[Paper] HPC 시스템에서 에너지 효율성 분석의 과제: 합성 벤치마크와 Gromacs 평가

Source: arXiv - 2512.03697v1

Overview

이 논문은 최신 HPC 시스템에서 에너지 효율을 측정하는 것이 왜 그렇게 간단하지 않은지를 조사한다. 합성 벤치마크와 실제 과학 응용 프로그램(GROMACS)을 두 개의 대형 클러스터(Fritz와 Alex)에서 비교함으로써, Intel Ice Lake/Sapphire Rapids CPU와 Nvidia A40/A100 GPU에서 전력 데이터를 수집하고 해석하는 방식에 숨겨진 함정을 드러낸다. 이들의 발견은 “그린” 성능을 재현 가능한 방식으로 벤치마크하고자 하는 모든 사람에게 경각심을 일깨워준다.

Key Contributions

• 합성 벤치마크 스위트와 생산 등급 분자 동역학 코드(GROMACS) 간의 체계적인 비교를 이종 CPU‑GPU 노드에서 수행.
• 인기 프로파일링 도구(LIKWID for CPUs, Nvidia Nsight/PowerAPI for GPUs)가 도입하는 측정 아티팩트에 대한 심층 분석.
• 샘플링 간격 불일치, 유휴 전력 기준선 드리프트, MPI‑레벨 동기화 효과와 같은 일반적인 오류 원인 식별.
• 현재 세대 HPC 하드웨어에서 신뢰할 수 있는 에너지 효율 실험을 위한 실용적인 체크리스트 제공.
• 재현성을 위한 오픈소스 데이터 세트(원시 전력 트레이스, 벤치마크 구성) 공개.

Methodology

1. 하드웨어 플랫폼 – 실험은 두 클러스터에서 수행됨:

   • Fritz: 듀얼‑소켓 Intel Ice Lake CPU + Nvidia A40 GPU.
   • Alex: 듀얼‑소켓 Intel Sapphire Rapids CPU + Nvidia A100 GPU.

2. 소프트웨어 스택 –

   • 전체 CPU 소켓에 걸친 병렬 실행을 위한 MPI (OpenMPI).
   • 실제 워크로드로서 GPU‑오프로드된 GROMACS 2023.
   • “이상적인” 워크로드를 대표하는 합성 벤치마크 집합(STREAM, LINPACK, 사용자 정의 컴퓨트‑바운드 커널).

3. 계측 –

   • LIKWID (RAPL을 통한 코어별 전력 카운터)로 CPU 에너지 측정.
   • Nvidia 프로파일링 도구(NVML, Nsight Systems)로 GPU 전력 측정.
   • 1 kHz로 샘플링하고 MPI 랭크별로 집계.

4. 실험 설계 –

   • 각 벤치마크를 다양한 문제 크기와 MPI 프로세스 수(전체 소켓, 절반 소켓, 하이퍼스레드)에서 실행.
   • 벽시계 시간, 총 에너지, 파생 지표(성능‑당‑와트, Joules‑per‑step) 기록.
   • 정지 노드에서 “베이스라인” 실행을 수행해 정적 전력 소비량을 정량화.

5. 분석 파이프라인 –

   • CPU와 GPU 로그 간 타임스탬프 정렬.
   • 통계적 이상치 필터링(±2σ) 적용.
   • 합성 벤치마크와 GROMACS 에너지 프로파일을 비교하고 효율 비율 계산.

Results & Findings

• 합성 벤치마크는 효율성을 크게 과대평가한다. 이는 CPU와 GPU를 지속적으로 가동시키는 반면, GROMACS는 불규칙한 계산/통신 단계가 존재하기 때문이다.
• 전력 샘플링 세분화가 중요: 1 kHz는 10 Hz 샘플링이 완전히 놓치는 GPU 전력 스파이크를 포착해 에너지 총합에 최대 10 % 오차를 초래한다.
• MPI barrier 위치가 유휴 전력을 증가시킬 수 있다; 불필요한 동기화를 제거하면 실행 시간에 영향 없이 측정 에너지를 약 3 % 절감한다.
• 정적 전력 드리프트(열 스로틀링, 백그라운드 OS 활동)는 장시간 실행 시 총 에너지의 최대 8 %를 차지해 베이스라인 보정의 필요성을 강조한다.

Practical Implications

• 벤치마크 선택 – “그린” 주장에 합성 스위트만 의존하면 오해를 불러일으킬 수 있다. 개발자는 동일한 CPU‑GPU 상호작용 패턴을 스트레스하는 도메인‑특화 워크로드(GROMACS, LAMMPS 등)를 함께 사용해야 한다.
• 툴체인 인식 – 프로파일러는 고주파 샘플링 및 타임스탬프 동기화를 위해 적절히 설정되어야 하며, 그렇지 않으면 에너지 예산이 눈에 띄게 차이날 수 있다.
• 코드 최적화 – 불필요한 MPI barrier를 줄이고 통신과 계산을 겹치게 하면 측정 가능한 에너지 절감 효과를 얻을 수 있다. 이는 많은 MPI 기반 코드에 적용 가능한 저비용 개선책이다.
• 용량 계획 – 제공된 베이스라인 보정 방법을 사용하면 시스템 관리자는 혼합 CPU‑GPU 워크로드에 대한 전력 한계와 냉각 요구량을 보다 정확히 예측할 수 있다.
• 벤더 비교 – A40과 A100을 나란히 비교한 결과는 에너지 비용이 주요 고려 사항일 때 하드웨어 업그레이드를 정당화할 구체적인 데이터를 제공한다.

Limitations & Future Work

• 하드웨어 범위 – 이번 연구에서는 Intel Ice Lake/Sapphire Rapids CPU와 Nvidia A40/A100 GPU만을 다루었으며, AMD EPYC 또는 최신 GPU 아키텍처에서는 결과가 다를 수 있다.
• 단일 애플리케이션 – GROMACS는 분자 동역학을 대표하지만 AI 학습, 그래프 분석 등 모든 HPC 분야를 대변하지는 않는다. 다른 코드에 대한 확장은 결론을 강화할 것이다.
• 정적 전력 모델링 – 베이스라인 보정은 선형 드리프트를 가정하는데, 극한 열 조건에서는 이 가정이 맞지 않을 수 있다. 보다 정교한 열‑전력 모델이 필요하다.
• 향후 방향 – 저자들은 (1) MPI 런타임에 전력 인식 스케줄링 정책을 통합, (2) 측정 아티팩트 자동 탐지 연구, (3) CI 파이프라인에 삽입 가능한 포터블 “에너지‑효율 테스트 하니스” 공개를 계획하고 있다.

Authors

• Rafael Ravedutti Lucio Machado
• Jan Eitzinger
• Georg Hager
• Gerhard Wellein

Paper Information

• arXiv ID: 2512.03697v1
• Categories: cs.DC, cs.MS
• Published: December 3, 2025
• PDF: Download PDF