하드웨어와 소프트웨어의 경계를 다시 정한 ASPLOS 2025 기업 소속 논문 59편

ASPLOS 2025에서는 한 계층이 비용을 모두 떠안게 하기보다 컴파일러, 런타임, 메모리 관리자, 가속기, 클라우드 제어계 사이로 최적화 지점을 옮기는 연구가 두드러집니다. 이번 검토에 포함한 59편은 두 조건을 모두 통과했습니다. 제목이 공식 학회 프로그램에 실제로 있고, 출판사가 제공한 저자 소속 가운데 상업 회사나 기업 연구조직이 직접 적혀 있어야 합니다. 대학과 기업의 공동연구는 포함하지만, 장비 제공을 감사 문구에만 적은 논문, 논문 당시 소속과 현재 직장이 다른 경우, 원문에서 확인되지 않는 자동 기관 연결은 제외했습니다.[1]

색인의 기준일은 2026년 8월 31일입니다. 발견 메타데이터에서 공개 원문 위치를 확인한 논문은 37편이며, 나머지는 공식 프로그램과 DOI 메타데이터가 뒷받침하는 범위에서만 싣습니다. 공개 원문이 없는 논문의 작동 원리를 초록만 보고 재구성하지 않았습니다. 이미 Silicon & Systems에서 다룬 논문은 DOI를 통해 기존 글과 대조하며, 같은 내용을 새 다이제스트로 반복하지 않습니다.

논문 수가 말해 주는 것과 말해 주지 않는 것

기업 소속은 연구가 산업계의 문제 설정을 거쳤다는 근거입니다. 해당 장치가 제품에 들어갔거나 총비용을 줄였거나 실제 서비스 부하를 견뎠다는 뜻은 아닙니다. 어떤 논문은 제작한 칩이나 운영 중인 시스템을 측정하지만, 다른 논문은 시뮬레이션, 추적 재생, 에뮬레이션, 컴파일러 실험, 분석 모델을 사용합니다. 증거의 종류가 다르면 답하는 질문도 다르므로 하나의 성능 수치로 순위를 매길 수 없습니다.

발행 관행도 논문 수에 영향을 줍니다. 이번 집합에서는 Google 9편, NVIDIA 8편, Microsoft 7편, Alibaba 6편, Huawei 6편, Intel 4편, IBM 3편, Meta 3편 순으로 자주 나타나지만, 논문을 적게 내는 회사가 실제 배치를 덜 한다고 볼 수는 없습니다. 대학과의 큰 공동연구가 논문 수를 늘려도 그 장치가 제품으로 이어지지 않을 수 있습니다. 따라서 아래 전체 색인에는 제목, DOI, 기업 소속을 남기고 본문은 반복되는 시스템 판단을 중심으로 읽습니다.

최대 연산량보다 자원 계약으로 옮겨간 AI 연산

AI 관련 논문은 데이터패스의 최대 연산량보다 메모리, 스케줄링, 정밀도, 장애 복구를 누가 제어하는지 묻는 방향으로 이동했습니다. 학습은 큰 장치 집합의 동기화된 진행이 중요하고, 추론은 시퀀스 길이, 배치, 모델 상태가 바뀌는 상황에서 지연시간을 지켜야 합니다. 한쪽에 맞춘 장치가 다른 환경에서는 자원을 낭비할 수 있습니다.

다른 시스템에 옮겨 판단하려면 자원 계약을 먼저 봐야 합니다. 어떤 데이터를 상주시켰는지, 어느 작업을 선점할 수 있는지, 보고한 성능에 필요한 병렬성이 얼마인지, 모델이나 요청 분포가 바뀌면 무엇이 무너지는지 확인해야 합니다. 이 조건이 빠진 가속기 속도 향상은 서버 수나 서비스 목표로 환산하기 어렵습니다.

입력 조건이 아니라 아키텍처의 일부가 된 메모리 동작

메모리 관련 논문은 캐시, 프리페치, 주소 변환, 분리형 메모리, 스토리지 경로, 데이터 이동을 함께 다룹니다. 실행 유닛의 최대 처리율보다 상태가 어디에 있고 언제 움직이는지가 유효 성능을 제한하는 경우가 늘었기 때문입니다. 캐시와 프리페처가 평균 지연시간을 줄여도 간섭이나 꼬리 지연시간을 예측하기 어려워질 수 있습니다.

실제 도입에는 바이트와 시간의 장부가 필요합니다. 줄인 용량과 추가한 트래픽, 로컬 적중과 원격 서비스, 평균 대역폭과 꼬리 지연시간, 일회성 이동과 지속 비용을 구분해야 합니다. 격리, 일관성, 복구를 포함하면 단독 벤치마크에서 유리했던 장치가 더 비싸질 수도 있습니다.

아키텍처 제어계가 된 컴파일러와 런타임

컴파일러, 런타임, 스케줄링 연구는 칩 제작이 끝나도 아키텍처가 고정되지 않는다는 점을 보여 줍니다. 커널 선택, 그래프 분할, 큐 수용, 데이터 배치, 코드 생성이 실제로 어느 하드웨어 경로를 사용할지 정합니다. 이 소프트웨어 제어계는 범용 장치에서 성능을 회수할 수 있지만, 특정 텐서 모양이나 드라이버 동작, 반복되는 부하에 대한 취약한 가정을 숨길 수도 있습니다.

평가에서는 탐색 비용과 실행 이득, 준비 전후 동작, 오프라인 튜닝과 서비스 마감시간 안의 결정을 분리해야 합니다. 정책을 만들 때 쓰지 않은 하드웨어 세대나 모델에서도 시험해야 합니다. 그렇지 않으면 보고한 결과가 재사용 가능한 장치가 아니라 특정 벤치마크에 잘 맞춘 결과일 수 있습니다.

실패 경계를 명시해야 하는 신뢰성과 보안

신뢰성과 보안 장치는 메타데이터, 검사, 샘플링, 중복성을 성능과 맞바꿉니다. 가치는 어떤 실패를 가정했는지에 달려 있습니다. 특정 오류나 공격을 막은 결과를 일반적인 격리로 확대해서는 안 되며, 낮은 평균 오버헤드만으로 최악의 복구 경로나 롤백 중 노출되는 상태를 알 수 없습니다.

도입 전에 보호할 상태, 탐지기가 놓치는 조건, 차단까지 걸리는 시간, 다시 만들어야 할 상태, 탐지기 자체가 실패할 때의 동작을 정해야 합니다. 실제 장비군에서 얻은 증거는 시뮬레이션이 놓치는 배경 오류와 운영 제약을 보여 주지만, 그 결과도 하드웨어 세대와 배치 정책의 범위를 벗어나지는 않습니다.

논문 전체에서 드러나는 운영 판단

이 연구들에서 아키텍처 경계가 움직일 때는 다른 계층이 새로운 책임을 맡습니다. 유연한 하드웨어는 컴파일러에 더 나은 스케줄을 요구하고, 분리형 메모리는 런타임에 데이터 배치와 원격 장애 복구를 맡깁니다. 공유 가속기는 스케줄러가 간섭과 선점을 드러내야 하며, 보안 태그는 캐시, DMA, 입출력 경로를 지나도 유지되어야 합니다.

따라서 구매와 설계 검토에서는 최대 처리량 옆에 최소 유효 배치, 상주 메모리 조건, 최악의 큐 대기, 장애 복구 비용, 소프트웨어 의존성을 함께 적어야 합니다. 가장 큰 속도 향상을 보고한 논문이 항상 안전한 선택은 아닙니다. 운영자의 부하와 가정이 맞고, 실패했을 때의 대체 경로를 측정할 수 있는 장치가 더 강한 후보입니다.

전체 색인을 읽는 방법

아래 목록은 제목에서 가장 뚜렷한 주제에 따라 한 번씩만 분류했습니다. 여러 범주에 걸친 논문도 있지만 총수를 검증할 수 있도록 중복해서 세지 않았습니다. DOI 링크는 서지 기록이며 원문 도판과 표의 재사용 허가를 뜻하지 않습니다. 자료를 옮기려면 해당 원문의 라이선스를 따로 확인해야 합니다.

후속 개별 글의 우선순위는 세 조건으로 정할 수 있습니다. 시스템 경계를 실제로 바꾸는 작동 원리가 있고, 평가 조건을 보존할 만큼 공개 증거가 충분하며, 한 제품을 넘어서는 판단이 남아야 합니다. 이미 다룬 논문은 새 증거가 결론을 바꿀 때만 보강하고, 나머지는 얕은 요약을 양산하지 않도록 검토 대기 목록으로 관리합니다.

ASPLOS 2025 기업 소속 논문 전체 색인

AI 연산과 모델 실행 18편

• Concerto: Automatic Communication Optimization and Scheduling for Large-Scale Deep Learning, Alibaba.
• Einsum Trees: An Abstraction for Optimizing the Execution of Tensor Expressions, Intel.
• FlexSP: Accelerating Large Language Model Training via Flexible Sequence Parallelism, ByteDance.
• Forecasting GPU Performance for Deep Learning Training and Inference, Meta.
• GraphPipe: Improving Performance and Scalability of DNN Training with Graph Pipeline Parallelism, NVIDIA.
• Has Machine Learning for Systems Reached an Inflection Point?, Google DeepMind.
• Load and MLP-Aware Thread Orchestration for Recommendation Systems Inference on CPUs, AMD.
• Mosaic: Exploiting Instruction-Level Parallelism on Deep Learning Accelerators with iTex Tessellation, Cambricon, Tencent.
• OS2G: A High-Performance DPU Offloading Architecture for GPU-based Deep Learning with Object Storage, Alibaba.
• PAPI: Exploiting Dynamic Parallelism in Large Language Model Decoding with a Processing-In-Memory-Enabled Computing System, NVIDIA.
• PartIR: Composing SPMD Partitioning Strategies for Machine Learning, Google DeepMind, Isomorphic Labs.
• Past-Future Scheduler for LLM Serving under SLA Guarantees, SenseTime.
• Practical Federated Recommendation Model Learning Using ORAM with Controlled Privacy, NVIDIA.
• Relax: Composable Abstractions for End-to-End Dynamic Machine Learning, OpenAI, NVIDIA, Cisco, ByteDance, Netflix.
• Spindle: Efficient Distributed Training of Multi-Task Large Models via Wavefront Scheduling, Alibaba.
• TAPAS: Thermal- and Power-Aware Scheduling for LLM Inference in Cloud Platforms, Microsoft.
• Using Analytical Performance/Power Model and Fine-Grained DVFS to Enhance AI Accelerator Energy Efficiency, Huawei.
• Vela: A Virtualized LLM Training System with GPU Direct RoCE, IBM.

메모리·스토리지·데이터 이동 11편

• AnyKey: A Key-Value SSD for All Workload Types, Micron.
• Data Cache for Intermittent Computing Systems with Non-Volatile Main Memory, Arm, Synopsys.
• FleetIO: Managing Multi-Tenant Cloud Storage with Multi-Agent Reinforcement Learning, Google.
• M5: Mastering Page Migration and Memory Management for CXL-based Tiered Memory Systems, Intel.
• MDPeek: Breaking Balanced Branches in SGX with Memory Disambiguation Unit Side Channels, Huawei.
• Necro-reaper: Pruning away Dead Memory Traffic in Warehouse-Scale Computers, Google.
• SMaCk: Efficient Instruction Cache Attacks via Self-Modifying Code Conflicts, Google.
• Stramash: A Fused-Kernel Operating System For Cache-Coherent, Heterogeneous-ISA Platforms, Google.
• Systematic CXL Memory Characterization and Performance Analysis at Scale, Microsoft, Samsung.
• vAttention: Dynamic Memory Management for Serving LLMs without PagedAttention, Microsoft.
• Velosiraptor : Code Synthesis for Memory Translation, Cisco.

프로세서·가속기·실행 구조 2편

• Hierarchical Prefetching: A Software-Hardware Instruction Prefetcher for Server Applications, Huawei.
• Squeezing Operator Performance Potential for the Ascend Architecture, Huawei.

런타임·컴파일러·스케줄링 6편

• Automatic Tracing in Task-Based Runtime Systems, NVIDIA.
• Composing Distributed Computations Through Task and Kernel Fusion, NVIDIA.
• Concurrency-Informed Orchestration for Serverless Functions, Alibaba, Amazon.
• Exo 2: Growing a Scheduling Language, Adobe.
• Hardware Sentinel: Protecting Software Applications from Hardware Silent Data Corruptions, Meta.
• Tela: A Temporal Load-Aware Cloud Virtual Disk Placement Scheme, Tencent.

신뢰성·보안·검증 5편

• AMuLeT: Automated Design-Time Testing of Secure Speculation Countermeasures, Microsoft.
• HetEC: Architectures for Heterogeneous Quantum Error Correction Codes, IBM.
• MOAT: Securely Mitigating Rowhammer with Per-Row Activation Counters, Google.
• QECC-Synth: A Layout Synthesizer for Quantum Error Correction Codes on Sparse Architectures, AWS Quantum Technologies.
• Tackling ML-based Dynamic Mispredictions using Statically Computed Invariants for Attack Surface Reduction, IBM.

데이터센터·네트워크·시스템 정책 3편

• Coach: Exploiting Temporal Patterns for All-Resource Oversubscription in Cloud Platforms, Microsoft, Google, Meta.
• Performance Prediction of On-NIC Network Functions with Multi-Resource Contention and Traffic Awareness, Microsoft.
• Virgo: Cluster-level Matrix Unit Integration in GPUs for Scalability and Energy Efficiency, NVIDIA.

그 밖의 아키텍처 장치 14편

• Accelerating Retrieval-Augmented Generation, Samsung.
• Controlled Preemption: Amplifying Side-Channel Attacks from Userspace, NVIDIA.
• D-VSync: Decoupled Rendering and Displaying for Smartphone Graphics, SPEC, Huawei.
• Dynamic Partial Deadlock Detection and Recovery via Garbage Collection, Uber.
• Earth+: On-Board Satellite Imagery Compression Leveraging Historical Earth Observations, Microsoft.
• Enabling Efficient Mobile Tracing with BTrace, Huawei.
• Enhancing CGRA Efficiency Through Aligned Compute and Communication Provisioning, Google.
• EXIST: Enabling Extremely Efficient Intra-Service Tracing Observability in Datacenters, Alibaba.
• Mint: Cost-Efficient Tracing with All Requests Collection via Commonality and Variability Analysis, Alibaba.
• PICACHU: Plug-In CGRA Handling Upcoming Nonlinear Operations in LLMs, Google.
• ReSBM: Region-based Scale and Minimal-Level Bootstrapping Management for FHE via Min-Cut, Ant Group.
• Rethinking Java Performance Analysis, Google.
• Segue & ColorGuard: Optimizing SFI Performance and Scalability on Modern Architectures, Intel.
• Skia: Exposing Shadow Branches, Intel.

출처와 저작권 안내

이 글은 공식 ASPLOS 2025 프로그램, Crossref DOI 메타데이터, OpenAlex 발견 기록을 출판사 저자 소속과 다시 대조한 시점 한정 편집 분석입니다. 공개 원문이 없는 논문의 작동 원리를 메타데이터 이상으로 추정하지 않았으며, 출판사의 문장, 표, 도판을 옮기지 않았습니다. 개념 하드웨어 도판과 문구는 이 글을 위해 새로 만들었습니다. 각 논문의 권리는 저자와 출판사에 있으며 DOI 링크에서 정식 기록과 라이선스를 확인할 수 있습니다.