라벨 하나 바꾸는데 8ms: GPUI의 순수 함수 뷰 모델이 성능의 벽에 부딪힌 이유

라벨 하나 바꾸는데 8ms: GPUI의 순수 함수 뷰 모델이 성능의 벽에 부딪힌 이유

GPUIRustZedGUI 아키텍처Signals

데이터 소스:blog.zortax.de + HN

3,000행으로 이루어진 목록에서 단 하나의 라벨을 변경할 때, GPUI의 네이티브 렌더링에 8.4밀리초가 소요됩니다. 120Hz 고주사율 디스플레이에서 1프레임당 주어지는 예산은 단 8.3밀리초에 불과합니다. 아주 단순한 텍스트 수정 하나가 프레임 전체 시간을 완전히 소진해 버리는 것입니다. 캐시가 없는 기본 요소를 사용할 경우 소요 시간은 92밀리초까지 치솟습니다.

최근의 인터페이스 프레임워크들은 선언형 API의 깔끔함을 위해 뷰를 상태의 순수 함수로 추상화해 왔습니다. 이러한 접근 방식은 수동 노드 동기화의 번거로움을 없애 주지만, 세밀한 의존 관계를 유추할 수 있는 연결고리를 끊어버립니다. 데스크톱 프레임워크의 경쟁 초점은 이제 상태 모델이 반응형 의존성 그래프를 표현할 수 있는지 여부로 옮겨가고 있습니다. 읽기 의존성 추적이 없을 때 미세한 변화는 결국 컴포넌트 트리 전체를 순회하며 확인하는 작업으로 전락하고 맙니다.

단일 라벨 변경에 8.4ms 소요: 순수 함수 뷰가 전체 컴포넌트 트리를 순회하다

Zed는 탁월한 네이티브 성능으로 극도의 빠른 반응성을 인정받아 왔습니다. 하지만 긴 목록 스트레스 테스트를 거치며 아키텍처의 병목 현상이 드러났습니다. 개발자 zortax가 구성한 테스트 케이스는 각 행에 뷰 캐시가 적용된 3,000행 목록을 시뮬레이션했습니다. 그중 단 하나의 라벨만 수정하더라도 GPUI가 갱신을 마치는 데 8.4밀리초가 걸렸으며, 처리 시간은 행 수에 비례하여 선형적으로 증가했습니다.

활성 행 수와 프레임 소요 시간의 선형 관계 그림: GPUI 활성 행 수와 프레임 소요 시간의 선형 증가 관계. 각 행에 뷰 캐시가 존재하더라도 업데이트 소요 시간은 트리 규모에 따라 선형적으로 증가한다. 출처: blog.zortax.de

만약 개발자가 각 셀마다 수동으로 동등성 비교 가드(memoization)를 작성한다면, 단일 프레임 소요 시간은 7.9밀리초에서 0.9마이크로초로 급격히 떨어집니다. 이러한 극단적인 성능 격차는 순수 함수 뷰가 지닌 본질적인 한계를 보여줍니다. 애플리케이션 개발자에게 모든 노드마다 동등성 비교 로직을 직접 작성하도록 요구하는 것은 선언형 프레임워크의 본래 취지에 어긋납니다. 프레임워크 자체에 세밀한 의존성 추적 메커니즘이 없다 보니, 상태가 바뀔 때마다 루트 노드부터 시작해 트리 전체를 위에서 아래로 일일이 대조할 수밖에 없습니다.

데이터 업데이트 단위와 뷰 다시 그리기 단위의 불일치는 순수 함수 상태 모델의 치명적인 매듭입니다. render(state) 패러다임에서 프레임워크는 상태가 변경되었다는 사실은 알지만, 누가 그 상태를 사용하고 있는지는 알지 못합니다. 최종 일관성을 보장하기 위해 렌더링 파이프라인은 모든 노드를 순회해야만 합니다. 코드를 작성할 때 의존성 선언을 생략해서 아낀 비용은, 매 프레임 CPU가 지불하는 순회 비용으로 고스란히 돌아옵니다.

캐시 메커니즘으로도 전체 순회 비용을 없앨 수는 없다

전체 검사에 따른 낭비를 줄이기 위해 Zed 팀은 실험적인 gpui-fast 브랜치에서 보존(retention) 캐시 메커니즘을 도입했습니다. 이 브랜치에서 진행된 3,000행 목록 테스트에서는 단일 라벨 업데이트 시간이 8.4밀리초에서 3.4밀리초로 단축되었습니다. 소요 시간이 60% 줄어들긴 했지만, 해당 프레임에서 실제로 다시 그려진 뷰는 3개뿐이었고 레이아웃을 다시 계산한 요소는 1개에 불과했습니다. 단 하나의 요소를 배치하는 데 3.4밀리초를 썼다는 것은, 연산 자원의 대부분이 여전히 컴포넌트 트리를 순회하고 검사하는 경로에서 소모되었음을 뜻합니다.

상태 소유 구조와 retention 소요 시간 비교 그림: 상태 소유 구조와 retention 전략에 따른 소요 시간 테스트. 공유 모델에서 retention이 오히려 성능 저하를 일으키는 점에 주목. 출처: blog.zortax.de

테스트 환경을 60개 패널의 다중 창 인터페이스로 확장하면 캐시 전략은 새로운 장벽을 만납니다. 상태가 각 패널에 독립적으로 격리되어 소유될 경우, 캐시를 통해 단일 변경 작업 시간을 83% 줄일 수 있습니다. 그러나 데이터를 전역 공유 모델로 통합하는 순간, 캐시를 도입했을 때 오히려 동일 프레임 렌더링 속도가 11% 느려졌습니다. 여러 패널이 공유 상태를 동시에 읽을 때 발생하는 캐시 무효화 판단과 해시 비교 작업이 뷰 재사용으로 얻는 이점을 갉아먹기 때문입니다.

Zed 공식 측정 데이터에서도 보존 메커니즘이 일반적인 작업 부하에서 1%에서 3%가량의 미세한 성능 저하를 유발하는 것으로 나타났습니다. 공식 개발자 역시 실제 프로덕션 환경의 개선은 대부분 다른 렌더링 파이프라인 최적화에서 비롯되었다고 솔직하게 밝혔습니다. 마이크로 벤치마크의 결과를 실제 소프트웨어에 그대로 대입하기는 어렵습니다. 거친 단위의 뷰 캐시는 정밀한 의존성 그래프를 대체할 수 없으며, 캐시 확인 과정 자체도 귀중한 CPU 시간을 소비합니다.

유사한 Rust 프레임워크들이 겪는 동일한 전체 재구축 문제

전체 트리 순회는 GPUI만의 고민이 아닙니다. Elm 아키텍처를 채택한 Iced 역시 똑같은 벽에 부딪혔습니다. 동일한 3,000행 테스트에서 단 하나의 라벨만 변경해도 Iced는 단일 프레임 내에서 39,023개의 컴포넌트를 다시 할당하며 7.3밀리초를 소모했습니다. 각 행을 lazy 래퍼로 감싸더라도 키 값 해시를 계산하기 위한 전체 순회가 여전히 발생하여 소요 시간은 5.7밀리초까지 줄어드는 데 그쳤습니다.

Iced 공식 예제에서는 데이터 변경 여부를 나타내기 위해 version: u8 번호를 증가시키는 방식을 권장합니다. 이는 사실상 수동 변경 플래그의 이름을 바꾼 것에 불과하며, 결국 수동 상태 동기화로 회귀하는 셈입니다. 전체 재구축 패러다임은 복잡한 애플리케이션에서 메시지 체계의 급격한 비대화를 초래하기도 합니다. 예를 들어 cosmic-files 프로젝트는 136개의 최상위 메시지 변형과 73개의 탭 변형을 정의하고 있으며, 상태 동기화 로직이 수많은 패턴 매칭 분기 속에 흩어져 있습니다.

컴파일러가 패턴 매칭의 완전성은 보장해 줄 수 있지만, 분기 전반에 걸친 데이터 갱신 작업의 정확성까지 검증해 주지는 못합니다. 다만 뷰포트 가상화가 적용된 환경에서는 Iced의 프레임 소요 시간이 0.19밀리초까지 압축되며 최고 수준의 성능을 발휘합니다. 화면에 활성화된 요소가 물리적으로 제한되어 있을 때는 전체 재구축 비용이 현대 하드웨어 성능 안에서 충분히 흡수될 수 있습니다. 순수 함수 상태 모델이 주는 구조적 부담은 대규모 데이터가 가상화 없이 흐를 때 본격적으로 폭발합니다.

웹 진영의 공통된 전환: 신호를 통한 세밀한 의존성 추적

전체 트리 순회의 한계에 직면한 웹 프론트엔드 생태계는 지난 몇 년간 신호(Signals) 모델로 발 빠르게 수렴했습니다. Angular, Vue, Solid에 이르기까지 현대 프레임워크들은 반응형 의존성 그래프 기반의 실행 방식으로 잇달아 전환했습니다. Svelte 팀 역시 최신 버전에서 신호를 채택하며 “결국 Knockout이 옳았음을 인정하게 되었다”고 소회를 밝혔습니다.

5가지 상태 모델 비교 그림: 데스크톱 및 프론트엔드의 5가지 대표적 상태 모델 비교. 우측의 단 1회 실행되는 신호 모델이 클로저를 통해 로컬 요소를 어떻게 직접 업데이트하는지 보여준다. 출처: blog.zortax.de

초기 Redux 생태계도 비슷한 경로를 겪었습니다. 상태가 전역 데이터베이스로 취급되면서 단 하나의 액션이 모든 셀렉터의 재계산을 유발했습니다. 전역 계산의 한계는 곧 세밀한 원자 단위의 상태 모델로의 진화를 이끌어냈습니다. 컴포넌트 트리 전체의 재렌더링 방식을 고수하는 React는 이제 순수 함수 모델을 유지하는 드문 예외가 되었습니다.

Rust 데스크톱 생태계에서도 유사한 탐색이 활발히 이루어지고 있습니다. GUI 프레임워크 Vizia는 2026년 3월 렌즈 모델에서 신호 체계로 전환하여 중앙 집중식 구조를 유지하면서도 부분적 반응성을 확보했습니다. Floem이나 zgui 같은 프레임워크는 렌더링 함수를 단 1회만 실행되는 토폴로지 빌더로 재정의합니다. 말단 리프 노드가 클로저를 통해 신호를 직접 캡처하고, 상태가 바뀔 때 전체 뷰 트리의 계층적 스케줄링을 건너뛰고 해당 위치에서 즉각적인 수정을 가합니다.

아키텍처 논쟁의 본질: 절대적 진리가 아닌 엔지니어링 절충

벤치마크 결과가 보여주는 차이는 구체적인 엔지니어링 맥락 안에서 평가되어야 합니다. 이 테스트를 수행한 zortax는 신호 기반 프레임워크인 zgui를 개발하고 있으며, GPUI의 wgpu 포팅 작업을 완료한 개발자이기도 합니다. 해당 벤치마크는 긴 목록을 가상화 없이 렌더링하는 시나리오로 설계되었으며, 이는 순수 함수 뷰 모델에 가장 가혹한 극한의 환경입니다.

기술 커뮤니티에서도 테스트 결과를 두고 활발한 토론이 이어졌습니다. 여러 엔지니어들은 CAD, 벡터 그래픽, 음향 소프트웨어 등이 수십 년 동안 즉시 모드(immediate mode) 환경에서 안정적으로 작동해 왔음을 강조합니다. 즉시 모드와 순수 함수 뷰는 컴포넌트 생명주기 관리를 극적으로 단순화하며, 반응형 의존성 그래프가 수반하는 클로저 및 메모리 오버헤드를 피할 수 있다는 확실한 장점이 있습니다.

GPUI에 대한 분석은 하드웨어 에너지 효율로도 확장되고 있습니다. 일부 개발자들은 대기 상태에서 GPUI의 전력 소모가 다소 높다고 지적하며, sidestep과 같은 대안적 접근법을 모색하고 있습니다. 반면 egui는 극도로 가벼운 추상화와 WebAssembly 지원을 무기로 복잡한 데스크톱 도구를 웹 브라우저 안에서 매끄럽게 구동하도록 돕습니다. 각 아키텍처는 극한의 성능과 개발자의 인지 부하 사이에서 저마다의 균형점을 선택하고 있는 것입니다.

UI 프레임워크에 공짜 추상화는 없습니다. 상태 모델의 표현 능력이 시스템 성능의 상한선을 결정짓습니다. 뷰를 순수 함수로 정의하면서 의존성 그래프를 구축하지 않는다면, 트리 전체 순회는 피할 수 없는 물리적 대가가 됩니다. 코드를 작성할 때 의존성 선언을 생략해서 얻은 편리함은, 결국 엄격한 프레임 예산 앞에서 남김없이 지불되어야 합니다.

참고 링크:

  • A Critique of GPUI
  • Hacker News 커뮤니티 토론