전체 글

총 609개의 글

AWS Load Balancer Controller Deep Dive: EKS에서 ALB와 NLB가 생성되는 원리

EKS NetworkingAWS Load Balancer Controller Deep Dive: EKS에서 ALB와 NLB가 생성되는 원리AWS Load Balancer Controller가 EKS 리소스를 감시해 ALB, NLB, TargetGroupBinding을 만드는 흐름을 개념적으로 정리합니다.ALBNLBTargetGroupBindingReconcile이 글은 EKS에서 AWS Load Balancer Controller를 사용할 때 Ingress, Service, IngressClass, loadBalancerClass, TargetGroupBinding이 어떻게 연결되는지 설명합니다.목차AWS Load Balancer Controller란 무엇인가EKS에서 LB Controller를 사용할 ..

Kubernetes 트래픽 진입 구조 이해하기: ALB Controller, NGINX Ingress, Gateway, Istio 차이

Kubernetes NetworkingKubernetes 트래픽 진입 구조 이해하기: ALB Controller, NGINX Ingress, Gateway, Istio 차이Kubernetes에서 외부 트래픽이 Pod까지 들어오는 흐름과 ALB Controller, NGINX Ingress, Gateway API, Istio의 차이를 정리합니다.ALB ControllerNGINX IngressGateway APIIstio이 글은 Kubernetes 트래픽 진입 구조를 처음 이해하는 분을 위해 AWS Load Balancer Controller, NGINX Ingress Controller, Gateway API, Istio의 역할 차이를 설명합니다.목차Kubernetes 트래픽 진입 구조를 먼저 이해하기A..

AI 판도 분석: 모델 경쟁에서 인프라·클라우드·오픈소스 전쟁으로 바뀌는 이유

AI 산업 분석AI 판도 분석: 모델 경쟁에서 인프라·클라우드·오픈소스 전쟁으로 바뀌는 이유AI 시장은 더 이상 챗봇 성능 순위만으로 설명하기 어렵다. 모델 회사, 클라우드 기업, 반도체 공급망, 오픈소스 진영, 업무용 소프트웨어가 서로 얽히며 새로운 경쟁 구도를 만들고 있다.모델 경쟁 AI 인프라 클라우드 오픈소스AI 판도는 OpenAI, Anthropic, Google, Meta 같은 모델 기업만의 경쟁이 아니다. NVIDIA, Broadcom, TSMC, Microsoft, AWS, Google Cloud, Oracle, 오픈소스 모델까지 함께 봐야 전체 흐름이 보인다.목차AI 판도가 달라진 이유최상위 모델 경쟁: OpenAI·Anthropic·Google·Meta·xAIAI 인프라 권력: NVID..

도메인과 서브도메인 차이 이해하기: AWS와 애플리케이션에서 트래픽을 나누는 방식

DNS Architecture도메인과 서브도메인 차이 이해하기: AWS와 애플리케이션에서 트래픽을 나누는 방식도메인과 서브도메인의 차이, AWS Route 53 운영 방식, 애플리케이션의 Host Header 기반 트래픽 분기를 정리합니다.DomainSubdomainRoute 53Host Routing이 글은 도메인과 서브도메인을 처음 이해하는 분을 위해 AWS와 애플리케이션에서 주소를 나누고 트래픽을 분기하는 방식을 설명합니다.목차도메인이란 무엇인가서브도메인이란 무엇인가도메인과 서브도메인의 핵심 차이AWS에서는 도메인을 어떻게 운영하는가애플리케이션에서는 서브도메인을 어떻게 운영하는가트래픽 분기는 어디에서 일어나는가대표 운영 패턴운영 시 주의할 점마무리 요약SUMMARYFAQ01도메인이란 무엇인가도메인은..

AWS TGW + Network Firewall Inspection VPC 라우팅 설계: subnet 분리와 local route 변경이 필요한 이유

AWS Network RoutingAWS TGW + Network Firewall Inspection VPC 라우팅 설계: subnet 분리와 local route 변경이 필요한 이유Transit Gateway와 AWS Network Firewall을 함께 사용할 때 subnet 분리, local route 변경, 대칭 라우팅이 왜 중요한지 정리합니다.TGWNetwork FirewallInspection VPClocal route이 글은 TGW와 AWS Network Firewall 기반 Inspection VPC 설계에서 트래픽을 보안 장비로 강제 경유시키기 위한 라우팅 원칙을 설명합니다.목차Inspection VPC 구조를 먼저 이해하기TGW Attachment subnet의 역할Firewall su..

AWS IAM AssumeRole 이해하기: IAM 권한 없이도 동일 계정 Role 전환이 가능한 이유

AWS IAMAWS IAM AssumeRole 이해하기: IAM 권한 없이도 동일 계정 Role 전환이 가능한 이유AWS IAM에서 AssumeRole, Trust Policy, Identity-based Policy, Resource-based Policy의 관계를 개념적으로 정리합니다.AssumeRoleSTSTrust PolicyIAM Policy이 글은 동일 계정에서 IAM 정책에 `sts:AssumeRole` 허용이 없어도 Role 전환이 가능한 이유를 AWS 공식 문서 기준으로 쉽게 설명합니다.목차AssumeRole이란 무엇인가Identity-based Policy와 Resource-based Policy 이해하기Role Trust Policy는 어떤 정책인가동일 계정 AssumeRole의 핵심..

세일즈포스 실적 분석: Agentforce ARR 240% 성장과 AI CRM 수요가 중요한 이유

EARNINGS ANALYSIS세일즈포스 실적 분석: Agentforce ARR 240% 성장과 AI CRM 수요가 중요한 이유Salesforce의 2026년 2분기 실적은 AI가 CRM 워크플로 안에서 유료 반복 매출로 전환되는 흐름을 보여 줬다. Agentforce ARR, Data 360, cRPO가 핵심 지표다.Salesforce 2026년 2분기 Agentforce ARR +240% Revenue $11.3B세일즈포스 실적을 매출 113억 달러, cRPO 335억 달러, Agentforce ARR 240% 성장, Data 360, Anthropic 협력 관점에서 분석한다.목차실적 발표일과 핵심 요약매출 113억 달러와 성장률 11%의 의미Agentforce ARR 240% 성장이 중요한 이유핵심..

엔비디아 실적 분석: 데이터센터 매출 117% 성장과 AI 인프라 수요가 중요한 이유

EARNINGS ANALYSIS엔비디아 실적 분석: 데이터센터 매출 117% 성장과 AI 인프라 수요가 중요한 이유NVIDIA의 2026년 2분기 실적 발표는 AI 인프라 수요가 아직 꺾이지 않았다는 점을 숫자로 보여 줬다. 매출 962억 달러, 데이터센터 매출 890억 달러, 다음 분기 매출 가이던스 1,080억 달러가 핵심이다.NVIDIA 2026년 2분기 Data Center +117% Revenue $96.2B엔비디아 실적을 매출 962억 달러, 데이터센터 매출 890억 달러, Vera Rubin, 중국 매출 제외 가이던스, AI 팩토리 수요 관점에서 분석한다.목차실적 발표일과 핵심 요약매출 962억 달러와 성장률 106%의 의미데이터센터 매출 890억 달러가 핵심인 이유핵심 지표 표로 보기Ver..

CCA-F Confidence & Review Queue: 검토 라우팅과 품질 관리

CCA-F Quality ControlCCA-F Confidence & Review Queue: 검토 라우팅과 품질 관리Claude CCA-F 시험을 처음 준비하는 분들을 위해 Confidence, Review Queue, 검토 라우팅, 품질 관리 기준을 간단히 정리합니다.ConfidenceReview QueueRoutingQuality이 글은 Claude CCA-F 시험 대비 개념 정리입니다. Confidence Score, Calibration, Review Queue, 승인/수정/거절 흐름, 동기/비동기 검토를 공식 문서와 일반 설계 원칙 중심으로 설명합니다.CCA-F Context & Reliability 시리즈Context Window: Token, Limit, 비용 구조 이해Long Sessi..

CCA-F Conversation Compaction: 긴 대화의 일관성 유지

CCA-F Context ManagementCCA-F Conversation Compaction: 긴 대화의 일관성 유지Claude CCA-F 시험을 처음 준비하는 분들을 위해 긴 대화에서 요약 압축, 상태 보존, 일관성 유지 기준을 간단히 정리합니다.CompactionContextMemoryCoherence이 글은 Claude CCA-F 시험 대비 개념 정리입니다. Conversation Compaction, Context Window Pressure, 요약 손실, Durable State, Goal Drift를 공식 문서와 일반 설계 원칙 중심으로 설명합니다.CCA-F Context & Reliability 시리즈Context Window: Token, Limit, 비용 구조 이해Long Sessio..

반응형

AWS Load Balancer Controller Deep Dive: EKS에서 ALB와 NLB가 생성되는 원리

반응형

 

EKS Networking
AWS Load Balancer Controller Deep Dive: EKS에서 ALB와 NLB가 생성되는 원리

AWS Load Balancer Controller가 EKS 리소스를 감시해 ALB, NLB, TargetGroupBinding을 만드는 흐름을 개념적으로 정리합니다.

ALBNLBTargetGroupBindingReconcile

이 글은 EKS에서 AWS Load Balancer Controller를 사용할 때 Ingress, Service, IngressClass, loadBalancerClass, TargetGroupBinding이 어떻게 연결되는지 설명합니다.

01

AWS Load Balancer Controller란 무엇인가

AWS Load Balancer Controller는 Kubernetes 리소스를 보고 AWS Load Balancer 리소스를 생성하고 관리하는 컨트롤러입니다. 사용자가 AWS 콘솔에서 ALB나 NLB를 직접 만드는 방식이 아니라, Kubernetes에 선언한 상태를 AWS 리소스로 맞추는 방식입니다.

대표적으로 `Ingress`는 ALB 생성 흐름과 연결되고, `Service type: LoadBalancer`는 NLB 생성 흐름과 연결됩니다. Controller는 Kubernetes API를 감시하다가 필요한 AWS 리소스를 만들고, 변경 사항이 생기면 다시 맞춥니다.

핵심은 Controller가 “Kubernetes 리소스와 AWS Load Balancer 사이의 번역기” 역할을 한다는 점입니다.

02

EKS에서 LB Controller를 사용할 수 있는 이유

Kubernetes Controller는 API Server에 저장된 리소스 상태를 계속 관찰합니다. AWS Load Balancer Controller도 같은 방식으로 `Ingress`, `Service`, `TargetGroupBinding` 같은 리소스를 감시합니다.

Controller Pod는 EKS 안에서 실행되지만, ALB, NLB, Target Group, Listener 같은 AWS 리소스를 만들려면 AWS API 호출 권한이 필요합니다. 그래서 IRSA 또는 EKS Pod Identity 같은 방식으로 Controller에 IAM 권한을 부여합니다.

이 구조 덕분에 사용자는 Kubernetes YAML을 적용하고, Controller는 그 YAML을 보고 AWS 네트워크 리소스를 생성하는 방식으로 운영할 수 있습니다.

03

NLB는 언제 생성되는가

NLB는 주로 `Service` 리소스에서 생성됩니다. `type: LoadBalancer`를 사용하고 `spec.loadBalancerClass: service.k8s.aws/nlb`를 지정하면 AWS Load Balancer Controller가 해당 Service를 NLB 대상으로 처리합니다.

NLB는 L4 계층에서 TCP, UDP, TLS 트래픽을 처리하는 데 적합합니다. HTTP 경로 기반 라우팅보다 네트워크 계층의 빠른 전달과 고정적인 연결 처리가 필요할 때 자주 사용합니다.

과거 방식에서는 annotation으로 NLB 생성을 지정하는 예시도 많지만, 새 구성에서는 `loadBalancerClass`를 함께 이해하는 것이 좋습니다.

04

NLB 생성 시 EKS 안에 생기는 리소스

NLB를 만들 때 사용자가 직접 생성하는 핵심 리소스는 `Service`입니다. 이 Service가 어떤 Pod로 트래픽을 보낼지는 selector와 EndpointSlice를 통해 연결됩니다.

AWS Load Balancer Controller는 Service를 처리하는 과정에서 `TargetGroupBinding`을 사용할 수 있습니다. TargetGroupBinding은 Kubernetes Service와 AWS Target Group을 연결하는 CRD입니다.

트러블슈팅할 때는 Service만 보면 부족합니다. Service, EndpointSlice, TargetGroupBinding, Event, Controller 로그를 같이 봐야 실제로 어떤 단계에서 막혔는지 알 수 있습니다.

05

ALB는 언제 생성되는가

ALB는 주로 `Ingress` 리소스에서 생성됩니다. `ingressClassName: alb`를 지정하거나 관련 IngressClass를 구성하면 AWS Load Balancer Controller가 해당 Ingress를 처리합니다.

ALB는 L7 계층에서 HTTP/HTTPS 요청을 처리합니다. Host 기반 라우팅, Path 기반 라우팅, TLS 종료, Listener Rule 같은 웹 트래픽 제어가 필요할 때 적합합니다.

Ingress annotation을 사용하면 internet-facing 또는 internal scheme, target type, health check path, certificate, listener port 같은 세부 동작을 설정할 수 있습니다.

06

ALB 생성 시 EKS 안에 생기는 리소스

ALB 흐름에서 사용자가 주로 작성하는 리소스는 `Ingress`, `Service`, `Deployment`입니다. Ingress는 외부 요청 규칙을 정의하고, Service는 Pod 집합의 접근 지점을 제공합니다.

추가로 `IngressClass`와 `IngressClassParams`를 사용할 수 있습니다. IngressClass는 어떤 Controller가 Ingress를 처리할지 지정하고, IngressClassParams는 ALB 관련 기본 설정을 묶는 데 사용할 수 있습니다.

Controller는 이 정보를 기반으로 AWS에 ALB, Listener, Listener Rule, Target Group을 생성합니다. EKS 안에서는 관련 Event와 TargetGroupBinding 상태를 확인할 수 있습니다.

07

TargetGroupBinding이 중요한 이유

TargetGroupBinding은 Kubernetes Service와 AWS Target Group을 연결하는 리소스입니다. 쉽게 말해 “이 Service의 대상 Pod 또는 Node를 이 Target Group에 등록하라”는 연결 정보입니다.

AWS Load Balancer Controller는 Ingress, Service, Gateway 흐름을 처리할 때 TargetGroupBinding을 내부적으로 사용할 수 있습니다. 공식 문서에서도 TargetGroupBinding은 controller에 의해 자동 생성될 수 있다고 설명합니다.

또한 이미 존재하는 AWS Target Group을 Kubernetes Service와 연결하고 싶을 때 TargetGroupBinding을 직접 작성하는 방식도 가능합니다.

08

IngressClass, loadBalancerClass, GatewayClass 차이

`IngressClass`는 어떤 Controller가 Ingress를 처리할지 나타냅니다. ALB Ingress를 만들 때 `ingressClassName: alb`를 쓰는 이유가 여기에 있습니다.

`loadBalancerClass`는 Service type LoadBalancer를 어떤 Controller가 처리할지 나타냅니다. AWS Load Balancer Controller에서 NLB를 처리할 때 `service.k8s.aws/nlb` 값을 사용할 수 있습니다.

`GatewayClass`는 Gateway API에서 어떤 구현체가 Gateway를 처리할지 나타냅니다. 사용자가 말한 `lb choice`는 공식 리소스명으로 확인되지는 않으며, 문맥상 `loadBalancerClass` 또는 `IngressClass`를 의미한 것으로 보는 것이 맞습니다.

리소스 적용 대상 의미
IngressClass Ingress Ingress 처리 Controller 선택
loadBalancerClass Service type LoadBalancer LoadBalancer Service 처리 Controller 선택
GatewayClass Gateway API Gateway 구현체 선택
09

Instance Target과 IP Target 차이

Target Group에는 대상 등록 방식이 있습니다. `instance` 모드는 Worker Node를 Target으로 등록하고 NodePort를 통해 Pod로 전달합니다.

`ip` 모드는 Pod IP를 Target Group에 직접 등록합니다. 이 방식은 Pod로 더 직접적인 경로를 만들 수 있지만, VPC CNI와 Pod IP 접근 가능성을 고려해야 합니다.

ALB와 NLB 모두 어떤 target type을 사용할지에 따라 보안 그룹, health check, 트래픽 경로, 장애 분석 방식이 달라질 수 있습니다.

10

대표 YAML 예시

아래 예시는 실제 환경 값이 아닌 더미 예시입니다. 실제 도메인, 계정 ID, Target Group ARN, 인증서 ARN, subnet ID는 블로그에 노출하지 않는 것이 안전합니다.

# NLB 생성 예시: Service type LoadBalancer
apiVersion: v1
kind: Service
metadata:
name: app-nlb
namespace: demo-namespace
spec:
type: LoadBalancer
loadBalancerClass: service.k8s.aws/nlb
selector:
app: demo-app
ports:
- port: 80
targetPort: 8080
protocol: TCP
---
# ALB 생성 예시: Ingress
apiVersion: networking.k8s.io/v1
kind: Ingress
metadata:
name: app-alb
namespace: demo-namespace
annotations:
alb.ingress.kubernetes.io/scheme: internet-facing
alb.ingress.kubernetes.io/target-type: ip
spec:
ingressClassName: alb
rules:
- host: app.example.com
http:
paths:
- path: /
pathType: Prefix
backend:
service:
name: app-service
port:
number: 80
---
# IngressClass 예시
apiVersion: networking.k8s.io/v1
kind: IngressClass
metadata:
name: alb
spec:
controller: ingress.k8s.aws/alb
---
# TargetGroupBinding 예시
apiVersion: elbv2.k8s.aws/v1beta1
kind: TargetGroupBinding
metadata:
name: app-tgb
namespace: demo-namespace
spec:
serviceRef:
name: app-service
port: 80
targetGroupARN: arn:aws:elasticloadbalancing:ap-northeast-2:123456789012:targetgroup/example-tg/exampleid
targetType: ip

YAML을 볼 때는 어떤 리소스가 AWS Load Balancer 생성을 트리거하는지 먼저 보면 됩니다. ALB는 Ingress 중심, NLB는 Service 중심, TargetGroupBinding은 Service와 Target Group 연결 중심입니다.

11

트러블슈팅 시 봐야 할 것

문제가 생기면 Kubernetes 리소스와 AWS 리소스를 함께 봐야 합니다. Controller는 두 세계를 연결하므로 한쪽만 보면 원인을 놓치기 쉽습니다.

1. Controller Pod 상태 확인
2. Controller 로그 확인
3. Ingress 또는 Service Event 확인
4. TargetGroupBinding 생성 여부와 상태 확인
5. EndpointSlice에 대상 Pod가 있는지 확인
6. AWS Target Group Health Check 확인
7. Subnet tag와 Security Group rule 확인
8. IAM 권한과 IRSA 또는 Pod Identity 확인
9. annotation 오타 확인
10. ingressClassName 또는 loadBalancerClass 확인

특히 Target Group Health Check가 실패하면 Load Balancer는 생성되어 있어도 실제 트래픽은 Pod로 전달되지 않을 수 있습니다. 그래서 “LB가 생성됐는가”와 “Target이 healthy인가”를 분리해서 확인해야 합니다.

공식 문서 기준

최신 동작은 How it works, TargetGroupBinding, IngressClass, NLB Service 문서를 기준으로 확인하는 것이 좋습니다.

12

SUMMARY

Controller
Kubernetes 리소스를 감시하고 AWS Load Balancer 리소스를 원하는 상태로 맞춥니다.
ALB
주로 Ingress를 통해 생성되며 HTTP/HTTPS L7 라우팅에 적합합니다.
NLB
주로 Service type LoadBalancer를 통해 생성되며 TCP/UDP L4 트래픽에 적합합니다.
TGB
TargetGroupBinding은 Kubernetes Service와 AWS Target Group을 연결합니다.
Troubleshooting
Controller 로그, Event, TargetGroupBinding, EndpointSlice, Target Health를 함께 봐야 합니다.
13

FAQ

Ingress를 만들면 항상 ALB가 생성되나요?

아닙니다. `ingressClassName`, IngressClass, Controller 설정이 AWS Load Balancer Controller와 맞아야 합니다.

Service type LoadBalancer는 항상 NLB인가요?

AWS Load Balancer Controller 기준에서는 `loadBalancerClass: service.k8s.aws/nlb` 또는 관련 설정으로 NLB 생성을 지정할 수 있습니다.

TargetGroupBinding은 직접 만들어야 하나요?

일반적인 Ingress나 Service 흐름에서는 Controller가 자동으로 만들 수 있습니다. 기존 Target Group을 직접 연결할 때는 사용자가 작성할 수도 있습니다.

CONCLUSION

AWS Load Balancer Controller를 이해하려면 ALB와 NLB만 보면 부족합니다. Kubernetes 안의 Ingress, Service, IngressClass, loadBalancerClass, TargetGroupBinding이 AWS의 Load Balancer, Listener, Target Group과 어떻게 연결되는지를 함께 봐야 합니다. 문제가 생겼을 때도 Controller 로그와 Kubernetes Event, AWS Target Health를 같이 확인해야 빠르게 원인을 찾을 수 있습니다.

...
The controller is the bridge between Kubernetes intent and AWS load balancer resources.
AWS Load Balancer Controller Deep Dive EKS에서 ALB와 NLB가 생성되는 원리
반응형

Kubernetes 트래픽 진입 구조 이해하기: ALB Controller, NGINX Ingress, Gateway, Istio 차이

반응형

 

Kubernetes Networking
Kubernetes 트래픽 진입 구조 이해하기: ALB Controller, NGINX Ingress, Gateway, Istio 차이

Kubernetes에서 외부 트래픽이 Pod까지 들어오는 흐름과 ALB Controller, NGINX Ingress, Gateway API, Istio의 차이를 정리합니다.

ALB ControllerNGINX IngressGateway APIIstio

이 글은 Kubernetes 트래픽 진입 구조를 처음 이해하는 분을 위해 AWS Load Balancer Controller, NGINX Ingress Controller, Gateway API, Istio의 역할 차이를 설명합니다.

01

Kubernetes 트래픽 진입 구조를 먼저 이해하기

Kubernetes에서 외부 사용자의 요청이 Pod까지 도달하려면 보통 여러 계층을 거칩니다. 외부 Load Balancer, Ingress 또는 Gateway, Service, Pod가 순서대로 관여합니다.

Service는 Pod 집합에 안정적인 접근 지점을 제공합니다. Ingress나 Gateway는 HTTP/HTTPS 요청을 어떤 Service로 보낼지 정하는 진입 규칙을 담당합니다.

따라서 ALB Controller, NGINX Ingress, Gateway API, Istio를 비교할 때는 “외부 진입을 처리하는가”, “클러스터 내부에서 프록시하는가”, “서비스 간 통신까지 제어하는가”를 나눠서 봐야 합니다.

02

AWS Load Balancer Controller란 무엇인가

AWS Load Balancer Controller는 Kubernetes 리소스를 보고 AWS Load Balancer를 생성하고 관리하는 컨트롤러입니다. Ingress 리소스를 사용하면 ALB를 만들 수 있고, Service type LoadBalancer를 사용하면 NLB를 만들 수 있습니다.

이 방식의 핵심은 트래픽 진입점이 AWS 관리형 Load Balancer라는 점입니다. 클러스터 밖의 사용자는 ALB 또는 NLB로 접근하고, Load Balancer가 Kubernetes Service나 Pod 쪽으로 트래픽을 전달합니다.

AWS 환경에서 L7 라우팅, TLS 종료, 보안 그룹, AWS 네트워크 통합을 자연스럽게 활용하고 싶을 때 자주 사용합니다.

03

NGINX Ingress Controller란 무엇인가

NGINX Ingress Controller는 Kubernetes Ingress 리소스를 해석하고, 클러스터 안의 NGINX 프록시가 HTTP/HTTPS 요청을 Service로 라우팅하게 만드는 컨트롤러입니다.

Host 기반 라우팅, Path 기반 라우팅, 리다이렉트, 헤더 처리 같은 웹 프록시 기능을 클러스터 내부에서 세밀하게 제어할 수 있습니다.

AWS에서는 ALB 뒤에 NGINX Ingress를 두는 구조도 가능합니다. 이 경우 ALB는 외부 진입점 역할을 하고, NGINX는 클러스터 내부의 세부 라우팅 역할을 맡습니다.

04

Gateway란 무엇인가

Gateway라는 단어는 문맥에 따라 의미가 달라질 수 있습니다. Kubernetes 표준 관점에서는 Gateway API의 Gateway를 의미하는 경우가 많습니다.

Gateway API는 기존 Ingress보다 역할을 더 명확히 나누려는 표준 API입니다. GatewayClass는 어떤 구현체를 사용할지, Gateway는 실제 진입점을, HTTPRoute는 어떤 요청을 어떤 Service로 보낼지 정의합니다.

즉, Gateway API는 특정 제품 하나가 아니라 Kubernetes 트래픽 진입을 표현하는 표준 리소스 모델입니다.

05

Istio란 무엇인가

Istio는 Service Mesh입니다. 단순히 외부 트래픽을 Service로 보내는 도구라기보다, 서비스 간 통신을 제어하고 보호하고 관측하는 데 초점이 있습니다.

Istio를 사용하면 mTLS, 트래픽 분할, 재시도, 타임아웃, 회로 차단, 관측성 같은 기능을 서비스 간 통신에 적용할 수 있습니다.

외부 트래픽 진입에는 Istio Ingress Gateway를 사용할 수 있지만, Istio의 핵심 가치는 내부 서비스 간 통신 제어까지 포함한다는 점입니다.

06

ALB Controller와 NGINX Ingress의 차이

ALB Controller는 AWS 관리형 Load Balancer를 생성하고 관리합니다. 반면 NGINX Ingress Controller는 클러스터 안에서 동작하는 NGINX 프록시가 Ingress 규칙을 처리합니다.

구분 ALB Controller NGINX Ingress Controller
진입점 AWS ALB 또는 NLB 클러스터 내부 NGINX
운영 책임 AWS Load Balancer와 Kubernetes 설정 관리 NGINX Controller와 Pod 운영 관리
장점 AWS 네트워크 서비스와 통합이 좋음 프록시 동작을 세밀하게 제어하기 쉬움
적합한 경우 AWS 기반 외부 노출 복잡한 HTTP 라우팅과 내부 프록시 제어

둘은 경쟁 관계로만 볼 필요는 없습니다. 요구사항에 따라 ALB만 쓰거나, ALB 뒤에 NGINX를 두는 구조도 선택할 수 있습니다.

07

Gateway와 Ingress의 차이

Ingress는 오래전부터 사용된 Kubernetes HTTP 라우팅 리소스입니다. 단순한 웹 서비스 노출에는 충분하지만, 역할 분리와 확장성 측면에서 한계가 있었습니다.

Gateway API는 이 한계를 줄이기 위해 GatewayClass, Gateway, Route 계층으로 역할을 나눕니다. 인프라 담당자는 Gateway를 관리하고, 애플리케이션 담당자는 HTTPRoute를 관리하는 식으로 책임을 분리할 수 있습니다.

따라서 Gateway API는 단순히 Ingress의 이름만 바꾼 것이 아니라, 클러스터 진입 구조를 더 표준적이고 확장 가능하게 표현하는 방식입니다.

08

Istio Gateway와 Kubernetes Gateway API의 차이

Istio Gateway는 Istio에서 외부 트래픽을 Mesh 안으로 들여보내기 위해 사용하는 Istio 리소스입니다. VirtualService와 함께 어떤 Host와 경로를 어떤 서비스로 보낼지 정의하는 방식으로 사용됩니다.

Kubernetes Gateway API는 Kubernetes 표준 API입니다. 특정 구현체에 종속된 개념이 아니라 여러 컨트롤러가 구현할 수 있는 공통 모델입니다.

Istio는 Gateway API를 구현할 수 있습니다. 따라서 “Istio Gateway”와 “Gateway API”는 같은 말이 아니며, 하나는 Istio의 리소스이고 다른 하나는 Kubernetes 표준 모델로 구분해야 합니다.

09

대표 아키텍처 패턴

아래는 실제 도메인이나 IP가 아닌 개념 예시입니다. 환경에 따라 Service, Target Group, Gateway 구현체 구성은 달라질 수 있습니다.

단순 AWS 외부 노출:
사용자 -> ALB -> Kubernetes Service -> Pod
ALB 뒤 내부 라우팅:
사용자 -> ALB -> NGINX Ingress -> Service -> Pod
Service Mesh 진입:
사용자 -> ALB 또는 NLB -> Istio Ingress Gateway -> Service Mesh
Gateway API 기반:
사용자 -> Gateway -> HTTPRoute -> Service -> Pod

패턴을 고를 때는 기능보다 운영 모델을 먼저 봐야 합니다. AWS Load Balancer를 직접 활용할지, 클러스터 내부 프록시를 둘지, 서비스 메시까지 필요한지에 따라 선택이 달라집니다.

10

무엇을 선택해야 할까

AWS에서 단순히 외부 HTTP 서비스를 노출하려면 AWS Load Balancer Controller가 가장 자연스러운 선택일 수 있습니다. AWS ALB와 보안 그룹, 인증서, Target Group 통합을 활용하기 쉽기 때문입니다.

복잡한 HTTP 프록시 제어가 필요하면 NGINX Ingress Controller가 적합할 수 있습니다. 표준화된 차세대 진입 모델과 역할 분리를 원한다면 Gateway API를 검토할 수 있습니다.

서비스 간 mTLS, 트래픽 분할, 재시도, 관측성처럼 내부 통신 제어가 핵심이면 Istio가 더 적합합니다. Istio는 외부 진입 도구라기보다 Service Mesh로 보는 것이 정확합니다.

공식 문서 기준

최신 동작은 AWS Load Balancer Controller, Ingress NGINX Controller, Kubernetes Gateway API, Istio Traffic Management 문서를 기준으로 확인하는 것이 좋습니다.

11

SUMMARY

ALB Controller
Kubernetes 리소스를 기반으로 AWS ALB/NLB를 생성하고 관리합니다.
NGINX Ingress
클러스터 내부 NGINX 프록시가 Ingress 규칙을 처리합니다.
Gateway API
GatewayClass, Gateway, Route로 진입 역할을 나누는 Kubernetes 표준 API입니다.
Istio
서비스 간 통신 보안, 트래픽 제어, 관측성을 제공하는 Service Mesh입니다.
선택 기준
외부 노출, 내부 프록시, 표준 API, Service Mesh 중 무엇이 필요한지 먼저 정해야 합니다.
12

FAQ

ALB Controller와 NGINX Ingress를 같이 쓸 수 있나요?

가능합니다. ALB를 외부 진입점으로 두고, 클러스터 내부 세부 라우팅을 NGINX Ingress가 처리하는 구조를 사용할 수 있습니다.

Gateway API는 Ingress를 완전히 대체하나요?

항상 그런 것은 아닙니다. Ingress는 여전히 널리 쓰이며, Gateway API는 더 명확한 역할 분리와 확장성이 필요할 때 검토할 수 있습니다.

Istio는 외부 트래픽 진입 도구인가요?

Istio Ingress Gateway로 외부 진입을 처리할 수 있지만, Istio의 핵심은 서비스 간 통신을 제어하는 Service Mesh입니다.

CONCLUSION

Kubernetes 트래픽 진입 구조는 하나의 정답보다 요구사항에 맞는 선택이 중요합니다. AWS Load Balancer Controller는 AWS Load Balancer 생성, NGINX Ingress는 클러스터 내부 HTTP 라우팅, Gateway API는 표준 진입 모델, Istio는 Service Mesh로 이해하면 개념이 정리됩니다.

...
Choose the entry model by deciding where traffic should be controlled.

 

Kubernetes 트래픽 진입 구조 이해하기 ALB Controller NGINX Ingress Gateway Istio 차이
반응형

AI 판도 분석: 모델 경쟁에서 인프라·클라우드·오픈소스 전쟁으로 바뀌는 이유

반응형

 

AI 산업 분석
AI 판도 분석: 모델 경쟁에서 인프라·클라우드·오픈소스 전쟁으로 바뀌는 이유

AI 시장은 더 이상 챗봇 성능 순위만으로 설명하기 어렵다. 모델 회사, 클라우드 기업, 반도체 공급망, 오픈소스 진영, 업무용 소프트웨어가 서로 얽히며 새로운 경쟁 구도를 만들고 있다.

모델 경쟁 AI 인프라 클라우드 오픈소스

AI 판도는 OpenAI, Anthropic, Google, Meta 같은 모델 기업만의 경쟁이 아니다. NVIDIA, Broadcom, TSMC, Microsoft, AWS, Google Cloud, Oracle, 오픈소스 모델까지 함께 봐야 전체 흐름이 보인다.

01

AI 판도가 달라진 이유

초기 생성형 AI 경쟁은 주로 어떤 모델이 더 자연스럽게 답하고, 더 긴 문맥을 처리하고, 더 어려운 추론을 수행하는지에 집중됐다. 하지만 2026년 현재 AI 시장은 모델 성능만으로 설명하기 어렵다. 성능이 좋아질수록 더 많은 GPU, 전력, 데이터센터, 네트워크, 메모리, 클라우드 계약이 필요해졌기 때문이다.

이 변화는 AI 기업의 경쟁 조건을 바꿨다. 뛰어난 모델을 만들 수 있어도 충분한 연산 자원을 확보하지 못하면 학습과 추론 규모를 키우기 어렵다. 반대로 클라우드 기업은 AI 모델을 통해 데이터센터 수요를 만들고, 반도체 기업은 그 수요를 통해 다음 세대 칩과 네트워킹 장비를 판매한다.

따라서 AI 판도는 모델 회사끼리의 순위 경쟁이 아니라, 모델·클라우드·반도체·데이터센터·애플리케이션이 맞물린 산업 구조 경쟁으로 봐야 한다.

02

최상위 모델 경쟁: OpenAI·Anthropic·Google·Meta·xAI

OpenAI는 ChatGPT와 API 생태계를 바탕으로 대중 시장과 개발자 시장에서 강한 위치를 가지고 있다. Microsoft와의 관계도 핵심이다. OpenAI는 2026년 4월 발표에서 Microsoft가 OpenAI의 주요 클라우드 파트너로 남고, OpenAI 제품이 우선 Azure에서 제공된다고 설명했다. 동시에 OpenAI가 다른 클라우드에서도 제품을 제공할 수 있는 유연성이 커졌다는 점도 중요하다.

Anthropic은 Claude를 중심으로 기업 고객, 안전성, 장문 처리, 코딩 및 업무 자동화 영역에서 존재감을 키우고 있다. Anthropic은 Google 및 Broadcom과 차세대 TPU 용량 확대를 발표했고, AWS Trainium, Google TPU, NVIDIA GPU를 함께 활용한다고 밝혔다. 이는 특정 칩이나 클라우드 하나에만 묶이지 않으려는 전략으로 해석할 수 있다.

Google은 Gemini, 검색, YouTube, Android, Workspace, Google Cloud, TPU를 모두 가진 수직 통합형 플레이어다. Meta는 Llama 계열 공개 모델을 통해 개발자와 기업의 자체 배포 수요를 흡수하고 있다. xAI는 X 플랫폼과 실시간 데이터 흐름을 바탕으로 차별화를 시도한다. 이들은 모두 같은 AI 기업처럼 보이지만, 실제 강점은 유통망, 데이터, 인프라, 제품 접점에서 다르게 나타난다.

03

AI 인프라 권력: NVIDIA·Broadcom·TSMC가 중요한 이유

AI 산업의 병목은 점점 더 물리적인 영역으로 이동하고 있다. 모델이 커지고 사용량이 늘수록 필요한 것은 GPU, HBM, 고속 네트워킹, 액체 냉각, 전력, 파운드리 생산 능력이다. 그래서 NVIDIA, Broadcom, TSMC, 메모리 기업, 서버 제조사, 데이터센터 사업자가 AI 판도의 중심으로 들어왔다.

NVIDIA는 GPU와 CUDA 생태계, 네트워킹, 랙 스케일 시스템을 통해 AI 학습과 추론 인프라의 핵심 공급자로 남아 있다. Broadcom은 맞춤형 ASIC과 고속 네트워킹에서 중요하다. Google TPU처럼 특정 클라우드와 대형 AI 고객에게 최적화된 칩이 늘어날수록 Broadcom의 역할도 커진다.

TSMC는 최첨단 반도체 제조의 핵심 축이다. AI 칩 설계사가 늘어나도 실제 생산 능력과 첨단 패키징이 충분하지 않으면 공급은 제한된다. 결국 AI 판도는 소프트웨어 경쟁처럼 보이지만, 아래층에는 제조와 전력의 제약이 깔려 있다.

04

AI 판도 핵심 축 표로 보기

AI 생태계는 한 줄로 설명하기 어렵다. 아래 표처럼 각 축이 서로 다른 방식으로 수익과 영향력을 만든다.

구분 주요 플레이어 핵심 의미
모델 OpenAI, Anthropic, Google, Meta, xAI 성능, 안전성, 멀티모달, 에이전트 기능, 개발자 API가 경쟁 포인트다.
반도체 NVIDIA, Broadcom, AMD, TSMC, 메모리 기업 GPU, ASIC, HBM, 패키징, 네트워킹이 AI 확장의 속도를 결정한다.
클라우드 Microsoft Azure, AWS, Google Cloud, Oracle Cloud AI 기업의 연산 수요를 흡수하고, 기업 고객에게 모델을 배포하는 유통망 역할을 한다.
오픈소스 Meta Llama, Mistral, Qwen, 커뮤니티 모델 기업이 비용, 보안, 내부 배포, 커스터마이징을 이유로 선택할 수 있는 대안이다.
애플리케이션 Microsoft, Salesforce, Adobe, ServiceNow, GitHub AI가 실제 업무 화면 안으로 들어가며 반복 사용과 매출화를 만든다.

핵심은 한 기업이 모든 영역을 완전히 지배하기 어렵다는 점이다. 모델 회사는 클라우드와 칩이 필요하고, 클라우드 회사는 인기 있는 모델과 기업 고객이 필요하며, 반도체 회사는 대규모 수요를 만들어 줄 AI 서비스가 필요하다.

05

클라우드 기업의 전략: Microsoft·AWS·Google Cloud·Oracle

Microsoft는 OpenAI와의 관계를 통해 Azure 수요와 Copilot 제품군을 동시에 키우고 있다. OpenAI 발표 기준으로 Microsoft는 OpenAI의 주요 클라우드 파트너로 남아 있고, OpenAI 관련 지식재산권 라이선스도 장기간 유지된다. 이는 Microsoft가 단순 투자자가 아니라 AI 배포망과 제품화를 함께 잡는 구조라는 뜻이다.

AWS는 Anthropic과의 협력, Trainium 같은 자체 칩, Bedrock 같은 모델 유통 계층을 통해 기업 AI 시장을 공략한다. Google Cloud는 Gemini와 TPU를 모두 보유했고, Anthropic의 TPU 사용 확대에도 관여한다. Oracle Cloud는 대형 GPU 클러스터와 AI 인프라 수요를 앞세워 후발 클라우드의 존재감을 키우고 있다.

클라우드 기업에게 AI는 단순 기능 추가가 아니다. AI는 데이터센터 사용량, 스토리지, 네트워크, 데이터베이스, 보안, 개발 도구까지 함께 끌어올리는 수요 엔진이다. 그래서 AI 경쟁은 곧 클라우드 시장 점유율 경쟁이기도 하다.

06

오픈소스 AI의 역할

오픈소스 AI는 폐쇄형 상위 모델을 완전히 대체한다기보다, 기업과 개발자가 선택할 수 있는 두 번째 경로를 만든다. 민감한 데이터를 외부 API로 보내기 어렵거나, 특정 산업에 맞게 모델을 조정해야 하거나, 추론 비용을 장기적으로 낮추려는 기업에게 오픈 모델은 현실적인 선택지가 된다.

Meta의 Llama 문서는 모델을 직접 받거나 파트너를 통해 사용할 수 있다고 안내한다. 이는 개발자와 기업이 클라우드 API만 쓰는 방식에서 벗어나, 자체 환경이나 파트너 환경에서 모델을 다루는 흐름을 보여준다.

다만 오픈소스가 항상 더 저렴하거나 더 안전한 것은 아니다. 운영 인력, GPU 비용, 보안 검토, 평가 체계, 업데이트 관리가 필요하다. 그래서 많은 기업은 폐쇄형 API와 오픈 모델을 함께 쓰는 혼합 전략을 선택할 가능성이 크다.

07

AI 애플리케이션 전쟁

AI가 실제 돈을 벌려면 사용자가 매일 쓰는 제품 안으로 들어가야 한다. Microsoft는 Office와 GitHub, Google은 검색과 Workspace, Salesforce는 CRM, Adobe는 콘텐츠 제작, ServiceNow는 업무 자동화 영역에서 AI를 붙이고 있다.

이 단계에서는 모델 성능만큼이나 워크플로우가 중요하다. 사용자가 별도 챗봇으로 이동하지 않아도 문서 작성, 코드 리뷰, 고객 응대, 보고서 작성, 이미지 편집, 데이터 분석 화면 안에서 AI를 쓰게 되면 사용 빈도와 지불 의사가 커진다.

따라서 AI 애플리케이션 경쟁은 모델 API를 누가 쓰느냐보다, 기존 업무 데이터를 누가 가지고 있고 사용자의 반복 행동을 누가 장악하고 있느냐에 달려 있다.

08

AI 시장의 핵심 이해관계

AI 시장의 이해관계는 서로 충돌하면서도 협력한다. 모델 기업은 독립성을 원하지만 클라우드와 반도체 없이는 규모를 키우기 어렵다. 클라우드 기업은 자체 모델을 키우면서도 외부 모델을 고객에게 제공해야 한다. 반도체 기업은 고객사가 자체 ASIC을 만들수록 일부 GPU 수요가 분산될 수 있지만, 전체 AI 인프라 수요가 커지는 효과도 얻는다.

이 때문에 시장은 단순한 승자 독식보다 다층 경쟁에 가깝다. OpenAI와 Microsoft는 협력하면서도 유연성을 조정하고, Anthropic은 AWS를 주요 파트너로 두면서 Google TPU와 NVIDIA GPU도 활용한다. Google은 자체 모델과 자체 칩을 모두 밀고, Meta는 오픈 모델로 생태계 영향력을 넓힌다.

AI 판도를 볼 때 중요한 질문은 하나다. 어느 회사가 가장 좋은 모델을 만들었는가보다, 어느 회사가 모델을 대규모로 운영하고 고객 업무 안에 배포하며 비용 구조를 버틸 수 있는가다.

09

앞으로 확인해야 할 포인트

첫째, 추론 비용이다. AI 사용량이 늘어날수록 학습보다 추론 인프라가 더 큰 비용 항목이 될 수 있다. 모델 경량화, 캐싱, 전용 ASIC, 온디바이스 AI가 중요해지는 이유다.

둘째, 전력과 데이터센터다. TrendForce는 2026년 주요 클라우드 기업의 AI 관련 인프라 투자가 크게 늘고 AI 서버 출하량 전망도 상향됐다고 설명했다. 이는 AI 수요가 소프트웨어 매출뿐 아니라 전력, 냉각, 부동산, 네트워크 투자로 이어지고 있음을 보여준다.

셋째, 규제와 데이터 통제다. AI가 검색, 업무, 금융, 의료, 교육에 들어갈수록 개인정보, 저작권, 보안, 모델 책임 문제가 커진다. 넷째, 실제 매출화다. 많은 기업이 AI 기능을 발표하고 있지만, 장기적으로는 사용자가 추가 비용을 지불할 만큼 생산성이 개선되는지가 판도를 가를 것이다.

공식 발표 기준

본문은 OpenAI의 Microsoft 파트너십 발표, Anthropic의 Google·Broadcom compute 확대 발표, Meta Llama 안내, TrendForce의 2026 AI 서버 전망을 기준으로 정리했다. 확인 링크: OpenAI, Anthropic, Meta Llama, TrendForce.

10

SUMMARY

핵심 변화
AI 경쟁은 모델 성능 중심에서 인프라, 클라우드, 반도체, 제품화 경쟁으로 확대됐다.
모델 기업
OpenAI, Anthropic, Google, Meta, xAI는 각각 다른 유통망과 인프라 전략을 갖고 경쟁한다.
인프라
NVIDIA, Broadcom, TSMC, 메모리와 데이터센터 공급망이 AI 확장 속도를 좌우한다.
오픈소스
오픈 모델은 비용, 보안, 내부 배포, 커스터마이징 수요를 흡수하는 대안이다.
관전 포인트
추론 비용, 전력 수급, 규제, 기업 고객의 실제 지불 의사가 앞으로의 판도를 가른다.
11

FAQ

AI 판도를 볼 때 가장 중요한 기준은 무엇인가요?

모델 성능도 중요하지만, 대규모 연산 자원 확보, 클라우드 배포망, 기업 고객 접점, 비용 구조를 함께 봐야 한다.

오픈소스 AI가 폐쇄형 모델을 대체할 수 있나요?

일부 업무와 내부 배포에서는 대체 가능성이 크다. 다만 최고 성능, 운영 편의성, 안정적인 멀티모달 기능은 폐쇄형 모델이 강한 구간도 있다.

클라우드 기업이 AI 시장에서 중요한 이유는 무엇인가요?

AI 모델은 막대한 컴퓨팅 자원을 필요로 한다. 클라우드 기업은 데이터센터, GPU, 자체 칩, 보안, 기업 영업망을 통해 AI 서비스를 실제 고객에게 전달한다.

CONCLUSION

AI 판도는 하나의 모델 순위표로 설명되지 않는다. OpenAI와 Anthropic 같은 모델 기업, Microsoft와 AWS 같은 클라우드 기업, NVIDIA와 Broadcom 같은 인프라 기업, Meta 중심의 오픈소스 흐름, 그리고 업무용 애플리케이션 기업이 서로 의존하면서 경쟁한다. 앞으로의 핵심은 누가 더 똑똑한 답을 내는가를 넘어, 누가 더 낮은 비용으로 더 많은 사용자의 실제 업무 안에 AI를 배포할 수 있는가다.

...
The next AI race is not only about models, but about compute, distribution, and real-world adoption.
AI 판도 분석 모델 인프라 클라우드 오픈소스 경쟁

 

 

반응형

도메인과 서브도메인 차이 이해하기: AWS와 애플리케이션에서 트래픽을 나누는 방식

반응형

 

DNS Architecture
도메인과 서브도메인 차이 이해하기: AWS와 애플리케이션에서 트래픽을 나누는 방식

도메인과 서브도메인의 차이, AWS Route 53 운영 방식, 애플리케이션의 Host Header 기반 트래픽 분기를 정리합니다.

DomainSubdomainRoute 53Host Routing

이 글은 도메인과 서브도메인을 처음 이해하는 분을 위해 AWS와 애플리케이션에서 주소를 나누고 트래픽을 분기하는 방식을 설명합니다.

01

도메인이란 무엇인가

도메인은 사용자가 기억하기 쉬운 인터넷 주소입니다. 예를 들어 `example.com`은 사람이 읽는 이름이고, DNS는 이 이름을 실제 서비스가 있는 위치로 연결합니다.

사용자가 브라우저에 도메인을 입력하면 DNS 조회가 일어나고, 결과에 따라 웹 서버, CDN, 로드 밸런서, API 엔드포인트 같은 대상으로 트래픽이 이동합니다.

즉, 도메인은 서비스 자체가 아니라 서비스를 찾아가기 위한 이름입니다. 실제 연결 대상은 DNS 레코드와 연결된 리소스가 결정합니다.

02

서브도메인이란 무엇인가

서브도메인은 하나의 도메인 아래에 만든 하위 주소입니다. `www.example.com`, `api.example.com`, `admin.example.com`처럼 앞부분에 역할을 붙여 사용합니다.

서브도메인은 서비스를 역할별로 분리할 때 유용합니다. 웹 화면은 `www`, API는 `api`, 관리자 페이지는 `admin`, 정적 파일은 `static`처럼 나눌 수 있습니다.

서브도메인은 같은 상위 도메인을 공유하지만, DNS 레코드와 연결 대상은 서로 다르게 설정할 수 있습니다.

03

도메인과 서브도메인의 핵심 차이

도메인은 상위 주소 단위이고, 서브도메인은 그 아래에서 역할별로 나눈 주소입니다. 운영 관점에서는 주소 계층, DNS 레코드, 인증서 범위, 관리 책임이 달라집니다.

구분 예시 주요 역할
도메인 example.com 서비스의 기본 주소
서브도메인 api.example.com 기능이나 서비스별 하위 주소
하위 서브도메인 v1.api.example.com 버전, 지역, 조직 단위 분리

실무에서는 도메인 하나에 모든 서비스를 억지로 넣기보다, 서비스 성격에 맞게 서브도메인을 나눠 운영하는 경우가 많습니다.

04

AWS에서는 도메인을 어떻게 운영하는가

AWS에서는 Route 53 Hosted Zone을 사용해 도메인과 서브도메인의 DNS 레코드를 관리할 수 있습니다. 상위 도메인의 Hosted Zone에 서브도메인 레코드를 만들 수도 있고, 서브도메인 전용 Hosted Zone을 따로 만들어 위임할 수도 있습니다.

레코드 타입은 연결 대상에 따라 달라집니다. A 레코드는 IPv4 주소로 연결하고, CNAME은 다른 이름으로 연결합니다. Route 53 Alias 레코드는 CloudFront, S3, Elastic Load Balancing 같은 AWS 리소스로 트래픽을 보낼 때 자주 사용됩니다.

CloudFront, ALB, API Gateway, S3 정적 웹사이트 같은 서비스에 사용자 도메인을 붙일 때는 보통 DNS 레코드와 ACM 인증서 설정을 함께 구성합니다.

05

애플리케이션에서는 서브도메인을 어떻게 운영하는가

애플리케이션에서는 들어온 요청의 Host Header를 보고 어떤 서비스로 처리할지 판단할 수 있습니다. 예를 들어 `api.example.com` 요청은 API 서버로, `admin.example.com` 요청은 관리자 서비스로 보낼 수 있습니다.

서비스별로 배포를 나누는 방식도 많이 사용합니다. 프론트엔드, API, 관리자, 정적 파일 서버를 각각 다른 배포 단위로 운영하면 장애 영향 범위와 권한을 분리하기 쉽습니다.

또한 개발, 검증, 운영 환경을 `dev.example.com`, `staging.example.com`, `www.example.com`처럼 나눌 수 있습니다. 멀티테넌트 서비스에서는 고객별 서브도메인을 사용하는 방식도 있습니다.

06

트래픽 분기는 어디에서 일어나는가

트래픽 분기는 한 곳에서만 일어나지 않습니다. DNS, CDN, 로드 밸런서, API Gateway, 애플리케이션 내부 라우터에서 단계적으로 일어날 수 있습니다.

DNS 레벨에서는 `api.example.com`을 API Gateway로, `www.example.com`을 CloudFront로 보내는 식으로 큰 방향을 결정합니다. CloudFront에서는 경로 또는 Host 조건에 따라 Origin을 다르게 보낼 수 있습니다.

ALB는 Host-based Routing을 통해 Host Header 기준으로 Target Group을 나눌 수 있습니다. API Gateway는 Custom Domain과 API Mapping을 사용해 사용자 친화적인 API 주소를 구성할 수 있습니다.

07

대표 운영 패턴

아래는 실제 운영 도메인이 아닌 더미 예시입니다. 블로그 예시에는 실제 회사 도메인이나 내부 서비스 주소를 넣지 않는 것이 안전합니다.

example.com -> 대표 서비스 또는 루트 페이지
www.example.com -> 웹 프론트엔드
api.example.com -> API 서버 또는 API Gateway
admin.example.com -> 관리자 페이지
static.example.com -> 정적 파일 또는 CDN
dev.example.com -> 개발 환경
staging.example.com -> 검증 환경

이런 구조를 쓰면 사용자용 화면, API, 관리자 기능, 정적 리소스, 개발 환경을 주소 단위로 구분할 수 있습니다.

08

운영 시 주의할 점

첫째, TLS 인증서 범위를 확인해야 합니다. `example.com` 인증서와 `*.example.com` 와일드카드 인증서의 적용 범위는 다릅니다. 더 깊은 하위 주소까지 자동으로 모두 포함되는 것은 아닙니다.

둘째, 쿠키 Domain 설정과 CORS 정책을 주의해야 합니다. 서브도메인이 달라지면 브라우저 보안 정책 때문에 인증 쿠키나 API 호출이 예상과 다르게 동작할 수 있습니다.

셋째, DNS TTL과 SEO 영향도 고려해야 합니다. 주소 변경이나 서비스 이전을 자주 한다면 TTL을 적절히 조정하고, 검색엔진이 어떤 주소를 대표 주소로 볼지 정리해야 합니다.

09

마무리 요약

도메인은 서비스의 상위 주소 단위이고, 서브도메인은 그 아래에서 역할별로 나눈 하위 주소입니다.

AWS에서는 Route 53 Hosted Zone과 DNS 레코드로 도메인을 운영하고, CloudFront, ALB, API Gateway, S3 같은 서비스에 연결합니다.

애플리케이션에서는 Host Header와 라우팅 규칙을 사용해 서브도메인별 서비스를 분리합니다. 트래픽 분기는 DNS에서 시작하지만, 실제 서비스 분기는 CDN, 로드 밸런서, API Gateway, 애플리케이션 내부에서도 이어질 수 있습니다.

공식 문서 기준

최신 동작은 Route 53 subdomain routing, Route 53 record types, API Gateway custom domain names 문서를 기준으로 확인하는 것이 좋습니다.

10

SUMMARY

도메인
`example.com`처럼 서비스의 상위 주소 단위입니다.
서브도메인
`api.example.com`처럼 역할별로 나눈 하위 주소입니다.
AWS 운영
Route 53 Hosted Zone, DNS 레코드, Alias, ACM 인증서로 운영합니다.
앱 운영
Host Header와 서비스별 라우팅으로 요청을 분기합니다.
주의점
인증서, 쿠키 Domain, CORS, TTL, SEO를 함께 검토해야 합니다.
11

FAQ

서브도메인은 반드시 별도 Hosted Zone이 필요한가요?

아닙니다. 상위 도메인의 Hosted Zone에 레코드로 만들 수 있고, 관리 책임을 나누고 싶을 때 별도 Hosted Zone으로 위임할 수 있습니다.

도메인과 서브도메인은 다른 서버를 가리킬 수 있나요?

가능합니다. 각각 다른 DNS 레코드를 만들면 CloudFront, ALB, API Gateway, S3 등 서로 다른 대상으로 보낼 수 있습니다.

트래픽 분기는 DNS에서만 하나요?

아닙니다. DNS는 큰 방향을 정하고, 이후 CloudFront, ALB, API Gateway, 애플리케이션 내부에서도 Host나 경로 기준으로 분기할 수 있습니다.

CONCLUSION

도메인과 서브도메인의 차이는 단순한 이름 차이가 아니라 운영 경계의 차이입니다. AWS에서는 DNS와 서비스 연결로 주소를 운영하고, 애플리케이션에서는 Host Header와 라우팅 규칙으로 요청을 분기합니다. 설계할 때는 주소 구조, 인증서, 쿠키, CORS, 운영 책임을 함께 고려해야 합니다.

...
A subdomain is not just a name; it is often an operational boundary.

 

도메인과 서브도메인 차이 이해하기 AWS와 애플리케이션에서 트래픽을 나누는 방식
반응형

AWS TGW + Network Firewall Inspection VPC 라우팅 설계: subnet 분리와 local route 변경이 필요한 이유

반응형

 

AWS Network Routing
AWS TGW + Network Firewall Inspection VPC 라우팅 설계: subnet 분리와 local route 변경이 필요한 이유

Transit Gateway와 AWS Network Firewall을 함께 사용할 때 subnet 분리, local route 변경, 대칭 라우팅이 왜 중요한지 정리합니다.

TGWNetwork FirewallInspection VPClocal route

이 글은 TGW와 AWS Network Firewall 기반 Inspection VPC 설계에서 트래픽을 보안 장비로 강제 경유시키기 위한 라우팅 원칙을 설명합니다.

01

Inspection VPC 구조를 먼저 이해하기

Inspection VPC는 여러 VPC 또는 온프레미스에서 오가는 트래픽을 중앙에서 검사하기 위한 VPC입니다. 보통 Transit Gateway를 중심에 두고, 트래픽을 Inspection VPC의 보안 장비로 보낸 뒤 다시 목적지로 전달합니다.

중요한 점은 AWS Network Firewall을 생성했다고 해서 트래픽이 자동으로 방화벽을 통과하지 않는다는 것입니다. 방화벽을 경유하려면 VPC Route Table과 TGW Route Table에서 트래픽 경로를 명시적으로 설계해야 합니다.

따라서 이 설계의 핵심은 “방화벽이 어디에 있는가”보다 “트래픽이 실제로 그 방화벽을 지나가도록 라우팅되어 있는가”입니다.

02

TGW Attachment subnet의 역할

TGW Attachment subnet은 Transit Gateway가 VPC에 들어오고 나가는 진입점 역할을 합니다. AWS는 TGW VPC Attachment를 만들 때 각 Availability Zone마다 하나의 subnet을 지정하도록 요구합니다.

이 subnet에 생성되는 TGW ENI는 트래픽의 출입구입니다. 공식 문서 기준으로 TGW Attachment subnet의 Route Table에는 TGW를 통해 도달해야 하는 VPC 내부 대상에 대한 적절한 route가 필요합니다.

따라서 TGW Attachment subnet은 일반 애플리케이션을 배치하는 공간이 아니라, 외부에서 들어온 트래픽을 다음 경유지로 넘기는 라우팅 지점으로 보는 것이 안전합니다.

03

Firewall subnet과 Workload subnet을 분리해야 하는 이유

Firewall subnet은 Network Firewall Endpoint 또는 보안 Appliance가 위치하는 subnet입니다. Workload subnet은 보호 대상 EC2, 애플리케이션, 데이터베이스 같은 리소스가 위치하는 subnet입니다.

두 역할을 같은 subnet에 섞으면 트래픽을 방화벽으로 강제 경유시키기 어렵습니다. 특히 같은 subnet 안의 host 간 트래픽은 middlebox appliance를 통해 라우팅할 수 없다는 제약이 있습니다.

그래서 기본 구조는 TGW Attachment subnet, Firewall subnet, Workload subnet을 분리하는 것입니다. 이 분리가 있어야 Route Table로 “진입 → 검사 → 대상” 흐름을 만들 수 있습니다.

04

local route가 트래픽을 우회시키는 원리

VPC Route Table에는 기본적으로 VPC CIDR을 향하는 `local` route가 있습니다. 이 route는 같은 VPC 내부 통신을 가능하게 합니다.

문제는 보안 장비를 경유해야 하는 트래픽도 local route 때문에 직접 대상 subnet으로 갈 수 있다는 점입니다. 예를 들어 TGW를 통해 들어온 트래픽의 목적지가 같은 VPC 내부라면, 특별한 route 설계가 없을 때 local 경로가 우선적인 내부 통신 경로가 됩니다.

따라서 Inspection VPC에서는 local route를 그대로 두는 것이 항상 안전하지 않습니다. 검사 대상 흐름은 Firewall Endpoint 또는 Appliance로 보내도록 route를 조정해야 합니다.

05

Network Firewall에서 local route target을 변경해야 하는 경우

Network Firewall은 트래픽을 자동으로 가로채지 않습니다. 방화벽이 검사할 트래픽은 Route Table을 통해 Firewall Endpoint로 보내야 합니다.

East-West 트래픽이나 TGW에서 들어온 내부 대상 트래픽을 검사해야 한다면 local route target 변경이 필요할 수 있습니다. AWS VPC는 기본 local route의 target을 다른 대상로 변경하거나, 나중에 다시 local로 복구하는 기능을 제공합니다.

다만 local route 전체를 바꾸면 영향 범위가 커질 수 있습니다. 그래서 운영 환경에서는 어떤 subnet과 어떤 트래픽을 검사할지 먼저 정하고, 더 구체적인 route로 해결 가능한지도 함께 검토해야 합니다.

06

더 구체적인 subnet route를 사용하는 경우

VPC Route Table은 여러 route가 있을 때 더 구체적인 경로를 우선합니다. 이를 Longest Prefix Match라고 이해하면 됩니다.

예를 들어 VPC 전체 CIDR이 `10.0.0.0/16`이고 Workload subnet이 `10.0.2.0/24`라면, `10.0.2.0/24`에 대한 route가 `10.0.0.0/16 local`보다 더 구체적입니다.

이 방식을 사용하면 전체 VPC local route를 바꾸지 않고, 특정 Workload subnet으로 가는 트래픽만 Firewall Endpoint로 보낼 수 있습니다. 영향 범위를 줄이고 장애 분석도 쉬워집니다.

07

TGW Appliance Mode와 대칭 라우팅

Network Firewall처럼 상태를 추적하는 보안 장비는 요청과 응답이 같은 검사 경로를 지나야 안정적으로 동작합니다. 요청은 A 방화벽을 지나고 응답은 B 방화벽을 지나면 세션 상태가 맞지 않아 트래픽이 차단될 수 있습니다.

TGW Appliance Mode는 Appliance가 위치한 VPC Attachment에서 flow가 같은 Availability Zone 경로를 유지하도록 돕습니다. 즉, Stateful inspection에서 필요한 대칭 라우팅을 만들기 위한 중요한 설정입니다.

다만 Appliance Mode만 켠다고 모든 문제가 해결되는 것은 아닙니다. TGW Route Table, VPC Route Table, subnet 분리, return route가 함께 맞아야 합니다.

08

권장 라우팅 예시

아래는 실제 환경 값이 아닌 더미 CIDR 기반 예시입니다. 실제 subnet ID, route table ID, endpoint ID, IP 주소는 블로그에 노출하지 않는 것이 안전합니다.

VPC CIDR: 10.0.0.0/16
TGW Attachment subnet: 10.0.0.0/24
Firewall subnet: 10.0.1.0/24
Workload subnet: 10.0.2.0/24
TGW Attachment subnet route table:
10.0.2.0/24 -> Firewall Endpoint
0.0.0.0/0 -> Transit Gateway
Firewall subnet route table:
10.0.2.0/24 -> local
0.0.0.0/0 -> Transit Gateway
Workload subnet route table:
0.0.0.0/0 -> Firewall Endpoint
Return traffic -> Firewall Endpoint -> Transit Gateway

핵심은 TGW에서 들어온 트래픽이 Workload subnet으로 바로 가지 않고 Firewall Endpoint를 먼저 지나도록 만드는 것입니다. 반대 방향 응답도 동일한 검사 경로를 지나야 합니다.

09

잘못된 설계 예시

가장 흔한 실수는 TGW Attachment subnet에 보호 대상 리소스를 같이 배치하는 것입니다. 이 경우 외부에서 들어온 트래픽이 이미 목적지와 같은 subnet에 도착하므로 보안 장비 경유 경로를 만들기 어렵습니다.

두 번째 실수는 Firewall subnet에 일반 workload를 함께 배치하는 것입니다. Firewall subnet은 검사 경로를 위한 전용 subnet으로 유지하는 것이 좋습니다.

세 번째 실수는 Route Table을 수정하지 않고도 Network Firewall이 자동으로 트래픽을 검사한다고 생각하는 것입니다. 공식 문서 기준으로 Network Firewall을 경로에 넣으려면 VPC Route Table을 수정해야 합니다.

10

최신 방식: TGW Network Function Attachment

AWS는 Transit Gateway와 Network Firewall을 직접 연결하는 Network Function Attachment 방식도 제공합니다. 이 방식은 별도의 Inspection VPC와 개별 Firewall Endpoint 관리를 줄일 수 있습니다.

다만 이 글의 주요 설명은 기존 Inspection VPC 방식의 라우팅 원리를 이해하기 위한 것입니다. 최신 방식에서는 TGW Route Table에 Network Function Attachment를 대상으로 하는 static route를 추가해 검사 경로를 구성합니다.

따라서 실무에서는 기존 Inspection VPC 방식과 Network Function Attachment 방식 중 어떤 구조를 사용할지 먼저 정하고, 그 방식에 맞는 공식 문서를 기준으로 라우팅을 설계해야 합니다.

11

SUMMARY

핵심 구조
TGW Attachment subnet, Firewall subnet, Workload subnet은 역할별로 분리하는 것이 안전합니다.
local route
VPC 내부 통신을 직접 처리하므로 보안 장비 우회를 만들 수 있습니다.
Firewall 경유
Network Firewall은 자동 가로채기가 아니라 Route Table로 경로에 넣어야 합니다.
Appliance Mode
Stateful inspection에서는 요청과 응답의 대칭 경로 유지가 중요합니다.
최신 방식
Network Function Attachment는 TGW와 Network Firewall을 직접 연결하는 방식입니다.
12

FAQ

TGW Attachment subnet에 EC2를 배치하면 안 되나요?

기술적으로 배치 자체가 항상 금지되는 것은 아니지만, 검사 경로를 강제해야 하는 구조에서는 피하는 것이 좋습니다. 같은 subnet 대상 트래픽은 middlebox를 통해 라우팅하기 어렵습니다.

local route target은 항상 변경해야 하나요?

아닙니다. 검사 범위가 특정 subnet이면 더 구체적인 subnet route로 해결할 수 있습니다. 전체 VPC CIDR local route 변경은 영향 범위가 크므로 신중해야 합니다.

Appliance Mode만 켜면 대칭 라우팅이 보장되나요?

Appliance Mode는 중요한 조건이지만 충분조건은 아닙니다. TGW Route Table, VPC Route Table, return route가 함께 맞아야 합니다.

CONCLUSION

TGW와 Network Firewall을 함께 사용할 때 보안 검사를 보장하려면 subnet 배치와 Route Table을 함께 봐야 합니다. TGW Attachment subnet은 진입점, Firewall subnet은 검사 지점, Workload subnet은 보호 대상 영역으로 분리하고, local route 또는 더 구체적인 subnet route를 통해 트래픽이 방화벽을 반드시 지나도록 설계해야 합니다.

...
Inspection works only when routing forces traffic through the inspection point.

 

AWS TGW Network Firewall Inspection VPC 라우팅 설계

 

반응형

AWS IAM AssumeRole 이해하기: IAM 권한 없이도 동일 계정 Role 전환이 가능한 이유

반응형

 

AWS IAM
AWS IAM AssumeRole 이해하기: IAM 권한 없이도 동일 계정 Role 전환이 가능한 이유

AWS IAM에서 AssumeRole, Trust Policy, Identity-based Policy, Resource-based Policy의 관계를 개념적으로 정리합니다.

AssumeRoleSTSTrust PolicyIAM Policy

이 글은 동일 계정에서 IAM 정책에 `sts:AssumeRole` 허용이 없어도 Role 전환이 가능한 이유를 AWS 공식 문서 기준으로 쉽게 설명합니다.

01

AssumeRole이란 무엇인가

AssumeRole은 AWS STS에서 제공하는 API입니다. 이 API를 호출하면 특정 IAM Role을 맡고, 그 Role의 권한으로 사용할 수 있는 임시 자격 증명을 발급받습니다.

여기서 중요한 점은 “사용자 권한이 그대로 늘어나는 것”이 아니라는 점입니다. Role을 맡은 뒤에는 발급된 임시 자격 증명으로 AWS API를 호출하며, 이때 권한은 Role에 연결된 권한 정책을 기준으로 평가됩니다.

임시 자격 증명에는 Access Key ID, Secret Access Key, Session Token이 포함됩니다. 일반 장기 Access Key와 달리 만료 시간이 있으며, 만료 후에는 다시 발급받아야 합니다.

02

Identity-based Policy와 Resource-based Policy 이해하기

Identity-based Policy는 사용자, 그룹, Role 같은 IAM 주체에 붙는 정책입니다. 쉽게 말해 “이 주체가 무엇을 할 수 있는가”를 정의합니다.

Resource-based Policy는 리소스에 붙는 정책입니다. 쉽게 말해 “누가 이 리소스에 접근할 수 있는가”를 리소스 쪽에서 정의합니다.

구분 붙는 위치 핵심 질문
Identity-based Policy 사용자, 그룹, Role 이 주체는 어떤 작업을 할 수 있는가?
Resource-based Policy 리소스 이 리소스는 누구에게 접근을 허용하는가?
Role Trust Policy IAM Role 누가 이 Role을 맡을 수 있는가?

AssumeRole을 이해할 때는 이 두 정책의 차이가 중요합니다. 같은 `Allow`처럼 보여도 권한을 부여하는 위치가 다르기 때문입니다.

03

Role Trust Policy는 어떤 정책인가

IAM Role에는 크게 두 종류의 정책이 연결됩니다. 하나는 누가 Role을 맡을 수 있는지 정하는 Trust Policy이고, 다른 하나는 Role을 맡은 뒤 무엇을 할 수 있는지 정하는 Permissions Policy입니다.

AWS 공식 설명 기준으로 Role의 Trust Policy는 Role에 연결된 Resource-based Policy입니다. 즉, Role이라는 리소스가 “어떤 Principal에게 나를 맡는 것을 허용할지” 정하는 구조입니다.

따라서 AssumeRole 문제에서는 항상 두 질문을 나눠서 봐야 합니다. “누가 Role을 맡을 수 있는가?”와 “Role을 맡은 뒤 무엇을 할 수 있는가?”는 서로 다른 문제입니다.

04

동일 계정 AssumeRole의 핵심 원리

동일 계정에서는 대상 Role의 Trust Policy가 같은 계정의 특정 사용자나 Role을 Principal로 직접 허용하면, 호출자 쪽 Identity-based Policy에 별도 `sts:AssumeRole` Allow가 없어도 Role 전환이 가능할 수 있습니다.

이유는 Role Trust Policy가 Role에 붙은 Resource-based Policy처럼 동작하기 때문입니다. 같은 계정의 Principal을 직접 지정한 리소스 기반 허용은 그 Principal에게 접근 권한을 부여하는 효과를 가질 수 있습니다.

하지만 이것을 “Trust Policy만 있으면 항상 된다”로 외우면 위험합니다. Explicit Deny, Permission Boundary, SCP, 조건 불충족 같은 제한이 있으면 AssumeRole은 실패할 수 있습니다.

05

교차 계정 AssumeRole과 무엇이 다른가

교차 계정 AssumeRole은 더 엄격하게 이해해야 합니다. 호출자 계정에서는 Identity-based Policy가 `sts:AssumeRole`을 허용해야 하고, 대상 계정의 Role Trust Policy도 해당 Principal 또는 계정을 신뢰해야 합니다.

즉, 다른 계정으로 넘어가는 요청은 한쪽 허용만으로 끝나지 않습니다. 요청자 계정과 리소스가 있는 계정 양쪽에서 평가가 일어납니다.

구분 필요한 허용 핵심 포인트
동일 계정 Trust Policy가 Principal을 직접 허용하면 가능할 수 있음 리소스 기반 허용 효과
교차 계정 호출자 IAM Allow + 대상 Role Trust Allow 양쪽 계정 평가
공통 명시적 거부와 조건은 우선 적용 Deny는 Allow보다 강함
06

Root Principal을 Trust Policy에 넣은 경우 주의점

Trust Policy에서 `arn:aws:iam::123456789012:root`를 Principal로 지정하면, 특정 루트 사용자만 의미하는 것이 아니라 해당 AWS 계정 자체를 신뢰한다는 의미로 이해해야 합니다.

이 경우 계정 안의 모든 사용자가 자동으로 Role을 맡을 수 있다는 뜻은 아닙니다. 신뢰받은 계정의 관리자가 특정 사용자나 Role에 `sts:AssumeRole` 권한을 Identity-based Policy로 위임해야 합니다.

따라서 “특정 Principal 직접 허용”과 “계정 root Principal 허용”은 다르게 봐야 합니다. 이 차이를 이해하면 동일 계정과 교차 계정 Role 전환 문제를 더 정확히 판단할 수 있습니다.

07

그래도 AssumeRole이 실패하는 경우

Trust Policy와 IAM 정책이 맞아 보이는데도 AssumeRole이 실패할 수 있습니다. AWS 권한 평가는 단순히 Allow 하나만 보고 끝나지 않기 때문입니다.

명시적 거부가 있으면 Allow보다 우선합니다. 또한 Permission Boundary, SCP, RCP, Session Policy는 권한의 최대 범위를 제한할 수 있습니다.

MFA 조건, External ID 조건, 특정 태그 조건, Role Max Session Duration 같은 설정도 확인해야 합니다. 특히 조건이 있는 Trust Policy는 조건을 만족하지 않으면 Principal이 맞아도 실패합니다.

08

시험과 실무에서 헷갈리는 포인트

첫째, IAM 정책에 `sts:AssumeRole`이 없는데도 동일 계정 Role 전환이 되는 경우가 있습니다. 이때는 Role Trust Policy가 같은 계정 Principal을 직접 허용했는지 확인해야 합니다.

둘째, Trust Policy는 “Role을 맡을 수 있는가”를 정하고, Permissions Policy는 “Role을 맡은 뒤 무엇을 할 수 있는가”를 정합니다. 두 개념을 섞으면 원인을 잘못 찾게 됩니다.

셋째, 임시 자격 증명은 권한이 무제한인 키가 아닙니다. Role 권한, Session Policy, Boundary 계열 제한, 조직 정책의 영향을 받습니다.

09

마무리 요약

AssumeRole은 STS를 통해 Role 권한을 사용할 수 있는 임시 자격 증명을 발급받는 흐름입니다. 핵심은 호출자 권한과 Role Trust Policy를 분리해서 보는 것입니다.

동일 계정에서는 Trust Policy가 특정 Principal을 직접 허용하면 Identity-based Policy의 별도 Allow 없이도 가능할 수 있습니다. 반대로 교차 계정에서는 호출자 쪽 Allow와 대상 Role Trust Policy Allow가 함께 필요합니다.

마지막으로 Explicit Deny와 Permission Boundary, SCP, 조건 정책은 항상 함께 확인해야 합니다. AssumeRole 문제는 “Allow가 있는가”만이 아니라 “어디에서 허용했고, 무엇이 제한하는가”를 봐야 합니다.

10

aws sts assume-role 임시 자격 증명 발급 예시

아래 예시는 실제 값이 아닌 더미 값입니다. 실제 Account ID, Role 이름, Access Key, Secret Access Key, Session Token은 블로그나 문서에 노출하면 안 됩니다.

aws sts assume-role \
--role-arn arn:aws:iam::123456789012:role/example-role \
--role-session-name demo-session
응답 예시:
{
"Credentials": {
"AccessKeyId": "ASIAEXAMPLE123456789",
"SecretAccessKey": "exampleSecretAccessKey1234567890",
"SessionToken": "exampleSessionTokenValue",
"Expiration": "2026-08-30T12:00:00Z"
}
}
환경 변수 설정 예시:
export AWS_ACCESS_KEY_ID=ASIAEXAMPLE123456789
export AWS_SECRET_ACCESS_KEY=exampleSecretAccessKey1234567890
export AWS_SESSION_TOKEN=exampleSessionTokenValue

이렇게 설정한 뒤 실행하는 AWS CLI 요청은 원래 사용자 권한이 아니라 Assume한 Role의 임시 세션 권한으로 평가됩니다. 만료 시간이 지나면 같은 방식으로 새 임시 자격 증명을 발급받아야 합니다.

공식 문서 기준

최신 동작은 AWS STS AssumeRole, Cross-account policy evaluation logic, Update a role trust policy 문서를 기준으로 확인하는 것이 좋습니다.

11

SUMMARY

AssumeRole
STS가 Role 권한을 사용할 임시 자격 증명을 발급하는 흐름입니다.
Trust Policy
Role에 붙는 Resource-based Policy이며, 누가 Role을 맡을 수 있는지 정합니다.
동일 계정
특정 Principal을 Trust Policy에 직접 허용하면 별도 IAM Allow 없이 가능할 수 있습니다.
교차 계정
호출자 Identity-based Policy Allow와 대상 Role Trust Policy Allow가 모두 필요합니다.
주의점
Explicit Deny, Permission Boundary, SCP, 조건 정책은 AssumeRole을 막을 수 있습니다.
12

FAQ

IAM 정책에 `sts:AssumeRole`이 없는데도 Role 전환이 가능한가요?

동일 계정에서 Trust Policy가 해당 Principal을 직접 허용하면 가능할 수 있습니다. 단, Deny나 Boundary 계열 제한이 없어야 합니다.

Trust Policy만 있으면 항상 가능한가요?

아닙니다. Permission Boundary, SCP, MFA 조건, External ID 조건, 명시적 거부가 있으면 실패할 수 있습니다.

임시 자격 증명은 기존 Access Key와 무엇이 다른가요?

임시 자격 증명은 만료 시간이 있으며 Access Key ID, Secret Access Key, Session Token을 함께 사용합니다.

CONCLUSION

동일 계정 AssumeRole이 IAM 정책의 명시적 Allow 없이도 가능한 것처럼 보이는 이유는 Role Trust Policy가 Role에 붙은 Resource-based Policy로 동작하기 때문입니다. 다만 이 원리는 제한 정책과 조건을 함께 봐야 정확하게 이해할 수 있습니다.

...
AssumeRole is easiest to understand when trust, permissions, and limits are evaluated separately.

 

AWS IAM AssumeRole 이해하기 IAM 권한 없이도 동일 계정 Role 전환이 가능한 이유
반응형

세일즈포스 실적 분석: Agentforce ARR 240% 성장과 AI CRM 수요가 중요한 이유

반응형

 

EARNINGS ANALYSIS
세일즈포스 실적 분석: Agentforce ARR 240% 성장과 AI CRM 수요가 중요한 이유

Salesforce의 2026년 2분기 실적은 AI가 CRM 워크플로 안에서 유료 반복 매출로 전환되는 흐름을 보여 줬다. Agentforce ARR, Data 360, cRPO가 핵심 지표다.

Salesforce 2026년 2분기 Agentforce ARR +240% Revenue $11.3B

세일즈포스 실적을 매출 113억 달러, cRPO 335억 달러, Agentforce ARR 240% 성장, Data 360, Anthropic 협력 관점에서 분석한다.

01

실적 발표일과 핵심 요약

Salesforce는 2026년 8월 26일 회계연도 2027년 2분기 실적을 발표했다. 분기 종료일은 2026년 7월 31일이다. 본문에서는 독자 이해를 위해 2026년 2분기 실적으로 함께 표기한다.

이번 실적의 핵심은 AI CRM 수요다. 매출은 113.45억 달러로 전년 대비 11% 증가했고, cRPO는 335억 달러로 14% 증가했다.

특히 Agentforce ARR은 15억 달러를 넘었고 전년 대비 240% 이상 성장했다. AI가 단순 기능이 아니라 CRM 안의 유료 반복 매출로 전환되고 있다는 점이 중요하다.

02

매출 113억 달러와 성장률 11%의 의미

Salesforce의 Q2 FY2027 매출은 113.45억 달러로 전년 동기 102.36억 달러보다 11% 증가했다. 구독과 지원 매출은 108.20억 달러로 12% 증가했다.

Salesforce는 이미 대형 SaaS 기업이기 때문에 두 자릿수 성장을 유지하는 것 자체가 중요하다. 더 중요한 점은 성장의 중심이 기존 CRM 구독에서 AI, 데이터, 자동화 기능으로 확장되고 있다는 것이다.

cRPO 335억 달러는 향후 12개월 안에 매출로 인식될 계약 잔액을 보여 준다. AI 제품 수요가 단기 매출뿐 아니라 향후 매출 가시성에도 반영되고 있는지 확인하는 지표다.

03

Agentforce ARR 240% 성장이 중요한 이유

Agentforce ARR은 15억 달러를 넘었고 전년 대비 240% 이상 증가했다. Agentforce와 Data 360을 합친 ARR은 약 39억 달러에 도달했고 전년 대비 210% 이상 증가했다.

이 숫자는 Salesforce가 AI를 단순 데모나 생산성 기능으로만 제공하는 것이 아니라, 유료 SKU와 플랫폼 사용량으로 전환하고 있음을 보여 준다.

NVIDIA가 AI 인프라 수요를 보여 주는 기업이라면 Salesforce는 AI가 기업 업무 앱 안에서 어떻게 반복 매출로 바뀌는지를 보여 주는 기업이다.

04

핵심 지표 표로 보기

Salesforce의 이번 실적은 매출 성장률보다 AI 제품의 반복 매출과 사용량 지표가 더 중요하다.

항목 수치 해석
매출 113.45억 달러, +11% 대형 SaaS 기업으로서 두 자릿수 성장 유지
cRPO 335억 달러, +14% 향후 매출 가시성과 계약 수요 확인
Agentforce ARR 15억 달러 이상, +240% 이상 AI CRM이 유료 반복 매출로 전환 중
Free Cash Flow 11억 달러, +81% AI 투자 확대 속에서도 현금흐름 개선

표에서 가장 눈에 띄는 부분은 Agentforce ARR과 현금흐름이다. AI 성장 기업 중에서도 Salesforce는 인프라 CapEx 부담보다 소프트웨어 반복 매출 전환이 더 중요한 구조다.

05

Data 360과 Agentic Work Units가 보여 주는 사용량

Salesforce는 Q2에 Agentforce와 Slack에서 32억 건의 Agentic Work Units가 처리됐고, 누적으로는 70억 건에 도달했다고 밝혔다. 전 분기 대비 증가율은 97%였다.

Data 360은 104조 건의 레코드를 수집했고, 이 중 82조 건은 Zero Copy 방식이었다. 비정형 데이터 처리량도 22TB로 제시됐다.

이 지표들은 AI CRM의 사용량을 보여 준다. 단순히 AI 기능을 출시했다는 수준을 넘어, 데이터 연결과 워크플로 실행이 실제 플랫폼 안에서 늘고 있는지 확인할 수 있다.

06

Anthropic 협력과 AI CRM 전략

Salesforce는 Anthropic의 Claude와의 협력을 확대하며 AI CRM 전략을 강화하고 있다. 핵심은 모델 자체를 만드는 것이 아니라, 기업 데이터와 업무 흐름 안에 AI 에이전트를 배치하는 것이다.

Salesforce의 강점은 고객 데이터, 영업, 서비스, 마케팅, Slack, Data Cloud가 이미 기업 업무 안에 들어가 있다는 점이다. AI는 이 기존 업무 데이터 위에서 자동화와 추천, 실행 기능으로 붙는다.

따라서 Salesforce의 AI 전략은 OpenAI나 Anthropic 같은 모델 기업과 다르다. 모델 경쟁보다 기업 업무 데이터와 워크플로를 장악하는 것이 핵심이다.

07

Informatica·Contentful·Fin 인수 효과

Salesforce는 Q2 매출에 Informatica 기여분 4.56억 달러가 포함됐다고 밝혔다. 구독과 지원 매출에는 Informatica 기여분 4.40억 달러가 반영됐다.

회사는 FY2027 매출 가이던스를 461억~464억 달러로 상향했다. 이 상향에는 유기적 성장 1억 달러, Contentful과 Fin 인수 관련 2억 달러, 환율 역풍 1억 달러가 함께 반영됐다.

인수 효과는 긍정적이지만, 실적 분석에서는 유기적 성장과 인수 기여를 구분해야 한다. AI CRM 수요가 본업 성장률을 얼마나 끌어올리는지가 더 중요한 판단 기준이다.

08

다음 분기 체크포인트

첫째, Q3 FY2027 매출 가이던스 114.2억~115.0억 달러를 달성하는지 봐야 한다. 이 범위는 전년 대비 11%~12% 성장을 의미한다.

둘째, cRPO 성장률 약 14%가 유지되는지 확인해야 한다. AI 제품 수요가 실제 계약 잔액으로 쌓이는지가 중요하다.

셋째, Agentforce ARR 성장률이 높은 수준을 유지하는지 봐야 한다. 초기 고성장 이후에도 고객 확장과 재계약이 이어져야 AI CRM 수익화가 검증된다.

09

검증 요약

공식 발표 기준으로 확인된 핵심 수치는 매출 113.45억 달러, cRPO 335억 달러, RPO 663억 달러, 구독과 지원 매출 108.20억 달러, GAAP 영업이익률 20.5%, 비GAAP 영업이익률 34.1%다.

Agentforce ARR은 15억 달러 이상, Agentforce와 Data 360 ARR은 약 39억 달러로 제시됐다. Agentic Work Units는 누적 70억 건, Q2 32억 건이었다.

Salesforce 실적은 AI 인프라 판매가 아니라 AI 업무 자동화의 수익화를 보여 준다. 핵심은 Agentforce와 Data 360이 기존 CRM 고객의 추가 지출로 이어지는지다.

공식 발표 기준

2026년 8월 30일 기준 Salesforce 공식 실적 발표를 기준으로 작성했다. 주요 출처는 Salesforce Q2 Fiscal 2027 Results이다.

10

SUMMARY

발표일
Salesforce는 2026년 8월 26일 회계연도 2027년 2분기 실적을 발표했다.
매출
매출은 113.45억 달러로 전년 대비 11% 증가했다.
Agentforce
Agentforce ARR은 15억 달러 이상이며 전년 대비 240% 이상 성장했다.
Data 360
Data 360은 104조 건의 레코드를 수집했고, Agentic Work Units는 누적 70억 건에 도달했다.
체크포인트
cRPO, Agentforce ARR, 인수 기여 제외 성장률, 현금흐름을 함께 봐야 한다.
11

FAQ

Salesforce 실적에서 가장 중요한 숫자는 무엇인가요?

Agentforce ARR 15억 달러 이상과 전년 대비 240% 이상 성장률이다. AI CRM이 유료 반복 매출로 전환되는지를 보여 준다.

Salesforce는 NVIDIA와 어떤 점이 다른가요?

NVIDIA는 AI 인프라 수요를 칩과 데이터센터 매출로 보여 주고, Salesforce는 AI가 CRM 업무 앱 안에서 반복 매출로 전환되는 흐름을 보여 준다.

가장 큰 리스크는 무엇인가요?

AI 제품 성장률 둔화, 인수 효과를 제외한 본업 성장률 약화, 고객의 AI 예산 축소, 전략 투자 평가손익 변동이 주요 리스크다.

CONCLUSION

Salesforce의 2026년 2분기 실적은 AI가 기업용 소프트웨어 안에서 유료 반복 매출로 전환되는 흐름을 보여 줬다. 매출 113.45억 달러, cRPO 335억 달러, Agentforce ARR 15억 달러 이상, Data 360의 사용량 증가는 모두 AI CRM 수요를 확인하는 지표다. 다만 인수 기여와 유기적 성장을 구분하고, Agentforce의 고성장이 지속되는지 확인해야 한다.

...
Salesforce is not selling AI infrastructure; it is turning AI into CRM workflow revenue.
세일즈포스 실적 분석 Agentforce ARR 240% AI CRM 수요
반응형

엔비디아 실적 분석: 데이터센터 매출 117% 성장과 AI 인프라 수요가 중요한 이유

반응형

 

EARNINGS ANALYSIS
엔비디아 실적 분석: 데이터센터 매출 117% 성장과 AI 인프라 수요가 중요한 이유

NVIDIA의 2026년 2분기 실적 발표는 AI 인프라 수요가 아직 꺾이지 않았다는 점을 숫자로 보여 줬다. 매출 962억 달러, 데이터센터 매출 890억 달러, 다음 분기 매출 가이던스 1,080억 달러가 핵심이다.

NVIDIA 2026년 2분기 Data Center +117% Revenue $96.2B

엔비디아 실적을 매출 962억 달러, 데이터센터 매출 890억 달러, Vera Rubin, 중국 매출 제외 가이던스, AI 팩토리 수요 관점에서 분석한다.

01

실적 발표일과 핵심 요약

NVIDIA는 2026년 8월 26일 회계연도 2027년 2분기 실적을 발표했다. 분기 종료일은 2026년 7월 26일이다. 본문에서는 독자 이해를 위해 2026년 2분기 실적으로 함께 표기한다.

이번 실적의 핵심은 AI 인프라 수요다. 전체 매출은 962.21억 달러로 전년 대비 106% 증가했고, 전 분기 대비로도 18% 증가했다.

데이터센터 매출은 890억 달러로 전년 대비 117% 증가했다. 엔비디아 실적에서 데이터센터가 사실상 AI 인프라 수요를 확인하는 가장 중요한 지표가 됐다.

02

매출 962억 달러와 성장률 106%의 의미

NVIDIA의 분기 매출 962.21억 달러는 전년 동기 467.43억 달러의 두 배를 넘는 규모다. AI 칩 수요가 일시적 재고 축적이 아니라 대형 클라우드와 AI 연구소의 실제 인프라 확장으로 이어지고 있다는 해석이 가능하다.

GAAP 기준 총마진은 75.0%였다. 매출이 급증하는 동안 높은 마진을 유지했다는 점은 공급 병목과 제품 경쟁력이 아직 엔비디아에 유리하게 작동하고 있음을 보여 준다.

다만 성장률만 보고 판단하면 위험하다. AI 인프라 시장은 고객의 CapEx, 전력 확보, 데이터센터 증설, 각국 수출 규제에 영향을 받는다. 따라서 매출 성장률과 함께 다음 분기 가이던스, 데이터센터 비중, 마진 흐름을 같이 봐야 한다.

03

데이터센터 매출 890억 달러가 핵심인 이유

데이터센터 매출은 890억 달러로 전년 대비 117%, 전 분기 대비 18% 증가했다. 이는 전체 매출 962.21억 달러의 대부분을 차지한다.

이 숫자는 AI 버블 논쟁에서도 중요하다. AI 인프라 투자가 과열됐다는 주장과 별개로, 클라우드 사업자와 AI 기업이 실제로 GPU, 네트워크, 랙 단위 시스템을 계속 사들이고 있다는 점을 보여 주기 때문이다.

Jensen Huang CEO는 AI가 유용한 일을 하고 있으며 이제 컴퓨트가 매출이 되고 있다고 말했다. 이는 엔비디아가 AI를 단순 기대가 아니라 고객의 실제 지출로 보고 있다는 메시지다.

04

핵심 지표 표로 보기

NVIDIA의 2026년 2분기 실적은 매출, 데이터센터, 마진, 다음 분기 가이던스가 모두 강하게 나왔다.

항목 수치 해석
전체 매출 962.21억 달러, +106% AI 인프라 수요가 전년 대비 두 배 이상 확대
데이터센터 매출 890억 달러, +117% 엔비디아 성장의 핵심 축이 데이터센터로 집중
GAAP 총마진 75.0% 강한 수요와 제품 경쟁력이 마진을 지지
Q3 매출 가이던스 1,080억 달러 ±2% 다음 분기에도 AI 인프라 수요 지속을 전제

표에서 가장 중요한 항목은 데이터센터 매출이다. 엔비디아는 더 이상 게임 GPU 중심 기업이 아니라, 글로벌 AI 인프라 투자 사이클의 핵심 공급자로 봐야 한다.

05

Vera Rubin과 AI 팩토리 수요

NVIDIA는 Vera Rubin 플랫폼이 본격 생산 단계로 올라가고 있으며, CoreWeave, Google Cloud, Microsoft Azure, Oracle Cloud Infrastructure, Nebius 등 파트너의 랙에서 구동되고 있다고 밝혔다.

이 발표가 중요한 이유는 AI 인프라가 GPU 단품 판매에서 랙, 네트워크, CPU, 스위치, 소프트웨어가 결합된 시스템 판매로 이동하고 있기 때문이다.

AI 팩토리라는 표현은 과장이 아니라 사업 모델 변화를 설명한다. 고객은 모델 학습과 추론을 위해 칩만 사는 것이 아니라 데이터센터 전체의 처리량, 전력 효율, 네트워크 병목 해소를 함께 구매한다.

06

중국 매출 제외 가이던스가 의미하는 것

NVIDIA는 다음 분기 매출 가이던스를 1,080억 달러, 오차 범위 ±2%로 제시했다. 중요한 조건은 이 전망에 중국 데이터센터 컴퓨트 매출을 가정하지 않았다는 점이다.

이는 두 가지 의미가 있다. 첫째, 중국 없이도 글로벌 AI 인프라 수요가 충분히 크다는 자신감이다. 둘째, 중국 수출 규제와 정책 변수는 여전히 실적의 상방 또는 하방 변수가 될 수 있다.

따라서 다음 분기에는 매출 가이던스 달성 여부뿐 아니라 지역별 수요, 수출 규제 변화, 대체 제품 공급 가능성을 같이 봐야 한다.

07

마진과 비용 구조 체크포인트

NVIDIA의 GAAP 영업이익은 637.34억 달러로 전년 대비 124% 증가했다. GAAP 순이익은 596.88억 달러로 전년 대비 126% 증가했다. 희석 EPS는 2.46달러였다.

비GAAP 기준으로도 영업이익은 639.56억 달러, 순이익은 539.54억 달러, 희석 EPS는 2.22달러였다. 매출 성장뿐 아니라 이익 성장도 강했다.

다만 비용 증가율도 봐야 한다. GAAP 영업비용은 84.08억 달러로 전년 대비 55% 증가했다. AI 인프라 생태계가 커질수록 연구개발, 공급망, 소프트웨어, 고객 지원 비용도 함께 커질 수 있다.

08

다음 분기 체크포인트

첫째, Q3 매출 가이던스 1,080억 달러를 달성하는지 봐야 한다. 이 수치가 실현되면 AI 인프라 투자 사이클이 아직 강하다는 근거가 된다.

둘째, 데이터센터 매출 성장률이 유지되는지 확인해야 한다. 성장률이 둔화되더라도 절대 매출 규모와 주문 지속성이 중요하다.

셋째, 마진이 70%대 중반을 유지하는지 봐야 한다. 메모리, 패키징, 네트워크 부품 비용이 올라가면 높은 매출 성장에도 이익률이 압박받을 수 있다.

09

검증 요약

공식 발표 기준으로 확인된 핵심 수치는 매출 962.21억 달러, 데이터센터 매출 890억 달러, GAAP 총마진 75.0%, GAAP 영업이익 637.34억 달러, GAAP 순이익 596.88억 달러, Q3 매출 가이던스 1,080억 달러다.

이번 실적은 AI 인프라 수요가 엔비디아 매출과 이익에 직접 연결되고 있음을 보여 준다. 특히 데이터센터 매출 117% 성장은 AI 관련 수요의 강도를 가장 명확히 보여 주는 숫자다.

동시에 체크할 리스크도 분명하다. 중국 매출 제외 가이던스, 고마진 유지 여부, 고객 CapEx 지속성, AI 인프라 금융 구조가 다음 관전 포인트다.

공식 발표 기준

2026년 8월 30일 기준 NVIDIA 공식 실적 발표를 기준으로 작성했다. 주요 출처는 NVIDIA Q2 Fiscal 2027 Results이다.

10

SUMMARY

발표일
NVIDIA는 2026년 8월 26일 회계연도 2027년 2분기 실적을 발표했다.
전체 매출
매출은 962.21억 달러로 전년 대비 106% 증가했다.
데이터센터
데이터센터 매출은 890억 달러로 전년 대비 117% 증가했다.
가이던스
다음 분기 매출 전망은 1,080억 달러 ±2%이며, 중국 데이터센터 컴퓨트 매출은 가정하지 않았다.
체크포인트
AI 인프라 수요 지속성, 마진 유지, 중국 변수, 고객 CapEx 흐름을 봐야 한다.
11

FAQ

NVIDIA 실적에서 가장 중요한 숫자는 무엇인가요?

데이터센터 매출 890억 달러와 전년 대비 117% 성장률이다. AI 인프라 수요가 실적으로 연결되는지를 가장 직접적으로 보여 준다.

왜 2026년 2분기라고 표기하나요?

공식 명칭은 회계연도 2027년 2분기이고, 분기 종료일은 2026년 7월 26일이다. 블로그 독자에게는 발표 시점 기준으로 2026년 2분기 실적으로 설명할 수 있다.

가장 큰 리스크는 무엇인가요?

중국 수출 규제, 대형 고객의 AI CapEx 지속성, 고마진 유지 여부, AI 인프라 금융 구조가 주요 리스크다.

CONCLUSION

NVIDIA의 2026년 2분기 실적은 AI 인프라 수요가 아직 강하다는 점을 보여 줬다. 매출 962.21억 달러, 데이터센터 매출 890억 달러, 데이터센터 성장률 117%, 다음 분기 매출 가이던스 1,080억 달러는 모두 같은 방향을 가리킨다. 다만 이 성장의 지속성은 고객사의 AI CapEx, 중국 변수, 마진 유지 여부에 달려 있다. 엔비디아 실적을 볼 때는 단순 매출 성장보다 데이터센터 수요와 마진 구조를 함께 확인해야 한다.

...
NVIDIA is still the clearest earnings proxy for AI infrastructure demand, but margins and customer capex will decide the next phase.
엔비디아 실적 분석 2026년 2분기 데이터센터 117% 성장 AI 인프라

 

반응형

CCA-F Confidence & Review Queue: 검토 라우팅과 품질 관리

반응형

 

CCA-F Quality Control
CCA-F Confidence & Review Queue: 검토 라우팅과 품질 관리

Claude CCA-F 시험을 처음 준비하는 분들을 위해 Confidence, Review Queue, 검토 라우팅, 품질 관리 기준을 간단히 정리합니다.

ConfidenceReview QueueRoutingQuality

이 글은 Claude CCA-F 시험 대비 개념 정리입니다. Confidence Score, Calibration, Review Queue, 승인/수정/거절 흐름, 동기/비동기 검토를 공식 문서와 일반 설계 원칙 중심으로 설명합니다.

01

Confidence는 확률이 아니라 신호다

Confidence는 모델 출력의 신뢰도를 나타내는 보조 신호로 볼 수 있습니다. 다만 모델이 직접 적은 점수를 검증된 확률처럼 받아들이면 안 됩니다.

예를 들어 모델이 특정 값에 대해 높은 점수를 적었다고 해도, 실제 정확도가 그 숫자와 같다는 보장은 없습니다. 따라서 Confidence는 자동 승인 여부를 판단하는 유일한 기준이 아니라, 검토 라우팅을 돕는 입력 중 하나로 사용해야 합니다.

CCA-F 관점에서는 “모델이 자신 있어 보인다”가 아니라 “이 신호를 어떤 검증 정책과 연결할 것인가”가 핵심입니다.

02

Record-level과 Field-level의 차이

Record-level Confidence는 전체 결과 하나에 점수를 붙이는 방식입니다. 단순하지만 어느 항목이 약한지 숨길 수 있습니다.

Field-level Confidence는 추출된 각 값마다 점수를 붙이는 방식입니다. 이 방식은 불확실한 항목만 검토 큐로 보내고, 확실한 항목은 다음 단계로 넘길 수 있어 효율적입니다.

구분 장점 주의점
Record-level 구현이 단순하고 감사가 쉽습니다. 하나의 약한 항목 때문에 전체를 다시 봐야 할 수 있습니다.
Field-level 불확실한 값만 골라 검토할 수 있습니다. 부분 검토 결과를 처리하는 후속 시스템이 필요합니다.

시험에서는 전체 결과 기준 검토와 개별 값 기준 검토의 차이를 구분해야 합니다.

03

Routing Threshold 설계

Routing Threshold는 자동 처리와 검토 큐를 나누는 기준입니다. 낮은 신뢰도 또는 높은 위험도 출력은 사람 검토로 보내고, 위험도가 낮고 충분히 안정적인 출력은 자동 처리할 수 있습니다.

Threshold는 임의로 정하면 안 됩니다. 평가 데이터로 실제 정확도와 오류 유형을 확인한 뒤 업무 위험도와 검토 가능 인력을 함께 고려해야 합니다.

또한 경계선 근처의 출력에는 2차 검증, 추가 도구 확인, 사람 검토 같은 중간 단계를 둘 수 있습니다.

04

Review Queue의 역할

Review Queue는 단순한 목록이 아니라 품질 관리를 위한 운영 계층입니다. 어떤 출력이 검토로 가야 하는지, 어떤 순서로 처리해야 하는지, 검토 결과를 어떻게 기록할지 포함합니다.

검토 큐에는 원 입력, 모델 출력, 신뢰도 신호, 위험도, 제안 수정 내용이 함께 표시되어야 합니다. 검토자가 필요한 정보를 따로 찾게 만들면 지연시간이 늘고 판단 품질도 흔들립니다.

우선순위는 낮은 신뢰도와 높은 위험도를 함께 고려해야 합니다. 단순히 먼저 들어온 순서대로만 처리하면 중요한 항목이 뒤로 밀릴 수 있습니다.

05

Review Queue 예시

아래는 실제 서비스 값이 아닌 더미 예시입니다. 실제 사용자 정보, 계정, 도메인, 내부 리소스명은 블로그 예시에 넣지 않습니다.

review_item:
item_id: example-review-123
risk_level: high
confidence_signal: low
routing_reason: 낮은 신뢰도와 높은 영향도
original_input: demo 요청 문장
model_output: 검토가 필요한 예시 응답
suggested_action: 사람이 확인 후 승인, 수정, 거절 중 선택
review_actions:
- approve
- edit
- reject
audit:
reviewer_note_required: true
decision_time_recorded: true

이 구조의 목적은 검토자가 무엇을 봐야 하는지 명확히 하고, 검토 결과를 나중에 평가와 개선에 다시 사용할 수 있게 만드는 것입니다.

06

검토 액션과 피드백 루프

검토자는 보통 승인, 수정, 거절 중 하나를 선택합니다. 승인은 모델 출력이 그대로 사용 가능하다는 뜻이고, 수정은 사람이 정답에 가까운 출력을 제공한다는 뜻입니다. 거절은 해당 출력을 사용하지 않는 결정입니다.

이 기록은 단순 운영 로그가 아닙니다. 어떤 입력에서 오류가 자주 발생하는지, 어떤 점수대가 실제로 위험한지, 어떤 프롬프트나 스키마를 고쳐야 하는지 알려주는 평가 데이터가 됩니다.

검토는 동기식으로 처리할 수도 있고 비동기식으로 처리할 수도 있습니다. 즉시 정확성이 필요한 흐름은 검토가 끝날 때까지 기다리고, 지연을 줄여야 하는 흐름은 임시 상태를 반환한 뒤 나중에 확정할 수 있습니다.

07

시험에서 헷갈리기 쉬운 포인트

첫째, Confidence 점수는 검증 전에는 확률이 아닙니다. 평가 데이터로 실제 정확도와 비교해야 라우팅 기준으로 쓸 수 있습니다.

둘째, 낮은 신뢰도만 검토 큐로 보내는 것이 아닙니다. 신뢰도가 높아도 영향도가 큰 출력은 검토 대상이 될 수 있습니다.

셋째, Review Queue는 방어 장치이면서 개선 데이터 생성 장치입니다. 검토 결과를 기록하지 않으면 같은 오류를 줄이기 어렵습니다.

08

공식 문서 기준 확인 사항

Anthropic 평가 도구 문서는 테스트 케이스를 만들고 결과를 비교하며 응답 품질을 등급화할 수 있다고 설명합니다. 이는 Confidence나 라우팅 기준을 감으로 정하지 않고, 실제 평가 흐름으로 검증해야 한다는 점과 연결됩니다.

가드레일 문서는 입력과 도구 결과를 스크리닝하고, 민감하거나 위험한 작업에는 추가 확인 단계를 두는 방식을 설명합니다. Review Queue는 이런 확인 단계를 운영 흐름으로 만든 형태로 이해할 수 있습니다.

공식 문서 기준

최신 동작은 평가 도구 사용하기, 가드레일 강화, Tool Use Overview 문서를 기준으로 확인해야 합니다.

09

SUMMARY

핵심 개념
Confidence는 자동 승인과 사람 검토를 나누는 보조 신호입니다.
주의점
검증 전 Confidence 점수는 실제 확률로 보면 안 됩니다.
라우팅
낮은 신뢰도 또는 높은 위험도 출력은 Review Queue로 보냅니다.
검토 액션
승인, 수정, 거절 결과는 평가와 개선에 쓰이는 기록이 됩니다.
시험 포인트
Review Queue는 단순 목록이 아니라 품질 관리 운영 시스템입니다.
10

FAQ

Confidence 점수는 정확도와 같은가요?

아닙니다. 검증 전에는 모델이 출력한 신뢰도 신호로 보고, 평가 데이터로 실제 정확도와 비교해야 합니다.

Review Queue에는 낮은 점수만 보내나요?

아닙니다. 점수가 높아도 영향도가 큰 출력은 검토로 보낼 수 있습니다.

검토 결과는 왜 기록해야 하나요?

검토 결과가 있어야 오류 패턴을 찾고, 라우팅 기준과 프롬프트, 스키마를 개선할 수 있습니다.

CONCLUSION

Confidence & Review Queue의 핵심은 모델 출력의 불확실성을 운영 흐름으로 다루는 것입니다. CCA-F 시험에서는 Confidence를 그대로 믿기보다 평가로 검증하고, 위험도에 따라 자동 처리와 사람 검토를 나누는 설계를 이해하는 것이 중요합니다.

...
Confidence is useful only when it is tied to validation and review.
CCA-F Confidence & Review Queue 검토 라우팅과 품질 관리
반응형

CCA-F Conversation Compaction: 긴 대화의 일관성 유지

반응형

 

CCA-F Context Management
CCA-F Conversation Compaction: 긴 대화의 일관성 유지

Claude CCA-F 시험을 처음 준비하는 분들을 위해 긴 대화에서 요약 압축, 상태 보존, 일관성 유지 기준을 간단히 정리합니다.

CompactionContextMemoryCoherence

이 글은 Claude CCA-F 시험 대비 개념 정리입니다. Conversation Compaction, Context Window Pressure, 요약 손실, Durable State, Goal Drift를 공식 문서와 일반 설계 원칙 중심으로 설명합니다.

01

Conversation Compaction이란 무엇인가

Conversation Compaction은 긴 대화 이력을 짧은 요약으로 바꿔 컨텍스트 공간을 확보하는 방식입니다. 대화가 길어질수록 사용자 메시지, Assistant 응답, Tool 결과, 파일 내용이 누적되기 때문에 언젠가는 정리가 필요합니다.

Compaction의 목적은 모든 내용을 보존하는 것이 아닙니다. 다음 행동에 필요한 목표, 결정, 현재 상태, 중요한 제약을 남기고 나머지 세부 사항을 줄이는 것입니다.

CCA-F 관점에서는 Compaction을 “긴 대화를 계속 이어가기 위한 요약 전략”으로 이해하면 됩니다. 다만 요약은 본질적으로 일부 정보가 빠질 수 있다는 전제를 함께 가져야 합니다.

02

Context Window Pressure와 다른 문제들

Context Window Pressure는 대화와 도구 결과가 누적되어 컨텍스트 한계에 가까워지는 현상입니다. 이 경우 오래된 내용이 압축되거나, 일부 정보가 직접 보이지 않게 될 수 있습니다.

이 문제는 긴 컨텍스트 안의 중간 정보가 덜 주목받는 현상과 구분해야 합니다. 하나는 공간이 부족한 문제이고, 다른 하나는 정보가 있어도 위치 때문에 덜 반영될 수 있는 문제입니다.

실무 설계에서는 두 문제를 모두 고려해야 합니다. 공간이 부족하면 줄여야 하고, 중요한 정보가 묻히면 별도 상태나 상단 요약으로 다시 고정해야 합니다.

03

Compaction이 보존하는 것과 잃는 것

Compaction은 대화의 흐름을 유지하는 데 유용하지만 완전한 기록은 아닙니다. 요약에 포함되지 않은 세부 정보는 이후 판단에서 빠질 수 있습니다.

구분 보존에 적합 주의할 점
목표 현재 작업의 목적과 완료 기준 모호하면 다른 방향으로 진행될 수 있습니다.
결정 이미 합의한 선택과 이유 근거가 빠지면 다시 논의될 수 있습니다.
정확한 값 별도 상태 파일이나 DB에 저장 요약만 믿으면 숫자나 식별자가 사라질 수 있습니다.
원문 기록 필요하면 원본 위치를 보존 Compaction 요약은 원문 기록을 대체하지 않습니다.

따라서 중요한 값, 결정 근거, 재현 가능한 절차는 대화 요약만 믿지 말고 별도 위치에 저장해야 합니다.

04

Compaction이 적합한 경우

Compaction은 원문 그대로의 이력보다 작업 흐름 유지가 더 중요한 경우에 적합합니다. 예를 들어 긴 구현 작업, 여러 단계의 조사, 반복적인 설계 논의에서는 요약된 상태가 대화를 계속 이어가는 데 도움이 됩니다.

반대로 정확한 문장, 코드 조각, 숫자, 계약성 기록이 중요한 경우에는 요약만으로 부족합니다. 그런 정보는 파일, 이슈, 데이터베이스, 별도 상태 블록처럼 다시 확인 가능한 위치에 남겨야 합니다.

핵심 질문은 간단합니다. “나중에 이 내용을 정확히 그대로 다시 봐야 하는가?” 답이 예라면 Compaction 요약만으로 처리하면 안 됩니다.

05

Durable State 예시

Durable State는 대화 밖에 남겨야 하는 중요한 상태입니다. 아래는 실제 값이 아닌 더미 예시입니다.

conversation_state:
goal: demo-feature의 오류 응답 형식을 정리합니다.
current_step: 상태값과 사용자 문구 매핑을 검토합니다.
decisions:
- empty_result와 access_failure를 분리합니다.
- 재시도 정책은 wrapper 계층에서 관리합니다.
open_questions:
- partial_result 문구를 별도로 둘지 확인이 필요합니다.
must_preserve:
- 상태 enum 이름
- 사용자에게 보여줄 문구
- 다음 검증 작업

이 예시의 목적은 대화를 길게 보존하는 것이 아닙니다. Compaction 이후에도 이어서 작업할 수 있도록 핵심 상태만 남기는 것입니다.

06

Goal Drift를 줄이는 방법

Goal Drift는 긴 대화가 진행되며 원래 목표에서 조금씩 벗어나는 현상입니다. 컨텍스트가 아직 남아 있어도 새 요청, 중간 논의, 도구 결과가 많아지면 목표가 흐려질 수 있습니다.

이를 줄이려면 대화 상단이나 별도 상태에 현재 목표, 완료 조건, 제외할 범위를 짧게 고정하는 것이 좋습니다. 긴 설명보다 업데이트 가능한 상태 블록이 실용적입니다.

또한 새로운 큰 작업으로 넘어갈 때는 이전 대화를 계속 끌고 가는 대신 정리하거나 새 세션으로 분리하는 선택도 필요합니다.

07

시험에서 헷갈리기 쉬운 포인트

첫째, Compaction은 완전한 백업이 아닙니다. 요약이므로 일부 정보는 사라질 수 있습니다.

둘째, 요약된 대화 흐름과 정확한 기록은 다릅니다. 정확한 값이 중요하다면 대화 밖에 저장해야 합니다.

셋째, Context Window Pressure와 Goal Drift는 다른 문제입니다. 하나는 공간 문제이고, 다른 하나는 목표 일관성 문제입니다.

08

공식 문서 기준 확인 사항

Claude Code 공식 문서는 컨텍스트 창이 세션에서 Claude가 알고 있는 내용을 담고, 파일 읽기와 도구 결과가 컨텍스트에 추가된다고 설명합니다. 또한 긴 세션에서는 /compact가 대화 이력을 구조화된 요약으로 바꿀 수 있다고 안내합니다.

공식 문서에 따르면 자동 압축은 컨텍스트 한계에 가까워질 때 세션을 이어가기 위한 방식이며, 압축 후 어떤 항목이 다시 주입되는지는 로딩 방식에 따라 달라집니다. 따라서 중요한 정보는 요약만 믿지 말고 별도 상태로 남기는 것이 안전합니다.

공식 문서 기준

최신 동작은 Explore the context window, How Claude remembers your project, Claude Pricing 문서를 기준으로 확인해야 합니다.

09

SUMMARY

핵심 개념
Conversation Compaction은 긴 대화 이력을 요약해 컨텍스트 공간을 확보하는 방식입니다.
주의점
요약은 완전한 기록이 아니며 중요한 세부 정보가 빠질 수 있습니다.
보존 대상
목표, 결정, 현재 상태, 다음 행동은 명확히 남겨야 합니다.
Durable State
정확한 값과 중요한 결정은 대화 밖에 저장해야 합니다.
시험 포인트
Compaction은 세션 지속성을 돕지만 원문 기록을 대체하지 않습니다.
10

FAQ

Compaction을 하면 모든 내용이 보존되나요?

아닙니다. 요약 과정에서 세부 정보가 빠질 수 있습니다. 중요한 정보는 별도 상태로 남겨야 합니다.

언제 Compaction을 쓰는 것이 좋나요?

긴 대화 흐름은 유지해야 하지만 원문 전체가 필요하지 않은 경우에 적합합니다.

Goal Drift는 왜 생기나요?

대화가 길어지며 새 정보와 중간 논의가 늘어나면 원래 목표가 흐려질 수 있습니다. 목표와 완료 조건을 주기적으로 고정해야 합니다.

CONCLUSION

Conversation Compaction은 긴 대화를 계속 이어가기 위한 유용한 방법입니다. CCA-F 시험에서는 Compaction을 완전한 저장소로 보지 않고, 손실 가능한 요약과 별도 상태 보존을 함께 설계해야 한다는 점을 기억하는 것이 중요합니다.

...
Compact the conversation, preserve the decisions.
CCA-F Conversation Compaction 긴 대화의 일관성 유지

 

반응형