자동 변환 코드의 에너지 성능 트레이드오프 분석을 위한 OMP2HMPP 컴파일러 프레임워크

초록

OMP2HMPP는 OpenMP 프로그램을 자동으로 HMPP 변환 코드 여러 버전으로 생성하고, 각 버전의 실행 시간과 전력 소모를 측정해 에너지‑성능 트레이드오프를 제공한다. Polybench 벤치마크 실험에서 전문가가 수작업으로 만든 최적 변환과 동일한 성능을 달성했으며, 기존 OpenMP 코드 대비 평균 31배 가속, 5.86배 높은 연산당 와트를 기록하였다.

상세 분석

본 논문은 이종 컴퓨팅 환경에서 에너지 효율과 성능을 동시에 최적화하고자 하는 연구자·개발자를 위해 자동화된 변환 프레임워크를 제시한다. 핵심 아이디어는 OpenMP와 같은 고수준 병렬 지시자를 유지하면서, HMPP(Heterogeneous Multicore Parallel Programming)라는 GPU‑지향 어노테이션 체계로 변환하는 단계적 프로세스를 구현하는 것이다. OMP2HMPP는 먼저 OpenMP 코드의 병렬 루프와 데이터 공유 패턴을 분석하고, 이를 기반으로 ‘코드 배치’, ‘데이터 전송’, ‘커널 호출’ 등 HMPP의 기본 어노테이션을 삽입한다. 중요한 점은 하나의 OpenMP 루프에 대해 여러 가능한 변환 옵션(예: 데이터 복사 방식, 비동기 실행, 메모리 공유 수준 등)을 모두 생성한다는 점이다. 이렇게 생성된 변형 집합은 자동 테스트 엔진에 의해 순차적으로 실행되며, 실행 시간과 전력 소비를 실시간 전력 측정 장비와 연동해 기록한다. 수집된 메트릭은 ‘연산당 와트(operations per watt)’와 같은 에너지‑성능 지표로 정규화되어, 사용자는 원하는 성능·전력 목표에 맞는 최적 변형을 선택할 수 있다.

실험은 널리 사용되는 Polybench 벤치마크(18개 커널)와 두 개의 쿼드코어 x86 CPU(각 코어 2.4 GHz) 환경에서 수행되었다. 각 커널에 대해 OMP2HMPP가 자동으로 생성한 평균 12개의 변형을 평가했으며, 가장 높은 성능을 보인 변형은 전문가가 수작업으로 만든 HMPP 코드와 통계적으로 유의미하게 차이가 없었다. 특히, 메모리 대역폭이 제한적인 커널에서는 데이터 전송을 최소화하고 비동기 실행을 활용한 변형이 큰 이득을 보였고, 계산량이 많은 커널에서는 커널 내부 루프 전개와 스레드 블록 크기 최적화가 주요 요인으로 작용했다. 전체적으로 OpenMP 원본 대비 평균 31배의 실행 시간 단축과 5.86배의 연산당 와트 향상이 관측되었다.

이 프레임워크의 강점은 변형 탐색을 완전 자동화함으로써 개발자가 복잡한 GPU 최적화 지식을 습득할 필요가 없다는 점이다. 또한, 에너지 측정 데이터를 기반으로 한 트레이드오프 분석은 전력 제한이 중요한 임베디드·모바일 시스템에 직접 적용 가능하다. 그러나 현재는 변형 탐색이 전수 조사 방식이므로 변형 수가 급증할 경우 실행 비용이 크게 증가한다는 한계가 있다. 향후에는 머신러닝 기반 변형 선택 모델을 도입하거나, 변형 공간을 계층적으로 축소하는 휴리스틱을 적용해 탐색 효율을 높이는 연구가 필요하다.