IT 장애 감지부터 복구까지 자동화…메가존클라우드, AI 복구 자동화 제시

[경제일보] 기업의 IT 환경이 복잡해지면서 장애를 얼마나 빨리 발견하느냐를 넘어 원인을 찾고 서비스를 복구하는 데 걸리는 시간을 줄이는 것이 새로운 운영 과제로 떠오르고 있다. 이에 메가존클라우드는 IT 서비스 장애 대응 과정에서 반복적으로 발생하는 사람의 확인과 판단, 명령 입력을 자동화해 장애 감지부터 복구와 사후 기록까지 연결하는 통합 운영 방안을 제시했다.

17일 메가존클라우드는 뉴렐릭과 공동으로 전날 서울 강남구 구스아일랜드 브루하우스에서 국내 기업 IT 관계자들을 대상으로 '프롬 코드 투 리커버리' 세미나를 열고 코드 변경부터 서비스 복구까지 장애 대응 전 과정을 자동화하는 시나리오를 소개했다고 밝혔다.

해당 행사에서 메가존클라우드는 장애 대응을 감지, 판단, 실행, 검증, 개선 등 5단계로 나눠 각 단계에서 발생하는 작업을 하나의 흐름으로 연결하는 것을 핵심 방식으로 꼽았다. '뉴렐릭', '깃랩', '아틀라시안', '페이저듀티' 등 여러 솔루션을 연계해 하나의 신호가 다음 단계의 조치를 자동으로 호출하는 '폐쇄형 자동화 루프'를 구현한다는 구상이다.

기존 기업의 장애 대응은 이상 징후가 발생하면 담당자가 여러 시스템을 직접 확인하는 방식이 일반적으로 알려졌다. 서버 상태와 애플리케이션 성능, 네트워크 상황, 최근 배포 기록 등을 각각 확인한 뒤 장애 원인을 추정하고 관련 개발·운영 담당자를 호출해야 한다. 장애 규모가 커지거나 여러 알림이 동시에 발생하면 필요한 담당자를 찾는 데도 시간이 걸리는 것으로 꼽힌다.

메가존클라우드가 제시한 시나리오에서는 이 과정의 상당 부분을 시스템이 연결해 처리하도록 설계됐다. 뉴렐릭이 애플리케이션과 서버, 네트워크 상태를 실시간으로 분석해 이상 징후를 감지하고 장애 원인으로 의심되는 부분을 찾아낸다. 이후 아틀라시안이 최근 변경 사항의 영향도를 분석하고 변경 통제 요청에 대한 판단·승인을 지원한다.

복구 단계에서는 깃랩이 안정적인 이전 버전으로 되돌리는 작업을 수행한다. 이후 페이저듀티가 서비스가 정상화됐는지 확인하고 관련 담당자에게 대응 상황과 복구 결과를 전달한다. 장애 원인과 조치 내용은 아틀라시안의 '합류점'에 자동으로 기록해 이후 유사한 장애가 발생했을 때 참고할 수 있도록 돕는다.

이 같은 자동화가 적용되면 장애 발생 이후 담당자가 여러 화면을 오가며 정보를 확인하거나 복구 명령을 직접 입력하는 작업을 줄일 수 있을 것으로 전망된다. 개발팀과 운영팀, 보안팀 등 여러 조직이 각각 확인하고 전달하던 정보도 하나의 흐름으로 연결되는 구조다. 메가존클라우드는 이 같은 통합 자동화를 통해 평균 장애 복구시간(MTTR)을 기존 대비 최대 50%까지 줄일 수 있다고 설명했다.

장애 대응 시간은 IT 운영 인력의 생산성과도 연결된다. 장애가 발생할 때마다 개발자와 운영자가 로그와 배포 기록을 확인하고 담당자를 호출하는 데 시간을 투입하면 서비스 개선이나 신규 기능 개발에 활용할 인력이 줄어들 수 있다. 반복적인 확인·전달·기록 업무를 자동화하면 운영 인력이 원인 분석과 재발 방지, 서비스 개선 등 상대적으로 높은 부가가치의 업무에 집중할 수 있다는 것이 메가존클라우드의 설명이다.

특히 클라우드와 마이크로서비스 기반의 IT 환경이 확산하면서 하나의 서비스가 여러 애플리케이션과 인프라, 외부 서비스에 연결되는 사례가 늘고 있다. 이에 장애가 발생했을 때 단일 시스템만 확인해서는 원인을 파악하기 어려워졌고, 여러 데이터를 한꺼번에 연결해 분석하는 옵저버빌리티의 중요성도 커지고 있다.

또한 생성형 AI와 AI 에이전트가 기업 서비스에 도입되면서 관찰 대상도 확대되고 있다. 뉴 렐릭은 애플리케이션과 인프라뿐 아니라 AI와 AI 에이전트의 성능·품질·비용 등을 실시간으로 분석하는 기능을 제공하고 있다. AI 서비스가 기업 업무에 직접 연결될수록 AI 자체의 오류나 성능 저하도 기존 IT 장애와 함께 관리해야 할 대상이 될 수 있다.

메가존클라우드는 기업이 기존에 사용하는 솔루션과 운영 프로세스를 분석한 뒤 필요한 기능부터 단계적으로 연결하는 방식으로 통합 자동화를 지원할 예정이다. 기업별 시스템 구조와 보안 정책, 담당 조직, 승인 절차 등을 반영한 자동화 시나리오를 설계하고 실제 고객 환경에서 효과를 확인할 수 있는 PoC와 SRE 전문가의 운영 환경 진단도 지원한다.

김현수 메가존클라우드 SRE솔루션 비즈니스 유닛 전무는 "장애 대응이 늦어지는 가장 큰 원인은 개별 솔루션의 성능 부족이 아니라 서로 다른 도구와 담당 조직, 업무 절차가 단절돼 있다는 점"이라며 "좋은 도구들은 너무 많은데, 장애 대응은 여전히 지연되는 문제의 해결책으로 코드부터 복구까지 전 과정을 연결하는 통합 자동화 방안을 제시했다"고 말했다.