마이크로서비스 시스템에서 위험 제약 개입 결정으로서의 안전한 복구
Safe Remediation as Risk-Constrained Intervention Decision in Microservice Systems
현대 IT 운영(IT-Ops)에서 잘못된 복구의 비용은 종종 아무 조치도 하지 않는 것보다 더 큽니다. 그러나 기존 자동화 복구 시스템은 개입이 필요한지 여부를 결정하기보다는 조치를 생성하도록 설계되어, 안전성은 수동 승인으로 강제되는 사후적 고려 사항으로 남아 있습니다. 이 논문은 이러한 격차를 메우기 위해 세 가지 기여를 합니다: (i) 안전한 복구를 위험 제약 개입 결정 문제로 재공식화하고, 이를 제약 마르코프 결정 과정(CMDP, Constrained Markov Decision Process)으로 표현하며, 에이전트는 상한이 있는 거짓 복구율(FRR, false remediation rate) 조건 하에서 복구 성공을 극대화합니다; (ii) 영향 범위(blast radius), 가역성(reversibility), 인식론적 불확실성(epistemic uncertainty)으로 구성된 3차원 위험 분해를 도입하여, 운영자에게 해석 가능한 조치별 안전성 인터페이스를 제공합니다; (iii) 에스컬레이션을 이진형 안전장치에서 온콜 부하와 비즈니스 중요도에 반응하는 대역폭 인식 제어 층으로 전환하는 맥락 적응형 인간-루프(HITL, human-in-the-loop) 게이트를 설계합니다. 전체 정책은 과거 사고 로그로부터 오프라인으로 학습되며, 기대 FRR에 대한 명시적 제어를 가능하게 합니다. Chaos Mesh 결함 주입과 RCAEval 정렬 결함 분류체계를 사용한 Train Ticket 마이크로서비스 벤치마크에서의 실험은, 본 프레임워크가 강력한 런북 기준선 대비 FRR을 39% 줄이면서 복구 성공률을 2.5포인트 향상시키고, 고정 임계값 변형 대비 온콜 에스컬레이션 부하를 17% 줄임을 보여줍니다.