Windows 11 Pro 원격 종료 오케스트레이션 (HTTP Sidecar 방식)

LanSaid — Mon, 2 Feb 2026 14:41:36 +0900

원격으로 프로젝트 자동화 관련 제어를 위해 slack + n8n 을 이용한 로컬 시스템들의 wol 부팅, 원격 시스템 종료를 구성하는데 있어 windows11 환경의 보안정책 때문에 cmd shutdown 등의 명령으로는 권한 문제로 불가능함에 따라 우회 방법을 구축한 후기를 공유 합니다.

http 웹요청 시 포트는 본인이 원하는 것으로 수정하시면 됩니다.(저는 편의성 8081)

본 매뉴얼은 윈도우의 강화된 보안 정책(Remote UAC)을 우회하여, 외부(n8n 등)에서 안정적으로 원격 종료를 수행하는 [사이드카 리스너] 방식을 다룹니다.

1. 기술적 배경

[UAC 원격 제한]: 윈도우 11 Pro는 네트워크 로그온 사용자에게 시스템 제어 권한을 주지 않습니다.
[해결책]: 시스템 내부에서 SYSTEM 권한으로 실행되는 경량 HTTP 리스너를 통해 명령을 로컬에서 실행하게 합니다.

2. Windows 11 Pro 측 설정 (대상 머신)

Step 1: 사이드카 리스너 스크립트 작성

아래 경로에 스크립트를 생성합니다. 윈도우 내부의 SYSTEM 권한으로 실행되어 모든 보안 제약을 우회합니다.

권장 경로: C:\Users\<윈도우_계정_이름>\studio-core\shutdown_listener.ps1

PowerShell

# Perspective: Lightweight Control Plane Listener (Port 8081)
# <윈도우_계정_이름> 부분을 실제 환경에 맞게 수정하십시오.

$port = 8081
$listener = [System.Net.HttpListener]::new()
$listener.Prefixes.Add("http://+:$port/shutdown/")

try {
    $listener.Start()
    Write-Host "Control Plane is active on port $port..."
    
    while($listener.IsListening) {
        $context = $listener.GetContext()
        $res = $context.Response
        
        # 신호 수신 즉시 200 OK 응답 후 종료 시퀀스 진입
        $res.StatusCode = 200
        $res.Close()
        
        Write-Host "$(Get-Date): Shutdown signal received. Executing..."
        # 로컬 SYSTEM 권한으로 실행되므로 모든 원격 UAC 제한을 무시합니다.
        shutdown.exe /s /f /t 0
    }
} finally {
    $listener.Stop()
}

Step 2: 부팅 시 자동 실행 등록 (작업 스케줄러)

관리자 권한의 파워쉘에서 실행하여 리스너를 상주 서비스로 만듭니다.

PowerShell

# <윈도우_계정_이름> 부분을 실제 환경에 맞게 수정하십시오.
$taskName = "AI_Studio_Shutdown_Listener"
$scriptPath = "C:\Users\<윈도우_계정_이름>\studio-core\shutdown_listener.ps1"

# 기존 작업 삭제 후 재등록 (중복 방지)
Unregister-ScheduledTask -TaskName $taskName -Confirm:$false -ErrorAction SilentlyContinue

$action = New-ScheduledTaskAction -Execute "powershell.exe" `
    -Argument "-NoProfile -ExecutionPolicy Bypass -WindowStyle Hidden -File $scriptPath"
$trigger = New-ScheduledTaskTrigger -AtStartup
$principal = New-ScheduledTaskPrincipal -UserId "SYSTEM" -LogonType Service -RunLevel Highest

Register-ScheduledTask -TaskName $taskName -Action $action -Trigger $trigger -Principal $principal -Force
Start-ScheduledTask -TaskName $taskName

3. n8n 워크플로우 설정 (제어 서버)

Step 1: Dynamic Node Selector (JavaScript 전체 버전)

WOL 파이프라인의 무결성을 유지하면서 OS별로 셧다운 방식을 분기합니다.

JavaScript

/**
 * AI Orchestrator: Multi-OS Control Plane
 * Feature: OS-based Logic Splitting (Linux SSH vs Windows HTTP)
 */
const inventory = $("Local_Computers").first().json.nodes;
const aiNode = $("Message a model").first();
const aiJson = JSON.parse(aiNode.json.content.parts[0].text);

const targets = (aiJson.target || "").toString().split(',').map(t => t.trim().toUpperCase());
const rawAction = (aiJson.action || "WOL").toUpperCase();

let selected = inventory.filter(node => {
    const nName = (node.name || "").toUpperCase();
    const nRole = (node.role || "").toUpperCase();
    return targets.some(t => {
        if (t === "ALL_COMPUTERS") return true;
        if (t === "DEV_NODES" && (nRole.includes("DEV") || nRole.includes("DEVELOPMENT"))) return true;
        return nName.includes(t) || nRole.includes(t);
    });
});

return selected.map(node => {
    const isLinux = (node.role || "").toUpperCase().includes("DEVELOPMENT");
    let res = { json: { ...node, action: rawAction, msg: aiJson.msg || `${node.name} 시퀀스 가동` } };

    if (/SHUTDOWN/i.test(rawAction)) {
        if (isLinux) {
            res.json.os_type = "LINUX";
            res.json.shutdown_command = "sudo -n /usr/sbin/shutdown -h now";
        } else {
            res.json.os_type = "WINDOWS";
            res.json.shutdown_url = `http://${node.ip}:8081/shutdown/`;
        }
    }
    return res;
});

Step 2: Slack 알림 메시지 통합 수식

SSH와 HTTP 응답을 모두 수용하는 통합 보고 체계입니다.

JavaScript

{{ ( ( $json.code === 0 ) || ( $json.statusCode === 200 ) ) ? "✅" : "❌" }} [SHUTDOWN] {{ $("Dynamic Node Selector").item.json.name }}
- 결과: {{ ( ( $json.code === 0 ) || ( $json.statusCode === 200 ) ) ? "명령 전달 성공" : "명령 전달 실패" }}
- 상세: {{ $json.stderr || $json.statusMessage || "정상 응답 수신" }}

추론(Inference) 서버 네이티브 Ubuntu 환경으로 전환 후기

LanSaid — Sun, 1 Feb 2026 03:15:40 +0900

이전에는 학습을 위해 윈도우11의 wsl2 환경에서 구동했으나 장기적으로 전용 머신으로 굴리기 위해 Ubuntu 환경을 설치함.
쉽게 될줄 알았는데 역시 리눅스는 리눅스 였음..

nvidia 드라이버 버전 잡는 것부터 시작해서... 도커에 모델올리는 과정이 wsl2 에 비해서 매우 까다로웠음.
특히 기존에 시도해왔던 vllm 환경은 현시점(2026.1.31) 해당 우분투 버전과 nvidia 드라이버로는 RTX 50 시리즈를 운용하는게 어렵다고 판단 됨.

처음에는 추론모델 종류의 문제라고 생각했으나 삽질결과 SGLang 으로 교체하고 올리는 데 성공하면서 문제점을 확인하게됨.
그 결과 예전에 구축했던 것 대비 컨텍스트 길이 16k->32k 확장에 성공하고 벤치마킹 2종(bench_serving, NeedleTest) 모두 통과하여 추론서버 구축을 마무리함.

이하 벤치마킹용으로 작성한 파워쉘 스크립트도 첨부함.

[Final] Blackwell 기반 1인 AI 스튜디오: Qwen 2.5 Coder 32B/32k 구축 완결 가이드

1. 서론: 1인 개발자의 꿈, 'Vertical AI'의 탄생

2. 하드웨어 인프라 및 OS 최적화

GPU: NVIDIA GeForce RTX 5070 Ti 16GB x 2 (Blackwell 아키텍처)
Driver: Version 590.48.01 (CUDA 13.1 지원) - Blackwell의 FP8 연산 성능을 온전히 활용하기 위한 필수 조건.
OS 환경: Ubuntu Native (Headless 권장)
- WSL2 vs Native: WSL2의 VRAM 선점(WDDM) 문제를 원천 차단하여 가용 메모리를 극대화했습니다.
- Headless 실측: GUI 유무에 따른 VRAM 차이는 약 20MB 수준으로 확인되었습니다. 리눅스 환경이 이미 고도로 최적화되어 있다면 모니터 연결 여부가 성능에 미치는 영향은 미미하며, 운영자의 편의를 위해 GUI를 유지하는 것이 생산성 면에서 합리적입니다.
- 트러블슈팅 기록: ASUS NUC N355 등 미니 PC를 게이트웨이로 활용할 경우, Realtek RTL8125BG 2.5G LAN 드라이버 호환성 문제를 사전에 해결해야 합니다.

3. 소프트웨어 스택: 왜 SGLang인가?

vLLM의 한계: 소비자용 메인보드(NVLink 부재) 환경에서 GPU 간 P2P(Peer-to-Peer) 통신 에러가 빈번하며, 텐서 병렬화(TP) 구성 시 안정성이 낮았습니다.
SGLang의 승리: * Gloo Backend: P2P 통신이 불가능한 환경에서도 Gloo를 통한 안정적인 데이터 교환을 지원합니다.
- FlashInfer & CUDA Graph: 최신 가속 커널을 통해 Blackwell GPU의 잠재력을 극한까지 끌어올립니다.
- Chunked Prefill: 방대한 코드 입력을 조각내어 처리함으로써 VRAM 피크치를 억제합니다.

4. 모델 구동 최적화 설정 (The Golden Config)

Bash

docker run -d --name sglang-worker \
  --runtime nvidia \
  --gpus all \
  -p 8000:30000 \
  --ipc=host \
  lmsysorg/sglang:latest \
  python3 -m sglang.launch_server \
  --model-path Qwen/Qwen2.5-Coder-32B-Instruct-AWQ \
  --tp 2 \
  --trust-remote-code \
  --host 0.0.0.0 \
  --context-length 32768 \
  --mem-fraction-static 0.85 \
  --kv-cache-dtype fp8_e4m3 \
  --chunked-prefill-size 2048

핵심 파라미터 분석

AWQ (4-bit Weight): 32B 모델의 방대한 가중치를 압축하여 16GB VRAM 환경에 안착시켰습니다.
FP8 KV Cache (fp8_e4m3): 문맥 데이터를 8비트로 압축하여 VRAM 점유율을 50% 절감했습니다. 이는 32k 컨텍스트를 유지하면서도 연산 여유를 확보하는 핵심 열쇠입니다.
--mem-fraction-static 0.85:VRAM의 85%만 정적 풀로 할당하여, 연산 시 발생하는 Dynamic Activations 공간을 약 2.4GB 확보했습니다. 이 '숨 쉴 공간'이 추론 중 발생하는 OOM(Out of Memory)을 방지합니다.
$$VRAM_{Total} = VRAM_{Static} + VRAM_{Dynamic} + VRAM_{OS}$$

5. 64k 도전과 실패: 기술적 임계점 분석

실패 양상: Prefill(입력 처리) 속도는 **$31,000\text{ tokens/s}$**라는 경이로운 수치를 기록하며 성공했으나, 실제 답변 생성(Generation) 직전 OOM 발생.
원인 분석: 64k의 캐시를 담기 위해 메모리 할당량을 90%(0.90)로 높이자, 정밀한 연산을 수행할 동적 메모리 공간이 108MB 미만으로 축소되어 시스템이 붕괴되었습니다.
결론: 하드웨어의 처리 속도는 64k를 감당할 수 있으나, 16GB VRAM의 물리적 공간은 32k가 가장 완벽한 무결성을 보장하는 '골든 스탠다드'임을 확정했습니다.

6. 실측 벤치마킹 결과 및 평가① bench_serving: Blackwell의 압도적 처리량

컨텍스트 크기	소요 시간 (Latency)	처리량 (Throughput)
8k (8,000토큰)	~4.3s	$1,861.7\text{ tokens/s}$
16k (16,000토큰)	~8.9s	$1,782.7\text{ tokens/s}$
32k (32,000토큰)	~19.5s	$1,640.8\text{ tokens/s}$

평가: 32k 문맥을 단 20초 만에 해석하는 속도는 로컬 서버가 상용 API를 완전히 대체할 수 있음을 시사합니다. 특히 입력을 처리하는 Prefill 단계에서 Blackwell의 우위가 압도적이었습니다.

② NeedleTest: 32k 무결성 검증 (NIAH)

결과: 최종 정답률 100% (9전 9승).
평가: 32k 범위 내에서는 정보 누락(Lost in the Middle) 현상이 전혀 발생하지 않았습니다. 이는 100만 라인 프로젝트의 파편화된 로직들 사이의 의존성을 AI가 단 하나의 오차 없이 연결할 수 있다는 신뢰의 지표입니다.

7. 비교 분석: 상용 AI vs 타 GPU

비교 항목	Blackwell 1인 스튜디오	상용 AI (Claude/GPT)	이전 세대 GPU (4090 등)
데이터 보안	완전 폐쇄형 (보안 최고)	데이터 학습 활용 리스크	로컬 (동일)
운영 비용	전기세 외 제로	지속적인 토큰 비용 발생	유지비용 높음
분석 시야	32k (최적화 완료)	200k+ (방대함)	32k (FP8 가속 부족)
반응 속도	즉각적 (대기열 없음)	네트워크/서버 대기 발생	Blackwell 대비 느림

결론: 시야의 절대량은 상용 AI가 앞설 수 있으나, 1인 개발자가 수천 번 반복해야 하는 코드 수정 및 분석 업무에서는 즉각적인 반응성과 무료 토큰을 제공하는 로컬 32k 시스템이 압도적인 생산성 우위를 가집니다.

8. 최종 결론: 1인 개발자를 위한 최강의 연장2. 하드웨어 티어별 성능 비교 (2026년 기준)

장비 등급	모델 (32B급 기준)	32k 시야 t/s (Prefill)	평가
M2/M3 Ultra (128GB)	Qwen 2.5 32B	100 ~ 200 t/s	컨텍스트는 넓으나 속도가 매우 답답함
RTX 4090 x 2 (48GB)	Qwen 2.5 32B	1,100 ~ 1,300 t/s	이전 세대 대장급. 안정적이나 Blackwell에 밀림
운영자님 서버 (5070 Ti x 2)	Qwen 2.5 32B	1,670 ~ 1,930 t/s	최신 Blackwell FP8 가속의 압승
H100 (Enterprise)	Qwen 2.5 32B	3,500 ~ 5,000 t/s	압도적이나 1인 스튜디오가 감당할 가격이 아님

2026 AI 인프라 티어별 통합 비교 (Qwen 2.5 32B 기준)

등급	GPU 구성	VRAM 합계	처리량 (Prefill t/s)	구축 비용 (상대치)	평가
보급형	5060 Ti 16GB x 2	32 GB	~800 t/s	Low	경제적 시야 확보
운영자	5070 Ti 16GB x 2	32 GB	~1,670 t/s	Optimal	1인 스튜디오 황금비율
상급	5080 16GB x 2	32 GB	~1,850 t/s	High	과잉 화력과 발열
단일	5090 32GB x 1	32 GB	~1,700 t/s	Very High	심플한 단일 노드 끝판왕
엔터프라이즈	DGX Station A100/H100	320 GB+	5,000+ t/s	Infinite	산업계의 금단 영역

⚠️ 오버엔지니어링 경고 (Infrastructure Freeze)
주요 개념 정리
- Needle In A Haystack: LLM의 긴 문맥 처리 능력을 평가하는 표준 테스트입니다.
- FP8 E4M3: 정밀도와 용량의 최적 타협점으로, 최신 GPU가 가장 선호하는 포맷입니다.
- Vertical AI: 특정 산업(C# 서버 개발)에 특화된 지능형 시스템을 뜻합니다.
모든 테스트를 거쳐 도출된 결론은 명확합니다. "안정적인 32k는 불안정한 64k보다 수십 배 더 가치 있다." 운영자님이 구축한 이 시스템은 현존하는 로컬 AI 인프라 중 1인 개발자가 도달할 수 있는 가장 합리적이면서도 강력한 종착점입니다.
C# MMORPG 소스 코드 파편들 사이에 보안 키를 숨기고 추출하는 테스트를 수행했습니다.
우리는 두 가지 정밀 테스트를 통해 이 인프라의 성능을 객관적으로 입증했습니다.
1인 스튜디오의 한계를 시험하기 위해 감행했던 64k 확장 시도는 우리에게 중요한 데이터를 남겼습니다.
수많은 시행착오 끝에 도출된 32k 시야 확정형 가동 명령어입니다.
멀티 GPU 환경에서 모델을 분산 처리(Tensor Parallelism)하기 위한 엔진 선택은 시스템의 생사를 결정합니다.
인프라의 안정성은 하드웨어와 OS 레이어의 정교한 세팅에서 시작됩니다.
본 프로젝트의 궁극적인 목표는 100만 라인급 C# MMORPG 서버 프로젝트를 로컬에서 독립적으로 분석, 설계, 구현할 수 있는 전용 인프라를 구축하는 것입니다. 상용 API의 높은 비용과 보안 우려를 넘어서기 위해, 최신 Blackwell GPU 자원을 수학적으로 설계하여 **지능(32B 모델)**과 **시야(32k 컨텍스트)**의 최적점을 찾아냈습니다.

ASUS NUC 14 시리즈 NUC14MNK35 N355를 구매 시 주의할점

LanSaid — Fri, 30 Jan 2026 00:45:03 +0900

상시 ubuntu 24.04.2 os 서버를 구동하기 위해 구입했다.
하지만.. 이 미니pc는 태생적으로 결함을 가지고 있다.
그것은 바로 네트워크 관련 트러블이 있다는것...

1. 유선랜관련 트러블
리얼텍 R8125 버전인데 이게 os 설치할때도 안잡히고 그냥은 공유기에서 ip를 못받는다
굉장히 까다로운 방법으로 드라이버를 수동으로 내려받아 빌드하고 yaml 로 '수동 ip' 지정을 해야한다
DHCP 로 자동으로 ip도 못받는다.
무선랜은 os 설치부터 잘잡히지만... 서버를 띄우는데 2.5Gbps 유선랜 냅두고 왜 무선랜을 쓸까...

2. USB 에 키보드 등이 안꽂혀 있으면 네트워크 지연이 심하게 걸리는 버그가 있다고 한다.

이문제를 해결 시 참조했던 내용이다.
https://discourse.ubuntu.com/t/asus-nuc-14-essential-with-core-3-n355-cpu-ethernet-found-by-ubuntu-24-04-2-but-inop/55625

ASUS NUC 14 Essential with Core 3 N355 CPU -- Ethernet found by Ubuntu 24.04.2 but inop

Hi. I am by no means good at troubleshooting Linux, but I have built dozens of computers (many of them various distros of Debian-based Linux) over the years, and helped many people with their computer stuff, and I have never had even one problem with Ether

discourse.ubuntu.com

https://discourse.ubuntu.com/t/rtl8125-2-5gbe-ethernet-port-not-working-in-ubuntu-24-04/55551

RTL8125 2.5GbE Ethernet port not working in Ubuntu 24.04

Hi. I am by no means good at troubleshooting Linux, but I have built dozens of computers over the years, and helped many people with their computer stuff, and I have never had even one problem with Ethernet connections to the Internet. Here is my current p

discourse.ubuntu.com

공식 사이트 답변 : Ubuntu 24.04 에서는 랜드라이버 문제가 있음을 공식적으로 확인함. 25.04 에서 정식 픽스 되었음.
https://www.asus.com/kr/support/faq/1055246/

[NUC] NUC14 Essential이 Redhat 또는 기타 Linux OS 플랫폼을 지원하나요? | 공식지원 | ASUS 한국

www.asus.com

결과적으로 쓰고 싶으면 os 버전을 잘 골라야 한다.
그런데 지금 당장 lts 버전을 쓰고 싶은데..
일단 세팅했으니 쓰기는하겟는데 나중에 lts 다음버전 나오면 업글하던가 이대로 쓰던가 해야겟다... 후... 큰맘먹고 샀는데 이걸로 날밤깔줄은 상상도 못했다.

리눅스가 안그래도 드라이버 잡기 까다로운데 기본이 되는 네트워크 드라이버도 못잡을줄이야 ㅋㅋㅋㅋㅋㅋㅋㅋ
오늘도 Gemini Pro가 한건했다. 돈값 제대로 했구나

-------------------
차후 신규 lts 버전에서 해당 문제가 해결된 것이 확인된 경우 커널 업데이트 시 해야할 작업 정리해둠.

사용자님의 ASUS NUC 14 Essential에서 현재 발생한 이더넷 이슈는 커널 버전이 올라가면서 자연스럽게 해결될 예정이며, 환경 전체를 밀지 않고 커널만 업데이트하는 3가지 현실적인 경로를 정리해 드립니다.

1. 우분투 HWE(Hardware Enablement) 스택 활용 (표준 방식)

우분투 LTS 버전은 안정성을 위해 커널 버전을 고정하지만, 최신 하드웨어 지원을 위해 HWE라는 이름으로 차기 버전의 커널을 백포팅하여 제공합니다.

메커니즘: 현재 24.04.2 LTS의 커널은 6.8 버전이지만, 24.10이나 25.04가 릴리스되면 해당 버전의 최신 커널(예: 6.11 이상)이 HWE 패키지를 통해 업데이트됩니다.
업데이트 방법: 시스템 업데이트 시 자동으로 반영되지만, 명시적으로 아래 명령어를 사용할 수 있습니다.

Bash

sudo apt install --install-recommends linux-generic-hwe-24.04

장점: 공식 저장소를 사용하므로 가장 안전하고 시스템 의존성이 깨질 염려가 적습니다.

2. Mainline 커널 수동 업그레이드 (시니어 방식)

우분투 공식 릴리스를 기다리지 않고, 리눅스 커널 공식 팀에서 배포하는 최신 커널을 즉시 적용하는 방법입니다.

대상 버전: 디스커스 사례에 따르면 커널 6.11 이상에서 RTL8125 리비전 이슈가 네이티브로 해결될 가능성이 높습니다.
도구 활용: Ubuntu Mainline Kernel Installer와 같은 도구를 사용하면 현재 환경을 유지하면서 커널만 선택해서 설치하고, 문제가 생기면 이전 커널로 쉽게 롤백할 수 있습니다.
명령어 예시 (CLI):

Bash

# 메인라인 커널 설치 도구 추가
sudo add-apt-repository ppa:cappelikan/ppa
sudo apt update && sudo apt install mainline

3. 커널 업데이트 후 "커스텀 드라이버" 제거 프로세스

나중에 커널 업데이트를 통해 이더넷이 네이티브로 지원되기 시작하면, 지금 설치한 수동 드라이버(9.016.01)와 충돌이 날 수 있습니다. 그때를 위한 리팩토링 절차입니다.

DKMS 제거: 수동 설치했던 드라이버를 커널 모듈에서 삭제합니다.
Bash
```
sudo dkms remove r8125/9.016.01 --all
```
블랙리스트 해제: /etc/modprobe.d/blacklist-r8169.conf 파일을 삭제하여 순정 드라이버가 다시 로드되도록 합니다.
부팅 테스트: 재부팅 후 ethtool -i enp1s0 명령어로 커널 내장 드라이버가 잡히는지 확인합니다.

분산 AI RAG 서버 구축

LanSaid — Sun, 25 Jan 2026 22:10:59 +0900

8845HS를 활용한 분산 AI RAG 서버 구축 및 자동화 가이드

0. 서론: 왜 분산 인프라인가?

대규모 언어 모델(LLM)과 벡터 데이터베이스(Vector DB)를 한 장비에서 돌리는 것은 VRAM과 시스템 자원 간의 전쟁을 야기합니다. 저는 **5950X(추론 노드)**와 **8845HS(지식 노드)**를 분리하여, 추론 성능을 극대화하면서도 언제든 확장 가능한 RAG(Retrieval-Augmented Generation) 시스템을 구축했습니다.

1. 인프라 설계 (Architecture)

Inference Node (5950X): vLLM 기반 LLM 서빙 (RTX 50xx Multi-GPU).
Knowledge Node (8845HS): Qdrant 기반 벡터 데이터베이스 및 지식 인덱싱.
Bridge: REST API 및 전용 Python Orchestrator (agent.py).

2. 환경 구축: WSL2 & Docker 최적화

2.1 WSL2 인스턴스 스토리지 이전

8845HS의 시스템 드라이브 부하를 줄이기 위해 WSL2(Ubuntu)를 D 드라이브로 이전했습니다.

PowerShell

# WSL 인스턴스 내보내기 및 가져오기 (예시)
wsl --export Ubuntu D:\AI\backup\ubuntu.tar
wsl --unregister Ubuntu
wsl --import Ubuntu D:\AI\WSL\Ubuntu D:\AI\backup\ubuntu.tar

2.2 Docker Desktop Integration 트러블슈팅

인스턴스 이전 후 docker.sock 연결 오류나 docker command not found 문제가 발생할 수 있습니다.

해결: Docker Desktop 설정 내 Resources > WSL Integration에서 해당 배포판 스위치를 Toggle(Off -> On) 하여 심볼릭 링크를 재생성합니다.

3. 지식 저장소 가동: Qdrant Deployment

Qdrant는 가볍고 빠르며 분산 환경에 적합합니다. Docker를 통해 영구 저장소(Persistent Storage)를 매핑하여 가동합니다.

Bash

# 8845HS Ubuntu Terminal
docker run -d --name qdrant \
  -p 6333:6333 -p 6334:6334 \
  -v ~/qdrant_storage:/qdrant/storage:z \
  qdrant/qdrant

4. 시니어의 자동화: Batch Scripting

매번 터미널을 열어 명령어를 치는 것은 비효율적입니다. 부팅 시나 작업 시작 시 원클릭으로 가동하는 배치 파일을 작성했습니다.

✅ Qdrant 가동 스크립트 (Qdrant_Start.bat)

핵심 포인트:

ANSI 인코딩: 윈도우 CMD의 한글 깨짐 및 BOM 에러 방지.
절대 경로 호출: 비로그인 셸 환경에서 도커 경로 유실 방지.

코드 스니펫

@echo off
title 8845HS Qdrant Starter
echo ======================================================
echo  [NODE_NAME] Knowledge Server Starter
echo ======================================================

echo [1/2] Qdrant 컨테이너 가동 확인 중...
:: WSL 내부의 도커 절대 경로를 직접 호출
wsl -d Ubuntu -u [USER_ID] /usr/bin/docker start qdrant

:: 가동 상태 확인
wsl -d Ubuntu -u [USER_ID] /usr/bin/docker ps | findstr qdrant > nul
if %errorlevel% neq 0 (
    echo [!] 오류: Qdrant 가동 실패. Docker 상태를 확인하세요.
    pause & exit
)

echo [✓] 서버가 정상 가동 중입니다. (Port: 6333)
echo.
echo [2/2] 로그 실시간 출력 (종료: Ctrl+C)
wsl -d Ubuntu -u [USER_ID] /usr/bin/docker logs -f qdrant

✅ 자원 회수 및 클린 종료 스크립트 (Stop_Services.bat)

8845HS는 저전력 프로세서이지만, WSL2와 Docker가 점유하는 RAM은 무시할 수 없습니다. 작업 종료 시 VRAM(사용 시)과 시스템 메모리를 완전히 윈도우로 반환하는 것이 포인트입니다.

[스크립트 내용]

주의: 메모장에서 작성 후 반드시 **인코딩을 'ANSI'**로 설정하여 저장하세요.

코드 스니펫

@echo off
:: 보안을 위해 [USER_ID] 부분을 본인의 환경에 맞게 수정하세요.
title 8845HS AI Resource Reclaiming

echo ======================================================
echo  8845HS AI Services - Graceful Shutdown
echo ======================================================

echo [1/2] Qdrant 컨테이너 중지 중...
:: 데이터 유실 방지를 위해 강제 종료가 아닌 'stop' 명령을 사용합니다.
wsl -d Ubuntu -u [USER_ID] /usr/bin/docker stop qdrant

if %errorlevel% equ 0 (
    echo [✓] Qdrant 컨테이너가 정상적으로 종료되었습니다.
) else (
    echo [!] 알림: 실행 중인 Qdrant 컨테이너가 없거나 종료 중 오류가 발생했습니다.
)

echo.
echo [2/2] WSL2 인스턴스 완전 종료 및 메모리 반환...
:: 단순히 컨테이너를 끄는 것만으로는 부족한 vmmem(RAM) 점유를 완전히 해제합니다.
wsl --shutdown

echo.
echo [✓] 모든 AI 자원이 시스템으로 반환되었습니다.
echo ======================================================
pause

블로그를 위한 기술적 해설 (Post Commentary)

이 스크립트를 블로그에 올리실 때 아래와 같은 해설을 덧붙이면 시니어 개발자의 통찰력이 돋보이는 포스팅이 됩니다.

1. 왜 docker stop인가?

도커 컨테이너를 단순히 죽이는 것이 아니라 stop 명령어를 사용하는 이유는 데이터 무결성 때문입니다. Qdrant와 같은 데이터베이스는 종료 신호(SIGTERM)를 받았을 때 메모리의 데이터를 디스크로 안전하게 플러시(Flush)하는 과정이 필요합니다.

2. wsl --shutdown의 마법

WSL2는 리눅스 커널을 가상화하여 돌리기 때문에, 내부 프로세스가 끝나도 윈도우 작업 관리자에서 vmmem이라는 프로세스가 여전히 수 GB의 RAM을 잡고 있는 경우가 많습니다. wsl --shutdown은 이 가상 머신 자체를 완전히 내려버림으로써 8845HS의 소중한 시스템 자원을 즉시 100% 회수합니다.

3. 절대 경로 및 인코딩 이슈 해결

앞선 포스팅에서 언급했듯, 배치 파일에서 wsl 명령어를 호출할 때는 환경 변수 미로드로 인한 경로 오류가 잦습니다. 따라서 /usr/bin/docker와 같은 절대 경로를 사용하고, ANSI 인코딩으로 저장하여 CMD 환경에서의 예외 상황을 원천 차단했습니다.

5. 마치며: 인프라 구축 후기

분산 환경 구축의 핵심은 **'가시성'**과 **'자동화'**입니다. 8845HS는 저전력임에도 강력한 CPU 성능을 갖춰 RAG 노드로써 최적의 퍼포먼스를 보여주었습니다. 이제 이 기억 저장소에 데이터를 채워 넣어, 나만의 AI 에이전트를 완성할 차례입니다.

Local LLM 서버 구축 연습

LanSaid — Sun, 25 Jan 2026 02:16:55 +0900

[마스터 매뉴얼] 5950X AI Hub & Build Factory 구축 가이드

이 매뉴얼은 5950X 노드가 AI 추론뿐만 아니라 GPU 가속 기반 유니티 빌드, C# 컴파일 검증, AI 리소스 생성, GitHub 자동 Push를 수행할 수 있도록 최적화된 설정값을 기록합니다.

Step 1. 하드웨어 구성 및 물리적 배치

듀얼 GPU 환경에서는 데이터 전송 병목을 줄이기 위한 슬롯 배치가 성능의 핵심입니다. 특히 GPU 0(5060 Ti)이 전체 추론 속도의 기준점이 됨을 명시합니다.

Main CPU: AMD Ryzen 9 5950X (16 Cores / 32 Threads)
Memory: 64GB DDR4
GPU 구성 (Total 32GB VRAM):
- Slot 0 (Bottom/Primary): NVIDIA GeForce RTX 5070 Ti 16GB (메인 추론 분산 담당)
- Slot 1 (Top/Secondary): NVIDIA GeForce RTX 5070 Ti 16GB (메인 추론 분산 담당)
Storage: 1TB NVMe SSD (vLLM 엔진 및 모델 웨이트), 8TB HDD (AI 학습 데이터, 생성 리소스, 빌드 아카이브)
OS: Native Ubuntu 24.04 (가속 성능 극대화)
Network: 2.5G LAN (1Gbps 스위치 허브 연결)

Step 2. 허깅페이스(Hugging Face) 및 GitHub 인증 설정

자동화된 모델 다운로드와 외부 코드 전송(Push)을 위한 필수 인증 단계입니다.

Hugging Face 설정:
- Token 생성: Settings > Access Tokens > New Token (Type: Read)
- Name: 5950X-vLLM-Server
GitHub CLI 설정:
- 9950X3D 부재 시 자동 Push를 위해 Personal Access Token (PAT) 발급 필요.
- gh auth login 명령어를 통해 5950X 노드에 권한 부여.

Step 3. OS 및 인프라 환경 (WSL2 Ubuntu & 개발 도구)

GPU 가속 추론과 C# 컴파일 검증을 위한 환경 설정입니다.

Bash

# 1. NVIDIA Container Toolkit 설치 (Docker GPU 연결)
curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \
  && curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \
    sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \
    sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list
sudo apt-get update && sudo apt-get install -y nvidia-container-toolkit

# 2. Docker 및 GitHub CLI 설치
sudo apt-get install -y docker.io github-cli
sudo systemctl start docker && sudo systemctl enable docker

# 3. Windows 호스트 측 설정 (추가)
# - Visual Studio 2026 Build Tools 설치 (MSBuild 및 C# 컴파일러 확보)
# - Unity CLI 설치 (GPU 가속 빌드 테스트용)

Step 4. vLLM 서버 구동 (최적화 커맨드)

32B 모델을 듀얼 GPU에 분산하여 16K 컨텍스트를 유지하는 최적의 설정입니다.

Bash

docker run -d --name vllm-server \
  --runtime nvidia \
  --gpus all \
  -e HUGGING_FACE_HUB_TOKEN="hf_your_token_here" \
  -p 8000:8000 \
  --ipc=host \
  -v /usr/lib/wsl:/usr/lib/wsl \
  -e LD_LIBRARY_PATH=/usr/lib/wsl/lib:$LD_LIBRARY_PATH \
  vllm/vllm-openai:latest \
  --model Qwen/Qwen3-32B-AWQ \
  --tensor-parallel-size 2 \
  --max-model-len 16384 \
  --gpu-memory-utilization 0.90 \
  --trust-remote-code \
  --disable-log-requests

주의: gpu-memory-utilization 0.90은 WSL2 환경에서 다른 그래픽 작업(ComfyUI 등)과 충돌을 방지하고 VRAM 부족(OOM) 오류를 막는 가장 안정적인 수치입니다.

Step 5. 유지보수 및 자율 운영 모니터링

성능 확인: nvidia-smi를 통해 두 GPU의 VRAM이 각각 약 15.6~15.9GB씩 균등하게 점유되었는지 확인.
추론 속도: docker logs -f vllm-server에서 Avg generation throughput이 23.3 tokens/s 수준이면 정상.
리소스 생성 관리: ComfyUI API를 통해 생성된 리소스가 8TB HDD에 정상적으로 적재되는지 확인.
GitHub 연동: 9950X3D가 꺼진 상태에서 5950X가 git push를 성공적으로 수행하는지 테스트.

[벤치마킹 리포트] 5950X AI Hub 성능 검증

1. 벤치마킹 수행 절차

연결성 테스트: 9950X3D 및 5600G(n8n) 노드와의 API 호출 성공 여부 확인.
부하/컴파일 테스트: 1,700토큰 분량의 C# 코드를 생성하고, 5950X 내 MSBuild를 통해 컴파일 성공 여부 확인.
리소스 생성 병행 테스트: vLLM 추론 중 ComfyUI를 통한 이미지 생성 시 간섭 여부 측정.

2. 벤치마킹 결과 (Qwen3-32B-AWQ 기준)

항목	측정치	평가
첫 토큰 지연 시간 (TTFT)	약 1.5초	사용자가 엔터를 친 후 반응까지 매우 신속함
평균 생성 속도 (TPS)	23.3 tokens/s	32B 모델 기준 로컬 최상위권 성능
최대 컨텍스트 길이	16,384 tokens	대규모 유니티 소스 코드 전체 분석 가능
VRAM 점유율 (GPU 0 / 1)	15.6GB / 15.6GB	Tensor Parallel=2를 통해 정밀하게 분산됨
전력 소모 및 온도	Peak 202W / 57°C	듀얼 GPU 부하 상황에서도 안정적인 온도 유지

3. 타 시스템과의 비교 및 가치 분석

vs 단일 RTX 4090: 4090은 속도가 빠르나 VRAM(24GB) 한계로 32B 모델의 16K 컨텍스트 유지가 어렵습니다. 본 시스템은 32GB VRAM 확보를 통해 '지능의 깊이' 면에서 우위에 있습니다.
23.3 TPS의 실전 의미: 1,758 토큰의 복잡한 로직을 약 75초 만에 작성하며, 이는 사람이 수동으로 작성하고 검토하는 시간을 95% 이상 단축합니다.

[향후 재검증 방법 (Check-list)]

시스템 재구축 후 성능 저하가 의심될 때 다음을 확인하십시오.

로그 확인: docker logs에서 TPS가 20.0 미만으로 떨어지는가?
슬롯 대역폭: GPU가 물리적으로 재배치되어 PCIe 레인 수가 제한(x4 등)되지 않았는가?
컴파일 환경: MSBuild(Visual Studio 2026) 경로가 환경 변수에 올바르게 등록되어 있는가?
GitHub 권한: PAT(Personal Access Token)가 만료되어 자동 Push가 실패하고 있지 않은가?

* 2026.1.25 수정

~~지능보다는 프로젝트 코드를 최대한 많이 전달하기 위해 컨텍스트 크기를 늘리는 방향으로 결정.~~
모델을 2.5로 교체하고 컨텍스트 크기를 28k로 늘림. (32k 시도했으나 모델로드 성공 후 kv캐시 구축 등에서 실패했었음)
결론 : 코더로서의 성능은 좋은데 언어(한국어, 중국어 등이 문제가 됨) 문제로 원래 모델로 돌림.

docker run -d --name vllm-server \
  --runtime nvidia \
  --gpus all \
  -e CUDA_DEVICE_ORDER=PCI_BUS_ID \
  -e VLLM_USE_V1=0 \
  -v ~/.cache/huggingface:/root/.cache/huggingface \
  -v /usr/lib/wsl:/usr/lib/wsl \
  -e LD_LIBRARY_PATH=/usr/lib/wsl/lib:$LD_LIBRARY_PATH \
  -p 8000:8000 \
  --ipc=host \
  vllm/vllm-openai:latest \
  --model Qwen/Qwen2.5-Coder-32B-Instruct-AWQ \
  --tensor-parallel-size 2 \
  --max-model-len 28000 \
  --gpu-memory-utilization 0.90 \
  --trust-remote-code \
  --disable-log-requests

AI Orchestration 구축 시작 - 하드웨어 준비

LanSaid — Sun, 25 Jan 2026 01:58:38 +0900

1. Core Logic Tier (두뇌 및 리소스 팩토리)

메인 개발 환경이자 리소스 생산의 핵심 기지입니다.

[Node A] 9950X3D 워크스테이션

CPU: AMD Ryzen 9 9950X3D (3D V-Cache 기반, 대규모 코드 인덱싱 및 컴파일 가속)
Mainboard: ASRock X870E Taichi (PCIe 5.0 x8/x8 지원 플래그십)
GPU 1: NVIDIA RTX 5080 16GB (메인 렌더링, 유니티 에디터 가속, 고해상도 그래픽 생성)
GPU 2: NVIDIA RTX 5060 Ti 16GB (로컬 RAG, Continue.dev 임베딩 및 오토컴플릿 전담)
PSU: SuperFlower SF-1200F14XP LEADEX VII PRO PLATINUM ATX 3.1 (PCIE5)
역할:
- AI Resource Factory: Stable Diffusion Forge/ComfyUI 기반 고해상도 캐릭터/원화 생성.
- Local Intelligence: IDE(Visual Studio)와 연동된 초저지연 코드 보조 및 로컬 임베딩 연산.
- Development Control: 유니티 프로젝트 메인 개발 및 전체 클러스터 지휘.

⚙️ 2. Inference Tier (실무 추론 서버)

CTO(Claude)의 지시를 받아 실제 코드를 작성하는 '실무자' 노드입니다.

[Node B] 5950X 전용 추론 서버

CPU: AMD Ryzen 9 5950X (16코어 32스레드 워크스테이션 노드)
Mainboard: ASUS ROG Crosshair VIII Dark Hero (X570)
GPU 1: NVIDIA RTX 5070 Ti 16GB (갤럭시 BLACK 2X)
GPU 2: NVIDIA RTX 5070 Ti 16GB (이엠텍 MIRACLE WHITE)
RAM: DDR4 64GB
OS: Native Ubuntu 24.04 (가속 성능 극대화)
vLLM 설정:
- Model: Qwen/Qwen2.5-Coder-32B-Instruct-AWQ
- Options: Tensor Parallel(TP)=2, FP8 KV Cache, Multi-step decoding(steps 10)
역할:
- Heavy Worker: 100만 라인급 프로젝트의 실무 코드 작성, 리팩토링, 로직 분석 전담.
:: AI Orchestration 구축 시작2-1 - 추론(Inference) 서버 네이티브 Ubuntu 환경으로 전환 후기

3. Knowledge Tier (지식 및 검색 노드)

시스템의 '기억'을 담당하며, 추론 서버에 맥락(Context)을 공급합니다.

[Node C] 8845HS 고성능 미니 PC

CPU: AMD Ryzen 7 8845HS / RAM: 32GB / Storage: 1TB NVMe
역할:
- Warm Storage (Vector DB): Qdrant 기반 100만 라인 소스 코드의 벡터 인덱스 저장 및 검색.
- Knowledge Base: 유니티 API 문서, MSDN, 프로젝트 기획서 등 정적 지식 서빙.

4. Validation & Persistence Tier (검증 및 데이터)

AI가 만든 결과물을 실제로 구동하고 데이터를 기록하는 테스트 베드입니다.

[Node D] 1220P 분산 테스트 클러스터 (4대)

H/W: i2-1220P / 16GB RAM / 512GB SSD (Win11 Pro)
역할:
- Simulation: 빌드된 게임 서버 및 테스트 클라이언트 다중 구동.
- QA Automation: AI 작성 로직의 성능 지표(TPS, Latency) 및 패킷 안정성 검증.

[Node E] 5600G DB 전용 머신

H/W: AMD Ryzen 5 5600G / 32GB RAM / 512GB SSD (Win11 Pro)
역할:
- Service DB: 게임 서비스용 Redis, MySQL 구동 및 DB 스트레스 테스트 수행.

️ 5. Orchestration Tier (관제 및 외부 연통)

365일 상시 가동되며 클러스터 전체의 생존과 흐름을 관리합니다.

[Node F] N355 자율 오케스트레이터

H/W: Intel N355 / 16GB RAM / 512GB SSD (Ubuntu)
상태: 24/7 Always-on
역할:
- Gateway: 로컬 네트워크와 외부망(Slack, GitHub, 외부 API) 간의 소통 채널.
- Master Control: n8n 기반 자율 개발 워크플로우 제어 및 WOL을 통한 타 노드 기동.
- Knowledge Hub: Obsidian 중앙 서버(CouchDB/LiveSync) 운영 및 지식 문서 보관.
- Reporting: 작업 상태 및 특이사항을 슬랙으로 실시간 보고.

시스템 요약 테이블

구분	주요 장비	핵심 소프트웨어	VRAM/RAM	가동 전략
Brain	9950X3D	SD Forge, Continue.dev	32GB (GPU)	작업 시
Worker	5950X	vLLM (FP4/FP8)	32GB (GPU)	작업 시
Memory	8845HS	Qdrant, TEI	32GB	작업 시
Testing	1220P x4	Game Server/Client	16GB x4	검증 시
Storage	5600G	MySQL, Redis	32GB	작업 시
Control	N355	n8n, Obsidian, Slack	16GB	상시(24/7)

AI Orchestration 를 시작해보기로 했습니다.

LanSaid — Sun, 25 Jan 2026 01:50:41 +0900

늦게나마 AI를 접해서 회사 업무에서 IDE 레벨에서의 AI 어시스트, 대화형 웹 AI 도구(Gemini) 등을 써보면서 놀라움과 두려움을 느끼고 있습니다.
정도는 다를지언정 다들 비슷할거라 생각합니다.

막상 AI 어시스트를 써보면 그냥 내가하는게 나을 거같은데? 생각지도 못한걸 제안해주기도 하는 등의 편차는 있긴한데 점점 새로운 모델이 나오면서 기대를 하게 만듭니다.

다만 여기서 문제가 하나 발생한 것이... 토큰 사용량의 압박이 컷습니다.
소위 말하는 바이브코딩만으로 작업물 하나 내보니 예상을 뛰어넘는 빠른 일정으로 빨리 끝내긴 했는데 할당된 토큰 다써버리는 문제에 봉착했고 진행하던 작업이 순식간에 홀드되는 수준으로 느려지는 경험을 하고나니 벌써 중독되었구나 싶었습니다

그러다가 생각해본게 돈이 많으면야 토큰을 무제한으로 결제하면 좋겠지만 이건 너무 현실성이 없고...
프롬프트를 효율적으로 깎는 것도 쉽지 않고(그시간에 그냥 내가 구현하는게 더 빠를 수 있으니...)
'프롬프트를 AI 가 작성하게하고 최적화된 내용으로 전달하면 결국 그게 토큰을 아끼는게 아닐까?' 라는 생각에 도달했습니다.

그래서 나온 결론이 '나는 평상 시대로 인간의 의식의 흐름대로 내용을 전달하고 로컬 AI가 프로젝트 전체 맥락을 로컬 AI가 분석하게 한 후에 내가한 요청을 추려서 프롬프트를 작성한 후에 상용 AI에 전달하게 만들면 되지 않을까' 입니다.

생각이 여기까지 도달하기전엔 AI 오케스트레이션이라는 개념을 몰랐었는데 제미나이랑 토론하다 보니 알게되었네요.
여기서부터 뭔가 눈이 번쩍 뜨였고 준비를 시작했습니다.

대략적인 준비는 제미나이와 함께 고민해보고 진행했습니다.
아마 아래와 같은 과정으로 진행하게 될 것같습니다.

1. 나는 AI로 무엇을 할 것인가에 대한 고민
2. 구축 방향성 설정
3. 하드웨어 구축
4. 하드웨어 별 소프트웨어 환경 구축 및 건별 테스트
5. 완성된 환경에서 테스트 프로젝트 작성
6. 포트폴리오 수준의 프로젝트 작성
7. 하나의 완성된 게임 프로젝트 작성.
8. 발전하는 AI에 맞춰 환경 개선

오랜만에 컴퓨터를 업그레이드 했습니다.

LanSaid — Fri, 21 Mar 2025 20:59:08 +0900

기존 사양

AMD RYZEN 9 5950X

ASUS ROG CROSSHAIR VIII DARK HERO STCOM

G.SKILL DDR4-3800 CL18TRIDENT Z NEO 64G(32GX2)

EVGA GTX 1080TI FTW3 HYBRID

NZTX Kraken Z73

Fractal Design Meshify 2

시소닉 PRIME PLATINUM PX-1300

신규 사양

AMD Ryzen9 9950X3D

ASROCK X870E Taichi 에즈윈

G.SKILL DDR5 PC5-48000 CL26 TRIDENT Z5 NEO 64G cl26 6000

쿨러마스터 MASTERLIQUID 360 ION LCD

ASUS PRIME 지포스 RTX 5080 OC D7 16GB

Fractal Design Meshify 2

시소닉 PRIME PLATINUM PX-1300

=================================================================

라이젠은 1800X, 3950X, 5950X, 9950X3D 세대를 거쳐 계속 사용해왔는데 감회가 새롭습니다.

작업때문에 다중코어가 중요했기에 라이젠 시리즈를 계속 써왔지만 게임에서는 언제나 아쉬웠는데 이제야 게임도 아쉽지 않게 됬습니다.

특히 이번에는 그래픽카드 만 교체한 상황과 그래픽 카드외 나머지를 교체하는 상황을 거쳐 업그레이드 했기 때문에 각기 다른 성능 체감을 할수 있었네요.

애초에 업그레이드 계기가 되었던 몬스터헌터 와일즈에 대한 벤치마킹과 그래픽 카드 업그레이드에 의한 차이는 이전글을 참조 해주세요!

:: [몬스터헌터 와일즈] MONSTER HUNTER WILD 벤치마킹

케이스가 E-ATX 를 지원하긴하지만 미들케이스라 전반적으로 대공사였습니다.

크라켄 Z73 도 이제 보증기간도 얼마 안남았고 발열제어가 만족스럽지 않았기때문에 쿨러도 변경.

덕분에 그냥 케이스도 사서 컴X존 에 완조립 의뢰하고 편하게 퀵으로 받을까 진짜 고민 많이 했습니다. ㅠㅠ

이번 업글은 본의아니게 드래곤볼이 되었는데

5080 은 설 언휴 끝날때 혹시나? 했는데 오픈런 덜컥 성공 해버리는바람에 시작되었습니다.

그리고 9950X3D 오픈런까지 성공하는 바람에 이건 더이상 미룰수 없는 운명이라 여기며

부랴부랴 보드랑 램을 알아보기 시작했는데 램은 쉽게 정할 수 있었는데 보드가 관건이었습니다.

금번 젠5 부터 PCI 레인 이슈 때문에 글카, M.2 SSD 선택에 있어서 보드 고르기가 까다로웟습니다.

글카는 나중에 듀얼오리를 위해서 가급적이면 PCI5 x8 듀얼로 영향 안받으면서 m.2를 최대한 활용할수 있는 선택지는 거의 없어서 듀얼오리를 포기하고 Nova로 갈까하다가 결국 타이치로 오게됬네요.

사실 애즈락은 A/S 경험 생각하면 에즈윈이 후하기 때문에 볼것도 없었는데 아니 왜 다들 재고가 없는 것인가!

주문걸어두니까 다음주에 입고될 예정이에요~ 이거나 바로 품절로 주문 취소 되는 수난을 겪으며 일주일보냈습니다.

그래도 불량 보드로 시스템 뜯고 맛보고 와리가리 하면서 스트레스 받을 바엔 일주일 쯤이야...

그렇게 해서 어제 모두 모인 드래곤볼로 소원을 이루기 시작했습니다!!

그동안 컴 세팅하면서 박스샷 찍어본적이 없는데 이번에 처음으로 해보네요

무뽑은 안하게됫지만 핀이 휘면 아찔해지니 매의 눈으로 핀 상태를 채크!

초기 불량 테스트를 위해 누드 테스트 진행

선정리.. 이것이 최선이었습니까?

기존 시스템 해체하고 조립완료하고 간단한 테스트 하고나니까 새벽 5시네요...

진심 다시 빅타워로 넘어갈까 고민되는 하루였습니다.

더워서 에어컨틀면서 했네요. 보드에 땀 한방울이라고 흘렸다간.. 큰일나니까요! .@_@

메모레 EXPO 프로필 적용만 하고 그외 나머지는 메인보드 세팅 안건드린 상태에서

시네벤치R23 멀티 42500점 나왔습니다.

5950X로는 28000쯤 나왔었는데 엄청난 차이입니다 ㄷㄷ

그리고 하이엔드 메인보드 답게 오버클로킹 프로필에 몇가지 프리셋이 있더라고여 사실 순정으로 쓸 생각이었는데

궁금하니까 딸깍 넣어봤는데...

이것이 딸깍인가!?

딸깍으로 이게 된다구..?

물론 빡센 안정화 본건아니지만 딸깍으로 단계별로 진행해볼 수 있다는건 편의성 측면에서 엄청 난것 같습니다.

오버 잘 깎으시는 분들이면 몰라도 저같은 순정파는 복잡하게 건드리고 싶어도 못하니까요 ㅠ0ㅠ

이제 몬헌때문에 업글했으니 결과를 봐야겠죠?

벤치마킹 옵션은 공통적으로 QHD DLSS + 울트라 + RT끄기 + FG 적용

교체 전

교체 후

일단 평균이 20% 정도 올랐는데 최저프레임 방어가 엄청납니다.

5950X 쓸때 최저 프레임이 110 정도 나왔는데 9950X3D 넘어와선 140은 되네요.

몬헌 벤치마킹이 한번씩 최저프레임 칠때가 심한걸 감안해도 실사용 평균 프레임은 30~40%는 상승했습니다.

사이버펑크2077 도 한번 돌려봤습니다.

레이트레이싱 오버드라이브는 85프레임 정도 나와서 울트라로 세팅했습니다.

모니터가 QHD 144 라 이정도가 마지노선인듯 합니다.

[몬스터헌터 와일즈] MONSTER HUNTER WILD 벤치마킹

LanSaid — Fri, 7 Feb 2025 01:33:37 +0900

지난 1차베타 때 RT도 없는 GTX 1080TI로 QHD 에서 50프레임도 못넘기길래 이번에 RTX 5080 을 영입하고나서 마침 나온 벤치마크를 돌려봤습니다.

그런데... 결과가 처참했습니다. 거진 200만원 들여서 글카 바꿨더니 옵션 울트라-매우낮음에 상관없이 90프레임도 못넘는 대참사가 벌어졌습니다.

처음엔 CPU가 병목인줄 알고 9800X3D 를 기웃거리면서도 시스템을 싹 갈아없을 생각에 엄두가 안나서 유투브등을 보면서 방황하다가 문득 바이오스로 AGESA 버전차이로 CPU 성능에 영향을 많이 줄수 있다는 힌트를 얻었습니다.

순순히 9800X3D로 넘어가고 싶지는 않았기에 바이오스 버전 체크를 해봤더니...

보드 최초 구입시절에 나왔던 극 초기버전 바이오스를 그대로 쓰고 있었더군요 ....

심지어 5950X 와 크헤8 다크히어로를 오픈런으로 구입했던 시기라 최적화고 뭐고 없을 때였을텐데...

4년이 지난 24년도에 최신 바이오스가 있길래 눈 딱감고 업데이트를 했습니다.

그러고나서 처음엔 사이버펑크 벤치마크로 CPU 테스트를 위해 DLSS, RT, FG 등의 옵션을 모두끄고 벤치를 돌렸는데 이전보다 프레임이 2배이상이 나오는거 보고 응?? 하면서 몬헌 벤치를 돌려봤습니다.

그 결과는...

이랬던 벤치 스코어가...

메인보드 바이오스 업데이트만으로 이렇게 바뀌었습니다

결과적으로 9800X3D 는 안넘어가도 되는걸로!!

물론 넘어가면 좋겠지만 그동안 모니터 주사율 75Hz 로만 써왔던 저에게 당장 120Hz 넘는 것만해도 신세계라 만끽하면서 다음세대가 나오면 그때 고민해보겠습니다. 넘어간다면 9950X3D 가 땡기네요..

겜 뿐만 아니라 작업을 하기 때문에 코어빨이 필요한...

이하 테스트 환경과 옵션 구성에 따른 차이를 기록해보았습니다.

* 시스템 환경
- AMD Ryzen 5950X 순정
- G.Skill DDR4-3800 CL18TRIDENT Z NEO 64G (32G X 2) / XMP 2.0 / FG 2:1 - XMP 만 먹이고 아무것도 손 안댐
- ASUS ROG CROSSHAIR VIII DARK HERO
- ASUS PRIME 지포스 RTX 5080 O16G - 순정, 그래픽 드라이버 버전 572.16
- Windows 10 Pro

* 공통 세팅
- 2560 X 1440 QHD 144hz 듀얼 모니터 / 테투리 없는 창 / 수직동기 OFF
- 그래픽 프리셋 울트라

// 기존 사용하던 시스템에 1080TI 에서 5080 으로 그래픽카드만 교체한 상태
* DLSS ON / FG ON / 업스케일 모드 - 품질 우선 / 레이트레이싱 OFF / BIOS 3003 2020/12/04
SCORE 10966
평균 65.10 FPS / 최저 20FPS 대
이때 옵션을 매우 낮음으로 낮추고 해도 평균 FPS 가 100을 못넘겼음.

// 이하 메인 보드 펌웨어 업데이트 후
* DLSS OFF / FG OFF / 업스케일 모드 - 품질 우선 / 레이트레이싱 OFF / 보드 BIOS 4902 2024/09/20
SCORE 29282
평균 85.81 FPS / 최저 50FPS 대

* DLSS ON / FG OFF / 업스케일 모드 - 품질 우선 / 레이트레이싱 높음 / 보드 BIOS 4902 2024/09/20
SCORE 28421
평균 83.67 FPS / 최저 40FPS 대

* DLSS ON / FG ON / 업스케일 모드 - 품질 우선 / 레이트레이싱 OFF / 보드 BIOS 4902 2024/09/20
SCORE 27230
평균 160.33 FPS / 최저 110FPS 대

* DLSS ON / FG ON / 업스케일 모드 - 품질 우선 / 레이트레이싱 높음 / 보드 BIOS 4902 2024/09/20
SCORE 25433
평균 149.41 FPS / 최저 80FPS 대

CPU 및 보드 업그레이드 후 후기도는 아래에...

:: 오랜만에 컴퓨터를 업그레이드 했습니다.

[강원/500km] 서울-횡성-오대산-양양

LanSaid — Tue, 5 Nov 2024 22:13:26 +0900

https://naver.me/G8sM6C1C

네이버 지도 - 길찾기

티그라운드카페 → 카페 너머 → 강원 홍천군 내면 자운리 산254-34 → 입암메밀타운 → 조침령산장 → KFC 사가정

map.naver.com