프로세스 스케줄링 – CPU는 누구에게 시간을 줄까


리눅스에서 'top' 명령어를 처음 실행해 보았을 때, 빠르게 바뀌는 CPU 사용률과 다양한 프로세스 정보를 보며 신기함을 느꼈던 기억이 있습니다. 당시에는 단순히 숫자의 변화로만 보였지만, 운영체제 수업을 통해 스케줄링 알고리즘을 배우고 나니 이 모든 것이 체계적인 규칙과 원리에 따라 움직인다는 사실이 흥미로웠습니다.

프로세스 스케줄링이란 – 시간의 분배자

프로세스 스케줄링(Process Scheduling)은 운영체제가 여러 개의 프로세스를 어떻게 효율적으로 실행할 것인지를 결정하는 핵심 메커니즘입니다. 현대의 컴퓨터 시스템은 동시에 수십 개에서 수백 개의 프로세스를 실행하고 있으며, CPU라는 제한된 자원을 어떻게 나누어 쓸지를 결정하는 것이 바로 스케줄러(Scheduler)의 역할입니다.

하나의 CPU 코어는 한 번에 하나의 프로세스만을 실행할 수 있으므로, 동시에 여러 작업을 처리하려면 CPU가 여러 프로세스 사이를 빠르게 전환해야 합니다. 이 과정에서 어떤 프로세스를 먼저 실행하고, 얼마나 오래 실행할지를 판단하는 기준이 바로 스케줄링 정책입니다. 이 정책에 따라 시스템의 반응 속도, 사용자 만족도, 자원 활용률 등이 크게 달라지기 때문에 매우 중요한 요소로 취급됩니다.

운영체제는 기본적으로 ‘준비 상태(Ready)’에 있는 프로세스들 중 하나를 선택하여 실행 상태(Running)로 전환시키고, 일정 시간이 지나거나 다른 조건이 발생하면 다음 프로세스로 교체하는 방식으로 동작합니다. 이 과정은 매우 짧은 시간 간격으로 이루어지기 때문에 사용자는 마치 여러 작업이 동시에 실행되는 것처럼 느낄 수 있습니다.

스케줄링 알고리즘의 종류 – 공정성과 효율성 사이

스케줄링 알고리즘은 여러 가지가 존재하며, 각각의 특징과 목적에 따라 선택됩니다. 가장 기본적인 알고리즘은 FCFS(First-Come, First-Served) 입니다. 이름 그대로 먼저 도착한 프로세스를 먼저 실행하는 방식으로, 구현은 간단하지만 긴 작업이 먼저 도착했을 경우 전체 대기 시간이 길어질 수 있다는 단점이 있습니다.

SJF(Shortest Job First)는 가장 짧은 실행 시간이 필요한 프로세스를 먼저 실행하는 방식으로, 평균 대기 시간을 줄이는 데 효과적입니다. 하지만 실제로 프로세스의 실행 시간을 미리 예측하기 어려워 적용이 까다로운 편입니다. 이를 개선한 SRTF(Shortest Remaining Time First)는 실행 중인 프로세스보다 더 짧은 작업이 도착하면 교체하는 방식으로, 선점형 스케줄링 알고리즘의 대표적인 예입니다.

현대 운영체제에서 가장 널리 사용되는 방식은 라운드 로빈(Round Robin)입니다. 이는 각 프로세스에게 동일한 시간 조각(Time Quantum)을 부여하고 순환하면서 실행하는 방식입니다. 응답성이 중요시되는 시스템에서 많이 사용되며, 선점형이기 때문에 한 프로세스가 너무 오래 CPU를 독점하는 것을 방지할 수 있습니다.

또한 우선순위 기반 스케줄링(Priority Scheduling)은 각 프로세스에 우선순위를 부여하고, 높은 우선순위를 가진 프로세스가 먼저 실행되도록 합니다. 다만 낮은 우선순위의 프로세스가 무한정 대기하는 ‘기아(Starvation)’ 현상이 발생할 수 있어, 이를 방지하기 위해 ‘노화(Aging)’ 기법을 함께 사용하는 경우가 많습니다.

실제 시스템에서의 적용과 고려 사항

실제 운영체제는 단일 알고리즘만을 사용하는 것이 아니라, 여러 알고리즘을 결합하거나 조정하여 사용합니다. 예를 들어, 리눅스는 CFS(Completely Fair Scheduler)라는 공정성을 중심으로 한 스케줄러를 사용하며, 각 프로세스에 가상의 실행 시간(vruntime)을 계산하여 균등하게 CPU 시간을 분배합니다.

현대 시스템에서는 사용자 프로그램 외에도 커널 스레드, 백그라운드 프로세스 등 다양한 종류의 프로세스가 존재하며, 이들 간의 조화를 유지하기 위해 복잡한 스케줄링 정책이 필요합니다. 모바일 운영체제의 경우 배터리 효율성도 고려해야 하며, 서버 환경에서는 처리량(Throughput)과 응답 시간(Response Time)이 중요한 평가 기준이 됩니다.

또한 실시간 시스템(Real-Time Systems)에서는 특정 시간 안에 반드시 작업을 완료해야 하므로, 데드라인 기반의 RMS(Rate Monotonic Scheduling)나 EDF(Earliest Deadline First) 같은 실시간 스케줄링 알고리즘이 적용됩니다. 이처럼 시스템의 특성에 따라 가장 적합한 알고리즘을 선택하는 것이 중요합니다.

프로세스 스케줄링은 단순히 CPU 시간을 나누는 것 이상의 의미를 지닙니다. 이는 시스템 전반의 성능, 안정성, 사용자 경험을 좌우하는 핵심 요소이며, 이를 깊이 있게 이해하는 것은 운영체제의 본질을 이해하는 데 있어 매우 중요한 단계입니다.

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