연구 서버 세팅 가이드: SSH부터 conda까지, 삽질 없이 한 번에 끝내기

들어가며

큰 그림: 연결은 3층 구조다

┌─────────────────────────────────────────────────────────────┐
│ 1층: 로컬(맥) ↔ 서버 접속 (SSH)                              │
│     → VS Code Remote도 여기서 막힘                           │
├─────────────────────────────────────────────────────────────┤
│ 2층: 서버 ↔ GitHub 인증 (SSH 키)                             │
│     → git clone/push가 여기서 막힘                           │
├─────────────────────────────────────────────────────────────┤
│ 3층: 서버 내부 실행 환경 (conda env)                         │
│     → 실험 재현이 여기서 가능해짐                             │
└─────────────────────────────────────────────────────────────┘

Step 0. 용어/개념 먼저 정리 (실수 방지)

SSH 키 (로컬 → 서버)

• 용도: 네 맥에서 ssh rose 같은 접속을 편하게 하기 위한 것

• 위치: 로컬 맥의 ~/.ssh/id_ed25519

• 등록: 서버의 ~/.ssh/authorized_keys에 등록

SSH 키 (서버 → GitHub)

• 용도: 서버에서 git clone git@github.com:... 할 때 "GitHub 인증"을 위한 것

• 위치: 서버의 ~/.ssh/id_ed25519

• 등록: GitHub Settings → SSH keys에 등록

git user.name / user.email

• 용도: 커밋에 "누가 만들었는지" 기록하기 위한 메타데이터 (인증이 아님!)

• 설정: git config --global user.name "ssum21"

• 주의: SSH 키와는 완전히 별개

conda env

• 용도: 패키지/파이썬 버전을 묶어 실험 재현성을 확보하는 실행 환경

• 예시: conda create -n nmsl python=3.11

• 재현: conda env export > env.yml로 환경 저장

Step 1. (로컬 맥) 서버 접속을 "ssh rose" 한 줄로 만들기

1-1) 로컬 SSH 키 준비

ls -al ~/.ssh

ssh-keygen -t ed25519 -C "sumin@mac"
# 엔터 엔터 (기본 파일명 사용)
# 패스프레이즈는 선택 (보안 강화하려면 설정)

• RSA보다 빠르고 안전함

• GitHub도 공식 권장

1-2) 로컬 ~/.ssh/config에 서버 별명 등록

vim ~/.ssh/config

Host rose
    HostName rose.kaist.ac.kr
    User ssum
    IdentityFile ~/.ssh/id_ed25519
    IdentitiesOnly yes

Host suzy
    HostName suzy.kaist.ac.kr
    User ssum
    IdentityFile ~/.ssh/id_ed25519
    IdentitiesOnly yes

chmod 700 ~/.ssh
chmod 600 ~/.ssh/config
chmod 600 ~/.ssh/id_ed25519

1-3) 동작 확인

ssh -v rose

왜 이걸 해야하나?

Step 2. (VS Code) Remote-SSH가 rose를 못 찾는 이유 해결

Could not resolve hostname rose

2-1) VS Code가 어떤 config를 보는지 확인

1. Command Palette (⌘⇧P)

2. Remote-SSH: Open SSH Configuration File 입력

3. 열리는 파일에 Host rose가 있어야 함

2-2) 터미널에서 확인

ssh -G rose | head -n 30

실전 팁

• ~/.ssh/config (맥의 기본 설정)

• VS Code 자체 설정 파일

Step 3. (서버) Git 커밋 에러 (Author identity unknown) 해결

Author identity unknown

해결 방법

git config --global user.name "ssum21"
git config --global user.email "ssum21@users.noreply.github.com"

git config --global --list | grep user

왜 이걸 해야하나?

Step 4. (서버) GitHub SSH 인증 (Permission denied publickey) 해결

전형적인 에러

git clone git@github.com:ssum21/my-repo.git

Permission denied (publickey)

4-1) 서버에 SSH 키 생성

ssh-keygen -t ed25519 -C "ssum21@suzy"
# 엔터 엔터 (파일 기본), 패스프레이즈는 선택

cat ~/.ssh/id_ed25519.pub

4-2) GitHub에 공개키 등록

1. GitHub → Settings → SSH and GPG keys

2. New SSH key 클릭

3. Title: "suzy server" (구분 가능한 이름)

4. Key: 복사한 공개키 붙여넣기

5. Add SSH key 클릭

4-3) 서버에서 인증 테스트

ssh -T git@github.com

Hi ssum21! You've successfully authenticated, but GitHub does not provide shell access.

4-4) (자주 필요한) GitHub용 키 고정

vim ~/.ssh/config

Host github.com
  HostName github.com
  User git
  IdentityFile ~/.ssh/id_ed25519
  IdentitiesOnly yes

chmod 600 ~/.ssh/config

왜 이걸 해야하나?

• ❌ "내 맥에서 GitHub 로그인했으니 서버에서도 되겠지?"

• ✅ 서버는 서버 자신만의 SSH 키가 있어야 한다.

Step 5. Git clone / 첫 구조 / push까지 깔끔한 루틴

5-1) 빈 레포면 clone 후 작업하면 끝

git clone git@github.com:ssum21/NMSL_TimeSeries_AI.git
cd NMSL_TimeSeries_AI

5-2) 프로젝트 골격 만들기

mkdir -p data/raw data/processed experiments models notebooks scripts src
touch src/{__init__.py,dataset.py,train.py,eval.py}
touch .gitignore requirements.txt

NMSL_TimeSeries_AI/
├── data/
│   ├── raw/          # 원본 데이터 (git 제외)
│   └── processed/    # 전처리된 데이터 (git 제외)
├── experiments/      # 실험 결과, 로그
├── models/           # 학습된 모델 가중치
├── notebooks/        # Jupyter 노트북
├── scripts/          # 실험 실행 스크립트
├── src/              # 소스 코드
│   ├── __init__.py
│   ├── dataset.py
│   ├── train.py
│   └── eval.py
├── .gitignore
└── requirements.txt

5-3) .gitignore 먼저 (매우 중요!)

cat > .gitignore <<'EOF'
# Python
__pycache__/
*.pyc
*.pyo
.ipynb_checkpoints/

# 환경
.env
.venv/
venv/
env/

# 데이터 (용량 큰 파일 제외)
data/raw/*
data/processed/*
!data/raw/.gitkeep
!data/processed/.gitkeep

# 실험 결과
experiments/
models/*.pth
models/*.pt

# OS
.DS_Store
Thumbs.db
EOF

touch data/raw/.gitkeep data/processed/.gitkeep

5-4) 첫 커밋/push

git add .
git commit -m "Initialize project structure"
git push origin main

왜 .gitignore가 먼저냐?

• 레포가 무거워짐

• clone 시간 폭발

• GitHub 용량 제한 초과 가능

Step 6. conda로 "실험 가능한 가상환경" 만들기 (서버에서)

6-1) conda 명령이 항상 먹게 만들기

~/anaconda3/bin/conda init bash
source ~/.bashrc
conda --version

which conda
# 또는
ls ~/anaconda3/bin/conda
ls ~/miniconda3/bin/conda

6-2) 프로젝트용 env 생성 (권장: base 건드리지 않기)

conda create -n nmsl python=3.11 -y
conda activate nmsl
python --version

Python 3.11.x

6-3) 필요한 패키지 설치 (예시)

# conda로 기본 패키지
conda install -y numpy pandas scipy scikit-learn matplotlib tqdm ipykernel

# pip 업그레이드
pip install -U pip

# PyTorch (예시: CUDA 12.1)
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

# 추가 라이브러리
pip install wandb transformers datasets

6-4) 실험 재현을 위해 환경 저장 (핵심!)

conda env export -n nmsl --from-history > env.nmsl.yml

• -from-history의 의미:

• 네가 명시적으로 설치한 패키지만 저장 (의존성 제외)

• OS/CPU 아키텍처에 무관하게 재현 가능

• 파일이 훨씬 깔끔함

name: nmsl
channels:
  - pytorch
  - nvidia
  - conda-forge
  - defaults
dependencies:
  - python=3.11
  - numpy
  - pandas
  - pytorch
  - torchvision
  - pip
  - pip:
    - wandb
    - transformers

git add env.nmsl.yml
git commit -m "Add conda environment file"
git push

conda env create -f env.nmsl.yml -n nmsl
conda activate nmsl

6-5) "한 번 세팅하고 날리기" (env 삭제)

conda deactivate
conda env remove -n nmsl

왜 conda env가 중요한가?

• PyTorch 2.0과 2.1은 난수 생성 방식이 다를 수 있음

• NumPy 버전에 따라 부동소수점 연산 결과가 미묘하게 다를 수 있음

• 서버 바뀌어도 같은 실험 가능

• 논문 리뷰어가 재현 요청해도 대응 가능

• 6개월 후 "이 실험 환경이 뭐였더라?" 고민 안 해도 됨

Step 7. VS Code Remote에서 conda env로 작업 루틴

7-1) VS Code로 rose 접속

1. VS Code 실행

2. Command Palette (⌘⇧P) → Remote-SSH: Connect to Host

3. rose 선택

4. 새 창에서 서버 연결됨

7-2) 터미널에서 conda 활성화

conda activate nmsl

7-3) Python Interpreter도 nmsl로 지정

1. Command Palette (⌘⇧P)

2. Python: Select Interpreter

3. Python 3.11.x ('nmsl') 선택

7-4) Jupyter 노트북 실행

# nmsl 환경을 Jupyter 커널로 등록
python -m ipykernel install --user --name nmsl --display-name "Python (nmsl)"

실전 팁

# 프로젝트 디렉토리 진입 시 자동 활성화
if [[ $PWD == */NMSL_TimeSeries_AI* ]] && [[ $CONDA_DEFAULT_ENV != "nmsl" ]]; then
    conda activate nmsl
fi

실전 체크리스트 (문제 발생 지점 빠르게 특정)

A) VS Code가 rose 못 찾음

# 맥에서
ssh rose  # 되냐?
cat ~/.ssh/config  # Host rose 있냐?

B) 서버에서 git commit이 안 됨

# 서버에서
git config --global user.name  # 설정했냐?
git config --global user.email  # 설정했냐?

C) 서버에서 git clone/push가 안 됨

# 서버에서
ssh -T git@github.com  # 성공하냐?
cat ~/.ssh/id_ed25519.pub  # 이 키를 GitHub에 등록했냐?

D) 실험이 안 돌아감 / 패키지 충돌

# 서버에서
conda info --envs  # base가 아니라 nmsl 쓰고 있냐?
conda list  # 필요한 패키지가 설치되어 있냐?
ls env.nmsl.yml  # 재현 가능하게 남겼냐?

Conda를 사용하면 얻을 수 있는 이점

1. 완벽한 격리(Isolation)

• 프로젝트 A: PyTorch 1.x 필요

• 프로젝트 B: PyTorch 2.x 필요

• 같은 서버에서 둘 다 돌려야 함

pip install torch==1.13  # A 실행
# B 실행하려면...
pip uninstall torch
pip install torch==2.0  # 매번 재설치 😭

conda create -n projectA python=3.9 pytorch=1.13 -c pytorch
conda create -n projectB python=3.11 pytorch=2.0 -c pytorch

# A 작업
conda activate projectA

# B 작업
conda deactivate
conda activate projectB

2. 크로스 플랫폼 재현성

• macOS용 패키지 vs Linux용 패키지 버전이 다를 수 있음

• CUDA 버전 맞추기 지옥

# 맥에서
conda env export --from-history > env.yml

# 서버에서
conda env create -f env.yml

• -from-history 덕분에 OS/아키텍처 무관하게 재현!

3. 파이썬 버전까지 통제

conda create -n py39 python=3.9
conda create -n py311 python=3.11

conda create -n legacy python=2.7

4. 비파이썬 패키지까지 관리

conda install -c conda-forge ffmpeg  # 동영상 처리
conda install -c conda-forge graphviz  # 그래프 시각화
conda install -c conda-forge gcc  # C 컴파일러

5. 속도 최적화 (conda-forge)

# pip: 소스 컴파일 → 10분 소요
pip install scipy

# conda: 바이너리 다운로드 → 30초
conda install -c conda-forge scipy

6. 롤백 가능

# 환경 히스토리 확인
conda list --revisions

# 특정 revision으로 롤백
conda install --revision 2

Conda의 주요 기능 총정리

환경 관리

# 환경 생성
conda create -n myenv python=3.11

# 환경 활성화/비활성화
conda activate myenv
conda deactivate

# 환경 목록 확인
conda info --envs
conda env list

# 환경 삭제
conda env remove -n myenv

# 환경 복제
conda create -n myenv_copy --clone myenv

패키지 관리

# 패키지 설치
conda install numpy pandas
conda install -c conda-forge scikit-learn

# 특정 버전 설치
conda install numpy=1.23.0

# 패키지 업데이트
conda update numpy
conda update --all

# 패키지 삭제
conda remove numpy

# 설치된 패키지 목록
conda list

환경 내보내기/불러오기

# 전체 환경 내보내기 (OS 종속적)
conda env export > environment.yml

# 명시적 패키지만 내보내기 (권장)
conda env export --from-history > env.yml

# 환경 불러오기
conda env create -f environment.yml

채널 관리

# 채널 추가
conda config --add channels conda-forge
conda config --add channels pytorch

# 채널 우선순위 확인
conda config --show channels

# 특정 채널에서 설치
conda install -c nvidia cudatoolkit

캐시 정리

# 사용하지 않는 패키지 정리
conda clean --all

# 특정 항목만 정리
conda clean --packages  # 다운로드 캐시
conda clean --tarballs  # 압축 파일

롤백 및 히스토리

# 환경 변경 히스토리
conda list --revisions

# 특정 revision으로 복원
conda install --revision 2

정보 확인

# conda 정보
conda info

# 환경 정보
conda info --envs

# 패키지 검색
conda search numpy

# 패키지 정보
conda info numpy

너한테 딱 맞춘 "권장 운영 방식" 요약

접속 (로컬 맥)

GitHub (서버)

실험 (서버)

재현성

보너스: 한 단계 더 나아가기

Makefile (setup/run/clean 명령 한 방)

.PHONY: setup run clean

setup:
	conda env create -f env.nmsl.yml -n nmsl
	conda run -n nmsl pip install -e .

run:
	conda run -n nmsl python src/train.py

clean:
	conda env remove -n nmsl
	find . -type d -name __pycache__ -exec rm -rf {} +
	find . -type f -name "*.pyc" -delete

make setup  # 환경 구축
make run    # 실험 실행
make clean  # 정리

scripts/setup_env.sh (conda env 자동 구성)

#!/bin/bash
set -e

ENV_NAME="nmsl"
PYTHON_VERSION="3.11"

echo "Creating conda environment: $ENV_NAME"
conda create -n $ENV_NAME python=$PYTHON_VERSION -y

echo "Installing packages..."
conda install -n $ENV_NAME -c conda-forge numpy pandas scipy -y
conda install -n $ENV_NAME -c pytorch pytorch torchvision -y

echo "Installing additional packages via pip..."
conda run -n $ENV_NAME pip install wandb transformers

echo "Exporting environment..."
conda env export -n $ENV_NAME --from-history > env.nmsl.yml

echo "Setup complete! Activate with: conda activate $ENV_NAME"

chmod +x scripts/setup_env.sh
./scripts/setup_env.sh

README.md 템플릿 (서버 접속/환경 구축/실험 실행까지)

# NMSL Time-Series AI

## 환경 구축

### 1. 서버 접속
\\`\\`\\`bash
ssh rose
\\`\\`\\`

### 2. 레포 클론
\\`\\`\\`bash
git clone git@github.com:ssum21/NMSL_TimeSeries_AI.git
cd NMSL_TimeSeries_AI
\\`\\`\\`

### 3. Conda 환경 생성
\\`\\`\\`bash
conda env create -f env.nmsl.yml -n nmsl
conda activate nmsl
\\`\\`\\`

## 실험 실행

### 학습
\\`\\`\\`bash
python src/train.py --config configs/default.yaml
\\`\\`\\`

### 평가
\\`\\`\\`bash
python src/eval.py --checkpoint models/best.pth
\\`\\`\\`

## 재현성

이 실험은 다음 환경에서 재현 가능합니다:
- Python 3.11
- PyTorch 2.0
- CUDA 12.1

자세한 패키지 목록은 \\`env.nmsl.yml\\` 참고.

Conclusion: 배운 점과 다짐

• 완벽한 환경 격리

• 크로스 플랫폼 재현성

• 파이썬 버전까지 통제

• 롤백 가능한 안전성

1. .gitignore 먼저 작성

2. conda env 생성 및 env.yml 저장

3. README에 재현 방법 명시

참고 자료

• Conda 공식 문서

• GitHub SSH 키 설정 가이드

• VS Code Remote-SSH 문서

• Git 설정 가이드