박성용

분산 시스템 및 Web 3.0 플랫폼 기술

본 연구실은 차세대 컴퓨팅 환경의 핵심인 분산 시스템과 Web 3.0 플랫폼 기술 연구에 집중하고 있습니다. 분산 클라우드 환경에서 AI 서비스 구축, 웹 3.0을 위한 오픈 플랫폼 개발 등 미래 인프라의 근간이 되는 기술을 선도하며, 이더리움, 블록체인 기반의 분산 원장 기술을 활용하여 보안성과 신뢰성을 확보하고 확장 가능한 분산형 애플리케이션(dApp) 환경을 구축하는 데 기여합니다. 특히, 블록체인 샤딩 환경에서 노드 간 메시지 전달 방법 최적화 및 신뢰 실행 환경(TEE) 기반 분산 블록체인 오라클 시스템 개발을 통해 분산 시스템의 성능과 안전성을 동시에 향상시키는 독자적인 기술을 보유하고 있습니다. 또한, 소프트웨어 정의 네트워크(SDN) 및 네트워크 가상화 기술을 분산 환경에 적용하여 유연하고 효율적인 네트워크 자원 관리를 가능하게 하며, 연합형 분산 에지 환경에서 에너지 효율성과 서비스 품질(QoS)을 고려한 서비스 기능 체이닝(SFC) 스케줄링 방법을 제안하여 차세대 통신 인프라의 복잡성을 해결하고 있습니다. 이러한 연구는 미래의 탈중앙화된 서비스와 지능형 분산 애플리케이션 시장을 위한 핵심 기반 기술을 제공하며, 관련 산업의 혁신을 주도할 잠재력을 가지고 있습니다.

고성능 컴퓨팅 및 데이터 스토리지 최적화

본 연구실은 대규모 데이터 시대의 필수적인 고성능 컴퓨팅 및 데이터 스토리지 시스템 최적화 연구를 수행하고 있습니다. GPU, NUMA(Non-Uniform Memory Access), 비휘발성 메모리(NVM) 등 최신 하드웨어 아키텍처를 최대한 활용하여 빅데이터 처리 및 AI 연산의 성능을 극대화하는 시스템 소프트웨어 기술을 개발합니다. 이산 CPU-GPU 아키텍처에서 동적 연산자 수준 쿼리 매핑 기법(dStream)을 통해 데이터 처리 효율을 높이고, NUMA 기반 매니코어 서버의 비휘발성 메모리 파일 시스템 및 스트리밍 환경에서 비동기 커밋 스트림, 적응적 상태 기반 객체 메모리 해제 기술을 개발하여 데이터 스토리지의 확장성과 신뢰성을 확보하고 있습니다. 특히, GPU 메모리 스케줄러 및 선점 방법을 개발하여 딥러닝 클러스터에서의 하이퍼파라미터 최적화(HPO)와 같은 GPU 기반 연산의 효율성을 획기적으로 개선합니다. Ceph와 같은 분산 스토리지 시스템에서 통신 성능을 최적화하고 스케일아웃 스토리지 시스템의 통신 병목 현상을 해결하는 연구도 활발히 진행 중입니다. 이러한 연구는 클라우드 서비스, 빅데이터 분석, 인공지능 학습 등 고성능 컴퓨팅 자원을 요구하는 다양한 산업 분야에서 시스템의 효율성과 비용 절감에 직접적으로 기여하며, 차세대 인프라 기술 발전에 중요한 역할을 하고 있습니다.

분산/빅데이터 기반 AI 및 딥러닝 가속화

본 연구실은 인공지능(AI) 및 딥러닝 기술을 분산 및 빅데이터 환경에서 효율적으로 활용하고 가속화하는 연구에 주력하고 있습니다. 특히, 방대한 양의 데이터를 처리하고 복잡한 딥러닝 모델을 학습시키는 과정에서 발생하는 성능 병목 현상을 해결하기 위한 혁신적인 시스템 및 알고리즘을 개발하고 있습니다. GPU 자원 스케줄링을 통해 딥러닝 학습 클러스터의 하이퍼파라미터 최적화를 가속화하고, 분산 딥러닝 학습에서 데이터 불균형을 최소화하여 학습 효율성을 극대화하는 기술을 보유하고 있습니다. 또한, 클라우드 환경에서 대규모 언어 모델(LLM)의 적응 및 멀티 GPU를 활용한 DNN 기반 음향 모델 학습 속도 개선 등 실질적인 AI 응용 분야에서의 성능 향상에 기여하고 있습니다. 빅데이터 처리를 위한 고성능 스트리밍 플랫폼 연구는 실시간 데이터 분석을 통한 지능형 서비스 구현의 기반이 됩니다. 이러한 연구는 AI 모델의 학습 시간 단축, 연산 비용 절감, 그리고 더욱 복잡하고 정교한 AI 서비스의 상용화를 가능하게 합니다. 분산 컴퓨팅, 고성능 스토리지 기술과 AI/딥러닝의 융합을 통해 자율주행, 스마트 팩토리, 지능형 금융 등 고도의 AI 기술을 필요로 하는 산업 분야에 최적화된 솔루션을 제공하며, AI 기술의 실제 적용 및 확산에 크게 기여할 것입니다.