2020.03.11

블로그ㅣ클라우드 아키텍처는 뻔하다? 의외의 함정 3가지

데이비드 린티컴 | InfoWorld
클라우드 아키텍처가 뻔하다고 생각할 수 있다. 하지만 이론적으로는 모든 것을 알고 있는 사람들을 의외의 함정에 빠트릴 수 있다. 

대부분의 경우 클라우드 아키텍처는 그다지 흥미롭지 않은 주제다. 이미 무엇이 효과적인지 그리고 올바른 아키텍처를 설계할 수 있는 프로세스가 어떻게 되는지 잘 알려져 있기 때문이다. 이른바 메타 또는 논리 아키텍처, 그리고 물리 아키텍처에 기술을 추가하는 것에 대한 지식들이다. 

클라우드 아키텍처에 필요한 모범 답안이 잘 알려졌지만, 몇 가지 문제들은 여전히 남아있다. 해당 문제들에 대한 실질적인 해결책이나 베스트 프랙티스는 아직 나타나지 않았다. 그중 대표적인 3가지 문제점을 살펴보자. 
 
ⓒGetty Images

첫째, ‘엣지 컴퓨팅’에서 무슨 일이 벌어지는가? 
엣지 컴퓨팅은 데이터가 생성되는 기기와 가까운 곳 혹은 그 자체에서 데이터를 분산 처리할 수 있다는 이점이 있다. 그러나 문제도 있다. 클라우드 기반 서버와 엣지 컴퓨터 간에 데이터가 어떻게 분할되고 처리되는가?

엣지 컴퓨팅으로 데이터를 분산 처리하면 할수록 중앙 시스템(퍼블릭 클라우드)에서 분산 시스템(엣지 디바이스 또는 서버)으로 이동하고 있다는 점을 깨닫는다. 이렇게 되면 엣지 시스템을 유지관리해야 할 업무가 늘어난다. 엣지 시스템은 모니터링, 관리, 보안, 업데이트 및 구성이 훨씬 더 까다롭다. 수백 개의 엣지 컴퓨팅 장치에 이러한 유지관리가 이루어져야 한다는 것을 안다면, 더없이 끔찍한 악몽이 될 수 있다. 

둘째, 무엇을 ‘컨테이너화(containerize)’할 것인가? 
많은 기업이 컨테이너를 일개 기술이 아니라 전략 차원에서 다루고 있다고 진술한다. 컨테이너에 대한 병적인 믿음은 많은 애플리케이션을 컨테이너로 밀어 넣었다. 하지만 모든 기업들이 그런 방향으로 나아가야 하는 것은 아니다. 

컨테이너에 ‘이전할 수 있는 것’과 ‘이전해야만 하는 것’에 대한 원칙이 없다는 게 문제다. 레거시 애플리케이션은 리팩토링(재작성)에 많은 시간과 비용이 들기 때문에 컨테이너에 적합할 가능성이 직다. 하지만 클라우드 마이그레이션 팀이 레거시 애플리케이션을 먼저 이전시키려고 하는 경우가 많다. 

이는 기업이 클라우드로 이전한 일부 애플리케이션에 대해 컨테이너의 이점을 얻지 못한다는 뜻이다. 상당수의 클라우드 아키텍트가 저지를 수 있는 100만 달러짜리 실수다. 

셋째, 어떤 애플리케이션이 AI가 가능(AI-enable)한가? 
클라우드에서 머신러닝은 저렴하고, 이전보다 훨씬 사용하기 쉬워졌다. 이로 인해 인지 시스템을 내장하지 않은 애플리케이션에도 AI 기능을 구현하는 각종 사례가 출현했다. 

앞서 언급한 것과 마찬가지로 문제는 기존 또는 신규 애플리케이션 내에서 머신러닝을 언제, 어떻게 사용하는지에 대한 명확한 규칙이 없다는 점이다.

머신러닝 이용에 앞서 확인해야 할 몇 가지 사항들이 있다. 이를테면 애플리케이션을 리팩토링해야 한다는 것이다. 하지만 더 큰 문젯거리가 있다. 애당초 AI가 필요한지 여부다. 많은 사람들이 이런 질문을 하지도 않는다. 

해결하기 어려운 문제들은 항상 있다. 이에 대한 가장 생산적인 대응은 일단 문제를 논의하는 것이다. 

* 데이비드 린티컴은 딜로이트 컨설팅의 클라우드 전략 부문 최고 책임자다. ciokr@idg.co.kr



2020.03.11

블로그ㅣ클라우드 아키텍처는 뻔하다? 의외의 함정 3가지

데이비드 린티컴 | InfoWorld
클라우드 아키텍처가 뻔하다고 생각할 수 있다. 하지만 이론적으로는 모든 것을 알고 있는 사람들을 의외의 함정에 빠트릴 수 있다. 

대부분의 경우 클라우드 아키텍처는 그다지 흥미롭지 않은 주제다. 이미 무엇이 효과적인지 그리고 올바른 아키텍처를 설계할 수 있는 프로세스가 어떻게 되는지 잘 알려져 있기 때문이다. 이른바 메타 또는 논리 아키텍처, 그리고 물리 아키텍처에 기술을 추가하는 것에 대한 지식들이다. 

클라우드 아키텍처에 필요한 모범 답안이 잘 알려졌지만, 몇 가지 문제들은 여전히 남아있다. 해당 문제들에 대한 실질적인 해결책이나 베스트 프랙티스는 아직 나타나지 않았다. 그중 대표적인 3가지 문제점을 살펴보자. 
 
ⓒGetty Images

첫째, ‘엣지 컴퓨팅’에서 무슨 일이 벌어지는가? 
엣지 컴퓨팅은 데이터가 생성되는 기기와 가까운 곳 혹은 그 자체에서 데이터를 분산 처리할 수 있다는 이점이 있다. 그러나 문제도 있다. 클라우드 기반 서버와 엣지 컴퓨터 간에 데이터가 어떻게 분할되고 처리되는가?

엣지 컴퓨팅으로 데이터를 분산 처리하면 할수록 중앙 시스템(퍼블릭 클라우드)에서 분산 시스템(엣지 디바이스 또는 서버)으로 이동하고 있다는 점을 깨닫는다. 이렇게 되면 엣지 시스템을 유지관리해야 할 업무가 늘어난다. 엣지 시스템은 모니터링, 관리, 보안, 업데이트 및 구성이 훨씬 더 까다롭다. 수백 개의 엣지 컴퓨팅 장치에 이러한 유지관리가 이루어져야 한다는 것을 안다면, 더없이 끔찍한 악몽이 될 수 있다. 

둘째, 무엇을 ‘컨테이너화(containerize)’할 것인가? 
많은 기업이 컨테이너를 일개 기술이 아니라 전략 차원에서 다루고 있다고 진술한다. 컨테이너에 대한 병적인 믿음은 많은 애플리케이션을 컨테이너로 밀어 넣었다. 하지만 모든 기업들이 그런 방향으로 나아가야 하는 것은 아니다. 

컨테이너에 ‘이전할 수 있는 것’과 ‘이전해야만 하는 것’에 대한 원칙이 없다는 게 문제다. 레거시 애플리케이션은 리팩토링(재작성)에 많은 시간과 비용이 들기 때문에 컨테이너에 적합할 가능성이 직다. 하지만 클라우드 마이그레이션 팀이 레거시 애플리케이션을 먼저 이전시키려고 하는 경우가 많다. 

이는 기업이 클라우드로 이전한 일부 애플리케이션에 대해 컨테이너의 이점을 얻지 못한다는 뜻이다. 상당수의 클라우드 아키텍트가 저지를 수 있는 100만 달러짜리 실수다. 

셋째, 어떤 애플리케이션이 AI가 가능(AI-enable)한가? 
클라우드에서 머신러닝은 저렴하고, 이전보다 훨씬 사용하기 쉬워졌다. 이로 인해 인지 시스템을 내장하지 않은 애플리케이션에도 AI 기능을 구현하는 각종 사례가 출현했다. 

앞서 언급한 것과 마찬가지로 문제는 기존 또는 신규 애플리케이션 내에서 머신러닝을 언제, 어떻게 사용하는지에 대한 명확한 규칙이 없다는 점이다.

머신러닝 이용에 앞서 확인해야 할 몇 가지 사항들이 있다. 이를테면 애플리케이션을 리팩토링해야 한다는 것이다. 하지만 더 큰 문젯거리가 있다. 애당초 AI가 필요한지 여부다. 많은 사람들이 이런 질문을 하지도 않는다. 

해결하기 어려운 문제들은 항상 있다. 이에 대한 가장 생산적인 대응은 일단 문제를 논의하는 것이다. 

* 데이비드 린티컴은 딜로이트 컨설팅의 클라우드 전략 부문 최고 책임자다. ciokr@idg.co.kr

X