GPU 기반 임베디드 시스템을 위한 2단계 컴포넌트 할당 최적화

초록

본 논문은 CPU‑GPU 이종 하드웨어에서 소프트웨어 컴포넌트를 효율적으로 배치하기 위해 두 개의 추상화 레이어를 도입한다. 하위 레이어는 상세한 컴포넌트 버전과 연결 정보를 보유하고, 상위 레이어는 대안별로 컴포넌트를 다중 변이형 단위로 압축한다. 이를 통해 할당 알고리즘이 처리해야 할 정보량을 크게 줄이고, 복잡도가 낮은 할당 해를 빠르게 도출한다. 논문은 수중 로봇 비전 시스템을 사례로 사용해 제안 방법의 실행 시간 감소와 확장성을 실증한다.

상세 분석

이 논문은 현대 임베디드 시스템이 CPU와 GPU를 동시에 활용하는 이종 플랫폼으로 전환됨에 따라 발생하는 소프트웨어‑하드웨어 매핑 문제의 복잡성을 조명한다. 전통적인 할당 문제는 n개의 소프트웨어 아티팩트를 m개의 처리 유닛에 배치하는 조합이 mⁿ에 달하는 NP‑hard 문제로 알려져 있다. GPU가 추가되면 각 컴포넌트는 CPU 메모리, GPU 메모리, GPU 스레드 수, 실행 시간 등 다차원 자원 요구사항을 갖게 되며, 하드웨어 측면에서도 CPU‑GPU 간 데이터 전송 대역폭, 메모리 공유 구조 등 새로운 제약이 부가된다. 이러한 복합 제약을 모두 고려하면 탐색 공간이 급격히 확대되어 기존의 제약 기반 할당 엔진은 시간·메모리 소모가 급증한다.

논문이 제시하는 핵심 해결책은 “두‑계층(2‑layer) 아키텍처”이다. 첫 번째(하위) 레이어는 기존의 상세 설계와 동일하게 모든 컴포넌트 버전과 인터페이스, 통신 링크를 보존한다. 두 번째(상위) 레이어는 기능적으로 동일한 대안을 하나의 다중 변이형 컴포넌트로 압축한다. 압축 과정에서 각 대안에 포함된 하위 컴포넌트들의 자원 요구량을 집계·요약한다. 예를 들어, 여러 GPU‑전용 컴포넌트가 포함된 대안은 총 GPU 메모리 사용량을 합산하고, 필요 스레드 수는 최대값을 취한다. 또한 CPU‑GPU 간 고속 연결이 필수라는 암묵적 제약을 반영해, 데이터 전송 대역폭 요구는 추상화한다.

이러한 추상화는 할당 엔진이 고려해야 할 변수와 제약을 크게 감소시킨다. 구체적으로, 대안 수가 k개라면 하위 레이어에서는 k·(컴포넌트 수) 만큼의 조합을 탐색해야 하지만, 상위 레이어에서는 k개의 다중 변이형 컴포넌트만을 대상으로 하면 된다. 실험에서는 수중 로봇 비전 파이프라인을 6가지 대안으로 구성했으며, 기존 제약 기반 할당기에 2‑layer 모델을 적용했을 때 탐색 시간은 평균 70 % 이상 단축되었다. 또한, 메모리 사용량과 GPU 스레드 할당이 정확히 반영되어 실제 하드웨어에 배포했을 때 성능 저하 없이 요구 제약을 만족했다.

하지만 몇 가지 한계도 존재한다. 첫째, 압축 과정에서 손실되는 세부 정보(예: 개별 컴포넌트 간의 정확한 데이터 흐름, 타이밍 제약)는 일부 시나리오에서 할당 품질을 저하시킬 위험이 있다. 둘째, 다중 변이형 컴포넌트의 속성 집계 방식이 단순 합산·최대값에 의존하므로, 비선형 자원 소비 모델을 다루기 어렵다. 셋째, 현재 구현은 기존 제약 기반 할당기와 결합된 형태이며, 최적화 목표(전력, 실시간 응답 등)별로 별도의 비용 함수 설계가 필요하다. 향후 연구에서는 동적 변이 선택, 비선형 자원 모델링, 그리고 실시간 스케줄링과의 통합을 통해 이 접근법을 확장할 수 있을 것이다.