[디지털 뱃지] 일일 스터디 Day 17

[디지털 뱃지] 일일 스터디 Day 17

General(CNI 인터페이스) & AI/Deep Learning(CNN 구조) 핵심 돌파

1. 오늘의 핵심 이론 설명

General Engineering - Container Network

컨테이너 네트워크 표준 규격, CNI(Container Network Interface)의 구조

쿠버네티스(Kubernetes) 등 컨테이너 오케스트레이션 환경에서 동적으로 생성되는 파드(Pod)들에 독립된 네트워크 격리 및 통신 환경을 제공하는 표준 플러그인 인터페이스 기초입니다.

• CNI의 등장 배경: 컨테이너 엔진마다 가상 네트워크를 구축하는 고유 방식이 다르면 인프라 제어가 극도로 복잡해집니다. 이를 해결하기 위해 컨테이너의 네트워크 플러그인을 작성하기 위한 공통 인터페이스 규격을 표준화한 것이 CNI입니다.
• 핵심 작동 원리: 오케스트레이터가 파드를 생성할 때, CNI 플러그인을 실행하여 리눅스 호스트 커널 단에 가상 이더넷 쌍(veth pair)을 생성합니다. 한쪽 끝은 호스트 네트워크 영역에, 다른 쪽 끝은 파드의 독립된 네트워크 네임스페이스 내부에 위치시켜 유일무이한 가상 IP를 바인딩하고 통신 경로를 뚫어줍니다.
• 대표적인 오픈소스 CNI 플러그인:
  - Flannel: 가장 단순한 오버레이(Overlay) 네트워크 모델로, VXLAN 등을 활용해 패킷을 단순 터널링 캡슐화하여 전달합니다. 구조가 가볍지만 정교한 네트워크 정책(Network Policy) 제어가 어렵습니다.
  - Calico: 캡슐화 오버레이 방식뿐만 아니라, 물리 라우터와 BGP(Border Gateway Protocol) 통신을 수행하여 3계층 IP 라우팅 방식으로 패킷을 다이렉트 전송하는 기능을 지원합니다. 강력한 방화벽 및 네트워크 보안 정책 수립이 가능합니다.

AI Engineering - Deep Learning

시각 지능의 중추, 합성곱 신경망(CNN, Convolutional Neural Network) 핵심 구조

컴퓨터 비전, 이미지 분류, 자율주행 객체 탐지 및 정밀 인프라 불량 이미지 판별에 널리 활용되는 딥러닝 공간 특징 추출 신경망의 필수 기초입니다.

• 기존 다층 퍼셉트론(MLP)의 이미지 처리 한계: 일반적인 완전 연결층(Fully Connected) 망에 이미지를 입력하려면, 2차원 또는 3차원 형태의 픽셀 행렬 데이터를 1차원 평면 배열로 길게 펼쳐서(Flatten) 전달해야 합니다. 이 과정에서 이미지 내부의 공간적 구조(Spatial Structure), 즉 인접 픽셀 간의 형태적 연관성이 완벽히 깨지면서 학습 효율이 심각하게 떨어집니다.
• 합성곱(Convolution) 레이어의 특징 추출: 이미지를 평면으로 펼치지 않고 차원 구조 그대로 입력받습니다. 가공되지 않은 원본 이미지 위에 일정 크기의 **필터(Filter 또는 Kernel)**를 슬라이딩(Stride)시키면서 행렬 곱 연산을 수행하여, 이미지 내부 고유의 선, 면, 질감 같은 공간적 특징 맵(Feature Map)을 추출해 냅니다. 이때 필터 가중치를 클러스터 전체가 공유(Shared Weights)하므로 파라미터 수가 크게 절감됩니다.
• 풀링(Pooling) 레이어의 차원 축소: 합성곱을 거쳐 나온 특징 맵의 가로/세로 공간 크기를 인위적으로 줄이는 다운샘플링 과정입니다. 특정 영역 안에서 가장 큰 값만 남기는 맥스 풀링(Max Pooling)이 주로 쓰이며, 데이터 크기를 줄여 연산 오버헤드를 막고 대상 객체의 미세한 위치 변화(Translation Invariance)에 모델이 강인하게 대처할 수 있도록 돕습니다.

---

2. 디지털 뱃지 레벨 1~2 예상 문제집

Q1. 쿠버네티스 컨테이너 가상화 인프라 환경에서 파드(Pod) 간의 독립된 네트워크 네임스페이스 인터페이스를 격리 구축하고 가상 IP 대역 분산 및 방화벽 네트워크 정책(Network Policy) 기능을 전문적으로 수행하는 공통 플러그인 규격 명칭은?

1) CRI (Container Runtime Interface)
2) CSI (Container Storage Interface)
3) CNI (Container Network Interface)
4) OCI (Open Container Initiative)

정답 및 해설 보기

정답: 3) CNI (Container Network Interface)
해설: 컨테이너 가상 가용 네트워크망 생성을 규격화한 인터페이스 표준은 CNI입니다. 런타임 표준은 CRI, 스토리지 볼륨 공유 연동 표준은 CSI입니다.

Q2. 합성곱 신경망(CNN) 아키텍처에 내장되는 '풀링(Pooling) 레이어'의 주된 역할과 가장 거리가 먼 것은?

1) 특징 맵의 공간적 해상도 차원을 다운샘플링하여 연산 리소스 부하를 절감한다.
2) 입력 이미지 픽셀 매트릭스를 1차원 선형 배열로 길게 펼쳐서 최종 카테고리 정답 레이블과 다이렉트로 매핑한다.
3) 이미지 내 타겟 객체의 미세한 위치 이동이나 왜곡이 발생하더라도 특징 추출의 강인성(Invariance)을 획득하게 한다.
4) 주요 맥스 풀링(Max Pooling)의 경우 지정된 고유 커널 윈도우 영역 안에서 가장 큰 픽셀 대표값만 추출하고 나머지를 버린다.

정답 및 해설 보기

정답: 2)
해설: 특징 맵 데이터를 1차원 단일 배열로 펼쳐서 최종 소프트맥스(Softmax) 분류 층과 완전 결합시키는 연산 단계는 풀링 레이어의 역할이 아니라, CNN 최후반부에 위치하는 **플래툰(Flatten) 및 완전연결(Fully Connected, Dense) 레이어**의 고유 역할입니다.

---

💡 신기술 추가 지식 : 커널 우회 eBPF 기반 초고속 CNI와 AI 인프라 라우팅

쿠버네티스 클러스터 규모가 수천 개의 노드 노드망과 수만 개의 파드 상태로 대형화되고, 딥러닝 분산 분할 학습 인프라 스트리밍 트래픽이 폭증함에 따라, 리눅스 커널의 기존 방화벽 프레임워크(iptables)에 종속된 전통적인 CNI 라우팅 구조는 심각한 네트워크 패킷 병목 현상을 유발하게 되었습니다. 이를 타파하기 위해 최근 차세대 클라우드 인프라 아키텍처에서는 커널 소스코드를 직접 수정하지 않고도 리눅스 운영체제 커널 내부 샌드박스에서 네트워크 패킷을 초고속 필터링 및 리다이렉션하는 eBPF(Extended Berkeley Packet Filter) 기반 차세대 CNI(예: Cilium) 기술이 필수적으로 결합되고 있습니다. 커널 네트워킹 스택 전체를 경유하는 절차를 과감히 우회(Kernel Bypass)하여 파드 간 소켓 통신을 다이렉트로 결합하므로, 저수준 시스템 디스크 입출력 제어 및 AI 분산 데이터 스트리밍 연산의 레이턴시를 제로에 가깝게 극대화하는 인프라 최적화 혁신 트렌드로 확고히 자리 잡고 있습니다.