L2LRU: LRU 페이지 교체 기법을 위한 러닝 기반 페이지 이동 정책

Abstract

페이지 캐시 교체 정책 중 하나인 LRU는 재접근이 발생하는 페이지를 리스트의 앞(Head) 위치로 이동시킴으로써 캐시 적중률을 높인다. 그러나, LRU의 페이지 이동은 락-언락 명령어를 호출함으로써 시스템의 대기 상태를 유발한다. 이에, 본 논문에서는 딥 러닝을 이용하여 페이지의 재접근 거리를 학습하고 재접근이 발생하는 경우, LRU 리스트 페이지에 대한 이동 유무를 판단하는 L2LRU(Learning-based Lock-free LRU) 기법을 새롭게 제안한다. 특히, L2LRU는 기존 LRU 교체 기법과 다르게 페이지를 재접근 될 가능성이 높은 위치로 페이지를 이동시킨다. 제안 기법을 평가하기 위해, 우리는 트레이스 기반 시뮬레이션 방식으로 L2LRU을 구현하였으며, Microsoft Research Cambridge Trace을 실험의 입력으로 사용하였다. 실험 결과 제안한 L2LRU가 LRU 대비 최대 91% 락-언락 명령어 호출을 감소시킬 수 있었다.