[논문]워게임 시뮬레이션 환경에 맞는 빅데이터 분석을 위한 분산처리기술

배민수

문제 정의

데이터는 50만명 플레이어의 데이터를 사용하였으며 데이터가 포함하고 있는 요소는 팀규모, 화기･구급품･방탄용품 등의 자산, 차량으로 이동한 거리, 도보로 이동한 거리, 교전을 통해 사망한 인원 수, 팀별 생존 시간, 그리고 팀 위치이다. 이 요소들은 승리요인에 영향을 미칠 수 있는 항목들로 선별하였으며 이를 통해 다음을 분석하고자 한다.
하지만 이런 연구들은 다양한 무기체계를 동시에 활용하는 조건이 포함되기 때문에 창 끝 부대에서 활용하기에는 다소 제한적이다. 이에 본 연구는 시뮬레이션 모델에 적용 가능한 분산 처리 아키텍처를 제시하고, 실시간 데이터 분산 처리를 통해 데이터 분석을 할 수 있는 플랫폼을 제안하였다.
이 플랫폼을 이용한 데이터 분석을 통해 비정형 데이터들을 활용하여 새로운 가치를 만들어 낼 수 있다면 훈련 상황에 실시간으로 발생하는 데이터들을 분석하여 객관적인 근거를 제시할 수 있게 되며, 더 나은 지휘 결심을 하는데 영향을 미칠 수 있을 것이다. 이에 본 연구에서는 시뮬레이션 운용간 실시간으로 발생하는 데이터를 분석하기 위한 분산처리 플랫폼을 적용하여 축적된 데이터를 분석하고 그 실효성을 검증하고자 한다.
첫번째 실험에서는 데이터 분산처리 플랫폼 사용 유무를 비교하여 CPU Utilization의 상관관계를 도출하는 것을 목적으로 하였다. 이어서 단일 노드 경우의 Memory 사용률을 비교 분석한다.

제안 방법

Dynamically typed 언어인 Python에 비해 Statically typed의 언어로써 변수 타입을 선언하지 않으면 코드가 컴파일 되지 않는다. Java나 Python 둘 다 유용한 언어이며 개발자들은 현재 Java를 더 많이 사용하긴 하지만 차후 설명한 Framework 확장성에서 누구나 쉽게 접근할 수 있기 위해 본 연구에서는 Python으로 개발된 Ray를 사용하였다.
Real-time Processing을 통해 얻게 되는 정보가 항상 최신 상태를 유지할 수 있기 때문에 즉각적인 조치를 취할 수 있게 된다. Spark의 경우 Spark streaming 같이 Stream Processing을 접목시키고 관련된 API들이 등장하였지만 모든 부분을 다루기에는 광범위하여 본 연구에서는 플랫폼의 기본 처리과정에 대해서만 비교한다.
이어서 단일 노드 경우의 Memory 사용률을 비교 분석한다. 또한 전체 프로세스 수행 시간과 Load 값의 변화를 비교하여 실제 분산 데이터 처리 플랫폼에 따른 시간당 Latency와 유용성에 대하여 평가하였다. 먼저 Fig.
4에서의 결과는 지속시간에 따른 CPU 이용률과 Memory, Load 변화를 보여준다. 이 그래프에서의 행의 지점은 두 실험의 총 수행시간이 다르기 때문에 총 수행시간에 따른 평균 시간 비율로 설정하였다. 분석 시스템 모델을 사용하는 CPU 사용률은 사용하지 않는 경우와 비슷하지만, 사용하지 않는 경우가 더 높은 결과를 보인다.
첫번째 실험에서는 데이터 분산처리 플랫폼 사용 유무를 비교하여 CPU Utilization의 상관관계를 도출하는 것을 목적으로 하였다. 이어서 단일 노드 경우의 Memory 사용률을 비교 분석한다. 또한 전체 프로세스 수행 시간과 Load 값의 변화를 비교하여 실제 분산 데이터 처리 플랫폼에 따른 시간당 Latency와 유용성에 대하여 평가하였다.
이에 본 연구에서는 팀으로 구성된 플레이어들이 전략을 가지고 여러 가지 다른 화기 종류를 이용하여 생존해 나가는 전략 게임 데이터를 활용하였다.
각종 훈련 체계 간의 연계성이 부족하여 데이터의 활용에 제한 사항을 극복하고자 서론에서 기술했던 Adaptive distributed parallel Simulation environment for Interoperable and Models (AddSIM) 등을 활용해 LVC 기반의 과학화 훈련 체계를 구축해 가고자 하는 연구 또한 진행되고 있다. 하지만 해당 연구의 범위가 방대하여 창 끝 부대나 현재 운용하고 있는 시뮬레이션에서의 데이터를 활용하기 위해 쉽게 접목시킬 수 있는 분산 데이터 처리 플랫폼을 제시하였다.
Distributed scheduler에 의해서 태스크가 수행하는 동안 태스크 상태가 지속적으로 변하는데 이 State 중 실행하는 동안을 Load로 측정한다. 현재 수행중인 태스크와 수행 대기하고 있는 태스크의 수치를 주기적으로 계산하여 1분, 5분, 15분 기준으로 평균치를 계산한다. 결과 그래프에서 행은 분산 처리 플랫폼을 사용하지 않았을 때 전체 작업 수행 시간을 비율로 표시한다.

대상 데이터

이에 본 연구에서는 팀으로 구성된 플레이어들이 전략을 가지고 여러 가지 다른 화기 종류를 이용하여 생존해 나가는 전략 게임 데이터를 활용하였다. 데이터는 50만명 플레이어의 데이터를 사용하였으며 데이터가 포함하고 있는 요소는 팀규모, 화기･구급품･방탄용품 등의 자산, 차량으로 이동한 거리, 도보로 이동한 거리, 교전을 통해 사망한 인원 수, 팀별 생존 시간, 그리고 팀 위치이다. 이 요소들은 승리요인에 영향을 미칠 수 있는 항목들로 선별하였으며 이를 통해 다음을 분석하고자 한다.

성능/효과

하지만 이는 노드 수의 증가나 재생 버퍼 사이즈를 줄임으로써 감소시킬 수 있다. Load의 평균값을 측정하였을 때 Actor와 Worker로 인해 생성되는 Process증가로 인해 Load값이 증가하고 이는 멀티 프로세싱으로 처리량을 증가시킬 수 있음을 확인하였으며 코어의 수를 초과하지 않은 범위에서 노드수를 구성하여 효율적으로 수행 가능하다.
메모리 이슈와 기준점에 대한 연구가 추가적으로 진행되어야 하지만 해당 부분은 향후 연구 과제로 선정하고자 한다. 결과적으로 제시된 분산 데이터 처리 플랫폼으로 국방 데이터를 활용하여 가시화된 자료로 새로운 가치 창출을 할 수 있다
단연 CPU 코어수나 노드가 증가할수록 각 노드의 에서의 다른 프로세스들을 동시에 처리될 수 있기 때문에 CPU 코어 수보다 높지 않은 수치는 멀티 프로세싱이 가능하다. 결국 코어나 노드의 수에 따라 Actor를 변화시켜 최대 수행 가능하게 설정하여 수행시킬 수 있다는 것을 확인하였다.
물리적으로 분리되어 있어도 서로의 자원을 사용함에 있어서 제한이 없게 된다. 넷째, Fault-tolerance가 높다. 단일 시스템에서 장애가 발생하는 경우 처리가 지연되지만, 분산 데이터 처리 시스템의 경우 장애 발생시 다른 노드에게 요청하여 실행할 수 있기 때문에 안정성이 높다.
반면 물리적으로 분리된 공간에서 다른 컴퓨터를 연결하여 처리하면 데이터 활용도 유용하고 쉽게 노드를 추가하거나 제거함에 있어서도 유연하기 때문에 메인 프레임의 과부하를 감소시킨다. 둘째, 확장성이 크고 하나의 일을 여러 시스템이 동시에 처리하기 때문에 속도 및 신뢰도가 향상된다. 계획된 데이터보다 많은 양의 처리가 필요한 상황이 발생하면 현재 구조에 컴퓨터를 추가하여 연결하면 쉽게 해결할 수 있다.
전체 프로세스 수행 시간을 비교하면, 분산 데이터 처리를 수행했을 때 Redis 서버에 접속하는 시간을 제외한 처리 수행 시간이 더 짧은 것을 확인할 수 있었다. 본 실험에서의 데이터 분석이 비교적 간단한 처리 수행이기 때문에 분산 처리를 위한 서버 접속의 시간이 영향을 미치는 결과가 확인되었다. 다만 어느 정도 크기의 데이터와 분석 규모에 몇 배 이상의 향상을 보이기 위해 몇 개의 노드가 기본적으로 필요로 요구되는지에 대한 각각의 기준점을 잡기에는 어려움이 발생하였다.
결과 분석을 통해 발생한 메모리 이슈와 분산 데이터 처리를 위한 자원의 기준점은 향후 연구방안으로 정리하고자 한다. 본 연구에서 적은 노드 개수로 50만개의 데이터 처리를 수행하였을 때 Object가 Global Control Store에 저장되는 과정에서 데이터의 크기로 인해 메모리 사용률이 증가하였으며 이는 메모리 이슈로 발전될 수 있다. remote function으로 정의한 함수가 대량의 array를 사용하거나 Object로 인한 원인이기 때문에 remote function에 의한 array와 데이터 크기에 따라 최대 효율을 실행시킬 수 있는 코어와 노드의 기준점을 설정해야 한다.
Load값은 CPU에 의해 실행 중이거나 대기 상태에 있는 프로세스들의 주어진 1분, 5분, 15분 동안 계산된 평균 시스템 Load값이다. 본 연구에서의 Load값들이 실험 환경의 CPU Core Thread 수보다 낮은 수로 측정되어 성능상의 문제는 없는 것으로 보이나, Non-Ray로 수행했을 때와는 평균 Load값은 전반적으로 큰 수치가 측정되었다. 이는 remote function과 발생하는 Actor들로 인해 수행되는 프로세스가 증가하기 때문으로 보인다.
본 연구의 실험에서 군사적 의미를 갖는 전략 게임 데이터를 가지고 위의 분산 데이터 처리를 수행하여 전체 프로세스 수행 시간 중 50%의 수행 시간 동안 1~18.7%의 CPU 자원 사용률 감소를 통해 효율성을 확인하였다. Memory 사용률에서는 분산 데이터 처리 모델을 수행하는 경우 Object의 메타 데이터를 Redis 서버에 저장하는 과정에서 메모리 사용률이 증가한다.
또한 병렬 처리로 인해 연결되어있는 모든 노드의 데이터가 동시다발적으로 업데이트가 되어 컴퓨터를 추가하거나 제거하는 경우에도 데이터의 흐름에 영향을 미치지 않는다. 셋째, 여러 자원들이 연결되어 있기 때문에 사용자나 자원들 간의 통신이 용이하다. 물리적으로 분리되어 있어도 서로의 자원을 사용함에 있어서 제한이 없게 된다.
전체 프로세스 수행 시간을 비교하면, 분산 데이터 처리를 수행했을 때 Redis 서버에 접속하는 시간을 제외한 처리 수행 시간이 더 짧은 것을 확인할 수 있었다. 본 실험에서의 데이터 분석이 비교적 간단한 처리 수행이기 때문에 분산 처리를 위한 서버 접속의 시간이 영향을 미치는 결과가 확인되었다.
분석 시스템 모델을 사용하는 CPU 사용률은 사용하지 않는 경우와 비슷하지만, 사용하지 않는 경우가 더 높은 결과를 보인다. 전체적으로 분산 처리 시스템을 사용할 경우 전체 프로세스 수행시간의 50% 이하 시간에서 1~18.7% 정도의 자원 사용률 감소를 보였다.
분산 데이터 처리가 시스템 유지상 통일성을 잃기 쉽긴 하지만 그럼에도 많은 장점들로 인해 활용도가 높다. 첫째, 중앙 집중식 처리에 비해 비용이 저렴하다. 중앙 집중식 처리를 하는 기업은 대규모 처리를 위해 메인 프레임과 슈퍼컴퓨터가 있어야한다.

후속연구

결과 분석을 통해 발생한 메모리 이슈와 분산 데이터 처리를 위한 자원의 기준점은 향후 연구방안으로 정리하고자 한다. 본 연구에서 적은 노드 개수로 50만개의 데이터 처리를 수행하였을 때 Object가 Global Control Store에 저장되는 과정에서 데이터의 크기로 인해 메모리 사용률이 증가하였으며 이는 메모리 이슈로 발전될 수 있다.
따라서 상위 팀의 다수의 승리 기록과 이에 영향을 미친 요인을 분석하게 되면 차후 우리나라에 맞는 각종 교리를 검증할 수도 있고 또한, 국방 M&S 체계의 모의 논리를 보강할 수 있는 역할도 가능할 것이다.
remote function으로 정의한 함수가 대량의 array를 사용하거나 Object로 인한 원인이기 때문에 remote function에 의한 array와 데이터 크기에 따라 최대 효율을 실행시킬 수 있는 코어와 노드의 기준점을 설정해야 한다. 메모리 이슈와 기준점에 대한 연구가 추가적으로 진행되어야 하지만 해당 부분은 향후 연구 과제로 선정하고자 한다. 결과적으로 제시된 분산 데이터 처리 플랫폼으로 국방 데이터를 활용하여 가시화된 자료로 새로운 가치 창출을 할 수 있다
이 플랫폼을 이용한 데이터 분석을 통해 비정형 데이터들을 활용하여 새로운 가치를 만들어 낼 수 있다면 훈련 상황에 실시간으로 발생하는 데이터들을 분석하여 객관적인 근거를 제시할 수 있게 되며, 더 나은 지휘 결심을 하는데 영향을 미칠 수 있을 것이다. 이에 본 연구에서는 시뮬레이션 운용간 실시간으로 발생하는 데이터를 분석하기 위한 분산처리 플랫폼을 적용하여 축적된 데이터를 분석하고 그 실효성을 검증하고자 한다.
다만 어느 정도 크기의 데이터와 분석 규모에 몇 배 이상의 향상을 보이기 위해 몇 개의 노드가 기본적으로 필요로 요구되는지에 대한 각각의 기준점을 잡기에는 어려움이 발생하였다. 이는 실제 전략 데이터를 활용하여 필요한 정량화 된 데이터의 기준이 우선적으로 선정된 이후에 데이터 처리로써 향후 연구 방안을 정리하고자 한다.
본 실험에서는 적은 노드의 수로 50만개의 데이터를 처리했을 때의 결과를 다루었기에 발생한 결과이다. 적은 노드에서 데이터의 수가 50만개 이상의 경우에는 메모리 이슈가 발생했는데 이는 향후 연구과제로 선정하고자 한다.
지형 및 전쟁 환경에 대한 전투원들의 행동패턴을 평가하고 생존성을 보장할 수 있는 요인을 파악한다면 현재 군 전투력을 위한 교육훈련체계에 발전방향을 제시하게 되어 나아가 조직의 생산성이 증가할 것이며 국방력 증진에 영향을 미칠 수 있을 것이다.

핵심어	질문	논문에서 추출한 답변
	시뮬레이션이란 무엇인가?	시뮬레이션은 복잡한 문제나 현상들을 해석하고 해결하기 위해 실제 모형이나 현장을 만들어 모의적으로 실험하고 그 특성들을 파악하는 것이다. LVC (Live, Virtual, Constructive) 시뮬레이션은 M&S (Models and Simulation)을 분류하는데 사용되는 기준이다.
	실시간 데이터 분산 처리를 이용해 비정형 데이터 분석을 할 수 있다면 어떤 기대효과를 가져오는가?	이 플랫폼을 이용한 데이터 분석을 통해 비정형 데이터들을 활용하여 새로운 가치를 만들어 낼 수 있다면 훈련 상황에 실시간으로 발생하는 데이터들을 분석하여 객관적인 근거를 제시할 수 있게 되며, 더 나은 지휘 결심을 하는데 영향을 미칠 수 있을 것이다. 이에 본 연구에서는 시뮬레이션운용간 실시간으로 발생하는 데이터를 분석하기 위한 분산처리 플랫폼을 적용하여 축적된 데이터를 분석하고 그 실효성을 검증하고자 한다.
	군에서 데이터 활용 문제를 극복하기 위해 어떠한 노력을 하고 있는가?	군에서도 현재 이런 데이터 활용 문제를 극복하기 위해 다수의 시뮬레이션을 복제하여 하나의 프로그램으로 구성하고 이를 시뮬레이션화 하여 결과를 얻고자 하는 Adaptive distributed parallelSimulation environment for Interoperable and Models (AddSIM) 개발 등의 노력이 진행되고 있다. AddSIM의 경우, 분산 환경에서 병렬 처리가 가능한 구조로 발전하는 추세를 반영하고, 국내 환경에 적합한 분산 환경 지원과 병렬 처리가 가능하도록 아키텍처를 개발하였다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

워게임 시뮬레이션 환경에 맞는 빅데이터 분석을 위한 분산처리기술
Distributed Data Processing for Bigdata Analysis in War Game Simulation Environment 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

질의응답

참고문헌 (7)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

워게임 시뮬레이션 환경에 맞는 빅데이터 분석을 위한 분산처리기술 Distributed Data Processing for Bigdata Analysis in War Game Simulation Environment 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

질의응답

참고문헌 (7)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

워게임 시뮬레이션 환경에 맞는 빅데이터 분석을 위한 분산처리기술
Distributed Data Processing for Bigdata Analysis in War Game Simulation Environment 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper