RGT ParallelProcessor

📋 프로젝트 개요

RGT ParallelProcessor는 C++17 STL을 활용하여 멀티스레딩과 함수형 프로그래밍을 구현한 병렬 데이터 처리 라이브러리입니다. 대용량 이미지 데이터 처리를 위한 고성능 병렬 처리 엔진을 제공합니다.

✨ 주요 특징

• 템플릿 기반 설계: 다양한 데이터 타입에 대해 유연한 병렬 처리 지원
• 함수형 프로그래밍: Lambda 함수와 함수형 접근법을 통한 직관적인 API
• STL 기반 구현: C++17 표준 라이브러리만을 사용한 순수 C++ 구현
• 타입 안전성: decltype과 auto를 활용한 컴파일 타임 타입 추론
• 성능 최적화: 청크 기반 작업 분할과 std::async를 통한 효율적인 병렬 처리

🏗️ 아키텍처

핵심 구성요소

RGT_ParallelProcessor/
├── include/
│   ├── ParallelProcessor.hpp    # 클래스 선언
│   └── ParallelProcessor.tpp    # 템플릿 구현부
├── src/
│   └── main.cpp                 # 데모 및 성능 측정
├── CMakeLists.txt               # 빌드 설정
└── README.md                    # 프로젝트 문서

ParallelProcessor 클래스

template <typename T>
class ParallelProcessor {
public:
    explicit ParallelProcessor(size_t numThreads);
    
    template <typename Func>
    auto parallel_map(const std::vector<T>& data, Func func)
        -> std::vector<decltype(func(std::declval<T>()))>;
        
private:
    size_t numThreads;
};

🚀 핵심 기능

1. parallel_map

• 목적: 벡터의 모든 요소에 함수를 병렬로 적용
• 특징:
  • 입력 타입과 출력 타입이 다를 수 있음 (타입 변환 지원)
  • 컴파일 타임 타입 추론으로 안전성 보장
  • 청크 기반 작업 분할로 효율적인 로드 밸런싱

// 예시: int -> int 변환
auto brightened = processor.parallel_map(pixels, [](int pixel) {
    return std::min(255, pixel + 50);
});

// 예시: int -> string 변환
auto strings = processor.parallel_map(pixels, [](int pixel) -> std::string {
    return "pixel_" + std::to_string(pixel);
});

2. 병렬 처리 알고리즘

• 작업 분할: 데이터를 스레드 수만큼 청크로 분할
• 동기화: std::future와 std::async를 사용한 비동기 처리
• 메모리 효율성: 결과 벡터 사전 할당으로 메모리 재할당 최소화

📊 성능 특성

벤치마크 결과

Processing 1000000 elements with 4 threads
Sequential time : 953 ms
Parallel time   : 250 ms
Speed up        : 3.812x

성능 최적화 요소

1. CPU 집약적 연산: 삼각함수, 지수함수 등을 통한 충분한 연산량 확보
2. 메모리 지역성: 순차적 메모리 접근 패턴으로 캐시 효율성 극대화
3. 오버헤드 최소화: 적절한 청크 크기로 스레드 생성/동기화 비용 최적화

🛠️ 빌드 및 실행

전제 조건

• C++17 호환 컴파일러 (GCC 7+, Clang 5+, MSVC 2017+)
• CMake 3.12+
• pthread 라이브러리 (Unix 계열)

빌드 방법

Windows (MinGW/GCC)

# 직접 컴파일
g++ -std=c++17 -I./include src/main.cpp -o ImageFilterX.exe -pthread -O2

# 또는 CMake 사용
mkdir build && cd build
cmake ..
cmake --build .

Linux/macOS

mkdir build && cd build
cmake ..
make -j4

실행

./ImageFilterX.exe  # Windows
./main              # Linux/macOS

💻 사용 예제

기본 사용법

#include "ParallelProcessor.hpp"

int main() {
    // 1. 프로세서 생성 (4개 스레드)
    ParallelProcessor<int> processor(4);
    
    // 2. 데이터 준비
    std::vector<int> data(1000000);
    std::iota(data.begin(), data.end(), 0);
    
    // 3. 병렬 처리
    auto results = processor.parallel_map(data, [](int x) {
        return x * x;  // 제곱 연산
    });
    
    return 0;
}

고급 사용 사례

이미지 밝기 조정

auto brightened = processor.parallel_map(pixels, [](int pixel) {
    return std::min(255, pixel + 50);
});

타입 변환 (int → string)

auto labels = processor.parallel_map(pixels, [](int pixel) -> std::string {
    return "pixel_" + std::to_string(pixel);
});

수학 연산

auto processed = processor.parallel_map(data, [](int x) {
    double result = x;
    for (int i = 0; i < 100; ++i) {
        result = std::sin(result) * std::cos(result);
    }
    return static_cast<int>(result) % 256;
});

📈 성능 튜닝 가이드

최적의 스레드 수

// CPU 코어 수에 맞춰 설정
size_t optimal_threads = std::thread::hardware_concurrency();
ParallelProcessor<int> processor(optimal_threads);

작업 크기 조정

• 작은 작업: 오버헤드가 클 수 있음 (< 10,000 요소)
• 큰 작업: 메모리 사용량 증가 (> 10,000,000 요소)
• 권장 범위: 100,000 ~ 1,000,000 요소

🧪 테스트 및 검증

정확성 검증

// 순차 처리 결과와 병렬 처리 결과 비교
bool verify_results(const std::vector<int>& sequential, 
                   const std::vector<int>& parallel) {
    return std::equal(sequential.begin(), sequential.end(), 
                     parallel.begin());
}