PE Notes · 서비스
Auto Scale Up/Out/In
오토 스케일링(Auto Scaling): 부하(CPU·요청 수·큐 길이 등) 변화에 따라 컴퓨팅 자원을 자동으로 늘리거나 줄여 성능과 비용을 함께 최적화하는 클라우드 기능
오토 스케일링(Auto Scaling): 부하(CPU·요청 수·큐 길이 등) 변화에 따라 컴퓨팅 자원을 자동으로 늘리거나 줄여 성능과 비용을 함께 최적화하는 클라우드 기능. Scale Up / Down(수직 확장·축소): 서버 한 대의 사양(vCPU·메모리)을 올리거나 내림.
구조와 칸
정책 기반 자동화: 지표·임계치·일정에 따라 동작. : 확장과 축소가 모두 자동. 사용량 기반 과금과 결합: 쓴 만큼만 비용. 무상태(Stateless) 설계 전제: 수평 확장은 세션·데이터를 외부 저장소로 분리해야 효과적.
| 구성 요소 | 역할 |
|---|---|
| 시작 템플릿(Launch Template) | 인스턴스 이미지·유형·네트워크·보안 그룹 정의 |
| 오토 스케일링 그룹() | 최소·희망·최대 용량, 대상 가용 영역 지정 |
| 모니터링(CloudWatch 등) | CPU·요청 수·사용자 정의 지표 수집, 경보 |
| 스케일링 정책 | 언제·얼마나 늘리고 줄일지 결정 |
| 로드 밸런서 | 새 인스턴스를 대상에 자동 등록, 헬스 체크로 비정상 인스턴스 교체 |
진동(Flapping) 방지: 확장 임계치(70%)와 축소 임계치(30%) 사이에 간격, ·안정화 기간. 필요 대수 = ⌈현재 대수 × 현재 지표 ÷ 목표 지표⌉. 예: 4대, 평균 CPU 80%, 목표 50% → ⌈4 × 80 ÷ 50⌉ = ⌈6.4⌉ = 7대 (최대 용량 이내). 쿠버네티스 HPA도 같은 식 사용: 원하는 레플리카 = ⌈현재 레플리카 × 현재 지표 ÷ 목표 지표⌉.
Scale Up vs Scale Out
| 정책 | 동작 | 적합 |
|---|---|---|
| 목표 추적(Target Tracking) | 지표를 목표값(예: CPU 50%)으로 유지하도록 자동 조정 | 일반 웹 서비스 |
| 단계(Step) 스케일링 | 경보 초과 정도에 따라 단계별 증감(예: 70%↑ +1, 90%↑ +3) | 급격한 부하 |
| 단순(Simple) 스케일링 | 경보 1개에 고정 증감 후 쿨다운 대기 | 단순 구성 |
| 예약(Scheduled) | 정해진 시각에 용량 변경 | 출근 시간·정기 이벤트 |
| 예측(Predictive) | 과거 패턴을 ML로 학습해 미리 확장 | 주기적 트래픽 |
| 상황 | 권장 |
|---|---|
| 상태 저장 DB 단일 노드, 수정 없이 빠른 성능 확보 | Scale Up(재시작 수반 가능) |
| 무상태 웹·API 서버, 무중단 확장 | Scale Out |
| 읽기 부하 큰 DB | 읽기 복제본 Scale Out + 주 노드 Scale Up |
| 쓰기 부하 큰 DB | 샤딩(수평 분할) |
수강 신청·티켓 예매: 예약 스케일링으로 미리 확장 + 목표 추적. 쇼핑몰 이벤트: 예측 스케일링 + 단계 스케일링. 쿠버네티스: HPA(파드 수평), (파드 수직), Cluster Autoscaler·Karpenter(노드 증감).
답안은 Auto Scale Up/Out/In의 정의, 칸, 비교 축을 한 장에 닫습니다.
기술사 답안 포인트
관련 용어
관련 토픽
서비스
컨테이너와 쿠버네티스
VM과 컨테이너의 격리·기동을 가르고, Docker 이미지 생명주기와 쿠버네티스 컨트롤 플레인·오브젝트를 정리한 뒤 스케일·보안·관리형을 비교합니다.
서비스
가상화 기술(VM/LXC/Docker)/컨테이너 오케스트레이션
가상화(Virtualization): 물리 자원(CPU·메모리·스토리지·네트워크)을 논리적으로 분할·추상화해 여러 독립된 실행 환경으로 제공하는 기술
서비스
클라우드 관리 플랫폼(CMP)
CMP(Cloud Management Platform): 퍼블릭·프라이빗·하이브리드·멀티 클라우드 자원을 하나의 화면과 정책으로 통합 관리하는 플랫폼 — 프로비저닝·오케스트레이션, 셀프서비스 카탈로그, 비용 관리, 모니터링, 거버넌스·보안을 통합 제공