서 론
군사작전 분야에서 과학기술의 중요성은 점점 확대 되고 있고, 제4차 산업혁명의 핵심기술인 ICBM(IoT, Cloud, Big-Data, Mobile)과 인공지능(AI) 기술은 국방 분야를 넘어 국가 정보화 계획까지 영향을 미치고 있다. 국가 정보화 정책 핵심 4대 전략에 ‘국가 디지털 혁신’이 포함되어 인공지능, Cloud, Big-Data 등 지능 정보기술 활용 사업 비중이 확대되고 있고, 국방 차원에서도 4차 산업혁명 주도 기술을 국방경영의 제반 요소와 연결하는 노력이 진행 중이다[1].
2010년대부터 C4I 체계에 인공지능을 적용하고 군사작전 절차와 연계하여 인공지능을 활용하는 개념 수준의 연구가 진행되었다[2]. 육군 전술 C4I 체계의 data를 이용하고 Data Mining 기법을 적용하여 지휘관에게 신속한 결심을 지원하는 방안이 제시되었고[3], 전술 C4I 체계에 인공지능을 적용하기 위해서는 기존에 사용하던 Web, WAS(Web Application Server) DBMS(Data Base Management System) 등의 플랫폼으로부터 HADOOP (High Availability Distributed Object-Oriented Platform), Kafka 등 data를 수집, 처리 및 분석기술 적용이 가능한 인공지능 플랫폼으로 전환이 필요함도 제기[4]되었다.
2020년대부터 다양한 전장 상황을 국방 온톨로지 형태로 모델링 한 후 Symentic Web 기술을 활용하여 지휘관과 참모가 인식할 수 있도록 표현하는 방법이 연구[5]되었다. 전술 C4I 체계에는 인공지능이 학습할 만큼 풍부하고 정확한 data를 수집하기 어려우므로 전술 C4I 체계와 유사한 DB 구조로 이루어져 있고 풍부하고 정확한 data를 수집할 수 있는 워게임 모델의 훈련 data를 활용한 인공지능 학습방법론이 연구[6]되었다.
그러나 전술 C4I 체계는 여단급 이상 부대별로 서버(DB)를 운용함에 따라 통합 DB가 구축되어 있지 않고, 부대별 서버를 운용(Active) 서버와 대기(Standby) 서버로 구분하여 상황에 따라 전환(switch out)하는 개념으로 운용하고 있어 인공지능 관점에서는 구조적 문제점을 갖고 있다.
본 논문에서는 지상 전술 C4I 체계의 구조적 문제점을 개선하기 위해 4차 산업혁명의 핵심기술인 클라우드 기술 중 가상화 기술을 활용한 인공지능 아키텍처를 제시하고자 한다. 2장에서는 인공지능 운용관점에서 전술 C4I 체계의 구조적 문제점과 군에 적용하고 있는 가상화 기술 사례들을 소개, 3장에서 지상 전술 C4I 체계와 워게임 모델을 통합한 인공지능 아키텍처 모델을 제시, 4장에서는 네트워크 traffic 평가를 통해 전술 통신체계 환경에서 적용 가능한가를 검증하고 5장에서 결론을 맺는다.
관련 연구
2.2 전술 C4I 체계 운용개념과 문제점
전술 C4I 체계는 전장 통신환경과 전술 제대의 임무 특성을 고려하여 서버를 차량에 탑재하여 기동성을 제공하고 있으며, 2대의 차량에 이중화하여 생존성과 서비스 지속성을 지원하기 위한 구조로 되어 있다.
부대별 서버는 Fig. 1과 같이 특정 서버가 운용(Active) 서버가 되면 다른 서버는 대기(Standby) 서버가 되는데, 운용 서버와 대기 서버 간에 자료를 일치(data match)시키는 절차를 수행하고[9], 상･하급 제대 간 그리고 인접 군단 간에는 동기화(Synchronization) 도구를 이용하여 지정된 data를 공유한다. 사용자(user)는 운용 서버로 지정된 서버에 접속하여 data를 입력, 수정 및 최신화를 하며 정보를 확인한다.
이와 같은 전술 C4I 체계 서버 운용 구조는 인공지능 운용과정에서 다음과 같은 문제점들이 예상된다.
2.3 가상화 Solution과 군 적용사례
가상화 기술은 물리적인 메인 프레임을 논리적으로 작은 여러 개의 가상 시스템(Virtual Machine)으로 분할 하여 사용하는 개념으로 1960년대부터 사용[10]하고 있으며 이런 가상화 기술의 장점은 물리적인 자원을 효율적으로 사용할 수 있고, 장비 수량을 줄이면서 이기종 플랫폼 환경에서도 공통의 관리 도구를 사용할 수 있기 때문에 현재 우리 군에서도 아래와 같이 가상화 기술들이 사용되고 있다.
’과 같은 Application을 사용인공지능 아키텍처 모델
인공지능에 필요한 Big-Data를 구축하기 위해, KDD (Knowledge Discovery in Database) 방법론[11]을 적용하여 수집(Selection) → 전처리(Preprocessing) → 변환(Transformation) → 데이터 분석(Data Mining) → 해석/평가(Interpretation/Evaluation) 과정과 연계한 아키텍처 모델을 Fig. 2와 같이 제시하였다.
아키텍처 모델은 전장 data가 생성되는 ‘전장 영역’, 워게임 모델의 연습 data가 생성되는 ‘시뮬레이션 영역’, 그리고 data를 수집, 변환, 분석, 해석 및 평가하는 ‘인공지능 영역’으로 구분하였다.
전장 영역과 시뮬레이션 영역은 Fig. 3과 같이 전술 C4I 체계와 워게임 모델이 연동되고 있으므로[12] 시뮬레이션 영역에서 수집한 data를 학습한 인공지능을 활용하여 전장 영역에서 수집된 data를 분석, 해석 및 평가할 수 있다는 근거를 제공한다.
3.1 인공지능 영역의 구성과 역할
인공지능 영역에서는 Table 1과 같이 다양한 유스케이스 활동을 통해 Meta DB를 구축하고 인공지능이 해석하고 평가한 결과를 사용자에게 제공한다. 각 구역은 광 통신 채널에서 data 교환이 이루어지고 OS, Application, NIC, Storage를 가상화를 통해 공유한다.
Table 1.
Usecase in AI area
인공지능 영역에서는 Fig. 4와 같이 전술 C4I 채널과 인공지능 채널을 분리하여 운용한다. 전술 C4I 채널은 전술 C4I data를 유통하고 인공지능이 해석한 결과를 사용자에게 제공할 때 사용하며, 인공지능 채널은 각 부대의 DB에서 Meta DB로 data를 적재하고 인공지능이 학습, 변환, 해석하는 과정에서 필요한 data 를 유통할 때 사용함으로써 대용량 data가 처리되어도 전술 C4I 체계에 영향이 미치지 않는다.
3.1.1 전장 DB 구역
인공지능용 Big-Data를 구축하기 위해서 분산된 전술 C4I 체계의 data를 통합하는 방안으로, 각 부대에서 운용하는 대기(standby) 서버를 대형 컴퓨팅 환경제공이 가능한 장소에 물리적으로 통합하고, 가상머신을 활용하여 부대별로 서버를 구축하는 것으로 개선할 수 있다. 이때 전장 영역에서 동작하는 실제 서버와 인공지능 영역에서 동작하는 가상화 서버는 Fig. 5와 같이 동시에 운용하는 주(primary)서버와 예비(alternate)서버로 운용개념을 개선해야 한다.
주(primary)서버와 예비(alternate) 서버의 DB를 관리하기 위해, 주 서버에서 data가 변경되면 예비서버로 메시지를 전송(mirroring)하고 예비서버는 수신한 메시지에서 변경된 data를 DB에 최신화 한다. 주서버에 접속한 사용자는 입력(writing), 수정(updating), 확인(reading)이 가능하지만, 예비서버는 사용자에게 확인(reading) 권한만 부여함으로써 주서버와 예비서버 DB 의 무결성을 유지할 수 있다. 그러나 메시지 전송과정에서 지연이 발생하게 되어 예비서버에 접속한 사용자는 주 서버에 접속한 사용자보다 지연된 정보를 확인할 수 있게 된다. 예비서버를 주서버로 전환하면 가상화 서버의 가상 IP가 도메인 서버에 변경 저장함으로써 상･하급 제대 서버 간 data 연동을 유지한다. 전장 DB 구역에 인공지능 Agent는 전술 C4I 체계의 DBMS를 활용하여 필요한 data를 수집하고 Meta DB 에 적재한다. Meta DB에 저장하는데 필요한 data를 식별하고 전처리하는 방법은 3.2에서 제시하겠다.
3.1.2 Meta DB 구역
Meta DB 구역에는 인공지능이 분석, 해석 및 평가에 필요한 data를 Meta DB에 저장하고, 전장 영역에 있는 사용자(user)에게 인공지능 서비스를 제공하는데 필요한 인공지능 서버 시스템과 각종 인공지능 알고리즘이 구축된다.
인공지능 서버는 여단급 제대 이상 부대별로 가상머신을 할당하고, CPU와 Memory 등의 기반 체계와 Scikit-learn, Seaborn 등의 인공지능 Application을 공유한다. 유용한 인공지능 알고리즘을 활용하고 최신화할 수 있도록 보안 솔루션을 포함하여 인터넷과 연결할 수 있는 연동 접점을 설치한다.
3.2 Meta DB 구축 시나리오
3.1에서 설명한 전장 DB 구역에는 전술 C4I 체계의 data가 모두 저장되어 있고, 시뮬레이션 영역에서도 전장 DB 구역과 같이 인공지능 Agent를 설치하여 필요한 data를 수집하고 적절한 형태로 처리하여 Meta DB에 적재한다. 이 과정에서 필요한 data를 식별하고 인공지능이 활용할 수 있도록 변환과정이 필요하다.
3.2.1 작전 수행과정과 연계한 인공지능의 역할
인공지능은 지휘관과 참모들을 보좌하여 필요한 결심을 지원할 수 있도록 작전 수행과정에서 다양한 산출물을 제공해야 한다. 미 육군의 작전 수행과정은 계획수립(plan) → 준비(prepare) → 실시(execute)의 과정을 순환하며 모든 과정에서 평가(assess)는 지속 수행하는 것으로 정의하고 있다. 계획수립(plan)은 임무 수령 → 임무 분석 → 방책 발전 → 방책 분석 → 방책 비교 → 방책 승인 → 명령 생산, 전파와 같이 7단계[14]로 진행된다.
계획수립 단계(step)별로 필요한 data가 다르며, 분석 해석 및 표현 방법이 다를 수 있는데 본 연구에서는 임무 수령(Step 1) 단계에서 필요한 data를 선정하고 Meta DB로 변환하는 시나리오를 제시하였다.
3.2.2 Meta data 변환 및 저장
미 육군 야전교범 공격과 방어에는 작전 형태와 전술 과업에 대한 투명도 도식 방법과 text 표현 방법을 정의하고 있다[15]. 전술 C4I와 War-game DB에서 Fig. 7과 같이 투명도 data에서 text를 추출할 수 있고, 인공지능이 부대별 작전 형태와 전술 과업을 추론할 수 있다. Fig. 8은 54개의 임의의 투명도 data set을 제작하여 70 %는 학습용, 30 %는 테스트용으로 구분하여 Scikit-learn 라이브러리의 DecisionTreeClassifier를 활용하여 판단한 결과를 그래프로 표현하였다[6].
학습 결과 37개의 data set 중 공격(24), 역공격(4) 그리고 지역방어(6)는 정확하게 분류되었고, 기동방어 중 1건은 지역방어와 같은 class로 분류되었다[6].
위와 같이 방법으로 전장 DB 구역과 시뮬레이션 DB 구역에서 수집한 data를 작전 형태와 전술 과업을 추론[6]할 수 있고, Table 2와 같이 인공지능용 Meta DB로 변환 및 저장한다.
Table 2.
Preprocessing scenario of making meta DB
| 전장 DB 구역 및 시뮬레이션 영역 | |
|---|---|
| 부대 명칭 | 데이터 전처리 (과업 식별) |
| 110사단 | 사단 지역방어 작전 간 |
| 51여단 1대대 | 주 노력 연대의 주 노력 대대 |
| 110사단 | 사단 지역방어 작전 간 |
| 51여단 3대대 | 주 노력 연대의 보조 노력 대대 |
| 110사단 | 사단 지역방어 작전 간 |
| 51여단 1대대 | 주 노력 연대의 예비 대대 |
| Meta DB 구역 | ||
|---|---|---|
| 전술 과업 (*Primary key) | 부대 명칭 | •• |
| 사단 지역방어 작전 간주 노력 연대의주 노력 대대 | 110사단 51여단 1대대 | •• |
| 120사단 61여단 2대대 | •• | |
| 130사단 71여단 3대대 | •• | |
Meta DB에는 부대의 전술 과업이 Primary key로 선정되고 동일 과업을 수행했던 부대들의 다양한 연습 data를 인공지능이 분석, 해석할 수 있는 Big Data 및 통계적 분석자료로 활용할 수 있게 된다.
인공지능 아키텍처에서의 네트워크 traffic 측정
4.1 실험환경
지금까지 전술 C4I 체계와 워게임 모델과 연계하여 인공지능의 구조와 필요한 data를 선정, 변환하는 시나리오를 제시하였다. 인공지능 영역 내부에는 가상화 기술이 적용되어 광 통신 기반의 data 전송이 가능하지만, 전장 영역에 있는 사용자가 전술 통신체계 환경에서도 인공지능이 해석/평가한 결과를 확인할 수 있는지 검증이 필요하다. 이를 검증하기 위해 Fig. 9와 같이 화면 정보를 전송하는 Application(zoom)을 활용하고 PC 2대 간에 파일 유형별로 네트워크 traffic을 측정하였다.
공유하는 파일의 종류는 동영상(MP4), 파워포인트 및 PDF 문서파일을 선정하였고, 파일별 data의 크기는 Table 3과 같다.
4.2 실험방법 및 결과
PC 1에서 동영상과 문서를 공유하였고, PC 2 NIC에서 네트워크(Wifi) traffic을 60초간 측정한 결과는 Fig. 10과 같다.
• 실험 (a) : PC 1에서 “Video 공유” 방법으로 동영상 파일(MP4)을 공유, 평균 300~500 Kbps 최대 2~3 Mbps traffic 수신
• 실험 (b) : PC 1에서 “화면 공유” 방법으로 동영상 파일(MP4)을 공유(1 fps), 평균 100~150 Kbps 최대 250 Kbps traffic 수신
• 실험 (c) : PC 1에서 “화면 공유” 방법으로 문서파일(PDF, PPT)을 공유(1 fps), 평균 30~50 Kbps 최대(화면 전환 시 10~12초간) 500 Kbps traffic 수신
실험 결과 동영상 파일을 공유하면서 동영상 data를 공유하는 실험(a)에 비해 화면을 공유하는 실험(b)에서 네트워크 traffic이 약 70 % 정도 낮아졌고, 일반 문서파일을 공유하는 실험(c)은 파일 용량의 크기보다는 화면 전환 순간에 따라 네트워크 traffic이 10초~12초간 현저하게 증가하는 것을 볼 수 있다.
일반적으로 데스크톱 가상화 기술(VDI)들은 화면을 전송하면서 네트워크 traffic을 낮추기 위해 이미지와 text를 구분하여 전송하거나 화면 전환 시 해상도를 점차로 증가시키는 등의 화면전송 기술을 적용하고 있으므로 상기 실험 결과에서 제시한 네트워크 traffic 보다 낮은 traffic이 발생할 것으로 예상할 수 있다.
전장 영역에 있는 사용자가 전술 C4I 단말기를 이용하여 가상 단말기를 할당받고, 인공지능 서비스를 이용할 때 단말기 1대에서 생성시키는 네트워크 traffic은 평균 50 Kbps 정도로 선정한다면 Table 4.와 같이 전장 영역에 사용되는 전술 통신체계(TICN)의 운용 구조와 체계 능력을 고려하여 제대별 전송용량(Bandwidth)과 각 제대의 C4I 단말기 편제 수량을 기초로 동시 접속자 수를 선정하여 data traffic 양을 산정하였을 때 현재의 전술 통신체계(TICN)에서 제공하는 전송로의 5~10 % 정도 점유하는 수준이므로, 인공지능 서비스 제공이 가능할 것으로 판단할 수 있다.
결 론
미래전은 인간의 능력과 각종 무기체계에 적용된 인공지능기술이 접목되면서 새로운 양상을 나타낼 것이다. 미 국방성도 기존의 네트워크 중심전(Network Centric Warfare)에서 결심 중심 작전(Decision Centric Operations) 수행을 위한 인공지능개발에 초점을 맞추고 있는 모자이크 전(Mosaic Warfare)으로 전환[16]하고 있다. 이에 본 논문에서는 우리 육군 전술 제대의 지휘관과 참모들이 인공지능 기술을 활용할 수 있도록 전술 C4I 체계를 활용하는 아키텍처를 제시하였다. 현재 운용 중인 전술 C4I의 구조적 제한사항을 개선하기 위해 가상화 기술을 활용하여 통합 DB를 구축하고, 워게임 모델의 훈련 data를 활용하여 인공지능의 학습용 data로 활용하는 개념은 지상 전술 제대 인공지능 아키텍처의 기준모델이 될 것으로 기대된다.
본 논문에서는 계획수립 1단계에 한정하여 인공지능용 Meta DB 구축 시나리오를 제시하였는데, 향후 계획수립 2~7단계와 작전 실시 과정에서 인공지능 Meta DB를 구축하는 시나리오를 연구할 계획이다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
CrossRef TDM
