1. 서 론
현대전에서 위협 요소가 정밀화, 다종화 됨에 따라 다수의 방공 자산이 통합적으로 운용되는 통합방공체계의 중요성이 커지고 있다. 다양한 탐지 자산과 방어용 요격 자산을 연동하여야 하며 교전 효율의 극대화가 필요하다. 짧은 단위 시간 동안 다수의 공중 위협을 처리할 수 있는 성능 지표를 방공작전의 동시교전능력이라 한다. 방공작전의 동시교전능력은 구체적으로 다수의 공중 위협을 동시에 탐지, 분해 및 추적하는 탐지 자산의 능력과 빠르게 다수의 방어용 요격 자산을 활용해 적을 요격할 수 있는 능력 그리고 주어진 탐지 정보를 바탕으로 방어용 요격 자산에 명령을 할당하는 통제소의 처리능력이 복합적으로 적용된 전체 체계의 능력을 의미한다. 통합방공체계에서는 통제소가 다수의 방어용 요격 자산을 제어하여 다표적에 대한 교전을 실시간으로 통제하여야 한다. 실시간으로 교전을 통제해야 하는 시스템에서 표적의 수가 증가하거나 다수의 방어용 요격 자산을 동시에 통제하여야 하는 경우, 연산 시간이 누적되어 총 처리 시간의 증가로 인하여 운용에 지연을 초래할 수 있다. 특히 운용자는 제한된 시간 내에 정확한 판단을 내려야 하므로, 위협평가 및 무기 체계별 표적 할당의 신속성이 핵심 요구사항이다. 이에 따라 통제소에서 다수의 방어용 요격 자산을 활용하여 다표적에 대한 교전통제를 실시간으로 처리하는 방안에 관심이 높아지고 있다. 실시간으로 위협을 분산 대응하기 위해 연산 작업의 가속화가 필수적이다. 그러나 CPU 기반의 순차 실행 환경에서 연산량은 방어용 요격 자산 및 표적 수 증가에 따라 처리 시간이 선형적으로 증가하여 실시간성을 확보하는데 한계가 존재한다.
본 논문에서는 가속화 대상으로 감시 자산으로부터 획득한 표적 위치 좌표를 방어용 요격 자산 기준 좌표계로 변환하는 알고리즘을 선정하였다. 감시 자산으로부터 획득되는 표적정보는 유효 시간 이내에 처리하여야 한다. 이를 위해, 다수의 방어용 요격 자산에 대한 다표적 위치 좌표 변환의 소요 시간을 효과적으로 줄이고자 좌표 변환 알고리즘을 병렬화하는 방안을 제시한다. 논문의 구성은 다음과 같다. 제2장에서는 다루고자 하는 통합방공체계의 다표적 위협평가 실시간성 문제에 대해, 제3장에서는 가속화 대상 알고리즘에 대해, 제4장에서는 GPU 기반 병렬처리를 활용한 가속화 방안에 대해, 제5장에서는 시스템 처리 한계 예측을 기술하고 제6장에서는 검증 및 분석을 위한 결과를 제시한다. 마지막으로 제7장에서는 결론을 맺는다.
2. 문제 정의
방공작전은 적 항공기와 같은 적 공중 위협으로부터 아군의 방어 자산을 보호하는 것을 의미한다. 방공 작전에서는 다수의 공중 위협이 존재하며 다수의 방어용 요격 자산으로 동시에 교전이 발생하는 특성을 갖는다. 따라서 공중 위협을 효과적으로 제압하기 위해 전장 상황을 고려한 최적의 교전 계획을 최단 시간 내에 수립하고 수행하여야 한다. 즉, 다수 무기와 다수 표적이 존재하는 전장 환경에서 무기-표적 할당 시에는 최대 교전효과를 달성하는 ‘효과성’ 측면과 전장 환경의 실시간 변화를 반영하는 ‘신속성’ 측면을 모두 고려하여야 한다[1].
대부분의 기존 연구는 무기-표적 할당문제를 위한 다양한 알고리즘 구현에 집중하여, 지역탐색 알고리즘(Local Search)이나 최적 탐색 알고리즘(Exact Search Algorithm) 등과 같이 최적해를 찾기 위한 알고리즘을 제안하였다. 하지만 최적해 탐색 알고리즘은 표적과 무기의 수가 증가함에 따라 계산시간이 오래 걸리기 때문에 소규모 전장 환경에만 제한적으로 적용할 수 있고, 다표적에 대하여 상황이 급격하게 변하는 상황에서는 신속하게 반응할 수 없다[2].
위협평가 방법론은 일반적으로 표적의 위치, 속도, 방위각을 사용하며, 대표적인 방법론으로 최소 근접거리 우선 방법과 최대 접근속도 우선 방법이 있다. 두 방법 모두 방어 자산에 가장 빨리 도달하는 표적에 높은 위협도를 부여한다. 기존 연구에서는 위협평가 방법을 각각 Closest Point Of Approach(CPA)[3] 방법과 Radial Speed Vector(RSV)[4] 방법으로 명명하기도 한다[2]. 본 논문에서는 최소 근접거리 우선 방법에 필요한 방어용 요격 자산과 표적에 대한 거리를 구하는 방법에 가속화를 제안하여 시간 효율성 측면에서 접근하고자 한다.
감시 자산으로부터 수신한 표적정보를 활용하여 통제소에서 다수의 방어용 요격 자산에 대한 표적의 위협평가를 각각 구해야 하는 경우, 감시 자산으로부터 수신하는 표적정보의 측지좌표를 방어용 요격 자산의 측지좌표와 자세 정보를 반영한 방어용 요격 자산 기준의 좌표계로 변환이 필요하다. 표적이 많아지면 변환해야 하는 데이터의 양이 증가함에 따라 연산 시간이 증가하게 된다. 이는 교전통제 시스템의 성능 저하를 발생시킨다. 이때, 변환되는 각각의 표적 위치 정보는 다르지만, 변환에 쓰이는 관계식은 동일하다. Single Instruction Multiple Data(SIMD) 구조로 볼 수 있다. 이러한 SIMD 구조는 병렬처리를 통한 가속화가 가능하다[5]. 본 논문에서는 위의 개념을 기본으로 GPU 를 이용한 병렬처리를 통해 가속화 실험하였다. 이를 위해 NVIDIA사에서 범용 목적의 GPU 연산을 위해 개발한 CUDATM을 사용하였다.
최근 서버급 High Performance Computer(HPC) 형태의 처리 장치에 GPU를 적용한 연구들이 진행되고 있다. 그러나 현재까지 연구들은 주로 이미지 프로세싱과 비실시간 처리에 국한되어 있다[8]. 실시간 처리와 관련하여 우주감시레이다에서 장거리 표적 탐지/추적에 따른 연산 시간 증가 문제를 저비용으로 해결하기 위해 GPU의 CUDATM을 적용해 실시간 레이더 신호처리를 하는 방법이 연구가 수행되었다[8]. 이러한 GPU 활용 연구들은 대체로 신호처리나 영상처리에 집중되어 있으며, 교전통제에 직접 적용된 사례는 아직 미미하다. 본 연구에서는 이러한 한계를 극복하기 위하여 IADS 교전통제 체계에 GPU 기반 병렬화 방안을 적용함으로써 동시교전능력을 개선하는 방법을 제안한다.
3. 가속화 대상 알고리즘
가속화 대상 알고리즘으로 표적 위치 변환 알고리즘을 선정하였다. 본 연구에서는 분석의 단순화 및 재현성을 높이기 위해 방호영역의 중심에 방어용 요격 자산이 위치하는 것으로 가정한다. 통제소는 방호영역의 중심점, 즉 방어용 요격 자산의 위치와 표적 간의 거리에 따라 표적의 위협평가를 수행하는 것으로 가정한다. 방어용 요격 자산의 위치와 표적 간의 거리에 따른 거리 기준의 위협평가 계산은 식 (1)과 같다. Ri,j은 방호영역 j의 중심과 표적 i간 거리를 의미한다. Rsta는 거리 위협평가 산출 시 기준이 되는 최대 거리를 의미한다. 방호영역으로부터 표적의 거리가 가까울수록 위협평가는 커진다[6].
표적의 위협평가를 위해 방어용 요격 자산 좌표계의 표적 위치가 필요하다. 통제소는 감시 자산으로부터 수신한 표적 위치 정보를 각각의 방어용 요격 자산 좌표계 기준의 표적 위치 정보로 변환하여야 한다. 본 알고리즘에서는 감시 자산으로부터 수신할 표적의 위치, 방어용 요격 자산의 위치 정보는 측지 좌표계 (Geodetic Coordinate System)의 좌표로 가정한다.
알고리즘의 흐름은 표적과 방어용 요격 자산의 측지좌표(경도, 위도, 고도)를 지구 중심 지구 고정 3차원 직각 좌표계(Earth-Centered Earth-Fixed(ECEF) Cartesian Coordinate System)로 변환한다. 변환된 표적과 방어용 요격 자산의 ECEF 좌표(X, Y, Z)를 방어용 요격 자산 위치 기반으로 서술한 좌표계인 East-North-Up(ENU) 좌표계로 변환한다. 변환된 ENU 좌표에 대해서 방어용 요격 자산의 현재 자세 정보를 반영하기 위해 회전 변환을 수행한다. 관계식들은 다음과 같다.
측지 좌표계에서 ECEF 좌표계의 변환 관계식에서 1차 이심률(First Eccentricity)은 다음과 같이 정의 되며
지구 위의 한 지점 P의 경도, 위도, 고도를 P(λ,φ,h)라 할 때 ECEF 좌표는
이 된다. 식 (2)와 (3)에서 a,b 는 각각 지구 타원체의 적도 반지름, 극반지름 값이고 N은 P 지점에서의 묘유선(卯酉線, 동서방향의 의미)의 곡률 반지름, e는 이심률이다. 여기서 묘유선(Prime Vertical)이란 법선을 포함하면서 자오면(Meridian Plane)과 수직인 면이 타원체와 만나는 선이다[7].
앞에서 설명한 바와 같이 표적과 방어용 요격 자산의 측지좌표를 ECEF 좌표로 변환한다. 변환된 ECEF 좌표를 방어용 요격 자산 위치 기반으로 서술한 ENU 좌표계로 변환한다. ENU 좌표계는 지구 표면에 위치한 방어용 요격 자산에 고정된 원점과 동쪽 방향의 x 축, 진북방향의 y축 그리고 오른손 나사의 진행 방향으로 방어용 요격 자산이 위치한 점에 접하는 평면에 직교하는 z축으로 구성된다.
ECEF 좌표계의 표적 좌표 [Xt, Yt, Zt]와 방어용 요격 자산의 좌표 [Xl, Yl, Zl]가 주어졌을 때, 식 (4)와 같이 좌표 변환 행렬 C E L
ENU 좌표에 대하여 방어용 요격 자산의 현재 자세 정보를 반영하기 위하여 회전 변환을 수행한다. 이때 자세 정보는 방어용 요격 자산의 항법장치 정보를 활용한다. 회전 변환에 관한 관계식은 다음과 같다. 이 변환은 좌표계 축의 회전에 따라 동일한 점에 대하여 변환된 좌표계에서 좌표를 구하는 과정이다.
이때, α, β, γ는 각각 X 축, Y 축, Z 축 중심으로 좌표계를 회전한 각을 의미한다. 좌표계 1에서의 점 P 의 좌표가 p1일 때, 좌표계를 X 축, Y 축, Z 축을 중심으로 회전하였을 때 새로운 좌표계 2에서 좌표는 p2이다. 즉, 좌표계 2는 방어용 요격 자산의 자세 정보를 반영한 좌표계이다. 이와 같이 통제소에서 감시 자산으로부터 수신한 표적 위치 정보를 활용하여 방어용 요격 자산 좌표계의 표적 위치로 변환할 수 있는 알고리즘을 구성하였다. 알고리즘을 활용하여 방어용 요격 자산과 표적 간의 거리를 계산할 수 있으며 통제소는 이를 통해 방어용 요격 자산에 대한 다표적 거리 위협평가가 가능하다.
4. GPU 기반 가속화 방안
다수의 프로세서를 보유한 시스템에서 알고리즘을 분리하여 처리하는 병렬처리 방식은 다양한 시스템에서 사용되고 있다. 이미지 프로세싱 분야에서 렌더링 등의 특수 연산 목적으로 사용되던 Graphics Processing Units(GPU)를 범용 연산에 활용하는 General-Purpose computing on Graphics Processing Units(GPGPU) 연구가 급속도로 진행되었다. 작은 프로세서로 구성된 GPU는 병렬처리에 탁월한 성능을 보인다. 하지만 GPU 자원을 사용자가 편리하게 사용할 수 있는 범용 API의 부재, 느린 인터페이스 속도, 정수연산 지원 불가 등의 문제로 인하여 제한적으로 사용되었다. NVIDIA사의 CUDATM 플랫폼과 PCI의 발전으로 위 문제를 대부분 해결하였다. CUDATM는 C/C++ 등 일반 프로그래머가 익숙하게 다루는 개발 환경에서 연산하듯 GPU 에서 개발할 수 있도록 지원한다.
GPU는 스레드(Thread) 단위로 수행된다. GPU 스레드에서 수행되는 함수는 커널(Kernels)이라고 부른다. 커널 내에서 CUDATM에서 제공하는 변수인 스레드의 인덱스(Index) 정보와 블록(Block)의 인덱스 정보를 활용하여 벡터(Vector)의 한 요소에 맵핑(Mapping) 할 수 있다. 그리드(Grid) 내 전체 스레드의 수보다 많은 데이터 요소가 있다면 Grid Stride Loop 방식을 통해서 해결한다. 이를 통해 모든 요소에 대하여 작업할 수 있다.
CPU는 다표적에 대한 표적 위치 변환을 위하여 순차적으로 알고리즘을 수행하여야 한다. GPU는 다표적에 대하여 병렬처리의 이점을 살릴 수 있다. 본 논문에서는 표적 단위로 표적 위치 변환 알고리즘을 병렬처리 하였다. Fig. 1은 CPU와 GPU 간 데이터 복사를 포함해 GPU를 이용한 표적 위치 변환 흐름도를 나타낸다.
Fig. 2는 CUDATM에서 제공하는 변수인 스레드의 인덱스 정보와 블록의 인덱스 정보를 활용하여 방어용 요격 자산 위치 버퍼 및 표적 위치 버퍼의 한 요소에 접근하여 변환 알고리즘의 병렬처리를 구현한 커널 코드이다. CPU 기반의 경우 순차 실행으로 인하여 계산량이 선형적으로 증가하지만, 해당 커널 코드는 GPU 기반으로 각 방어용 요격 자산 좌표와 표적 좌표의 쌍을 독립적으로 병렬처리를 한다. 이를 통해 CPU 기반의 계산량 선형적 증가 문제를 해소할 수 있다.
5. 시스템 처리 한계 예측
통제소가 다수의 방어용 요격 자산에 대해 모든 표적 위치 변환을 각각 연산해야 하며 감시 자산이 제공한 표적정보의 유효 시간 내에 모든 계산이 끝나야 해당 정보가 실시간으로 의미가 있다. 총 처리 시간 T, 표적 수 N, 방어용 요격 자산 수 M, 표적의 유효 시간 V, 좌표 변환 처리 단위 시간 τprocessing, 초기 오버헤드 시간 τsetup 이라 할 때
NMAX는 GPU 또는 CPU가 표적의 유효 시간 V 이내에 최대 처리 가능한 표적의 수를 의미한다. 방어용 요격 자산 수 M 에 반비례하는 형태임을 확인할 수 있다.
6. 검증 및 분석
본 논문에서는 GPU와 CPU 환경에서 표적 개수에 따라 표적 위치 변환 처리 시간 분석을 수행하였다. 첫 번째 시험은 다수 방어용 요격 자산 수 M에 대하여 표적 수 N에 대하여 케이스당 1000회 반복 수행하였고 평균, 최소, 최대 처리 시간을 분석하였다. 다수 방어용 요격 자산 수 M에 대하여 표적 수 N에 따른 CPU, GPU의 처리 시간 변화를 분석하였다. 프로그램을 개발하고 실행한 환경은 Table 1과 같다.
Table 1.
Test condition
| Item | Detail | |
|---|---|---|
| CPU | Model | Intel i7-12700H |
| Clock | 2.30 GHz | |
| GPU | Model | NVIDIA GeForce RTX 3050 Laptop GPU |
| Boost Clock | 1740 Mhz | |
| Base Clock | 1057 Mhz | |
| OS | Windows 11 Pro | |
다수 방어용 요격 자산과 다표적에 대한 시나리오를 위하여 Table 2, Table 3과 같이 설정했다. 방어용 요격 자산의 위치와 표적 위치는 약 1 km씩 차이를 주기 위하여 위도는 0.009씩 증가를 시켰고 경도는 0.0112씩 증가를 시켰다. 방어용 요격 자산 수 M과 표적 수 N의 영향성 분석을 위하여 3가지 시나리오로 시험하였다. 3가지 시나리오는 1개, 10개, 100개의 방어용 요격 자산에 대하여 M ∙ N 의 값이 동일하도록 표적을 설정하였다.
Table 2.
Scenario parameters - weapons
| Weapon Number | Latitude (°) | Longitude (°) | Altitude (m) |
|---|---|---|---|
| 1 | 36.675896 | 126.18797 | 67 |
| 2 | 36.675896+ 0.009 | 126.18797+ 0.0112 | 67 |
| … | … | … | … |
| M | 36.675896+ 0.009 * M | 126.18797+ 0.0112 * M | 67 |
Table 3.
Scenario parameters - targets
| Target Number | Latitude (°) | Longitude (°) | Altitude (m) |
|---|---|---|---|
| 1 | 36.6533 | 126.1618 | 28.1564 |
| 2 | 36.6533 + 0.009 | 126.1618 + 0.0112 | 28.1564 |
| … | … | … | … |
| N | 36.6533 + 0.009 * N | 126.1618 +0.0112 * N | 28.1564 |
Fig. 3, Fig. 4, Fig. 5의 시험 결과의 경향이 유사하게 나타남을 확인할 수 있다. 연산량이 증가할수록 처리 시간의 차이가 점점 확대되는 경향을 보였다. 연산 부하가 커질수록 GPU의 이점이 명확히 나타났다. 처리 시간은 M 또는 N의 단일 요인보다는 전체 연산량(M ∙ N)에 의해 결정되는 것으로 유추할 수 있다. CPU의 평균 처리 시간은 선형적으로 증가하나 GPU 의 평균 처리 시간은 상대적으로 증가율이 현저히 낮음을 확인할 수 있다.
방어용 요격 자산 M에 대해 모든 표적 N의 거리를 구해야 한다. 따라서 계산은 이중 반복 구조를 따르기 때문에 총 처리 해야 하는 조합의 수(M ∙ N)에 따라 시간이 증가하는 것으로 파악된다. 이는 계산 복잡도 관계에서 O(M ∙ N)으로 볼 수 있다. 만약, 방어용 요격 자산과 표적의 개수가 유사한 경우 O(M2)으로 단순화된다. 이러한 이차적 복잡도는 CPU 기반의 순차 실행 환경에서는 처리 시간이 선형적으로 증가하는 한계를 드러낸다. 반면, 해당 연산은 각 방어용 요격 자산과 표적의 쌍이 독립적이므로 GPU 병렬처리에 매우 적합함을 확인할 수 있다.
처리 시간에 영향을 미치는 주요 요인은 M 이나 N의 개별 변화가 아니라 두 요인의 조합.(M ∙ N) 임을 알 수 있다. 이러한 결과는 시험의 결과가 연산량에 종속적으로 변화함을 뜻한다. 연산량의 변화를 세분화하여 시험하기 위해서 두 번째 시험은 M = 1 조건에서 N을 세분화하여 추가시험을 케이스당 1000회 반복 수행하였다. 이를 통해 처리 시간의 추이를 세밀하게 회귀 분석하였고, GPU 병렬처리의 연산량에 따른 성능 특성을 분석하였다. 시험 결과는 다음과 같다.
Table 4, Table 5와 Table 6, Table 7의 방어용 요격 자산 1개의 시험 결과에서 일부 수치들의 차이를 확인할 수 있다. Table 4, Table 5와 Table 6, Table 7의 시험은 각각 독립적으로 시험하였으며, 타이머 정밀도의 차이로 인해 일부 수치 편차가 발생하였다. 이러한 편차의 영향을 최소화하기 위해 반복 측정을 수행하였다. 본 편차는 절대적인 시간 값에는 영향이 있지만, 전체적인 성능 경향 및 비교 결과의 신뢰성에는 영향을 주지 않는다.
Table 4.
CPU processing time(Weapons = 1, 10, 100)
Table 5.
GPU processing time(Weapons = 1, 10, 100)
Table 6.
CPU processing time for subdivided target counts(Weapon = 1)
Table 7.
GPU processing time for subdivided target counts(Weapon = 1)
Fig. 6의 시험 결과를 보면 표적의 개수가 많아질수록 GPU의 효과가 증가하는 것을 확인할 수 있다. 표적의 개수가 늘어날수록 소요 시간이 늘어나는 것은 GPU에서도 마찬가지이지만 500개 이상의 표적부터 최대 처리 시간이 GPU가 우수함을 확인할 수 있다.
전체 경향성을 확인하기 위하여 회귀 분석을 수행하였다. 전체 경향성을 단순화하여 수식화하기 위해 1차 근사 모델을 구하였다. 해당 모델은 실험 데이터 기반으로 회귀 분석을 통해 도출한 것이다. 이에 따라 식 (7), 식 (8)과 같이 표적 개수에 따른 소요 시간을 예측해 볼 수 있다. N은 표적 개수를 의미한다.
TGPU 1차 근사 모델의 상수항은 초기 커널 실행 준비 등과 같은 고정 오버헤드를 의미하며, 기울기는 하나의 표적을 처리하는 데 소요되는 GPU의 단위 처리 시간을 나타낸다.
CPU와 GPU 처리 시간이 같아지는 임계 N값은 약 439개로 추정할 수 있다. 표적 수가 439개 이상인 경우 GPU의 병렬처리 방식이 CPU 방식보다 빠를 것임을 예측할 수 있다. 회귀 모델 기반 임계 표적 수는 439개로 추정되었으나, 실측 데이터 기준으로 한 전환점은 약 500개 수준에서 확인되었다. 표적의 수가 적을수록 CPU는 높은 단일 코어 성능으로 인해 오히려 더 빠른 처리 속도를 보인다. 반면 GPU는 커널 실행과 관련된 고정 오버헤드와 낮은 병렬 활용도로 인하여 비효율적이다. 일정 표적 수를 넘어선 이후 병렬처리 장점이 두드러진다.
표적의 실시간 제약 시간을 5 ms로 가정하였을 때 CPU의 방어용 요격 자산 1개에 대한 표적 최대 처리 수는 다음과 같다.
표적의 실시간 제약 시간을 5 ms로 가정하였을 때 GPU의 최대 처리 수는 다음과 같다.
실시간 제약 시간을 5 ms로 가정하였을 때 CPU는 제약 시간을 만족할 수 있는 표적의 최대 개수는 3348개로 추정할 수 있다. GPU는 70259개의 표적 처리 가능성을 보인다. 표적 수가 증가함에 따라 CPU 처리 시간은 선형적으로 증가하였다. GPU도 처리 시간이 선형적으로 증가하나 증가 폭이 작아 병렬처리의 효과가 큼을 알 수 있다. 실시간 처리 제약 시간에 따라 CPU, GPU 별로 처리 가능한 최대 표적의 수를 예측해 볼 수 있다.
7. 결 론
본 연구는 통합방공체계에서 다양한 방공체계가 협조하는 상황을 고려하여 교전통제의 실시간성을 확보하기 위한 GPU 기반 가속화 방안을 제시하였다. 특히, 감시 자산의 탐지 능력과 통제소의 교전 능력에 따라 교전 순위가 민감하게 결정되는 현대 전장 환경에서 제안된 방식은 다표적 동시교전능력을 개선하여 대응체계의 실효성을 제고할 수 있다.
본 논문에서는 통합방공체계 교전통제의 동시교전능력 향상을 위하여 가속화 대상 알고리즘 선정, 알고리즘 가속화 방안, 시스템 처리 한계 예측으로 구성하였다. 가속화 대상으로 선정한 표적 위치 변환 알고리즘에 대하여 CPU, GPU별 방어용 요격 자산의 수 그리고 표적의 수에 따른 시험 결과를 분석하였다. CPU 와 GPU로 각각 알고리즘을 구현하였고 두 장치 간의 성능을 비교하였다. 그 결과 GPU가 조합의 수가 많아질수록 효과가 커지는 것을 확인할 수 있었다. CPU에서는 다표적 처리 시, 시간 지연에 따른 성능 저하 발생이 예상된다. 교전통제에서 알고리즘 개선에 관한 연구는 많았으나 시간 효율성 측면에서의 병렬처리 접근은 많지 않았다. 따라서 본 논문은 교전통제 요소 중 위협평가에 필요한 방어용 요격 자산과 표적 간의 거리 요소 변환 처리를 병렬 처리함으로써 시간상의 제약을 극복하고자 하였다.
본 논문에서는 위협평가 중 거리에 관한 요소만 식별하여 가속화 방안을 제안하였으나, 위협평가의 다양한 요소에 대해 그리고 무기별 표적 할당에 대한 가속화 적용을 후속 연구로 진행할 필요가 있다. 앞으로는 실제로 사용되는 위협평가 알고리즘을 병렬처리하고 실제 시간 제약을 적용하여 실제 무기체계에 적용될 수 있는 타당성을 연구하고자 한다.
끝으로 다표적 동시교전을 위해서 GPU를 활용한 병렬처리는 필수적이라고 생각된다. 향후 통합방공작전에서의 실시간 교전통제에 본 기법을 적용함으로써 체계 전반의 전술적 대응능력을 보다 정밀하고 신속하게 구현할 수 있을 것으로 기대된다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
