데이터 압축 복원 속도 2.6배 떡상시킨 의존성 분산 트릭 공개됨

요약 시계열 데이터나 센서 측정값, 타임스탬프 등을 압축할 때 연속된 값 간의 차이만 저장하는 델타 코딩(Delta Coding) 기법이 널리 쓰입니다. 델타 변환은 컴파일러의 자동 벡터화가 수월해 매우 빠르게 인코딩할 수 있지만, 반대로 이를 복원하는 누적합(Prefix sum) 디코딩 과정은 앞선 계산 결과에 전적으로 의존하는 직렬 의존성(Serial Data Dependency) 때문에 병목이 심했습니다. 실제로 ARM Neoverse V2(AWS Graviton4) 1스레드 환경에서 검증한 결과, 업계 표준 격인 FastPFoR 라이브러리의 SIMD 벡터화 구현체조차 초당 약 7.7GB의 처리량에 그쳐 단순 스칼라 반복문(초당 약 10.8GB)보다도 뒤처지는 한계를 보였습니다. 개발자 Ashton Six는 이 직렬 의존성 사슬을 구조적으로 줄이는 최적화 파이프라인을 제시했습니다. 누적 합산값(accumulator)을 매 벡터마다 즉시 더해 다음으로 넘기던 기존 방식 대신, 8개 단위의 준블록(semi-block)별로 로컬 누적합을 먼저 계산한 뒤 지연된 누적값을 병렬로 일괄 반영하도록 연산 순서를 재배치한 것입니다. 이 트릭을 통해 명령어 개수는 미세하게 증가하지만 데이터 의존성 체인이 획기적으로 짧아져, 비순차적 명령어 처리(Out-of-order) 하드웨어가 연산을 동시에 실행할 수 있게 되었습니다. 그 결과 Graviton4 환경에서 FastPFoR 대비 2.6배, 기본 구현 대비 1.8배 빠른 초당 19.8GB의 디코딩 처리 속도를 달성했으며, 델타-오브-델타(Delta-of-delta) 변환 복원에서도 최대 2.2배의 성능 향상을 기록했습니다.