ARTICLE ORDER · NEWEST FIRST
아티클 순서
최근에 추가된 글부터 정리한 운영용 목록입니다.
#001[memory]용량과 대역폭을 따로 요구하는 VM, 메모리 채널을 나눠 할당하는 RamRyder#002[ai-infra]호출이 빨라도 늦게 끝나는 AI 에이전트, Agentix의 프로그램 단위 스케줄링#003[fabric]일반 이더넷 NIC와 RDMA 장비를 잇는 BURST, 전송 속도와 추론 지연의 차이#004[ai-infra]부하를 고르게 나눠도 느려지는 스토리지, Alibaba의 버스트 제어와 I/O 스케줄링#005[ai-infra]특화 모델이 같은 문맥을 다시 읽는 비용, DroidSpeak의 모델 간 KV 캐시 재사용#006[memory]학습 데이터를 읽기 전의 병목, 디렉터리 조회를 서버로 옮긴 FalconFS#007[fabric]DPU를 스위치 안으로 옮긴 Azure, SONiC DASH의 성능과 설치 조건#008[ai-infra]모델 적재가 끝나기 전부터 GPU를 활용하는 BlitzScale#009[ai-infra]GPU 커널 내부의 대기 원인을 찾는 KPerfIR#010[memory]읽기 분산과 장애 복구 구성을 분리한 Okapi 스토리지#011[ai-infra]값은 그대로, PCIe 전송량만 줄이는 IBP 무손실 압축#012[ai-infra]한 배치의 서로 다른 기한, 요청별 추측 트리를 만드는 AdaServe#013[arch]프리필의 연산과 디코드의 대역폭을 같은 SM에 채우는 POD-Attention#014[ai-infra]학습이 보낸 그래디언트로 체크포인트를 갱신하는 FlowCheck#015[ai-infra]추론은 지연시간을 지키고 미세조정은 빈 구간을 쓰는 FlexLLM#016[ai-infra]가상머신 안에서도 GPU 통신 경로를 짧게 유지한 Vela의 1,500 GPU 운영#017[ai-infra]GPU 구성이 달라져도 다시 읽는 체크포인트, 논리 텐서를 저장하는 ByteCheckpoint#018[fabric]빠른 링크 하나만 쓰지 않는 집단 통신, 두 패브릭을 묶은 MPCCS#019[ai-infra]GPU는 바쁜데 학습은 느릴 때, 실행 단계에서 원인을 찾는 EROICA#020[ai-infra]추론이 오면 5ms 안에 메모리를 돌려 주는 SIRIUS#021[ai-infra]긴 문맥에서 비는 마지막 GPU 웨이브, LeanAttention의 디코드 재배치#022[ai-infra]통신 장벽을 없앤 Mercury, 원격 HBM까지 컴파일하는 방법#023[ai-infra]GPU처럼 다루면 느려지는 백만 코어, 웨이퍼 메쉬에 맞춘 WaferLLM#024[ai-infra]수백만 개 구성에서 SLO를 지키는 하나를 찾는 법#025[ai-infra]원격 HBM을 컴파일러가 관리하는 메모리 계층으로#026[news]하나의 에이전트, 서로 다른 전력 범위: Intel의 세 가지 칩#027[news]IP 공급사를 넘어 랙까지, Arm AGI CPU가 바꾸는 범위#028[news]스케일업 안으로 들어온 Ethernet, Maia 200의 시스템 선택#029[news]GPU 72개를 하나의 제품으로 만드는 AMD Helios#030[news]웨이퍼 세 장을 하나의 서비스 단위로 묶은 Cerebras CS-4#031[news]한 코어에서 IBM Z와 Arm을 함께 실행하는 이유#032[news]메모리 컨트롤러를 HBM으로 옮기면 무엇이 달라지는가#033[ai-infra]TPU 한 세대에 네트워크 두 개: 학습과 추론을 나눈 이유#034[arch]GPU 복제 대신 데이터 이동을 줄인 오픈AI 할라페뇨#035[snapshot]CPU를 할당받고도 쉬는 배치 분석의 네 공백#036[snapshot]평평한 프로파일에서 더 빠른 코드가 느려 보이는 이유#037[snapshot]클라이언트가 원하는 노드에서 제공하는 선형화 읽기#038[snapshot]훈련 일정을 학습한 엑사바이트 데이터 파이프라인#039[snapshot]메모리 장치군 없이 로그·메트릭·추적을 합치는 DiTing#040[snapshot]장기 VM이 남기는 배치 부채와 오프라인 상환#041[snapshot]강화학습 작업 안으로 들어간 GPU 스케줄러#042[snapshot]LLM 최적화를 생산 코드로 만드는 통제 루프#043[snapshot]10억 벡터 검색을 플래시로 되돌린 클러스터링#044[snapshot]하드웨어 수명 단계에 따라 달라지는 랙 전력 예산#045[snapshot]실행 코드를 생성하지 않는 iOS 명령어 분석#046[snapshot]VMM 곁의 격리 VM으로 옮긴 실시간 관측#047[snapshot]CPU와 메모리 가상화를 세계별로 나눈 보안 컨테이너#048[snapshot]스마트폰 1,200만 대의 할당기를 검증하는 방법#049[snapshot]공유 로그의 내구성과 순서를 분리한 LogDrive#050[snapshot]캐시 문제를 뒤집는 데이터센터 메모리 회수#051[snapshot]Android 프로세스를 가로지르는 사용자 상호작용 추적#052[snapshot]뜨거운 페이지에 갇힌 차가운 객체의 재배치#053[snapshot]장치군 유지보수를 감당하는 장애 영역 하나의 버퍼#054[snapshot]분기 협상 대신 매분 청산하는 가속기 시장#055[snapshot]모델을 손상한 GPU 스텝을 재실행하는 진단기#056[snapshot]롤아웃 꼬리가 생기기 전에 학습하는 스케줄러#057[snapshot]S3 모델을 사실상 명세로 만드는 체계적 검증#058[snapshot]커널 상수를 밀리초 제어점으로 바꾸는 방법#059[snapshot]바이트를 옮기기 전에 공간을 비우는 클라우드 GC#060[snapshot]컨테이너 시작 시간을 결정하는 메타데이터 경로#061[snapshot]여러 임계값의 조합으로 설명하는 SSD 장애 경보#062[snapshot]파일시스템 경계를 넘어야 하는 Linux 데이터 무결성#063[snapshot]커밋 경로를 비켜 가는 데이터베이스 압축#064[snapshot]저장 계층의 체크섬을 다시 쓰는 파일 동기화#065[snapshot]Android 전 계층이 지켜야 하는 Zoned UFS 계약#066[snapshot]MMU 없이 만드는 메모리 안전 임베디드 구획#067[snapshot]직전 최적화 상태를 다음 자원 배정에 재사용하는 COpter#068[snapshot]키·값·토큰·헤드를 다르게 압축하는 KV 캐시#069[snapshot]출력 토큰 하나가 바꾸는 LLM 추론 엔진#070[snapshot]애플리케이션 계약 대신 RDMA 장치를 동결하는 라이브 이동#071[snapshot]SmartNIC 제어 작업이 데이터 평면 코어를 빌리는 방법#072[snapshot]라이브와 협업 방송을 잇는 하나의 송출 경로#073[snapshot]하나의 순서 스트림을 수천 독자에게 전달하는 구조#074[snapshot]프로토콜 구조까지 바꾸는 마이크로초 장애 검출#075[snapshot]부동소수점 출력으로 복원하는 누산 트리#076[snapshot]전체 가상머신 대신 커널 실행만 기록·재실행하는 범위#077[snapshot]사용자가 멈췄을 때 화질에 대역폭을 쓰는 제어#078[snapshot]NIC 수신 링의 두 역할을 나눈 버퍼 공유#079[snapshot]페이징 정책은 밖으로, 페이지 폴트 경로는 커널 안으로#080[snapshot]천만 CPU 코어를 하나의 학습 계약으로 묶는 시스템#081[snapshot]LLM이 옮기고 제약 풀이기가 오류를 고치는 텐서 컴파일러#082[snapshot]1ms보다 빠른 프로세스 복제만으로 함수가 빨라지지 않는 이유#083[snapshot]캐시를 다시 만들지 않고 2초 신선도 보장#084[snapshot]같은 토큰 수가 다른 GPU 작업량을 만드는 장문맥 학습#085[snapshot]파일시스템 프로세스가 멈춰도 애플리케이션 상태를 잃지 않는 복구#086[snapshot]애플리케이션이 커밋하지 않은 디스크 상태를 거부하는 TEE 저장장치#087[snapshot]저장 아카이브 대신 시작 메모리 이미지를 전송하는 컨테이너#088[arch]구현 세부가 시스템 제약이 된 MICRO 2025 기업 소속 논문 35편#089[arch]아키텍처의 가능성을 운영 증거로 바꾼 ISCA 2026 기업 소속 논문 43편#090[arch]아키텍처가 실제 서비스에 들어간 과정, ISCA 2025 기업 소속 논문 43편#091[arch]규모가 숨은 비용을 드러낸 HPCA 2026 기업 소속 논문 28편#092[arch]측정 결과를 운영 정책으로 연결한 HPCA 2025 기업 소속 논문 40편#093[arch]AI 시스템의 모든 계층을 스케줄링 문제로 바꾼 ASPLOS 2026 기업 소속 논문 44편#094[arch]하드웨어와 소프트웨어의 경계를 다시 정한 ASPLOS 2025 기업 소속 논문 59편#095[memory]HBM 데이터 그룹 앞에서 4상 클록을 다시 만드는 이유#096[silicon]상용 AI EDA가 실제 테이프아웃한 범위#097[silicon]AI 배치 기술이 실제 실리콘에 들어가기까지#098[arch]RTL 자동화의 핵심은 첫 코드 이후의 검증#099[arch]AI 아키텍처 탐색의 경계, 실행 가능한 설계#100[silicon]AI 칩 설계가 물리 설계에서 먼저 성과를 낸 이유#101[silicon]배치배선 자동화의 핵심, 여러 목표의 동시 조정#102[silicon]새 설계에도 적용되는 EDA 레시피 학습#103[fabric]PCIe 스위치 없이 구성하는 장치 풀#104[ai-infra]호스트·PCIe·패브릭을 함께 바꾼 Alibaba Stellar#105[fabric]빠른 큐를 넘어선 RNIC 자원 스케줄링#106[ai-infra]PCIe GPU 서버에서 효과가 커지는 탄력적 텐서#107[memory]메모리 노드의 CPU를 없앤 RDMA 원격 페이징#108[fabric]더 긴 버스가 아닌 패브릭으로서의 라우터블 PCIe#109[arch]느린 PCIe 경계를 활용한 SmartNIC 키·값 저장소#110[fabric]하이퍼스케일 RoCE에 누적된 프로토콜 비용#111[silicon]첨단 패키지의 형상을 결정하는 연성 재료#112[silicon]막 응력으로 패키징 웨이퍼를 펴는 Evatec의 접근#113[silicon]유기 기판 안으로 방열판을 옮긴 IBM의 패키징 실험#114[fabric]레이저 전력까지 포함한 224 Gb/s CPO 링크 공동 최적화#115[fabric]리플로와 신뢰성 시험을 통과한 Intel의 EMIB 광 패키지#116[fabric]400 µm 변조기로 단일 파장 212 Gb/s를 만든 CPO 송신기#117[memory]거대한 스위치 없이 96대 서버를 묶는 CXL 메모리 풀#118[memory]실물 CXL 메모리 박스를 SAP HANA에 연결해 확인한 배치 기준#119[fabric]장치 대신 버퍼를 풀링하면 PCIe 스위치를 줄일 수 있는가#120[memory]데이터 80%를 CXL에 두고 처리량 85%를 지키는 데이터베이스 배치법#121[fabric]공간과 파장을 함께 고르는 4×4 광 스위치#122[silicon]100GHz 이후 RF 회로가 되는 레이저 패키지#123[fabric]GPU 배치에 맞춰 광 토폴로지를 바꾸는 랙#124[ai-infra]멈추지 않은 GPU 하나가 대규모 학습을 늦출 때#125[ai-infra]요청이 올 때만 GPU를 쓰는 서버리스 추론#126[fabric]DPU 하나와 RNIC 여덟 개, Tencent의 베어메탈 AI 클라우드 네트워크#127[silicon]42 nm에서 위로 쌓은 로직, 삼성의 3단 나노시트 적층 FET#128[fabric]배포 전에 패브릭을 컴파일하는 Meta의 Matryoshka#129[silicon]48 nm 아래에서 회로가 된 CFET, TSMC의 링 오실레이터와 SRAM#130[fabric]하나의 RoCE 패브릭에 네 가지 거리, Meta의 10만 GPU 통신 스택#131[fabric]빛으로 랙을 건너는 UCIe, Ayar Labs의 8.192 Tb/s 광 리타이머#132[fabric]실리콘 안으로 들어온 광 I/O, Celestial AI의 포토닉 패브릭 모듈#133[fabric]4,000 mm² 광 백플레인, Lightmatter Passage M1000의 구조와 한계#134[silicon]600 mm² 메인프레임 칩 안에 시스템을 넣은 IBM Telum II#135[ai-infra]같은 H100, 다른 클라우드 성능#136[memory]위치가 바뀐 문장과 재사용하기 어려운 KV 캐시#137[fabric]플로 크기 분포만으로 설명할 수 없는 버스트#138[fabric]10만 GPU 네트워크를 위한 컴파일러#139[fabric]첫 홉 전 지연으로 줄이는 필요 대역폭#140[memory]모델 로딩의 병목을 줄인 페이지 캐시 정책#141[memory]리전 다섯 곳으로 바꾼 Apple 오브젝트 스토리지의 비용 구조#142[memory]파일시스템의 밀도와 읽기를 함께 개선한 정렬 압축#143[memory]데이터 경계가 움직이기 시작했습니다: 2026년 산업계 메모리·스토리지 논문 52편#144[fabric]NVLink와 스케일아웃 네트워크의 경계를 넘어: 원칩형 CXL 데이터센터#145[silicon]배열과 타이밍, 데이터 구조를 함께 설계한 2026년 회로#146[silicon]서버가 이미 가진 보호 비트에 메모리 태그를 넣은 AmpereOne#147[silicon]GPU식 캐시 대신 컴파일러로 데이터를 움직이는 자동차 AI 칩#148[silicon]평상시에는 접근 횟수를 세고, 위험한 메모리 구역만 샘플링하는 Rowhammer 방어#149[ai-infra]추론 연산량보다 먼저 메모리 용량 한계에 닿는 추론형 모델#150[arch]동일 프로그램 가정을 버린 SPEC CPU 2026#151[memory]서버에 남은 SSD와 세 번 바뀐 제어 경로#152[memory]카트리지 1,000개와 드라이브 4개: 테이프 클라우드가 기다리는 이유#153[ai-infra]커널 최적화에 탐색 트리와 기억을 붙인 Meta의 에이전트#154[memory]계층 전체가 제품이 되었습니다: 2025년 산업계 메모리·스토리지 논문 34편#155[fabric]장애 패킷이 실제로 지난 경로를 기록하는 ByteTracker#156[silicon]정밀도를 구조 안으로 옮긴 2025년 산업계 회로#157[fabric]로컬 큐로 알 수 없는 원격 경로 혼잡#158[fabric]학습 작업이 알려 주는 중요 네트워크 경로#159[arch]실제 서버 구매에 쓰인 CPU 벤치마크#160[ai-infra]Llama 3 학습에 네 가지 병렬화가 동시에 필요했던 이유#161[ai-infra]집합 통신으로 학습 클러스터의 장애까지 진단하다#162[ai-infra]GPU 학습 장애를 대형 작업만으로 설명할 수 없는 이유#163[ai-infra]마이크로와트에서 메가와트까지 통하는 AI 전력 측정법#164[silicon]2024년 산업계 회로 논문이 실리콘으로 증명한 것#165[memory]부품이 아니라 배치 문제였습니다: 2024년 산업계 메모리·스토리지 논문 35편#166[silicon]가속기 패키지를 하나의 컴퓨팅 노드로 만든 MI300A#167[silicon]고정 행렬을 버리고 텐서 모양에 맞춰 나뉘는 가속기#168[arch]Vera CPU의 설계 기준: 88개 코어에 1.2TB/s를 배분한 이유#169[ai-infra]에이전트 워크플로 전체를 스케줄링하는 클라우드: Murakkab#170[memory]장문맥 추론의 병목: KV 캐시 용량이 아닌 도착 시간#171[ai-infra]롤아웃과 학습 사이의 빈 시간을 회수하는 Weave#172[ai-infra]AI 스토리지가 작업 의도를 읽는 법: AITURBO의 그룹 I/O#173[ai-infra]데이터센터 전체가 런타임이 되었습니다: 산업계 논문 9편으로 읽는 AI 인프라#174[ai-infra]GPU 15만 장이 있어도 쓸 수 없는 이유#175[ai-infra]조용히 틀린 GPU를 찾는 세 단계: 검출, 장비 격리, 연산 추적#176[ai-infra]모든 요청을 기록하지 않고도 느린 한 요청을 설명하는 법#177[ai-infra]같은 층 수로는 맞지 않는다: Qwen 1조 매개변수 학습의 파이프라인 재설계#178[ai-infra]전체 재시작 없이 GPU 한 장을 교체하는 TrainMover#179[ai-infra]20년 뒤 날씨를 모르면 냉각 용량도 틀린다#180[ai-infra]150 MW 전력 한도에서 GPU 8만3천 장을 운영하는 법#181[ai-infra]네오클라우드의 숫자는 무엇을 증명하는가#182[fabric]AI 클러스터 네트워크 운영의 세 계층: 작업, 경로, 혼잡#183[ai-infra]수천 개 GPU가 스토리지를 기다릴 때, MLPerf 스토리지 2.0 읽는 법#184[arch]GPU부터 FPGA까지, 하나의 스케줄러로 선점하는 법#185[ai-infra]세계 전력 3%보다 중요한 숫자, AI 데이터센터가 몰리는 곳#186[memory]LPDDR6와 SOCAMM2가 서버 메모리로 확장되는 이유#187[memory]HBM 옆에 낸드를 쌓는다: HBF 첫 표준 규격 읽기#188[silicon]CXL은 왜 느린가: PCIe에서 물려받은 실리콘을 4nm로 다시 설계하다#189[silicon]PHY를 없애는 가장 확실한 방법: DRAM 위에 연산 다이를 붙인 d-Matrix Raptor#190[fabric]UALink, NVLink, 이더넷: 스케일업 랙 인터커넥트 비교#191[ai-infra]GPU 한 장에서 모델 일곱 개를 서빙한 Aegaeon#192[ai-infra]GPU 9,600장의 장기 학습을 지킨 ByteRobust#193[fabric]GPU 51만 장을 연결하는 텐센트 Astral 패브릭#194[fabric]스위치를 없앤 스케일업, 트랜시버 속으로 들어간 광 스위칭#195[ai-infra]제한된 NVLink에서 학습한 DeepSeek V3의 하드웨어 요구#196[silicon]Meta MTIA 2i: HBM 없이 총소유비용 44% 절감#197[ai-infra]위에는 컨트롤러 하나, 아래에는 여럿: verl의 설계도 HybridFlow#198[ai-infra]DRAM과 SSD로 KV 캐시를 확장한 Mooncake#199[memory]Meta Vistara: 회수한 DDR4를 CXL 메모리 계층으로 재사용#200[memory]네트워크 없는 KV 캐시: Alibaba가 실물 CXL 2.0 스위치 위에 LLM 서빙을 올리다