KR20160128036A - 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치 및 방법 - Google Patents

컴퓨팅 시뮬레이션 작업 필요자원 예측 장치 및 방법 Download PDF

Info

Publication number
KR20160128036A
KR20160128036A KR1020150059766A KR20150059766A KR20160128036A KR 20160128036 A KR20160128036 A KR 20160128036A KR 1020150059766 A KR1020150059766 A KR 1020150059766A KR 20150059766 A KR20150059766 A KR 20150059766A KR 20160128036 A KR20160128036 A KR 20160128036A
Authority
KR
South Korea
Prior art keywords
simulation
model
computing
predictive
value
Prior art date
Application number
KR1020150059766A
Other languages
English (en)
Other versions
KR101700832B1 (ko
Inventor
유진승
김한기
황순욱
Original Assignee
한국과학기술정보연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국과학기술정보연구원 filed Critical 한국과학기술정보연구원
Priority to KR1020150059766A priority Critical patent/KR101700832B1/ko
Publication of KR20160128036A publication Critical patent/KR20160128036A/ko
Application granted granted Critical
Publication of KR101700832B1 publication Critical patent/KR101700832B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 시뮬레이션 작업 j 에서 사용자 및 시스템에서 생성한 시뮬레이션 작업 정보 SMj를 입력받고, 상기 시뮬레이션 작업 정보 SMj로부터 예측 모델 변수를 추출하여 모델 가중 선택부로 전송하는 예측 모델 변수 추출부, 상기 예측 모델 변수 추출부로부터 수신한 상기 예측 모델 변수와, 복수의 예측 모델별로 기 설정된 예측 모델별 계수를 기 설정된 연산식을 이용하여 필요 자원 예측값을 도출하는 모델 가중 선택부를 포함하는 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치 및 예측 방법에 관한 것이다.

Description

컴퓨팅 시뮬레이션 작업 필요자원 예측 장치 및 방법 {Apparatus and method for predicting computer simulation necessary resource}
본 발명은 시뮬레이션 작업 j 에서 사용자 및 시스템에서 생성한 시뮬레이션 작업 정보 SMj를 입력받고, 상기 시뮬레이션 작업 정보 SMj로부터 예측 모델 변수를 추출하여 모델 가중 선택부로 전송하는 예측 모델 변수 추출부, 상기 예측 모델 변수 추출부로부터 수신한 상기 예측 모델 변수와, 복수의 예측 모델별로 기 설정된 예측 모델별 계수를 기 설정된 연산식을 이용하여 필요 자원 예측값을 도출하는 모델 가중 선택부를 포함하는 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치 및 예측 방법에 관한 것이다.
웹을 기반으로 하는 컴퓨팅 시뮬레이션 작업 환경에서, 사용자는 웹포털 사이트에 ID/password를 사용하여 로그인하며, 컴퓨팅 클러스터에 이미 설치되어 있는 솔버(solver; 해석자)에 대한 정보를 가지고 있는 솔버 리스트 페이지에서 사용 목적에 맞는 솔버를 선택하여 솔버에 맞는 시뮬레이션 파라미터 값들을 설정한 후에 시뮬레이션 실행을 요청하는 형태를 갖게 된다.
이 때, 사용자가 해석하고자 하는 모델에 대한 격자(mesh; 메쉬) 파일과 해석을 위한 파라미터 세트 값을 갖는 설정 파일을 컴퓨팅 클러스터에 전달하며, 워크플로우(Workflow) 엔진 모듈은 전달된 격자 파일과 파라미터 세트 설정 파일을 입력 파일로 사용하여 컴퓨팅 클러스터의 잡 스케쥴러(Job Scheduler)를 통하여 해당 솔버를 실행하게 된다.
이어, 실행된 작업은 정해진 조건 또는 시간 만료 후에, 해석된 결과가 저장된 파일이 사전 정의된 위치와 이름으로 저장되게 된다. 이는, 같은 해석자라도 사용자가 해석하고자 하는 범위, 깊이, 세밀도 등에 따라 파라미터 값에 따라 결과로 출력되는 해석 결과 파일 값의 크기나 필요한 컴퓨팅 시간도 달라질 수 있다. 해석 결과 파일은 얼마나 자주 중간 값을 기록하는지, 분석하고자 하는 격자 모델을 어느 정도 세밀하게 살펴보는지 등에 따라 그 크기가 수 KB에서 수십 GB까지 다양하게 생산될 수 있다.
한편, 컴퓨팅 시뮬레이션 수행을 위한 컴퓨팅 클러스터는 미리 정해진 컴퓨팅 코어수, 저장공간 및 네트워크로 구성된다. 컴퓨팅 클러스터는 실제 컴퓨팅이 수행되는 컴퓨팅 노드들과 이를 관리하는 헤드 노드로 구성되어 있는데, 헤드 노드에서는 사용자가 수행하는 시뮬레이션 작업을 컴퓨팅 노드에 할당하고 컴퓨팅 노드의 상태를 관리한다.
이 때, 종래의 컴퓨팅 시뮬레이션 작업은 작업별로 필요한 컴퓨팅 자원량이 클러스터 내의 사용 가능 컴퓨팅 자원량보다 적은 경우에는 바로 실행하지만, 사용 가능 컴퓨팅 자원량이 부족한 경우에는 대기 상태에 있게 된다. 따라서, 시뮬레이션 대기 상태에 있는 경우, 웹 시뮬레이션 사용자는 시뮬레이션을 수행할 수 있는 상태가 되기까지 본인들의 작업이 언제 실행될 것인지 그 시각을 명확하게 알 수 없는 불편함이 존재하였다. 또한, 컴퓨팅 시뮬레이션 작업시, 실행중인 본인의 시뮬레이션 작업의 완료 시간을 알 수 없기에, 수시로 시뮬레이션 실행 완료 여부를 확인해야 하는 단점이 있었다.
본 발명은 전술한 기존 방법의 문제점을 해결하기 위해 이루어진 것으로, 실행중인 컴퓨팅 시뮬레이션의 실행 시간 및 시뮬레이션이 필요한 저장공간 자원을 예측할 수 있는 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치를 구현하는 것을 해결 과제로 한다.
또한, 본 발명은 복수의 예측모델을 만들어 각각의 모델별로 변수 및 계수값을 설정하고, 기 설정된 연산식을 통해 필요 자원 예측값을 추출하는 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치를 구현하는 것을 해결 과제로 한다.
본 발명이 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 기술적 과제가 포함될 수 있다.
상기와 같은 과제를 해결하기 위한 본 발명의 일 실시예에 따른 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치는, 시뮬레이션 작업 j 에서 사용자 및 시스템에서 생성한 시뮬레이션 작업 정보 SMj를 입력받고, 상기 시뮬레이션 작업 정보 SMj로부터 예측 모델 변수를 추출하여 모델 가중 선택부로 전송하는 예측 모델 변수 추출부, 상기 예측 모델 변수 추출부로부터 수신한 상기 예측 모델 변수와, 복수의 예측 모델별로 기 설정된 예측 모델별 계수를 기 설정된 연산식을 이용하여 필요 자원 예측값을 도출하는 모델 가중 선택부를 포함하는 것을 특징으로 한다.
또한, 본 발명의 일 실시예에 따른 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치는, 상기 시뮬레이션 작업 정보 SMj가 시뮬레이션 해석 변수 데이터 Pj, 예측 모델 추가 변수 Uj, 메쉬 파일 위치 정보 Mj 중 적어도 하나를 포함하는 것을 특징으로 한다.
이 때, 본 발명의 일 실시예에 따른 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치는, 상기 예측 모델 변수 추출부가 상기 시뮬레이션 해석 변수 데이터 Pj로부터 예측 모델에 필요한 변수 데이터 Fj를 추출하는 상기 시뮬레이션 해석 변수 선택기, 상기 메쉬 파일 위치 정보 Mj로부터 저장되어 있는 메쉬 파일을 찾아 해당 메쉬 정보 Ej를 추출하는 메쉬 정보 추출기를 포함하는 것을 특징으로 한다.
아울러, 본 발명의 일 실시예에 따른 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치는, 상기 메쉬 정보 추출기가 메쉬를 구성하는 격자 크기, 디멘션(dimension)별 격자 크기, 디멘션별 격자 엔트로피 값 중 적어도 하나를 포함하는 메쉬 정보 Ej를 추출하는 것을 특징으로 한다.
또한, 본 발명의 일 실시예에 따른 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치는, 상기 예측 모델 추가 변수 Uj가 해석자 이름, 사용자 UID, 컴퓨팅 클러스터, 사용되는 CPU 개수 중 적어도 하나를 포함하는 것을 특징으로 한다.
또한, 본 발명의 일 실시예에 따른 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치는, 상기 모델 가중 선택부가 개인별 예측 모델P, 그룹별 예측모델G, 해석자별 예측모델S를 포함하는 복수의 예측 모델별로 예측 모델별 계수를 설정하는 것을 특징으로 한다.
이 때, 본 발명의 일 실시예에 따른 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치는, 상기 모델 가중 선택부가
Figure pat00001
연산식을 이용하여 필요 자원 예측값을 도출하는 것을 특징으로 한다. 또한, 상기 모델 가중 선택부는 필요 자원 예측값을 시간(T)과 저장공간(S)에 관한 값으로 도출하는 것을 특징으로 한다.
아울러, 본 발명의 일 실시예에 따른 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치는, 상기 모델 가중 선택부가 이미 도출한 필요 자원 예측값을 기 설정된 주기별로 상기 모델 가중 선택부에 입력하여, 시뮬레이션 수행에 다시 사용하도록 하는 재학습 처리부를 더 포함할 수 있다.
이 때, 본 발명의 일 실시예에 따른 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치는, 상기 재학습 처리부가 시뮬레이션 데이터 값, 수행 시간 결과 값, 결과 파일 크기 값 중 적어도 하나를 포함하는 값을 상기 모델 가중 선택부에 입력하는 것을 특징으로 한다.
한편, 본 발명의 일 실시예에 따른 컴퓨팅 시뮬레이션 작업 필요자원 예측 방법은, 시뮬레이션 작업 j 에서 사용자 및 시스템에서 생성한 시뮬레이션 작업 정보 SMj를 예측 모델 변수 추출부가 입력받는 단계, 예측 모델 변수 추출부가 상기 시뮬레이션 작업 정보 SMj로부터 예측 모델 변수를 추출하는 단계, 예측 모델 변수 추출부가 상기 예측 모델 변수를 모델 가중 선택부로 전송하는 단계, 모델 가중 선택부가 상기 예측 모델 변수 추출부로부터 수신한 상기 예측 모델 변수와, 복수의 예측 모델별로 기 설정된 예측 모델별 계수를 기 설정된 연산식을 이용하여 필요 자원 예측값을 도출하는 단계를 포함하는 것을 특징으로 한다.
본 발명을 통하여, 사용자의 사용 편의성 및 시스템 관리자의 관리 효율성 증진을 위해 클러스터 컴퓨팅 노드에서 실행 중인 시뮬레이션의 실행 시간 및 필요한 저장공간 자원을 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치가 정확하고 효율적으로 예측할 수 있다.
또한, 본 발명은 사용자의 시뮬레이션 작업 수행과 관련된 통계 값(수행시간, 저장공간, 평균 수행시간)은 기존에 작업 수행된 데이터를 통하여 얻을 수 있으며, 평균적인 컴퓨팅 및 저장공간 공간 사용에 대한 값을 얻어 시스템 관리자가 기존 데이터 통계 값을 이용하여 컴퓨팅 클러스터 자원 확장 및 저장공간 확장등 을 위한 기본 자료로 사용할 수 있다.
또한, 컴퓨팅 시뮬레이션이 동작중인 작업에서 필요한 정보를 얻을 수 있게 되므로, 선제적인 대응이 가능하여 많은 시간을 소요한 컴퓨팅 작업이 무용지물이 되거나 다른 시뮬레이션 작업에 나쁜 영향을 미치게 되는 현상을 미리 대응할 수 있다.
도 1은 본 발명의 일 실시예에 따른 컴퓨팅 시뮬레이션 작업 처리 시스템을 나타내는 구성도이다.
도 2는 본 발명의 일 실시예에 따른 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치를 나타내는 구성도이다.
도 3은 본 발명의 일 실시예에 따른 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치가 재학습 과정을 수행하는 상태를 나타내는 구성도이다.
도 4는 본 발명의 일 실시예에 따른 컴퓨팅 시뮬레이션 작업 필요자원 예측 방법을 나타내는 순서도이다.
이하, 첨부된 도면들을 참조하여 본 발명에 따른 '컴퓨팅 시뮬레이션 작업 필요자원 예측 장치 및 방법'을 상세하게 설명한다. 설명하는 실시 예들은 본 발명의 기술 사상을 통상의 기술자가 용이하게 이해할 수 있도록 제공되는 것으로 이에 의해 본 발명이 한정되지 않는다. 또한, 첨부된 도면에 표현된 사항들은 본 발명의 실시 예들을 쉽게 설명하기 위해 도식화된 도면으로 실제로 구현되는 형태와 상이할 수 있다.
한편, 이하에서 표현되는 각 구성부는 본 발명을 구현하기 위한 예일 뿐이다. 따라서, 본 발명의 다른 구현에서는 본 발명의 사상 및 범위를 벗어나지 않는 범위에서 다른 구성부가 사용될 수 있다. 또한, 각 구성부는 순전히 하드웨어 또는 소프트웨어의 구성만으로 구현될 수도 있지만, 동일 기능을 수행하는 다양한 하드웨어 및 소프트웨어 구성들의 조합으로 구현될 수도 있다. 또한, 하나의 하드웨어 또는 소프트웨어에 의해 둘 이상의 구성부들이 함께 구현될 수도 있다.
또한, 어떤 구성요소들을 '포함'한다는 표현은, '개방형'의 표현으로서 해당 구성요소들이 존재하는 것을 단순히 지칭할 뿐이며, 추가적인 구성요소들을 배제하는 것으로 이해되어서는 안 된다.
또한, '제1, 제2' 등과 같은 표현은, 복수의 구성들을 구분하기 위한 용도로만 사용된 표현으로써, 구성들 사이의 순서나 기타 특징들을 한정하지 않는다.
도 1은 본 발명의 일 실시예에 따른 컴퓨팅 시뮬레이션 작업 처리 시스템을 나타내는 구성도이다.
도 1을 참조하면, 컴퓨팅 시뮬레이션 작업을 처리하는 워크플로우에, 시뮬레이션 작업에 필요한 자원을 예측하는 모델을 추가한 연관 아키텍처의 구성이 개시되어 있다. 워크플로우 엔진 모듈을 통하여 해당 솔버를 실행하는 종래의 구성도에서, 시뮬레이션 작업 통계화 프로세서 및 자원예측장치(100)의 구성을 더 포함하여, 시뮬레이션 작업을 처리하는 시뮬레이션 작업 관리기(simulation management)에서 필요한 정보를 입력받고 그에 다른 예측값을 제공할 수 있다.
이 때, 사용자의 시뮬레이션 작업에서 필요한 컴퓨팅 및 저장장치 자원을 예측하는 것은 기존의 시뮬레이션 수행 결과 데이터를 사용하여 선형회귀(linear regression) 모델을 만든 후, 선형회귀 모델을 통하여 얻어진 각각의 변수별 계수값을 사용하여 예측 값을 얻고자 하는 시뮬레이션 작업에서 추출한 시뮬레이션 변수 값을 곱하여 원하는 해당 값을 얻는 형태를 취할 수 있다.
도 2는 본 발명의 일 실시예에 따른 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치를 나타내는 구성도이다.
도 2를 참조하면, 본 발명의 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치(100)은 예측 모델 변수 추출부(110) 및 모델 가중 선택부(120)를 포함할 수 있다. 시뮬레이션 작업 정보가 예측 모델 변수 추출부로 입력되면, 예측 모델에서 필요로 하는 예측 모델 변수를 추출하여 모델 가중 선택부로 전달되며, 모델 가중 선택부는 해당 사용자, 사용자가 속한 그룹, 시뮬레이션 작업에 사용되는 해석자를 기준으로 하여 각 예측 모델에서 나오는 예측 모델별 계수 값을 이용하여 모델별 가중 선택을 하게 되며, 얻어진 값을 시뮬레이션 작업에 필요한 자원의 예측 값으로 전달하게 된다.
예측 모델 변수 추출부(110)는 시뮬레이션 작업 j 에서 사용자 및 시스템에서 생성한 시뮬레이션 작업 정보 SMj를 입력받고, 상기 시뮬레이션 작업 정보 SMj로부터 예측 모델 변수를 추출하여 모델 가중 선택부로 전송한다. 이 때, 상기 시뮬레이션 작업 정보 SMj는 시뮬레이션 해석 변수 데이터 Pj, 예측 모델 추가 변수 Uj, 메쉬 파일 위치 정보 Mj 중 적어도 하나를 포함할 수 있다.
이 때, 시뮬레이션 작업 정보 SMj는 시뮬레이션 작업 j에서 사용자 및 시스템에서 생성한 시뮬레이션 작업 정보 값으로, Pj, Uj, Mj를 포함할 수 있다. 또한, Pj는 시뮬레이션 작업 j의 해석자(solver)에서 사용되는 해석 변수 벡터이며, Uj는 시뮬레이션 작업 j에서 예측 모델에 추가로 필요한 정보 벡터이며, Mj는 시뮬레이션 작업 j에서 사용한 메쉬 파일 위치 정보에 해당한다.
이 때, 예측 모델 추가 변수 Uj는 해석자 이름, 사용자 UID, 컴퓨팅 클러스터, 사용되는 CPU 개수 중 적어도 하나를 포함할 수 있으며, 메쉬 파일 위치 정보Mj는 해당 메쉬 파일이 존재하지 않는 경우 Null값으로 정의할 수 있다.
즉, 예측 모델 변수 추출부는 시뮬레이션 작업에서 사용되는 데이터 세트로 2개의 벡터 변수와 메쉬 파일 위치 정보를 입력값으로 받아, 예측 모델에서 필요로 하는 예측 모델 변수 데이터 값을 추출하여 모델 가중 선택기에 전달하게 된다. 이 때, 예측 모델 변수 데이터 값을 추출하기 위하여 예측 모델 변수 추출부(110)는 시뮬레이션 해석 변수 선택기(111) 및 메쉬 정보 추출기(112)를 포함할 수 있다.
시뮬레이션 해석 변수 선택기(111)는 상기 시뮬레이션 해석 변수 데이터 Pj로부터 예측 모델에 필요한 변수 데이터 Fj를 추출하며, 메쉬 정보 추출기(112)는 전달받은 메쉬 파일 위치 정보 Mj값을 이용하여 저장되어 있는 메쉬 파일을 찾아 해당 메쉬 정보 Ej를 추출한다. 이 때, 메쉬 정보 추출기는 메쉬를 구성하는 격자 크기, 디멘션(dimension)별 격자 크기, 디멘션별 격자 엔트로피 값 중 적어도 하나를 포함하는 메쉬 정보 Ej를 추출할 수 있다.
모델 가중 선택부(120)는 예측 모델 변수 추출부로(110)부터 수신한 상기 예측 모델 변수와, 복수의 예측 모델별로 기 설정된 예측 모델별 계수를 기 설정된 연산식을 이용하여 필요 자원 예측값을 도출한다. 이 때, 모델 가중 선택부는 개인별 예측 모델P, 그룹별 예측모델G, 해석자별 예측모델S를 포함하는 복수의 예측 모델별로 예측 모델별 계수를 설정할 수 있다.
개인별 예측 모델P은 사용자 개별로 하여 과거 시뮬레이션 작업 기록을 바탕으로 시뮬레이션 작업 결과를 예측하는 모델이다.
그룹별 예측 모델G은 사용자가 속한 그룹의 작업 기록을 바탕으로 하여 시뮬레이션 작업 결과를 예측하는 모델이다. 사용자가 속한 그룹은 보통 개인이 수강하는 수업의 사람들 작업을 모아놓은 그룹에 해당하며, 수업을 수강하는 사람들의 공통적인 주제가 비슷하므로 사전 약속한 메쉬 파일을 사용하여 시뮬레이션에 활용할 수 있다. 또한, 공통 모델을 사용하는 경우 표준 모델을 사용하여 이론적인 특성 값을 변화시키거나 분석 깊이를 달리하여 단순 수치 분석보다는 가시적인 방법을 통하여 물리적인 특성 파악이나 현상을 이해하고자 사용할 수 있다.
해석자별 예측모델S은 사전에 등록되어 있는 해석자(Solver)를 사용한 시뮬레이션 작업들을 해석자별로 모아 처리하며, 해석자에 특화된 예측 모델을 만들게 되는 것이다. 이 때, 사전에 등록되어 있는 메쉬 파일을 사용하도록 되어 있는 해석자나, 메쉬가 필요하지 않는 경우의 해석자는 시뮬레이션 작업 예측이 어느 정도 가능하다. 그러나, 사용자별 메쉬 파일을 서버에 올려서 시뮬레이션 작업을 진행하는 경우의 해석자는 메쉬 파일의 내용이 다양하여, 시뮬레이션 예측에 어려움이 있다.
이어, 모델 가중 선택부(120)는 기 설정된 연산식을 통하여 필요 자원 예측값을 도출할 수 있다. 이 때, 기 설정된 연산식은 아래의 식 1과 같이 벡터 식으로 표현될 수 있으며, 필요 자원 예측값은 시간(T)과 저장공간(S)에 관한 값으로 도출될 수 있다. 또한, 아래의 수학식1 의 Cij, Ej, Fj, Uj는 모두 벡터에 관한 식으로 계산될 수 있다.
Figure pat00002
Wi = 예측 모델 i(P, G, S)의 가중치 (0≤Wi≤1, WP + WG + WS = 1)
Ci = 예측 모델 i의 coefficient vector
이 때, ×는 스칼라 값의 곱을 뜻하며, ㆍ는 Cij와 Ej, Fj, Uj 벡터의 내적(inner product)을 말한다.
도 3은 본 발명의 일 실시예에 따른 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치가 재학습 과정을 수행하는 상태를 나타내는 구성도이다.
컴퓨팅 시뮬레이션 작업 필요자원 예측 장치(100)는 각각의 예측 모델(P, G, S)을 일정한 시간 주기로 하여 재학습 처리를 수행할 수 있는 재학습 처리부(130)를 더 포함할 수 있다.
재학습 처리부(130)는 모델 가중 선택부가 이미 도출한 필요 자원 예측값을 기 설정된 주기별로 상기 모델 가중 선택부에 입력하여, 시뮬레이션 수행에 다시 사용하도록 한다. 이 때, 재학습 처리부는 시뮬레이션 데이터 값, 수행 시간 결과 값, 결과 파일 크기 값 중 적어도 하나를 포함하는 값을 상기 모델 가중 선택부에 입력할 수 있다.
또한, 재학습 처리부는 시뮬레이션 작업 결과에서 얻어진 시뮬레이션 데이터 값과, 그 결과 값인 수행 시간과 결과 파일 크기 값을 추가로 이용하여 재학습 과정을 수행하며 예측 모델의 정확성과 신뢰성을 높일 수 있다. 이 때, 재학습 처리부는 기 설정된 주기 별로, 모델 가중 선택부가 도출한 필요 자원 예측값을 재 반영하여 시뮬레이션 작업 정보 등 입력 데이터를 갱신하여 필요 자원 예측값을 다시 도출할 수 있다.
도 4는 본 발명의 일 실시예에 따른 컴퓨팅 시뮬레이션 작업 필요자원 예측 방법을 나타내는 순서도이다.
먼저, 시뮬레이션 작업 j 에서 사용자 및 시스템에서 생성한 시뮬레이션 작업 정보 SMj를 예측 모델 변수 추출부가 입력(S410)받을 수 있다. 이어, 예측 모델 변수 추출부가 상기 시뮬레이션 작업 정보 SMj로부터 예측 모델 변수를 추출(S420)하며, 예측 모델 변수 추출부가 상기 예측 모델 변수를 모델 가중 선택부로 전송(S430)할 수 있다. 모델 가중 선택부는 상기 예측 모델 변수 추출부로부터 수신한 상기 예측 모델 변수와, 복수의 예측 모델별로 기 설정된 예측 모델별 계수를 기 설정된 연산식을 이용하여 필요 자원 예측값을 도출(S440)할 수 있다.
한편, 이상에서 살펴본 본 발명의 일 실시 예에 따른 '컴퓨팅 시뮬레이션 작업 필요자원 예측 방법'은, 카테고리는 상이하지만 본 발명의 일 실시 예에 따른 '컴퓨팅 시뮬레이션 작업 필요자원 예측 장치'와 실질적으로 동일한 기술적 특징을 포함할 수 있다.
따라서, 중복 기재를 방지하기 위하여 자세히 기재하지는 않았지만, 상기 '컴퓨팅 시뮬레이션 작업 필요자원 예측 장치'과 관련하여 상술한 특징들은, 본 발명은 일 실시 예에 따른 '컴퓨팅 시뮬레이션 작업 필요자원 예측 방법'에도 당연히 유추 적용될 수 있다. 또한, 반대로, 상기 '컴퓨팅 시뮬레이션 작업 필요자원 예측 방법'과 관련하여 상술한 특징들은 상기 '컴퓨팅 시뮬레이션 작업 필요자원 예측 장치'에도 당연히 유추 적용될 수 있다.
위에서 설명된 본 발명의 실시 예들은 예시의 목적을 위해 개시된 것이며, 이들에 의하여 본 발명이 한정되는 것은 아니다. 또한, 본 발명에 대한 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 사상과 범위 안에서 다양한 수정 및 변경을 가할 수 있을 것이며, 이러한 수정 및 변경은 본 발명의 범위에 속하는 것으로 보아야 할 것이다.
100: 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치
110: 예측 모델 변수 추출부
111: 시뮬레이션 해석 변수 선택기
112: 메쉬 정보 추출기
120: 모델 가중 선택부
130: 재학습 처리부

Claims (11)

  1. 시뮬레이션 작업 j 에서 사용자 및 시스템에서 생성한 시뮬레이션 작업 정보 SMj를 입력받고, 상기 시뮬레이션 작업 정보 SMj로부터 예측 모델 변수를 추출하여 모델 가중 선택부로 전송하는 예측 모델 변수 추출부;
    상기 예측 모델 변수 추출부로부터 수신한 상기 예측 모델 변수와, 복수의 예측 모델별로 기 설정된 예측 모델별 계수를 기 설정된 연산식을 이용하여 필요 자원 예측값을 도출하는 모델 가중 선택부;
    를 포함하는 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치.
  2. 제 1항에 있어서,
    상기 시뮬레이션 작업 정보 SMj는,
    시뮬레이션 해석 변수 데이터 Pj, 예측 모델 추가 변수 Uj, 메쉬 파일 위치 정보 Mj 중 적어도 하나를 포함하는 것을 특징으로 하는 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치.
  3. 제 2항에 있어서,
    상기 예측 모델 변수 추출부는,
    상기 시뮬레이션 해석 변수 데이터 Pj로부터 예측 모델에 필요한 변수 데이터 Fj를 추출하는 상기 시뮬레이션 해석 변수 선택기;
    상기 메쉬 파일 위치 정보 Mj로부터 저장되어 있는 메쉬 파일을 찾아 해당 메쉬 정보 Ej를 추출하는 메쉬 정보 추출기;
    를 포함하는 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치.
  4. 제 3항에 있어서,
    상기 메쉬 정보 추출기는,
    메쉬를 구성하는 격자 크기, 디멘션(dimension)별 격자 크기, 디멘션별 격자 엔트로피 값 중 적어도 하나를 포함하는 메쉬 정보 Ej를 추출하는 것을 특징으로 하는 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치.
  5. 제 2항에 있어서,
    상기 예측 모델 추가 변수 Uj는,
    해석자 이름, 사용자 UID, 컴퓨팅 클러스터, 사용되는 CPU 개수 중 적어도 하나를 포함하는 것을 특징으로 하는 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치.
  6. 제 1항에 있어서,
    상기 모델 가중 선택부는,
    개인별 예측 모델P, 그룹별 예측모델G, 해석자별 예측모델S를 포함하는 복수의 예측 모델별로 예측 모델별 계수를 설정하는 것을 특징으로 하는 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치.
  7. 제 6항에 있어서,
    상기 모델 가중 선택부는,
    Figure pat00003

    연산식을 이용하여 필요 자원 예측값을 도출하는 것을 특징으로 하는 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치.
  8. 제 6항에 있어서,
    상기 모델 가중 선택부는,
    필요 자원 예측값을 시간(T)과 저장공간(S)에 관한 값으로 도출하는 것을 특징으로 하는 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치.
  9. 제 1항에 있어서,
    상기 모델 가중 선택부가 이미 도출한 필요 자원 예측값을 기 설정된 주기별로 상기 모델 가중 선택부에 입력하여, 시뮬레이션 수행에 다시 사용하도록 하는 재학습 처리부;
    를 더 포함하는 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치.
  10. 제 9항에 있어서,
    상기 재학습 처리부는,
    시뮬레이션 데이터 값, 수행 시간 결과 값, 결과 파일 크기 값 중 적어도 하나를 포함하는 값을 상기 모델 가중 선택부에 입력하는 것을 특징으로 하는 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치.
  11. 시뮬레이션 작업 j 에서 사용자 및 시스템에서 생성한 시뮬레이션 작업 정보 SMj를 예측 모델 변수 추출부가 입력받는 단계;
    예측 모델 변수 추출부가 상기 시뮬레이션 작업 정보 SMj로부터 예측 모델 변수를 추출하는 단계;
    예측 모델 변수 추출부가 상기 예측 모델 변수를 모델 가중 선택부로 전송하는 단계;
    모델 가중 선택부가 상기 예측 모델 변수 추출부로부터 수신한 상기 예측 모델 변수와, 복수의 예측 모델별로 기 설정된 예측 모델별 계수를 기 설정된 연산식을 이용하여 필요 자원 예측값을 도출하는 단계;
    를 포함하는 컴퓨팅 시뮬레이션 작업 필요자원 예측 방법.
KR1020150059766A 2015-04-28 2015-04-28 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치 및 방법 KR101700832B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150059766A KR101700832B1 (ko) 2015-04-28 2015-04-28 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150059766A KR101700832B1 (ko) 2015-04-28 2015-04-28 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20160128036A true KR20160128036A (ko) 2016-11-07
KR101700832B1 KR101700832B1 (ko) 2017-02-01

Family

ID=57529923

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150059766A KR101700832B1 (ko) 2015-04-28 2015-04-28 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR101700832B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101977570B1 (ko) * 2018-11-23 2019-05-10 주식회사 환경과학기술 지구시스템 예측 모델 간 플렉시블(flexible) 접합 장치 및 지구시스템 예측 모델 간 플렉시블(flexible) 접합 방법
CN109784615A (zh) * 2018-12-04 2019-05-21 华东师范大学 一种数字化学习资源应用成效的计算方法
JP2020135756A (ja) * 2019-02-25 2020-08-31 ナブテスコ株式会社 ジョブ計算時間予測装置、ジョブ計算モデル生成装置、ジョブ計算時間予測方法およびジョブ計算モデル生成方法
KR20210077566A (ko) * 2019-12-17 2021-06-25 경북대학교 산학협력단 시뮬레이션 실행 시간 예측 장치 및 예측 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH103302A (ja) * 1996-06-17 1998-01-06 Fuji Electric Co Ltd モデル予測制御方法
JP2008305019A (ja) * 2007-06-05 2008-12-18 Mitsubishi Electric Corp シミュレーション装置及びシミュレーション方法及びプログラム
KR20110057543A (ko) * 2009-11-24 2011-06-01 한국과학기술정보연구원 계산 시뮬레이션 모사 시스템 및 그 방법
KR20120040851A (ko) 2010-10-20 2012-04-30 인하대학교 산학협력단 그리드 생체정보 인증 시스템에서의 부하 분산 스케줄링을 위한 시뮬레이션 기반 작업부하 예측모델 선택 시스템 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH103302A (ja) * 1996-06-17 1998-01-06 Fuji Electric Co Ltd モデル予測制御方法
JP2008305019A (ja) * 2007-06-05 2008-12-18 Mitsubishi Electric Corp シミュレーション装置及びシミュレーション方法及びプログラム
KR20110057543A (ko) * 2009-11-24 2011-06-01 한국과학기술정보연구원 계산 시뮬레이션 모사 시스템 및 그 방법
KR20120040851A (ko) 2010-10-20 2012-04-30 인하대학교 산학협력단 그리드 생체정보 인증 시스템에서의 부하 분산 스케줄링을 위한 시뮬레이션 기반 작업부하 예측모델 선택 시스템 및 방법

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101977570B1 (ko) * 2018-11-23 2019-05-10 주식회사 환경과학기술 지구시스템 예측 모델 간 플렉시블(flexible) 접합 장치 및 지구시스템 예측 모델 간 플렉시블(flexible) 접합 방법
CN109784615A (zh) * 2018-12-04 2019-05-21 华东师范大学 一种数字化学习资源应用成效的计算方法
CN109784615B (zh) * 2018-12-04 2023-05-16 华东师范大学 一种数字化学习资源应用成效的计算方法
JP2020135756A (ja) * 2019-02-25 2020-08-31 ナブテスコ株式会社 ジョブ計算時間予測装置、ジョブ計算モデル生成装置、ジョブ計算時間予測方法およびジョブ計算モデル生成方法
KR20210077566A (ko) * 2019-12-17 2021-06-25 경북대학교 산학협력단 시뮬레이션 실행 시간 예측 장치 및 예측 방법

Also Published As

Publication number Publication date
KR101700832B1 (ko) 2017-02-01

Similar Documents

Publication Publication Date Title
US8285836B2 (en) Policy creation support method, policy creation support system, and program therefor
US7107187B1 (en) Method for modeling system performance
Bilsel et al. Ishikawa cause and effect diagrams using capture recapture techniques
Spinner et al. Librede: A library for resource demand estimation
KR101700832B1 (ko) 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치 및 방법
US20130024167A1 (en) Computer-Implemented Systems And Methods For Large Scale Automatic Forecast Combinations
CN110942086A (zh) 数据预测优化方法、装置、设备及可读存储介质
US10909503B1 (en) Snapshots to train prediction models and improve workflow execution
WO2011145116A2 (en) System and method for sql performance assurance services
WO2008045709A1 (en) Method and apparatus for performing capacity planning and resource optimization in a distributed system
Willnecker et al. Comparing the accuracy of resource demand measurement and estimation techniques
Chen et al. Trace-based analysis and prediction of cloud computing user behavior using the fractal modeling technique
Walter et al. Asking" What"?, Automating the" How"? The Vision of Declarative Performance Engineering
KR101080974B1 (ko) 계산 시뮬레이션 모사 시스템 및 그 방법
JP2006048702A (ja) トランザクションベースの性能モデルの自動構成
Tertilt et al. Generic performance prediction for ERP and SOA applications
JP6658507B2 (ja) 負荷推定システム、情報処理装置、負荷推定方法、及び、コンピュータ・プログラム
JP7087682B2 (ja) 時空間イベントデータ推定装置、方法、及びプログラム
RU2019128272A (ru) Способ и система для определения производительности пользователя в компьютерной краудсорсинговой среде
CN109711555A (zh) 一种预测深度学习模型单轮迭代时间的方法和系统
Li et al. The extreme counts: modeling the performance uncertainty of cloud resources with extreme value theory
Moldovan et al. On analyzing elasticity relationships of cloud services
Ibrahim et al. Presence: Performance metrics models for cloud saas web services
CN114450645A (zh) 智能过程异常检测和趋势预估系统
Kattner et al. A method for the expert-based identification of engineering change propagation

Legal Events

Date Code Title Description
A201 Request for examination
AMND Amendment
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant