KR20200109819A - 전자 장치 및 이의 제어 방법 - Google Patents

전자 장치 및 이의 제어 방법 Download PDF

Info

Publication number
KR20200109819A
KR20200109819A KR1020190029520A KR20190029520A KR20200109819A KR 20200109819 A KR20200109819 A KR 20200109819A KR 1020190029520 A KR1020190029520 A KR 1020190029520A KR 20190029520 A KR20190029520 A KR 20190029520A KR 20200109819 A KR20200109819 A KR 20200109819A
Authority
KR
South Korea
Prior art keywords
artificial intelligence
container
loaded
model
containers
Prior art date
Application number
KR1020190029520A
Other languages
English (en)
Inventor
김근섭
황정동
박재만
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020190029520A priority Critical patent/KR20200109819A/ko
Priority to US17/438,218 priority patent/US20220179661A1/en
Priority to PCT/KR2020/000230 priority patent/WO2020184827A1/ko
Priority to EP20769450.6A priority patent/EP3933585A4/en
Publication of KR20200109819A publication Critical patent/KR20200109819A/ko

Links

Images

Classifications

    • 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
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • 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
    • 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
    • G06F9/445—Program loading or initiating
    • 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
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • 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
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/5055—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering software capabilities, i.e. software resources associated or available to the machine
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biomedical Technology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

서버리스(serverless) 플랫폼에 기반한 인공지능 서비스 제공 방법이 개시된다. 본 제공 방법은, 복수의 컨테이너의 속성 및 모델 스토어에 등록된 복수의 인공지능 모델의 속성에 기초하여 인공지능 모델이 로딩될 컨테이너를 판단하는 단계, 컨테이너에 인공지능 모델을 로딩하는 단계, 클라이언트로부터 인공지능 서비스에 대한 요청이 수신되면, 데이터베이스로부터 요청된 인공지능 서비스에 대응되는 함수를 획득하는 단계, 요청된 인공지능 서비스에 대응되는 인공지능 모델이 로딩된 컨테이너를 판단하는 단계, 컨테이너에서 획득된 함수를 실행하여 컨테이너에 로딩된 인공지능 모델로부터 요청에 대한 데이터를 획득하는 단계 및 획득된 데이터를 클라이언트에게 전송하는 단계를 포함한다.

Description

전자 장치 및 이의 제어 방법 {ELECTRONIC APPARATUS AND CONTROLLING METHOD THEREOF}
본 개시는 전자 장치 및 이의 제어방법에 관한 것으로, 더욱 상세하게는 서버리스 기반 시스템에서 인공지능 서비스를 제공하는 전자 장치 및 이의 제어방법에 대한 것이다.
최근 클라우드 컴퓨팅(cloud computing) 기술이 발달하면서, 컨테이너(Container) 기반 컴퓨팅 기술 및 서버리스(serverless)기반 컴퓨팅 기술에 대한 관심이 증가하고 있다.
특히, 요즘은 컨테이너 기반 컴퓨팅 기술과 인공지능 기술이 결합되어, 컨테이너 기반 컴퓨팅 환경에서 인공지능 서비스(Artificial Intelligence Service, AI Service)를 제공하는 기술이 널리 사용되고 있다.
이와 관련하여, 도 1은 종래의 컨테이너 기반 컴퓨팅 시스템에서 제공되는 인공지능 서비스를 설명하기 위한 도면이다.
컨테이너 기반 환경에서 인공지능 모델 클라이언트(또는 인공지능 모델 개발자)는 학습된 인공지능 모델 파일, 학습된 모델에 대한 model prediction code 및 인공지능 모델에 대한 operation 정보를 인공지능 서비스 클라이언트(또는 인공지능 서비스 개발자)에게 제공할 수 있다. 여기에서, 학습된 인공지능 모델 파일은 학습된 인공지능 모델의 히든 레이어(hidden layer) 및 인공 지능 모델이 결과 값으로 출력하는 레이블링(labeling) 정보를 포함한 파일이고, 학습된 모델에 대한 model prediction code는 학습된 모델의 입력 값에 대한 결과 값을 얻기 위해 필요한 코드 또는 프로그램을 포함하며, 인공지능 모델에 대한 operation 정보는 인공지능 모델을 이용하는데 최소한으로 필요한 CPU, GPU, 메모리 등의 리소스(resource) 정보를 포함할 수 있다.
컨테이너 기반 환경에서 인공지능 서비스 클라이언트는 인공지능 모델 클라이언트로부터 획득된 학습된 인공지능 모델 파일 및 학습된 모델에 대한 prediction code를 반영하여 인공지능 서비스를 제공하는 함수를 생성하고, 생성된 함수를 인공지능 서비스 서버(Artificial Intelligence Server, AI Server)에 제공할 수 있다.
그리고, 인공지능 서비스를 이용하려는 클라이언트는 인공지능 서비스 서버에 인공지능 서비스를 요청하고, 서버는 서비스 클라이언트에 의해 제공된 함수를 실행하여 획득한 결과 값을 클라이언트에게 제공할 수 있다.
한편, 컨테이너 기반 환경에서 인공지능 서비스 클라이언트는 인공지능 서비스를 제공하기 위한 컨테이너를 생성하고, 이를 인공지능 서비스 서버(Artificial Intelligence Server, AI Server)에 제공할 수 있다.
인공지능 서비스 클라이언트는 컨테이너 내에 학습된 인공지능 모델 파일(또는 모델 바이너리(binary)) 및 REST(Representational State Transfer)ful API Server를 구현할 수 있다. 구체적으로, 인공지능 서비스 클라이언트는 컨테이너 내에 컨테이너의 Auto scaling, 고가용성(High Availability) 등을 보장하는 RESTful API Server 서버를 생성하고 이를 관리할 수 있다.
한편, 컨테이너 기반 인공지능 서비스 제공 환경에서는 컨테이너의 고가용성을 위하여, 즉, 컨테이너가 항상 유지될 수 있도록 하기 위하여, 하나의 인공지능 서비스에 대한 복수의 컨테이너가 제공될 수 있다.
인공지능 서비스 클라이언트에 의해 제공된 컨테이너는 인공지능 서비스 서버의 CPU 또는 GPU를 이용하여 인공지능 서비스를 클라이언트에 제공할 수 있다. 이를 위하여, 인공지능 서비스 클라이언트는 컨테이너의 유지 및 관리에 필요한 인공지능 서비스 서버의 CPU, GPU, 메모리 등의 리소스를 컨테이너에 할당(provisioning)할 수 있다.
CPU를 이용하여 인공지능 서비스가 제공되는 경우, 인공지능 서비스의 수행 속도 등 효율이 낮다는 단점이 있으며, GPU를 이용하여 인공지능 서비스가 제공되는 경우, GPU 가격이 비싸다는 점에서 비용이 많이 든다는 단점이 있다.
이에 따라, 컨테이너 기반 환경에서 인공지능 서비스를 제공하는 대신, 서버리스(serverless)환경에서 인공지능 서비스를 제공하려는 시도가 나타나고 있다.
서버리스 컴퓨팅은 개발자가 서버의 프로비저닝이나 운영을 신경 쓸 필요 없이, 어플리케이션의 소스 코드(또는 함수(function))만 작성해서 서버에 등록하면 플랫폼이 알아서 해당 코드를 실행해주고 결과를 반환해주는 시스템이다.
서버리스란 단어 자체로 보면 서버가 없다고 생각할 수 있지만 물리적으로 서버가 존재하지 않다는 것을 의미하지는 않는다. 서버리스 컴퓨팅은 이벤트 기반으로 필요할 때만 리소스를 사용하는 방식을 제공하는 것으로서, 해당 이벤트에 대해 별도로 할당된 전용 서버가 없다는 의미에서 서버리스라고 부른다.
본 개시의 목적은 서버리스 컴퓨팅 시스템 환경에서 인공지능 서비스를 제공하는 전자 장치 및 이의 제어방법을 제공함에 있다.
본 개시의 일 실시 예에 따른 서버리스(serverless) 플랫폼에 기반한 인공지능 서비스 제공 방법은, 인공지능 모델을 위한 라이브러리가 로딩된 복수의 컨테이너의 속성 및 모델 스토어에 등록된 복수의 인공지능 모델의 속성에 기초하여, 인공지능 모델이 로딩될 컨테이너를 판단하는 단계, 상기 컨테이너에 로딩된 라이브러리를 바탕으로 상기 컨테이너에 상기 인공지능 모델을 로딩하는 단계, 클라이언트로부터 인공지능 서비스에 대한 요청이 수신되면, 복수의 함수를 포함하는 데이터베이스로부터 상기 요청된 인공지능 서비스에 대응되는 함수를 획득하는 단계, 인공지능 모델이 로딩된 상기 복수의 컨테이너 중에서 상기 인공지능 서비스에 대응되는 인공지능 모델이 로딩된 컨테이너를 판단하는 단계, 상기 컨테이너에서 상기 컨테이너에 로딩된 라이브러리를 바탕으로 상기 획득된 함수를 실행하여, 상기 판단된 컨테이너에 로딩된 인공지능 모델로부터 상기 요청에 대한 데이터를 획득하는 단계; 및 상기 획득된 데이터를 상기 클라이언트로 전송하는 단계를 포함할 수 있다.
그리고, 상기 인공지능 모델이 로딩될 컨테이너를 판단하는 단계는, 상기 복수의 컨테이너에 할당된 리소스 및 상기 복수의 인공지능 모델에 요구되는 리소스에 기초하여 상기 인공지능 모델이 로딩될 상기 컨테이너를 판단하는 단계를 포함할 수 있다.
또한, 상기 인공지능 모델이 로딩될 컨테이너를 판단하는 단계는, 상기 복수의 컨테이너 각각에 할당된 리소스 및 상기 각 컨테이너에 로딩된 인공지능 모델에 요구되는 리소스에 기초하여 상기 각 컨테이너에서 사용 가능한 리소스를 판단하고, 상기 판단된 리소스에 기초하여 상기 인공지능 모델이 로딩될 상기 컨테이너를 판단하는 단계를 포함할 수 있다.
그리고, 상기 인공지능 모델이 로딩될 컨테이너를 판단하는 단계는, 상기 모델 스토어에 인공지능 모델이 등록되는 경우, 상기 복수의 컨테이너의 속성 및 상기 등록된 인공지능 모델의 속성에 기초하여 상기 등록된 인공지능 모델이 로딩될 컨테이너를 판단하는 단계를 포함할 수 있다.
또한, 상기 컨테이너가 제1 상태인 상태에서 상기 획득된 함수를 실행하면, 상기 컨테이너의 상태를 제2 상태인 것으로 판단하는 단계; 및
상기 복수의 컨테이너 중 제1 상태인 컨테이너의 개수가 기 설정된 개수 미만이면, 새로운 컨테이너를 생성하는 단계;를 더 포함할 수 있다.
그리고, 상기 획득된 함수를 실행한 컨테이너가 기설정된 시간 동안 상기 컨테이너에 포함된 모델을 이용하는 인공지능 서비스에 대한 요청을 수신하지 않은 경우, 상기 획득된 함수를 실행한 컨테이너를 킬(kill)하는 단계;를 더 포함할 수 있다.
여기에서, 상기 인공지능 모델이 로딩될 컨테이너를 판단하는 단계는, 상기 킬 된 컨테이너를 제외한 나머지 컨테이너의 속성 및 상기 킬 된 컨테이너에 로딩되어 있던 인공지능 모델의 속성에 기초하여 상기 킬 된 컨테이너에 로딩되어 있던 인공지능 모델이 새롭게 로딩될 컨테이너를 판단하는 단계를 포함할 수 있다.
그리고, 상기 복수의 컨테이너는, GPU(Graphic Processing Unit) 또는 CPU(Central Processing Unit)를 기반으로 상기 클라이언트 장치에서 요청된 인공지능 서비스에 대응되는 함수를 실행할 수 있다.
또한, 각 컨테이너에서의 상기 클라이언트 장치에서 요청된 인공지능 서비스에 대응되는 함수의 실행 시간에 대한 정보를 수집하는 단계;를 더 포함하고, 상기 인공지능 모델이 로딩될 컨테이너를 판단하는 단계는, 상기 수집된 정보를 바탕으로 상기 GPU 기반의 컨테이너 및 상기 CPU 기반의 컨테이너 중에서 상기 함수가 실행될 컨테이너를 판단하는 단계를 포함할 수 있다.
한편, 본 개시의 일 실시 예에 따른 서버리스(serverless) 플랫폼에 기반하여 인공지능 서비스를 제공하는 전자 장치는 통신부, 복수의 함수를 포함하는 데이터베이스를 포함하는 메모리, 및 인공지능 모델을 위한 라이브러리가 로딩된 복수의 컨테이너의 속성 및 모델 스토어에 등록된 복수의 인공지능 모델의 속성에 기초하여, 인공지능 모델이 로딩될 컨테이너를 판단하고, 상기 컨테이너에 로딩된 라이브러리를 바탕으로 상기 컨테이너에 상기 인공지능 모델을 로딩하고, 상기 통신부를 통해 클라이언트 장치로부터 인공지능 서비스에 대한 요청이 수신되면, 상기 데이터베이스로부터 상기 요청된 인공지능 서비스에 대응되는 함수를 획득하고, 상기 복수의 컨테이너 중에서 상기 요청된 인공지능 서비스에 대응되는 인공지능 모델이 로딩된 컨테이너를 판단하고, 상기 인공지능 서비스에 대응되는 인공지능 모델이 로딩된 컨테이너에서 상기 컨테이너에 로딩된 라이브러리를 바탕으로 상기 획득된 함수를 실행하여, 상기 판단된 컨테이너에 로딩된 인공지능 모델로부터 상기 요청에 대한 데이터를 획득하고, 상기 획득된 데이터를 상기 통신부를 통해 상기 클라이언트로 전송하는 프로세서를 포함할 수 있다.
그리고, 상기 프로세서는, 상기 복수의 컨테이너에 할당된 리소스 및 상기 복수의 인공지능 모델에 요구되는 리소스에 기초하여 상기 인공지능 모델이 로딩될 상기 컨테이너를 판단할 수 있다.
또한, 상기 프로세서는, 상기 복수의 컨테이너 각각에 할당된 리소스 및 상기 각 컨테이너에 로딩된 인공지능 모델에 요구되는 리소스에 기초하여 상기 각 컨테이너에서 사용 가능한 리소스를 판단하고, 상기 판단된 리소스에 기초하여 상기 인공지능 모델이 로딩될 상기 컨테이너를 판단할 수 있다.
그리고, 상기 프로세서는, 상기 모델 스토어에 인공지능 모델이 등록되는 경우, 상기 복수의 컨테이너의 속성 및 상기 등록된 인공지능 모델의 속성에 기초하여 상기 등록된 인공지능 모델이 로딩될 컨테이너를 판단할 수 있다.
또한, 상기 프로세서는, 상기 컨테이너가 제1 상태인 상태에서 상기 획득된 함수를 실행하면, 상기 컨테이너의 상태가 제2 상태인 것으로 판단하고, 상기 복수의 컨테이너 중 제1 상태인 컨테이너의 개수가 기 설정된 수 미만이면, 새로운 컨테이너를 생성할 수 있다.
그리고, 상기 프로세서는, 상기 획득된 함수를 실행한 컨테이너가 기 설정된 시간 동안 상기 컨테이너에 포함된 모델을 이용하는 인공지능 서비스에 대한 요청을 수신하지 않은 경우, 상기 획득된 함수를 실행한 컨테이너를 킬(kill) 할 수 있다.
또한, 상기 프로세서는, 상기 킬 된 컨테이너를 제외한 나머지 컨테이너의 속성 및 상기 킬 된 컨테이너에 로딩되어 있던 인공지능 모델의 속성에 기초하여 상기 킬 된 컨테이너에 로딩되어 있던 인공지능 모델이 새롭게 로딩될 컨테이너를 판단할 수 있다.
그리고, 상기 복수의 컨테이너는, GPU(Graphic Processing Unit) 또는 CPU(Central Processing Unit)를 기반으로 상기 클라이언트 장치에서 요청된 인공지능 서비스에 대응되는 함수를 실행할 수 있다.
또한, 상기 프로세서는, 각 컨테이너에서의 상기 클라이언트 장치에서 요청된 인공지능 서비스에 대응되는 함수의 실행 시간에 대한 정보를 수집하고, 상기 수집된 정보를 바탕으로 상기 함수가 실행될 컨테이너를 판단할 수 있다.
본 개시에 따른 전자 장치는 서버리스 컴퓨팅 시스템 환경에서 리소스를 효율적으로 이용하면서 인공지능 서비스를 제공할 수 있다.
도 1은 종래의 컨테이너 컴퓨팅 시스템을 설명하기 위한 도면,
도 2는 본 개시의 전자 장치를 포함하는 서버리스 컴퓨팅 시스템을 설명하기 위한 도면,
도 3은 본 개시의 일 실시 예에 따른 전자 장치의 구성을 설명하기 위한 블록도,
도 4는 본 개시의 일 실시 예에 따른 컨테이너를 설명하기 위한 도면,
도 5는 본 개시의 일 실시 예에 따라 클라이언트의 요청에 대응되는 인공지능 서비스를 제공하는 전자 장치를 설명하기 위한 도면, 및
도 6은 본 개시의 일 실시 예에 따른 전자 장치를 제어하는 방법을 설명하기 위한 흐름도이다.
이하, 본 개시의 다양한 실시 예가 기재된다. 그러나, 이는 본 개시의 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 개시의 실시 예들의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다.
본 문서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 문서에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 문서에서 사용된 "제1," "제2," "첫째," 또는 "둘째," 등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 예를 들면, 제1 사용자 기기와 제2 사용자 기기는, 순서 또는 중요도와 무관하게, 서로 다른 사용자 기기를 나타낼 수 있다. 예를 들면, 본 문서에 기재된 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 바꾸어 명명될 수 있다.
본 문서에서 사용된 "모듈", "유닛", "부(part)" 등과 같은 용어는 적어도 하나의 기능이나 동작을 수행하는 구성요소를 지칭하기 위한 용어이며, 이러한 구성요소는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 "모듈", "유닛", "부(part)" 등은 각각이 개별적인 특정한 하드웨어로 구현될 필요가 있는 경우를 제외하고는, 적어도 하나의 모듈이나 칩으로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제 3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 문서에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
본 문서에서 사용된 용어들은 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 다른 실시예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 용어들은 본 문서에 기재된 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 본 문서에 사용된 용어들 중 일반적인 사전에 정의된 용어들은, 관련 기술의 문맥상 가지는 의미와 동일 또는 유사한 의미로 해석될 수 있으며, 본 문서에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 문서에서 정의된 용어일지라도 본 문서의 실시예들을 배제하도록 해석될 수 없다.
이하에서는 도면을 참조하여 본 개시에 대해 더욱 상세히 설명하도록 한다. 다만, 본 개시를 설명함에 있어서, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
본 개시의 실시 예들을 서버리스 컴퓨팅 시스템과 관련된다. 서버리스 컴퓨팅 시스템은 클라이언트로부터 요청된 이벤트에 대한 코드를 실행하여 응답하는 클라우드 컴퓨팅 방식을 제공할 수 있다. 여기서 서버리스, 즉, 서버가 없다는 표현은 해당 이벤트에 대해 별도로 할당된 서버가 없어, 개발자가 인프라 및 플랫폼 관리를 할 필요가 없다는 의미이다.
도 2는 본 개시의 전자 장치를 포함하는 서버리스 컴퓨팅 시스템을 설명하기 위한 도면이다.
도 2에 도시된 바와 같이, 서버리스 컴퓨팅 시스템(1000)은 전자 장치(100), 인공지능 서비스 클라이언트(200), 인공지능 모델 클라이언트(300) 및 클라이언트(400)를 포함할 수 있다.
본 개시의 전자 장치(100)는 클라이언트(400)에게 인공지능 서비스를 제공할 수 있다.
본 개시에서 인공지능 서비스는 전자 장치(100)를 통하여 클라이언트(400)에게 제공되는 서비스로, 구체적으로, 전자 장치(100)에 포함된 인공지능 모델을 이용하여 클라이언트(400)에게 제공되는 모든 서비스를 지칭하는 것일 수 있다.
예를 들어, 본 개시의 인공지능 서비스는, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성, 오브젝트 인식, 오브젝트 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용), 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등과 같은 기능을 수행하는 인공지능 모델을 이용하여 클라이언트(400)에게 적절한 서비스를 제공하는 서비스 중 어느 하나가 될 수 있다.
인공지능 서비스를 제공하기 위하여, 전자 장치(100)는 인공지능 서비스 클라이언트(300)로부터 인공지능 서비스 함수(AI service function)를 제공받아 전자 장치(100)에 저장할 수 있다.
여기에서, 인공지능 서비스 클라이언트(300)는 인공지능 서비스 개발자의 전자 장치에 대응될 수 있다.
인공지능 서비스 클라이언트(300)는 인공지능 서비스에 대응되는 함수를 생성하고 이를 전자 장치(100)에 제공할 수 있다. 인공지능 서비스에 대응되는 함수는 인공지능 서비스의 특정 작업을 수행하는 코드들의 집합으로, 인공지능 모델 클라이언트(200)가 제공한 model prediction code를 포함할 수 있다.
구체적으로, 인공지능 서비스 클라이언트(300)는 모델 스토어(model store)(미도시)에 등록된 학습된 인공지능 모델 및 model prediction code를 선택할 수 있다.
인공지능 서비스 클라이언트(300)는 선택된 인공지능 모델 및 model prediction code를 기초로 특정 작업을 수행하는 인공지능 서비스 함수를 생성할 수 있으며, 이를 전자 장치(100)에 제공할 수 있다.
한편, 인공지능 모델 클라이언트(200)는 학습된 인공지능 모델 파일, model prediction code 및 인공지능 모델에 대한 operation 정보를 모델 스토어(미도시)에 등록할 수 있다. 학습된 인공지능 모델 파일은 학습된 인공지능 모델의 히든 레이어(hidden layer) 및 인공 지능 모델이 결과 값으로 출력하는 레이블링(labeling) 정보를 포함한 파일이고, model prediction code는 학습된 모델의 입력 값에 대한 결과 값을 얻기 위해 필요한 코드의 집합(또는 프로그램)을 나타내며, 인공지능 모델에 대한 operation 정보는 인공지능 모델을 이용하는데 최소한으로 필요한 CPU, GPU, 메모리 등의 리소스(resource) 정보를 포함할 수 있다.
또한, 인공지능 모델 클라이언트(200)는 전자 장치(100)가 제공하는 인터페이스(Interface)를 이용하여 학습된 인공지능 모델, model prediction code 및 인공지능 모델에 대한 operation 정보를 모델 스토어(미도시)에 등록할 수 있다.
인공지능 모델 클라이언트(200)는 인공지능 모델 개발자의 전자 장치에 대응될 수 있다.
한편, 클라이언트(400)는 인공지능 서비스를 이용하고자 하는 사용자의 전자 장치에 대응될 수 있다.
클라이언트(400)는 전자 장치(100)에 특정 인공지능 서비스를 요청할 수 있다. 이 경우, 전자 장치(100)는 복수의 인공지능 서비스 클라이언트(300)가 제공한 복수의 인공지능 서비스 함수 중 클라이언트(400)가 요청한 인공지능 서비스에 대응되는 인공지능 서비스 함수를 이용하여 클라이언트(400)에 인공지능 서비스를 제공할 수 있다.
한편, 전자 장치(100)는 클라우드 서버, 인공지능 서버 등과 같은 서버로 구현될 수 있다. 다만 이에 한정되는 것은 아니고 어떠한 전자 장치로도 구현될 수 있다.
인공지능 모델 클라이언트(200), 인공지능 서비스 클라이언트(300) 및 클라이언트(400)는 하드웨어 클라이언트, 소프트웨어 클라이언트, 애플리케이션 등일 수 있다. 본 개시의 일 실시 예에 따르면, 인공지능 서비스 클라이언트(200), 인공지능 모델 클라이언트(300) 및 클라이언트(400)는 데스크탑, 태블릿 PC, 노트북, 휴대폰, IoT 디바이스, 웨어러블 디바이스(wearable device) 등과 같은 전자 장치로 구현될 수 있다.
도 3은 본 개시의 일 실시 예에 따른 전자 장치의 구성을 설명하기 위한 블록도이다.
도 3을 참조하면, 본 개시의 일 실시 예에 따른 전자 장치(100)는 통신부(110), 메모리(120) 및 프로세서(130)를 포함할 수 있다.
통신부(110)는 프로세서(130)의 제어에 의해 외부 장치와 데이터 또는 신호를 송수신할 수 있다. 여기에서, 외부 장치는 도 2의 인공지능 모델 클라이언트(200), 인공지능 서비스 클라이언트(300) 및 클라이언트(400)가 될 수 있다.
전자 장치(100)는 통신부(110)를 통하여, 학습된 인공지능 모델 파일, 인공지능 모델의 model prediction code, 인공지능 모델에 대한 operation 정보, 인공지능 서비스 함수 및 인공지능 서비스에 대한 요청을 수신할 수 있으며, 인공지능 서비스 요청에 대한 응답을 전송할 수 있다.
통신부(110)는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 부가가치 통신망(Value Added Network; VAN), 이동통신망(mobile radio communication network), 위성 통신망 및 이들의 상호 조합을 통하여 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 또한, 통신부(110)는 외부 장치 또는 외부 서버와 직접 무선랜(예를 들어, 와이-파이(Wi-Fi)) 등을 이용하여 무선으로 데이터 또는 신호를 송수신할 수 있다.
메모리(120)는 전자 장치(100)를 구동하고 제어하기 위한 다양한 데이터, 프로그램 또는 어플리케이션을 저장할 수 있다. 메모리(120)에 저장되는 프로그램은 하나 이상의 명령어들을 포함할 수 있다. 메모리(120)에 저장된 프로그램(하나 이상의 명령어들) 또는 어플리케이션은 프로세서(120)에 의해 실행될 수 있다.
메모리(120)는 예를 들면, 내장 메모리 또는 외장 메모리를 포함할 수 있다. 내장 메모리는, 예를 들면, 휘발성 메모리(예: DRAM(dynamic RAM), SRAM(static RAM), 또는 SDRAM(synchronous dynamic RAM) 등), 비휘발성 메모리(non-volatile Memory)(예: OTPROM(one time programmable ROM), PROM(programmable ROM), EPROM(erasable and programmable ROM), EEPROM(electrically erasable and programmable ROM), mask ROM, flash ROM, 플래시 메모리(예: NAND flash 또는 NOR flash 등), 하드 드라이브, 또는 솔리드 스테이트 드라이브(solid state drive(SSD)) 중 적어도 하나를 포함할 수 있다.
외장 메모리는 플래시 드라이브(flash drive), 예를 들면, CF(compact flash), SD(secure digital), Micro-SD(micro secure digital), Mini-SD(mini secure digital), xD(extreme digital), MMC(multi-media card) 또는 메모리 스틱(memory stick) 등을 포함할 수 있다. 외장 메모리는 다양한 인터페이스를 통하여 전자 장치(100)와 기능적으로 및/또는 물리적으로 연결될 수 있다.
메모리(120)는 프로세서(130)에 의해 액세스되며, 프로세서(130)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 본 개시에서 메모리라는 용어는 메모리(120), 프로세서(130) 내 롬(미도시), 램(미도시) 또는 전자 장치(100)에 장착되는 메모리 카드(예를 들어, micro SD 카드, 메모리 스틱) (미도시)를 포함할 수 있다.
본 개시의 일 실시 예에 따라, 메모리(120)는 복수의 함수를 포함하는 데이터베이스를 포함할 수 있다. 여기에서, 데이터베이스는 인공지능 서비스 클라이언트(300)로부터 수신된 함수를 포함할 수 있다.
프로세서(130)는 전자 장치(100)의 전반적인 동작을 제어하기 위한 구성이다. 예를 들면, 프로세서(130)는 운영 체제(Operating System. OS), 어플리케이션을 구동하여 프로세서(130)에 연결된 다수의 하드웨어 또는 소프트웨어 구성요소들을 제어할 수 있고, 각종 데이터 처리 및 연산을 수행할 수 있다.
프로세서(130)는 CPU(central processing unit) 또는 GPU(graphics-processing unit)이거나 둘 다일 수 있다. 프로세서(710)는 적어도 하나의 범용 프로세서(general processor), 디지털 신호 프로세서(digital signal processor), ASIC(Application specific integrated circuit), SoC(system on chip), MICOM(Microcomputer) 등으로 구현될 수 있다.
프로세서(130)는 모델 스토어에 등록된 복수의 인공지능 모델의 속성 및 인공지능 모델을 위한 라이브러리가 로딩된 복수의 컨테이너의 속성에 기초하여, 인공지능 모델이 로딩될 컨테이너를 판단할 수 있다.
컨테이너에 로딩된 라이브러리에는 컨테이너에 로딩될 인공지능 모델을 학습시키는데 사용된 소프트웨어(가령, 구글사의 TensorFlowTM)의 라이브러리가 포함될 수 있다. 컨테이너는, 학습된 인공지능 모델을 로딩하고 이를 이용하여 컨테이너에 입력된 함수를 실행하기 위하여, 컨테이너에 로딩될 인공지능 모델을 위한 라이브러리를 포함할 수 있다.
프로세서(130)는 복수의 컨테이너에 할당된 리소스 및 복수의 인공지능 모델에 요구되는 리소스에 기초하여 인공지능 모델이 로딩될 컨테이너를 판단할 수 있다. 복수의 컨테이너는 GPU(Graphic Processing Unit) 또는 CPU(Central Processing Unit)를 기반으로 상기 클라이언트 장치에서 요청된 인공지능 서비스에 대응되는 함수를 실행할 수 있다. GPU 또는 CPU를 기반으로 인공지능 서비스에 대응되는 함수를 실행한다는 것은, GPU 또는 CPU의 리소스를 이용하여 인공지능 서비스에 대응되는 함수를 실행한다는 것을 의미한다.
프로세서(130)는 컨테이너가 생성될 때, 컨테이너가 CPU를 사용하여 요청된 함수를 실행하는 CPU 컨테이너인지, GPU를 사용하여 요청된 함수를 실행하는 GPU 컨테이너인지 여부 및 컨테이너에 바인딩(binding)된 CPU/GPU 메모리 등과 같이 컨테이너에 할당된 리소스 정보 등을 획득할 수 있다.
그리고, 프로세서(130)는 모델 스토어(미도시)에 등록된인공지능 모델에 대한 operation 정보를 기초로, 인공지능 모델에 요구되는 전자 장치(100)의 리소스(가령, CPU, GPU, 메모리 등) 정보를 획득할 수 있다.
프로세서(130)는 복수의 컨테이너 각각에 할당된 리소스 및 각 컨테이너에 로딩된 인공지능 모델에 요구되는 리소스에 기초하여 각 컨테이너에서 사용 가능한 리소스를 판단하고, 판단된 리소스에 기초하여 인공지능 모델이 로딩될 컨테이너를 판단할 수 있다.
가령, 복수의 컨테이너 중 제1 컨테이너에 1G Bytes의 GPU 메모리가 바인딩(binding)되어 있고, 제1 컨테이너에 로딩되어 있는 제1 인공지능 모델이 300M Bytes의 GPU 메모리를 필요로 하는 경우, 프로세서(130)는 제1 컨테이너에서 사용 가능한 GPU 메모리가 700M Bytes라고 판단하고, 이에 기초하여 제2 인공지능 모델이 제1 컨테이너에 로딩 가능한지 여부를 판단할 수 있다. 가령, 제2 인공지능 모델이 필요로 하는 리소스가 300M Bytes 인 경우, 프로세서(130)는 제2 인공지능 모델이 제1 컨테이너에 로딩될 수 있다고 판단할 수 있다. 그러나 제2 인공지능 모델이 필요로 하는 리소스가 800M Bytes 인 경우, 프로세서(130)는 제2 인공지능 모델이 제1 컨테이너에 로딩될 수 없다고 판단할 수 있다.
프로세서(130)는 인공지능 모델 클라이언트(200)에 의하여 학습된 인공지능 모델이 모델 스토어(미도시)에 등록되는 경우, 복수의 컨테이너의 속성 및 모델 스토어(미도시)에 등록된 인공지능 모델의 속성에 기초하여 등록된 인공지능 모델이 로딩될 컨테이너를 판단할 수 있다.
이때, 프로세서(130)는 인공지능 모델 클라이언트(200)에 인터페이스(interface)를 제공하여 인공지능 모델 클라이언트(200)가 제공된 인터페이스에 따라 학습된 인공지능 모델 파일 및 인공지능 모델의 model prediction code를 등록하도록 할 수 있다.
학습된 인공지능 모델 파일은 모델 바이너리 파일(model binary file) 및 해당 모델 파일을 실행하기 위한 코드(code)가 필요한데, 이는 인공지능 모델을 학습시키는 소프트웨어에 따라 다양할 수 있다.
이에 따라, 프로세서(130)는 인공지능 모델 클라이언트(200)가 동일한 인터페이스를 통하여 인공지능 모델 파일 및 model prediction code를 모델 스토어(미도시)에 등록하도록 하여 복수의 인공지능 모델 클라이언트(200)에 의해 제공되는 다양한 코드(code)가 컨테이너 상에 포함된 동일한 라이브러리를 바탕으로 실행될 수 있도록 할 수 있다.
프로세서(130)는 인터페이스를 이용하여 모델에 대한 함수 요청이 있을 때 실행되는 코드와 함수 요청 전에 인공지능 모델을 컨테이너에 로딩 하는 코드를 구분하여 실행할 수 있다. 즉, 프로세서(130)는 인터페이스를 이용하여 컨테이너가 인공지능 서비스 요청에 대한 함수를 획득하기 이전에 인공지능 모델을 컨테이너에 로딩할 수 있다. 컨테이너가 미리 인공지능 모델을 로딩하면 함수를 전달 받은 컨테이너가 인공지능 모델을 로딩하는 단계를 생략할 수 있다는 점에서, 컨테이너가 함수를 실행하기 시간을 절약할 수 있다.
프로세서(130)는 컨테이너에 로딩된 라이브러리를 바탕으로 컨테이너에 인공지능 모델을 로딩할 수 있다. 상술한 바와 같이, 컨테이너에 로딩된 라이브러리는 인공지능 모델을 학습시키는데 사용된 소프트웨어의 라이브러리라는 점에서, 즉, 인공지능 모델을 학습시킨 라이브러리와 컨테이너에 포함된 라이브러리가 동일하다는 점에서, 프로세서(130)는 컨테이너에 학습된 인공지능 모델을 로딩할 수 있다.
한편, 프로세서(130)는 통신부(110)를 통하여 클라이언트(400)로부터 인공지능 서비스에 대한 요청이 수신되면, 메모리(120)에 저장된 데이터베이스로부터 요청된 인공지능 서비스에 대응되는 함수를 획득할 수 있다.
인공지능 서비스에 대응되는 함수는 인공지능 서비스 클라이언트(300)에 의해 생성된 것으로, 인공지능 서비스 클라이언트(300)는 모델 스토어에 등록된 학습된 인공지능 모델을 선택하고 선택된 인공지능 모델의 model prediction code를 포함하는 인공지능 서비스 함수를 생성한다는 점에서, 인공지능 서비스에 대응되는 함수에는 인공지능 모델에 관한 정보가 포함될 수 있다.
프로세서(130)는 획득된 함수에 포함된 인공지능 모델의 정보를 기초로 복수의 컨테이너 중에서 인공지능 서비스에 대응되는 인공지능 모델이 로딩된 컨테이너를 판단할 수 있다.
구체적으로, 프로세서(130)는 획득된 함수에 포함된 인공지능 모델의 model prediction code를 기초로 인공지능 서비스에 대응되는 인공지능 모델을 판단하고, 인공지능 모델이 로딩된 컨테이너 정보를 포함하는 모델 리스트를 기초로 판단된 인공지능 모델이 로딩된 컨테이너를 판단할 수 있다. 여기에서, 모델 리스트는 복수의 컨테이너 중 모델 스토어에 등록된 적어도 하나의 학습된 인공지능 모델이 로딩된 컨테이너를 식별하기 위한 것으로, 학습된 인공지능 모델이 컨테이너에 로딩될 때 모델 리스트가 갱신될 수 있다.
예를 들어, 프로세서(130)가 통신부(110)를 통하여 클라이언트(400)로부터 얼굴인식 서비스에 대한 요청을 수신하면, 프로세서(130)는 데이터베이스로부터 얼굴인식 서비스에 대응되는 얼굴 인식 함수를 획득할 수 있으며, 획득된 얼굴인식 함수에 포함된 인공지능 모델의 model prediction code를 기초로 얼굴인식 서비스에 대응되는 얼굴인식 인공지능 모델을 판단하고, 모델 리스트를 이용하여 판단된 얼굴인식 인공지능 모델이 로딩된 컨테이너를 판단할 수 있다.
프로세서(130)는 획득된 함수에 실행하기 위한 인공지능 모델이 로딩되어 있다고 판단된 컨테이너에서 획득된 함수를 실행할 수 있다.
구체적으로, 프로세서(130)는 인공지능 서비스를 실행하기 위한 인공지능 모델이 로딩된 컨테이너에서 컨테이너에 로딩된 라이브러리를 바탕으로 획득된 함수를 실행할 수 있다. 상술한 바와 같이, 컨테이너에 로딩된 라이브러리는 컨테이너에 로딩된 인공지능 모델을 학습시키는데 사용된 소프트웨어의 라이브러리라는 점에서, 컨테이너는 로딩된 라이브러리를 이용하여 학습된 인공지능 모델에 입력된 입력 값으로부터 결과 값(추론 값)을 획득할 수 있다.
즉, 프로세서(130)는 컨테이너에 로딩된 인공지능 모델로부터 클라이언트(400)의 요청에 대한 데이터를 획득할 수 있다.
그리고, 프로세서(130)는 획득된 데이터를 통신부(110)를 통해 클라이언트(400)로 전송할 수 있다.
한편, 프로세서(130)는 각 컨테이너에서 클라이언트 장치(400)에서 요청된 인공지능 서비스에 대응되는 함수의 실행 시간에 대한 정보를 수집할 수 있다.
구체적으로, 프로세서(130)는 함수를 실행한 컨테이너로부터 함수를 실행하는데 소요된 시간에 관한 정보를 수신할 수 있다.
프로세서(130)는 수신된 정보를 바탕으로 GPU 기반의 컨테이너 및 CPU 기반의 컨테이너 중에서 함수가 실행될 컨테이너를 판단할 수 있다. 구체적으로, 프로세서(130)는 추후 실행된 함수와 동일한 함수를 실행할 경우, 해당 함수가 PU 기반의 컨테이너에서 실행되는 것이 효율적인지 또는 CPU 기반의 컨테이너에서 실행되는 것이 효율적인지 여부를 판단할 수 있다.
가령, 프로세서(130)는 GPU 기반의 컨테이너에서 특정 함수의 수행 시간이 기 설정된 값 미만이면, 해당 함수는 추후 CPU 기반의 컨테이너에서 실행되는 것이 적절하다고 판단할 수 있다. 그리고, 추후 동일한 인공지능 서비스에 대응되는 함수를 수신하는 경우, 해당 함수를 GPU 컨테이너가 아닌 CPU 컨테이너에서 실행할 수 있다.
다만, 이는 일 실시 예이며, 프로세서(130)는 CPU 기반의 컨테이너에서 특정 함수의 수행 시간이 기 설정된 값 이상이면, 해당 함수는 추후 GPU 기반의 컨테이너에서 실행되는 것이 적절하다고 판단하여, 추후 인공지능 서비스에 대응되는 함수를 수신하는 경우 해당 함수를 GPU 컨테이너에서 실행할 수 있다.
이와 같이, 하나의 컨테이너는 동일한 인공지능 서비스에 대응되는 함수를 여러 번 수신할 수 있다. 이 경우, 프로세서(130)는 동일한 컨테이너가 동일한 인공지능 서비스에 대한 함수를 수행하여 인공지능 서비스 요청에 대한 응답을 제공하도록 할 수 있다. 즉, 프로세서(130)는 동일한 인공지능 서비스에 대한 요청이 오는 경우, 하나의 컨테이너에 바인딩된 리소스를 재사용 함으로써, 동일한 요청에 대한 응답 시간을 단축시킬 수 있다.
한편, 프로세서(130)는 기 설정된 시간 동안 하나의 컨테이너에 요청되는 인공지능 서비스에 대한 횟수가 기 설정된 횟수 이상인 경우, 동일한 인공지능 서비스를 수행하는 컨테이너를 추가로 생성할 수 있다. 즉, 프로세서(130)는 기 설정된 시간 동안 하나의 컨테이너가 동일한 인공지능 서비스에 대응되는 함수를 기 설정된 횟수 이상 수행하는 경우, 해당 함수를 실행하는 컨테이너를 여러 개 생성할 수 있다.
한편, 프로세서(130)는 컨테이너가 제1 상태인 상태에서 획득된 함수를 실행하면 컨테이너를 제2 상태로 판단할 수 있다. 여기에서, 제1 상태는 컨테이너에 인공지능 모델이 로딩되지 않은 상태 또는 컨테이너에 적어도 하나의 학습된 인공지능이 로딩되고, 컨테이너가 로딩된 적어도 하나의 학습된 인공지능 모델을 이용하여 함수를 실행하지 않은 상태로 프리웜(pre-warm)상태를 나타내는 것일 수 있다. 그리고, 제2 상태는 컨테이너가 로딩된 적어도 하나의 학습된 인공지능 모델을 이용하여 함수를 실행한 상태로 웜(warm) 상태를 의미할 수 있다.
즉, 프로세서(130)는 프리웜 상태인 컨테이너가 함수를 실행하면 컨테이너가 웜 상태로 전환된 것으로 판단할 수 있다.
그리고, 프로세서(130)는 복수의 컨테이너 중 제1 상태인 컨테이너의 개수가 기 설정된 수 미만이면 새로운 컨테이너를 생성할 수 있다. 즉, 프로세서(130)는 제1 상태인 컨테이너의 개수를 기설정된 개수로 유지할 수 있다. 따라서, 제1 상태인 컨테이너가 함수를 실행하여 제2 상태로 되면, 프로세서(130)는 제1 상태인 새로운 컨테이너를 생성할 수 있다.
예를 들어, 전자 장치(100)가 제1 상태(프리웜 상태)인 컨테이너를 3개 유지한다고 가정하자. 프로세서(130)는 3개의 컨테이너(제1, 제2 및 제3 컨테이너) 중 제1 인공지능 모델이 로딩된 제1 컨테이너에서 요청된 서비스에 대응되는 함수가 제1 인공지능 모델을 기초로 실행되어 제1 컨테이너가 제1 상태에서 제2 상태가 된 것으로 판단되면, 제1 상태인 컨테이너는 2개(제2 및 제3 컨테이너)인 것으로 판단할 수 있다. 이 경우, 프로세서(130)는 제1 상태인 새로운 컨테이너(제4 컨테이너)를 생성할 수 있다.
한편, 프로세서(130)는 획득된 함수를 실행한 컨테이너(즉, 제2 상태인 컨테이너)가 기 설정된 시간 동안 컨테이너에 포함된 모델을 이용하는 인공지능 서비스에 대한 요청을 수신하지 않은 경우, 획득된 함수를 실행한 컨테이너를 킬(Kill) 할 수 있다.
즉, 프로세서(130)는 함수를 실행하여 제2 상태가 된 컨테이너가 기 설정된 시간 동안 컨테이너에 포함된 적어도 하나의 모델을 이용하는 함수를 획득하지 않은 경우, 제2 상태가 된 컨테이너를 킬 할 수 있다.
이 경우, 프로세서(130)는 킬 되는 컨테이너에 포함된 적어도 하나의 인공지능 모델이 로딩될 컨테이너를 판단할 수 있다.
상술한 바와 같이, 전자 장치(100)에는 제1 상태인 컨테이너가 기 설정된 수만큼 유지되어야 한다는 점에서, 인공지능 모델이 로딩된 컨테이너가 삭제되더라도 적어도 기 설정된 수만큼의 컨테이너가 존재할 수 있다.
프로세서(130)는 킬 된 컨테이너를 제외한 나머지 컨테이너의 속성 및 킬된 컨테이너에 로딩되어 있던 인공지능 모델의 속성에 기초하여 킬된 컨테이너에 로딩되어 있던 인공지능 모델이 새롭게 로딩될 컨테이너를 판단할 수 있다.
구체적으로, 프로세서(130)는 킬 된 컨테이너를 제외한 나머지 컨테이너에서 사용 가능한 리소스 및 킬 된 컨테이너에 로딩되어 있던 인공지능 모델에 요구되는 리소스에 기초하여, 킬 된 컨테이너에 로딩되어 있던 인공지능 모델이 새롭게 로딩될 컨테이너를 판단할 수 있다.
예를 들어, 전자 장치(100)에 제1 내지 제5 컨테이너가 존재하고, 제1 컨테이너에는 제1 및 제2 인공지능 모델이, 제2 컨테이너에는 제3 인공지능 모델 및 제4 인공지능 모델이, 제3 컨테이너에는 제5 인공지능 모델이 존재하며, 제4 컨테이너 및 제5 컨테이너에는 인공지능 모델이 로딩되어 있지 않다고 가정하자. 그리고, 제1 컨테이너 및 제2 컨테이너는 함수를 실행하여 제2 상태이며, 이 중 제1 컨테이너가 기 설정된 시간(가령, 1분)동안 인공지능 서비스에 대응되는 함수를 수신하지 않았다면, 프로세서(130)는 제1 컨테이너를 킬 할 수 있다.
이때, 제1 컨테이너에 포함된 제1 및 제2 인공지능 모델에 필요한 리소스가 각각 600M Bytes 및 300M Bytes 이고, 제2 컨테이너가 사용 가능한 리소스가 0 M Bytes, 제3 컨테이너가 사용 가능한 리소스가 400M Bytes, 제 4 및 제5 컨테이너가 사용 가능한 리소스가 각각 1G Bytes인 경우, 프로세서(130)는 제1 인공지능 모델을 제4 컨테이너에 로딩하고, 제2 인공지능 모델을 제3 컨테이너에 할당할 수 있다. 다만, 이는 일 실시 예이며, 프로세서(130)가 제1 인공지능 모델 및 제2 인공지능 모델을 제4 컨테이너에 로딩하거나, 제1 인공지능 모델을 제4 컨테이너에 로딩하고, 제2 인공지능 모델을 제5 컨테이너에 로딩할 수 있음은 물론이다.
한편, 본 개시의 다양한 실시 예에 따라, 프로세서(130)는 도 4 및 도 5에서 후술할 모델 코디네이터(Model Coordinator)(510), 인보커(invoker)(520), GPU 런타임 컨테이너(GPU Runtime Container)(530), CPU 런타임 컨테이너(CPU Runtime Container)(540), 컨트롤러(controller)(550), 큐(Queue)(560), 모델 스토어(570), 강화 훈련 모듈(590) 중 적어도 하나의 기능을 수행할 수 있다.
도 4 및 도 5는 본 개시에 따른 전자 장치를 설명하기 위한 도면이다. 구체적으로, 도 4는 본 개시의 일 실시 예에 따른 컨테이너를 설명하기 위한 도면이다.
인보커(520)는 컨테이너(530, 540)를 생성할 수 있다. 이때, 생성되는 컨테이너는 CPU 리소스를 사용하는 CPU 기반의 컨테이너(540)이거나 GPU 리소스를 사용하는 GPU 기반의 컨테이너(530)가 될 수 있다.
인보커(520)에 의해 생성된 컨테이너(530, 540)은 모델 코디네이터(510)에 컨테이너 정보를 제공할 수 있다. 여기에서, 컨테이너 정보는 컨테이너에 할당된 리소스 정보, 컨테이너가 CPU/GPU 컨테이너인지 여부 등을 포함할 수 있다.
인보커(520)에 의해 생성된 컨테이너에는 인공지능 모델을 위한 라이브러리가 포함될 수 있다. 인공지능 모델을 위한 라이브러리를 바탕으로, 컨테이너(530)는 학습된 인공지능 모델을 로딩할 수 있으며, 로딩된 인공지능 모델을 이용하여 함수를 실행할 수 있다.
인공지능 모델이 로딩되지 않은 컨테이너 또는 적어도 하나의 인공지능 모델이 로딩되어 있으나 로딩된 인공지능 모델을 이용하여 함수를 실행하지 않은 컨테이너는 프리 웜(pre-warm) 컨테이너로 판단될 수 있다. 반면, 로딩된 인공지능 모델을 이용하여 함수를 실행한 컨테이너는 웜(warm) 컨테이너로 판단될 수 있다.
본 개시의 일 실시 예에 따른 전자 장치(100)는 프리 웜 컨테이너를 기 설정된 개수만큼 유지할 수 있다. 컨테이너는 인공지능 서비스에 대응되는 함수를 수신하기 전의 프리 웜 컨테이너 상태에서 학습된 인공지능 모델을 로딩할 수 있다.
그리고, 프리 웜 컨테이너가 인공지능 서비스에 대응되는 함수를 수신하면 함수를 실행하고 웜 컨테이너로 전환될 수 있다. 이 경우, 컨테이너가 인공지능 서비스에 대응되는 인공지능 모델을 미리 로딩한 상태라는 점에서, 컨테이너가 함수를 실행하는 시간은 절약될 수 있다.
또한, 전자 장치(100)가 기 설정된 개수의 프리 웜 컨테이너를 유지하여야 한다는 점에서, 프리 웜 컨테이너가 웜 컨테이너로 전환되면 인보커(520)는 새로운 컨테이너를 생성하고, 생성된 컨테이너는 모델 코디네이터(510)에 컨테이너 정보를 제공할 수 있다.
한편, 하나의 컨테이너에는 복수의 인공지능 모델이 로딩될 수 있다.
하나의 컨테이너에 포함된 복수의 인공지능 모델에 대응되는 함수가 기 설정된 시간 동안 실행되지 않는 경우, 인보커(520)는 해당 컨테이너를 킬(Kill)할 수 있다.
인보커(520)에 의해 컨테이너가 킬 되는 경우, 모델 코디네이터(510)는 킬 된 컨테이너에 포함되어 있던 적어도 하나의 인공지능 모델이 다른 컨테이너에 로딩되도록 할 수 있다.
구체적으로, 모델 코디네이터(510)는 킬된 컨테이너에 포함되어 있던 적어도 하나의 인공지능 모델이 필요로 하는 리소스 정보 및 킬된 컨테이너를 제외한 나머지 컨테이너에서 사용가능한 리소스 정보를 기초로, 킬 된 컨테이너에 포함되어 있던 적어도 하나의 인공지능 모델이 로딩될 다른 컨테이너를 식별할 수 있다. 그리고, 모델 코디네이터(510)는 식별된 컨테이너에 킬된 컨테이너에 포함되어 있던 적어도 하나의 인공지능 모델이 로딩 되도록, 킬된 컨테이너에 포함되어 있던 인공지능 모델의 정보를 식별된 컨테이너에 전달할 수 있다.
그리고, 모델 코디네이터(510)로부터 킬된 컨테이너에 포함되어 있던 인공지능 모델의 정보를 수신한 컨테이너는 수신된 인공지능 모델의 정보에 대응되는 인공지능 모델을 로딩할 수 있다.
전자 장치(100)는 상술한 컨테이너를 기반으로 인공지능 서비스를 제공할 수 있다.
도 5는 본 개시의 일 실시 예에 따라 클라이언트의 요청에 대응되는 인공지능 서비스를 제공하는 전자 장치를 설명하기 위한 도면이다.
모델 스토어(210)는 복수의 학습된 인공지능 모델을 포함한다. 그리고, 모델 스토어(570)는 인공지능 모델 클라이언트(200)에 의해 등록된 새로운 인공지능 모델 또는 기존에 모델 스토어(210)에 등록된 인공지능 모델을 관리할 수 있다. 구체적으로, 모델 스토어(210)는 새로운 인공지능 모델이 등록되는 경우 또는 기존에 등록된 인공지능 모델이 업데이트되는 경우 등록 정보 또는 업데이트 정보를 모델 코디네이터(510)에 제공할 수 있다.
모델 코디네이터(510)는 인공지능 모델 클라이언트(200)에 의하여 모델 스토어(570)에 학습된 인공지능 모델이 등록되면, 컨테이너(530, 540)가 모델 스토어(570)에 등록된 학습된 인공지능 모델을 로딩하도록 할 수 있다.
모델 코디네이터(510)는 모델 스토어(570)에 학습된 인공지능 모델이 등록되면, 모델 스토어(570)에 등록된 인공지능 모델 정보, 복수의 컨테이너에 현재 로딩된 모델 정보 및 현재 요청된 인공지능 서비스에 대응되는 함수를 처리하고 있는 컨테이너의 상태 정보 등을 기초로, 학습된 인공지능 모델이 로딩될 컨테이너(530, 540)를 선택할 수 있다.
예를 들어, 모델 코디네이터(510)는 모델 스토어(570)에 등록된 인공지능 모델의 operation 정보(가령, 인공지능 모델에 요구되는 리소스 정보), 복수의 컨테이너 각각에 할당된 리소스 정보, 복수의 컨테이너에 현재 로딩된 모델 정보를 기초로 각 컨테이너에서 사용 가능한 리소스를 판단하고, 이를 기초로 모델 스토어(570)에 등록된 인공지능 모델이 로딩될 컨테이너를 선택할 수 있다.
그리고, 모델 코디네이터(510)는 판단된 컨테이너에게 인공지능 모델의 정보를 제공할 수 있다.
이 경우, 컨테이너(530, 540)는 모델 코디네이터(510)로부터 제공된 정보에 기초하여 모델 스토어(570)로부터 로딩할 인공지능 모델을 판단하고, 해당 인공지능 모델을 모델 스토어(570)로부터 로딩할 수 있다. 이때, 컨테이너(530, 540)는 컨테이너에 하나의 인공지능 모델이 로딩된 상태라도, 모델 코디네이터(510)로부터 추가적으로 로딩해야 하는 모델들의 리스트 정보를 제공받을 수 있다. 여기에서 모델들의 리스트 정보는 모델 코디네이터(510)가 모델 스토어(210)로부터 제공 받은 모델 스토어(210)에 저장되어 있는 학습된 모델들의 리스트 정보를 포함할 수 있다.
구체적으로, 모델 코디네이터(510)로부터 로딩될 인공지능 모델의 정보를 수신한 컨테이너(530, 540)는 컨테이너에 포함된 다이나믹 로더(Dynamic Loader)를 이용하여 컨테이너(530, 540)에 인공지능 모델을 로딩할 수 있다.
그리고, 모델 코디네이터(510)는 인공지능 모델의 정보 및 인공지능 모델이 로딩된 컨테이너 정보를 인보커(520)에게 제공할 수 있다. 이 경우, 후술하는 바와 같이, 인보커(520)는 모델 코디네이터(510)로부터 제공받은 정보를 기초로, 요청된 인공지능 서비스에 대응되는 함수를 인공지능 서비스에 대응되는 인공지능 모델이 포함된 컨테이너에 제공할 수 있다.
한편, 컨트롤러(550)는 클라이언트(400)로부터 인공지능 서비스에 대한 요청을 수신할 수 있다. 이때, 컨트롤러(550)는 클라이언트(400)가 인공지능 서비스를 제공받기 한 인공지능 모델에 대한 정보와 함께 인공지능 서비스의 입력 데이터를 클라이언트(400)로부터 수신할 수 있다. 가령, 클라이언트(400)가 얼굴인식 서비스를 요청한 경우, 컨트롤러(550)는 클라이언트(400)로부터 얼굴인식 서비스에 대한 요청과 함께 얼굴인식 서비스에 대한 입력 데이터로 이미지 파일을 수신할 수 있다.
이 경우, 컨트롤러(550)는 클라이언트(400)로부터 수신된 요청 및 입력 데이터를 데이터베이스(580)에 저장할 수 있다. 이때, 데이터베이스(580)에는 등록된 인공지능 모델을 이용하여 제공할 수 있는 모든 작업에 대한 식별 정보가 저장되어 있을 수 있다.
컨트롤러(550)는 데이터베이스(580)에서 클라이언트(400)로부터 수신된 인공지능 서비스 요청을 수행하기 위해 요구되는 작업의 식별 정보를 획득하여 이를 큐(560)에 전달할 수 있다. 한편, 인보커(520)는 복수 개 존재할 수 있는데, 컨트롤러(550)는 복수의 인보커 중 획득된 함수가 할당될 인보커(520)를 지정할 수 있다.
구체적으로, 컨트롤러(550)는 인보커(520)에 할당된 작업의 양을 판단하고, 판단된 작업을 전달할 인보커(520)를 식별할 수 있다. 이를 위하여, 인보커(520)는 정기적으로 컨트롤러(550)에게 인보커(520)의 상태 정보를 제공할 수 있다.
그리고, 컨트롤러(550)는 데이터베이스(580)로부터 획득된 작업의 식별 정보 및 지정된 인보커 정보를 큐(560)에 제공할 수 있다.
그리고, 큐(560)는 컨트롤러(550)로부터 수신된 작업의 식별 정보를 지정된 인보커(560)에게 제공할 수 있다.
큐(560)로부터 작업 정보를 수신한 인보커(560)는 데이터베이스(580)를 탐색하여 작업의 식별 정보와 매칭되는 작업을 획득할 수 있다. 여기에서, 작업의 식별 정보와 매칭되는 작업은 클라이언트(400)로부터 요청된 인공지능 서비스를 수행하기 위하여 필요한 작업을 의미한다. 또한, 인보커(560)는 데이터베이스(580)로부터 획득된 작업을 수행하기 위한 코드 및 클라이언트(400)가 저장한 입력 데이터를 획득할 수 있다.
인보커(560)는 획득된 함수의 코드를 컨테이너(530, 540)에 전달할 수 있다. 이를 위하여, 상술한 바와 같이, 인보커(560)는 획득된 함수를 수행 또는 실행하기 위해 필요한 인공지능 모델이 로딩된 컨테이너에 관한 정보를 모델 코디네이터(510)로부터 수신할 수 있다. 그리고, 인보커(560)는 획득된 함수의 코드 및 클라이언트(400)에 의해 데이터베이스(580)에 저장된 입력 데이터를 해당 인공지능 모델이 로딩된 컨테이너로 전달할 수 있다.
이 경우, 인보커(560)로부터 함수의 코드를 받은 컨테이너(530, 540)는 컨테이너에 로딩된 라이브러리를 바탕으로, 요청된 인공지능 서비스에 대응되는 함수를 실행할 수 있다. 그리고, 컨테이너(530, 540)는 컨트롤러(550)를 통하여, 함수를 실행한 후 획득한 결과 값을 클라이언트(400)에 제공할 수 있다.
컨테이너는 적어도 하나의 인공지능 모델을 포함할 수 있다. 상술한 바와 같이, 컨테이너에 로딩된 인공지능 모델은 전자 장치(100)가 제공하는 인터페이스를 통하여 모델 스토어에 등록된 인공지능 모델이다. 또한 인보커(560)가 획득한 함수의 코드는 인공지능 서비스 클라이언트(300)가 제공한 함수 코드로 인공지능 서비스 클라이언트(300)는 모델 스토어에 등록된 인공지능 모델 및 model prediction code를 이용하여 함수를 생성하였다.
즉, 컨테이너(530, 540)가 인보커(560)로부터 획득한 함수는 컨테이너에 로딩된 인공지능 모델과 동일한 인터페이스를 통하여 작성되었다는 점에서, 컨테이너(530,540)는 컨테이너에 로딩된 인공지능 모델을 이용하여 함수를 실행할 수 있다. 구체적으로, 컨테이너는 클라이언트(400)에 의해 제공된 입력 데이터를 인공지능 모델의 입력 값으로 하여 결과 값을 획득할 수 있다. 여기에서 결과 값은 인공지능 모델이 함수를 실행하여 얻은 결과 값을 나타낸다.
한편, 컨테이너(530, 540)는 함수의 실행 시간 정보(execution time log)를 모델 코디네이터(510)에 전송할 수 있으며, 모델 코디네이터(510)는 컨테이너의 함수 실행 시간 정보를 강화 훈련 모듈(570)에 제공할 수 있다.
강화 훈련 모듈(570)은 각각의 컨테이너에서 함수를 실행한 시간에 관한 정보를 수신하고, 추후 동일한 함수가 컨테이너에서 실행될 경우 GPU 기반의 컨테이너(530)에서 실행되어야 할지, CPU 기반의 컨테이너(540)에서 실행되어야 할지를 판단할 수 있다. 예를 들어, GPU 기반의 컨테이너가 함수를 실행한 시간이 기 설정된 시간 미만인 경우, 강화 훈련 모듈(570)은 해당 함수가 다시 호출될 경우, 해당 함수는 CPU 기반의 컨테이너에서 실행되는 것이 효율적이라고 판단할 수 있다. 또는, CPU 기반의 컨테이너가 함수를 실행한 시간이 기 설정된 시간 이상인 경우, 강화 훈련 모듈(570)은 해당 함수가 다시 호출될 경우, 해당 함수는 GPU 기반의 컨테이너에서 실행되는 것이 효율적이라고 판단할 수 있다.
그리고, 강화 훈련 모듈(570)은, 실행 시간 정보를 판단하여 함수에 대응되는 컨테이너 정보가 변경된 경우, 데이터베이스(580)에 저장된 해당 함수의 정보를 업데이트 할 수 있다.
이에 따라, 추후 동일한 함수에 대응되는 인공지능 서비스에 대한 요청이 수신되면, 컨트롤러(550)는 데이터베이스로부터 업데이트된 함수의 정보를 수신하고, 해당 함수는 함수 수행 시간이 반영된 컨테이너에서 실행될 수 있다.
도 6은 본 개시의 일 실시 예에 따른 전자 장치를 제어하는 방법을 설명하기 위한 흐름도이다
인공지능 모델을 위한 라이브러리가 로딩된 복수의 컨테이너의 속성 및 모델 스토어에 등록된 복수의 인공지능 모델의 속성에 기초하여, 인공지능 모델이 로딩될 컨테이너를 판단할 수 있다(S610).
구체적으로, 복수의 컨테이너에 할당된 리소스 및 상기 복수의 인공지능 모델에 요구되는 리소스에 기초하여 인공지능 모델이 로딩될 컨테이너를 판단할 수 있다.
더욱 구체적으로, 복수의 컨테이너 각각에 할당된 리소스 및 각 컨테이너에 로딩된 인공지능 모델에 요구되는 리소스에 기초하여 각 컨테이너에서 사용 가능한 리소스를 판단하고, 판단된 리소스에 기초하여 상기 인공지능 모델이 로딩될 상기 컨테이너를 판단할 수 있다.
모델 스토어에 인공지능 모델이 등록되는 경우, 복수의 컨테이너의 속성 및 등록된 인공지능 모델의 속성에 기초하여 등록된 인공지능 모델이 로딩될 컨테이너를 판단할 수 있다.
한편, 컨테이너에 로딩된 라이브러리를 바탕으로 컨테이너에 인공지능 모델을 로딩할 수 있다(S620).
클라이언트로부터 인공지능 서비스에 대한 요청이 수신되면 복수의 함수를 포함하는 데이터베이스로부터 요청된 인공지능 서비스에 대응되는 함수를 획득할 수 있다(S630).
복수의 컨테이너 중에서 인공지능 서비스에 대응되는 인공지능 모델이 로딩된 컨테이너를 판단할 수 있다(S640).
복수의 컨테이너는 GPU(Graphic Processing Unit) 또는 CPU(Central Processing Unit)를 기반으로 클라이언트 장치에서 요청된 인공지능 서비스에 대응되는 함수를 실행할 수 있다.
컨테이너에서 컨테이너에 로딩된 라이브러리를 바탕으로 획득된 함수를 실행하여, 판단된 컨테이너에 로딩된 인공지능 모델로부터 상기 요청에 대한 데이터를 획득할 수 있다(S650).
한편, 컨테이너가 제1 상태인 상태에서 획득된 함수를 실행하면 컨테이너의 상태가 제2 상태인 것으로 판단할 수 있다.
그리고, 복수의 컨테이너 중 제1 상태인 컨테이너의 개수가 기 설정된 개수 미만이면, 새로운 컨테이너를 생성할 수 있다.
반면, 획득된 함수를 실행한 컨테이너가 기 설정된 시간 동안 컨테이너에 포함된 모델을 이용하는 인공지능 서비스에 대한 요청을 수신하지 않은 경우, 획득된 함수를 실행한 컨테이너를 킬 할 수 있다.
킬 된 컨테이너를 제외한 나머지 컨테이너의 속성 및 킬 된 컨테이너에 로딩되어 있던 인공지능 모델의 속성에 기초하여 킬 된 컨테이너에 로딩되어 있던 인공지능 모델이 새롭게 로딩될 컨테이너를 판단할 수 있다.
그리고, 획득된 데이터를 클라이언트 장치로 전송할 수 있다(S660).
한편, 각 컨테이너에서의 클라이언트 장치에서 요청된 인공지능 서비스에 대응되는 함수의 실행 시간에 대한 정보를 수집할 수 있다.
그리고, 수집된 정보를 바탕으로 GPU 기반의 컨테이너 및 CPU 기반의 컨테이너 중에서 함수가 실행될 컨테이너를 판단할 수 있다.
상술한 본 개시의 다양한 실시 예들에 따르면, 컨테이너에 인공지능 서비스에 대응되는 함수가 전달되기 이전에 미리 인공지능 서비스에 대응되는 인공지능 모델을 로딩하여, 컨테이너가 함수를 실행하는 시간을 단축시킬 수 있다. 또한, 기 설정된 시간동안 동일한 인공지능 서비스에 대한 요청이 수신되는 경우, 컨테이너에 바인딩된 동일한 리소스를 재사용함으로써, 응답 시간(response time)을 단축시킬 수 있다. 그리고, 하나의 인공지능 서비스에 대하여 기본적으로 하나의 컨테이너만을 제공한다는 점에서 전자 장치의 리소스를 효율적으로 사용할 수 있다.
이상에서 설명된 다양한 실시 예들은 소프트웨어(software), 하드웨어(hardware) 또는 이들의 조합으로 구현될 수 있다. 하드웨어적인 구현에 의하면, 본 개시에서 설명되는 실시 예들은 ASICs(Application Specific Integrated Circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛(unit) 중 적어도 하나를 이용하여 구현될 수 있다. 특히, 이상에서 설명된 다양한 실시 예들은 전자 장치(100)의 프로세서(130)에 의해 구현될 수 있다. 소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상기 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다.
본 개시의 다양한 실시 예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media)에 저장될 수 있는 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기(machine)는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시 예들의 전자 장치(700)를 포함할 수 있다.
이러한 명령어가 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 상기 프로세서의 제어 하에 다른 구성요소들을 이용하여 명령어에 해당하는 기능을 수행할 수 있다. 명령어는 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 예컨대, 저장매체에 저장된 명령어가 프로세서에 의해 실행됨으로써, 상술한 전자 장치의 제어방법이 실행될 수 있다.
기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.
일 실시 예에 따르면, 본 문서에 개시된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어™, 앱스토어™)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시 예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시 예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 다양한 실시 예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.
이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시에 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.
100: 전자 장치 110: 통신부
120: 메모리

Claims (18)

  1. 서버리스(serverless) 플랫폼에 기반한 인공지능 서비스 제공 방법에 있어서,
    인공지능 모델을 위한 라이브러리가 로딩된 복수의 컨테이너의 속성 및 모델 스토어에 등록된 복수의 인공지능 모델의 속성에 기초하여, 인공지능 모델이 로딩될 컨테이너를 판단하는 단계;
    상기 컨테이너에 로딩된 라이브러리를 바탕으로 상기 컨테이너에 상기 인공지능 모델을 로딩하는 단계;
    클라이언트로부터 인공지능 서비스에 대한 요청이 수신되면, 복수의 함수를 포함하는 데이터베이스로부터 상기 요청된 인공지능 서비스에 대응되는 함수를 획득하는 단계;
    인공지능 모델이 로딩된 상기 복수의 컨테이너 중에서 상기 인공지능 서비스에 대응되는 인공지능 모델이 로딩된 컨테이너를 판단하는 단계;
    상기 컨테이너에서 상기 컨테이너에 로딩된 라이브러리를 바탕으로 상기 획득된 함수를 실행하여, 상기 판단된 컨테이너에 로딩된 인공지능 모델로부터 상기 요청에 대한 데이터를 획득하는 단계; 및
    상기 획득된 데이터를 상기 클라이언트로 전송하는 단계;를 포함하는, 인공지능 서비스 제공 방법.
  2. 제1항에 있어서,
    상기 인공지능 모델이 로딩될 컨테이너를 판단하는 단계는,
    상기 복수의 컨테이너에 할당된 리소스 및 상기 복수의 인공지능 모델에 요구되는 리소스에 기초하여 상기 인공지능 모델이 로딩될 상기 컨테이너를 판단하는, 인공지능 서비스 제공 방법.
  3. 제2항에 있어서,
    상기 인공지능 모델이 로딩될 컨테이너를 판단하는 단계는,
    상기 복수의 컨테이너 각각에 할당된 리소스 및 상기 각 컨테이너에 로딩된 인공지능 모델에 요구되는 리소스에 기초하여 상기 각 컨테이너에서 사용 가능한 리소스를 판단하고, 상기 판단된 리소스에 기초하여 상기 인공지능 모델이 로딩될 상기 컨테이너를 판단하는, 인공지능 서비스 제공 방법.
  4. 제1항에 있어서,
    상기 인공지능 모델이 로딩될 컨테이너를 판단하는 단계는,
    상기 모델 스토어에 인공지능 모델이 등록되는 경우, 상기 복수의 컨테이너의 속성 및 상기 등록된 인공지능 모델의 속성에 기초하여 상기 등록된 인공지능 모델이 로딩될 컨테이너를 판단하는, 인공지능 서비스 제공 방법.
  5. 제1항에 있어서,
    상기 컨테이너가 제1 상태인 상태에서 상기 획득된 함수를 실행하면, 상기 컨테이너의 상태를 제2 상태인 것으로 판단하는 단계; 및
    상기 복수의 컨테이너 중 제1 상태인 컨테이너의 개수가 기 설정된 개수 미만이면, 새로운 컨테이너를 생성하는 단계;, 를 더 포함하는, 인공지능 서비스 제공 방법.
  6. 제1항에 있어서,
    상기 획득된 함수를 실행한 컨테이너가 기설정된 시간 동안 상기 컨테이너에 포함된 모델을 이용하는 인공지능 서비스에 대한 요청을 수신하지 않은 경우, 상기 획득된 함수를 실행한 컨테이너를 킬(kill)하는 단계;를 더 포함하는, 인공지능 서비스 제공 방법.
  7. 제6항에 있어서,
    상기 인공지능 모델이 로딩될 컨테이너를 판단하는 단계는,
    상기 킬 된 컨테이너를 제외한 나머지 컨테이너의 속성 및 상기 킬 된 컨테이너에 로딩되어 있던 인공지능 모델의 속성에 기초하여 상기 킬 된 컨테이너에 로딩되어 있던 인공지능 모델이 새롭게 로딩될 컨테이너를 판단하는, 인공지능 서비스 제공 방법.
  8. 제1항에 있어서,
    상기 복수의 컨테이너는,
    GPU(Graphic Processing Unit) 또는 CPU(Central Processing Unit)를 기반으로 상기 클라이언트 장치에서 요청된 인공지능 서비스에 대응되는 함수를 실행하는, 인공지능 서비스 제공 방법.
  9. 제8항에 있어서,
    각 컨테이너에서의 상기 클라이언트 장치에서 요청된 인공지능 서비스에 대응되는 함수의 실행 시간에 대한 정보를 수집하는 단계;를 더 포함하고,
    상기 인공지능 모델이 로딩될 컨테이너를 판단하는 단계는,
    상기 수집된 정보를 바탕으로 상기 GPU 기반의 컨테이너 및 상기 CPU 기반의 컨테이너 중에서 상기 함수가 실행될 컨테이너를 판단하는, 인공지능 서비스 제공 방법.
  10. 서버리스(serverless) 플랫폼에 기반하여 인공지능 서비스를 제공하는 전자 장치에 있어서,
    통신부;
    복수의 함수를 포함하는 데이터베이스를 포함하는 메모리; 및
    인공지능 모델을 위한 라이브러리가 로딩된 복수의 컨테이너의 속성 및 모델 스토어에 등록된 복수의 인공지능 모델의 속성에 기초하여, 인공지능 모델이 로딩될 컨테이너를 판단하고, 상기 컨테이너에 로딩된 라이브러리를 바탕으로 상기 컨테이너에 상기 인공지능 모델을 로딩하고, 상기 통신부를 통해 클라이언트 장치로부터 인공지능 서비스에 대한 요청이 수신되면, 상기 데이터베이스로부터 상기 요청된 인공지능 서비스에 대응되는 함수를 획득하고, 상기 복수의 컨테이너 중에서 상기 요청된 인공지능 서비스에 대응되는 인공지능 모델이 로딩된 컨테이너를 판단하고, 상기 인공지능 서비스에 대응되는 인공지능 모델이 로딩된 컨테이너에서 상기 컨테이너에 로딩된 라이브러리를 바탕으로 상기 획득된 함수를 실행하여, 상기 판단된 컨테이너에 로딩된 인공지능 모델로부터 상기 요청에 대한 데이터를 획득하고, 상기 획득된 데이터를 상기 통신부를 통해 상기 클라이언트로 전송하는 프로세서;를 포함하는, 전자 장치.
  11. 제10항에 있어서,
    상기 프로세서는,
    상기 복수의 컨테이너에 할당된 리소스 및 상기 복수의 인공지능 모델에 요구되는 리소스에 기초하여 상기 인공지능 모델이 로딩될 상기 컨테이너를 판단하는, 전자 장치.
  12. 제11항에 있어서,
    상기 프로세서는,
    상기 복수의 컨테이너 각각에 할당된 리소스 및 상기 각 컨테이너에 로딩된 인공지능 모델에 요구되는 리소스에 기초하여 상기 각 컨테이너에서 사용 가능한 리소스를 판단하고, 상기 판단된 리소스에 기초하여 상기 인공지능 모델이 로딩될 상기 컨테이너를 판단하는, 전자 장치.
  13. 제10항에 있어서,
    상기 프로세서는,
    상기 모델 스토어에 인공지능 모델이 등록되는 경우, 상기 복수의 컨테이너의 속성 및 상기 등록된 인공지능 모델의 속성에 기초하여 상기 등록된 인공지능 모델이 로딩될 컨테이너를 판단하는, 전자 장치.
  14. 제10항에 있어서,
    상기 프로세서는,
    상기 컨테이너가 제1 상태인 상태에서 상기 획득된 함수를 실행하면, 상기 컨테이너의 상태가 제2 상태인 것으로 판단하고,
    상기 복수의 컨테이너 중 제1 상태인 컨테이너의 개수가 기 설정된 수 미만이면, 새로운 컨테이너를 생성하는, 전자 장치.
  15. 제10항에 있어서,
    상기 프로세서는,
    상기 획득된 함수를 실행한 컨테이너가 기 설정된 시간 동안 상기 컨테이너에 포함된 모델을 이용하는 인공지능 서비스에 대한 요청을 수신하지 않은 경우, 상기 획득된 함수를 실행한 컨테이너를 킬(kill)하는, 전자 장치.
  16. 제15항에 있어서,
    상기 프로세서는,
    상기 킬 된 컨테이너를 제외한 나머지 컨테이너의 속성 및 상기 킬 된 컨테이너에 로딩되어 있던 인공지능 모델의 속성에 기초하여 상기 킬 된 컨테이너에 로딩되어 있던 인공지능 모델이 새롭게 로딩될 컨테이너를 판단하는, 전자 장치.
  17. 제10항에 있어서,
    상기 복수의 컨테이너는,
    GPU(Graphic Processing Unit) 또는 CPU(Central Processing Unit)를 기반으로 상기 클라이언트 장치에서 요청된 인공지능 서비스에 대응되는 함수를 실행하는, 전자 장치.
  18. 제10항에 있어서,
    상기 프로세서는,
    각 컨테이너에서의 상기 클라이언트 장치에서 요청된 인공지능 서비스에 대응되는 함수의 실행 시간에 대한 정보를 수집하고, 상기 수집된 정보를 바탕으로 상기 함수가 실행될 컨테이너를 판단하는, 전자 장치.
KR1020190029520A 2019-03-14 2019-03-14 전자 장치 및 이의 제어 방법 KR20200109819A (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020190029520A KR20200109819A (ko) 2019-03-14 2019-03-14 전자 장치 및 이의 제어 방법
US17/438,218 US20220179661A1 (en) 2019-03-14 2020-01-07 Electronic device and method of controlling same
PCT/KR2020/000230 WO2020184827A1 (ko) 2019-03-14 2020-01-07 전자 장치 및 이의 제어 방법
EP20769450.6A EP3933585A4 (en) 2019-03-14 2020-01-07 ELECTRONIC DEVICE AND CONTROL METHOD THEREOF

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190029520A KR20200109819A (ko) 2019-03-14 2019-03-14 전자 장치 및 이의 제어 방법

Publications (1)

Publication Number Publication Date
KR20200109819A true KR20200109819A (ko) 2020-09-23

Family

ID=72427422

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190029520A KR20200109819A (ko) 2019-03-14 2019-03-14 전자 장치 및 이의 제어 방법

Country Status (4)

Country Link
US (1) US20220179661A1 (ko)
EP (1) EP3933585A4 (ko)
KR (1) KR20200109819A (ko)
WO (1) WO2020184827A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102636698B1 (ko) * 2023-08-02 2024-02-15 (주)아스트론시큐리티 서버리스 함수의 취약점 점검 방법 및 점검 서버
WO2024063437A1 (ko) * 2022-09-22 2024-03-28 쿠팡 주식회사 인공지능 모델을 관리하기 위한 방법 및 장치

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220300565A1 (en) * 2021-03-19 2022-09-22 True Elements, Inc. System and method for predicting and indexing water quality levels
WO2024073536A1 (en) * 2022-09-29 2024-04-04 Amazon Technologies, Inc. Multi-tenant solver execution service

Family Cites Families (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10102480B2 (en) * 2014-06-30 2018-10-16 Amazon Technologies, Inc. Machine learning service
US9256467B1 (en) * 2014-11-11 2016-02-09 Amazon Technologies, Inc. System for managing and scheduling containers
EP3561672B1 (en) * 2015-04-07 2022-06-01 Huawei Technologies Co., Ltd. Method and apparatus for a mobile device based cluster computing infrastructure
US11836650B2 (en) * 2016-01-27 2023-12-05 Microsoft Technology Licensing, Llc Artificial intelligence engine for mixing and enhancing features from one or more trained pre-existing machine-learning models
US10664766B2 (en) * 2016-01-27 2020-05-26 Bonsai AI, Inc. Graphical user interface to an artificial intelligence engine utilized to generate one or more trained artificial intelligence models
US9830677B2 (en) * 2016-03-03 2017-11-28 International Business Machines Corporation Graphics processing unit resource sharing
US11514304B2 (en) * 2016-05-26 2022-11-29 Samsung Sds America, Inc. Continuously provisioning large-scale machine learning models
US10733591B2 (en) * 2016-10-11 2020-08-04 International Business Machines Corporation Tiered model for event-based serverless computing
US10572226B2 (en) * 2016-12-21 2020-02-25 Aon Global Operations Ltd (Singapore Branch) Methods, systems, and portal using software containers for accelerating aspects of data analytics application development and deployment
US10445089B2 (en) * 2017-02-28 2019-10-15 Arista Networks, Inc. Hitless upgrades of a container of a network element
US10841366B2 (en) * 2017-03-20 2020-11-17 Futurewei Technologies, Inc. Service graph based serverless cloud platform
US20180300653A1 (en) * 2017-04-18 2018-10-18 Distributed Systems, Inc. Distributed Machine Learning System
WO2019031783A1 (en) * 2017-08-09 2019-02-14 Samsung Electronics Co., Ltd. ON-DEMAND FUNCTION SUPPLY SYSTEM (FAAS), AND METHOD OF OPERATING THE SYSTEM
US11138517B2 (en) * 2017-08-11 2021-10-05 Google Llc On-device machine learning platform
US11170309B1 (en) * 2017-11-22 2021-11-09 Amazon Technologies, Inc. System for routing machine learning model inferences
US20200311617A1 (en) * 2017-11-22 2020-10-01 Amazon Technologies, Inc. Packaging and deploying algorithms for flexible machine learning
US11537439B1 (en) * 2017-11-22 2022-12-27 Amazon Technologies, Inc. Intelligent compute resource selection for machine learning training jobs
US11200512B2 (en) * 2018-02-21 2021-12-14 International Business Machines Corporation Runtime estimation for machine learning tasks
US10621513B2 (en) * 2018-03-08 2020-04-14 Capital One Services, Llc System and method for deploying and versioning machine learning models
US11853401B1 (en) * 2018-06-05 2023-12-26 Amazon Technologies, Inc. Machine learning model creation via user-configured model building blocks
US11615339B2 (en) * 2018-06-06 2023-03-28 EmbodyVR, Inc. Automated versioning and evaluation of machine learning workflows
US10382260B1 (en) * 2018-06-07 2019-08-13 Capital One Services, Llc Utilizing maching learning to reduce cloud instances in a cloud computing environment
US10735291B2 (en) * 2018-07-27 2020-08-04 Centurylink Intellectual Property Llc Method and system for implementing high availability (HA) web application firewall (WAF) functionality
US10789089B2 (en) * 2018-09-13 2020-09-29 Intuit Inc. Dynamic application migration between cloud providers
US11334815B1 (en) * 2018-09-28 2022-05-17 Snap Inc. Cloud based machine learning
US11163728B2 (en) * 2018-09-28 2021-11-02 International Business Machines Corporation Sharing container images utilizing a shared storage system
US10997375B2 (en) * 2018-11-14 2021-05-04 Bank Of America Corporation System for selective data capture and translation
US11573814B1 (en) * 2018-12-12 2023-02-07 Amazon Technologies, Inc. Sharing prepopulated container image caches among container execution environments

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024063437A1 (ko) * 2022-09-22 2024-03-28 쿠팡 주식회사 인공지능 모델을 관리하기 위한 방법 및 장치
KR102636698B1 (ko) * 2023-08-02 2024-02-15 (주)아스트론시큐리티 서버리스 함수의 취약점 점검 방법 및 점검 서버

Also Published As

Publication number Publication date
EP3933585A4 (en) 2022-04-27
EP3933585A1 (en) 2022-01-05
WO2020184827A1 (ko) 2020-09-17
US20220179661A1 (en) 2022-06-09

Similar Documents

Publication Publication Date Title
KR20200109819A (ko) 전자 장치 및 이의 제어 방법
US10789544B2 (en) Batching inputs to a machine learning model
US11126463B2 (en) System for providing function as a service (FaaS), and operating method of system
CN108052384B (zh) 一种任务处理方法、服务平台及电子设备
CN111258744A (zh) 一种基于异构计算的任务处理方法及软硬件框架系统
US10193973B2 (en) Optimal allocation of dynamically instantiated services among computation resources
KR20130114497A (ko) 분산 처리 시스템, 분산 처리 시스템의 스케줄러 노드 및 스케줄 방법, 및 이를 위한 프로그램 생성 장치
CN113641457A (zh) 容器创建方法、装置、设备、介质及程序产品
US11683232B2 (en) Methods and apparatus to implement cloud specific functionality in a cloud agnostic system
CN110832461B (zh) 用于提供函数即服务（faas）的系统及该系统的操作方法
CN111527474A (zh) 软件功能的动态交付
US20170344398A1 (en) Accelerator control device, accelerator control method, and program storage medium
US20150149615A1 (en) Process cage providing attraction to distributed storage
US9553761B2 (en) Dynamic server to server configuration and initialization
US10334028B2 (en) Apparatus and method for processing data
US20240192946A1 (en) Application management platform for hyper-converged cloud infrastructures
US9501303B1 (en) Systems and methods for managing computing resources
CN107045452B (zh) 虚拟机调度方法和装置
KR20200135138A (ko) 가상 머신을 부팅하기 위한 방법, 장치, 기기 및 매체
US9524193B1 (en) Transparent virtualized operating system
CN110231983B (zh) 数据并发处理方法、装置及系统、计算机设备及可读介质
CN110532099B (zh) 资源隔离方法和装置以及电子设备和介质
US9298517B2 (en) Exclusive control request allocation method and system
CN113918273B (zh) 一种容器组的创建方法和装置
CN117369996B (zh) 数据处理方法、电子设备及计算机可读存储介质

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E902 Notification of reason for refusal