[기고] 가상 검증과 자동화된 V&V

아이티데일리에 실린 유성재 매스웍스코리아 이사의 기고 '가상 검증과 자동화된 V&V'는 '빨라진 구현, 더 중요해진 검증'을 소제목으로 내걸고 최근 한 대학 교수와의 대화 내용을 소개한다.

이 대화에서 해당 교수는 연구실 일부 학생이 모델·자동 코드 생성보다 C++ 직접 구현 선호 경향을 보인다고 전했다. 이들은 코딩 에이전트 활용 선호를 보였고, 그 이유로는 당장 연구 과제 구현 속도 우위 체감을 들었다.

다만 이는 단일 연구실 사례로 일반화 불가하며, 모델과 직접 구현이 항상 한쪽 우월 의미는 아니라는 점이 함께 정리된다. 이 사례의 핵심도 도구 우열이 아니라는 데 있다.

글은 구현 비용이 빠르게 낮아지는 추세라고 짚으면서도, 코딩 에이전트 작성 소프트웨어 역시 모델 기반 가상 환경 연계 검증 가능하다고 설명한다. 그러면서 구현이 쉬워지더라도 결과 확인과 검증 책임은 여전히 유지된다는 점으로 논지를 모은다.

항공기, 무인체계, 유도무기, 위성·발사체를 대상으로 하는 국방·항공 시스템은 긴 수명주기와 엄격한 인증 요건이라는 특성을 지닌다. 이에 따라 개발 완료는 동작 코드 작성만으로 불충분하며, 요구사항 충족 여부와 비예상 조건에서의 안전성, 변경 후 기존 기능 유지 여부를 입증하는 단계가 필수로 뒤따른다. 확인·검증(V&V: Verification & Validation)은 이런 입증을 담당하는 범위로 확대되고 있다.

AI 산출물 생성 속도 증가는 AI 가속에 따른 검증 대상 증가로 이어지면서 V&V 범위를 넓히고, 그 결과 개발의 새로운 병목이 구현에서 확인·검증으로 이동하고 있다. 이런 맥락에서 디지털 트윈의 가치는 가상 모델 생성에만 있지 않으며, 핵심 가치는 요구사항·아키텍처·설계·코드·시험 결과의 디지털 스레드 연결과 검증 가능한 증거 축적에 있다. 디지털 스레드는 요구사항·아키텍처·모델·코드·시험 결과를 연결해 변경 영향 추적과 검증 근거 추적을 가능하게 하는 수단으로 제시된다.

시스템 결함의 원인은 다양하며 코드 한 줄에만 한정되지 않는다. 요구사항 모호성도 결함 발생 요인이고, 물리 모델의 가정과 실제 환경이 불일치할 가능성도 있으며, 정상 동작하는 구성요소라도 결합한 뒤에는 예기치 않은 거동이 나타날 수 있다. 따라서 검증은 구현 완료 뒤 합격 판정만 하는 활동이 아니라 요구사항을 실행 가능한 시험 조건으로 바꾸는 과정에서 시작돼야 한다. 시험 시나리오의 범위에는 정상 운용 조건, 경계값, 센서 편차, 통신 지연, 환경 변화, 구성요소 고장이 포함되며, 각 조건별로 기대 결과와 허용 범위를 명확히 해야 한다.

이 과정에서 중요한 원칙은 시험 시나리오를 요구사항과 분리된 별도 문서로 두지 않는 데 있다. 요구사항과 시험 조건의 대응 관계, 시험 실행 모델, 소프트웨어 버전, 결과 판정 기준을 연결해 관리해야 한다. 모델 기반 설계는 제어 알고리즘과 플랜트 모델을 폐루프로 연결하는 기능을 제공하며, 이를 통해 시나리오를 시스템 수준에서 실행하는 효과를 낸다. 같은 시험 환경에 소프트웨어를 연결하는 조건은 사람이 작성한 소프트웨어와 AI가 생성한 소프트웨어에 동일하게 적용되며, 검증의 범위도 개별 기능 동작을 넘어 전체 시스템이 의도한 거동을 충족하는지 확인하는 데 있다.

실물 시험은 시간·비용·시험 설비·안전 등의 제약이 있어 가능한 운용 조건·고장 조합 전체의 실물 재현이 어렵다. 반면 가상 환경은 입력·파라미터의 체계적 변화가 가능하고 대규모 시나리오 반복 실행이 가능해 다양한 경우를 검증하는 데 장점이 있다.

다만 이런 활용이 판단 근거로 쓰이려면 디지털 트윈과 단순 시뮬레이션 모델의 구분이 필요하며, 목적 정의와 유효 범위 정의가 선행돼야 한다. 또한 실측 데이터 비교와 필요한 정확도 확인이 이뤄져야 하며, 특히 국방·항공 분야에서는 모델 신뢰성이 시험 전략과 인증 대응에 영향을 준다. 유효성 미확인 모델의 대량 가상 시험은 잘못된 가정의 반복 가속으로 이어질 수 있다.

따라서 가상 검증 활용 원칙은 모델 유효 범위 명확화 선행에 있다. 가상 검증은 유효 범위 안에서 실물 시험 보완에 활용되고, 위험 높은 조건 선제 식별에 쓰여야 한다.

가상 시험 결과는 실물 시험 축소 근거가 아니라 실물 확인 필수 조건 선별 기준이자 시험 우선순위 결정 기준으로 쓰인다. 가상 환경에서는 취약 구간과 고위험 조건을 선행 탐지하고, 실물 시험에서는 대표 시험 조건과 모델–실제 시스템 간 차이를 중점 확인한다. 실물 시험에서 관찰된 차이는 모델 파라미터 보정과 모델 유효 범위 보정에 활용된다.

이 같은 검증 체계의 성과로 12개월만의 개발 가능이 제시됐다. 독일 위성 스타트업 리플렉스 에어로스페이스(Reflex Aerospace)는 자세·궤도 제어 시스템(AOCS) 시뮬레이터를 개발 대상으로 삼아 매트랩(MATLAB)·시뮬링크(Simulink) 툴체인을 사용했다. 이 과정에서 에어로스페이스 툴박스(Aerospace Toolbox)와 에어로스페이스 블록셋(Aerospace Blockset)을 활용했다.

시뮬레이션에는 궤도 전파와 자세 동역학, 우주 환경 효과로 분류되는 지구 자기장이 반영됐다. 또 스테이트플로우(Stateflow)를 사용해 위성 운용 모드와 모드 간 전환, 비정상 상황 대응 로직을 모델링했다.

리플렉스 에어로스페이스는 위성 자세·궤도 제어 시스템 검증을 단계적으로 수행하면서 모델 기반 가상 검증·대규모 시뮬레이션·PIL·HIL 시험·비행 데이터 분석을 연계했다. 이 과정에서 가상 검증 범위를 대규모 확장했고, Parallel Computing Toolbox를 활용해 대규모 시뮬레이션 캠페인을 가속했으며, 수천 개 시나리오를 효율적으로 탐색했다. 또 별도 Monte Carlo 시뮬레이션을 수행해 불확실성에 대비한 제어 알고리즘 강건성을 평가했다. 검증 단계는 계층적으로 수행돼 하위 함수 단위 시험부터 Simulink Test 기반 시스템 수준 기능 시험까지 이어졌고, 개발 초기 정의한 요구사항 기반 테스트 케이스를 개발 전반에 재사용했다.

이후 Simulink Coder를 사용해 탑재 소프트웨어용 C 코드를 자동 생성했고, PIL·HIL 시험을 실시해 생성 코드의 실행 거동과 시뮬레이션에서 확인한 거동의 일치 여부를 검증했다. 2025년 첫 위성 SIGI가 발사된 뒤에는 Curve Fitting Toolbox를 활용해 데이터 분석·후처리를 수행했고, 실제 위성 성능과 시뮬레이션 예측의 일치 여부를 확인했다. 또한 SIGI가 궤도에 진입한 후에는 비행 데이터를 활용해 시뮬레이션 모델을 검증·개선할 수 있게 됐다.

이 사례의 핵심은 12개월 결과 자체보다 속도를 가능하게 한 검증 구조에 있다. 이는 검증을 생략한 것이 아니라 검증 시점을 가상 환경으로 선행한 것이며, 소프트웨어·프로세서·하드웨어·실제 운용 데이터의 각 단계에서 반복 가능한 검증 구조를 구축한 데 따른 것이다.

시험 자동화의 핵심 요소는 시험 횟수가 아닌 증거다. 다수 시험 자동 실행만으로 V&V 완성은 불가하며, 결과는 추적 가능한 증거 형태로 축적돼야 한다. 이를 위해서는 요구사항별 시험 시나리오, 사용 모델, 소프트웨어 버전, 결과 판정 기준에 대한 기록이 필요하다.

디지털 스레드의 실질적 가치가 발현되는 구간은 검증이다. 연결된 요구사항은 시험 조건·판정 기준으로 전환되며, 변경 영향 시험 선별 후 재실행이 이뤄진다. 시험 실패 시에는 요구사항·아키텍처·모델·소프트웨어·시험 환경을 추적해야 하며, 이 과정에서는 원인 구분 역량이 필요하다.

이 같은 연결 구조의 역할은 자동화된 V&V를 단순 반복 실행 이상으로 확장하는 데 있다. 연결 구조가 존재할 경우 자동화된 V&V는 인증·설계 의사결정용 증거 체계로 활용된다.

AI는 경계 조건 제안, 시험 후보 제안, 대량 결과의 이상 징후 탐지에 활용될 수 있다. 다만 AI가 구현·기대 결과를 함께 생성하고 스스로 합격 판정까지 할 경우 동일 오류의 양측 반영이 발생할 수 있다. 따라서 AI 분석은 검증 증거의 대체가 아니며, 사람 검토 대상 영역 탐색을 돕는 보조 수단으로 쓰이는 것이 적정하다.

자동화된 V&V 확대가 진행될수록 중요 요소는 대량 시험 실행 기술만으로 불충분하다는 점이라고 볼 수 있다. 핵심은 물리 모델의 소프트웨어 평가 유효성을 판단하고, 시험 시나리오의 요구사항 실제 검증 여부를 판단하며, 결과 차이 원인을 모델링 가정과 소프트웨어 오류로 구분하는 데 있다.

이 때문에 모델·물리 이해만으로 부족하고, 소프트웨어 작성 능력만으로 부족하다는 지적이 나온다. 필요한 판단을 위해서는 단일 분야 역량이 아니라 여러 요소를 함께 아우르는 능력이 요구된다.

필요 인력 역량으로는 모델 유효 범위 이해, 시스템 거동 이해, 요구사항 추적성 이해, 소프트웨어 검증 체계 이해, 인증 체계 이해가 제시된다. 자동화된 V&V 확대 환경에서는 이러한 결합 역량이 중요해진다는 의미다.

AI의 코드·모델 생성 가속과 AI 발전에 따른 결합 역량 가치 증대로 향후 경쟁력 기준은 산출물 생성 속도 우위 여부가 아니게 된다는 분석이다. 향후 경쟁력 결정 요소는 요구사항→시험→증거→인증 흐름의 끊김 없는 연결이며, 디지털 트윈의 역할은 해당 흐름 위에서 개발 속도와 신뢰성 동시 향상 기반이 되는 데 있다.

출처: 아이티데일리 (IT DAILY) · 유성재
원문: https://www.itdaily.kr/news/articleView.html?idxno=241388

참고자료

• https://www.itdaily.kr/news/articleView.html?idxno=241388