[디지털 뱃지] 일일 스터디 Day 20

[디지털 뱃지] 일일 스터디 Day 20

General(L2 Switching) & AI/Deep Learning(RNN/LSTM) 핵심 돌파

1. 오늘의 핵심 이론 설명

General Engineering - Virtual Network

L2 스위치(Switch)의 작동 원리와 MAC 주소 테이블 테이블 포워딩

오픈스택 브릿지(OVS)나 쿠버네티스 포드 간의 노드 내부 로컬 통신 등 가상 네트워크 환경에서 데이터프레임을 목적지로 정확히 전달하는 하부 인프라 메커니즘입니다.

• 스위치의 본질: OSI 2계층(데이터 링크 계층)에서 물리 주소인 MAC 주소를 기반으로 패킷(데이터프레임)을 목적지 포트로만 정확히 포워딩하는 장치입니다. 전체 포트로 패킷을 뿌려 충돌을 유발하던 허브(Hub)와 달리 단독 콜리전 도메인(Collision Domain)을 형성합니다.
• MAC 주소 테이블 학습(Learning): 스위치는 초기 기동 시 어떤 포트에 어떤 기기가 연결되어 있는지 알지 못합니다. 특정 포트로부터 프레임이 유입되면, 그 프레임의 **출발지 MAC 주소(Source MAC)**와 **유입된 포트 번호**를 자신의 내부 메모리(MAC Address Table)에 동적으로 기록하여 학습합니다.
• 패킷 전송 3대 메커니즘:
  - 플러딩 (Flooding): 목적지 MAC 주소가 테이블에 존재하지 않는 미학습 상태이거나 브로드캐스트 패킷일 경우, 들어온 포트를 제외한 **모든 포트로 프레임을 복제하여 전송**합니다.
  - 포워딩 (Forwarding): 목적지 MAC 주소가 테이블에 명확히 학습되어 있는 경우, 매핑된 특정 포트로만 프레임을 다이렉트 송신합니다.
  - 필터링 (Filtering): 목적지 포트가 프레임이 들어온 포트와 동일한 경우, 다른 포트로 유출되지 않게 패킷을 차단하여 네트워크 대역폭 낭비를 방지합니다.

AI Engineering - Deep Learning

순차 데이터 제어의 시초 RNN과 장기 의존성 개선을 위한 LSTM 아키텍처

시계열 인프라 로그 분석, 자연어 시퀀스 제어 및 텍스트 문맥 이해의 원천이 되는 순환형 딥러닝 인공신경망의 핵심 기초입니다.

• RNN (순환 신경망, Recurrent Neural Network): 데이터의 순서와 시간적 흐름을 반영하기 위해, 은닉층의 연산 결과(Hidden State)를 다음 시점($t+1$)의 입력 연산에 다시 전달하여 **'기억'**을 보존하는 구조입니다. 주가 추이, 텍스트 문장 등 시퀀스 데이터 처리에 혁신을 이뤘습니다.
• 바닐라 RNN의 치명적 한계: 문장이나 시계열 데이터가 길어질수록 오차 역전파 과정에서 미분값이 계속 곱해져 0으로 수렴하는 **기억력 소실(Vanishing Gradient) 현상**이 발생합니다. 이로 인해 앞단 토큰의 맥락을 뒤로 전달하지 못하는 장기 의존성(Long-term Dependency) 문제를 겪었습니다.
• LSTM (장단기 메모리, Long Short-Term Memory): RNN의 단점을 극복하기 위해 제안된 고도화 아키텍처입니다. 핵심은 컨베이어 벨트처럼 과거 정보를 온전히 보존하여 흘려보내는 셀 상태(Cell State)와, 어떤 정보를 기억하고 지울지 초정밀 제어하는 3가지 게이트(Gate) 시스템의 도입입니다.
  - 망각 게이트 (Forget Gate): 과거의 정보 중 버릴 것과 유지할 것을 수학적으로 판단합니다.
  - 입력 게이트 (Input Gate): 현재 유입된 새로운 정보 중 셀 상태에 기억할 가치가 있는 자원을 필터링합니다.
  - 출력 게이트 (Output Gate): 갱신된 최종 셀 상태를 바탕으로 다음 은닉층으로 내보낼 예측값을 제어합니다.

---

2. 디지털 뱃지 레벨 1~2 예상 문제집

Q1. OSI 2계층 데이터 링크 스위치(Switch)의 트래픽 전송 메커니즘 중, "유입된 데이터프레임의 목적지 물리 주소(MAC)가 내부 MAC 주소 테이블에 학습되어 있지 않아, 패킷이 들어온 포트를 제외한 나머지 모든 포트로 프레임을 복제하여 뿌리는 동작"을 뜻하는 용어는?

1) 포워딩 (Forwarding)
2) 필터링 (Filtering)
3) 플러딩 (Flooding)
4) 에이징 (Aging)

정답 및 해설 보기

정답: 3) 플러딩 (Flooding)
해설: 스위치는 목적지 MAC 주소의 포트 위치를 모를 때, 우선 패킷 유실을 막기 위해 유입 포트를 제외한 모든 가용 통로로 데이터를 범람(Flooding)시킵니다. 이후 타겟 장비가 응답 패킷을 주면 비로소 MAC 주소를 학습하여 다음부터는 포워딩(Forwarding) 처리를 수행합니다.

Q2. 순환 신경망(RNN) 아키텍처의 고질적인 한계인 '그래디언트 소실' 및 '장기 의존성(Long-term Dependency)' 결함을 해결하기 위해, Cell State(셀 상태) 파이프라인과 Forget Gate, Input Gate, Output Gate 시스템을 내장하여 기억력을 극대화한 차세대 순환형 신경망 모델 명칭은?

1) 바닐라 CNN (Convolutional Neural Network)
2) LSTM (Long Short-Term Memory)
3) 단층 퍼셉트론 (Single-Layer Perceptron)
4) 트랜스포머 디코더 (Transformer Decoder)

정답 및 해설 보기

정답: 2) LSTM (Long Short-Term Memory)
해설: RNN의 치명적인 기울기 소실 문제를 완화하고, 장기 문맥의 정보를 소실 없이 지속 유통하도록 3중 게이트 가속 메커니즘을 얹은 모델은 LSTM(장단기 메모리)입니다.

---

💡 신기술 추가 지식 : 오픈 가상 스위치(OVS)와 차세대 지능형 시계열 인프라 장애 탐지

클라우드 가상화 플랫폼 인프라(오픈스택, SDN 인프라 환경 등) 내부를 뜯어보면, 물리 서버 내부 가상머신(VM)들의 패킷을 물리 인터페이스망으로 연결 및 격리해 주는 가상 L2 스위치인 OVS(Open vSwitch) 및 커널 브릿지 가상화 컴포넌트가 핵심 요소로 동작합니다. 이 가상 가용 네트워크망 구조에서 발생하는 수억 건의 초단위 초당 패킷 유입량, 드롭 카운트, 네트워크 대역폭 등은 완벽한 '시계열 데이터(Time-Series)' 형태를 띠게 됩니다. 최근 고성능 인프라 자율 자동화 진영에서는 이 OVS 포트 통계 로그 파이프라인을 오늘 학습한 LSTM 신경망 모델 및 변형 모델(GRU 등)의 분석 엔진에 직접 스트리밍 바인딩하여, 과거 트래픽 흐름의 미세한 왜곡 패턴이나 변동 이력을 기반으로 인프라의 불시 네트워크 마비 징후를 수 시간 전에 미리 자율 추론 및 감지해 내는 인텔리전트 AI옵스(AIOps) 아키텍처 기술을 가상화 솔루션의 고도화된 핵심 가산 지식 자산으로 확보하고 있습니다.