분류 전체보기163 AI와 HPC가 암호해독을 만났을 때 — 디지털 포렌식의 새로운 연구 현장 AI와 HPC가 암호해독을 만났을 때 — 디지털 포렌식의 새로운 연구 현장암호 기술은 개인정보와 시스템을 보호하는 핵심 수단이지만, 랜섬웨어나 범죄 증거 은닉에 사용될 경우 수사와 복구를 어렵게 만들 수 있습니다. 이때 AI와 HPC를 결합한 고속 암호해독 연구가 중요한 역할을 하게 됩니다.왜 HPC가 필요한가AES 같은 고비도 암호와 Scrypt·Argon2 같은 Memory-hard 구조는 무차별 대입 공격의 비용을 크게 높이도록 설계되어 있습니다. 단일 CPU나 GPU로는 현실적인 시간 안에 탐색이 어렵기 때문에 다중 GPU 병렬 처리와 효율적인 작업 분할이 필요합니다.암호 구조를 먼저 이해해야 한다무조건 많은 패스워드를 대입하는 것보다 파일이나 지갑이 실제로 어떤 키 생성 과정과 검증 구조를 사용.. 2026. 9. 16. LLM은 학습보다 ‘서빙’이 어렵다 — KV Cache와 Prefill·Decode 자원 관리 LLM은 학습보다 ‘서빙’이 어렵다 — KV Cache와 Prefill·Decode 자원 관리LLM을 서비스에 올리면 모델 정확도만큼 중요한 것이 응답 속도와 동시 처리량입니다. 같은 GPU에서도 메모리를 어떻게 관리하고 요청을 어떻게 스케줄링하느냐에 따라 서비스 품질이 크게 달라집니다.LLM 추론은 두 단계로 나뉜다사용자 입력을 한꺼번에 처리하는 Prefill 단계는 계산량이 크고 병렬성이 높습니다. 이후 토큰을 하나씩 생성하는 Decode 단계는 반복적으로 KV Cache를 읽으며 진행됩니다. 두 단계의 자원 사용 특성이 다르기 때문에 같은 방식으로 스케줄링하면 비효율이 발생합니다.KV Cache가 메모리를 먹는다LLM은 이전 토큰의 Attention 계산 결과를 KV Cache로 저장해 같은 계산을.. 2026. 9. 16. GPU를 비싸게 샀는데 왜 느릴까 — AI 파이프라인의 스토리지 I/O 병목 GPU를 비싸게 샀는데 왜 느릴까 — AI 파이프라인의 스토리지 I/O 병목AI 학습 시스템에서 GPU가 빠르다고 전체 학습이 빠른 것은 아닙니다. 데이터가 스토리지에서 GPU까지 제때 도착하지 않으면 GPU는 비싼 대기 장치가 됩니다.데이터 경로를 봐야 한다학습 데이터는 스토리지에서 읽혀 CPU에서 전처리되고 네트워크와 호스트 메모리를 거쳐 GPU로 전달됩니다. 이 과정에는 읽기, 디코딩, 메모리 복사, 전송이 연속적으로 발생합니다. 어느 한 단계라도 느리면 GPU 활용률이 떨어집니다.체크포인트도 거대한 I/O다대규모 모델은 장애 복구를 위해 파라미터와 옵티마이저 상태를 주기적으로 저장합니다. 너무 자주 저장하면 학습이 느려지고, 너무 드물게 저장하면 장애 시 손실이 커집니다. 또한 재시작 시 수많은 .. 2026. 9. 16. GPU가 놀고 있는 진짜 이유 — 초거대 AI에서 네트워크가 병목이 되는 순간 GPU가 놀고 있는 진짜 이유 — 초거대 AI에서 네트워크가 병목이 되는 순간수천 개 GPU를 연결했다고 해서 학습 속도가 GPU 수에 비례해 증가하지는 않습니다. 각 GPU가 계산한 결과를 계속 동기화해야 하기 때문에 네트워크가 느리면 GPU는 계산 대신 서로를 기다리게 됩니다.AllReduce가 만드는 대기분산 학습에서는 각 GPU가 계산한 Gradient를 매 스텝마다 동기화합니다. AllReduce 같은 집합 통신에서는 가장 느린 경로가 전체 속도를 결정하기 때문에 한 구간의 지연이 클러스터 전체의 유휴 시간으로 확대됩니다.AI 트래픽은 버스트형이다연산 중에는 네트워크 사용이 낮다가 동기화 시점에 트래픽이 한꺼번에 발생합니다. 여러 작업이 동시에 동기화를 시작하면 Incast와 큐 포화가 생기고,.. 2026. 9. 16. 수천만 개의 로그에서 장애 원인만 골라내는 법 — LLM 기반 AIOps와 로그 우선순위화 수천만 개의 로그에서 장애 원인만 골라내는 법 — LLM 기반 AIOps와 로그 우선순위화AI 데이터센터와 GPU 클러스터에서는 엄청난 양의 로그가 발생합니다. 문제는 로그가 많을수록 장애 분석이 쉬워지는 것이 아니라 오히려 핵심 신호가 정상 메시지에 묻힌다는 점입니다.로그가 너무 많다GPU 드라이버, CUDA, Kubernetes, 스토리지, 네트워크, 데이터베이스 등 수많은 계층이 동시에 로그를 생성합니다. 대부분은 정상 상태를 알리는 정보성 메시지이고 실제 장애를 직접 설명하는 로그는 일부에 불과합니다.LLM에 원시 로그를 넣을 수 없는 이유수십 GB의 로그를 그대로 LLM에 넣으면 컨텍스트 한계를 넘고 추론 시간과 GPU 메모리 사용량이 급증합니다. 특히 폐쇄망이나 제한된 GPU 환경에서는 ‘더 .. 2026. 9. 16. 생성형 AI의 진짜 핵심은 모델이 아니라 데이터 거버넌스다 생성형 AI의 진짜 핵심은 모델이 아니라 데이터 거버넌스다LLM의 성능 경쟁만 따라가다 보면 운영에서 더 중요한 질문을 놓치기 쉽습니다. ‘이 데이터를 어디로 보내도 되는가? 누가 사용했는가? 어떤 모델이 답을 만들었는가?’를 관리하지 못하면 AI는 곧 보안과 감사의 문제가 됩니다.데이터 등급부터 정해야 한다공개 자료, 내부 문서, 민감 데이터, 고보안 데이터는 같은 방식으로 처리할 수 없습니다. 공개 논문이나 보도자료는 외부 상용 LLM을 활용할 수 있지만 개인정보, 계약 자료, 연구 핵심 데이터는 내부 인프라에서 처리해야 할 수 있습니다.라우터는 정책 집행 지점이다하이브리드 LLM 환경에서 라우터는 단순히 빠른 모델을 고르는 장치가 아닙니다. 사용자 권한, 데이터 등급, 법적 관할권, 비용 한도, 품.. 2026. 9. 16. 이전 1 ··· 16 17 18 19 20 21 22 ··· 28 다음