실시간 게임 응용에 적합한 의사난수 생성 알고리즘 성능 분석 및 제안

Ⅰ. 서 론

게임 개발에서 랜덤성은 다양한 요소에 큰 영향을 미치는 중요한 요소 중 하나이다. 랜덤성은 캐릭터의 움직임, 아이템 생성, 이벤트 발생 등 게임의 재미와 예측 불가능성을 제공하기 위해 필수적이다. 특히, Unity Engine은 전 세계적으로 널리 사용되는 게임 개발 플랫폼으로, 다양한 랜덤 함수 라이브러리를 제공하여 개발자들이 게임의 다양한 랜덤 요소를 쉽게 구현할 수 있도록 돕는다. 이러한 랜덤 함수는 게임의 성능에 직접적인 영향을 미치며, 잘못된 선택은 게임의 프레임 저하와 같은 부정적인 결과를 초래할 수 있다. 따라서 랜덤 함수의 적절한 선택은 게임의 전반적인 성능을 좌우하는 중요한 요소이다.

게임 산업은 꾸준한 기술 발전을 바탕으로 빠르게 성장하고 있으며, 사용자들은 점점 더 현실적이고 몰입감 있는 경험을 기대하고 있다. 이로 인해 게임 개발자는 방대한 데이터를 처리하고, 더 복잡한 시스템을 구축하는 상황에 직면하게 되었다. 랜덤성은 이러한 복잡한 게임 시스템에서 중요한 역할을 하며, 캐릭터의 행동, 아이템 생성, 전투 시스템 등 다양한 게임 요소에 필수적이다. 게임에서 랜덤성은 게임의 재미와 흥미를 높이고, 예측 불가능한 요소를 추가하여 사용자들에게 독특한 경험을 제공한다[1].

게임 개발의 진입 장벽은 과거에 비해 크게 낮아졌으며, 이는 상용 게임 엔진의 발전 덕분이다. 과거에는 고비용의 게임 엔진을 직접 설계해야 했지만, 현재는 상용 엔진을 저렴하거나 무료로 이용할 수 있게 되면서 게임 개발 환경이 크게 개선되었다. 그중에서도 Unity Engine과 Unreal Engine은 대표적인 상용 엔진으로, 각각 다른 특성과 장점을 가지고 다양한 게임 개발에 널리 활용되고 있다[2],[3].

현재 Unity Engine은 다양한 랜덤 함수 라이브러리를 제공하고 있지만, 이들 각각의 성능에 대한 구체적인 비교 연구는 매우 부족하다. 많은 게임 개발자들은 랜덤 함수 선택 시 성능이나 효율성보다 사용 편의성에 의존해 익숙하거나 손쉽게 사용할 수 있는 라이브러리를 선택하는 경우가 많다. 이는 게임의 성능 최적화에 부정적인 영향을 미칠 수 있으며, 게임의 데이터에 복잡한 랜덤성을 적용해야 할 때 치명적인 성능 저하를 일으킬 수 있다.

본 연구의 목적은 Unity Engine에서 사용 가능한 네 가지 주요 랜덤 라이브러리 및 알고리즘인 CryptoRandom.Next, System.Random.Next, UnityEngine.Random.Range, XorshiftRandom의 성능을 비교 분석하는 것이다. 연구에서는 생성 시간을 주요 지표로 설정하여 각 랜덤 함수의 성능을 평가하고, 다양한 픽셀 수 처리 작업을 통해 이들 함수가 제공하는 효율성을 측정한다. 이를 통해 각 라이브러리와 알고리즘이 다양한 게임 환경에서 어떤 특성과 성능을 가지는지를 명확히 파악하고자 한다.

실시간으로 작동하는 게임에서는 특히 빠르고 효율적인 랜덤 함수가 필수적이다. 게임은 사용자의 입력과 시스템의 다양한 이벤트가 밀리초 단위로 이루어지기 때문에, 랜덤 함수의 선택이 게임의 실시간 성능에 중대한 영향을 미칠 수 있다. 실시간 랜덤 함수의 성능이 좋지 않다면, 캐릭터 동작이나 전투 시스템 등의 반응 속도가 늦어지며 사용자 경험이 저하될 수 있다. 그러한 이유로 본 연구를 통해 각 라이브러리의 성능을 비교 하는 것은 큰 의미가 있다.

본 논문의 II장에서는 실시간 게임에서 응용 가능한 의사난수 생성 알고리즘 및 라이브러리를 설명하고, III장에서는 각 알고리즘의 성능을 비교하기 위한 방법을 기술한다. IV장에서는 성능을 비교하여 실시간 게임에서 사용하기 적절한 의사난수 생성 알고리즘을 결정하고, 다른 알고리즘과의 성능 차이를 분석한다. 최종적으로 가장 적절한 알고리즘을 선정하여, V장에서 실험 결과에 대해 고찰하며 결론을 맺는다.

Ⅱ. 관련 연구

Ⅲ. Random 라이브러리 성능 비교

3-1 실험 환경

실험 환경은 PC 성능에 따라 High, Mid, Low로 각 3종씩 구성하였다. 같은 플랫폼 환경 설정을 위하여 Windows 10 Pro의 C# 런타임 환경에서 CPU와 Memory에 초점을 맞춰 성능 차이를 두었다. 유니티는 기본적으로 C#을 스크립트 언어로 사용하기 때문에, 실험 프로그램의 모든 코드는 C#을 사용한 유니티 애플리케이션으로 진행한다.

PC1은 Quad-Core, PC2는 Hexa-Core, PC3은 Octa-Core로 코어 수에 차이를 눈에 띄는 차이를 두었다.

Table 1.

PC experimental environment

3-2 실험 내용

실험은 각 랜덤 함수의 생성 시간을 측정하는 방식으로 진행되었으며, 다양한 픽셀 수 처리 작업을 통해 생성 시간을 측정하여 이를 통해 성능을 평가하였다. 난수 생성에서는 보안도 중요한 고려사항이지만, 보안이 크게 중요하지 않은 실시간 게임들에서는 난수의 보안성보다는 생성 시간이 사용자 경험에 더 큰 영향을 미친다. 그러한 이유로 보안성을 고려하지 않은 생성 시간으로만 성능을 평가한다.

실험은 다음과 같은 단계로 구성된다. 지정된 크기의 이차원 배열을 생성하고, 해당 배열의 모든 요소의 흑백 여부를 랜덤하게 결정하여 노이즈 이미지를 생성한다. 흑백 여부는 0부터 지정된 범위까지의 난수를 생성하여, 생성된 수가 절반보다 크면 검은색으로, 작으면 하얀색으로 픽셀을 지정하는 방법을 사용한다. 생성 함수가 작동하기 시작하면 C#의 Stopwatch 기능을 활용하여 생성 구간을 측정하고, 이를 생성 방법, 생성 픽셀 수 등과 함께 저장하여 json 형식으로 저장한다. 실험에서는 각 픽셀 수 마다 10번씩 진행하였다.

위와 같은 방법으로 측정한 시간을 json 데이터로 뽑아내어, 이를 excel의 json 변환 기능을 통해 표, 그래프로 나타낸다.

그림 1는 실험 애플리케이션의 알고리즘 흐름도다. 프로그램 실행 시, 각 라이브러리를 불러오고, 사용자의 입력에 따라 생성 픽셀 수, 생성 알고리즘 등을 설정한다. 연구에서는 사전에 설정된 10가지 값을 사용한다. 데이터 설정 후, 난수 생성이 진행된다. 난수 생성 진행 직전에 Stopwatch가 시작되어 시간을 측정한다. 지정된 픽셀 수에 해당하는 수의 난수가 생성된 후, Stopwatch가 종료된다. 이 후, 지정된 반복 수 만큼 이를 반복한다. 연구에서는 평균을 내기 위하여 10번씩 진행하였다. 반복이 모두 종료되면 다른 모든 방법으로도 차례로 진행한 후 프로그램을 종료한다.

Fig. 1.

Test application algorithm flowchart

그림 2는 생성 정보를 저장하는 구조체와 이를 List에 저장한 후, json 형식으로 저장하여 출력하는 코드이다. ReportData란 이름의 구조체이며, 생성 방법을 나타내는 type, 생성 픽셀 수를 나타내는 pixel, 난수 생성 범위를 나타내는 range, 생성 시간을 microsecond 단위로 나타내는 time로 구성되어 있다. 하단의 ReportManager 클래스는 랜덤 이미지 생성시 저장되는 ReportData 인스턴스를 모아두는 리스트와, 이 리스트를 저장하여 json 파일로 추출하는 메소드로 구성되어 있다. 이 클래스를 통하여, 생성 시간에 대한 정보를 얻을 수 있다.

Fig. 2.

Structure for generated information and function for JSON conversion

그림 3~6은 각 라이브러리 및 알고리즘에 해당하는 테스트 코드이다. 함수의 시작과 Stopwatch 기능을 통해, 생성 시간을 microsecond 단위로 측정하였다. 각 난수 생성에 해당하는 부분만 다르게 구성하였으며, 그 외의 부분은 동일하게 구성하여 생성 시간 측정에 영향이 가지 않게 하였다.

Fig. 3.

UnityEngine.Random.Range test function

Fig. 4.

System.Random.Next test function

Fig. 5.

CryptoRandom.Next test function

Fig. 6.

XorshiftRandom test function

그림 7의 UI를 통해, 이미지의 가로, 세로 길이와 생성 함수의 종류 등을 선택할 수 있다. 하단에는 진행 상황을 파악할 수 있는 디버그 메시지가 출력되게 하였다. 좌측 상단의 입력란에서 생성 픽셀 수와 생성 알고리즘 등을 선택하고, 우측의 버튼을 통해 난수 생성 및 기록 리포트를 생성할 수 있다.

Fig. 7.

Performance test

그림 8은 생성 난수를 시각화시킨 이미지다. 각 난수의 값에 따라 픽셀의 흑백 여부를 결정하여, 이미지로 출력하였다.

Fig. 8.

Random image example

Ⅳ. 성능 테스트 결과

표 2는 PC 3종에 대해서 각 픽셀 수 마다 10번 반복 후 생성 시간의 평균을 측정한 내용이다. ‘3-1’에 기재된대로, PC1은 Quad-Core, PC2는 Hexa-Core, PC3은 Octa-Core의 CPU를 가진 PC로 성능을 나누었다.

Table 2.

Generation results of Random libraries based on PC performance

UnityEngine.Random.Range는 ‘A’로 표기하였으며, 각각 System.Random.Next는 ‘B’로, CryptoRandom.Next는 ‘C’로, XorshiftRandom은 ‘D’로 표기하였다. 기기 성능에 따라서 각 라이브러리의 성능도 대체적으로 비례하게 측정되었다. 실험한 Random 라이브러리에서 A는 B와 C에 비해 평균적으로 6~8배의 시간이 소요되었으며, D는 상급PC에서는 B와 C 비해 절반정도의 시간이 소요되었지만, 하급PC에서는 유사한 시간이 소요되며, PC 성능이 올라갈수록 B, C와 유사한 성능을 가지게되었다. 결과적으로, D는 네가지 라이브러리 및 알고리즘 중에서 가장 짧은 시간을 소요한다고 볼 수 있다. 생성 픽셀 수에 따라 생성 시간의 차이가 근소하게 존재하지만, 대체적으로 D가 가장 짧은 시간을 소요하였다. 이는 실시간 반응성이 중요한 게임에서 Xorshift 알고리즘이 기존 라이브러리의 대체제가 될 수 있음을 의미한다고 할 수 있다.

그림 9, 10, 11은 표의 데이터를 기반으로 각각의 PC환경에서 각 Random 라이브러리의 생성 속도를 비교한 그래프이다. 세로축은 측정 속도의 단위를 microsecond를 나타내며, 로그 눈금으로 표현하였다. 로그 눈금으로 표현하는 이유는 생성 픽셀수를 곱 단위로 증가시키기 때문이다. 이로 인해, 데이터간의 차이를 정확히 비교하기 어렵지만, 라이브러리 간의 성능 비교에는 문제가 없다. 가로축은 생성 픽셀 수를 나타낸다.

UnityEngine.Random.Range는 ‘A’로 표기하였으며, 각각 System.Random.Next는 ‘B’로, CryptoRandom.Next는 ‘C’로, XorshiftRandom은 ‘D’로 설명한다.

생성 픽셀수가 적은 500, 1000 픽셀 구간을 제외한 대부분의 구간에서 유사한 비율의 생성 시간 차이를 가진다.

그림 9는 Low PC에 해당하는 PC1의 생성 결과 그래프다. C를 제외한 모든 알고리즘이 유사한 생성 시간을 가진다. C는 나머지 알고리즘에 비해 약 10배의 생성 시간을 가진다.

Fig. 9.

Low PC Random library generation time comparison

그림 10은 Mid PC에 해당하는 PC2의 생성 결과 그래프다. 500, 1000의 생성 픽셀 수에서 D가 매우 낮은 시간을 가지지만, 5000 픽셀 부터는 모든 구간에서 유사한 지표를 보인다. C는 D의 약 10~13배에 해당하는 생성 시간을 가지며, A와 B는 D의 약 1~1.5배에 해당하는 생성 시간을 가진다.

Fig. 10.

Mid PC Random library generation time comparison

그림 11은 High PC에 해당하는 PC3의 생성 결과 그래프다. 모든 구간에서 C는 D의 10~13배에 해당하는 생성 시간을 가지며, A와 B는 D의 2~3배에 해당하는 생성시간을 가진다.

Fig. 11.

High PC Random library generation time comparison

PC 성능에 따라 차이가 존재하지만, C가 가장 많은 시간을 소요하며, A와 B가 그 다음으로 시간을 많이 소요하며, D가 가장 적은 시간을 소모한다. 즉, XorshiftRandom이 모든 구간에서 가장 생성 시간을 적게 소모한다고 할 수 있다.

실험 결과를 보면, CryptoRandom은 XorShift에 비해 속도가 최대 16배 느리고, System.Random과 UnityEngine.Random은 XorShift에 비해 최대 3배까지도 느리게 동작할 수 있다는 것을 확인하였다. 오랜 시간이 소요된다는 것은 실시간 반응성이 중요한 게임에서 많은 양의 랜덤 데이터를 생성할 때 불리하게 작용할 수 있다. 따라서, XorShift 알고리즘을 사용하여, 랜덤 함수를 구성하는 것이 성능 면에서 유리하다.

각 PC 환경에 따라, XorShift와 다른 함수의 성능 차이가 일정하지 않아보인다. 이는 PC환경에 따른 차이로 보인다. 그러나, XorShift가 가장 빠른 생성 시간을 가진다는 경향성은 일정하다. XorShift를 제외한 다른 라이브러리들은 프로그래머가 바로 사용할 수 있는 편리한 기능들을 다수 포함하고 있다. 하지만, 성능 면에서는 XorShift에 비해 떨어지기 때문에, 게임 최적화를 중요시하는 실시간 게임 개발에서는 XorShift를 사용하는 것이 바람직할 것이다.

V. 결 론

게임 산업은 지속적인 기술 발전과 사용자 요구 증가에 힘입어 빠르게 성장하고 있으며, 이 과정에서 랜덤성 구현은 게임 개발의 핵심 요소로 자리 잡고 있다. 랜덤성은 게임의 몰입도를 높이고 플레이어에게 신선한 경험을 제공하는 데 중요한 역할을 한다. 특히 적의 행동 패턴, 환경 변화 등의 요소에 랜덤성을 적용하면 매번 새로운 상황이 연출되어 게임의 이 높아지고, 플레이어에게 예측할 수 없는 긴장감을 선사할 수 있다. 또한 실시간 게임이 현대의 인기 장르로 자리 잡으면서, 빠르고 효율적인 난수 생성의 중요성은 더욱 커지고 있다. 난수 생성 알고리즘의 성능은 게임의 반응 속도와 프레임 유지에 직접적인 영향을 미쳐, 실시간으로 처리되는 다양한 게임 요소의 품질을 좌우한다. 그러한 이유로 본 연구는 실시간 게임의 성능 향상에 중요한 의미가 있다.

향후에는 다양한 플랫폼(예: 모바일, 콘솔)에서의 성능을 비교하거나, 다른 난수 생성 알고리즘을 추가로 비교 분석하여 더욱 폭넓은 가이드라인을 제공할 필요가 있다. 이러한 연구는 개발자들이 사용자 경험을 최적화하는 데 실질적인 도움을 줄 것으로 기대된다.

References

• Unity. Unpredictably Fun: The Value of Randomization in Game Design [Internet]. Available: https://unity.com/kr/blog/games/unpredictably-fun-the-value-of-randomization-in-game-design, .
• Korea Creative Content Agency. Global Game Industry Trend (No. 2022 May+June) [Internet]. Available: https://welcon.kocca.kr/ko/info/trend/1952054
• Epic Games. Unreal Engine [Internet]. Available: https://www.unrealengine.com/ko, .
• Telecommunications Technology Association. Pseudo-Random Number [Internet]. Available: https://terms.tta.or.kr/dictionary/dictionaryView.do?subject=%EC%9D%98%EC%82%AC+%EB%82%9C%EC%88%98, .
• Microsoft Learn. System.Security.Cryptography Namespace [Internet]. Available: https://learn.microsoft.com/ko-kr/dotnet/api/system.security.cryptography?view=net-8.0, .
• Microsoft Learn. Random Class (System) [Internet]. Available: https://learn.microsoft.com/ko-kr/dotnet/api/system.random?view=net-8.0, .
• Unity Documentation. Random.Range [Internet]. Available: https://docs.unity3d.com/ScriptReference/Random.Range.html, .
• Sebastiano Vigna. Xoshiro / Xoroshiro Generators and the PRNG Shootout [Internet]. Available: https://vigna.di.unimi.it/xorshift/, .
• Unity Technologies. Unity Real-Time Development Platform [Internet]. Available: https://unity.com/, .