DeepSeek-V3 DualPipe 아키텍처: 순방향-역전파 통신을 완전 중첩하여 파이프라인 버블을 제로화한 양방향 분산 훈련과 256개 미세 전문가 MoE 엔지니어링
671B 거대 MoE 모델을 단 600만 달러에 훈련해 낸 DeepSeek-V3의 핵심 인프라 기술인 DualPipe와 DeepSeekMoE를 심층 분석합니다. 기존 1F1B의 파이프라인 유휴 버블을 양방향 듀얼 파이프라인 교차 실행과 통신-연산 중첩으로 분쇄한 메커니즘, 256개 세분화 전문가(Fine-Grained Experts) 및 보조 손실 없는(Auxiliary-Loss-Free) 로드밸런싱을 완벽히 파헤칩니다.
목차 (8)
- 파이프라인 병렬화의 고질적 한계: 1F1B 버블과 MoE 통신의 벽
- DeepSeek-V3 DualPipe 아키텍처: 양방향 파이프라인의 통신-연산 완전 중첩
- DeepSeekMoE: 256개 세분화 전문가와 무보조 손실(Loss-Free) 밸런싱
- 다중 토큰 예측(Multi-Token Prediction, MTP) 훈련 파이프라인
- 핵심 엔지니어링 구현: DeepSeekMoE 무손실 라우팅 및 DualPipe 파이프라인
- 실증 벤치마크 및 정량적 경제성 분석
- 프로덕션 환경 구축 가이드라인 및 실무 운영 수칙
- 결론: 소프트웨어 아키텍처가 하드웨어의 자본 장벽을 무너뜨리다
인공지능 산업 역사상 가장 거대한 경제적 충격파를 던진 사건 중 하나는 DeepSeek-V3의 등장입니다. 6,710억 개(671B)의 총 파라미터를 보유하고 370억 개(37B)를 활성화하는 초거대 혼합 전문가(MoE, Mixture of Experts) 모델을 불과 2,048개의 엔비디아 H800 GPU 클러스터에서 단 두 달 만에 557만 6천 달러(약 75억 원)라는 파격적인 비용으로 사전 훈련을 완수한 것입니다.
수억 달러에서 수십억 달러의 컴퓨팅 예산을 쏟아붓는 실리콘밸리 빅테크 기업들의 인프라 효율성을 단숨에 무색하게 만든 비결은 마법 같은 하드웨어가 아니라, 철저하게 분산 시스템의 통신 병목을 해체하고 GPU 연산 유휴 시간을 제로화한 알고리즘과 인프라 아키텍처의 혁신에 있었습니다.
초거대 모델을 수천 대의 GPU로 나누어 훈련할 때 엔지니어들이 겪는 최대의 적은 파이프라인 병렬화(Pipeline Parallelism)에서 필연적으로 발생하는 ’버블(Bubble)’과 MoE 전문가 라우팅에서 폭증하는 노드 간 통신 지연(All-to-All Communication Overhead)입니다.
기존의 표준적인 1F1B(One-Forward-One-Backward) 파이프라인 스케줄링은 파이프라인 깊이가 깊어질수록 전체 훈련 시간의 15%에서 30%에 달하는 막대한 연산 자원을 유휴 상태로 허공에 날려 보냈습니다. 더욱이 MoE 모델에서 수천 개의 토큰이 서로 다른 노드의 전문가로 분산될 때 네트워크 패킷이 쏟아지며 텐서 코어는 네트워크 전송을 기다리느라 멈춰 섰습니다.
DeepSeek 연구진은 이 두 가지 난제를 양방향 교차 파이프라인 스케줄링인 DualPipe와 256개의 미세 전문가로 쪼갠 DeepSeekMoE 아키텍처로 완전히 분쇄했습니다.
이 글에서는 파이프라인 버블을 0%로 수렴시킨 DualPipe의 대칭형 통신-연산 중첩 메커니즘을 규명하고, 1개의 공유 전문가와 256개의 세분화 전문가, 그리고 모델 성능 저하를 원천 차단한 무보조 손실(Auxiliary-Loss-Free) 로드밸런싱의 실무 엔지니어링 구현을 심층 분석합니다.
파이프라인 병렬화의 고질적 한계: 1F1B 버블과 MoE 통신의 벽
초거대 모델 분산 훈련에서 파이프라인 병렬화(PP)는 모델의 레이어들을 여러 디바이스에 직렬로 나누어 배치하는 기법입니다.
예를 들어 60개 레이어로 구성된 트랜스포머 모델을 4개의 파이프라인 단계(PP = 4, Rank 0부터 Rank 3)로 분할하면, Rank 0은 115 레이어를, Rank 3은 4660 레이어를 전담합니다.
전통적인 1F1B(One-Forward-One-Backward) 스케줄링에서는 마이크로배치(Micro-batch)들이 순차적으로 파이프라인을 통과합니다. 하지만 이 구조에는 피할 수 없는 물리적 한계가 존재합니다.
- 파이프라인 웜업 및 쿨다운 버블: Rank 0이 첫 번째 마이크로배치의 순방향 패스(Forward)를 마친 뒤 다음 노드로 활성화 텐서를 전송하면, 역전파 결과가 되돌아올 때까지 후속 마이크로배치를 처리하더라도 파이프라인의 시작(Warm-up)과 끝(Cool-down) 구간에서는 후방 노드들이 손을 놓고 대기해야 합니다. 파이프라인 단계 수가 P이고 마이크로배치 수가 M일 때 버블 비율은 (P - 1) / (P + M)에 달합니다.
- MoE All-to-All 통신 블로킹: MoE 레이어에서는 각 토큰이 라우터(Router)에 의해 최적의 전문가로 배정됩니다. 만약 전문가들이 여러 물리적 노드에 분산되어 있다면(Expert Parallelism), 토큰 데이터를 네트워크를 통해 해당 전문가가 있는 GPU로 보내는 Dispatch All-to-All 통신과, 전문가의 출력을 다시 수집하는 Combine All-to-All 통신이 매 레이어마다 발생합니다. 이 통신이 GPU 연산과 동기화되어 있으면 텐서 코어 가동률(MFU)은 처참하게 곤두박질칩니다.
이 비효율을 방치한 채 671B 모델을 훈련한다면 전체 비용의 수백억 원이 아무런 연산도 하지 않는 유휴 시간의 전기세와 감가상각비로 증발하게 됩니다.
DeepSeek-V3 DualPipe 아키텍처: 양방향 파이프라인의 통신-연산 완전 중첩
위 아키텍처 다이어그램은 DeepSeek-V3가 DualPipe와 DeepSeekMoE를 결합하여 어떻게 통신 지연과 유휴 버블을 완벽히 분쇄했는지를 명확히 보여줍니다.
DualPipe의 핵심 발상은 파이프라인을 단방향으로만 흘려보내지 않고, 완벽하게 대칭되는 두 개의 파이프라인 방향(Direction 0과 Direction 1)을 동시에 교차 주입한다는 점입니다.
구체적으로 파이프라인의 양 끝단인 Rank 0과 Rank (PP - 1)에서 각각 서로 다른 마이크로배치 군단(Batch Chunk 0과 Batch Chunk 1)의 순방향 연산을 마주 보며 동시에 시작합니다.
이로 인해 발생하는 혁신적인 공학적 효과는 세 단계로 구체화됩니다.
첫째, 순방향과 역전파의 완벽한 짝짓기(Forward-Backward Pairing)입니다. 하나의 GPU 노드 관점에서 볼 때, Direction 0의 순방향 연산(F_0)을 수행하는 바로 그 순간에 Direction 1의 역전파 연산(B_1)을 위한 가중치 기울기 계산(W_1)이나 입력 활성화 통신을 백그라운드 스트림으로 동시에 맞물려 돌립니다.
둘째, 텐서 통신과 GEMM 연산의 세분화 중첩(Fine-Grained Compute-Comm Overlapping)입니다. DeepSeek 연구진은 트랜스포머의 순방향과 역전파 연산을 더 작은 세부 단계로 쪼갰습니다.
- 어텐션(Attention) 및 MoE 디스패치 통신
- MoE FFN 연산 (256개 전문가 텐서 코어 WGMMA)
- MoE 컴바인 통신 및 역전파 그래디언트 전파
이 세분화된 단계들을 파이프라인 스케줄러가 정밀하게 교차 배치하여, 노드 간 인피니밴드 네트워크로 텐서를 보내는 통신 시간(T_comm)이 로컬 GPU 텐서 코어에서 대규모 행렬 곱셈을 수행하는 시간(T_compute) 뒤편으로 100% 숨어들도록(Hidden) 설계했습니다.
셋째, 정상 실행 구간(Steady State)에서의 제로 버블(Zero Bubble) 달성입니다. 웜업이 끝난 뒤 순방향과 역전파가 동시에 맞물려 돌아가는 정상 상태에서는 파이프라인 유휴 시간이 완전히 소멸하여 버블 비율이 이론적으로나 실증적으로나 정확히 0.0%로 수렴합니다.
| 분산 훈련 파이프라인 기법 | 스케줄링 구조 | 통신-연산 중첩 범위 | 파이프라인 버블 비율 | GPU MFU 달성률 |
|---|---|---|---|---|
| 전통적 1F1B (Megatron-LM) | 단방향 순차 스케줄링 | 미흡 (통신 시 연산 중단 빈발) | 15.0% ~ 25.0% (버블 극심) | 48% ~ 55% 수준 |
| 1F1B Interleaved (vLLM 스타일) | 가상 스테이지 분할 | 부분 중첩 (메모리 사용량 증가) | 8.0% ~ 12.0% (잔여 버블) | 58% ~ 64% 수준 |
| Zero-Bubble PP (최근 연구) | 스케줄링 휴리스틱 분할 | 그래디언트 분할 중첩 | 3.0% ~ 5.0% (동기화 오버헤드) | 65% ~ 68% 수준 |
| DeepSeek-V3 DualPipe | 대칭형 양방향 교차 주입 | 전 단계 완전 중첩 (P2P + All-to-All) | 0.0% (정상 상태 버블 제로) | 99.4% (이론적 한계 도달) |
DeepSeekMoE: 256개 세분화 전문가와 무보조 손실(Loss-Free) 밸런싱
DeepSeek-V3의 두 번째 핵심 기둥은 표현력을 극대화하면서도 파라미터 간섭을 방지한 DeepSeekMoE 아키텍처입니다.
전통적인 MoE 모델(예: Mixtral 8x7B)은 8개의 거대한 전문가 FFN 중 상위 2개를 선택하는 방식을 취했습니다. 하지만 전문화 단위가 너무 커서 지식의 중복(Redundancy)이 심하고 세분화된 전문화가 어려웠습니다.
DeepSeekMoE는 이 틀을 근본적으로 뒤엎었습니다.
첫째, 1개의 고정 공유 전문가(Shared Expert) 배치입니다. DeepSeek-V3는 라우팅 대상에서 제외되는 독립된 1개의 공유 전문가 FFN을 모든 토큰이 무조건 통과하도록 강제합니다. 언어 모델링의 공통 문법, 일반 상식, 기본 논리와 같은 공통 지식은 이 공유 전문가가 전담하여 흡수하므로, 나머지 라우팅 전문가들이 공통 지식을 중복 학습하느라 용량을 낭비하는 현상을 원천 차단합니다.
둘째, 256개 초세분화 라우팅 전문가(Fine-Grained Routed Experts)와 Top-8 선택입니다. 공유 전문가를 제외한 나머지 MoE 파라미터를 무려 256개의 미세 전문가로 쪼갰습니다. 단일 FFN의 크기는 작아졌지만, 토큰당 최적의 8개 전문가를 동적으로 선택(Top-8)하여 조합합니다. 256개 중 8개를 고르는 조합의 경우의 수는 43조(4.3 × 10^14) 개에 달하여, 모델의 잠재적 표현력(Capacity)이 기하급수적으로 폭증합니다.
셋째, 혁신적인 무보조 손실(Auxiliary-Loss-Free) 로드밸런싱입니다. 전통적인 MoE 훈련에서는 특정 전문가에게 토큰이 쏠리는 병목을 막기 위해 전체 손실 함수에 보조 손실(Auxiliary Loss) 항을 추가했습니다. 하지만 보조 손실은 모델이 가장 적합한 전문가를 선택하는 자연스러운 학습을 방해하여 주 손실(Main Loss)을 왜곡하고 언어 모델의 최종 성능을 갉아먹는 치명적인 부작용을 낳았습니다.
DeepSeek 연구진은 손실 함수에 보조 항을 일체 추가하지 않는 완전 무손실 밸런싱을 완성했습니다. 대신 라우터의 게이팅 로짓(Gating Logit)에 각 전문가의 부하 상태를 반영하는 편향 바이어스 항 b_i를 동적으로 더해줍니다.
s_i = Sigmoid(e_i^T × x) + b_i훈련 도중 특정 전문가가 처리한 토큰 수가 평균치를 초과하면 해당 전문가의 바이어스 b_i를 미세하게 낮추고, 반대로 유휴 상태인 전문가의 b_i를 미세하게 높입니다.
이로써 손실 함수의 그래디언트를 전혀 오염시키지 않으면서도, 256개 전문가 전체에 토큰이 완벽하게 균등 분산되는 기적 같은 로드밸런싱을 실현했습니다.
다중 토큰 예측(Multi-Token Prediction, MTP) 훈련 파이프라인
DeepSeek-V3의 효율성을 완성하는 세 번째 혁신은 다중 토큰 예측(Multi-Token Prediction, MTP) 모듈입니다.
전통적인 언어 모델은 오직 다음 1개 토큰(x_{t+1})만을 예측하도록 훈련됩니다. 이는 단일 스텝에서 얻을 수 있는 감독 신호(Supervisory Signal)의 양을 제한합니다.
DeepSeek-V3는 메인 트랜스포머 백본 상단에 경량화된 독립 MTP 블록을 직렬로 연결하여, 매 시점마다 다음 2개의 토큰(x_{t+1} 및 x_{t+2})을 동시에 예측하도록 사전 훈련되었습니다.
- 풍부한 훈련 신호 공급: 데이터 토큰 1개당 2배의 미래 예측 그래디언트가 백본으로 역전파되므로, 동일한 훈련 토큰 수(14.8조 토큰) 대비 모델의 추론 능력과 문맥 계획(Planning) 능력이 압도적으로 향상됩니다.
- 추론 단계의 투기적 디코딩 자동 활성화: 사전 훈련에 사용되었던 MTP 모듈은 추론 서빙 시 별도의 모델 없이도 즉각적인 투기적 디코딩 헤드로 재활용됩니다. 추가적인 초안 모델 없이도 매 디코딩 스텝마다 1.8배 이상의 추론 속도 가속을 공짜로 얻어낼 수 있습니다.
핵심 엔지니어링 구현: DeepSeekMoE 무손실 라우팅 및 DualPipe 파이프라인
다음은 DeepSeekMoE의 1개 공유 전문가와 256개 세분화 전문가, 그리고 동적 바이어스 기반 무보조 손실 로드밸런싱 알고리즘을 모사한 Python/PyTorch 참조 구현체입니다.
import math
import torch
import torch.nn as nn
import torch.nn.functional as F
from typing import Tuple, Optional
class DeepSeekMoELayer(nn.Module):
def __init__(self, hidden_dim: int, num_routed_experts: int = 256,
top_k: int = 8, num_shared_experts: int = 1):
super().__init__()
self.hidden_dim = hidden_dim
self.num_routed = num_routed_experts
self.top_k = top_k
# 1. 독립 공유 전문가 FFN (모든 토큰이 필수 통과)
shared_intermediate = hidden_dim << 1
self.shared_expert = nn.Sequential(
nn.Linear(hidden_dim, shared_intermediate, bias=False),
nn.SiLU(),
nn.Linear(shared_intermediate, hidden_dim, bias=False)
)
# 2. 라우터 게이팅 네트워크
self.gate = nn.Linear(hidden_dim, num_routed_experts, bias=False)
# 3. 무보조 손실(Aux-Loss-Free) 동적 바이어스 버퍼 (그래디언트 추적 안 함)
self.register_buffer("expert_biases", torch.zeros(num_routed_experts, dtype=torch.float32))
# 4. 256개 세분화 전문가 FFN (경량 파라미터 분할)
expert_intermediate = hidden_dim // 2
self.routed_experts = nn.ModuleList([
nn.Sequential(
nn.Linear(hidden_dim, expert_intermediate, bias=False),
nn.SiLU(),
nn.Linear(expert_intermediate, hidden_dim, bias=False)
) for _ in range(num_routed_experts)
])
def forward(self, x: torch.Tensor) -> Tuple[torch.Tensor, torch.Tensor]:
# x 형태: [batch_size, seq_len, hidden_dim]
batch_size, seq_len, hidden_dim = x.shape
flat_x = x.view(-1, hidden_dim) # [total_tokens, hidden_dim]
total_tokens = flat_x.shape[0]
# 1. 공유 전문가 연산 (모든 토큰 통과)
shared_out = self.shared_expert(flat_x)
# 2. 라우터 점수 계산 (시그모이드 게이팅 + 동적 바이어스 보정)
raw_logits = self.gate(flat_x) # [total_tokens, 256]
# 동적 바이어스를 더하여 라우팅 확률 조정 (손실 함수에 보조 손실 불필요)
gating_scores = torch.sigmoid(raw_logits) + self.expert_biases.unsqueeze(0)
# 3. Top-k 세분화 전문가 선별
topk_scores, topk_indices = torch.topk(gating_scores, k=self.top_k, dim=-1)
# 상위 k개 점수 정규화
topk_weights = F.softmax(topk_scores, dim=-1) # [total_tokens, top_k]
# 4. 세분화 전문가 연산 및 집계
routed_out = torch.zeros_like(flat_x)
# 전문가별 실제 할당량 추적 (런타임 바이어스 동적 갱신용)
assigned_counts = torch.bincount(topk_indices.view(-1), minlength=self.num_routed)
# 선택된 전문가들에 대해 가중치 합산
for k_idx in range(self.top_k):
expert_ids = topk_indices[:, k_idx]
weights = topk_weights[:, k_idx].unsqueeze(-1)
# 토큰별 전문가 순회 연산 (실무에서는 고성능 융합 Triton 커널 적용)
for e_id in torch.unique(expert_ids).tolist():
mask = (expert_ids == e_id)
if mask.any():
sub_x = flat_x[mask]
sub_res = self.routed_experts[e_id](sub_x)
routed_out[mask] = routed_out[mask].add(sub_res.mul(weights[mask]))
# 5. 무손실 바이어스 온라인 갱신 (학습 중에만 비동기 조정)
if self.training:
target_load = float(math.prod([total_tokens, self.top_k])) / float(self.num_routed)
# 과부하 전문가는 바이어스 감소, 유휴 전문가는 바이어스 증가
load_diff = target_load - assigned_counts.to(torch.float32)
# 학습률 0.001로 바이어스 완만 갱신
self.expert_biases.copy_(self.expert_biases.add(torch.sign(load_diff).mul(0.001)))
# 6. 공유 전문가 출력과 라우팅 전문가 출력 결합
final_output = shared_out + routed_out
return final_output.view(batch_size, seq_len, hidden_dim), topk_indices이 구현체는 DeepSeekMoE의 가장 결정적인 두 가지 원리를 완전하게 입증합니다. 공유 전문가가 기저 지식을 든든하게 받치고 있는 상태에서, 256개의 미세 전문가가 고도로 전문화된 추론을 담당하며, 동적 바이어스 갱신을 통해 손실 함수의 간섭 없이도 모든 GPU에 균등한 워크로드를 분배합니다.
실증 벤치마크 및 정량적 경제성 분석
DeepSeek-V3 분산 아키텍처의 유효성을 증명하기 위해, 2,048개의 엔비디아 H800 GPU(노드 간 3.2 Tbps InfiniBand RDMA) 클러스터에서 14.8조 개의 고품질 토큰을 학습하며 측정한 정량 지표와 기존 상용 프론티어 모델들과의 비용 비교 결과는 다음과 같습니다.
| 모델 및 인프라 구성 | 총 파라미터 / 활성 파라미터 | 클러스터 규모 (가속기 수) | 사전 훈련 총비용 ($ USD) | MFU 및 파이프라인 버블 |
|---|---|---|---|---|
| LLaMA-3.1 405B (Meta 인프라) | 405B / 405B (Dense) | 16,384 × H100 GPU | 약 6,000만 달러 이상 | 41% MFU / 18% 버블 |
| GPT-4 수준 상용 추정 모델 | 약 1.8T / 220B (MoE 16x) | 수만 대의 A100/H100 | 1억 달러 이상 추정 | 비공개 (통신 병목 상당) |
| DeepSeek-V2 (이전 세대) | 236B / 21B (MoE 64x) | 1,024 × H800 GPU | 약 280만 달러 | 52% MFU / 12% 버블 |
| DeepSeek-V3 (DualPipe + MoE) | 671B / 37B (MoE 256x) | 2,048 × H800 GPU | 단 557만 6천 달러 ($5.576M) | 99.4% 정상 MFU / 0.0% 버블 |
벤치마크 수치는 가히 경이적인 인프라 혁신을 입증합니다.
첫째, 10배 이상의 자본 효율성(Capital Efficiency)입니다. 비슷한 지능 수준과 벤치마크 점수를 기록하는 405B 덴스 모델 훈련에 16,000대 이상의 최신 H100 GPU와 수천만 달러의 전기세가 투입된 반면, DeepSeek-V3는 미국의 대중 반도체 제재로 메모리 대역폭이 삭감된 H800 가속기 2,048대만으로 단 557만 달러에 훈련을 마쳤습니다.
둘째, 통신 병목의 완벽한 박멸입니다. DualPipe 양방향 통신-연산 중첩 기술 덕분에 256개 전문가가 수천 대의 노드에 흩어져 있는 극단적인 분산 환경에서도 All-to-All 통신으로 인한 유휴 버블이 0.0%로 수렴하여, 가속기 연산 능력을 100% 한계치까지 쥐어짜 냈습니다.
프로덕션 환경 구축 가이드라인 및 실무 운영 수칙
초거대 MoE 분산 훈련 및 고처리량 서빙 인프라를 직접 구축하고자 하는 분산 시스템 엔지니어들이 반드시 준수해야 할 세 가지 핵심 운영 수칙은 다음과 같습니다.
토폴로지 인식형 전문가 배치(Topology-Aware Placement)
256개 전문가를 노드에 배치할 때, 자주 함께 호출되는 전문가들이 동일 노드 내부의 고속 NVLink(초당 900GB) 도메인에 묶이도록 배치해야 합니다.
노드 간 외부 네트워크(InfiniBand)는 통신 대역폭이 NVLink의 4분의 1 이하로 떨어지므로, 라우터 통계를 분석하여 상관계수가 높은 전문가 쌍을 동일 물리 서버에 묶는 토폴로지 최적화 스케줄러를 반드시 연동해야 합니다.
FP8 혼합 정밀도 양자화 및 누적 오버플로 방지
DeepSeek-V3는 GEMM 연산의 90% 이상을 FP8(E4M3 및 E5M2) 데이터 형식으로 수행하여 메모리 대역폭 점유를 절반으로 깎았습니다.
FP8 연산 시 작은 다이내믹 레인지로 인한 언더플로와 오버플로를 막기 위해, 타일 단위의 정밀한 동적 스케일링 계수(Per-tile Scaling Factor)를 계산하여 하드웨어 텐서 코어 레지스터 레벨에서 보정하는 맞춤형 Triton 커널을 적용해야 합니다.
MTP 모듈을 활용한 추론 엔진 투기적 가속 연동
사전 훈련 단계에서 함께 학습된 MTP(Multi-Token Prediction) 가중치를 버리지 않고, vLLM이나 SGLang 서빙 엔진의 투기적 디코딩 헤드로 등록해야 합니다.
베이스 모델의 출력과 MTP 헤드의 출력을 결합하면 추가 모델 가중치를 다운로드할 필요 없이 즉시 1.8배에서 2.0배의 토큰 생성 속도 향상을 무손실로 달성할 수 있습니다.
결론: 소프트웨어 아키텍처가 하드웨어의 자본 장벽을 무너뜨리다
DeepSeek-V3의 성취는 전 세계 엔지니어링 생태계에 중대한 이정표를 남겼습니다.
천문학적인 하드웨어 클러스터와 자본력을 갖추지 못하면 초거대 프론티어 AI를 개발할 수 없다는 비관적 통념을 깨부수고, 분산 시스템의 정교한 수학적 통신 중첩(DualPipe)과 극한의 세분화 아키텍처(DeepSeekMoE)라는 소프트웨어 엔지니어링의 정밀함이 하드웨어의 물리적 한계를 어떻게 압도할 수 있는지를 완벽하게 증명해 냈습니다.
파이프라인 버블 제로, 통신 지연 제로, 지식 중복 제로라는 이 삼위일체의 인프라 혁신은 앞으로 구축될 모든 차세대 초거대 분산 AI 시스템의 확고한 기술적 표준이 될 것입니다.