ARM SBC 클러스터의 에너지 효율과 하둡 성능 평가

초록

본 논문은 20대씩 두 개의 ARM 기반 싱글보드컴퓨터(SBC) 클러스터를 구축하고, 하둡 워크로드에 대한 실행 시간, 메모리·스토리지 사용량, 네트워크 처리량 및 전력 소모를 종합적으로 측정한다. 저비용과 친환경성을 강조하지만, 제한된 온보드 성능으로 인해 전통적인 서버 대비 성능·에너지 효율이 낮음을 확인한다. 하둡 설정 파라미터를 최적화하면 자원 활용도를 어느 정도 회복할 수 있음을 제시한다.

상세 분석

이 연구는 SBC 기반 소규모 데이터센터의 실용성을 검증하기 위해 두 개의 20노드 클러스터를 설계하였다. 각 노드는 Raspberry Pi 4 Model B(ARM Cortex‑A72, 4 GB RAM)와 Odroid XU4(ARM Cortex‑A15, 2 GB RAM)로 구성되어, 하드웨어 사양 차이가 성능에 미치는 영향을 비교한다. 클러스터는 1 GbE 스위치를 통해 물리적 네트워크를 구성하고, 전력 측정은 인라인 전력계(Power Meter)로 1 초 간격 샘플링하였다.

벤치마크는 Hadoop MapReduce 기반의 TeraSort, WordCount, Sort, 그리고 HDFS I/O 테스트인 TestDFSIO를 사용하였다. 각 워크로드는 10 GB, 20 GB, 40 GB 세 가지 데이터 규모로 실행해 확장성을 평가하였다. 실행 시간, CPU 사용률, 메모리·디스크 I/O, 네트워크 전송량을 수집하고, 전력 소비와 연계해 에너지 효율(J/Wh)을 계산하였다.

결과는 크게 세 가지 특징을 보인다. 첫째, 동일한 코어 수와 클럭을 가진 서버 대비 SBC 클러스터는 평균 3‑5배 높은 실행 시간을 기록했으며, 특히 디스크 I/O가 병목이 되는 Sort와 TestDFSIO에서 차이가 크게 나타났다. 둘째, 전력 소비는 서버 대비 30‑40 % 낮았지만, 실행 시간이 길어져 전체 에너지 효율은 오히려 1.5‑2배 낮았다. 셋째, Hadoop의 기본 설정(예: mapreduce.map.memory.mb, mapreduce.reduce.memory.mb, dfs.blocksize 등)이 SBC의 제한된 메모리와 캐시 구조에 최적화되지 않아 자원 낭비가 심했다. 파라미터를 조정해 맵·리듀스 작업당 메모리를 512 MB 이하로 제한하고, 블록 크기를 64 MB로 축소하면 I/O 대기 시간이 감소하고 전반적인 처리량이 12‑18 % 향상되었다.

하지만 이러한 튜닝에도 불구하고, ARM 기반 SBC는 CPU 아키텍처의 낮은 명령당 사이클(CPI)과 메모리 대역폭 제한으로 인해 고부하 워크로드에서는 근본적인 한계가 남는다. 또한, 전력 측정 결과는 전원 공급 장치의 효율성(80 %~85 %)에 크게 좌우되며, 대규모 배포 시 전원 관리 설계가 추가 비용을 초래할 수 있다.

연구는 SBC 클러스터가 교육·프로토타이핑, 에너지 효율 연구용 테스트베드로는 충분히 유용하지만, 실제 서비스 수준의 빅데이터 처리에는 아직 미흡함을 강조한다. 향후 연구 방향으로는 ARM Neoverse 기반 고성능 SBC 도입, 저전력 SSD와 NVMe 인터페이스 활용, 그리고 컨테이너 기반 경량화된 클라우드 스택 적용이 제시된다.