대규모 SSD 시스템의 확률적 모델링과 가비지 컬렉션 최적 설계

초록

본 논문은 SSD의 가비지 컬렉션(GC)에서 발생하는 성능‑내구성 트레이드오프를 정량화하기 위해 대규모 SSD를 마코프 체인으로 모델링하고, 평균장(mean‑field) 기법을 적용해 정규 상태를 해석한다. 고정점 해를 이용해 청소 비용과 웨어 레벨링을 함수화하고, 최적 트레이드오프 곡선을 도출한다. 이를 기반으로 파라미터 조정이 가능한 랜덤화 그리디 알고리즘(RGA)을 제안하고, DiskSim 기반 트레이스 시뮬레이션으로 실효성을 검증한다.

상세 분석

이 논문은 SSD 내부 블록을 ‘유효 페이지 수 i’에 따라 k+1개의 상태로 구분하고, 각 블록의 상태 전이를 프로그램(쓰기)와 인밸리데이트(삭제) 요청에 의해 발생하는 확률적 전이로 모델링한다. 전체 SSD는 N개의 블록으로 구성되며, 블록별 상태를 집합적으로 나타내는 마코프 체인(상태공간 (k+1)^N)을 정의한다. 그러나 실제 SSD는 수백만 개의 블록을 갖기 때문에 직접 해석이 불가능하므로, 평균장 기법을 도입해 N→∞ 한계에서 확률적 점유율 M_N(t)를 결정론적 벡터 s(t)로 근사한다. 이 과정에서 ‘intensity ε(N)=1/N’이라는 스케일링을 적용해 시간축을 재조정하고, 각 상태 i에 대한 ODE(식 5)를 도출한다. ODE는 i번째 상태 블록이 증가·감소하는 흐름을 λ와 페이지 수 비율(k−i)/k, i/k 로 정확히 기술한다.

고정점 분석을 통해 π_i = (k choose i)/2^k 라는 이항분포 형태의 고유분포를 얻는다. 이는 대규모 SSD가 장기적으로 각 블록이 유효 페이지 수 i를 가질 확률이 균등하게 이항분포를 따른다는 의미이며, 청소 비용(선택된 블록의 유효 페이지 수 평균)과 웨어 레벨링(블록별 소멸 횟수 분산) 모두 π에 대한 함수로 표현될 수 있다. 논문은 청소 비용 최소화와 웨어 레벨링 최대화를 각각 극값으로 정의하고, 두 목표 사이의 파라미터 λ_c (청소 비용 가중치)와 λ_w (웨어 레벨링 가중치)를 조합해 전체 트레이드오프 곡선을 수학적으로 도출한다.

이론적 결과를 바탕으로 제안된 Randomized Greedy Algorithm(RGA)은 ‘청소 비용을 최소화하는 블록 후보 집합’에서 무작위로 하나를 선택하고, 선택 확률을 조정하는 파라미터 θ∈