GPU와 CPU를 활용한 문자열 매칭 최적 선택 기준

초록

본 논문은 대표적인 문자열 매칭 알고리즘인 Aho‑Corasick을 기준으로, GPU와 CPU 중 어느 장치가 특정 상황에서 더 높은 성능을 보이는지를 실험적으로 분석한다. 텍스트 길이, 패턴 수, 패턴 길이, 메모리 대역폭 등 다양한 변수에 따라 성능 전이가 발생하는 임계점을 찾아내어, 연구자와 개발자가 실제 애플리케이션에 적합한 하드웨어를 선택할 수 있도록 가이드라인을 제시한다.

상세 분석

Aho‑Corasick 알고리즘은 다중 패턴을 동시에 탐색할 수 있는 트라이 기반 자동화 기계(state machine)로, 전통적으로 CPU에서 효율적으로 구현되어 왔다. 그러나 최근 GPU의 대규모 병렬 연산 능력과 높은 메모리 대역폭은 문자열 매칭과 같은 데이터‑집중형 작업에 잠재적인 가속 효과를 제공한다. 논문은 이러한 기대와 실제 성능 사이의 격차를 정량적으로 규명하기 위해, 다양한 실험 시나리오를 설계하였다. 첫째, 입력 텍스트의 길이를 수십 메가바이트에서 수 기가바이트까지 단계적으로 증가시켜, 연산량이 GPU의 코어 수에 비례하여 확장되는지를 확인하였다. 둘째, 패턴 집합의 규모와 평균 길이를 변화시켜, 트라이 구조가 메모리 캐시와 공유 메모리에서 차지하는 비중이 성능에 미치는 영향을 분석하였다. 셋째, GPU와 CPU 각각의 메모리 계층(전역 메모리, L2 캐시, 레지스터) 접근 패턴을 프로파일링함으로써, 메모리 병목 현상이 발생하는 지점을 파악하였다. 실험 결과는 다음과 같은 핵심 인사이트를 제공한다. 1) 텍스트 길이가 충분히 길고, 패턴 수가 수천 개 이상일 때 GPU가 CPU 대비 3배 이상 가속을 달성한다. 이는 GPU의 수천 개 코어가 독립적인 텍스트 청크를 동시에 처리하면서, 메모리 대역폭을 효율적으로 활용하기 때문이다. 2) 반면, 패턴이 매우 짧고(길이 ≤ 5) 패턴 수가 적은 경우, 트라이 구축 및 상태 전이 비용이 전체 실행 시간의 큰 비중을 차지한다. 이때는 CPU의 낮은 레이턴시와 높은 캐시 적중률이 오히려 유리하게 작용한다. 3) GPU 메모리 전송 오버헤드가 전체 실행 시간의 15~20%를 차지하는 경우, 텍스트가 메모리 제한을 초과해 여러 번 전송되어야 할 때는 성능 이득이 감소한다. 따라서 데이터 전송 비용을 최소화하기 위한 배치 크기 조정이 필수적이다. 4) 공유 메모리를 활용한 트라이 노드 캐싱 기법은 성능을 평균 12% 향상시켰지만, 노드 수가 공유 메모리 용량을 초과하면 오히려 성능 저하가 발생한다. 이는 GPU 프로그래머가 메모리 사용량과 병렬도 사이의 트레이드오프를 신중히 설계해야 함을 의미한다. 종합하면, 논문은 “GPU가 무조건 빠르다”는 일반화를 깨고, 입력 데이터 특성, 패턴 집합 규모, 하드웨어 메모리 구조 등을 고려한 정량적 임계점을 제시한다. 이러한 임계점은 실무에서 자동화된 하드웨어 선택 로직을 구현하거나, 하이브리드 CPU‑GPU 파이프라인을 설계하는 데 직접 활용될 수 있다.