원격 측정이란 무엇인가요?

원격 측정은 의료, 항공우주, 자동차 및 정보 기술(IT)을 포함한 다양한 산업에서 핵심적인 역할을 하며 조직에 시스템 성능, 사용자행동, 보안 및 운영 효율성에 대한 귀중한 인사이트를 제공합니다. 농업, 유틸리티 및 운송과 같이 물리적 자산에 의존하는 산업에서 조직은 원격 측정을 사용하여 온도, 기압, 움직임 및 빛과 같은 측정값을 캡처합니다. 의료 분야의 원격 측정 시스템은 심박수, 혈압 및 산소 수준을 추적할 수 있습니다.

두 경우 모두 물리적 기기와 센서가 실제 데이터를 수집하여 중앙 저장소로 보냅니다. 데이터는 추가 분석을 위해 Modbus, PROFINET, OPC Unified Architecture 또는 EtherNet/IP와 같은 특수 통신 프로토콜을 사용하여 전송되는 경우가 많습니다.

그러나 물리적 센서는 오류율, 메모리 사용량, 응답 시간, 가동 시간 및 지연과 같은 디지털 성능 지표를 캡처하도록 설계되지 않았습니다. 대신 IT 팀은 관련 시스템 데이터를 자율적으로 모니터링하고 수집하도록 프로그래밍된 디지털 센서인 소프트웨어 기반 에이전트를 통해 장치 계측에 의존합니다. 이 데이터는 지표, 이벤트, 로그 및 추적(MELT)으로 구조화되는 경우가 많으며, 각각 시스템 동작, 워크플로 및 성능 타임라인에 대한 서로 다른 보기를 캡처합니다.

물리적 원격 측정 시스템과 디지털 원격 측정 시스템 사이의 경계가 모호해지기 시작했으며, 특히 기업이 비즈니스의 모든 영역에 디지털 기술을 주입하는 것을 목표로 하는 디지털 혁신 전략을 점점 더 많이 채택함에 따라 더욱 그렇습니다.

예를 들어, 제조업과 같은 전통적으로 물리적 산업에서는 센서를 사용하여 에너지 소비, 품질 관리 및 환경 조건을 캡처할 수 있습니다. 동시에 고급 자산 추적, 예방적 유지 관리 및 생산 흐름 모니터링을 위해 소프트웨어 에이전트에 의존할 수 있습니다. 이러한 이유로 이 기사에서는 주로 IT 원격 분석과 최신 엔터프라이즈 환경에서 IT 원격 분석의 역할 확장에 중점을 둡니다.

IT 원격 측정에는 기본적으로 다음과 같은 5가지 주요 단계가 포함됩니다.

1. 센서 또는 소프트웨어 에이전트를 사용하여 다양한 원격 소스에서 지표, 이벤트, 로그 및 추적을 수집합니다.
   
   
2. Wi-Fi, 위성, 라디오 또는 다른 통신 매체를 통해 해당 데이터를 중앙 저장소 또는 라우터로 전송합니다.
   
   
3. 수신 데이터를 쉽게 쿼리할 수 있도록 처리하고 구성합니다.
   
   
4. Time Series Database, 데이터 웨어하우스 또는 데이터 레이크와 같은 저장 솔루션을 사용하여 데이터를 유지 관리합니다.
   
   
5. 종종 관측 가능성 플랫폼의 도움을 받아 데이터를 분석, 해석 및 시각화하여 보다 정보에 입각한 비즈니스 결정을 내립니다.

효과적인 원격 측정 전략은 조직이 Full Stack Observability, 즉 외부 아웃풋을 기반으로 기술 스택의 내부 상태를 처음부터 끝까지 이해하는 능력을 달성하는 데 도움이 됩니다.

또한 원격 측정은 장치에 고급 센서, 소프트웨어 및 네트워크 연결을 제공하여 시스템 전체에서 통신하고 데이터를 교환할 수 있도록 하는 프레임워크인 사물인터넷(IoT)의 주요 구성 요소입니다.

원격 측정 시스템은 산업 및 시스템 복잡성에 따라 다릅니다. 기존 플랫폼은 역사적으로 텔레미터라고 불리는 기록 장치를 사용하여 장비 또는 그 근처에서 데이터를 수집합니다. 이 정보는 신호 컨디셔닝이라는 프로세스에서 처리, 수정 및 때로는 아날로그에서 디지털로 변환됩니다.

다음으로, 멀티플렉서는 여러 데이터 스트림을 복합 신호로 결합하여 데이터가 보다 효율적으로 이동하는 데 도움이 됩니다. 이 결합된 신호는 라디오, 위성 또는 다른 형태의 통신을 통해 원격 수신 방송국으로 전송됩니다. 마지막으로 디멀티플렉서는 신호를 구문 분석하고 서로 다른 가닥으로 나누어 분석을 준비합니다.

원격 측정은 최신 IT 환경에서 다르게 작동합니다. IT 중심 시스템은 물리적 센서에 의존하는 대신 서비스 및 애플리케이션과 함께 실행되는 경량 프로그램인 소프트웨어 에이전트를 사용하여 관련 지표를 캡처합니다. Kubernetes 환경에서 이러한 에이전트는 모니터링하는 서비스와 동일한 클러스터 내의 별도 컨테이너에서 작동하는 경우가 많습니다. 다른 구성에서는 소프트웨어 개발 키트(SDK)를 사용하여 애플리케이션 자체 내에 에이전트를 임베드하거나 사용자 지정 API를 사용하여 데이터 전송을 용이하게 할 수 있습니다.

수집 후 데이터는 데이터를 표준화하고, 노이즈를 필터링하고, 메타데이터(예: 환경 및 지리적 위치 태그)를 추가하고, 민감한 정보를 마스킹하여 규정 준수를 유지할 수 있는 원격 측정 파이프라인을 통해 전달됩니다. 이 정제된 데이터는 JSON 또는 OTLP(OpenTelemetry Protocol)와 같은 형식으로 표준화됩니다.

다음으로 gRPC, HTTP 또는 다른 전송 프로토콜을 통해 하나 이상의 백엔드(예: 서버, 데이터베이스, 애플리케이션 로직 등 소프트웨어 시스템의 서버측 구성 요소)로 지능적으로 라우팅됩니다. 백엔드는 이 데이터를 저장하고, 분석 및 해석하고, 대시보드, 경고, 권장 사항 등의 형태로 표시하는 역할을 합니다.

단일 원격 측정 시스템을 사용하여 수집부터 분석까지 전체 워크플로를 관리할 수 있습니다. 하지만 특히 현대의 멀티 클라우드와 하이브리드 환경에서는 조직이 여러 개의 전문화된 원격 측정 시스템을 사용하여 관측 가능성 파이프라인의 다양한 부분을 관리할 수도 있습니다.

IT 분야에서 가장 일반적인 원격 측정 유형은 지표, 이벤트, 로그 및 추적으로, 이를 통칭하여 "MELT" 데이터라고 합니다. 조직은 관측 가능성 플랫폼을 사용하여 지표를 결합하고 분석하여 플랫폼 보안, 사용자 행동, 시스템 효율성 등에 대한 완전한 그림을 형성할 수 있습니다.

지표는 시스템 상황 또는 성능을 나타내는 수치적 측정값입니다. 예를 들어 요청 속도, 네트워크 처리량, 애플리케이션 응답 시간, 사용자 전환율, CPU 사용량 등이 있습니다.

이벤트는 시스템 내에서 발생하는 고유한 현상입니다. 여기에는 이벤트가 시작된 시점과 끝난 시점을 보여주는 타임스탬프가 포함되는 경우가 많습니다. 예로는 경고 알림, 사용자 로그인 시도, 서비스 중단, 결제 실패 및 구성 변경 등이 있습니다.

로그는 특정 인시던트만 표시하는 이벤트와 달리 시스템 동작에 대한 지속적인 기록과 연대순을 제공합니다. 예로는 재시작, 데이터베이스 쿼리, 파일 액세스 기록, 코드 실행 단계 등이 있습니다. 로그는 종종 문제를 해결하고 오류를 디버깅하는 데 사용되며, 이를 통해 IT 팀은 오류가 발생한 정확한 순간을 파악하는 데 도움이 됩니다.

추적은 분산 또는 마이크로서비스 환경을 통한 특정 사용자 요청 또는 트랜잭션의 종단 간 흐름을 각 단계에 대한 타임스탬프와 함께 반영합니다. 예를 들어 API 및 HTTP 호출, 데이터베이스 쿼리 및 전자 상거래 결제가 있습니다. 추적은 병목 현상을 식별하고 전반적인 사용자 경험에 대한 인사이트를 제공할 수 있습니다.

MELT는 기업이 사용할 수 있는 광범위한 원격 측정 데이터를 보여주지만, 이 프레임워크에 속하지 않지만 관측 가능성에서 여전히 중요한 역할을 하는 추가 데이터 유형이 있습니다. 원격 분석 유형 간의 경계가 항상 명확한 것은 아니며 교차가 있을 수 있습니다. 예를 들어 지연 시간은 지표와 네트워크 원격 분석 데이터 포인트로 간주될 수 있습니다. 다른 유형의 원격 분석 데이터는 다음과 같습니다. 

• 위치 원격 측정은 센서 또는 GPS 수신기를 사용하여 사람이나 물체의 지리적 위치를 추적합니다. 해당 분야에는 애플리케이션이 운송 차량 관리, 응급 서비스, 야생 동물 추적 및 근로자 안전 등이 있습니다.
  
  
• 네트워크 원격 측정은 대역폭 사용량, 패킷 손실률, API 성능 및 SNMP(단순 네트워크 관리 프로토콜) 데이터(모뎀, 라우터, 서버 및 기타 연결된 장치와 관련된 정보)를 추적하여 네트워크 트래픽, 보안 및 성능에 대한 실시간 인사이트를 제공합니다.
  
  
• 보안 원격 분석은 인증 로그, 방화벽 로그, DNS 쿼리, 침입 탐지 경고 및 엔드포인트 탐지 및 대응(EDR) 데이터를 검사하여 의심스러운 동작과 취약성을 식별합니다.
  
  
• 사용자 원격 분석은 애플리케이션 사용 패턴, 오류 로그, 세션 시간, 검색 쿼리 및 기타 유형의 사용자 행동을 추적합니다. 이 데이터는 애플리케이션과 서비스를 최적화하고 클라이언트 추세를 이해하고 안전한 네트워크를 유지하는 데 사용됩니다.
  
  
• 프로파일링 원격 분석은 소프트웨어와 애플리케이션이 시간이 지남에 따라 CPU, 메모리 및 기타 컴퓨터 리소스를 사용하는 방식을 보여줍니다. 개발자가 속도 저하의 원인을 파악하고 코드베이스의 어느 부분이 가장 많이 사용되는지 파악하는 데 도움이 되는 세분화된 성능 데이터를 제공합니다.
  
  
• 클라우드 원격 측정은 클라우드 서비스의 성능, 비용 추적 및 사용 데이터를 수집합니다. 이 데이터에는 스토리지 활동, 구성 변경, ID 및 액세스 이벤트, 라우팅 결정이 포함될 수 있습니다.
  
  
• AI 원격 측정은 훈련과 프로덕션 과정 모두에서 모델 성능을 추적할 수 있습니다. 주요 지표에는 모델 드리프트(머신 러닝 모델이 어떻게 시간이 지남에 따라 일관성과 정확성을 잃는지 추적), 신뢰도 점수(모델의 예측에 대한 신뢰도 결정), 추론 지연 시간(모델이 쿼리에 응답하는 데 걸리는 시간)이 포함됩니다. 이러한 지표는 개발자가 모델의 신뢰성, 공정성 및 성능을 개선하는 데 도움이 될 수 있습니다.

원격 측정은 분산 시스템 및 구성 요소에서 여러 유형의 데이터를 수집하고 전송하는 프로세스입니다. 이는 조직의 가시성 능력의 기반이며, 각 구성 요소의 작동 및 성능에 대한 인사이트를 제공합니다. 기업은 궁극적으로 원격 측정에 의존하여 모니터링 및 관측 가능성 시스템을 강화합니다.

모니터링은 조직이 수집한 원격 측정 데이터를 어떻게 활용하는지를 말합니다. 예를 들어, 원격 측정 모니터링 시스템은 대시보드를 사용하여 DevOps 팀이 시스템 성능을 시각화하는 데 도움을 줄 수 있습니다. 한편, 알림 자동화는 네트워크 중단이나 데이터 유출과 같은 주목할 만한 이벤트가 발생할 때마다 알림을 제공할 수 있습니다.

관측 가능성에는 운영 데이터를 해석하고 다양한 데이터 스트림이 시스템 상황 및 성능과 어떻게 연관되는지 이해하는 것이 포함됩니다. 관측 가능성은 현재 데이터를 분석할 뿐만 아니라 더 큰 추세를 찾아내고 이를 활용하여 기업의 의사 결정과 리소스 사용을 알리고 최적화합니다. 최신 관측 가능성 플랫폼에는 기본 제공 원격 측정 및 모니터링 기능이 포함되어 있는 경우가 많습니다. 관찰 가능성은 에이전트형 AI와 생성형 AI 플랫폼을 포함한 새로운 기술을 지원하는 데에도 중요한 역할을 합니다.

OpenTelemetry(OTel)라는 오픈 소스 프레임워크는 가장 인기 있는 원격 측정 플랫폼 중 하나이며, 유연성(모듈식 설계로 사용자 정의가 촉진됨), 경제성(핵심 구성 요소를 무료로 사용할 수 있음) 및 호환성(여러 공급업체 및 프로그래밍 언어). OTel은 원격 측정 스토리지 또는 시각화를 처리하지 않습니다. 대신 데이터 수집 및 전송에 맞춰 조정된 표준화된 SDK, API 및 기타 도구 세트를 제공합니다.

AI 회사 Elastic의 2025년 보고서에 따르면 IT 조직의 거의 절반이 OTel을 사용하고 있으며, 추가로 25%가 향후 프레임워크를 구현할 계획이라고 합니다. 성숙한 관측 가능성 시스템을 갖춘 조직은 덜 발달된 관측 가능성 워크플로를 갖춘 기업에 비해 OTel을 사용할 가능성이 더 높습니다. IBM Instana, Datadog, Grafana, New Relic, Dynatrace 및 Splunk는 각각 강력한 OTel 지원을 제공합니다.

Prometheus라는 대체 오픈소스 프레임워크는 OTel과 몇 가지 유사점이 있습니다. 비영리 Linux Foundation의 자회사인 CNCF(Cloud Native Computing Foundation)는 두 솔루션을 모두 호스팅합니다. OTel과 달리 Prometheus에는 일부 데이터 스토리지 및 데이터 시각화 기능이 있지만, 범위가 약간 더 좁습니다. OTel은 다양한 종류의 원격 측정 데이터를 수집할 수 있지만 Prometheus는 지표로만 작동합니다.

원격 측정 정규화는 분석 도구가 지표를 저장하고읽고 해석할 수 있도록 표준화된 형식으로 변환하는 프로세스입니다. 이에는 다음 두 가지의 접근 방식이 있습니다.

이 데이터 처리 접근 방식에서는 모든 데이터를 저장 및 검색하기 전에 미리 정의된 형식과 일치해야 합니다. 쓰기 스키마(schema-on-write)는 신뢰성이 높지만, 각각 고유한 형식과 파일링 프로세스를 가진 여러 시스템이 포함된 최신 IT 아키텍처에서는 구현하기 어려울 수 있습니다.

쓰기 스키마는 일반적으로 데이터 웨어하우스라고 하는 중앙 집중식 데이터 저장소에서 사용됩니다. 이러한 스토리지 솔루션은 방대한 양의 원격 분석 데이터를 유지 관리할 수 있지만, 해당 데이터가 미리 정의된 형식으로 구조화되고 구성된 경우에만 가능합니다. 데이터 웨어하우스는 확장하고 유지하는 데 비용이 많이 들 수 있지만, 일관성과 안정성이 최우선 순위인 비즈니스 인텔리전스, 데이터 분석 및 기타 워크플로에 이상적입니다.

이 접근 방식은 데이터를 원래 형식으로 수집하고 사용자가 검색할 때만 변환합니다. 운영적으로 더 복잡하지만 읽기 스키마는 여러 형식의 데이터를 처리할 수 있으므로 쓰기 스키마보다 더 유연합니다.

읽기 스키마(schema-on-read는 데이터 웨어하우스와 같은 데이터 레이크에서 일반적이지만, 반정형 및 원시 비정형 데이터를 정형 데이터와 함께 저장하고 관리할 수 있습니다. 데이터 레이크는 비용 효율성과 민첩성으로 인해 높이 평가되어 특히 머신 러닝 기반 분석 도구에 이상적입니다. 그러나 견고한 거버넌스가 없으면 관리하기 어려워 데이터가 확인되지 않거나 일관되지 않을 수 있습니다.

데이터 레이크하우스라는 새로운 대안은 데이터 레이크와 데이터 웨어하우스의 최고의 요소를 결합하는 것을 목표로 합니다. 프레임워크는 비정형 데이터에 대해 읽기 스키마를 지원하는 동시에 정형 데이터에 대해 쓰기 스키마를 활성화합니다. 이 하이브리드 접근 방식은 조직이 일관성과 정확성을 유지하면서 데이터 레이크의 유연성과 민첩성을 활용할 수 있도록 지원합니다.

원격 분석 데이터는 특히 최신 하이브리드 및 멀티 클라우드 환경에서 수집, 유지 관리 및 저장하기 어려울 수 있습니다. 일반적으로 해결해야 할 문제는 다음과 같습니다.

조직은 원격 측정을 통해 데이터를 실행 가능한 인사이트로 변환하여 성능, 워크플로 효율성, 예산 책정, 고객 경험 등을 개선하는 데 사용할 수 있습니다.