fos-blog/study
01 / 홈02 / 카테고리03 / 시리즈
01 / 홈02 / 카테고리03 / 시리즈

카테고리

  • AI 페이지로 이동
    • RAG 페이지로 이동
    • agent 페이지로 이동
    • claude-code 페이지로 이동
    • harness 페이지로 이동
    • llm 페이지로 이동
    • ops 페이지로 이동
    • practice 페이지로 이동
  • algorithm 페이지로 이동
    • Alias Method: 가중치 랜덤 선택을 전처리 O(n), 추출 O(1)로 바꾸기
    • Welford's Online Algorithm: 값을 저장하지 않고 평균과 분산 계산하기
  • architecture 페이지로 이동
    • distributed-systems 페이지로 이동
    • domain 페이지로 이동
    • evolution 페이지로 이동
    • patterns 페이지로 이동
  • database 페이지로 이동
    • milvus 페이지로 이동
    • mysql 페이지로 이동
    • opensearch 페이지로 이동
    • postgresql 페이지로 이동
    • qdrant 페이지로 이동
    • redis 페이지로 이동
    • vespa 페이지로 이동
    • DB Connection Pool Saturation과 Thread Pool 격리
    • 커넥션 풀 크기는 얼마나 조정해야 할까?
    • gaps and islands: SQL 창 함수로 이어진 구간 찾기
    • MyBatis 기본기 — XML Mapper, resultMap, 동적 SQL, 운영 패턴 정리
    • MyBatis와 JPA/Hibernate 트레이드오프 — 레거시 백엔드를 다루는 시니어 관점
    • 한국어 형태소 분석기 Nori vs Lindera — OpenSearch에서 Milvus로 갈 때 어휘 검색은 유지되나
    • 정규화와 역정규화: 무결성과 조회 비용 사이의 선택
    • 벡터 DB 5종, 아키텍처는 어떻게 다른가
    • 벡터 DB 5종을 실제로 벤치마크했다 — 같은 recall에서 QPS는 얼마나 갈리나
    • 벡터 DB 어떻게 고를까 — OpenSearch · Milvus · Qdrant · Vespa · pgvector 비교
    • 벡터 DB를 실제로 도입한 사례 — 빅테크 프로덕션
  • devops 페이지로 이동
    • docker 페이지로 이동
    • k8s 페이지로 이동
    • Envoy Proxy
    • Graceful Shutdown
    • 종료 신호는 어디서 멈추는가
  • http 페이지로 이동
    • HTTP Connection Pool
    • HTTPS와 TLS: 핸드셰이크, 인증서, 종료 지점
  • java 페이지로 이동
    • concurrency 페이지로 이동
    • jdbc 페이지로 이동
    • spring 페이지로 이동
    • spring-batch 페이지로 이동
    • testing 페이지로 이동
    • Alpine 이미지의 Java 에서 링크 바꿔치기(TOCTOU)를 막지 못하는 이유
    • Java 동시성 락 정리 — 커머스 메뉴/프로모션 정책 캐시 갱신 관점
    • JVM 튜닝 실전: 메모리 구조부터 Virtual Threads, GC 튜닝, 프로파일링까지
    • 로그에 traceId 남기기 — MDC 부터 OpenTelemetry 까지
    • Java StampedLock — 읽기 폭주에도 쓰기가 밀리지 않는 락
    • Virtual Thread와 Project Loom
  • javascript 페이지로 이동
    • typescript 페이지로 이동
    • AbortController
    • Async Iterator와 제너레이터
    • CommonJS와 ECMAScript Modules
    • 제너레이터(Generator)
    • Http Client
    • Node 백엔드 운영 패턴 — Streams 백프레셔, pipe/pipeline, 멱등성 vs 분산 락
    • Node.js
    • `setImmediate()`
  • kafka 페이지로 이동
    • Kafka 클러스터 아키텍처: Broker, KRaft Controller와 복제
    • Kafka 기본 개념: Topic, Partition, Offset과 Segment
    • Kafka 실전 설계: 파티션 전략, 컨슈머 그룹, 전달 보장, 재시도, 순서 보장 트레이드오프
    • Kafka 파티션·리밸런스·컨슈머 지연 운영
    • Kafka를 로그로 이해하기: 복제, 재처리, 상태와 데이터 통합
    • Spring Kafka 컨슈머 오프셋 커밋과 트랜잭션 정렬: AckMode, manual ack, 멱등 처리
  • linux 페이지로 이동
    • fsync — 리눅스 파일 동기화 시스템 콜
    • SSH forced command 로 배포 키가 실행할 수 있는 명령 제한하기
  • mlops 페이지로 이동
    • llm-serving 페이지로 이동
    • model-router 페이지로 이동
    • Python CUDA 버전 생태계 — nvidia-smi, nvcc, pip, conda가 다 다른 버전을 말하는 이유
    • GPU 컨테이너의 CUDA 버전 호환성 — nvidia-smi부터 이미지 다이어트까지
    • Kubernetes GPU 노드에서 /run tmpfs가 꽉 차서 Pod가 안 뜰 때
    • GPU·CUDA·MPS 기초 — 자바 백엔드 개발자가 처음 만나는 그림
    • Multi-process GPU 워크로드 — 자바 ThreadPool 사용자가 만나는 모델 차이
    • ML 서비스 성능 분석 워크플로 — 자바 백엔드 트러블슈팅과 다른 점
    • 한 GPU 를 여러 프로세스가 나눠 쓰기 — Time-Slicing 과 MPS
  • network 페이지로 이동
    • Connection reset by peer는 누가 보낸 걸까 — 리버스 프록시 홉마다 TCP 연결은 따로 논다
    • L2(스위치)와 L3(라우터)의 역할 차이
    • L4와 VIP(Virtual IP Address)
    • IP Subnet
  • observability 페이지로 이동
    • Observability 입문: 시니어 백엔드가 장애를 탐지하고 대응하는 방식
    • K8s 위 Spring Boot 앱의 메트릭 수집
  • python 페이지로 이동
    • Python async/await — CompletableFuture·Reactor 와 다른 점, 그리고 blocking I/O 함정
    • Python 의존성 관리 — Java Maven/Gradle 사용자가 만나는 첫 충격
    • FastAPI 기초 — Spring Boot 사용자가 빠르게 익히는 법
    • Java 개발자를 위한 Python 심화 — OOP·데코레이터·컨텍스트 매니저
    • PyTorch 기초 — 텐서, 디바이스, 그리고 모델 로딩이 무거운 이유
    • Java 개발자를 위한 Python 문법 핵심
    • ThreadLocal 에서 contextvars 로 — Python 의 요청 컨텍스트 전파
    • OCR 동작 원리 — Layout · Text · Post-process 3단계
    • Python 서버의 RSS가 줄지 않는 이유: CPython, gc.collect(), malloc_trim
  • rabbitmq 페이지로 이동
    • RabbitMQ Basics — 실전 백엔드 관점에서 정리하는 메시지 브로커 기본기
    • RabbitMQ vs Kafka — 백엔드 메시징 선택 기준과 실전 운영 관점
  • resume 페이지로 이동
    • 경험 및 경력기술서
    • 김병태 경력기술서
    • 김병태 포트폴리오
  • task 페이지로 이동
    • ai-service-team 페이지로 이동
    • nsc-slot 페이지로 이동
    • personal-projects 페이지로 이동
    • sb-dev-team 페이지로 이동
    • the-future-company 페이지로 이동
  • thinking 페이지로 이동
    • 자기주도 학습: 질문에서 시작해 글로 검증하기
    • 좋은 일을 넘어 중요한 일을 하는 법
FOS-BLOG · FOOTERall systems normal·v0.1 · 2026.04.27·seoul, kr
Ffos-blog/study

개발 학습 기록을 정리하는 블로그입니다. 공부하면서 기록하고, 기록하면서 다시 배웁니다.

visitors
01site
  • Home↗
  • Posts↗
  • Categories↗
  • Glossary↗
  • About↗
02policy
  • 소개/about
  • 개인정보처리방침/privacy
  • 연락처/contact
03categories
  • AI↗
  • Algorithm↗
  • DB↗
  • DevOps↗
  • Java/Spring↗
  • JS/TS↗
  • React↗
  • Next.js↗
  • System↗
04connect
  • GitHub@jon890↗
  • Source repositoryjon890/fos-study↗
  • RSS feed/rss.xml↗
  • Newsletter매주 1 회 · 한 편의 글→
© 2026 FOS Study. All posts MIT-licensed.
built with·Next.js·Tailwind v4·Geist·Pretendard·oklch
fos-blog/algorithm/Alias Method: 가중치 랜덤 선택을…
algorithm

Alias Method: 가중치 랜덤 선택을 전처리 O(n), 추출 O(1)로 바꾸기

Alias Method는 자주 바뀌지 않는 가중치 분포에서 항목을 반복해서 뽑을 때 사용한다. 분포를 한 번 전처리한 뒤에는 배열 두 개를 조회해 O(1)에 항목 하나를 선택할 수 있다. 이 글은 다음 질문에 답한다. 누적합과 이진 탐색 대신 Alias Method를 선택할 조건은 무엇인가 확률 배열과 alias 배열은 어떻게 만들어지는가 구현이 원래 가중...

2026.09.03·6 min read·787 views

Alias Method는 자주 바뀌지 않는 가중치 분포에서 항목을 반복해서 뽑을 때 사용한다. 분포를 한 번 전처리한 뒤에는 배열 두 개를 조회해 O(1)에 항목 하나를 선택할 수 있다.

이 글은 다음 질문에 답한다.

  • 누적합과 이진 탐색 대신 Alias Method를 선택할 조건은 무엇인가
  • 확률 배열과 alias 배열은 어떻게 만들어지는가
  • 구현이 원래 가중치 분포를 따르는지 어떻게 검증하는가

반복 선택에서 전처리가 필요한 이유

가중치가 [1, 3, 2]라면 두 번째 항목은 첫 번째 항목보다 세 배 자주 선택되어야 한다. 가장 단순한 방법은 가중치 누적합을 순회하며 난수가 들어갈 구간을 찾는 것이다.

방식전처리선택 1회추가 메모리적합한 상황
선형 누적합 순회O(n)O(n)O(n)항목 수와 호출 수가 적음
누적합과 이진 탐색O(n)O(log n)O(n)가중치가 자주 바뀜
Alias MethodO(n)O(1)O(n)같은 분포에서 매우 자주 선택

Alias Method는 전처리 비용을 없애는 알고리즘이 아니다. 가중치가 바뀔 때마다 표를 다시 만들어야 하므로 분포가 자주 바뀌면 장점이 줄어든다.

하나의 열에 두 후보만 남기는 구조

항목이 n개라면 전체 확률을 너비가 같은 n개 열로 나눈다. 각 열은 원래 항목 하나와 부족한 확률을 채워 주는 alias 항목 하나만 가진다.

전처리가 끝나면 두 배열을 유지한다.

배열의미
probability[i]열 i에서 원래 항목을 선택할 확률
alias[i]원래 항목이 선택되지 않았을 때 대신 선택할 항목

선택할 때는 열 하나를 균등하게 고르고, 열 안에서 다시 균등 난수를 만든다. 난수가 probability[i]보다 작으면 i를 반환하고, 아니면 alias[i]를 반환한다.

text
column = uniformInteger(0, n)
coin   = uniformDouble(0, 1)
 
if coin < probability[column]
    return column
else
    return alias[column]

배열 접근 횟수는 항목 수와 관계없이 일정하므로 선택 연산은 O(1)이다.

가중치 1, 3, 2로 표 만들기

가중치 합은 6이고 항목 수는 3이다. 각 확률에 항목 수를 곱하면 열 하나의 기준 크기가 1이 된다.

text
scaled[0] = 1 / 6 * 3 = 0.5
scaled[1] = 3 / 6 * 3 = 1.5
scaled[2] = 2 / 6 * 3 = 1.0

기준보다 작은 항목은 small, 큰 항목은 large에 넣는다.

text
small = [0]
large = [1]
완성   = [2]

작은 항목 0의 열에는 원래 확률 0.5를 둔다. 남은 0.5는 큰 항목 1이 대신 차지하므로 alias[0] = 1이 된다. 큰 항목 1의 남은 크기는 1.0이 되어 그 열도 완성된다.

열probabilityalias
00.51
11.01
21.02

열은 각각 1 / 3 확률로 선택된다. 항목 0은 첫 열의 절반인 1 / 6, 항목 1은 첫 열의 나머지와 두 번째 열을 합친 3 / 6, 항목 2는 세 번째 열인 2 / 6 확률을 갖는다.

전처리 알고리즘

Vose의 구성 방식은 small과 large 작업 목록을 사용해 선형 시간에 표를 만든다.

java
import java.util.ArrayDeque;
import java.util.Arrays;
import java.util.Deque;
import java.util.random.RandomGenerator;
 
public final class AliasTable {
    private final double[] probability;
    private final int[] alias;
 
    public AliasTable(double[] weights) {
        validate(weights);
 
        int size = weights.length;
        probability = new double[size];
        alias = new int[size];
 
        double sum = Arrays.stream(weights).sum();
        double[] scaled = Arrays.stream(weights)
            .map(weight -> weight / sum * size)
            .toArray();
 
        Deque<Integer> small = new ArrayDeque<>();
        Deque<Integer> large = new ArrayDeque<>();
 
        for (int i = 0; i < size; i++) {
            if (scaled[i] < 1.0) {
                small.add(i);
            } else {
                large.add(i);
            }
        }
 
        while (!small.isEmpty() && !large.isEmpty()) {
            int less = small.removeLast();
            int more = large.removeLast();
 
            probability[less] = scaled[less];
            alias[less] = more;
            scaled[more] = scaled[more] + scaled[less] - 1.0;
 
            if (scaled[more] < 1.0) {
                small.add(more);
            } else {
                large.add(more);
            }
        }
 
        while (!small.isEmpty()) {
            probability[small.removeLast()] = 1.0;
        }
        while (!large.isEmpty()) {
            probability[large.removeLast()] = 1.0;
        }
    }
 
    private static void validate(double[] weights) {
        if (weights == null || weights.length == 0) {
            throw new IllegalArgumentException("weights must not be empty");
        }
 
        double sum = 0.0;
        for (double weight : weights) {
            if (!Double.isFinite(weight) || weight < 0.0) {
                throw new IllegalArgumentException("weights must be finite and non-negative");
            }
            sum += weight;
        }
        if (!Double.isFinite(sum) || sum <= 0.0) {
            throw new IllegalArgumentException("weight sum must be finite and positive");
        }
    }
 
    public int sample(RandomGenerator random) {
        int column = random.nextInt(probability.length);
        return random.nextDouble() < probability[column]
            ? column
            : alias[column];
    }
}

마지막 반복문은 부동소수점 반올림 때문에 작업 목록에 값이 남는 경우를 처리한다. 수학적으로는 정확히 1.0이어야 하므로 완성된 열로 취급한다.

입력 검증에서 자주 놓치는 조건

전처리 전에 다음 조건을 확인해야 한다.

  • 가중치 배열이 비어 있지 않아야 한다.
  • 각 가중치는 0 이상이고 유한한 값이어야 한다.
  • 전체 합은 0보다 커야 한다.
  • 정수 가중치를 먼저 합한다면 오버플로가 나지 않는 자료형을 사용해야 한다.

가중치가 0인 항목은 표에 둘 수 있지만 선택 결과로 나와서는 안 된다. 음수, NaN과 무한대는 확률 분포를 만들 수 없으므로 즉시 거부한다.

난수 생성기와 Alias Method의 책임

Alias Method는 균등 난수를 주어진 분포로 변환한다. 난수의 예측 가능성이나 보안성을 높이지는 않는다.

따라서 난수 생성기는 사용 목적에 따라 별도로 선택해야 한다.

  • 시뮬레이션 재현이 중요하면 seed를 주입할 수 있는 생성기를 사용한다.
  • 병렬 성능이 중요하면 스레드 간 공유 상태와 경합 여부를 확인한다.
  • 보안이나 규제 요구가 있으면 해당 요구를 충족하는 생성기를 사용한다.

분포 선택 알고리즘이 빠르다는 이유만으로 난수 생성기의 안전 요구를 낮추면 안 된다.

검증 방법

Alias 표는 배열 값만 보고 정확성을 확신하기 어렵다. 구조 검증과 분포 검증을 나눠서 진행한다.

구조 검증

  • 모든 probability 값이 0부터 1 사이인지 확인한다.
  • 모든 alias가 유효한 배열 인덱스인지 확인한다.
  • 가중치가 하나뿐이면 항상 그 인덱스를 반환하는지 확인한다.
  • 가중치가 0인 항목이 선택되지 않는지 확인한다.
  • 잘못된 입력이 즉시 거부되는지 확인한다.

분포 검증

가중치 [1, 3, 2]로 충분히 많이 추출한 뒤 관측 비율을 기대 비율과 비교한다.

항목기대 비율
0약 16.67%
150%
2약 33.33%

표본 수가 적으면 정상 구현도 기대 비율에서 벗어난다. 테스트에서는 고정 seed로 회귀를 잡고, 별도의 통계 테스트에서는 표본 수와 허용 오차를 함께 기록한다.

사용하지 않는 편이 나은 경우

  • 가중치가 선택할 때마다 바뀌어 표를 계속 다시 만들어야 하는 경우
  • 항목 수가 작고 선택 횟수도 적어 선형 탐색이 더 단순한 경우
  • 항목 삽입과 삭제가 빈번해 동적 자료구조가 필요한 경우
  • 정확한 재현보다 암호학적 난수 요구가 먼저인 경우

알고리즘 선택은 O(1)이라는 표기만으로 끝나지 않는다. 전처리 횟수, 분포 변경 빈도와 전체 추출 횟수를 함께 봐야 한다.

실제 적용 사례

슬롯 시뮬레이터는 같은 가중치 표에서 선택을 매우 많이 반복했다. 초기화할 때 Alias 표를 만들고 반복 경로에서는 상수 시간 선택만 수행하도록 분리했다.

슬롯 스핀 성능 최적화

참고 자료

  • A. J. Walker, New fast method for generating discrete random numbers with arbitrary frequency distributions
  • M. D. Vose, A linear algorithm for generating random numbers with a given distribution
on this page
  • 01반복 선택에서 전처리가 필요한 이유
  • 02하나의 열에 두 후보만 남기는 구조
  • 03가중치 1, 3, 2로 표 만들기
  • 04전처리 알고리즘
  • 05입력 검증에서 자주 놓치는 조건
  • 06난수 생성기와 Alias Method의 책임
  • 07검증 방법
  • 구조 검증
  • 분포 검증
  • 08사용하지 않는 편이 나은 경우
  • 09실제 적용 사례
  • 10참고 자료
tags
#study#insights

이런 글도

  • algorithm

    Welford's Online Algorithm: 값을 저장하지 않고 평균과 분산 계산하기

    2026.09.03

댓글 (0)