[동정] 박찬휘 석사과정생 (지도교수 김도형) 2026 ACM SAC 학술대회 논문 게재 승인
- 작성자 컴퓨터공학과
- 작성일 2025.11.26
- 조회 285
강원대학교 컴퓨터공학과 『지능형컴퓨터네트워크 연구실』의 박찬휘 석사과정생 (지도교수 김도형)은 2026년 3월 그리스에서 개최될 예정인 The 41st ACM/SIGAPP Symposium On Applied Computing 학회에서 "Popularity-Aware Neural Network-based Caching" 제목의 논문을 발표할 예정이다. ACM SAC은 experimental computing 및 application development 관련 분야의 문제들을 다루는 학술대회로 BK21 플러스 사업 Computer Science 분야 우수국제학술대회에 등재되어 있다.
기존의 Neural Network (NN) 기반 캐싱 방식은 신경망의 중간 계층에서 생성된 특징 표현의 유사성을 활용하여 요청을 처리한다는 점에서 전통적인 콘텐츠 캐싱과 구별된다. 즉, 캐시 히트는 동일한 콘텐츠의 존재 여부가 아니라 유사한 입력에 대해 신경망이 충분히 높은 신뢰도로 동일한 출력을 낼 수 있는지에 기반한다. 기존 NN 캐싱 연구들은 주로 모델 구조나 추론 효율성에 초점을 맞추어 왔기 때문에, 실제 서비스 환경에서 중요한 요소인 요청 인기도(popularity) 를 캐시 학습과정에 반영하는 접근은 충분히 고려되지 못했다. 이로 인해 인기 데이터에 대한 정확도 향상이나 메모리 효율 극대화와 같은 실질적 캐시 성능 개선에는 한계가 존재해 왔다. 이러한 문제를 해결하기 위해 본 연구에서는 요청 인기도를 반영해 캐시 학습을 편향시키는 Popularity-Aware NN-caching (PANN) 시스템을 제안하였다. 제안 시스템은 서비스 제공자(예: 클라우드)가 주기적으로 사용자 요청의 인기 분포를 수집하고, 이를 활용하여 NN-cache를 Transfer Learning 기반으로 재훈련한 뒤, 모바일 단말의 신경망 은닉층 말단에 경량 캐시 형태로 배포하는 구조를 갖는다. CIFAR-100, Places365, Food-101 등 여러 데이터셋과 ResNet 계열 모델을 대상으로 수행한 실험 결과, PANN-cache는 기존 NN 캐싱 방식보다 최대 38.86% 더 많은 요청을 처리하고, 8.04%의 정확도 향상을 보였다. 또한 동일한 메모리 제약 조건에서 Knowledge-Distillation 방식과 비교했을 때 최대 60.25%의 캐시 처리 증가와 27.04%의 정확도 개선을 달성하였다. 본 연구는 popularity 기반 학습 편향을 도입함으로써 NN-cache의 실효성을 크게 향상시키고, ML 기반 캐싱 구조의 활용성과 확장 가능성을 제시한다는 점에서 의의를 갖는다.