RNN 기반 I/O 예측 모델을 통한 SSD의 동적 전력 관리 기법 = SSD Dynamic Power Management by RNN-based I/O Prediction Model

국문 초록 (Abstract)

본 연구에서는 고성능 SSD(Solid State Drive)의 전력 소모 급증 문제를 해결하고, 에너지 효율과 응답 성능 사이의 최적의 균형을 달성하기 위한 LSTM(Long Short-Term Memory) 기반의 DVFS(Dynamic Voltage-Frequency Scaling) 제어 프레임워크를 제안한다. 최신 NVMe SSD는 비약적인 대역폭 성장을 이루었으나, 이로 인한 발열과 전력 밀도 증가는 시스템의 열적 신뢰성을 저해하는 핵심 요인이 되고 있다. 특히, 최근 AI 및 빅데이터 처리 수요 등의 폭증으로 인해 데이터센터의 전력 밀도가 급증하면서, 전력 공급 용량의 한계와 냉각 비용의 기하급수적 증가가 중요한 문제로 부상하였다. 한편, SSD의 높은 입출력 속도는 일반적인 워크로드 환경에서 상당한 성능 여유를 제공하며, 이는 주파수 조절을 통해 대역폭을 일부 제한하더라도 사용자 체감 성능의 훼손 없이 막대한 에너지를 절감할 수 있는 기회를 제공한다.
이러한 특성에 주목하여, 본 연구는 경량화된 LSTM 모델을 통해 미래 부하를 정밀하게 예측하고 SSD 컨트롤러의 전압 및 주파수를 동적으로 최적화하는 시스템을 설계하였다. 특히, 예측 오차로 인해 발생할 수 있는 잠재적인 성능 저하를 방지하기 위해 두 가지 핵심 기법을 도입하였다. 첫째, 성능을 훼손하는 예측에 대해 더 높은 패널티를 부여하는 비대칭 가중 학습(asymmetric weighted training)을 통해 모델이 성능 지향적으로 미래 I/O 요청량을 추정하도록 유도하였다. 둘째, 실제 I/O 요청량보다 낮은 예측으로 인해 요청의 처리가 지연되어도 그러한 요청 지연을 즉각적으로 감지하여 성능 모드를 보정하는 pending-aware 기법을 제안하여 큐잉 지연(queueing delay)을 효과적으로 억제하고 I/O의 연쇄적인 적체를 완화하였다.
SSD 시뮬레이터인 MQSim-E에 이러한 기법과 에너지 소모량 측정 모델을 구현하고, Alibaba 블록 스토리지 트레이스를 활용하여 실험한 결과, 제안하는 시스템은 전력 관리를 적용하지 않은 경우 대비 최대 52%의 에너지 소모량을 절감하였다. 또한, 기존의 대표적 기법인 PAST와 비교하여 에너지를 11.9% 추가 절감하면서도, pending-aware 기법의 효과로 인해 평균 응답 성능은 1.6% 증가하는 데에 그쳤다. 특히 Pending I/O를 고려한 경우, 고려하지 않았을 때보다 단 1.05%의 에너지 비용만으로 응답 시간을 약 83% 단축시키는 탁월한 성능 방어 능력을 입증하였다.
본 연구는 SSD의 넓은 대역폭 여유를 전략적으로 활용하여 딥러닝 기반 제어 루프가 실시간 저장 장치에 성공적으로 통합될 수 있음을 증명하였으며, 지능형 전력 관리 시스템의 새로운 방향성을 제시하였다는 점에서 그 의의가 크다.

다국어 초록 (Multilingual Abstract)

This study proposes an LSTM-based DVFS (Dynamic Voltage-Frequency Scaling) control framework designed to address the surging power consumption of high-performance SSDs and to achieve an optimal balance between energy efficiency and response performance. While modern NVMe SSDs have achieved remarkable bandwidth growth, the resulting increase in heat dissipation and power density has become a critical factor undermining thermal reliability. Particularly, with the explosion of AI and big data processing demands, data center power density has soared, making power supply constraints and escalating cooling costs significant challenges. Conversely, the high I/O speeds of SSDs offer substantial performance margins under general workloads, providing opportunities to save significant energy by limiting bandwidth through frequency scaling without compromising user-perceived performance.
Focusing on these characteristics, this research designs a system that precisely predicts future workloads using a lightweight LSTM model and dynamically optimizes the voltage and frequency of the SSD controller. To prevent potential performance degradation caused by prediction errors, two key techniques are introduced. First, through asymmetric weighted training, which assigns higher penalties to critical mispredictions that lead to performance loss, the model is guided to estimate future I/O requests with a performance-oriented bias. Second, the proposed pending-aware mechanism immediately detects processing delays caused by underestimations of I/O requests and corrects the performance mode, effectively suppressing queuing delays and mitigating I/O bottlenecks.
The proposed methods and an energy consumption measurement model were implemented in the SSD simulator MQSim-E. Experimental results using Alibaba block storage traces demonstrate that the proposed system reduces energy consumption by up to 52% compared to systems without power management. Furthermore, compared to the conventional PAST algorithm, it achieved an additional 11.9% energy saving, while the average response time increased by only 1.6% due to the effectiveness of the pending-aware mechanism. Notably, the pending-aware approach demonstrated exceptional performance defense capabilities, reducing response times by approximately 83% with only a 1.05% increase in energy cost compared to a configuration without it.
This study proves that deep learning-based control loops can be successfully integrated into real-time storage devices by strategically utilizing the wide bandwidth margins of SSDs, offering a new direction for intelligent power management systems.

목차 (Table of Contents)

• 제 1 장 서 론 8
• 제 1 절 연구 배경 및 동기 8
• 제 2 절 연구 목적 및 기여 10
• 제 3 절 논문 구성 12
• 제 2 장 배경 지식 및 관련 연구 14
• 제 1 절 SSD 아키텍처와 전력 제어 요소 14
• 제 2 절 동적 전력과 에너지 소모량의 관계 15
• 제 3 절 기존의 미래 I/O 요청량 예측 모델 17
• 제 4 절 장단기 기억 신경망 (LSTM) 19
• 제 3 장 동적 전력 관리 시스템 설계 21
• 제 1 절 시스템 전체 구조 21
• 제 2 절 LSTM 기반 I/O 요청 크기 예측 모델 23
• 제 3 절 성능 저하 완화를 위한 보정 기법 25
• 1. 성능 저하 완화를 위한 비대칭 가중 학습 25
• 2. 요청 처리 지연 억제를 위한 잔여 요청량 반영 26
• 제 4 장 실험 및 결과 28
• 제 1 절 실험 환경 28
• 제 2 절 성능 및 에너지 소모량 비교 분석 29
• 제 3 절 비대칭 가중 학습에 따른 영향 32
• 제 4 절 잔여 요청량 반영 여부에 따른 영향 34
• 제 5 장 결론 36
• 제 1 절 결론 36
• 제 2 절 향후 연구 38
• 참고문헌 40
• Abstract 42