AI Service Implementation Approach for the Intelligent C4I System of ROK Army

지상군 지능형 C4I 체계를 위한 AI 서비스 구현 방안

Abstract

Modern warfare extends beyond land, sea, and air into cyberspace and the space domain, evolving as Multi-Domain Operations (MDO). In this setting, commanders must process vast data in real time for rapid and accurate decisions. Thus, the intelligent transformation of the Army's C4I (Command, Control, Communications, Computers, and Intelligence) system is a critical requirement. The Republic of Korea Army identifies AI-based situational awareness and decision support as essential for MDO preparation. However, prior research has mainly emphasized infrastructure or policy frameworks, with limited focus on concrete AI services that directly support commanders. To address this gap, this study examines the necessity, operational concept, and relationships of AI services for an intelligent C4I system, based on a user requirement list. Core functions include COP generation, decision time recommendation, combat damage prediction, enemy order of battle identification, artillery fire planning, cyberattack detection, and sustainability estimation of ammunition, fuel, and equipment. For each, pseudocode and rule-based prototypes are provided to illustrate feasibility. By moving from conceptual discussions to executable models, the study offers a technical foundation for embedding AI services into C4I and enhancing timely, precise decision-making in future multi-domain operations.

현대전은 지상·해상·공중뿐 아니라 사이버·우주 영역까지 확장된 다영역작전(MDO)으로 전개되며, 지휘관은 방대한 데이터를 실시간으로 분석해 신속·정확한 결심을 해야 한다. 이에 따라 지상군 C4I(Command, Control, Communications, Computers, Intelligence) 체계의 지능화는 필수 과제로 부상하고 있다. 특히 한국 육군은 MDO 수행을 준비하는 과정에서 인공지능(AI) 기반의 전장 상황인식과 결심지원체계 확립을 중요한 목표로 설정하고 있다. 그러나 기존 연구들은 네트워크, 드론, 분산협업 등 인프라 중심으로 접근하거나 지능형 C4I 체계 구현을 위한 전략 및 정책, 데이터 관리 방안 등에 집중하였고, 실제 지휘관 결심 지원 및 사용자 요구를 충족하기 위한 AI 서비스 구현 방안 연구는 부족하였다. 본 연구는 기존 사용자 요구 기반 AI 서비스 목록을 토대로, 지상군 지능형 C4I 체계의 필요성과 운용개념 및 AI 서비스 간 관계 등을 분석하였다. 또한, 지능형 COP 생성, 최적 지휘관 결심 시간 제시, 피해 규모 예측, 적 부대 전투서열 자동 식별, 화력지원계획 수립, 사이버공격 징후 탐지·식별, 부대별 물자·탄약·장비 예상 손실 및 지속 가능시간 예측을 위한 AI 서비스 구현을 위한 의사코드와 규칙 기반 모델로 구현 방안을 제시한다.

1. 서론

4차 산업혁명의 도래와 함께 인공지능(AI), 빅데이터, 클라우드, 사물인터넷(IoT) 등의 첨단기술은 군사 작전 환경에도 급속히 적용되고 있으며, 전장 상황은 더욱 복잡하고 빠르게 변화하고 있다[1]. 특히 현대전은 다영역작전(MDO, Multi-Domain Operations)의 특성을 띠며, 지상, 해상, 공중뿐만 아니라 우주, 사이버 및 전자기 영역까지 작전 공간이 확장되고 있다. 이러한 작전환경에서 실시간으로 변화하는 정보를 신속하게 분석하고 이를 바탕으로 지휘결심을 지원하는 지능형 지휘통제체계(C4I)의 중요성이 더욱 부각되고 있다[2] [3].

기존의 C4I 체계는 작전 도메인별로 각 군이 독립적으로 개발 및 운용해 왔으며, 정보 처리 및 분석, 상황 가시화, 전투지휘 등에서 제한적인 자동화를 적용해 왔다. 그러나 미래 전장에서는 자율무기체계, 드론, 로봇 등 무인체계와의 연동, 실시간 대용량 데이터 분석, 상황 예측 및 대응이 요구되며, 이를 위해서는 인공지능 기반의 지능형 C4I 체계로의 전환이 필수적이다[4]. 그러나 기존의 연구들은 지능형 C4I 체계 자체의 AI 서비스 기능보다는 전술 네트워크, 군집 드론, 분산 협업과 같은 인프라 구축 관련 연구에 집중되어 있다. 예를 들어 전술 네트워크 분야에서는 MANET (Mobile Ad-hoc Network), SDN(Software Defined Network), 5G/6G 기반 전술망, 전장사물인터넷(IoBT, Internet of Battlefield Things) 아키텍처 등에 관한 연구가 있다[5-7]. 군집드론 및 분산협업 분야에서는 다중 에이전트의 자율 제어, 스웜 통신 등에 연구가 집중되어 왔다[8][9]. 또한 연합 지휘통제 차원에서는 JADC2 (Joint All Domain Command & Control)와 NATO의 FMN(Federated Mission Networking) 등 상호운용성 및 디지털 전략과 데이터/클라우드 연계를 강조하는 기획 및 정책 문서 등이 축적되고 있으나 여전히 정책적‧개념적 수준에 머물러 있다[10][11].

반면 공통작전상황도(COP, Common Operation Picture) 자동 생성, 지휘결심 지원, 적의 의도 및 전장 상황 예측 등 C4I 체계의 사용자 업무에 실제 필요한 AI 서비스 기능 특성을 분석하고, 이를 구현하는 방안에 관한 연구는 부족하다. 즉, 기존 연구들이 인프라 구축의 토대와 개념을 제공하기는 하였으나, AI 기반 서비스 기능의 설계, 데이터 표준 연계, 프로토 타입 구현 등을 제시한 연구는 미흡한 실정이다.

이에 본 논문에서는 기존 연구[12]에서 분석한 AI 서비스 목록의 핵심 기능을 토대로 AI 서비스 구현 방안을 제시함으로써 지능형 C4I 체계 개발을 위한 실질적 방향성과 기초자료를 제시하고자 한다.

이후 논문의 구성은 다음과 같다. 2장에서는 지능형 C4I 체계 관련 연구를 살펴보고, 3장에서 지상군 지능형 C4I 체계의 필요성 및 운용개념을 제시한다. 4장에서 지능형 C4I 체계를 위한 AI 서비스 구현 방안을 전투수행기능별로 제시하며, 마지막 5장에서 결론을 맺는다.

2. 관련 연구

C4I 체계는 지휘, 통제, 통신, 컴퓨터 및 정보 체계로 지휘관이 부대를 계획, 지시, 조정 및 통제하기 위해 사용하는 무기체계이다. 공통작전상황도(COP, Common Operational Picture)를 중심으로 지휘통제, 기동, 정보, 화력, 방호, 작전지속지원의 6대 전투수행기능의 정보를 융합하여 전장 상황을 가시화하여 지휘관의 결심을 지원하는 역할을 한다. 이를 통해 모든 제대가 전장 상황을 동일하게 파악하고 군사작전의 효율성의 향상에 중요한 역할을 한다[13].

2장에서는 C4I 체계에 AI, 빅데이터, 클라우드 기술을 적용하여 지능화에 관한 기존 연구를 살펴본다.

먼저, JADC2 구현을 위한 국방 AI 파운데이션 모델 적용 전략에서는 무기체계에 특화된 AI 모델 개발의 한계를 지적하며, 차세대 한국군 지휘통제체계에 AI 파운데이션 모델을 적용하기 위한 전략과 정책 방안을 제시하고 있다[14]. 이 연구에서는 AI 기반 지휘 통제체계의 요소기술을 인식 지능, 판단 지능, 결심 지능으로 구분하여 제시하였다. 또한 AI 파운데이션 모델의 국방 활용 적합성을 경제성, 효과성, 적시성을 중심으로 분석하고, 전장 데이터 관리, 데이터 통합 및 호환성, 실시간 처리 및 지연 최소화, 신뢰성 측면에서 도전 요인과 문제 해결 방안을 제시하였다.

AI 기반 지휘결심체계의 수용요인에 관한 탐색적 연구에서는 기존 연구를 바탕으로 AI 기반 지휘결심체계의 수용 요인을 도출하고, 설문조사를 통해 적절성을 검증하였다[15]. 설문조사 및 타당성 검증을 통해 AI 기반 지휘결심체계의 수용요인으로 전문성, 편의성, 신뢰성, 정확성 등 12가지를 도출하여 제시하였다.

클라우드 기반의 육군지휘통제체계 연구에서는 미래 전장 정보를 통합하고 AI로 분석하기 위해서 차세대 육군지휘통제체계를 클라우드 환경에서 운영해야 한다고 주장한다[16]. 이를 위해 마이크로 서비스 아키텍처(MSA) 적용 방안을 제시하며, MSA 기반 ATCIS(Army Tactical Command Information System)가 현재 운영중인 모놀리식 ATCIS에 비해 신뢰성, 확장성/유연성 측면에서 우수하고, 운용/유지보수 측면은 동등할 것으로 분석하였다.

지상 전술 제대 인공지능 아키텍처 모델을 제안한 연구에서는 기존의 ATCIS가 부대별 서버 운용 및 통합 데이터베이스의 부재, 서버간 데이터 동기화 지연 등 인공지능 운용에 부적합한 구조이며, 이 문제점을 개선하기 위해 가상화 기술을 활용한 AI 아키텍처 모델을 제시하였다[17]. 이 연구에서 AI에 필요한 빅데이터 구축을 위해 전장 영역, 시뮬레이션 영역, 인공지능 영역으로 구성되는 지식발견(KDD, Knowledge Discovery in Database) 방법론에 기반한 아키텍처 모델을 제시하였다. 특히 전술 C4I 체계와 워게임 모델의 데이터를 통합하고, 메타데이터로 변환함으로써 인공지능용 빅데이터를 구축하는 방안과 인공지능 에이전트를 통해 각 부대의 데이터베이스에서 필요한 데이터를 추출하고 메타 데이터베이스에 적재하는 과정을 설명하였다.

이처럼 기존 연구들은 지능형 C4I 체계 구현을 위한 전략 및 정책, 데이터 관리 방안 및 아키텍처를 주로 제시하고 있으며, 사용자의 요구를 반영하여 지능형 C4I 체계를 위해 AI 서비스의 실질적 구현 방안에 관한 연구는 이루어지지 않고 있다.

3. 지상군 지능형 C4I 체계의 필요성과 AI 서비스 구조 분석

3.1 지상군 지능형 C4I 체계의 필요성

최근 미래전의 개념 중 하나인 결심중심전 이론에서는 정보환경을 구성하는 요인 중 하나로 인지적 차원의 중요성을 강조하고 있다. 물리적 차원에서 관찰된 현상을 정보적 차원에서 정보로 전환, 공유하고 이렇게 전달된 정보를 바탕으로 지휘관은 군사작전의 방향, 행동 요소 등을 결심하는 과정을 거친다. C4I 체계의 지능화를 통해 인지적 차원에서 이루어지는 의사결정을 더 빠르고 효과적으로 함으로써 군사작전에서 승리를 보장하는 것을 중요한 요소로 제시하고 있다[18]. 따라서 미래전에서 관측(Observe)-방향설정(Orient)-결심(Decide)-행동(Act)의 의사결정 과정은 (그림 1)과 같이 AI 기반으로 이루어질 것이다.

(그림 1) AI 기반 미래전 의사결정 모델

또한 미래전은 (그림 2)와 같이 지상, 해상, 공중, 우주 및 사이버전자전 영역 등 전영역에서 다수의 체계가 동시에 정보를 유통하여 전장상황을 인식하고, 이를 토대로 정보를 분석, 평가하여 신속하면서도 넓은 범위에서 군사작전이 이루어질 것이다. 이를 위해 미군을 비롯하여 한국군 또한 전영역작전에서 지휘통제를 하기 위한 합동전영역지휘통제(JADC2, Joint All Domain Command & Control)의 개념과 이를 뒷받침하기 위한 C4I 체계의 개발 또한 추진되고 있다[10]. 이러한 JADC2 운용개념에는 AI 기술을 활용하여 신속한 상황인식, 지휘결심을 토대로 전영역 통합 작전의 수행이 필요하다[19].

(그림 2) 전영역작전의 네트워크 구조

이는 (그림 3)과 같이 드론, 로봇, 무인전차, 무인자주포 뿐 아니라 소규모 제대에서도 지휘통제차량과 무인 전투차량을 운용하는 등 미래 무기체계가 지능화하고 고속 기동 능력을 보유하게 되며, 대용량의 정보유통을 하게 되면서 전장 상황의 가시화 및 지휘결심 속도 또한 빨라져야 하기 때문이다[20]. 기존의 네트워크 중심전 개념은 정보 우위 달성을 통해 전쟁에서의 우위 달성을 추구하였다. 그러나 최근 AI, 클라우드, 빅데이터, 사물인터넷, 드론 및 로봇 등의 발달은 대용량 정보의 유통을 동반하고 있으며, AI 기술을 통해 아군의 정보분석과 의사결정 속도 및 정확도를 향상함으로써 적의 결심을 방해하거나 와해함으로써 전쟁에서 승리할 수 있는 결심중심전으로 전쟁의 양상이 전환되고 있다[21].

(그림 3) 미래 무기체계와 지능형 C4I 체계의 연관성

그러나 현재 한국군의 지휘통제체계(C4I)는 ATCIS, KNCCS, AFCCS 등으로 분리되어 운영되고 있으며, 각 체계 간의 데이터 표준 불일치와 상호 연동성 부족으로 인해 전장 상황의 실시간 공유가 제한되고 있다. 특히, 전투 현장에서 발생하는 대용량 영상·센서·무인체계 데이터는 구조적으로 통합·분석이 어려워, 지휘관의 결심 과정에 즉각적으로 반영되지 못하는 문제가 발생한다.

또한 현행 체계는 주로 정형화된 데이터 입력을 전제로 하고 있어, 비정형 데이터(영상, 음성, 자연어 보고 등)를 실시간 처리할 수 있는 기능이 제한적이다. 그 결과, 현장 상황을 반영한 전장 가시화와 신속한 결심 지원이 어려워지고 있다.

그리고 현재의 C4I 체계는 단일 영역에서 각 군의 작전 도메인만을 고려하여 개발, 운용하고 있다. 지상군의 ATCIS는 지상 도메인, 해군의 KNCCS는 해상 도메인, 공군의 AFCCS는 공중 도메인에 대한 전장 가시화만을 고려하고 있다. 드론, 로봇 등의 자율무기 체계와 같은 미래 무기체계와의 정보연동을 고려하지 않고 있으며, 전장정보를 효율적으로 분석하기 위한 빅데이터 처리 능력, 미래 전장의 가시화를 위한 지능화 능력은 부족한 실정이며[22], 이에 따라 지휘결심 속도, 신속하고 정확한 전장 가시화 등 전장 상황인식을 제공하는 것 또한 제한된다[13]. 따라서 전장 상황인식 및 지휘결심의 속도, 정확도를 향상하고 전쟁에서 승리를 추구하기 위한 수단으로 지능형 C4I 체계의 필요성이 증가하고 있다.

대대급 이하 전술제대는 C4I 체계인 B2CS 단말기는 (그림 4)와 같이 노트북, 태블릿, 스마트폰의 형태이며 지휘소차량, 자주박격포 사격지휘체계 등 다수의 미래 전투체계와 연동이 가능하다. 또한 전술제대의 가시화 장비는 점점 소형화되는 추세이며, 증강현실 기기 등과 연동되고 있다[23]. 그러나 C4I 체계 단말기에서는 (그림 5)와 같이 다양한 종류, 색깔의 군대부호를 사용하여야 하며, 각각의 군대부호는 지형정보와 밀접하게 연관되어 있다. 특히 전장 상황을 인식하고 작전계획의 수립, 수정 및 보완하는 경우는 이러한 군대부호의 위치를 지형정보와 매핑하는 과정을 거쳐야 하며, 이 과정에서 부대/장비/시설부호는 (그림 6)과 같이 메뉴 트리에서 선택하여 디스플레이할 수 있으며, 전술 부호 등은 다각형, 곡선 등의 형태로 직접 작성이 필요하다.

(그림 4) B2CS 단말기

(그림 5) 다양한 종류의 군대부호

(그림 6) C4I 체계에서 부대부호 생성(예)

그러나 유‧무인 복합전투를 수행하는 과정에서 이렇게 복잡한 과정을 통해 작전계획을 수립, 전파 또는 수정하는 등의 과정을 거친다면 지휘결심 속도가 느려질 것이다. 또한 무인체계로부터 확보 및 전송되는 센서 데이터의 종합, 분석, 평가 과정 등을 사람이 하는 현재 C4I 체계는 전장 상황인식의 속도 및 정확도를 낮추는 요인으로 작용할 것이다. 이러한 요인들은 전투 임무의 실패라는 결과를 가져올 수 있다. 즉 다영역 또는 전영역에서 급박하게 군사작전이 수행되는 미래 전장에서 C4I 체계의 지능화는 위험도와 비용을 줄이고, 전장상황인식 및 결심속도 향상을 통해 군사작전의 승리를 가져올 수 있는 중요한 요소이다[24-27].

3.2 지능형 C4I 체계의 AI 서비스 연동 구조 분석

지휘결심의 핵심은 관측(Observe), 방향설정(Orient), 결심(Decide), 행동(Act)의 OODA 루프에서 ‘결심(Decide)’ 단계이다. 그러나 현재의 C4I 체계는 정보수집 및 상황판단은 자동화되어 있으나, 결심을 위한 분석‧예측 기능이 미흡하여 지휘관의 인지적 부담이 과중하다. 지휘관은 다량의 보고와 데이터를 수작업으로 선별하여 판단해야 하며, 이 과정에서 정보의 중복‧누락‧시간지연이 발생한다. 결과적으로, 작전환경 변화에 즉각 대응하기 어려운 ‘인지 병목’이 구조적으로 존재한다.

지능형 C4I 체계에서 이런 AI 서비스를 하기 위해서는 C4I 체계의 기능별 관계를 토대로 AI 서비스 모듈 간 관계 분석을 우선해야 한다. 지능형 C4I 체계의 AI 서비스는 (그림 7)에서 보는 것처럼 각종 무기체계 및 부대로부터 확보한 원천 데이터(raw data)는 6대 전투수행기능별로 정제, 가공하여 AI 서비스 모듈의 학습 및 추론 데이터로 활용되어야 한다. 정제된 데이터를 학습 및 추론한 전투수행기능별 AI 서비스 모듈은 새롭게 확보하는 데이터 또는 지휘관 및 참모의 요구에 따라 분석, 예측, 판단 등을 실행하여 방책을 제시한다. 그 후 기능별로 제시한 방책들을 토대로 워게임 AI 서비스 모듈이 최선의 방책을 도출하여 지휘관에게 제시하면 지휘관이 최종 결심하여 부대 운영 및 작전을 수행하는 과정이 반복적으로 이루어진다.

(그림 7) 지능형 C4I 체계의 AI 서비스 과정

기능별 AI 서비스 간 상호연동 구조는 (그림 8)처럼 표현할 수 있다. 기능별 AI 서비스 모듈은 상호연동되어 입력, 출력 데이터를 공유해야 한다. 상‧하급 부대는 효율적인 지휘통제를 위해 작전상황을 공유하고 공통작전상황도 생성 AI 서비스 모듈이 이를 실시간 최신화 및 과거 이력을 추적, 관리해야 한다. 아군 부대의 기동로 판단 AI 서비스는 작전계획 수립 및 실제 수행하기 위해 최초 아군 방책 데이터를 입력으로 받아 최적 기동로를 판단하고 이를 다시 방책분석 AI 서비스 모듈에 전달하면서 최선의 방책을 수립하는 과정을 반복해야 한다. 지속지원을 위한 AI 서비스 모듈 또한 각 기능에 맞춰 서로 연관된 AI 서비스 모듈 및 데이터베이스와 상호 작용하여 판단한 결과를 반영하여야 한다. 이렇게 모든 기능별 AI 서비스 모듈이 상호 작용한 결과를 지휘관에게 제시하면 최종적으로 지휘관이 결심하여 작전 실행 여부를 판단한다.

(그림 8) 기능별 AI 서비스 상호연동 구조

이러한 과정들은 궁극적으로 “데이터 수집/통합 - 분석 - 결심”의 연속적인 체계화를 요구한다. 따라서 지상군 C4I의 지능화는 단순한 기술 적용이 아니라, 데이터 통합 → 지능형 분석 → 결심지원 → 행동 피드백으로 이어지는 순환형 구조로 재설계되어야 한다.

이에 따라 본 논문의 제4장에서는 제3장에서 제기한 문제점에 대응할 수 있는 기능별 AI 서비스 구조와 구현 방안을 제시한다. 각 서비스는 (1) 데이터 통합성 확보, (2) 결심 속도 향상, (3) 예측 기반 지원, (4) 보안·운용 안정성 확보의 네 가지 목표를 충족하도록 설계하였다.

4. 지능형 C4I 체계의 AI 서비스 통합 프레임워크 구현 전략

4장에서는 [12]에서 분석한 27개의 AI 서비스를 구현 방안을 제시한다. 다만 본 연구에서 제시하는 AI 서비스 구현 방안은 딥러닝 AI 모델을 위한 학습 데이터가 없으므로 딥러닝 모델 구현을 위한 의사코드를 제시하고, 사용자들이 지능형 C4I 체계의 AI 서비스를 통해 인지 및 활용할 수 있도록 가시화 구현 결과를 최소한의 규칙을 적용한 규칙 기반 모델의 구현 결과를 제시한다. 이를 위한 AI 서비스 목록은 제3장에서 도출한 내용을 바탕으로, 데이터 통합성 확보, 결심 속도 향상, 예측 기반 지원, 보안‧운용 안정성 확보 측면에서 지능형 C4I 체계의 구현 가능성을 보여줄 수 있는 7개의 AI 서비스로 한정하여 구현 방안을 제시한다.

본 연구에서 구현 방안을 제시하는 AI 서비스는 [12]의 27개 목록 중 Q1(지능형 COP 생성), Q4(최적의 지휘관 결심시간 제시), Q8(적과 교전시 피해 규모 예측), Q10(적 은거/활동지역 및 기동로 예측), Q17(포병 위치 관리 및 통제 등 화력지원계획 수립), Q21(사이버 공격 징후 탐지), Q23(부대별 탄약, 유류, 장비 등 예상손실 및 지속가능시간 예측) 항목이다.

4.1 지능형 C4I 체계의 AI 서비스 통합 파이프라인 구현 방안

지능형 C4I 체계에 AI 서비스를 적용하여 통합하는 과정은 데이터 통합 → 데이터 전처리 → 기능별 AI 서비스 모듈 구동 및 상호 연동 → 서비스 제공 → 의사결정 지원의 순환 구조를 이루며, 이러한 AI 서비스 통합 과정은 <표 1>과 같이 의사코드로 표현할 수 있다.

<표 1> 지능형 C4I 체계를 위한 AI 서비스 통합 알고리즘

<표 1>의 의사코드는 C4I 체계에서 사용하는 모든 AI 서비스 모듈을 일렬 구성으로 보여주고 있으나 실제 시스템은 보다 복잡한 과정으로 연계되어야 한다. 또한 AI 서비스 모듈이 동작하는 모든 과정에서 보안 및 거버넌스를 적용해야 하며, MLSecOps의 적용 및 전문가의 검토 및 피드백 등을 통해 AI 서비스 모듈의 성능 유지관리가 필요하다.

4.2 기능별 AI 서비스 구현 방안

지능형 C4I 체계는 ‘데이터 수집/통합 → 전처리 → AI 분석 → 결심지원 → 결과 배포’의 순환적 구조를 갖는다. 각 단계는 실시간성을 고려하여 경량화된 모델과 엣지컴퓨팅 기반으로 운용되며, 모든 결과는 메타데이터 형태로 기록되어 지휘결심의 신뢰성을 평가하는데 활용된다. 이 과정에서 AI 서비스는 단일 모델이 아니라, 기능별 서비스 모듈의 조합으로 구성되어 상황에 따라 동적으로 호출되어야 한다.

또한 지능형 C4I 체계 구현은 기술적·운용적·조직적·보안적 측면을 모두 고려해야 한다. 기술적 측면에서는 실시간 데이터 스트림 처리, 다중센서 융합, 경량화 모델 배치 등 기술적 과제의 고려가 필요하며, 운용적 측면으로 기존 교리 및 지휘절차와 AI 서비스의 결심 결과 사이에서 발생할 수 있는 충돌 가능성을 고려해야 한다. 조직적 측면에서는 AI 서비스의 지속적인 재학습 및 배포 등 운용을 위한 전문인력 확보와 AI 결심에 대한 해석을 위한 교육 등이 필요하다. 마지막으로 보안 측면에서 데이터의 분류 체계별 접근통제 및 AI 모델에 대한 보안 등급 적용 등 보안 거버넌스가 필요하다. 이러한 조건이 충족되지 않을 경우, 지능형 C4I 체계의 실시간성과 신뢰성을 담보하기 어렵다.

4.2.1 지능형 COP 생성 AI 서비스 구현 방안

COP 생성을 지능화하기 위해서는 아군부대, 적군 부대의 현재 위치, 이동 여부 및 전투서열, 전투지경선, 작전지역의 구분, 탐지 시간 및 교전 발생 등 다양한 데이터를 반영해야 한다. 또한 아군 및 적군부대의 위치를 지형정보(GIS) 위에 표시해야 하므로 지형정보와 매핑이 필요하다. 특히 지휘관의 의사결정을 지원해야 하므로 COP에 표시되는 데이터들의 출처 및 신뢰도 등을 같이 표시함으로써 지휘관의 판단을 지원할 수 있어야 한다.

이를 딥러닝 모델로 구현하기 위한 알고리즘 의사코드는 <표 2>와 같이 간략화할 수 있으며, COP 생성 AI 서비스를 임의로 생성한 데이터와 규칙 기반 모델을 활용하여 간략하게 시뮬레이션하면 (그림 9)와 같다. 실제 지능형 C4I 체계에 구현하는 경우 지형 정보와 매핑하여 실제 적군 및 아군 부대의 위치, 무기체계의 사거리 등을 고려하여 접촉선 등이 작성되도록 하여야 한다.

<표 2> COP 생성 AI 서비스 구현 알고리즘

(그림 9) COP 생성 AI 서비스 구현(예)

4.2.2 결심조건표 기반 최적의 지휘관 결심 시간 제시 AI 서비스 구현 방안

결심조건표는 특정 상황에서 지휘관이 작전의 실행을 결심하기 위한 조건과 현재의 적 및 아군 전투력 등 여러 가지 조건을 판단하여 작전의 실행 여부를 결심하기 위한 것이다. 따라서 결심조건표를 기반하여 지휘관이 결심하는 최적의 시간을 도출하는 AI 서비스를 구현하기 위해서는 <표 3>의 알고리즘과 같은 프로세스를 거쳐야 한다. 먼저 아군 및 적군 전투력 지수, 적 위치 변동 정보, 지형‧기상 등 환경 요소와 결심조건표에 포함될 결심지점, 임계치, 결심조건 내용, 결과지표 등을 입력받는다. AI 서비스 모듈은 입력데이터를 토대로 특징 벡터를 구성하고, 추론을 통해 지휘관이 결심해야 할 시점을 판단하고 이를 제시하는 과정을 거치도록 설계해야 한다.

<표 3> 지휘관 최적 결심시점 판단 AI 알고리즘

이러한 과정을 거쳐서 나오는 산출물은 결심조건표의 조건을 평가한 시점(t) 이후 어느 시점에 지휘관이 결심해야 하는지 최적 시점(t*)을 제시하는 그래프 또는 텍스트로 제시되어야 한다. 그래프로 표시할 경우 (그림 10)과 같은 형태로 보여질 수 있다.

(그림 10) 최적의 지휘관 결심 시간 제시 AI 서비스

4.2.3 적과 교전시 피해 규모 예측 AI 서비스 구현 방안

적과 교전시 피해 규모를 예측하기 위해서는 아군 및 적군 부대 수, 무기 종류 / 사거리, 무기의 가중치, 지형, 아군 지휘관이 요구하는 적의 피해 정도(요망효과), 아군의 피해 정도(최소 피해) 등의 요소를 반영해야 한다. 피해 규모를 예측하기 위해서는 현재 알고있는 정보(data)를 토대로 교전 상황에 대한 시뮬레이션을 우선 시행하고, 그 결과를 피해 규모 예측 AI 서비스 모듈에 입력으로 사용해야 한다. 따라서 이를 AI 서비스로 구현하기 위해서는 <표 4>와 같은 흐름으로 구성이 필요하다.

<표 4> 교전 피해 규모 예측 AI 알고리즘

피해 규모 예측 AI 서비스는 이러한 과정을 거쳐나온 피해 규모 예측 결과는 아군과 적군의 전력 차이, 지형 요인의 유ㆍ불리점 등을 제시할 수 있도록 그래프와 텍스트로 제시하여 설명 가능한 AI 서비스로 설계하는 것이 가장 합리적인 방안이다.

4.2.4 적 부대의 규모 및 전투서열 자동 식별 AI 서비스 구현 방안

식별된 정보를 토대로 적 부대의 규모 및 전투서열 등을 분석하기 위해서는 적 장비, 병력의 수, 감시정찰 자산이 수집한 영상 정보, 적 부대의 위치정보 등이 필요하다.

이를 AI 서비스로 구현하기 위해서는 기존에 알고 있는 정보인 적 전투서열 정보를 학습한 AI 서비스 모델이 새롭게 식별한 현재 시점의 정보를 토대로 적부대의 규모, 전투서열을 분석하여 지휘관 및 참모에게 주기적으로 가시화해주기 위한 서비스이다. 따라서 <표 5>에서 표현하는 것처럼 기존의 전투서열 기반 학습 → 신규 관측 데이터와 교리 등 기준자료 및 실측 정보의 비교 → 현재 전투서열 추론/갱신의 과정을 거쳐야 한다.

<표 5> 적 전투서열 자동 식별 AI 알고리즘

적 전투서열 자동 식별 AI 서비스의 결과는 지휘관 및 참모가 이해하기 쉽도록 (그림 11)의 예처럼 텍스트로 표출되도록 구현이 필요하다.

(그림 11) 적 전투서열 자동 식별 AI 서비스 구현(예)

4.2.5 화력지원계획 수립 AI 서비스 구현 방안

화력지원계획 수립 AI 서비스는 포병 부대 위주로 제시한다. 포병은 하나의 임무를 수행한 이후 생존성 보장을 위해 진지를 이동한다. 예비진지는 장비의 크기와 사격 가능한 지형, 생존성 등을 종합적으로 판단해야 하므로 이러한 요소들이 AI 서비스 모델에 반영되어야 한다. 이 모델의 구현을 위해서는 포병의 진지 후보지 설정, 표적 우선순위 설정, 포병부대별 임무할당, 포병부대별 임무 할당 가능 여부 등을 반영해야 한다. 따라서 <표 6>과 같은 흐름으로 서비스 모델을 구현할 필요가 있다.

<표 6> 화력지원계획 수립 AI 알고리즘

화력지원계획 수립은 다양한 요소들이 반영되는 것이므로 진지의 후보지, 표적 우선순위, 임무 할당, 임무수행 가능 여부(schedule) 확인, 위협 요인의 판단 등 다양한 요소가 종합적으로 반영되고 C4I 체계의 지도 위에 화력지원계획의 도식이 그려질 수 있도록 매핑하는 기능도 연계되어야 한다. 이 AI 서비스의 결과를 그래프로 나타내면 (그림 12)와 같은 형태로 표출될 수 있으며, 실제 지형정보, 표준군사부호 등을 사용하여 C4I 체계에서 서비스를 제공할 수 있도록 구현되어야 한다.

(그림 12) 화력지원계획 수립 AI 서비스 구현(예)

4.2.6 사이버공격 징후 탐지ㆍ식별 AI 서비스 구현 방안

ICT 기반의 무기체계 개발이 급증하면서 사이버공격 징후를 탐지, 식별하기 위한 AI 서비스를 C4I 체계에 구현하는 것은 매우 중요한 요소이다. 특정 무기체계 또는 네트워크를 통해 C4I 체계가 사이버공격을 받는 경우 군사작전의 지휘체계가 일시적으로 마비되는 상황이 발생하기 때문이다.

사이버공격을 탐지‧식별하기 위해서는 네트워크 트래픽 데이터, 시스템‧애플리케이션‧보안 장비 로그 기록, 정상/비정상 트래픽의 구분, 공격 유형별로 분류한 데이터 등이 필요하다. 전처리를 통해 구축한 사이버공격 유형을 학습한 AI 모델은 C4I 체계로 들어오는 다양한 네트워크 정보를 추론하여 C4I 체계 사용자 또는 관리자에게 알려주고 사이버공격 유형, 위험도 및 대응 방안을 권고하는 역할을 할 수 있어야 한다. 이러한 과정은 <표 7>과 같은 흐름으로 나타낼 수 있다.

<표 7> 사이버공격 징후 탐지ㆍ식별 AI 알고리즘

사이버공격 탐지‧식별 AI 서비스 모델이 탐지‧식별한 사이버공격의 유형과 그 유형에 따른 대응 방안을 C4I 체계 사용자 또는 관리자에게 제시하는 예는 (그림 13)과 같이 보여질 수 있다. (그림 13)의 구현 예시는 가장 간단한 예시이며, 실제 사이버공격 탐지‧식별 결과와 대응방안은 C4I 체계를 운용하는 제대의 수준, 사이버공격을 받은 체계의 중요도 등 다양한 요소를 반영한 대응 방안을 제시할 수 있어야 한다.

(그림 13) 사이버공격 탐지 식별 AI 서비스 구현(예)

4.2.7 부대별 물자, 탄약, 장비 예상 손실 및 지속 가능 시간 예측 AI 서비스 구현 방안

군사작전에서 탄약, 유류, 장비의 보유는 병력의 유지와 함께 전투력 유지의 핵심 요소이다. 따라서 군사 작전의 진행에 따라 탄약의 소모, 유류의 소모, 장비의 피해 등을 예측하고 지속적으로 유지할 수 있는 시간을 예측한다면 상급부대로부터 해당 품목을 보충받기 위한 계획 수립에 유리할 것이다. 상급부대는 예하부대로 탄약, 유류, 장비 등을 보급하기 위한 계획을 선제적으로 수립하고 운용 효율성을 향상할 수 있다. 이러한 지속지원을 위한 AI 서비스 모델은 <표 8>과 같은 흐름으로 구현할 수 있다.

<표 8> 부대별 탄약 유류 장비 예상손실 및 지속 가능 시간 예측 AI 알고리즘

(그림 14)는 2개 전차대대, 1개 기보대대로 구성된 여단에서 1개 전차대대와 1개 기보대대가 30분 후 적 1개 전차대대와 1시간 교전을 가정하여, 규칙 기반 모델로 장비, 유류, 탄약의 초기 및 잔여량 예측 결과를 보여주는 그래프이다. 예상 손실 및 지속 가능 시간 예측 AI 서비스 모델이 실행된 후 C4I 체계 사용자에게 보여주는 결과는 이와 같이 사용자가 이해하기 쉽게 구현되어야 한다. 다만, 이러한 결과를 AI 서비스 모델이 추론하여 보여주기 위해서는 창조21 모델 등을 활용한 워게임 결과 데이터를 학습할 수 있도록 제도의 보완이 필요하다.

(그림 14) 부대별 장비, 유류, 탄약 예상손실 및 지속 가능 시간 예측 AI 서비스 구현(예)

5. 결론

본 연구는 지상군 지능형 C4I 체계를 위한 AI 서비스 모델을 실제 구현을 위한 딥러닝 모델 의사코드와 규칙 기반 모델을 통해 적용 방향을 제시하였다. 특히 COP 자동 생성, 피해 규모 예측, 화력지원 계획, 지속 지원 예측, 사이버 공격 탐지 등 지휘결심과 직결되는 서비스를 사례로 제시함으로써, 기존 정책ㆍ전략 및 인프라 중심 연구에서 한 단계 발전한 서비스 중심 연구를 시도하였다. 또한 지능형 C4I 체계 내에서 AI 서비스 간 상호 작용하는 연동 구조를 분석하고, 실제 구현 예시를 제시함으로써 지능형 C4I 체계 개발의 가이드라인을 제시하였다.

그러나 본 연구에서 제시한 AI 서비스 구현 방안은 기술적 가능성에 기반하고 있으나, 실제 적용 과정에서 다음과 같은 한계가 존재한다. 첫째, 군사보안 관련 법규상 군사 데이터의 비공개로 인해 AI 학습 데이터 확보가 어렵다. 데이터 확보가 제한되어 본 연구에서도 딥러닝 모델을 활용한 예를 보여줄 수 없었다. 둘째, 전술네트워크의 DIL(Disconnected, Intermittent, Limeted) 환경으로 인한 불안정성과 전장 환경의 잦은 변화로 AI 모델의 즉응성이 제한될 수 있다. 마지막으로, AI 판단 결과에 오류가 발생했을 때 책임 주체가 명확하지 않고 지휘관의 결심 권한과의 역할 경계가 모호하다는 점이다. 즉 AI 모델의 설명 가능성 확보 및 성능을 검증할 수 있는 체계의 부재로 인한 한계점 극복이 필요하다.

또한 이러한 AI 서비스 구현 예시를 실제 체계로 확산하기 위해서는 몇 가지 선결 과제가 있다. 첫째, 각 AI 서비스 모델의 성능을 담보할 수 있는 충분하고 신뢰성 있는 학습데이터 구축이 필요하다. 전장 환경을 반영한 시뮬레이션 데이터, 실전 훈련 데이터, 다원적 센서 데이터의 통합 등이 핵심 과제이다. 둘째, 기능별로 독립된 AI 서비스들이 단절적으로 동작하는 것이 아니라, C4I 체계 내에서 상호운용성이 확보되고 협업하는 구조적 프레임워크 연구가 요구된다. 지휘통제, 기동, 정보, 화력, 지속지원, 방호 등 6대 전투수행기능을 통합적으로 연결하는 파이프라인 설계가 그 예라 할 수 있다. 셋째, 운영 과정에서 모델 성능을 지속적으로 관리하고 보안·거버넌스를 적용할 수 있는 AI 운영체계(MLOps, MLSecOps 등)의 마련이 필요하다. 따라서 이후에는 단일 서비스 수준을 넘어, 데이터-모델-서비스가 통합적으로 연결되는 체계적 아키텍처와 협업 구조를 제시하는 방향으로 심화 연구가 필요하다.

향후 지능형 C4I 체계의 기술적 실현 가능성과 작전 운용상 타당성을 확보하기 위해서는 AI 모델 학습을 위한 데이터 확보 → 개별 AI 서비스 모델 개발 및 시험 → AI 서비스 통합 → 지능형 C4I 체계 운용 교리 반영 등 단계적 적용 로드맵과 AI 신뢰성 검증 및 보안 거버넌스 체계 확립을 위한 연구가 병행되어야 한다. 이러한 노력이 병행될 때, 지상군 지능형 C4I 체계는 실제 작전환경에서 신뢰할 수 있는 결심 지원 도구로 자리매김할 수 있을 것이다.