수의 사용자가 동시에 가상머신을 사용하는 클라우드 환경은 자원 사용량을 예측하기 힘들기 때문에 사용자의 자원 요구량과 성능을 만족시키기 위해 지속적으로 마이그레이션, 오토스케일링과 같은 가상머신 관리 작업을 수행한다. 가상머신 관리 시 참조되는 가장 중요한 정보는 가상머신과 물리머신의 자원 모니터링 정보이다. 클라우드 센터에서 자원 모니터링 작업은 가상머신 관리 시 필수적이지만 모니터링 정보 수집 시 사용하는 자원은 물리머신의 자원을 사용하기 때문에 모니터링 주기가 짧으면 모니터링 작업을 위한 자원 사용으로 인해 가상머신과 자원 경쟁이 발생할 수 있다. 본 논문에서는 물리머신에서 실행 중인 가상머신의 작업의 유형에 따른 최적의 모니터링 주기를 도출하기 위해 자원 모니터링 주기가 가상머신의 성능에 미치는 영향을 분석하고 모니터링 작업으로 인해 발생하는 가상머신의 성능 저하를 최소화 할 수 있는 최적의 모니터링 주기를 도출한다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2010.06c
• /
• pp.560-565
• /
• 2010

가상 머신은 중간코드로 컴파일 되어 한 프로그램을 여러 플랫폼에서 수행 가능하게 한다. 이러한 가상 머신에는 이미 널리 알려진 썬 마이크로시스템즈의 자바 가상 머신과 구글의 안드로이드 플랫폼의 달빅 가상 머신 그리고 애플이 지원하는 LLVM 등이 있으며, 파이어폭스의 TraceMonkey, 구글 크롬의 v8, 사파리의 SquirrelFish Extreme 같은 자바스크립트 엔진도 일종의 가상 머신으로 볼 수 있다. 가상 머신은 필연적으로 성능 저하를 동반하게 되는데, 이는 가상 머신의 주요 이슈 중 하나이다. 본 논문에서는 간단한 벤치마크를 통해서 이들 가상 머신간의 성능을 비교하고, 각 가상 머신의 특징을 알아본다. LLVM은 여러 단계에 걸친 컴파일 전략으로 JIT 컴파일을 사용하였을 때 높은 성능을 보이나 JIT 컴파일을 사용하지 않았을 경우는 매우 낮은 성능을 보인다. 달빅 가상 머신은 인터프리터 모드에서 자바 가상 머신 보다 조금 나았으나, 아직 개발된 지 얼마 되지 않아 JIT 컴파일러가 없다는 것이 약점이다. 자바스크립트 엔진들은 동적 언어인 자바스크립트를 지원하는 특성상 최적화를 적용하지 못해 비교적 낮은 성능을 보였다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2017.04a
• /
• pp.32-35
• /
• 2017

직접 통로(Direct Pass-through) 기반 GPU(Graphic Processing Unit) 가상화 기법은 클라우드 환경에서 가상머신에게 GPU 장치의 기능을 지원하기 위한 일반적인 방법 중 하나이다. GPU 장치는 GPGPU 기술을 통해 연산을 가속화 할 수 있기 때문에 클라우드 환경에서도 가상머신에 고성능 연산을 지원하기 위해 많이 사용되고 있다. 하지만 기존 가상머신 스케줄링 기법은 가상머신의 CPU 사용 시간을 기반으로 스케줄링 되며, GPU 자원 사용을 고려하지 않는다. 본 논문에서는 GPU와 CPU 연산을 수행하는 가상머신들이 동시에 실행되는 환경에서 성능 실험을 통해 가상머신의 GPU 연산이 다른 가상머신에게 미치는 성능 영향과 GPU 작업 길이가 다른 가상머신에게 미치는 영향을 분석한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2019.10a
• /
• pp.113-114
• /
• 2019

클라우드 환경에서는 가상머신의 고성능 연산을 지원하기 위해 Graphic Processing Unit(GPU)를 사용한다. 가상머신들은 공평성을 위해 독립적인 가상머신 스케줄러를 사용하기 때문에 컴퓨팅 자원의 초과 사용으로 인한 성능 저하가 발생해도 동일한 작업을 수행하는 가상머신들의 성능은 균등하게 측정된다. 하지만 GPU 연산의 경우 다중 작업을 수행할 때 하드웨어 기반 스케줄러를 사용하며 가상머신의 입출력 작업을 위한 하이퍼바이저의 First In First Out(FIFO) 기반 스케줄링 기법으로 인해 가상머신 사이의 공평성을 보장할 수 없다. 본 논문에서는 GPU 메모리를 초과 사용하는 환경에서 가상머신들의 성능을 측정하고 성능 불균형으로 인한 문제를 분석한다.

• Smart Media Journal
• /
• v.5 no.4
• /
• pp.18-25
• /
• 2016

Virtualized hardware resources provides efficiency in use and easy of management. Based on the benefits, virtualization techniques are used to build large server clusters and cloud systems. The performance of a virtualized system is significantly affected by the virtual machine scheduler. However, the existing virtual machine scheduler have a problem in that the I/O response is reduced in accordance with the scheduling delay becomes longer. In this paper, we introduce the Loan/Redemption mechanism of a virtual machine scheduler in order to improve the responsiveness to I/O events. The proposed scheme gives additional credits for to virtual machines and classifies the task characteristics of each virtual machine by analyzing the credit consumption pattern. When an I/O event arrives, the scheduling priority of a virtual machine is temporally increased based on the analysis. The evaluation based on the implementation shows that the proposed scheme improves the I/O response 60% and bandwidth of virtual machines 62% compared to those of the existing virtual machine scheduler.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2012.01a
• /
• pp.5-6
• /
• 2012

본 논문에서는 가상머신에서 수행되는 어플리케이션의 서비스 품질을 보장하고, 클라우드 클러스터의 운영비용을 절감시킬 수 있는 자원 할당 감축기법을 제안한다. 이 기법은 가상머신의 자원 사용량 변화 추세를 분석하고 이를 토대로 확률적인 접근을 사용하여 새로운 자원 할당 감축량을 결정한다. 가상머신의 자원 사용량이 할당량을 초과하면 가상머신의 이주가 필요하다. 이때 발생하는 다운타임동안 가상머신의 어플리케이션은 서비스를 수행할 수 없기 때문에 클라우드 시스템의 성능이 저하된다. 따라서 성능평가에서는 가상머신의 자원 사용량이 할당량을 초과하는 횟수를 측정하여 Greedy 기법과 비교 평가함으로써 제안한 기법이 자원 할당 감축에 우수함을 검증한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2016.10a
• /
• pp.252-253
• /
• 2016

가상머신을 탐지하는 기법을 이용하여 현재 프로그램이 동작하는 플랫폼과 운영환경을 알아내는 방법을 제안한다. 가상머신 탐지기법으로 데렉 소더(Derek Soeder, eEye Digital Security)를 사용한다. 이 기법은 예외 명령어를 이용해 프로그램이 가상머신과 네이티브머신 환경에서 작동중인지 알아낸다. 가상머신의 코드 세그먼트 레지스트 영역은 네이티브머신보다 불명확 하다. 이런 메모리 주소체계의 차이를 이용한 가상머신탐지 기법이다. 더 응용하여 프로그램의 작동환경이 디버거(인텔 Pin, Olly dbg)인지 가상머신(VMware, QEMU)인지 혹은 네이티브머신(os: windows7 sp3)인지 구분하는 방안을 제안한다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2007.10b
• /
• pp.335-339
• /
• 2007

가상화는 요즘 각광받는 기술 중 하나이다. 가상화의 개념이 처음 소개된 것은 20년 전의 일이다. 최근에 가상화가 다시 주목 받는 이유는 인터넷 사용자의 증가로 인해 서버의 수가 급증하였고 그에 반해 서버들의 활용률은 $20{\sim}30%$에 그치기 때문이다. 가상화론 채택하는 분야 중 하나는 바로 인터넷 데이터 센터(Internet Data Center, IDC)이다. IDC에서는 하나의 고성능 서버 위에 여러 개의 가상 머신을 구동함으로써 서버가 차지하는 공간을 줄이고 관리 비용을 절감하는 서버통할(server consolidation)에 주로 사용된다. 가상화를 통해 서비스를 제공하기 위한 첫 번째 단계는 가상 머신을 생성하는 것이다. 일반적으로 가상 머신의 생성은 물리적 노드 (비 가상 머신)에 운영체제를 설치하는 것과 동일하다. 본 논문에서는 서비스 제공을 위해 선행되어야 할 가상 머신을 생성함에 있어 가상 머신 풀(Virtual Machine OS Pool, VMOSPOOL)을 사용하여 빠르게 동적으로 가상 머신을 생성하는 방법에 대해 논의한다. 특히 가상 머신풀의 사용은 고가의 공용 스토리지가 없는 상황에서 부하 분산 클러스터를 구축하는데 유용함을 보인다.

• KIPS Transactions on Computer and Communication Systems
• /
• v.9 no.9
• /
• pp.189-196
• /
• 2020

Recently, GPU cloud computing technology applying GPU(Graphics Processing Unit) devices to virtual machines is widely used in the cloud environment. In a cloud environment, GPU devices assigned to virtual machines can perform operations faster than CPUs through massively parallel processing, which can provide many benefits when operating high-performance computing services in a variety of fields in a cloud environment. In a cloud environment, a GPU device can help improve the performance of a virtual machine, but the virtual machine scheduler, which is based on the CPU usage time of a virtual machine, does not take into account GPU device usage time, affecting the performance of other virtual machines. In this paper, we test and analyze the performance degradation of other virtual machines due to the virtual machine that performs GPGPU(General-Purpose computing on Graphics Processing Units) task in the direct path based GPU virtualization environment, which is often used when assigning GPUs to virtual machines in cloud environments. Then to solve this problem, we propose a GPGPU task management method for a virtual machine.