Earticle

초록

한국어

SSD(Solid-State Drive)는 다수의 HDD(Hard Disk Drive)로 구성된 영상 서버에서 캐시로 활용될 수 있으며, 제한된 캐싱 공간을 효율적으로 사용하기 위해서는 캐싱될 영상의 미래 인기도를 정확하게 예측하는 것이 요구된다. 본 논문에서는 SVR(Support Vector Regression) 기반의 영상 인기도 예측 기법을 통해 영상 서버에서 SSD 캐 시를 할당하는 방법을 제안한다. 먼저 예측 영상 인기도를 도출하기 위해 영상의 제목, 대표 이미지, 선호도 지표, 과거 조회수 기록 등 다양한 특징 벡터를 통해 영상 인기도 예측 모델을 구축하고 특징 벡터 구성에 따라 모델의 예 측 성능과 연산 복잡도가 어떻게 변화하는지 분석하며, 그 결과를 기반으로 영상 인기도를 인자로 사용하는 SSD 캐 싱 할당 모델을 제시한다. 9만개의 실제 유튜브 영상의 데이터를 수집하고, SSD 캐싱 동작을 시뮬레이션하여 1) 영상 인기도 예측 성능과 연산 복잡도간의 관계, 2) 최적해 대비 SSD 캐싱 할당 성능 면에서 제안하는 기법의 효용성을 검증하였다.

영어

Solid-state drives (SSDs) can be effectively used as a cache for video servers that consist of a lot of hard disk drives (HDDs), for which exact prediction of future video popularity is essential to make effective use of limited cache space. We propose a new SSD cache allocation scheme by making use of video popularity prediction based on a machine learning technique called support vector regression (SVR). To derive future popularity, we first construct a video popularity prediction model based on various feature types including title, thumbnail, and a ratio of “likes" and “dislikes" and viewing history to predict the popularity of video clips and analyze how complexity and accuracy of the SVR vary with each feature type. Based on this, we develop an SSD cache allocation model that uses video popularity as a parameter. We simulated a video server that stores 90,000 actual YouTube video clips to evaluate our scheme in terms of 1) popularity prediction accuracy and computational complexity 2) SSD caching set determination performance compared with optimal solution. The results confirm that the proposed scheme can accurately predict future popularity at a modest machine learning cost, which can be effectively used to SSD caching set determination.

목차

요약
Abstract
1. 서론
2. 관련 연구
3. 시스템 모델
3.1 기본 아이디어
3.2 SVR 기반 영상 인기도 예측 모델
3.3 영상 인기도와 특징 벡터간의 상관 관계
4. SSD 캐시 할당 모델
4.1 SSD 캐시 할당 최적화 문제 정의
4.2 SSD 캐시 할당 알고리즘
5. 실험 결과
5.1 실험 환경
5.2 입력 및 특징 벡터에 따른 인기도 예측 성능
5.3 SSD 캐시 할당 기법의 효용성
6. 결론
Acknowledgments
참고문헌

저자

• 이영주 [ Yeongju Lee | 인하대학교 컴퓨터공학과 ]
• 송민석 [ Minseok Song | 인하대학교 컴퓨터공학과 ] 교신저자

참고문헌