멀티코어와 캐시 최적화로 그래프 문제 해결

초록

본 논문은 대규모 그래프 연산을 멀티코어 CPU와 GPU에서 효율적으로 수행하기 위한 캐시 최적화 기법과 작업 스케줄링 전략을 제시한다. 데이터 레이아웃 재구성, 블록화, NUMA 바인딩, SIMD 벡터화 등을 활용해 메모리 접근 지연을 최소화하고, 정적·동적 파티셔닝으로 코어 간 부하 균형을 맞춘다. 실험 결과, 이러한 최적화가 기존 순차 구현 대비 412배, GPU 대비 1.53배의 속도 향상을 달성함을 보여준다.

상세 분석

본 논문은 대규모 그래프 연산을 멀티코어 환경에서 효율적으로 수행하기 위한 캐시 최적화 기법을 체계적으로 조사한다. 먼저 현대 CPU의 코어 수 증가와 다단계 캐시 구조(L1, L2, L3)의 동작 원리를 정리하고, 메모리 접근 지연이 그래프 알고리즘의 병목이 되는 이유를 설명한다. 이어 그래프 데이터를 메모리 친화적으로 배치하는 CSR(Compressed Sparse Row)과 CSC(Compressed Sparse Column) 형식, 그리고 인접 리스트를 블록 단위로 재구성하는 방법을 제시한다. 이러한 데이터 레이아웃은 연속 메모리 접근을 유도해 프리패치와 캐시 라인 활용을 극대화한다. 또한 코어 간 작업 부하를 균등하게 분산하기 위한 정적 파티셔닝과 동적 워크 스틸링 기법을 비교한다. 정적 파티셔닝은 그래프의 구조적 특성을 분석해 파티션 경계를 최소화하고, 각 파티션을 특정 코어에 고정함으로써 NUMA 친화성을 확보한다. 반면 동적 워크 스틸링은 작업 큐를 공유해 부하 불균형을 실시간으로 보정하지만, 큐 접근에 따른 원자 연산 오버헤드와 캐시 라인 경쟁을 고려해야 한다. 논문은 또한 false sharing을 방지하기 위한 패딩 전략과, SIMD 명령어를 활용한 벡터화 기법을 그래프 연산에 적용하는 방법을 논의한다. GPU와의 비교에서는 수천 개의 경량 스레드를 활용하는 CUDA 구현이 높은 메모리 대역폭을 이용해 BFS나 PageRank에서 수십 배의 가속을 제공하지만, 커널 호출 오버헤드와 메모리 복사 비용이 작은 그래프에서는 CPU 멀티코어가 여전히 경쟁력을 가진다. 최종적으로 저자는 실험을 통해 캐시 블로킹, 데이터 정렬, NUMA 바인딩을 적용한 CPU 구현이 기존 순차 구현 대비 412배의 속도 향상을 달성했으며, GPU 대비 1.53배의 효율성을 보인다고 보고한다.