목차
추천을 비용 절감으로 이은 Rightsizing Recommendations (2024-11)
원문 정보
- 원문: 최적화된 인스턴스 추천을 위한 Rightsizing Recommendations 시스템 개발 여정
- 매체 · 게시일: 우아한형제들 기술블로그 · 2024-11-14
- 저자: 본문에 저자 미표기
- 원문 내용을 바탕으로 재구성한 요약입니다.
한꺼번에 줄이기 어려웠던 인스턴스
클라우드 인프라가 빠르게 커지자, 우아한형제들 팀은 사내 모니터링 시스템 우아캣의 메트릭과 AWS Cost Explorer로 리소스 사용과 비용 현황을 살폈습니다. 운영환경 인스턴스 가운데 약 1,000대 이상은 CPU 사용량이 최대치조차 30%에 못 미쳤습니다. 베타 환경에서도 비슷한 모습이었습니다.
줄일 여지는 보였습니다. 하지만 서비스마다 특성이 다르고 배포 단위도 많아, 낮은 사용률만 보고 인스턴스를 일괄 축소하기는 어려웠습니다. 이벤트로 트래픽이 몰리거나 새 기능을 출시할 때 리소스가 부족해지면 성능이 떨어질 수 있기 때문입니다.
팀이 풀어야 할 문제는 안정성과 성능을 유지하면서 비용을 줄이는 일이었습니다. 이를 위해 만든 Rightsizing Recommendations는 적합한 인스턴스 타입을 추천하고, 실제 적용은 각 서비스를 아는 담당 엔지니어가 검토해 결정하도록 했습니다.
서비스 팀의 검토와 작업을 연결한 Slack 알림
추천이 나와도 인스턴스가 저절로 바뀌지는 않습니다. 실제 배포를 맡은 엔지니어가 선택하고 작업해야 비용이 줄어듭니다. 팀은 이 과정을 Slack 알림과 Jira 작업 티켓으로 연결했습니다.
우아한형제들은 서비스 아래에 기능별 롤(Role)을 두고, 대체로 롤 단위로 배포합니다. 추천 데이터가 생성되면 해당 팀을 멘션한 Slack 메시지가 자동으로 전달되는 방식입니다. 메시지에는 서비스와 롤, 담당 팀, 최근 리소스 사용량과 사용률, 추천 타입의 상세 정보를 담았습니다. 현재보다 저렴한 다른 옵션도 함께 보여 줘, 담당자가 서비스 상황에 맞는 타입을 비교해 고르도록 했습니다.
원하는 타입의 버튼을 누르면 Jira 티켓 생성 창이 열립니다. 작업자와 작업 예상일을 선택해 생성하면, 알림에 있던 정보가 티켓에 담기고 할당된 담당자에게도 전달됩니다. 적용하지 않아야 할 추천에는 사유를 남겨 예외 처리하는 기능을 마련했습니다. 추천을 받아들이는 작업과 적용하지 않는 판단을 모두 운영 과정에 포함한 것입니다.
최대 사용량 바깥에 남겨 둔 회색 칸
Slack에 담을 후보는 자체 알고리즘으로 골랐습니다. AWS Compute Optimizer 같은 서비스도 검토했지만, 메트릭 조회 기간에 제약이 있고 메모리를 모니터링하려면 별도 에이전트를 설치해야 했습니다. 기능별 롤을 기준으로 배포하는 사내 방식에 맞게 조정하기도 어려웠습니다.
같은 롤 안에서는 대개 동일한 인스턴스 타입을 씁니다. 롤 단위로 메트릭을 조회하면 해당 타입의 최대 사용량을 파악하기 쉬운 이유입니다. 팀은 일정 기간의 CPU·메모리 데이터에서 최대 사용량을 구하고, 버퍼를 더해 적합한 타입을 추천하도록 설계했습니다. 버퍼는 예상하지 못한 트래픽 증가나 리소스 사용량의 급변에 대비하는 여유분이며, 비율을 조정할 수 있게 했습니다.
원문의 추천 예시 그림에서는 최근 약 2주의 최대 사용량이 검은색 칸, 버퍼가 회색 칸으로 표현됩니다. 이미 사용한 만큼에 여유분까지 더한 크기로 후보를 찾는 모습입니다.
A 롤이 c6g.xlarge를 쓰고, 최근 2주 동안 CPU를 최대 1.3코어, 메모리를 최대 3GB 사용했다고 가정합니다. 이 예시에서 더하는 버퍼는 AWS Compute Optimizer의 기본 설정과 같은 20%입니다. 추천 목록에는 같은 패밀리의 타입뿐 아니라 다른 패밀리의 적합한 타입도 포함됩니다.
컴퓨팅 성능에 최적화된 c6g.large로 바꾸면 약 50%의 비용 절감이 가능합니다. 메모리 사용량이 많은 작업에 적합한 m6g.large를 고르면 약 38%의 절감 효과를 기대할 수 있습니다. 절감률만 보면 c6g.large가 앞서지만, 메모리 사용이 늘어날 가능성이 있다면 m6g.large가 더 적합합니다. 그렇지 않다면 c6g.large가 더 나은 선택일 수 있습니다. 여러 후보를 제시한 이유도 여기에 있습니다. 담당자가 앞으로의 사용 계획과 타입별 리소스 특성을 함께 보고 선택하도록 한 것입니다.
교체 이후까지 따라가는 위클리 리포트
릴리스 뒤에는 추천 이후의 일이 남았습니다. 채택도 예외 처리도 하지 않은 추천을 찾아 해당 팀에 요청하고, 매주 작업 진행 상황과 절감 비용을 확인해야 했습니다. 미진행 서비스와 예외 내역을 살피고 인스턴스가 정상적으로 교체됐는지 추적하는 데 매주 수 시간이 들었습니다.
팀은 일정 기간 처리되지 않은 추천에 자동으로 처리 요청 메시지를 보내도록 했습니다. 변경된 인스턴스의 메트릭을 계속 모니터링하며 실제 비용 절감 효과를 추적하는 위클리 리포트도 추가했습니다. 추천을 전달한 뒤의 확인 작업까지 자동화하면서 정기적으로 투입하던 인력을 줄였습니다.
원문 작성 시점에는 추천과 처리 과정 대부분이 자동화돼 일상적인 인력 투입이 거의 필요 없는 상태였습니다. 4월 릴리스 이후 7개월 동안 절감한 비용은 수억 원 규모이며, 시스템 유지에 드는 인프라 비용은 월 15만 원 수준입니다.
이 과정에서 서비스 담당 엔지니어의 관리 부담이 다소 늘기도 했습니다. 팀은 그럼에도 비용 최적화라는 공동 목표에 적극 협조한 사내 문화를 성과의 배경으로 꼽았습니다. 이후에도 최적화 기회를 계속 찾고 더 효율적으로 자원을 활용할 방안을 모색할 계획입니다.
추천 예시와 실제 운영 성과
| 항목 | 값 |
|---|---|
| 분석 당시 저사용 인스턴스 | 운영환경 약 1,000대 이상, CPU 최대 사용량 30% 미만 |
| 예시 롤의 현재 타입 | c6g.xlarge |
| 예시 최대 사용량(최근 약 2주) | CPU 1.3코어, 메모리 3GB |
| 예시 버퍼 | 20% |
| c6g.large 전환 시 | 약 50% 비용 절감 |
| m6g.large 전환 시 | 약 38% 비용 절감 |
| 릴리스 이후 | 7개월간 수억 원 절감 |
| 시스템 유지 인프라 비용 | 월 15만 원 수준 |