클라우드 인프라 서비스 선택을 위한 선언형 추천 시스템

초록

본 논문은 클라우드 인프라 서비스의 복잡다단한 옵션들을 선언형 언어로 모델링하고, 사용자의 요구사항을 규칙 기반으로 매핑하여 최적의 서비스 조합을 자동으로 제시하는 추천 시스템을 제안한다. Ontology와 Datalog 기반의 매칭 엔진을 활용해 비용, 성능, 보안 등 다중 속성을 동시에 고려한다. 실험 결과, 기존 수작업 선택 방식에 비해 선택 정확도와 시간 효율성이 크게 향상됨을 입증한다.

상세 분석

이 연구는 현재 클라우드 시장에서 제공되는 IaaS, PaaS, SaaS 등 다양한 서비스 레이어와 각 레이어별 제공 옵션이 폭발적으로 증가함에 따라 사용자가 최적의 서비스를 선택하기 어려워지는 문제를 근본적으로 해결하고자 한다. 저자들은 먼저 서비스 메타데이터를 표준화된 온톨로지 모델에 매핑함으로써 이질적인 공급자 간의 비교 가능성을 확보한다. 특히, 서비스 속성(CPU, 메모리, 스토리지, 네트워크 대역폭, SLA, 지역 등)을 RDF 트리플 형태로 표현하고, 이를 OWL 기반의 계층 구조에 정형화한다.

다음 단계에서는 사용자의 비기술적 요구사항(예: “월 500달러 이하의 비용으로 고가용성 보장”)을 선언형 규칙 언어인 Datalog로 변환한다. 이때, 요구사항을 정량적 제약조건과 정성적 선호도로 분해하고, 각각을 논리식으로 표현한다. 매칭 엔진은 온톨로지에 저장된 서비스 인스턴스와 사용자의 규칙을 논리 연산을 통해 교차 검증한다. 여기서 핵심은 비선형 비용 모델과 다중 목표 최적화를 동시에 지원하는 점이다. 기존의 단일 목표(예: 최소 비용) 최적화와 달리, 본 시스템은 Pareto 최적 해를 탐색하여 사용자가 트레이드오프를 직접 선택하도록 지원한다.

시스템 아키텍처는 세 개의 주요 모듈로 구성된다. 첫 번째는 데이터 수집 및 정제 모듈로, 다양한 클라우드 공급자의 API를 주기적으로 호출해 최신 서비스 사양을 수집하고, 온톨로지에 적재한다. 두 번째는 규칙 엔진 모듈로, 사용자가 웹 UI 혹은 자연어 인터페이스를 통해 입력한 요구사항을 파싱해 Datalog 규칙 집합으로 변환한다. 세 번째는 결과 제공 모듈로, 매칭된 서비스 후보군을 비용-성능 차트와 함께 시각화하고, 사용자가 추가적인 제약조건을 적용해 재검색할 수 있는 인터랙티브 기능을 제공한다.

실험에서는 AWS, Azure, Google Cloud 등 주요 퍼블릭 클라우드와 몇몇 프라이빗 클라우드 제공자를 대상으로 1,200개의 서비스 조합을 테스트했다. 평가 지표는 선택 정확도(ground‑truth와의 일치율), 검색 시간, 그리고 사용자 만족도 설문 점수였다. 결과는 선언형 추천 시스템이 기존 수작업 기반 선택에 비해 평균 37% 높은 정확도와 82% 빠른 응답 시간을 기록했으며, 특히 다중 제약조건이 복합된 시나리오에서 그 우수성이 두드러졌다.

이 논문의 주요 기여는 (1) 클라우드 서비스 메타데이터를 온톨로지 기반으로 표준화한 방법론, (2) 사용자의 비기술적 요구를 선언형 논리 규칙으로 변환하는 자동 파싱 기법, (3) 다중 목표 최적화를 지원하는 매칭 엔진 설계, (4) 실제 클라우드 환경에서의 대규모 실증 결과이다. 향후 연구에서는 머신러닝 기반 선호도 모델링과 실시간 가격 변동 반영을 통해 더욱 동적인 추천이 가능하도록 확장할 계획이다.