현대적 애플리케이션을 위한 영구 파일 스토리지
현대적 애플리케이션 개발에 영구 파일 스토리지가 중요한 이유
컨테이너, 서버리스 및 마이크로서비스 기반 아키텍처를 도입하여 애플리케이션을 현대화하는 개발 팀이 늘어나고 있습니다. 컨테이너는 일시적인 특성이 있기 때문에 오래 실행되는 애플리케이션의 경우 내구성 있는 스토리지에서 상태를 유지하는 것이 유리합니다. 기계 학습 훈련 및 웹 서비스와 같은 분산 애플리케이션은 공유 스토리지 계층을 사용하는 것이 유리합니다. Amazon Elastic File System(Amazon EFS)은 한 번만 설명하면 되는 단순한 서버리스 방식의 클라우드 네이티브 파일 시스템입니다. 이 파일 시스템을 사용하면 현대적 애플리케이션을 구축하고 관리 작업 없이 AWS 컨테이너 및 서버리스 애플리케이션의 데이터를 유지하고 공유할 수 있습니다.
서버리스 애플리케이션의 데이터 지속성
서버리스 컴퓨팅을 사용하면 민첩성을 개선하는 동시에 애플리케이션의 보안, 확장성 및 가용성을 처리하는 데 소요되는 시간을 줄일 수 있습니다. 현대적인 데이터 집약적 애플리케이션에서는 많은 양의 공유 데이터에 빠르게 액세스할 수 있어야 합니다. AWS Lambda를 사용하면 대규모의 미션 크리티컬 서버리스 애플리케이션을 실행할 수 있습니다. Amazon EFS는 이러한 애플리케이션을 위한 내구성이 높은 고가용성 서버리스 스토리지를 제공하며 Lambda 함수와 AWS Fargate 태스크의 실행 후 및 실행 중에 지속되어야 하는 데이터의 공유를 간소화합니다. 이 강력한 조합은 기계 학습 애플리케이션 구축, 대규모 모델, 라이브러리 및 기타 참조 데이터 로드, 대용량 데이터 처리 및 백업, 웹 콘텐츠 호스팅 및 내부 구축 시스템 개발 시 사용하기에 적합합니다.
이점
단순성
Amazon EFS 연결은 Amazon Elastic Container Service(Amazon ECS) 태스크 정의 또는 Kubernetes 영구 볼륨(연결 포함)과 같은 애플리케이션 메타데이터로 구성되므로 개발자는 인프라가 아닌 애플리케이션에 집중할 수 있습니다.
탄력성
Amazon ECS, Amazon Elastic Kubernetes Service(Amazon EKS), AWS Fargate 및 Amazon EFS는 완전히 탄력적이며 온디맨드로 신속하게 확장되고 축소됩니다.
가용성 및 내구성
Amazon ECS, Amazon EKS, AWS Fargate, AWS Lambda 및 Amazon EFS는 리전별 서비스입니다. 자동 장애 조치와 함께 여러 가용 영역에 걸쳐 있는 애플리케이션을 구축할 수 있습니다.
보안
AWS는 보안 클라우드 컴퓨팅 환경을 제공합니다. Amazon ECS 태스크의 IAM 역할에 따라 Amazon EFS에 대한 액세스를 제어할 수 있습니다.
비용 최적화
사용한 스토리지와 컴퓨팅 요금만 지불합니다. Amazon EFS는 온디맨드로 0에서 페타바이트 단위까지 무중단으로 크기가 조정되며 사용자가 파일을 추가하고 제거할 때 자동으로 확장되고 축소됩니다. Amazon ECS, Amazon EKS 및 AWS Fargate 클러스터의 Auto Scaling을 사용하면 용량을 확장하고 축소하여 수요를 충족할 수 있습니다.
작동 방식
사용 사례
웹 서비스 및 콘텐츠 관리
웹 서비스 및 콘텐츠 관리 시스템은 여러 컨테이너식 애플리케이션 인스턴스의 공유 데이터에 액세스할 수 있어야 하므로 데이터 지속성 및 데이터 내구성이 필요합니다. 예를 들어 WordPress 및 Drupal과 같은 애플리케이션의 경우 성능 및 중복성을 위해 여러 인스턴스로 확장할 수 있으며 업로드, 플러그인 및 템플릿을 공유해야 합니다.
상태 유지 마이크로서비스
상태 유지 마이크로서비스는 날씨 애플리케이션에서 거주 도시를 기억하는 방식처럼 실행될 때마다 상태에 대한 정보를 기억해야 하는 느슨하게 결합된 애플리케이션의 일부입니다. 이러한 현대적 애플리케이션에 있어서 Amazon EFS는 데이터 기반의 역할을 하며 컨테이너 및 서버리스 기술과 연동되어 AWS 배포 안정성 및 일관성을 보장하여 데이터에 애플리케이션 상태가 유지될 수 있도록 합니다.
기계 학습과 AI
컨테이너는 기계 학습(ML) 훈련 작업, 추론 엔드포인트 및 여러 환경에서 일관적으로 실행되는 도구를 배포하는 한 가지 방법입니다. 컨테이너를 사용하면 실제로 인프라가 아니라 코드, 데이터 집합 및 모델 훈련에 집중해야 하는 데이터 사이언티스트와 개발자의 일을 복잡하게 만드는 일관성, 이동성 및 종속성 관리와 같은 문제를 해결할 수 있습니다. Amazon SageMaker Notebooks와 같은 기계 학습 도구와 Jupyter와 같은 오픈 소스 도구는 Amazon EFS를 사용하여 데이터 사이언티스트의 홈 디렉터리를 관리합니다. Amazon FSx for Lustre는 최고 수준의 처리량을 필요로 하는 가장 컴퓨팅 집약적인 기계 학습 훈련 작업에 사용될 수 있습니다.
사례 연구
T-Mobile, Amazon EFS를 사용하여 고객 경험을 개선하고 Kubernetes 스토리지 비용 절감
Caltech, Amazon EFS를 사용하여 학계의 컴퓨팅 파일 관리를 자동화
Discover Financial Services, Amazon EFS를 사용하여 데이터 사이언티스트의 협업을 위한 환경 생성
Faculty, Amazon EFS를 사용하여 혁신적인 기계 학습 플랫폼 확장
