속성:Evidence note
자료에서 확인할 수 있는 점이나 한계를 적습니다.
n
Full Korean bibliographic citation is preserved in the lesson evidence field; this ASCII citation is used for adapter compatibility. +
정본 Lesson 보강 근거. 검토 원본: Lesson:technical_review_nvme_d8da4781. 확인 범위: metadata_only. 확인한 자료: https://cslab.yonsei.ac.kr/publications. 질문, 방법, 평가, 해석, 재사용 교훈, 적용 범위와 한계를 같은 Lesson 본문에 통합했습니다. +
정본 Lesson 보강 근거. 검토 원본: Lesson:technical_review_nvme_driven_lazy_cache_coherence_for_immutable_data_with_nvme_over_fabrics_4d6bc037. 확인 범위: official_abstract. 확인한 자료: https://yonsei.elsevierpure.com/en/publications/nvme-driven-lazy-cache-coherence-for-immutable-data-with-nvme-ove/ ; https://pure.skku.edu/en/publications/nvme-driven-lazy-cache-coherence-for-immutable-data-with-nvme-ove/ ; https://doi.org/10.1109/CLOUD60044.2023.00053. 질문, 방법, 평가, 해석, 재사용 교훈, 적용 범위와 한계를 같은 Lesson 본문에 통합했습니다. +
Source: Yonsei University Computer Systems Laboratory publication list supplied by the user. Manifestation 1 of 1. +
Full Korean bibliographic citation is preserved in the lesson evidence field; this ASCII citation is used for adapter compatibility. +
정본 Lesson 보강 근거. 검토 원본: Lesson:technical_review_nvme_prp_zero_copy_cb4e87d1. 확인 범위: metadata_only. 확인한 자료: https://cslab.yonsei.ac.kr/publications. 질문, 방법, 평가, 해석, 재사용 교훈, 적용 범위와 한계를 같은 Lesson 본문에 통합했습니다. +
o
Verification: abstract_only; confidence=high.
Canonical title: OmniCache: Collaborative Caching for Near-storage Accelerators
Question: near-storage 가속기의 작은 로컬 캐시와 호스트 캐시를 협업시킬 수 있는가?
Context: 가속기 근처 캐시는 빠르지만 작고, 호스트 캐시는 크지만 데이터 이동 비용이 있다.
Method: 호스트·장치 캐시를 공동 관리하고 모델 기반으로 캐시·연산 오프로딩을 결정하며 CXL로 확장한다.
Evaluation: workloads=I/O and data-processing workloads on near-storage accelerators; baselines=non-collaborative caching designs; metrics=I/O performance; data-processing performance; results=Up to 3.24× I/O and 3.06× processing performance.
Interpretation: 근접 캐시를 독립 계층이 아니라 전체 캐시 계층의 일부로 최적화해야 한다.
Reusable lesson: 캐시 배치와 연산 오프로딩 결정을 함께 내려라.
Applicability: CSD·near-storage accelerator·CXL 시스템.
Limits: 특정 가속기/CXL 프로토타입과 모델 보정에 의존한다. +
Bibliographic paper record. +
Verification: abstract_only; confidence=medium.
Canonical title: OmniCache: Collaborative Caching for Near-storage Accelerators
Question: near-storage 가속기의 작은 로컬 캐시와 호스트 캐시를 협업시킬 수 있는가?
Context: 가속기 근처 캐시는 빠르지만 작고, 호스트 캐시는 크지만 데이터 이동 비용이 있다.
Method: 호스트·장치 캐시를 공동 관리하고 모델 기반으로 캐시·연산 오프로딩을 결정하며 CXL로 확장한다.
Evaluation: workloads=I/O and data-processing workloads on near-storage accelerators; baselines=non-collaborative caching designs; metrics=I/O performance; data-processing performance; results=Up to 3.24× I/O and 3.06× processing performance.
Interpretation: 근접 캐시를 독립 계층이 아니라 전체 캐시 계층의 일부로 최적화해야 한다.
Reusable lesson: 캐시 배치와 연산 오프로딩 결정을 함께 내려라.
Applicability: CSD·near-storage accelerator·CXL 시스템.
Limits: 특정 가속기/CXL 프로토타입과 모델 보정에 의존한다. +
Bibliographic paper record. +
Verification: full_text; confidence=high.
Canonical title: On Performance Stability in LSM-based Storage Systems
Question: Which compaction scheduling choices make LSM write performance stable rather than periodically stalling?
Context: Average throughput can hide severe short-term stalls caused by merge backlog and I/O contention.
Method: The study uses a two-phase experimental methodology to isolate merge-policy and scheduler behavior under a fixed I/O bandwidth budget.
Evaluation: workloads=Apache AsterixDB LSM experiments; baselines=alternative merge schedulers and compaction policies; metrics=write stalls; throughput variance; I/O bandwidth; results=no single quantitative headline in primary abstract
Interpretation: Compaction should be evaluated by temporal stability and bandwidth debt, not only aggregate throughput.
Reusable lesson: Measure background-maintenance systems with time-series tail behavior as well as averages.
Applicability: LSM storage engines and merge schedulers.
Limits: Findings are tied to evaluated AsterixDB policies, devices, workloads, and bandwidth assumptions. +
Verification: full_text; confidence=high.
Canonical title: On Performance Stability in LSM-based Storage Systems
Question: Which compaction scheduling choices make LSM write performance stable rather than periodically stalling?
Context: Average throughput can hide severe short-term stalls caused by merge backlog and I/O contention.
Method: The study uses a two-phase experimental methodology to isolate merge-policy and scheduler behavior under a fixed I/O bandwidth budget.
Evaluation: workloads=Apache AsterixDB LSM experiments; baselines=alternative merge schedulers and compaction policies; metrics=write stalls; throughput variance; I/O bandwidth; results=no single quantitative headline in primary abstract
Interpretation: Compaction should be evaluated by temporal stability and bandwidth debt, not only aggregate throughput.
Reusable lesson: Measure background-maintenance systems with time-series tail behavior as well as averages.
Applicability: LSM storage engines and merge schedulers.
Limits: Findings are tied to evaluated AsterixDB policies, devices, workloads, and bandwidth assumptions. +
optimizing file systems on heterogeneous memory by integrating dram cache with virtual memory ma aaa7aa17 +
Verification: abstract_only; confidence=medium.
Canonical title: Optimizing File Systems on Heterogeneous Memory by Integrating DRAM Cache with Virtual Memory Management
Question: DRAM과 느린 영속 메모리를 파일시스템·VM 통합으로 효율적으로 사용할 수 있는가?
Context: 기존 DAX는 캐시가 없고 별도 파일 캐시는 복사와 이중 관리 비용이 크다.
Method: FlacFS는 VM에 DRAM 캐시를 통합해 zero-copy caching과 병렬 관리를 제공하는 library FS다.
Evaluation: workloads=microbenchmarks; real applications; baselines=DAX; cache-based file systems; metrics=application performance; results=Up to two orders of magnitude in microbenchmarks; 10.6× vs DAX and 9.9× vs cache-based FS.
Interpretation: 파일 데이터 캐시를 가상메모리와 통합하면 복사·메타데이터 경로를 줄일 수 있다.
Reusable lesson: 이질 메모리의 캐시와 주소공간 관리를 분리하지 말라.
Applicability: DRAM+PM 계층형 로컬 파일시스템.
Limits: 특정 PM/DRAM 구성과 library FS 통합을 요구한다. +
optimizing file systems on heterogeneous memory by integrating dram cache with virtual memory ma aaa7aa17 +
Bibliographic paper record. +
optimizing file systems on heterogeneous memory by integrating dram cache with virtual memory ma aaa7aa17 +
Verification: abstract_only; confidence=high.
Canonical title: Optimizing File Systems on Heterogeneous Memory by Integrating DRAM Cache with Virtual Memory Management
Question: DRAM과 느린 영속 메모리를 파일시스템·VM 통합으로 효율적으로 사용할 수 있는가?
Context: 기존 DAX는 캐시가 없고 별도 파일 캐시는 복사와 이중 관리 비용이 크다.
Method: FlacFS는 VM에 DRAM 캐시를 통합해 zero-copy caching과 병렬 관리를 제공하는 library FS다.
Evaluation: workloads=microbenchmarks; real applications; baselines=DAX; cache-based file systems; metrics=application performance; results=Up to two orders of magnitude in microbenchmarks; 10.6× vs DAX and 9.9× vs cache-based FS.
Interpretation: 파일 데이터 캐시를 가상메모리와 통합하면 복사·메타데이터 경로를 줄일 수 있다.
Reusable lesson: 이질 메모리의 캐시와 주소공간 관리를 분리하지 말라.
Applicability: DRAM+PM 계층형 로컬 파일시스템.
Limits: 특정 PM/DRAM 구성과 library FS 통합을 요구한다. +
정본 Lesson 보강 근거. 검토 원본: Lesson:technical_review_optimizing_the_startup_time_of_embedded_systems_a_case_study_of_digital_tv_cd15688d. 확인 범위: official_abstract. 확인한 자료: https://doi.org/10.1109/TCE.2009.5373794 ; https://yonsei.elsevierpure.com/en/publications/optimizing-the-startup-time-of-embedded-systems-a-case-study-of-d/ ; https://koasas.kaist.ac.kr/handle/10203/93645. 질문, 방법, 평가, 해석, 재사용 교훈, 적용 범위와 한계를 같은 Lesson 본문에 통합했습니다. +
Source: Yonsei University Computer Systems Laboratory publication list supplied by the user. Manifestation 1 of 1. +
Verification: abstract_only; confidence=high.
Canonical title: Orca: A Distributed Serving System for Transformer-Based Generative Models
Question: 생성형 Transformer 서빙의 가변 길이·반복 디코딩을 GPU에 효율적으로 배치할 수 있는가?
Context: 요청 단위 배칭은 먼저 끝난 요청 때문에 GPU를 낭비하고 head-of-line blocking을 만든다.
Method: iteration-level scheduling과 selective batching으로 매 디코딩 반복마다 배치를 재구성한다.
Evaluation: workloads=GPT-3 175B; baselines=NVIDIA FasterTransformer; metrics=throughput at equal latency; results=36.9× throughput at the same latency.
Interpretation: 자동회귀 서빙의 스케줄링 단위는 요청이 아니라 iteration이어야 한다.
Reusable lesson: 가변 반복 작업은 iteration 경계에서 재배치하라.
Applicability: 대형 생성 모델 분산 추론.
Limits: 평가 당시 모델·GPU에 맞춰졌고 최신 KV 캐시·fault handling 기능은 포함하지 않는다. +
Verification: abstract_only; confidence=medium.
Canonical title: Orca: A Distributed Serving System for Transformer-Based Generative Models
Question: 생성형 Transformer 서빙의 가변 길이·반복 디코딩을 GPU에 효율적으로 배치할 수 있는가?
Context: 요청 단위 배칭은 먼저 끝난 요청 때문에 GPU를 낭비하고 head-of-line blocking을 만든다.
Method: iteration-level scheduling과 selective batching으로 매 디코딩 반복마다 배치를 재구성한다.
Evaluation: workloads=GPT-3 175B; baselines=NVIDIA FasterTransformer; metrics=throughput at equal latency; results=36.9× throughput at the same latency.
Interpretation: 자동회귀 서빙의 스케줄링 단위는 요청이 아니라 iteration이어야 한다.
Reusable lesson: 가변 반복 작업은 iteration 경계에서 재배치하라.
Applicability: 대형 생성 모델 분산 추론.
Limits: 평가 당시 모델·GPU에 맞춰졌고 최신 KV 캐시·fault handling 기능은 포함하지 않는다. +
Bibliographic paper record. +