ㅁ AIOps

ㅇ 정의:
인공지능(AI)과 머신러닝(ML) 기술을 활용하여 IT 운영 데이터를 분석하고, 이상 상황을 자동으로 감지·대응하는 운영 자동화 플랫폼.

ㅇ 특징:
대규모 로그·메트릭·트레이스 데이터를 실시간 분석, 패턴 인식 기반의 문제 예측, 자동화된 대응 시나리오 실행.

ㅇ 적합한 경우:
클라우드·하이브리드 환경에서 서비스 안정성과 운영 효율성을 동시에 확보해야 하는 경우.

ㅇ 시험 함정:
단순 모니터링 도구와 AIOps의 차이를 혼동하는 문제, AI 기반 분석이 아닌 룰 기반 자동화와의 구분.

ㅇ 시험 대비 “패턴 보기” 예시:
O: “머신러닝 기반으로 로그·메트릭을 분석하여 이상을 탐지하고 자동 대응하는 운영 플랫폼”
X: “수동 로그 분석과 보고서 작성만 지원하는 모니터링 툴”

================================

1. 이상 탐지

ㅇ 정의:
정상 동작 패턴에서 벗어난 비정상 상태나 이벤트를 자동으로 식별하는 기술.

ㅇ 특징:
통계적 모델, 머신러닝, 시계열 분석을 활용하여 임계값 기반보다 정교한 탐지 가능.

ㅇ 적합한 경우:
서비스 성능 저하나 보안 위협을 조기에 감지해야 하는 환경.

ㅇ 시험 함정:
단순 임계값 경고와 AI 기반 이상 탐지의 차이를 묻는 문제.

ㅇ 시험 대비 “패턴 보기” 예시:
O: “정상 패턴에서 벗어난 비정상 트래픽 급증을 자동 식별”
X: “운영자가 매일 수동으로 로그를 확인하여 오류를 찾는 방식”

================================

2. 자동 스케일링

ㅇ 정의:
시스템 부하에 따라 컴퓨팅 자원을 자동으로 확장 또는 축소하는 기술.

ㅇ 특징:
수요 예측 기반 또는 실시간 부하 측정 기반, 클라우드 환경에서 주로 사용.

ㅇ 적합한 경우:
트래픽 변동이 심한 서비스 운영.

ㅇ 시험 함정:
예약된 스케일링과 실시간 자동 스케일링의 차이를 혼동.

ㅇ 시험 대비 “패턴 보기” 예시:
O: “CPU 사용률이 80% 초과 시 자동으로 인스턴스 추가”
X: “관리자가 월말에 수동으로 서버 증설”

================================

3. 자가 치유 시스템

ㅇ 정의:
장애나 오류 발생 시 자동으로 문제를 진단하고 복구하는 시스템.

ㅇ 특징:
사전 정의된 복구 절차 또는 AI 기반 원인 분석 후 조치, 무중단 서비스 지향.

ㅇ 적합한 경우:
24/7 서비스 운영, 인력 개입 최소화 필요 환경.

ㅇ 시험 함정:
단순 재부팅 스크립트와 지능형 자가 치유의 혼동.

ㅇ 시험 대비 “패턴 보기” 예시:
O: “애플리케이션 오류 발생 시 자동으로 컨테이너 재배포 및 설정 복구”
X: “운영자가 오류 로그 확인 후 수동 재시작”

================================

4. Intelligent Alerting

ㅇ 정의:
단순 알림을 넘어 이벤트의 중요도, 맥락, 영향 범위를 분석하여 의미 있는 경보만 제공하는 기술.

ㅇ 특징:
경보 피로(Alert Fatigue) 감소, 우선순위 기반 알림, 관련 이벤트 자동 그룹화.

ㅇ 적합한 경우:
이벤트 발생량이 많은 대규모 시스템.

ㅇ 시험 함정:
모든 이벤트를 동일하게 알리는 단순 경보 시스템과의 차이.

ㅇ 시험 대비 “패턴 보기” 예시:
O: “중요 서비스에 영향을 주는 장애만 선별하여 알림 제공”
X: “모든 로그 이벤트를 동일하게 알림”

ㅁ 추가 학습 내용

AIOps 학습 정리

1. 전체 파이프라인 이해
– 데이터 수집: 다양한 소스(로그, 메트릭, 트레이스 등)에서 데이터 수집
– 데이터 정규화: 포맷 통일, 시간 동기화, 중복 제거
– 데이터 분석: 이상 탐지, 패턴 분석, 상관관계 분석
– 자동화 실행: 분석 결과 기반으로 자동 조치 실행(스케일링, 장애 조치 등)

2. 이상 탐지 기법
– 지도학습: 라벨된 데이터 필요, 정확도 높음, 데이터 준비 비용 큼
– 비지도학습: 라벨 불필요, 새로운 패턴 탐지 가능, 오탐 가능성 있음
– 반지도학습: 일부 라벨 데이터로 학습, 데이터 라벨링 부담 완화, 학습 난이도 존재

3. 자동 스케일링
– Horizontal Scaling: 인스턴스 수를 늘리거나 줄이는 방식
– Vertical Scaling: 단일 인스턴스의 자원(CPU, 메모리) 증감
– 클라우드 벤더 구현 예시:
AWS Auto Scaling: 정책 기반 자동 확장/축소
Kubernetes HPA(Horizontal Pod Autoscaler): 메트릭 기반 파드 수 조정

4. 자가 치유 시스템(Self-Healing Systems)
– 장애 복구: 자동 재시작, 대체 인스턴스 생성 등
– 사전 예방적 유지보수(Predictive Maintenance): 장애 발생 전 징후 분석 후 조치

5. Intelligent Alerting
– Event Correlation: 관련 이벤트 묶어 분석
– Noise Reduction: 불필요한 알림 감소
– Root Cause Analysis: 근본 원인 식별
– SLA/SLO 기반 알림 정책 설계: 서비스 수준 목표 준수 여부 모니터링 및 알림

시험 대비 체크리스트
– AIOps 전체 파이프라인 각 단계의 역할과 흐름을 설명할 수 있는가?
– 이상 탐지에서 지도·비지도·반지도 학습의 차이와 장단점을 구분할 수 있는가?
– Horizontal Scaling과 Vertical Scaling의 차이와 각각의 장단점을 설명할 수 있는가?
– AWS Auto Scaling과 Kubernetes HPA의 동작 원리를 이해하고 있는가?
– 자가 치유 시스템이 단순 장애 복구 외에 어떤 기능을 수행하는지 설명할 수 있는가?
– Predictive Maintenance 개념과 AIOps에서의 활용 사례를 말할 수 있는가?
– Intelligent Alerting의 주요 구성 요소(Event Correlation, Noise Reduction, Root Cause Analysis)를 설명할 수 있는가?
– SLA와 SLO의 차이와 이를 기반으로 한 알림 정책 설계 방법을 알고 있는가?