페이징과 세그먼테이션 – 프로그램이 메모리를 쓰는 실제 방식

fragmentation 사진


운영체제 과목에서 처음 '페이징'이라는 개념을 배웠을 때, 단순히 주소를 쪼개는 기법이라고만 이해했습니다. 그러나 가상 메모리를 구현하는 과정에서 실제로 페이지 테이블을 구성하고, 주소 변환을 해보는 실습을 거치면서 이 개념이 단순히 이론이 아니라 시스템 안정성과 효율성에 직결된다는 사실을 체감할 수 있었습니다.

가상 메모리의 필요성과 메모리 관리의 기본

현대 운영체제는 여러 프로그램이 동시에 실행되는 멀티태스킹 환경을 제공합니다. 이때 각 프로그램은 독립된 주소 공간을 사용하는 것처럼 동작하지만, 실제로는 하나의 물리 메모리를 공유합니다. 이러한 환경을 안전하고 효율적으로 운영하기 위해 운영체제는 ‘가상 메모리(Virtual Memory)’를 사용하며, 이를 구현하는 대표적인 방식이 바로 페이징(Paging)과 세그먼테이션(Segmentation)입니다.

가상 메모리의 핵심은, 실제 메모리의 물리적 주소를 사용자 프로그램이 직접 알지 못하도록 하면서, 필요한 메모리 영역만을 선택적으로 메모리에 올리는 것입니다. 이를 통해 메모리 공간을 효율적으로 활용할 수 있으며, 각 프로세스의 독립성과 보안성도 확보할 수 있습니다. 이 과정에서 논리 주소(Logical Address)를 물리 주소(Physical Address)로 변환하는 구조가 필요한데, 이때 사용되는 기법이 바로 페이징과 세그먼테이션입니다.

페이징(Paging) – 고정 크기 단위로 나누기

페이징은 주소 공간을 고정된 크기의 블록으로 나누는 방식입니다. 프로그램이 사용하는 논리 주소 공간은 ‘페이지(Page)’라는 단위로 나뉘며, 실제 물리 메모리도 같은 크기의 ‘프레임(Frame)’으로 분할됩니다. 그리고 페이지와 프레임 간의 매핑 정보는 운영체제가 관리하는 **페이지 테이블(Page Table)**에 저장됩니다.

예를 들어, 페이지 크기가 4KB이고, 논리 주소가 16KB라고 가정하면, 이 주소 공간은 4개의 페이지로 분할됩니다. 운영체제는 이 4개의 페이지를 물리 메모리의 임의의 4개 프레임에 할당하고, 각 페이지가 어느 프레임에 매핑되었는지를 페이지 테이블에 기록합니다. 프로그램은 논리 주소만 인식하며, 실제 물리 주소는 하드웨어(MMU)가 자동으로 변환해줍니다.

페이징의 가장 큰 장점은 외부 단편화(External Fragmentation)를 줄일 수 있다는 것입니다. 모든 페이지와 프레임이 동일한 크기이기 때문에, 메모리를 할당할 때 빈 공간을 효율적으로 사용할 수 있습니다. 반면, 페이지 크기보다 작은 데이터가 저장되면 사용되지 않는 공간이 생길 수 있으며, 이를 내부 단편화(Internal Fragmentation)라고 부릅니다.

현대 운영체제에서는 2단계 혹은 다단계 페이지 테이블을 사용하여, 큰 주소 공간을 더 효율적으로 관리합니다. 또한, 페이지 테이블 자체가 커질 경우, 이를 메모리에 모두 상주시킬 수 없기 때문에 TLB(Translation Lookaside Buffer)라는 캐시 구조를 사용하여 주소 변환 속도를 높이는 방식도 병행됩니다.

세그먼테이션(Segmentation) – 의미 기반의 메모리 분할

세그먼테이션은 주소 공간을 의미 단위로 나누는 방식입니다. 프로그램을 실행할 때 코드, 데이터, 스택 등 각 영역을 별도의 세그먼트(Segment)로 구분하여 관리합니다. 각 세그먼트는 크기가 유동적이며, 그 의미에 따라 다른 권한이나 속성을 가질 수 있습니다.

예를 들어, 하나의 프로그램이 코드 세그먼트(읽기/실행 가능), 데이터 세그먼트(읽기/쓰기 가능), 스택 세그먼트(읽기/쓰기, 크기 가변)로 나뉘어져 있다고 가정하면, 각 세그먼트는 시작 주소(base)와 길이(limit)를 가지고 운영체제에 의해 관리됩니다. 논리 주소는 (세그먼트 번호, 오프셋) 형태로 표현되며, 하드웨어는 이를 물리 주소로 변환합니다.

세그먼테이션의 장점은 프로그래머에게 논리적 구조와 메모리 보호를 제공한다는 점입니다. 예를 들어, 코드 세그먼트에는 쓰기 권한이 없기 때문에 잘못된 쓰기 연산을 차단할 수 있습니다. 또한 각 세그먼트를 독립적으로 관리할 수 있어, 메모리 접근 오류를 방지하는 데 유리합니다.

하지만 세그먼테이션은 고정된 크기가 아니기 때문에, 메모리 할당이 반복될수록 사용되지 않는 작은 공간들이 남게 되는 외부 단편화 문제가 발생할 수 있습니다. 이러한 문제를 해결하기 위해, 일부 시스템은 세그먼테이션과 페이징을 결합한 세그먼트-페이징(Segmented Paging) 구조를 사용합니다.

즉, 세그먼트 내부를 다시 페이지 단위로 나누어, 의미 기반 관리의 유연성과 페이징의 메모리 활용 효율성을 동시에 확보하는 방식입니다. 이는 현대 운영체제에서 널리 채택되고 있는 설계입니다.

결론 – 메모리 관리는 시스템 안정성의 기반

페이징과 세그먼테이션은 단순한 이론이 아닌, 운영체제가 실제로 메모리를 관리하고 프로그램을 실행하는 핵심 구조입니다. 이들을 이해하면, 프로그램이 어떻게 메모리에 올라가고, 어떤 방식으로 자원을 사용하는지를 보다 명확하게 알 수 있습니다.

메모리 오류, 보안 취약점, 성능 병목 등의 문제도 결국 이 구조를 이해함으로써 근본적인 원인을 파악할 수 있습니다. 개발자와 시스템 엔지니어라면 반드시 이 개념들을 숙지하고, 실제 시스템에서 어떻게 활용되고 있는지까지 깊이 있게 접근할 필요가 있습니다.

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