데이터로 읽는 가상축구 수비 안정성 지표

가상축구에서 수비가 단단하다는 말은 감으로는 쉽게 나오지만, 데이터로 증명하려면 길고 차분한 작업이 필요하다. 같은 팀이 비슷한 전력으로 보이는 경기에서 어떤 날은 실점을 쏟아내고, 어떤 날은 상대를 2유효슈팅 이하로 묶는다. 시뮬레이션 엔진의 난수와 이벤트 규칙이 얽힌 결과라서 단기 변동성이 크기 때문이다. 그럼에도 장기 평균과 변동성을 분리해 읽어내면, 팀이나 전술 슬롯이 보여주는 본질적인 수비 안정성은 수치로 담을 수 있다. 이 글은 그 지표를 어떻게 구성하고, 어떤 함정이 있으며, 실제 의사결정에 어떻게 연결하는지까지 다룬다. 가상농구, 가상경마, 가상개경주와의 비교도 곁들여 맥락을 넓힌다.

가상 엔진에서 수비가 만들어지는 방식

대부분의 가상축구 엔진은 포지션별 능력치, 전술 파라미터, 폼 또는 피로도 플래그, 그리고 난수 시드를 결합해 이벤트를 생성한다. 이벤트는 대개 소유권 전환, 전진 패스 성공 여부, 박스 침투, 슈팅 선택, 세트피스 발생 같은 상태 전이로 표현된다. 이 사슬 안에서 수비는 두 가지 장소에서 결과에 영향을 준다. 가상축구 전진 억제와 박스 내 효율 저하다. 전진 억제는 진입 자체를 줄이고, 박스 내 효율 저하는 같은 슈팅 수라도 기대실점을 낮춘다. 중요한 점은 두 층위가 서로 다른 변동성 구조를 가진다는 사실이다. 전진 억제는 점유율과 템포에 민감하고, 박스 내 효율은 개별 슈팅의 품질 분포와 선수 매칭에 민감하다.

엔진마다 용어와 구현은 달라도, 로그 추출이 가능하다면 소유권 단위 혹은 박스 진입 단위의 이벤트로 펼쳐볼 수 있다. 로그가 없다면 중계 스트림의 텍스트 파싱, 마켓 변동에서 역산한 상태확률로 대체할 때도 있다. 정밀도가 떨어지지만 방향성은 확인할 수 있다.

어떤 데이터를 쌓아야 하는가

수비 안정성을 평가하려면 공격 데이터를 뒤집어 보는 것으로는 부족하다. 실점, 유효슈팅 허용, 코너킥 허용 같은 표면 지표만으로는 엔진의 의사결정 단계가 흐릿하게 남는다. 최소한 다음 축에 해당하는 관측을 확보하는 편이 이후의 모델링을 크게 단순화한다.

• 팀별 혹은 전술 슬롯별 소유권 수와 길이, 전진 패스 시도 대비 성공 비율, 그리고 하프스페이스 또는 측면 진입 비율
• 박스 진입 허용 횟수와 진입 후 슈팅 전환율, 슈팅의 예상 득점가치 분포 추정치
• 세트피스 유발 이벤트, 세트피스에서의 실점 확률 추정치, 두 번째 볼에서의 추가 슈팅 허용
• 수비행동 성공률, 특히 태클, 차단, 공중볼 경합의 성공률과 위험지역 가중치
• 시간가중 압박 지표, 예를 들어 리드 혹은 언더상태에서의 수비 라인 높이 변화와 패스 억제 정도

현실 경기처럼 트래킹 좌표가 주어지지 않는 경우가 많다. 대신 엔진이 노출하는 텍스트 키워드, 슈팅 거리 라벨, 패턴 이름이 신호로 쓰인다. 예를 들어 어떤 공급자는 박스 외 슈팅을 세 구간으로만 표기하는데, 이 정도 구간화로도 팀 간의 품질 차이는 잡힌다. 데이터 해상도가 낮으면, 관측치 대신 사전 확률과 베이지안 갱신으로 빈도를 보정하는 것이 안전하다.

수비 안정성 지표의 뼈대

안정성은 평균 성과와 그 성과의 흔들림을 동시에 봐야 한다. 실점 기대값을 낮추는 능력만 좋고 변동성이 크면, 체감상 불안정하다. 반대로 변동성은 낮지만 실점 기대값이 높은 팀은 밋밋한 약팀일 가능성이 크다. 두 축을 하나의 스코어로 합성하되, 맥락에 따라 분리해서 읽을 수 있도록 설계한다.

나는 이를 두 부분으로 나눈다. 첫째, 방어 효율 지수 EDA, 둘째, 방어 변동 지수 VDA. 최종 점수 DSI는 EDA를 높게, VDA를 낮게 두는 방향으로 합성한다. 표기만 지수일 뿐, 구성은 직관적이다.

EDA는 다음 항목을 가중 합으로 둔다. 각 항목은 템포와 상대 강도에 정규화한다.

1) xGA_poss: 소유권 100회당 기대실점. 소유권당 기대실점은 엔진의 슈팅 품질 라벨을 통해 간접 계산한다. 슈팅 수만 보는 대신, 라벨별 평균 득점확률을 학습해 적용한다.

2) BoxEntA: 박스 진입 허용률. 상대 전진 시도 대비 박스 진입 성공 비율을 본다. 템포가 높은 리그 설정에서는 절댓값이 커지므로 리그 평균 대비 Z 점수로 표준화한다.

3) ShotConvA: 박스 진입 후 슈팅 전환율. 본질적으로 마킹과 슈팅블록 품질을 반영한다.

4) SetPieceXGA: 세트피스 유발당 기대실점. 코너킥, 프리킥을 구분하고, 두 번째 볼 시퀀스를 포함한다.

5) DA_succ: 위험지역 가중 수비행동 성공률. 페널티 에어리어 내 또는 하프스페이스에 더 큰 가중을 둔다.

각 항목은 0에서 1 사이로 스케일링한 뒤, 상대 상관을 확인해 중복을 줄인다. 예를 들어 BoxEntA와 ShotConvA가 특정 엔진에서 강한 양의 상관이면, 합성시 둘의 가중치를 축소하거나 첫 항목을 박스 진입 허용률, 두 번째를 박스 내 슈팅 품질로 바꿔 종속성을 낮춘다. 실무에서는 주성분 분석 같은 차원축소로 안정화하는 편이 계산을 단순화한다.

VDA는 변동에 초점을 둔다.

1) xGA_poss의 구간 변동성. 경기 내 5분 혹은 10개 소유권 단위로 슬라이딩 윈도우를 만들어 분산을 계산한다. 템포 정규화 후, 분산/평균으로 변동계수를 쓴다.

2) 박스 진입 허용의 과밀도. 동기간 포아송 분포 대비 초과분산을 측정한다. 과밀도가 크면 특정 구간에 수비가 무너지는 경향이 있다.

3) 세트피스 실점의 군집성. 리그 평균 대비 램프업 구간에서만 실점이 집중되면 전방압박 해제 타이밍이 읽힌다.

4) 수비행동 성공률의 연속 실패 확률. 독립시행 가정 대비 연속 실패 꼬리가 두텁다면 라인 붕괴가 자주 발생한다.

VDA는 값이 낮을수록 안정적이다. 다만 극단적으로 낮은 경우는 소극적 블록 수비의 산물일 수 있다. 이때 EDA가 나쁘다면 안정적인 약팀에 불과하니, 해석에 주의한다.

최종 DSI는 예를 들어 다음과 같은 구조가 안전하다. DSI = 0.6 × EDA norm + 0.4 × (1 − VDAnorm). 가중치는 상황에 맞게 조정한다. 라이브 인플레이용이라면 VDA 비중을 잠시 높여 단기 위험을 더 빠르게 반영하는 방법이 있다.

템포와 상대 강도 정규화

가상축구는 엔진 설정에 따라 평균 소유권 수와 슈팅 빈도가 크게 달라진다. 같은 팀도 모드가 바뀌면 박스 진입 숫자가 절반으로 줄거나 1.5배로 뛴다. 고정 지표를 쓰면 리그 간 비교가 의미 없어지고, 같은 리그 내에서도 상대와 페이스가 맞물릴 때마다 오해가 생긴다.

정규화는 두 단계를 권한다. 첫째, 페이스 조정. 90분당 xGA 대신 소유권 100회당 xGA를 기본 단위로 삼고, 소유권 길이에 따른 효율 차이를 보정한다. 둘째, 상대 강도 보정. 엘로 류의 실력지수 또는 북메이커 프리매치 라인에서 암묵적 공격력 파라미터를 추출해 상대의 평균 기대득점을 추정한다. 그 값을 기준 기대값으로 삼아 잔차를 계산하면, 약팀 상대로 잘 막은 경기와 강팀 상대로 버틴 경기를 구분해 비교할 수 있다.

상대 강도 추정이 불안할 때는 단순한 팀 고정효과, 경기일자 고정효과를 추가한 선형모형으로 지표를 표준화하는 것도 현실적인 타협이다. 로그 스케일에서 분산이 더 안정적이라면 로그변환 후 표준화하는 쪽이 낫다.

작은 표본의 함정과 축소 추정

가상 리그는 시즌이 짧게 반복되고, 전술 슬롯이 바뀌는 주기가 빠르다. 표본이 작아진다. 표본이 작으면 변동성이 과장돼 보인다. 베이지안 축소를 쓰면 과장된 스파이크를 줄일 수 있다. 팀별 EDA, VDA에 대해 리그 평균을 사전으로 두고, 팀 수준 분산 하이퍼파라미터를 추정해 포스터리어 평균을 계산한다. 간단하게는 가중 평균 Shrunk = w × Team + (1 − w) × League, w = n / (n + k) 형태로도 충분하다. K는 검증으로 정한다. 라이브 환경에서는 지표를 지수이동평균으로 부드럽게 하되, 최신 경기 가중을 약간 더 두는 편이 체감과 맞는다. 단, 최신 패치 이후에는 초기화 윈도우를 별도로 둔다.

라이브 상태와 문맥 가중치

가상축구는 짧은 러닝타임에 큰 확률 변화가 일어난다. 10분 단위 혹은 이벤트 묶음 단위로 상태별 DSI를 재평가하는 것이 낫다. 구체적으로는 점수차, 카드 상태, 교체 플래그가 바뀔 때마다 EDA의 구성 요소에 문맥 가중치를 적용한다. 예를 들어 리드 상황에서는 블록 수비로 전환하며 박스 진입을 허용하지만, 슈팅 품질은 낮아진다. 이때 xGA_poss는 박스 진입 수와 결합해 상쇄가 된다. 반면 열세 상황에서는 하프라인이 올라가 전진 억제 지표가 약해지고, 전환 상황에서 대형이 흔들려 ShotConvA가 튄다. 라이브에서의 안정성은, 같은 팀이라도 문맥 벡터와 함께 읽어야 한다.

세트피스는 문맥 효과가 특히 크다. 카드와 파울 경고 누적이 있는 풀백을 향한 볼타겟팅이 늘면, 프리킥 유발 빈도가 뛴다. 엔진 로그에 카드 경고 행동가중이 있다면 SetPieceXGA의 사전값을 즉시 상향해야 한다.

지표 구축 절차, 실전형 요약

다음은 간명한 구축 순서다. 도구는 파이썬이든 R이든 큰 차이는 없다. 전처리와 검증 루프를 단단히 묶는 것이 더 중요하다.

• 이벤트 로그 혹은 박스스코어에서 소유권, 박스 진입, 슈팅 라벨, 세트피스, 수비행동을 추출하고, 소유권 세그먼트를 만든다
• 리그, 모드별 페이스와 상대 강도를 추정해 정규화 스케일을 학습한다
• EDA, VDA의 구성 지표를 계산하고, 중복성이 큰 항목의 가중을 조정하거나 차원축소로 안정화한다
• 축소 추정으로 팀, 전술 슬롯별 지표를 부드럽게 만들고, 패치 이벤트를 경계로 재학습한다
• 백테스트에서 스코어 합성 가중을 튜닝하고, 외부 성과지표와의 상관, Brier 혹은 로그손실로 실효성을 검증한다

모듈 간 인터페이스는 단순할수록 유지가 쉽다. 특히 패치 감지와 재학습 트리거는 수동 승인 단계를 넣는다. 가상 리그는 패치 노트가 공개되지 않기도 해서, 데이터 기반 탐지의 오탐을 막아야 한다.

백테스트, 숫자로 확인하는 설득력

수비 안정성 지표가 실전에 도움이 되려면, 결과 예측과 손실 최소화로 이어져야 한다. 나는 두 가지를 본다. 첫째, 클린시트 확률 캘리브레이션. DSI 상위권 팀과 하위권 팀의 클린시트 빈도가 예측 확률과 얼마나 일치하는지 Brier 점수로 측정한다. 둘째, 오버 언더 라인 근처에서의 마진. 예를 들어 언더 2.5 기준에서 DSI 상위 20% 구간과 하위 20% 구간의 로그수익률 차이를 검증한다.

가상의 예로, 한 공급사의 지난 12주 데이터에서 DSI 상위 20% 매치의 언더 2.5 적중률이 사전 라인 50%에 대해 54.2%로 관측됐다면, 분산을 고려한 유의성 검정을 통과하는지 본다. 표본수가 1,200경기라면 표준오차는 대략 1.4% 수준, 차이는 3표준편차 정도가 된다. 이 정도면 과최적화 가능성을 점검하면서도 운영에 투입할 만하다. 다만 다음 섹션의 함정들을 해소했을 때만 의미가 있다.

엔진의 변화와 경계 조건

패치, 로스터 업데이트, 심지어 연출 스킨 교체가 시뮬레이션 파이프라인에 미세한 변화를 줄 수 있다. 패치가 나면 EDA 구성 요소의 상대 중요도가 바뀐다. 어떤 시즌에서는 세트피스 득점 확률이 전체 득점의 28%까지 오른 적이 있었다. 이런 변화를 놓치면 DSI가 과거의 세계에 고정된다.

리그 간 전환도 조심스럽다. 같은 공급사의 가상축구라도 토너먼트 스킨과 리그 스킨의 전진 패턴이 다르고, 기본 점유권 수가 15%까지 차이난다. 템포 정규화를 하더라도 ShotConvA와 SetPieceXGA의 최적 가중은 스킨마다 다르게 그려지는 편이다. 교차검증을 리그 단위로 나눠 별도로 튜닝하는 것이 안전하다.

극단적 전술 슬롯도 경계 조건이다. 모든 소유권을 롱볼로 처리하는 슬롯은 박스 진입 허용률이 인위적으로 낮게 찍힐 수 있다. 이 경우 두 번째 볼 전환에서 실점이 늘어나는데, 표면 지표상으로는 원인이 모호하다. 전술 라벨과 결합한 상호작용 항을 두면 완화된다.

가상농구, 가상경마, 가상개경주와의 비교로 보는 안정성

가상농구는 포제션 기반 모델이 잘 맞는다. 팀 디펜스 안정성은 수비 리바운드율, 상대 턴오버 유도율, 100포제션당 실점으로 요약이 된다. 슈팅 효율의 럭 요소가 여전히 남지만, 포제션 수가 축구보다 많아 단기 변동성이 낮다. 농구판 DSI는 변동 지표 VDA의 비중을 축구보다 작게 잡아도 실전성이 유지된다. 또한 박스 진입 같은 이산 이벤트 대신 연속 두께를 가진 페인트존 수비 효율 지표가 주역을 맡는다. 수비 안정성의 정의가 축구보다 덜 다층적이라 구축과 검증 속도가 빠르다.

가상경마와 가상개경주는 또 다르다. 수비 같은 상호작용이 희박해서, 안정성은 개체 내부 분산과 트랙 컨디션 파라미터의 변동으로 환원된다. 상대를 막는 행위가 없으니, 안정성 지표는 출발 반응, 코너링 효율, 스태미나 소진 곡선의 일관성으로 정의된다. 변동성은 엔진의 배치 난수에 좌우되는데, 패치 한 번으로 순위의 교란 수준이 바뀌기도 한다. 이 영역의 안정성 지수는 축소 추정보다 레짐 스위치 감지의 민감도가 핵심이다. 축구에 비해 상호작용이 적은 대신, 엔진 파라미터 변화가 곧장 성과로 투영된다.

이 비교는 가상축구의 DSI가 왜 복합적인지를 보여준다. 축구는 수비가 공격과 얽히고, 전환에서 노출이 생기며, 세트피스라는 별도의 사다리가 존재한다. 따라서 같은 분산 수치라도 해석이 맥락에 더 민감하다.

라벨에서 xGA를 추정하는 구체적 방법

많은 엔진이 슈팅 라벨을 간략하게 제공한다. 예를 들어 근거리, 중거리, 원거리, 헤더, 일대일, 페널티킥 같은 라벨이 반복된다. 라벨별 평균 골 확률을 미리 학습해 xG 테이블을 만든다. 라벨 혼합이 경기마다 다르니, 경기단위 xGA는 각 라벨 빈도에 이 값을 곱해 합하면 된다.

라벨 간 동질성 가정이 거슬린다면 추가 컨텍스트를 넣는다. 예를 들어 직전 이벤트가 측면 크로스인지, 중앙 침투인지에 따라 헤더의 기대값을 분리한다. 또 리바운드 슈팅은 원래 라벨보다 평균 확률이 높으므로 별도 플래그를 둔다. 이렇게 간단한 분해만으로도 EDA의 설명력이 확연히 오른다.

수비행동의 좌표가 없을 때 쓰는 비책

가상 데이터는 전술적으로 흥미로운 지표가 빠져 있는 경우가 많다. 예를 들어 태클 좌표가 없다. 이때는 간접 추정으로 비슷한 정보를 만들 수 있다. 박스 진입 후 슈팅까지의 시간, 혹은 소유권 전환 직후 반복되는 실패 이벤트의 패턴이 수비 성공률과 상관이 있다. 텍스트 로그에서 특정 키워드의 빈도와 순서를 n그램으로 묶어 분류기를 학습하면, 위험지역 수비행동 성공의 대체지표를 만들 수 있다. 정확도는 완벽하지 않지만, VDA의 꼬리 감지에는 충분히 기여한다.

지표를 실제 의사결정에 연결하는 방식

숫자를 보기 좋게 만드는 건 쉬운 일이다. 더 어려운 일은 언제, 무엇을 바꿀지 판단하는 연결고리다. 안정성 지표는 두 가지 포트에 꽂히기 쉽다. 프리매치 라인 보정과 라이브 리스크 관리다.

프리매치에서는 DSI가 가상농구 로그 밸류 판단의 보조로 좋다. 같은 승리 확률이라도 언더 라인에 대한 판단이 바뀌기 때문이다. 예를 들어 두 팀의 합산 공격력은 비슷하지만, 한 팀의 VDA가 낮고 EDA가 좋은 경우 언더 포지션의 기대손실이 줄어든다. 단, 이 판단은 프라이스 대비 마진이 작을 때만 유효하다. 마켓이 이미 라인을 조정했을 가능성을 체크하려면, 오픈 라인과 킥오프 직전 라인의 이동폭을 고려한다. DSI가 상승한 팀인데도 언더 라인이 움직이지 않았다면, 실행 여지가 생긴다.

라이브에서는 리드 상황에서의 수비 안정성 편차를 활용한다. VDA가 큰 팀은 선제골 이후에 라인이 흔들릴 확률이 높다. 이 경우 언더 포지션의 해지를 서두르거나, 반대로 뒤지는 팀의 압박 강화로 전환 이벤트가 늘 것을 예상해 오버 스케일인을 고려한다. 수학적으로는 상태전이 확률을 재구성해 득점과 실점의 하방과 상방을 동시에 본다. 지표가 실시간으로 흔들릴 때는, 최소 관측 단위를 너무 짧게 잡지 않는 것이 좋다. 소유권 8~12개 묶음 정도가 신호와 노이즈의 균형이 맞는 구간으로 경험상 무난했다.

실제 사례, 숫자가 행동을 바꾸는 순간

한 공급사의 주중 컵 모드에서, A팀은 4주간 실점률이 리그 상위 25%로 꾸준했다. 표면 지표만 보면 무난한 상위권 수비다. DSI를 분해해보니 EDA는 리그 상위 15%, VDA는 하위 30%였다. 특히 박스 진입 허용의 과밀도가 컵 모드에서 높았고, 세트피스 군집성이 응집돼 있었다. 프리매치에서는 언더가 매력적으로 보였지만, 선제골을 넣은 경기에서 언더 포지션의 리스크가 급증한다는 신호가 나왔다. 실제로 백테스트에서 선제골 이후 언더 유지 대비, 선제골 직후 5분 내 30% 청산 전략이 로그손실을 12% 줄였다. 같은 팀을 리그 모드에선 다르게 다뤘다. 리그 모드에선 세트피스 가중치가 낮아 VDA가 개선돼, 선제골 이후에도 언더를 더 오래 유지할 수 있었다. 동일 팀, 다른 모드, 다른 행동. 안정성 지표가 구조를 설명했기에 가능했다.

모형 과적합을 피하는 검증 습관

지표를 설계하다 보면 구성 항목이 늘어나고, 가중치가 세밀해진다. 데이터가 설명하는 힘은 커진 것처럼 보인다. 그러나 테스트 기간을 바꾸거나, 다른 모드에 던지는 순간 성능이 곤두박질치면 과적합이다. 이를 피하려면 훈련, 검증, 시험을 철저히 분리하고, 연속 구간을 섞지 말아야 한다. 공급자 패치가 자주 있다면, 패치 이전을 훈련, 패치 직후를 검증, 이후를 시험으로 두고, 패치 구간 경계의 성능 변화를 따로 기록한다. 가중치가 경계에서 급격히 바뀌어야만 성능이 유지된다면, 지표의 해석 가능성을 해친다. 구성 항목을 줄이고, 문맥 가중을 단순화하는 것이 오히려 장기적이다.

시각화, 해석의 마지막 퍼즐

대시보드에는 두 가지 축의 스토리가 동시에 보이도록 배치하는 편이 좋다. 좌표평면에 EDA와 VDA를 두고 팀 점을 찍으면 직관이 붙는다. 시간축을 열 지도 형태로 겹치면 패치나 전술 슬롯 변경의 흔적이 바로 보인다. 세트피스 군집성은 경기 타임라인 하단에 스파크라인으로 나타내면 눈이 잘 간다. 단, 시각화가 거래 신호를 직접 출력하도록 만들지 않는다. 사람의 눈은 구체적이고, 마켓은 즉각적이다. 숫자와 눈 사이에 최소한의 관문을 둬야 일관성이 유지된다.

경계선의 팀들, 해석의 미세조정

모델이 가장 어렵게 여기는 팀이 있다. 포지션 전환 비율이 높고, 개별 선수 라벨이 경기마다 바뀌는 팀이다. 엔진이 내는 신호가 일정하지 않아 VDA가 과도하게 부풀려진다. 이럴 때는 팀 고정효과를 줄이고, 전술 슬롯 라벨을 고정효과로 높이는 쪽이 합리적이다. 반대로 라인 깊이가 일관되게 낮은 팀은 EDA가 나빠도 VDA가 좋게 찍힌다. 이 팀들은 언더 판단에서는 종종 이익을 주지만, 승패마켓에선 리드 유지력이 약해 포지션 유지가 어렵다. 지표를 하나의 토털 점수로만 쓰지 않고, 맥락에 맞는 절단면으로 다시 본다.

가상축구, 그래도 변수는 남는다

어떤 지표도 시뮬레이션의 본질을 바꾸지 못한다. 난수는 남고, 드문 꼬리 사건은 반드시 찾아온다. 데이터의 온전한 목표는 놀라움을 줄이는 일이지, 놀라움 자체를 지우는 일이 아니다. 수비 안정성 지표는 놀라움의 빈도와 크기를 줄여준다. 작은 표본에서의 자만을 경계하고, 패치의 파도에 맞춰 가중을 바꾸며, 실전에서 지표를 바로 행동으로 연결하는 규율을 세우면 된다.

가상농구와 비교할 때 축구는 느리고, 사건은 희소하다. 그래서 안정성의 의미가 더 넓고, 더 느리게 움직이며, 그만큼 큰 보상을 준다. 가상경마와 가상개경주는 상호작용이 적어 지표 구축은 빠르지만, 레짐 변화에 더 예민하다. 이 차이를 이해하면 포트폴리오의 완급 조절이 가능해진다. 특정 주간에 패치 리스크가 큰 공급자에서는 축구 비중을 줄이고 농구를 늘리는 식으로 안정성을 배합한다.

마지막으로, 지표는 언어다. 팀의 성격을 숫자로 설명하고, 동료와 같은 장면을 떠올리게 만드는 언어. 좋은 언어는 짧고, 일관되고, 반복 가능한 판단을 낳는다. DSI가 그런 언어가 되려면, 데이터의 소음과 마켓의 소문을 지나 스스로의 구조를 유지해야 한다. 그 구조가 탄탄하면, 가상축구의 수비는 더 이상 안개 속 감각이 아니다. 숫자와 함께 움직이는 풍경이 된다.