PC 클러스터 기반 저비용 클라우드 스토리지 아키텍처

초록

본 논문은 저렴한 PC 클러스터를 활용해 대용량 클라우드 스토리지를 구현하고, 이를 사설 클라우드 환경에 통합한다. Hadoop HDFS와 Eucalyptus 기반 프론트‑엔드·백엔드 구조를 설계하고, M/M/1 큐잉 모델을 통해 시스템 응답시간·자원 활용도를 분석한다. 실험 결과 스토리지 활용도가 90 % 이상임을 보고한다.

상세 분석

이 논문은 비용 효율성을 최우선 목표로 삼아, 기존의 고가 스토리지 어레이 대신 일반 PC를 다수 결합한 클러스터를 스토리지 서버로 전환한다는 점에서 실용적인 접근을 제시한다. 설계는 크게 세 계층(웹 기반 서비스, HDFS, PC 클러스터)으로 나뉘며, 프론트‑엔드에서는 Eucalyptus 기반 Cloud Controller, Cluster Controller, Walrus(객체 스토리지) 등을 배치해 IaaS·SaaS 서비스를 제공한다. 백엔드 Node Controller는 로컬 디스크에 VM 이미지를 임시 저장하고, 영구 데이터는 별도 PC 클러스터에 저장한다는 흐름은 기존 사설 클라우드 구현과 유사하지만, 데이터 영속성을 위해 HDFS를 도입한 점이 특징이다.

HDFS는 NameNode 1대와 다수의 DataNode으로 구성되며, 블록 단위(기본 64 MB)로 데이터를 분산 저장하고 복제 계수를 3으로 설정해 내결함성을 확보한다. 논문은 PC 클러스터를 “PC VM Image Dataset Multimedia” 등 다양한 워크로드에 적용 가능하도록 설계했으며, 기존 PC의 사용되지 않는 디스크 용량(≈80 %)을 활용해 비용을 최소화한다는 주장이다.

성능 분석에서는 M/M/1 큐 모델을 적용해 파일 입출력 요청을 포아송 도착률 λ, 서비스율 μ로 가정하고, 평균 대기시간, 시스템 이용률(ρ=λ/μ) 등을 도출한다. 모델은 단일 서버 가정이지만 실제 시스템은 다수의 DataNode이 병렬로 동작하므로, 모델의 정확도에 한계가 있다. 또한, 실험에서는 스토리지 활용도가 90 % 이상이라고 보고했지만, 처리량(Throughput), 지연시간(Latency), 네트워크 병목 등에 대한 정량적 데이터는 부족하다.

기술적 한계로는 (1) 네트워크 스위치가 기가비트 수준이라고는 하나, 대규모 데이터 복제·읽기 시 발생할 수 있는 스위치 포화 문제에 대한 언급이 없으며, (2) PC 노드의 이질성(CPU, 메모리, 디스크 속도 차이)이 HDFS 스케줄링에 미치는 영향이 분석되지 않았다. (3) 복제 계수 3을 고정했지만, 스토리지 비용 대비 복제 효율을 최적화하는 방안이 제시되지 않는다. (4) 장애 복구 시 NameNode 단일 장애점(SPOF)에 대한 대비책이 미비하다.

전반적으로 저비용 구현과 사설 클라우드와의 연동이라는 실용적 목표는 설득력 있지만, 성능 평가와 확장성·신뢰성에 대한 심층 분석이 부족하다. 향후 연구에서는 실제 워크로드 기반 벤치마크, 다중 큐 모델링, 그리고 NameNode 고가용성(HA) 설계 등을 추가하면 실용성을 크게 높일 수 있을 것이다.