Today
Total
KoreanEnglishFrenchGermanJapaneseSpanishChinese (Simplified)
관리 메뉴

DB & AWS Knowledge

AI 검색을 통한 AWS, AZURE, GCP 관련 논문검색의 의의 본문

DB 관련 지식/DB 연관 IT 개념

AI 검색을 통한 AWS, AZURE, GCP 관련 논문검색의 의의

`O` 2025. 6. 12. 02:47
728x90
반응형

이 페이지에서는 AI 검색을 통하여 AWS, AZURE, GCP 관련 논문검색의 의의를 다룬다.

 

이 페이지는 perplexity 를 통해 필자가 어떤 prompt 를 작성하여 공부하는지를 공유한다. ([] 로 표기)

 

AI 를 통해 관련된 자료를 검색하다보면 이전 게시글과 중복된 사항도 있으나 이는 복습 및 상기 차원에서 그대로 기재 되도록 한다.

또한, 이 게시글은 Perplexity 에서 공유하는 출처 표기또한 동시에 표기한다.

 

 

AWS, AZURE, GCP 관련 서비스 중, 어떤 서비스를 사용하는게 유리할지에 대한 고찰 및 논문검색의 용이성

 

현재 우리는 여러 클라우드회사에서 날마다 새로 내놓는 서비스들을 보면서 이 중, 어떤 서비스를 사용할지에 대해서 고민을 해야 할 때가 많다. 그러다 보면 이에 대한 정보들을 수집을 해야 할 필요가 생기는데 일반적으로 이에 대해서 정보를 수집하기 위해서는 구글링, 지인 탐색 등의 방안을 사용 해 왔다.

 

여기에 이제 AI 검색을 하면 AI 도 이러한 정보들을 정리해서 내 놓을 수 있는데, 이 때 이에 대한 논문검색으로 검색 범위를 좁힌 후, AI 프롬프트를 사용하면 이와 관련된 정보를 알려주는 논문들을 쉽게 검색 해 볼 수 있다.

 

논문을 통하여 클라우드 관련 정보들을 접하면 아래의 이점이 있다.

 

- 논문은 명확한 정보 정확성 및 표절 유무등에 대해서 검증을 받은 후 공개 되기에, 이에 대한 정보의 객관성을 확보 할 수 있다.

특히, IEEE ( Institute of Electrical and Electronics Engineers / 전기전자공학자협회 ) 의 인증을 받았거나, IEEE 소속 엔지니어가 작성한 논문이면 논문의 신뢰도가 더해진다.

 

- 논문 발췌자들은 높은 기술수준을 보유하고 논문을 작성하기에 우리가 논문을 읽으면서 이들의 기술적인 insight 를 얻을 수 있다.

 

- 논문 수준에 따라 클라우드 아키텍처 수준으로 깊게 들어가는 논문을 확인 할 수 있고, 클라우드 공부에 관심이 있는 사람이라면 여기서 클라우드 서비스들의 작동 방식에 대한 정보를 쉽게 얻을 수 있다.

 

위의 내용에 따라 필자가 아래의 예시로 AI 검색을 하면 아래의 정보들을 얻을 수 있다.

Perplexity 는 정보 출처 공유에서 강점을 보이는 AI 이고, 아래와 같이 논문자체로 검색 범위를 제한하여 논문검색을 쉽게 해 볼 수 있다.

 

출처 : 본인 테스트

 

출처 : 본인 테스트

 

이를 통해 검색예시를 들어보면 아래와 같은 정보등을 얻을 수 있다.

 

[AWS, AZURE, GCP 의 서비스 아키텍처 성능을 비교한 논문을 알려줘]

 

AWS, Azure, GCP의 서비스 아키텍처 성능을 비교한 주요 논문은 다음과 같습니다. 각 연구는 성능 평가 방법론, 기준, 결과 측면에서 차별화된 접근 방식을 제시합니다.

1. 범용 컴퓨팅 인스턴스 비용-성능 평가

Cost-Performance Evaluation of General Compute Instances: AWS, Azure, GCP, and OCI 1

  • 4 vCPU/16GiB RAM 표준 구성에서 Intel, AMD, ARM 프로세서 아키텍처별 성능 비교
  • CPU 벤치마크, 메모리 처리량, 네트워크 대역폭 등 종합적인 측정 지표 활용
  • AWS EC2(M6i, M6a), Azure(D4s_v4, D4as_v4), GCP(n2-standard-4) 인스턴스 분석

2. 데이터 과학 워크플로우 플랫폼 비교

Comparative Review of Cloud Computing Platforms for Data Science Workflows 3

  • AHP(Analytic Hierarchy Process)와 Saaty's scale을 활용한 다중 기준 평가 프레임워크
  • 자동화(40.7%), 오류 처리(23.5%), 성능 품질(19.8%) 등 가중치 부여 기준 제시
  • ETL/ELT 파이프라인과 ML 배포 시나리오에서의 아키텍처 효율성 분석

3. 빅데이터 분석 재현성 실험

Reproducible and Portable Big Data Analytics in the Cloud 4

  • AWS와 Azure에서 가상 CPU/GPU 클러스터를 활용한 실행 성능 비교
  • 데이터 처리 작업 재현 시 환경 차이에 따른 성능 변동성 측정
  • 컨테이너 기반 배포 아키텍처의 확장성 평가(수평/수직 스케일링)

4. 마이크로서비스 아키텍처 영향 분석

Evaluating The Impact Of Cloud-Based Microservices Architecture On Application Performance 5

  • 응답 시간(150-400ms), 처리량(1,200-2,800 TPS) 등 지연 시간 중심 비교
  • 서비스 메시 아키텍처(Istio vs AWS App Mesh vs Azure Service Fabric Mesh) 벤치마크
  • 장애 전파 방지 메커니즘과 회로 차단기(circuit breaker) 구현 방식 평가

이 논문들은 클라우드 아키텍처 선택 시 워크로드 특성에 맞는 인스턴스 유형 선정, 데이터 처리 패턴에 최적화된 서비스 구성, 비용 대비 성능 효율성 분석 등 실제 설계 결정에 필요한 실용적인 인사이트를 제공합니다135.

  1. https://arxiv.org/pdf/2412.03037.pdf
  2. https://arxiv.org/pdf/2208.14482.pdf
  3. https://arxiv.org/pdf/2208.14515.pdf
  4. https://arxiv.org/pdf/2112.09762.pdf
  5. https://arxiv.org/pdf/2305.15438.pdf
728x90
반응형
Comments