이 글은 원래 도움말 네트워크 보안
자연어 처리, 이미지 생성 및 기타 복잡한 작업에 사용되는 GenAI 모델은 데이터 센터와 엣지 디바이스 등 분산된 위치 간에 전송해야 하는 대규모 데이터 세트에 의존하는 경우가 많으므로, 대규모로 GenAI 애플리케이션을 안정적으로 배포하려면 WAN 최적화가 필수적입니다.
WAN 최적화는 데이터 전송 속도를 개선하고 지연 시간을 줄이며 네트워크 리소스 사용을 최적화하여 더 빠른 응답 시간을 보장함으로써 AI 가속을 크게 향상시킬 수 있습니다. 
그림 1: GenAI 네트워크 가속화를 지원하는 WAN 최적화
지연 시간을 줄이세요: GenAI 앱은 실시간 또는 실시간에 가까운 데이터 처리를 필요로 합니다.
TCP 최적화 및 캐싱 기술을 사용하여 데이터 전송 시간을 단축하고 지연 시간을 줄이세요.
프로토콜을 최적화하여 오버헤드를 줄임으로써 애플리케이션 가속화를 달성하세요. 예시: 분산형 AI 시스템은 여러 리소스에서 데이터를 수집하여 더 빠른 데이터 집계 및 처리를 보장합니다.데이터 전송 속도를 높입니다: 스토리지, 처리 장치, 분석 도구 간에 방대한 양의 데이터를 이동해야 하는 딥러닝 모델과 같이 대규모 데이터 세트에 의존하는 AI 애플리케이션의 경우 빠른 데이터 전송이 중요합니다.
프로토콜 최적화를 통해 데이터를 보다 효율적으로 전송할 수 있습니다.
또한 병렬화를 사용하면 데이터 전송을 병렬 스트림으로 분할하여 처리량을 극대화할 수 있습니다. 예시: 다양한 지리적 위치의 데이터를 사용하여 AI 모델을 학습하는 경우, WAN 최적화를 통해 데이터 센터 간 데이터 전송을 가속화하여 전체 학습 시간을 단축할 수 있습니다.대역폭 효율성 향상: AI 워크로드는 AI 인프라 구성 요소 간에 대용량 데이터 세트가 자주 교환되기 때문에 대역폭을 많이 사용합니다.
데이터 압축을 사용하면 전송 전 데이터 크기를 줄여 대역폭 소비를 최소화할 수 있습니다.
중복 제거를 활성화하여 고유한 데이터 청크를 전송함으로써 중복 데이터 전송을 제거하세요. 예시: 데이터 압축 및 중복 제거를 사용하면 AI 모델의 학습 단계(스토리지에서 컴퓨팅 노드로의 학습 데이터)에서 전송해야 하는 데이터 크기를 크게 최적화하여 학습 프로세스의 속도를 높일 수 있습니다.안정성과 가용성을 향상하세요: AI 애플리케이션은 일관되고 안정적인 데이터 액세스가 필요한 경우가 많습니다.
네트워크 중단이나 패킷 손실은 AI 성능을 저하시키거나 심지어 모델 부정확성으로 이어질 수 있습니다.
순방향 오류 수정 기능을 구현하여 패킷 손실의 영향을 줄이고 데이터 무결성을 보장하세요.
장애 조치 및 부하 분산 기능을 통해 여러 경로로 트래픽을 분산하고 장애 조치 기능을 제공하여 네트워크 문제 발생 시 연결성을 유지하세요. 예시: 실시간 데이터 피드에 의존하는 AI 기반 금융 거래 시스템의 경우 안정성이 향상되어 지속적이고 정확한 데이터 입력을 보장하고 거래 알고리즘의 무결성을 유지하며리소스 활용을 최적화할 수있습니다: 네트워크 리소스를 효율적으로 사용하면 데이터를 기다리는 동안 컴퓨팅 리소스가 유휴 상태가 되지 않도록 하여 운영 비용을 절감하고 AI 시스템의 전반적인 성능을 향상시킬 수 있습니다.
트래픽 쉐이핑 및 서비스 품질(QoS)을 통해 중요한 AI 데이터 트래픽에 우선순위를 지정하여 필수 작업이 지연되지 않도록 할 수 있습니다.
네트워크 모니터링 및 분석을 구현하여 네트워크 성능 및 사용 패턴에 대한 인사이트를 확보하여 리소스 할당을 최적화하세요. 예시: 컴퓨팅 리소스가 온디맨드 방식으로 프로비저닝되는 클라우드 기반 AI 서비스에서 WAN을 최적화하면 이러한 리소스를 효과적으로 활용하여 유휴 시간과 운영 비용을 줄일 수 있습니다. WAN 최적화는 GenAI 애플리케이션을 가속화하는 데 도움이 될 수 있는 몇 가지 다른 이점을 제공합니다:
- 데이터 소스에 더 가까운 곳에서 데이터를 처리하기 위해 AI에서 점점 더 많이 사용되고 있는 엣지 컴퓨팅 솔루션의 성능을 향상시킵니다.
- 클라우드 기반 AI 서비스에 대한 액세스를 개선하여 온프레미스와 클라우드 환경 간의 효율적인 데이터 전송 및 처리를 보장합니다.
- 중앙 집중식 AI 모델 및 데이터에 대한 효율적인 원격 처리 및 액세스를 가능하게 하여 분산형 AI 개발 및 배포를 지원합니다.
- 동적으로 할당된 네트워크 리소스를 간소화하여 변화하는 AI 워크로드의 요구 사항을 충족합니다.
- 안전한 AI 데이터 교환에 필수적인 전송 중 데이터 보호를 위한 암호화를 지원합니다.
- 네트워크 인프라의 부하를 줄여 수명을 연장하고 GenAI 애플리케이션 실행과 관련된 유지 관리 비용을 절감할 수 있습니다.
구조에 대한 서비스형 통합 SASE
WAN 최적화 프로세스에는 몇 가지 중요한 절차가 포함됩니다:
- 기존 네트워크 인프라와 AI 워크로드를 종합적으로 평가하여 병목 현상과 개선이 필요한 영역을 파악합니다.
- 데이터 압축 및 중복 제거 기술을 구현하여 전송되는 데이터의 양을 크게 줄입니다.
- 엣지 컴퓨팅을 WAN 인프라에 통합하여 AI 처리 기능을 강화합니다.
조직은 서비스형 통합 SASE를 사용하여 보안 웹 게이트웨이, 방화벽, 제로 트러스트 네트워크 접속과 같은 네트워크 보안 기능과 WAN 기능을 결합하여 AI 워크로드에 대한 최적화가 안전하게 구현되도록 보장할 수 있습니다.
또한 통합 SASE는 동적 확장을 지원하여 AI 워크로드가 필요에 따라 적절한 처리 성능에 액세스할 수 있도록 보장합니다.
서비스형 통합 SASE를 사용하여 네트워크를 지속적으로 모니터링하고 적응형으로 관리하면 최적의 성능을 유지하고, 새로운 문제를 신속하게 해결하며, 변화하는 AI 워크로드 수요에 대응하여 리소스 할당을 조정하는 데 도움이 됩니다.
이러한 포괄적인 접근 방식을 통해 기업은 강력한 보안과 규정 준수를 유지하면서 AI 시스템의 성능을 극대화할 수 있습니다.
결론
WAN 최적화를 통해 조직은 기존 네트워크 리소스를 극대화하고 값비싼 인프라 업그레이드의 필요성을 줄임으로써 비용을 절감할 수 있습니다.
이는 궁극적으로 첨단 GenAI 기술의 지속 가능한 성장과 배포를 지원합니다.