@article{s21248416,

title = {Mitigating Cold Start Problem in Serverless Computing with Function Fusion},

author = {Seungjun Lee and Daegun Yoon and Sangho Yeo and Sangyoon Oh},

url = {https://www.mdpi.com/1424-8220/21/24/8416},

doi = {10.3390/s21248416},

issn = {1424-8220},

year  = {2021},

date = {2021-12-23},

urldate = {2021-12-16},

journal = {Sensors},

volume = {21},

number = {24},

abstract = {As Artificial Intelligence (AI) is becoming ubiquitous in many applications, serverless computing is also emerging as a building block for developing cloud-based AI services. Serverless computing has received much interest because of its simplicity, scalability, and resource efficiency. However, due to the trade-off with resource efficiency, serverless computing suffers from the cold start problem, that is, a latency between a request arrival and function execution. The cold start problem significantly influences the overall response time of workflow that consists of functions because the cold start may occur in every function within the workflow. Function fusion can be one of the solutions to mitigate the cold start latency of a workflow. If two functions are fused into a single function, the cold start of the second function is removed; however, if parallel functions are fused, the workflow response time can be increased because the parallel functions run sequentially even if the cold start latency is reduced. This study presents an approach to mitigate the cold start latency of a workflow using function fusion while considering a parallel run. First, we identify three latencies that affect response time, present a workflow response time model considering the latency, and efficiently find a fusion solution that can optimize the response time on the cold start. Our method shows a response time of 28%–86% of the response time of the original workflow in five workflows.},

keywords = {},

pubstate = {published},

tppubtype = {article}

}

@article{yeo2021achieving,

title = {Achieving Balanced Load Distribution with Reinforcement Learning-Based Switch Migration in Distributed SDN Controllers},

author = {Sangho Yeo and Ye Naing and Taeha Kim and Sangyoon Oh},

url = {https://www.mdpi.com/2079-9292/10/2/162},

year  = {2021},

date = {2021-01-01},

journal = {Electronics},

volume = {10},

number = {2},

pages = {162},

publisher = {Multidisciplinary Digital Publishing Institute},

keywords = {},

pubstate = {published},

tppubtype = {article}

}

@article{여상호2021학습,

title = {학습 성능 향상을 위한 차원 축소 기법 기반 재난 시뮬레이션강화학습 환경 구성 및 활용},

author = {여상호 and 이승준 and 오상윤},

url = {https://kiss.kstudy.com/thesis/thesis-view.asp?key=3898295},

year  = {2021},

date = {2021-01-01},

journal = {정보처리학회논문지. 소프트웨어 및 데이터 공학},

volume = {10},

number = {7},

pages = {263--270},

abstract = {



강화학습은 학습을 통해 최적의 행동정책을 탐색하는 기법으로써, 재난 상황에서 효과적인 인명 구조 및 재난 대응 문제 해결을 위해 많이 활용되고 있다. 그러나, 기존 재난 대응을 위한 강화학습 기법은 상대적으로 단순한 그리드, 그래프와 같은 환경 혹은 자체 개발한 강화학습 환경을 통해 평가를 수행함에 따라 그 실용성이 충분히 검증되지 않았다. 본 논문에서는 강화학습 기법을 실세계 환경에서 사용하기 위해 기존 개발된 재난 시뮬레이션 환경의 복잡한 프로퍼티를 활용하는 강화학습 환경 구성과 활용 결과를 제시하고자 한다. 본 제안 강화학습 환경의 구성을 위하여 재난 시뮬레이션과 강화학습 에이전트 간 강화학습 커뮤니케이션 채널 및 인터페이스를 구축하였으며, 시뮬레이션 환경이 제공하는 고차원의 프로퍼티 정보의 활용을 위해 비-이미지 피쳐 벡터(non-image feature vector)에 이미지 변환방식을 적용하였다. 실험을 통해 본 제안 방식이 건물 화재 피해도를 기준으로 한 평가에서 기존 방식 대비 가장 낮은 건물 화재 피해를 기록한 것을 확인하였다.



},

keywords = {},

pubstate = {published},

tppubtype = {article}

}

@article{김대현2021분산,

title = {분산 딥러닝에서 통신 오버헤드를 줄이기 위해 레이어를 오버래핑하는 하이브리드 올-리듀스 기법},

author = {김대현 and 여상호 and 오상윤},

url = {https://kiss.kstudy.com/thesis/thesis-view.asp?key=3898298},

year  = {2021},

date = {2021-01-01},

urldate = {2021-01-01},

journal = {정보처리학회논문지. 컴퓨터 및 통신시스템},

volume = {10},

number = {7},

pages = {191--198},

abstract = {분산 딥러닝은 각 노드에서 지역적으로 업데이트한 지역 파라미터를 동기화는 과정이 요구된다. 본 연구에서는 분산 딥러닝의 효과적인 파라미터 동기화 과정을 위해, 레이어 별 특성을 고려한 allreduce 통신과 연산 오버래핑(overlapping) 기법을 제안한다. 상위 레이어의 파라미터 동기화는 하위 레이어의 다음 전파과정 이전까지 통신/계산(학습) 시간을 오버랩하여 진행할 수 있다. 또한 이미지 분류를 위한 일반적인 딥러닝 모델의 상위 레이어는 convolution 레이어, 하위 레이어는 fully-connected 레이어로 구성되어 있다. Convolution 레이어는 fully-connected 레이어 대비 적은 수의 파라미터를 가지고 있고 상위에 레이어가 위치하므로 네트워크 오버랩 허용시간이 짧고, 이를 고려하여 네트워크 지연시간을 단축할 수 있는 butterfly all-reduce를 사용하는 것이 효과적이다. 반면 오버랩 허용시간이 보다 긴 경우, 네트워크 대역폭을 고려한 ring all-reduce를 사용한다. 본 논문의 제안 방법의 효과를 검증하기 위해 제안 방법을 PyTorch 플랫폼에 적용하여 이를 기반으로 실험 환경을 구성하여 배치크기에 대한 성능 평가를 진행하였다. 실험을 통해 제안 기법의 학습시간은 기존 PyTorch 방식 대비 최고 33% 단축된 모습을 확인하였다.},

keywords = {},

pubstate = {published},

tppubtype = {article}

}

@article{bae2020novel,

title = {Novel data-placement scheme for improving the data locality of Hadoop in heterogeneous environments},

author = {Minho Bae and Sangho Yeo and Gyudong Park and Sangyoon Oh},

url = {https://doi.org/10.1002/cpe.5752},

year  = {2020},

date = {2020-01-01},

urldate = {2020-01-01},

journal = {Concurrency and Computation: Practice and Experience},

pages = {e5752},

publisher = {Wiley Online Library},

keywords = {},

pubstate = {published},

tppubtype = {article}

}

@article{yeo2020accelerated,

title = {Accelerated deep reinforcement learning with efficient demonstration utilization techniques},

author = {Sangho Yeo and Sangyoon Oh and Minsu Lee},

url = {https://link.springer.com/article/10.1007/s11280-019-00763-0},

year  = {2020},

date = {2020-01-01},

urldate = {2020-01-01},

journal = {World Wide Web},

pages = {1--23},

publisher = {Springer},

keywords = {},

pubstate = {published},

tppubtype = {article}

}

@article{seo2018active,

title = {Active-Active Message Replica Scheme for Enhancing Performance of Distributed Message Broker},

author = {Kyeonghee Seo and Sangho Yeo and Sangyoon Oh},

year  = {2018},

date = {2018-01-01},

urldate = {2018-01-01},

journal = {KIPS Transactions on Computer and Communication Systems},

volume = {7},

number = {6},

pages = {145--154},

publisher = {Korea Information Processing Society},

keywords = {},

pubstate = {published},

tppubtype = {article}

}