Galaxy를 코딩하는
MX SOFTWARE DEVELOPER

Galaxy AI 통화 녹음 요약 기능은 On-device 3B 파라미터 경량 언어 모델(sLLM)이 실시간 음성을 텍스트로 변환하고 요약을 생성하는 복합 파이프라인이다. 초기 구현에서 토큰당 추론 지연이 150ms로 사용자 경험 기준(응답 시작 3초 이내)을 초과했다. 합격 지원자 J.H.는 이 문제를 세 단계로 해결했다. 첫째, Exynos 2500 NPU 연산자 그래프 분석 — Perfetto를 활용한 레이어별 실행 시간 프로파일링으로 병목 레이어(Attention Mechanism) 식별. 둘째, INT4 양자화 적용 — Post-Training Quantization(PTQ)으로 FP32→INT4 변환, 모델 크기 3.1GB→0.78GB(75% 경량화), 정확도 손실 BLEU score 기준 1.3%p 이내 유지. 셋째, KV Cache 최적화 — 이전 토큰의 Key-Value 캐시를 NPU SRAM에 상주시켜 반복 연산 제거. 이 세 단계를 통해 토큰당 추론 지연 150ms→60ms(60% 단축)와 배터리 소비 GPU 대비 58% 절감을 달성했다. 자소서에서 "왜 INT4인가"의 Trade-off(INT8 대비 모델 크기 추가 50% 감소, 정확도 손실 1.3%p vs INT8 0.4%p)를 함께 설명한 것이 기술 판단력을 증명했다.

갤럭시 사용자의 배터리 소비 패턴은 개인마다 다르다. 일반 사용자와 Heavy 게이머의 최적 배터리 절약 설정은 완전히 다른데, 기존 One UI의 배터리 절약 모드는 모든 사용자에게 동일한 정책을 적용했다. 합격 지원자는 Adaptive Power Saving — 사용자의 7일 앱 사용 패턴을 학습해 개인화된 배터리 절약 정책을 동적으로 적용하는 모듈을 개발했다. 핵심 구현은 세 가지다. 첫째, Federated Learning 기반 On-device 학습 — 사용자 데이터가 서버로 전송되지 않고 기기 내에서 모델 업데이트. 둘째, 앱 우선순위 분류기 — 사용자의 실제 사용 빈도·시간대·세션 길이를 기반으로 앱을 Critical·Important·Background 3단계로 분류. 셋째, Android DozeMode 정책 커스터마이징 — 분류된 앱에 따라 Background Process Limit·Wakelock 정책을 동적 조정. 이 모듈 적용으로 일반 사용 시나리오 기준 배터리 사용 시간 +45분 달성, Foreground Service 수명 최적화로 One UI 앱 콜드 스타트 속도 23% 개선이라는 이중 성과를 거뒀다. "개인 정보 보호를 위해 Federated Learning을 선택했다"는 설계 원칙 서술이 삼성전자의 Privacy-First 가치관과 일치해 평가단에게 긍정적 인상을 남겼다.

지문 인증 처리를 Android OS 레이어에서 수행하면 루팅된 기기에서 지문 데이터가 탈취될 위험이 있다. Knox는 이 문제를 TEE(Trusted Execution Environment) 격리로 해결한다. 합격 지원자는 GlobalPlatform TEE API를 사용해 지문 인증 Trusted Application(TA)을 구현했다. 설계는 세 레이어로 구성됐다. 첫째, Normal World(Android OS) — 지문 센서 HAL에서 원시 이미지 데이터 수집 후 Secure World로 전달. 둘째, Secure World(TEE) — TA가 지문 특징점 추출·템플릿 매칭·결과 반환을 처리. 지문 템플릿은 AES-256-GCM으로 암호화해 TEE 내부 Storage에 저장. 셋째, Knox Vault — 암호화 키를 물리적 iSE 프로세서에 보관해 메인 SoC가 타협되어도 보호. CA(Client Application)와 TA 간 통신은 Samsung TEE SDK의 SecureChannel을 통해 무결성이 보장된다. 자소서에서 "왜 TEE에서 매칭 연산을 수행해야 하는가"의 보안 위협 모델(SoC 공격·메모리 덤프·루팅 취약점)을 설명한 것이 Knox 보안 아키텍처 이해도를 증명했다. SELinux 정책 파일(sepolicy) 작성과 avc denied 로그 분석을 통한 정책 디버깅 경험도 자소서 부록에 추가해 실무 경험을 강화했다.

SmartThings에서 Matter 기기를 처음 등록(커미셔닝)할 때 BLE 페어링 실패율이 4%를 초과했다. 원인은 Matter 커미셔닝 플로우의 BLE 광고 패킷 파싱 오류와 Wi-Fi 자격 증명 전달 시 타임아웃 처리 미흡이었다. 합격 지원자는 이 문제를 CHIP SDK(Matter 공식 SDK) 코드 분석으로 접근했다. Matter 커미셔닝 플로우는 5단계로 구성된다: BLE Discovery→PASE(Password-Authenticated Session Establishment)→Certificate-based Device Attestation→Wi-Fi 자격 증명 전달→CASE(Certificate Authenticated Session Establishment). 각 단계별 실패 사례를 Matter BLE Sniffer로 캡처하고 로그 분석을 통해 PASE 단계에서의 PIN 코드 검증 타임아웃(기본값 30초)이 저사양 IoT 기기에서 부족하다는 것을 발견했다. 타임아웃 파라미터 조정(30초→90초)과 BLE 재연결 재시도 로직(Exponential Backoff) 구현으로 커미셔닝 성공률 96%→99.8%를 달성했다. Matter 클러스터 구조(Cluster·Endpoint·Attribute)와 Thread 네트워크 토폴로지 이해를 자소서에 언급한 것이 SmartThings 연동 직무 전문성을 강하게 증명했다.

DeX 모드는 Galaxy 스마트폰을 외부 모니터에 연결해 데스크톱 UI로 사용하는 기능이다. 스마트폰 화면과 외부 모니터를 동시에 구동하면서 멀티 윈도우 앱을 실행할 때 메모리 부족(OOM: Out Of Memory) 크래시가 발생했다. 합격 지원자는 Android Memory Profiler와 Simpleperf를 활용한 메모리 사용 패턴 분석으로 원인을 파악했다. DeX 모드에서 앱의 Surface(렌더링 표면)가 스마트폰 화면과 외부 모니터 두 개를 위해 각각 생성되어 그래픽 메모리 사용량이 2배 이상 증가했다는 것을 발견했다. 해결책은 두 가지다. 첫째, Surface Sharing 최적화 — 스마트폰 화면과 외부 모니터 간 공유 가능한 Surface를 분석해 불필요한 이중 할당 제거. 둘째, Activity 생명주기 최적화 — DeX 모드 전환 시 불필요한 Activity 재생성 방지를 위한 ConfigChange 핸들러 구현. 이 두 가지 최적화로 DeX 멀티 윈도우 OOM 크래시 100% 제거와 그래픽 메모리 사용량 42% 감소를 달성했다. Android Window Manager·SurfaceFlinger·SurfaceControl API에 대한 깊은 이해가 해결의 핵심이었으며, 면접에서 Android 렌더링 파이프라인 전체를 설명한 것이 최종 합격으로 연결됐다.