와이파이 칩에 SDR이 숨어 있다면? ESP32와 AI 역공학의 가능성

핵심 요약

와이파이를 수신하는 기능과 원시 무선 신호를 꺼내 쓰는 기능은 다릅니다.
ESP32를 SDR로 어디까지 쓸 수 있는지는 수신 회로와 내부 데이터에 접근하는 방식에 달려 있습니다.
LLM은 코드 해석과 실험 설계를 도울 수 있지만, 숨은 기능이 실제로 있는지는 측정으로 확인해야 합니다.
저가 하드웨어의 새로운 쓰임은 특정 실험에 필요한 기능을 찾아내는 데서 시작할 수 있습니다.

와이파이에 연결하던 작은 칩으로 주변의 전파까지 들여다볼 수 있을지 궁금합니다. ESPARGOS와 ESP-SDR라는 이름을 접했을 때도 “ESP32 안에서 어떤 신호를 꺼낼 수 있을까”라는 질문이 먼저 떠오릅니다. 코드를 설명해 주는 AI는 칩의 내부 동작을 파헤치는 역공학에서 이 질문을 풀어갈 도구가 될 수 있습니다.

와이파이 칩은 이미 전파를 받고 있습니다

와이파이 칩에는 무선 수신 회로가 들어 있습니다. 안테나로 들어온 전파를 처리해서 그 안에 실린 데이터를 복원해야 하기 때문입니다.

개발자가 평소 다루는 것은 이 과정을 거친 결과입니다. 네트워크로 전달된 데이터를 읽거나 연결 상태를 확인하는 식이죠. 그보다 앞선 단계에서 칩이 어떤 신호를 처리했는지는 보통 애플리케이션에서 직접 다루지 않습니다.

SDR은 소프트웨어 정의 무선이라는 뜻입니다. 무선 신호를 처리하는 기능의 상당 부분을 소프트웨어로 구현하는 방식입니다. 수신한 신호를 적절한 형태로 얻을 수 있다면, 프로그램으로 주파수 성분을 살펴보거나 신호에 실린 정보를 해석할 수 있습니다.

와이파이 칩을 SDR로 쓰려 할 때는 살펴볼 점도 달라집니다. “인터넷에 연결되는가”를 확인하는 데서 더 나아가, “데이터로 복원되기 전의 신호에도 접근할 수 있는가”를 알아봐야 합니다.

‘숨은 SDR 기능’을 확인하려면 데이터를 봐야 합니다

칩이 내부에서 어떤 신호를 처리한다고 해서 개발자가 그 신호를 꺼내 쓸 수 있는 것은 아닙니다. 그러려면 내부 메모리에 접근해야 할 수도 있고, 데이터를 충분한 속도로 밖에 내보낼 경로도 있어야 합니다.

이때 자주 나오는 용어가 I/Q 샘플입니다. 무선 신호의 진폭과 위상 정보를 표현하는 두 성분의 디지털 값입니다. 수신한 신호를 소프트웨어로 계산할 수 있는 형태로 나타냈다고 생각하면 됩니다.

와이파이 패킷을 수집하는 것과 이런 샘플을 얻는 것은 다릅니다. 패킷은 칩이 이미 와이파이 규칙에 따라 해석한 데이터입니다. I/Q 샘플은 그보다 앞선 신호 처리 단계에서 다루는 값입니다.

채널 상태 정보인 CSI도 구별해야 합니다. CSI는 전파가 전달되는 경로의 특성을 추정한 정보입니다. 주변 환경이 신호에 어떤 영향을 미치는지 분석할 때 쓸 수 있지만, 원시 수신 파형과 같은 데이터는 아닙니다.

ESPARGOS와 ESP-SDR를 이해할 때도 먼저 어떤 데이터를 얻을 수 있는가를 살펴봐야 합니다. 이어서 수신할 수 있는 대역과 한 번에 관찰할 수 있는 주파수 폭을 확인해야 합니다. 실제로 어디에 쓸 수 있는지는 이 조건에 따라 달라집니다.

AI는 역공학에서 어디까지 도울 수 있을까요?

역공학은 완성된 프로그램이나 장치가 어떻게 동작하는지 거슬러 살펴보며 구조를 알아내는 작업입니다. 설명도 없는 코드와 숫자를 보고 각각 무엇을 뜻하는지 찾아야 할 때가 많습니다.

예를 들어 펌웨어를 분석하다 보면 특정 하드웨어 주소에 값을 쓰는 코드가 반복해서 나타날 수 있습니다. 그 주소가 수신 기능을 제어하는지, 메모리 전송을 설정하는지 알아내려면 주변 코드가 하는 일도 함께 살펴야 합니다.

LLM은 이런 분석을 도울 수 있습니다. 기계어를 사람이 읽기 쉽게 풀어놓은 코드를 설명하거나, 여러 함수에서 공통 패턴을 찾아 후보를 좁히는 식입니다. 그렇게 분석한 내용을 바탕으로 다음에 어떤 실험을 해볼지 제안받을 수도 있습니다.

다만 AI가 어떤 함수를 “수신 모드 설정 함수”라고 설명했다고 해서 그 함수의 실제 역할을 확인한 것은 아닙니다. 이름 없는 코드에 그럴듯한 의미를 붙였을 가능성도 있습니다.

AI의 설명은 검증할 가설로 다뤄야 합니다. 설정 하나를 바꿨을 때 출력이 어떻게 달라지는지 측정하고, 알고 있는 신호를 입력했을 때 예상한 결과가 나오는지도 확인해야 합니다.

AI는 이처럼 어디서부터 분석을 시작할지 찾는 데 도움이 됩니다. 사람이 처음부터 모든 코드를 해석해야 하는 부담도 덜어줄 수 있습니다. 다만 설명이 맞는지 최종적으로 판단하려면 장치가 실제로 어떻게 동작하는지 봐야 합니다.

저렴한 칩에도 하드웨어의 한계는 있습니다

소프트웨어로 접근할 수 있는 범위를 넓혀도 무선 회로의 특성까지 마음대로 바꿀 수는 없습니다. 안테나와 필터, 증폭기 등은 특정 주파수 범위에 맞춰 설계하기 때문입니다.

예를 들어 2.4GHz용 수신 회로가 설정만 바꾼다고 100MHz 부근의 FM 방송 수신기가 되지는 않습니다. 신호를 얼마나 정밀하게 구분하는지, 강한 신호 옆의 약한 신호를 얼마나 잘 받는지도 하드웨어에 따라 달라집니다.

그래서 저가 칩에서 새로운 기능을 찾았다면 어디에 쓸지부터 구체적으로 정하는 편이 좋습니다. 특정 대역의 신호 변화를 관찰할 때와 무선 통신 원리를 배울 때 필요한 성능은 다릅니다. 여러 수신 채널을 함께 쓰려면 채널 사이의 시간과 위상을 맞추는 문제도 중요해집니다.

저는 이런 칩을 작고 저렴한 실험 도구로 쓸 가능성에 가장 관심이 갑니다. 이미 가진 보드에서 필요한 신호를 안정적으로 얻을 수 있다면, 새로운 실험을 시작할 때 드는 부담도 줄어들 수 있습니다.

ESP32를 SDR로 쓸 수 있는지 알아보는 일은 익숙한 부품의 내부를 다시 살피는 일이기도 합니다. AI의 도움을 받아 코드를 해석하고 측정으로 가설을 검증하다 보면 저가 하드웨어의 다른 쓰임을 찾을 수도 있습니다. 서랍 속 와이파이 보드로 해볼 만한 실험도, 그 안에서 어떤 신호를 꺼낼 수 있는지 알아보는 데서 시작할 수 있습니다.