Excellence Sharing Growth

2018. 10. 11-12 COEX Grand Ballroom, Seoul

Scroll icon
See you next year!

DEVIEW 2018 행사가 종료되었습니다.

발표 영상과 자료를 지금 확인해보세요.

WATCH VIDEOS
2018 DEVIEW 행사 사진
2018 DEVIEW 행사 사진
2018 DEVIEW 행사 사진
2018 DEVIEW 행사 사진
2018 DEVIEW 행사 사진
2018 DEVIEW 행사 사진
2018 DEVIEW 행사 사진
2018 DEVIEW 행사 사진
2018 DEVIEW 행사 사진
2018 DEVIEW 행사 사진
2018 DEVIEW 행사 사진
2018 DEVIEW 행사 사진
2018 DEVIEW 행사 사진

SESSIONS

강연 목록

강연자 사진
강연 분야
  • 웹
  • 모바일
강연 제목
WebAppFramework, XWhale 개발기
강연 내용
네이버의 주요 서비스는 웹으로 되어 있고 그것들을 보여주는 안드로이드의 WebAppFramework는 중요한 요소입니다. 어떻게하면 더 잘 보이고 더 잘 서비스 할 수 있을지 고민하던 차에 오픈소스인 Chromium과 Crosswalk를 가지고 WebAppFramework를 만들게 되었습니다. 이것을 만들면서 고민했던 것과 적용했던 서비스 사례를 중심으로 개발기를 공유하고자 합니다. 그리고 Crosswalk를 포크한 새 오픈소스 XWhale을 소개합니다.
목차
  • WebAppFramework란 무엇인가
  • 우리는 왜 WebAppFramework를 만들게 되었나?
  • Higgs에서 Crosswalk까지
  • 네이버 서비스 적용사례
  • 새 오픈 소스 XWhale 소개
대상
  • 안드로이드 웹엔진 개발 구현에 관심이 있으신 분
  • 새 WebAppFramework 도입에 관심이 있으신 분
강연자
조진철
강연자 사진
강연 분야
  • 머신러닝
  • 인프라
  • 성능
강연 제목
TensorRT를 활용한 딥러닝 Inference 최적화
강연 내용
이 세션은 대용량의 서비스에 대응하기 위하여 딥러닝 Inference를 TensorRT를 활용하여 최적화하는 과정을 이야기하고자 합니다. 좋은 딥러닝 모델이라고 하더라도 대용량 서비스로 배포를 하는데 있어서 성능상 한계점을 갖고 있습니다. 이를 해소하기 위해 TensorRT를 활용하여 모델을 최적화하는 방법을 소개하고, 부딪히게 되는 문제와 해결하는 방법들을 공유하여 딥러닝 모델을 바탕으로 실제 서비스를 개발하시는 분들에게 도움이 되고자 합니다. 특히 CNN/RNN 모델에 대한 접근 방법과 TensorRT에서 포함되지 않은 레이어 및 8 bit calibration에 대한 경험을 공유하고 성능에 대한 부분도 다룰 것입니다.
목차
1. DL inference 서비스 개발 현황 및 이슈
  • DL inference의 도전과제 (throughput, response time, model complexity)
  • Large Scale inference 적용시 문제점
2. TensorRT 소개
  • Introduction / workflow / technical hurdles
3. Deep learning 모델 별 TensorRT 적용 방법
  • Object Detection
  • Seq2Seq
  • Performance estimation
4. 데모
강연자
한재근
강연자 사진
강연 분야
  • 인프라
  • 기타
강연 제목
쿠팡 서비스 Cloud Migration을 통해 배운 것들
강연 내용
지난 몇 년간 쿠팡 서비스는 마이크로 서비스 아키텍쳐로의 변경과 클라우드 환경으로 이전 등으로 인해 많은 변화를 겪었습니다. 특히 2017년에는 단 기간에 수백개의 마이크로 서비스를 클라우드로 이전하면서 새롭고 다양한 문제들을 만났고 이를 극복하기 위해 많은 노력을 했습니다. 이번 세션에서는 무중단으로 클라우드 환경으로 이전하기 위해서 준비 했던 계획들, 이전하면서 발생했던 예상하지 못했던 문제들, 클라우드 환경에서 새롭게 만난 문제들과 다양한 장애들 그리고 이러한 문제들을 해결하기 위해 쿠팡 내부에서 만들어낸 해결책과 아직 풀지 못한 고민에 대해서 이야기 나누려고합니다.
목차
1. 클라우드 이전 계획 및 선행 프로젝트
  • 이전 원칙 : Availability, Scalability, Performance
  • 이전 방법 : Roman Riding
  • Continer Service 도입
  • CI / CD pipeline
  • Log Collecting / Monitoring / Alert
  • Performance Visualize
  • 인프라 및 보안
2. 클라우드 이전 과정
  • Roman Riding : Database
  • Roman Riding : Application
  • Database 의 확장성
  • 예상치 못한 문제들 : Load Balancer
  • 예상치 못한 문제들 : Storage
  • 예상치 못한 문제들 : 각종 Split Brain 상황
  • 비용 최적화 프로젝트
  • Auto Scaling 과 장애
3. 아직 풀지 못한 문제들
  • 복잡해지는 서비스와 전파되는 장애
  • 12 Factors App
  • 테스팅 테스팅 테스팅
대상
  • AWS 등 퍼블릭 클라우드 환경으로 이전을 계획 중인 분
  • 클라우드 환경에서 개발 할 때 주의 해야하는 것들에 대해 궁금 하신 분
강연자
양원석
강연자 사진
강연 분야
  • 검색
  • 머신러닝
  • AI
강연 제목
Fashion Visual Search
강연 내용
네이버에서는 정확한 정보를 찾기 위해 이미지를 분석하는 다양한 방법을 연구해 왔습니다. 저희는 그 중에서도 패션 이미지 검색에 대해 이야기 해보려 합니다. 패션 검색은 도메인 특성상 기존의 유사이미지를 찾아주는 문제와 접근 방법이 조금 다릅니다. 사용자들은 '정확하게 똑같은 의류' 뿐만 아니라 '유사하지만 스타일이 다른 의류' 이미지 또한 찾고 싶어하기 때문이죠. 이번 세션에서는 패션 검색이 어려운 이유와 그 문제를 어떻게 풀어가고 있는지, 그리고 앞으로의 도전 과제는 무엇인지에 대해 저희가 고민하고 있는 것들을 공유하려고 합니다.
목차
Background
  • 이미지 검색과 이미지 분류
  • 패션 이미지 검색이란?
  • 네이버/라인 서비스 적용 사례
Fashion Visual Search System
  • 무엇이 패션 검색을 어렵게 만드나?
  • 패션 검색 시스템 레시피
성능 끌어올리기 전략: 악마는 디테일에 있다
  • 도메인을 고려하고 있는가?
  • 제한 검색, 득과 실
서비스 딜리버리: Pitfalls
  • 규모의 함정 - 당신이 만든 서비스는 별 볼 일 없다
  • 의도의 함정 - 그 사람은 패션 검색을 하지 않았다
  • 의존성의 함정 - MLaaS, Module & Component
Search-by-Attribute: Beyond Snap & Search
  • 잘 찾는 것이 잘 못 찾는 것이라는 이상한 이야기
  • Fake feature vector - Generative model의 새로운 발견
  • 사용자가 원하는 스타일 속성을 더하여 검색하기 (text -> image -> feature level manipulation)
강연자
최승권 Jon Almazan
강연자 사진
강연 분야
  • 인프라
  • 성능
  • 기타
강연 제목
대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing: Maglev Hashing Scheduler in IPVS, Linux Kernel
강연 내용
수 천개의 컨테이너로 구성된 대형 컨테이너 클러스터 Platform 에서, Network Load Balancing 은 아주 복잡한 문제 중 하나입니다. 대용량의 Network 트래픽을 컨테이너들로 분산 시키기 위해 많은 수의 Load Balancer 를 구축하고 이를 유기적으로 연결시켜 효율적인 Balancing, High Availability 등을 보장해줘야 하지만, 컨테이너 클러스터 Platform 환경에서는 몇 가지 문제에 직면하게 됩니다. - Container 는 Life Cycle의 특성 상 생성/삭제가 매우 빈번하기 때문에 Load Balancer에 이를 동적으로 반영할 수 있어야 합니다. - 한 개, 또는 여러 개의 Load Balancer가 Down 되어도 이 곳을 경유하던 Network Connection들이 유실되어서는 안됩니다. 이 Connection들은 다른 정상적인 Load Balancer에서 문제 없이 처리되어야 합니다. 이를 위하여 각각의 Load Balancer 가 모든 Connection 정보를 유지하고 있어야 합니다. - 물론, 대용량의 Traffic의 효율적인 분산도 보장되어야 합니다. 이러한 문제들을 풀기 위해서 Linux Kernel 의 Software Load Balancer 인 IPVS 에 Maglev Hashing Scheduler 라는 Module을 개발하여 Contribution 하였고, 이를 사용하여 네이버 서비스 컨테이너들로의 부하를 분산하는 Load Balancer 를 운영하고 있습니다. 이 세션에서는 위 문제들을 해결하기 위해 했던 고민들과 Linux Kernel v4.18 부터 포함되는 IPVS Maglev Hashing Scheduler의 특징을 소개하고, 대형 컨테이너 클러스터에서 어떻게 효율적이고 고가용성을 갖는 Network Load Balancer 를 구축하였는지 등을 공유합니다.
강연자
송인주
강연자 사진
강연 분야
  • 웹
  • 보안
  • 기타
강연 제목
LINE x NAVER 개발 보안 취약점 이야기
강연 내용
어떤 보안 취약점들을 개발자 분들이 신경 써 주어야 할까요? Hacker들이 LINE과 NAVER 서비스에 가졌던 관심들과, LINE 과 NAVER 서비스에서 발견되었던 보안 취약점들을 엮어서 개발자 분들이 고려해야 할 보안들을 이야기 합니다.
목차
1. 라인이 말하는 보안
  • 2018 라인 버그바운티
  • 라인에서 발생한 보안 취약점 소개
  • 보안 취약점 완화를 위한 라인의 노력
2. 네이버가 말하는 보안
  • 네이버/웨일 버그 바운티
  • 네이버에서 발생한 보안 취약점 소개와 대응
3. 개발자분들께 전하고 싶은 이야기
강연자
허규 이명재
전체 Schedule 보러가기

PARTNERS

  • baidu
  • carnegie mellon university
  • logo_coupang
  • google
  • hyper connect
  • imply
  • labs
  • labs europe
  • line
  • lunit
  • naver
  • naver business platform
  • nvidia
  • samsunginternet
  • superb ai
  • theori
  • udacity
  • urbanbase

LOCATION

장소
코엑스 그랜드볼룸 (Coex Grand Ballroom)
주소
서울 강남구 영동대로 513 코엑스, (지번) 삼성동 159 코엑스
연락처
02-6000-0114

그랜드볼룸은 봉은사 맞은편 코엑스 1층 북문 쪽에 위치해 있습니다.
지하철 이용 시 9호선 봉은사역 7번 출구를 이용하시거나 삼성역 6번 출구를 이용하시면 됩니다.

교통정보 더보기 >

DEVIEW 2018에 관하여 더 궁금한 점이 있다면?

FAQ 보러가기