한국어
게임 클라우드 관리는 너무 복잡하여 이미 기존 비즈니스 클라우드 및 데이터 센터 관리 기능의 한계를 뛰어넘고 있습니다. 게이밍 시장은 기하급수적으로 성장하고 있으며 메타버스, AR/VR 헤드셋과 같은 새로운 플랫폼 기능으로 인해 더욱 발전할 것으로 보입니다.
이제 더 복잡하고 엄격한 게임 클라우드 관리를 준비해야 할 때입니다.
게임 클라우드는 분리되어 움직이는 여러 부분으로 구성되어 매우 거대합니다. 또한 지리적으로도, 구조적으로도 매우 다양합니다. 중요한 사실은 이를 사용자 요구 사항에 따라 실시간으로 확대 및 축소해야 한다는 점입니다.
그에 따른 어려움은 이러한 동적 클라우드를 관리하는 데 수십 개의 프로토콜과 수백 개의 설정 구성이 필요할 수 있다는 점입니다. 여기에는 여러 수동 작업이 필요한데, 이는 부주의한 오류에 취약하여 기업에 수천만 달러의 손실을 입히는 중단을 초래할 수 있습니다. 또한 그 순간 세간의 이목을 끌어 부정적인 영향이 발생하는 것은 당연한 수순입니다.
게이밍 서비스 품질 및 체감 품질(QoS/QoE) 요구 사항은 더 이상 단순한 대역폭의 문제가 아닙니다. 지난 게시물에서 논의한 바와 같이 이제 밀리초의 이동 시간도 매우 중요합니다. 4K, AR/VR의 8K 프레임 사이즈 및 8K 적응형 비트레이트 스트리밍을 믹스에 추가하면 지연 시간, 지터, 프레임 속도, 대칭적인 업링크 및 다운링크 성능이 그 어느 때보다 중요해집니다.
복잡성, 인적 오류 및 QoS SLA(서비스 수준 계약)를 다루려면 클라우드는 동적으로 그리고 실시간으로 확대 및 축소할 수 있어야 합니다. 지리적 확산 및 적용 범위로 인해 게이밍 클라우드는 자체 네트워크를 확장해야 하며 추가 소스가 필요할 경우 피어링 파트너에게 연락해야 합니다. 이 모든 작업은 몇 초 내에 완료되어야 합니다. 복잡하고 엄격한 SLA가 불확실한 상태이기 때문입니다.
복잡성, 인적 오류, 포괄적인 QoS/QoE 정책이라는 세 가지 문제는 게이밍의 미래를 완성하거나 파괴할 수 있으며 게이밍 플랫폼 공급업체의 성공을 결정할 수 있습니다.
AI는 게임 클라우드 관리에 성능, 속도 및 인텔리전스를 제공합니다.
머신 러닝(ML)과 결합한 인공 지능(AI)은 게이밍 클라우드의 과제를 다루기에 적합합니다. ML은 AI의 핵심으로, 이는 신경망과 예측 모델을 생성하여 AI 시스템에 공급합니다. AI는 데이터의 중재자로, 업계의 요구 사항과 다른 요소를 고려하여 마스터 출력물을 만듭니다. 머지않은 미래에 게이밍 클라우드는 이러한 방식으로 관리될 것입니다.
A sample model of AI/ML admin utility in gaming.
새롭게 부상하는 AI/ML 분야의 4가지 주요 우선 사항은 다음과 같습니다.
1. 예상되는 요구 사항을 충족하기 위한 리소스 확보하기
목표는 QoS/QoE 정책 부하를 처리하는 데 필요한 적당한 양의 리소스를 가용하는 것입니다. 이러한 상황을 상상해보세요. 66,000명의 참가자가 E3 비디오 게임 산업 이벤트와 같은 무역 박람회에 참석할 것으로 예상됩니다. AI는 해당 지역에 추가 리소스가 필요할 가능성이 높다는 것을 파악하고 예측한 트래픽을 처리하는 데 필요한 컴퓨팅 스토리지와 네트워크를 할당합니다. 게임 클라우드는 모든 데이터 센터에 ML 노드가 있어 체감 품질을 분석하여 예상 트래픽 요구 사항에 대한 예측 모델을 만들 수 있습니다. 그러면 해당 데이터는 마스터 AI에 입력되어 차선책을 결정합니다. 요구 사항을 충족하기 위한 충분한 리소스가 있나요? 만약 아니라면, 파트너와 피어링 관계를 실행하여 실시간으로 리소스를 추가하고 필요한 것을 실행할 수 있나요?
2. 동적이고 실시간인 구성
동적 구성 및 리소스 확장 및 축소는 AI 및 ML이 자동으로 처리합니다. ML 알고리즘을 기반으로 AI는 게이머가 기대하는 체감 품질을 계산하고 이를 달성하는 데 필요한 것을 예측한 다음, 필요한 정확한 리소스를 자동으로 구성합니다. AI는 동일한 프로세스를 수동으로 수행한다면 몇 분~몇 시간이 소요될 이 작업을 몇 초~몇 밀리초 만에 수행합니다. 가장 큰 장점은 잘못된 구성 또는 보안 격차의 위험이 사실상 사라진다는 것입니다.
3. 해커보다 한발 앞서 나가기
특히 게이밍 메타버스 전자상거래의 도래로 인해, AI 및 ML은 게이밍 클라우드의 금융 보안 및 개인정보 보호를 보장하는 데 매우 중요한 역할을 수행합니다.
그러나 어두운 측면을 보자면 해커는 AI를 사용하여 사용자 패턴을 발견하고 학습하여 멀웨어를 삽입해야 할 위치를 결정하게 됩니다. 이에 대응하여 AI는 클라우드 보안 정책 결정을 초고속으로 구현하여 위협의 가능성을 빠르게 차단하고 게임 클라우드를 방어하는 데에도 사용될 것입니다. ML은 네트워크를 악용하는 데 사용할 수 있는 패턴을 학습한 다음, 아키텍처에 방어 기능을 구축할 것입니다.
이는 본질상 반응적이기 때문에, 인간이 관리하는 네트워크는 예측을 본질적인 특징으로 하는 AI가 관리하는 네트워크보다 항상 더 불안정합니다. 현재로서는 인간 관리자가 정책을 변경할 때마다 AI가 지속적인 인텔리전스 스캐닝을 수행하는 방법으로 AI와 사람이 협력할 수 있습니다.
4. 친환경의 장점 활용하기
AI 및 ML은 친환경 이니셔티브에도 긍정적인 영향을 미칩니다. AI는 리소스가 더 이상 필요하지 않은 시점을 예측할 수 있습니다. 이를 통해 리소스를 선제적으로 할당 해제 및 종료하여 전력, 냉각 및 기타 환경 요인을 절약함으로써 관리 및 운영 비용을 낮출 수 있습니다.
AI/ML 게임 클라우드 자동 관리는 하룻밤 사이에 이루어지지 않습니다. 이는 현재 배포되어 있으며 방화벽과 같이 요소 지향적인 특징을 지닙니다. 차세대 AI는 인간의 조언자 역할을 할 것입니다. AI가 자율적인 실시간 관리를 제공할 때 완전한 이점을 누릴 수 있을 것입니다.
AI/ML을 신뢰할 수 있나요?
AI/ML을 사용한 네트워크 관리는 근본적인 변화로, 아직 완전히 발전하지는 않았지만 빠르게 다가오고 있습니다. 이제 테스트를 시작할 때입니다. 테스트 계획은 다음과 같은 질문에 답해야 합니다.
AI 예측이 정확한가요? 테스트를 통해 시간 경과에 따른 트래픽 부하 변화를 에뮬레이션하고 AI 시스템이 이러한 변화를 올바르게 예측하는지 측정할 수 있습니다. 또한 테스트는 예측 모델이 99.999% 정확도에 도달하는 데 걸리는 시간을 측정합니다.
AI가 제대로 실행되고 있나요? AI는 격리된 샌드박스에 배치할 수 있기 때문에 회귀 테스트를 통해 AI가 다양한 트래픽 상황에 일관되게 작동하며 올바르게 확장되는지 등을 확인할 수 있습니다.
서로 다른 벤더의 AI 시스템을 어떻게 비교하나요? 서로 다른 벤더는 각양각색의 기술을 사용하여 AI 제품을 개발합니다. 벤더 중립적인 테스트를 통해 그의 발전 방법을 확인할 수 있습니다.
AI가 제안한 보안 구성이 제대로 작동하고 있나요? 테스트 모델을 통해 AI가 나쁜 트래픽을 차단하고 좋은 트래픽에 영향을 미치지 않는지 확인할 수 있습니다.
또한 테스트는 수백 가지 상황 순열을 에뮬레이션하여 라이브 네트워크를 진행하기 전 AI 시스템을 훈련하는 데 중요한 역할을 할 수 있습니다.
게이밍 및 메타버스는 AI/ML 클라우드 관리가 필요한 첫 사용 사례를 대표하지만 미래에는 AI/ML이 유비쿼터스가 되어 모든 클라우드에 이점을 제공할 것입니다. Spirent의 클라우드 및 가상화의 테스트와 보증, 클라우드 게이밍을 위한 5G 네트워크 벤치마킹 솔루션에 대해 자세히 알아보세요.
