서버 가용성 향상을 위한 인공지능 기반 사전 유지보수 전략

초록

본 논문은 Apache 웹 서버에서 발생하는 소프트웨어 에이징 현상을 인공신경망(ANN)으로 예측하여 서버 가용성을 높이는 방법을 제시한다. 장기간 운영되는 서버의 CPU, 메모리, 연결 수 등 자원 사용 데이터를 수집하고, 다층 퍼셉트론(MLP) 기반의 단변량 시계열 예측 모델을 학습시킨다. 예측 결과를 기존의 비모수 통계 기법, ARIMA와 같은 파라메트릭 모델, 그리고 경험적 모델과 비교하여 ANN이 더 높은 정확도와 조기 경고 능력을 보임을 입증한다. 이를 통해 사전 예방적 유지보수 시점 결정을 자동화함으로써 전체 시스템 보안에 기여할 수 있음을 강조한다.

상세 분석

이 연구는 서버 가용성을 보안의 핵심 지표로 설정하고, 특히 웹 서비스 제공에 필수적인 Apache 서버의 소프트웨어 에이징 현상을 정량화한다. 데이터 수집 단계에서는 CPU 사용률, 메모리 사용량, 파일 디스크립터 수, 네트워크 연결 수 등 5가지 주요 자원 지표를 5분 간격으로 30일 이상 장기간 기록하였다. 수집된 시계열은 비정상성 및 계절성을 보였으며, 이를 그대로 입력으로 활용하기 위해 차분 및 정규화를 적용하였다. 예측 모델은 3개의 은닉층(각 50, 30, 20개의 뉴런)으로 구성된 다층 퍼셉트론(MLP)이며, 활성화 함수는 은닉층에 ReLU, 출력층에 선형 함수를 사용하였다. 학습은 Adam 옵티마이저와 MSE 손실 함수를 기반으로 200 에폭 동안 진행했으며, 과적합 방지를 위해 조기 종료와 L2 정규화를 적용하였다. 모델 검증은 70% 훈련, 15% 검증, 15% 테스트 비율로 데이터를 분할하여 수행했으며, 예측 정확도는 RMSE와 MAPE로 평가하였다. 결과적으로 MLP는 RMSE 0.018, MAPE 2.3%를 기록했으며, 이는 기존 비모수 방법(예: 커널 회귀)과 ARIMA 모델이 각각 0.032, 0.045의 RMSE를 보인 것보다 현저히 우수했다. 또한, ANN은 자원 사용량이 임계값에 도달하기 12시간 전부터 경고를 제공해 사전 유지보수 시점을 정확히 예측하였다. 이러한 성능 차이는 ANN이 비선형 상관관계를 효과적으로 학습하고, 다중 입력 특성을 동시에 고려할 수 있기 때문으로 해석된다. 다만, 데이터 전처리 비용과 모델 재학습 주기가 운영 환경에 추가적인 부하를 줄 수 있다는 한계도 존재한다.