마이크로소프트가 AI(인공지능) 에이전트의 안전한 운용과 보안 및 거버넌스 강화를 지원하는 ‘마이크로소프트 에이전트 365(Microsoft Agent 365)’를 정식 출시했다. 최근 AI 에이전트가 애플리케이션과 엔드포인트 및 클라우드 전반에 걸쳐 빠르게 확산함에 따라, 보안 팀의 가시성과 통제 범위를 벗어나 운영되는 사례가 늘고 있다. 마이크로소프트는 에이전트가 자율적으로 도구를 호출하거나 다른 에이전트와 상호작용하는 과정에서 발생하는 데이터 과다 공유와 도구 오용 및 권한 남용 등을 주요 보안 리스크로 지목했다. 에이전트의 규모가 계속 달라지는 환경일수록 엔드 투 엔드 관측성 확보가 중요하다는 것이 마이크로소프트의 분석이다. 이번에 출시된 마이크로소프트 에이전트 365는 에이전트 관리를 위한 제어 플랫폼이다. 조직은 기존 관리 및 보안 워크플로를 그대로 유지하면서 마이크로소프트와 에코시스템 파트너의 에이전트를 통합 관측하고 관리하며 보호할 수 있다. 마이크로소프트는 플랫폼 출시와 함께 적절한 통제 체계를 갖춘 상태에서 에이전트 도입을 확장할 수 있는 새로운 기능의 프리뷰도 공개했다. 자체 자격 증명과 권한으로 동작하는 독립 운영 에이전트까지 관리 범위를 넓혔으며 마이크로소프트 디펜더(Microsoft Defender)와 마이크로소프트 인튠(Microsoft Intune)을 통해 로컬 및 클라우드 환경의 에이전트와 ‘섀도 AI’를 식별한다. 이를 통해 비관리 에이전트 차단을 포함한 적절한 통제를 적용할 수 있도록 돕는다. 윈도우 디바이스에서 실행되는 오픈클로(OpenClaw)를 시작으로 깃허브 코파일럿 CLI(GitHub Copilot CLI)와 클로드 코드(Claude Code) 등으로 로컬 에이전트 탐지 역량을 강화할 계획이다.   ▲ 마이크로소프트 디펜더에서 제공하는 로컬 AI 에이전트 관계 맵   에이전트 리스크 평가 체계도 정밀해진다. 에이전트와 연결된 디바이스나 MCP(모델 컨텍스트 프로토콜) 서버 및 관련 ID와 접근 가능한 클라우드 리소스 간의 상관관계를 시각화해 제공한다. 보안 팀은 이를 바탕으로 인프라 노출 범위와 잠재적 영향력을 평가할 수 있다. 실시간 런타임 차단 및 알림 기능을 통해 에이전트가 민감 데이터에 접근하거나 유출을 시도하는 등 악성 행동 패턴을 보일 경우, 마이크로소프트 디펜더가 이를 차단하고 사고 맥락이 포함된 알림을 생성한다. 이기종 클라우드 환경에 대한 지원도 강화한다. 이번 프리뷰 기능을 통해 AWS 베드록 및 구글 클라우드와 레지스트리를 동기화할 수 있다. IT 팀은 여러 플랫폼에 걸쳐 에이전트를 자동 탐지하고 향후 수명 주기를 관리할 수 있게 된다. 또한 젠스파크나 젠데스크 등 파트너사의 에이전트도 별도의 통합 작업 없이 마이크로소프트 에이전트 365에서 통합 관리할 수 있다. 에이전트 전용 클라우드 PC 환경을 제공하는 윈도우 365 포 에이전트(Windows 365 for Agents)는 에이전트가 조직의 보안 정책이 적용된 안전한 환경 내에서 상호작용하도록 돕는다. 마이크로소프트 엔트라(Microsoft Entra)의 네트워크 제어 기능은 코파일럿 스튜디오와 사용자 엔드포인트의 로컬 에이전트까지 확대 적용된다. 보안 팀은 네트워크 계층에서 에이전트 트래픽을 일관되게 검사하고 미승인 AI 사용을 식별해 제한할 수 있다. 한편, 마이크로소프트는 액센츄어나 KPMG 등 글로벌 파트너사와 협력해 기업 고객의 도입을 위한 거버넌스 워크숍과 컨설팅 서비스를 지원한다고 전했다. 마이크로소프트 에이전트 365는 현재 마이크로소프트 365 E7 라이선스에 포함되어 있으며, 필요 시 사용자당 월 15달러의 단독 라이선스로도 이용할 수 있다.

산업을 위한 AI와 버추얼 트윈 기술 (3)   이번 호에서는 AX 시대를 맞아 제조 기업이 축적한 방대한 도메인 지식과 3D 설계 데이터를 AI가 이해하고 실무에 즉시 활용할 수 있는 ‘자산’으로 전환하는 방안을 제시한다. 그리고, 다쏘시스템의 시맨틱 3D(Semantic 3D) 기술과 데이터 온톨로지(data ontology)를 활용해 중복 설계를 방지하고, 파편화된 정보를 비즈니스 맥락과 연결된 지식 개체로 지능화하는 기술적 원리를 살펴본다. ■ 이종혁 다쏘시스템코리아의 인더스트리 프로세스 컨설턴트로, 3DEXPERIENCE(구 NETVIBES) 테크 세일즈를 맡고 있다. 홈페이지 | www.3ds.com/ko   AX 시대, 제조 데이터의 새로운 정의 글로벌 제조 산업은 바야흐로 ‘디지털 전환(digital transformation)’의 단계를 넘어 ‘인공지능 전환(AI transformation : AX)’의 시대로 진입하고 있다. 생성형 AI와 대규모 언어 모델(LLM)이 비즈니스 프로세스 전반을 혁신하고 있는 현재, 엔지니어링 도메인에서의 핵심 과제는 명확하다. “어떻게 우리 기업이 지난 수십 년간 축적해 온 방대한 도메인 지식과 엔지니어링 노하우를 AI가 이해하고 실무에 즉시 활용할 수 있는 형태의 자산으로 바꿀 것인가?”이다. 대부분의 제조 기업은 수만, 수십만 장의 2D 도면과 3D 모델을 보유하고 있다. 그러나 역설적으로 엔지니어는 필요한 부품을 찾는 데 수많은 시간을 허비하거나, 이미 존재하는 설계를 중복으로 수행하는 ‘디지털 피로(digital fatigue)’에 시달리고 있다. 데이터가 존재함에도 불구하고 그 데이터가 가진 ‘의미(semantics)’와 ‘관계(relationship)’가 구조화되어 있지 않기 때문이다. 이러한 데이터의 파편화는 단순히 설계 효율을 떨어뜨리는 것에 그치지 않는다. 이는 부품 가짓수의 기하급수적 증가로 이어져 구매 단가 상승, 재고 관리 비용 증가, 그리고 급변하는 글로벌 공급망 리스크에 대한 대응력 약화라는 전사적 위기를 초래한다. 이번 호에서는 3D 모델링의 진화가 형상의 정밀함을 구현하는 단계를 넘어, 비즈니스 맥락과 지능이 결합된 ‘시맨틱 3D (semantic 3D)’로 나아가야 함을 제언한다. 다쏘시스템의 원파트(OnePart), 서플리멘탈 커넥터(Supplemental Connector), 그리고 데이터 사이언스 익스피리언스(Data Science Experiences : DSE)를 필두로 한 하이브리드 지능형 플랫폼이 어떻게 데이터 온톨로지를 통해 설계 자산을 지능화하고, 기업의 공급망 회복탄력성(resilience)을 극대화하는지 상세히 고찰해보고자 한다.   그림 1. The Transition to ‘Semantic 3D’ in the AX Era   하이브리드 아키텍처 : 데이터 주권과 클라우드 지능의 공존 국내 제조 기업이 클라우드 기반 AI 설루션 도입을 주저하는 가장 큰 이유는 ‘데이터 보안’과 ‘데이터 주권(data sovereignty)’에 대한 우려다. 핵심 설계 자산인 3D CAD 데이터는 기업의 기밀 중의 기밀로 간주되며, 이것이 외부 서버로 나가는 것에 대한 거부감은 기술적인 문제를 넘어 기업 생존의 문제로 인식된다. 하지만 클라우드가 제공하는 강력한 분산 연산 능력과 실시간 업데이트되는 AI 분석 엔진을 포기하는 것은 기술 경쟁력 측면에서 매우 위험한 선택이다. 이러한 딜레마를 해결하는 핵심 아키텍처가 바로 서플리멘탈 커넥터를 활용한 하이브리드 모델이다. 이 모델의 핵심은 데이터의 물리적 위치를 ‘통제된 온프레미스’와 ‘고성능 클라우드’로 이원화하는 데 있다. 이 아키텍처의 중심에는 ‘에지 에이전트(Edge Agent)’라는 전용 미들웨어가 존재한다. 에지 에이전트는 기업 내부의 로컬 파일 서버, CSV 기반의 레거시 데이터베이스, 그리고 솔리드웍스 PDM 프로페셔널(SOLIDWORKS PDM Professional)과 같은 엔터프라이즈 시스템과 직접 연동된다. 여기서 중요한 기술적 포인트는 에지 에이전트가 원본 CAD 파일(source file)을 클라우드로 전송하는 것이 아니라는 점이다. 대신, 설계에 포함된 메타데이터와 형상의 특징을 수치화한 ‘3D 서명(signature)’, 그리고 시각적 확인을 위한 가벼운 썸네일(thumbnail)과 CGR 데이터만을 추출하여 클라우드의 ‘시맨틱 그래프 인덱스(Semantic Graph Index : SGI)’로 전송한다. 이러한 하이브리드 접근법은 두 가지 결정적인 이점을 제공한다. 첫째, 데이터 주권은 기업이 완벽하게 통제한다. 원본 설계 데이터는 사내 보안망 내부에 머무르기 때문에 유출 우려가 없다. 둘째, 클라우드는 오직 ‘지능형 인덱스’와 ‘분석 엔진’의 역할만을 수행한다. 클라우드의 Data Science Experience(DSE)는 이 SGI에 축적된 정보를 바탕으로 전사적인 부품 사용 현황을 360도 뷰로 관찰하고, AI 기반의 의사결정 지원 기능을 제공한다. 이는 특히 카티아 V5(CATIA V5)와 같은 온프레미스 기반의 강력한 설계 환경을 유지하면서도, 최신 클라우드 기술의 혜택을 즉시 누릴 수 있는 현실적이고 안전한 가교 역할을 한다.   그림 2. Hybrid Architecture and Edge Agent   원파트와 AI 형상 지능 : 중복 설계의 늪에서 벗어나는 방법 엔지니어링 현장에서 가장 흔히 발생하는 보이지 않는 낭비는 이미 사내에 존재하는 부품을 찾지 못해 다시 설계하는 ‘중복 설계’다. 다쏘시스템의 연구 결과에 따르면, 시장 표준 부품(예 : 단순 브래킷이나 고정용 볼트 등) 하나를 불필요하게 신규 생성할 때 발생하는 전사적 비용은 부품당 약 1만 1000유로(한화 약 1600만 원)에 이른다. 이 비용에는 설계자의 시간뿐만 아니라 부품을 위한 테스트 및 시뮬레이션 비용, 금형 제작 등 제조 공정 셋업 비용, 신규 구매처 등록 및 관리 비용, 그리고 물류 및 창고 재고 유지 비용이 누적된 결과다. 원파트는 이러한 문제를 해결하기 위해 AI 기반의 ‘형상 유사도 검색(AI-Powered Component Signature)’ 기능을 제공한다. 이는 전통적인 키워드 기반 검색의 한계를 뛰어넘는다. AI는 3D 모델을 기하학적 특징(shape), 단면 형상(section), 구멍 배치 패턴(hole pattern), 그리고 외곽선(silhouette)이라는 네 가지 핵심 기준을 바탕으로 분석하여 부품별로 고유한 ‘디지털 지문’을 생성한다. 설계자가 새로운 프로젝트를 시작할 때, 백지 상태에서 모델링을 시작하는 대신 간단한 형상 아이디어를 스케치하여 업로드하면 AI가 수초 내에 사내 라이브러리 및 외부 공급업체 카탈로그에서 가장 유사한 부품을 찾아 제안한다. 또한 지능형 클러스터링(clustering) 엔진은 방대한 부품 데이터베이스를 기하학적 유사성에 따라 자동으로 군집화한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

가상 제품 개발을 위한 MBSE 및 SysML의  이해와 핵심 전략 (7)   최근의 MBSE(모델 기반 시스템 엔지니어링) 환경은 개별 도구를 연계하던 전통적 방식에서 벗어나, 요구사항부터 시뮬레이션, 형상 관리까지 전 과정을 하나의 플랫폼에서 관리하는 ‘디지털 스레드’ 기반의 통합 환경으로 진화하고 있다. 이번 호에서는 모델링 도구인 ‘랩소디(Rhapsody)’와 ‘카메오 시스템 모델러(Cameo Systems Modeler)’의 특징을 살펴보고, 효율적인 설계 환경 구축 전략을 짚어본다.   ■ 오재응 한양대학교 명예교수, 시뮬레이션 랩 CTO   모델링 도구 여기에서는 모델링 도구로서 랩소디(Rhapsody)의 특징과 기능을 간단하게 소개하고 있으며, 특히 시스템 아키텍처 설계와 모델 일관성 유지에 있어 랩소디가 어떤 역할을 수행하는지를 설명한다. IBM의 랩소디는 UML 및 SysML 기반의 시스템 모델링 도구로, 아키텍처 모델을 통해 시스템 설계 정보를 저장할 수 있는 동적인 데이터베이스 구조를 제공한다. 사용자가 정의한 각 모델 객체(예 : 블록, 컴포넌트 등)는 한 번 정의되면 그것이 표현되는 모든 다이어그램 상에서 동일한 특성과 속성을 유지한다. 이를 통해 전체 모델의 일관성과 추적성이 자연스럽게 보장된다. 또한 랩소디는 요구사항과 직접 연계된 설계 모델을 지원함으로써, 요구사항-설계 간의 정합성 확보를 용이하게 한다. 이를 통해 설계 변경이 요구사항과의 연동 하에 즉시 반영될 수 있어, 시스템 개발 전 과정에서 신뢰성 있는 모델 기반 설계를 실현할 수 있다. 결과적으로, 랩소디는 다양한 UML/SysML 도구 중 하나로, 특히 복잡한 시스템의 모델링, 시뮬레이션, 코드 생성까지 연결 가능한 통합 모델링 환경을 제공한다.   랩소디 보기   그림 1. 랩소디 도구의 대표적인 사용자 인터페이스 구성 요소   <그림 1>은 랩소디 도구 환경을 보여주며, 시스템 모델링 또는 소프트웨어 모델링을 수행할 때 사용되는 대표적인 사용자 인터페이스 구성 요소를 설명하고 있다. 랩소디 보기는 사용자가 랩소디에서 모델을 어떻게 시각적으로 확인하고 조작하는지를 이해하는 데 중점을 둔다. 전체 인터페이스 구성은 랩소디가 모델 기반 시스템 및 소프트웨어 설계를 위한 도구로, 브라우저 영역과 그리기 영역 등의 주요 영역으로 구성되어 있다. <그림 1>의 화면 왼쪽에는 브라우저 영역(Browser View)이 위치해 있다. 이 영역은 프로젝트 내에 정의된 모든 요소를 계층적 트리 구조로 정리하여 보여주며, 클래스, 패키지, 상태도, 시퀀스 다이어그램 등 다양한 모델링 요소를 탐색하고 선택할 수 있다. 사용자는 이 영역에서 모델 구조를 확인하고, 필요한 항목을 선택하여 편집 창으로 열 수 있다. 주로 사용하는 항목은 모델 구성요소(예 : 클래스, 컴포넌트, 상태 등)이다. 설계 계층 구조는 각 요소의 속성 및 동작이 연결되어 있다. <그림 1>의 화면 오른쪽에는 그리기 창(Drawing Window)이 위치하며, 사용자가 실제로 다이어그램을 작성하고 편집하는 작업 공간이다. 이 영역은 선택된 모델 요소의 시각적 표현을 위한 공간으로, 예를 들어 상태 다이어그램, 블록 다이어그램, 시퀀스 다이어그램 등을 작성하고 구성 요소 간의 연결 관계를 설정할 수 있다. 사용자의 활동 예는 상태 전이 정의, 신호 흐름 연결, 동작 논리 시각화, 모델 요소 간 연결 구성이 있다. 랩소디는 모델 탐색과 시각적 설계를 동시에 지원하기 위해 좌측 브라우저 영역과 오른쪽 그리기 창을 중심으로 UI(사용자 인터페이스)를 구성하고 있으며, 이를 통해 사용자는 설계 구조와 논리를 직관적으로 접근하고 조작할 수 있다. 이와 같은 인터페이스는 SysML, UML, 자동차 및 항공 우주 분야의 MBD 등 다양한 모델링 작업을 효율적으로 수행할 수 있도록 지원한다.   랩소디 vs. 카메오 시스템 모델러 비교 IBM 랩소디와 카메오 시스템 모델러(Cameo Systems Modeler)는 모두 SysML 기반의 시스템 모델링 도구로 널리 사용되고 있다. 그러나 이 두 도구는 설계 접근 방식, 사용자 인터페이스, 시뮬레이션 및 협업 방식에서 차별점이 존재한다. 도구의 철학과 접근 방식 : 랩소디는 임베디드 시스템 및 소프트웨어 개발에 특화된 도구로, 주로 상태 기반(state-based) 모델링과 코드 생성(code generation) 기능이 강력하다. UML 기반의 객체지향 소프트웨어 개발, 상태 머신 구현 등에 많이 활용되며, 특히 자동차, 항공, 방위 산업 등에서 많이 사용된다. 반면에 카메오 시스템 모델러(MagicDraw 기반)는 시스템 아키텍처 및 요구사항 중심 설계에 중점을 둔 MBSE 도구이다. RFLP(Requirement, Functional, Logical, Physical) 구조와 트레이스 기능이 강력하며, PLM·SPDM 시스템과의 통합이 잘 되어 있어 디지털 스레드 구축에 적합하다. 대부분의 대기업 MBSE 전환 프로젝트에서 선택되고 있다. 사용자 인터페이스 및 작업 구조 : 랩소디는 전통적인 IDE 스타일의 인터페이스(<그림 1>처럼 왼쪽 탐색기 + 오른쪽 다이어그램 편집기)를 가지고 있으며, 실시간 코드 시뮬레이션 및 상태 전이 구현에 용이하다. 카메오 시스템 모델러는 모델 요소 중심 탐색 트리, 다중 다이어그램 탭, 자동 연결 도우미, 속성 창 기반 작업이 잘 정비되어 있으며, 직관적인 GUI로 인해 다양한 다이어그램 작성이 빠르고 정확하게 이루어진다. 사용자 친화성이 높은 편이다. 시뮬레이션 및 해석 기능 : 랩소디에는 UML/SysML 상태 머신을 기반으로 한 Statechart Simulation이 내장되어 있어, 논리적 동작 검증이나 이벤트 시퀀스 분석에 유리하다. C/C++ 코드 생성 및 디버깅 기능도 내장되어 있어, 소프트웨어 통합 단계까지 연결하기 좋다. 카메오 시스템 모델러는 카메오 시뮬레이션 툴킷(Cameo Simulation Toolkit :CST)을 통해 SysML 모델의 시뮬레이션이 가능하며, 파라메트릭 다이어그램(Parametric Diagram) + 수식 기반 계산 + 외부 FMU 연동을 지원한다. 특히 시뮬링크(Simulink), 모델리카(Modelica) 등과의 코시뮬레이션(co-simulation) 및 FMI 기반 연동이 강력하다. 협업 및 형상 관리 연동 : 랩소디는 RTC, ClearCase, GIT 등과 연계가 가능하지만, 협업 기능이 독립적으로 강력하지는 않다. 기업 내부 커스터마이징이 필요한 경우가 많다. 카메오 시스템 모델러는 팀워크 클라우드(Teamwork Cloud : TWC)라는 중앙 저장소 기반 협업 서버를 통해 모델 단위 버전 관리, 권한 제어, 변경 추적, 분기 관리(branching) 기능을 지원하며, 팀 단위 협업 및 모델 기반 리뷰에 적합하다. PLM, SPDM 및 외부 툴 연동 : 랩소디는 외부 연동이 상대적으로 제한적이며, 별도 게이트웨이 또는 커스터마이징이 필요하다. 카메오 시스템 모델러는 3D익스피리언스(다쏘시스템), 윈칠(PTC), 팀센터(지멘스) 등의 PLM 시스템과 연계가 용이하며, MBSE–PLM–SPDM 간의 디지털 연계(traceability)가 수월하게 이루어진다. 정리하면 랩소디는 코드 생성, 상태 머신 중심이고 카메오 시스템 모델러는 요구사항–기능–물리 구조 연계 중심이다. 사용 분야는 랩소디가 임베디드 소프트웨어, 제어 시스템에 사용되며 카메오 시스템 모델러는 시스템 아키텍처, MBSE를 총괄하는데 사용된다. 시뮬레이션에는 랩소디가 상태 기반 시뮬레이션에 사용되며, 카메오 시스템 모델러는 파라메트릭, 시퀀스, 코시뮬레이션이 가능하다. 협업 관점에서 랩소디는 RTC/파일 기반으로 이용되며, 카메오 시스템 모델러는 팀워크 클라우드 기반 모델 협업에 활용된다. 외부 툴과 연동은 랩소디는 제한적이며 커스터마이징이 필요하다. 반면에 카메오 시스템 모델러는 FMI, PLM, 시뮬링크 등과 강력하게 연동된다.    ■ 자세한 기사 내용은 PDF로 제공됩니다.

심센터 HEEDS 더 깊게 살펴 보기 (5)   심센터 HEEDS(Simcenter HEEDS) 2604 릴리스는 설계 파라미터와 시뮬레이션 워크플로를 유기적으로 연결하여 최적의 설계안을 자동으로 도출하는 역할을 더욱 공고히 하기 위해 계산 리소스의 효율적 관리, AI를 활용한 워크플로 가속화, 그리고 다목적 트레이드오프 스터디의 실시간 가시성 확보라는 세 가지 핵심 방향으로 혁신적인 기능을 담았다.이번 릴리스를 통해 복잡성 모델링(model the complexity), 가능성 탐색(explore the possibilities), 속도 향상(go faster), 통합 유지(stay integrated)라는 네 가지 기둥 아래 엔지니어링 시뮬레이션의 새로운 기준을 제시한다.   ■ 연재순서 제1회 심센터 HEEDS 커넥트와 MBSE 방법론 제2회 심센터 X MDO의 새로운 HEEDS 제3회 심센터 HEEDS SHERPA의 최적 검색 원리 제4회 최적 검색 가속화를 위한 AI 프레딕터 제5회 심센터 HEEDS 2604 업데이트 제6회 모두를 위한 제너럴 포털과 맞춤 설정 제7회 특별한 워크플로 구성 및 자동화 제8회 다양한 매개변수를 위한 태깅 모드 제9회 복잡한 설정을 한번에, 오토메이션 스크립트 제10회 파이썬 스케줄러와 HEEDS 연동 제11회 심센터 HEEDS 2610 업데이트 제12회 데이터 분석을 위한 HEEDSPy API   ■ 이종학 지멘스 디지털 인더스트리 소프트웨어에서 심센터 HEEDS를 비롯하여 통합 설루션을 활용한 프로세스 자동화와 데이터 분석, 최적화에 대한 설루션을 담당하고 있다. 근사최적화 기법 연구를 전공하고 다양한 산업군에서 15년간 유한요소해석과 최적화 분야의 기술지원과 컨설팅을 수행하였다. 홈페이지 | www.sw.siemens.com/ko-KR 링크드인 | www.linkedin.com/in/jonghaklee-odumokgol   전산 자원 관리의 재구상 : 새로운 리소스 카탈로그 기존 방식의 한계 엔지니어링 최적화 스터디는 단 한 번의 시뮬레이션으로 끝나는 작업이 아니다. 수십 번에서 수천 번의 반복 해석을 수행해야 하며, 이를 위해서는 로컬 워크스테이션, 사내 HPC 클러스터, 클라우드 컴퓨팅 플랫폼 등 다양한 전산 자원을 조합하여 활용해야 한다. 기존의 HEEDS(히즈)는 이러한 원격 실행 환경을 프로젝트별로 설정해야 했기 때문에, 팀 내의 여러 엔지니어가 동일한 클러스터를 사용하더라도 각자 동일한 설정 과정을 반복해야 하는 비효율이 존재했다. 특히 HPC 클러스터의 경로, 인증 정보, 작업 스케줄러 파라미터를 매번 수동으로 입력해야 하는 번거로움은 첫 번째 설계 최적화를 시작하기도 전에 엔지니어의 시간을 낭비하게 만들었다.   리소스 카탈로그의 등장 심센터 HEEDS 2604는 원격 실행 기능을 새로운 ‘리소스 카탈로그(Resource Catalog)’로 전면 개편하여 이 문제를 근본적으로 해결했다. 리소스 카탈로그는 전산 자원 정보를 프로젝트에 종속된 설정이 아닌, 전사적으로 공유 가능한 독립적 자산으로 관리하는 방식이다. 이제 로컬 머신, 원격 클러스터, 리스케일(Rescale)과 같은 HPC 클라우드 플랫폼, 또는 작업 스케줄러를 사용하는지의 여부와 관계 없이 프로젝트 전체에서 리소스 구성을 더 쉽게 설정하고 재사용할 수 있다.   그림 1. 리소스 카탈로그 설정 환경   그림 2. 작업 수행을 위해 미리 설정된 리소스 선택   주요 기능 및 이점 원클릭 리소스 생성 : 사용자가 리소스 유형을 선택하면, 해당 유형에 적합한 모든 설정 항목이 기본값으로 미리 채워진 상태로 나타난다. 처음 사용하는 엔지니어도 복잡한 설정 파라미터를 일일이 파악할 필요 없이 빠르게 시작할 수 있다. 관리형 카탈로그(Managed Catalogs) : 조직의 IT 관리자 또는 HEEDS 전문가가 심센터 HEEDS 커넥트(Simcenter HEEDS Connect)를 통해 표준 리소스 프로필을 미리 구성하면, 팀의 다른 구성원이 이를 즉시 다운로드하여 사용하거나 로컬 카탈로그로 복사하여 필요에 맞게 조정할 수 있다. 이는 조직 전체가 동일한 리소스 표준을 따르도록 하는 ‘단일 정보 소스(single source of truth)’ 역할을 수행하여 설정 오류와 불일치를 원천적으로 방지한다. 다중 제출 항목(Multiple Submission Items) : 하나의 물리적 서버에서도 PBS, LSF, SLURM, MSHPC, 또는 다이렉트 서브미션(Direct submission) 등 다양한 방식의 작업 스케줄러를 위한 복수의 제출 항목을 생성할 수 있다. 예를 들어, 빠른 소규모 해석을 위한 인터랙티브 대기열과 대규모 최적화를 위한 배치 대기열을 동일한 클러스터에서 각각 별도의 리소스 프로필로 관리할 수 있다. 리소스 구성 확인 기능 : 복잡한 네트워크 환경에서 원격 리소스가 실제로 접근 가능한지, 또는 올바르게 설정되었는지 확인하는 것은 종종 어려운 문제였다. 새로운 ‘Run test now’ 기능을 통해 사용자는 설정 완료 즉시 리소스의 접근 가능성과 동작 상태를 확인할 수 있다. 테스트 결과는 Not tested(미실행), Passed(성공), Error(오류)의 세 가지 상태로 직관적으로 표시되어 문제 발생 시 신속한 보정이 가능하다. 지속적 구성 : 매핑된 로컬 및 원격 드라이브 설정이 모든 프로젝트에 걸쳐 유지되므로, 프로젝트를 새로 만들 때마다 리소스를 재구성할 필요가 없다. 한 번 설정한 리소스 카탈로그는 이후 모든 프로젝트에서 즉시 재사용 가능하다.   비최적화 스터디를 위한 효율적 데이터 및 리소스 운용 디스크 공간의 숨겨진 병목 실험계획법(Design of Experiments : DOE), 강건성(robustness) 분석, 신뢰성(reliability) 분석, 또는 단순히 특정 설계 후보를 일괄 평가하는 ‘Evaluation Only’ 스터디는 최적화 알고리즘이 동반되지 않는 빠른 유형의 설계 탐색이다. 이러한 스터디는 개별 해석이 비교적 짧게 완료되기 때문에, HEEDS는 실행 스택을 가득 채워 최대한 많은 병렬 해석을 동시에 구동하려 한다.   그림 3. 프로세스의 병렬 해석 진행 상황 예시   그런데 여기서 예상치 못한 문제가 발생한다. 해석이 매우 빠르게 완료되기 때문에 각 해석의 임시 작업 디렉토리와 결과 파일이 시스템에 쌓이는 속도도 매우 빠르다. 짧은 시간 안에 수백 개의 해석 폴더가 생성되어 디스크 공간을 순식간에 소진할 수 있으며, 이는 특히 로컬 워크스테이션이나 디스크 할당량이 제한된 HPC 환경에서 심각한 장애 요인이 될 수 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

성공적인 유동 해석을 위한 케이던스의 CFD 기술   해상풍력 산업은 현대 사회의 에너지 위기를 해결하기 위한 대안으로 꼽히지만 복합적인 설치, 운영, 그리고 유지보수상의 다양한 과제에 직면해 있다. 이번 호에서는 피델리티 CFD(Fidelity CFD) 플랫폼 내의 피델리티 파인 마린(Fidelity Fine Marine)을 활용하여 홀더(Houlder)가 이러한 과제 중 일부를 해결하는 포괄적인 접근법을 어떻게 구현하고 있는지 살펴본다. 또한 해양 파력에 대한 모노파일의 내구성을 주제로 한 사례 연구를 통해 홀더의 전문성을 조명한다.   ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   해상풍력 에너지는 현대 사회가 직면한 에너지 위기를 해결하기 위한 핵심적인 대안으로 평가된다. 해상에서 발생하는 강력하고 지속적인 바람을 효율적으로 활용함으로써, 보다 청정하고 환경적으로 지속 가능한 미래를 구현할 수 있다. 2023년 기준 전 세계 해상풍력 발전 설비 용량은 약 75기가와트(GW)에 이르며, 2030년에는 200기가와트를 상회할 것으로 전망된다. 이러한 괄목할 만한 성장은 해상풍력 산업이 기후변화 대응에 기여할 수 있는 막대한 잠재력과 함께, 메가와트시(MWh)당 약 40달러 수준의 발전 단가로 기존 화석연료 기반 에너지원보다 우수한 경제성을 지니고 있음을 보여준다.     그 잠재력에도 불구하고, 해상풍력 산업은 복합적인 설치, 운영, 그리고 유지보수상의 다양한 과제에 직면해 있다. 유한요소해석(FEA)과 전산유체역학(CFD)을 비롯한 첨단 전산지원공학(CAE) 도구를 활용하면 이러한 문제를 완화하고, 해상풍력을 주요 에너지원으로 채택하는 과정을 가속화할 수 있다.   홀더에 대하여 홀더는 그 역사가 1800년대까지 거슬러 올라가는 다학제적(多學際的) 해양 전문 기업이다. 이 회사는 해양 기술 분야에서의 엔지니어링, 설계, 그리고 혁신 역량으로 알려져 있다. 홀더는 전 세계 해운 산업의 탈탄소화를 선도하는 최적의 파트너가 되는 것을 목표로 하고 있다.     홀더의 핵심 운영 부문 중 하나는 선박 분석 팀(Vessel Analysis Team)이다. 이 팀은 계측된 해상 시운전(instrumented sea trials) 및 컴퓨터 시뮬레이션과 같은 첨단 기법을 활용하여 선박의 설계와 성능을 개발 및 최적화한다. 이들의 연구는 에너지 절감 장치나 풍력 보조 추진 기술(wind-assist technologies)과 같은 설루션의 개념 설계 및 성능 평가를 지원하며, 해양 산업의 지속가능성 향상에 기여하고 있다.     해상풍력 설치의 현재 과제 해상풍력 터빈의 설계와 설치는 복잡한 구조적 과제를 수반한다. 터빈은 극한의 기상 조건을 견딜 수 있도록 설계되어야 하며, 그 핵심은 기초(foundation) 설계에 있다. 해저 지반 조건과 수심에 따라 모노파일(monopile), 중력식(gravity base), 트라이포드(tripod) 등 적절한 기초 형식을 신중히 선택해야 하며, 이는 측면 하중(lateral forces)과 퇴적물 이동(sediment movement)에 대한 안정성을 확보하기 위한 필수 과정이다. 또한 파랑(wave action)과 해류(ocean currents) 같은 유체역학적 힘(hydrodynamic forces)을 이해하는 것은 기초 구조의 건전성을 유지하는 데 필수이다. 염수 부식(saltwater corrosion) 문제 역시 중요하며, 부식 분석(corrosion analysis)을 통해 취약점을 파악하고 보호 대책을 마련함으로써 구조물의 수명을 연장할 수 있다. 한편, 해저 케이블(subsea cable)의 설치와 관리도 또 다른 주요 과제이다. 케이블은 설치 과정에서 손상되지 않도록 신중히 취급하고 매설해야 하며, 악천후 속에서 유지보수를 위해 터빈에 접근하는 일 또한 큰 운영상의 어려움을 가져올 수 있다. 이러한 요소를 효과적으로 조율하는 것이 해상풍력 터빈의 성공적인 설치와 운영의 핵심이다.   해상풍력 설치 과제 해결을 위한 CFD 및 FEA 도구 CFD와 FEA 도구는 해상풍력 설치와 관련된 다양한 기술적 과제를 해결하는 데 점점 더 널리 활용되고 있다. FEA는 특히 모노파일이나 재킷(jacket) 등 기초 구조물 설계에서의 응력(stress)과 변형(deformation)을 시뮬레이션하는 데 유용하다. 이를 통해 엔지니어는 파랑과 해류의 영향을 평가하고, 응력 집중 영역을 식별하며, 재료 선정과 보호 코팅과 같은 설계 결정을 보다 정교하게 내릴 수 있다. CFD는 변화하는 해양 조건에서의 케이블 성능을 이해하는 데 중요한 역할을 한다. 이를 통해 설치 계획 및 터빈 유지보수용 선박 설계를 최적화할 수 있다. 또한 CFD는 퇴적물 확산(sediment dispersion)과 수질 변화(water quality change)를 모델링함으로써, 환경 영향을 최소화하기 위한 전략 수립에도 기여한다. CFD와 FEA를 효과적으로 병행 활용함으로써 해상풍력 산업은 설치 안전성과 효율을 크게 향상시킬 수 있으며, 보다 지속가능한 풍력 에너지 활용 방안을 마련할 수 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

BIM 칼럼니스트 강태욱의 이슈 & 토크   루비 온 레일즈(Ruby on Rails)는 루비(Ruby) 프로그래밍 언어로 작성된 서버 측 웹 애플리케이션 프레임워크이다. 일반적으로 ‘레일즈(Rails)’로 줄여 부르며, 2004년 데이비드 하이네마이어 한손(David Heinemeier Hansson)에 의해 처음 공개되었다. 이번 호에서는 루비 온 레일즈의 설치 및 개발 방법을 정리하고, 이를 기반으로 개발된 빌딩 모니터링 구현 결과를 설명한다.   ■ 강태욱 건설환경 공학을 전공하였고 소프트웨어 공학을 융합하여 세상이 돌아가는 원리를 분석하거나 성찰하기를 좋아한다. 건설과 소프트웨어 공학의 조화로운 융합을 추구하고 있다. 팟캐스트 방송을 통해 이와 관련된 작은 메시지를 만들어 나가고 있다. 현재 한국건설기술연구원에서 BIM/ GIS/FM/BEMS/역설계 등과 관련해 연구를 하고 있으며, 연구위원으로 근무하고 있다. 페이스북 | www.facebook.com/laputa999 블로그 | https://daddynkidsmakers.blogspot.com 홈페이지 | https://dxbim.blogspot.com 팟캐스트 | www.facebook.com/groups/digestpodcast   그림 1   루비는 베이스캠프(Basecamp)란 곳을 시작으로, 세계 최대의 코드 호스팅 플랫폼 깃허브(GitHub), 글로벌 이커머스 설루션 쇼피파이(Shopify), 숙박 공유 서비스 에어비앤비(Airbnb), 그리고 트위치(Twitch) 등이 레일즈를 기반으로 탄생하고 성장했다. 국내에서도 빠른 서비스 출시와 성장이 핵심인 스타트업 신을 중심으로 널리 사용되었다. 대표적으로 지역 기반 커뮤니티 당근, 온라인 동영상 서비스(OTT) 왓챠 등이 초기부터 레일즈를 활용해 서비스를 구축하고 확장해온 대표 사례로 꼽힌다. 레일즈의 핵심 개발 철학은 ‘설정보다 관례(Convention over Configuration : CoC)’와 ‘반복하지 마라(Don’t Repeat Yourself : DRY)’이다. 이는 개발자가 반복적인 설정 작업에서 벗어나 비즈니스 로직에 집중하게 함으로써, 웹 개발의 생산성을 획기적으로 향상시키는 것을 목표로 한다.   배경 및 핵심 개념 레일즈는 MVC(Model – View – Controller) 아키텍처 패턴을 근간으로 설계되었다. 이는 애플리케이션의 구성 요소를 세 가지 역할로 명확히 분리하여 코드의 구조를 체계적으로 관리하는 방식이다. 모델(Model) : 애플리케이션의 데이터와 비즈니스 로직을 담당한다. 데이터베이스 테이블에 직접 대응되며, 데이터의 유효성 검사, 처리, 저장 등의 역할을 수행한다. 뷰(View) : 사용자에게 보여지는 UI(사용자 인터페이스)를 생성하는 할을 한다. HTML, CSS, 자바스크립트(JavaScript) 코드를 동적으로 생성하여 웹 브라우저에 표시할 최종 결과물을 만든다. 컨트롤러(Controller) : 모델과 뷰 사이의 중재자 역할을 한다. 사용자의 요청(HTTP request)을 받아 분석하고, 필요한 모델을 호출하여 데이터를 처리한 뒤, 그 결과를 다시 뷰에 전달하여 사용자에게 응답(HTTP response)을 보낸다. 이러한 구조 덕분에 개발자는 데이터, 로직, 화면 표시 코드를 분리하여 유지보수가 용이하고 확장성 높은 애플리케이션을 구축할 수 있다.   장점 및 단점 레일즈의 장점은 다음과 같다. 높은 생산성과 개발 속도 : CoC 철학과 스캐폴딩(scaffolding) 같은 강력한 코드 자동 생성 기능은 CRUD(생성, 읽기, 갱신, 삭제) 기반의 기능을 매우 빠르게 구현하게 해준다. 거대하고 활발한 생태계 : ‘젬(Gem)’이라고 불리는 수많은 오픈소스 라이브러리가 존재하여 인증, 결제, 파일 업로드 등 다양한 기능을 몇 줄의 코드로 손쉽게 추가할 수 있다. 가독성 및 유지보수성 : 루비 언어 자체의 간결하고 우아한 문법과 레일즈의 잘 정립된 관례는 코드의 가독성을 높여 팀 단위 협업과 장기적인 유지보수를 용이하게 한다. 한편, 단점은 다음과 같다. 상대적으로 느린 실행 속도 : 인터프리터 언어인 루비의 특성상, Go나 Java와 같은 컴파일 언어 기반의 프레임워크에 비해 요청 처리 속도가 느릴 수 있다. 초기 학습 곡선 : 레일즈의 많은 부분이 ‘마법’처럼 자동으로 동작하기 때문에, 내부 동작 원리를 깊이 이해하기 전까지는 문제 발생 시 원인을 파악하고 디버깅하는 데 어려움을 겪을 수 있다. 제한적인 유연성 : 레일즈가 제시하는 강력한 관례는 대부분의 웹 애플리케이션 개발에 최적화되어 있지만, 매우 특수하거나 비표준적인 구조를 가진 시스템을 개발할 때는 오히려 제약이 될 수 있다. 젬은 현재 인공지능 기술 스택을 고려해 발전 중이다. 루비 생태계의 중심에는 ‘루비젬스(RubyGems)’라는 강력한 패키지 관리 시스템이 자리 잡고 있다. 이는 전 세계의 루비 개발자들이 만든 수많은 라이브러리를 젬이라는 표준화된 패키지 형태로 공유하고 재사용할 수 있도록 하는 핵심 기반이다. 개발자는 젬을 통해 인증, 데이터베이스 연동, 웹 서버 구동과 같은 복잡한 기능을 직접 구현할 필요 없이, 이미 검증된 코드를 자신의 프로젝트에 손쉽게 통합하여 개발 생산성을 극대화할 수 있다. 이러한 의존성을 체계적으로 관리하는 도구가 바로 ‘번들러(Bundler)’이다. 프로젝트의 Gemfile에 필요한 젬의 이름과 버전을 명시하면, 번들러는 해당 젬뿐만 아니라 그 젬이 의존하는 다른 모든 젬까지 정확한 버전으로 설치하여 개발 환경의 일관성을 보장한다. 이는 여러 개발자가 협업하는 환경에서 발생할 수 있는 잠재적인 충돌을 방지하고 안정적인 애플리케이션 운영을 가능하게 하는 필수 과정이다. 최근 인공지능, 특히 거대 언어 모델(LLM)이 기술의 새로운 패러다임으로 부상하면서 루비 커뮤니티 역시 이러한 변화에 발 빠르게 대응하고 있다. 루비의 강점인 뛰어난 가독성과 개발 편의성을 바탕으로, 복잡한 AI 기능을 애플리케이션에 통합하기 위한 다양한 젬들이 활발하게 개발되는 중이다. 가장 대표적인 것은 ruby-openai 젬으로, 오픈AI (OpenAI)가 제공하는 GPT, 달리(DALL-E)와 같은 강력한 모델의 API를 루비 코드 내에서 직관적으로 호출할 수 있게 해준다. 이를 통해 개발자는 손쉽게 챗봇, 콘텐츠 생성, 이미지 생성과 같은 최신 AI 기능을 자신의 서비스에 접목할 수 있다. 여기서 한 걸음 더 나아가, langchainrb는 LLM을 활용한 고수준의 애플리케이션을 구축하기 위한 프레임워크를 제공한다. 이는 단순히 API를 한 번 호출하는 것을 넘어, 여러 단계의 프롬프트를 연결하는 ‘체인’이나 LLM이 특정 도구를 사용하도록 만드는 ‘에이전트’와 같은 복잡한 로직을 구조적으로 설계할 수 있도록 돕는다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.