세트-디프(SeT-Diff): 고성능 컴퓨팅(HPC) 모니터링 및 시계열 데이터를 위한 의미론적 기반 모델의 개발

고성능 컴퓨팅 모니터링의 필요성

데이터 센터와 그에 속한 컴퓨팅 노드에는 작업량, 환경 파라미터 및 물리적 지표의 복잡한 상호작용을 모델링할 수 있는 정확하고 유연한 디지털 쌍이 필요하다. 현재의 고성능 컴퓨팅(HPC) 및 그 전원센서의 기계 학습 접근법은 일반적으로 단일 작업을 위해 고정된 위치의 익명 센서 변수의 정적 부분 집합에 의존한다. 따라서, 이러한 모델은 목표 작업이 변경되거나 센서 메트릭이 변할 때 불필요해진다.

이러한 문제를 해결하기 위해, 새로운 접근법이 필요하다. 이는 컴퓨팅 노드의 전원센서 및 시계열 데이터를 모델링할 수 있는 유연하고 정확한 모델을 제공해야 한다. 이를 위해, 의미론적 기반 모델을 개발할 수 있다. 이러한 모델은 각 센서의 의미론적 설명에 따라 생성 프로세스를 조건화하여 시스템 동적과 데이터셋 구조를 분리한다.

SeT-Diff 모델의 개발

우리는 SeT-Diff를 제안한다. 이는 컴퓨팅 노드의 전원센서 및 시계열 데이터를 위한 첫 번째 기초 모델이다. SeT-Diff는 확산 기반 접근법을 사용하여, 시스템 동적과 데이터셋 구조를 분리한다. 실제 세계 슈퍼컴퓨터 데이터셋에서 실험을 통해, 재구성 작업에서 평균 절대 오차(MAE)는 0.0470으로 나타났다.

SeT-Diff는 zero-shot permutation stability를 나타내며, 센서가 섞일 때도 오차가 거의 영향을 받지 않아 정확도를 유지한다. 한 번에 훈련된 모델은 데이터의 결측치, 예측 및 가상 센싱을 효과적으로 수행하며, 열 추론에서 0.033 MAE를 달성하여 SeT-Diff를 HPC 시스템의 효과적인 데이터 주도 디지털 쌍으로 만든다.