• 한국항해항만학회지
• /
• 제33권5호
• /
• pp.331-337
• /
• 2009

컨테이너 크레인은 컨테이너터미널에서 사용되는 주요 장비면서 컨테이너 크레인의 효율은 컨테이너터미널의 생산성을 결정한다. 컨테이너 크레인의 전형적인 유형은 싱글 트롤리를 가지고 있으며 진보된 유형들 중의 하나가 듀얼 트롤리형이다. 본 논문의 목적은 컨테이너 터미널에서 듀얼 트를리형 컨테이너 크레인의 버퍼 사이즈를 분석하는 것이다. 듀얼 트롤리형 컨테이너 크레인의 버퍼 공간을 분석하기 위한 시뮬레이션 모델을 소개한다. 버퍼 공간은 해측의 메인 트롤리와 야드측의 세컨 트롤리 사이에 위치한다. 요구 생산성을 추정하기 위해 다양한 시뮬레이션 실험을 수행하여 버퍼 사이즈를 분석한다.

• 한국컴퓨터정보학회논문지
• /
• 제29권6호
• /
• pp.1-12
• /
• 2024

최근 다양한 분야에서 딥러닝이 사용되면서, 더 빠르고 정확한 결과를 내는 딥러닝이 더욱 중요해졌다. 이를 위해서는 많은 양의 저장 공간이 필요하고, 대용량 연산을 진행해야 한다. 이에 따라 여러 연구는 빠르고 정확하게 연산 처리가 가능한 하드웨어 가속기를 이용한다. 하지만 하드웨어 가속기는 CPU와 하드웨어 사이를 이동하면서 병목현상이 발생하게 된다. 따라서 본 논문에서는 하드웨어 가속기의 병목현상을 효율적으로 줄일 수 있는 데이터 프리패치 전략을 제안한다. 데이터 프리패치 전략의 핵심 아이디어는 Matrix Multiplication Unit(MMU)가 연산을 진행하는 동안 다음 연산에 필요한 데이터를 예측하여 로컬 메모리로 올려 병목현상을 줄인다. 또한, 이 전략은 듀얼 버퍼를 이용하여 읽고 쓰는 두 가지 동작을 동시에 진행하여 처리율을 높인다. 이를 통해 데이터 전송의 지연시간 및 실행 시간을 감소시킨다. 시뮬레이션을 통해 듀얼 버퍼를 이용한 병렬 프로세싱과 데이터 프리패치를 이용한 메모리 간 병목현상을 최대한 감소시켜 하드웨어 가속기의 성능이 24% 향상함을 알 수 있다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2014년도 춘계학술발표대회
• /
• pp.858-860
• /
• 2014

최근 영상처리 기법과 하드웨어의 발달로 의학 분야에서는 질병의 진단에 다양한 영상 시스템을 활용하고 있다. 특히 OCT 기술은 인체조직의 고해상도 이미지 획득과 혈류속도 측정을 동시에 할 수 있어 의료분야에 다양하게 적용이 가능하여 많은 관심을 받고 있다. 이에 더욱더 선명한 OCT 영상을 획득하기 위해 다양한 알고리즘과 필터를 사용함에 따라 빠른 프로세스 처리가 요구되고 있는 실정이다. 본 논문에서는 듀얼 코어 이상급의 CPU 를 탑재한 시스템에서 데이터 처리 모듈과 렌더링 모듈을 트리플 버퍼를 통해 비동기식으로 멀티스레드화 하였고, GPU 기반의 병렬처리를 통한 데이터 처리를 하여 속도를 향상시켰다. 이에 광학 카메라 촬영 시 선명한 실시간 OCT 영상을 확인할 수 있었다.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2014년도 춘계학술대회
• /
• pp.571-573
• /
• 2014

오늘날 QoS 기술의 일환의 하나인 스트리밍 서비스의 기술들이 이슈화 되고 있다. 하지만 현재의 스트리밍 서비스는 한가지 화질의 영상으로 제공되며, 버퍼링과 같은 기술적인 문제점이 존재한다. 본 논문에서는 전송되는 스트림 데이터의 무결성을 위한 TCP와 스트림 데이터의 빠른 전송을 위한 UDP를 활용, 적응적 듀얼 스트리밍 시스템을 설계한다. 본 시스템에서는 실시간으로 들어오는 영상을 인코딩 과정을 통해 H.264기반의 여러 비트율의 영상을 바탕으로 서버와 클라이언트 간 TCP와 UDP를 통해 적응적인 네트워크 환경에서의 스트리밍 서비스를 제공한다. 이는 불특정 다수의 네트워크 환경에서 버퍼링의 최소화를 통해 지속적인 영상의 재생을 위한 다양한 스트리밍 분야와 멀티미디어 분야에 활용될 것이다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2020년도 추계학술발표대회
• /
• pp.8-11
• /
• 2020

4 차 산업혁명 시대의 도래와 함께 AI, ICT 기술의 융합이 진행됨에 따라, 유저 레벨의 디바이스에서도 AI 서비스의 요청이 실현되었다. 이미지 처리와 관련된 AI 서비스는 피사체 판별, 불량품 검사, 자율주행 등에 이용되고 있으며, 특히 Deep Convolutional Neural Network (DCNN)은 이미지의 특색을 파악하는 데 뛰어난 성능을 보여준다. 하지만, 이미지의 크기가 커지고, 신경망이 깊어짐에 따라 연산 처리에 있어 낮은 데이터 지역성과 빈번한 메모리 참조를 야기했다. 이에 따라, 기존의 계층적 시스템 구조는 DCNN 을 scalable 하고 빠르게 처리하는 데 한계를 보인다. 본 연구에서는 DCNN 의 scalable 하고 빠른 처리를 위해 3 차원 메모리 구조의 Processing-In-Memory (PIM) 가속기를 제안한다. 이를 위해 기존 3 차원 메모리인 Hybrid Memory Cube (HMC)에 하드웨어 및 소프트웨어 모듈을 추가로 구성하였다. 구체적으로, Processing Element (PE)간 데이터를 공유할 수 있는 공유 캐시 및 소프트웨어 스택, 파이프라인화된 곱셈기 및 듀얼 프리페치 버퍼를 구성하였다. 이를 유명 DCNN 알고리즘 LeNet, AlexNet, ZFNet, VGGNet, GoogleNet, RestNet 에 대해 성능 평가를 진행한 결과 기존 HMC 대비 40.3%의 속도 향상을 29.4%의 대역폭 향상을 보였다.