aws·2026년 1월 15일원문

맞춤형 Intel Xeon 6 프로세 (새 탭에서 열림)

AWS가 Intel Xeon 6 프로세서를 탑재한 차세대 메모리 최적화 인스턴스인 Amazon EC2 X8i의 정식 출시를 발표했습니다. 이 인스턴스는 이전 세대인 X2i 대비 최대 1.5배의 메모리 용량과 3.4배의 대역폭을 제공하여 대규모 데이터베이스 및 분석 작업에 최적화되었습니다. 특히 SAP 인증을 획득하여 SAP HANA와 같은 고성능 인메모리 워크로드에서 압도적인 효율성을 보여줍니다. **커스텀 Intel Xeon 6 기반의 독보적인 성능** * AWS 전용으로 설계된 커스텀 Intel Xeon 6 프로세서를 탑재하여 전 코어 3.9GHz의 지속적인 터보 주파수를 제공합니다. * 이전 세대(X2i)와 비교했을 때 전체적으로 최대 43%의 성능 향상을 실현했습니다. * 최대 6TB의 메모리 용량을 지원하며, 메모리 대역폭은 3.4배 더 넓어져 데이터 집약적인 처리에 유리합니다. **주요 워크로드별 벤치마크 및 비용 효율성** * SAP HANA 워크로드에서 이전 세대 대비 최대 50% 향상된 SAPS(SAP Application Performance Standard) 성능을 기록했습니다. * PostgreSQL 성능은 최대 47%, Memcached는 최대 88%, AI 추론 성능은 최대 46%까지 개선되었습니다. * 실제 고객 사례인 Orion의 경우, X8i의 높은 성능 덕분에 활성 코어 수를 줄이면서도 동일 성능을 유지하여 SQL Server 라이선스 비용을 50% 절감했습니다. **유연한 인스턴스 규격과 대역폭 옵션** * 가상화 인스턴스(48xlarge, 64xlarge, 96xlarge 등)부터 베어메탈(metal-48xl, metal-96xl)까지 총 14가지 크기를 제공합니다. * 최대 100Gbps의 네트워크 대역폭(EFA 지원)과 80Gbps의 Amazon EBS 대역폭을 통해 대규모 데이터 전송 병목 현상을 최소화합니다. * IBC(Instance Bandwidth Configuration) 기능을 지원하여 사용자가 필요에 따라 네트워크와 EBS 대역폭 할당량을 조정할 수 있습니다. **가용성 및 구매 방식** * 현재 미국 동부(버지니아 북부), 미국 서부(오레곤), 유럽(프랑크푸르트, 아일랜드), 아시아 태평양(시드니, 도쿄) 리전에서 즉시 사용 가능합니다. * 온디맨드, 예약 인스턴스(RI), Savings Plans 및 스팟 인스턴스 등 다양한 구매 옵션을 통해 비용을 최적화할 수 있습니다. SAP HANA와 같은 대규모 인메모리 데이터베이스를 운영하거나, 높은 컴퓨팅 파워와 방대한 메모리가 동시에 필요한 EDA(전자 설계 자동화) 및 데이터 분석 환경이라면 X8i 인스턴스로의 전환을 통해 성능 향상과 라이선스 비용 절감 효과를 동시에 거둘 수 있을 것입니다.

클라우드 컴퓨팅PostgreSQLamazon-ec2ai-inference+4

aws·2026년 1월 12일원문

AWS 주간 요약: .NET용 AWS Lambda 10, AWS 클라이언트 VPN 빠른 시작, AWS re:Invent 베스트 및 기타 (2026년 1월 12일) (새 탭에서 열림)

2026년 1월 초 AWS의 주요 업데이트 소식을 다루며, 특히 .NET 10 기반의 AWS Lambda 지원과 Amazon ECS의 tmpfs 마운트 기능 등 개발 생산성을 높이는 신규 기능들을 소개합니다. 또한 AWS re:Invent 2025의 핵심 발표 내용과 함께, 클라우드 기술 역량 강화를 위해 6개월간 최대 200달러의 크레딧을 제공하는 프리티어 혜택을 강조하고 있습니다. 최종적으로 개발자와 아키텍트가 최신 클라우드 기술을 실무에 빠르게 적용할 수 있도록 돕는 다양한 가이드와 커뮤니티 소식을 전달합니다. ### 주요 서비스 및 기술 업데이트 - **AWS Lambda .NET 10 지원**: .NET 10 버전의 관리형 런타임 및 컨테이너 베이스 이미지를 공식 지원하며, AWS에서 관리형 런타임에 대한 업데이트를 자동으로 수행합니다. - **Amazon ECS tmpfs 마운트 확장**: AWS Fargate 및 Linux 기반 관리형 인스턴스에서 tmpfs 마운트를 지원하여, 데이터를 디스크에 쓰지 않고 메모리 내 파일 시스템을 활용함으로써 성능을 최적화할 수 있습니다. - **Amazon MQ 인증 방식 강화**: RabbitMQ 브로커에 대해 HTTP 기반 인증 플러그인을 설정할 수 있으며, 상호 TLS(mTLS)를 통한 인증서 기반 인증 방식을 새롭게 지원합니다. - **Amazon MWAA 및 AWS Config 업데이트**: Apache Airflow 2.11 버전을 지원하여 Airflow 3로의 업그레이드 준비를 돕고, AWS Config에서 SageMaker 및 S3 Tables 등 추가적인 리소스 타입을 관리할 수 있게 되었습니다. - **AWS Client VPN 퀵스타트**: VPN 인프라 구성 과정을 단순화하여 상호 인증 모델을 사용한 VPN 엔드포인트를 보다 빠르게 배포할 수 있는 도구를 제공합니다. ### re:Invent 2025 다시보기 및 커뮤니티 인사이트 - **주요 세션 공개**: AWS 공식 유튜브 채널을 통해 re:Invent 2025의 기조연설과 기술 세션 영상이 제공되어 생성형 AI, 데이터베이스 등 최신 기술 트렌드를 학습할 수 있습니다. - **전문가 추천 콘텐츠**: AWS Hero들이 Amazon Bedrock, CDK, S3 Tables, Aurora Limitless Database 등 혁신적인 신규 서비스와 관련된 핵심 세션을 요약하여 추천합니다. - **커뮤니티 블로그**: 전 세계 AWS 전문가들이 작성한 re:Invent 요약 글을 통해 기술적 통찰력을 공유받을 수 있습니다. ### 글로벌 행사 및 교육 기회 - **AWS 프리티어 혜택**: 신규 사용자는 6개월 동안 최대 200달러의 크레딧과 30개 이상의 상시 무료 서비스를 통해 리스크 없이 클라우드 환경을 실험해 볼 수 있습니다. - **향후 이벤트 일정**: 파리, 암스테르담 등에서 열리는 AWS Summit과 바르샤바 AWS Cloud Day 등 글로벌 컨퍼런스가 예정되어 있어 지속적인 네트워킹과 학습이 가능합니다. AI와 클라우드 전문성을 키우고자 한다면 이번에 강화된 AWS 프리티어 혜택을 활용해 .NET 10 런타임이나 신규 VPN 퀵스타트 도구를 직접 실습해 보는 것을 추천합니다. 특히 대규모 데이터 처리가 필요한 워크로드라면 ECS의 tmpfs 마운트 기능을 통해 I/O 성능을 개선할 수 있는 기회를 검토해 보시기 바랍니다.

클라우드 컴퓨팅서버리스aws-lambdadotnet+4

aws·2025년 12월 15일원문

AWS 주간 소식 요약 (새 탭에서 열림)

2025년 re:Invent 행사 이후에도 AWS는 사용자 편의성과 개발 효율성을 높이기 위한 다양한 서비스 업데이트를 지속적으로 발표하고 있습니다. 이번 주 업데이트의 핵심은 Amazon ECS의 컨테이너 종료 제어 유연성 확보와 Aurora 데이터베이스의 즉각적인 프로비저닝 능력 강화에 있으며, 이를 통해 개발자들은 보다 정밀하고 빠른 클라우드 환경을 구축할 수 있게 되었습니다. **애플리케이션 개발 및 데이터베이스 환경 개선** * **Amazon Aurora DSQL 클러스터 생성 속도 향상:** 데이터베이스 클러스터 생성 시간이 기존 분 단위에서 초 단위로 대폭 단축되었습니다. 이를 통해 개발자는 통합 쿼리 에디터나 AI 기반 개발 도구를 사용하여 신속하게 프로토타이핑을 시작할 수 있습니다. * **Aurora PostgreSQL의 Kiro powers 통합:** AI 보조 코딩을 지원하는 'Kiro powers' 리포지토리와 통합되었습니다. 개발자는 Kiro IDE에서 클릭 한 번으로 설치하여 쿼리, 스키마 관리, 클러스터 작업에 필요한 컨텍스트를 동적으로 로드하고 활용할 수 있습니다. * **Amazon Redshift와 OpenSearch의 Zero-ETL 통합:** 복잡한 데이터 파이프라인 구축 없이도 Redshift의 데이터를 OpenSearch로 실시간 연동하여 검색 및 분석 성능을 극대화할 수 있습니다. **컨테이너 및 서버리스 운영 최적화** * **ECS 및 Fargate의 사용자 정의 정지 신호 지원:** 이제 Fargate 태스크가 컨테이너 이미지에 설정된 특정 정지 신호(예: SIGQUIT, SIGINT)를 인식합니다. 기본값인 SIGTERM 외의 신호가 필요한 애플리케이션도 이제 안전하고 우아한 종료(Graceful Shutdown)가 가능해졌습니다. * **AWS Lambda의 고급 로깅 기능 확장:** 사용자 정의 런타임에서도 JSON 형식의 로깅 및 로그 레벨 제어 기능을 사용할 수 있게 되었습니다. 이를 통해 복잡한 서버리스 환경에서 로그 수집과 디버깅 과정이 더욱 체계화되었습니다. **보안 강화 및 관리 편의성 증대** * **WorkSpaces Secure Browser의 웹 콘텐츠 필터링:** 25개 이상의 사전 정의된 카테고리를 기반으로 웹 접근을 제어할 수 있는 기능이 추가되었습니다. 추가 비용 없이 10개 리전에서 사용 가능하며, 세션 로거(Session Logger)와 통합되어 규정 준수 모니터링이 강화되었습니다. * **Amazon Cognito의 OTP 자동 인증:** 이메일 및 전화번호 확인을 위해 일회성 비밀번호(OTP)를 자동으로 검증하는 기능이 도입되었습니다. 사용자 가입 절차를 간소화하면서도 보안성을 유지할 수 있는 환경을 제공합니다. * **Amazon CloudWatch SDK 최적화:** SDK에서 최적화된 JSON 및 CBOR 프로토콜을 지원하여 데이터 전송 효율과 모니터링 성능을 개선했습니다. re:Invent 2025의 주요 발표와 더불어 이번 주에 업데이트된 세부 기능들을 검토하여 현재 운영 중인 인프라에 적용해 보시기 바랍니다. 특히 Fargate의 정지 신호 커스터마이징이나 Aurora DSQL의 빠른 생성 기능은 개발 및 배포 파이프라인의 효율을 즉각적으로 개선할 수 있는 실질적인 도구가 될 것입니다.

클라우드 컴퓨팅PostgreSQLamazon-cloudwatchamazon-ecs+3

aws·2025년 12월 8일원문

AWS 주간 요약: AWS re (새 탭에서 열림)

AWS re:Invent 2025는 단순한 기술 발표를 넘어 AI 어시스턴트가 자율적인 'AI 에이전트'로 진화하는 중대한 변곡점을 시사했습니다. AWS는 개발자들에게 발명의 자유를 제공한다는 핵심 미션을 재확인하며, 자연어로 복잡한 작업을 수행하고 코드를 실행하는 에이전트 중심의 미래 비전을 제시했습니다. 이번 행사는 AI 투자가 실질적인 비즈니스 가치로 전환되는 시점에서 보안, 가용성, 성능이라는 클라우드의 본질적 가치를 다시 한번 강조했습니다. **AI 에이전트 중심의 비즈니스 혁신** * **어시스턴트에서 에이전트로의 진화:** 단순한 답변 제공을 넘어 스스로 계획을 세우고, 코드를 작성하며, 필요한 도구를 호출해 작업을 완수하는 자율형 에이전트가 핵심 기술로 부상했습니다. * **실질적 비즈니스 수익 창출:** AI가 단순한 실험 단계를 지나 기업의 업무를 자동화하고 효율성을 높임으로써 구체적인 재무적 성과를 내기 시작하는 단계에 진입했습니다. * **비결정적 특성에 최적화된 인프라:** 결과가 매번 다를 수 있는 AI 에이전트의 특성(Non-deterministic)을 고려하여, 안전하고 신뢰할 수 있으며 확장이 용이한 전용 인프라를 구축하고 있습니다. **아키텍트의 르네상스와 개발자 생태계** * **설계 역량의 재발견:** 기술적 세부 사항에 매몰되기보다 시스템 전체를 조망하고 설계하는 고수준 아키텍처 역량이 중요해진 '아키텍트의 르네상스' 시대가 도래했습니다. * **커뮤니티 기여의 가치:** 필리핀의 AWS 히어로 라피(Rafi)가 'Now Go Build' 상을 수상한 사례를 통해, 기술 혁신만큼이나 커뮤니티 빌딩과 개발자 역량 강화가 중요함을 강조했습니다. * **발명의 자유(Freedom to Invent):** 지난 20년간 AWS의 중심이었던 개발자들이 창의성을 발휘할 수 있도록 도구와 환경을 제공하는 것이 AWS의 변함없는 목표임을 천명했습니다. **클라우드 기반 기술의 지속적 고도화** * **커스텀 실리콘과 인프라:** 보안, 가용성, 성능이라는 클라우드의 기본 속성을 유지하면서도 AI 워크로드에 최적화된 하드웨어 혁신을 지속하고 있습니다. * **자연어 기반 솔루션 구현:** 사용자가 달성하고자 하는 목적을 자연어로 설명하면 시스템이 실행 가능한 솔루션으로 변환하는 인터페이스의 혁신이 가속화되고 있습니다. AI 에이전트가 주도하는 기술 환경 변화에 대응하기 위해, 기업들은 단순한 챗봇 도입을 넘어 비즈니스 프로세스 자체를 자동화할 수 있는 에이전트 활용 전략을 수립해야 합니다. AWS re:Invent 2025의 주요 세션 영상과 발표 자료가 온디맨드로 제공되고 있으므로, 조직의 요구 사항에 맞는 AI 아키텍처를 재설계하고 새로운 기술 도구들을 선제적으로 검토해 보시길 권장합니다.

클라우드 컴퓨팅AIAI 에이전트머신러닝+3

aws·2025년 12월 3일원문

Amazon SageMaker HyperPod에서 (새 탭에서 열림)

Amazon SageMaker HyperPod은 대규모 AI 모델 학습의 효율성을 극대화하기 위해 '체크포인트리스(Checkpointless) 학습'과 '엘라스틱(Elastic) 학습' 기능을 새롭게 출시했습니다. 이 기술들은 하드웨어 장애 발생 시 복구 시간을 획기적으로 단축하고 클러스터 자원 활용도를 자동 최적화하여 전체 개발 주기를 대폭 앞당깁니다. 이를 통해 엔지니어는 인프라 관리 부담에서 벗어나 모델 성능 고도화와 시장 출시 속도 향상에 더욱 집중할 수 있습니다. ### 체크포인트리스 학습을 통한 중단 없는 상태 복구 기존의 체크포인트 기반 복구는 작업 종료, 재시작, 네트워크 설정, 체크포인트 검색 및 로드 등 복잡한 단계를 거치느라 최대 1시간 이상의 다운타임이 발생하곤 했습니다. 체크포인트리스 학습은 이러한 병목 현상을 해결하기 위해 다음과 같은 기술적 요소를 도입했습니다. * **피어 투 피어(P2P) 상태 복제**: 모델의 상태를 클러스터 내의 건강한 노드(Peer)에 실시간으로 복제하여 저장하며, 장애 발생 시 체크포인트를 불러오는 대신 이웃 노드로부터 즉시 상태를 복구합니다. * **복구 시간 단축**: 전통적인 방식 대비 복구 시간을 분 단위로 줄였으며, 내부 테스트 결과 2,000개 이상의 GPU 환경에서도 다운타임을 80% 이상 감소시키는 성과를 보였습니다. * **4가지 핵심 구성 요소**: 집합 통신 초기화 최적화, 캐싱이 가능한 메모리 매핑 데이터 로딩, 프로세스 내 복구(In-process recovery), 그리고 P2P 상태 복제 기술이 유기적으로 결합되어 작동합니다. * **검증된 확장성**: 수만 개의 가속기를 활용한 Amazon Nova 모델 학습에 이미 성공적으로 적용되어 대규모 환경에서의 안정성을 입증했습니다. ### 자원 활용을 극대화하는 엘라스틱 학습 엘라스틱 학습은 클러스터의 가용 자원 상태에 따라 학습 워크로드의 규모를 유연하게 조절하는 기능입니다. 인프라의 가변적인 상황에 맞춰 학습 효율을 최대로 끌어올립니다. * **자동 확장 및 축소**: 클러스터 내에 유휴 자원이 발생하면 학습 규모를 자동으로 확장하고, 추론 서비스와 같은 고우선순위 작업이 몰릴 때는 자원을 즉시 반납하며 축소합니다. * **운영 효율성**: 매주 수동으로 인프라 설정을 변경하던 엔지니어링 시간을 절약할 수 있으며, 클러스터 활용도를 높여 전체 학습 완료 시간을 단축합니다. * **우선순위 기반 할당**: 비즈니스 요구사항에 따라 자원을 재배치함으로써 고비용의 컴퓨팅 자원을 낭비 없이 사용할 수 있도록 지원합니다. ### 실용적인 권장 사항 수천 개의 GPU를 사용하는 초거대 모델 학습 환경에서는 하드웨어 장애가 빈번하게 발생할 수밖에 없습니다. 인프라 장애로 인한 학습 중단 리스크를 최소화하고 싶은 팀은 SageMaker HyperPod의 체크포인트리스 학습을 도입하여 복구 골든타임을 확보할 것을 권장합니다. 특히 가변적인 인프라 환경에서 비용 효율성을 중시한다면 엘라스틱 학습 기능을 활성화하여 클러스터 유휴 자원을 100% 활용하는 전략이 유효할 것입니다.

클라우드 컴퓨팅AI머신러닝AWS+5

google·2025년 10월 16일원문

가상 머신 퍼즐 해결: (새 탭에서 열림)

구글 리서치와 딥마인드가 개발한 LAVA는 클라우드 데이터 센터의 자원 효율성을 극대화하기 위해 가상 머신(VM)의 수명을 실시간으로 예측하고 적응하는 새로운 스케줄링 알고리즘입니다. 기존의 단발성 예측 방식에서 벗어나 VM이 실행되는 동안 지속적으로 남은 수명을 재예측하는 방식을 채택하여 자원 파편화와 낭비를 획기적으로 줄였습니다. 이 시스템은 실제 구글의 대규모 클러스터 관리 시스템인 Borg에 적용되어 빈 호스트 확보 및 자원 활용도 측면에서 유의미한 성능 향상을 입증했습니다. ## 수명 예측의 불확실성과 연속 재예측 기술 * 클라우드 VM의 수명은 매우 불확실하며, 대다수의 단기 VM(88%)이 아주 적은 자원(2%)만 사용하는 반면 극소수의 장기 VM이 대부분의 자원을 점유하는 롱테일(Long-tail) 분포를 보입니다. * LAVA는 생존 분석(Survival Analysis)에서 영감을 얻은 머신러닝 모델을 사용하여 VM 수명을 단일 값이 아닌 확률 분포로 예측함으로써 내재된 불확실성을 관리합니다. * "연속 재예측(Continuous Reprediction)" 기능을 통해 VM이 실행되는 동안 축적된 정보를 바탕으로 남은 수명을 실시간으로 업데이트하며, 이를 통해 초기 예측 오류를 스스로 수정하고 정확도를 높입니다. ## NILAS: 기존 시스템에 통합되는 비침습적 스케줄링 * NILAS(Non-Invasive Lifetime Aware Scheduling)는 기존 구글의 Borg 스케줄러 점수 함수에 수명 예측 데이터를 통합한 알고리즘입니다. * 새로운 VM을 배치할 때 해당 호스트에 이미 있는 VM들의 예상 종료 시간을 고려하여, 비슷한 시기에 종료될 VM들을 한곳에 모읍니다. * 이 방식은 특정 시점에 호스트 내의 모든 VM이 동시에 종료되도록 유도하여, 대규모 작업이나 유지보수에 필수적인 '빈 호스트'를 더 많이 확보하는 데 기여합니다. ## LAVA와 LARS를 통한 자원 배치 및 재배치 최적화 * **LAVA (Lifetime-Aware VM Allocation):** 장기 VM이 점유 중인 호스트의 남은 유휴 공간에 아주 짧은 수명의 VM들을 배치하는 전략입니다. 이는 자원 파편화(Resource Stranding)를 방지하며, 단기 VM이 빠르게 종료되므로 호스트의 전체 수명에 영향을 주지 않고 효율을 높입니다. * **LARS (Lifetime-Aware Rescheduling):** 데이터 센터 유지보수나 파편화 제거가 필요할 때, 예측된 수명이 긴 VM부터 우선적으로 다른 호스트로 이주시킵니다. 수명이 짧은 VM은 이주시키지 않고 자연스럽게 종료되도록 기다림으로써 불필요한 시스템 중단과 이동 비용을 최소화합니다. LAVA의 도입은 예측 불가능한 사용자 워크로드를 다루는 클라우드 인프라에서 단순한 정적 규칙보다 실시간 데이터 기반의 적응형 알고리즘이 훨씬 효과적임을 시사합니다. 이러한 접근법은 대규모 데이터 센터 운영에서 경제적 효율성을 높일 뿐만 아니라, 서버 가동률 최적화를 통해 에너지 소비를 줄이는 환경적 지속 가능성 측면에서도 중요한 솔루션이 될 수 있습니다.

클라우드 컴퓨팅AI머신러닝virtual-machines+5

datadog·2025년 1월 15일원문

Arm64 JIT 컴파일러 버그를 드러낸 PostgreSQL 세그멘테이션 오류 파헤치기 (새 탭에서 열림)

Postgres 서버에서 발생한 'Segmentation fault(signal 11)' 오류의 원인을 추적하여, 이것이 Postgres 자체의 결함이 아니라 Arm64 아키텍처 환경에서 작동하는 LLVM(JIT 컴파일러)의 버그임을 밝혀낸 과정을 다루고 있습니다. 대규모 파티션 테이블을 조회할 때 JIT가 활성화되면서 크래시가 발생했으며, 이를 통해 업스트림 LLVM의 문제를 해결하는 성과를 거두었습니다. ## JIT 컴파일과 크래시의 상관관계 * **세그멘테이션 폴트 발생**: 최신 버전의 Postgres를 사용 중임에도 특정 쿼리(죽음의 쿼리)를 실행하면 서버가 즉시 종료되는 현상이 발생했습니다. * **스택 오염 확인**: 코어 덤프 분석 결과, 호출 스택(Backtrace)이 비정상적으로 짧고 깨져 있었으며, 이는 JIT 실행 함수인 `ExecRunCompiledExpr` 부근에서 문제가 발생했음을 시사했습니다. * **트리거 조건**: 64개의 파티션과 160만 개 이상의 행을 가진 대규모 테이블을 스캔할 때, Postgres의 비용 기반 휴리스틱에 의해 JIT 컴파일이 활성화되면서 오류가 유발되었습니다. ## Postgres JIT와 LLVM의 역할 * **성능 최적화**: Postgres는 반복적인 SQL 표현식 평가 오버헤드를 줄이기 위해 LLVM을 사용하여 런타임에 네이티브 머신 코드를 생성합니다. * **튜플 디포밍(Tuple Deforming)**: 디스크상의 데이터를 메모리 표현으로 변환하는 과정을 네이티브 코드로 컴파일하여 처리 효율을 극대화합니다. * **컴파일 오버헤드**: JIT는 실행 속도를 높이지만 컴파일 시간이 추가되므로, Postgres는 실행 비용이 높은 쿼리에 대해서만 선택적으로 JIT를 적용합니다. ## 문제 해결 및 근본 원인 파악 * **임시 조치**: `SET jit = off;` 설정을 통해 JIT 기능을 비활성화함으로써 쿼리 지연 시간의 큰 손해 없이 프로덕션 환경의 크래시를 즉시 중단시켰습니다. * **디버깅 결과**: 데이터 복제 및 로컬 환경 재현을 통해 분석한 결과, 특정 조건에서 LLVM이 Arm64 아키텍처용 머신 코드를 잘못 생성하는 버그가 있음을 확인했습니다. * **업스트림 기여**: 이 조사는 단순히 설정을 변경하는 것에 그치지 않고, 어셈블리 수준의 분석을 통해 LLVM 프로젝트의 코드 수정까지 이끌어내는 계기가 되었습니다. ## 권장 사항 Arm64 기반 클라우드 환경에서 Postgres를 운영 중인데 원인을 알 수 없는 Segmentation fault가 발생한다면, 우선적으로 JIT를 비활성화하여 안정성을 확보하십시오. 이후 시스템의 LLVM 라이브러리 버전을 확인하고 관련 아키텍처 패치가 적용되었는지 점검하는 것이 필요합니다.

클라우드 컴퓨팅데이터베이스 설계쿠버네티스PostgreSQL+3

datadog·2024년 11월 1일원문

테스트 시간을 50% 단축하는 Ruby 라이브러리를 만든 방법 (새 탭에서 열림)

소프트웨어 프로젝트의 규모가 커짐에 따라 발생하는 길고 불안정한 CI 파이프라인은 개발 생산성을 저해하는 주요 원인입니다. 데이터독(Datadog)은 코드 변경 사항과 관련된 테스트만 선택적으로 실행하는 '테스트 영향 분석(Test Impact Analysis)' 기술을 통해 이 문제를 해결하고자 했으며, 성능 오버헤드를 최소화한 Ruby용 Intelligent Test Runner를 구축했습니다. 이를 위해 기존 도구들의 한계를 넘어 Ruby VM 인터프리터 이벤트를 직접 활용하는 C 익스텐션을 개발함으로써 테스트 시간을 절반으로 단축하는 성과를 거두었습니다. **테스트 영향 분석의 개념과 필요성** * CI 파이프라인의 병렬 실행은 속도를 높일 수 있지만, 클라우드 컴퓨팅 비용이 증가하고 관련 없는 코드의 결함으로 인한 테스트 실패(Flaky tests) 문제를 해결하지 못합니다. * 테스트 영향 분석은 각 테스트와 해당 테스트가 실행하는 소스 파일 간의 매핑 정보를 동적으로 생성하여 관리합니다. * Git 커밋에서 변경된 파일과 특정 테스트가 의존하는 파일 목록이 겹칠 때만 해당 테스트를 실행하고, 관련이 없는 경우 건너뜁니다. * 이 시스템은 정확성(필요한 테스트를 거르지 않음), 성능(매 커밋마다 실행 가능할 정도로 낮은 오버헤드), 투명성(사용자 코드 수정 없음)이라는 세 가지 핵심 요구사항을 충족해야 합니다. **기존 Ruby 솔루션의 한계** * **내장 Coverage 모듈:** Ruby 3.1에서 추가된 테스트별 커버리지 수집 기능은 `SimpleCov`와 같은 기존 커버리지 도구와 호환되지 않으며, 성능 오버헤드가 약 300%에 달해 테스트 속도가 4배나 느려지는 단점이 있습니다. * **TracePoint API:** VM 이벤트를 구독하는 `TracePoint` 방식은 사용이 간편하고 기존 도구와 충돌하지 않지만, 여전히 200~400% 수준의 높은 성능 저하를 유발하여 실제 개발 환경에 적용하기 어렵습니다. **Ruby VM 이벤트를 활용한 맞춤형 C 익스텐션** * 성능 최적화를 위해 Ruby 소스 코드의 `coverage.c`와 `thread.c`를 분석하여, C 언어 수준에서 직접 인터프리터 이벤트를 가로채는 방식을 채택했습니다. * Ruby의 C API인 `rb_add_event_hook2`를 사용하여 `RUBY_EVENT_LINE` 이벤트를 등록함으로써, 코드가 실행되는 시점에 즉각적으로 파일 정보를 수집하도록 설계했습니다. * `dd_cov_update_line_coverage`와 같은 콜백 함수 내에서 실행 중인 파일이 프로젝트 루트 내에 있는지 확인하는 필터링 로직을 구현하여 데이터 수집의 효율성을 높였습니다. * 이 접근 방식은 Ruby 인터프리터 내부 메커니즘을 직접 활용함으로써 성능 오버헤드를 획기적으로 낮추고, 대규모 테스트 수트에서도 무리 없이 작동합니다. 규모가 큰 Ruby 프로젝트에서 테스트 속도 정체와 CI 비용 증가 문제를 겪고 있다면, 전체 테스트를 매번 실행하는 대신 테스트 영향 분석 도구를 도입하여 파이프라인의 효율성을 극대화할 것을 권장합니다. 특히 성능이 중요한 환경이라면 Ruby 내장 도구에만 의존하기보다 VM 이벤트를 직접 제어하는 방식이 유효한 해결책이 될 수 있습니다.

클라우드 컴퓨팅datadogCI/CD성능 최적화+4

datadog·2023년 6월 16일원문

2023-03-08 사건: 플랫폼 수준 복구에 대한 심층 분석 | Datadog (새 탭에서 열림)

2023년 3월 발생한 대규모 장애 당시 Datadog은 전체 컴퓨팅 용량의 60%를 상실했으며, 이를 복구하기 위해 계층화된 쿠버네티스 구조에 따른 체계적인 재부팅 전략을 수행했습니다. EU1 리전의 복구 과정에서 팀은 단순한 노드 재가동을 넘어 클라우드 제공업체의 피어링 그룹 제한과 서브넷 IP 고갈이라는 예상치 못한 인프라 한계에 직면했습니다. 이 글은 대규모 인프라 장애 시 제어 평면(Control Plane)의 복구 순서와 백로그 처리를 위한 과도한 스케일 아웃이 유발하는 2차 병목 현상을 상세히 다룹니다. **계층적 쿠버네티스 구조와 복구 전략** * Datadog은 관리 효율성을 위해 '부모(Parent)-자식(Child)' 형태의 계층적 클러스터 구조를 사용합니다. 부모 클러스터는 자식 클러스터의 제어 평면을 포드(Pod) 형태로 호스팅하며, 자식 클러스터는 실제 애플리케이션 워크로드를 실행합니다. * 장애의 원인이 된 시스템 패치(Ubuntu 22.04의 systemd-networkd 관련 이슈)로 인해 네트워크 연결이 끊긴 노드들을 복구하기 위해 엄격한 순서에 따른 재부팅을 진행했습니다. * 복구는 (1) 부모 클러스터 제어 평면 노드 재시작, (2) 부모 노드 위에서 실행되는 자식 클러스터 제어 평면 포드 복구, (3) 수천 개의 자식 클러스터 애플리케이션 노드 재시작 순으로 이루어졌습니다. * 특히 제어 평면에 과부하가 걸리지 않도록 노드 재시작 속도를 조절했으며, 워크로드의 중요도에 따라 클러스터별 복구 우선순위를 설정했습니다. **인프라 확장 제한으로 인한 복구 지연** * 모든 컴퓨팅 용량을 복구한 후, 장애 동안 쌓인 대규모 데이터 백로그를 처리하기 위해 급격한 스케일 아웃(Scale-out)을 시도하는 과정에서 예상치 못한 제한에 부딪혔습니다. * **GCP 네트워크 피어링 제한:** EU1 리전 내 인스턴스 수가 15,500개에 도달하며 구글 클라우드의 네트워크 피어링 그룹 제한에 걸려 약 4시간 동안 추가 인스턴스 생성이 차단되었습니다. 이는 구글 측과의 긴급 협력을 통해 한도를 증설하여 해결했습니다. * **서브넷 IP 주소 고갈:** 로그 및 트레이스 처리를 담당하는 특정 클러스터들이 평상시보다 2배 이상 스케일 아웃을 시도하면서 서브넷 내 사용 가능한 IP 주소가 바닥났습니다. * 평소 IP 사용률을 66% 이하로 유지하도록 모니터링해왔으나, 백로그 처리를 위한 폭발적인 수요는 평상시 변동 폭을 훨씬 상회하는 수준이었습니다. 결과적으로 특정 클러스터들은 약 6시간 동안 최적의 속도로 데이터를 처리하지 못했습니다. **교훈 및 실용적 권장사항** 복구 계획을 세울 때는 단순히 시스템을 정상화하는 것을 넘어, 장애 이후 발생할 '데이터 백로그 처리'를 위한 초과 용량 확보 시나리오를 반드시 고려해야 합니다. 클라우드 제공업체의 하드웨어 리소스 한계뿐만 아니라 네트워크 피어링, 서브넷 IP 할당 범위와 같은 소프트웨어적/구성적 제한 사항을 사전에 파악하고, 극단적인 스케일링 상황에서도 유연하게 대처할 수 있는 여유 용량(Headroom) 설계가 필수적입니다.

클라우드 컴퓨팅데이터베이스 설계쿠버네티스datadog+4

datadog·2023년 6월 16일원문

2023-03-08 장애: 플랫폼 차원의 복구 심층 분석 (새 탭에서 열림)

Datadog은 2023년 3월 시스템 패치 오류로 인해 전체 컴퓨팅 용량의 60%를 상실하는 대규모 장애를 겪었으며, 이를 해결하기 위해 EU1 리전을 중심으로 계층적 클러스터 복구 전략을 실행했습니다. 복구 과정에서 쿠버네티스의 부모-자식(Parent-Child) 구조를 활용한 순차적 재부팅을 통해 제어 평면과 워크로드를 정상화했으나, 이후 데이터 백로그 처리를 위한 급격한 확장 단계에서 클라우드 인프라의 물리적 한계에 부딪히기도 했습니다. 결과적으로 이번 사례는 복구 우선순위 설정과 클라우드 공급자의 서비스 임계치 이해가 대규모 인프라 운영에 얼마나 중요한지를 보여줍니다. ## 쿠버네티스 클러스터 계층 구조와 복구 전략 Datadog은 관리 효율성을 위해 쿠버네티스 클러스터 간의 엄격한 계층 구조를 운영하고 있으며, 이는 복구 순서를 결정하는 핵심 요인이 되었습니다. * **부모(Parent) 클러스터**: 각 리전에 존재하며, 다른 클러스터(자식)의 제어 평면(Control Plane) 구성 요소를 파드(Pod) 형태로 호스팅합니다. 부모 클러스터 자체의 제어 평면은 가상 머신(VM)에서 직접 실행됩니다. * **자식(Child) 클러스터**: 실제 Datadog 애플리케이션 워크로드가 실행되는 곳이며, 이들의 제어 평면은 부모 클러스터의 워커 노드 위에서 돌아갑니다. * **복구 메커니즘**: Ubuntu 22.04 패치로 인해 네트워크가 단절된 노드들은 재부팅을 통해 복구가 가능했습니다. 하지만 제어 평면에 접근할 수 없는 상태였기에 가시성 확보와 복구 작업에 초기 난항을 겪었습니다. ## 단계별 클러스터 복구 프로세스 인프라의 의존성을 고려하여 부모 클러스터에서 자식 클러스터 순으로 엄격한 순서에 따라 복구가 진행되었습니다. * **부모 제어 평면 복구 (08:45 UTC 완료)**: 가장 먼저 부모 클러스터의 제어 평면 노드들을 재부팅하여 시스템의 뿌리를 정상화했습니다. * **자식 제어 평면 복구 (09:30 UTC 완료)**: 부모 클러스터 노드 위에서 실행 중인 자식 클러스터용 제어 평면 서비스들을 복구하여 애플리케이션 노드들을 관리할 수 있는 상태로 만들었습니다. * **애플리케이션 노드 복구 (12:05 UTC 완료)**: 수십 개의 클러스터에 퍼져 있는 수천 개의 인스턴스를 재부팅했습니다. 제어 평면의 과부하를 방지하기 위해 워크로드의 중요도에 따라 순차적으로 진행되었습니다. ## 확장 단계에서의 기술적 제약 사항 클러스터 자체는 복구되었으나, 장애 기간 동안 쌓인 데이터 백로그를 처리하기 위해 인프라를 확장하는 과정에서 예상치 못한 한계에 직면했습니다. * **GCP 피어링 그룹 인스턴스 제한**: 백로그 처리를 위해 인스턴스를 늘리던 중, 구글 클라우드(GCP)의 VPC 피어링 그룹당 최대 인스턴스 제한인 15,500개에 도달하여 확장이 중단되었습니다. 이는 문서화된 제한이었으나 극한의 상황에서 임계치에 도달하며 복구를 지연시켰습니다. * **서브넷 IP 주소 고갈**: 로그 및 트레이스 처리를 담당하는 특정 클러스터들이 평상시의 2배 이상으로 오토스케일링을 시도하면서 할당된 서브넷의 IP 주소가 모두 소진되었습니다. * **대응 결과**: Google Cloud 팀의 긴급 지원을 통해 피어링 제한을 상향 조정하고, 리소스 우선순위를 재조정함으로써 대규모 백로그 처리 능력을 확보할 수 있었습니다. 대규모 인프라 장애 복구 시에는 구성 요소 간의 의존성을 명확히 파악하여 복구 순서를 정의하는 것이 필수적입니다. 또한, 평상시에는 도달하기 어려운 클라우드 서비스의 논리적/물리적 임계치(Quota)를 재해 복구 시나리오에 포함하여 확장성 계획을 수립해야 합니다.

클라우드 컴퓨팅쿠버네티스옵저버빌리티cloud-infrastructure+4

figma·2022년 9월 19일·2분 읽기큐레이션 요약

자신 있게 클라우드

Figma는 글로벌 사용자가 클라우드에서 안심하고 디자인 작업을 할 수 있도록 보안과 규정 준수를 핵심 과제로 삼고 있다고 설명합니다. 특히 EU Cloud Code of Conduct의 컴플라이언스 마크를 획득해 GDPR에 부합하는 개인정보 보호·보안 프로세스를 검증받았으며, 이를 통해 유럽 및 국제 시장의 사용자도 Figma를 신뢰하고 사용할 수 있다고 강조합니다. ## 글로벌 환경을 위한 신뢰와 보안 - 세계 각지의 팀이 규모 있게 협업하려면 안정적이고 신뢰할 수 있는 제품과 시스템이 필요합니다. - Figma는 국제 사용자를 위한 기능 개선과 글로벌 사업 확장뿐 아니라, 여러 지역의 규정에 맞춰 디자인 지식재산권(IP)을 보호하는 데 투자하고 있습니다. - 보안 정책과 성과를 공개적이고 투명하게 알리는 것을 신뢰 구축의 중요한 요소로 봅니다. ## EU Cloud Code of Conduct 인증 - Figma는 EU Cloud Code of Conduct의 컴플라이언스 마크를 획득한 17개 기업 중 하나가 되었습니다. - EU Cloud Code of Conduct는 클라우드 데이터 보호 분야에서 유럽의 높은 기준을 제시하는 자율 규범입니다. - 이 인증은 Figma가 클라우드에서 사용자 데이터를 안전하게 처리하고, GDPR에 맞게 운영되도록 설계된 절차를 갖추었음을 보여줍니다. - 단순히 GDPR의 기본 의무를 충족하는 수준을 넘어, 개인정보 보호 및 보안 정책이 공인 모니터링 기관인 SCOPE Europe의 검증을 받았습니다. ## 사용자와 국제 기업에 주는 의미 - Figma에서 작업하는 디자인 데이터가 업계 수준의 보안 기준에 따라 처리된다는 신뢰를 제공합니다. - 유럽에 본사를 둔 기업뿐 아니라 유럽 및 다른 국제 시장으로 확장하려는 기업도 Figma를 도입할 수 있는 기반을 마련합니다. - 클라우드 기반 디자인 협업 도구를 선택할 때 데이터 보호, 개인정보 처리, 지역별 규정 준수 여부를 확인해야 한다는 점을 보여줍니다. Figma를 조직의 협업 도구로 사용할 때는 EU Cloud Code of Conduct 인증 자체뿐 아니라 보안 정책, 데이터 저장 위치, GDPR 대응 절차 등 구체적인 보안 문서도 함께 검토하는 것이 좋습니다.

원문 읽기(새 탭에서 열림)

클라우드 컴퓨팅Figma클라우드 보안data-protection+1

figma·2022년 6월 6일·3분 읽기큐레이션 요약

Figma와 크롬북

Figma는 Google for Education과 협력해 학생들이 학교용 Chromebook에서 Figma와 FigJam을 무료로 사용할 수 있도록 함으로써 디자인 교육의 진입장벽을 낮추려 한다. 이 글은 값비싼 장비나 전문 학위 없이도 모든 학생이 디자인·협업·문제 해결 역량을 익혀야 하며, 클라우드 기반 도구가 이를 가능하게 한다고 주장한다. 특히 팬데믹 이후 디지털 전환이 가속화된 만큼, 디자인 교육은 디자이너뿐 아니라 모든 직업에 필요한 기본 역량이라는 것이 결론이다. ### Chromebook과 Figma의 교육 협력 - Figma는 Google for Education과 협력해 Figma와 FigJam을 Chromebook에서 제공한다. - 학교 구역은 Google Admin Console을 통해 Figma Organization 라이선스를 배포하고 관리할 수 있다. - 미국의 수천만 명 학생이 개인 학교 기기에서 업계 표준 디자인 도구를 사용할 수 있도록 하는 것이 목표다. - 학교 컴퓨터실에서 일주일에 한 번 정도만 소프트웨어를 사용하던 방식에서 벗어나, 학생들이 언제 어디서나 디자인하고 협업할 수 있게 된다. - 학교는 베타 프로그램에 신청해 참여할 수 있다. ### 디자인 교육의 접근성 확대 - 전문 학위, 고가의 컴퓨터, 비싼 소프트웨어가 디자인 학습의 장벽이 되어서는 안 된다는 것이 Figma의 교육 철학이다. - 대부분의 학생은 고가의 창작 도구를 구매하기 어렵기 때문에 학교에 무료로 도구를 제공하는 것이 중요하다. - Figma 공동 창업자 Dylan Field는 대학 시절 Flipboard에서 엔지니어링 인턴과 디자인 인턴을 경험하며 디자인에 관심을 갖게 됐다. - 이러한 경험을 바탕으로 Figma를 처음부터 무료로 제공해야 한다고 판단했으며, 학생들이 도구와 새로운 기회에 접근할 수 있어야 한다고 강조한다. ### 디지털 시대에 필요한 디자인 역량 - 코로나19 팬데믹은 물리적 활동이 디지털 환경으로 이동하는 속도를 크게 높였다. - 디자인은 시각적 의사소통뿐 아니라 복잡한 문제 해결, 협업, 창의적 표현을 훈련하는 수단이다. - 디자인 중심 기업이 동종 업계 기업보다 높은 성과를 낸다는 연구를 인용하며, 디자인 역량은 디자이너만의 능력이 아니라고 설명한다. - 미래의 기회를 소수의 명문대 졸업자나 전문가에게만 한정하기보다, 모든 학생이 디자인과 소프트웨어 분야에 접근할 수 있어야 한다고 주장한다. ### 교실과 일상에서의 활용 - 교사들은 Figma 도입 후 학생들의 수업 참여도와 흥미가 높아졌다고 전한다. - 디자인을 접해보지 못했던 학생들이 졸업 후 디자인 전공을 고려하기도 한다. - 학생들은 과제뿐 아니라 집에서 개인 프로젝트를 진행하며 창의적 활동을 즐기고 있다. - FigJam은 아이스브레이커, 협동 활동, 학급 토론 등 수업 내 공동 작업 공간으로 활용된다. - 클라우드 기반 협업 환경은 학생들이 함께 만들고 의견을 나누는 경험을 자연스럽게 제공한다. ### 프로젝트 기반 학습과 디자인 과정 - 학생들이 디자인을 잘 배우려면 단순한 이론 교육보다 놀이, 직접 체험, 프로젝트 기반 학습이 중요하다. - Dylan Field는 자신이 다닌 Technology High School의 과학·공학 통합형 프로젝트 수업을 긍정적인 사례로 제시한다. - 학습 과정은 다음과 같은 디자인 사고 흐름과 연결된다. - 다양한 가능성을 폭넓게 탐색한다. - 아이디어를 좁히고 하나의 방향을 선택한다. - 선택한 방향을 실제 프로젝트로 구현한다. - 이런 과정은 학생들이 지식을 암기하는 데 그치지 않고, 문제를 정의하고 해결책을 만들어보도록 돕는다. Figma와 Chromebook의 결합은 단순히 소프트웨어를 무료로 제공하는 것을 넘어, 학생들이 일상적인 기기에서 디자인과 협업을 경험하게 하는 교육 모델이다. 학교는 도구 접근성을 높이는 동시에 프로젝트 기반 수업과 자유로운 창작 활동을 병행할 때 더 큰 교육 효과를 얻을 수 있다.

원문 읽기(새 탭에서 열림)

클라우드 컴퓨팅Figmafigjamdigital-design+3

datadog·2022년 6월 6일원문

엔지니어링 스포트라이트: 테이 니시무라 (새 탭에서 열림)

데이터독(Datadog)의 인프라 엔지니어 테이 니시무라(Tay Nishimura)의 커리어 여정은 자신만의 사고방식에 적합한 직무를 찾는 과정의 중요성을 보여줍니다. 수학 전공자이자 시각적 사고를 선호하는 그녀는 일반적인 소프트웨어 개발 속도 경쟁에서 어려움을 겪었으나, 네트워크 시뮬레이터 'ToyNet' 개발을 통해 자신의 강점을 증명하며 SRE(Site Reliability Engineering)로 성공적으로 전향했습니다. 이 글은 전형적인 엔지니어의 틀에 갇히지 않고 자신의 고유한 특성을 기술적 자산으로 승화시킨 과정을 다룹니다. **학계와 실무 사이의 괴리와 시각적 사고** * 수학 전공자로서 증명 위주의 엄격한 사고에 익숙했던 테이는 효율과 속도를 중시하는 애자일 개발 환경에서 초기에 성능 피드백 문제로 어려움을 겪었습니다. * 코드를 바로 작성하기보다 코드를 그림으로 변환하여 논리를 검증한 뒤 다시 코드로 옮기는 '시각적 사고' 방식을 고수했는데, 이는 신중함을 더해주었지만 작업 속도를 늦추는 요인이 되기도 했습니다. * 일반적인 개발 직무에서는 속도 저하로 평가받았던 그녀의 신중함과 모든 실패 모드를 고려하는 태도가, 오히려 시스템의 안정성을 책임지는 SRE 직무에는 핵심적인 역량이 될 수 있음을 깨달았습니다. **ToyNet 개발과 SRE로의 전환** * 팬데믹 기간 중 해고를 겪었으나 이를 계기 삼아 평소 관심 있던 네트워크 기술을 공부하며, 수감자와 베테랑을 위한 교육 프로그램 'Project Reclass'를 시작했습니다. * 인터넷 사용이 제한된 교도소 환경에서도 네트워크 실습이 가능하도록 React, Flask, Mininet을 활용해 컨테이너 기반 네트워크 에뮬레이션 플랫폼인 'ToyNet'을 설계했습니다. * ToyNet은 테이의 클라우드 배포 역량과 기술적 깊이를 증명하는 강력한 포트폴리오가 되었으며, 이는 데이터독에 SRE로 합류하는 결정적인 발판이 되었습니다. **데이터독에서의 적응과 시각적 분석의 힘** * 데이터독 합류 후 Kubernetes, 카오스 엔지니어링, Go 언어 등 생소한 기술 스택을 빠르게 습득하며 인프라 엔지니어로서 전문성을 쌓았습니다. * 데이터독의 카오스 자동화 도구인 'Chaos Controller'를 오픈소스화하는 과정에서, 복잡한 코드베이스를 상자와 화살표로 시각화하여 구조를 파악하는 자신만의 분석 방식을 적극적으로 활용했습니다. * 과거에는 약점으로 치부되었던 '꼼꼼하고 신중한 속도'가 이제는 대규모 시스템의 신뢰성을 보장하고 복잡한 기술 문제를 해결하는 강력한 무기가 되었습니다. 자신이 업계의 전형적인 틀(Cookie-cutter shape)에 맞지 않는다고 느낄 때, 포기하기보다는 자신의 독특한 사고방식이 빛을 발할 수 있는 세부 분야를 찾는 것이 중요합니다. 테이 니시무라의 사례처럼 사이드 프로젝트를 통해 실질적인 기술력을 증명하고 이를 직무 전환의 교두보로 활용하는 전략은 커리어 고민을 겪는 엔지니어들에게 실질적인 영감을 줍니다.

클라우드 컴퓨팅쿠버네티스오픈 소스React+4

figma·2021년 10월 11일·3분 읽기큐레이션 요약

브랜칭을 만든 방법

Figma는 대규모 협업에서 실험적 변경과 승인된 디자인을 분리하기 위해 브랜칭을 구축했다. 메인 파일은 단일 진실 공급원으로 유지하고, 브랜치에서는 기존 디자인을 훼손하지 않으면서 아이디어를 탐색·검토·수정할 수 있도록 한 것이다. Figma는 소프트웨어 개발의 브랜치 개념을 그대로 복제하기보다, 클라우드 기반 멀티플레이어 협업에 맞춰 단순성과 일관성을 우선했다. ## 대규모 협업에서 자유와 구조의 균형 - 실시간 협업은 모든 사람이 같은 파일에서 작업할 수 있다는 장점이 있다. - 그러나 팀 규모가 커지면 다음과 같은 문제가 발생한다. - 승인되지 않은 변경 사항이 코드에 반영됨 - 작업 내용이 다른 사람에 의해 덮어써짐 - 진행 중인 작업(WIP)과 실제 배포 가능한 디자인을 구분하기 어려움 - 브랜치는 메인 파일을 직접 변경하지 않고 새로운 아이디어를 시도할 수 있는 탐색 공간이다. - 디자인 라이브러리에 기여하거나, 이해관계자에게 작업물을 미리 보여주거나, 실험적인 반복 작업을 진행할 때 특히 유용하다. - 충분히 검토·승인된 변경만 메인 파일에 반영함으로써 메인 파일의 무결성을 유지한다. ## 소프트웨어 브랜칭과 Figma의 차이 - 소프트웨어 개발의 브랜치는 일반적으로 변경 사항이 개발자의 로컬 컴퓨터에 저장되는 구조를 전제로 한다. - 반면 Figma 파일은 클라우드에 저장되며, 여러 사용자가 동시에 같은 파일에 접속해 변경한다. - 따라서 Figma는 다음과 같은 설계 문제를 검토해야 했다. - 메인 파일에서 여러 사용자의 동시 편집을 계속 허용할 것인가 - 브랜치에서도 여러 사람이 동시에 작업할 수 있게 할 것인가 - 기존 멀티플레이어 협업 경험에 복잡성을 얼마나 추가할 것인가 - 핵심 과제는 전통적인 버전 관리 방식을 그대로 적용하지 않고, 온라인 협업 환경에 맞는 브랜칭 모델을 만드는 것이었다. ## 단순성과 일관성을 우선한 설계 - Figma는 브랜칭과 멀티플레이어 편집을 하나의 일관된 버전 관리 방식으로 이해할 수 있도록 설계했다. - 메인 파일은 기존처럼 여러 사람이 동시에 편집할 수 있다. - 브랜치도 일반적인 Figma 파일과 동일한 방식으로 작동한다. - 편집자와 뷰어의 접근 권한 및 권한 관리 방식은 변경하지 않았다. - 사용자의 데이터가 어떤 상황에서도 안전하게 보존되도록 데이터 무결성을 우선했다. - 기능을 의도적으로 단순하게 유지하기 위해 브랜치에서 다시 브랜치를 만드는 기능은 제공하지 않았다. - 이는 기능을 많이 추가하기보다, 디자이너가 별도의 복잡한 개념을 학습하지 않고 사용할 수 있게 하려는 선택이다. ## 병합 과정에서 고려한 예외 상황 - 병합의 가장 어려운 문제는 단순히 충돌을 해결하는 것만이 아니다. - 실제 구현에서는 다음과 같은 상황도 처리해야 했다. - 사용자가 병합 내용을 검토하는 동안 원본 파일이 변경되는 경우 - 병합 작업 도중 네트워크 연결이 끊기는 경우 - 병합이 완료되기 전에 다른 사용자의 변경 사항이 추가되는 경우 - 따라서 병합 기능은 충돌 해결 알고리즘뿐 아니라, 검토 중인 상태의 일관성, 연결 손실, 동시 변경에도 사용자의 데이터가 안전하게 유지되도록 설계되어야 했다. - 제공된 글은 이러한 병합 문제를 설명하던 중 문장이 중단되어 있어, 구체적인 해결 방식 전체는 확인할 수 없다. 브랜칭은 메인 파일을 무분별한 실험의 공간으로 사용하는 대신, 승인된 결과와 진행 중인 작업을 분리하고 싶은 팀에 적합하다. 특히 디자인 시스템이나 제품 디자인을 여러 사람이 함께 관리한다면, 메인 파일은 안정적인 기준점으로 유지하고 브랜치에서 탐색·리뷰·협업한 뒤 승인된 변경만 병합하는 운영 방식을 추천할 수 있다.

원문 읽기(새 탭에서 열림)

클라우드 컴퓨팅Figmareal-time-collaborationversion-control+2

figma·2017년 10월 23일·4분 읽기큐레이션 요약

스탠퍼드와 UC 버

인터페이스 디자인이 중요해지고 있지만 대학 교육에서는 여전히 주변적인 분야이며, 교수들은 제한된 시간 안에 디자인 원리와 복잡한 도구 사용법을 함께 가르쳐야 한다. 이 글은 스탠퍼드와 UC 버클리 교수들이 Figma를 선택한 이유로 접근성, 낮은 비용, 쉬운 학습 곡선, 실시간 협업과 피드백 기능을 제시한다. Figma를 활용하면 도구 교육보다 디자인 사고와 원칙 자체에 수업의 초점을 맞출 수 있다는 것이 결론이다. ### 대학에서 인터페이스 디자인을 가르치기 어려운 이유 - 인터페이스 디자인 과목은 대학의 주류 커리큘럼에 널리 포함되어 있지 않다. - 관련 수업은 여러 전공 사이에 배치된 소수의 융합 과목인 경우가 많다. - 교수와 조교는 짧은 수업 시간 안에 기술 개념과 디자인 원리를 모두 다뤄야 한다. - 기존 디자인 도구는 기능이 복잡해, 학생들이 실제 디자인보다 도구 사용법을 익히는 데 많은 시간을 쓰게 된다. ### 다양한 컴퓨터에서 사용할 수 있는 클라우드 기반 도구 - Figma는 클라우드에서 실행되므로 웹 브라우저만 있으면 사용할 수 있다. - Windows PC, Linux 컴퓨터, Chromebook 등 운영체제와 기기 종류에 크게 구애받지 않는다. - 별도의 대형 프로그램을 설치할 필요가 없다. - 개인 컴퓨터가 없는 학생도 인터넷이 가능한 장소에서 과제를 수행할 수 있다. - 학교가 특정 하드웨어나 운영체제를 일괄적으로 제공하지 않아도 수업을 운영하기 쉽다. ### 교육기관에 무료로 제공되는 Figma - Figma는 교육기관을 대상으로 프리미엄 기능을 무료로 제공한다고 설명한다. - 저소득층 학생도 비용 때문에 수업 참여를 포기할 필요가 없다. - 대학이 고가의 소프트웨어 라이선스 계약을 별도로 협상할 필요가 없다. - 교수는 복잡한 구매 절차 없이 바로 수업에 도입할 수 있다. ### 짧은 학습 시간과 단순한 기능 구성 - Figma는 디지털 디자인에 필요한 기능에 집중해 도구를 비교적 가볍고 직관적으로 구성했다. - UC 버클리 교수들은 Figma를 “가볍고”, “단순하며”, “직관적”이라고 평가했다. - 디자인 경험이 없는 학생도 한 시간 이내에 기본 사용법을 익힐 수 있다고 소개한다. - 교수와 조교는 도구의 세부 기능을 반복해서 설명하기보다 디자인 원칙을 가르치는 데 집중할 수 있다. - 학생 역시 도구 조작에 어려움을 겪기보다 배운 원칙을 실제 결과물에 적용하는 데 에너지를 사용할 수 있다. ### 기술 문제를 지원팀에 맡길 수 있음 - 대규모 수업과 제한된 예산 때문에 교수와 조교의 지원 여력은 부족할 수 있다. - Figma 앱 내부의 채팅을 통해 지원팀에 기술적인 질문을 할 수 있다. - 평일 기준 24~48시간 이내 답변을 제공한다고 설명한다. - 학생들이 기본적인 기술 문제를 직접 지원팀에 문의하면 교수와 조교는 수업 내용이나 중요한 디자인 질문에 집중할 수 있다. ### 최신 작업물을 링크 하나로 확인 - 브라우저 기반이므로 학생들이 파일을 별도로 저장하거나 내보내서 제출할 필요가 없다. - 교수는 디자인 파일 URL을 열어 언제든 최신 작업물을 확인할 수 있다. - 파일을 직접 검토하거나 학생이 작업하는 과정을 실시간으로 볼 수 있다. - 파일 버전을 주고받거나 최신본을 확인하는 데 드는 커뮤니케이션 비용이 줄어든다. ### 댓글과 버전 기록을 통한 피드백 - 교수는 특정 디자인 프레임에 댓글을 고정해 구체적인 피드백을 남길 수 있다. - 학생은 어떤 요소에 대한 의견인지 명확히 확인할 수 있다. - 이메일로 파일을 다시 보내지 않아도 같은 파일에서 피드백을 실시간으로 확인할 수 있다. - 대면 미팅이 아니어도 학생이 피드백을 반영하고 반복적으로 디자인을 개선할 수 있다. - 버전 기록을 통해 디자인이 어떻게 발전했는지 확인할 수 있다. - 그룹 프로젝트에서는 구성원별 작업 기여도도 파악할 수 있다. ### 하나의 파일에서 실시간 공동 작업 - 여러 학생이 같은 디자인 파일에 동시에 접속해 작업할 수 있다. - 파일이 손상되거나 서로의 작업을 덮어쓸 걱정 없이 협업할 수 있다. - 최신 파일을 이메일로 주고받거나, 한 명씩 번갈아 작업할 필요가 없다. - 그룹 프로젝트에서 작업 과정과 결과물을 하나의 공유 공간에서 관리할 수 있다. 수업용 디자인 도구를 선택할 때는 기능의 많고 적음보다 학생들의 접근성, 학습 난이도, 협업 및 피드백 방식을 우선적으로 검토하는 것이 좋다. 이 글의 사례처럼 설치와 비용의 장벽이 낮고 실시간 공유·댓글·버전 관리가 가능한 도구를 사용하면, 수업의 중심을 도구 훈련에서 디자인 원리와 반복적인 개선 과정으로 옮길 수 있다.

원문 읽기(새 탭에서 열림)

클라우드 컴퓨팅Figmacollaborative-designversion-control+2