CPU 고장에도 견디는 CXL: ReCXL 설계와 평가

초록

본 논문은 CXL 3.0 기반 분산 공유 메모리 시스템에서 CPU(Compute Node) 고장 시 발생하는 캐시 라인 손실 문제를 해결하기 위해, 쓰기 트랜잭션에 복제 메시지를 추가하고 전용 하드웨어 로깅 유닛을 도입한 ReCXL 아키텍처를 제안한다. 복제된 업데이트는 지정된 소수의 레플리카 노드에 기록되고, 주기적으로 메모리 노드에 압축 저장된다. 장애 발생 시 로그와 디렉터리 정보를 활용해 일관된 상태로 복구하며, 실험 결과 30 % 정도의 성능 저하만으로 내결함성을 제공함을 보인다.

상세 분석

ReCXL은 기존 CXL 3.0 사양이 제공하는 RAS(Reliability, Availability, Serviceability) 기능을 확장하여, 특히 호스트 CPU(Compute Node, CN)의 장애를 다루는 점에서 혁신적이다. 핵심 아이디어는 ‘쓰기 트랜잭션 복제’를 통해 업데이트를 원본 CN뿐 아니라 사전에 선정된 Nᵣ개의 레플리카 CN에 전파하는 것이다. 이를 위해 트랜잭션 레이어에 REPL, REPL_ACK, VAL 세 종류의 메시지를 정의하고, 각 레플리카는 전용 하드웨어 Logging Unit에 로그를 기록한다. 로그 엔트리는 요청자 ID, 논리 타임스탬프, 물리 주소, 업데이트된 워드 값, 유효 비트로 구성되며, SRAM 버퍼와 DRAM 기반 로그 메모리로 구현해 접근 지연을 최소화한다.

복제 과정은 원본 쓰기 요청이 완료되기 전에 모든 레플리카가 REPL_ACK를 반환해야 하며, 이후 VAL 메시지와 타임스탬프를 통해 로그 엔트리를 ‘검증(validated)’ 상태로 전환한다. 이렇게 함으로써 원본 CN이 갑작스러운 전원 차단이나 커널 패닉 등으로 멈추더라도, 레플리카에 남아 있는 로그와 주기적으로 MN에 덤프된 압축 데이터가 손실된 캐시 라인을 복구할 수 있다.

장애 탐지는 기존 CXL 링크 레이어의 타임아웃·패리티 검사에 추가로, 스위치가 각 CN에 대한 Viral Status 비트를 유지하도록 확장한다. 장애가 감지되면 살아있는 CN 중 하나가 MSI 인터럽트를 받아 Configuration Manager 역할을 수행하고, 전체 시스템을 정지시킨 뒤 분산 복구 알고리즘을 실행한다. 복구 단계에서는 (1) 디렉터리 상태를 읽어 현재 어느 라인이 어느 CN에 복제되어 있었는지 파악하고, (2) 각 레플리카의 로그를 순차적으로 재생해 메모리 노드에 적용하며, (3) 검증되지 않은(VAL을 받지 못한) 엔트리는 무시하거나 재전송한다.

성능 평가에서는 16 CN × 16 MN 구성의 시뮬레이션 환경에서 여러 HPC 워크로드와 YCSB 키‑밸류 스토어를 실행하였다. 복제 수 Nᵣ를 2~4로 변동시켰을 때, 평균 오버헤드는 30 % 수준에 머물렀으며, 이는 기존의 쓰루(write‑through) 캐시 방식이 초래하는 수십 배의 지연과 비교해 크게 개선된 결과이다. 또한 로그 압축·덤프 주기를 조절함으로써 복구 시간과 메모리 대역폭 사용량 사이의 트레이드오프를 유연하게 관리할 수 있음을 보였다.

전체적으로 ReCXL은 하드웨어 수준에서 캐시 라인 복제와 로그 기반 복구를 결합함으로써, CXL‑DSM 환경에서 CPU 고장에 대한 내결함성을 실현한다. 설계가 트랜잭션 레이어에 국한돼 링크 레이어와 물리 레이어에 최소한의 변경만 요구되므로, 기존 CXL 구현에 비교적 손쉽게 통합될 수 있다. 다만 MN을 완전 무결성 가정하고 설계한 점, 그리고 복제 대상 선택을 단순 해시 기반으로 한 점은 향후 연구에서 동적 부하 균형이나 다중 장애 상황을 고려한 확장으로 보완될 필요가 있다.