딥시크 DSec, 에이전트 학습을 떠받치는 샌드박스 인프라

AI 에이전트를 강화학습으로 훈련하려면 답변만 생성하는 것으로 끝나지 않는다. 에이전트가 도구를 호출하고, 셸 명령을 실행하고, 작업 공간에서 코드를 돌리는 과정을 대량으로 반복해야 한다. 딥시크의 **DSec(DeepSeek Elastic Compute)**는 이런 실행을 맡는 샌드박스 플랫폼이다. 2026년 9월 공개된 보고서는 모든 작업에 완전한 가상머신을 할당하거나 환경이 바뀔 때마다 전체 이미지를 새로 배포하지 않고, 서로 다른 실행 환경을 대량으로 운영하는 방법을 설명한다. 1

작업마다 다른 샌드박스가 필요한 이유

짧은 함수 호출과 운영체제 전체가 필요한 작업을 같은 방식으로 처리하면 자원이 낭비된다. 동시에 에이전트가 실행하는 코드와 행동을 무조건 신뢰할 수도 없다. DSec 관련 보도는 에이전트의 일탈 행동, 실행 환경이나 결과를 조작하려는 시도 등을 위험으로 짚는다. 격리는 중요한 설계 요소지만, 어느 한 방식만으로 모든 위험을 막는다는 뜻은 아니다. 1910

DSec는 통합 파이썬 SDK를 통해 FnCall, 컨테이너, 마이크로VM, 전체 VM이라는 네 가지 실행 방식을 제공한다. FnCall은 가벼운 함수형 실행에, 컨테이너는 일반적인 작업 공간에 적합하다. 마이크로VM은 가상머신의 격리 경계를 제공하고, 전체 VM은 완전한 가상머신이 필요한 작업을 수용한다. 학습·평가 프로그램은 공통 인터페이스를 사용하고, DSec가 호스트 전반의 배치와 생성·종료 과정을 조율한다. 각 방식의 격리 특성은 다르지만 특정 방식이 신뢰할 수 없는 실행의 위험을 없앤다고 볼 근거는 없다. 1310

환경 전체를 복사하지 않고 조립한다

DSec는 실행 환경을 기본 이미지, 작업 공간, 툴킷이라는 세 개의 읽기 전용 EROFS 계층으로 나누고, 각각 별도로 버전을 관리한다. 샌드박스를 시작할 때 필요한 계층을 쓰기 가능한 오버레이와 결합한다. 따라서 툴킷만 바뀌었다면 기본 이미지와 작업 공간까지 포함한 모든 조합을 다시 만들 필요가 없다. 111

이미지는 딥시크의 분산 파일시스템 3FS에 저장된다. DSec는 파일 메타데이터를 로컬에 준비한 뒤, 샌드박스가 실제로 읽는 데이터만 필요할 때 가져올 수 있다. 많은 샌드박스가 한꺼번에 시작할 때 이미지 전송 시간과 로컬 저장 공간의 부담을 줄이려는 방식이다. 보고서는 고밀도 실행을 위한 메모리 관리와 CPU 스케줄링도 설명한다. 111

하루 300만 개는 ‘한 생산 단위’의 수치

딥시크가 설명한 생산 규모 단위 한 곳은 약 160개 CPU 노드, 3만 개 코어, 250TB의 DRAM과 페타바이트급 이미지 저장 공간을 갖춘다. 딥시크가 밝힌 이 단위의 운영 수치는 하루 약 300만 개의 샌드박스 인스턴스, 최대 동시 실행 38만 개 초과, 초당 생성 5,000개 초과다. 하루 처리량·동시 실행 최고치·생성 속도는 서로 다른 지표다. 특히 초당 최고 생성 속도가 하루 종일 유지됐다는 의미도, 한 단위의 수치가 DSec 전체 배포 규모를 뜻한다는 의미도 아니다. 1312

논문을 인용한 복수의 보도에는 단일 생산 학습 작업이 한 번에 샌드박스 3만 2,000개를 요청하거나 실행한 사례도 나온다. 한 작업의 수요가 얼마나 급격히 몰릴 수 있는지 보여주지만, 이를 작업당 허용되는 최대치로 단정할 근거는 확인되지 않는다. 811

GPU 학습 작업이 중단돼도 진행 상태는 남긴다

딥시크에 따르면 DSec는 V3.2부터 V4.1까지 강화학습과 평가에 필요한 샌드박스 작업을 처리했다. V4.1 기술 보고서는 오래 지속되는 에이전트 실행 과정인 롤아웃을 중단될 수 있는 GPU 학습 자원 풀 밖의 DSec에서 운영한다고 설명한다. 학습기가 선점돼 중단되면 롤아웃 실행을 일시 정지하고 상태를 보존한 채 다른 곳으로 옮겨, 나중에 이어서 실행할 수 있다는 것이다. GPU 학습 작업이 멈췄다는 이유만으로 에이전트의 진행 과정까지 버리지 않도록 한 설계다. 13

결국 DSec의 핵심은 샌드박스를 많이 생성하는 데만 있지 않다. 작업에 맞는 실행 환경을 고르고, 환경 데이터를 효율적으로 공급하며, 장시간 이어지는 에이전트 작업을 GPU 학습 일정과 분리하는 데 있다. 다만 위 규모와 운영상 효과는 딥시크가 보고한 결과이지, 다른 배포 환경에서도 보장되는 성능 수치는 아니다. 13