SlideShare a Scribd company logo
GPG2권
             4.1 VIPM 방법들의 비교




2012.05.10             김준섭 (트라시르)
Progressive Meshes
• 동적 LOD 기술 중 하나이다.
• 다면체 모델을 연속적으로 단순화시키는
   과정을 저장한 자료 형태를 말한다.
• 진행 메쉬를 이용하면 복잡한 모델과 단순화된
   모델 사이의 연속적인 모델을 얻어낼 수 있다.
Level of Detail
Progressive Meshes
Basic principle




  정 점 분 리 ( v e r t e x s plit, v s pl i t)
  변 제 거 (e dge c olla ps e , e c ol)
Consideration
• 전역 메모리 비용
• 인스턴스 메모리 비용
• 스트리밍 메모리 비용
• CPU 비용
• API 인터페이스 효율성
• 버스 대역폭
• 정점 캐시 응집성
Vanilla VIPM
장점
스트리밍 시스템 구현이 쉽다.


단점
정점 캐시 응집성이 나쁘다.
인스턴스 당 메모리 소비량이 많다.
삼각형 띠의 성능이 더 좋은
       하드웨어에서는 문제가 될 수 있다.
Skip Strip

삼각형을 선분으로 만들어버리고
      하드웨어적으로 스킵하는 것이 핵심
장점
임의로 정렬을 할 수 있다.
   - 정점 캐시 응집성을 높이는 것이 가능
   - 삼각형 띠의 순서로 정렬 할 수 있다.
단점
변질된 삼각형에 의해서 성능이 떨어진다.
축소 횟수가 많을 수록 필요한 비용이 커진다.
Multilevel Skip Strips

일정 횟수 스킵 스트립을 진행 한 후
   변질된 삼각형을 제거하고
       새로운 스킵 스트립을 진행하는 것
장점
스킵 스트립의 단점을 극복할 수 있다.


단점
스킵 스트립에 비해 전역 메모리를 더 소비한다.
Mixed mode VIPM

정적이며 인스턴스들 사이에 공유될 수 있는
   색인 목록을 전역 메모리로 옮긴다.
장점
인스턴스 메모리 사용량을 줄일 수 있다.


단점
정점 캐시 효율성을 높이는데 한계가 있다.
Mixed mode Skip Strip

혼합 모드 VIPM의 변형버전이며
   평범한 VIPM에서 동적 목록 대신
      스킵 스트립 기법을 사용한다.
단점
인스턴스마다 복사되어야 할 데이터가 많아진다.
Sliding window VIPM

완전히 정적이고 전역적인 색인 버퍼를 사용한다.
색인들을 수정하지 않는다.
Sliding window VIPM
요약
Q/A

More Related Content

Similar to 4.1 다양한 vipm 방법들의 비교

[2B2]기계 친화성을 중심으로 접근한 최적화 기법
[2B2]기계 친화성을 중심으로 접근한 최적화 기법[2B2]기계 친화성을 중심으로 접근한 최적화 기법
[2B2]기계 친화성을 중심으로 접근한 최적화 기법
NAVER D2
 
임태현, MMO 서버 개발 포스트 모템, NDC2012
임태현, MMO 서버 개발 포스트 모템, NDC2012임태현, MMO 서버 개발 포스트 모템, NDC2012
임태현, MMO 서버 개발 포스트 모템, NDC2012devCAT Studio, NEXON
 
Image Deep Learning 실무적용
Image Deep Learning 실무적용Image Deep Learning 실무적용
Image Deep Learning 실무적용
Youngjae Kim
 
2021-11-16 모두콘 딥러닝 경량화 발표
2021-11-16 모두콘 딥러닝 경량화 발표2021-11-16 모두콘 딥러닝 경량화 발표
2021-11-16 모두콘 딥러닝 경량화 발표
JongkukLim
 
Chapter2 ap group11
Chapter2 ap group11Chapter2 ap group11
Chapter2 ap group11
Hyun Wong Choi
 
스타트업과 개발자를 위한 AWS 클라우드 태권 세미나 : VCNC 사례 발표
스타트업과 개발자를 위한 AWS 클라우드 태권 세미나 : VCNC 사례 발표스타트업과 개발자를 위한 AWS 클라우드 태권 세미나 : VCNC 사례 발표
스타트업과 개발자를 위한 AWS 클라우드 태권 세미나 : VCNC 사례 발표
Amazon Web Services Korea
 
JVM Memory And GC Tuning Workflow
JVM Memory And GC Tuning WorkflowJVM Memory And GC Tuning Workflow
JVM Memory And GC Tuning Workflow
승린 이
 
천체 유형 분류 대회 3위 수상자 코드 설명
천체 유형 분류 대회 3위 수상자 코드 설명천체 유형 분류 대회 3위 수상자 코드 설명
천체 유형 분류 대회 3위 수상자 코드 설명
DACON AI 데이콘
 
Development of microgrid integrated multi platform using dds and verification...
Development of microgrid integrated multi platform using dds and verification...Development of microgrid integrated multi platform using dds and verification...
Development of microgrid integrated multi platform using dds and verification...
Dong-Jin Lee
 
오픈소스 성능 최적화 보고서 ch07. Infinispan
오픈소스 성능 최적화 보고서 ch07. Infinispan오픈소스 성능 최적화 보고서 ch07. Infinispan
오픈소스 성능 최적화 보고서 ch07. InfinispanHyeonSeok Choi
 
네트워크 경량화 이모저모 @ 2020 DLD
네트워크 경량화 이모저모 @ 2020 DLD네트워크 경량화 이모저모 @ 2020 DLD
네트워크 경량화 이모저모 @ 2020 DLD
Kim Junghoon
 
쓰레드.pdf
쓰레드.pdf쓰레드.pdf
쓰레드.pdf
Seokju Hong
 
모바일 Rpg 게임서버 제작
모바일 Rpg 게임서버 제작모바일 Rpg 게임서버 제작
모바일 Rpg 게임서버 제작
기환 천
 
안드로이드 Oreo의 변화와 모바일 앱/플랫폼의 적합한 성능 측정 방법
안드로이드 Oreo의 변화와  모바일 앱/플랫폼의 적합한 성능 측정 방법안드로이드 Oreo의 변화와  모바일 앱/플랫폼의 적합한 성능 측정 방법
안드로이드 Oreo의 변화와 모바일 앱/플랫폼의 적합한 성능 측정 방법
YoungSu Son
 
Titanic kaggle competition
Titanic kaggle competitionTitanic kaggle competition
Titanic kaggle competition
jdo
 

Similar to 4.1 다양한 vipm 방법들의 비교 (15)

[2B2]기계 친화성을 중심으로 접근한 최적화 기법
[2B2]기계 친화성을 중심으로 접근한 최적화 기법[2B2]기계 친화성을 중심으로 접근한 최적화 기법
[2B2]기계 친화성을 중심으로 접근한 최적화 기법
 
임태현, MMO 서버 개발 포스트 모템, NDC2012
임태현, MMO 서버 개발 포스트 모템, NDC2012임태현, MMO 서버 개발 포스트 모템, NDC2012
임태현, MMO 서버 개발 포스트 모템, NDC2012
 
Image Deep Learning 실무적용
Image Deep Learning 실무적용Image Deep Learning 실무적용
Image Deep Learning 실무적용
 
2021-11-16 모두콘 딥러닝 경량화 발표
2021-11-16 모두콘 딥러닝 경량화 발표2021-11-16 모두콘 딥러닝 경량화 발표
2021-11-16 모두콘 딥러닝 경량화 발표
 
Chapter2 ap group11
Chapter2 ap group11Chapter2 ap group11
Chapter2 ap group11
 
스타트업과 개발자를 위한 AWS 클라우드 태권 세미나 : VCNC 사례 발표
스타트업과 개발자를 위한 AWS 클라우드 태권 세미나 : VCNC 사례 발표스타트업과 개발자를 위한 AWS 클라우드 태권 세미나 : VCNC 사례 발표
스타트업과 개발자를 위한 AWS 클라우드 태권 세미나 : VCNC 사례 발표
 
JVM Memory And GC Tuning Workflow
JVM Memory And GC Tuning WorkflowJVM Memory And GC Tuning Workflow
JVM Memory And GC Tuning Workflow
 
천체 유형 분류 대회 3위 수상자 코드 설명
천체 유형 분류 대회 3위 수상자 코드 설명천체 유형 분류 대회 3위 수상자 코드 설명
천체 유형 분류 대회 3위 수상자 코드 설명
 
Development of microgrid integrated multi platform using dds and verification...
Development of microgrid integrated multi platform using dds and verification...Development of microgrid integrated multi platform using dds and verification...
Development of microgrid integrated multi platform using dds and verification...
 
오픈소스 성능 최적화 보고서 ch07. Infinispan
오픈소스 성능 최적화 보고서 ch07. Infinispan오픈소스 성능 최적화 보고서 ch07. Infinispan
오픈소스 성능 최적화 보고서 ch07. Infinispan
 
네트워크 경량화 이모저모 @ 2020 DLD
네트워크 경량화 이모저모 @ 2020 DLD네트워크 경량화 이모저모 @ 2020 DLD
네트워크 경량화 이모저모 @ 2020 DLD
 
쓰레드.pdf
쓰레드.pdf쓰레드.pdf
쓰레드.pdf
 
모바일 Rpg 게임서버 제작
모바일 Rpg 게임서버 제작모바일 Rpg 게임서버 제작
모바일 Rpg 게임서버 제작
 
안드로이드 Oreo의 변화와 모바일 앱/플랫폼의 적합한 성능 측정 방법
안드로이드 Oreo의 변화와  모바일 앱/플랫폼의 적합한 성능 측정 방법안드로이드 Oreo의 변화와  모바일 앱/플랫폼의 적합한 성능 측정 방법
안드로이드 Oreo의 변화와 모바일 앱/플랫폼의 적합한 성능 측정 방법
 
Titanic kaggle competition
Titanic kaggle competitionTitanic kaggle competition
Titanic kaggle competition
 

4.1 다양한 vipm 방법들의 비교