속성:Evidence note
자료에서 확인할 수 있는 점이나 한계를 적습니다.
p
partial failure resilient memory management system for cxl based distributed shared memory 48948c1d +
Bibliographic paper record. +
pegasus tolerating skewed workloads in distributed storage with in network coherence directories a4e8c8ec +
Verification: abstract_only; confidence=medium.
Canonical title: Pegasus: Tolerating Skewed Workloads in Distributed Storage with In-Network Coherence Directories
Question: 키 편향이 심한 분산 저장소에서 핫 키 병목을 어떻게 완화할까?
Context: 고정 파티셔닝은 소수 핫 객체가 특정 서버를 포화시키면 확장성이 무너진다.
Method: 프로그래머블 스위치에 일관성 디렉터리를 두고 핫 키를 선택 복제하며 부하 인지 라우팅한다.
Evaluation: workloads=skewed KV workloads; dynamic hot keys; baselines=partitioned distributed storage; metrics=throughput under latency SLO; results=>10× throughput across tested conditions.
Interpretation: 네트워크 내 메타데이터로 복제와 라우팅을 조율하면 스큐를 빠르게 흡수할 수 있다.
Reusable lesson: 핫 키 대응은 선택적 복제와 부하 인지 라우팅을 결합하라.
Applicability: 메모리 KV, 랙 단위 분산 캐시.
Limits: 스위치 ASIC 용량·토폴로지와 인메모리 KV 가정에 제약된다. +
pegasus tolerating skewed workloads in distributed storage with in network coherence directories a4e8c8ec +
Bibliographic paper record. +
pegasus tolerating skewed workloads in distributed storage with in network coherence directories a4e8c8ec +
Verification: abstract_only; confidence=high.
Canonical title: Pegasus: Tolerating Skewed Workloads in Distributed Storage with In-Network Coherence Directories
Question: 키 편향이 심한 분산 저장소에서 핫 키 병목을 어떻게 완화할까?
Context: 고정 파티셔닝은 소수 핫 객체가 특정 서버를 포화시키면 확장성이 무너진다.
Method: 프로그래머블 스위치에 일관성 디렉터리를 두고 핫 키를 선택 복제하며 부하 인지 라우팅한다.
Evaluation: workloads=skewed KV workloads; dynamic hot keys; baselines=partitioned distributed storage; metrics=throughput under latency SLO; results=>10× throughput across tested conditions.
Interpretation: 네트워크 내 메타데이터로 복제와 라우팅을 조율하면 스큐를 빠르게 흡수할 수 있다.
Reusable lesson: 핫 키 대응은 선택적 복제와 부하 인지 라우팅을 결합하라.
Applicability: 메모리 KV, 랙 단위 분산 캐시.
Limits: 스위치 ASIC 용량·토폴로지와 인메모리 KV 가정에 제약된다. +
Source: Yonsei University Computer Systems Laboratory publication list supplied by the user. Manifestation 1 of 1. +
정본 Lesson 보강 근거. 검토 원본: Lesson:technical_review_performance_optimization_of_object_tracking_algorithms_in_opencv_on_gpus_09f20f75. 확인 범위: full_text. 확인한 자료: https://www.mdpi.com/2076-3417/12/15/7801 ; https://doi.org/10.3390/app12157801. 질문, 방법, 평가, 해석, 재사용 교훈, 적용 범위와 한계를 같은 Lesson 본문에 통합했습니다. +
Verification: abstract_only; confidence=high.
Canonical title: Perseus: A Fail-Slow Detection Framework for Cloud Storage Systems
Question: 클라우드 저장소에서 완전 고장 전의 느린 드라이브를 정확히 찾을 수 있는가?
Context: fail-slow는 정상 응답을 하면서 꼬리 지연을 키워 단순 장애 탐지로 잡기 어렵다.
Method: Perseus는 드라이브 수준 경량 회귀 모델로 지연 이상을 탐지한다.
Evaluation: workloads=10 months, 248K drives; 41K normal and 315 verified fail-slow drives; baselines=existing fail-slow detectors; metrics=detection; node p99.99 latency; results=304 fail-slow drives found; isolation reduced p99.99 by 48%.
Interpretation: 대규모 실측 데이터 기반 개별 장치 모델이 꼬리 지연 원인을 조기에 분리한다.
Reusable lesson: 평균보다 장치별 고분위 지연과 장기 추세를 감시하라.
Applicability: 대규모 HDD/SSD 스토리지 플릿.
Limits: Alibaba형 플릿·라벨링 절차에 맞춰졌고 타 환경 일반화는 추가 검증이 필요하다. +
Verification: abstract_only; confidence=medium.
Canonical title: Perseus: A Fail-Slow Detection Framework for Cloud Storage Systems
Question: 클라우드 저장소에서 완전 고장 전의 느린 드라이브를 정확히 찾을 수 있는가?
Context: fail-slow는 정상 응답을 하면서 꼬리 지연을 키워 단순 장애 탐지로 잡기 어렵다.
Method: Perseus는 드라이브 수준 경량 회귀 모델로 지연 이상을 탐지한다.
Evaluation: workloads=10 months, 248K drives; 41K normal and 315 verified fail-slow drives; baselines=existing fail-slow detectors; metrics=detection; node p99.99 latency; results=304 fail-slow drives found; isolation reduced p99.99 by 48%.
Interpretation: 대규모 실측 데이터 기반 개별 장치 모델이 꼬리 지연 원인을 조기에 분리한다.
Reusable lesson: 평균보다 장치별 고분위 지연과 장기 추세를 감시하라.
Applicability: 대규모 HDD/SSD 스토리지 플릿.
Limits: Alibaba형 플릿·라벨링 절차에 맞춰졌고 타 환경 일반화는 추가 검증이 필요하다. +
Bibliographic paper record. +
Verification: official DOI metadata and accessible publisher abstract; confidence=high.
Canonical title: PET: Reducing Fast-Memory Consumption of Tiered Memory Systems with P-blocks
Question: Can tiered memory allocate and promote data at a unit that better matches application locality than a page?
Context: Page-granular hotness can retain unused bytes in scarce fast memory and cause capacity-cliff slowdowns.
Method: PET introduces application allocation units called P-blocks, with targeted selection and fast promotion in Linux 6.1.44.
Evaluation: workloads=tiered-memory workloads on Linux 6.1.44; baselines=page-based tiering; metrics=fast-memory footprint and performance; results=39.8% average/80.4% maximum footprint reduction at 1.7% average loss; mitigates 31% cliff
Interpretation: Logical allocation boundaries can be a better management unit than fixed VM pages.
Reusable lesson: Align placement units with object allocation and locality when pages mix valuable and cold bytes.
Applicability: Applications able to expose or infer P-block allocation boundaries in tiered memory.
Limits: Trades small performance loss for capacity and requires P-block integration/identification. +
Bibliographic paper record. +
Verification: official DOI metadata and accessible publisher abstract; confidence=medium.
Canonical title: PET: Proactive Demotion for Efficient Tiered Memory Management
Question: Can tiered memory allocate and promote data at a unit that better matches application locality than a page?
Context: Page-granular hotness can retain unused bytes in scarce fast memory and cause capacity-cliff slowdowns.
Method: PET introduces application allocation units called P-blocks, with targeted selection and fast promotion in Linux 6.1.44.
Evaluation: workloads=tiered-memory workloads on Linux 6.1.44; baselines=page-based tiering; metrics=fast-memory footprint and performance; results=39.8% average/80.4% maximum footprint reduction at 1.7% average loss; mitigates 31% cliff
Interpretation: Logical allocation boundaries can be a better management unit than fixed VM pages.
Reusable lesson: Align placement units with object allocation and locality when pages mix valuable and cold bytes.
Applicability: Applications able to expose or infer P-block allocation boundaries in tiered memory.
Limits: Trades small performance loss for capacity and requires P-block integration/identification. +
Bibliographic paper record. +
Verification: full_text; confidence=high.
Canonical title: PhasedRR: Read Reclaim Scheduling without Page-level Access Counting
Question: 페이지별 read counter 없이 SSD read-reclaim 지연을 줄일 수 있는가?
Context: 기존 hot-page 선이동은 DRAM의 page counter가 캐시 공간을 잠식한다.
Method: 세 시간창의 working set 교집합으로 hottest/hotter/tepid를 구분해 hard threshold 전에 단계적으로 이동한다.
Evaluation: workloads=SSDsim; realistic disk traces; ARM Cortex-A7 controller model; baselines=RL-RR; Reallocation; existing RR scheduling; metrics=overall I/O latency; read latency; erase operations; DRAM overhead; results=Overall I/O latency -31.3%; read latency -33.6%; erases -6.1% on average.
Interpretation: 정확한 빈도 카운트 대신 최근성 집합의 반복 출현만으로 충분한 hotness 계층을 만들 수 있다.
Reusable lesson: 메타데이터 비용이 크면 exact counter를 windowed set membership으로 대체하라.
Applicability: TLC/QLC SSD FTL read-reclaim.
Limits: SSDsim 기반이며 세 window·threshold와 trace hotness에 민감하다. +
Verification: full_text; confidence=high.
Canonical title: PhasedRR: Read Reclaim Scheduling without Page-level Access Counting
Question: 페이지별 read counter 없이 SSD read-reclaim 지연을 줄일 수 있는가?
Context: 기존 hot-page 선이동은 DRAM의 page counter가 캐시 공간을 잠식한다.
Method: 세 시간창의 working set 교집합으로 hottest/hotter/tepid를 구분해 hard threshold 전에 단계적으로 이동한다.
Evaluation: workloads=SSDsim; realistic disk traces; ARM Cortex-A7 controller model; baselines=RL-RR; Reallocation; existing RR scheduling; metrics=overall I/O latency; read latency; erase operations; DRAM overhead; results=Overall I/O latency -31.3%; read latency -33.6%; erases -6.1% on average.
Interpretation: 정확한 빈도 카운트 대신 최근성 집합의 반복 출현만으로 충분한 hotness 계층을 만들 수 있다.
Reusable lesson: 메타데이터 비용이 크면 exact counter를 windowed set membership으로 대체하라.
Applicability: TLC/QLC SSD FTL read-reclaim.
Limits: SSDsim 기반이며 세 window·threshold와 trace hotness에 민감하다. +
pit optimization of dynamic sparse deep learning models via permutation invariant transformation 48509ad0 +
Verification: abstract_only; confidence=high.
Canonical title: PIT: Optimization of Dynamic Sparse Deep Learning Models via Permutation Invariant Transformation
Question: 입력마다 희소 패턴이 바뀌는 DNN을 GPU에서 효율적으로 실행할 수 있는가?
Context: 동적 희소성은 정적 컴파일·일반 sparse kernel 모두에 불규칙성을 만든다.
Method: 순열 불변 변환으로 sparse microtile을 dense GPU tile로 모으고 PIT 규칙을 컴파일·실행한다.
Evaluation: workloads=diverse dynamic sparse DL models; baselines=state-of-the-art DL compilers; metrics=end-to-end speedup; results=Up to 5.9×, 2.43× average speedup.
Interpretation: 연산 결과를 보존하는 순열 자유도를 이용하면 동적 희소성을 규칙적 dense 계산으로 바꿀 수 있다.
Reusable lesson: 불규칙 데이터는 의미 보존 재배열로 하드웨어 친화적 형태로 변환하라.
Applicability: 동적 sparse Transformer·DNN.
Limits: 연산이 PIT 규칙을 허용해야 하고 런타임 재배열·kernel 생성 비용이 있다. +
pit optimization of dynamic sparse deep learning models via permutation invariant transformation 48509ad0 +
Verification: abstract_only; confidence=medium.
Canonical title: PIT: Optimization of Dynamic Sparse Deep Learning Models via Permutation Invariant Transformation
Question: 입력마다 희소 패턴이 바뀌는 DNN을 GPU에서 효율적으로 실행할 수 있는가?
Context: 동적 희소성은 정적 컴파일·일반 sparse kernel 모두에 불규칙성을 만든다.
Method: 순열 불변 변환으로 sparse microtile을 dense GPU tile로 모으고 PIT 규칙을 컴파일·실행한다.
Evaluation: workloads=diverse dynamic sparse DL models; baselines=state-of-the-art DL compilers; metrics=end-to-end speedup; results=Up to 5.9×, 2.43× average speedup.
Interpretation: 연산 결과를 보존하는 순열 자유도를 이용하면 동적 희소성을 규칙적 dense 계산으로 바꿀 수 있다.
Reusable lesson: 불규칙 데이터는 의미 보존 재배열로 하드웨어 친화적 형태로 변환하라.
Applicability: 동적 sparse Transformer·DNN.
Limits: 연산이 PIT 규칙을 허용해야 하고 런타임 재배열·kernel 생성 비용이 있다. +
pit optimization of dynamic sparse deep learning models via permutation invariant transformation 48509ad0 +
Bibliographic paper record. +
Real-tree snapshot: 3,236 files, 553,835,742 bytes, package SHA-256 1ec47d04bc7a0c8ba60f0c3ee615ce0bc9d3026dcbd491c8587a7b5cd65bf781, native SHA-256 0e9b15201e3a6b57a759d138d45098d556b1298ede260dc2388e63e43f83b250. Tests: 282 offline pivot passed, 75 scheduler passed, 55 focused passed; all applicable pre-commit hooks passed. +
Implements complete effective-package snapshotting, strict runtime audit validation, controlled vLLM environment, child import-root guard, package/native backend digests, and checkout-independent calibration code hashes. +