서버 용어 및 개념 정리

정유빈·2024년 10월 17일

CS 내용 정리

목록 보기

1/2

https://ilovestorage.tistory.com/3

서버 가상화(Virture Machine)

: 가상화시스템이 도입되기 전에는 1개의 하드웨어 서버에 1개의 운영체제를 설치한다 일반적으로 베어 메탈 서버들은 운영 중에 리소스의 15%만 사용한다고 한다. 베어메탈 서버에서 서비스가 돌아가면, 가상화시스템에 비해 대부분의 리소스를 낭비하게 된다

이에 대한 해결책으로 서버 가상화가 존재한다
가상화 소프트웨어를 사용하면 여러 대의 물리적 하드웨어 서버를 여러대의 가상 서버로 생성할 수 있다
하드웨어 서버를 추가적으로 구매할 필요 없이, 1대의 하드웨어에서 리소스를 최대한 활용할 수 있다.

베어 메탈 서버 : 가상화 기술을 사용하지 않고 물리적으로 분리된 CPU, 메모리 등의 컴퓨팅 자원을 단독으로 할당받아 사용할 수 있는 고성능 클라우드 컴퓨팅 서빗 이다(다른 클라우드 사용자의 영향을 받지 않아 성능에 민감한 서비스를 안정적으로 운영할 수 있다)

서버 가상화 작동방식

: 가상화 시스템을 도입하려면, 먼저 가상화 소프트웨어를 정해야 한다. 가상화 시스템을 위해 도입되는, __가상화 소프트웨어를 일명 하이퍼바이저(hypervisor)라고 한다.

CS 용어

인프라

: 인프라를 왜 개발자도 알아야 하나?
과거는 서버 구축하고, 서버라는 곳에 소프트웨어가 있었다 서버기능을 하는 : 배포 작업

IaaS(Infra as a Service)

: 인프라를 서비스처럼 제공해준다

PaaS(Platform as a Service)

SaaS(Software as a Service)

: 소프트웨어를 서비스처럼 제공해준다
굳이 데스크탑이나 서버에 설치하지 않고 쓸 수 있다
ex. office365

FaaS(Function as a Service)

-> serverless 라고 하지만, 실제로는 서버가 있다
서버까지 관리를 하지 않아도 되는것이 맞다
개발은 하며, 해당 소스코드들이 기능을 한다.
그래서, 서버를 신경쓰지 않고 한다

사용한만큼 돈을 낸다

클라우드

: 3가지 종류) 온-프레미스, 프라이빗 클라우드, 퍼블릭 클라우드
모두 이용하는 것) 하이브리드 클라우드

IDC

플랫폼 : 프로그램이 실행되는 기계들
기술분야 : 맡은 역할에 따라서 나누어졌다(특정 기능을 담당)
도메인 : 내가 속해있는 분야인 산업 분야가 중요해지고 있다

DA(Domain Adaptation)

출처 : DA 알아보기
DA 자료

한 줄 요약 : Domain 차이(Train dataset과 Test dataset의 분포 차이) 완화 하기
문제 정의 :
Machine Learning, Deep Learning에서 항상 문제가 되는 것은 무엇일까. 단순하게 말하면 학습 데이터에서는 잘 동작하는데 테스트 데이터에서는 잘 동작하지 않는 문제가 가장 많을 것이다. 해당 원인은 학습 데이터가 다양하기 때문이기도 하고 model의 over-fitting(과적합) 때문일 수도 있기 때문이다. 또 하나 다른 이유는 학습 데이터와 테스트 데이터의 Domain-shift가 일어났기 때문이다

Domain Shift란?

학습 데이터(Source)와 테스트 데이터(Target)의 Distribution(분포)의 차이를 의미한다. 예를 들면 같은 컵을 카메라로 찍었을 때와 캐리커쳐처럼 손으로 그렸을 때의 차이이다. 물론 Shift가 작은 경우엔 고화질의 DSLR과 Webcam의 이미지도 Domain shift로 볼 수 있다. 해당 Domain shift가 심할수록 test data의 정확도는 떨어지게 된다.

다른 Domain Adaptaion의 예로는 Synthetic data를 이용해서 Real data를 대비하여 학습하는 경우이다.

Synthetic data란?

Synthetic data(재현/합성 데이터)는 원본 데이터에서 생성되는 인공 데이터이자 원본 데이터의 특성과 구조를 재현하도록 학습된 모델이다. 즉 동일한 통계 분석을 수행할 때 합성 데이터와 원본 데이터는 매우 유사한 결과를 제공해야 한다.

요즘에는 그래픽이 좋아지면서 Synthetic data를 학습함으로써 실제 영상에 적용했을 때도 성능 향상이 이루어지는 경우가 많다. 하지만 이 경우에도 같은 양의 Real data를 사용했을 때의 성능보다는 떨어질 수 있다.