데이터베이스

AlloyDB 및 Cloud SQL의 네이티브 BM25 순위 지정 발표

Mon, 28 Sep 2026 20:00:00 +0000

*이 콘텐츠는 AI 번역 도구를 사용하여 번역되었습니다. 정확성을 기하기 위해 노력하고 있으나, 자동 번역에는 오류나 누락이 포함될 수 있습니다. 정확한 정보는 영문 원본을 참고해 주시기 바랍니다.

벡터 검색은 생성형 AI, 검색 증강 생성 (RAG), 데이터 에이전트 아키텍처의 중요한 구성요소이지만, 때로는 벡터 검색만으로는 충분하지 않습니다. 벡터 임베딩은 개념적 의미를 이해하는 데 탁월하지만 특정 영숫자 ID와 정확한 제품 SKU 번호에는 어려움을 겪습니다. 진정으로 강력한 검색 및 AI 애플리케이션을 빌드하려면 시맨틱 벡터 검색과 기존의 정확한 키워드 전체 텍스트 검색을 결합해야 할 수 있습니다. 이를 하이브리드 검색이라고 합니다.

검색에서 BM25(Best Matching 25)는 문서가 주어진 쿼리와 얼마나 관련이 있는지 추정하는 데 사용되는 핵심 알고리즘입니다. 지금까지 AlloyDB 또는 Cloud SQL에서 BM25 순위를 지정하려면 추가적인 전체 텍스트 검색 백엔드를 추가해야 했습니다. 이로 인해 데이터 사일로, 동기화 지연, 운영 복잡성이 발생했습니다. 오늘 Google Cloud는 Tiger Data에서 만든 오픈소스 pg_textsearch 확장 프로그램을 통해 AlloyDB 및 PostgreSQL용 Cloud SQL 17+에서 기본 BM25 색인을 미리보기로 제공하여 별도의 전체 텍스트 검색 백엔드를 유지관리하는 데 드는 부담을 완전히 없애드립니다.

이제 통합된 하이브리드 검색 백엔드를 사용하면 최첨단 전체 텍스트 검색을 위해 별도의 시스템을 프로비저닝, 관리하거나 비용을 지불할 필요가 없습니다. 이 모든 작업은 운영 데이터가 저장된 데이터베이스 내에서 직접 이루어지며 다음과 같은 이점을 제공합니다.

업계 표준 키워드 순위: Tiger Data의 pg_textsearch를 기반으로 C에 최적화된 BM25 점수를 Postgres 테이블에 바로 제공합니다.
복잡성 해소, 완전한 일관성: 벡터 및 전체 텍스트 검색을 위해 여러 백엔드를 유지보수할 때 발생하는 데이터 중복, ETL 파이프라인, 동기화 지연을 제거합니다.
강화된 시맨틱 검색(AlloyDB 전용): ScaNN 및 HNSW 색인 유형을 사용하여 표준 PostgreSQL에 비해 최대 6배 및 10배 더 빠른 벡터 검색 쿼리를 얻을 수 있습니다.

pg_textsearch를 사용해야 하는 이유

의미 있는 규모로 전체 텍스트 검색을 위해 PostgreSQL의 기본 제공 ts_rank 를 사용해 본 적이 있다면 이미 그 한계를 알고 있을 것입니다. 코퍼스가 커질수록 순위 품질이 저하됩니다. 역문서 빈도에 대한 지원이 없으므로 일반적인 단어와 드문 단어의 가중치가 동일합니다. 용어 빈도 포화가 없으므로 '데이터베이스'를 50번 언급하는 문서가 한 번 언급하는 문서보다 순위가 높습니다.

BM25는 정보 검색의 표준으로, 역문서 빈도 (더 희귀한 용어가 더 중요함), 용어 빈도 포화 (반복이 지배하지 않음), 문서 길이 정규화를 제공합니다. Tiger Data가 PostgreSQL 페이지에서 BM25 검색 엔진을 빌드한 방법에 대한 자세한 내용은 이 블로그 게시물을 참고하세요.

전체 텍스트 검색 예시

AlloyDB와 Cloud SQL에서 BM25 전체 텍스트 검색을 시작하는 방법은 다음과 같습니다. 고유 식별자 uniq_id, product_name 열, 각 제품의 텍스트 설명을 포함하는 product_description 열, 생성된 product_embedding 열을 포함하는 샘플 테이블 cymbal_products를 고려해 보겠습니다. cymbal_products 에는 실내 및 실외 식물을 포함한 다양한 소매 제품에 대한 정보가 포함되어 있습니다.

색인 생성

BM25를 사용하려면 pg_textsearch 확장 프로그램을 사용 설정합니다.

code_block: <ListValue: [StructValue([('code', '-- Install pg_textsearch extension\r\nCREATE EXTENSION pg_textsearch;'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f4237820950>)])]>

cymbal_products 테이블의 product_description열에 색인을 만듭니다.

code_block: <ListValue: [StructValue([('code', "-- Create the native BM25 index on the content column\r\nCREATE INDEX idx_docs_bm25 \r\nON cymbal_products \r\nUSING bm25 (product_description) \r\nWITH (text_config='english');"), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f4237823490>)])]>

<@> 특수 연산자를 사용하여 BM25 전체 텍스트 검색 쿼리를 실행할 수 있습니다. 아래 스니펫에서는 'cherry tree'를 검색합니다.

code_block: <ListValue: [StructValue([('code', "-- Full text search query\r\nSELECT product_name, product_description <@> 'cherry tree' AS bm25_score \r\nFROM cymbal_products\r\nORDER BY bm25_score \r\nLIMIT 5;"), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f4237820b90>)])]>

샘플 출력은 아래와 같습니다. 점수가 더 음수일수록 관련성이 더 높습니다.

AlloyDB 하이브리드 검색 예시

AlloyDB에서 하이브리드 검색 시스템을 설정하는 것은 간단합니다. 동일한 테이블에서 벡터 색인과 키워드 색인을 모두 생성하고 하이브리드 검색 사용자 정의 함수 (UDF)를 사용하여 결과를 원활하게 병합할 수 있습니다.

벡터 색인 생성

ScaNN 벡터 검색 색인을 만드는 방법은 다음과 같습니다.

code_block: <ListValue: [StructValue([('code', '-- Install vector extension\r\nCREATE EXTENSION vector;\r\n\r\n-- Install scann extension\r\nCREATE EXTENSION IF NOT EXISTS alloydb_scann;\r\n\r\n-- Create scann vector search index \r\nCREATE INDEX cymbal_products_embeddings_scann ON cymbal_products USING scann(product_embedding cosine);'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f4237821850>)])]>

하이브리드 검색

AlloyDB는 하이브리드 검색 쿼리를 매우 간단하게 실행할 수 있는 기본 제공 하이브리드 검색 UDF를 제공합니다. UDF는 RRF (Reciprocal Rank Fusion) 알고리즘을 사용하여 각 검색 구성요소의 순위가 지정된 결과를 단일 통합 목록으로 병합합니다. 이 쿼리는 UDF를 활용하여 제품 설명에서 '집보다 키가 큰 나무'에 대한 벡터 검색과 '캘리포니아'에 대한 키워드 검색을 수행합니다.

code_block: <ListValue: [StructValue([('code', 'CREATE EXTENSION google_ml_integration;\r\n\r\nSELECT *\r\nFROM ai.hybrid_search(\r\n search_inputs => ARRAY[\r\n \'{\r\n "data_type": "vector",\r\n "weight": 0.5,\r\n "table_name": "cymbal_products",\r\n "key_column": "uniq_id",\r\n "vec_column": "product_embedding",\r\n "distance_operator": "public.<=>",\r\n "limit": 10,\r\n "query_vector": "ai.embedding(\'\'text-embedding-005\'\', \'\'trees that grow taller than houses\'\')::vector"\r\n }\'::JSONB,\r\n \'{\r\n "data_type": "text",\r\n "weight": 0.5,\r\n "table_name": "cymbal_products",\r\n "key_column": "uniq_id",\r\n "text_column": "product_description",\r\n "limit": 10,\r\n "ranking_function": "<@>",\r\n "query_text_input": "California"\r\n }\'::JSONB\r\n ],\r\n);'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f4237821a90>)])]>

아래 샘플 출력에서 볼 수 있듯이 결과는 RRF 점수의 내림차순으로 순위가 매겨집니다.

여기서 하이브리드 검색은 시맨틱 직관과 정확한 키워드 매칭 사이의 간극을 메웁니다. 벡터 임베딩은 '집보다 큰 나무'와 같은 개념적 쿼리를 파악하는 데 탁월하지만, 기존의 전체 텍스트 검색은 '캘리포니아'와 같은 엄격한 식별자에 필요한 정확한 정밀도를 제공합니다. AlloyDB는 이 두 가지를 융합하여 애플리케이션이 '캘리포니아 시카모어'와 같이 지역과 관련성이 높은 매우 구체적인 결과를 목록의 맨 위에 표시하도록 보장합니다.

Cloud SQL 하이브리드 검색 예시

Cloud SQL에서는 아래와 같이 동일한 테이블에 벡터 색인과 키워드 색인을 모두 만들고 공통 테이블 표현식 (CTE)을 사용하여 결과를 원활하게 병합하고 RRF 점수를 병합할 수 있습니다.

벡터 색인 생성

Cloud SQL에서 HNSW 색인을 만드는 방법은 다음과 같습니다.

code_block: <ListValue: [StructValue([('code', '-- Install vector extension\r\nCREATE EXTENSION vector;\r\n\r\n-- Create an HNSW index on the embedding column for fast approximate nearest neighbor search\r\nCREATE INDEX product_hnsw_idx ON cymbal_products USING hnsw(product_embedding vector_cosine_ops);'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f4237821cd0>)])]>

하이브리드 검색

하이브리드 검색 쿼리는 다음과 같습니다.

code_block: <ListValue: [StructValue([('code', "CREATE EXTENSION google_ml_integration;\r\n\r\n-- BM25 keyword results\r\nWITH keyword_results AS (\r\n SELECT uniq_id, product_name, \r\n ROW_NUMBER() OVER (ORDER BY product_description <@> 'California') AS rank_kw\r\n FROM cymbal_products\r\n ORDER BY product_description <@> 'California'\r\n LIMIT 10\r\n),\r\n-- Semantic vector results\r\nsemantic_results AS (\r\n SELECT uniq_id, product_name, \r\n ROW_NUMBER() OVER (ORDER BY product_embedding <=> google_ml.embedding('text-embedding-005', 'trees that grow taller than houses')::vector) AS rank_vec\r\n FROM cymbal_products\r\n ORDER BY product_embedding <=> google_ml.embedding('text-embedding-005', 'trees that grow taller than houses')::vector\r\n LIMIT 10\r\n)\r\n-- Reciprocal Rank Fusion (RRF) to merge and score both lists\r\nSELECT COALESCE(k.uniq_id, s.uniq_id) AS uniq_id,\r\n COALESCE(k.product_name, s.product_name) AS product_name,\r\n COALESCE(1.0 / (60 + k.rank_kw), 0) + COALESCE(1.0 / (60 + s.rank_vec), 0) AS rrf_score\r\nFROM keyword_results k\r\nFULL OUTER JOIN semantic_results s ON k.uniq_id = s.uniq_id\r\nORDER BY rrf_score DESC\r\nLIMIT 5;"), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f4237821ad0>)])]>

결과 출력은 위에 표시된 AlloyDB 하이브리드 검색 결과와 동일합니다.

실제 사례 확인

데모 동영상에서 이 모든 것이 어떻게 결합되는지 확인해 보세요.

시작할 준비가 되셨나요? 확인해 보세요”

AlloyDB 리소스

AlloyDB 사용이 처음이신가요? 30일 무료 체험판 으로 AlloyDB를 살펴보세요.
AlloyDB AI에서 벡터 색인 선택
AlloyDB BM25 문서
AlloyDB 하이브리드 검색 UDF 문서

Cloud SQL 리소스

Cloud SQL BM25 문서

Tiger Data pg_textsearch 출시 페이지

BigQuery 그래프를 사용한 식품 공급망의 디지털 트윈 모델링

Mon, 28 Sep 2026 20:00:00 +0000

성장하는 레스토랑의 예

식당 체인을 운영한다고 가정해 보겠습니다. 비즈니스가 어떻게 운영되는지 알기 위해 직접 만져보고 느낄 수 없기 때문입니다. 비즈니스의 상태를 감지할 수 있는 도구와 비즈니스의 디지털 복제본이 필요합니다.

성장의 마찰

성장으로 인해 스프레드시트로는 해결할 수 없는 고유한 종류의 마찰이 발생합니다.

채찍 효과: 다운스트림의 작은 수요 변화가 업스트림의 인벤토리 파도로 증폭됩니다.
SOP 이탈: 표준 준비 작업에서 약간만 벗어나도 결국 전체 브랜드 분위기가 훼손됩니다.
식품 안전 영향 범위: 오염된 재료 하나가 네트워크 전반에 걸쳐 복잡하고 지저분한 위험 지도를 만듭니다.
무단 지출: 현지 관리자가 계약 외 식재료를 구매하여 발생한 '백만 달러의 누수'

디지털 트윈

디지털 모델을 사용하면 세상에 대해 더 통찰력 있는 질문을 던질 수 있지만, 데이터를 구성하는 방식에 대해 중요한 선택을 해야 합니다. 기존의 관계형 테이블이 표준이었지만, 여전히 모든 작업에 적합한 도구인지 물어봐야 합니다. 세상은 본질적으로 상호 연결되어 있으므로 그래프 기반 모델로 전환하는 것이 현실을 포착하기 위한 자연스러운 진화일 수 있습니다.

수천 개의 애셋, 복잡한 공급망 또는 글로벌 물류 네트워크를 관리할 때 기존의 관계형 데이터베이스는 종속 항목을 추적하기 위해 리소스 집약적인 대규모 SQL 조인이 필요합니다. 이 아키텍처는 물리적 이벤트와 운영 인식 사이에 지연 시간 격차를 만듭니다.

BigQuery 그래프를 사용한 모델링

BigQuery 그래프를 사용하면 기존 데이터 플랫폼 내에서 전체 공급망의 디지털 트윈을 빌드할 수 있습니다. 물리적 세계(항목, 레시피, 위치)를 노드와 엣지로 이루어진 검색 가능한 맵으로 전환하면 새로운 차원의 명확성을 얻을 수 있습니다.

1. 시맨틱 계층 정의

데이터를 새 데이터베이스로 이동하는 대신 기존 테이블 위에 그래프 뷰를 만듭니다. 이렇게 하면 BigQuery에서 테이블이 서로 어떻게 관련되어 있는지 정확히 알 수 있습니다.

쿼리 언어:

code_block: <ListValue: [StructValue([('code', '# Build the Graph Nodes & Edges\r\nCREATE or REPLACE PROPERTY GRAPH `restaurant.bombod`\r\nNODE TABLES (\r\n `restaurant.item` label item properties all columns,\r\n `restaurant.location` label location properties all columns,\r\n `restaurant.itemlocation` label itemlocation properties all columns\r\n)\r\nEDGE TABLES (\r\n `restaurant.bom`\r\n KEY(bomKey)\r\n SOURCE KEY (childItemLocation) REFERENCES `restaurant.itemlocation`(itemLocationKey)\r\n DESTINATION KEY (parentItemLocation) REFERENCES `restaurant.itemlocation`(itemLocationKey)\r\n LABEL consists_of properties all columns\r\n);'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f423c8d7150>)])]>

BigQuery 그래프를 사용하여 모델링한 가상의 레스토랑 공급망 이미지

실무에서의 정밀도

이러한 변화는 일상 업무에 어떤 영향을 미치나요? 비즈니스를 혼란에서 정밀함으로 전환합니다.

수술 리콜: 공급업체가 리스테리아 발생을 보고하면 그래프를 앞으로 이동하여 어떤 특정 레스토랑의 어떤 메뉴 항목이 영향을 받았는지 정확히 파악합니다.
날씨 위험 분석: 허리케인이 유통 센터를 위협할 때 매장 목록이 아닌 영향 범위가 표시됩니다. 해당 허브에 크게 의존하는 위치를 파악하고 보급품을 다른 경로로 재전송합니다.

2. 검색 실행

그래프 쿼리는 모델러와 데이터 과학자가 데이터를 쿼리할 수 있는 새로운 도구입니다. 복잡한 다중 도메인 데이터 개념을 단순화하고 쿼리를 간소화하며 데이터 분석을 문제 표현의 더 단순하고 자연스러운 표현으로 만듭니다. 예를 들어 닭고기를 취급하는 모든 위치를 알고 싶다면 아래와 같이 그래프 쿼리를 실행할 수 있습니다.

특정 불만사항이나 위험을 조사하기 위해 그래프 쿼리 언어를 사용하여 모델에 대한 검색을 실행합니다.

Graph Query Language

code_block: <ListValue: [StructValue([('code', "# Navigate to the source of a specific ingredient issue\r\nGraph restaurant.bombod\r\nMATCH (a:itemlocation)-[c:consists_of]->(b:itemlocation) \r\nWHERE b.itemKey LIKE '%Chicken%'\r\nRETURN to_json([to_json(a),to_json(c),to_json(b)]) as result"), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f423c8d4a90>)])]>

악취의 근원 - 그래프로 모델링

미래를 위한 기반 구축

디지털 트윈을 최대한 활용하려면 다음 원칙을 따르세요.

구조에 집중: 그래프를 사용하여 관계와 종속 항목을 파악하고, 일일 매출 합계를 관계형 테이블에 보관합니다.
키 정리: 데이터 엔지니어링에 시간을 투자하세요. 그래프는 연결만큼 강력합니다.
에지 속성 캡처: 리드 타임이나 배송비와 같은 메타데이터를 에지에 직접 저장하여 모델의 유용성을 높입니다.

결론

레스토랑 업계는 비즈니스 데이터를 목록으로만 취급하는 관계형 방식을 벗어났습니다. BigQuery 그래프를 사용해 디지털 트윈으로 도메인 간 관계를 빌드하면 반응적인 문제 해결에서 선제적인 모델링으로 전환할 수 있습니다. 이제 목록으로 네트워크를 관리하는 대신 몇 초 만에 연결을 확인할 수 있습니다.

지금 시작하기

여기 에서 튜토리얼을 확인하세요.
BigQuery 문서를 방문하여 개요 와 빠른 시작 가이드를 확인하세요.
의견 공유: 커뮤니티에 참여하고 bq-graph-preview-support@google.com을 통해 질문에 대한 답변을 받아보세요.
관련 블로그: BigQuery 그래프 소개

M4N VM 제품군 정식 버전 출시: I/O 및 메모리 집약적 워크로드를 위한 코어당 최고 수준의 IOPS 및 처리량 제공

Mon, 28 Sep 2026 16:00:00 +0000

엔터프라이즈 조직이 미션 크리티컬 애플리케이션을 확장함에 따라 스토리지 I/O 및 메모리 액세스가 심각한 운영 병목 현상을 초래할 수 있습니다. Oracle 데이터베이스, SAP HANA와 같은 인메모리 데이터베이스, 높은 처리량의 SQL Server 클러스터, EHR 시스템, 실시간 빅데이터 분석 등 메모리 집약적 데이터베이스를 사용하는 기업은 필요한 RAM 용량과 스토리지 대역폭을 확보하기 위해 컴퓨팅 코어(vCPU)를 과도하게 프로비저닝해야 하는 경우가 많으며, 이는 고가의 서드 파티 소프트웨어 라이선스 비용 상승으로 이어집니다.

오늘 Google Compute Engine에서 네트워크 및 블록 스토리지 최적화 VM 제품군의 두 번째 제품인 M4N 머신 시리즈의 정식 버전을 출시했습니다. 이 머신 시리즈는 I/O 집약적인 고성능 메모리 워크로드를 위해 특별히 설계되었습니다. 다른 하이퍼스케일러의 유사 제품과 비교했을 때 M4N은 고성능 메모리 인스턴스에서 코어당 가장 높은 IOPS 및 처리량을 제공하며 Oracle 데이터베이스의 총소유비용을 20% 이상 절감합니다.

또한 M4N은 더 높은 메모리 비율(최대 26:1)과 크기(6TB)로 최적화된 업계 최초의 네트워크 및 블록 스토리지 인스턴스입니다. 5세대 인텔® 제온® 스케일러블 프로세서로 구동되고 Google Cloud의 커스텀 Titanium 오프로드 아키텍처를 기반으로 빌드된 M4N 인스턴스는 Hyperdisk Extreme과 결합 시 최대 25,000MiB/s(25GiB/s)의 총 호스트 스토리지 성능과 최대 100만 IOPS를 제공하여 기존 M4 인스턴스의 블록 스토리지 성능을 두 배로 높입니다.

M4N은 극도로 높은 밀도의 RAM과 타협 없는 I/O 성능을 모두 요구하는 워크로드를 대상으로 하며, 높은 처리량을 필요로 하는 엔터프라이즈 애플리케이션의 특정 스토리지 및 네트워크 병목 현상을 해결하여 기존 메모리 최적화 제품군(M1, M2, M3, M4, X4 등)을 보완합니다.

고성능을 요구하는 워크로드를 위해 설계됨

워크로드 카테고리	대표적인 적용 분야	M4N의 장점
미션 크리티컬 엔터프라이즈 DB	Oracle, SAP HANA, SQL Server, IBM DB2, MySQL, PostgreSQL	최대 26.57GB/vCPU의 메모리 대 코어 비율과 25GiB/s의 스토리지 성능을 결합하여 신속한 데이터 수집, 트랜잭션 로깅 및 지연 없는 백업 주기를 지원합니다.
생성형 AI 및 RAG 데이터 레이어	Milvus, Pinecone, Qdrant, Vespa, Redis, 인메모리 컨텍스트 캐싱	RAM의 대규모 벡터 색인을 대상으로 1밀리초 미만의 유사성 검색을 수행하고, 분산 모델 검색을 위해 400Gbps의 네트워크 대역폭을 결합합니다.
엔터프라이즈 의료 및 ERP	Epic Systems(운영 데이터베이스), SAP ECC, SAP S/4HANA	지속적인 I/O 여유 공간으로 임상 및 트랜잭션 처리량이 급증하는 시간대에 쿼리 지연 시간 급증을 방지합니다.
실시간 분석 및 EDA	전자 설계 자동화, 유전체학 모델링, 인메모리 OLAP	대규모 데이터 세트를 RAM에 온전히 로드할 수 있는 높은 메모리 용량과 체크포인트 덤프를 위한 최대 스토리지 대역폭을 갖추고 있습니다.

Oracle 라이선스 비용 최적화

엔터프라이즈 IT 부서는 코어 기반 소프트웨어 라이선스 비용 상승으로 어려움을 겪고 있습니다. Oracle 데이터베이스와 같은 워크로드의 경우 라이선스 요금은 일반적으로 인스턴스에 할당된 vCPU 또는 물리적 코어 수를 기준으로 산정됩니다. 지금까지는 필요한 양의 RAM과 스토리지 성능을 얻기 위해 필요 이상으로 많은 컴퓨팅 코어에 대한 비용을 지불해야 했습니다.

M4N은 업계 최고의 높은 메모리 대 vCPU 비율로 이러한 패러다임을 바꿉니다. M4N은 모든 주요 하이퍼스케일러의 고성능 메모리 인스턴스 중 코어당 가장 높은 IOPS와 처리량을 제공하므로 데이터베이스 관리자는 다음과 같은 이점을 누릴 수 있습니다.

TCO 및 라이선스 오버헤드 감소: Oracle 데이터베이스 성능 밀도 요구사항을 충족하면서 코어의 과도한 프로비저닝을 방지하여 주요 하이퍼스케일러의 유사 제품에 비해 TCO를 20% 이상 절감합니다.
인프라 규모 적정 조정: 대규모 메모리 풀에 액세스하는 동시에 워크로드에 필요한 정확한 양의 컴퓨팅 성능을 할당할 수 있습니다.
캐시 적중률 개선: 코어당 사용 가능한 메모리가 늘어나면 데이터베이스의 더 많은 부분이 시스템 글로벌 영역(SGA)에 상주할 수 있어 비용이 많이 드는 I/O 작업을 줄이고 효율성을 더욱 높일 수 있습니다.

고객의 의견

M4N을 조기에 도입한 결과, 워크로드에 최적화된 인프라가 혁신의 원동력임이 입증되었습니다.

“M4N 도입 전에는 Google Cloud에서 까다로운 I/O 요구사항을 충족하고 필요한 성능 밀도를 확보하기 위해 컴퓨팅 리소스를 과도하게 프로비저닝해야 하는 경우가 많았습니다. 새로운 M4N 인스턴스는 소형부터 대형까지 다양한 사양에서 높은 처리량을 제공하여 이 문제를 해결합니다." - 셰리 트로잔, Sabre 수석 솔루션 설계자

"Google Cloud가 미션 크리티컬 데이터베이스 워크로드를 위한 차세대 고성능 인프라를 선보여서 매우 기쁩니다. 이 새로운 컴퓨팅 플랫폼은 확장성, 복원력, 고성능이 필요한 엔터프라이즈급 Oracle 배포에 있어 엄청난 잠재력을 보여줍니다. Google Cloud에서 Oracle 워크로드를 실행하는 고객에게 이 혁신이 어떤 의미를 가질지 기대가 큽니다.” - 발라 쿠치보틀라, Tessell 공동 설립자 겸 CEO

"Google Cloud는 M4N을 통해 플랫폼 공동 설계의 한계를 계속해서 넓혀가고 있습니다. 5세대 인텔 제온 스케일러블 프로세서와 Google의 커스텀 Titanium 오프로드 아키텍처를 결합한 M4N은 세계에서 가장 까다로운 미션 크리티컬 데이터 환경에 필요한 압도적인 메모리 용량, 높은 메모리 대역폭, 타협 없는 I/O 처리량을 제공합니다." - 인텔

새로운 소식: M4N으로 극한의 데이터 레이어 확장

M4N은 클라우드 인프라에서 이전에는 별개로 여겨졌던 두 가지 패러다임인 대규모 메모리 사용량과 극한의 I/O 성능을 하나로 연결합니다. 커스텀 Titanium 오프로드로 설계된 M4N은 인프라 부가기능이나 메모리 밀도 저하 없이 I/O 병목 현상을 최소화합니다. M4N이 이러한 환경에 어떻게 적용되는지 살펴보겠습니다.

1. 고대역폭 데이터 전송 지원

대규모 메모리 사용량이 요구되는 워크로드의 경우 M4N은 다음과 같은 이점을 제공합니다.

우수한 VM 간 대역폭: 동일한 VPC 내에서 최대 400Gbps의 집계 VM 간 네트워크 대역폭과 최대 50Gbps의 단일 흐름 대역폭을 제공하여 분산 데이터베이스 클러스터와 실시간 스트리밍 데이터 레이어를 위한 비차단 데이터 교환을 지원합니다.
향상된 인터넷 및 이그레스 처리량: 최대 200Gbps의 인터넷 이그레스 대역폭과 최대 48MPPS의 패킷 처리 성능을 제공합니다.
즉시 사용 가능한 고대역폭: 프리미엄 Tier_1 네트워킹 부가기능을 구매하거나 구성할 필요 없이 최대 성능을 구현할 수 있습니다.

2. Hyperdisk를 통한 동적 스토리지 성능

Google Cloud의 차세대 스토리지 포트폴리오와 결합된 Hyperdisk 기반 M4N을 사용하면 IOPS, 처리량, 용량을 독립적으로 조정할 수 있습니다.

Hyperdisk Extreme(HdX): 최대 25GiB/s의 집계 블록 스토리지 처리량과 1,000,000 IOPS를 제공하며, 이는 표준 M4의 스토리지 성능보다 두 배 높은 수준입니다. 이는 신속한 데이터베이스 복구, 트랜잭션 체크포인트 설정, 즉각적인 인메모리 색인 새로고침에 적합합니다.
Hyperdisk Balanced(HdB): 최대 20GiB/s의 처리량과640,000 IOPS까지 확장되어 대규모 환경에서 비용 효율적인 엔터프라이즈 스토리지를 제공합니다.

M4N 머신 유형 및 사양

M4N 인스턴스는 3가지 메모리 대 vCPU 비율 등급으로 제공되며, 16~224개의 vCPU와 최대 5,952GB의 DDR5 RAM까지 확장 가능합니다. 또한 M4N은 특정 워크로드 요구사항에 맞게 세 가지 메모리 대 vCPU 비율로 사전 정의된 VM 구성을 제공하며, 리소스 기반 약정 사용 할인(CUD)을 지원합니다. 자세한 내용은 여기에서 확인하세요.

지금 시작하기

M4N 인스턴스는 현재 전 세계 일부 리전에서 이용 가능합니다. M4N 제품군이 메모리 및 I/O 집약적 애플리케이션의 성능을 어떻게 향상시키고 라이선스 비용을 절감할 수 있는지 자세히 알아보려면 계정 담당자에게 문의하거나 관련 문서를 참조하세요.

Database Migration Service의 Gemini를 사용하여 PostgreSQL 마이그레이션 가속화

Mon, 28 Sep 2026 00:00:00 +0000

팀에서 Oracle 또는 SQL Server와 같은 기존 상용 데이터베이스에서 오픈소스 PostgreSQL 또는 PostgreSQL용 AlloyDB와 같은 완전 관리형 서비스로 핵심 애플리케이션을 마이그레이션하기로 결정한 시나리오를 가정해 보겠습니다.

초기 단계는 순조롭게 진행됩니다. 스키마가 변환되고, 테이블이 채워지고, 데이터 마이그레이션 파이프라인이 테라바이트 규모의 데이터를 몇 시간 만에 전송합니다. 프로젝트가 일정보다 앞서 진행되고 있습니다.

그러면 팀은 병목 현상에 직면하게 됩니다.

기존 데이터베이스에는 PL/SQL 또는 T-SQL과 같은 독점적인 SQL 언어로 작성된 수백 개의 저장 프로시저, 복잡한 트리거, 커스텀 함수가 포함되어 있습니다. 이러한 루틴에는 트랜잭션 검증, 주문 처리, 맞춤 보고를 처리하는 중요한 비즈니스 로직이 수년간 포함되어 있습니다.

갑자기 현대화 프로젝트가 중단됩니다. 수천 줄의 절차적 논리를 변환하려면 전문적인 이중 언어 전문 지식, 수개월의 수동 재작성, 높은 변환 오류 위험이 필요합니다. 이 코드 변환은 데이터베이스 마이그레이션의 '라스트 마일' 병목 현상을 나타내며 마이그레이션에서 가장 복잡한 부분입니다.

다행히도 최근 AI의 발전으로 라스트 마일 문제에 대한 해결책이 마련되었습니다. Database Migration Service (DMS)에는 Gemini 기반의 AI 지원 코드 변환 기능이 포함되어 있습니다. 생성형 AI를 마이그레이션 워크플로에 직접 도입하면 저장 프로시저, 트리거, 커스텀 함수를 PostgreSQL PL/pgSQL 코드로 더 빠르고 정확하게 변환할 수 있습니다.

저장 프로시저 변환 과제

상용 데이터베이스 엔진은 저장 프로시저, 사용자 정의 함수, 패키지 본문, 조건부 논리에 대해 공급업체별 구문을 사용합니다. 이 로직을 PostgreSQL PL/pgSQL로 변환하려면 변수 정의, 예외 처리 블록, 커서 루프, 기본 제공 함수를 매핑해야 합니다.

수백 개의 저장 프로시저가 포함된 복잡한 엔터프라이즈 스키마를 마이그레이션할 때 수동 코드 변환에는 몇 달에 달하는 엔지니어링 노력이 필요한 경우가 많습니다. 데이터베이스팀은 레거시 로직을 한 줄씩 파싱하고, 조건부 분기를 다시 구현하고, 엔진 간 데이터 유형 변환을 검증해야 합니다.

DMS의 AI 지원 코드 변환

Database Migration Service의 Gemini는 Google Cloud 콘솔 내에서 직접 이러한 변환 작업을 가속화합니다. DMS는 소스 언어와 PostgreSQL 간의 구조적 차이점을 설명하는 AI 생성 코드 추천과 함께 자동화된 스키마 변환을 제공합니다.

이 서비스는 변환된 PL/pgSQL 코드를 원본 소스 코드와 나란히 표시하므로 데이터베이스팀은 제안을 실시간으로 검토, 수정, 검증할 수 있습니다.

그림 1: 코드 변환과 Gemini 인라인 설명을 나란히 표시하는 Database Migration Service 인터페이스

통합 AI가 중요한 이유

주요 공급업체의 대부분의 AI 앱과 도구는 SQL 코드를 포함한 코드를 생성하고 변환할 수 있습니다. 그러나 엔터프라이즈 데이터베이스를 변환하려면 일반적인 AI 채팅 도구에서 제공하는 스니펫 번역보다 훨씬 더 많은 것이 필요합니다. Database Migration Service의 Gemini는 다음과 같은 몇 가지 주요 이점을 제공합니다.

전체 스키마 컨텍스트: DMS의 Gemini는 코드 스니펫을 개별적으로 평가하는 대신 테이블 관계, 데이터 유형, 종속 뷰, 전체 마이그레이션 프로젝트의 교차 프로시저 참조를 포함한 전체 데이터베이스 컨텍스트를 분석합니다.
엔터프라이즈 보안 및 개인 정보 보호: 코드 변환은 Google Cloud 프로젝트 경계 및 IAM 거버넌스 내에서 엄격하게 실행되어 독점적인 비즈니스 로직과 지식 재산을 보호합니다.
통합 실행 작업공간: DMS는 수백 개의 파일에 걸쳐 수동으로 복사하여 붙여넣는 작업을 없애줍니다. 단일 콘솔 내에서 나란히 표시된 차이점을 검토하고, 인라인 AI 설명을 검사하고, 코드를 편집하고, 검증된 PL/pgSQL 루틴을 대상 데이터베이스에 직접 배포할 수 있습니다.
결정론적 정확성 및 AI 컴파일: DMS는 표준 DDL 변환, 스칼라 함수, 잘 정의된 문법 변환과 같은 1:1 매핑을 위한 결정론적 컴파일러 규칙을 복잡한 절차 블록을 위한 Gemini 컨텍스트 합성 기능과 결합하여 모델 드리프트 없이 정확하고 예측 가능한 변환을 보장합니다.

Oracle PL/SQL을 PostgreSQL로 변환

고유한 NVL 및 DECODE 함수를 사용하여 고객 주문 합계를 계산하고 등급 기반 할인을 적용하는 Oracle PL/SQL 저장 프로시져를 고려해 보겠습니다. 원래 워크플로에서는 NVL을 COALESCE에 수동으로 매핑하고, DECODE 문을 표준 CASE 표현식으로 다시 작성하고, WHEN NO_DATA_FOUND THEN과 같은 예외 블록을 조정해야 합니다.

DMS에서 마이그레이션 평가를 실행하면 Gemini가 소스 프로시저를 분석하고 기본 PostgreSQL PL/pgSQL 코드를 생성합니다.

소스: Oracle PL/SQL

code_block: <ListValue: [StructValue([('code', 'CREATE OR REPLACE PROCEDURE calculate_discount (\r\n p_customer_id IN NUMBER,\r\n p_discount OUT NUMBER\r\n) AS\r\n v_total NUMBER := 0;\r\nBEGIN\r\n SELECT NVL(SUM(amount), 0) INTO v_total\r\n FROM orders WHERE customer_id = p_customer_id;\r\n \r\n p_discount := DECODE(TRUE, v_total > 10000, 0.15, v_total > 5000, 0.10, 0.05);\r\nEXCEPTION\r\n WHEN NO_DATA_FOUND THEN\r\n p_discount := 0;\r\nEND;\r\n/'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f423cabc650>)])]>

타겟: PostgreSQL PL/pgSQL (DMS의 Gemini로 변환)

code_block: <ListValue: [StructValue([('code', 'CREATE OR REPLACE FUNCTION calculate_discount (\r\n p_customer_id NUMERIC,\r\n OUT p_discount NUMERIC\r\n) RETURNS NUMERIC AS $$\r\nDECLARE\r\n v_total NUMERIC := 0;\r\nBEGIN\r\n SELECT COALESCE(SUM(amount), 0) INTO v_total\r\n FROM orders WHERE customer_id = p_customer_id;\r\n\r\n p_discount := CASE\r\n WHEN v_total > 10000 THEN 0.15\r\n WHEN v_total > 5000 THEN 0.10\r\n ELSE 0.05\r\n END;\r\nEND;\r\n$$ LANGUAGE plpgsql;'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f423c8d7dd0>)])]>

생성된 SQL과 함께 Gemini는 NVL이 COALESCE로 변환된 이유와 Oracle DECODE 함수가 PostgreSQL의 명시적 CASE 블록으로 변환된 방법을 자세히 설명하는 인라인 설명을 제공합니다.

그림 2: DMS의 Gemini로 구동되는 엔드 투 엔드 데이터베이스 코드 변환 파이프라인

완전한 스키마 제어 및 검증 유지

보안, 투명성, 코드 정확성은 데이터베이스 현대화의 핵심 요소로 남아 있습니다. DMS의 Gemini는 설정된 Google Cloud 보안 경계 내에서 엄격하게 작동하여 코드를 프로젝트에 비공개로 유지합니다.

신뢰성을 보장하기 위해 전환 및 검증 프로세스는 구조화된 워크플로를 따릅니다.

자동 스키마 컨텍스트 가져오기: DMS 변환 작업공간을 설정하면 서비스가 테이블 스키마, 데이터 유형, 외래 키 제약조건, 교차 프로시저 종속 항목을 포함한 전체 소스 데이터베이스 메타데이터를 자동으로 파싱합니다. Gemini는 코드 생성 중에 이 프로젝트 전체 컨텍스트를 참조하므로 종속 객체 정의를 수동으로 제공할 필요가 없습니다.
자동화된 구문 및 종속 항목 검증: 코드가 생성되면 DMS는 대상 PostgreSQL 구문 규칙에 대해 검증 파서를 실행합니다. 객체에는 검증 상태 표시기 (예: 변환됨, 경고 또는 조치 필요)가 할당되어 수동 검토가 필요한 루틴을 빠르게 강조 표시합니다.
대화형 평가 상태: 모든 스키마 변경사항을 완전히 제어할 수 있습니다. 변환 작업공간 내에서 나란히 표시된 차이점을 검사하고, 인라인 AI 설명을 검토하고, 변경사항을 타겟 데이터베이스에 적용하기 전에 PL/pgSQL 코드를 직접 편집할 수 있습니다.
스테이징 배포 및 검증: 코드의 작업공간 검증이 통과되면 변환된 스키마와 함수를 프로덕션 전환 전에 기능 실행 및 성능 테스트를 위해 대상 스테이징 인스턴스 (예: Cloud SQL 또는 AlloyDB)에 적용할 수 있습니다.

데이터베이스 현대화 간소화

Database Migration Service의 AI 지원 코드 변환은 데이터베이스팀이 몇 달이 아닌 며칠 만에 기존 데이터베이스 로직을 변환할 수 있도록 도와줍니다. 데이터베이스 관리자와 애플리케이션 개발자는 코드를 처음부터 다시 작성하는 데 귀중한 시간을 낭비하는 대신 새로운 기능을 추가하고, 성능을 테스트하고, 애플리케이션을 현대화하는 데 집중할 수 있습니다.

일반적인 Oracle 및 SQL Server 변환 시나리오와 DMS가 이를 PostgreSQL로 변환하는 방법에 대한 좋은 예시를 확인하려면 최근에 게시된 Gemini가 알려주는 PostgreSQL 동영상 시리즈를 시청하세요.

데이터베이스 마이그레이션의 어려움은 이제 그만, Gemini가 기존 데이터베이스 로직을 원활하게 변환하는 방법을 알려드립니다.

Database Migration Service 시작하기

데이터베이스 변환을 시작하려면 Database Migration Service 콘솔 (https://console.cloud.google.com/dms)에서 마이그레이션 평가를 시작하거나 이기종 마이그레이션 가이드 (https://cloud.google.com/database-migration)를 읽어보세요.

통신 업계 자율성 확대: 분산 그래프 흐름(Distributed GraphFlow)으로 GNN 활용

Sun, 27 Sep 2026 22:00:00 +0000

전자통신 업계는 현재 기존의 수동적인 인간 중심 운영에서 완전한 자율 네트워크 운영으로 전환되는 패러다임 변화를 겪고 있습니다. 최신 네트워크는 점점 더 복잡하고 이질적이며 대규모로 성장하고 있어 수작업 규칙 기반 방법과 기존 머신러닝(ML) 접근 방식만으로는 네트워크 운영을 자동화하기에 충분하지 않습니다. ML 메서드는 대량의 정형 데이터에서 미묘한 패턴을 식별하고 정밀한 예측을 수행할 수 있지만, 데이터와 데이터가 나타내는 시스템을 이해하고 추론하며 궁극적으로 인간 운영자가 내릴 법한 결정을 내리는 능력은 부족합니다.

AI 에이전트의 성장과 추론 능력은 이러한 한계를 해결할 수 있는 유망한 솔루션입니다. 그러나 인간 운영자가 대규모 네트워크에서 생성된 수십억 개의 데이터 포인트에 분산된 통계 정보를 직접 수집할 수 없는 것과 마찬가지로, AI 에이전트도 이러한 규모로 작동할 수 있는 능력이 부족합니다. 이러한 문제를 해결하기 위해 통신 기업들은 방대한 시간 및 관계형 데이터에서 네이티브로 작동하도록 설계된 최신 형태의 머신러닝인 그래프 신경망(GNN)을 도입하고 있습니다. GNN을 AI 에이전트와 통합하면 운영자는 근본 원인 분석, 용량 계획, 트래픽 예측, 가상 시나리오 시뮬레이션, 실시간 이상 감지와 같은 고급 진단 기능을 이러한 인사이트를 해석하고 합당한 조치를 실행하는 데 필요한 추론 능력과 결합할 수 있습니다. 이 강력한 조합을 통해 네트워크는 시스템이 자율적으로 작동하는, TM Forum에서 정의한 레벨 5 자율성으로 안전하게 전환할 수 있습니다.

이 게시물에서는 Google Cloud의 자율 네트워크 운영 프레임워크를 지원하는 세 가지 구성요소(데이터, ML, AI)를 소개합니다.

Google 자율 네트워크 운영 프레임워크 아키텍처

기반: Spanner Graph의 디지털 트윈

Google Cloud의 자율 네트워크 운영 프레임워크의 핵심은 네트워크 디지털 트윈입니다. 이는 실제 통신 네트워크를 지속적으로 실시간 미러링하는 매우 상세한 가상 복제본입니다. 이 디지털 트윈은 정적 모델이 아니라 시간 경과에 따라 구성요소의 진화하는 상태와 관계를 포착하는 동적, 시간적 네트워크 그래프로 표현됩니다. 이러한 아키텍처 접근 방식을 통해 운영자는 마치 과거로 돌아간 것처럼 이전 데이터로 ML 모델을 학습시키고 평가할 수 있으며, AI 에이전트에게 레벨 5 자율성을 달성하는 데 필요한 기본적인 운영 지식을 제공할 수 있습니다. 디지털 트윈은 이 디지털 환경 내에서 제안된 네트워크 변경의 영향을 시뮬레이션함으로써 중요한 신뢰 계층을 구축하여 AI 에이전트가 미래 상태를 자신 있게 설계하고 네트워크 문제를 자동으로 해결할 수 있도록 합니다.

Google Cloud의 Spanner Graph는 이 디지털 트윈을 호스팅하는 데 특히 적합합니다.

확장성 및 가용성: Spanner Graph는 최신 애플리케이션을 위한 타협 없는 기반을 제공하며, 네트워크가 성장함에 따라 사실상 무제한으로 확장할 수 있고, 0-RPO/0-RTO 및 99.999%의 가용성을 제공합니다.
멀티 모델 지원: 단일 플랫폼에서 여러 데이터 모델(관계형, 그래프, 벡터, 전체 텍스트 검색)을 지원하므로 개발자가 최근접 이웃 벡터 검색과 결합된 그래프 횡단과 같은 복잡한 구성을 빌드할 수 있습니다.
전역 일관성: Spanner는 네트워크에 대한 전역적으로 일관된 뷰를 제공하여 시스템 개발을 간소화합니다.

다음 그림은 라우터, 인터페이스(물리적 포트), VPN(L3VPN 서비스 인스턴스), 흐름(활성 트래픽 세션)이라는 네 가지 노드 유형으로 구성된 네트워크 토폴로지를 보여줍니다. 이들은 전체 네트워크 스택을 캡처하는 방향성 에지 유형으로 연결됩니다. 물리적 포함(라우터-인터페이스), 물리적 링크(인터페이스-인터페이스), 컨트롤 플레인 피어링(OSPF/iBGP를 통한 라우터-라우터), 서비스 멤버십(라우터-VPN), 트래픽 앵커링(흐름-인터페이스, 흐름-VPN)이 여기에 해당합니다.

상위 수준 네트워크 토폴로지

ML 레이어: 분산 그래프 흐름(DGF)

네트워크가 어떻게 작동하고 반응할지 예측하기 위해 디지털 트윈은 분산 그래프 흐름(DGF)으로 구동되는 ML 레이어를 활용합니다. 이 레이어는 Spanner Graph 내에 호스팅된 방대한 양의 과거 정형 데이터를 학습하여 중요한 예측 인사이트를 도출하고, 이를 통해 인간 운영자와 AI 에이전트가 사후 대응이 아닌 선제적으로 네트워크를 관리할 수 있도록 지원합니다.

DGF는 최근 오픈소스로 공개된 Python 라이브러리로, GNN 모델링의 전체 엔드 투 엔드 수명 주기를 관리하도록 설계되었습니다. Google CoreML과 Google 연구팀이 개발한 이 제품은 지난 10년간 Google 내부에서 축적된 대규모 도구와 전문성을 Google Cloud 엔터프라이즈 고객에게 직접 제공합니다. 이 라이브러리는 다양한 엔지니어링 요구사항을 충족하기 위해 숙련된 팀을 위한 고성능의 구성 가능한 하위 수준 프리미티브와 함께 사전 GNN 전문 지식이 필요 없는 빠른 개발을 위한 간단한 API를 제공합니다.

예를 들어 GraphFlow에서 상위 수준 API를 사용하여 GNN 모델을 학습시키고 평가하는 작업은 코드 5줄로도 충분할 만큼 간단합니다.

code_block: <ListValue: [StructValue([('code', 'import dgf\r\n\r\n# Fetch the data from Spanner Graph\r\ngraph, schema = dgf.io.read_spanner_graph(...)\r\n\r\n# Train a node attribute prediction model\r\nmodel = dgf.learning.train_node_model(graph, schema, target_column="risk_score")\r\n\r\n# Evaluate the model\r\nmodel.evaluate()\r\n# Make predictions\r\nmodel.predict(graph, seed_node_idxs=[0, 1, 2])\r\n\r\n# Save the model for later\r\nmodel.save("/tmp/model")'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f423c572250>)])]>

DGF는 자율 네트워크 운영 요구사항에 직접 매핑되는 상위 수준 개념을 제공합니다.

사용 사례

통신사는 DGF와 GNN을 활용하여 다음과 같은 여러 고급 사용 사례를 통해 사후 대응적 유지보수에서 선제적 예방으로 전환할 수 있습니다.

이상 감지: GNN은 과거 패턴과 현재 상태를 캡슐화하는 노드 및 에지 임베딩을 생성합니다. 비정상적인 임베딩은 서비스 성능 저하로 이어지기 전에 검토를 위해 플래그가 지정됩니다.
근본 원인 분석(RCA): DGF는 특정 우편번호 지역의 '연결 실패'와 같이, 사고와 관련된 네트워크 인스턴스만 포함하는 특정 하위 그래프를 출력할 수 있습니다. 이를 통해 문제 해결 에이전트는 전체 글로벌 네트워크를 스캔하지 않고도 고속 분석을 수행할 수 있습니다.
예측 유지보수: 시스템이 빠르게 움직이는 장비의 '핸드오버 실패'와 같은 기기 장애 또는 에지 중단 가능성을 예측하여 선제적인 부하 분산 또는 경로 재지정이 가능합니다. 또한 에이전트를 결합하면 '휴먼온더루프/휴먼인더루프' 방식을 도입하여 문제 해결 조치를 자동화할 수 있습니다.
가상 시나리오 분석: GNN을 사용하면 통신사가 광케이블 단선, 트래픽 급증, 기기 구성 변경과 같은 시나리오를 시뮬레이션할 수 있습니다. 토폴로지적 종속 항목을 모델링함으로써 GNN은 이러한 국지적 변화가 전체 네트워크에 어떻게 전파되는지 예측할 수 있으며, 이를 통해 엔지니어는 위험이 없는 디지털 환경에서 복원력을 테스트하고 완화 전략을 평가할 수 있습니다.

시나리오: GNN 및 DGF를 사용한 근본 원인 분석

디지털 트윈(예시 코드)을 만들고 나면 간단한 5단계 프로세스를 통해 GNN과 DGF를 활용한 근본 원인 분석(RCA) 탐지를 구현할 수 있습니다.

디지털 트윈에 연결: DGF Spanner Graph 커넥터(dgf.io.read_spanner_graph)를 사용하여 Spanner Graph의 디지털 트윈에서 DGF 환경으로 네트워크 토폴로지를 직접 로드합니다.
지도 노드(또는 에지) 예측 모델 학습: 학습 데이터와 목표에 따라 지도 노드 예측 모델을 학습시켜 타겟 노드 특성을 예측하거나, 에지 예측 모델을 학습시켜 근본 원인 항목 노드와 영향을 받는 항목 노드 간의 에지를 예측합니다. 제공된 샘플 데이터에 대해 상위 수준 dgf.learning.train_node_model API를 사용하여 지도 노드 예측 모델을 학습시킵니다.
노드 예측 모델을 사용하여 근본 원인 노드 예측: 노드 예측 모델을 직접 사용하여 이상이 있는 노드에 대한 영향 점수를 예측할 수 있습니다. 예측된 영향 점수가 가장 높은, 즉 이상치의 영향을 받는 항목 노드가 근본 원인의 주요 후보가 됩니다.
Gemini Enterprise Agent Platform(이전 명칭: Vertex AI)에 배포: 모델을 내보내고 Gemini Enterprise 엔드포인트에서 호스팅하여 확장 가능하고 지연 시간이 짧은 예측을 지원합니다.
실시간 추론: 이상치 날짜를 입력으로 사용하여 추론 엔드포인트에 예측 호출을 수행합니다. 엔드포인트는 예측된 근본 원인 항목 노드를 반환합니다.

지금 시작하세요

분산 그래프 흐름(Distributed Graph Flow)을 사용한 GNN을 네트워크 운영에 통합하는 것은 단순한 기술 업그레이드를 넘어 통신 업계의 중대한 진화입니다. GNN 기반 자율 프레임워크로 전환하면 운영자는 서비스 중단 시간을 크게 단축하고, 실시간으로 용량을 최적화하며, 궁극적으로 운영 효율성 개선을 통해 우수한 고객 경험을 제공할 수 있습니다.

나만의 지능형 네트워크 애플리케이션을 빌드하려면 확장 가능한 GNN 학습 및 추론을 위한 필수 프리미티브를 제공하는 Distributed GraphFlow(DGF) 라이브러리를 확인하세요. 직접 체험해 보려면 단계별 코드 샘플을 따라 해보세요. 또한 비즈니스 인식 GNN 복구 네트워크와 관련하여 최근 수상 경력에 빛나는 문샷 프로젝트를 살펴보고 이 백서를 검토하여 자체 최적화 자율 네트워크에 대한 Google의 접근 방식을 더 자세히 알아볼 수 있습니다.

DMS를 넘어: SQL Server 로그인 및 사용자를 Cloud SQL로 마이그레이션 가속화

Wed, 16 Sep 2026 22:00:00 +0000

이제 데이터베이스 현대화 여정을 위한 계획을 모두 마치셨습니다. Google Cloud의 Database Migration Service(DMS)를 설정하고, 복제를 구성하여, 온프레미스 또는 클라우드 시스템의 애플리케이션 데이터베이스를 완전 관리형 SQL Server용 Cloud SQL 인스턴스에 성공적으로 동기화했습니다.

복제가 완료되어 데이터가 최신 상태로 업데이트되었으며 컷오버할 준비가 되었습니다. 하지만 애플리케이션이 새로 마이그레이션된 데이터베이스에 연결을 시도하면 다음과 같은 메시지가 표시되면서 문제가 발생합니다.

Msg 18456, Level 14, State 1, Line 1: Login failed for user 'app_user.

원인은 간단합니다. SQL Server 로그인이 데이터베이스와 함께 마이그레이션되지 않았기 때문입니다. 이 게시물에서는 이러한 격차가 존재하는 이유, 이 격차가 실제로 조직의 보안 상황을 보호하는 이유, 오랜 시간 검증된 표준 SQL Server 도구를 사용하여 격차를 얼마나 쉽게 해소할 수 있는지 살펴보겠습니다.

DMS가 로그인을 마이그레이션하지 않는 이유: 보안 및 규정 준수

Database Migration Service(DMS)는 데이터베이스 수준 스키마와 트랜잭션 데이터를 복제하는 데 매우 효율적입니다. 그러나 시스템 master 데이터베이스나 서버 로그인, 권한과 같은 인스턴스 수준 객체는 의도적으로 마이그레이션하지 않습니다.

자칫 기능이 누락된 것처럼 보일 수 있지만, 사실 이는 세 가지 핵심 요소를 바탕으로 설계된 의도적인 디자인 옵션입니다.

보안 격리 및 권한 경계: 원본 환경과 대상 Cloud SQL 환경은 서로 다른 보안 패러다임에서 작동합니다. 마스터 시스템 데이터베이스를 직접 복제하면 승인되지 않은 권한 에스컬레이션이 발생할 수 있습니다. 예를 들어 sysadmin 권한이 있는 온프레미스 로그인은 완전 관리형 Google Cloud 데이터베이스에 대한 무제한 sysadmin 액세스 권한을 가져서는 안 됩니다. 클라우드 제공업체가 물리적 백업, 패치, 보안을 관리하는 경우 올바른 운영을 보장하기 위해 기본 운영체제에 대한 액세스를 제한해야 합니다.
규정 준수 및 감사 거버넌스: 명시적인 관리자 감독 없이 암호화된 비밀번호 해시와 서버 수준의 보안용 사용자 인증 정보를 자동으로 마이그레이션하면 PCI-DSS나 SOC 2와 같은 기업 규정 준수 프레임워크를 위반하는 경우가 많습니다. 보안 객체 마이그레이션을 관리자가 직접 수행하는 의도적인 단계로 유지함으로써 조직은 승인된 ID만 클라우드 시작 영역에 프로비저닝되도록 보장할 수 있습니다.
ID 현대화의 필요성: 클라우드 마이그레이션은 오래된 사용자 인증 정보를 업데이트하고 불필요한 계정을 정리할 수 있는 더할 나위 없이 좋은 기회입니다. 온프레미스 인스턴스에는 더 이상 사용되지 않는 legacy SQL 로그인이 포함되어 있는 경우가 많습니다. 이를 클라우드 관리형 서비스에 무작정 복제하는 것은 보안상 위험합니다. 또한 Cloud SQL로의 이전은 legacy SQL 인증에서 고객 관리형 Active Directory(CMAD)와 같은 최신 클라우드 네이티브 ID 솔루션으로 전환하는 촉매제 역할을 하는 경우가 많습니다.

로그인과 사용자의 차이 이해: SID 연결

로그인을 성공적으로 마이그레이션하기 위해 SQL Server가 보안을 관리하는 방법을 간단히 살펴보겠습니다. SQL Server는 ID를 두 개의 개별 계층으로 분리합니다.

로그인(서버 수준): master 데이터베이스에 저장됩니다. 로그인은 SQL Server 인스턴스에 대한 클라이언트 연결을 인증합니다.
사용자(데이터베이스 수준): 개별 사용자 데이터베이스 내에 저장됩니다. 사용자는 해당 특정 데이터베이스 내에서 연결을 통해 수행할 수 있는 작업을 승인합니다.

서버 로그인과 데이터베이스 사용자를 연결하는 것은 고유한 보안 식별자(SID)입니다.

데이터베이스를 백업하고 복원하거나 DMS를 사용하여 복제하면 데이터베이스 수준의 사용자(및 해당 SID)가 데이터베이스 파일 내에서 마이그레이션됩니다. 그러나 해당 서버 수준의 로그인이 대상 마스터 데이터베이스에 없거나, 존재하더라도 SID가 다른 경우 매핑이 중단됩니다. 이로 인해 데이터베이스 액세스 권한은 있지만 서버 수준에서 인증할 방법이 없는 '분리된 사용자'가 발생합니다.

그림 1: 해당 로그인이 없는 데이터베이스나 보안 식별자(SID)가 일치하지 않는 데이터베이스를 마이그레이션하면 대상 인스턴스에 고립된 사용자가 발생하는 방식

권장 솔루션: sp_help_revlogin을 사용하여 로그인 복제

모든 로그인을 수동으로 다시 만들고 비밀번호 해시를 추측하는 대신 Microsoft에서 제공하는 기존 스크립트인 sp_help_revlogin을 사용할 수 있습니다.

이 스크립트는 소스 인스턴스의 모든 SQL Server 인증 로그인에 대한 CREATE LOGIN 문이 포함된 T-SQL 쿼리를 생성하며, 원래의 암호화된 비밀번호 해시와 정확한 보안 식별자(SID)를 포함합니다.

1단계: 소스 인스턴스에 도우미 프로시저 만들기

SQL Server Management Studio(SSMS)를 사용하여 소스 SQL Server 인스턴스에 연결합니다. 공식 Microsoft 스크립트를 복사하고 실행하여 소스 master 데이터베이스에 필요한 두 가지 저장 프러시저인 sp_hexadecimal 및 sp_help_revlogin을 만듭니다.

2단계: 마이그레이션 스크립트 생성하기

프로시저가 생성되면 SSMS 쿼리 창에서 다음 문을 실행합니다. 출력을 깔끔하게 복사할 수 있도록 출력 설정을 Results to Text(Ctrl + T)로 전환했는지 확인합니다.

code_block: <ListValue: [StructValue([('code', 'EXEC master.dbo.sp_help_revlogin;'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f423c8d5890>)])]>

출력에는 다음과 유사한 자동 생성된 T-SQL 문이 포함됩니다.

code_block: <ListValue: [StructValue([('code', 'CREATE LOGIN [app_user] WITH PASSWORD = 0x01004F3D... HASHED, SID = 0x8D2F..., DEFAULT_DATABASE = [CustomerDB]'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f423cc54f90>)])]>

HASHED 비밀번호 옵션과 원래 SID를 사용하여 로그인을 스크립팅하면 SQL Server에서 원래 비밀번호와 보안 링크를 그대로 유지하면서 로그인을 안전하게 다시 만들 수 있습니다.

3단계: Cloud SQL에 스크립트 적용하기

생성된 스크립트를 복사하고 대상 SQL Server용 Cloud SQL 인스턴스에 연결한 후 쿼리를 실행합니다. 클라우드에 올바른 비밀번호로 로그인이 즉시 생성됩니다.

sp_help_revlogin을 통해 생성된 스크립트를 실행하면, 정확한 보안 식별자(SID)와 비밀번호 해시를 그대로 유지한 상태로 대상 Cloud SQL 인스턴스에 로그인을 복제할 수 있습니다. 아래와 같이 이 방법을 사용하면, 데이터베이스 마이그레이션 시 데이터베이스 수준 사용자가 서버 수준 로그인에 자동으로 매핑되므 '분리된 사용자' 문제를 완전히 방지할 수 있습니다.

그림 2: sp_help_revlogin 스크립트를 사용하여 비밀번호 해시와 원래 SID를 보존하고 SQL Server용 Cloud SQL에서 사용자 매핑을 해결하는 통합 마이그레이션 프로세스

참고: sp_help_revlogin은 Microsoft에서 만들고 유지관리하는 저장 프러시저입니다. 최신 버전을 다운로드하고 문서를 읽어보세요.

분리된 사용자 문제 해결

sp_help_revlogin을 실행하기 전에 대상 Cloud SQL 인스턴스에 수동으로 로그인을 만든 경우 SID가 일치하지 않아 사용자가 '분리'될 수 있습니다.

만약 분리된 사용자(예: app_user)가 발견되더라도, 단 한 줄의 명령어로 새로 생성된 서버 로그인에 간편하게 다시 매핑할 수 있습니다.

code_block: <ListValue: [StructValue([('code', 'ALTER USER [app_user] WITH LOGIN = [app_user];'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f423cc54ed0>)])]>

이 명령어를 실행하면 데이터베이스 사용자와 서버 로그인이 SID를 통해 즉시 다시 연결되며, 애플리케이션 연결이 완벽하게 복원됩니다.

보안을 한층 더 강화

sp_help_revlogin을 사용하여 SQL 로그인을 마이그레이션하는 것이 리프트 앤 시프트 마이그레이션의 가장 쉬운 방법이지만, 클라우드 마이그레이션을 활용하여 인증을 현대화하는 것을 고려해 보세요. SQL Server용 Cloud SQL은 고객 관리형 Active Directory(CMAD)와의 강력한 통합을 지원합니다. 대상 인스턴스를 Active Directory와 통합하면 legacy SQL 로그인을 지원 중단하고 중앙 집중식 엔터프라이즈급 Kerberos 인증을 사용할 수 있습니다.

마무리

데이터베이스 마이그레이션은 단순히 데이터 행을 옮기는 것이 아닙니다. 애플리케이션이 첫날부터 안전하고 규정을 준수하며 운영 가능한 상태를 유지하도록 보장하는 작업입니다. Google Cloud의 DMS가 데이터 복제라는 까다로운 작업을 대신 처리해 주지만, 로그인 마이그레이션 또한 단 3단계의 간단한 과정만으로 원활한 컷오버를 확실히 보장할 수 있습니다.

마이그레이션 전략을 최적화하는 방법에 대해 더 자세히 알아보려면 SQL Server용 Cloud SQL 마이그레이션 가이드를 확인해 보세요. 또한 Database Migration Service를 활용해 Google Cloud로의 이전 과정을 얼마나 간소화할 수 있는지 직접 살펴보시기 바랍니다.

AlloyDB Omni RPM 조정자를 사용하는 엔터프라이즈급 PostgreSQL 정식 버전 출시

Wed, 16 Sep 2026 22:00:00 +0000

프로덕션에 즉시 사용 가능한 보안, 복원력을 갖추고 다운타임을 최소화한 운영을 엔터프라이즈 환경의 PostgreSQL 워크로드에 제공하는 AlloyDB Omni Red Hat RPM 조정자의 정식 버전 출시를 발표하게 되어 기쁘게 생각합니다. 이번 정식 버전 출시는 프리뷰 출시 기간에 마련된 기반을 토대로 하며, AlloyDB Omni 버전 18.3.0과 함께 출시되어 Google AI 기능을 통해 클라우드와 유사한 데이터베이스 자동화를 가상 머신과 베어메탈 서버에 직접 제공합니다.

이 정식 버전 출시를 기준으로 AlloyDB Omni를 요구사항에 맞게 네 가지 모드로 배포할 수 있습니다. 자세한 내용은 AlloyDB Omni 문서를 참고하세요.

독립형 컨테이너(Debian/UBI)
고가용성 엔터프라이즈 배포를 위한 Kubernetes 오퍼레이터가 포함된 컨테이너
독립형 RPM
고가용성 엔터프라이즈 배포를 위한 RPM 조정자 포함

자체 관리형 데이터베이스를 실행해야 하는 이유

대부분의 사용 사례에서 관리형 클라우드 데이터베이스 서비스는 가장 간단하고 비용 효율적인 옵션입니다. 그러나 클라우드 안팎에서 PostgreSQL 데이터베이스를 직접 실행하는 시나리오도 있습니다. AlloyDB Omni RPM 배포는 클라우드의 성능과 컨테이너화되지 않은 로컬 인프라의 제어가 필요한 조직을 위해 빌드되었으며, 사용 사례는 다음과 같습니다.

워크로드 현대화: AlloyDB Omni는 표준 PostgreSQL L에 비해 트랜잭션 워크로드 속도가 2배 이상 빠르고 분석 쿼리 속도는 최대 100배 더 빠르므로 전체 마이그레이션 없이도 기존 인프라를 개선할 수 있습니다.
규제 환경: 데이터 레지던시 및 보안 요구사항이 엄격한 업종의 경우 RPM 조정자가 SELinux 및 로컬 감사 로깅과 같은 필요한 도구를 제공하여 규정 준수 상태를 유지합니다.
에지 및 온프레미스 배포: 에지 또는 베어메탈 서버에 배포하면 지연 시간이 짧은 처리와 연결 해제된 작업이 가능합니다.
AI 지원 인프라: 최신 생성형 AI 애플리케이션을 위한 벡터 검색과 같은 AlloyDB AI 기능을 온프레미스에서 직접 사용하여 AI 통합을 위한 데이터베이스 클러스터를 프로비저닝할 수 있습니다.

유연한 참조 아키텍처

AlloyDB Omni RPM 조정자는 성능 극대화, 읽기 처리량 확장, 강력한 고가용성(HA) 보장 등 조직의 특정 운영 요구사항에 맞게 조정된 유연한 배포 모델을 제공합니다. 자세한 내용은 AlloyDB Omni 가용성 참조 아키텍처 개요를 참조하세요. 조정자는 인스턴스 파라미터, 노드 구성, 네트워킹 옵션을 조정하여 맞춤설정할 수 있는 참조 아키텍처 사양을 정의할 수 있도록 하여 클러스터 프로비저닝 및 수명 주기 관리를 간소화합니다. 다음은 확장 가능한 AlloyDB Omni HA 참조 아키텍처의 배포 뷰 예시입니다.

RPM 조정자를 사용하는 AlloyDB Omni 클러스터의 고가용성 참조 아키텍처

이 다이어그램은 RPM 조정자가 관리하는 AlloyDB Omni의 가용성이 높은 분산 데이터베이스 참조 아키텍처를 보여줍니다. 클라이언트 애플리케이션이 강력한 부하 분산 계층에 연결되고 부하 분산기가 읽기-쓰기 트래픽을 활성 기본 데이터베이스 노드로 직접 라우팅하는 반면, 읽기 전용 트래픽은 복제본 노드로 라우팅되는 것을 보여줍니다. 부하 분산기는 가상 IP(VIP)를 사용하며, Keepalived(VIP 장애 조치용), PgBouncer(PostgreSQL 연결 풀링용), Haproxy(라우팅 및 부하 분산용)를 통해 자체적으로 고가용성을 제공합니다. AlloyDB Omni 기본 인스턴스 데이터베이스 노드는 여러 영역에 데이터를 동기식으로 복제하여 고가용성을 달성합니다. 기본 HA 클러스터에 영향을 주지 않고 읽기 집약적인 워크로드를 수평 확장하기 위해 별도의 읽기 풀 인스턴스가 배포됩니다. 이러한 노드는 활성 노드로부터 비동기 복제를 수신하며 수평 확장할 수 있습니다.

독립적인 컨트롤 플레인이 클러스터의 전체 구성과 상태를 관리하는 방식을 보여줍니다. 관리자는 RPM 조정자와 상호작용하여 데이터베이스의 수명 주기를 감독합니다. 컨트롤 플레인에는 중복 클러스터 관리자와 3노드 etcd 기반 분산 구성 스토어가 포함되어 클러스터 상태를 안정적으로 유지하고 구성을 관리합니다. 컨트롤러는 각 개별 데이터베이스 노드에서 실행되는 노드 관리자와 직접 상호작용합니다. 단일 클러스터만 배포하는 경우 동일한 노드 집합에서 컨트롤 플레인과 데이터 플레인 구성요소를 실행할 수 있습니다.

고가용성 및 읽기 확장성

RPM 조정자를 사용하면 더욱 간편하게 업타임을 유지하고 까다로운 워크로드의 읽기를 확장할 수 있습니다. 모든 데이터/제어 경로 구성요소와 읽기 가능한 대기 노드의 장애를 처리하고 노드 간의 네트워크 중단을 완화하는 기능을 포함하여 스택 전반의 장애를 자동으로 처리할 수 있는 복원력 있는 아키텍처를 제공합니다.

이제 조정자가 읽기 워크로드를 수평 확장하기 위한 읽기 풀을 지원하며, 분석 쿼리 또는 유사한 워크로드의 니즈를 충족하기 위해 클러스터에 읽기 풀을 동적으로 만들거나 추가할 수 있는 기능을 제공합니다. 또한 시스템은 대기 노드와 읽기 풀 모두에 전용 읽기 엔드포인트를 구성합니다.

Google Cloud는 AlloyDB Omni RPM 조정자의 기능을 지속적으로 확장하고 있습니다. 비즈니스 연속성과 리전 간 복원력을 더욱 강화하는 고급 엔터프라이즈급 기능을 비롯해 곧 출시될 기능을 기대해 주세요.

데이터 보호 및 보안

데이터 보안 및 복구는 RPM 조정자의 핵심입니다. 이번 출시 버전에서는 자동화된 백업 및 복원 기능을 통합하여 백업 일정을 구성하고 GCS 또는 S3 호환 스토리지에 대한 완전 자동화된 백업을 자동으로 관리할 수 있습니다. 조정자를 사용하면 S3 또는 GCS 버킷이나 로컬에서 백업을 실행할 수 있습니다. 또한 PITR(point-in-time recovery) 및 완전 자동화된 인플레이스 PIT 복원이 기본적으로 지원됩니다.

RPM 조정자는 부트스트랩 시 또는 부트스트랩 후에 SELinux 시행을 지원하여 엄격한 엔터프라이즈 규정 준수 및 보안 표준을 충족하고 필수 액세스 제어와 강력한 프로세스 격리를 보장합니다.

데이터베이스 작업

데이터베이스 Fleet 관리와 관련된 운영 오버헤드를 줄였습니다.

번거로움 없는 짧은 다운타임 유지보수: 완전히 자동화된 새로운 짧은 다운타임 유지보수(LDTM)를 통해 수명 주기 업데이트 및 확장 작업을 더 쉽게 관리할 수 있습니다. 마이너 버전 업그레이드와 CPU 및 메모리 리소스 조정은 가용성을 극대화하기 위해 다운타임을 최소화하고 자동 롤백을 지원하는 방식으로 실행됩니다.
동적 구성: 데이터베이스 관리자는 부트스트랩 시 또는 부트스트랩 후에 GUC/구성을 수정하는 기능을 포함하여 번거로움 없이 설정을 동적으로 조정할 수 있습니다. AI 통합을 위한 클러스터를 프로비저닝할 수도 있습니다.
간소화된 클러스터 유지보수: 워크로드 수요 변화에 따라 데이터베이스 노드를 추가하거나 삭제할 수 있는 네이티브 운영 기능을 통해 클러스터 공간을 간단하게 관리할 수 있습니다.

모니터링 가능성, AI, 확장 프로그램

Fleet를 모니터링하고 조정하려면 심층적인 가시성과 적절한 도구 모음이 필요합니다.

고급 로깅: 조정자는 데이터 및 제어 경로 로그를 로그 디스크로 전달하여 감사 가능성과 디버깅을 간소화합니다.
풍부한 모니터링 가능성: 커스텀 측정항목 지원을 통해 모니터링 생태계에 맞게 모니터링 가능성을 미세 조정할 수 있습니다. 커스텀 측정항목을 사용하면 분당 신규 사용자 등록 수, 특정 테넌트의 활성 세션 수, 처리된 주문량과 같은 비즈니스 수준 이벤트를 데이터베이스에서 직접 추적하고 이를 회사의 중앙 모니터링 가능성 플랫폼으로 내보낼 수 있습니다.
AI 및 확장 프로그램: AlloyDB Omni에서 지원되는 확장 프로그램 목록 외에도 조정자에는 자연어를 사용한 쿼리, AI 기반 검색, AI 함수 등 모든 AlloyDB Omni의 AI 기능에 대한 지원이 포함됩니다.

지금 시작하기

AlloyDB Omni Red Hat RPM 조정자는 베어메탈 또는 VM 플랫폼에서 PostgreSQL 호환 워크로드를 관리하는 새로운 방법을 제공하며, AlloyDB의 고성능, 생성형 AI 기능 및 Gemini 모델에 대한 액세스를 결합하여 AI 에이전트와 애플리케이션을 빌드하고 완전한 자동화를 실현합니다.

온프레미스 데이터베이스 작업을 한 단계 업그레이드할 준비가 되셨나요? AlloyDB 문서를 살펴보고 지금 바로 정식 버전을 사용해 보세요. 지금 신청하세요.

새로운 Codelab을 통해 RPM 조정자를 사용하여 가용성이 높은 AlloyDB Omni 클러스터를 배포해 볼 수도 있습니다.

Spanner: DML 트랜잭션의 누적 변형 한도 삭제

Tue, 15 Sep 2026 18:00:00 +0000

Spanner는 Google Cloud의 타협 없는 운영 데이터베이스로, 최신 분산 시스템에 필요한 수평적 확장성과 상시 가용성에 더해 관계형 데이터베이스의 풍부한 기능 모음과 익숙한 생태계를 제공합니다. 오늘날 은행, 소매, 미디어 및 엔터테인먼트, AI 인프라 등 다양한 산업의 혁신 기업이 가장 중요한 워크로드를 Spanner에서 실행하고 있습니다. 이번에 Spanner에서 더 크고 복잡한 트랜잭션을 보다 유연하게 처리할 수 있는 새로운 방법을 발표하게 되어 기쁩니다. 이를 통해 최고 수준의 데이터 일관성이 필요한 애플리케이션을 더욱 간편하게 구축할 수 있습니다.

운영 워크로드에서는 일반적으로 실시간 의사 결정과 세밀한 데이터 업데이트가 함께 이루어집니다. 예를 들어 전자상거래 앱의 여러 단계로 구성된 결제 과정에서 사기를 탐지하는 경우를 생각해 볼 수 있습니다. 이러한 변경 작업은 트랜잭션으로 처리되어야 합니다. 즉, 모든 작업이 성공하거나 모두 실패해야 하며, 이후의 요청에서는 항상 올바른 데이터가 조회되어야 합니다. 이번 Spanner의 ACID 트랜잭션 업데이트를 통해 애플리케이션은 익숙한 DML을 사용하면서 일관성, 확장성 또는 가용성을 저해하지 않고 한 번의 업데이트에서 더 많은 데이터를 처리할 수 있습니다.

더 높은 한도, 더 많은 유연성

이전에는 Spanner에서 DML 등을 사용해 하나의 트랜잭션에서 쿼리가 수행할 수 있는 변경 작업의 수를 80,000개로 제한했습니다. 이 값은 대략 업데이트되는 행 수와 열 수를 곱한 값에 종속 색인에서 발생하는 변경 작업을 더해 계산되었습니다. 애플리케이션은 시간이 지남에 따라 더 많은 데이터를 처리하고 새로운 기능을 제공하도록 발전합니다. 이에 따라 트랜잭션의 크기도 커지면서, 이전에는 한도에 여유가 있던 작은 트랜잭션도 이 한도에 도달할 수 있습니다.

이번 업데이트에서는 트랜잭션에 적용되던 80,000개의 mutation mod 한도를 개별 DML 문에 적용하도록 변경합니다. 이제 DML 문은 전체 트랜잭션에 적용되는 변형 한도에 더 이상 포함되지 않습니다. 따라서 하나의 트랜잭션에 INSERT, UPDATE, DELETE와 같은 DML 문을 개수에 제한 없이 포함할 수 있습니다. 단, 각 개별 문에서 생성되는 mutation mod 수는 80,000개 미만이어야 합니다.

주요 이점

더 큰 트랜잭션: 누적 변형 한도를 준수하기 위해 인위적으로 트랜잭션을 분할하는 대신, 비즈니스 요구사항에 따라 DML 문을 논리적으로 그룹화할 수 있습니다.
원활한 전환: 이번 변경사항은 기존의 모든 Spanner 클라이언트 라이브러리와 호환되므로 애플리케이션 코드를 업데이트할 필요가 없습니다.

기술적 고려사항

잠금 및 중단

이제 하나의 트랜잭션에 더 많은 DML 문을 포함할 수 있지만, 트랜잭션이 크고 실행 시간이 길어질수록 잠금이 더 오래 유지된다는 점에 유의해야 합니다. 이로 인해 잠금 경합 및 트랜잭션 중단이 발생할 가능성이 높아질 수 있습니다. 트랜잭션을 간결하게 유지하면 높은 성능을 유지하고 리소스 경합을 최소화하는 데 도움이 됩니다.

DML과 Mutation API 비교

한도 적용 방식은 데이터를 수정하는 데 사용하는 방법에 따라 다릅니다.

DML 문: 각 문(예: executeUpdate)은 80,000개 mod 한도를 기준으로 개별적으로 평가됩니다.
변형 API: insert() 또는 update()와 같은 클라이언트 라이브러리 메서드를 사용하는 경우 커밋 호출 시 변경사항이 제공됩니다. 80,000개 한도는 해당 호출에 포함된 전체 변형 집합에 계속 적용됩니다.

mutation mod 이해하기

Spanner는 수정되는 셀, 기본 키, 보조 색인 업데이트 등 변경 작업의 복잡성을 기준으로 mod 수를 계산합니다. 변경사항이 계산되는 방식에 대한 자세한 내용은 이 블로그를 참고하세요. CommitStats의 mutation_count를 통해 커밋된 트랜잭션에서 발생한 총 mod 수를 모니터링할 수 있습니다. mutation_count에는 모든 DML 문과 커밋 호출을 통해 해당 트랜잭션에 포함된 모든 변경사항이 집계됩니다.

Java 구현 예시

다음 예시에서는 새로운 한도 적용 방식에 따라 하나의 트랜잭션에서 여러 DML 문을 실행하는 방법을 보여줍니다.

code_block: <ListValue: [StructValue([('code', 'import com.google.cloud.spanner.DatabaseClient;\r\nimport com.google.cloud.spanner.Statement;\r\nimport com.google.cloud.spanner.TransactionContext;\r\nimport com.google.cloud.spanner.TransactionRunner.Work;\r\n\r\n// Assuming dbClient is your initialized DatabaseClient\r\ndbClient\r\n .readWriteTransaction()\r\n .run(\r\n new Work<Void>() {\r\n @Override\r\n public Void doWork(TransactionContext transaction) throws Exception {\r\n // Each executeUpdate call is evaluated separately against the 80k mod limit.\r\n\r\n // Example 1: Updating specific products\r\n Statement stmt1 = Statement.newBuilder(\r\n "UPDATE Products SET InStock = FALSE WHERE ProductId = @productId")\r\n .bind("productId").to(1L)\r\n .build();\r\n transaction.executeUpdate(stmt1); // Verified against 80k limit\r\n\r\n Statement stmt2 = Statement.newBuilder(\r\n "UPDATE Products SET InStock = FALSE WHERE ProductId = @productId")\r\n .bind("productId").to(2L)\r\n .build();\r\n transaction.executeUpdate(stmt2); // Verified against 80k limit separately\r\n\r\n // Example 2: Inserting related order data\r\n Statement stmt3 = Statement.newBuilder(\r\n "INSERT INTO OrderItems (OrderId, ItemId, Quantity) VALUES (@orderId, @itemId, @qty)")\r\n .bind("orderId").to(100L)\r\n .bind("itemId").to(1L)\r\n .bind("qty").to(2)\r\n .build();\r\n transaction.executeUpdate(stmt3); \r\n\r\n Statement stmt4 = Statement.newBuilder(\r\n "UPDATE Orders SET LastUpdated = PENDING_COMMIT_TIMESTAMP() WHERE OrderId = @orderId")\r\n .bind("orderId").to(100L)\r\n .build();\r\n transaction.executeUpdate(stmt4); \r\n\r\n return null;\r\n }\r\n });'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f4237b55850>)])]>

변경되지 않은 사항

개별 문 한도: 하나의 DML 문에서 자체적으로 80,000개를 초과하는 mod가 생성되는 경우에는 현재와 동일한 오류가 반환됩니다.
기타 트랜잭션 한도: 바이트 단위의 최대 트랜잭션 크기와 같은 다른 제약 조건은 계속 적용됩니다. 자세한 내용은 여기를 참조하세요.

권장사항

CommitStats 모니터링: CommitStats에서 반환된 mutation_count를 활용하여 작업에서 발생하는 부하를 파악합니다.
대규모 작업 최적화: 하나의 문(예: 일괄 업데이트)이 한도를 초과하는 경우 Partitioned DML을 사용하거나 키를 기준으로 페이지를 나누는 것이 좋습니다.

Spanner는 다운타임 없이 확장해야 하는 운영 애플리케이션을 위한 신뢰할 수 있는 선택지입니다. 이러한 변형 한도 확대로 개발자는 Spanner의 전역 일관성을 활용하는 더 큰 트랜잭션을 실행할 수 있는 유연성을 확보할 수 있게 되었습니다. Spanner가 팀의 빠른 혁신을 지원하면서 위험을 줄이는 데 어떻게 도움이 되는지 알아보거나, 무료 체험판 또는 월 $54부터 시작하는 프로덕션 인스턴스로 직접 사용해 보세요.

외부 참조

AlloyDB ScaNN이 벡터 검색을 100억 개의 벡터로 확장하는 방법

Thu, 03 Sep 2026 21:00:00 +0000

엔터프라이즈급 에이전트 AI 애플리케이션의 요구사항을 충족하기 위해 기본 벡터 데이터베이스는 최신 사용 사례가 수십억 개의 벡터로 확장될 수 있으므로 효과적으로 확장하는 데 어려움을 겪는 경우가 많습니다.

완전 관리형 PostgreSQL 호환 데이터베이스 서비스인 AlloyDB는 까다로운 엔터프라이즈 워크로드를 처리하도록 설계되었습니다. Google의 인프라와 상용 데이터베이스의 안정성을 결합하여 높은 가용성과 확장성을 제공하며, 에이전트 AI 사용 사례에 최적화된 최첨단 분석 엔진을 포함합니다. 이러한 성능의 핵심은 ScaNN 색인으로, 이제 100억 개의 벡터 규모에서도 효율적으로 작동합니다. 이는 혁신적인 4단계 트리 (프리뷰)와 효율적인 메모리 사용량을 결합한 주요 아키텍처 개선을 통해 달성되었습니다.

100억 벡터 규모의 과제

100억 개의 벡터 워크로드로 확장하려면 상당한 메모리와 컴퓨팅 문제가 발생합니다. 이전 AlloyDB ScaNN 트리 기반 색인은 2단계 또는 3단계 트리 구성으로 제한되었으며, 이러한 구조를 확장하려고 하면 다음과 같은 여러 병목 현상이 발생했습니다.

컴퓨팅 집약도 증가: 더 큰 트리 구조는 색인 구성과 쿼리 순회 모두에 훨씬 더 많은 연산을 요구합니다.
메모리 제약: 100억 개의 벡터에 필요한 샘플링 프로세스가 시스템의 사용 가능한 메모리 용량을 쉽게 초과할 수 있습니다.

솔루션: 4단계 아키텍처

최근 AlloyDB ScaNN 출시의 주요 혁신은 4단계 트리 (프리뷰)의 도입입니다. 그림 1에 나와 있는 이 아키텍처는 하향식 전략을 사용하여 정확성과 빌드 효율성 간의 균형을 최적화합니다. 높은 성능을 유지하고 재현율 손실을 완화하기 위해 시스템은 Top-K 브랜치, SOAR, 중심점 조정, 균형 잡힌 트리 모양과 같은 주요 개선사항을 통합합니다.

그림 1. AlloyDB ScaNN 4단계 트리 아키텍처

이 설계에는 두 가지 주요 이점이 있습니다.

1. 계층적 파티셔닝을 통한 컴퓨팅 집약도 감소

4단계 아키텍처는 계층적 파티셔닝을 사용하여 쿼리 중에 스캔되는 벡터의 양을 제한함으로써 컴퓨팅 집약도를 크게 줄입니다. 평면적이거나 제대로 분할되지 않은 공간을 탐색하는 대신, 다층적 계층 구조는 검색 경로를 기하급수적으로 좁힙니다. 그림 2는 다양한 트리 수준에서 검색 공간을 보여주며 구조적 계층화가 순회 효율성을 어떻게 최적화하는지 보여줍니다.

그림 2. 2단계, 3단계, 4단계 트리의 검색 공간

2단계: 대략적인 파티셔닝을 활용하여 쿼리를 안내하므로 기본 검색 복잡도는 O(N1/2)입니다.
3단계: 중간 레이어를 도입하여 클러스터를 더 세분화하고 탐색 범위를 O(N1/3)으로 좁힙니다.
4단계: 순회 효율성을 O(N1/4)까지 최적화하는 세분화된 파티션을 구현하여 100억 개 이상의 벡터를 충분히 허용합니다.

AlloyDB ScaNN은 데이터 세트가 확장됨에 따라 계층적 레이어를 동적으로 확장하여 쿼리 지연 시간을 매우 낮게 유지하고 계산 규모의 벽이 성능에 영향을 미치지 않도록 방지합니다.

2. 효율적인 메모리 사용

100억 개의 벡터 규모를 달성하려면 높은 메모리 효율성이 필요합니다. AlloyDB ScaNN은 이러한 전략을 사용하여 메모리 관리 성능을 극대화합니다.

균형 잡힌 트리 모양 구성: 4단계 트리는 균형 잡힌 구성을 활용하여 학습 데이터 세트의 크기를 제한하는 메모리 제한을 우회합니다. 이 균형 잡힌 아키텍처는 축소된 샘플링 크기를 효과적으로 활용하여 충실도가 높은 트리 파티션을 구성합니다.
샘플링 최적화: 시스템이 메모리 제한에 직면하면 성능과 정확성을 고려한 압축된 샘플링 세트를 생성합니다.

성능 테스트 결과

내부 테스트에서 혁신적인 4단계 트리 아키텍처를 활용하여 다음과 같은 성능 결과를 달성할 수 있습니다.

AlloyDB는 ScaNN 색인을 사용하여 100억 개 이상의 벡터로 확장할 수 있습니다.
AlloyDB는 ScaNN 색인을 사용하여 100억 개의 벡터에서 51ms p95 지연 시간 이하와 95% 재현율을 제공할 수 있습니다.

지금 시작하기

지금 바로 AlloyDB ScaNN의 4단계 트리 (프리뷰) 아키텍처를 경험해 보세요. 빠른 시작 가이드에 따라 인스턴스를 설정하여 AlloyDB용 ScaNN을 배포할 수 있습니다. 최적화된 고속 벡터 검색은 공식 ScaNN 문서를 참조하세요. 신규 사용자는 30일 무료 체험 프로그램을 통해 AlloyDB를 살펴볼 수도 있습니다. 여러분이 빌드할 멋진 결과물을 기대하겠습니다.

에이전틱 데이터 클라우드의 새로운 소식: 실행 시스템 구축

Tue, 28 Apr 2026 01:00:00 +0000

* 본 아티클의 원문은 2026년 4월 23일 Google Cloud 블로그(영문)에 게재되었습니다.

기업들은 단순히 질문에 답하는 생성형 AI를 넘어, 기업을 대신해 인지하고 추론하며 행동하는 자율형 에이전트로 전환하고 있습니다. 이러한 에이전트를 기존의 레거시 스택에서 확장하려고 시도하면 거버넌스 파편화, 지속적인 신뢰 격차, 추론 루프의 단절과 같은 구조적 실패에 노출될 뿐만 아니라 비용 폭증을 초래할 수 있습니다.

이를 해결하기 위해 우리는 에이전틱 데이터 클라우드(Agentic Data Cloud)를 소개합니다. 이는 기업의 데이터 플랫폼을 정적인 저장소에서 동적인 추론 엔진으로 진화시킨 AI 네이티브 아키텍처입니다. 이 시스템은 '생각'과 '실행' 사이의 간극을 좁혀, AI 에이전트가 비즈니스 데이터와 맥락을 바탕으로 직접 행동할 수 있게 합니다. 지난 세대의 지능형 시스템(Systems of Intelligence)이 인간의 규모에 맞춰 설계되었다면, 에이전틱 데이터 클라우드는 에이전트의 규모에 맞춰 구축된 실행 시스템(System of Action)입니다.

선도적인 기업들은 이미 에이전틱 데이터 클라우드를 사용하여 가시적인 가치를 창출하고 있습니다.

Vodafone: 고객에게 중단 없는 서비스를 제공하기 위해 수백 개의 에이전트를 출시했으며, 이를 통해 매년 수백만 유로를 절감할 것으로 기대하고 있습니다.
American Express: 핵심 온프레미스 데이터 웨어하우스와 수백 개의 프로덕션 애플리케이션을 BigQuery로 이전하여, 신뢰할 수 있는 대규모 에이전틱 커머스를 구현하고 있습니다.
Virgin Voyages: 1,000개 이상의 전문 AI 에이전트를 사용하고 있으며, 그중 하나는 대규모 여정 재예약 시간을 6시간에서 단 11분으로 단축했습니다.

오늘 우리는 에이전틱 데이터 클라우드를 뒷받침하는 세 가지 새로운 혁신 분야를 발표합니다.

에이전트에게 신뢰할 수 있는 비즈니스 맥락을 제공하여 정확도를 높이는 유니버설 컨텍스트 엔진(Universal Context Engine).
데이터 전문가와 개발자의 역할을 에이전트 오케스트레이터로 진화시키는 에이전틱 우선의 실무자 경험(Agentic-first practitioner experiences).
전체 데이터 자산을 연결하여 데이터 사일로를 제거하는 AI 네이티브 멀티 클라우드 레이크하우스(Cross-cloud lakehouse).

유니버설 컨텍스트 엔진으로 에이전트 역량 강화

AI의 지능은 그 기반이 되는 '맥락(Context)'에 달려 있습니다. 만약 에이전트가 여러분이 정의한 '마진(Margin)'의 의미나 공급망의 복잡한 관계를 이해하지 못한다면 추측에 의존할 수밖에 없습니다. 에이전틱 엔터프라이즈 시대에는 데이터만으로는 부족하며, 과거의 거버넌스 모델 역시 불충분합니다. 이것이 우리가 Dataplex Universal Catalog를 Knowledge Catalog로 진화시킨 이유입니다. 이 카탈로그는 집계, 지속적인 강화, 검색이라는 엄격한 프레임워크를 사용하여 전체 데이터 자산에 걸쳐 비즈니스적 의미를 매핑하고 추론합니다.

동작 방식은 다음과 같습니다.

집계(Aggregation): 진정한 맥락을 구축하려면 모든 곳에서 데이터를 모아야 합니다. 우리는 Google Cloud와 파트너 데이터 플랫폼 전반에서 네이티브 맥락을 집계하고 있습니다. 여기에는 Palantir, Salesforce Data360, SAP, ServiceNow, Workday(프리뷰)와 같은 서드파티 카탈로그, 애플리케이션, 운영 체제 및 AI 플랫폼이 포함됩니다. 레이크하우스를 사용하면 서드파티 데이터 자산이 Knowledge Catalog에 자동으로 매핑됩니다. Google Cloud 소스의 경우, 전략 문서에서 시맨틱을 자율적으로 생성하는 새로운 LookML Agent(프리뷰)와 플랫폼에 비즈니스 로직을 네이티브하게 내장하는 BigQuery measures(프리뷰)를 통해 비즈니스 로직을 자동화하고 있습니다.
지속적인 강화(Continuous enrichment): Knowledge Catalog는 조직 전반의 사용 로그를 분석하고 백그라운드에서 데이터를 프로파일링하여 지속적인 강화를 수행합니다. 이는 데이터가 무엇인지뿐만 아니라, 기업이 데이터를 실제로 어떻게 사용하는지 학습합니다. 이는 비정형 데이터까지 확장됩니다. 파일이 Google Cloud Storage에 저장되는 즉시, Smart Storage(프리뷰)가 이미지와 PDF 객체(예정)를 즉시 태깅하고 강화합니다. 또한 유용한 비정형 데이터 컬렉션을 식별하고 Gemini를 사용하여 누락된 스키마를 자동으로 생성하며 복잡한 관계를 매핑하므로 AI가 더 이상 '맹목적으로' 작동하지 않게 됩니다.
검색 및 검색(Search and retrieval): 방대한 맥락 레이어를 만드는 것도 중요하지만, 에이전틱 시대에 검색은 새로운 쿼리 경로로 진화했습니다. 엔터프라이즈 규모에서 가장 어려운 문제는 속도, 관련성, 글로벌 도달 범위 및 보안입니다. 이를 해결하기 위해 Knowledge Catalog는 Google 검색의 혁신을 바탕으로 구축된 정교한 하이브리드 검색 스택을 사용합니다. 관련성을 높이기 위해 시맨틱 및 렉시컬 매칭을 지능형 머신러닝 기반 재순위화(re-ranking)와 결합합니다. 신뢰를 보장하기 위해 액세스 제어 인식 검색을 통해 보안 권한을 네이티브하게 적용하므로, 에이전트는 승인된 자산에만 액세스하고 조치를 취할 수 있습니다.

Knowledge Catalog는 현재 Deep Research Agent(프리뷰)를 구동하고 있습니다. Gemini Enterprise에서 제공되는 이 에이전트는 BigQuery와 같은 데이터 플랫폼은 물론 내부 문서와 웹 자산 전반에서 다단계 추론을 수행하여, 과거에 수주간의 수동 작업이 필요했던 복잡한 질문에 대해 인용구와 정밀도를 갖춘 답변을 제공합니다.

에이전틱 우선의 실무자 경험

새로운 아키텍처로 이동함에 따라 데이터 실무자의 역할은 수동으로 파이프라인을 작성하는 것에서 의도 중심의 엔지니어링을 조율하는 것으로 바뀝니다.

우리는 Google Cloud Data Agent Kit(프리뷰)를 통해 이러한 전환을 가속화하고 있습니다. 새로운 인터페이스를 도입하는 대신, 개발자들이 선호하는 환경(VS Code, Gemini CLI, Codex, Claude Code 등)에 바로 적용할 수 있는 도구, 확장 프로그램 및 플러그인 세트를 출시합니다. 이를 통해 IDE나 터미널을 네이티브 데이터 환경으로 변환하여, 시스템이 자율적으로 프레임워크(dbt, Apache Spark, Apache Airflow 등)를 선택하고 Google의 표준에 맞춘 프로덕션용 코드를 생성하도록 합니다.

이 키트는 단순히 도구를 연결하는 데 그치지 않고, 데이터를 이동시키지 않고도 페타바이트 규모까지 확장 가능한 고성능 기능을 개발자의 흐름에 직접 주입합니다. Data Agent Kit에는 다음과 같은 Google의 기본 에이전트들을 구동하는 것과 동일한 도구들이 포함되어 있습니다.

Data Engineering Agent (정식 출시): 처음부터 복잡한 파이프라인 변환을 구축하고 거버넌스 규칙을 적용하여 잘못된 데이터가 프로덕션에 유입되는 것을 방지합니다.
Data Science Agent (정식 출시): 데이터 랭글링부터 학습까지 모델 라이프사이클을 자동화하며, BigQuery Dataframes 및 서버리스 Apache Spark 전반으로 확장합니다.
Database Observability Agent (프리뷰): 인프라의 24/7 파수꾼 역할을 하며 근본 원인을 진단하고 데이터베이스 복구 조치를 실행합니다.

또한 에이전트의 원활한 실행을 돕기 위해 Google Cloud는 Model Context Protocol(MCP)을 전면 수용했습니다. 이는 에이전트가 BigQuery, Spanner(프리뷰), AlloyDB, Cloud SQL(정식 출시), Looker(프리뷰) 등 핵심 엔진 전반에서 데이터 자산을 검색하고 사용할 수 있게 해주는 보안 유니버설 인터페이스를 제공합니다.

비즈니스 사용자를 위한 경험도 재구상했습니다. 이제 BigQuery, Cloud SQL, Spanner, AlloyDB(프리뷰), Looker(정식 출시) 전반에서 Conversational Analytics(대화형 분석)가 지원됩니다. 조직은 이러한 맞춤형 분석 에이전트를 Gemini Enterprise에 게시하여, 직원들이 익숙한 인터페이스에서 실시간 데이터와 대화할 수 있게 함으로써 수동 보고서를 기다리는 시간을 없앨 수 있습니다.

에이전틱 규모를 위해 구축된 멀티 클라우드 토대

에이전트가 행동하기 위해서는 근본적으로 개방된 토대가 필요합니다. 만약 에이전트가 클라우드 간 지연 시간에 가로막히거나 특정 업체의 폐쇄적인 환경에 갇혀 있다면 자율성은 무너집니다. 이에 우리는 다음과 같은 기능을 통해 진정한 경계 없는 멀티 클라우드 레이크하우스(Cross-cloud Lakehouse)를 선보입니다.

분석 자산 연결: Cross-Cloud Interconnect(CCI)를 데이터 플레인에 직접 통합합니다. CCI의 전용 고속 프라이빗 네트워킹과 Apache Iceberg REST Catalog를 결합하여 지연 시간을 낮추고 막대한 이그레스(Egress) 비용을 제거합니다. 결과적으로 에이전트는 AWS와 Azure에 있는 데이터를 마치 Google Cloud에 있는 것처럼 원활하게 사용할 수 있습니다.
독점적 사일로 종식: 양방향 페더레이션(Bi-directional federation, 프리뷰)을 출시하여 독점 카탈로그 시대를 끝내고자 합니다. 엔진은 이제 Amazon S3의 Databricks Unity Catalog(프리뷰), Snowflake Polaris(프리뷰), Amazon S3의 AWS Glue Data Catalog(프리뷰)에서 직접 데이터를 읽을 수 있습니다. 이는 강화된 Lakehouse Governance(프리뷰)를 통해 보안 정책이 멀티 클라우드 환경 전반에 즉시 적용되도록 뒷받침됩니다.
운영 데이터의 해방: 세계에서 가장 확장성이 뛰어나고 글로벌 일관성을 갖춘 데이터베이스인 Spanner Omni(프리뷰)를 발표합니다. 이제 처음으로 클라우드, 온프레미스, 혹은 노트북 등 어디에서나 Google을 구동하는 것과 동일한 역량으로 Spanner 엔진을 실행할 수 있습니다.
인사이트와 실행 사이의 간극 해소: 대부분의 '통합' 데이터 플랫폼은 복잡한 ETL 파이프라인 구축을 강요하여 에이전트의 실시간 데이터 접근을 가로막습니다. AlloyDB용 레이크하우스 제휴(프리뷰)을 통해 프로토콜 수준의 제로-ETL 동기화를 제공함으로써, 에이전트가 운영 트랜잭션 내에서 낮은 지연 시간으로 깊이 있는 분석 이력에 접근할 수 있게 합니다.

미래를 자동화하다

에이전트 규모로 이동하면 워크로드가 수천 배 더 많아집니다. 이를 지원하기 위한 네 가지 주요 성능 혁신을 발표합니다.

Apache Spark용 Lightning Engine: 독점적인 시장 대안 대비 최대 2배의 가성비를 제공합니다.
Managed Lustre: 까다로운 모델에 데이터를 충분히 빠르게 공급할 수 있도록 최대 10TB/s의 처리량을 제공합니다.
Bigtable 인메모리 티어: 실시간 애플리케이션을 위해 1밀리초 미만의 읽기 지연 시간을 제공합니다. 이제 별도의 캐싱 레이어를 둘 필요가 없습니다.
BigQuery 유동적 확장(Fluid scaling): 오토스케일링 워크로드의 비용을 평균 최대 34% 절감하며, 에이전트가 행동할 때 리소스를 즉시 늘리고 사용하지 않을 때 줄여줍니다.

실행 시스템(System of Action) 위에서 성공을 구축하세요

수동적인 관찰의 시대는 끝났습니다. 미래는 Google의 에이전틱 데이터 클라우드가 가능케 하는 실행 시스템(System of Action)의 것입니다.

에이전틱 데이터 클라우드가 여러분의 비즈니스를 위해 무엇을 할 수 있는지 확인해 볼 준비가 되셨습니까? 실행 시스템을 통해 자율형 에이전트에게 데이터를 공급할 준비를 하는 방법에 대한 전략 워크숍을 지금 신청하세요.

에이전틱 데이터 클라우드에 대해 더 자세히 알고 싶으신가요? 수동적인 데이터를 능동적인 실행으로 전환하기 위한 당사의 청사진을 확인해 보시기 바랍니다.

Spanner Omni 발표: 고객의 인프라에서 누리는 Google의 혁신

Tue, 28 Apr 2026 01:00:00 +0000

* 본 아티클의 원문은 2026년 4월 23일 Google Cloud 블로그(영문)에 게재되었습니다.

오늘 우리는 Google Cloud를 넘어 업계 선도적인 분산 데이터베이스 역량을 확장하는 다운로드 가능 버전인 Spanner Omni의 프리뷰를 발표했습니다. 이를 통해 기업은 자체 데이터 센터, 멀티 클라우드, 혹은 노트북에서도 Spanner를 실행할 수 있습니다. 즉, 무한에 가까운 확장성, 고가용성, 강력한 일관성, 엔터프라이즈급 보안 및 멀티 모델 역량을 AI 기반 애플리케이션이 구동되는 그 어느 곳에서나 활용할 수 있게 되었습니다.

Spanner Omni가 중요한 이유

10여 년 전, Google은 Spanner를 통해 분산 SQL 시장을 개척했습니다. Spanner는 NoSQL의 수평적 확장성과 전통적인 관계형 데이터베이스의 ACID(원자성, 일관성, 격리성, 지속성) 준수 및 강력한 일관성을 결합한 '성배'와 같은 솔루션을 제공했습니다. 그 이후 Spanner는 상호 운용이 가능한 멀티모달 데이터베이스로 진화하여 SQL, 그래프(Graph), 키-값(Key-Value), 전체 텍스트 검색, 벡터 검색, 그리고 컬럼형 엔진을 통한 분석 처리를 통합했습니다. 이러한 진화는 AI 시대에 필요한 역량을 제공함과 동시에 고객의 워크로드를 단순화하고 통합할 기회를 약속하며, 이미 고객들에게 상당한 가치를 전달하고 있습니다.

고객들은 퍼블릭 클라우드부터 하이브리드 클라우드, 에어갭(Air-gapped, 폐쇄망) 환경에 이르기까지 다양한 IT 환경을 넘나들고 있습니다. Spanner Omni는 다음과 같은 현대 기업의 진화하는 요구사항을 해결하기 위해 고객이 운영 중인 바로 그 현장으로 찾아갑니다.

비즈니스 연속성: 미션 크리티컬 워크로드는 클라우드의 경계를 넘어 확장되는 진정으로 탄력적인 고가용성 아키텍처를 필요로 합니다. 이러한 워크로드는 비즈니스 상황이나 세계적인 사건으로 인해 클라우드 정책에 변화가 생기더라도 중단 없이 실행되어야 합니다.
규제 준수: 금융 서비스와 같이 규제가 엄격한 산업의 고객은 데이터 주권과 같은 규정 요구사항을 충족해야 합니다. 많은 기업이 규정 준수를 위해 여전히 대규모 온프레미스 인프라를 유지하고 있지만, 동시에 에이전틱 시대를 위한 현대화를 갈망하고 있습니다.
애플리케이션 이식성: SaaS 제공업체나 독립 소프트웨어 벤더(ISV)의 성장은 서로 다른 클라우드나 프라이빗 데이터 센터 등 고객이 있는 곳이라면 어디서든 대응하는 데 달려 있습니다. 이들은 개발 및 운영 오버헤드를 최소화하면서도 혁신을 위한 고급 기능을 포기하지 않도록 모든 환경에서 일관된 기술 스택을 원합니다.

Spanner Omni 소개

Spanner Omni는 완전 관리형 Spanner 서비스와 동일한 핵심 역량을 제공하면서, 필요한 곳 어디에나 배포할 수 있는 자유를 더했습니다. 가상 머신(VM)과 리눅스 컨테이너부터 쿠버네티스(Kubernetes) 클러스터에 이르기까지 유연한 구성 옵션을 제공합니다.

또한 고객은 온프레미스, 멀티 클라우드, 멀티 리전 및 하이브리드(지연 시간이 허용되는 토폴로지 내), 에어갭 또는 연결된 환경 등 매우 폭넓은 설정으로 Spanner Omni를 실행할 수 있으며, 단일 장비에서 수천 대의 서버 클러스터까지 확장이 가능합니다. 내부 벤치마크 테스트 결과, Spanner Omni는 단일 리전 배포 환경에서 페타바이트급 데이터에 대해 초당 수백만 건의 쿼리(QPS)를 처리할 수 있음을 확인했습니다.

What makes Spanner Omni unique

Spanner Omni는 새로운 가능성의 문을 엽니다. 초기 도입 고객들과의 협력을 통해 우리는 Spanner Omni를 배포하는 세 가지 주요 아키텍처를 확인했습니다.

하이브리드 및 멀티 클라우드 탄력성: 고객들은 Google Cloud의 Spanner 관리형 서비스를 주 데이터베이스로 사용하면서, Spanner Omni를 보조 클라우드나 온프레미스 데이터 센터에 '핫-콜드 페일오버(Hot-Cold Failover)' 사이트로 배포하고 있습니다. 이러한 주-보조 아키텍처는 규제 산업 분야의 조직들이 재해 복구 및 비즈니스 연속성 요구사항을 충족할 수 있도록 돕는 핵심적인 안전망 역할을 합니다. 또한 데이터 주권이 요구되지만 Google Cloud 데이터 센터가 하나뿐인 지역에서도 멀티 리전 고가용성(HA)을 구현할 수 있습니다.
환경 전반의 통합 기술 스택: 멀티 클라우드 또는 하이브리드 전략을 가진 조직에 Spanner Omni는 '한 번의 작성으로 어디서든 실행(Write once, run anywhere)'할 수 있는 애플리케이션 구축 경험을 제공합니다. 단일 데이터베이스 레이어로 표준화함으로써 운영 오버헤드를 획기적으로 줄이고, 최첨단 기술을 활용하면서 동시에 어떤 환경에서든 진정한 애플리케이션 이식성을 달성할 수 있습니다.
온프레미스 현대화: 온프레미스 비중이 높거나 자체 관리를 선호하는 조직들도 이제 더 이상 클라우드 네이티브 혁신에서 소외되지 않습니다. Spanner Omni를 통해 기존 하드웨어 인프라 위에서 Spanner의 멀티 모델 역량을 활용하여 차세대 AI 애플리케이션을 구축하거나 재작성할 수 있으며, 확장성 보장, 고가용성, 글로벌 일관성 등 Spanner의 혁신적인 기술력을 그대로 누릴 수 있습니다.

Spanner Omni의 기술적 배경

우리의 비전은 단순합니다. 컴퓨팅 자원과 데이터베이스 수준의 로컬 파일 시스템만 있다면 누구나 Spanner Omni를 실행할 수 있어야 한다는 것입니다. 이를 현실화하기 위해 우리는 Spanner의 Google 인프라 의존성을 제거하는 일련의 혁신을 단행했습니다. Paxos 합의 알고리즘, 자동 샤딩, 동기 복제와 같은 Spanner의 핵심 기술은 유지하되, Colossus나 TrueTime과 같이 Google에 종속된 구성 요소들을 새롭고 창의적인 솔루션으로 대체했습니다.

어디서나 구현되는 분산 스토리지를 위해, Spanner Omni는 "Colossus와 유사한" 추상화 레이어를 도입함으로써 Google의 분산 파일 시스템인 Colossus에 대한 Spanner의 의존성을 대체합니다. 이 레이어는 연결된 로컬 파일 시스템에 데이터를 기록하고, 이를 네트워크를 통해 다른 노드에서 사용할 수 있도록 합니다. 소프트웨어는 자동으로 샤드 분할(shard splitting) 및 재균형(rebalancing)을 처리하여 가용한 모든 서버에 스토리지를 균형 있게 분산시킴으로써 최상의 성능을 보장합니다. Spanner Omni의 파일 레이어가 Colossus 그 자체는 아니지만, 대부분의 워크로드에서 Spanner Omni가 관리형 Spanner 서비스와 대등한 성능을 발휘할 수 있게 해주는 충분한 대역 역할을 수행합니다.

우리는 또한 원자시계와 GPS를 사용하여 전 세계적으로 시간을 동기화하는 Spanner의 가장 잘 알려진 기술 중 하나인 TrueTime을 재구상했습니다. Spanner Omni를 위해 우리는 소프트웨어 기반의 TrueTime 대안 기술을 개발했으며, 이는 Google Cloud의 TrueTime과 마찬가지로 Spanner Omni 배포 환경 내의 서버 간에 오차가 제한된 고신뢰 시간 동기화를 제공합니다. Spanner는 강력한 외부 일관성을 달성하기 위해 시간 동기화에 의존하지만, 시간 불확실성에 따른 대기 시간을 다른 데이터베이스 작업과 겹쳐서 처리하는 능력을 통해 실제 TrueTime이 제공하는 것보다 더 넓은 불확실성 범위도 수용할 수 있습니다. TrueTime은 이러한 유연성을 활용하여 Spanner의 가용성이나 성능을 제한하지 않으면서도 다양하고 이질적인 환경 전반에 걸쳐 시간 기록(timekeeping) 기능을 제공합니다.

aside_block: <ListValue: [StructValue([('title', 'What customers are saying'), ('body', <wagtail.rich_text.RichText object at 0x7f4237b56990>), ('btn_text', ''), ('href', ''), ('image', None)])]>

액세스 방법

Spanner Omni의 개발자 에디션은 오늘부터 프리뷰(다운로드)로 제공됩니다. 이 에디션에는 Spanner의 핵심 역량이 포함되어 있어, 비상업적 목적의 비프로덕션 환경에서 개발 및 테스트를 진행하는 데 적합합니다. 엔터프라이즈 보안 기능은 제외되어 있으나, 여러분의 차기 프로젝트를 위한 최적의 샌드박스가 될 것입니다. 모든 기능이 포함된 상업용 에디션의 조기 액세스를 원하신다면 https://cloud.google.com/consulting/spanner-omni를 통해 문의해 주시기 바랍니다.

Gemini CLI extensions for Google Data Cloud 출시

Wed, 24 Sep 2025 15:00:00 +0000

* 본 아티클의 원문은 2025년 09월 25일 Google Cloud 블로그(영문)에 게재되었습니다.

지난 6월, Google은 Gemini CLI를 소개했습니다. Gemini CLI는 Gemini의 기능을 터미널에서 직접 사용할 수 있도록 지원하는 오픈소스 AI 에이전트입니다. 오늘 Google 데이터 클라우드 서비스용 오픈소스 Gemini CLI 확장 프로그램을 발표하게 되어 기쁩니다.

Cloud SQL, AlloyDB, BigQuery와 같은 서비스를 사용하면 로컬 개발 환경에서 그 어느 때보다 쉽게 애플리케이션을 빌드하고 트렌드를 분석할 수 있습니다. 초보 개발자든 숙련된 개발자든 이러한 확장 프로그램을 사용하면 앱 개발, 배포, 운영, 데이터 분석과 같은 일반적인 데이터 상호작용을 더 생산적이고 쉽게 수행할 수 있습니다. 그럼 바로 시작하겠습니다.

데이터 클라우드 Gemini CLI 확장 프로그램 사용

시작하기 전에 특정 서비스에 액세스하는 데 필요한 API를 사용 설정하고 IAM 권한을 구성했는지 확인합니다.

최신 기능을 가져오려면 Gemini CLI(v0.6.0)의 최신 버전을 설치합니다.

npm install -g @google/gemini-cli@latest

다음으로 확장 프로그램을 설치합니다.

gemini extensions install https://github.com/gemini-cli-extensions/<EXTENSION>

<EXTENSION>을 사용하려는 서비스 이름으로 바꿉니다. 예를 들어 alloydb, cloud-sql-postgresql 또는 bigquery-data-analytics를 선택할 수 있습니다.

Gemini CLI를 시작하기 전에 필요한 환경 변수를 추가하여 Google Cloud 프로젝트와 연결되도록 확장 프로그램을 구성해야 합니다. 아래 표에는 필요한 구성에 대한 자세한 정보가 나와 있습니다.

확장 프로그램 이름	설명	구성
alloydb	PostgreSQL용 AlloyDB 데이터베이스 및 데이터로 리소스를 만들고 상호작용합니다.	구성
alloydb-observability	PostgreSQL용 AlloyDB 데이터베이스의 데이터베이스 성능과 상태를 모니터링합니다.	구성
bigquery-data-analytics	BigQuery 데이터에서 질문을 발견하고 질문합니다.	구성
bigquery-conversational-analytics	Conversational Analytics API에서 제공하는 기본 제공 스테이트리스 에이전트를 사용하여 BigQuery 데이터에서 인사이트를 발견하고 심층적으로 분석합니다.	구성
cloud-sql-mysql	MySQL용 Cloud SQL 데이터베이스 및 데이터에 연결하고 상호작용합니다.	구성
cloud-sql-mysql-observability	MySQL용 Cloud SQL 데이터베이스의 데이터베이스 성능과 상태를 모니터링합니다.	구성
cloud-sql-postgresql	PostgreSQL용 Cloud SQL 데이터베이스 및 데이터로 리소스를 만들고 상호작용합니다.	구성
cloud-sql-postgresql-observability	PostgreSQL용 Cloud SQL 데이터베이스의 데이터베이스 성능과 상태를 모니터링합니다.	구성
cloud-sql-sqlserver	SQL Server용 Cloud SQL 데이터베이스 및 데이터에 연결하고 상호작용합니다.	구성
cloud-sql-sqlserver-observability	SQL Server용 Cloud SQL 데이터베이스의 데이터베이스 성능과 상태를 모니터링합니다.	구성
dataplex	Dataplex Universal Catalog에 연결하여 데이터 플랫폼 전반에서 데이터 및 AI 아티팩트를 검색, 관리, 모니터링, 제어할 수 있습니다.	구성
firestore-native	Firestore 데이터베이스, 컬렉션, 문서에 연결하고 상호작용합니다.	구성
looker	Looker에 연결하여 데이터를 쿼리하고, Look을 실행하고, 대시보드를 만듭니다.	구성
mysql	MySQL 데이터베이스 및 데이터에 연결하고 상호작용합니다.	구성
postgres	PostgreSQL 데이터베이스 및 데이터에 연결하고 상호작용합니다.	구성
spanner	Spanner 데이터베이스 및 데이터에 연결하고 상호작용합니다.	구성
sql-server	SQL Server 데이터베이스 및 데이터에 연결하고 상호작용합니다.	구성
mcp-toolbox	데이터베이스용 MCP 도구 상자를 사용하여 커스텀 도구를 로드합니다.	구성

이제 gemini 명령어를 사용하여 Gemini CLI를 시작할 수 있습니다. /extensions 명령어를 사용해 설치된 확장 프로그램을 볼 수 있습니다.

/mcp list 명령어를 사용하여 확장 프로그램에 포함된 MCP 서버와 도구를 나열할 수 있습니다.

PostgreSQL용 Cloud SQL 확장 프로그램용 Gemini CLI 사용

PostgreSQL용 Cloud SQL 확장 프로그램을 사용하면 여러 작업을 수행할 수 있습니다. 주요 기능은 다음과 같습니다.

인스턴스 만들기: PostgreSQL(및 MySQL 또는 SQL Server)용 새 Cloud SQL 인스턴스를 만듭니다.
인스턴스 나열: 지정된 프로젝트의 모든 Cloud SQL 인스턴스를 나열합니다.
인스턴스 가져오기: 특정 Cloud SQL 인스턴스에 대한 정보를 검색합니다.
사용자 만들기: 지정된 Cloud SQL 인스턴스 내에서 표준 사용자와 Cloud IAM 사용자를 모두 지원하는 새 사용자 계정을 만듭니다.

이 기능을 어떻게 활용할 수 있는지 궁금하신가요? 여느 좋은 프로젝트에서 그러하듯이, 무엇을 하려고 하는지 명확하게 작성된 계획으로 시작하세요. 그런 다음 해당 프로젝트 계획을 일련의 프롬프트로 CLI에 제공하면 에이전트가 데이터베이스 및 기타 리소스 프로비저닝을 시작합니다.

새 데이터베이스에 연결하도록 확장 프로그램을 구성한 후에는 에이전트가 승인된 계획에 따라 필요한 테이블을 생성할 수 있습니다. 간단한 테스트를 위해 에이전트에 테스트 데이터를 추가하라는 프롬프트를 작성할 수 있습니다.

이제 에이전트는 보유한 컨텍스트를 사용하여 데이터에 액세스할 수 있도록 API를 생성할 수 있습니다.

보시다시피 이러한 확장 프로그램을 사용하면 Google Cloud 데이터베이스로 빌드를 매우 쉽게 시작할 수 있습니다.

BigQuery 분석 확장 프로그램 사용

분석 니즈를 충족하기 위해 BigQuery 데이터 분석 용 Gemini CLI 확장 프로그램을 처음으로 선보입니다. 또한 BigQuery 대화형 분석 확장 프로그램을 통해 Conversational Analytics API에 액세스할 수 있게 되어 기쁩니다 . 이것은 BigQuery의 모든 기능을 로컬 코딩 환경에 직접 제공하여 통합되고 통일된 워크플로를 만드는 여정의 첫 번째 단계입니다.

이 확장 프로그램을 사용하면 다음 작업이 가능합니다.

데이터 탐색: 자연어를 사용하여 테이블을 검색합니다.
분석: 데이터에 대해 비즈니스 질문을 하고 지능형 인사이트를 생성합니다.
심층 분석: 대화형 분석 API를 사용하여 인사이트를 더 자세히 살펴봅니다.
확장: 다른 도구나 확장 프로그램을 사용하여 차트 작성, 보고, 코드 관리 등 고급 워크플로로 확장합니다.

이번 최초 출시에서는 Gemini CLI에 다음과 같은 포괄적인 도구 모음을 제공합니다.

메타데이터 도구: BigQuery 데이터 환경을 파악하고 이해합니다.
쿼리 실행 도구: BigQuery 쿼리를 실행하고 결과를 콘솔에 요약하여 반환합니다.
AI 기반 예측: BigQuery의 기본 제공 AI.Forecast 함수를 활용하여 명령줄에서 직접 강력한 시계열 예측을 수행합니다.
심층적인 데이터 인사이트: 'ask_data_insights' 도구는 서버 측 BigQuery 에이전트에 액세스하여 더 풍부한 데이터 인사이트를 제공합니다.
이 외에도 다양한 기능이 제공됩니다.

[참고: 대화형 분석 확장 프로그램을 사용하려면 추가 API를 사용 설정해야 합니다. 자세한 내용은 문서를 참조하세요.]

분석 확장 프로그램을 사용한 여정의 예는 다음과 같습니다.

데이터 탐색 및 분석(예:

code_block: <ListValue: [StructValue([('code', '> PyPi 다운로드와 관련된 테이블 찾기\r\n✦ PyPi 다운로드와 관련된 다음 테이블을 찾았습니다.\r\n\u200b\r\n * file_downloads: projects/bigquery-public-data/datasets/pypi/tables/file_downloads\r\n * distribution_metadata: projects/bigquery-public-data/datasets/pypi/tables/distribution_metadata'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f423daef4d0>)])]>

code_block: <ListValue: [StructValue([('code', '> Using bigquery-public-data.pypi.file_downloads show me top 10 downloaded pypi packages this month \r\n\r\n✦ Here are the top 10 most downloaded PyPI packages this month:\r\n\r\n 1. boto3: 685,007,866 downloads\r\n 2. botocore: 531,034,851 downloads\r\n 3. urllib3: 512,611,825 downloads\r\n 4. requests: 464,595,806 downloads\r\n 5. typing-extensions: 459,505,780 downloads\r\n 6. certifi: 451,929,759 downloads\r\n 7. charset-normalizer: 428,716,731 downloads\r\n 8. idna: 409,262,986 downloads\r\n 9. grpcio-status: 402,535,938 downloads\r\n 10. aiobotocore: 399,650,559 downloads'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f4237634510>)])]>

더 심층적인 인사이트 실행

'ask_data_insights'를 사용하여 BigQuery(Conversational analytics API)에서 에이전트를 트리거하여 질문에 대한 답을 얻습니다. 서버 측 에이전트는 데이터에 대한 추가 컨텍스트를 수집하고 질문에 대한 더 깊은 인사이트를 제공할 수 있을 만큼 스마트합니다.

BigQuery 데이터를 로컬 도구와 혼합하여 차트와 보고서를 생성할 수도 있습니다. 다음과 같은 프롬프트를 시도해 볼 수 있습니다.

"bigquery-public-data.pypi.file_downloads를 사용하여 urllib3 패키지의 2025년 마지막 4개월 다운로드 수를 예측해 줘. 처음 8개월의 실제 다운로드 수와 마지막 4개월의 예측치를 포함하는 차트를 그려 줘.”

지금 시작하기

데이터 클라우드 서비스용 Gemini CLI 확장 프로그램을 업그레이드할 준비가 되셨나요? 자세한 내용은 확장 프로그램 문서를 참조하세요. 템플릿을 확인하고 나만의 확장 프로그램을 빌드하여 커뮤니티와 공유해 보세요.

Google Cloud DSPM으로 기본 데이터 보안을 넘어: 중요 데이터 보호를 위한 새로운 접근법

Wed, 20 Aug 2025 16:00:00 +0000

해당 블로그의 원문은 2025년 8월 21일 Google Cloud 블로그(영문)에 게재되었습니다.

데이터 민주화와 생성형 AI 시대에 조직이 데이터를 다루는 방식은 극적으로 변화했습니다. 이러한 진화는 새로운 기회를 창출함과 동시에 보안 위험을 야기합니다. 이제 보안팀이 직면한 과제는 단순히 데이터를 보호하는 것에 그치지 않고, 이러한 새로운 현실에 맞춰 보안 및 규정 준수 기능을 확장하는 것입니다.

기존의 보안 제어가 위험 완화에 필수적인 것은 맞지만, 많은 데이터 보안 태세 관리(DSPM) 솔루션은 오늘날의 조직에 필요한 역량을 갖추지 못하고 있습니다. 예를 들어, AI 워크로드를 운영하는 조직은 민감한 데이터가 학습 환경으로 유출되지 않도록 해야 하며, 모델이나 가중치와 같은 지적 재산이 외부로 유출되지 않도록 보호하고, 모든 모델이 "규정 준수 설명 가능성"을 지원하는지 확인해야 합니다.

강력한 데이터 보안을 위해 조직이 이해해야 할 네 가지 핵심 고려 사항은 다음과 같습니다: 민감한 데이터가 어디에 있는지, 어떻게 사용되는지, 어떤 제어를 통해 데이터를 보호할 수 있는지, 그리고 규정 준수 증거를 제공하는 데 사용할 수 있는 모니터링 도구는 무엇인지입니다. 현재 미리 보기로 제공되는 새로운 DSPM(Data Security Posture Management)은 데이터 보안, 개인 정보 보호, 그리고 규정 준수를 위한 종단간(end-to-end) 거버넌스를 제공합니다.

DSPM 기능에는 보안, 개인 정보 보호 및 규정 준수 요구 사항을 충족하고 비즈니스 요구에 부합하는 고급 데이터 제어 기능이 포함됩니다. Security Command Center의 일부로 제공되는 이 Google Cloud 네이티브 솔루션은 도구의 복잡성을 줄이고 네이티브 플랫폼 경험을 제공합니다.

aside_block: <ListValue: [StructValue([('title', 'Google Cloud 보안 제품을 경험해 볼 수 있는 $300의 무료 크레딧을 드립니다.'), ('body', <wagtail.rich_text.RichText object at 0x7f423c163390>), ('btn_text', ''), ('href', ''), ('image', None)])]>

DSPM은 Google Cloud 환경 전반의 데이터에 대한 전체적인 시야를 제공하는 데이터 맵을 구축하여, 데이터의 민감도 수준과 기본 보안 태세를 한눈에 파악할 수 있게 합니다. 이 검색 기능을 통해 정책을 적용하여 데이터를 모니터링하고 보호할 수 있으며, 선별된 제어 기능을 민감한 데이터 요구사항에 맞춰 적용할 수 있습니다.

Google Cloud DSPM을 통해 보안 및 규정 준수팀은 다음과 같은 이점을 얻을 수 있습니다.

데이터 검색: DSPM은 데이터 자산에 대한 포괄적인 가시성을 제공합니다. Google Cloud 환경 전반에 걸쳐 데이터 자산을 자동으로 검색하고, Sensitive Data Protection의 민감도 라벨을 활용하여 어떤 데이터가 어디에 있는지 파악하도록 돕습니다
위험 평가: DSPM은 현재의 데이터 보안 태세를 Google Cloud가 권장하는 모범 사례와 비교하여 평가하고, 잠재적인 취약점과 잘못된 구성을 식별하도록 돕습니다.
데이터 보호: DSPM은 보안 및 규정 준수 요구 사항을 제어 정책과 연결함으로써 데이터 보안 프레임워크를 배포하고, 이를 실시간에 가깝게 모니터링할 수 있도록 지원합니다.
규정 준수 간소화: DSPM은 관련 규정 준수 프레임워크에 맞춰 데이터를 감사하고, 격차를 정확히 찾아내며, 증거 기반의 상세 규정 준수 보고서를 생성할 수 있도록 돕습니다. 또한 HIPAA, GDPR, PCI DSS 준수 여부를 평가하는 데도 도움을 줄 수 있습니다.

Google Cloud의 데이터 보안 태세 관리(DSPM) 솔루션에 대한 시각적 개요

고급 DSPM 제어 기능이 보안 및 규정 준수 요구 사항에 어떻게 도움이 되는지

보안팀은 조직의 Google Cloud 환경에서 민감한 데이터를 식별하고, 원하는 보안 및 규정 준수 결과를 특정 데이터 제어와 연결하는 것부터 시작할 수 있습니다. 이 과정을 더 쉽게 만들기 위해 DSPM은 보안 및 규정 준수 결과를 충족하기 위한 데이터 접근 거버넌스, 흐름 거버넌스, 데이터 보호, 그리고 데이터 삭제 제어와 같은 고급 제어 기능을 제공합니다.

현재 이러한 제어 기능은 조직, 폴더, 프로젝트를 포함한 데이터 경계에서 탐지 모드로 적용될 수 있습니다. 또한 Google Cloud Sensitive Data Protection(SDP)을 사용하여 특정 유형의 민감한 데이터를 스캔할 수도 있습니다.

고급 데이터 제어 기능을 적용하여 데이터 보호하기

데이터 접근 거버넌스

데이터 접근 거버넌스 제어를 사용하면 민감한 데이터에 대한 접근을 관리하고, 승인된 주체에 대한 접근을 탐지 모드로 제한할 수 있습니다.

예를 들어, 고객 결제 데이터에 대한 거버넌스가 필요한 조직은 오직 사기 탐지팀만 민감한 고객 결제 정보에 접근하도록 허용하는 정책을 만들고, 이 제어 정책을 민감한 데이터 전반에 적용할 수 있습니다. 일단 적용되면, 정책은 데이터를 추적하며 규정을 준수하지 않는 모든 접근 이벤트를 표면화합니다.

흐름(Flow) 거버넌스

데이터 흐름 제어를 사용하면 데이터가 국가 경계를 넘어 이동하는 방식을 탐지 모드로 제한하여 민감한 고객 데이터가 국가 경계 밖으로 이동하지 않도록 할 수 있습니다. 예를 들어, 특정 국가 내에서 운영하며 고객 데이터를 해당 국가의 지리적 경계 밖으로 이동하지 않아야 하는 규정 준수 요건이 있는 조직을 생각해 봅시다. 데이터 흐름 거버넌스를 사용하면, 조직은 해당 국가 내에서만 데이터 흐름을 허용하는 정책을 만들고 이를 민감한 데이터에 적용할 수 있습니다. 일단 적용되면, 이 제어는 허용된 지리적 경계 외부로부터의 모든 규정 미준수 읽기 작업을 표면화합니다.

데이터 보호

데이터 보호 제어는 CMEK(고객 관리형 암호화 키)를 강제하는 것과 같은 암호화 키 구성을 관리하는 데 도움이 될 수 있습니다. 민감한 데이터를 보호하는 키에 CMEK를 정책으로 강제하는 정책을 생성할 수 있습니다.

데이터 삭제

데이터 삭제 제어를 사용하면 데이터가 보관되는 최대 기간을 관리할 수 있습니다. 허용된 최대 보관 기간을 설정하는 정책을 생성하고 이를 민감한 데이터에 적용할 수 있습니다.

데이터 보안의 미래를 만들어가는 데 동참하세요.

Google Cloud는 보안 및 규정 준수팀을 초대하여 Google Cloud DSPM의 강력한 기능을 가장 먼저 경험해 볼 수 있는 기회를 제공합니다. DSPM 미리 보기에 참여하는 조직은 다음을 할 수 있습니다.

DSPM을 활성화하고 특정 비즈니스 요구에 대한 기능을 평가하기 시작합니다. 자세한 가이드는 사용자 가이드를 참조하십시오.
기술 자문 위원회(Technical Advisory Council) 및 고객 디자인 패널(Customer Design Panels)에 참여하여 DSPM 개발에 영향을 줄 수 있는 귀중한 피드백을 제공합니다.
Google Cloud 전문가와 협력하여 데이터 보안 전략을 최적화하고 성공적인 구현을 보장합니다.

추가 문의사항은 Google Cloud 계정팀에 문의하거나 dspm-pm@google.com으로 피드백을 보내주시기 바랍니다.

정확도, 속도, 10억 이상의 규모 면에서 PostgreSQL 벡터 검색이 대폭 향상된 AlloyDB

Mon, 17 Mar 2025 08:22:00 +0000

* 본 아티클의 원문은 2024년 10월 4일 Google Cloud 블로그(영문)에 게재되었습니다.

Google이 20년 동안 AI를 실제 애플리케이션에 통합하는 과정에서 부상한 중요한 테마가 있습니다. 즉, 엔터프라이즈 생성형 AI 애플리케이션을 빌드하려면 대규모 워크로드의 규모와 성능 요구사항을 지원하는 확장 가능하고 신뢰할 수 있는 데이터 기반이 있어야 한다는 것입니다. 생성형 AI 또는 검색 애플리케이션을 빌드하고 있다면 애플리케이션의 최신 데이터에 근거한 고품질 결과를 실시간으로 얻을 수 있어야 합니다. 또한 개발자가 빌드 및 관리하기 쉽고 적은 비용으로도 대규모 실행이 가능한 솔루션이 있어야 합니다.

오늘 Google은 기업에서 확장 가능하고 정확하며 우수한 성능을 가진 생성형 AI 및 검색 애플리케이션을 빌드하는 데 도움이 되는 AlloyDB용 ScaNN 색인의 정식 버전을 발표했습니다. PostgreSQL용 AlloyDB는 까다로운 엔터프라이즈 워크로드를 위한 완전 관리형 PostgreSQL 호환 서비스로, 표준 PostgreSQL보다 4배 빠른 트랜잭션 워크로드 속도와 최대 100배 빠른 분석 쿼리 속도를 지원합니다. 이제 ScaNN 색인은 12년간 이루어진 Google의 연구 결과(10억 명 이상의 Google 사용자에게 제공되는 서비스 일부를 강화하는 데 사용된 것과 동일한 기술)를 PostgreSQL용 AlloyDB에 도입하여 벡터 데이터베이스 워크로드를 향상할 수 있습니다.

ScaNN 색인을 사용하는 AlloyDB는 벡터 최적화된 데이터베이스의 성능을 조합하여 빠른 시간 안에 정확한 결과를 전달하고 10억 개 이상의 벡터를 지원하도록 확장되며, 관계형 데이터베이스의 쿼리 유연성, 엔터프라이즈 기능, 멀티 워크로드 기능을 제공합니다.

AlloyDB용 ScaNN 색인

AlloyDB용 ScaNN 색인은 전체 스펙트럼에 걸쳐 최첨단 쿼리 성능을 유지하면서 10억 개 이상의 벡터를 지원하도록 확장 가능한 최초의 PostgreSQL 호환 색인입니다. 이 색인은 95%의 재현율로 10억 개의 벡터에서 25ms p95 지연 시간 미만의 우수한 성능을 제공합니다. 또한 표준 PostgreSQL의 HNSW 색인보다 최대 4배 더 빠른 벡터 쿼리를 제공합니다. 이 외에도 AlloyDB의 ScaNN 색인은 실제 워크로드에 중요한 이점인 매우 빠른 색인 빌드 시간을 제공하며 이를 통해 개발자 생산성을 향상하고 대규모 워크로드에서 발생하는 고비용 병목 현상을 줄일 수 있습니다. 또한 메모리 사용량을 효율적으로 관리하는 데에도 도움이 됩니다. 일반적으로 표준 PostgreSQL의 HNSW 색인보다 3~4배 더 적은 메모리를 사용하여 더 작은 머신에서 대규모 워크로드를 실행하고 하이브리드 워크로드의 성능을 높여 줍니다. 마지막으로 AlloyDB는 기본 메모리에 맞는 색인보다 훨씬 더 큰 다양한 색인을 지원하므로 고객이 특정 워크로드에 맞는 적정 규모의 색인을 선택할 수 있습니다. 종합하면 이러한 개선사항은 전문 도구의 필요성을 줄이는 동시에 AlloyDB에서 효율적으로 실행할 수 있는 벡터 데이터베이스 워크로드 세트를 방대하게 확장합니다.

동시에 AlloyDB는 상업용 관계형 데이터베이스의 모든 이점을 제공합니다. 완전한 호환성을 갖춘 PostgreSQL은 개발자에게 쿼리 벡터와 스칼라 데이터에 함께 사용할 수 있는 간단하고 유연한 쿼리 언어를 제공하여 단일 데이터베이스에서 간단한 필터부터 하이브리드 검색에 대한 복잡한 조인까지 모든 것을 지원합니다. AlloyDB는 완전한 트랜잭션 일관성과 높은 쓰기 처리량을 지원합니다. 실제로 AlloyDB의 ScaNN 색인은 표준 PostgreSQL의 HNSW 색인보다 쓰기 처리량이 최대 10배 더 높습니다. 따라서 업데이트 비율이 매우 높은 고객은 쓰기 작업의 성능이 우수하고 쓰기 작업을 쿼리에 간편하게 사용할 수 있다는 데서 안심하고 이를 사용할 수 있습니다. 마지막으로 AlloyDB에는 유지보수가 포함된 99.99%의 고객 친화적인 가용성 SLA와 고가용성, 재해 복구, 데이터 보호, 보안 등과 관련된 중요한 엔터프라이즈 기능이 있습니다.

새로운 AlloyDB용 ScaNN 색인은 PostgreSQL 및 pgvector와 완벽하게 호환되므로 현재 가장 많이 사용하는 오픈소스 데이터베이스인 PostgreSQL을 사용하는 전문 개발자들은 이 기술을 쉽게 사용할 수 있습니다.

다음 단계

AlloyDB용 ScaNN 색인을 더 자세히 알아보려면 Google의 AlloyDB용 ScaNN 색인 개요를 확인하거나 Google의 ScaNN 알고리즘 심층 분석 및 PostgreSQL과 AlloyDB에 ScaNN 색인을 구현한 방법에 관한 AlloyDB용 ScaNN 백서를 읽어보세요.

AlloyDB용 ScaNN은 이제 Google Cloud의 AlloyDB에서 정식으로 사용할 수 있습니다. AlloyDB 인스턴스 생성에 관한 빠른 시작 가이드를 따라 단계를 수행한 다음 쉽고 빠른 벡터 쿼리를 시작하기 위한 Google 문서를 참조하세요. 이제 30일 무료 체험판으로 AlloyDB를 무료로 사용해 볼 수도 있습니다.

Memorystore for Valkey 8.0 소개: 비할 데 없는 성능과 완전한 오픈소스

Mon, 17 Mar 2025 08:13:00 +0000

편집자 주: Ping Xie는 Valkey 기술 운영 위원회(TSC)의 Valkey 유지보수 담당자입니다.

* 본 아티클의 원문은 2024년 10월 4일 Google Cloud 블로그(영문)에 게재되었습니다.

오늘 Memorystore에서 Valkey 8.0 프리뷰 버전이 출시되었다는 기쁜 소식을 알려드립니다. 이로써 Google Cloud는 Valkey 8.0을 완전 관리형 서비스로 제공하는 첫 번째 주요 클라우드 플랫폼이 되었습니다. 2024년 8월에 출시된 Memorystore for Valkey 7.2에서 한 발짝 더 나아간 이번 프리뷰는 Valkey 오픈소스 생태계의 유용한 최신 기능을 개발자 여러분에게 제공하며, 오픈소스에 대한 Google Cloud의 노력을 확고히 합니다.

Memorystore for Valkey 8.0은 Google Cloud가 Major League Baseball(MLB)과 같은 고객을 열심히 지원하고 있다는 것을 여실히 보여줍니다. 가장 역사적인 프로 스포츠 리그인 MLB는 실시간 분석을 지원하는 데 Memorystore를 사용하여 방대한 데이터를 처리하고 경기 중 팬들에게 인사이트와 통계를 제공합니다.

"MLB에서는 팬들에게 최상의 경험을 제공하는 데 사활을 걸고 있습니다. Valkey의 캐싱에 대한 진정한 오픈소스 접근 방식은 획기적이며, 팬들과 계속 소통하고 팬들의 참여를 유도하는 데 필요한 성능과 혁신을 보장합니다. 이 커뮤니티의 일원인 것이 기쁘며, Memorystore에서 Valkey의 지속적인 혁신이 기대됩니다." - Rob Engel, Major League Baseball 소프트웨어 엔지니어링 부문 부사장

Valkey 8.0 출시

올해 초, Redis Inc.가 Redis OSS의 라이선스를 허용적인 BSD 3-Clause 라이선스에서 Restrictive Source Available License(제한적 소스 이용 가능 라이선스, RSAL)로 변경하자 오픈소스 커뮤니티는 Valkey(1, 2, 3)를 BSD 3-Clause 라이선스 하에 완전 오픈소스 대안으로 개발하기 위해 결집했습니다. 몇 달 만에 Valkey 커뮤니티는 오픈소스 Valkey 8.0 정식 버전을 출시하며 오픈소스 협업과 제한받지 않는 혁신의 힘을 보여주었습니다.

Memorystore for Valkey 8.0은 Google 완전 관리형 서비스로서 향상된 성능, 개선된 안정성, Redis OSS와의 완전 호환성을 모두 제공합니다.

Valkey 성능 벤치마크 개선은 새롭게 도입된 비동기 I/O 기능 덕분입니다. 향상된 I/O 스레딩 시스템은 메인 스레드와 I/O 스레드가 동시에 실행될 수 있게 하여, 명령어와 I/O 작업을 병렬 처리하고, 들어오는 요청 처리의 병목 현상을 줄여 처리량을 최대화합니다. Memorystore for Valkey 8.0은 Memorystore for Redis Cluster와 비교하여 마이크로초 단위의 지연 시간에서 최대 2배의 초당 쿼리 수(QPS) 를 제공하므로, 애플리케이션에서 비슷한 크기의 클러스터로 더 많은 처리량을 처리할 수 있습니다. 이로 인해 Valkey 8.0은 높은 처리량이 요구되고 우수한 반응형 사용자 경험을 제공하고자 하는 실시간 애플리케이션에 적합합니다.

처리량 향상과 함께, Valkey 8.0은 다음과 같이 서비스의 전체 속도를 더욱 향상하는 여러 최적화를 포함합니다.

SUNION 명령어는 더 빠른 합집합 작업을 위해 최적화되었습니다.
SDIFF 및 ZUNIONSTORE 명령어는 실행 시간을 개선하기 위해 리팩터링되었습니다.
DEL 명령어는 만료된 키의 중복 삭제를 방지합니다.
CLUSTER SLOTS 응답은 클러스터 작업의 처리량을 개선하고 지연 시간을 줄이기 위해 캐시됩니다.
CRC64 성능은 대용량 데이터 배치에 맞게 개선되어, RDB 스냅샷 및 슬롯 마이그레이션 시나리오에서 중요한 역할을 합니다.

Valkey 8.0은 또한 키 메모리 효율성을 개선하여 애플리케이션 변경 없이 더 많은 데이터를 저장할 수 있습니다. 이제 키는 기본 사전 안에 직접 임베딩되어 메모리 오버헤드를 줄이고 성능을 개선합니다. 또한 새로운 슬롯별 사전은 기본 사전을 슬롯별로 분할하여 성능 저하 없이 키-값 쌍당 16바이트의 메모리 오버헤드를 추가로 줄입니다.

한편, Valkey 8.0은 Google에서 개발한 여러 기능 덕분에 안정성을 개선했습니다. 이러한 Google의 기능은 다음과 같이 프로젝트에 기여하면서 클러스터의 복원력과 가용성을 많이 개선했습니다.

자동 장애 조치는 빈 샤드에 대해 초기 확장 단계에서도 고가용성을 보장하여 새로운 슬롯리스 샤드가 원활하게 장애 조치를 수행할 수 있도록 돕습니다.
슬롯 마이그레이션 상태 복제는 모든 CLUSTER SETSLOT 명령어가 기본 노드에서 실행되기 전에 복제본 전반에 동기화되도록 하여 장애 조치 이벤트 중 데이터 비가용성의 리스크를 줄이고, 새 복제본이 자동으로 적절한 상태를 상속받을 수 있게 합니다.
또한 슬롯 마이그레이션 상태 복구는 장애 조치 후 소스 및 대상 노드를 자동으로 업데이트하여 운영자의 개입 없이 요청이 기본 노드로 알맞게 라우팅되도록 유지합니다.

이러한 개선사항 덕분에 Valkey 8.0 클러스터는 슬롯 이동 중에 장애에 대한 복원력이 높아졌으며, 고객은 복잡한 확장 작업 중에도 안심하고 데이터를 계속 사용할 수 있습니다.

Redis OSS 7.2와의 호환성

Valkey 8.0은 Valkey 7.2와 마찬가지로 Redis OSS 7.2 API와 완벽하게 하위 호환되므로 Redis로부터의 원활한 마이그레이션을 지원합니다. Jedis, redis-py, node-redis 및 go-redis와 같은 인기 있는 Redis 클라이언트가 완벽하게 지원되므로 Valkey로 워크로드를 마이그레이션할 때 애플리케이션 코드를 수정할 필요가 없습니다.

오픈소스의 유연성과 관리형 서비스의 안정성이 결합되어 제어와 편의성 간 균형을 확보하면서 Valkey는 Redis OSS 워크로드를 위한 훌륭한 선택지가 되었습니다.

지금 Memorystore for Valkey 8.0 시작하기

지금 Memorystore for Valkey 8.0을 시작하고 앞서 소개한 향상된 기능을 직접 경험해 보세요. Memorystore for Valkey 8.0은 제로 다운타임 확장, 고가용성, RDB 스냅샷 및 AOF 로깅 기반 지속성 등의 기능을 통해 오늘날 매우 까다로운 워크로드에 필요한 성능, 안정성, 확장성을 제공합니다.

지금 바로 Google Cloud 콘솔 또는 gcloud를 통해 완전 관리형 Valkey 클러스터를 생성하고, 진정한 오픈소스 데이터 관리의 미래를 만들면서 성장 중인 커뮤니티에 참여하세요.

Google Cloud와 Oracle의 클라우드 혁신 가속화

Mon, 17 Jun 2024 14:00:00 +0000

* 본 아티클의 원문은 2024년 06월 12일 Google Cloud 블로그(영문)에 게재되었습니다.

2024년 6월 12일, Google Cloud와 Oracle은 고객이 Google Cloud 및 Oracle Cloud Infrastructure(OCI) 전반에서 업무상 중요한 엔터프라이즈 워크로드를 원활하게 마이그레이션하고 실행할 수 있도록 지원하는 흥미로운 새 전략적 클라우드 파트너십을 발표했습니다.

이번 파트너십을 통해 양사 공동의 고객이 Oracle 기반 애플리케이션을 클라우드에서 쉽게 마이그레이션, 현대화, 관리할 수 있는 상호 운용 가능한 다양한 솔루션을 제공할 수 있게 되었습니다. 통합 엔지니어링, 제품, 상용 모델을 갖춘 이 통합 솔루션은 양사 공동의 고객이 수년간 사용해 온 엔드 투 엔드 엔터프라이즈급 협업 지원 모델을 통해 다양한 선택권과 유연성을 제공합니다. 이 파트너십의 중심에는 Oracle Database@Google Cloud가 있습니다. Oracle은 기본적으로 Google Cloud 데이터 센터에서 Oracle 데이터베이스 서비스를 직접 호스팅, 운영, 관리할 예정이며 북미와 유럽의 지역 거점을 시작으로 전 세계로 빠르게 확장해 나갈 계획입니다.

지난 수년간 공통 기업 고객들은 Oracle의 데이터베이스와 엔터프라이즈 애플리케이션 서비스를 계속 활용하면서 Gemini, Vertex AI와 같은 Google Cloud 서비스 및 AI 솔루션으로 이를 원활하게 보완하여 클라우드 마이그레이션을 현대화 및 가속화할 수 있는 통합 프레임워크에 관심을 보였습니다. 하지만 기존의 여러 공급업체가 제공하는 멀티 클라우드 옵션을 살펴보면 솔루션에 고객의 기술적, 상업적 요구사항을 충족할 수 있는 충분한 선택권과 기본 통합 옵션이 없었습니다. 결국 고객이 교차 클라우드 데이터 전송 요금과 같은 추가 비용을 부담하거나 이러한 아키텍처에 대한 엔드 투 엔드 엔터프라이즈급 지원의 부족을 감수해야 했습니다.

이번 파트너십은 양사 공동의 고객을 대신하여 이러한 문제를 해결하기 위한 투자이자 혁신 조치입니다. 이를 통해 Exadata Cloud Service, Oracle Autonomous Database를 비롯한 Oracle 데이터베이스 서비스를 Google 데이터 센터에서 직접 원활하게 호스팅할 수 있게 됩니다. 또한 고객은 교차 클라우드 데이터 전송 요금 없이 Oracle Cloud Infrastructure(OCI)와 Google Cloud를 상호 연결할 수 있으며, 양사는 Oracle E-Business Suite 등의 Oracle 애플리케이션을 Google Cloud에서 실행할 수 있도록 지원할 예정입니다.

Oracle Database@Google Cloud는 OCI 하드웨어에서 실행되는 Google Cloud 데이터 센터에 최신 데이터베이스 서비스를 배포합니다. 이제 고객은 Oracle Database의 최첨단 관리형 서비스인 Oracle Autonomous Database를 활용할 수 있습니다. 나아가 업무상 중요한 데이터베이스 워크로드를 Oracle Database의 최첨단 플랫폼인 Oracle Exadata Database Cloud Service로 마이그레이션할 수도 있습니다. 또한 Oracle 데이터베이스를 Google Compute Engine에서도 실행할 수 있게 됩니다.

고객은 Google Marketplace에서 사용 가능한 서비스를 직접 조달하고 Google Cloud 콘솔에서 바로 관리할 수 있습니다. 통합 솔루션이 어떻게 결합되는지는 이 데모를 통해 확인하실 수 있습니다.

이번 파트너십으로 고객들에게 더 많은 기회를 제공할 수 있게 되어 매우 기쁩니다. 양사는 고객을 위해 통합 솔루션을 계속 혁신하고 까다로운 애플리케이션 및 데이터베이스 워크로드의 성능과, 가용성 및, 보안 요구사항을 충족할 수 있는 비용 효율적인 선택권을 제공하고자 최선을 다하고 있습니다.

자세한 내용은 여기에서 'Google Cloud 기반 Oracle'을 확인하세요. 시작 방법을 자세히 알아보려면 이 양식을 작성하거나 ask-oracle-db@google.com으로 이메일을 보내주세요.

Google Cloud를 위한 Gemini를 만나보세요

Tue, 23 Apr 2024 01:00:00 +0000

*본 아티클의 원문은 2024년 4월 10일 Google Cloud 블로그(영문)에 게재되었습니다.

기쁜 마음으로 Google Cloud를 위한 Gemini 출시 소식을 전합니다. 지난 한 해 동안 생성형 AI의 능력은 엄청나게 성장했으며, Google Cloud는 이러한 기능을 제품 포트폴리오 전반에 적용해 왔습니다.

Google Cloud를 위한 Gemini는 개발자, 서비스, 애플리케이션을 위한 차세대 AI 어시스턴트입니다. 이 어시스턴트는 사용자가 보다 효과적으로 작업 및 코딩하고, 더 심층적인 데이터 인사이트를 확보하고, 보안 문제를 해결하도록 지원하며, 그 외에도 다양한 기능을 제공합니다. Google의 Gemini 모델 제품군을 사용하는 Google Cloud를 위한 Gemini를 통해 팀은 클라우드에서 더 많은 성과를 낼 수 있습니다.

업계 최고의 가용성을 자랑하는 Google Cloud를 위한 Gemini는 강력한 보안, 규정 준수, 개인 정보 보호 설정 등을 갖춘 엔터프라이즈 지원 AI 기능을 제공합니다.

이제 Google Cloud가 Gemini를 어떻게 제품 및 서비스에 통합하고 있는지 자세히 살펴보도록 하겠습니다.

Gemini Code Assist로 소프트웨어 배포 가속화

개발자용 Duet AI의 진화된 형태로서 이제 최신 Gemini 모델을 사용하는 Gemini Code Assist를 소개합니다. Gemini Code Assist는 개발자가 VS Code, JetBrains와 같은 인기 있는 코드 편집기에서 더 빠른 속도로 보다 고품질의 애플리케이션을 빌드할 수 있도록 AI 기반 지원을 제공합니다. 엔터프라이즈급 코딩 지원 솔루션인 Gemini Code Assist는 비공개 코드베이스가 온프레미스, Gitlab, GitHub, Bitbucket 등 어디에 있든, 심지어 여러 저장소에 걸쳐 저장된 경우에도 지원을 제공합니다. 강력한 엔터프라이즈 기능을 기반으로 빌드된 이 서비스를 사용하면 조직이 AI 지원을 대규모로 도입하는 동시에 보안, 개인 정보 보호, 규정 준수 요구사항을 충족할 수 있습니다.

"Google Cloud의 Gemini Code Assist 런칭 파트너로서 LLM 기반 코드 가속화 워크플로를 채택하여 효율성이 30% 넘게 향상되었음을 알려드릴 수 있어 기쁩니다. Gemini Code Assist의 시간을 아껴 주는 코드 완성 기능 및 버그 해결 기능을 통해 혁신과 생산성의 한계를 뛰어넘을 수 있었습니다." - Asif Hasan, Quantiphi Inc. 공동 설립자

Next에서는 Gemini Code Assist의 멋진 신기능 여러 가지가 소개됩니다.

전체 코드베이스 인식: 현재 비공개 프리뷰 버전으로 제공되는 이 기능을 활용하면 새 기능 추가, 파일 간 종속 항목 업데이트, 버전 업그레이드 지원, 포괄적인 코드 검토 등 전체 코드베이스에 대한 대규모 변경 작업을 수행할 수 있습니다. 이 기능은 업계 최대 규모인 100만 개의 토큰으로 구성된 컨텍스트 윈도우를 제공하는 Google의 Gemini 1.5 Pro 모델을 기반으로 합니다.
코드 맞춤설정: 현재 비공개 프리뷰가 진행 중인 이 기능을 기업에서 사용하면 Gemini Code Assist를 비공개 코드베이스에 연결해 맞춤설정하여 개발자에게 컨텍스트 인식 코드 생성 기능을 제공할 수 있습니다. 또한 Gemini Code Assist는 GitLab, GitHub, Bitbucket을 포함한 여러 소스 코드 저장소에 연결할 수 있습니다.
"Gemini Code Assist와 함께 RAG를 사용한 코드 맞춤설정은 Gemini가 개발자에게 제공하는 지원의 품질을 코드 완성 및 생성 측면에서 획기적으로 개선했습니다. 코드 맞춤설정 덕분에 전반적인 코드 인수율이 크게 높아질 것으로 예상됩니다. " Kai Du, Turing 엔지니어링 부문 이사 겸 생성형 AI 부문 책임자
통합 서비스: 고객의 애플리케이션에 원활하게 액세스하고 연결할 수 있도록 Apigee 및 Application Integration을 통해 Gemini Code Assist의 도달범위를 확장하고 있습니다.
생태계 개선: 지난 12월의 생태계 관련 발표 이후 Datadog, Datastax, Elastic, HashiCorp, Neo4j, Pinecone, Redis, Singlestore, Snyk, Stack Overflow 등 여러 파트너의 데이터 및 기술 자료를 사용하여 Gemini Code Assist를 개선하고 있습니다.

"이 기념비적이고 다차원적인 AI 중심 파트너십을 통해 Stack Overflow는 Google Cloud의 최신 AI 기술을 도입하고 있으며, Google Cloud는 Stack Overflow의 기술을 AI 도구에 통합하고 있습니다. 이러한 파트너십은 양사가 개발자의 창조력을 끌어올리고, 정확성 저하 없이 생산성을 향상하고, 사회적으로 책임감 있는 AI를 제공하는 데 얼마나 노력하고 있는지 잘 보여줍니다. 두 기업의 강점을 결합함으로써 다양한 업계에서 혁신을 가속화할 수 있습니다." - Prashanth Chandrasekar, Stack Overflow CEO

Gemini Cloud Assist를 사용하여 효율적으로 애플리케이션 수명 주기 관리

Gemini Cloud Assist는 클라우드팀이 애플리케이션 수명 주기를 설계, 운영, 최적화하는 데 도움이 됩니다. Gemini가 컨텍스트에 맞춰 제공하는 맞춤형 AI 가이드는 새로운 디자인을 만들고, 워크로드를 배포하며, 애플리케이션을 관리하고, 문제를 해결하며, 성능과 비용을 최적화하는 데 도움이 되도록 사용자의 Google Cloud 리소스를 이해합니다. 이 덕분에 복잡한 작업을 가속화하고 생산성을 높여 비즈니스에 계속 집중할 수 있습니다. Gemini Cloud Assist는 다음과 같은 기능을 제공합니다.

목표 중심 설계: 원하는 설계 결과를 설명하면 Gemini Cloud Assist가 니즈에 맞는 아키텍처 구성을 생성할 수 있으며, 심지어 해당 구성을 제안한 근거까지 설명합니다.
운영 및 문제 해결 안내: Gemini Cloud Assist는 문제를 진단하고 근본 원인을 찾아내며 해결책을 추천하여 이슈를 신속하게 해결할 수 있도록 도와줍니다.
맞춤형 최적화: 비용 절감, 성능 또는 고가용성 중 무엇을 우선시하든 Gemini Cloud Assist는 개선이 필요한 영역을 식별하고 목표 달성 방법을 제안합니다.

Cloud Assist는 알림 요약, 로그 설명, 문맥에 맞는 문제 해결을 통해 시간을 절약합니다.

Gemini Cloud Assist는 Google Cloud 콘솔의 채팅 인터페이스를 통해 직접 액세스할 수 있으며, 각 클라우드 제품 및 리소스를 관리하는 인터페이스에 바로 삽입되어 있습니다. Gemini Cloud Assist는 현재 비공개 프리뷰를 진행 중입니다.

"Gemini Cloud Assist는 Ford의 Google Cloud 환경을 최적화하는 데 유용하며 발생한 문제를 해결하는 데 도움이 됩니다." - Sai Dutta, Ford Motor Company 엔터프라이즈 설계자

보안의 Gemini로 보안 역량 강화

지난해 Google Cloud는 시장의 주요 클라우드 제공업체 중 최초로 보안기능 사용자에게 생성형 AI를 정식 버전으로 제공하였습니다. 이제 보안팀의 기술을 강화하고 생산성을 높여 더 쉽게 위협을 감지하고 조사하여 대응할 수 있도록 보안 운영의 Gemini 를 Chronicle에 추가하고 있습니다. 이번 달 말에 정식 버전으로 출시되는 새로운 지원 조사 기능을 활용하면 자연어를 새로운 감지 기능으로 전환하고, 이벤트 데이터를 요약하고, 취해야 할 조치를 제안하고, 대화형 채팅을 통해 플랫폼 내에서 사용자를 안내할 수 있습니다.

사용자는 보안 운영의 Gemini를 통해 Chronicle에서 대화형 채팅을 사용하여 인시던트와 알림을 신속하게 조사할 수 있습니다.

"보안 운영의 Gemini 덕분에 운영 우수성을 도모하면서 사이버 보안 운영 센터 프로그램의 효율성을 향상할 수 있었습니다." - Ronald Smalley, Fiserv 사이버 보안 운영 부문 수석 부사장

여기에 더해 Google Cloud는 보안 포트폴리오 전반에 새 AI 기능을 도입하고 있습니다.

Threat Intelligence의 Gemini: 공개 프리뷰가 진행 중인 기능으로, 대화형 검색을 통해 Mandiant의 일선 위협 인텔리전스를 활용하여 위협 행위자의 행동에 대한 유용한 정보를 몇 초 만에 얻을 수 있습니다. 또한 관련 오픈소스 인텔리전스(OSINT) 기사에 대한 웹 크롤링을 자동화하고, 정보를 수집하며, 애널리스트에게 도움이 되는 요약을 제공하여 사용자가 위협 연구의 효율성을 개선하는 데 도움이 됩니다.
Security Command Center의 Gemini: 공개 프리뷰 버전으로 제공되며, 잘못된 구성 및 취약점에 대한 중요하고 우선순위가 높은 알림을 요약하고, 시뮬레이션된 공격 경로에서 잠재적인 취약점 공격을 차단하는 방법에 대한 권장사항을 제공하여 조직이 위험을 선제적으로 완화할 수 있도록 지원합니다.

보안의 Gemini 기능은 SecLM API를 기반으로 구축되었습니다. 이 덕분에 Gemini는 더욱 보안에 특화되었으며 확장성까지 갖추게 되었습니다.

보안의 Gemini를 통해 Pfizer와 같은 고객은 복잡한 분석을 더 신속하게 수행하고, 새로운 애널리스트가 더 빠르게 온보딩할 수 있도록 지원하며, 숙련된 애널리스트가 진화된 위협 추적에 집중할 수 있도록 시간을 절약하고 있습니다. 여기에서 새로운 기능에 대해 자세히 알아보고 여기에서 보안의 Gemini에 대해 더 자세히 알아볼 수 있습니다.

BigQuery의 Gemini로 분석 및 워크플로 가속화

오늘 Google Cloud는 BigQuery의 Gemini도 프리뷰 버전으로 제공된다고 발표했습니다. BigQuery의 Gemini는 데이터 엔지니어와 데이터 애널리스트가 생산성을 높이고, 쿼리 성능을 개선하며, 수집 및 파이프라인 생성부터 AI 기반 기능으로 유용한 정보를 도출하기까지 분석 수명 주기 전반에 걸쳐 비용을 최적화할 수 있도록 함으로써 획기적인 변화를 가져왔습니다.

BigQuery의 Gemini에는 자연어 지원 및 시각화 삽입 기능으로 노트북과 같은 환경을 선사하는 새로운 데이터 캔버스가 함께 제공됩니다.

자신이 공유자전거 회사의 데이터 애널리스트라고 가정해 보세요. BigQuery의 Gemini의 새로운 데이터 캔버스를 사용하면 동일한 인터페이스 내에서 자연어 프롬프트를 사용해 데이터 세트를 탐색하고 주요 운행 기록을 식별하여 맞춤설정된 시각화를 생성할 수 있습니다.

BigQuery의 Gemini에는 시각적 데이터 파이프라인을 로우 코드로 빌드하는 기능과 함께 사용자의 데이터 정리 및 랭글링을 지원하는 AI 보강 데이터 준비 기능도 포함되어 있습니다. 또한 쿼리 추천, 시맨틱 검색, 로우 코드형 시각적 데이터 파이프라인 개발 도구와 함께 쿼리 성능 개선, 오류 최소화, 비용 최적화를 위한 지능형 추천을 제공합니다. 사용자는 자연어 프롬프트를 사용하여 SQL 또는 Python 코드를 만들고 쿼리를 작성하는 동안 실시간으로 추천을 받을 수도 있습니다.

"BigQuery의 새로운 AI 기반 보조 기능과 다른 Google Workspace 제품과의 간편한 통합을 통해 팀은 데이터에서 유용한 정보를 얻을 수 있습니다. 자연어 기반 환경, 로우 코드 데이터 준비 도구, 자동 코드 생성 기능을 통해 우선순위가 높은 분석 워크플로를 간소화하여 데이터 실무자의 생산성을 높이고 영향력 있는 이니셔티브에 집중할 수 있는 여지를 확보할 수 있습니다. 또한 비즈니스 사용자를 비롯해 다양한 기술을 보유한 사용자는 보다 쉽게 접근할 수 있는 데이터 인사이트를 활용하여 유익한 변화를 가져옴으로써 결과적으로 조직 내에서 포용적인 데이터 기반 문화를 조성할 수 있습니다." - Tim Velasquez, Veo 분석 책임자

또한 BigQuery에서 Vertex AI로 원활한 연결이 구축되어 BigQuery에서 Vertex의 AI 모델에 직접 액세스할 수 있습니다. 이를 통해 AI 모델, 기본 ML 연산자, 통계 함수를 데이터 파이프라인에서 원활하게 결합하여 멀티모달 분석을 수행할 수 있습니다. 이 새로운 기능을 사용하면 구조화된 데이터와 함께 문서, 동영상, 이미지, 오디오 녹음을 분석할 수 있습니다.

Looker의 Gemini를 사용한 통계 자동화

Looker의 Gemini는 사용자에게 비즈니스 데이터를 활용하고 심지어 데이터와 채팅을 나눌 수도 있는 새로운 방법을 제공합니다. 오늘 Google Cloud는 새로운 대화형 분석 제품을 비공개 프리뷰 버전으로 발표하였습니다. 이 제품은 채팅에서 비즈니스 전문가에게 질문하는 것처럼 간단하게 데이터에 관해 질문할 수 있는 멀티턴 기능을 제공합니다. 대화형 분석을 위해 마련된 Looker 내 전용 공간에서 데이터와 관련해 채팅을 시작하면 몇 초만에 유용한 정보를 도출하고 이어서 탐색 및 분석 단계를 시작할 수 있습니다.

전자상거래 제공업체라고 가정해 보세요. Looker의 Gemini에 쿼리하여 판매 트렌드를 알아보고 유용한 정보를 즉시 탐색할 수 있습니다. 또한 차트가 어떻게 작성되었는지에 대한 세부 정보도 함께 제공됩니다.

또한 대화형 분석 외에도 새로운 기능이 공개 프리뷰 버전으로 출시됩니다. 이 새로운 기능은 빠르게 명확한 시각화 및 보고서를 만들어 Workspace에 연결하고 팀과 공유할 수 있도록 설계되었으며, 기능 사용을 위해 코드를 작성할 필요가 전혀 없습니다.

Looker의 Gemini는 항상 이용 가능한 지능형 어시스턴트로, 쿼리부터 생성, 검색, 공유까지 속도를 높이고 조직 내 대부분의 사용자에게 BI의 이점을 제공하도록 만들어졌습니다.

데이터베이스의 Gemini를 사용하여 데이터베이스 개발 및 관리 강화

데이터베이스의 Gemini는 데이터베이스 여정의 모든 측면을 간소화하는 AI 기반 지원을 제공하여 팀이 가장 중요한 업무에 집중할 수 있도록 도와줍니다

개발자, 운영자, 데이터베이스 관리자는 자연어를 사용하여 애플리케이션을 더 빠르게 빌드하고, 단일 제어 창에서 전체 데이터베이스를 관리, 최적화, 제어하며, 데이터베이스 마이그레이션 속도를 높일 수 있습니다. 데이터베이스의 Gemini는 현재 프리뷰 버전으로 제공됩니다.

Gemini는 Google Cloud 콘솔의 강력한 SQL 편집기인 Database Studio에 SQL 생성 및 요약 기능을 제공합니다. 이제 개발자는 권장사항을 기반으로 코딩 프로세스를 가속화하기 위한 고품질 지원을 받을 수 있습니다. 또한 AI 기반 채팅 인터페이스를 통해 질문에 답을 얻고 필요할 때마다 도움을 받을 수 있습니다.

운영자는 이제 데이터베이스 센터를 사용하여 단일 제어 창에서 전체 데이터베이스를 관리할 수 있습니다. 데이터베이스 센터는 가용성, 데이터 보호, 보안, 규정 준수 문제를 사전에 파악하고 유용한 정보와 도움말을 제공하는 지능형 대시보드를 통해 여러 데이터베이스의 관리를 단순화합니다. 스마트 추천을 사용하면 어시스턴트의 분석을 통해 제공된 조언을 따라 성능을 최적화하고 문제를 해결할 수 있습니다.

데이터베이스의 Gemini를 사용한다면, Gemini에 "모든 프로덕션 데이터베이스의 가용성이 높은가?(Are all my production databases highly available?)"라고 질문하고 데이터베이스 센터 내에서 문제의 영향을 받는 데이터베이스를 확인해 보세요.

데이터베이스의 Gemini는 Database Migration Service 내 데이터베이스 마이그레이션의 마무리 단계 작업에도 코드 변환을 포함한 지원을 제공합니다. 또한 SQL 개발자의 역량 강화와 재학습을 돕기 위해, 생성된 코드 및 추천에 대한 자세한 설명과 함께 여러 언어를 나란히 비교할 수 있는 설명 기능을 포함했습니다.

"데이터베이스의 Gemini를 사용하면 여러 데이터베이스의 상태에 대한 답변을 몇 초 만에 얻고 그 어느 때보다 신속하게 애플리케이션에 대한 잠재적 위험을 선제적으로 완화할 수 있습니다." - Bogdan Capatina, Ford Motor Company 데이터베이스 기술 부문 기술 전문가

Google Cloud를 위한 Gemini는 도입 첫날부터 엔터프라이즈를 위한 기능을 바로 제공합니다

Google Cloud는 대규모 비즈니스의 까다로운 니즈에 특화하여 Google Cloud를 위한 Gemini를 설계했습니다. 이 솔루션은 비즈니스의 현재 시스템과 통합되어 즉각적인 효율성 향상을 제공합니다. Google Cloud는 데이터 보안과 개인 정보 보호가 기업에 매우 중요하다는 것을 잘 알고 있습니다. 때문에 Gemini는 강력한 보호를 핵심 기능으로 제공합니다. Gemini를 이용하는 비즈니스는 다음과 같은 이점을 누릴 수 있습니다.

데이터 관리: Google Cloud의 방대하고 확장 가능한 네트워크에서 이점을 얻는 동시에 데이터가 상주하는 위치를 원하는 대로 결정하여 회사의 요구사항을 충족할 수 있습니다.
책임감 있게 배포: Gemini는 책임감 있는 AI를 염두에 두고 빌드되었으므로 고객은 소스를 추적하고 AI의 응답을 자체 데이터에 직접 연결하여 책임성을 높일 수 있습니다.

AI로 무엇을 할 수 있을지 상상해 보세요

Google Cloud를 위한 Gemini를 사용하면 개발자, 클라우드 운영자, 보안 운영자, 비즈니스 애널리스트 등 모든 사용자가 AI의 강력한 기능을 활용할 수 있습니다. 업계의 AI 혁신 속도는 계속해서 가속화될 것이며, Google Cloud는 고객이 지금 당장 가치를 창출할 수 있도록 생산적이고 책임감 있는 혁신을 제공합니다. 이미 Google Cloud 고객은 생산성 향상, TTM 단축, 운영 비용 절감, 보안 상황 강화를 경험하고 있습니다. Google Cloud는 AI를 통한 비즈니스 혁신에 도전하고 있습니다. 앞서 말씀드린 새로운 소식 역시 시작에 불과하며, 앞으로 더 많은 혁신을 제공할 것입니다.

새로운 기능으로 생성형 AI 앱을 지원할 준비가 된 Google Cloud 데이터베이스

Thu, 11 Apr 2024 01:00:00 +0000

Google Cloud는 고객이 데이터를 통합하고 획기적인 AI와 연결하여 혁신적인 환경을 구축하도록 지원합니다. 운영 데이터베이스의 정형 데이터이든, 데이터 레이크의 비정형 데이터이든 데이터는 AI가 더 효과적으로 작동하도록 해줍니다. 기업에서 생성형 AI를 제대로 활용하기 위해서는 운영 및 분석 시스템 전반의 정형 데이터와 비정형 데이터에 액세스하여 이를 관리하고 활성화해야 합니다.

작년 Next ‘23에서 Google Cloud는 세계 최고 수준의 벡터 기능 제공, 개발자 생태계와의 강력한 통합 구축, AI 추론 서비스에 대한 손쉬운 연결을 포함하여 개발자가 엔터프라이즈 생성형 AI 애플리케이션을 빌드하도록 돕기 위한 비전을 제시했습니다. Google Cloud는 이 약속을 지키기 위해 열심히 노력해 왔으며, 오늘 엔터프라이즈 생성형 AI 앱을 손쉽게 빌드할 수 있는 AlloyDB 통합 기능 모음인 AlloyDB AI의 정식 버전(GA)을 출시합니다.

또한 개발자가 선호하는 데이터베이스를 사용하여 생성형 AI 앱을 빌드하도록 돕기 위해 Spanner, MySQL, Redis를 포함한 더 많은 데이터베이스 전반에 벡터 검색 기능을 구현하고, 언어 모델 기반의 애플리케이션 개발용으로 인기 있는 프레임워크인 LangChain과의 통합도 추가하고 있습니다.

개발자에게 통합 플랫폼을 제공하기 위해 이러한 모든 기능이 Vertex AI와의 기존 통합에 추가되고 있습니다. Spanner와 AlloyDB는 익숙한 SQL로 모델 서빙 및 추론을 수행할 수 있도록 Vertex AI와 기본적으로 통합되며, Firestore와 Bigtable은 Vertex AI 벡터 검색과 통합되어 생성형 AI 앱을 위한 의미 검색 기능을 제공합니다.

생성형 AI의 진정한 가치는 운영 데이터가 생성형 AI와 통합되어 엔터프라이즈 애플리케이션 전반에서 정확하고 상황에 맞는 실시간 경험을 제공할 때 발휘됩니다. 벡터 지원이 포함된 운영 데이터베이스는 기반 모델과 엔터프라이즈 생성형 AI 앱 간의 격차를 해소하는 데 도움이 됩니다. 또한 운영 데이터베이스는 일반적으로 애플리케이션 데이터의 대부분을 저장하므로 개발자가 새로운 AI 지원 사용자 환경을 구축하는 방식에 있어 핵심적인 역할을 합니다. 조직의 71%가 생성형 AI 기능이 통합된 데이터베이스를 사용할 계획인 것으로 나타나는 데에는 바로 이러한 이유가 있습니다. 성공적인 데이터베이스는 AI 우선 데이터베이스로 발전하면서 벡터 검색과 같은 기술을 심층적으로 통합하고, AI 모델에 대한 원활한 연결과 AI 도구 및 프레임워크와의 긴밀한 통합을 갖추게 될 것입니다. 이러한 모든 기술은 운영 데이터베이스 내에 또는 그 주변에 네이티브 방식으로 내장되는 기본 사양이 될 것입니다.

AlloyDB: 생성형 AI 워크로드를 위한 최신 PostgreSQL 데이터베이스

AlloyDB는 Google Cloud의 완전 관리형 PostgreSQL 호환 데이터베이스로, 뛰어난 성능과 규모, 가용성을 중심으로 설계되었습니다. 오늘 Google Cloud는 AlloyDB AI를 AlloyDB와 AlloyDB Omni에서 모두 정식 버전으로 출시합니다. 미래를 위해 설계된 AlloyDB의 특징은 다음과 같습니다.

정확한 실시간 응답이 필요한 엔터프라이즈 생성형 AI 앱에 최적화
트랜잭션, 분석, 벡터 워크로드를 위한 탁월한 성능 제공
온프레미스, 다른 클라우드를 포함해 어디서나 실행되므로 고객의 장소와 상관없이 현대화 및 혁신 가능

Character AI, FLUIDEFI, B4A, Regnology와 같은 고객이 AlloyDB를 사용하여 애플리케이션을 가동하고 있습니다. 예를 들어 Regnology의 규제 보고 챗봇은 자연어 처리를 활용하여 복잡한 규제 용어와 쿼리를 파악합니다.

"AlloyDB는 규제 가이드라인, 규정 준수 문서, 과거 보고 데이터의 저장소를 색인화하여 챗봇의 기반이 되는 동적 벡터 저장소 역할을 합니다. 규정 준수 분석가와 보고 전문가들은 대화 형식으로 챗봇과 상호작용하여 시간을 절약하고 다양한 규제 보고 질문을 처리합니다." - 앙투안 모로, Regnology CIO

모든 Google Cloud 데이터베이스에 걸친 벡터 검색

벡터 검색은 유용하고 정확한 생성형 AI 기반 애플리케이션을 빌드하기 위한 핵심적인 기능으로 부상했으며, 최근접 이웃 알고리즘을 사용하여 제품 카탈로그에서 텍스트, 이미지와 같은 비정형 데이터의 비슷한 검색 결과를 더 쉽게 찾을 수 있게 해줍니다. 오늘 Google Cloud는 MySQL용 Cloud SQL, Memorystore for Redis, Spanner를 포함한 여러 Google Cloud 데이터베이스 전반에 걸쳐 벡터 검색을 모두 프리뷰 버전으로 공개합니다.

작년에 PostgreSQL용 Cloud SQL과 AlloyDB에 출시한 pgvector 기능에 더해 이제 MySQL용 Cloud SQL은 근사(ANN) 또는 정확한 최근접 이웃(KNN) 벡터 검색을 모두 지원합니다. 이제 개발자는 이미 사용 중인 동일한 MySQL 인스턴스에 수백만 개의 벡터를 저장할 수 있습니다. MySQL이든 PostgreSQL이든 벡터 검색에 Cloud SQL을 활용하면 새로운 시스템을 배우거나 설정할 필요 없이 이미 사용 중인 운영 데이터베이스에서 직접 벡터 검색을 저장하고 수행할 수 있습니다.

Google Cloud는 또한 생성형 AI 애플리케이션에 초고속 성능을 제공하기 위해 벡터 스토리지에 대한 기본 지원과 Memorystore for Redis 검색을 출시합니다. 각 Redis 인스턴스는 수천만 개의 벡터를 저장할 수 있으며, 몇 밀리초의 지연 시간으로 벡터 검색을 수행할 수 있습니다. 이는 LLM 시맨틱 캐싱 및 추천 시스템과 같은 다양한 사용 사례를 위한 초저지연 데이터 스토어를 제공합니다.

Spanner는 분할 가능성이 높은 워크로드에 대해 벡터 검색을 확장할 수 있습니다. 수십억 개의 벡터와 초당 수백만 개의 쿼리가 포함된 대규모 벡터 워크로드를 감당할 수 있는 시스템은 많지 않습니다. 이러한 워크로드는 Spanner의 정확한 최근접 이웃 검색(KNN)과 아주 잘 맞습니다. Spanner가 검색 공간을 효율적으로 줄여 주므로 정확한 실시간 결과를 낮은 지연 시간으로 제공할 수 있기 때문입니다.

LangChain을 위한 생태계 지원 가속화

LangChain은 가장 인기 있는 오픈소스 LLM 조정 프레임워크 중 하나입니다. Google Cloud는 애플리케이션 개발자에게 생성형 AI 앱을 신속하게 빌드하는 데 도움이 되는 도구를 제공하기 위한 노력의 일환으로 모든 Google Cloud 데이터베이스에 대한 LangChain 통합을 오픈소스로 제공하고 있습니다. Google Cloud는 벡터 저장소, 문서 로더, 채팅 메시지 메모리를 포함한 세 가지 LangChain 통합을 지원합니다.

개발자는 Google Cloud 데이터베이스에서 LangChain의 강력한 기능을 활용하여 이제 문맥을 인지하는 생성형 AI 애플리케이션을 쉽고 더 빠르게 만들 수 있습니다. LangChain 통합은 개발자가 선호하는 데이터 소스 전반에서, 개발자가 선택한 엔터프라이즈급 Google Cloud 데이터베이스를 사용하는 검색 증강 생성(RAG) 워크플로를 기본 제공합니다. 사용 사례 예시에는 맞춤형 제품 추천, 질의 응답, 문서 검색 및 취합, 고객 서비스 자동화 등이 있습니다.

특정 LangChain 구성요소와의 통합은 Google 데이터베이스를 애플리케이션에 통합하는 프로세스를 간소화해 줍니다. 지원되는 구성요소에는 다음이 포함됩니다.

벡터 저장소: 벡터 유사성 쿼리 지원. LangChain 벡터 저장소 통합은 AlloyDB, PostgreSQL용 Cloud SQL, MySQL용 Cloud SQL, Memorystore for Redis, Spanner에서 제공됩니다.
문서 로더: 웹페이지 콘텐츠, YouTube 동영상 스크립트와 같은 다양한 외부 소스에서 원활한 데이터 로드를 지원합니다.
채팅 메시지 메모리: 과거 대화를 바탕으로 더욱 심층적인 문맥을 제공하여 나중에 참조할 수 있도록 채팅 기록을 저장할 수 있습니다.

문서 로더와 메모리 통합은 AlloyDB, Firestore, Bigtable, Memorystore for Redis, Spanner와 MySQL용, PostgreSQL용, SQL Server용 Cloud SQL을 포함한 모든 Google Cloud 데이터베이스에서 사용할 수 있습니다.

이 패키지는 현재 GitHub에서 사용할 수 있습니다.

AI 기반 미래 수용

운영 데이터베이스에는 미래의 혁신적인 생성형 AI 모델과 애플리케이션의 기반이 될 수 있는 데이터가 풍부하게 있습니다. 개발자는 엔터프라이즈급 운영 워크로드에 맞게 AlloyDB AI를 강화하고, Google Cloud 데이터베이스 포트폴리오 전반에 걸쳐 광범위한 벡터 검색 기능을 추가하며, 커뮤니티의 생성형 AI 프레임워크를 수용함으로써 엔터프라이즈 데이터베이스의 풍부한 데이터를 기반으로 하는, 지능적이고 정확하며 유용한 생성형 AI 기능을 애플리케이션에 추가하는 데 필요한 도구를 갖출 수 있습니다.

시작하는 방법을 자세히 알아보려면 2024년 3월 7일 오전 9~10시(태평양 표준시)에 라이브로 진행되는 데이터 클라우드 혁신 라이브 웹 세미나에 참석하세요. 제품 엔지니어링 리더들에게 이러한 최신 혁신에 대한 이야기를 들을 수 있습니다.

Bigtable로 금융 시장을 연결한 Symphony

기존 Cloud SQL 인스턴스를 그대로 사용하여 간편하게 데이터베이스 메이저 버전 업그레이드(In-place major version upgrade)

Fri, 16 Feb 2024 01:00:00 +0000

*본 아티클의 원문은 2024년 1월 13일 Google Cloud 블로그(영문)에 게재되었습니다.

Google Cloud의 완전 관리형 관계형 데이터베이스 서비스인 Cloud SQL을 사용하면 효과적으로 데이터베이스 작업을 간소화하고 혁신에 집중할 수 있습니다. Cloud SQL은 확장성과 가용성이 뛰어난 강력하고 안전한 관계형 데이터베이스 플랫폼을 제공하는 동시에 관리 작업을 간소화하고 운영 비용을 절감해 주는 등 데이터베이스 관리의 복잡성을 해결해 줍니다.

개방적인 완전 관리형 데이터베이스 서비스인 Cloud SQL은 다양한 버전의 데이터베이스 엔진을 지원하므로 사용자는 요구사항에 가장 적합한 MySQL, PostgreSQL 또는 Microsoft SQL Server 버전을 선택할 수 있습니다. Cloud SQL은 이전 버전의 데이터베이스 엔진을 유지보수할 수 있는 유연성을 제공하기도 하지만, 최신 버전으로 최신 상태를 유지하는 데 상당히 유용합니다. 최신 버전은 성능 향상, 보안 업그레이드, 확장된 기능 집합을 제공하여 애플리케이션을 최적화하고 데이터를 보호할 수 있도록 지원합니다. 이러한 Cloud SQL의 이점을 극대화하고 애플리케이션의 장기적인 안정성과 보안을 보장하려면 지원 종료(EOL)된 데이터베이스 엔진 버전에서 탈피하는 것이 중요합니다.

이 블로그에서는 Cloud SQL의 인플레이스(in-place) 메이저 버전 업그레이드 기능을 활용해 최신 버전의 MySQL 및 PostgreSQL로 전환할 경우의 주요 이점과 권장사항에 대해 알아보겠습니다. 또한 기본 및 복제본 인스턴스에서 성공적으로 메이저 버전 업그레이드를 수행하기 위한 전략에 대해서도 살펴보겠습니다.

Cloud SQL의 인플레이스(in-place) 메이저 버전 업그레이드 기능 소개

Cloud SQL의 인플레이스 메이저 버전 업그레이드 기능은 MySQL 또는 PostgreSQL 데이터베이스 인스턴스를 Cloud SQL 플랫폼 내에서 바로 최신 메이저 버전으로 업그레이드(즉, 인플레이스 업그레이드)할 수 있는 기본 제공 기능입니다. 이 기능을 사용하면 수동 데이터 마이그레이션과 복잡한 구성 변경이 필요 없고 이와 관련된 긴 다운타임도 사라집니다. 이 접근 방식의 가장 큰 이점 중 하나는 업그레이드 후에도 현재 인스턴스의 이름, IP 주소, 기타 설정을 유지할 수 있다는 것입니다.

메이저 버전 업그레이드 시 철저히 계획하고 테스트하는 것이 좋습니다. 테스트 전략 중 하나는 현재 기본 인스턴스를 클론하고 해당 클론에서 메이저 버전 업그레이드를 수행하는 것입니다. 문제를 미리 해결하면 안심하고 프로덕션 업그레이드를 수행할 수 있습니다.

Cloud SQL의 메이저 버전 업그레이드 기능은 MySQL와 PostgreSQL 사이에 약간의 차이가 있습니다. 자세한 내용은 아래의 전용 섹션을 확인하세요.

MySQL용 Cloud SQL

2023년 10월에 MySQL Community 버전 5.7이 지원 종료되었습니다. 아직 MySQL 5.6 및 5.7을 실행 중이라면 차세대 쿼리 기능, 개선된 성능, 향상된 보안을 제공하는 MySQL 8.0으로 업그레이드하시기 바랍니다. 예를 들면 다음과 같은 이점을 얻을 수 있습니다.

MySQL 8.0의 인스턴트 DDL 덕분에 테이블 ALTER 속도가 획기적으로 개선되고 동시 DML 변경도 가능합니다.
InnoDB는 읽기-쓰기, IO-바운드, 높은 경합 시나리오 등 다양한 워크로드에 최적화되었습니다.
SKIP LOCKED 및 NOWAIT 옵션으로 잠금 대기를 방지합니다.
MySQL 8.0의 윈도우 함수가 쿼리 로직을 간소화하고 CTE가 재사용 가능한 임시 결과 집합을 지원합니다.
MySQL 8.0은 JSON 기능을 향상하고 보안 기능을 추가적으로 더욱 강화해 줍니다.
복제 성능이 크게 개선되어 데이터 동기화 속도가 빨라집니다. 병렬 복제가 기본 설정이됩니다.
내림차순 색인, 표시되지 않는 색인과 같은 새로운 기능으로 성능이 더욱 향상되었습니다.

자세한 내용은 여기를 클릭하세요.

MySQL 8.0으로 업그레이드하는 방법

Cloud SQL의 메이저 버전 업그레이드 기능을 활용하면 8.0으로 업그레이드할 수 있습니다. 이미 워크플로에 사전 점검이 통합되어 있지만 이를 별도로 실행할 수 있는 옵션도 제공됩니다. MySQL 셸에서 Upgrade Checker Utility를 사용해 사전 점검을 실행할 수 있습니다. 업그레이드 전에 현재 사용 중인 기본/복제본 토폴로지를 검토하고 이에 따라 계획을 세우세요.

메이저 버전 업그레이드를 사용한 업그레이드: 읽기 복제본이 없는 기본 인스턴스인 경우 Cloud SQL의 메이저 버전 업그레이드 기능을 통해 인스턴스를 인플레이스 업그레이드할 수 있습니다. MySQL에서는 낮은 메이저 버전에서 높은 메이저 버전으로의 복제가 가능합니다. 기본 인스턴스를 업그레이드하기 전에 읽기 복제본을 업그레이드할 수 있으므로 이 기능은 읽기 복제본이 있는 경우에 유용합니다.

아래 다이어그램은 메이저 버전 업그레이드의 단계를 보여줍니다.

참고: 이 시나리오에서는 IP 주소가 유지됩니다.

연쇄 복제본을 사용한 업그레이드: 아래 시나리오의 메이저 버전 업그레이드와 함께 연쇄 복제본을 활용할 수 있습니다. 이 접근 방식을 통해 가능한 작업은 다음과 같습니다.

전체 토폴로지를 그대로 유지한 채 이전 기본 인스턴스로 돌아갑니다.
현재 배포에 추가하여 새 영역 또는 새 리전에서 전체 스택을 새롭게 설정합니다.

예를 들어 파트너 마케팅 플랫폼을 만드는 Google Cloud 고객인 Everflow는 연쇄 복제본과 인플레이스 메이저 버전 업그레이드를 활용해 사용자 다운타임 또는 서비스 중단을 최소화하면서 원활하게 MySQL 8.0으로 업그레이드했습니다.

연쇄 복제본을 사용해 메이저 버전 업그레이드를 수행하려면 다이어그램을 참조하고 다음 단계를 수행하세요.

현재 5.7 기본 인스턴스에서 기존 또는 신규 영역/리전에 대한 읽기 복제본을 만듭니다.
메이저 버전 업그레이드 기능을 통해 복제본을 8.0으로 업그레이드합니다.
복제를 사용 설정하고 필요한 경우 새로운 8.0 읽기 복제본 아래에 복제본을 만듭니다.
다운타임을 최소화하기 위해 미리 IP 주소를 변경할 애플리케이션을 준비합니다.
트래픽을 라우팅하고 새 마스터로 전환할 애플리케이션을 준비합니다. Cloud Load Balancing을 사용하면 이 단계를 효율적으로 진행할 수 있습니다.
참고: 이 기간을 전환 기간으로 간주하고 버전 불일치 시간을 짧게 유지하세요.
준비가 되면 8.0 읽기 복제본을 승격합니다.
이전 기본 MySQL 5.7 인스턴스를 삭제합니다.

참고: 앞서 언급했듯이 위의 프로세스를 진행하려면 애플리케이션의 IP 주소를 변경해야 합니다. 새 읽기 복제본을 승격하기 전에 IP 주소를 변경하여 컷오버가 수행될 때 중단을 최소화하는 것이 가장 이상적입니다.

PostgreSQL용 Cloud SQL

PostgreSQL에서는 5년의 지원 기간을 두고 매년 메이저 버전을 업데이트합니다. PostgreSQL 11은 2023년 11월에 지원 종료되었습니다. PostgreSQL 12 또는 13으로 업그레이드할 수도 있지만 PostgreSQL의 지원 종료 정책을 고려하면 PostgreSQL 14 이상 버전으로 업그레이드하는 것이 좋습니다. PostgreSQL 14 이상 버전에는 상당한 이점을 제공하는 몇 가지 새로운 기능과 개선사항이 도입되었습니다. 주요 변경사항은 다음과 같습니다.

GROUP BY 및 JOIN 작업의 병렬 쿼리 실행, VACUUM 및 REINDEX 작업 속도 향상 등 성능이 개선됨
필터링, 행 수준 리플레이, 여러 대상에 대한 복제를 지원하는 논리적 복제 기능이 개선되어 다양한 사용 사례에 맞게 유연성과 확장성이 향상됨
보안이 강화되었을 뿐 아니라 개선된 JSON 기능 및 향상된 테이블 파티셔닝과 같은 고급 기능이 지원됨

자세한 내용은 여기를 클릭하세요.

PostgreSQL 14 이상 버전으로 업그레이드할 때의 고려사항 및 전략

데이터베이스가 이전 버전인 경우 최신 버전으로 업그레이드하시기 바랍니다. 이를 위해 사용할 수 있는 다양한 전략이 있습니다. PostgreSQL은 버전 간 복제를 지원하지 않으므로 인스턴스가 읽기 복제본으로 복제되는 동안에는 기본 인스턴스를 업그레이드할 수 없습니다. 기본 인스턴스보다 먼저 읽기 복제본을 업그레이드하는 것도 불가능할 수 있습니다. 따라서 업그레이드 과정에서 기본 인스턴스를 먼저 업그레이드해야 합니다. 진행하기 전에 기존 복제본에 대한 복제를 사용 중지해야 합니다. 기본 인스턴스가 업그레이드된 후에 읽기 복제본을 하나씩 업그레이드하고 복제를 다시 사용 설정할 수 있습니다. 또는 읽기 복제본을 삭제하고 기본 인스턴스가 업그레이드된 후에 다시 만드는 방법도 있습니다.

MVU를 통한 업그레이드: 최신 버전의 PostgreSQL(14.0 이상)로 업그레이드할 때 Cloud SQL의 메이저 버전 업그레이드 기능을 활용하는 것이 좋습니다. 인플레이스 업그레이드를 사용하면 업그레이드 후에도 현재 인스턴스의 이름, IP 주소, 기타 설정을 유지할 수 있습니다. PostgreSQL용 Cloud SQL 인플레이스 업그레이드 작업에서는 pg_upgrade 유틸리티를 사용합니다. 진행하기 전에 먼저 베타 또는 스테이징 환경에서 업그레이드를 테스트하거나 위에서 나온 대로 인스턴스를 클론하시기 바랍니다. PostgreSQL용 Cloud SQL 메이저 버전 업그레이드는 사용자를 대신하여 사전 검증 단계와 백업을 수행합니다.

Enterprise Plus로 가용성 및 가격 대비 성능 향상 실현

MySQL 8.0이나 PostgreSQL 14 또는 15로 업그레이드하면 고급 기능을 제공하는 Cloud SQL Enterprise Plus 버전으로 빠르게 인플레이스 업그레이드할 수 있습니다. Cloud SQL Enterprise Plus 버전은 다음과 같은 이점을 제공합니다.

99.99% 가용성 SLA(유지보수 포함)
인스턴스 다운타임이 10초 미만으로 사실상 다운타임이 거의 없는 계획된 유지보수
데이터 캐시 옵션으로 최대 3배 빠른 처리량을 지원하고 더 빨라진 하드웨어로 더 큰 규모와 최적의 성능 제공
vCPU 96개 및 메모리 624GB를 제공하는 Enterprise 버전에 비해 vCPU 최대 128개 및 메모리 864GB를 제공하는 보다 큰 머신 구성 지원
PITR(point-in-time recovery) 기간이 7일인 Enterprise 버전과 달리 PITR을 최대 35일 지원

Cloud SQL Enterprise Plus 버전으로 인플레이스 업그레이드하는 데 몇 분밖에 안 걸리며 다운타임도 60초 미만에 불과합니다. 자세한 내용은 여기를 클릭하세요.

마치며

업그레이드가 합리적인 이유를 되짚어 보자면 데이터베이스 인프라의 보안, 성능, 기능에 대한 투자이기 때문입니다. 최신 기술을 받아들임으로써 데이터를 보호하고 애플리케이션을 최적화하며 조직의 역량을 강화할 수 있습니다. Cloud SQL의 인플레이스 메이저 버전 업그레이드 기능을 사용하면 데이터베이스를 간단하게 효율적으로 업그레이드하여 최신 버전으로 원활하게 전환할 수 있습니다. 시작하려면 여기를 클릭하세요.

데이터베이스

AlloyDB 및 Cloud SQL의 네이티브 BM25 순위 지정 발표

pg_textsearch를 사용해야 하는 이유

전체 텍스트 검색 예시

색인 생성

AlloyDB 하이브리드 검색 예시

벡터 색인 생성

하이브리드 검색

Cloud SQL 하이브리드 검색 예시

벡터 색인 생성

하이브리드 검색

실제 사례 확인

관련 리소스

시작할 준비가 되셨나요? 확인해 보세요”

BigQuery 그래프를 사용한 식품 공급망의 디지털 트윈 모델링

성장하는 레스토랑의 예

성장의 마찰

디지털 트윈

BigQuery 그래프를 사용한 모델링

1. 시맨틱 계층 정의

실무에서의 정밀도

2. 검색 실행

미래를 위한 기반 구축

결론

지금 시작하기

M4N VM 제품군 정식 버전 출시: I/O 및 메모리 집약적 워크로드를 위한 코어당 최고 수준의 IOPS 및 처리량 제공

고성능을 요구하는 워크로드를 위해 설계됨

Oracle 라이선스 비용 최적화

고객의 의견

새로운 소식: M4N으로 극한의 데이터 레이어 확장

1. 고대역폭 데이터 전송 지원

2. Hyperdisk를 통한 동적 스토리지 성능

M4N 머신 유형 및 사양

지금 시작하기

Database Migration Service의 Gemini를 사용하여 PostgreSQL 마이그레이션 가속화

저장 프로시저 변환 과제

DMS의 AI 지원 코드 변환

통합 AI가 중요한 이유

Oracle PL/SQL을 PostgreSQL로 변환

완전한 스키마 제어 및 검증 유지

데이터베이스 현대화 간소화

데이터베이스 마이그레이션의 어려움은 이제 그만, Gemini가 기존 데이터베이스 로직을 원활하게 변환하는 방법을 알려드립니다.

Database Migration Service 시작하기

통신 업계 자율성 확대: 분산 그래프 흐름(Distributed GraphFlow)으로 GNN 활용

기반: Spanner Graph의 디지털 트윈

ML 레이어: 분산 그래프 흐름(DGF)

사용 사례

시나리오: GNN 및 DGF를 사용한 근본 원인 분석

지금 시작하세요

DMS를 넘어: SQL Server 로그인 및 사용자를 Cloud SQL로 마이그레이션 가속화

DMS가 로그인을 마이그레이션하지 않는 이유: 보안 및 규정 준수

로그인과 사용자의 차이 이해: SID 연결

권장 솔루션: sp_help_revlogin을 사용하여 로그인 복제

분리된 사용자 문제 해결

보안을 한층 더 강화

마무리

AlloyDB Omni RPM 조정자를 사용하는 엔터프라이즈급 PostgreSQL 정식 버전 출시

자체 관리형 데이터베이스를 실행해야 하는 이유

유연한 참조 아키텍처

고가용성 및 읽기 확장성

데이터 보호 및 보안

데이터베이스 작업

모니터링 가능성, AI, 확장 프로그램

지금 시작하기

Spanner: DML 트랜잭션의 누적 변형 한도 삭제

더 높은 한도, 더 많은 유연성

주요 이점

기술적 고려사항

잠금 및 중단

DML과 Mutation API 비교

mutation mod 이해하기

Java 구현 예시

변경되지 않은 사항

권장사항

외부 참조

AlloyDB ScaNN이 벡터 검색을 100억 개의 벡터로 확장하는 방법

100억 벡터 규모의 과제

솔루션: 4단계 아키텍처

성능 테스트 결과

지금 시작하기