ㅁ 운영 자동화

ㅇ 정의:
AI를 활용하여 IT 인프라와 애플리케이션의 자원 사용량을 실시간으로 분석하고, 필요에 따라 자동으로 자원(CPU, 메모리, 스토리지 등)을 확장 또는 축소하는 기술.

ㅇ 특징:
– 실시간 모니터링과 예측 분석 기반의 자원 할당
– 클라우드 환경에서 오토스케일링과 연계 가능
– 과도한 자원 낭비 방지 및 성능 저하 예방
– AI 모델이 과거 패턴을 학습하여 트래픽 변동에 대응

ㅇ 적합한 경우:
– 서비스 트래픽이 시간대별로 크게 변동하는 경우
– 클라우드 환경에서 비용 최적화가 중요한 경우
– SLA(Service Level Agreement) 준수가 필요한 서비스 운영

ㅇ 시험 함정:
– 단순한 임계치 기반 오토스케일링과 혼동하기 쉬움 (AI 기반은 예측·학습 기능 포함)
– 자원 확장만 가능하고 축소는 불가능하다고 오답 유도
– AI 모델 학습 없이도 예측이 가능하다고 착각하게 하는 문장

ㅇ 시험 대비 “패턴 보기” 예시:
O: AI 모델이 과거 트래픽 데이터를 학습하여 CPU 자원을 자동 확장/축소한다.
X: AI 기반 자원 스케일링은 실시간 모니터링 없이도 정확한 자원 예측이 가능하다.

ㅁ 추가 학습 내용

Resource Scaling AI는 단순 규칙 기반 오토스케일링과 달리 예측 모델을 사용하여 선제적으로 자원을 조정하는 것이 핵심이다. 시험에서는 ‘예측’과 ‘자동화’를 동시에 언급하는 문장이 정답이 될 가능성이 높다.
클라우드 네이티브 환경과의 연계가 중요하며, 예로 Kubernetes HPA(Horizontal Pod Autoscaler), VPA(Vertical Pod Autoscaler), Cluster Autoscaler 등이 있다.
AI 모델의 학습 주기와 데이터 수집 지표(예: CPU 사용률, 메모리 사용률, 네트워크 I/O)를 이해해야 한다.
예측 실패 시를 대비한 안전장치로 Fail-safe와 Manual Override 개념을 숙지해야 한다.
AI 기반 스케일링은 단기 급증 트래픽에도 대응 가능하며, 비용 절감 효과가 크다. 시험에서는 이러한 장점과 함께 관련 수치 예시를 제시하는 경우가 많으므로 기억해 두는 것이 유리하다.