Earticle

최근 클라우드 기반의 자원들은 다양한 장치를 통해 클라우드 서버로 저장하여 사용되고 있지만, 클라우드 서버로 전송되는 자원들은 클라우드에서 작업량을 최적화하기 위해 특정한 기능을 연결해주는 유연성 및 이동성에 제약이 있다. 본 논문에서는 속도, 성능, 안정성과 같은 요소를 기준으로 클라우드에서 작업량을 최적화할 수 있는 멀티 클라우드 기반 시스템 장애 최소화를 위한 분산 클라우드 자원 할당 기법을 제안한다. 제안 기법은 클라우드 자원의 특징을 계층별로 추출하여 특징들의 패턴을 합성 과정을 통해 클라우드 자원 할당을 동적으로 연계하여 최적화한다. 특히, 제안 기법은 멀티 클라우드 환경에서 클라우드 자원 할당을 최소화하기 위해서 동일 패턴의 클 라우드 자원을 블록체인으로 묶고, 합성 과정을 통해 클라우드 자원 크기를 줄임으로써 클라우드 자원을 일관성 있게 유지한다. 성능평가 결과, 제안 기법은 클라우드 자원 간 확률값에 따라 서로 연계하기 때문에 클라우드 자원 검증 시간이 평균 7.42% 향상되었고, 블록체인의 크기가 증가할수록 검증 지연 시간은 평균 8.81% 낮게 나타났다. 또한, 블록체인 그룹 크기에 따른 클라우드 자원의 연계 장애율은 평균 11.12% 낮은 결과를 얻었다.

Recently, cloud-based resources are stored and used as cloud servers through various devices, but resources transmitted to cloud servers have limitations in flexibility and mobility that connect specific functions to optimize workloads in the cloud. In this paper, we propose a distributed cloud resource allocation technique for minimizing failures in a multi-cloud system that can optimize workloads in the cloud based on factors such as speed, performance, and stability. The proposed technique extracts features of cloud resources by layer and dynamically links and optimizes cloud resource allocation through the convolution process of the patterns of features. In particular, the proposed technique keeps cloud resources consistent by grouping the same pattern of cloud resources into a blockchain to minimize cloud resource allocation in a multi-cloud environment and reducing the size of cloud resources through the convolution process. As a result of the performance evaluation, because the proposed technique is linked to each other according to the probability value between cloud resources, the average cloud resource verification time improved by 7.42%, and the verification delay time decreased by 8.81%. In addition, the average linkage failure rate of cloud resources according to the blockchain group size was 11.12% lower.

위치기반 서비스란 휴대폰과 같은 모바일 단말기 속에 위성 항법장치(GPS)와 연결되는 칩을 부착하여 위치추적 서비스, 공공안전 서비스, 위치기반 정보 서비스 등 위치와 관련된 각종 정보를 제공하는 서비스를 일컫는다. 그리고 클라우드 컴퓨팅이란 개인용 컴퓨터 또는 기업의 서버에 개별적으로 저장해 두었던 자료와 소프트웨어들을 클라우드 클러스터로 구축하여 필요할 때 PC나 휴대폰 같은 각종 단말기를 이용하여 원격 작업을 수행할 수 있는 환경을 의미한다. 본 논문에서는 구글의 연구로부터 시작된 클라우드 컴퓨팅 기술에 주목하고 클라우드 컴퓨팅 환경을 위한 대용량 이동 객체의 정보를 저장하고 질의하는 시스템에 대하여 연구하였다. 그리고 위치 기반 서비스를 위한 대용량 이동객체에 대하여 효율적인 질의를 수행할 수 있는 저장 구조를 제안하였다. 본 논문에서 제안한 방법을 적용한 시스템의 효율성을 증명하기 위해 저장 및 질의 성능을 다양한 측면에서 실험하고, 실험 결과를 다른 분산처리 시스템과의 비교하여 성능을 입증하였다.

The location-based service is referred to as the service for providing various types of information regarding such as the location-tracing service, the public-safety service and the location-based information service by attaching chips connected with the GPS to the mobile phone. In addition, cloud computing means the environment which makes it possible to carry out remote operations by establishing cloud clusters with the data and software which have been individually stored in personal computer or corporate servers and using devices such as personal computers and cellular phones whenever it is necessary. Throughout this paper, the cloud computing technology which originates from the research by Google the system has been focused on and the system for storing a large volume of information for moving object and making query for cloud computing environment has been studied. Besides, the storing structure for executing efficient query regarding the high-capacity mobile devices for the location-based service has been suggested. In order to prove the efficiency of the system with the application of the method suggested in this paper, the storage and qualitative functions have been experimented in various aspects and compared with other distributed processing system's performance.

Genomic data plays a transformative role in medicine, biology, and forensic science, offering insights that drive advancements in clinical diagnosis, personalized medicine, and crime scene investigation. Despite its potential, the integration and analysis of diverse genomic datasets remain challenging due to compatibility issues and the specialized nature of existing tools. This paper presents the GenomeSync system, designed to overcome these limitations by utilizing the Hadoop framework for large-scale data handling and integration. GenomeSync enhances data accessibility and analysis through SQL-based search capabilities and machine learning techniques, facilitating the identification of genetic traits and the resolution of forensic cases. By preprocessing DNA profiles from crime scenes, the system calculates similarity scores to identify and aggregate related genomic data, enabling accurate prediction models and personalized treatment recommendations. GenomeSync offers greater flexibility and scalability, supporting complex analytical needs across industries. Its robust cloud-based infrastructure ensures data integrity and high performance, positioning GenomeSync as a crucial tool for reliable, data-driven decision-making in the genomic era.

The volume of genomic data is constantly increasing in various modern industries and research fields. This growth presents new challenges and opportunities in terms of the quantity and diversity of genetic data. In this paper, we propose a distributed cloud system for integrating and managing large-scale gene databases. By introducing a distributed data storage and processing system based on the Hadoop Distributed File System (HDFS), various formats and sizes of genomic data can be efficiently integrated. Furthermore, by leveraging Spark on YARN, efficient management of distributed cloud computing tasks and optimal resource allocation are achieved. This establishes a foundation for the rapid processing and analysis of large-scale genomic data. Additionally, by utilizing BigQuery ML, machine learning models are developed to support genetic search and prediction, enabling researchers to more effectively utilize data. It is expected that this will contribute to driving innovative advancements in genetic research and applications.

With the rapid development of cloud computing technology, it’s the cloud rendering that cloud computing is applied to render the job in CG (Computer Graphic) industry. The cloud rendering can handle a large number of rendering requests which are enormous pressure for back-end servers in system. Facing with massive data and computing resources, the bottleneck of original HDFS (Hadoop Distributed File System) based on cloud computing has become more and more prominent, such as the failure of single Namenode, scalability issues. Therefore, the paper proposed an improved HDFS which evolved a single Namenode into multi-Namenode. In HDFS, Metadata management is very important. So this paper presented a two-level Metadata distribution algorithm. The two-level algorithm was based on the principle that different distribution strategies were used to different categories of Metadata. The experiments verified that the improved HDFS effectively improved the performance of the system.

In this paper, we propose a Hadoop-based Distributed Video Transcoding System in a cloud computing environment that transcodes various video codec formats into the MPEG-4 video format. This system provides various types of video content to heterogeneous devices such as smart phones, personal computers, television, and pads. We design and implement the system using the MapReduce framework, which runs on a Hadoop Distributed File System platform, and the media processing library Xuggler. Thus, the encoding time to transcode large amounts of video content is exponentially reduced, facilitating a transcoding function. For performance evaluation, we focus on measuring the total time to transcode a data set into a target data set for three sets of experiments. We also analyze the experimental results, providing optimal Hadoop Distributed File System and MapReduce options suitable for video transcoding. Based on the experiments performed on a 28-node cluster, the proposed distributed video transcoding system provides excellent performance in terms of speed and quality.

최근 렌더링을 위한 플랫폼으로 멀티 클라우드 환경이 주목받고 있다. 이는 렌더링의 연산량이 시간에 따라 변동 폭이 큰 반면 각 렌더링 작업은 독립적으로 수행될 수 있기 때문이다. 그러나, 멀티 클라우드 렌더링은 대용량의 렌더링 입력 데이터에 대한 일관성을 유지하면서 실시간으로 데이터를 전송해야 하는 어려운 점이 존재한다. 본 논문에서는 멀 티 클라우드 렌더링을 위한 새로운 분산 파일 시스템을 개발하였다. 개발된 파일 시스템은 로컬 머신에 파일 서버를 두어 렌더링 입력 파일에 대한 버전을 관리하고, 클라우드에 캐쉬 관리자를 두어 파일의 버전을 고려한 분산 협력 캐슁 을 수행한다. 렌더링 워크로드를 이용한 실측 실험을 통해 개발된 파일 시스템이 NFS 대비 745%의 I/O 처리율을 나타 내는 것을 확인했으며, 업로드 방식과 비교할 때 평균 56%의 실행시간 개선이 있는 것으로 확인되었다.

Multi-cloud rendering has been attracting attention recently as the computational load of rendering fluctuates over time and each rendering process can be performed independently. However, it is challenging in multi-cloud rendering to deliver large amounts of input data instantly with consistency constraints. In this paper, we develop a new distributed file system for multi-cloud rendering. In our file system, a local machine maintains a file server that manages versions of rendering input files, and each cloud node maintains a rendering cache manager, which performs distributed cooperative caching by considering file versions. Measurement studies with rendering workloads show that the proposed file system performs better than NFS and the uploading schemes by 745% and 56%, respectively, in terms of I/O throughput and execution time.

This paper describes a fast circuit simulation technique using the latency insertion method (LIM) with a parallel and distributed leapfrog algorithm. The numerical simulation results on the PC cluster system that uses the cloud computing system are shown. As a result, it is confirmed that our method is very useful and practical.

현재 클라우드 시스템은 사업자가 각자의 방식으로 클라우드 환경을 구축함에 따라 클라우드 시스템 간 상호운용성이 떨어져 호환이 되지 않는다. 예를 들어 Google 클라우드를 사용하는 사용자는 별도의 추가적인 로그인하는 과정을 거치지 않으면 MS(마이크로소프트) 클라우드 시스템을 사용할 수 없다. Google 클라우드 사용자가 MS 클라우드 서비스를 이용하기 위해 Google 클라우드 시스템 로그아웃 이후 다시 MS 클라우드에 로그인 하는 과정을 거쳐야 한다. 이러한 문제를 해결하기 위해 CSB(Cloud Service Broker) 기술이 등장하여 클라우드 시스템간의 상호 호환 문제를 해결하고 있으나, 아직도 많은 연구와 개발이 필요한 실정이다. 본 연구에서는 이종 분산 클라우드 환경의 서비스 중재 기술로 등장하고 있는 CSB(Cloud Service Broker) 기술 중에서 클라우드 사용자의 상호운용성의 근본적인 해결 과제인 사용자 통합 인증 시스템을 설계한다.

Currently, cloud systems are not interoperable due to low interoperability between cloud systems as operators build up cloud environments with their own way. For example, users of the Google cloud system can not use the Microsoft (Microsoft) cloud system unless they go through an additional log-in process. In order for Google cloud system's users to use MS cloud system services, they must log in to the MS cloud system again after logging out of Google cloud system. In order to solve these problems, Cloud Service Broker(CSB) technology has emerged to resolve the interoperability problem between cloud systems, but many researches and developments are still needed. In this paper, we design an integrated user authentication system, which is a fundamental problem of cloud user interoperability among CSB (Cloud Service Broker) technologies, which is emerging as a service intervention technology of heterogeneous distributed cloud environment.

클라우드 환경에서 빅데이터 적재와 이후 애플리케이션을 통한 고속 처리를 위해서는 적합한 분산 파일 시스템의 선택이 요구된다. 본 논문에서는 GlusterFS 기반 쓰기 성능 향상 방법을 제안하고 클라우드 환경에서 기존 분산 파일 시스템 중 MapRFS, CephFS, GlusterFS와 성능을 비교 평가한다. 본 논문에서 제안한 쓰기 성능 향상 방법은 동기식 스토리지 복제 방식에서 사용하는 동기화 수준을 디스크에서 메모리로 변경함으로써 응답 시간을 향상 시킨다. 실험 결과는 본 논문의 제안 방법이 적용된 분산 파일 시스템이 순차 쓰기의 경우와 랜덤 쓰기와 랜덤 읽기가 혼합된 경우에서 다른 분산 파일 시스템 대비 성능이 우수함을 보인다.

The choice of a suitable distributed file system is required for loading large data and high-speed processing through subsequent applications in a cloud environment. In this paper, we propose a write performance improvement method based on GlusterFS and evaluate the performance of MapRFS, CephFS and GlusterFS among existing distributed file systems in cloud environment. The write performance improvement method proposed in this paper enhances the response time by changing the synchronization level used by the synchronous replication method from disk to memory. Experimental results show that the distributed file system to which the proposed method is applied is superior to other distributed file systems in the case of sequential write, random write and random read.

최근 클라우드 컴퓨팅 기술은 기존의 서버, 데스크톱 컴퓨팅 환경을 빠르게 변화시키며, 차세대 인터넷 서비스의 핵심 분야로 부각되고 있다. 클라우드 컴퓨팅 기술 중 특히 저비용, 안정성, 확장성, 무결성 그리고 보안성을 가지고 있는 클라우드 스토리지 서비스가 각광 받고 있다. 이에 본 논문은 클라우드 스토리지 기반 기술인 분산 파일 시스템에 관해서 살펴보고, 오픈소스 기반의 분산 파일 시스템인 MooseFS, XtreemFS, GlusterFS, Ceph 등을 이용하여 시스템 구축 및 성능 측정을 수행 하였다. 수행결과 Postmark에서는 GlusterFS, MD5SUM에서는 XtreemFS가 가장 좋은 성능을 보여주었다.

클라우드 컴퓨팅이 많은 관심을 받고 발전하면서 여러 IT선도업체에서 클라우드 컴퓨팅 기술 개발에 많은 투자를 하고 있다. 이러한 클라우드 컴퓨팅 환경에서는 대부분의 데이터를 서버에 저장한다. 이러한 이유로 클라우드 환경에서 사용되는 파일 시스템은 기존의 파일 시스템 보다 많은 데이터를 저장하게 된다. 이에 따라 많은 데이터를 처리하기 위해서 클라우드 환경에서는 분산 파일 시스템 기술을 활용하고 있다. 또한 분산 파일 시스템은 네트워크상의 여러 스토리지 서버에 데이터가 분산되어 저장되기 때문에 데이터의 관리뿐만 아니라 성능, 장애 허용, 보안 등의 요구사항을 만족해야 한다. 본 논문에서는 XtreemFS, Ceph, GlusterFS, MooseFS 등의 분산 파일 시스템들을 기능적 측면에서 살펴보고, 각 분산 파일 시스템을 본 논문에서 제안하는 기능적 평가요소 측면에서 비교하고 평가한다.

본 연구의 목적은 물리적 분포형 강우-유출 모형인 GRM(Grid based Rainfall-runoff Model)과 마이크로소프트 Azure(Microsoft cloud computing service)를 이용하여 낙동강 유역의 유출해석시스템을 개발하고, Azure의 가상머신(VM, Virtual Machine) 설정에 따른 시스템 실행시간을 평가하는 것이다. 이를 위해서 낙동강 유역을 20개의 소유역으로 구분하고, 각 소유역에 대해서 GRM 모형을 구축하였다. 각 유역의 유출해석은 상하류 위상관계를 유지하면서 독립된 프로세스로 실행된다. 실시간 유출해석을 위해 국토교통부의 실시간 강우레이더 자료와 댐방류량 자료를 이용한다. 유출해석시스템은 Azure에서 실행되며, 유출해석 결과는 웹을 통해서 가시화 된다. 연구결과 실시간 수문자료 수신서버와 유출해석 계산서버(Azure) 및 사용자 PC가 연계된 낙동강 실시간 유출해석시스템을 개발할 수 있었다. 유출해석을 위한 전산장비는 하드디스크와 메모리 보다는 CPU의 성능에 크게 의존하는 것으로 평가되었다. 유출해석시의 디스크 입출력(I/O)과 계산 프로세스를 분산함으로써 입출력과 계산 병목을 각각 감소시킬 수 있었고, 실행시간을 단축시킬 수 있었다. 본 연구의 결과는 고해상도의 공간 및 수문 자료를 활용하는 분포형 모형을 이용한 대유역 유출해석시스템을 구축하기 위한 기술로 활용될 수 있을 것이다.

The objective of this study was to develop a runoff analysis system of the Nakdong River watershed using the GRM (Grid-based Rainfall-runoff Model), a physically-based distributed rainfall-runoff model, and to assess the system run time performance according to Microsoft Azure VM (Virtual Machine) settings. Nakdong River watershed was divided into 20 sub-watersheds, and GRM model was constructed for each subwatershed. Runoff analysis of each watershed was calculated in separated CPU process that maintained the upstream and downstream topology. MoLIT (Ministry of Land, Infrastructure and Transport) real-time radar rainfall and dam discharge data were applied to the analysis. Runoff analysis system was run in Azure environment, and simulation results were displayed through web page. Based on this study, the Nakdong River real-time runoff analysis system, which consisted of a real-time data server, calculation node (Azure), and user PC, could be developed. The system performance was more dependent on the CPU than RAM. Disk I/O and calculation bottlenecks could be resolved by distributing disk I/O and calculation processes, respectively, and simulation runtime could thereby be decreased. The study results could be referenced to construct a large watershed runoff analysis system using a distributed model with high resolution spatial and hydrological data.