UFS 저장장치에서 머신러닝 기반의 성능 분석 및 최적화 = UFS Storage Performance Analysis based on Machine Learning and Optimization

다국어 초록 (Multilingual Abstract)

Recently, smartphone users are requiring faster and more extensive data input and output alongside increased communication speeds. However, the increasing complexity of the system makes it more challenging to accurately assess and enhance the performance of applications on the Android smartphone operating system. The purpose of this study is to identify the factors affecting performance in the Universal Flash Storage (UFS) devices used as storage in Android smartphones using machine learning, and to demonstrate that limiting the range of addresses requested at the host application layer has the most significant impact on the performance of random workloads.
And we aimed to identify the factors affecting UFS performance by conducting performance evaluations and analyses using the Flexible Input Output tester (FIO) application in an Android environment. By changing FIO's job parameters and measuring performance, we analyzed the data using machine learning models such as Linear Regression, Decision Tree Regressor, and Random Forest, as well as deep learning models like Long Short-Term Memory (LSTM). As a result, block size and total size were identified as the two factors most closely correlated with performance.
It was found that as the block size used for each request by the host application increases, the sequential workload performance of the UFS device improves. Similarly, in random workloads, performance also increases proportionally with block size. That means, when limiting the total size, which represents the range of all addresses requested by the application, to perform random read workloads within a certain range, total size showed an inverse relationship with performance. This is due to the constraints of the address map buffer size within the device. When the host application requests data with random addresses, the address map used to convert the address to access the NAND address within the device can cause additional address map loading operations within the device, resulting in overall performance overhead.
In summary, if the range of addresses requested by the host application is restricted to minimize the address map loading within the UFS device, higher performance in random workloads can be expected. This was proven through experiments on actual UFS devices, and through this, we can expect to maintain consistently high performance when performing random reads within a limited range.

국문 초록 (Abstract)

최근 스마트폰 사용자들은 통신 속도의 증가와 더불어, 더욱 빠르고 많은 데이터의 입출력을 필요로 하고 있다. 그러나 안드로이드 스마트폰의 운영체제의 애플리케이션 동작 성능을 정확히 측정하고 이를 최적화하는 것은 시스템의 복잡성으로 인하여 갈수록 어려워지고 있다. 본 연구의 목적은 안드로이드 스마트폰의 저장장치로 사용되는 Universal Flash Storage(UFS) Device에서 성능에 영향을 주는 Factor를 Machine Learning으로 확인하고, Host 애플리케이션 계층에서 요청하는 Address의 범위를 제한하는 것이 Random Workload의 성능에 가장 영향을 준다는 것을 증명하는데 있다. 이를 위해 UFS의 성능에 영향을 주는 Factor를 확인하고자 안드로이드 환경에서 FIO(Flexible Input Output tester) 애플리케이션을 사용하여 성능평가와 분석을 진행하였다. FIO의 Job Parameters를 변경하면서 성능을 측정하여, Linear Regression, Decision Tree Regressor, Random Forest 등의 Machine Learning Model과 LSTM(Long Short-Term Memory)과 같은 Deep Learning Model로 분석한 결과, 성능과 가장 밀접한 Correlation을 가지는 두 가지 Factors로서 Block size와 Total size이 도출되었다. Host 애플리케이션에서 각각의 요청마다 사용하는 Block size가 커질수록 UFS Device의 Sequential Workload 성능이 높아지는 것을 확인하였고, Random Workload에서도 동일하게 Block size가 커질수록 성능은 비례하여 높아지는 것으로 나타났다. 그리고 애플리케이션이 요청하는 모든 Address의 범위를 나타내는 Total size를 제한하여, 일정 범위 이내에서 Random Read Workload를 수행할 경우 Total size는 성능과 반비례하는 결과를 보였다. 이는 Device 내부의 Address Map Buffer size의 제약으로 인하여 Host 애플리케이션에서 Random Address를 가진 데이터를 요청할 때, Device 내부의 NAND Address에 접근하기 위하여 해당 Address를 변환하여 데이터를 가져오기 때문에 이를 위해 사용하는 Address Map이 요청의 범위를 벗어나 있으면, Device 내부에서 추가로 수행하는 Address Map Loading 동작이 전체 성능의 Overhead가 되었기 때문으로 보인다. 즉, Host 애플리케이션이 요청하는 Address의 범위를 UFS Device의 Address Map Loading이 최소한으로 일어날 수 있는 범위로 Random 동작을 제한한다면, UFS의 Random Workload 성능도 높은 성능을 기대할 수 있다는 것을 의미한다. 이를 실제 UFS Device를 대상으로 한 실험으로 증명할 수 있었고, 이것을 통해 우리는 차세대 Zoned UFS 표준에서 볼 수 있듯이 일정 범위의 영역으로 제한된 Random Read를 수행할 때는 지속해서 높은 성능을 유지할 것으로 기대할 수 있다.

목차 (Table of Contents)

• 제1장 서 론
• 1.1. 연구의 필요성
• 1.2. 연구의 목적 및 개요
• 제2장 관련 연구
• 2.1. 연구의 배경
• 2.2. UFS Storage
• 2.2.1. NAND Storage Devices
• 2.2.2. Android Kernel Architecture for UFS Storage Device
• 2.3. 성능
• 2.3.1. 성능 지표
• 2.3.2. UFS Storage Performance
• 2.4. Machine Learning
• 2.4.1. Linear Regression
• 2.4.2. Decision Tree Regressor
• 2.4.3. Random Forest
• 2.4.4. LSTM (Long Short-Term Memory)
• 제3장 설계 및 구현
• 3.1. 연구환경
• 3.2. FIO Application
• 3.3. 데이터 수집과 전처리
• 3.4. 머신러닝 및 딥러닝 학습
• 3.5. 연구 가설 설정
• 제4장 실험 결과
• 4.1. 성능 실험 결과
• 4.2. 정규화 결과
• 4.3. Machine Learning 결과
• 4.4. 상관분석 (Correlation)결과
• 4.5. 실제 I/O 적용 평가 결과
• 제5장 결 론
• 5.1. 결론
• 5.2. 향후연구
• 참 고 문 헌
• Abstract