연구진은 임박한 네트워크 장애를 예측하고, 어떤 서비스가 근본 원인인지 단순한 증상에 불과한지를 자동으로 판별하는 머신러닝 모델 MILD(Multi-Intent Learning Disentangler)를 개발했다. 이는 사람이 개입하지 않아도 선제적으로 문제를 해결해야 하는 자율 운영 네트워크에 특히 중요하다. 장애가 여러 서비스로 연쇄적으로 번지면 원인과 증상을 구분하기가 매우 어려워지기 때문이다.
목차
연구진이 개발한 것
자율 운영 네트워크는 장애를 자동으로 감지하고 해결해야 하지만, 현재 시스템은 하나의 근본 결함이 여러 서비스에 모호한 증상을 일으키는 상황에 취약하다. 이를 코드리프트(co-drift)라고 한다. MILD는 여러 네트워크 인텐트(예: API 성능, 텔레메트리 데이터, 분석 처리)의 장애를 동시에 예측하고, 이 가운데 실제 근본 원인이 무엇인지 구분하는 신경망 아키텍처다.
이 모델은 분산 클라우드 네이티브 애플리케이션에서 분 단위로 수집한 KPI 데이터를 모니터링한다. 특히 세 가지 까다로운 장애 유형을 명시적으로 다룬다. 하나의 지표만 악화되는 단순 독립 드리프트, 개별적으로 보면 정상처럼 보이지만 지표 간 상호작용으로 장애가 발생하는 비선형 장애, 그리고 하나의 근본 원인이 다른 서비스에 증상을 일으키는 다중 인텐트 코드리프트다. 벤치마크 데이터셋은 라벨이 부여된 KPI 데이터 20만 분으로 구성됐으며, 모델을 가혹하게 검증하기 위해 비선형 장애가 60%, 코드리프트 시나리오가 20%를 차지한다.
MILD의 핵심 혁신은 ‘게이트와 전문가’ 구조다. 각 인텐트에는 전용 예측 네트워크가 할당되고, 공유 게이팅 네트워크는 장애의 책임이 어디에 있는지 학습한다. 코드리프트가 발생하면 피해를 입은 인텐트에서 더 눈에 띄는 이상이 나타나더라도, 게이트는 실제 근본 원인에 높은 어텐션 가중치를 부여한다.
주요 결과
MILD는 실제 3개 인텐트 시스템(API, Telemetry, Analytics)에서 수집한 분 단위 KPI 데이터 20만 건 이상의 벤치마크를 대상으로 기준 모델들과 비교 평가됐다. 벤치마크는 어려운 사례에 의도적으로 높은 비중을 뒀다. 비선형 장애가 60%, 다중 인텐트 코드리프트가 20%, 단순 독립 드리프트가 20%였다.
이 모델은 단일 드리프트뿐 아니라 훨씬 까다로운 코드리프트 상황도 정확히 처리했다. 코드리프트가 발생하면 기존의 임계값 기반 방식이나 선형 모델은 KPI 이상이 가장 두드러지는 피해 인텐트를 장애 원인으로 잘못 지목하는 경우가 많다. 반면 MILD의 게이팅 메커니즘은 피해 인텐트의 지표가 더 비정상적으로 보여도, 실제 장애를 일으킨 인텐트에 더 높은 가중치를 할당하도록 학습해 진짜 근본 원인을 찾아냈다.
비선형 장애에서 특히 뛰어난 성능이 나타났다. 개별 지표는 정상처럼 보여도 지표 간 상호작용으로 장애가 발생하면 기존 선형 기준 모델은 제대로 대응하지 못한다. MILD의 신경망 구조는 이러한 미묘한 의존 관계를 포착한다. 논문은 정확한 수치를 제시하지 않았지만, 정성적 결과만으로도 MILD가 기존 연구보다 오탐과 근본 원인 오인 식별을 크게 줄였음을 보여준다.
작동 방식
MILD 아키텍처는 세 가지 핵심 요소로 구성된다. 인텐트별 전문가 네트워크, 공유 게이팅 네트워크, 그리고 비결합 손실 함수다.
각 인텐트(API, Telemetry, Analytics)에는 동일한 KPI 입력을 처리하고 해당 인텐트의 장애 확률을 출력하는 소규모 신경망, 즉 ‘전문가’가 할당된다. 게이팅 네트워크 역시 같은 KPI 입력을 받아 인텐트별 확률 분포를 출력하며, 어떤 인텐트가 근본 원인일 가능성이 높은지 나타낸다.
핵심 혁신은 비결합 손실 함수다. 학습 과정에서 이 손실 함수는 각 전문가가 자신에게 해당하는 인텐트의 장애를 예측하도록 유도하는 동시에, 다른 인텐트의 장애를 예측하면 불이익을 준다. 동시에 게이트는 실제 근본 원인 인텐트에는 높은 가중치를, 피해 인텐트에는 낮은 가중치를 부여하도록 학습한다. 이는 다중 작업 학습에서 흔히 발생하는 한 전문가의 독주 현상을 막는다.
예를 들어 느린 데이터베이스 쿼리로 API 지연 시간이 증가하고(근본 원인), Telemetry 처리 시간까지 급증하는(피해 인텐트) 코드리프트 상황을 생각해 보자. API 전문가는 미묘한 KPI 변화에서 실제 원인을 포착하도록 학습하고, Telemetry 전문가는 자신의 학습 데이터에서 오탐으로 처리된 동일한 패턴을 무시하도록 학습한다. 이어 게이트가 API 인텐트에 높은 가중치를 부여하므로 운영자는 증상을 쫓는 대신 실제 문제를 해결할 수 있다.
이 모델은 분 단위 KPI 데이터의 슬라이딩 윈도우를 사용하며, 매분 장애 확률과 근본 원인 확률을 모두 출력한다.
로보틱스에서 중요한 이유
자율 운영 네트워크와 자율 로봇 시스템은 깊은 공통점을 갖는다. 두 시스템 모두 불확실한 환경에서 안정적으로 작동하고, 이상을 감지하며, 사람의 감독 없이 근본 원인을 찾아야 한다. 로보틱스에서도 여러 로봇이나 하위 시스템으로 하나의 하드웨어 또는 소프트웨어 결함이 연쇄적으로 번지는 이기종 플릿 환경에서 비슷한 문제가 발생한다.
자율 이동 로봇(AMR)이 운영되는 창고를 생각해 보자. 한 로봇의 내비게이션 소프트웨어에 장애가 발생하면 물류 흐름이 막혀 플릿 처리량이 떨어지고, 우회해야 하는 다른 로봇들의 배터리도 더 빨리 소모될 수 있다. MILD와 같은 시스템은 ‘내비게이션 가용성’, ‘배터리 상태’, ‘주문 처리율’ 같은 인텐트를 모니터링할 수 있다. 혼잡이 발생했을 때 MILD는 배터리 소모나 주문 처리율 저하가 아니라 내비게이션 장애를 근본 원인으로 식별해, 플릿 관리자가 올바른 로봇부터 수리하도록 지원한다.
이처럼 원인과 증상을 구분하는 선제적 장애 예측은 실제 환경에서 로봇 플릿을 확장하는 데 필수적이다. 현재의 모니터링 시스템은 여러 센서에서 동시에 경보를 발생시키는 경우가 많아 운영자가 직접 근본 원인을 추적해야 한다. MILD의 접근 방식은 창고 로봇이나 중고 산업용 로봇에도 적용해 더욱 견고한 자동화 시스템을 구축하는 데 활용할 수 있다.
한계와 남은 과제
MILD는 장애 발생 후 전문가가 작성한 사후 분석 라벨을 활용하는 지도학습에 의존한다. 따라서 초기 학습 데이터를 구축하려면 많은 비용이 드는 사람의 라벨링 작업이 필요하다. 또한 이 모델은 각 장애 구간에 하나의 고정된 근본 원인이 있다고 가정한다. 하지만 실제 연쇄 장애에서는 장애가 확산되는 동안 원인이 바뀔 수 있다. 예를 들어 느린 데이터베이스가 과부하에 빠진 뒤에는 오히려 피해자가 될 수 있다. 장시간 장애가 지속되는 동안 변화하는 근본 원인을 처리하도록 MILD를 확장하는 일은 여전히 해결되지 않은 과제다.
또한 평가는 통제된 벤치마크에서 3개 인텐트만을 대상으로 진행됐다. 저자들은 이 아키텍처가 인텐트 수가 늘어나도 안정적으로 확장된다고 주장하지만, 실제 네트워크에서 수십 개 인텐트를 사용할 때의 성능은 아직 검증되지 않았다. 마지막으로 논문이 정확한 성능 지표를 보고하지 않아 다른 접근법과 정량적으로 비교하기도 어렵다.
자주 묻는 질문
네트워킹에서 ‘코드리프트’란 무엇인가? 하나의 근본 장애가 여러 서비스에서 비정상적인 지표를 유발해, 어느 서비스가 실제 문제이고 어느 서비스가 단순히 증상을 보이는지 구분하기 어려운 상황을 말한다.
MILD는 기존 모니터링 도구와 어떻게 다른가? 기존 도구는 개별 지표에 임계값을 설정하지만, 지표가 비선형적으로 상호작용하거나 엉뚱한 서비스에서 증상이 나타나면 제대로 작동하지 않는다. MILD는 특화된 전문가 네트워크와 게이팅 메커니즘을 활용해 근본 원인과 증상을 구분하도록 학습한다.
MILD를 로봇 플릿 관리에 사용할 수 있나? 가능하다. 이동성, 처리, 통신 등 여러 로봇 관련 인텐트를 모니터링하고, 실제 결함에 반응하는 하위 시스템과 장애를 일으킨 하위 시스템을 자동으로 구분한다는 동일한 원리를 적용할 수 있다.
새로운 네트워크마다 MILD를 다시 학습해야 하나? MILD는 지도학습 모델이므로 학습에 라벨이 지정된 장애 데이터가 필요하다. 특정 서비스와 KPI를 대상으로 학습을 마치면 온라인으로 실행할 수 있지만, 시스템이 크게 바뀌면 재학습해야 한다.
결론
MILD는 가장 까다로운 연쇄 장애 상황에서도 네트워크 장애를 예측하고 근본 원인과 증상을 구분하는 체계적인 방법을 제시한다. 인텐트별 전문가와 비결합 게이트를 결합한 이 접근법은 진정한 자율 네트워크 관리를 위한 실용적인 청사진이며, 나아가 복원력 높은 로봇 플릿을 구축하는 데에도 활용될 수 있다.