Luft's Road to Elasticity - Part 2: Auto-Scaling with Query History

간단 소개

Luft의 쿼리 히스토리 기반 오토스케일러 구축 과정과 비용 절감 및 성능 향상 효과를 분석합니다.

AI Summary

Luft 오토스케일링 배경 및 목표
- AB180의 OLAP 데이터베이스 Luft의 탄력성 향상 및 비용 절감을 위한 오토스케일링 최적화 과정 공유
- Shared Storage 아키텍처 전환 후, 쿼리 히스토리를 활용한 비용 기반 오토스케일러 구현
- 목표: 오버프로비저닝 없이 쿼리 시점에 필요한 리소스만 동적으로 할당
구현 과정 및 결과
- 클러스터 매니저를 통해 빠른 스케일링 구현 (Kubernetes 한계 극복, EC2 직접 스케일링)
- 히스토리 기반 예측 모델을 사용한 비용 기반 오토스케일러 개발 (쿼리 정규화, 가중치 적용)
- 스케일링 시간 단축 (50초 -> 14초), 인스턴스 비용 40% 절감, 다양한 분석 기능 제공
결론 및 의의
- 쿼리 시점 오토스케일링 시스템 구축으로 비용 절감 및 성능 향상
- Luft의 사용 영역 확장 및 복잡한 분석 요구 사항 충족을 위한 기반 마련