ㅁ 자동화 기법

ㅇ 정의:
시스템이 외부 개입 없이 스스로 환경 변화나 성능 저하를 감지하고, 최적의 상태로 조정하는 기능을 의미함.

ㅇ 특징:
– 실시간 모니터링과 피드백 루프를 통해 파라미터를 자동 조정
– 머신러닝 기반 예측 모델을 활용하여 사전 대응 가능
– 인적 개입 최소화로 운영 효율성 향상

ㅇ 적합한 경우:
– 데이터 처리량이 변동이 심한 스트리밍 환경
– 클라우드 자원 사용 최적화가 필요한 경우
– SLA 준수가 중요한 실시간 서비스

ㅇ 시험 함정:
– 자가조정과 단순 스케줄링 자동화를 혼동하는 경우가 있음 (자가조정은 환경 변화에 따른 동적 대응 포함)
– 자가치유(Self-healing)와 구분 필요 (자가치유는 장애 복구 중심)

ㅇ 시험 대비 “패턴 보기” 예시:
O: “시스템이 부하 변화에 따라 CPU 자원을 자동으로 확장/축소한다.”
X: “매일 밤 12시에 로그를 삭제하도록 예약한다.”

ㅁ 추가 학습 내용

자가조정(Self-tuning)은 클라우드 네이티브 환경에서 오토스케일링과 밀접하게 연관된다. 대표적인 구현 사례로 Kubernetes HPA(Horizontal Pod Autoscaler)와 AWS Auto Scaling Group이 있다. 시험에서는 자가조정이 단순한 사전 예약 작업이 아니라, 지표 기반의 동적 의사결정이라는 점을 구분하는 문제가 자주 출제된다. 자가조정 알고리즘의 주요 입력 지표로는 CPU 사용률, 메모리 사용률, 네트워크 지연시간 등이 있으며, 피드백 제어 방식으로는 PID 제어, 강화학습 기반 조정 등이 있다. 이러한 지표와 제어 방식에 대한 이해를 확장하는 것이 중요하다.