메모리 구조 기초 – 주소 공간과 메모리 모델

메모리 사진


처음 C언어로 포인터를 학습할 때, 변수의 주소를 출력해보며 “메모리 주소”라는 개념에 혼란을 느꼈던 기억이 있습니다. 메모리는 눈에 보이지 않기 때문에, 그 구조와 작동 방식을 직관적으로 이해하는 것이 쉽지 않았습니다. 하지만 운영체제에서 메모리 모델과 주소 공간을 배우고 나니, 코드가 실제 메모리 상에서 어떻게 실행되는지를 더 명확히 이해할 수 있게 되었습니다.

주소 공간이란 – 프로그램이 인식하는 메모리

주소 공간(Address Space)은 프로세스가 자신만의 관점에서 바라보는 메모리의 연속된 공간입니다. 실제 컴퓨터의 물리적 메모리는 하나지만, 각 프로세스는 자신만의 독립된 주소 공간을 가지고 있는 것처럼 보이며, 이를 통해 메모리 보호와 안정성이 확보됩니다. 이러한 구조를 가능하게 하는 기술이 바로 가상 메모리(Virtual Memory)입니다.

가상 메모리는 각 프로세스에게 0번 주소부터 시작하는 독립적인 주소 공간을 제공합니다. 실제 물리 메모리와는 다르게, 이 주소는 프로세스가 사용하는 논리적인 주소이며, 이를 실제 메모리 주소로 변환하는 역할은 운영체제와 하드웨어(MMU: Memory Management Unit)가 담당합니다. 이러한 구조는 서로 다른 프로세스 간의 메모리 침범을 방지하고, 시스템 전체의 안정성과 보안을 강화하는 데 기여합니다.

또한 주소 공간은 사용자 영역(User Space)과 커널 영역(Kernel Space)으로 나뉘어 관리됩니다. 사용자 프로그램은 커널 영역에 직접 접근할 수 없으며, 시스템 호출(System Call)을 통해서만 간접적으로 접근이 가능합니다. 이를 통해 커널은 시스템 자원을 보호하고, 임의의 메모리 접근으로 인한 시스템 오류를 예방합니다.

메모리 모델 – 코드, 데이터, 힙, 스택

프로그램이 실행되면 운영체제는 해당 프로세스를 위한 메모리 공간을 할당하며, 이 공간은 일반적으로 코드(Code), 데이터(Data), 힙(Heap), 스택(Stack) 네 가지 주요 영역으로 구성됩니다. 각각의 역할과 특징을 이해하면 메모리 관리가 훨씬 명확해집니다.

1. 코드 영역: 실행될 프로그램의 명령어들이 저장된 영역입니다. 일반적으로 읽기 전용으로 설정되어 있어 무결성을 유지합니다. 공격자가 이 영역을 조작하면 시스템 전체가 위험해질 수 있으므로, 보호가 철저히 이루어집니다.

2. 데이터 영역: 초기화된 전역 변수와 정적 변수(static)가 저장되는 영역입니다. 프로그램이 종료될 때까지 존재하며, 전역적으로 접근할 수 있습니다. 초기값이 없는 전역 변수는 BSS(Block Started by Symbol) 영역에 저장됩니다.

3. 힙 영역: 동적으로 할당되는 메모리 영역입니다. 사용자가 직접 malloc(), new 등으로 요청하여 메모리를 할당하고, 사용 후에는 free(), delete 등으로 반환해야 합니다. 잘못된 할당이나 해제는 메모리 누수(Memory Leak)나 충돌을 일으킬 수 있습니다.

4. 스택 영역: 함수 호출 시 생성되는 지역 변수, 매개변수, 리턴 주소 등이 저장되는 영역입니다. 함수 호출과 함께 스택 프레임이 생성되며, 함수가 종료되면 자동으로 반환됩니다. 메모리 관리가 자동으로 이루어지는 반면, 너무 많은 함수 호출이나 큰 변수 선언으로 스택이 넘치면 Stack Overflow가 발생할 수 있습니다.

이러한 영역들은 메모리 주소 상에서 고정된 순서로 배치되며, 각 영역 간의 충돌이 없도록 운영체제가 철저하게 관리합니다. 특히 힙과 스택은 서로 방향이 반대인 구조로 확장되며, 경계를 넘어서지 않도록 하는 것이 중요합니다.

32비트와 64비트 시스템의 메모리 차이

주소 공간의 크기는 시스템의 아키텍처에 따라 달라집니다. 32비트 시스템에서는 이론적으로 최대 4GB(232)까지 주소 공간을 사용할 수 있지만, 운영체제가 커널 영역을 위한 공간을 예약하기 때문에 사용자 프로그램은 보통 2~3GB 정도만 사용할 수 있습니다.

반면, 64비트 시스템에서는 주소 표현이 264까지 가능하므로 이론적으로 16엑사바이트(EB)라는 엄청난 주소 공간을 사용할 수 있습니다. 물론 실제 사용 가능한 공간은 하드웨어와 운영체제에 따라 제한되지만, 훨씬 큰 메모리 공간을 활용할 수 있다는 점에서 대용량 데이터 처리나 고성능 서버 운영에 유리합니다.

이로 인해 64비트 시스템에서는 더 많은 프로세스를 동시에 실행하거나, 하나의 프로그램이 더 많은 데이터를 메모리에 올려놓고 작업하는 것이 가능해졌습니다. 현대의 대부분의 운영체제와 응용 프로그램은 이러한 메모리 확장을 적극 활용하고 있습니다.

메모리 구조를 이해하는 것은 단순히 변수의 저장 위치를 아는 것을 넘어, 프로그램이 어떻게 동작하고, 어디서 문제가 발생할 수 있는지를 파악하는 데 중요한 단서를 제공합니다. 운영체제, 시스템 프로그래밍, 보안 등 여러 분야에서 메모리 모델은 핵심적인 개념이며, 개발자로서 반드시 정확히 이해하고 넘어가야 할 영역입니다.

댓글

댓글 쓰기

이 블로그의 인기 게시물

지도학습 vs 비지도학습 – 머신러닝의 대표 학습 방식 비교

이미지
머신러닝 공부를 막 시작했을 때 가장 헷갈렸던 개념 중 하나는 지도학습과 비지도학습의 차이였습니다. 처음에는 단순히 정답이 있는지 없는지의 차이라고 들었지만, 실제로 다양한 문제를 접하고 적용해보니 그 차이는 훨씬 더 근본적이고 실용적인 관점에서 이해되어야 한다는 것을 깨달았습니다. 이 두 방식은 머신러닝을 배우는 입장에서 가장 기본이면서도, 실제 데이터를 어떻게 다뤄야 하는지를 결정짓는 출발점이기도 합니다. 지도학습 – 정답이 있는 데이터로부터 배우다 지도학습(Supervised Learning)은 학습 데이터에 입력(Input)과 정답(Output)이 명확히 주어진 상태에서 모델을 훈련시키는 방식입니다. 즉, 기계는 입력값에 대해 어떤 결과가 나와야 하는지를 미리 알고 있고, 이를 기준으로 오차를 줄여가며 학습합니다. 예를 들어 이메일이 스팸인지 아닌지를 분류하는 문제에서는, 이미 ‘스팸’ 혹은 ‘정상’이라는 라벨이 붙은 수천 개의 메일을 학습 데이터로 사용합니다. 이 데이터를 통해 머신러닝 모델은 특정 단어나 발신자 정보, 메일 구조 등의 특징을 학습하고, 이후 새로운 메일에 대해서도 스팸 여부를 예측할 수 있게 됩니다. 지도학습에서 가장 대표적인 문제 유형은 두 가지입니다. 하나는 ‘분류(Classification)’ 문제로, 특정 입력이 어떤 범주에 속하는지를 예측하는 것입니다. 예를 들어 암 진단 모델이 입력된 의료 데이터를 보고 양성인지 음성인지 판단하는 것이 여기에 해당합니다. 다른 하나는 ‘회귀(Regression)’ 문제로, 연속적인 수치를 예측하는 데 사용됩니다. 예를 들어 주택의 면적, 위치, 층수 등을 보고 가격을 예측하는 모델이 대표적인 회귀 문제입니다. 지도학습의 장점은 명확한 목표와 피드백을 통해 빠르게 학습할 수 있다는 점이며, 결과의 정확도 역시 비교적 높게 유지됩니다. 그러나 단점으로는 정답 데이터를 만드는 데 시간이 많이 들고, 현실에서 라벨이 없는 데이터가 훨씬 많다는 한계가 존재합니다. 비지도학습 – ...
자세한 내용 보기

모델 평가 지표 정리 – 정확도, 정밀도, F1 Score까지

이미지
머신러닝 모델을 처음 만들어봤을 때, 정확도가 90% 이상 나오자 속으로 꽤 잘 만들었다고 생각했습니다. 하지만 막상 실제 데이터에 적용해보니 예측 결과가 엉뚱하게 나오는 경우가 많았습니다. 그때 처음으로 ‘정확도만 보고 판단하면 안 되겠구나’라는 생각이 들었습니다. 이후 정밀도, 재현율, F1 Score 같은 지표들을 접하면서 비로소 모델 성능을 입체적으로 해석하는 것이 얼마나 중요한지 깨닫게 되었습니다. 정확도(Accuracy) – 가장 기본적인 성능 지표 정확도는 전체 예측 중에서 정답으로 맞힌 비율을 나타내는 가장 기본적인 모델 평가 지표입니다. 수식으로는 다음과 같이 표현됩니다. 정확도 = (정답으로 맞힌 건수) / (전체 건수) 예를 들어 100개의 샘플 중에서 90개를 정확히 예측했다면 정확도는 90%입니다. 간단하고 직관적인 지표이기 때문에 많은 입문자들이 가장 먼저 사용하게 됩니다. 그러나 정확도에는 한 가지 큰 함정이 있습니다. 바로 데이터가 불균형한 경우, 높은 정확도에도 불구하고 모델이 쓸모없을 수 있다는 점입니다. 예를 들어 암 환자 데이터 중 95%가 정상이고 5%만 환자일 경우, 모든 샘플을 ‘정상’이라고 예측하면 정확도는 95%가 됩니다. 하지만 이 모델은 정작 암 환자를 전혀 찾아내지 못하는 무의미한 결과를 만들어냅니다. 이처럼 클래스 불균형 문제에서는 정확도 하나만으로 모델을 평가할 수 없습니다. 정밀도(Precision)와 재현율(Recall) – 오류의 방향을 분석하다 정밀도와 재현율은 이진 분류 문제에서 오류의 종류에 따라 성능을 평가하는 데 사용됩니다. 둘은 서로 다른 관점을 제공합니다. 정밀도(Precision) 는 모델이 ‘양성’이라고 예측한 것들 중에서 실제로 양성인 비율을 의미합니다. 즉, 모델이 얼마나 신중하게 양성으로 판단했는지를 나타냅니다. 정밀도 = TP / (TP + FP) (TP: 진짜 양성, FP: 거짓 양성) 예를 들어 스팸 필터에서 스팸으로 분류된 메일 중 실제로 스팸인...
자세한 내용 보기

선형회귀와 로지스틱 회귀 – 가장 기초적인 예측 모델들

이미지
머신러닝을 처음 배우던 시절, 다양한 알고리즘들이 복잡하게 느껴졌지만, 그중에서도 선형회귀와 로지스틱 회귀는 이해의 출발점이 되어주었습니다. 특히 데이터를 시각화하고 직선 하나를 그어 예측을 하는 과정은 매우 직관적이었고, 로지스틱 회귀를 통해 분류 문제도 수치적으로 접근할 수 있다는 사실은 신선하게 다가왔습니다. 모델의 복잡함보다는, 그 근간이 되는 수학적 직선과 확률 개념을 얼마나 정확히 이해하느냐가 중요하다는 것을 점차 느끼게 되었습니다. 선형회귀 – 연속적인 수치를 예측하는 가장 단순한 모델 선형회귀(Linear Regression)는 독립 변수와 종속 변수 간의 선형 관계를 기반으로, 입력값에 따라 연속적인 수치 값을 예측하는 회귀 알고리즘입니다. 예를 들어 면적에 따른 집값 예측, 공부 시간에 따른 시험 점수 예측처럼, 결과가 숫자로 나타나는 문제에서 활용됩니다. 선형회귀의 수식은 다음과 같습니다. y = w1x1 + w2x2 + ... + wnxn + b 여기서 y는 예측값, x는 입력 변수, w는 가중치(회귀계수), b는 절편을 의미합니다. 이 모델은 데이터 포인트를 가장 잘 설명하는 직선을 찾는 것이 핵심이며, 손실 함수로는 보통 평균제곱오차(Mean Squared Error, MSE)를 사용합니다. 즉, 실제 값과 예측 값의 차이를 제곱해 평균을 구하고, 이 값을 최소화하는 방향으로 가중치를 조정합니다. 선형회귀의 장점은 해석이 매우 명확하다는 점입니다. 각 변수의 계수가 결과에 어떤 영향을 미치는지 직관적으로 이해할 수 있기 때문에, 통계 분석과 실무 보고서에서도 자주 사용됩니다. 하지만 변수 간 선형성이 없거나, 이상치에 민감한 경우에는 성능이 급격히 떨어질 수 있으므로 주의가 필요합니다. 로지스틱 회귀 – 분류 문제를 위한 회귀 알고리즘 로지스틱 회귀(Logistic Regression)는 선형회귀와 유사한 구조를 가지지만, 결과값이 연속적인 수치가 아닌 범주(클래스) 라는 점에서 차이가 있습니다. 대표적으로 이...
자세한 내용 보기