1. HPC, AI, Cloud Datacenter Management and orchestration

고전 컴퓨팅 시스템에서는 HPC, 클라우드 등 목적에 따른 컴퓨터 시스템의 구분이 명확하였으나, 현대의 대규모 컴퓨팅 시스템 구조는 목적 (AI, 클라우드 등)에 상관없이 유사한 형태를 가지고 있습니다. 많은 수의 연산 노드(CPU 및 GPU)는 매우 빠른 연결(Infiniband)로 묶여 있으며, 다양한 데이터 장치(Lustre, GFS)에 접근합니다. 이때, 데이터센터 내 다양한 응용의 특성에 따라 요구되는 자원은 다양해지고, 현재 같이 실행되는 응용 간의 간섭, 자원 공유 방식, 스케줄링 방식 등 다양한 최적화가 필요하게 됩니다. 저희는 Berkeley의 Perlmutter 슈퍼컴퓨터, KISTI의 국가슈퍼컴퓨터 5호기 등의 로그 데이터를 보유하고 있으며, 이를 기반으로 자원, 에너지 소비, 간섭 최소화 등의 다양한 각도에서 최적의 데이터센터 운용 방식을 연구하고 있습니다.

관련 연구실 작성 논문

A2FL: Autonomous and Adaptive File Layout in HPC through Real-time Access Pattern Analysis (IPDPS 2024)

Toward Performance Prediction in Large-Scale Systems through Temporal System and Application Log Analysis (IPDPS 2025)

Design and Implementation of I/O Performance Prediction Scheme on HPC Systems through Large-scale Log Analysis (JofBigdata 2023, HPDC 2020)

IFLustre: Towards Interference-free and Efficient Storage Allocation in Distributed File System (MASCOTS 2022)

2. Quantum Emulation (Quantum Circuit Simulation) using Traditional Computer

양자 컴퓨터는 많은 기대를 모으고 있으나, 실제 활용 및 최적화에는 많은 어려움을 겪고 있습니다. 이는 현대의 양자 컴퓨터가 노이즈에 취약한 NISQ(Noise Intermediate-Scale Quantum)이며, 동일한 연산을 수행한다고 해도 노이즈 때문에 다른 결과가 연산되기 때문입니다. 이를 해결하기 위해 기존 컴퓨터 구조를 활용한 양자 컴퓨터 에뮬레이션에 대한 연구가 활발히 진행되고 있습니다. 해당 구조는 GPU를 활용하여 양자 큐비트 연산을 수행하고, 노이즈가 없는 완벽한 연산 결과를 제시합니다. 다만, 큐비트의 데이터는 큐비트 수가 증가함에 따라 기하급수적으로 늘어나며, 이때 고성능 컴퓨터를 활용하여 메모리, 스토리지, GPU를 효율적으로 활용해야 합니다. 또한, 양자 컴퓨터가 모든 연산을 대체하지 못할 것으로 예상되므로, 현재 컴퓨팅 구조의 정점인 고성능 컴퓨터와의 연결 방식 및 데이터 교환 방식에 대해서도 연구가 진행 중입니다.

관련 연구실 작성 논문

ScaleQSIM: Scalable Quantum Simulation on Exascale HPC Systems (SIGMETRICS 2026)

SWIFTN: Accelerating Quantum Circuit Simulation Through Tensor Optimization. (CCgrid 2025)

3. IoT and Edge Device

IoT와 엣지 장치의 흥미로운 점은 기존 서버와 유사하면서도 매우 다른 시스템이라는 것입니다. 기본적으로 탑재되는 리눅스 운영체제 및 알고리즘은 유사하나, 한정된 연산 자원과 에너지를 가지고 연산을 진행해야 합니다. 또한, 해당 장치들은 엣지 및 중앙 클라우드 서버와 통신하며 데이터를 전송하고 정제하게 됩니다. 이러한 특이점 때문에 IoT 연구는 특정 응용 및 하드웨어에 맞춰 진행됩니다. 저희 연구실은 YOLO와 같은 이미지 기반 AI 모델의 성능을 Nvidia Jetson Nano와 같은 특정 하드웨어에 맞게 최적화하는 연구를 진행하였으며, 또한 IPFS와 같은 극도로 분산된 컴퓨터 시스템에서의 데이터 동기화 문제도 연구 중에 있습니다.

관련 연구실 작성 논문

Hybrid Deep Learning-based Cyberthreat Detection and IoMT Data Authentication Model in Smart Healthcare (FGCS 2025)

Improving Performance of Real-Time Object Detection in Edge Device Through Concurrent Multi-Frame Processing (IEEE ACCESS 2025)

Enhancing Cloud Security for IoHT: A Dual-Layer Scheme Combining Quantum Key Distribution and Post-Quantum Cryptography (MobiSec 2024)

EnC-IoT: An Efficient Encryption and Access Control Framework based on IPFS for Decentralized IoT (CCgrid 2024)

Optimizing Logging and Monitoring in Heterogeneous Cloud Environments for IoT and Edge Applications (IoTJ 2022)

4. Operating System, especially file systems (EXT4, F2FS) and Next-generation storage (Smart SSD, ZNS, FDP)

운영체제는 현대 컴퓨터 기술의 집합체입니다. 대부분의 컴퓨터는 운영체제를 기반으로 동작하며, 이로 인해 운영체제는 하드웨어의 최하위부터 최상위 애플리케이션까지 통제해야 할 책임이 있습니다. 또한, 운영체제의 성능 향상은 전체 시스템 성능의 향상을 의미하며, 운영체제 연구는 시스템 소프트웨어 연구의 근간이라고 할 수 있습니다. 저희는 멀티코어 및 새로운 스토리지 하드웨어에 맞춰 운영체제를 개선하는 연구를 진행하였습니다. 현대 SSD 구조 및 멀티코어 구조에서의 병렬성을 위한 데이터 복제 방법 최적화, 랜덤 접근보다 순차 접근 방식에 높은 성능을 보이는 SSD를 위한 운영체제에서의 접근 패턴 수정 등을 연구하였으며, 머신러닝 등을 활용하여 데이터 접근 패턴을 예측하고 이를 통해 시스템 소프트웨어 최적화도 진행하고 있습니다.

관련 연구실 작성 논문

Z-LFS: A Zoned Namespace-tailored Log-Structured File System for Commodity ZNS SSDs (ATC 2025)

Augmented Access Pattern-based I/O Performance Prediction using Directed Acyclic Graph Regression (Cluster Computing 2024)

sVFS: A Virtual File System Enabling Address Sequentialization for Flash-based SSDs. (MDPI Computers 2024)

ScaleDFS: Accelerating Decentralized and Private File Sharing via Scaling Directed Acyclic Graph Processing. (HPDC 2024)

Analyzing I/O Characteristics of Time-Series Data Using High Performance Storage Devices (IEEE ACCESS 2023)

EHS: An Efficient Hashing Scheme for Persistent Memory (SAC 2023)

Improving I/O Performance via Address Remapping in NVMe Interface (IEEE ACCESS 2022)

5. Database for new hardware

데이터베이스는 현대 컴퓨팅에서 운영체제만큼이나 독보적인 위치를 차지하는 시스템 소프트웨어입니다. 데이터베이스는 하드웨어 내 데이터를 제어하며, 다양한 데이터 저장, 복구, 복제 방법을 포함하고 있습니다. 그렇기 때문에 데이터베이스는 새로운 하드웨어에도 적응해야 합니다. 그러나 현대의 데이터베이스는 여러 개의 코어가 존재하는 멀티코어 시스템을 잘 활용하지 못하며, 새로운 스토리지 기술인 NVMe SSD, ZNS SSD 또는 NVDIMM에도 바로 적응하지 못하고 있습니다. 이러한 하드웨어의 특성을 고려한 새로운 데이터베이스 구조에 대한 연구가 진행되고 있습니다.

관련 연구실 작성 논문

Investigating the Effects of SQL Hints on Diverse Storage Devices through Empirical Analysis (Cluster Computing 2024)

Design and Implementation of Enabling SQL-Query Processing for Ethereum-based Blockchain Systems. (MDPI Electronics 2023)

Research Equipment

• Cori from Berkeley Lab (2018~2023, RIP)

• Perlmutter From Bekely Lab (2022~)

  • 1536 GPU nodes (A100 X 4, 40GB VRAM)

  • 256 GPU nodes (A100 X 4, 80GB VRAM)

  • 3072 CPU nodes (AMD EPYC 7763 X 2)

• National Supercomputer 5th gen from KISTI (2024~)

  • Nurion (8500 nodes with KNL and Skylake)

  • Neuron (72 nodes wigh V100&H100)

• In-house Servers

  • Manycore Server

  • ZNS Server (DC ZN540 - Supported by Western Digital)

  • Nvidia Jetson Nano