AI와 마이크로서비스 기반 실시간 여행 예약 시스템 성능 최적화

초록

본 논문은 급증하는 여행 예약 트래픽을 실시간으로 처리하기 위해 인공지능 수요 예측과 마이크로서비스 아키텍처를 결합한 하이브리드 프레임워크를 제안한다. AI 모델이 사용자 요청 패턴을 예측하고 자원 할당을 최적화하며, 마이크로서비스는 서비스별 독립 배포와 자동 스케일링을 통해 지연 시간 감소와 시스템 가용성을 높인다. 실험 결과, 전통적인 모놀리식 시스템 대비 처리 시간과 자원 활용도가 크게 개선됨을 입증한다.

상세 요약

본 연구는 여행 예약 시스템이 직면한 세 가지 핵심 문제—고지연, 부하 불균형, 데이터 일관성—에 대해 AI와 마이크로서비스를 통합한 해결책을 제시한다. 먼저, 수요 예측을 위해 시계열 기반 딥러닝 모델(LSTM, Prophet)을 활용하고, 과거 예약 데이터와 실시간 검색 로그를 입력으로 사용한다. 모델은 5분 단위 예측을 수행해 향후 1시간~24시간 동안의 트래픽 피크를 미리 파악한다. 예측 결과는 쿠버네티스(HPA)와 연동된 자동 스케일링 정책에 전달되어, 해당 서비스(검색, 결제, 좌석 할당 등)의 파드 수를 동적으로 조정한다.

마이크로서비스 아키텍처는 도메인 별로 서비스를 분리하고, 각 서비스는 독립적인 데이터베이스(폴리글랏 퍼시스턴스)를 갖는다. 이를 통해 데이터 일관성 문제는 이벤트 소싱과 CQRS 패턴으로 해결한다. 예를 들어, 예약 생성 이벤트는 Kafka 토픽에 게시되고, 결제 서비스와 좌석 관리 서비스는 이를 구독해 비동기적으로 상태를 업데이트한다. 이러한 비동기 메시징은 시스템 전체의 응답 시간을 30~45% 단축시키고, 장애 전파를 최소화한다.

성능 평가에서는 전통적인 모놀리식 시스템과 제안된 AI‑마이크로서비스 시스템을 동일한 트래픽 워크로드(peak 10,000 TPS) 하에 비교하였다. 평균 응답 시간은 850ms에서 420ms로 절반 이하로 감소했으며, 99.9% SLA를 유지하면서 CPU 사용률은 68%에서 45%로 감소했다. 또한, 장애 복구 시 평균 복구 시간(MTTR)은 12초에서 3초로 단축되었다.

한계점으로는 AI 모델 학습에 필요한 대규모 라벨링 데이터 확보가 초기 비용을 높이며, 모델 드리프트 발생 시 재학습 주기가 필요하다는 점을 들 수 있다. 또한, 마이크로서비스 간 네트워크 오버헤드가 증가할 수 있어 서비스 간 인터페이스 설계와 모니터링 체계가 필수적이다. 향후 연구에서는 강화학습 기반 자원 스케줄링과 서비스 메시(Service Mesh)를 활용한 트래픽 라우팅 최적화를 제안한다.