모델 기반 원격 측정
모델 기반 원격 측정(MBT)은 단순한 임계값 경고를 넘어선 고급 모니터링 기술입니다. MBT는 CPU 사용량이나 지연 시간과 같은 원시 메트릭을 단순히 보고하는 대신, 머신러닝 모델을 통합하여 다양한 조건에서 시스템의 예상되는 동작을 이해합니다. 이 학습된 모델을 사용하여 미래 상태를 예측하고, 사용자에게 영향을 미치기 전에 잠재적인 문제를 나타내는 편차를 식별합니다.
현대의 복잡하고 분산된 시스템에서는 정상적인 운영 동작이 동적이므로 기존의 정적 모니터링 방식이 실패합니다. 지연 시간의 갑작스러운 급증이 최대 부하 시 정상일 수 있지만, MBT는 이를 서비스 품질 저하를 나타내는 비정상적인 급증과 구별할 수 있습니다. 이는 모니터링을 사후 대응적인 화재 진압에서 선제적인 위험 관리로 전환시킵니다.
MBT는 여러 핵심 단계를 포함합니다. 첫째, 과거 원격 측정 데이터를 수집합니다. 둘째, 시계열 예측 또는 딥러닝 모델과 같은 ML 알고리즘을 이 데이터로 훈련하여 '정상'의 기준선 모델을 구축합니다. 셋째, 실시간으로 들어오는 원격 측정 데이터를 이 훈련된 모델에 공급합니다. 그러면 모델은 해당 메트릭이 어떠해야 하는지에 대한 예측을 출력합니다. 예측과 실제 관측치 사이에 상당한 불일치가 발생하면 지능형 경고가 발생합니다.
MBT는 여러 영역에서 매우 유용합니다.
MBT의 주요 장점은 경고 피로도를 줄일 수 있다는 것입니다. 맥락을 이해함으로써 노이즈를 걸러내어 운영팀이 실제로 예상되는 건강한 동작으로부터의 편차를 나타내는 이벤트에 대해서만 경고를 받도록 보장합니다. 이는 평균 복구 시간(MTTR)을 단축하고 시스템 가동 시간을 향상시킵니다.
MBT를 구현하는 것은 간단하지 않습니다. 효과적인 모델 훈련을 위해서는 고품질의 레이블이 지정된 과거 데이터가 필요합니다. 게다가, 기본 시스템이 진화함에 따라 모델 자체도 지속적인 유지보수 및 재훈련이 필요합니다(개념 드리프트). 초기 설정 복잡성과 계산 오버헤드 또한 중요한 고려 사항입니다.
MBT는 시스템의 내부 상태를 이해하기 위해 시스템을 계측하는 더 광범위한 관행인 관측 가능성(Observability)과 밀접하게 관련되어 있습니다. 또한 AI를 IT 운영에 적용하는 예측 유지보수 및 AIOps와도 중첩됩니다.
