로컬 AI 인프라 노트 (6/15) — Mac Mini 홈서버 트러블슈팅: macOS 자동 재시작

-

원격 접속 불가의 원인과 서버용 Mac 전원·업데이트 설정 체크리스트

핵심 요약

  • Mac Mini M4 홈서버가 원격 접속 불가 상태로 전환 — 원인은 macOS 소프트웨어 업데이트의 자동 재시작
  • 재시작 후 로그인 화면에서 대기 → Tailscale과 에이전트가 미실행 → 장시간 다운
  • 자동 업데이트 설치를 차단하고 다운로드만 허용 + 자동 로그인 설정으로 재발 방지

배경

Mac Mini M4를 Tailscale VPN으로 연결하여 원격 홈서버로 운영하는 환경에서, 다수의 에이전트와 자동화 스크립트가 상시 실행됩니다. 이 구성에서 안정성은 핵심 요구사항입니다.

macOS 자동 업데이트로 시스템이 재부팅되면, 사용자 세션 로그인 전까지 LaunchAgent가 실행되지 않는다. 결과적으로 Tailscale VPN·SSH·에이전트 등 백그라운드 서비스가 모두 다운되며, 원격에서 원인을 진단할 수 없는 상태가 된다.

본문

1. 진단 과정

서버에 물리적으로 접근한 뒤, 원인을 추적합니다. macOS는 전원 이벤트와 소프트웨어 업데이트 이력을 각각 다른 로그 채널에 기록합니다.

① 재부팅 이력 확인

last reboot

예상치 못한 reboot 항목이 기록되어 있습니다. 직접 재시작한 기록이 없는 경우, 이 시각이 장애 시점입니다.

② 전원 관리 로그 확인

pmset -g log | grep -i "restart\|shutdown\|sleep"

SoftwareUpdateNotificationManager의 RestartCountdownOperationIdleSleep assertion이 확인됩니다. 이것이 소프트웨어 업데이트가 재시작을 트리거한 증거입니다.

SoftwareUpdateNotificationManager는 macOS가 업데이트 설치를 위해 재시작을 예약할 때 전원 관리 서브시스템에 등록하는 assertion입니다. pmset의 sleep 억제와는 별개로 동작합니다.

③ shutdown 기록 없이 reboot만 존재

정상 종료(shutdown) 기록 없이 reboot만 남아 있는 패턴은 macOS 업데이트의 강제 재시작을 나타냅니다. 사용자가 개입하지 않은 재시작입니다.

④ 재시작 후 로그인 화면에서 멈춤

이것이 실질적인 장애 원인입니다. 재시작 자체는 무해하지만, 로그인 화면에서 비밀번호 입력을 기다리며 대기하는 동안:

  • Tailscale 미실행 → 원격 접속 불가
  • LaunchAgent 미실행 → 여러 에이전트와 스케줄러 전부 중단
  • 사실상 서버 다운 상태

macOS에서 사용자 세션(LaunchAgent, 사용자 환경변수, Tailscale 등)은 로그인 이후에만 시작됩니다. 자동 로그인이 없으면, 재시작 후 물리적 개입 없이는 복구되지 않습니다.

2. 원인 정리

항목 내용
직접 원인 macOS 소프트웨어 업데이트 자동 재시작
근본 원인 재시작 후 로그인 화면에서 대기 → 사용자 서비스 미시작
기존 설정 sleep=0, autorestart=1 등 전원 설정은 올바름
빈틈 소프트웨어 업데이트 재시작은 pmset과 별도 메커니즘

pmset 전원 설정만으로는 소프트웨어 업데이트 재시작을 막을 수 없습니다. macOS 소프트웨어 업데이트는 별도 경로로 재시작을 강제합니다.

3. 해결: 자동 설치 차단 + 자동 로그인

핵심 원칙: 자동 업데이트를 완전히 막지 말고, 다운로드만 허용하고 설치(재시작)를 차단합니다.

업데이트를 받아두면 보안 패치를 놓치지 않으면서도, 설치 타이밍은 직접 통제할 수 있습니다.

① 자동 업데이트 설치 차단 (다운로드는 유지)

sudo defaults write /Library/Preferences/com.apple.SoftwareUpdate AutomaticallyInstallMacOSUpdates -bool false

sudo defaults write /Library/Preferences/com.apple.SoftwareUpdate AutomaticDownload -bool true

② 자동 로그인 설정 (재시작 시 대비)

sudo defaults write /Library/Preferences/com.apple.loginwindow autoLoginUser "사용자명"

수동으로 업데이트를 설치하여 재시작이 발생하더라도, 자동 로그인이 설정되어 있으면 Tailscale과 LaunchAgent가 즉시 시작됩니다. 물리적 개입 없이 서버가 복구됩니다.

4. 서버용 Mac 전원·업데이트 설정 체크리스트

설정 값 명령어
sleep 비활성화 0 sudo pmset -a sleep 0
정전 후 자동 재시작 on sudo pmset -a autorestart 1
Wake on LAN on sudo pmset -a womp 1
업데이트 자동 다운로드 on sudo defaults write ...SoftwareUpdate AutomaticDownload -bool true
업데이트 자동 설치 off sudo defaults write ...SoftwareUpdate AutomaticallyInstallMacOSUpdates -bool false
자동 로그인 on sudo defaults write ...loginwindow autoLoginUser "사용자명"

5. 진단 도구 정리

서버에 문제가 생겼을 때 원인을 추적하는 명령어들입니다.

last reboot

pmset -g log

uptime

sysctl kern.boottime

주의사항

  • pmset 설정만으로는 부족합니다. 전원 관리와 소프트웨어 업데이트는 별개 메커니즘입니다. 둘 다 설정해야 합니다.

  • 자동 업데이트를 완전히 끄면 보안 위험이 생깁니다. 다운로드는 허용하되 설치만 차단하는 것이 균형점입니다. 주기적으로 수동 설치하면 됩니다.

  • 자동 로그인은 보안 트레이드오프입니다. 물리적 접근 가능한 환경에서는 허용 가능하지만, 외부 노출된 서버에는 권장하지 않습니다.

마무리

서버 운영에서 장애는 코드 버그보다 OS 레벨 설정에서 오는 경우가 많습니다. 이번 사례는 OAuth 토큰 만료에 이어 발생한 두 번째 인프라 장애였습니다.

공통 교훈은 동일합니다. 장애가 안 나는 구조가 아니라, 장애 후 자동 복구되는 구조를 만드는 것이 핵심입니다. 자동 로그인 하나 설정하는 것만으로, 재시작 후 서버가 스스로 복구되는 구조가 만들어집니다.

시리즈 전체 안내: 시리즈 목차

댓글

댓글 쓰기

이 블로그의 인기 게시물

"LLM 핵심 학습 (1/6) — 기본: 토큰화·임베딩·어텐션·위치 인코딩"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/6 파인튜닝 → 트랜스포머 한 블록의 데이터 흐름을 문자열 → 토큰 → 임베딩 → 어텐션 → 출력 표현 까지 손으로 풀어 본다. 이번 편이 끝나면 "왜 \(\sqrt{d_k}\)로 나누는가", "RoPE는 무엇을 회전시키는가", "한국어가 영어보다 토큰이 많은 까닭은 무엇인가"가 한 줄로 설명될 수 있다. 0. 학습 목표 이 편을 마치면 다음을 직접 할 수 있다. BPE 토크나이저 가 어휘를 어떻게 학습하고 새 문자열을 어떻게 자르는지 종이 위에서 시뮬레이션한다. 임베딩 행렬 의 모양과 초기화, weight tying의 의미를 한 줄로 설명한다. Scaled Dot-Product Attention 의 식을 차원 단위로 추적하고 PyTorch 30줄로 재현한다. Multi-Head Attention 이 한 헤드와 비교해 무엇이 다른지, 헤드 수가 늘면 어디가 비싸지는지 답한다. Sinusoidal·RoPE·ALiBi 세 위치 인코딩의 식과 외삽 성질을 구분한다. 컨텍스트 확장이 왜 \(O(N^2)\)인지, "Lost in the Middle"이 왜 발생하는지 설명한다. 1. 핵심 요약 트랜스포머의 입력은 문자열 이 아니라 정수 ID 시퀀스 다. 토크나이저가 문자열 → ID로 자른다. 임베딩은 정수 ID를 \(d\)차원 벡터로 lookup하는 학습 가능한 테이블이다. Self-Attention은 \(\text{softmax}(QK^\top / \sqrt{d_k}) V\) 한 줄이 핵심이고, 멀티헤드는 같은 연산을 여러 부분 공간에서 병렬화한 것이다. 위치 정보는 임베딩에 직접 더하거나(Sinusoidal), Q·K에 회전을 가하거나(RoPE), 어텐션 스코어에 거리 패널티를 더해서(ALiBi) 주입한다. 컨텍스트 길이 \(N\)에 대해 표준 어텐션은 \(O(N^2)\) 비용을 갖고, 긴 컨텍스트에서는 중간 위...
Read more »

"LLM 핵심 학습 (2/6) — 파인튜닝: LoRA·QLoRA·증류·Adapter"

-
이미지
← 1/6 기본 📚 시리즈 목차 3/6 디코딩과 생성 → 사전학습된 LLM을 내 데이터 에 적응시키는 방법을 비용·메모리·일반화 관점에서 정리한다. Full FT의 한계 → Adapter → LoRA → QLoRA → Distillation 순으로 같은 그림을 점점 확대해 본다. 0. 학습 목표 Full fine-tuning의 메모리 병목을 옵티마이저 상태·그래디언트·가중치·활성화 의 4분할로 설명한다. Adapter(Houlsby 2019)와 LoRA(Hu 2021)의 식 차이를 한 줄로 적는다. LoRA의 \(A, B\) 행렬이 왜 저랭크 이고, rank \(r\) 선택이 무엇을 결정하는지 답한다. QLoRA(Dettmers 2023)의 NF4·double-quant·paged optimizer를 분리해서 설명한다. Catastrophic Forgetting을 분포 시프트 관점에서 정의하고 완화 기법을 두 개 이상 든다. Hinton 2015의 Knowledge Distillation 식을 손으로 유도한다. 1. 핵심 요약 Full FT는 메모리/디스크/시간 모두 비싸다. 7B 모델 full FT는 V100 8장 + A100 1장으로도 큰 부담이다. PEFT(파라미터 효율 파인튜닝) 일가족은 극히 일부 파라미터만 학습 해 같은 효과를 얻는다. LoRA: \(\Delta W = BA\) (rank \(r \ll \min(d_{\text{in}}, d_{\text{out}})\))로 가중치 업데이트를 저랭크 분해. QLoRA: 베이스 모델을 4-bit(NF4)로 양자화한 채 LoRA만 풀-정밀(BF16)으로 학습. Catastrophic Forgetting: 새 분포에 적응하느라 이전 능력이 무너지는 현상. PEFT 자체가 부분 완화책. Distillation: 큰 교사 모델의 soft target 을 학습 신호로 써서 작은 학생 모델 을 만든다. 2. 직관: 왜 사전학습만으로는 부족한가 사전학습은 일반...
Read more »

"ML 기초 학습 (1/9) — 머신러닝과 sklearn: 학습의 좌표계"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/9 이웃 알고리즘 → 이 시리즈는 신경망과 로컬 LLM으로 가기 전에 손에 익혀 둬야 할 머신러닝 기초 9편이다. 1편은 모든 ML 코드가 공유하는 공통 문법 을 잡는 데 쓴다. sklearn은 그 문법을 가장 일관되게 보여주는 도구다. 이번 편이 끝나면 어떤 모델을 만나도 fit → predict → score → 평가 흐름이 같다는 것이 손에 잡힌다. 0. 학습 목표 이 편을 마치면 다음을 할 수 있어야 한다. 지도학습·비지도학습·강화학습을 한 문장씩 구분해 설명한다. sklearn의 estimator 인터페이스 ( fit , predict , score , transform )를 코드 한 화면 안에서 쓸 수 있다. train/validation/test 분할을 왜 하는지, 어디서 데이터 누수가 생기는지 식과 그림으로 설명한다. 분류·회귀의 핵심 평가 지표(accuracy, precision, recall, F1, MSE, R²)를 정의에서 직접 계산할 수 있다. k-fold 교차검증 을 코드 한 줄로 돌리고, 결과의 평균과 표준편차를 함께 보고할 수 있다. Pipeline 으로 전처리와 모델을 묶어 데이터 누수를 구조적으로 막는 방법을 설명한다. 1. 핵심 요약 머신러닝은 데이터에서 함수 \(f: X \to Y\)를 찾는 작업 이다. 어떤 모델이든 이 본질은 같다. sklearn은 모든 모델을 같은 인터페이스( fit , predict , score )로 통일해, 모델을 바꿀 때 한 줄만 바꾸면 되게 한다. train/val/test 세 분할이 표준이다. 검증으로 하이퍼파라미터를 고르고, 테스트는 마지막에 한 번만 본다. 데이터 누수 (test 정보가 train에 새는 현상)는 ML 입문자가 가장 자주 만드는 실수이며, Pipeline + cross_val_score 조합으로 구조적으로 막을 수 있다. 평가 지표는 문제 유형 (분류/회귀) 과 클래스 불균형...
Read more »