로컬 AI 인프라 노트 (3/15) — launchd로 서비스 자동화: 부팅 시 에이전트 자동 시작

-

macOS의 서비스 관리자 launchd로 홈서버 프로세스를 자동화한 실전기

핵심 요약

  • macOS에서 서비스를 자동 실행하려면 launchd를 써야 한다. cron이나 수동 실행은 서버 운영에 적합하지 않다
  • plist 파일 하나로 부팅 자동시작 + 크래시 자동 재시작을 설정할 수 있다. 핵심은 RunAtLoad와 KeepAlive 두 키
  • 외장 드라이브에서 실행할 경우 TCC 제한에 부딪힌다. 내부 스토리지에 실행 복사본을 두고 sync하는 우회가 필요하다

개요

macOS에서 홈서버 프로세스를 안정적으로 자동화하려면 launchd를 사용해야 한다. Linux의 systemd에 해당하는 macOS 고유의 서비스 관리자로, PID 1로 부팅과 함께 시작되며 시스템 전체의 프로세스 라이프사이클을 관리한다.

cron은 단순 주기 실행에는 쓸 수 있지만, 부팅 시 자동 시작·크래시 복구·환경변수 관리 같은 서버 운영 요건을 충족하지 못한다. launchd는 이 모든 것을 plist 파일 하나로 처리한다.

본문

1. launchd의 기본 개념 — Linux systemd와의 비교

launchd는 macOS의 PID 1 프로세스입니다. 시스템 부팅부터 사용자 로그인까지 모든 프로세스 라이프사이클을 관리합니다.

systemd와 비교하면 이렇습니다:

항목 systemd (Linux) launchd (macOS)
설정 파일 .service (INI 형식) .plist (XML 형식)
등록 명령 systemctl enable launchctl load (또는 bootstrap)
상태 확인 systemctl status launchctl list
로그 journalctl 파일 기반 (직접 경로 지정)
의존성 관리 After=, Requires= 제한적 (수동 처리)

핵심 차이는 의존성 관리입니다. systemd는 서비스 간 순서를 정밀하게 지정할 수 있지만, launchd는 이 부분이 약합니다. 대신 설정 자체가 훨씬 단순합니다.

2. plist 파일 작성법 — 핵심 키 5개면 충분하다

launchd의 설정 파일은 .plist(Property List)라는 XML 파일입니다. 처음 보면 장황해 보이지만, 실제로 필요한 키는 5개입니다.

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE plist PUBLIC "-//Apple//DTD PLIST 1.0//EN"
  "http://www.apple.com/DTDs/PropertyList-1.0.dtd">
<plist version="1.0">
<dict>
    <key>Label</key>
    <string>com.example.my-service</string>

    <key>ProgramArguments</key>
    <array>
        <string>/usr/local/bin/python3</string>
        <string>/Users/username/scripts/listener.py</string>
    </array>

    <key>RunAtLoad</key>
    <true/>

    <key>KeepAlive</key>
    <true/>

    <key>WorkingDirectory</key>
    <string>/Users/username/scripts</string>
</dict>
</plist>

각 키의 역할:

  • Label: 서비스의 고유 식별자. 역순 도메인 형식이 관례 (com.myserver.listener)
  • ProgramArguments: 실행할 명령어. 배열의 첫 번째가 실행 바이너리, 나머지가 인자
  • RunAtLoad: true면 plist 로드 시(= 부팅 시) 자동 실행
  • KeepAlive: true면 프로세스가 죽었을 때 자동 재시작
  • WorkingDirectory: 프로세스의 작업 디렉토리

RunAtLoad + KeepAlive 조합이 핵심입니다. 이 두 개만 true로 설정하면 "부팅 시 자동 시작 + 크래시 시 자동 복구"가 완성됩니다.

3. LaunchAgents vs LaunchDaemons — 어디에 놓을 것인가

plist 파일의 위치에 따라 동작이 달라집니다:

경로 유형 실행 시점 권한
~/Library/LaunchAgents/ Agent 사용자 로그인 시 사용자 권한
/Library/LaunchDaemons/ Daemon 시스템 부팅 시 root 권한

홈서버 용도라면 LaunchAgents를 권장합니다. 이유:

  • 대부분의 서비스가 사용자 권한으로 충분합니다
  • Daemon은 GUI 접근 불가, 환경변수 제한 등 제약이 많습니다
  • macOS 자동 로그인을 설정하면 Agent도 부팅 직후 실행됩니다

자동 로그인은 시스템 설정 → 사용자 및 그룹 → 자동 로그인에서 설정합니다. 이렇게 하면 LaunchAgents도 사실상 부팅 시 자동 실행과 동일해집니다.

4. 외장 드라이브와 TCC 제한 — 가장 삽질한 부분

macOS에서 외장 드라이브에 있는 스크립트를 launchd로 실행하면, TCC(Transparency, Consent, and Control) 제한에 걸립니다.

증상: - plist 로드는 성공하지만 프로세스가 바로 죽음 - 로그에 "Operation not permitted" 또는 권한 관련 에러 - 같은 스크립트를 터미널에서 직접 실행하면 정상 동작

원인은 macOS의 보안 정책입니다. launchd가 실행하는 프로세스는 사용자가 터미널에서 직접 실행하는 것과 다른 권한 컨텍스트를 가집니다. 외장 드라이브는 "이동식 볼륨"으로 분류되어 추가적인 접근 제한이 걸립니다.

해결책 — 내부 스토리지 복사본 + sync 스크립트:

#!/bin/bash
EXTERNAL="/Volumes/ExternalDrive/project/scripts"
INTERNAL="$HOME/local-mirror/scripts"

rsync -a --delete "$EXTERNAL/" "$INTERNAL/"
cd "$INTERNAL"
exec python3 listener.py

이 래퍼 스크립트를 내부 스토리지에 두고, plist에서는 이 스크립트를 실행하도록 설정합니다. 외장 드라이브의 최신 코드를 내부로 복사한 뒤 실행하는 방식입니다.

시스템 설정 → 개인정보 및 보안 → 전체 디스크 접근 권한에 관련 바이너리를 추가하는 방법도 있지만, macOS 업데이트마다 리셋될 수 있어서 sync 방식이 더 안정적입니다.

5. 로그 관리 — 문제 추적의 생명선

launchd는 systemd의 journalctl처럼 중앙 로그 시스템이 없습니다. 대신 plist에서 직접 로그 파일 경로를 지정합니다:

<key>StandardOutPath</key>
<string>/Users/username/logs/my-service.stdout.log</string>

<key>StandardErrorPath</key>
<string>/Users/username/logs/my-service.stderr.log</string>

로그 관리 팁:

  • stdout과 stderr를 분리하면 디버깅이 편합니다
  • 로그 디렉토리는 미리 생성해야 합니다. launchd가 자동으로 만들어주지 않습니다
  • 로그 로테이션은 별도로 관리해야 합니다. 간단한 방법은 logrotate 대신 cron으로 주기적 truncate
0 0 * * 0 : > /Users/username/logs/my-service.stdout.log

6. 실전 사례 — Python 리스너를 launchd로 등록하기

실제로 Python 기반의 메시지 리스너를 launchd에 등록한 과정입니다.

1단계: plist 작성

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE plist PUBLIC "-//Apple//DTD PLIST 1.0//EN"
  "http://www.apple.com/DTDs/PropertyList-1.0.dtd">
<plist version="1.0">
<dict>
    <key>Label</key>
    <string>com.homeserver.message-listener</string>
    <key>ProgramArguments</key>
    <array>
        <string>/usr/local/bin/python3</string>
        <string>/Users/username/services/listener/main.py</string>
    </array>
    <key>RunAtLoad</key>
    <true/>
    <key>KeepAlive</key>
    <true/>
    <key>WorkingDirectory</key>
    <string>/Users/username/services/listener</string>
    <key>StandardOutPath</key>
    <string>/Users/username/logs/listener.stdout.log</string>
    <key>StandardErrorPath</key>
    <string>/Users/username/logs/listener.stderr.log</string>
    <key>EnvironmentVariables</key>
    <dict>
        <key>PATH</key>
        <string>/usr/local/bin:/usr/bin:/bin</string>
    </dict>
</dict>
</plist>

2단계: 등록 및 시작

cp com.homeserver.message-listener.plist ~/Library/LaunchAgents/

launchctl load ~/Library/LaunchAgents/com.homeserver.message-listener.plist

launchctl bootstrap gui/$(id -u) ~/Library/LaunchAgents/com.homeserver.message-listener.plist

3단계: 확인

launchctl list | grep homeserver

주요 주의사항

EnvironmentVariables 누락 문제. launchd 실행 환경은 사용자 터미널과 달리 PATH가 최소한으로 설정된다. pip install로 설치한 패키지 경로가 포함되지 않아 임포트 오류가 발생한다. plist의 EnvironmentVariables 키에 필요한 경로를 명시적으로 지정해야 한다.

KeepAlive 무한 재시작 루프. 프로세스가 시작 직후 종료되는 버그가 있으면 KeepAlive가 반복 재시작을 유발한다. CPU 과점유와 로그 파일 폭증으로 이어진다. ThrottleInterval 키(기본 10초)로 재시작 간격을 제어할 수 있지만, 근본적으로 프로세스를 단독 실행해서 안정성을 확인한 후 launchd에 등록해야 한다.

launchctl load vs bootstrap 혼란. macOS 버전에 따라 load/unload 명령이 deprecated 경고를 띄운다. bootstrap/bootout이 공식 권장 방식이다. 두 명령 모두 동작하지만, 신규 설정에는 bootstrap을 사용한다.

마무리

launchd는 macOS 홈서버 운영의 기반입니다. systemd만큼 다양한 기능은 없지만, "부팅 시 자동 시작 + 크래시 시 자동 복구"라는 서버의 기본 요건을 plist 파일 하나로 충족합니다.

핵심 정리: 1. plist 파일에 Label, ProgramArguments, RunAtLoad, KeepAlive 4개 키를 설정한다 2. ~/Library/LaunchAgents/에 넣고 launchctl bootstrap으로 등록한다 3. 외장 드라이브 실행 시 TCC 제한이 있으니 내부 스토리지 sync 방식을 쓴다 4. StandardOutPath/StandardErrorPath로 로그를 반드시 남긴다

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 »