SKALA

Container 기반 K8s 기술 활용(1)

목차쿠버네티스가 필요한 이유전체 구조 — Cluster, Node, Pod핵심 리소스 개념 정리Manifest — 선언적 인프라 관리쿠버네티스 내부 동작 원리서비스 디스커버리와 네트워크 라우팅1. 쿠버네티스가 필요한 이유컨테이너만으로는 부족한 이유컨테이너 하나는 Docker로 충분히 실행할 수 있다. 문제는 운영 규모가 커졌을 때다.[컨테이너만 쓸 때의 문제]컨테이너 100개 운영 중 │ ├── 컨테이너 17번이 갑자기 죽음 → 누가 재시작? ├── 트래픽 폭증 → 컨테이너 늘려야 함 → 누가 늘림? ├── 새 버전 배포 → 서비스 중단 없이 교체 → 어떻게? └── 어떤 서버에 올릴지, 자원은 얼마나 줄지 → 누가 결정?이 모든 것을 자동화하기 위해 쿠버네티스가 탄생했다.쿠버..

2026. 4. 1. 15:54

SKALA

Cloud 기반 Container 기술 이해(3)

3일차 — 실습: 이미지 빌드·배포 & 트래픽 라우팅실습: Docker 이미지 빌드부터 Harbor Push까지Harbor — 사설 Container Registry전체 이미지 배포 흐름 정리CDN — 정적 콘텐츠 전역 배포 가속Ingress — 쿠버네티스 트래픽 진입점최종 정리 및 학습 로드맵1. 실습: Docker 이미지 빌드부터 Harbor Push까지직접 Dockerfile을 작성하고, 이미지를 빌드한 뒤, 사설 Registry(Harbor)에 Push하는 전체 워크플로우를 수행한다. 실습 대상 파일 구조~/workspace/cloud/01.container/05.webserver/├── Dockerfile # 이미지 빌드 명세├── webserver.py # Fas..

2026. 3. 24. 17:44

SKALA

Cloud 기반 Container 기술 이해(2)

2일차 — Docker 심화Docker Engine 내부 구조 — dockerd, containerd, runc이미지 레이어와 컨테이너 쓰기 레이어 심화Dockerfile 작성법 — RUN, ENTRYPOINT, CMDMulti-Stage Build — 빠르고 가벼운 이미지 만들기Volume — 컨테이너 데이터 영속성 관리Docker 네트워크 — Bridge, NAT, 포트 매핑 원리docker run vs exec — 컨테이너 접근 방식 차이컨테이너 자원 관리 — CPU, 메모리 제한의 차이Stateless 설계 원칙과 컨테이너1. Docker Engine 내부 구조 — dockerd, containerd, runcdocker run 명령어 하나가 실제 실행되기까지 내부에서는 3계층을 거친다. 3계층 ..

2026. 3. 24. 17:30

SKALA

Cloud 기반 Container 기술 이해(1)

1일차 — 클라우드 네이티브 개요왜 클라우드인가? — IT 인프라의 패러다임 전환모노리스에서 MSA로 — 아키텍처의 진화클라우드 네이티브란 무엇인가컨테이너 — 어디서나 실행되는 표준 박스Docker 개요 — 이미지, 레이어, 핵심 원리쿠버네티스 — 컨테이너 오케스트레이션 엔진클라우드 서비스 모델 — IaaS, PaaS, SaaSDevOps와 CI/CD — 빠르고 안정적인 배포 문화클라우드 네이티브 외부 아키텍처배포 전략 — Rolling, Canary, Blue/GreenAI 시대의 클라우드 — LLM과 MCP 서버1. 왜 클라우드인가?인프라 패러다임의 전환과거에는 서비스를 만들기 위해 물리 서버를 직접 구매하고, OS를 설치하며, 환경을 일일이 구성해야 했다. 이 방식을 온프레미스(On-Premise)..

2026. 3. 24. 16:52

SKALA

머신러닝 및 딥러닝 이해

AI 시스템의 구조적 이해— 규칙 기반에서 Transformer 이후까지, 딥러닝 전체 계보의 맥락과 철학1. AI를 모델 이름으로 이해하면 안 되는 이유AI를 배우면 보통 이렇게 배운다.머신러닝딥러닝CNNRNNLSTMTransformerGPTMoELinear Attention하지만 이 방식은 “기술 트렌드 나열”일 뿐이다.이렇게 배우면 다음과 같은 문제가 생긴다.모델은 외웠지만, 왜 등장했는지는 모른다.새로운 모델이 나오면 다시 처음부터 배워야 한다.구조적 연결이 보이지 않는다.“왜 이 모델이 필요한지” 설명하지 못한다.AI를 제대로 이해하려면 모델이 아니라 문제 구조의 변화를 봐야 한다.2. AI의 시작: 규칙을 집어넣는 방식초기 AI는 지능을 “논리”로 구현하려 했다.사람이 규칙을 만든다.그 규칙을..

2026. 3. 5. 11:47

SKALA

모델 서빙을 위한 Python 심화, Fast API

모델을 학습하는 것만으로는 서비스가 되지 않는다.모델은 API로 감싸져야 하고,그 API는 재현 가능한 환경에서 배포 가능해야 하며,DB 및 외부 시스템과 안정적으로 연동되어야 하고,변경에도 깨지지 않도록 테스트 체계가 갖춰져야 한다.이번 과정은 단순히 FastAPI 문법을 배우는 수업이 아니라,“모델 서빙 가능한 백엔드의 표준 구조”를 처음부터 끝까지 경험하는 과정이었다.FastAPI는 단순 웹 프레임워크가 아니라“스키마 기반 계약 + 비동기 처리 + 자동 문서화 + 테스트 가능 구조”를 동시에 제공하는 모델 서빙에 최적화된 도구다. 1. 왜 FastAPI인가 — 모델 서빙 관점에서 본 장점모델 서빙 API의 본질은 “입출력 계약”이다.클라이언트(프론트/배치/다른 서비스)는 모델의 입력/출력 형식이 조..

2026. 3. 5. 11:16