VMware ESXi 5.1 최적 특징 선택 및 클러스터링 분석

초록

본 연구는 ESXi 5.1 서버에서 esxtop으로 수집한 자원 사용 지표를 대상으로 특징 선택 알고리즘을 적용하고, K‑means 클러스터링으로 가상머신(VM)들을 그룹화한다. Davies‑Bouldin 및 Dunn 지수를 이용해 클러스터 품질을 평가한 뒤, 가장 우수한 클러스터에 포함된 특징들을 최적 파라미터 집합으로 제시한다.

상세 분석

논문은 먼저 VMware ESXi 5.1 환경에서 다수의 가상머신이 동시에 구동되는 상황을 가정하고, esxtop 명령을 통해 CPU, 메모리, 디스크, 네트워크 등 30여 개의 원시 지표를 수집한다. 이러한 고차원 데이터는 직접 분석하기에 복잡도가 높으므로, 저자들은 특징 선택(feature selection) 단계에서 세 가지 전형적인 알고리즘—필터 기반의 상관계수 분석, 래퍼 기반의 전진 선택, 그리고 임베디드 방식의 LASSO 회귀—을 비교 적용한다. 각 방법은 선택된 특징 수와 모델 재현성(reproducibility)을 기준으로 평가되었으며, 최종적으로 12개의 핵심 지표가 최적 특징 집합으로 선정된다.

선정된 특징을 바탕으로 K‑means 클러스터링을 수행한다. 클러스터 수(k)는 실루엣 점수와 엘보우 방법을 병행해 3으로 결정했으며, 초기 중심값은 여러 번 무작위 초기화를 통해 평균적인 수렴을 확보한다. 클러스터링 결과는 Davies‑Bouldin(DB) 지수와 Dunn(D) 지수 두 가지 외적 평가 지표로 검증한다. DB 지수는 군집 간 평균 거리 대비 군집 내 분산을 최소화하는 방향으로, D 지수는 군집 간 최소 거리 대비 군집 내 최대 거리 비율을 최대화하는 방향으로 해석한다. 실험 결과, 클러스터 2가 DB = 0.42, D = 2.87이라는 가장 우수한 점수를 기록했으며, 이는 해당 군집이 다른 군집에 비해 내부 응집도가 높고 외부와의 구분이 명확함을 의미한다.

가장 우수한 클러스터에 속한 VM들은 공통적으로 CPU 사용률이 70 % 이상이며, 메모리 스와핑 빈도가 낮고, 디스크 I/O 대기시간이 짧은 특징을 보였다. 이러한 패턴을 기반으로 저자들은 운영자에게 “CPU‑bound” 상태의 VM에 대해 추가적인 코어 할당을, “I/O‑bound” 상태의 VM에 대해서는 스토리지 QoS 정책을 적용하도록 권고한다. 또한, 선정된 12개의 특징은 실시간 모니터링 대시보드에 직접 반영될 수 있어, 자동화된 리소스 스케줄링 알고리즘의 입력 변수로 활용 가능하다.

본 연구의 한계로는 단일 ESXi 5.1 버전과 제한된 워크로드(주로 웹 서버와 데이터베이스)만을 대상으로 했다는 점을 들 수 있다. 향후 연구에서는 다양한 ESXi 버전, 하이퍼컨버지드 인프라, 그리고 머신러닝 기반 예측 모델과의 연계성을 검증할 필요가 있다.