남궁찬

질문이나 피드백 감사합니다.

클라우드 컴퓨팅 정리

업데이트:

클라우드 컴퓨팅 과목 시험을 위한 정리해둔 내용입니다.

Cloud Computing

분산 시스템이란

유저에게 하나의 coherent system으로 보이는 독립적인 컴퓨터들의 집합이다.

클라우드 컴퓨팅 특성

  1. on-demand self-service
    • 사람과의 상호작용 없이 자동으로 필요에 따라 서비스한다
  2. broad network access
    • 수용력
    • 표준 메커니즘을 통해 접근
    • 네트워크를 통해 접근
  3. resource pooling
    • 다수 고객에게 서비스하기 위함
  4. rapid elasticity.
    • 빠르게 scale out 하고 빠르게 릴리즈한다
      • scale out : 수평 확장. 서버의 수를 늘려 처리 능력을 향상시킨다.
      • scale up : 수직 확장. 서버의 하드웨어 성능 자체를 높이는 것
  5. measured services 쓴만큼 내세요!
    • 자원 사용은 모니터, 제어, 리포트된다. 제공자와 소비자에게 투명성을 제공한다.

클라우드 서비스 모델

  1. Cloud Software-as-a-Service (SaaS)
    • 클라우드 환경에서 실행되는 제공자의 애플리케이션을 사용가능
    • 책임과 권한 : Application level
  2. Cloud Platform-as-a-Service (Paas)
    • 제공자가 지정해준 프로그래밍 언어와 툴로 소비자가 만든 클라우드 환경 또는 어플리케이션을 배포가능
    • 책임과 권한 : Application, Middleware(애매하다)
  3. Cloud Infrastructure-as-a-Service (IaaS) 하드웨어, 깡통
    • **스토리지, 네트워크 등 다른 기본적인 컴퓨팅 자원을 공급한다 **
    • 따라서 소비자는 OS와 어플리케이션을 포함해서 임의의 소프트웨어를 배포, 실행할 수 있다.
    • 책임과 권한 : Application level, Middleware, Guest OS

  • 클라우드 보안 관점
    • 가용성이 상속적이라, 보안 이슈가 발생

  1. 컴파일: 사용자가 작성한 코드를 컴퓨터가 이해할 수 있는 언어로 번역하는 일

  2. 빌드: 컴파일된 코드를 실제 실행할 수 있는 상태로 만드는 일

  3. 배포: 빌드가 완성된 실행 가능한 파일을 사용자가 접근할 수 있는 환경에 배치시키는 일

  4. 혹은 컴파일을 포함해 war, jar 등의 실행 가능한 파일을 뽑아내기까지의 과정을 빌드한다고도 함.

배포(deployment) 모델

  1. private cloud : 특정 기업의 사람들만 사용할 수 있도록 설정
    • 해당 조직또는 서드파티에 의해 관리됨
  2. community cloud : 같은 업종의 사람들이 같이 쓴다.
    • 특정 커뮤니티나 조직에 의해 공유되는 클라우드 환경
    • 보안, 정책, 복잡도 등 걱정거리도 공유한다.
  3. public cloud : 비용은 적게 들지만 보안이 취약하다
    • 일반 사용자들이 사용할 수 있다.
  4. hybrid cloud : public + private

고성능(HP)과 고처리(HT)

  • HPC (High Performance Computing) : 주로 연산 목적, 빨리 끝내기만 하면 됨. 병렬 컴퓨터

  • HTC (High Throughput Computing) : 사용자의 요구를 얼만큼 많이 받을 수 있나? 처리량, 동시접속자수 중점

설계 목적

  • efficiency
  • dependability
  • adaptation in the programming model
  • flexibility in application deployment

컴퓨팅 패러다임 특성

  • 중앙집중형 컴퓨팅
    • 자원이 완전히 공유되고 단단히 묶여있다. 하나의 통합된 OS안에
  • 병렬 컴퓨팅
    • centralized shared memory(UMA)로 단단히 묶여있거나
      • UMA : 프로세서가 공유메모리를 통해 통신. hot traffic
    • distributed memory(NUMA)로 느슨히 묶여있다.
      • NUMA : local memory를 이용함. traffic이 적어짐
  • 분산 컴퓨팅
    • 여러 자율적 컴퓨터가 message passing방식으로 통신한다.
  • 클라우드 컴퓨팅
    • centralized되거나 distribute된 큰 데이터센터의 물리적 또는 가상화된 자원

Scalable Computing Trends & New Paradigm

  • 병렬화 단계
    • bit-level 병렬화
    • 명령 레벨 병렬화(ILP)
      • 파이프라인, 슈퍼스칼라, 컴퓨팅, 멀티스레딩
    • 데이터 레벨 병렬화 (DLP)
      • SIMD(Single Instruction, Multiple Data) with 멀티코어 프로세서와 칩 멀티프로세서(CMP)
    • 태스크 레벨 병렬화(TLP)
      • 프로그래밍과 컴파일의 어려움. 멀티코어 CMP의 효율적 수행을 위함.

성능 척도(metrics)

Performance Metrics

  • CPU 속도 MIPS와 네트워크 대역폭 Mbps
  • 시스템 처리량
    • MIPS에서, Tflops(tera floating point operation per second, TPS(transaction per second)
  • 시스템 오버헤드
    • job response time, 네트워크 지연, OS 부트 시간, 컴파일 시간, 입출력데이터율, runtime support system used

Dimensions of Scalability

  • size
    • 머신 사이즈가 증가함에 따라 높은 성능 또는 많은 기능성을 가진다
  • 소프트웨어(업그레이드), 어플리케이션(problem size), 기술(시간, 공간, 이질성) 확장성

클러스터링

독립적인 컴퓨터들의 연결된 집합

  • job level에서의 대량의 병렬화와 high availability(HA)
  • cost-effectiveness, scalability, HA features

cluster vs MPP

  • cluster
    • memory, disk 등의 관점에서 각각의 머신이 독립적이다.
  • 대규모 병렬 컴퓨터 Massivly Parallel Computer
    • only one machine. 수천개의 CPU가 강하게 연결되있다.
    • 이웃 프로세서 간 중간 결과를 빠른 속도로 교환

parallelism

job을 여러 task로 쪼갠다.

큰 문제를 작은 문제로 쪼개 해결. 각각의 문제는 동시에 해결된다.

  • task parallelism
  • data parallelism
    • data partitions : 데이터를 여러 조각으로 나눈 다음 순환적으로 처리
      • block : 각 스레드는 데이터의 한 부분만을 가진다.
      • cyclic : 각 스레드는 데이터의 한 부분 이상을 가진다.
  • GPU
    • 상대적으로 가벼운 코어가 많은 아키텍처.
    • data-parallel task에서 최적화. CPU보다 단순한 제어 로직

multicore, multithreading

  • 작은 코어가 여러개 있음.
  • 각 스레드는 고유의 명령 주소 카운터, register state를 가진다.
  • 각 스레드는 독립적인 수행 경로를 가진다.
  • 동일한 task를 thread 별로 다른 데이터를 다르게 처리할 수 있다 <- Core의 대기를 피할수 있다.

클러스터 구성(organization)

  • Cluster Organization and Resource Sharing
    • Shared-nothing : most used, with LAN
    • Shared-disk : in small-scale clusters, hold ckpt files
    • Shared memory : 잘 쓰지 않는다.
  • Single-system Image feature
    • single system : 하나의 시스템처럼 보인다.
    • single control
    • symmetry : 모든 노드가 동일하다. 바뀌어도 문제 없음
    • location-transparent
  • GPU
  • CUDA
    • Programming Structure
      1. GPU 메모리를 할당한다
      2. 데이터를 CPU에서 GPU메모리로 복제한다.
      3. CUDA 커널을 깨워 프로그램 특정 연산을 수행한다.
      4. GPU메모리의 데이터를 CPU메모리로 복제한다.
      5. GPU memory를 없앤다.

고가용성(HA)

  • high availability through Redundancy
    • RAS 요구(신뢰성, 가용성, serviceability)
      • reliability : 얼마나 오랫동안 시스템이 breakdown 없이 작동하는가
      • availability : system uptime의 비율
      • serviceability : 하드웨어 소프트웨어 유지, 보수, 업그레이드.
    • Redundancy Techniques
      • MTTF를 높이기 위해
    • Isolated Redundancy : 다양성을 높인다.
      • primary와 backup은 같은 failure에 종속되어서는 안된다.
    • N-version programming. 소프트웨어 신뢰성 향상을 위한.

가상화

HW 가상화 / OS수준의 가상화.

  • HW레벨 VMWare
    • HW가동률을 업그레이드하기 위해. 여러 사용자가 동시에 Xen 하이퍼바이저 또는 다른 guest OS를 실행
    • 장점 : 필요한 하드웨어 사양만 맞추면 어려움 없이 가상화
    • 단점 : CPU나 메모리에 오버헤드 발생하여 가상머신 성능 저하
  • OS 레벨 Docker
    • 전통적 os(Linux)와 유저 어플리케이션 사이
    • 싱글 물리 서버와 OS 인스턴스에 고립된 컨테이너를 만든다.
    • 컨네이너 간 효율은 좋지만 보안에 약하다
    • 장점 : CPU나 메모리 오버헤드가 발생하지 않음, HP(고성능)
    • 단점 : 가상머신을 만드는 OS 한정(Host OS와 Guest OS가 같아야함. 도커는 그렇지도 않음)

VM 아키텍쳐 유형

hypervisor(VMM), 전가상화

  • virtualization layer on bare machine

  • 호스트 os를 수정할 필요 없다
  • noncritical 명령은 HW에 직접 수행
  • critical은 control sensitive, behavior sensitive
  • critical 명령을 hypervisor에서 emulate한다 <- runtime overhead

para-virtualization. 반가상화

  • 게스트 os 를 수정해서 런타임 emulation 시간을 단축한다.(미리 compile)
  • 가상화 오버헤드를 줄인다.
  • 수정되지 않은 OS를 지원하기 위한 cost가 높다.
  • 명령을 intercept하고 emulate하는 전가상화와 다르게 반가상화는 이를 컴파일 시간에 다룬다.

host-based virtualization

  • Host OS 위에 VMM올리고 Guest OS 올라감

  • host os 상단의 가상화 계층
  • 유연하지만 퍼포먼스 가장 낮다.
  • 호스트 os와 gurest os 둘다 쓰임
  • host os를 수정하지 않는다.

클라우드 플랫폼 아키텍처 죽지 말아야 함! high availability

노드, 상호연결망

  • Data Center Interconnection Network
    • Network Design Requirements
      • 낮은 지연, 높은 대역폭, 적은 비용, message-passing interface(MPI), communication support, fault tolerance
    • Fault Tolerance and Graceful Degradation
      • 서버 FT
        • 중복 서버 사이의 연산과 복제 데이터로 얻어짐
      • 링크와 스위치의 FT
        • 두 서버 노드 간 다수의 경로
        • 소프트웨어 계층은 네트워크 failure를 알아야 하며, 클라우드 연산에 영향을 끼치지 않고 failure를 투명하게 handle해야 한다.
      • Graceful Degradation. 서서히 나빠짐
        • failure할 경우, 네트워크 구조는 서서히 degrade되야 한다.
        • 계층적 상호연결 접근, no critial path(single point of failure), hot-swappable componets(전원 off하지 않음)
    • 데이터 센터 Fat-Tree 상호연결
      • switch link가 failure해도 hot-working path가 상실되지 않음 -> fault tolerant 하다

설계 이슈

  • 데이터센터 관리 이슈
    • 일반 유저들을 행복하게!
    • 제한된 정보 흐름(서비스 유지와 높은 가용성을 위해)
    • 다유저 관리성
    • 데이터베이스 성장을 대비한 확장성
    • 가상 인프라의 신뢰성
    • 제공자와 유저 모두 낮은 비용
    • 보안 강요와 데이터보호
    • green IT. 전기를 좀만 써라
  • 구조 설계 이슈
    • 서비스 availability와 데이터 lock-in 문제
      • 다수의 클라우드 제공자를 사용
      • API 표준화
    • 데이터 privacy와 보안 문제
      • 전통적 : 버퍼 오버플로우, DOS공격, 스파이웨어, 맬웨어
      • 클라우드 환경 : 하이퍼바이저 맬웨어, 게스트 호핑과 하이재킹 등
    • 예상불가능한 성능과 병목현상
      • 입출력장치 공유가 문제 - 효율적으로 가상화한다 인터럽트와 입출력 채널을
    • 분산 스토리지와 널리퍼진 소프트웨어 버그
      • 효율 분산 SANs
    • 클라우드 확장성, 상호운용성, 표준화
    • 소프트웨어 라이센싱과 평판(블랙리스트) 공유

클라우드의 가용성 및 보안

  • Cloud Security Defense Strategies
    • Basic Cloud Security
      • 데이터센터의 시설 보안
        • 생체인식, CCTV, 모션 디텍션
      • 네트워크 보안
        • 방화벽, IDS, 서드파티 취약점 평가
      • 플랫폼 보안
        • SSL(secure socket manager), 엄격한 패스워드 정책, 시스템 신뢰 인증
    • 특별한 보안 보호를 요구하는 클라우드 컴포넌트들
      • 서버 : worms, viruse, malware 같은 악의적인 소프트웨어 공격으로부터
      • 하이퍼바이저나 VMM : 취약성을 착취하는 소프트웨어 기반의 공격으로부터
      • VM과 VMM : 서비스 붕괴와 Dos 공격으로부터
    • VM에서의 보안 문제
      • 예민 데이터나 암호를 훔치는 수동적 공격
      • 커널 데이터 구조를 조작하는 능동적 공격
      • 방어 기술
        • NIDS, HIDS, program shepherding(코드 실행을 방어), 단단해진 OS환경, 고립된 실행(sandboxing)
    • 클라우드 방어 방법
      • VM의 failure는 다른 VM에게 전파되지 않음
      • 한 VM에 대한 보안 공격은 다른 VM에 영향을 주지 않고 격리된다.
      • 하이퍼바이저는 완벽하게 게스트OS를 고립시켜야 한다
      • PKI 서비스는 데이터 센터 평판 시스템과 함께 논의되어야 한다.
    • 가상화를 이용한 보안
      • VM은 HA를 가능하게 하며 빠른 재앙 복구가 가능
      • VM의 live 이주는 제안된다 많은 연구자들로부터. 분산 IDSes를 지음으로써

SOA service oriented architecture

공개되거나 발견 가능한 인터페이스를 통해 신규 또는 레거시 애플리케이션의 서비스를 이용하는 소프트웨어 시스템을 설계하는 방법

  • 서비스 상호 운용성을 확장 가능하고 효과적으로 만든다.
  • 느슨한 결합, 게시된 인터페이스 및 표준 통신 모델과 같은 아키텍처 스타일

REST, Web 서비스

  • REST (REpresentational State Transfer)
    • A software Architecture Style for Ds, WWW
      • 아마존, 야후와 같은 기업과 소셜 네트워크 사이에서 인기를 얻었다. 단순성과 클라이언트의 소비 및 배포 용이성 때문에
      • 라지 스케일 분산 시스템을 위한 디자인과 구조 스타일
      • 표준이 아님.
    • 4 디자인 원칙
      • URI를 통한 자원 식별
        • 서비스 검색을 용이하게 할뿐만 아니라 구성 요소 간의 상호 작용과 관련된 자원에 대한 전역 주소 지정 공간을 제공합니다
      • 균일하고 제한된 인터페이스
        • 리소스는 4 개의 CRUD (생성, 읽기, 업데이트, 삭제) 동사 또는 작업의 고정 된 집합을 사용하여 조작됩니다 : PUT, GET, POST, DELETE
        • POST는 리소스에게 새로운 상태를 전달합니다.
      • self-Descriptive message
        • 리소스는 다양한 표현 형식 (HTML, XML, MIME, 일반 텍스트, PDF, JPEC, JSON 등)으로 액세스 할 수 있도록 표현과 분리됩니다.
        • 자원에 대한 메타 데이터는 사용 가능하며 캐시 제어, 전송 오류 감지, 인증 또는 권한 부여 및 액세스 제어와 같은 다양한 목적으로 사용될 수 있습니다.
      • Stateless Interaction
        • 메세지의 의미는 대화의 상태에 의존하지 않는다.
    • RESTful Web Service
      • 단순성, 가벼운 환경, HTTP로 통합
      • URI와 하이퍼링크의 도움으로 웹 자원을 중앙형 저장소에 대한 등록에 기반한 접근 없이 발견할 수 있다
      • RESTful 웹 서비스의 구성은 매시업과 같은 복합 웹 2.0 애플리케이션의 주요 초점이었다.
  • Web Services
    • SOA 구현의 인스턴스
      • SImple Object Access Protocol(SOAP), XML-RPC의 확장
        • XML문서의 전송. HTTP, SMTP, FTP 등을 통한
        • SOAP 메시지 루트 요소, 헤더와 바디의 봉투
      • Web services Description Language (WSDL)
        • 인터페이스를 설명, 웹 서비스가 지원하는 연산들의 집합
      • Universal Description, Discovery, and Integration(UDDI)
    • WS-I Protocol stack
      • RESTful 웹 서비스와 다르다. QoS와 계약 속성을 커버하지 않는다.
      • SOAP-based 웹 서비스는 보장한다 특정 레벨의 퀄리티를. 메세지 통신에서. 신뢰성, 전송 정책 뿐만 아니라. Ws-보안, WS-동의, WS-의존메시징, WS-전송, WE-동등과 같은.
      • 웹 서비스를 위한 비즈니스 프로세스 실행 언어
        • OASIS에서 권장하는 웹 서비스 간의 상호 작용을 지정하는 표준 실행 가능 언어
        • 비즈니스 목표를 완료하기 위한 실행 단계인 대규모의 상태 저장 서비스
        • 보다 복잡한 웹 서비스와 워크 플로우를 만들기 위해 함께 구성된 웹 서비스

병렬 프로그래밍 Hadoop

패러다임

  • 분산 컴퓨팅 시스템과 병렬 컴퓨팅

    • 분산 컴퓨팅 시스템
      • 네트워크로 연결된 컴퓨터적 엔진의 집합. running a job or application 하는 공통의 목적을 얻기 위해.
    • 병렬 컴퓨팅
      • 한 개 이상의 컴퓨터 엔진을 동시사용하여 job을 처리한다.
      • 분산 또는 비분산 컴퓨팅 시스템의 사용(멀티프로세서 플랫폼과 같은)

  • 병렬과 분산 프로그래밍

    • 분산 컴퓨팅 시스템에서 병렬 프로그램 실행
      • 유저의 관점 : 애플리케이션 리스폰스 타임의 감소
      • 분산 컴퓨팅 시스템의 관점 : throughput과 자원 사용성의 증가

  • 병렬 & 분산 프로그래밍 패러다임

    • 병렬 프로그램 실행의 이슈

      • Partitioning

        • Computation partitioning

          • 주어진 job이나 프로그램을 작은 task로 나눈다
          • 동시에 수행 될 수있는 작업 또는 프로그램의 부분 식별

        • Data partitioning

          • 입력이나 중간 데이터를 작은 조각으로 나눔

      • Mapping

        • 데이터나 프로그램의 작은 부분을 기본 자원에 할당

      • 동기화

        • 작업자 간 동기와 coordination(동등하게 하다)이 필요하다. 경쟁 조건의 예방과 적절히 데이터 의존성을 관리하기 위해

      • 통신

        • 거의 overhead. 병렬 처리를 하기 때문에 생긴다.

      • Scheduling

    • 병렬 컴퓨팅과 프로그래밍 패러다임

      • 프로그래밍 패러다임의 동기
        • 프로그래머 생산성 향상
        • 프로그램의 시간 감소
        • 기본 자원의 효율적인 활용
        • 시스템 처리량의 증가
        • 높은 수준의 추상화 지원

Hadoop : MapReduce

  • MapReduce

    • 큰 데이터셋에 대한 병렬과 분산 컴퓨팅을 지원하는 소프트웨어 프레임워크.
    • 데이터 흐름의 추상화. 두 기능으로 형성된 두 인터페이스 : Map & Reduce
    • 논리적 데이터 흐름 Map부터 Reduce 함수까지.

    • ‘value’는 실제 데이터, ‘key’는 데이터 흐름을 통제하기 위해 쓰인다.
    • Map과 Reduce 함수는 유저에 의해 오버라이드될 수 있다. 특정 목적를 달성하기 위한

  • MapReduce Logical data flow

    • input data to the Map function

      • (key, value) 쌍 형식에서, key는 입력 파일의 라인 오프셋이고, value는 line의 내용이다.

    • output data from the Map function

      • 수(zero, one, or more) 중간 (key, value) pairs
      • 데이터는 정렬된다. group process를 simplify하기 위해

    • input data to the Reduce function

      • ​ 단어카운트의 합산

      • 하나의 중간 키와 관련된 중간값 그룹. (key. [set of values])

    • output data from the Reduce function

      • Reduce function은 각 그룹을 처리하고 (key, value) 집합을 출력한다.

      Map funciton이 시간이 많이 걸린다. <- 여러 노드를 사용. Reduce는 조금 사용

    • a word count problem

HDFS : Hadoop Distributed File System

  • Hadoop
    • MapReduce의 실행 오픈 소스
    • HDFS를 기본 계층으로 사용.
    • 하둡 코어는 두 기본 계층으로 분리된다
      • MapReduce 엔진
      • HDFS
  • HDFS
    • GFS에서 영향을 받음. 파일을 조직하고 DCS에 데이터를 저장한다
    • master / slave 구조는 single NameNode를 마스터로. 여러 DataNodes를 slave로 포함한다
    • 파일 저장
      • 파일을 고정 사이즈 블록으로 나누고 worker(DataNodes)에게 저장한다.
      • 블록에서 DataNode로의 매핑은 NameNode에 의해 결정된다.
    • namespace
      • 메타데이터를 유지하는 영역
    • Features
      • 일반 목적 아님(성능, 확장성, 동시성 제어, falut tolerance, 보안 같은)
      • Falut Tolerance
        • 파일 블록 복제
        • 복제품 배치(원래 데이터가 저장되는 동일한 노드 또는 동일한/다른 랙의 다른 노드)
        • 각 DataNode에서 주기적 심장박동
      • 큰 데이터셋(파일)으로의 높은 처리량 접근
        • 배치 처리를 위해 설계됨. 상호 처리보다는
        • 데이터의 빠른 흐름 읽기. 파일마다 요구되는 감소된 양의 메타데이터 저장소.
      • operation
        • 파일 읽기
          • ‘open’은 NameNode에게 file block의 위치를 얻도록 요청한다.
          • NameNode는 DataNode의 집합의 주소를 반환한다.
          • ‘read’는 적절한 블록을 포함하는 가까운 DataNode에 연결한다
        • 파일 쓰기
          • ‘create’는 NameNode에게 파일 시스템 namespace에 새 파일을 생성하라고 요청한다.
          • 파일의 첫 블록은 내부 데이터 큐에 작성되었다.
          • ‘Data Streamer’는 NameNode에게 요청을 보낸다. 적절한 DataNode를 얻도록. 복제품 저장과 DataNode로의 쓰기를 감독하기 위한.
  • Hadoop Library from Apache
    • MapReduce engine
      • MapReduce job의 데이터 흐름과 제어 흐름을 관리
      • master/slave 구조(single JobTracker가 master, 여러 TaskTrackeras는 slave workers)

  • Running a Job in Hadoop
    • 유저 프로그램 한 runJob 함수를 호출
    • job submission
      • 유저 노드는 JobTracker로부터 새로운 job ID 를 요청한다, 자원을 복제, job을 submit한다.
    • task assignment
      • JobTracker는 각각의 computed input split마다 Map task를 만든다. 그리고 Map task를 TaskTracker의 실행 슬롯에 할당한다
      • JobTracker는 또한 Reduce 태스크를 생성하고 TaskTracker에 할당한다
    • task execution
      • 태스크를 실행하기 위한 제어 흐름(Map or Reduce)은 TaskTracker 안에서 시작하고 job JAR 파일을 file system으로 복사한다
      • job JAR 파일 안에 있는 명령은 JVM 실행 후에 수행된다.
    • task running check

Grid, CPS

Grid

  • 이질적인 컴퓨터가 자원의 큰 컬렉션을 만든다.
    • 다른 기관의 자원들이 통합되어 많은 유저들에 의해 공유된다.
  • CPU Scavenging : 사용되지 않는 자원을 이용
  • Grid Information Service : 유용성과 공개 자원의 명세를 제공
  • Open Grid Services Architecture(OGSA)
    • 2개의 큰 소프트웨어 기술로 구성
      • Globus Toolkit이 널리 채택된다. 그리드 기술 솔루션으로
      • 웹 서비스 2.0은 인기있는 표준 프레임워크다
    • Service Oriented
  • Grid Data Access Models
    • Monadic 중심
    • Hierarchy 계층
    • Federation 협의
    • Hybrid 계층 + 협의

CPS : Cyber Physical System

  • 독립형 장치 대신 물리적 입력 및 출력과 상호작용하는 요소 네트워크
  • CPS의 잠재력
    • 분쟁에 개입
    • 정확성
    • 위험하거나 접근불가한 환경에 작동
    • 조직화
    • 효율성
    • 인력의 증가
  • 아키텍처
    1. Smart Connection level
    2. Data to information Conversion Level
    3. Cyber level
    4. Cognition level
    5. Configuration level

댓글남기기

참고