1 |
1
데이터 입출력 특성에 따른 워크로드를 데이터 입출력의 포화 여부를 판단하고자 하는 데이터 저장 장치에 인가하여 상기 데이터 저장 장치의 데이터 입출력 상태를 나타내는 적어도 하나의 입출력 특징 정보를 산출하는 특징 정보 산출부; 및상기 산출된 특징 정보를 입력으로 하고, 상기 데이터 입출력의 포화 여부를 출력으로 하는 신경망(Neural Network)을 이용하되, 데이터 입출력 레벨 및 상기 데이터 입출력 레벨에 따른 사용 대역폭의 변화 정도를 고려하여 상기 데이터 입출력 상태가 포화인지 여부를 정의하기 위한 포화 함수를 생성하고, 생성된 포화 함수를 이용하여 상기 신경망을 학습시킴에 따라 상기 데이터 저장 장치의 입출력 상태가 포화인지 여부를 검출하는 검출부; 를 포함하는 데이터 입출력 포화 검출 장치
|
2 |
2
제1항에 있어서, 상기 특징 정보 산출부는상기 산출된 적어도 하나의 입출력 특징 정보들을 상기 데이터 입출력 특성에 따라 조합하여 조합 데이터를 생성하는 조합 데이터 생성부; 를 더 포함하고, 상기 입출력 특징 정보는 상기 생성된 조합 데이터를 포함하는 것을 특징으로 하는 데이터 입출력 포화 검출 장치
|
3 |
3
제1항에 있어서, 상기 데이터 입출력 특성은 데이터 입출력 유닛의 블록 사이즈, 상기 데이터 입출력 유닛의 수, 상기 데이터 입출력의 액세스 패턴 및 상기 데이터 입출력의 혼합비 중 적어도 하나를 포함하는 것을 특징으로 하는 데이터 입출력 포화 검출 장치
|
4 |
4
제2항에 있어서, 데이터 입출력 요청이 상기 데이터 저장 장치와 동기되는 시간에 따라 상기 조합 데이터의 적어도 일부를 제거하여 전처리하는 전처리부; 를 더 포함하고,상기 검출부는 상기 전처리된 조합 데이터를 이용하여 상기 데이터 저장 장치의 데이터 입출력 상태가 포화인지 여부를 검출하는 것을 특징으로 하는 데이터 입출력 포화 검출 장치
|
5 |
5
제2항에 있어서, 상기 검출부는상기 조합 데이터와 별도로 상기 데이터 입출력 특성을 반영하여 미리 마련된 학습용 데이터 및 상기 신경망을 검증하기 위한 검증용 데이터 중에서 상기 학습용 데이터를 기반으로 상기 신경망을 학습하는 신경망 학습부; 를 더 포함하고,상기 학습된 신경망을 이용하여 상기 데이터 저장 장치의 입출력 상태가 포화인지 여부를 검출하는 것을 특징으로 하는 데이터 입출력 포화 검출 장치
|
6 |
6
제5항에 있어서, 상기 검출부는상기 학습된 신경망을 이용하여 검출된 상기 데이터 저장 장치의 입출력 상태가 포화인지 여부에 대한 결과를 상기 검증용 데이터로 검증하는 검증부; 를 더 포함하고,상기 검증된 결과를 이용하여 상기 데이터 저장 장치의 입출력 상태가 포화인지 여부를 검출하는 것을 특징으로 하는 데이터 입출력 포화 검출 장치
|
7 |
7
삭제
|
8 |
8
제5항에 있어서, 상기 신경망 학습부는상기 생성된 포화 함수를 이용하여 상기 미리 마련된 학습용 데이터가 나타내는 데이터 입출력 상태가 포화인지 여부를 결정하여 레이블링 하는 레이블링부; 를 더 포함하고, 상기 레이블링된 학습용 데이터를 이용하여 상기 신경망을 학습하는 것을 특징으로 하는 데이터 입출력 포화 검출 장치
|
9 |
9
제5항에 있어서, 상기 신경망 학습부는상기 신경망에 포함된 적어도 하나의 노드를 포함하는 복수개의 레이어, 상기 레이어 내부의 노드 사이의 연결 강도에 관한 파라미터들을 업데이트 하는 파라미터 업데이트부; 를 더 포함하고,상기 업데이트된 파라미터들을 미리 결정하여 상기 신경망을 학습하는 것을 특징으로 하는 데이터 입출력 포화 검출 장치
|
10 |
10
제1항에 있어서, 상기 입출력 특징 정보는데이터 입출력 요청에 따른 읽기 횟수, 상기 데이터 입출력 요청에 따른 쓰기 횟수, 상기 데이터 입출력 요청에 따라 운영체제 수준에서 병합된 읽기 횟수, 상기 데이터 입출력 요청에 따라 운영체제 수준에서 병합된 쓰기 횟수, 상기 데이터 입출력 요청에 따른 읽기 사용 대역폭, 상기 데이터 입출력 요청에 따른 쓰기 사용 대역폭, 상기 데이터 입출력 요청이 저장된 큐(Queue)의 평균 길이, 입출력 데이터의 평균 사이즈 및 상기 데이터 입출력에 걸리는 평균 시간 중 적어도 하나를 포함하는 것을 특징으로 하는 데이터 입출력 포화 검출 장치
|
11 |
11
제9항에 있어서, 상기 신경망 학습부는상기 데이터 입출력의 액세스 패턴, 상기 복수개의 레이어의 수 및 상기 레이어에 포함된 히든 레이어의 수에 따라 서로 다른 신경망을 학습하는 것을 특징으로 하는 데이터 입출력 포화 검출 장치
|
12 |
12
제11항에 있어서, 상기 신경망은상기 신경망에 포함된 노드 및 상기 노드 사이의 연결 강도에 관한 파라미터들의 가중합을 입력으로 하는 활성화 함수를 이용하여 상기 데이터 입출력의 포화 여부를 출력하는 것을 특징으로 하는 데이터 입출력 포화 검출 장치
|
13 |
13
제6항에 있어서, 상기 검증부는상기 학습된 신경망을 이용하여 검출된 상기 데이터 저장 장치의 입출력 상태가 포화인지 여부에 대한 결과를 그리드 서치, 매뉴얼 서치 및 교차 검증 중에서 적어도 하나의 검증 방법으로 검증하는 것을 특징으로 하는 데이터 입출력 포화 검출 장치
|
14 |
14
데이터 입출력 특성에 따른 워크로드를 데이터 입출력의 포화 여부를 판단하고자 하는 데이터 저장 장치에 인가하여 상기 저장 장치의 데이터 입출력 상태를 나타내는 적어도 하나의 입출력 특징 정보를 산출하는 단계; 및상기 산출된 특징 정보를 입력으로 하고, 상기 데이터 입출력의 포화 여부를 출력으로 하는 신경망(Neural Network)을 이용하되, 데이터 입출력 레벨 및 상기 데이터 입출력 레벨에 따른 사용 대역폭의 변화 정도를 고려하여 상기 데이터 입출력 상태가 포화인지 여부를 정의하기 위한 포화 함수를 생성하고, 생성된 포화 함수를 이용하여 상기 신경망을 학습시킴에 따라 상기 데이터 저장 장치의 입출력 상태가 포화인지 여부를 검출하는 단계; 를 포함하는 데이터 입출력 포화 검출 방법
|
15 |
15
제14항에 있어서, 상기 특징 정보를 산출하는 단계는상기 산출된 적어도 하나의 입출력 특징 정보들을 상기 데이터 입출력 특성에 따라 조합하여 조합 데이터를 생성하는 단계; 를 더 포함하고, 상기 생성된 조합 데이터를 상기 입출력 특징 정보로서 산출하는 것을 특징으로 하는 데이터 입출력 포화 검출 방법
|
16 |
16
제15항에 있어서, 데이터 입출력 요청이 상기 데이터 저장 장치와 동기되는 시간에 따라 상기 조합 데이터의 적어도 일부를 제거하여 전처리하는 단계; 를 더 포함하고,상기 전처리된 조합 데이터를 이용하여 상기 데이터 저장 장치의 데이터 입출력 상태가 포화인지 여부를 검출하는 것을 특징으로 하는 데이터 입출력 포화 검출 방법
|
17 |
17
제15항에 있어서, 상기 검출하는 단계는상기 조합 데이터와 별도로 상기 데이터 입출력 특성을 반영하여 미리 마련된 학습용 데이터 및 상기 신경망을 검증하기 위한 검증용 데이터 중에서 상기 학습용 데이터를 기반으로 상기 신경망을 학습하는 단계; 및상기 학습된 신경망을 이용하여 검출된 상기 데이터 저장 장치의 입출력 상태가 포화인지 여부에 대한 결과를 상기 검증용 데이터로 검증하는 단계; 를 더 포함하고,상기 검증된 결과를 이용하여 상기 데이터 저장 장치의 입출력 상태가 포화인지 여부를 검출하는 것을 특징으로 하는 데이터 입출력 포화 검출 방법
|
18 |
18
제17항에 있어서, 상기 학습하는 단계는상기 생성된 포화 함수를 이용하여 상기 미리 마련된 학습용 데이터가 나타내는 데이터 입출력 상태가 포화인지 여부를 결정하여 레이블링 하는 단계; 및상기 신경망에 포함된 적어도 하나의 노드를 포함하는 복수개의 레이어, 상기 레이어 내부의 노드 사이의 연결 강도에 관한 파라미터들을 업데이트 하는 단계; 를 더 포함하고,상기 업데이트된 파라미터들을 미리 결정하여 상기 신경망을 학습하는 것을 특징으로 하는 데이터 입출력 포화 검출 방법
|
19 |
19
제18항에 있어서, 상기 검증하는 단계는 상기 학습된 신경망을 이용하여 검출된 데이터 저장 장치의 입출력 상태가 포화인지 여부에 대한 결과를 그리드 서치, 매뉴얼 서치 및 교차 검증 중에서 적어도 하나의 검증 방법으로 검증하고,상기 학습하는 단계는 상기 데이터 입출력의 액세스 패턴, 상기 복수개의 레이어의 수 및 상기 레이어에 포함된 히든 레이어의 수에 따라 서로 다른 신경망을 학습하는 것을 특징으로 하는 데이터 입출력 포화 검출 방법
|
20 |
20
프로세서에 의해 실행되는 것을 통하여 제14항 내지 제19항 중 어느 한 항에 기재된 데이터 입출력 포화 검출 방법을 실현하는 컴퓨터에서 판독 가능한 기록매체에 저장된 프로그램
|