Initial Commit: Reinforced Knowledge Wiki v1.0 - Pure Origin
This commit is contained in:
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-D3F316
|
||||
category: "[[10_Wiki/💡 Topics/General Knowledge]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - 2026-04-15"
|
||||
---
|
||||
|
||||
# [[2026-04-15]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** General Knowledge 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/2026-04-15.md]]
|
||||
---
|
||||
@@ -0,0 +1,39 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-EB3F3C
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - 20k skinned instances demo"
|
||||
---
|
||||
|
||||
# [[20k skinned instances demo]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> '20k skinned instances demo'는 Three.js 기반의 오픈 소스 라이브러리인 InstancedMesh2를 활용하여 20,000개의 개별적인 스킨드 인스턴스(Skinned instances)를 동시에 렌더링하는 성능 최적화 데모입니다 [1, 2]. 이 데모는 모바일 기기에서도 3,000개의 인스턴스를 원활하게 구동할 수 있도록 설계되었습니다 [2]. 프러스텀 컬링, 거리 기반 애니메이션 프레임 조절, 다중 LOD(Level of Detail) 생성 등 다양한 최적화 기법을 적용하여 단 5번의 드로우 콜만으로 렌더링을 처리하는 것이 특징입니다 [2, 3].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
이 데모는 제작자(agargaro)가 개발한 `instancedMesh2` 라이브러리를 기반으로 하며, 대규모 스킨드 메쉬를 렌더링하기 위해 다음과 같은 세부 최적화 기술들을 사용했습니다 [2].
|
||||
|
||||
* **프러스텀 컬링 및 시야 기반 업데이트 (Frustum Culling & View-based Updates):**
|
||||
기본적인 프러스텀 컬링을 적용하여 카메라 시야(Frustum) 내에 존재하는 인스턴스들에 대해서만 뼈대(Bones) 연산을 업데이트합니다 [2].
|
||||
* **동적 애니메이션 프레임 제어:**
|
||||
카메라와 각 인스턴스 간의 거리를 계산하여 애니메이션 FPS를 0에서 60 사이로 개별 설정함으로써 불필요한 연산을 줄입니다 [2].
|
||||
* **LOD(Level of Detail)의 적극적 활용:**
|
||||
`meshoptimizer`를 활용해 5단계의 기하학적 LOD를 생성했습니다 [2]. 거리가 먼 인스턴스에 대해서는 일부 뼈대 계산을 생략하며, 각 LOD마다 1개의 드로우 콜(Draw Call)만 발생시켜 총 5개의 드로우 콜만으로 렌더링을 완료합니다 [2, 3]. 또한, 그림자(Shadows) 렌더링 시에도 LOD를 관리할 수 있도록 구성되어 있습니다 [4].
|
||||
* **개별 애니메이션 지원:**
|
||||
단일 인스턴스들의 복제본들이 모두 동일한 애니메이션과 포즈를 공유하는 것이 아니라, 각 인스턴스마다 서로 다른 애니메이션을 가집니다 [5, 6]. 이 데모에서는 하나의 애니메이션 믹서(Mixer)를 사용했지만, 필요에 따라 인스턴스별로 믹서를 생성할 수도 있습니다 [6].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[InstancedMesh2]], [[Frustum Culling]], [[Level of Detail (LOD)]], [[Skinned Mesh]], [[Draw Call]]
|
||||
- **Projects/Contexts:** [[three.js]]
|
||||
- **Contradictions/Notes:** 본 텍스처(Bone texture)의 부분 업데이트(Partial texture updates) 기능은 PC 환경에서 60FPS를 달성하는 데 도움이 될 수 있는 최적화 기법이지만, 모바일 기기와 파이어폭스(Mozilla Firefox) 브라우저에서는 이중 버퍼링(Double buffering) 부재로 인해 오히려 속도가 느려지는 문제가 있어 본 데모에서는 비활성화된 상태로 제공되었습니다 [2, 7].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/20k skinned instances demo.md]]
|
||||
---
|
||||
@@ -0,0 +1,37 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-AC09DA
|
||||
category: "[[10_Wiki/💡 Topics/Graphics & Performance]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 9 - Wikified 3D Gaussian Splatting (3DGS)"
|
||||
---
|
||||
|
||||
# [[3D Gaussian Splatting (3DGS)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 3D Gaussian Splatting (3DGS)은 3D 스플랫(splat)들로 구성된 명시적 표현을 사용하여 고품질의 실시간 렌더링을 구현하는 혁신적인 기법이다 [1, 2]. 각 3D 가우시안은 중심 위치, 3D 공분산 행렬, 최대 불투명도, 그리고 구면 조화(Spherical Harmonics) 계수를 활용한 시점 종속적 색상으로 정의된다 [2]. 올바른 렌더링을 위해 카메라로부터의 거리를 기준으로 가우시안들을 뒤에서 앞으로 정렬(depth sorting)하고 알파 블렌딩(alpha-blending)하는 과정이 필수적이며 [3, 4], 미분 가능한 특성 덕분에 브라우저 환경에서 고품질 재구성 및 생성적 3D 모델링에 활발히 응용되고 있다 [1].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **기본 동작 원리와 렌더링 구조:**
|
||||
3DGS는 장면을 구성하는 3D 가우시안들을 2D 이미지 평면으로 투영하여 렌더링을 수행한다 [2, 4]. 투영된 2D 공분산 행렬과 학습된 불투명도를 기반으로 각 픽셀에 대한 알파 기여도를 계산하며, 카메라 시점 방향에 따른 구면 조화 함수를 평가하여 반사 효과 및 최종 색상을 결정한다 [2, 4]. 투명도를 올바르게 처리하기 위해 수백만 개의 가우시안을 매 프레임마다 카메라와의 거리에 따라 뒤에서 앞으로 정렬해야 하는 막대한 연산이 요구된다 [3-5].
|
||||
|
||||
- **WebGL 환경에서의 성능 한계 및 오류:**
|
||||
기존의 WebGL API는 범용적인 GPU 연산(Compute) 기능을 지원하지 않아, 3DGS의 핵심인 깊이 정렬 작업을 JavaScript나 WebAssembly를 통해 CPU에 오프로드해야 한다 [6-8]. 이는 CPU가 정렬을 마친 뒤 큰 버퍼를 GPU로 업로드하고 드로우 콜을 발생시켜야 하는 심각한 동기화 병목 현상을 유발하며, 장면이 복잡해질수록 16.67ms의 프레임 예산을 맞추지 못하게 만든다 [6, 8]. 실제로 CesiumJS와 같은 시스템에서는 대규모 데이터셋 처리 시 1프레임 내에 정렬이 끝나지 않아 여러 개의 Promise 체인이 서로 간섭하는 경합 조건(race condition)이 발생하며, 이로 인해 모델이 깜빡이거나 렌더링되지 않는 WebGL 오류 및 마이크로 스터터링(micro-stuttering)이 보고되었다 [9-12].
|
||||
|
||||
- **WebGPU 및 WebSplatter를 통한 GPU 파이프라인 최적화:**
|
||||
WebGL의 구조적 한계를 극복하기 위해 WebGPU의 컴퓨트 셰이더(Compute Shader)를 활용하는 접근법이 대두되었다 [6, 7, 13]. 대표적으로 WebSplatter 프레임워크는 깊이 정렬과 시점 적응형 평가를 모두 GPU 연산으로 이전하여 CPU-GPU 간의 동기화 오버헤드를 제거하였다 [6, 14]. 특히 WebGPU 환경에 글로벌 아토믹(global atomics) 기능이 부족한 점을 우회하기 위해, 하드웨어 스케줄링에 구애받지 않는 '대기 없는(wait-free) 계층적 기수 정렬(radix sort)' 알고리즘을 도입하였다 [6, 15, 16]. 또한, 래스터화 이전 단계에서 불투명도 및 시야 범위(Bounding Box)를 기준으로 화면 밖 스플랫을 선제적으로 제거하는 동적 컬링(culling)을 적용하여 메모리 대역폭과 오버드로우를 크게 줄였다 [15, 17-19].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 문서로, 기존 정보와의 충돌 분석 예정.
|
||||
- **정책 변화:** Graphics & Performance 카테고리의 지식 연결망 강화를 위한 표준 위키화 적용.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[WebGPU]], [[WebGL]], [[Compute Shader]]
|
||||
- **Projects/Contexts:** [[WebSplatter]], [[CesiumJS]]
|
||||
- **Contradictions/Notes:** WebGL 기반의 기존 3DGS 구현은 정렬 작업을 CPU에 의존하므로 동기화 병목과 프레임 지연이 발생하지만, WebGPU 기반의 WebSplatter는 파이프라인 전체를 GPU에서 병렬 연산함으로써 기존 웹 뷰어 대비 최대 4.5배의 렌더링 속도 향상과 낮은 메모리 소모를 달성한다 [6, 8, 15, 20].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/3D Gaussian Splatting (3DGS).md]]
|
||||
---
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-074AE7
|
||||
category: "[[10_Wiki/💡 Topics/Automation & Industry]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 9 - Wikified 3D Web-based HMI"
|
||||
---
|
||||
|
||||
# [[3D Web-based HMI]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 3D Web-based HMI는 사용자가 기계 또는 자동화 시스템과 통신할 수 있도록 지원하는 소프트웨어 인터페이스로, 주로 SCADA(Supervisory Control and Data Acquisition) 시스템의 기기 모니터링 및 제어를 위한 디스플레이 역할을 수행합니다 [1, 2]. 기존 HMI 시스템의 특정 플랫폼 종속성과 별도의 소프트웨어 설치 요구라는 한계를 극복하기 위해 제안되었습니다 [3]. WebGL과 WebSocket 기술을 활용하여 사용자는 별도의 소프트웨어 설치 없이 모든 플랫폼의 HTML5 웹 브라우저에서 실시간 데이터 통신 및 3D 그래픽 렌더링을 경험할 수 있습니다 [3-5].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **도입 배경 및 기존 HMI의 한계:** 공장 및 빌딩 자동화 분야에서 널리 쓰이는 SCADA 시스템의 벤더들은 전통적으로 독점적인 HMI 소프트웨어를 제공해 왔습니다 [2]. 예를 들어, 상용 제품인 Genesis64의 GraphWorX64 컴포넌트는 Windows 운영 체제, .NET Framework, DirectX 설치 및 Internet Explorer 사용을 강제하는 플랫폼 종속적인 한계가 있었습니다 [6, 7]. 3D Web-based HMI는 이러한 문제점을 극복하고자 웹 기술을 바탕으로 고안되었습니다 [2, 3].
|
||||
* **핵심 렌더링 및 통신 기술:** 3D Web-based HMI는 OpenGL ES 2.0을 기반으로 하는 크로스 플랫폼 웹 그래픽 라이브러리인 WebGL을 사용하여 3D 장면을 구성합니다 [4]. 저수준 API인 WebGL의 복잡성을 줄이기 위해 Three.js 라이브러리의 `WebGLRenderer()`를 활용하며, 화면 주사율에 맞춰 자연스러운 애니메이션을 처리하기 위해 `RequestAnimationFrame()`을 사용합니다 [4, 8]. 데이터 통신 측면에서는 HTTP 대신 WebSocket을 사용하여 서버와 클라이언트 간의 데이터가 빠르게 변경되는 상황에서도 효율적으로 대처할 수 있습니다 [3].
|
||||
* **초당 프레임 수(FPS) 성능:** 상용 3D HMI 제품(GraphWorX64)과 성능을 비교 평가한 결과, 3D Web-based HMI는 브라우저(Internet Explorer 및 Chrome) 환경에서 큐브(Cube) 개수가 0.5K~0.8K일 때 목표 최대 성능인 60 FPS를 안정적으로 유지했습니다 [1, 9]. 큐브 개수가 증가하여 1.1K~1.6K에 도달했을 때는 인간의 눈이 프레임 건너뛰기를 감지하지 못하는 최소 기준인 30 FPS를 기록했습니다 [1, 9, 10].
|
||||
* **프레임 지연 시간(Frame Time Latency) 및 디스플레이 품질:** FPS가 높더라도 프레임 시간이 불규칙하면 화면 끊김(Stuttering)이 발생할 수 있습니다 [10]. 실험 결과, 3D Web-based HMI는 객체가 5K에 이를 때까지 상용 제품보다 각 프레임을 렌더링하는 데 걸리는 시간 편차가 적어 훨씬 부드럽고 일관된 디스플레이를 제공했습니다 [1, 11, 12].
|
||||
* **시스템 리소스 소모:** CPU 사용량은 약 40%, 메모리 사용량은 약 180MB 수준으로 상용 HMI(약 240MB)보다 메모리를 더 적게 사용하여 안정적인 모습을 보였습니다 [5, 13]. 다만 GPU 사용량은 상용 제품과 비교했을 때 평균적으로 약 5% 정도 더 높게 나타났습니다 [5, 13].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 문서로, 기존 정보와의 충돌 분석 예정.
|
||||
- **정책 변화:** Automation & Industry 카테고리의 지식 연결망 강화를 위한 표준 위키화 적용.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[SCADA]], [[WebGL]], [[Three.js]], [[WebSocket]], [[Frame Time Latency]]
|
||||
- **Projects/Contexts:** [[Genesis64 상용 제품과의 웹 기반 3D 렌더링 성능 벤치마크]]
|
||||
- **Contradictions/Notes:** 3D Web-based HMI는 프레임의 부드러움(일관성)에서는 상용 제품보다 뛰어나지만, 전체 프로세스 소요 시간 중 약 96% 이상이 객체를 생성하는 실행 시간(Execution Time)이 아닌 렌더링 시간(Rendering Time)에 집중되어 있습니다. 이는 향후 렌더링 코드 최적화를 통해 성능을 더욱 개선해야 할 주요 병목 지점임을 시사합니다 [9, 14].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/3D Web-based HMI.md]]
|
||||
---
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: P-REINFORCE-3DGS-001
|
||||
category: "[[10_Wiki/💡 Topics/Graphics]]"
|
||||
confidence_score: 0.95
|
||||
tags: [graphics, rendering, ai]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "initial-reinforce"
|
||||
---
|
||||
|
||||
# [[3D Gaussian Splatting (3DGS)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 포인트 클라우드를 넘어서 공간을 가속화된 가우시안 타원체로 표현함으로써 실시간 렌더링의 새로운 지평을 열다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 복잡한 메시 구조 없이도 밀도 있는 포인트 클라우드에서 가우시안 파라미터를 최적화하여 사실적인 부피감을 구현하는 비선형 최적화 패턴.
|
||||
- **세부 내용:**
|
||||
- 타일 기반의 가시성 정렬을 통한 고속 렌더링.
|
||||
- 미분 가능한 렌더링(Differentiable Rendering)을 통한 파라미터 학습.
|
||||
- NeRF 대안으로서의 압도적 렌더링 속도 확보.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 메시에 기반한 전통적인 래스터화 방식과 개념적으로 충돌하나, 성능 면에서 우위를 점함.
|
||||
- **정책 변화:** 렌더링 효율성(w1) 가중치를 높게 평가하여 그래픽스 카테고리의 최상단 지식으로 배치.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent:** [[10_Wiki/💡 Topics/Graphics]]
|
||||
- **Related:** [[NeRF]], [[Point-Cloud]], [[Radiance-Fields]]
|
||||
- **Raw Source:** [[00_Raw/2026-04-20/3D Gaussian Splatting (3DGS).md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: P-REINFORCE-HMI-001
|
||||
category: "[[10_Wiki/💡 Topics/Graphics]]"
|
||||
confidence_score: 0.90
|
||||
tags: [web, hmi, interface, 3d]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "initial-reinforce"
|
||||
---
|
||||
|
||||
# [[3D Web-based HMI]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 산업용 제어 인터페이스를 브라우저 환경에서 3D로 시각화하여 정보의 직관성과 조작성을 극대화하다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 물리적 장비의 디지털 트윈을 웹 소켓 기반 실시간 데이터와 바인딩하여 3D 공간에서 인터랙션을 구현하는 추상화 패턴.
|
||||
- **세부 내용:**
|
||||
- Three.js/React Three Fiber를 활용한 저사양 기기 최적화.
|
||||
- 실시간 텔레메트리 데이터의 가상화 매핑.
|
||||
- 사용자 경험(UX) 중심의 직관적 물리 인터페이스 설계.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 2D 평면 스카다(SCADA) 시스템에서 입체적 모니터링 환경으로의 전환.
|
||||
- **정책 변화:** 구조적 연결성(w2) 관점에서 디지털 트윈 아키텍처와 통합 분석 필요성 제기.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent:** [[10_Wiki/💡 Topics/Graphics]]
|
||||
- **Related:** [[Three.js]], [[Digital-Twin]], [[SCADA]]
|
||||
- **Raw Source:** [[00_Raw/2026-04-20/3D Web-based HMI.md]]
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-91A92D
|
||||
category: "[[10_Wiki/💡 Topics/Psychology & Behavior]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 9 - Wikified ABA(Applied Behavior Analysis)"
|
||||
---
|
||||
|
||||
# [[ABA(Applied Behavior Analysis)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
>
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 문서로, 기존 정보와의 충돌 분석 예정.
|
||||
- **정책 변화:** Psychology & Behavior 카테고리의 지식 연결망 강화를 위한 표준 위키화 적용.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/ABA(Applied Behavior Analysis).md]]
|
||||
---
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: P-REINFORCE-ABA-001
|
||||
category: "[[10_Wiki/💡 Topics/Psychology]]"
|
||||
confidence_score: 0.88
|
||||
tags: [psychology, behavior, intervention]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "initial-reinforce"
|
||||
---
|
||||
|
||||
# [[ABA (Applied Behavior Analysis)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 행동의 원인을 환경과의 상호작용에서 찾아내고 이를 체계적으로 수정하여 삶의 질을 높이는 과학적 접근법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 행동 전후의 맥락(ABC: Antecedent-Behavior-Consequence)을 분석하여 강화와 벌의 기제를 적용하는 행동 분석 패턴.
|
||||
- **세부 내용:**
|
||||
- 기능적 행동 평가(FBA)를 통한 근본 원인 파악.
|
||||
- 긍정적 행동 지원을 통한 자율성 존중 중심의 변화.
|
||||
- 신경다양성을 고려한 맞춤형 중재 전략으로의 진화.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 초기 순응 중심 모델에서 현재는 자율성 지지(Assent-Based Care) 모델로 패러다임 전환 진행 중.
|
||||
- **정책 변화:** 사용자 만족도(w3) 피드백에 따라 윤리적 고려 사항 링크 비중 강화.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent:** [[10_Wiki/💡 Topics/Psychology]]
|
||||
- **Related:** [[Operant-Conditioning]], [[Neurodiversity-Affirming]], [[FBA]]
|
||||
- **Raw Source:** [[00_Raw/2026-04-20/ABA(Applied Behavior Analysis).md]]
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-CEA4CC
|
||||
category: "[[10_Wiki/💡 Topics/Health & Science]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 9 - Wikified ACL-Injury-Prevention-Protocols"
|
||||
---
|
||||
|
||||
# [[ACL-Injury-Prevention-Protocols]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
>
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 문서로, 기존 정보와의 충돌 분석 예정.
|
||||
- **정책 변화:** Health & Science 카테고리의 지식 연결망 강화를 위한 표준 위키화 적용.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/ACL-Injury-Prevention-Protocols.md]]
|
||||
---
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: P-REINFORCE-HEALTH-001
|
||||
category: "[[10_Wiki/💡 Topics/Health]]"
|
||||
confidence_score: 0.89
|
||||
tags: [health, sports, injury, prevention]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "batch-reinforce-01"
|
||||
---
|
||||
|
||||
# [[ACL Injury Prevention Protocols]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 전방십자인대 부상 위험을 최소화하기 위해 바이오메카닉 분석과 신경근 훈련을 결합한 과학적 예방 체계.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 점프 착지 및 방향 전환 시 무릎 정렬을 최적화하는 신경근 제어(Neuromuscular Control) 강화 패턴.
|
||||
- **세부 내용:**
|
||||
- 고유수용성 감각(Proprioception) 훈련을 통한 관절 안정화.
|
||||
- 햄스트링 강화 및 콰드-햄스트링 균형 최적화.
|
||||
- 연령 및 성별에 따른 맞춤형 부상 방지 프로그램 설계.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순 근력 강화에서 움직임의 질(Quality of Movement) 중심 예방으로 진화.
|
||||
- **정책 변화:** 지식 연결성(w2) 관점에서 바이오메카닉과 스포츠 심리학의 연계성 강화.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent:** [[10_Wiki/💡 Topics/Health]]
|
||||
- **Related:** [[Neuromuscular-Control]], [[Sports-Science]], [[Proprioception]]
|
||||
- **Raw Source:** [[00_Raw/2026-04-20/ACL-Injury-Prevention-Protocols.md]]
|
||||
@@ -0,0 +1,39 @@
|
||||
---
|
||||
id: P-REINFORCE-92F236
|
||||
category: "[[10_Wiki/💡 Topics/AI & Tools]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 10 - Wikified AI Connect LLM Tool"
|
||||
---
|
||||
|
||||
# [[AI Connect LLM Tool]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> **Connect AI**는 100% 로컬 및 오프라인 환경에서 작동하는 VS Code 전용 프리미엄 AI 코딩 에이전트입니다. 외부 서버 연결 없이 사용자의 하드웨어(Ollama/LM Studio)를 직접 활용하여 파일 생성, 편집, 터미널 명령 실행 및 개인 지식 기반(Second Brain) 연동을 지원합니다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 지식 유입에 따른 기존 지식과의 정합성 검증 단계.
|
||||
- **정책 변화:** AI & Tools 분야의 체계적 지식 자산화 진행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[Ollama]], [[LM Studio]], [[VS Code Extension Development]], [[Agentic AI]]
|
||||
- **Projects/Contexts:** [[Connect-AI-Lab]], [[EZERAI Infrastructure]]
|
||||
- **Contradictions/Notes:**
|
||||
- **통합 구조:** 현재 프로젝트는 모든 로직(UI, 통신, 에이전트)이 `extension.ts` 하나에 집중된 모놀리식 구조를 가지고 있어, 향후 대규모 기능 추가 시 모듈화가 권장됩니다.
|
||||
- **보안:** 모든 작업이 로컬에서 이루어지므로 기업 보안 환경에 매우 적합하나, `run_command` 실행 시 사용자의 최종 확인 절차가 보완될 필요가 있습니다.
|
||||
|
||||
---
|
||||
|
||||
*Last updated: 2026-04-14*
|
||||
|
||||
---
|
||||
|
||||
# 🕵️ 프로젝트 코드 리뷰 리포트
|
||||
|
||||
`/Volumes/Data/project/Antigravity/local_module/resource` 프로젝트에 대한 상세 코드 리뷰 결과입니다.
|
||||
- Raw Source: [[00_Raw/2026-04-20/AI Connect LLM Tool.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-2BB419
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - AI Safety (AI 안전)"
|
||||
---
|
||||
|
||||
# [[AI Safety (AI 안전)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/AI Safety (AI 안전).md]]
|
||||
---
|
||||
@@ -0,0 +1,42 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-0C244E
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - AI 거버넌스 정책(AI Usage Policy)"
|
||||
---
|
||||
|
||||
# [[AI 거버넌스 정책(AI Usage Policy)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **도입의 필요성 및 기대 효과**
|
||||
* 공식적인 정책 가이드라인이 부재할 경우, 직원들의 무분별한 AI 도구 사용으로 인해 민감한 고객 데이터 및 독점 소스 코드 노출, 컴플라이언스 위반(GDPR, CCPA, HIPAA 등), 그리고 심각한 거버넌스 결함이 발생할 수 있습니다 [2, 3, 6-8].
|
||||
* 또한 여러 AI 도구에 대한 개별 구독으로 발생하는 '섀도우 IT(shadow IT)' 비용을 통제하고, 일관성 없는 AI 결과물로 인한 코드 품질 저하와 기술 부채를 방지하기 위해 필수적입니다 [9, 10].
|
||||
|
||||
* **핵심 구성 요소**
|
||||
* **사용 범위 및 승인된 도구 (Scope & Approved Tools):** 정책이 적용되는 대상(직원, 파트너 등)을 명확히 정의하고, 보호 장치가 있는 기업용 승인 도구와 사용이 금지된 퍼블릭 앱을 구분하여 허용 및 금지되는 사용 사례를 구체적으로 나열해야 합니다 [11-14].
|
||||
* **데이터 프라이버시 및 보안 (Data Privacy & Security):** 기밀 비즈니스 정보, PII(개인식별정보), 지적 재산 등을 써드파티 퍼블릭 AI 시스템에 입력하는 것을 엄격히 금지하고, 민감한 데이터의 처리 규칙을 명시해야 합니다 [11, 12, 15].
|
||||
* **인간의 개입 및 품질 기준 (Human-in-the-Loop):** AI가 생성한 결과물(특히 소스 코드나 외부 커뮤니케이션)은 독립적으로 운영되거나 맹목적으로 수용되어서는 안 되며, 정확성과 공정성을 확인하기 위해 반드시 인간 개발자나 적격한 검토자의 검증 및 승인을 거쳐야 합니다 [11, 14, 16, 17].
|
||||
|
||||
* **실행 및 관리 전략**
|
||||
* **다기능적 소유권 (Cross-Functional Ownership):** 성공적인 정책 정착을 위해서는 IT(기술 통제 및 승인 도구 구성), 법무(위험 노출 및 규정 준수 검토), HR(AI 도입 프레임워크 및 직원 교육), 비즈니스 리더(워크플로우 검증) 등 조직 전반에 걸친 명확한 책임 분담이 요구됩니다 [18, 19].
|
||||
* **글로벌 표준 정렬:** 진화하는 규제에 대비하여 ISO 42001(AI 거버넌스 경영 시스템) 및 NIST AI RMF(위험 관리 프레임워크)와 같은 국제적으로 인정된 표준에 정책을 맞추는 것이 유리합니다 [20, 21].
|
||||
* **지속적인 모니터링 및 업데이트:** AI 기술은 빠르게 변화하므로, 정책을 한 번 작성하고 끝내는 것이 아니라 정기적으로(예: 분기별) 검토하고 업데이트해야 하며 임직원을 위한 지속적인 피드백 채널 및 역할별 교육을 제공해야 합니다 [22-25].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[Human-in-the-loop]], [[데이터 프라이버시(Data Privacy)]], [[ISO 42001]], [[NIST AI RMF]]
|
||||
- **Projects/Contexts:** [[조직 내 안전한 AI 도입 및 기업 거버넌스(Enterprise AI Adoption and Governance)]]
|
||||
- **Contradictions/Notes:** 소스에 따르면 AI 정책 문서는 초기에 IT나 법무 부서 단독으로 작성하고 소유하기 쉬우나, 이러한 방식은 병목 현상을 유발할 수 있으며 실제 성공적인 장기 정착을 위해서는 직원과의 관계 및 변경 관리 전문성을 갖춘 HR 부서를 비롯한 교차 기능적인 소유권(Cross-functional ownership)이 필수적이라고 강조합니다 [18, 19, 26].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/AI 거버넌스 정책(AI Usage Policy).md]]
|
||||
---
|
||||
@@ -0,0 +1,39 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-254BE9
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - AI 생성 코드 검증(AI Code Assurance)"
|
||||
---
|
||||
|
||||
# [[AI 생성 코드 검증(AI Code Assurance)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> AI Code Assurance(AI 생성 코드 검증)는 AI가 생성하거나 지원한 코드로 인해 발생할 수 있는 고유한 품질 및 보안 위험을 해결하기 위해 설계된 워크플로우이자 검증 프로세스입니다 [1]. 이를 통해 조직은 AI가 작성한 코드가 프로덕션 환경에 배포되기 전에 엄격한 보안, 신뢰성 및 품질 표준을 충족하는지 확인할 수 있습니다 [1, 2]. 주로 정적 애플리케이션 보안 테스트(SAST)와 자동화된 코드 리뷰를 활용하여 결함과 취약점을 조기에 식별하고 일관된 표준을 강제합니다 [2, 3].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **목적 및 필요성**
|
||||
AI 어시스턴트가 생성한 코드는 스타일과 품질 측면에서 매우 일관성이 없고 변동성이 클 수 있습니다 [4, 5]. AI Code Assurance의 목적은 전체 소프트웨어 개발 수명 주기(SDLC)에서 AI 생성 코드의 비율이 증가하더라도 인간이 작성한 코드와 동일한 품질 게이트(Quality Gate) 표준을 적용하여, 유지보수성과 보안에 대한 일관된 규칙을 강제하는 것입니다 [1, 5].
|
||||
|
||||
- **주요 기능 및 작동 방식**
|
||||
- **AI 코드 감지 및 추적:** 시스템은 프로젝트 내에 AI 생성 코드가 존재함을 자동으로 감지하거나 개발자가 직접 태그를 지정할 수 있게 합니다 [3]. 이를 통해 명확한 라벨링과 배지를 부여하여 AI 코드의 관리, 유지보수 및 규정 준수 모니터링을 간소화합니다 [3].
|
||||
- **정적 코드 분석(SAST) 적용:** 결정론적(deterministic)이고 독립적인 코드 검증 방식인 정적 코드 분석과 오염 분석(Taint Analysis)을 사용하여 코드를 스캔합니다 [4, 6]. 이를 통해 보안 취약점, 유출된 비밀 정보, 코드 냄새(Code smells), 논리적 결함 및 성능 위험을 풀 리퀘스트(Pull Request) 단계에서 조기에 표면화합니다 [4, 6, 7].
|
||||
- **워크플로우 및 에이전트 통합:** IDE부터 CI/CD 파이프라인에 이르기까지 기존 개발 워크플로우에 원활하게 통합됩니다 [6, 8]. 특히, MCP(Model Context Protocol)를 통해 Cursor, Claude Code, Windsurf와 같은 AI 코딩 에이전트와 직접 연결되어, 코드가 생성되는 실시간 대화 흐름 속에서 보안 핫스팟 분석 및 피드백을 제공합니다 [4, 8, 9].
|
||||
|
||||
- **기대 효과**
|
||||
위험도가 가장 높은 문제를 자동으로 강조 표시하여 코드 리뷰어의 피로도를 크게 줄여주며, 배포 주기를 단축합니다 [4]. 또한 조직은 PCI, OWASP, CWE와 같은 널리 통용되는 규정 준수 및 보안 표준을 충족하면서 신뢰성 있게 AI 기여(contribution)를 수용할 수 있습니다 [10, 11].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[Static Application Security Testing (SAST)]], [[Model Context Protocol (MCP)]], [[Automated Code Review]]
|
||||
- **Projects/Contexts:** [[SonarQube Server]], [[SonarQube Cloud]]
|
||||
- **Contradictions/Notes:** 소스에 따르면 AI 어시스턴트가 생성하는 코드는 본질적으로 일관성이 없고 예측하기 어려울 수 있지만, 이에 적용되는 정적 코드 분석 기술은 '결정론적(deterministic)'이므로 AI 코드의 불확실성을 극복하고 신뢰할 수 있는 독립적인 검증을 제공할 수 있다고 강조합니다 [4].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/AI 생성 코드 검증(AI Code Assurance).md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-CA155B
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - AI 에이전트 (AI Agent)"
|
||||
---
|
||||
|
||||
# [[AI 에이전트 (AI Agent)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/AI 에이전트 (AI Agent).md]]
|
||||
---
|
||||
@@ -0,0 +1,40 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-4DB2F8
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)"
|
||||
---
|
||||
|
||||
# [[AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)은 소프트웨어 개발 수명 주기(SDLC)의 초기 단계에 AI 기반의 자동화된 정적 분석(SAST)과 인간의 수동 리뷰를 결합하여 코드의 품질과 보안을 선제적으로 확보하는 프로세스입니다 [1, 2]. 개발자는 IDE 내부나 CI/CD 파이프라인의 Pull Request(PR) 단계에서 실시간으로 버그, 로직 결함, 보안 취약점(예: 인젝션, 민감 정보 노출)을 식별하고 수정할 수 있습니다 [3-6]. 결과적으로 기계적이고 반복적인 코드 스타일 검사 및 패턴 기반 취약점 탐지는 AI에 위임하고, 인간은 아키텍처 결정이나 도메인 종속적인 비즈니스 로직을 검토하는 '하이브리드' 방식을 통해 개발 속도와 보안성의 균형을 맞춥니다 [2, 7, 8].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **하이브리드 코드 리뷰 모델의 부상**
|
||||
2025년 기준 가장 이상적이고 안전한 코드 리뷰 방식은 자동화 도구와 인간의 통찰력을 결합한 하이브리드 모델입니다 [2]. 자동화된 리뷰 도구는 수천 줄의 코드를 단 몇 분 만에 스캔하여 문법 오류, 알려진 보안 취약점 패턴, 코드 스타일 위반 등을 일관성 있게 찾아냅니다 [6, 9]. 하지만 이러한 도구들은 시스템의 의도나 비즈니스 로직을 이해하는 데 한계가 있습니다 [10]. 따라서 자동화 스캔을 1차 방어선으로 사용하여 일상적인 문제를 해결하고, 고위험 아키텍처, 인증 로직, 교차 서비스 통신 및 비즈니스 규칙 검증과 같은 복잡한 판단은 숙련된 개발자의 수동 리뷰를 통해 진행해야 합니다 [11-14].
|
||||
|
||||
* **AI 기반 정적 애플리케이션 보안 테스트(SAST)**
|
||||
전통적인 SAST 도구는 규칙과 패턴 매칭에 의존하여 높은 오탐률(False Positive)과 알림 피로도를 유발했습니다 [10, 15, 16]. 그러나 Snyk Code, Corgea, GitHub Advanced Security와 같은 최신 AI 네이티브 SAST 도구들은 머신러닝과 대규모 언어 모델(LLM)을 결합하여 코드의 문맥(Semantic)을 파악합니다 [17-20]. 이 도구들은 오염 분석(Taint analysis)과 도달 가능성(Reachability)을 분석해 파일 간 데이터를 추적하며 실제 악용 가능한 위협만을 효과적으로 필터링합니다 [19, 21, 22]. 또한 Copilot Autofix나 DeepCode AI Fix처럼 발견된 취약점에 대해 검증된 수정안(Remediation)을 PR 단계에서 자동으로 제안하여 리뷰 시간을 대폭 단축시킵니다 [23-25].
|
||||
|
||||
* **시프트 레프트(Shift-Left)와 파이프라인 자동화**
|
||||
DevSecOps의 핵심은 소프트웨어 병합 및 배포 전에 보안 및 품질 문제를 원천 차단하는 시프트 레프트 전략입니다 [1, 26]. Husky와 lint-staged 등의 도구를 활용해 Git 사전 커밋(Pre-commit) 훅을 설정하면, 변경된 파일에 대해서만 ESLint(로직/품질)와 Prettier(포맷팅)를 강제 적용할 수 있습니다 [27-29]. 이후 CI/CD 파이프라인 내에 SAST 및 소프트웨어 구성 분석(SCA) 도구를 통합하여 임계치 이상의 치명적 취약점이 포함된 코드는 메인 브랜치로 병합되지 못하도록 '품질 게이트' 역할을 수행하게 합니다 [30, 31].
|
||||
|
||||
* **자동화의 한계 및 AI 거버넌스 정책**
|
||||
강력한 자동화 도구라 할지라도 맹신은 위험합니다. 연구에 따르면 SAST 및 자동화 도구는 실제 취약점의 약 22%를 감지하지 못하며 [32, 33], 개발자들이 자동화 시스템의 '녹색 체크마크'만 보고 코드를 제대로 이해하지 않은 채 통과시키는 '녹색 체크마크 증후군(Green Check Mark Syndrome)'과 같은 인지적 나태함을 유발할 수 있습니다 [34, 35]. 기업은 승인되지 않은 퍼블릭 AI 모델에 독점 소스 코드나 고객 데이터가 유출되지 않도록 명확한 AI 사용 정책(AUP)을 수립해야 합니다 [36-38]. 또한 AI가 생성하거나 수정한 코드라도 최종적으로는 반드시 인간 엔지니어의 엄격한 수동 리뷰를 거쳐 이해와 책임을 보장하는 'Human-in-the-Loop' 원칙을 준수해야 합니다 [38, 39].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[정적 애플리케이션 보안 테스트(SAST)]], [[시프트 레프트(Shift-Left)]], [[하이브리드 코드 리뷰]]
|
||||
- **Projects/Contexts:** [[CI/CD 파이프라인 통합 및 Git 훅(Hooks)]]
|
||||
- **Contradictions/Notes:** 자동화 도구를 적극적으로 옹호하는 입장에서는 AI 기반 코드 리뷰와 수정안 자동 생성 기능이 개발자의 업무를 크게 대체하고 생산성을 극대화한다고 주장하지만, 보안 전문가 및 실제 성능 벤치마크 결과(Augment Code 등)에 따르면 자동화 도구는 여전히 30~60%의 오탐률을 보이며 실제 취약점의 약 22%를 놓치는 근본적 사각지대가 존재하므로, 아키텍처 설계와 비즈니스 로직에는 기계가 아닌 인간의 수동 판단이 필수 불가결하다고 반박합니다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-18*
|
||||
- Raw Source: [[00_Raw/2026-04-20/AI 코드 리뷰 및 보안 취약점 점검(DevSecOps).md]]
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-76F9E4
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - AI 코드 리뷰"
|
||||
---
|
||||
|
||||
# [[AI 코드 리뷰]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> AI 코드 리뷰는 인공지능 에이전트나 머신러닝(ML) 기반의 정적 분석 도구(SAST)를 활용하여 소스 코드의 결함, 보안 취약점, 스타일 위반 및 로직 오류를 식별하는 자동화 프로세스입니다 [1-3]. IDE, CI/CD 파이프라인, 풀 리퀘스트(PR) 등 개발 워크플로우에 통합되어 개발자에게 실시간에 가까운 피드백과 자동 수정(Auto-fix) 제안을 제공합니다 [2, 4-8]. 이를 통해 코드 리뷰의 대기 시간을 줄이고 일관된 품질 표준을 강제할 수 있지만, 아키텍처 의도나 비즈니스 로직의 문맥을 깊이 이해하는 데는 한계가 있어 인간 검토자와의 하이브리드 접근 방식이 필수적으로 요구됩니다 [5, 9-12].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **작동 방식 및 주요 기술**: 기존의 규칙 기반 정적 분석에 머신러닝(ML), 대규모 언어 모델(LLM) 등을 결합하여 코드의 문맥, 데이터 흐름(Data flow), 오염 추적(Taint analysis) 등을 시맨틱하게 분석합니다 [4, 13-18].
|
||||
- **주요 이점**: 대규모 코드베이스를 단 몇 초에서 몇 분 안에 스캔하여 보안 취약점과 버그를 조기에 발견합니다 [19, 20]. 시니어 검토자의 큐(Queue)에서 저위험군 코멘트를 제거하여 PR 검토 주기를 최대 40%까지 단축시키며, 결과적으로 인간 검토자가 아키텍처 설계와 비즈니스 로직에 집중할 수 있도록 돕습니다 [5, 11, 19].
|
||||
- **한계점 및 위험성**: AI는 코드의 전반적인 아키텍처 의도나 비즈니스 로직을 완벽히 이해하지 못하는 '문맥 맹점(Context Blindness)'을 지닙니다 [12, 21, 22]. 또한, 오탐지(False Positives)를 발생시키거나 환각(Hallucination)에 의한 잘못된 수정안을 제안할 위험이 존재하며, 검토자가 AI를 맹신하여 비판적 사고가 저하되는 '녹색 체크 표시 증후군(Green Check Mark Syndrome)'을 초래할 수 있습니다 [12, 23-25].
|
||||
- **하이브리드 리뷰 모델 및 거버넌스**: 2025년 이후의 현대 소프트웨어 개발에서는 AI 자동화 리뷰와 인간의 수동 리뷰를 결합한 '하이브리드(Hybrid) 리뷰'가 모범 사례로 꼽힙니다 [9-11, 26-28]. 일반적인 취약점 패턴이나 문법 등 기계적인 검증은 AI 도구에 맡기고, 도메인 특화 비즈니스 로직이나 교차 서비스 영향도 평가는 인간이 담당해야 합니다 [28, 29]. 아울러 지적 재산(IP) 유출 방지와 보안을 위해 "인간 개입(Human-in-the-Loop)"을 의무화하는 명확한 AI 사용 정책(Governance) 수립이 필수적입니다 [30-34].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[SAST]], [[풀 리퀘스트(Pull Request)]], [[DevSecOps]]
|
||||
- **Projects/Contexts:** [[SonarQube]], [[Snyk Code]], [[GitHub Advanced Security]], [[Corgea]]
|
||||
- **Contradictions/Notes:** AI 코드 리뷰 도구의 도입만으로는 배포 성능이나 품질이 보장되지 않는다는 점에 유의해야 합니다. 맹목적인 도구 도입과 높은 AI 사용률에도 불구하고 실제 PR 처리 시간이나 재작업 비율은 개선되지 않을 수 있으므로, 결과(DORA 지표 등)에 기반한 관리가 중요합니다 [35-37]. 또한 일부 AI 네이티브 도구들은 오탐률을 혁신적으로 줄였다고 주장하지만(예: Corgea 5% 미만, Veracode 1.1% 미만), 근본적으로 어떠한 도구도 오탐을 완벽히 제거할 수는 없으므로 인간의 검토와 검증 과정이 반드시 수반되어야 합니다 [38-40].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/AI 코드 리뷰.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-8DB819
|
||||
category: "[[10_Wiki/💡 Topics/AI & Narrative]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 10 - Wikified AI-Driven Narrative Systems"
|
||||
---
|
||||
|
||||
# [[AI-Driven Narrative Systems]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 내용 요약 예정
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
세부 본문 내용 구성 예정
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 지식 유입에 따른 기존 지식과의 정합성 검증 단계.
|
||||
- **정책 변화:** AI & Narrative 분야의 체계적 지식 자산화 진행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/AI-Driven Narrative Systems.md]]
|
||||
---
|
||||
@@ -0,0 +1,44 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-37563B
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - AI와 기계에게 검열 맡기기_ - 정적 분석 툴 (ESLint Prettier))"
|
||||
---
|
||||
|
||||
# [[AI와 기계에게 검열 맡기기_ - 정적 분석 툴 (ESLint Prettier))]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 현대 소프트웨어 개발에서는 주관적이고 반복적인 코드 평가 작업을 ESLint, Prettier와 같은 결정론적 도구와 AI 기반 에이전트(기계)에게 위임하여 코드를 자동으로 '검열'하는 구조를 갖추고 있습니다 [1]. Linter인 ESLint는 추상 구문 트리(AST)를 분석해 문법적 오류와 잠재적 버그를 식별하며, Formatter인 Prettier는 줄 바꿈이나 들여쓰기 등 시각적 일관성을 강제합니다 [2]. 나아가 단순한 패턴 매칭을 넘어 LLM 기반의 AI 정적 분석 도구(SAST)를 도입함으로써 문맥을 이해하고 복잡한 취약점을 분석하는 '에이전트적 거버넌스'로 진화하고 있습니다 [3, 4].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **결정론적 거버넌스의 기반 (ESLint & Prettier)**
|
||||
* **ESLint (결정론적 Linter):** 소스 코드를 추상 구문 트리(AST)로 변환해 순회하면서 사용되지 않는 변수, 섀도잉 현상 등 논리적 버그와 의심스러운 구조를 식별하고 팀의 모범 사례를 강제합니다 [2, 5, 6].
|
||||
* **Prettier (의견이 반영된 Formatter):** 코드의 로직에는 관여하지 않고 들여쓰기, 따옴표 일관성, 줄 바꿈 등 텍스트의 시각적 형태를 일관되게 재작성하여 코드 가독성을 높입니다 [2, 6, 7].
|
||||
* **규칙 충돌 및 통합:** ESLint에도 포맷팅 스타일 규칙이 포함되어 있어 Prettier와 충돌할 수 있습니다. 이를 방지하기 위해 `eslint-config-prettier`를 사용하여 충돌하는 ESLint 규칙을 비활성화하고, `eslint-plugin-prettier`를 통해 Prettier를 ESLint의 규칙처럼 동작시키는 방식이 권장됩니다 [8-11].
|
||||
|
||||
* **자동화 검열의 오케스트레이션 (Husky & lint-staged)**
|
||||
* 이러한 검열 도구들은 `Husky`와 `lint-staged`를 활용해 Git의 'pre-commit' 단계에서 강제적으로 실행됩니다 [12-14]. 저장소 전체가 아닌 변경된 파일(staged files)에만 검열 에이전트를 실행시켜 검사 시간을 수 초 내로 단축하고, 품질 미달 코드가 저장소에 병합되는 것을 선제적으로 차단합니다 [13-15].
|
||||
|
||||
* **AI를 활용한 시맨틱 지능과 에이전트적 거버넌스**
|
||||
* 전통적인 Linter는 파일 내 패턴 매칭에 그쳐 문맥을 파악하지 못하는 한계(Context-blind)가 있습니다 [3, 16]. 이를 극복하기 위해 Snyk Code, SonarQube 등 AI 기반 정적 분석(SAST) 도구가 도입되고 있습니다 [3, 17, 18].
|
||||
* 수백만 개의 커밋을 학습한 AI 모델은 오염 분석(Taint Analysis) 및 도달 가능성 분석을 수행하여 파일 경계를 넘나드는 복잡한 취약점을 파악하고 안전한 코드 수정을 제안합니다 [19, 20].
|
||||
|
||||
* **기계 검열의 심리사회적 영향 및 한계**
|
||||
* 기계에 코드 검열을 맡기면 사소한 스타일 논쟁을 없애고 개발자의 인지 부하를 줄여 비즈니스 로직 해결에 몰입(Flow)할 수 있게 돕습니다 [21, 22].
|
||||
* 하지만 자동화에 과도하게 의존할 경우, 개발자의 비판적 사고 근육이 퇴화하고 자동화 도구의 검사만 통과하면 된다고 여기는 '녹색 체크마크 증후군(Green Check Mark Syndrome)'을 유발할 수 있습니다 [23, 24]. 또한 AI 도구 역시 전체 취약점의 약 22%를 놓치는 사각지대가 존재하므로, 아키텍처 설계와 도메인 비즈니스 로직 등 고위험 검토에는 여전히 인간의 판단(Human-in-the-loop)이 필수적입니다 [24-26].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[SAST (정적 애플리케이션 보안 테스트)]], [[AST (추상 구문 트리)]], [[Husky & lint-staged]]
|
||||
- **Projects/Contexts:** [[Git Pre-commit 훅을 활용한 개발 워크플로우 자동화]], [[AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)]]
|
||||
- **Contradictions/Notes:** 소스는 기계 주도의 검열이 개발 생산성과 코드 품질을 높인다고 긍정적으로 평가하면서도, 동시에 AI 모델이 실제 취약점의 일부를 놓치고 개발자의 비판적 사고를 약화시켜 표면적 문제 해결에 집착하는 '녹색 체크마크 증후군'을 초래할 수 있다는 역설적 한계를 분명히 지적합니다 [23, 24, 26].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-18*
|
||||
- Raw Source: [[00_Raw/2026-04-20/AI와 기계에게 검열 맡기기_ - 정적 분석 툴 (ESLint & Prettier)).md]]
|
||||
---
|
||||
@@ -0,0 +1,29 @@
|
||||
# [[AI와 기계에게 검열 맡기기" - 정적 분석 툴 (ESLint & Prettier))]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
현대 소프트웨어 개발에서는 주관적이고 반복적인 코드 평가 작업을 ESLint, Prettier와 같은 결정론적 도구와 AI 기반 에이전트(기계)에게 위임하여 코드를 자동으로 '검열'하는 구조를 갖추고 있습니다 [1]. Linter인 ESLint는 추상 구문 트리(AST)를 분석해 문법적 오류와 잠재적 버그를 식별하며, Formatter인 Prettier는 줄 바꿈이나 들여쓰기 등 시각적 일관성을 강제합니다 [2]. 나아가 단순한 패턴 매칭을 넘어 LLM 기반의 AI 정적 분석 도구(SAST)를 도입함으로써 문맥을 이해하고 복잡한 취약점을 분석하는 '에이전트적 거버넌스'로 진화하고 있습니다 [3, 4].
|
||||
|
||||
## 📖 Core Content
|
||||
* **결정론적 거버넌스의 기반 (ESLint & Prettier)**
|
||||
* **ESLint (결정론적 Linter):** 소스 코드를 추상 구문 트리(AST)로 변환해 순회하면서 사용되지 않는 변수, 섀도잉 현상 등 논리적 버그와 의심스러운 구조를 식별하고 팀의 모범 사례를 강제합니다 [2, 5, 6].
|
||||
* **Prettier (의견이 반영된 Formatter):** 코드의 로직에는 관여하지 않고 들여쓰기, 따옴표 일관성, 줄 바꿈 등 텍스트의 시각적 형태를 일관되게 재작성하여 코드 가독성을 높입니다 [2, 6, 7].
|
||||
* **규칙 충돌 및 통합:** ESLint에도 포맷팅 스타일 규칙이 포함되어 있어 Prettier와 충돌할 수 있습니다. 이를 방지하기 위해 `eslint-config-prettier`를 사용하여 충돌하는 ESLint 규칙을 비활성화하고, `eslint-plugin-prettier`를 통해 Prettier를 ESLint의 규칙처럼 동작시키는 방식이 권장됩니다 [8-11].
|
||||
|
||||
* **자동화 검열의 오케스트레이션 (Husky & lint-staged)**
|
||||
* 이러한 검열 도구들은 `Husky`와 `lint-staged`를 활용해 Git의 'pre-commit' 단계에서 강제적으로 실행됩니다 [12-14]. 저장소 전체가 아닌 변경된 파일(staged files)에만 검열 에이전트를 실행시켜 검사 시간을 수 초 내로 단축하고, 품질 미달 코드가 저장소에 병합되는 것을 선제적으로 차단합니다 [13-15].
|
||||
|
||||
* **AI를 활용한 시맨틱 지능과 에이전트적 거버넌스**
|
||||
* 전통적인 Linter는 파일 내 패턴 매칭에 그쳐 문맥을 파악하지 못하는 한계(Context-blind)가 있습니다 [3, 16]. 이를 극복하기 위해 Snyk Code, SonarQube 등 AI 기반 정적 분석(SAST) 도구가 도입되고 있습니다 [3, 17, 18].
|
||||
* 수백만 개의 커밋을 학습한 AI 모델은 오염 분석(Taint Analysis) 및 도달 가능성 분석을 수행하여 파일 경계를 넘나드는 복잡한 취약점을 파악하고 안전한 코드 수정을 제안합니다 [19, 20].
|
||||
|
||||
* **기계 검열의 심리사회적 영향 및 한계**
|
||||
* 기계에 코드 검열을 맡기면 사소한 스타일 논쟁을 없애고 개발자의 인지 부하를 줄여 비즈니스 로직 해결에 몰입(Flow)할 수 있게 돕습니다 [21, 22].
|
||||
* 하지만 자동화에 과도하게 의존할 경우, 개발자의 비판적 사고 근육이 퇴화하고 자동화 도구의 검사만 통과하면 된다고 여기는 '녹색 체크마크 증후군(Green Check Mark Syndrome)'을 유발할 수 있습니다 [23, 24]. 또한 AI 도구 역시 전체 취약점의 약 22%를 놓치는 사각지대가 존재하므로, 아키텍처 설계와 도메인 비즈니스 로직 등 고위험 검토에는 여전히 인간의 판단(Human-in-the-loop)이 필수적입니다 [24-26].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[SAST (정적 애플리케이션 보안 테스트)]], [[AST (추상 구문 트리)]], [[Husky & lint-staged]]
|
||||
- **Projects/Contexts:** [[Git Pre-commit 훅을 활용한 개발 워크플로우 자동화]], [[AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)]]
|
||||
- **Contradictions/Notes:** 소스는 기계 주도의 검열이 개발 생산성과 코드 품질을 높인다고 긍정적으로 평가하면서도, 동시에 AI 모델이 실제 취약점의 일부를 놓치고 개발자의 비판적 사고를 약화시켜 표면적 문제 해결에 집착하는 '녹색 체크마크 증후군'을 초래할 수 있다는 역설적 한계를 분명히 지적합니다 [23, 24, 26].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-18*
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-46B173
|
||||
category: "[[10_Wiki/💡 Topics/Graphics & Performance]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - ANGLE (Almost Native Graphics Layer Engine)"
|
||||
---
|
||||
|
||||
# [[ANGLE (Almost Native Graphics Layer Engine)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> ANGLE(Almost Native Graphics Layer Engine)은 주로 Windows 플랫폼의 웹 브라우저(Chrome, Firefox, Opera 등)에서 사용되는 그래픽 명령어 변환기입니다. 이 엔진은 WebGL의 OpenGL ES 호출을 Direct3D 11 또는 12 명령으로 변환하는 역할을 수행합니다 [1, 2]. 고도로 최적화되어 있지만, 변환 과정에서 각 드로우 콜(Draw call)마다 고정된 마이크로 레이턴시(Micro-latency)를 유발하는 성능적 특징이 있습니다 [1, 3].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **역할 및 플랫폼:** ANGLE은 Windows 환경에서 Chrome, Firefox, Opera와 같은 주요 브라우저가 WebGL(OpenGL ES) 호출을 Direct3D 11 또는 12로 변환할 때 사용됩니다 [1, 2].
|
||||
- **명령어 변환 오버헤드:** 이 변환 과정은 고도로 최적화되어 있음에도 불구하고, 명령어 제출(Command submission) 단계에 상당한 마이크로 레이턴시를 추가합니다 [1]. 각 드로우 콜마다 수 마이크로초(microseconds)의 고정된 오버헤드가 발생합니다 [3].
|
||||
- **성능 병목 현상:** 수천 개의 드로우 콜이 발생하는 애플리케이션의 경우 이러한 작은 오버헤드들이 누적되어, GPU가 비교적 유휴 상태임에도 불구하고 CPU가 병목의 원인이 되는 현상(death by a thousand cuts)을 초래합니다 [3].
|
||||
- **디버깅 및 우회 방법:** 개발자는 네이티브 OpenGL 구현을 테스트하기 위해 ANGLE을 우회할 수 있습니다 [2]. Chrome에서는 `--use-gl=desktop` 명령줄 인수를 사용하여 시작하고, Firefox에서는 `about:config`에서 `webgl.prefer-native-gl`을 활성화하여 우회합니다 [2]. 현재 ANGLE이 사용 중인지는 WebGL Report나 `chrome://gpu/` 페이지에서 확인할 수 있습니다 [2].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** Graphics & Performance 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[WebGL]], [[OpenGL ES]], [[Direct3D]], [[Micro-latency]], [[Draw Call]]
|
||||
- **Projects/Contexts:** [[Chrome]], [[Firefox]], [[Opera]]
|
||||
- **Contradictions/Notes:** ANGLE은 브라우저에서 원활한 그래픽 처리를 위해 도입된 고도로 최적화된 변환기이지만, 드로우 콜이 많은 환경에서는 역설적이게도 이 변환 작업 자체가 누적되어 CPU 병목을 일으키는 주된 원인이 됩니다 [3].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/ANGLE (Almost Native Graphics Layer Engine).md]]
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-26A7F5
|
||||
category: "[[10_Wiki/💡 Topics/Graphics & Performance]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Mega Batch - Wikified ANGLE"
|
||||
---
|
||||
|
||||
# [[ANGLE]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> ANGLE(Almost Native Graphics Layer Engine)은 Windows 플랫폼에서 WebGL(OpenGL ES) 명령을 Direct3D 11 또는 12로 변환해 주는 변환기(translator)입니다 [1, 2]. Chrome, Firefox, Opera와 같은 브라우저에서 널리 사용되며, 고도로 최적화되어 있음에도 불구하고 그래픽 파이프라인의 명령 제출(command submission) 단계에서 마이크로 레이턴시(micro-latency)를 유발하는 주요 원인 중 하나로 작용합니다 [1-3].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **주요 기능 및 사용 환경:** Windows 플랫폼에서 Chrome, Firefox, Opera 등의 웹 브라우저는 WebGL API의 기반이 되는 OpenGL ES 호출을 Direct3D로 번역하기 위해 ANGLE을 사용합니다 [1, 2]. 일반적인 Windows 엔드 유저들은 기본적으로 ANGLE이 활성화된 상태로 웹 브라우저를 사용하게 됩니다 [2].
|
||||
* **마이크로 레이턴시(Micro-latency) 발생:** ANGLE의 변환 프로세스는 매우 고도로 최적화되어 있으나, 여전히 각 드로우 콜(draw call)마다 수 마이크로초(microseconds) 단위의 고정된 오버헤드를 발생시킵니다 [3]. 이는 그래픽 파이프라인의 명령 제출 단계에 상당한 마이크로 레이턴시를 추가합니다 [1, 4].
|
||||
* **CPU 병목 현상 유발:** 수천 개의 드로우 콜이 발생하는 3D 애플리케이션에서는 ANGLE로 인한 미세한 오버헤드가 지속적으로 누적됩니다 [3]. 이로 인해 GPU가 비교적 유휴(idle) 상태에 있음에도 불구하고 CPU가 처리 한계에 부딪히는 "가랑비에 옷 젖는(death by a thousand cuts)" 형태의 병목 현상이 발생할 수 있습니다 [3].
|
||||
* **테스트 및 디버깅:** 개발자는 성능 프로파일링이나 네이티브 OpenGL 구현을 테스트할 목적으로 특정 브라우저 명령줄 인수(예: Chrome의 `--use-gl=desktop`)를 사용하거나 설정을 변경하여 ANGLE을 우회(bypass)할 수 있습니다 [2].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 지식 자산화 및 기존 네트워크 연동 단계.
|
||||
- **정책 변화:** Graphics & Performance 카테고리의 전문성 확보 및 링크 밀도 최적화.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[WebGL]], [[OpenGL ES]], [[Direct3D]], [[Micro-latency]]
|
||||
- **Projects/Contexts:** [[Web Graphics Pipelines]]
|
||||
- **Contradictions/Notes:** ANGLE의 변환 작업은 "고도로 최적화(highly optimized)"되어 있지만, 역설적으로 많은 드로우 콜을 요구하는 환경에서는 이 최적화된 변환 작업조차 누적되어 CPU 병목의 주요 원인이 됩니다 [3].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/ANGLE.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-03FE7E
|
||||
category: "[[10_Wiki/💡 Topics/Design & Experience]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Mega Batch - Wikified AODA-Accessibility-for-Ontarians-with-Disabilities-Act"
|
||||
---
|
||||
|
||||
# [[AODA-Accessibility-for-Ontarians-with-Disabilities-Act]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 요약 작업 진행 중
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 상세 구성 진행 중
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 지식 자산화 및 기존 네트워크 연동 단계.
|
||||
- **정책 변화:** Design & Experience 카테고리의 전문성 확보 및 링크 밀도 최적화.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/AODA-Accessibility-for-Ontarians-with-Disabilities-Act.md]]
|
||||
---
|
||||
@@ -0,0 +1,40 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-9FD5CF
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - API 응답 모델링 및 상태 머신(State Machine) 설계"
|
||||
---
|
||||
|
||||
# [[API 응답 모델링 및 상태 머신(State Machine) 설계]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> TypeScript에서 API 응답과 상태 머신을 설계할 때는 식별 가능한 유니온(Discriminated Unions) 패턴이 핵심적으로 활용된다 [1, 2]. 이 패턴은 공통 판별자(Discriminant) 속성을 통해 데이터의 다양한 상태를 구분하며, 유효하지 않은 상태가 코드에 표현되는 것을 원천적으로 차단한다 [1, 3, 4]. 결과적으로 네트워크 요청의 다양한 결과나 복잡한 UI 상태 전이를 컴파일 단계에서 안전하게 모델링하고 관리할 수 있도록 보장한다 [2, 5, 6].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **상태 머신(State Machine) 패턴 모델링**:
|
||||
애플리케이션 내의 복잡한 상태(예: `Idle`, `Fetching`, `Success`, `Failure`, `Retry` 등)는 식별 가능한 유니온을 통해 상태 머신으로 완벽하게 모델링할 수 있다 [2]. 이 방식은 폼 제출 워크플로우(예: `validating`, `submitting`, `success`, `error`)나 비동기 작업 패턴을 명확히 정의하는 데 뛰어나며, 호환되지 않는 잘못된 상태들의 조합이 발생하는 것을 원천적으로 불가능(Impossible)하게 만든다 [3, 5].
|
||||
|
||||
- **API 응답 데이터 구조화**:
|
||||
API 응답은 성공, 실패, 대기 등 여러 형태를 취할 수 있으므로 식별 가능한 유니온을 통해 구조화하는 것이 효과적이다 [2]. 예를 들어, `NetworkState`라는 유니온 타입 내에 `NetworkLoadingState`, `NetworkFailedState`, `NetworkSuccessState`를 정의하고 `state`라는 리터럴 필드를 공유 판별자로 설계할 수 있다 [6]. 컴파일러는 이 판별자를 바탕으로 `code`나 `response`와 같은 고유 페이로드(Payload) 속성에 안전하게 접근하도록 타입을 좁혀준다(Narrowing) [6, 7].
|
||||
|
||||
- **완전성 검사(Exhaustiveness Checking) 적용**:
|
||||
상태 머신과 API 응답을 분기 처리할 때 `switch` 문과 `never` 타입을 활용하면, 개발자가 실수로 누락한 상태나 새롭게 추가된 API 응답 형태가 있을 경우 TypeScript 컴파일러가 에러를 발생시킨다 [3, 7-9]. 이는 모든 분기 및 상태가 빠짐없이 처리되도록 강제하는 강력한 안전장치가 되어 런타임 버그를 방지한다 [10-12].
|
||||
|
||||
- **외부 데이터 런타임 검증과의 결합**:
|
||||
외부 API에서 전달받은 응답은 TypeScript의 컴파일 타임 시스템만으로는 런타임에서의 완벽한 안전성을 보장할 수 없다 [12, 13]. 따라서 Zod와 같은 런타임 검증 라이브러리와 식별 가능한 유니온을 결합하여 사용하면, 예기치 않은 형태의 API 데이터로 인해 상태 머신이 망가지는 것을 방어할 수 있다 [12, 13].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[식별 가능한 유니온(Discriminated Unions)]], [[완전성 검사(Exhaustiveness Checking)]], [[타입 좁히기(Type Narrowing)]]
|
||||
- **Projects/Contexts:** [[비동기 데이터 패칭(Async Data Fetching)]], [[상태 머신 기반 UI 폼 및 라우터 관리]]
|
||||
- **Contradictions/Notes:** API 응답 데이터를 변환할 때 타입 캐스팅(`as`)을 사용하면 잉여 속성이 존재하거나 형태가 잘못되어도 컴파일러가 이를 조용히 허용하여 안전성이 떨어질 수 있다. 따라서 엄격한 타입 계약을 강제하기 위해서는 `as` 대신 `satisfies` 키워드를 활용하는 것이 권장된다 [14, 15].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-18*
|
||||
- Raw Source: [[00_Raw/2026-04-20/API 응답 모델링 및 상태 머신(State Machine) 설계.md]]
|
||||
---
|
||||
@@ -0,0 +1,40 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-09EEF3
|
||||
category: "[[10_Wiki/💡 Topics/Design & Experience]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - API 응답 및 상태 모델링 (State Modeling and API Responses)"
|
||||
---
|
||||
|
||||
# [[API 응답 및 상태 모델링 (State Modeling and API Responses)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> API 응답 및 상태 모델링은 애플리케이션에서 발생할 수 있는 네트워크 통신 결과나 UI의 변화 과정을 타입 시스템을 통해 안전하고 예측 가능하게 설계하는 기법이다 [1, 2]. 이 모델링은 주로 식별 가능한 유니온(Discriminated Unions)이나 명시적인 Result 객체를 활용하여 존재해서는 안 될 유효하지 않은 상태를 원천적으로 차단한다 [3, 4]. 궁극적으로 컴파일러가 모든 가능한 응답 상태를 검사(Exhaustiveness checking)하도록 강제함으로써, 런타임 버그를 줄이고 코드의 안정성과 가독성을 높여준다 [5-7].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **식별 가능한 유니온(Discriminated Unions)을 활용한 응답 상태 구조화**
|
||||
네트워크 통신이나 API 응답은 대체로 '로딩 중(loading)', '실패(failed)', '성공(success)'과 같이 명확히 구분되는 상태를 가진다 [8]. TypeScript에서는 `kind`나 `state`와 같은 공통된 리터럴 타입 판별자(Discriminator)를 사용하여 이런 상태들을 하나로 묶어 식별 가능한 유니온으로 모델링한다 [8-10]. 이를 통해 각 상태에 불가능한 속성 조합(예: 에러 상태인데 성공 데이터가 존재하는 등)이 생성되는 것을 방지하고 타입 안정성을 확보할 수 있다 [1, 3, 5].
|
||||
|
||||
* **상태 머신(State Machine)과 워크플로우 적용**
|
||||
API 요청의 생명주기뿐만 아니라, 복잡한 폼 제출의 여러 단계(검증, 제출 중, 에러 등), 비동기 작업 패턴, 라우터 상태 또한 식별 가능한 유니온을 활용한 상태 머신으로 표현하기 적합하다 [3, 11-13]. 이 패턴을 `switch` 문과 함께 사용하면, 특정 상태가 새롭게 추가되었을 때 코드를 누락하는 실수를 방지하도록 컴파일러가 완전성 검사(Exhaustiveness checking)를 수행하여 런타임 오류를 예방한다 [5, 6, 14, 15].
|
||||
|
||||
* **예외 발생을 지양하는 Result 타입 기반 에러 모델링**
|
||||
예상 가능한 애플리케이션의 오류를 단순히 `throw`를 이용해 예외(Exception)로 던지기보다는 성공 데이터(`Ok`) 또는 에러(`Err`/`Fail`)를 나타내는 명시적인 Result 타입 객체로 감싸서 반환하는 접근 방식이 권장된다 [4, 16-18]. 이 방식은 함수 시그니처만 보아도 어떠한 오류 응답이 발생할 수 있는지 사전에 파악할 수 있게 해주며, C# 같은 언어의 API 컨트롤러에서도 철저한 오류 검증을 위해 폭넓게 활용되곤 한다 [7, 19-22].
|
||||
|
||||
* **메타데이터를 통한 API 제어 흐름 분리**
|
||||
내부 로직을 원활하게 디버깅하고 시스템의 옵저버빌리티를 높이기 위해, 응답 객체에 `_tag`와 같은 내부 식별용 메타데이터를 추가하여 상태를 정의하는 패턴도 사용된다 [23-25]. 이를 활용하면 클라이언트에서는 단순한 HTTP 상태 코드를 넘어, 각각의 메타데이터 값에 맞게 세밀한 맞춤형 제어 및 에러 처리를 수행할 수 있다 [25].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** Design & Experience 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[식별 가능한 유니온 (Discriminated Unions)]], [[완전성 검사 (Exhaustiveness checking)]], [[Result 타입 (Result Type)]]
|
||||
- **Projects/Contexts:** [[상태 머신 (State Machine)]], [[오류 처리 아키텍처 (Error Handling Architecture)]]
|
||||
- **Contradictions/Notes:** API나 시스템의 에러 응답을 모델링할 때 'Result 타입'을 사용하는 방식에 대해 개발자 간의 이견이 존재한다. 예상된 실패를 Result로 강제 반환하면 실행 흐름이 예측 가능해진다는 찬성 측 주장이 있는 반면, 전역 예외 처리기(Global Exception Handler)를 사용하는 쪽이 예외를 단순히 위로 올려보낼 수 있어 불필요한 보일러플레이트 코드 및 과도한 제어 흐름 분기(`switch`문 등)를 줄이고 컨트롤러를 더 깔끔하게 유지할 수 있다는 반대 주장도 팽팽하게 맞선다 [7, 20, 26-31].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-18*
|
||||
- Raw Source: [[00_Raw/2026-04-20/API 응답 및 상태 모델링 (State Modeling and API Responses).md]]
|
||||
---
|
||||
@@ -0,0 +1,37 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-B2F9C0
|
||||
category: "[[10_Wiki/💡 Topics/Programming & Language]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - API 응답 및 에러 핸들링 아키텍처"
|
||||
---
|
||||
|
||||
# [[API 응답 및 에러 핸들링 아키텍처]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> API 응답 및 에러 핸들링 아키텍처는 시스템 내에서 발생하는 에러를 예상 가능한 것과 그렇지 않은 것으로 구분하고, 이를 클라이언트에게 일관되고 예측 가능한 형태로 전달하기 위한 설계 방식입니다. 주로 '예외 던지기(throw exceptions)' 대신 명시적인 결과 객체(Result 타입)나 식별 가능한 유니온(Discriminated Unions)을 활용하여 타입 안전성을 확보하고, 컨트롤러 계층에서 응답의 제어 흐름을 명확히 관리하는 것을 목표로 합니다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **에러의 분류와 처리 철학**
|
||||
에러는 애플리케이션 관점에서 '예상 가능한 에러(Expected errors)'와 '예상치 못한 에러(Unexpected errors/Defects)'로 나뉩니다 [1, 2]. 400 Bad Request나 504 Gateway Timeout 같은 예상 가능한 에러는 예외(Exception)로 던지기보다는 명시적인 에러 타입으로 반환하여 시스템이 복구 가능하도록 제어해야 합니다 [1].
|
||||
* **Result 패턴을 통한 명시적 에러 반환**
|
||||
에러 발생 시 무분별하게 예외를 던지면 제어 흐름을 파악하기 어렵고 타입 시스템에서 반환 타입을 명확히 알 수 없습니다 [3]. 이를 해결하기 위해 함수형 프로그래밍 언어에서 영감을 받은 `Result` 타입(예: `neverthrow` 라이브러리의 `Ok`, `Err`)을 사용하여, 함수가 어떤 에러를 발생시킬 수 있는지 명시적으로 선언하는 방식이 권장됩니다 [4-6]. 이 방식을 통해 컴파일러 수준에서 모든 에러 상황을 처리하도록 강제할 수 있습니다 [7].
|
||||
* **식별 가능한 유니온(Discriminated Unions)을 이용한 응답 모델링**
|
||||
API 응답을 다룰 때는 식별 가능한 유니온을 활용하는 것이 이상적입니다 [8, 9]. 응답 객체에 `status: "success"`나 `status: "error"`와 같은 공통 속성(판별자)을 두어 성공 시에는 데이터(data)를, 에러 시에는 에러 메시지(error)를 포함하도록 모델링하면, TypeScript의 완전성 검사(Exhaustiveness Checking)를 통해 처리되지 않은 상태가 없도록 컴파일 시점에 검증할 수 있습니다 [8, 9].
|
||||
* **메타데이터 활용과 컨트롤러 중심의 제어 흐름**
|
||||
응답 객체에 `_tag`와 같은 메타데이터 속성을 포함하여 내부 로직 및 응답 객체를 구분하면, 마이크로서비스 및 클라이언트 환경 간에 일관된 제어 흐름을 제공할 수 있습니다 [10, 11]. 또한 컨트롤러는 요청과 응답의 모든 흐름을 관리해야 하며, 전역 Catch-all 미들웨어는 비즈니스 로직의 제어 흐름을 담당하는 대신 오직 예상치 못한 결함을 처리하고 개발자에게 알리는 용도로만 사용해야 합니다 [12, 13].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** Programming & Language 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[Result Type]], [[Discriminated Unions]], [[Exception Handling]]
|
||||
- **Projects/Contexts:** [[TypeScript API Development]], [[Server Architecture]]
|
||||
- **Contradictions/Notes:** 전역 예외 처리기(Global Exception Handler)를 두고 컨트롤러에서 예외를 발생시키는 방식이 코드가 깔끔해진다고 선호하는 개발자들도 있지만, Result 패턴을 지지하는 개발자들은 예외를 던지는 방식이 제어 흐름을 끊고 타입 시스템으로 에러를 파악할 수 없게 하므로 예상 가능한 에러는 명시적인 타입으로 반환해야 한다고 반대합니다 [7, 14-16].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-18*
|
||||
- Raw Source: [[00_Raw/2026-04-20/API 응답 및 에러 핸들링 아키텍처.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-662214
|
||||
category: "[[10_Wiki/💡 Topics/Software Architecture]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Mega Batch - Wikified API-Contract-Definition"
|
||||
---
|
||||
|
||||
# [[API-Contract-Definition]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 요약 작업 진행 중
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 상세 구성 진행 중
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 지식 자산화 및 기존 네트워크 연동 단계.
|
||||
- **정책 변화:** Software Architecture 카테고리의 전문성 확보 및 링크 밀도 최적화.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/API-Contract-Definition.md]]
|
||||
---
|
||||
@@ -0,0 +1,42 @@
|
||||
---
|
||||
id: P-REINFORCE-E43C2B
|
||||
category: "[[10_Wiki/💡 Topics/Software Architecture]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Mega Batch - Wikified API-First Architecture"
|
||||
---
|
||||
|
||||
# [[API-First Architecture]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> **API-First Architecture**는 애플리케이션 프로그래밍 인터페이스(API)를 시스템의 최우선 제품으로 취급하는 소프트웨어 설계 방식입니다 [1]. 제품을 먼저 구축하고 나중에 API를 덧붙이는 대신, API의 설계와 문서화부터 개발을 시작합니다 [1]. 이러한 계약 우선(contract-first) 방법론을 통해 API의 일관성과 재사용성을 보장하며, 프론트엔드와 백엔드 개발 팀이 분리되어 병렬로 효율적인 작업을 진행할 수 있도록 지원합니다 [1, 2].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **작동 방식 및 주요 원칙**
|
||||
* **계약 주도 개발 (Contract-Driven Development):** 개발 팀들은 OpenAPI나 AsyncAPI와 같은 사양을 사용하여 엔드포인트, 데이터 모델, 인증 방법 등을 명시한 API 계약(contract)에 동의합니다 [3]. 이렇게 정의된 사양은 이후의 모든 개발 및 통합 작업의 명확한 지침이 됩니다 [3].
|
||||
* **독립적인 개발 주기:** API 계약이 정의되면, 프론트엔드 팀은 모의(Mocked) 버전의 API를 기반으로 즉시 UI 개발과 테스트를 진행할 수 있고, 동시에 백엔드 팀은 실제 비즈니스 로직을 구현할 수 있어 개발 주기가 효과적으로 분리됩니다 [2, 3].
|
||||
* **일관된 클라이언트 경험 제공:** 웹 프론트엔드, 모바일 앱, 서드파티 서비스 등 모든 클라이언트를 위한 중앙 통합 지점 역할을 수행하여, API 소비주체들에게 일관되고 예측 가능한 경험을 보장합니다 [1, 3].
|
||||
|
||||
* **실행 가능한 구현 팁 (Actionable Implementation Tips)**
|
||||
* **API 사양 언어 사용:** REST 아키텍처의 경우 OpenAPI, 이벤트 주도 아키텍처의 경우 AsyncAPI와 같은 표준화된 사양을 사용하여 명확하고 기계가 읽을 수 있는 계약을 생성해야 합니다 [4].
|
||||
* **코드 및 문서 자동 생성:** API 사양 파일에서 직접 서버 스텁(stubs), 클라이언트 SDK 및 대화형 문서를 자동으로 생성하는 도구를 활용하면 수동 작업을 줄이고 문서가 구식이 되는 것을 방지할 수 있습니다 [4].
|
||||
* **병렬 개발을 위한 API 모킹(Mocking):** Postman이나 Stoplight 같은 도구를 사용하여 사양에 기반한 기능적인 모의 서버(Mock server)를 생성해야 합니다 [4]. 이는 프론트엔드 개발자의 작업 병목을 해소하고 조기 테스트와 피드백을 가능하게 합니다 [4].
|
||||
|
||||
* **이상적인 활용 사례 및 기대 효과**
|
||||
* 공개 API(Public APIs) 환경, 다중 팀의 통합이 필요한 프로젝트, 프론트엔드와 백엔드의 병렬 작업이 요구되는 현대적인 분산 시스템에 가장 이상적인 아키텍처입니다 [2, 5].
|
||||
* 명확한 계약의 확립, 병렬 개발을 통한 속도 향상, 더 나은 문서화를 도출할 수 있습니다 [5].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 지식 자산화 및 기존 네트워크 연동 단계.
|
||||
- **정책 변화:** Software Architecture 카테고리의 전문성 확보 및 링크 밀도 최적화.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[Contract-Driven Development]], [[OpenAPI]], [[AsyncAPI]]
|
||||
- **Projects/Contexts:** [[Stripe]], [[Twilio]] (이 철학으로 잘 문서화된 API를 구축하여 비즈니스를 성장시킨 대표적인 기업 사례 [3])
|
||||
- **Contradictions/Notes:** 소스 내에 상충되는 주장은 존재하지 않습니다. 다만, 이 구조의 구현 복잡성은 '중간(Medium)' 수준이며, 성공적인 도입과 유지를 위해서는 스펙 우선(spec-first)의 규율과 명확한 거버넌스가 요구된다고 명시하고 있습니다 [5].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-18*
|
||||
- Raw Source: [[00_Raw/2026-04-20/API-First Architecture.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-7482EF
|
||||
category: "[[10_Wiki/💡 Topics/Software Architecture]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Mega Batch - Wikified API-First-Design"
|
||||
---
|
||||
|
||||
# [[API-First-Design]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 요약 작업 진행 중
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 상세 구성 진행 중
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 지식 자산화 및 기존 네트워크 연동 단계.
|
||||
- **정책 변화:** Software Architecture 카테고리의 전문성 확보 및 링크 밀도 최적화.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/API-First-Design.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AEB866
|
||||
category: "[[10_Wiki/💡 Topics/Game Design]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Mega Batch 2 - Wikified ARG-Alternate-Reality-Games"
|
||||
---
|
||||
|
||||
# [[ARG-Alternate-Reality-Games]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 작업 중
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 지식 자산화 및 기존 네트워크 연동 단계.
|
||||
- **정책 변화:** Game Design 카테고리의 전문성 확보 및 링크 밀도 최적화.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/ARG-Alternate-Reality-Games.md]]
|
||||
---
|
||||
@@ -0,0 +1,17 @@
|
||||
# [[ASP.NET Core]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
ASP.NET Core는 내장된 의존성 주입(DI) 컨테이너를 제공하여 소프트웨어의 의존성 역전 원칙 구현을 돕는 프레임워크입니다 [1]. 웹 애플리케이션 개발 시 클린 아키텍처를 적용하여 비즈니스 로직을 프레임워크나 데이터베이스로부터 분리된 구조로 개발할 수 있게 해줍니다 [2]. 다만, 주제를 깊이 있게 다루기에는 소스에 관련 정보가 부족합니다.
|
||||
|
||||
## 📖 Core Content
|
||||
- **의존성 역전 원칙(DIP)의 구현 지원**: ASP.NET Core는 내장된 의존성 주입(Dependency Injection) 컨테이너를 포함하고 있습니다 [1]. 이를 통해 소프트웨어 컴포넌트 간의 결합을 분리(decoupling)하고, 객체 지향 설계의 핵심인 의존성 역전 원칙(Dependency Inversion Principle)을 훨씬 수월하게 구현할 수 있도록 지원합니다 [1].
|
||||
- **클린 아키텍처(Clean Architecture) 기반의 웹 애플리케이션**: ASP.NET Core 앱을 통해 견고하고 구조화된 코딩 패턴을 가진 웹 애플리케이션을 구축할 수 있습니다 [2]. Controller, Service(또는 Use case), Domain model, Infrastructure와 같은 명확한 계층(Layer)을 사용하여 비즈니스 연산이 특정 웹 프레임워크나 데이터베이스 기술에 강하게 종속되는 것을 방지합니다 [2].
|
||||
- **소스 정보의 한계**: ASP.NET Core 프레임워크 자체의 전반적인 기능이나 구동 방식 등에 대해서는 소스에 관련 정보가 부족합니다.
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[Dependency Inversion Principle]], [[Clean Architecture]], [[Dependency Injection]]
|
||||
- **Projects/Contexts:** [[Web Applications]]
|
||||
- **Contradictions/Notes:** 소스 간의 모순은 없으나, ASP.NET Core라는 루트 주제를 포괄적으로 설명하기에는 제공된 소스에 관련 정보가 부족합니다. 소스에서는 주로 소프트웨어 아키텍처 패턴의 유용한 적용 사례 중 하나로만 짧게 언급하고 있습니다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-18*
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-761015
|
||||
category: "[[10_Wiki/💡 Topics/Programming & Web]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Mega Batch 2 - Wikified ASP.NET Core"
|
||||
---
|
||||
|
||||
# [[ASP.NET Core]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> ASP.NET Core는 내장된 의존성 주입(DI) 컨테이너를 제공하여 소프트웨어의 의존성 역전 원칙 구현을 돕는 프레임워크입니다 [1]. 웹 애플리케이션 개발 시 클린 아키텍처를 적용하여 비즈니스 로직을 프레임워크나 데이터베이스로부터 분리된 구조로 개발할 수 있게 해줍니다 [2]. 다만, 주제를 깊이 있게 다루기에는 소스에 관련 정보가 부족합니다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **의존성 역전 원칙(DIP)의 구현 지원**: ASP.NET Core는 내장된 의존성 주입(Dependency Injection) 컨테이너를 포함하고 있습니다 [1]. 이를 통해 소프트웨어 컴포넌트 간의 결합을 분리(decoupling)하고, 객체 지향 설계의 핵심인 의존성 역전 원칙(Dependency Inversion Principle)을 훨씬 수월하게 구현할 수 있도록 지원합니다 [1].
|
||||
- **클린 아키텍처(Clean Architecture) 기반의 웹 애플리케이션**: ASP.NET Core 앱을 통해 견고하고 구조화된 코딩 패턴을 가진 웹 애플리케이션을 구축할 수 있습니다 [2]. Controller, Service(또는 Use case), Domain model, Infrastructure와 같은 명확한 계층(Layer)을 사용하여 비즈니스 연산이 특정 웹 프레임워크나 데이터베이스 기술에 강하게 종속되는 것을 방지합니다 [2].
|
||||
- **소스 정보의 한계**: ASP.NET Core 프레임워크 자체의 전반적인 기능이나 구동 방식 등에 대해서는 소스에 관련 정보가 부족합니다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 지식 자산화 및 기존 네트워크 연동 단계.
|
||||
- **정책 변화:** Programming & Web 카테고리의 전문성 확보 및 링크 밀도 최적화.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[Dependency Inversion Principle]], [[Clean Architecture]], [[Dependency Injection]]
|
||||
- **Projects/Contexts:** [[Web Applications]]
|
||||
- **Contradictions/Notes:** 소스 간의 모순은 없으나, ASP.NET Core라는 루트 주제를 포괄적으로 설명하기에는 제공된 소스에 관련 정보가 부족합니다. 소스에서는 주로 소프트웨어 아키텍처 패턴의 유용한 적용 사례 중 하나로만 짧게 언급하고 있습니다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-18*
|
||||
- Raw Source: [[00_Raw/2026-04-20/ASP.NET Core.md]]
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-7DEA60
|
||||
category: "[[10_Wiki/💡 Topics/Programming & Language]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - AST (추상 구문 트리)"
|
||||
---
|
||||
|
||||
# [[AST (추상 구문 트리)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> AST(추상 구문 트리)는 소스 코드를 파싱하여 얻어지는 코드의 추상적인 구문 및 문법적 구조를 표현하는 트리 형태의 데이터 구조입니다 [1, 2]. 이는 코드의 구문적 특성과 어휘적 특성을 보존하지만, 띄어쓰기나 들여쓰기와 같은 레이아웃(Layout) 특성은 캡처하지 못한다는 특징을 지닙니다 [2, 3]. AST는 코드 스타일을 분석하는 코드 문체론(Code Stylometry)이나 코드를 실행하지 않고 취약점을 탐지하는 정적 애플리케이션 보안 테스트(SAST) 등 다양한 소스 코드 분석 기술의 핵심적인 기반 모델로 활용됩니다 [2, 4].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **구조적 특성 및 추상화:** AST는 소스 코드를 구문 분석(Parsing)하여 프로그램의 문법적 구조를 트리로 모델링하여 생성됩니다 [4]. 구체 구문 트리(CST)와 비교했을 때 AST는 들여쓰기, 공백 등의 코드 레이아웃 특성을 생략하고 추상화합니다 [2]. 따라서 코드를 포맷팅하여 간격을 변경하거나 철저히 재들여쓰기(re-indent)를 수행하더라도 구문 분석 후에는 구조가 동일한 AST가 도출됩니다 [3].
|
||||
* **정적 애플리케이션 보안 테스트(SAST)에서의 활용:** SAST 도구는 프로그램의 구조와 구문을 평가할 때 소스 코드를 파싱하여 AST를 구축합니다 [4]. 구축된 AST 구조 위에서 다양한 분석 기법을 적용함으로써, 코드를 실제 실행하지 않고도 코딩 실수, 보안 취약점 및 성능 병목 현상과 같은 잠재적 문제들을 찾아냅니다 [4].
|
||||
* **코드 문체론(Code Stylometry) 및 작성자 식별:** 기계 학습 기반의 코드 문체론에서 AST는 개발자가 언어의 문법 구조를 어떻게 조직화하는지 나타내는 구문적 특징(Syntactic features)을 추출하는 수단으로 사용됩니다 [2]. AST 노드의 조합이나 노드 유형 기반의 특징들은 소스 코드 및 실행 파일로부터 작성자를 식별하는 강력한 지표로 활용됩니다 [5, 6].
|
||||
* **린팅(Linting) 등 도구에서의 활용:** 정적 분석을 돕는 ESLint와 같은 도구에서도 AST가 활용됩니다. 예를 들어 `eslint-plugin-jsx-a11y` 플러그인은 JSX 구조 내의 접근성 문제에 대하여 즉각적인 AST 린팅 피드백을 제공하여 개발자를 돕습니다 [7]. 또한, 디컴파일된 바이너리를 `Joern`과 같은 도구를 통해 파싱하여 AST를 구성한 뒤 다양한 코드 특징을 추출할 수도 있습니다 [6].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** Programming & Language 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[CST (구체 구문 트리)]], [[SAST (정적 애플리케이션 보안 테스트)]], [[Code Stylometry (코드 문체론)]]
|
||||
- **Projects/Contexts:** [[ESLint]], [[Joern]]
|
||||
- **Contradictions/Notes:** 소스에 따르면 코드 작성자 식별(Authorship Attribution) 작업 시 AST 모델만을 사용하면 들여쓰기나 공백 등 개인의 레이아웃 코딩 스타일이 캡처되지 않는 한계가 있습니다 [2]. 실제로 실험 결과, AST 기반 접근 방식보다 이러한 레이아웃 요소를 포함하는 CST(구체 구문 트리)를 사용할 때 작성자 식별 정확도가 눈에 띄게(약 17%) 향상되는 것으로 나타납니다 [8, 9].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-18*
|
||||
- Raw Source: [[00_Raw/2026-04-20/AST (추상 구문 트리).md]]
|
||||
---
|
||||
@@ -0,0 +1,37 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-C7BE0D
|
||||
category: "[[10_Wiki/💡 Topics/Programming & Language]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - AST(Abstract Syntax Tree)"
|
||||
---
|
||||
|
||||
# [[AST(Abstract Syntax Tree)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> AST(Abstract Syntax Tree, 추상 구문 트리)는 소스 코드를 파싱하여 프로그래밍 언어의 문법적 구조를 트리 형태로 표현한 데이터 구조입니다. 공백이나 들여쓰기 같은 표면적인 레이아웃 정보는 배제하고 본질적인 구문 특징과 알고리즘 구조만을 보존하는 것이 특징입니다 [1]. 주로 SAST(정적 애플리케이션 보안 테스트), 린팅(Linting), 그리고 코드 작성자를 식별하는 코드 스타일로메트리(Code Stylometry) 분야에서 코드를 분석하는 핵심 기반으로 사용됩니다 [1, 2].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **AST의 구조적 특징 및 CST와의 차이**
|
||||
AST는 소스 코드를 구문 분석(Parsing)하여 만들어지며, 컴파일러나 분석 도구가 코드를 이해하는 추상적인 뼈대 역할을 합니다 [1, 2]. 코드의 들여쓰기나 줄 바꿈 등 레이아웃 속성을 철저히 보존하는 CST(Concrete Syntax Tree)와 달리, AST는 이러한 레이아웃 특징을 무시합니다 [1, 3]. 따라서 코드를 포맷팅하거나 여백을 크게 수정하더라도 구문이 동일하다면 파싱 후 생성되는 AST의 구조는 변하지 않습니다 [3].
|
||||
|
||||
* **정적 분석(Static Analysis) 및 보안 스캐닝에서의 역할**
|
||||
소프트웨어의 취약점을 찾는 SAST 도구들은 소스 코드를 실행하지 않고 파싱하여 AST를 구축한 뒤, 여기에 다양한 분석 기법을 적용하여 코드의 논리적 오류와 보안 문제를 탐지합니다 [2]. 또한, `eslint-plugin-jsx-a11y`와 같은 린터 플러그인들은 AST를 기반으로 정적 검사를 수행해 코드 오류에 대한 즉각적인 피드백을 제공합니다 [4]. AI를 활용한 코드 리뷰 시스템 역시 조건문, 루프, try-catch 구조 등의 AST 노드 수를 인지하는 방식으로 코드의 구조적 복잡도를 계산합니다 [5].
|
||||
|
||||
* **코드 스타일로메트리(작성자 식별)에서의 활용**
|
||||
기계학습을 활용해 소스 코드의 작성자를 추적하는 '코드 스타일로메트리' 연구에서 AST는 작성자 고유의 구문적(Syntactic) 특성을 추출하는 표준적인 표현 방식으로 사용됩니다 [1, 6]. 작성자가 선호하는 문법 구조, 노드의 바이그램(bigram), 트리 전체의 노드 수, 너비와 깊이 등 AST 기반의 특징들은 표면적인 타이포그래피나 변수명보다 위조하기가 훨씬 어려워 작성자의 고유한 알고리즘적 특징을 포착하는 데 매우 중요하게 활용됩니다 [7-9].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** Programming & Language 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[CST(Concrete Syntax Tree)]], [[정적 애플리케이션 보안 테스트(SAST)]], [[코드 스타일로메트리(Code Stylometry)]], [[정적 분석(Static Analysis)]]
|
||||
- **Projects/Contexts:** [[기계학습 기반의 소스 코드 저자 식별 연구]], [[AI 기반 코드 복잡도 분석(카카오)]], [[정적 보안 취약점 스캐닝 파이프라인]]
|
||||
- **Contradictions/Notes:** AST 기반의 분석은 작성자의 본질적인 프로그래밍 구조를 파악하고 위조 공격에 강하다는 장점이 있지만, 공백이나 들여쓰기 등 개발자의 개성이 묻어나는 '레이아웃 특징'을 담지 못합니다. 이로 인해 소스 코드 작성자 식별 실험에서 AST 기반 모델(51.00%)은 레이아웃 정보까지 포함하는 CST 기반 모델(67.86%)에 비해 상대적으로 낮은 정확도를 보였습니다 [10, 11].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/AST(Abstract Syntax Tree).md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-7C91FA
|
||||
category: "[[10_Wiki/💡 Topics/Design & Experience]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - AST-Manipulation-Techniques"
|
||||
---
|
||||
|
||||
# [[AST-Manipulation-Techniques]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** Design & Experience 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/AST-Manipulation-Techniques.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-8D040C
|
||||
category: "[[10_Wiki/💡 Topics/Programming & Tools]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Mega Batch 2 - Wikified AST-based-Static-Analysis"
|
||||
---
|
||||
|
||||
# [[AST-based-Static-Analysis]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 작업 중
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 지식 자산화 및 기존 네트워크 연동 단계.
|
||||
- **정책 변화:** Programming & Tools 카테고리의 전문성 확보 및 링크 밀도 최적화.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/AST-based-Static-Analysis.md]]
|
||||
---
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: P-REINFORCE-CODING-001
|
||||
category: "[[10_Wiki/💡 Topics/Coding]]"
|
||||
confidence_score: 0.92
|
||||
tags: [coding, ast, compiler]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "batch-reinforce-01"
|
||||
---
|
||||
|
||||
# [[Abstract Syntax Tree Traversal]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 소스 코드의 추상적인 구조를 정의된 규칙에 따라 탐색하며 변환 및 분석의 기틀을 마련하는 컴파일러의 핵심 여정.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 비지터 패턴(Visitor Pattern)을 활용하여 데이터 구조와 알고리즘을 분리하고 트리 노드를 순회하는 재귀적 처리 패턴.
|
||||
- **세부 내용:**
|
||||
- 전위/중위/후위 순회를 통한 코드 분석 시점 최적화.
|
||||
- 정적 분석 및 린팅(Linting) 툴의 기초 로직 제공.
|
||||
- 리팩토링 및 코드 자동 생성 도구의 엔진 역할.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순 텍스트 기반 검색과 달리 문맥(Context)을 이해하는 구조적 접근의 필수성 강조.
|
||||
- **정책 변화:** 코딩 표준(w1) 강화에 따라 AST 기반 자동 수정 가중치 상향.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent:** [[10_Wiki/💡 Topics/Coding]]
|
||||
- **Related:** [[CST]], [[Parser]], [[Visitor-Pattern]]
|
||||
- **Raw Source:** [[00_Raw/2026-04-20/Abstract-Syntax-Tree-Traversal.md]]
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-1151FA
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - A_B-Testing-Platforms"
|
||||
---
|
||||
|
||||
# [[A_B-Testing-Platforms]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/A_B-Testing-Platforms.md]]
|
||||
---
|
||||
@@ -0,0 +1,37 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-696634
|
||||
category: "[[10_Wiki/💡 Topics/Programming & Language]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 9 - Wikified Abstract Syntax Tree (AST)"
|
||||
---
|
||||
|
||||
# [[Abstract Syntax Tree (AST)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 추상 구문 트리(AST, Abstract Syntax Tree)는 소스 코드를 파싱(Parsing)한 후 해당 언어의 문법적 구조를 계층적으로 표현한 트리 형태의 데이터 구조입니다 [1, 2]. 구체적 구문 트리(CST)와 달리 여백, 들여쓰기, 주석 등과 같은 레이아웃 및 스타일적 요소를 추상화하여 배제하며, 주로 소스 코드의 구문(syntax) 및 일부 어휘(lexical)적 특징만을 보존합니다 [1, 3, 4]. 이러한 특성 덕분에 주로 정적 애플리케이션 보안 테스트(SAST) 도구에서 오류를 분석하거나, 기계 학습을 통한 코드 저자 식별(Code Stylometry) 모델에서 코드를 표현하는 핵심 기반으로 폭넓게 활용됩니다 [1, 2, 5].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **AST의 기본 구조와 특징:**
|
||||
AST는 소스 코드를 구문 분석하여 생성되며, 개발자가 언어의 문법 구조를 어떻게 조직했는지를 나타냅니다 [1]. 코드 내에서 들여쓰기를 재조정하는 등 레이아웃이나 시각적 형태를 변경하는 소스 대 소스(source-to-source) 변환이 발생하더라도, 파싱 후 생성되는 AST의 구조는 동일하게 유지됩니다 [3]. 전처리 과정을 거친 AST 표현에서는 기본적으로 주석이나 지시어(directives)가 포함되지 않으며, 매크로 역시 확장되지 않은 상태로 맵핑됩니다 [4]. 또한, Eclipse와 같은 환경에서 AST 노드는 단순한 1대1 매핑 구조가 아니라, 구문적 역할에 따라 여러 AST 인터페이스를 다중으로 구현하는 등 복잡한 클래스 계층(다형성) 구조를 띠게 됩니다 [6].
|
||||
|
||||
* **정적 애플리케이션 보안 테스트(SAST)에서의 활용:**
|
||||
정적 분석 기술은 프로그램을 실행하지 않고 소스 코드 자체를 평가하는 데 사용됩니다. 이 과정에서 SAST 도구들은 소스 코드를 파싱하여 추상 구문 트리(AST)를 구축합니다 [2]. 구축된 AST를 기반으로 다양한 분석 기법을 적용하여 코딩 실수, 보안 취약점, 성능 병목 현상 등 잠재적인 문제를 탐지해 냅니다 [2].
|
||||
|
||||
* **코드 스타일로메트리(저자 식별)에서의 역할:**
|
||||
코드의 저자를 자동 식별하는 기계 학습 기반의 코드 스타일로메트리(Code Stylometry) 연구에서 AST는 소스 코드를 표현하는 주요 수단으로 쓰입니다 [1, 5]. AST는 레이아웃적 특징을 포착하지는 못하지만, 개발자 특유의 추상적인 구문적 특징과 본질적인 코딩 스타일을 추출하는 데 탁월합니다 [7]. 실제 연구에 따르면, 파싱된 코드의 AST 노드 유형의 유니그램(unigram) 빈도나 가능한 모든 AST 노드 바이그램(bigram)의 tf-idf 값 등은 특정 프로그래머를 식별하는 데 매우 강력하고 핵심적인 특징(Feature)으로 작용하는 것으로 보고되었습니다 [5, 8].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 문서로, 기존 정보와의 충돌 분석 예정.
|
||||
- **정책 변화:** Programming & Language 카테고리의 지식 연결망 강화를 위한 표준 위키화 적용.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[Concrete Syntax Tree (CST)]], [[Static Application Security Testing (SAST)]], [[Code Stylometry]], [[Parsing]]
|
||||
- **Projects/Contexts:** [[기계 학습 기반 저자 식별 (Machine Learning-based Code Stylometry)]], [[Eclipse C/C++ Development Tools (CDT)]], [[코드 정적 분석 도구]]
|
||||
- **Contradictions/Notes:** 소스 코드의 본질적이고 구문적인 스타일을 분석하는 데는 AST가 핵심적으로 사용되지만, 코드의 들여쓰기, 공백과 같은 시각적 레이아웃 특징을 담아내지는 못합니다. 따라서 포맷팅이나 난독화 등이 프로그래머의 식별 가능성에 미치는 영향을 분석해야 할 경우에는 AST보다는 이를 모두 포함하는 구체적 구문 트리(CST)를 사용하는 것이 더 효과적이라는 지적이 있습니다 [1, 3, 7].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/Abstract Syntax Tree (AST).md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-E03D74
|
||||
category: "[[10_Wiki/💡 Topics/Design & Experience]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Abstract-Syntax-Tree-Transformation"
|
||||
---
|
||||
|
||||
# [[Abstract-Syntax-Tree-Transformation]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** Design & Experience 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Abstract-Syntax-Tree-Transformation.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-18B63D
|
||||
category: "[[10_Wiki/💡 Topics/Design & Experience]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Abstract-Syntax-Tree-Traversal"
|
||||
---
|
||||
|
||||
# [[Abstract-Syntax-Tree-Traversal]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** Design & Experience 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Abstract-Syntax-Tree-Traversal.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-99D2E0
|
||||
category: "[[10_Wiki/💡 Topics/Design & Experience]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 9 - Wikified Accessibility (A11y)"
|
||||
---
|
||||
|
||||
# [[Accessibility (A11y)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
>
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 문서로, 기존 정보와의 충돌 분석 예정.
|
||||
- **정책 변화:** Design & Experience 카테고리의 지식 연결망 강화를 위한 표준 위키화 적용.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Accessibility (A11y).md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-EA31B2
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Accessibility-Compliance-Audit"
|
||||
---
|
||||
|
||||
# [[Accessibility-Compliance-Audit]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Accessibility-Compliance-Audit.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-2801A2
|
||||
category: "[[10_Wiki/💡 Topics/Design & Experience]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 10 - Wikified Accessibility-Compliance-WCAG"
|
||||
---
|
||||
|
||||
# [[Accessibility-Compliance-WCAG]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 내용 요약 예정
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
세부 본문 내용 구성 예정
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 지식 유입에 따른 기존 지식과의 정합성 검증 단계.
|
||||
- **정책 변화:** Design & Experience 분야의 체계적 지식 자산화 진행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Accessibility-Compliance-WCAG.md]]
|
||||
---
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: P-REINFORCE-DESIGN-001
|
||||
category: "[[10_Wiki/💡 Topics/Design]]"
|
||||
confidence_score: 0.94
|
||||
tags: [design, accessibility, a11y, ux]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "batch-reinforce-01"
|
||||
---
|
||||
|
||||
# [[Accessibility (A11y)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 기술적 장벽을 허물어 모든 사용자가 정보에 평등하게 접근할 수 있도록 보장하는 포괄적 설계의 핵심 원칙.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** WCAG 2.1 가이드라인을 준수하며 시각/청각/운동 능력의 제약과 관계없이 인터페이스를 인지 가능하게 만드는 접근성 수립 패턴.
|
||||
- **세부 내용:**
|
||||
- 의미론적 HTML 태그 사용 및 ARIA 속성 적용.
|
||||
- 키보드 내비게이션 및 스크린 리더 호환성 확보.
|
||||
- 텍스트 대비 및 폰트 크기 조절 등 시각적 보완 기능.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 부수적인 기능으로 여겨지던 '접근성'을 제품 설계의 근간(First-class Citizen)으로 재정의.
|
||||
- **정책 변화:** 사용자 만족도(w3)의 필수 지표로 접근성 점수를 채택.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent:** [[10_Wiki/💡 Topics/Design]]
|
||||
- **Related:** [[WCAG]], [[Inclusive-Design]], [[ARIA]]
|
||||
- **Raw Source:** [[00_Raw/2026-04-20/Accessibility (A11y).md]]
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-D19FE3
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Adaptive Compute (적응형 계산량 조절)"
|
||||
---
|
||||
|
||||
# [[Adaptive Compute (적응형 계산량 조절)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Adaptive Compute (적응형 계산량 조절).md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-A2C439
|
||||
category: "[[10_Wiki/💡 Topics/Education & AI]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 9 - Wikified Adaptive-Learning-Systems"
|
||||
---
|
||||
|
||||
# [[Adaptive-Learning-Systems]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
>
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 문서로, 기존 정보와의 충돌 분석 예정.
|
||||
- **정책 변화:** Education & AI 카테고리의 지식 연결망 강화를 위한 표준 위키화 적용.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Adaptive-Learning-Systems.md]]
|
||||
---
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: P-REINFORCE-EDUC-001
|
||||
category: "[[10_Wiki/💡 Topics/Education]]"
|
||||
confidence_score: 0.91
|
||||
tags: [education, ai, adaptive, learning]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "batch-reinforce-01"
|
||||
---
|
||||
|
||||
# [[Adaptive Learning Systems]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 학습자의 수준과 속도를 실시간으로 분석하여 개인별 최적의 학습 경로를 동적으로 제안하는 지능형 교수 시스템.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 학습 데이터를 기반으로 지식의 간극(Knowledge Gap)을 진단하고 다음 학습 콘텐츠를 추천하는 순환적 피드백 패턴.
|
||||
- **세부 내용:**
|
||||
- IRT(문항 반응 이론)를 활용한 정확한 숙련도 측정.
|
||||
- 학습 동기 유지를 위한 동적 난이도 조절.
|
||||
- 시각적 데이터 대시보드를 통한 학습 성취도 체계적 관리.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 일방향적인 주입식 교육에서 상호작용 중심의 개인화 교육으로의 전환.
|
||||
- **정책 변화:** 사용자 만족도(w3) 피드백에 따라 학습자 이탈 방지 알고리즘 우선순위 상향.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent:** [[10_Wiki/💡 Topics/Education]]
|
||||
- **Related:** [[IRT]], [[Personalized-Learning]], [[Educational-AI]]
|
||||
- **Raw Source:** [[00_Raw/2026-04-20/Adaptive-Learning-Systems.md]]
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-60E30A
|
||||
category: "[[10_Wiki/💡 Topics/Psychology & Behavior]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 9 - Wikified Addiction Neuroscience"
|
||||
---
|
||||
|
||||
# [[Addiction Neuroscience]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
>
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 문서로, 기존 정보와의 충돌 분석 예정.
|
||||
- **정책 변화:** Psychology & Behavior 카테고리의 지식 연결망 강화를 위한 표준 위키화 적용.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Addiction Neuroscience.md]]
|
||||
---
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: P-REINFORCE-PSYCH-002
|
||||
category: "[[10_Wiki/💡 Topics/Psychology]]"
|
||||
confidence_score: 0.93
|
||||
tags: [psychology, neuroscience, addiction, brain]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "batch-reinforce-01"
|
||||
---
|
||||
|
||||
# [[Addiction Neuroscience]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 보상 중추와 전두엽의 균형 파괴를 통해 행동 통제력을 상실하게 만드는 뇌 회로의 만성적 변화 과정.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 도파민 분비 과잉으로 인한 중뇌변연계 경로(Mesolimbic Pathway)의 오작동 및 전전두엽 기능 저하 패턴.
|
||||
- **세부 내용:**
|
||||
- 갈망(Craving)과 내성(Tolerance)의 생물학적 기제 규명.
|
||||
- 뇌 가소성(Neuroplasticity)을 활용한 재활 가능성 제시.
|
||||
- 유전적 소인과 환경적 요인의 복합적 상호작용 분석.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 의지력의 결핍으로 보던 시각에서 '뇌 질환(Brain Disease)' 모델로의 완전한 패러다임 전환.
|
||||
- **정책 변화:** 지식 구조(w2) 관점에서 행동 심리학과 연계하여 중독 치료 경로 제안.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent:** [[10_Wiki/💡 Topics/Psychology]]
|
||||
- **Related:** [[Dopamine]], [[Prefrontal-Cortex]], [[Neuroplasticity]]
|
||||
- **Raw Source:** [[00_Raw/2026-04-20/Addiction Neuroscience.md]]
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-E5F3BA
|
||||
category: "[[10_Wiki/💡 Topics/Design & Experience]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Additive-Type-Logic"
|
||||
---
|
||||
|
||||
# [[Additive-Type-Logic]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** Design & Experience 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Additive-Type-Logic.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-82084D
|
||||
category: "[[10_Wiki/💡 Topics/Programming & Language]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 10 - Wikified Advanced-Design-Patterns-in-TypeScript"
|
||||
---
|
||||
|
||||
# [[Advanced-Design-Patterns-in-TypeScript]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 내용 요약 예정
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
세부 본문 내용 구성 예정
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 지식 유입에 따른 기존 지식과의 정합성 검증 단계.
|
||||
- **정책 변화:** Programming & Language 분야의 체계적 지식 자산화 진행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Advanced-Design-Patterns-in-TypeScript.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-D1E81B
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Advanced-Interface-Design"
|
||||
---
|
||||
|
||||
# [[Advanced-Interface-Design]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Advanced-Interface-Design.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-AFC0C0
|
||||
category: "[[10_Wiki/💡 Topics/Security & AI]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 9 - Wikified Adversarial Attack (적대적 공격)"
|
||||
---
|
||||
|
||||
# [[Adversarial Attack (적대적 공격)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
>
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 문서로, 기존 정보와의 충돌 분석 예정.
|
||||
- **정책 변화:** Security & AI 카테고리의 지식 연결망 강화를 위한 표준 위키화 적용.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Adversarial Attack (적대적 공격).md]]
|
||||
---
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-36585B
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Adversarial Code Stylometry"
|
||||
---
|
||||
|
||||
# [[Adversarial Code Stylometry]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> Adversarial Code Stylometry(적대적 코드 문체론)는 프로그래머가 코드 문체 분석(Code Stylometry) 시스템의 추적을 우회하여 자신의 익명성을 보호하기 위해 의도적으로 코드를 변형하는 기법입니다 [1-3]. 주로 자신의 고유한 코딩 스타일을 숨기는 난독화(obfuscation)와 다른 프로그래머의 스타일을 흉내 내는 모방(mimicry) 기술을 사용합니다 [2-4]. 이는 감시와 검열에 맞서 프라이버시 향상 도구를 개발하는 오픈소스 기여자들이 신원 노출로 인한 탄압을 피하기 위한 핵심적인 방어 수단으로 연구되고 있습니다 [5-7].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **배경 및 필요성:** 인터넷 검열과 감시가 강화됨에 따라 프라이버시 향상 기술이나 검열 우회 도구를 개발하는 오픈소스 개발자들이 국가나 기관의 표적이 되는 사례가 늘고 있습니다 [5, 6, 8]. 코드 작성자의 코딩 스타일을 분석해 신원을 파악하는 소스 코드 문체론(Source Code Stylometry)은 이러한 개발자들에게 심각한 위협이 되며, 이에 대항하여 익명성을 유지할 수 있는 적대적 방어 기법이 필요해졌습니다 [7].
|
||||
* **공격 기법 (난독화 및 모방):** 적대적 코드 문체론은 크게 두 가지 접근법을 취합니다. 첫째는 자신의 식별 가능한 코딩 스타일을 모호하게 만드는 '난독화(obfuscation / masking)'이고, 둘째는 다른 특정 작가로 기계 학습 모델을 속이기 위해 의도적으로 대상의 스타일을 흉내 내는 '모방(mimicry / forgery)' 공격입니다 [2-4, 9].
|
||||
* **기존 문체 분석 시스템의 취약성:** 최첨단 소스 코드 문체 분석 시스템조차도 적대적 수정에 취약한 것으로 나타났습니다 [3, 9]. 변수 이름, 매크로, 리터럴, API 호출 등 국소적인 정보(local changes)나 표면적인 형식 변경만으로도 분류기(classifier)를 속여 다른 사람으로 오분류하게 만드는 것이 가능합니다 [10, 11].
|
||||
* **방어 지원 도구 (StyleCounsel):** 개발자가 다른 이의 스타일을 모방하고 자신의 스타일을 난독화할 수 있도록 돕는 `StyleCounsel`과 같은 시스템이 개발되었습니다 [2, 12]. 이 도구는 랜덤 포레스트(Random Forest)와 같은 기계 학습 모델의 의사 결정 트리를 분석하여, 오분류를 유도할 수 있는 구체적이고 최소한의 코드 변경 사항(예: 특정 구문의 사용 빈도 조절 등)을 사용자에게 추천합니다 [2, 13, 14].
|
||||
* **코드 포매팅을 통한 프라이버시 보호막:** Prettier나 Black 등과 같은 결정론적 코드 포매터(Formatter) 및 최소화(Minification) 도구를 적용하는 것만으로도 작성자 인식 정확도를 크게 떨어뜨릴 수 있습니다 [15, 16]. 연구에 따르면 코드 포매팅 적용 시 식별 정확도가 68%에서 53%로 하락하며, 최소화를 거치면 50%까지 떨어져 코드 문체론 분석에 대한 실질적인 프라이버시 보호막(Privacy shield) 역할을 수행합니다 [17-19].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[Code Stylometry]], [[Obfuscation]], [[Mimicry Attack]], [[StyleCounsel]]
|
||||
- **Projects/Contexts:** [[오픈소스 기여자 익명성 보장]], [[검열 우회 및 프라이버시 보호 도구 개발]]
|
||||
- **Contradictions/Notes:** Caliskan-Islam 등의 기존 연구에서는 'Stunnix'와 같은 상용 난독화 도구를 사용해도 분류기의 식별 정확도가 거의 떨어지지 않는다고 보고했습니다. 그러나 Simko 등의 적대적 연구에서는 실험 참가자들이 표면적인 수준의 변수명 교체나 국소적인 구조 변경 등 간단한 조작을 가하는 것만으로도 기계 학습 모델을 성공적으로 속일 수 있음을 입증하며 기존 분류 시스템의 취약성과 한계를 지적했습니다 [11, 20].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/Adversarial Code Stylometry.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-FE444C
|
||||
category: "[[10_Wiki/💡 Topics/Physics & Simulation]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 10 - Wikified Aerospace Flight Simulation"
|
||||
---
|
||||
|
||||
# [[Aerospace Flight Simulation]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 내용 요약 예정
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
세부 본문 내용 구성 예정
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 지식 유입에 따른 기존 지식과의 정합성 검증 단계.
|
||||
- **정책 변화:** Physics & Simulation 분야의 체계적 지식 자산화 진행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Aerospace Flight Simulation.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-E4FCEF
|
||||
category: "[[10_Wiki/💡 Topics/AI & Psychology]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 10 - Wikified Affective Computing"
|
||||
---
|
||||
|
||||
# [[Affective Computing]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 내용 요약 예정
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
세부 본문 내용 구성 예정
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 지식 유입에 따른 기존 지식과의 정합성 검증 단계.
|
||||
- **정책 변화:** AI & Psychology 분야의 체계적 지식 자산화 진행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Affective Computing.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-30D321
|
||||
category: "[[10_Wiki/💡 Topics/Design & Experience]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 10 - Wikified Affective User Interfaces (AUI)"
|
||||
---
|
||||
|
||||
# [[Affective User Interfaces (AUI)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 내용 요약 예정
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
세부 본문 내용 구성 예정
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 지식 유입에 따른 기존 지식과의 정합성 검증 단계.
|
||||
- **정책 변화:** Design & Experience 분야의 체계적 지식 자산화 진행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Affective User Interfaces (AUI).md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-72AAF4
|
||||
category: "[[10_Wiki/💡 Topics/Game Design]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 10 - Wikified Agency and Player Autonomy"
|
||||
---
|
||||
|
||||
# [[Agency and Player Autonomy]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 내용 요약 예정
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
세부 본문 내용 구성 예정
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 지식 유입에 따른 기존 지식과의 정합성 검증 단계.
|
||||
- **정책 변화:** Game Design 분야의 체계적 지식 자산화 진행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Agency and Player Autonomy.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-2E74EC
|
||||
category: "[[10_Wiki/💡 Topics/Graphics & Performance]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Agency-Narrative Integration"
|
||||
---
|
||||
|
||||
# [[Agency-Narrative Integration]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** Graphics & Performance 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Agency-Narrative Integration.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-0D4B33
|
||||
category: "[[10_Wiki/💡 Topics/Design & Experience]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Agency-in-Game-Design"
|
||||
---
|
||||
|
||||
# [[Agency-in-Game-Design]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** Design & Experience 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Agency-in-Game-Design.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-9B328D
|
||||
category: "[[10_Wiki/💡 Topics/Design & Experience]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Agent Communication Protocol (에이전트 통신 규약)"
|
||||
---
|
||||
|
||||
# [[Agent Communication Protocol (에이전트 통신 규약)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** Design & Experience 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Agent Communication Protocol (에이전트 통신 규약).md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-50111B
|
||||
category: "[[10_Wiki/💡 Topics/Simulation & Math]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 10 - Wikified Agent-Based Modeling (ABM)"
|
||||
---
|
||||
|
||||
# [[Agent-Based Modeling (ABM)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 내용 요약 예정
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
세부 본문 내용 구성 예정
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 지식 유입에 따른 기존 지식과의 정합성 검증 단계.
|
||||
- **정책 변화:** Simulation & Math 분야의 체계적 지식 자산화 진행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Agent-Based Modeling (ABM).md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-64B5F2
|
||||
category: "[[10_Wiki/💡 Topics/Psychology & Behavior]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Agent-Based Modeling"
|
||||
---
|
||||
|
||||
# [[Agent-Based Modeling]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** Psychology & Behavior 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Agent-Based Modeling.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-419E37
|
||||
category: "[[10_Wiki/💡 Topics/Psychology & Behavior]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Agent-Based-Modeling"
|
||||
---
|
||||
|
||||
# [[Agent-Based-Modeling]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** Psychology & Behavior 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Agent-Based-Modeling.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-1363FF
|
||||
category: "[[10_Wiki/💡 Topics/Design & Experience]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 10 - Wikified Agile-UX-Integration"
|
||||
---
|
||||
|
||||
# [[Agile-UX-Integration]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 내용 요약 예정
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
세부 본문 내용 구성 예정
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 지식 유입에 따른 기존 지식과의 정합성 검증 단계.
|
||||
- **정책 변화:** Design & Experience 분야의 체계적 지식 자산화 진행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Agile-UX-Integration.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-750784
|
||||
category: "[[10_Wiki/💡 Topics/Game Design]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 11 - Wikified Albion Online (Full Loot/Player-Driven Production)"
|
||||
---
|
||||
|
||||
# [[Albion Online (Full Loot/Player-Driven Production)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 작업 중
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 지식 카테고리화 및 연결성 강화.
|
||||
- **정책 변화:** Game Design 분야의 지식 자산 보호 및 네트워크 확장.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Albion Online (Full Loot_Player-Driven Production).md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-DCA70F
|
||||
category: "[[10_Wiki/💡 Topics/Programming & Language]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Albion Online (Full Loot_Player-Driven Production)"
|
||||
---
|
||||
|
||||
# [[Albion Online (Full Loot_Player-Driven Production)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** Programming & Language 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Albion Online (Full Loot_Player-Driven Production).md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-9FC7C3
|
||||
category: "[[10_Wiki/💡 Topics/Programming & Language]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 11 - Wikified Algebraic-Data-Types-in-TypeScript"
|
||||
---
|
||||
|
||||
# [[Algebraic-Data-Types-in-TypeScript]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 작업 중
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 지식 카테고리화 및 연결성 강화.
|
||||
- **정책 변화:** Programming & Language 분야의 지식 자산 보호 및 네트워크 확장.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Algebraic-Data-Types-in-TypeScript.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-A4D1B5
|
||||
category: "[[10_Wiki/💡 Topics/Computer Science & Math]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 11 - Wikified Algebraic-Data-Types"
|
||||
---
|
||||
|
||||
# [[Algebraic-Data-Types]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 작업 중
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 지식 카테고리화 및 연결성 강화.
|
||||
- **정책 변화:** Computer Science & Math 분야의 지식 자산 보호 및 네트워크 확장.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Algebraic-Data-Types.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-DEC2D9
|
||||
category: "[[10_Wiki/💡 Topics/AI & Ethics]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 11 - Wikified Algorithmic Bias in Art"
|
||||
---
|
||||
|
||||
# [[Algorithmic Bias in Art]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 작업 중
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 지식 카테고리화 및 연결성 강화.
|
||||
- **정책 변화:** AI & Ethics 분야의 지식 자산 보호 및 네트워크 확장.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Algorithmic Bias in Art.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-E80494
|
||||
category: "[[10_Wiki/💡 Topics/AI & Ethics]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 11 - Wikified Algorithmic Decision Making"
|
||||
---
|
||||
|
||||
# [[Algorithmic Decision Making]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 작업 중
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 지식 카테고리화 및 연결성 강화.
|
||||
- **정책 변화:** AI & Ethics 분야의 지식 자산 보호 및 네트워크 확장.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Algorithmic Decision Making.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-CD6723
|
||||
category: "[[10_Wiki/💡 Topics/Game Design & Math]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 11 - Wikified Algorithmic Game Theory"
|
||||
---
|
||||
|
||||
# [[Algorithmic Game Theory]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 작업 중
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 지식 카테고리화 및 연결성 강화.
|
||||
- **정책 변화:** Game Design & Math 분야의 지식 자산 보호 및 네트워크 확장.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Algorithmic Game Theory.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-243848
|
||||
category: "[[10_Wiki/💡 Topics/Sociology & Tech]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 11 - Wikified Algorithmic Governance"
|
||||
---
|
||||
|
||||
# [[Algorithmic Governance]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 작업 중
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 지식 카테고리화 및 연결성 강화.
|
||||
- **정책 변화:** Sociology & Tech 분야의 지식 자산 보호 및 네트워크 확장.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Algorithmic Governance.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-29EF85
|
||||
category: "[[10_Wiki/💡 Topics/Economics & Algorithms]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 11 - Wikified Algorithmic Mechanism Design"
|
||||
---
|
||||
|
||||
# [[Algorithmic Mechanism Design]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 작업 중
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 지식 카테고리화 및 연결성 강화.
|
||||
- **정책 변화:** Economics & Algorithms 분야의 지식 자산 보호 및 네트워크 확장.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Algorithmic Mechanism Design.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-9E51FB
|
||||
category: "[[10_Wiki/💡 Topics/Communication & Tech]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 11 - Wikified Algorithmic Rhetoric"
|
||||
---
|
||||
|
||||
# [[Algorithmic Rhetoric]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 작업 중
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 지식 카테고리화 및 연결성 강화.
|
||||
- **정책 변화:** Communication & Tech 분야의 지식 자산 보호 및 네트워크 확장.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Algorithmic Rhetoric.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-37F130
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Algorithmic-Biology"
|
||||
---
|
||||
|
||||
# [[Algorithmic-Biology]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Algorithmic-Biology.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-6BF52C
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Algorithmic-Game-Theory"
|
||||
---
|
||||
|
||||
# [[Algorithmic-Game-Theory]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Algorithmic-Game-Theory.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-DC50FE
|
||||
category: "[[10_Wiki/💡 Topics/Sociology & Tech]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Mega Batch - Wikified Algorithmic-Governance"
|
||||
---
|
||||
|
||||
# [[Algorithmic-Governance]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 요약 작업 진행 중
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 상세 구성 진행 중
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 지식 자산화 및 기존 네트워크 연동 단계.
|
||||
- **정책 변화:** Sociology & Tech 카테고리의 전문성 확보 및 링크 밀도 최적화.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Algorithmic-Governance.md]]
|
||||
---
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-891010
|
||||
category: "[[10_Wiki/💡 Topics/Programming & Language]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Allocation Timeline(할당 타임라인)"
|
||||
---
|
||||
|
||||
# [[Allocation Timeline(할당 타임라인)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> Allocation Timeline(할당 타임라인)은 Chrome 및 Edge DevTools에서 제공하는 프로파일링 도구로, 적절하게 가비지 컬렉션(Garbage Collection)되지 않고 메모리를 계속 점유하는 객체를 찾아 메모리 누수를 추적하는 데 사용됩니다 [1, 2]. 이 도구는 힙 프로파일러의 상세한 스냅샷 정보와 타임라인 패널의 점진적 추적 기능을 결합하여, 기록 중 발생하는 모든 메모리 할당을 스택 트레이스와 함께 기록합니다 [1-3]. 결과적으로 시각적인 막대(파란색 및 회색)를 통해 메모리에 남아있는 객체와 이미 수거된 객체를 구별하여 보여줍니다 [3-5].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** Programming & Language 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[Garbage Collection]], [[Memory Leak]], [[Heap Snapshot]]
|
||||
- **Projects/Contexts:** [[Chrome DevTools]], [[V8 Engine]]
|
||||
- **Contradictions/Notes:** 소스에 관련 정보가 부족합니다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/Allocation Timeline(할당 타임라인).md]]
|
||||
---
|
||||
@@ -0,0 +1,35 @@
|
||||
---
|
||||
id: P-REINFORCE-B75DFC
|
||||
category: "[[10_Wiki/💡 Topics/Memory & Systems]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Mega Batch - Wikified Allocation Timeline"
|
||||
---
|
||||
|
||||
# [[Allocation Timeline]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> **Allocation Timeline**(또는 Allocation instrumentation on timeline)은 Chrome DevTools의 Memory 패널에서 제공하는 프로파일링 도구로, 시간 경과에 따른 메모리 할당을 기록하고 추적하여 애플리케이션의 메모리 누수를 진단하는 데 사용됩니다 [1-3]. 이 도구는 힙 프로파일러(Heap Profiler)의 상세한 스냅샷 정보와 타임라인 패널의 증분 업데이트 및 추적 기능을 결합하여 객체의 생성 위치와 유지 경로(retaining path)를 실시간으로 식별할 수 있게 해줍니다 [2, 4, 5].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **동작 원리와 데이터 수집:** Allocation Timeline은 레코딩이 진행되는 동안 주기적으로(최대 50ms 단위로 자주) 힙 스냅샷을 캡처하고, 레코딩이 종료될 때 마지막 스냅샷을 한 번 더 찍어 데이터를 구성합니다 [3, 6, 7]. 할당된 각 객체에는 `@` 기호 뒤에 고유한 객체 ID가 부여되는데, 이 ID는 여러 스냅샷에 걸쳐 지속되므로 메모리 주소가 변경되더라도 힙 상태를 정확하게 비교할 수 있게 해줍니다 [6, 7].
|
||||
- **타임라인 시각화 및 막대(Bar)의 의미:** 타임라인 상단의 막대는 힙에서 새 객체가 할당된 시점과 그 크기(막대의 높이)를 나타냅니다 [3, 5, 8].
|
||||
- **파란색 막대 (Blue bars):** 타임라인 종료 시점까지 가비지 컬렉션(GC)되지 않고 메모리에 여전히 살아있는(live) 객체를 의미합니다 [1, 3, 8, 9].
|
||||
- **회색 막대 (Gray bars):** 타임라인 동안 할당되었으나 이후 가비지 컬렉터에 의해 성공적으로 수거되어 해제된 객체를 나타냅니다 [1, 3, 8, 9].
|
||||
- **메모리 누수(Memory Leak) 진단 과정:** 특정 사용자 작업(예: 할당 및 해제 버튼 클릭)을 반복할 때 **파란색 막대가 지속적으로 남는다면 이는 메모리 누수가 발생했을 가능성을 나타내는 주요 지표**입니다 [9, 10]. 분석 시 마우스를 드래그하여 특정 시간대로 확대(zoom in)하면, 해당 기간 동안 할당된 후 예상 수명을 넘겨 해제되지 않은 객체만 `Constructor` 창에 필터링하여 볼 수 있습니다 [1, 10-12].
|
||||
- **원인 식별 및 스택 트레이스 추적:** `Constructor` 창에서 특정 생성자를 클릭하면 `Retainers` 창에 해당 객체를 메모리에 유지시키는 참조 경로(retaining tree)가 표시됩니다 [11, 13]. 또한 할당된 타임라인 도구는 할당 당시의 스택 트레이스(stack trace)를 제공하므로, 개발자는 메모리 누수를 유발한 객체가 코드의 정확히 어느 부분에서 생성되었는지 파악하고 불필요한 참조를 수정할 수 있습니다 [1, 14, 15].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 지식 자산화 및 기존 네트워크 연동 단계.
|
||||
- **정책 변화:** Memory & Systems 카테고리의 전문성 확보 및 링크 밀도 최적화.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[Heap Snapshot]], [[Garbage Collection]], [[Memory Leak]], [[Retaining Path]], [[V8 Heap Architecture]]
|
||||
- **Projects/Contexts:** [[Chrome DevTools]], [[V8 Engine]]
|
||||
- **Contradictions/Notes:** 소스 전반에 걸쳐 내용의 모순은 없습니다. 다양한 소스가 일관되게 Allocation Timeline의 파란색/회색 막대의 의미와 메모리 누수를 추적하기 위한 스택 트레이스 및 Retainer 분석의 유용성을 강조하고 있습니다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/Allocation Timeline.md]]
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-25F1DA
|
||||
category: "[[10_Wiki/💡 Topics/Graphics & Performance]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Mega Batch - Wikified Alpha Blending"
|
||||
---
|
||||
|
||||
# [[Alpha Blending]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 투명하거나 반투명한 객체를 렌더링할 때 시각적 결함 없이 정확한 투명도를 표현하기 위한 렌더링 혼합 기법입니다 [1]. 올바른 알파 블렌딩 결과를 얻기 위해서는 반드시 객체를 '뒤에서 앞으로(Back-to-Front)' 순서로 정렬하여 그려야 한다는 제약이 있습니다 [1]. 그 외 알파 블렌딩의 구체적인 수학적 원리나 연산식에 대해서는 소스에 관련 정보가 부족합니다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **투명도 렌더링과 정렬의 필수성:** 투명하거나 반투명한 3D 객체에서 올바른 알파 블렌딩(Alpha Blending) 결과를 얻어내려면, 렌더링 파이프라인에서 카메라와 멀리 있는 객체부터 가까운 객체 순으로 렌더링하는 '뒤에서 앞으로(Back-to-Front)' 정렬 과정이 필수적으로 동반되어야 합니다 [1].
|
||||
- **InstancedMesh 환경에서의 구조적 한계:** 대규모 렌더링 최적화에 쓰이는 `InstancedMesh`는 단일 드로우 콜 내에서 인스턴스들의 렌더링 순서를 동적으로 변경하는 기본 기능을 제공하지 않습니다 [1]. 따라서 카메라 시점이 변할 때마다 객체 간의 앞뒤 관계가 뒤섞이게 되며, 이로 인해 알파 블렌딩이 비정상적으로 계산되어 투명도가 깨지는 시각적 결함이 발생합니다 [1].
|
||||
- **해결 방식 및 병목 현상:** 알파 블렌딩을 위한 투명도 정렬(Transparency sorting) 문제를 해결하려면 매 프레임마다 카메라와의 거리를 계산하고 버퍼 내의 행렬 데이터를 재정렬(예: Radix Sort)하는 로직을 추가해야 합니다 [1, 2]. 그러나 수만 개의 객체에 대해 이를 수행할 경우 CPU 메인 스레드에 치명적인 부하를 야기하므로 성능과 품질 사이의 타협이 필요합니다 [1].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 지식 자산화 및 기존 네트워크 연동 단계.
|
||||
- **정책 변화:** Graphics & Performance 카테고리의 전문성 확보 및 링크 밀도 최적화.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[Transparency Sorting]], [[InstancedMesh]], [[Overdraw]]
|
||||
- **Projects/Contexts:** 대규모 유리창 건물이나 투명한 숲 등 다수의 반투명 객체를 `InstancedMesh` 등을 사용하여 실시간으로 렌더링하고 최적화해야 하는 웹 그래픽스 및 게임 프로젝트 맥락 [1, 2].
|
||||
- **Contradictions/Notes:** 소스에 관련 정보가 부족합니다. (제공된 소스에서는 알파 블렌딩 자체의 개념보다는, 투명 객체 렌더링 정렬 문제의 원인으로서만 간략히 언급되고 있습니다.)
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/Alpha Blending.md]]
|
||||
---
|
||||
+25
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-4BB54E
|
||||
category: "[[10_Wiki/💡 Topics/Software Architecture]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - AlphaGo (Monte Carlo Tree Search RL)] [Autonomous Driving Simulation] [Robotic Manipulation"
|
||||
---
|
||||
|
||||
# [[AlphaGo (Monte Carlo Tree Search RL)] [Autonomous Driving Simulation] [Robotic Manipulation]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** Software Architecture 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/AlphaGo (Monte Carlo Tree Search + RL)], [Autonomous Driving Simulation], [Robotic Manipulation.md]]
|
||||
---
|
||||
+25
@@ -0,0 +1,25 @@
|
||||
[[AlphaGo (Monte Carlo Tree Search + RL)], [Autonomous Driving Simulation], [Robotic Manipulation]]
|
||||
|
||||
📌 Brief Summary
|
||||
This research intersection explores the convergence of decision-making architectures, specifically combining Monte Carlo Tree Search (MCTS) with Deep Reinforcement Learning (DRL), to solve high-dimensional sequential decision problems. The synthesis focuses on applying the strategic look-ahead capabilities of AlphaGo-style algorithms to the continuous state-action spaces found in autonomous vehicle trajectory planning and complex multi-degree-of-freedom robotic manipulation tasks within simulated environments.
|
||||
|
||||
📖 Core Content
|
||||
* **Algorithmic Foundation: MCTS + RL Integration**
|
||||
* The core innovation of AlphaGo lies in the synergy between a Policy Network (reducing the breadth of the search tree) and a Value Network (reducing the depth by evaluating leaf nodes), governed by MCTS.
|
||||
* In discrete domains like Go, MCTS provides a look-ahead mechanism that mitigates the high variance inherent in pure RL. The challenge in transferring this to robotics/driving is the transition from discrete move sets to continuous action spaces, necessitating the use of variants like AlphaZero or Progressive Widening to manage infinite branching factors.
|
||||
* **Autonomous Driving Simulation (ADS)**
|
||||
* ADS serves as a high-fidelity sandbox for testing "what-if" scenarios that are too dangerous for real-world deployment.
|
||||
* Current research focuses on integrating MCTS into motion planners to handle multi-agent interactions. While traditional RL struggles with long-horizon foresight, MCTS allows an autonomous agent to simulate the future trajectories of surrounding vehicles (predictive modeling), treating traffic interaction as a strategic game.
|
||||
* Key simulators include CARLA and NVIDIA DriveSim, which provide the necessary sensor suites (LiDAR, RGB) to train agents in a closed-loop Reinforcement Learning pipeline.
|
||||
* **Robotic Manipulation & Dexterous Control**
|
||||
* Robotic manipulation requires precise coordination of high-dimensional joint torques. The integration of MCTS allows robots to perform "mental rehearsals" of grasp trajectories before physical execution.
|
||||
* A significant trend is the use of Sim-to-Real transfer, where agents are trained in physics engines (e.g., MuJoCo, Isaac Gym) using RL to master contact-rich tasks. The addition of tree-search heuristics helps in solving "long-horizon" manipulation tasks, such as tidying a cluttered environment, where the reward signal is sparse and delayed.
|
||||
* **The Convergence: Strategic Planning in Continuous Spaces**
|
||||
* The synthesis of these fields points toward a unified framework for "Model-Based Reinforcement Learning" (MBRL). In this paradigm, the agent learns a world model (the simulator) and uses MCTS to perform planning within that learned latent space. This reduces sample complexity and improves the safety guarantees required for both autonomous driving and human-collaborative robotics.
|
||||
|
||||
🔗 Knowledge Connections
|
||||
* Related Topics: [[Model-Based Reinforcement Learning (MBRL)]], [[Sim-to-Real Transfer]], [[Multi-Agent Reinforcement Learning (MARL)]], [[Differentiable Physics Engines]]
|
||||
* Projects/Contexts: [[DeepMind AlphaZero]], [[CARLA Simulator]], [[NVIDIA Isaac Gym]], [[OpenAI Gym/Gymnasium]]
|
||||
* Contradictions/Notes: A major ongoing debate in the field is the "Computational Bottleneck": while MCTS provides superior strategic foresight, the computational cost of running tree searches in real-time for high-frequency robotic control or high-speed autonomous driving remains a significant barrier to deployment compared to reactive, end-to-end neural policies.
|
||||
|
||||
Last updated: 2026-04-16
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-5267ED
|
||||
category: "[[10_Wiki/💡 Topics/AI & Games]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Mega Batch - Wikified AlphaZero Strategy"
|
||||
---
|
||||
|
||||
# [[AlphaZero Strategy]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 요약 작업 진행 중
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 상세 구성 진행 중
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 지식 자산화 및 기존 네트워크 연동 단계.
|
||||
- **정책 변화:** AI & Games 카테고리의 전문성 확보 및 링크 밀도 최적화.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/AlphaZero Strategy.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-F8937D
|
||||
category: "[[10_Wiki/💡 Topics/Software Reliability]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Mega Batch - Wikified Amazon-AWS-Formal-Verification"
|
||||
---
|
||||
|
||||
# [[Amazon-AWS-Formal-Verification]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 요약 작업 진행 중
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 상세 구성 진행 중
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 지식 자산화 및 기존 네트워크 연동 단계.
|
||||
- **정책 변화:** Software Reliability 카테고리의 전문성 확보 및 링크 밀도 최적화.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Amazon-AWS-Formal-Verification.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-138364
|
||||
category: "[[10_Wiki/💡 Topics/Programming & Language]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Mega Batch - Wikified Ambient Contexts"
|
||||
---
|
||||
|
||||
# [[Ambient Contexts]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 요약 작업 진행 중
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 상세 구성 진행 중
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 지식 자산화 및 기존 네트워크 연동 단계.
|
||||
- **정책 변화:** Programming & Language 카테고리의 전문성 확보 및 링크 밀도 최적화.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Ambient Contexts.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-F31A94
|
||||
category: "[[10_Wiki/💡 Topics/Programming & Language]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Mega Batch - Wikified Ambient Declarations"
|
||||
---
|
||||
|
||||
# [[Ambient Declarations]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 요약 작업 진행 중
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 상세 구성 진행 중
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 지식 자산화 및 기존 네트워크 연동 단계.
|
||||
- **정책 변화:** Programming & Language 카테고리의 전문성 확보 및 링크 밀도 최적화.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Ambient Declarations.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-956995
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Ambient-Declarations"
|
||||
---
|
||||
|
||||
# [[Ambient-Declarations]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Ambient-Declarations.md]]
|
||||
---
|
||||
@@ -0,0 +1,70 @@
|
||||
[[Amdahl's Law (암달의 법칙, AI 성능의 병목)]]
|
||||
|
||||
📌 Brief Summary
|
||||
|
||||
Amdahl's Law는 어떤 시스템의 일부 성능을 개선했을 때, 전체 시스템이 얻을 수 있는 최대 성능 향상은 개선되지 않은 부분(순차적 부분)에 의해 제한된다는 법칙이다. AI 분야에서는 모델의 특정 레이어를 아무리 빠르게 만들어도, 병렬화 불가능한 계산이나 데이터 로딩 속도가 전체 추론 속도의 발목을 잡는 현상을 설명하는 데 사용된다.
|
||||
|
||||
---
|
||||
|
||||
📖 Core Content
|
||||
|
||||
## 1. 공식 및 핵심 원리
|
||||
|
||||
- **공식**: $S = \frac{1}{(1-P) + \frac{P}{N}}$
|
||||
- $S$: 전체 가속도
|
||||
- $P$: 병렬화 가능한 부분의 비율
|
||||
- $N$: 개선된 가속 배수 (예: 프로세서 개수)
|
||||
- **핵심**: 병렬화할 수 없는 **1-P(순차적 부분)**가 전체 성능의 '천장'을 결정한다.
|
||||
|
||||
---
|
||||
|
||||
## 2. AI 시스템에서의 적용
|
||||
|
||||
| 요소 | 적용 사례 | 병목 현상 |
|
||||
|------|-----------|-----------|
|
||||
| **추론 (Inference)** | GPU 코어를 수만 개 사용 | 다음 토큰 생성은 이전 토큰에 의존적이므로 '순차적'임. |
|
||||
| **훈련 (Training)** | 수천 대의 노드 연결 | 노드 간 데이터 통신(Communication) 시간이 가속의 한계를 결정. |
|
||||
| **RAG (검색 증강)** | LLM 생성 속도 향상 | 외부 데이터베이스에서 문서를 찾는 속도가 전체 답변 지연 시간 결정. |
|
||||
|
||||
---
|
||||
|
||||
## 3. 암달의 법칙과 AI의 한계
|
||||
|
||||
- **순차적 사고의 벽**: LLM의 사고 과정이 한 단계 한 단계가 이전 단계의 결과물인 경우(Chain-of-Thought), 아무리 많은 GPU를 부어도 생각의 깊이를 만드는 '시간' 자체를 비약적으로 단축하기는 어려움.
|
||||
- **Data Loading**: 연산 장치가 무한히 빨라도 스토리에서 메모리로 모델 가중치를 읽어오는 속도(Memory Bandwidth)가 병목이 됨.
|
||||
|
||||
---
|
||||
|
||||
## 4. 해결 전략: 아키텍처의 혁신
|
||||
|
||||
- **Speculative Decoding**: 지능은 낮지만 빠른 모델이 미리 미래의 토큰을 예측하게 하여, 순차 계산의 벽을 일부 무너뜨림.
|
||||
- **Pipelining**: 작업을 겹쳐서 수행함으로써 빈 공간(Idle time)을 줄임.
|
||||
- **MoE (Mixture of Experts)**: 모든 뉴런을 쓰지 않고 필요한 부분만 활성화하여 절대적인 연산량 자체를 줄임.
|
||||
|
||||
---
|
||||
|
||||
## 5. 인과관계 (기술 개선 → 새로운 병목 발견)
|
||||
|
||||
```
|
||||
[시스템의 병렬화 가능한 부분(P) 극격히 개선] (GPU 코어 증가)
|
||||
↓
|
||||
[병렬 부분의 처리 시간 소멸]
|
||||
↓
|
||||
[개선 불가능한 순차 부분(1-P)의 비중이 상대적으로 커짐]
|
||||
↓
|
||||
[전체 가속도가 정체되는 한계수익 체감 지점 도달] (암달의 벽)
|
||||
↓
|
||||
[단순 확장이 아닌 구조적 혁신(Architecture Shift) 요구]
|
||||
↓
|
||||
[결과] 컴퓨팅 자원의 비효율성을 극복하기 위한 저전력/고효율 기술의 발전 촉발
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
🔗 Knowledge Connections
|
||||
|
||||
- [[Diminishing Returns (한계 수익 체감)]], [[Scaling Laws (스케일링 법칙)]], [[MoE (Mixture of Experts)]], [[Adaptive Compute (적응형 계산량 조절)]]
|
||||
- **Projects/Contexts:** [[AI 추론 가속화 및 하드웨어 최적화]]
|
||||
- **Contradictions/Notes:**
|
||||
- **Gustafson's Law**: 암달의 법칙이 고정된 작업량에 대한 효율을 따진다면, 구스타프슨의 법칙은 가용한 자원에 맞춰 작업량을 늘리면 성능 향상이 계속될 수 있음을 시사함.
|
||||
- **신규 키워드**: `Bottleneck`, `Memory Wall`, `Bandwidth`, `Serial Processing` → 탐색 큐 추가.
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-9C64B9
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Amdahls Law (암달의 법칙)"
|
||||
---
|
||||
|
||||
# [[Amdahls Law (암달의 법칙)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Amdahl's Law (암달의 법칙).md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-4B67E4
|
||||
category: "[[10_Wiki/💡 Topics/Design & Experience]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Mega Batch - Wikified Americans-with-Disabilities-Act-ADA"
|
||||
---
|
||||
|
||||
# [[Americans-with-Disabilities-Act-ADA]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 요약 작업 진행 중
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 상세 구성 진행 중
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 지식 자산화 및 기존 네트워크 연동 단계.
|
||||
- **정책 변화:** Design & Experience 카테고리의 전문성 확보 및 링크 밀도 최적화.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Americans-with-Disabilities-Act-ADA.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-CE31D3
|
||||
category: "[[10_Wiki/💡 Topics/Psychology & Behavior]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Mega Batch - Wikified Amygdala Hyperactivity"
|
||||
---
|
||||
|
||||
# [[Amygdala Hyperactivity]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 요약 작업 진행 중
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 상세 구성 진행 중
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 지식 자산화 및 기존 네트워크 연동 단계.
|
||||
- **정책 변화:** Psychology & Behavior 카테고리의 전문성 확보 및 링크 밀도 최적화.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Amygdala Hyperactivity.md]]
|
||||
---
|
||||
@@ -0,0 +1,51 @@
|
||||
---
|
||||
id: P-REINFORCE-C8C70C
|
||||
category: "[[10_Wiki/💡 Topics/Web & Performance]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Mega Batch - Wikified Analyze runtime performance"
|
||||
---
|
||||
|
||||
# [[Analyze runtime performance]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 런타임 성능(Runtime performance) 분석은 페이지가 로드되는 시점이 아니라, 페이지가 실제로 실행되는 동안 어떻게 작동하는지 측정하고 평가하는 과정입니다 [1]. 개발자는 주로 Chrome DevTools의 성능(Performance) 패널을 활용하여 페이지와 상호 작용하는 동안의 활동을 기록합니다 [1, 2]. 이를 통해 애니메이션 프레임 속도(FPS), CPU 과부하, 메인 스레드 병목 현상 등을 식별하여 전반적인 사용자 경험을 최적화할 수 있습니다 [3, 4].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **측정 및 시뮬레이션 환경 설정:**
|
||||
* 런타임 성능은 Chrome DevTools의 성능(Performance) 패널에서 기록(Record) 버튼을 눌러 캡처할 수 있습니다 [2, 5].
|
||||
* 데스크톱이나 랩톱에 비해 컴퓨팅 성능이 떨어지는 모바일 기기에서의 실행 환경을 모방하기 위해, 캡처 설정(Capture settings)에서 'CPU Throttling(CPU 스로틀링)'을 사용하여 CPU 속도를 4배(4x) 또는 20배(20x) 느리게 시뮬레이션할 수 있습니다 [6, 7].
|
||||
* 네트워크 조건 역시 스로틀링을 통해 느린 모바일 연결 상태로 테스트할 수 있습니다 [7].
|
||||
|
||||
* **FPS 및 CPU 활동 분석:**
|
||||
* 애니메이션 성능을 측정하는 주요 지표는 초당 프레임 수(FPS)이며, 60 FPS 달성을 목표로 합니다 [3]. FPS 차트 위에 빨간색 막대가 나타나면 사용자 경험을 해칠 만큼 프레임 속도가 떨어졌음을 의미합니다 [3].
|
||||
* CPU 차트가 여러 색상으로 꽉 차 있는 것은 녹화 시간 동안 CPU가 최대 용량으로 작업했음을 나타내며, 이는 성능 개선을 위해 수행하는 작업을 줄여야 한다는 신호입니다 [3].
|
||||
|
||||
* **메인 스레드 플레임 차트(Flame Chart) 해석:**
|
||||
* 메인(Main) 섹션은 메인 스레드에서 시간에 따라 발생한 활동을 플레임 차트 형태로 시각화합니다. x축은 시간을, y축은 호출 스택(Call stack)을 나타내며, 상단에 위치한 이벤트가 하단의 이벤트를 호출한 원인입니다 [4, 8].
|
||||
* 50 밀리초(ms)를 초과하는 긴 작업(Long Task)에는 빨간색 삼각형 경고가 표시되며, 초과된 시간 부분은 빨간색으로 음영 처리되어 성능 저하를 일으키는 항목을 쉽게 파악할 수 있습니다 [4, 9].
|
||||
|
||||
* **병목 현상(Bottleneck) 식별:**
|
||||
* 하단의 요약(Summary) 탭은 선택된 구간의 활동 분류(렌더링, 스크립팅 등)를 보여주며, 가장 많은 시간을 소비한 작업 영역을 찾도록 돕습니다 [4, 10].
|
||||
* 예를 들어, 애니메이션 프레임 이벤트 내부에서 요소의 스타일을 변경한 후 즉시 위치를 쿼리할 경우 브라우저가 강제로 레이아웃을 다시 계산해야 하는 '강제 동기식 레이아웃(Forced synchronous layouts)'과 같은 문제를 식별할 수 있습니다 [4].
|
||||
* 특정 활동이나 이벤트를 클릭하면 연결된 소스 코드의 해당 줄로 직접 이동할 수 있어 디버깅에 유리합니다 [4, 11].
|
||||
|
||||
* **상세 탭을 통한 활동 분석:**
|
||||
* **Call tree 탭:** 가장 많은 작업을 유발한 루트 활동(root activities)을 확인할 수 있습니다 [12, 13].
|
||||
* **Bottom-up 탭:** 직접적으로 가장 많은 시간이 소요된 특정 활동들을 집계하여 보여줍니다 [12, 14, 15].
|
||||
* **Event log 탭:** 기록되는 동안 활동이 발생한 순서대로 정렬하여 분석할 수 있습니다 [12, 16].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 지식 자산화 및 기존 네트워크 연동 단계.
|
||||
- **정책 변화:** Web & Performance 카테고리의 전문성 확보 및 링크 밀도 최적화.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[Chrome DevTools]], [[Frames Per Second (FPS)]], [[Forced Synchronous Layouts]], [[Long Task]], [[Interaction to Next Paint (INP)]]
|
||||
- **Projects/Contexts:** [[RAIL model]], [[Chrome User Experience Report (CrUX)]]
|
||||
- **Contradictions/Notes:** DevTools의 CPU 스로틀링 기능은 데스크톱의 CPU 속도를 늦추어 시뮬레이션하는 방식이므로, 데스크톱과 모바일 기기의 근본적인 아키텍처 차이 때문에 실제 모바일 기기의 CPU 동작을 완벽하게 모방할 수는 없습니다 [17].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/Analyze runtime performance.md]]
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-C35C99
|
||||
category: "[[10_Wiki/💡 Topics/Programming & Language]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - AppSec (애플리케이션 보안)"
|
||||
---
|
||||
|
||||
# [[AppSec (애플리케이션 보안)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 애플리케이션 보안(AppSec)은 잠재적인 위협과 취약점으로부터 소프트웨어 애플리케이션을 보호하기 위한 일련의 활동과 방식을 의미합니다 [1, 2]. 소프트웨어 개발 수명 주기(SDLC)의 모든 단계에 보안을 통합하여 코드가 프로덕션 환경에 배포되기 전에 코드 수준의 결함을 조기에 발견하고 수정하는 것을 목표로 합니다 [3, 4]. 이를 위해 SAST, DAST, SCA 등 다양한 자동화된 보안 테스트 도구와 인간의 수동 코드 리뷰를 결합하여 애플리케이션의 전반적인 보안 태세를 강화합니다 [4-6].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **주요 AppSec 도구 및 방법론:** AppSec은 포괄적인 보안을 제공하기 위해 여러 종류의 도구를 조합하여 사용합니다. 소스 코드 자체를 분석하여 논리적 취약점을 찾는 정적 애플리케이션 보안 테스트(SAST), 실행 중인 애플리케이션을 외부에서 테스트하여 런타임 문제를 잡는 동적 애플리케이션 보안 테스트(DAST), 오픈소스 및 서드파티 라이브러리의 알려진 취약점과 라이선스를 분석하는 소프트웨어 구성 분석(SCA), 그리고 런타임 환경에 내장되어 정적 분석과 동적 분석의 장점을 결합하는 대화형 애플리케이션 보안 테스트(IAST)가 대표적입니다 [4, 6-9].
|
||||
* **SDLC 통합 및 시프트 레프트(Shift-Left):** 현대 AppSec의 핵심은 취약점 탐지 및 조치 과정을 개발 초기 단계로 앞당기는 '시프트 레프트' 전략입니다 [10, 11]. IDE 플러그인이나 CI/CD 파이프라인, 풀 리퀘스트(PR) 단계에 보안 검사를 내장함으로써, 개발자가 코드를 작성하는 즉시 실시간으로 문제를 인지하고 수정할 수 있어 프로덕션 이후에 결함을 수정하는 것보다 시간과 비용을 크게 절감할 수 있습니다 [3, 10, 12, 13].
|
||||
* **AppSec에서의 AI 활용:** 인공지능(AI)과 대형 언어 모델(LLM)의 도입으로 AppSec 도구들은 단순한 규칙 기반 패턴 매칭을 넘어 코드의 문맥과 의미를 이해하는 수준으로 진화하고 있습니다 [14, 15]. AI 기반 정적 분석 도구들은 데이터 흐름(Data flow) 및 오염 분석(Taint analysis)을 통해 파일 간 경계를 넘나드는 복잡한 취약점을 파악하고, 오탐지(False Positive)율을 크게 낮춥니다 [16-18]. 나아가 취약점에 대한 자동 수정 코드(Auto-fix)를 생성하여 개발자의 워크플로우 내에서 즉각적인 픽스를 제안합니다 [18-20].
|
||||
* **수동 리뷰와 자동화 도구의 하이브리드 접근:** 자동화된 AppSec 도구는 확장성과 속도 면에서 뛰어나 수천 줄의 코드를 몇 초 만에 스캔하지만, 비즈니스 로직이나 아키텍처 설계의 의도를 파악하는 데는 한계(Context Blindness)가 있습니다 [21-23]. 따라서 강력한 보안을 위해서는 자동화 도구가 일상적인 구문 오류와 알려진 취약점(예: SQL 인젝션, XSS 패턴 등)을 일차적으로 걸러내고, 인간 리뷰어가 인증 로직, 데이터 암호화, 크로스 서비스 영향 등 컨텍스트와 도메인 전문성이 중요한 고위험 영역의 리뷰에 집중하는 하이브리드 접근 방식이 필수적입니다 [5, 24, 25].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** Programming & Language 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[SAST (정적 애플리케이션 보안 테스트)]], [[DAST (동적 애플리케이션 보안 테스트)]], [[SCA (소프트웨어 구성 분석)]], [[SDLC (소프트웨어 개발 수명 주기)]]
|
||||
- **Projects/Contexts:** [[시프트 레프트(Shift-Left) 전략]], [[하이브리드 코드 리뷰 프로세스]]
|
||||
- **Contradictions/Notes:** 자동화된 AppSec 도구는 코드베이스 전체를 빠르고 일관되게 스캔하여 구문적 취약점을 찾아내지만, 비즈니스 로직이나 아키텍처의 의도를 이해하지 못해 오탐지(False Positives)를 유발할 수 있습니다. 따라서 도구에만 전적으로 의존하는 것은 위험하며, 복잡한 비즈니스 로직과 컨텍스트에 민감한 보안 위협을 식별하기 위해서는 반드시 인간 전문가에 의한 수동 코드 리뷰(Manual Code Review)가 병행되어야 한다고 소스들은 강조합니다 [23, 24, 26, 27].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-18*
|
||||
- Raw Source: [[00_Raw/2026-04-20/AppSec (애플리케이션 보안).md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-35F340
|
||||
category: "[[10_Wiki/💡 Topics/Design & Experience]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Mega Batch - Wikified Apple Human Interface Guidelines"
|
||||
---
|
||||
|
||||
# [[Apple Human Interface Guidelines]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 요약 작업 진행 중
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 상세 구성 진행 중
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 지식 자산화 및 기존 네트워크 연동 단계.
|
||||
- **정책 변화:** Design & Experience 카테고리의 전문성 확보 및 링크 밀도 최적화.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Apple Human Interface Guidelines.md]]
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-546548
|
||||
category: "[[10_Wiki/💡 Topics/Metaverse & Devices]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Mega Batch - Wikified Apple Vision Pro Ecosystem"
|
||||
---
|
||||
|
||||
# [[Apple Vision Pro Ecosystem]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 요약 작업 진행 중
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 상세 구성 진행 중
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 지식 자산화 및 기존 네트워크 연동 단계.
|
||||
- **정책 변화:** Metaverse & Devices 카테고리의 전문성 확보 및 링크 밀도 최적화.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Apple Vision Pro Ecosystem.md]]
|
||||
---
|
||||
Some files were not shown because too many files have changed in this diff Show More
Reference in New Issue
Block a user