🔥 오늘의 주요 소식
Meta’s Iris push signals the next phase of AI infrastructure
Meta가 자체 AI 추론 칩 'Iris' 생산을 처음으로 시작한다. Reuters가 입수한 내부 메모에 따르면 약 6주간의 버그 테스트를 거쳐 9월부터 생산에 들어갈 예정이다. Iris는 Meta Training and Inference Accelerators(MTIA) 프로그램의 확장으로, 현재 서드파티 GPU가 맡고 있는 추론 작업 일부를 대체해 Facebook·Instagram·WhatsApp 전반의 콘텐츠 랭킹, 추천, 생성형 AI 서비스를 처리한다. Meta는 칩 설계에 Broadcom과, 제조에 TSMC와 협력하며, 2027년까지 약 6개월 주기로 새 버전을 내놓겠다는 공격적인 로드맵을 세웠다. 이와 함께 삼성전자의 고대역폭 메모리, SanDisk의 플래시 스토리지, 스미토모전기의 광네트워크 장비 등 공급망도 장기 계약으로 확보하고 있다. Meta는 올해 약 7기가와트의 컴퓨팅 용량을 가동하고 2027년에는 14기가와트로 두 배 늘릴 계획인데, 이는 소규모 국가의 전력 소비량에 맞먹는 규모다. 이는 Google TPU, Amazon Trainium/Inferentia처럼 하이퍼스케일러들이 AI 인프라 주도권을 확보하기 위해 자체 실리콘 확보 경쟁에 뛰어드는 흐름과 맞닿아 있다.
💡 왜 중요한가: 자체 추론 실리콘 확보는 GPU 공급 병목과 비용 구조에서 벗어나려는 하이퍼스케일러 전반의 흐름이며, 클라우드/인프라 엔지니어는 향후 벤더별 하드웨어 이질성이 커질 것에 대비해 워크로드 이식성을 미리 설계해둘 필요가 있다.
🔗 원문 보기 · The New Stack
AI & ML
How Deutsche Telekom is rewiring telecommunications with AI
OpenAI
OpenAI 블로그가 소개한 도이치텔레콤(Deutsche Telekom) 사례로, 유럽과 미국에서 3억 명 이상의 고객과 20만 명 이상의 직원을 보유한 이 통신사가 'AI 네이티브 텔코'가 되겠다는 목표 아래 조직 운영 방식 전반을 재설계하고 있다는 내용이다. Chief Product & Digital Officer인 Jonathan Abrahamson과의 인터뷰를 바탕으로, ChatGPT Enterprise를 전사에 도입한 결과 월간 활성 사용자 5만 명 이상, 2026년 초 대비 AI 도구 사용량 546% 증가라는 수치를 제시한다. 1단계는 직원들에게 ChatGPT Enterprise를 제공해 자율적 실험을 장려하는 것이었고, 이와 병행해 고객 응대 워크플로를 재설계하는 작업도 초기부터 진행했다. Abrahamson은 AI 기반 고객 서비스가 아직 초기 단계이지만, 상호작용이 쌓이고 맥락 이해가 깊어지면 장기적으로 전통적 상담 모델을 능가할 잠재력이 있다고 본다. OpenAI 및 여러 파트너와 협력해 실시간 통역, 통화 중 어시스턴트, 통화 후 요약 같은 기능을 고객이 새 앱을 설치하지 않아도 쓸 수 있는 형태로 통신 경험에 직접 통합하고 있으며, 네트워크 운영에서도 AI로 출퇴근 시간대나 대형 스포츠 이벤트 같은 수요 변화에 맞춰 실시간으로 자원을 조정하고 있다.
💡 대규모 조직이 챗봇 도입을 넘어 전사적 워크플로 재설계로 AI를 확장하는 사례로, 인프라·플랫폼 팀 입장에서는 실시간 통역·통화 어시스턴트 같은 지연시간에 민감한 AI 기능을 네트워크 운영 자동화와 함께 어떻게 안정적으로 스케일링할지가 다음 과제가 된다.
Profiling in PyTorch (Part 3): Attention is all you profile
Hugging Face
Hugging Face 블로그의 'Profiling in PyTorch' 시리즈 3편으로, PyTorch 프로파일러 트레이스를 읽고 최적화에 활용하는 능력을 기르는 것을 목표로 한다. 1편에서는 덧셈·곱셈 같은 기본 연산을, 2편에서는 이를 쌓은 다층 퍼셉트론(MLP)과 퓨즈드/수작업 튜닝 커널을 다뤘고, 이번 3편은 트랜스포머의 핵심 연산인 어텐션(attention)을 대상으로 한다. 어텐션은 Query·Key·Value 간의 행렬곱-스케일링-마스킹-소프트맥스-재가중치라는 일련의 기본 연산으로 구성되며, 이론적으로는 시퀀스 길이에 대해 이차 시간 복잡도(quadratic-time complexity)를 가져 느리다고 알려져 있지만 이를 완화하는 다양한 기법이 존재한다. 저자는 모든 최적화 기법을 상세히 다루기보다, 각 기법이 프로파일러 트레이스 상에서 어떻게 다르게 나타나는지를 보여주는 데 초점을 맞춘다. 실습은 04_a_naive_attention.py부터 04_d_kernels_attention.py까지 네 개의 스크립트로 구성되며, NVIDIA A100-SXM4-80GB GPU에서 실행하고 Hugging Face의 Dev Mode with Spaces나 Jobs 파이프라인으로 손쉽게 GPU 환경을 구성할 수 있다고 안내한다. 먼저 naive 어텐션 모듈을 구현하고 프로파일러 트레이스에서 예상되는 커널(matmul, mul, masking, softmax, matmul)이 실제로 어떻게 나타나는지 확인하는 것으로 시작한다.
💡 어텐션 커널 최적화(SDPA, 커스텀 커널 등)를 도입하기 전에 프로파일러 트레이스로 실제 병목이 매트멀인지 마스킹/소프트맥스인지부터 확인하는 습관을 들이면, 근거 없는 최적화 시도로 시간을 낭비하는 것을 막을 수 있다.
클라우드 업데이트
Contributing to U.K. financial sector resilience as a critical third party
Google Cloud
2026년 7월 10일, 영국 재무부(HM Treasury)가 Google Cloud EMEA를 영국 금융 부문의 '중요 제3자(Critical Third Party, CTP)'로 지정했다. 이는 영국 내 금융회사들이 Google Cloud를 사용하는 규모와 그 업무의 중대성을 고려한 결정으로, 이제 Google Cloud EMEA는 영란은행(Bank of England), 건전성감독청(PRA), 금융행위감독청(FCA) 등 영국 금융 규제기관의 직접적인 감독을 받게 된다. CTP 제도는 금융 부문 전반의 운영 복원력(operational resilience)을 강화하기 위한 것으로, 개별 금융사가 아니라 이들이 의존하는 핵심 인프라 제공자를 규제 범위에 포함시킨다는 의미가 있다. Google Cloud는 PRA의 운영 복원력 지침(SS1/21) 및 아웃소싱·제3자 리스크 관리 지침(SS2/21) 대응을 위한 백서와 계약서 매핑 자료를 이미 고객에게 제공하고 있으며, CTP 제도가 이러한 기존 규제 요건을 대체하지 않고 보완하는 역할을 한다고 밝혔다. 이번 지정으로 Google Cloud는 규제당국과의 투명성·감사 협력을 확대하게 됐다.
💡 영국 금융권 워크로드를 Google Cloud에서 운영하는 팀은 CTP 감독 체계 편입에 따른 신규 보고·감사 요건과 SS1/21·SS2/21 매핑 문서를 다시 점검해 컴플라이언스 대응 계획에 반영할 필요가 있다.
Frontier and Center: Who evaluates the evaluations?
Google Cloud
Google Data Cloud의 프론티어 AI 팀이 AI 에이전트 평가 방식의 한계를 짚고, 정보이론에 기반한 새로운 벤치마킹 접근법을 소개하는 'Frontier and Center' 시리즈의 두 번째 글이다. 기존 방식은 고정된 벤치마크로 통과/실패 점수만 산출해 에이전트가 정확히 어느 지점에서, 얼마나 실패하는지 파악하기 어렵다는 문제를 지적한다. 특히 데이터 에이전트가 방대한 데이터 웨어하우스나 데이터 레이크에서 올바른 테이블·파일을 찾아내는 '검색(discovery)' 단계는 모호한 질문일수록 실패 지점을 찾기 어려운 대표적 난제로 꼽힌다. 저자들은 평가 케이스의 난이도를 사람이 수작업으로 라벨링하는 기존 방식이 확장성이 없다고 지적하며, 질문의 모호성을 체계적으로 조절해 에이전트의 실패 지점을 지도처럼 그려내는 메타 벤치마크 'Discovery Bench'를 소개한다. 이 과정에서 기존 평가 케이스 자체의 품질 문제도 함께 드러났다고 설명한다. 이는 앞서 발표한 '오픈 지식 포맷(Open Knowledge Format)' 관련 글에 이어지는 후속 시리즈로, 향후 관련 후속 포스트가 예고돼 있다.
💡 에이전트 성능을 단일 벤치마크 점수로만 관리하는 팀은 실패가 몰리는 질의 난이도 구간을 놓치기 쉬우므로, Discovery Bench류의 난이도 조절형 평가를 도입해 검색/리트리벌 단계의 취약 지점을 구체적으로 파악하는 것이 실무적으로 중요하다.
What’s new with Google Cloud
Google Cloud
Google Cloud가 매주 갱신하는 'What's new with Google Cloud' 요약 페이지로, 7월 6일~10일 주간의 발표·이벤트·리소스를 모아 소개한다. 주요 항목으로는 Palo Alto Networks 기반 악성코드 방어를 추가한 Cloud NGFW Enterprise의 프리뷰 예고(7월 16일 웨비나), Cloud Run에서 LLM이 생성한 코드를 격리 실행할 수 있는 'Cloud Run 샌드박스'의 퍼블릭 프리뷰 공개, 에이전트형 AI 거버넌스를 주제로 한 호주 API Horizon 이벤트 시리즈, 그리고 Cloud Run의 다중 리전 고가용성 서비스를 위한 'Service Health' 기능의 정식 출시(GA)가 있다. Service Health는 readiness probe 기반의 인스턴스 단위 헬스체크로 리전 간 자동 장애조치(failover)를 두 번의 클릭만으로 구성할 수 있게 해주며, 퍼블릭 애플리케이션은 글로벌 외부 애플리케이션 로드밸런서와 함께 구성할 수 있다고 설명한다. 이 페이지는 개별 발표라기보다 한 주간의 다양한 소식을 모은 롤업 형태로, Google Cloud 블로그 전체 topics 목록으로 안내하는 역할도 겸한다.
💡 Cloud Run을 프로덕션에서 운영하는 팀은 새로 GA된 Service Health로 멀티 리전 장애조치를 간단히 구성할 수 있고, LLM이 생성한 코드를 실행해야 하는 팀은 Cloud Run 샌드박스 프리뷰로 격리 실행 옵션을 검토해볼 만하다.
Improving Smart Tiered Cache for Public Cloud Regions
Cloudflare
Cloudflare가 2021년 출시한 Smart Tiered Cache는 오리진별로 지연시간을 실시간 측정해 가장 빠른 단일 상위 캐시 계층을 자동 선택하는 기능으로, 현재 Cloudflare에서 가장 널리 쓰이는 티어드 캐시 구성이며 모든 플랜에 무료로 제공된다. 문제는 AWS·GCP·Azure·Oracle Cloud 같은 퍼블릭 클라우드에 호스팅된 오리진이 애니캐스트(anycast)나 리전 유니캐스트 프론트엔드를 쓰는 경우로, 이때는 오리진 IP가 여러 Cloudflare 데이터센터에 동시에 '가깝게' 보여 지연시간 프로빙이 단일 승자를 찾지 못하고 여러 상위 계층으로 폴백해 캐시 효율이 떨어진다는 점이었다. 이번 업데이트로 고객이 클라우드 리전 힌트를 직접 제공하면, Cloudflare가 이를 바탕으로 오리진을 올바른 리전에 매핑하고 최적의 1차·폴백 상위 계층을 선택할 수 있게 됐다. 이는 2024년 11월 R2 버킷 위치 자동 인식, 2025년 1월 로드밸런싱 풀 전체 공유 캐시 지원에 이은 연장선상의 개선으로, 클라우드 인프라별 오리진 아키텍처를 자동으로 파악해 최적의 캐시 경로를 제공하겠다는 일관된 방향성을 보여준다.
💡 퍼블릭 클라우드에 오리진을 두고 Cloudflare 앞단 캐시를 쓰는 팀은 리전 힌트를 설정해주는 것만으로 캐시 히트율과 오리진 부하를 개선할 수 있으므로, 애니캐스트/리전 유니캐스트 오리진 환경이라면 이 설정 적용을 검토할 가치가 있다.
Pluggable by design: An agent mesh for software modernization that adopts the next model release
Red Hat
Red Hat이 소개하는 'agent mesh for software modernization'은 레거시 시스템 현대화를 위해 Red Hat AI 위에 구축한 아키텍처로, 이전 글에서 다룬 하니스 패턴·워크플로·KPI 프레임워크에 이어 이번 글은 '플러그 가능성(pluggability)'을 다룬다. 국방·금융처럼 규제가 엄격하고 종종 네트워크가 단절된(disconnected) 환경에서는 코딩 에이전트는 Devstral, 비코딩 에이전트는 Ministral 위에서 동작하며 외부 API 호출 없이 계속 작동해야 한다. 이 아키텍처에서는 모델·에이전트·정적 도구가 각각 독립된 컴포넌트로 취급되어, Claude Code나 Codex 같은 연결형 상용 코딩 에이전트를 정책이 허용할 때 우선 사용하다가, 필요 시 OpenCode 같은 온프레미스 대안이나 커스텀 에이전트로 오케스트레이션 재작성 없이 교체할 수 있다. 하니스의 반복 개선, 자동화된 워크플로 추적·머지 정책, 감사 추적(audit trail)은 이런 컴포넌트 교체와 무관하게 안정적으로 유지된다. 이번 글은 Gemma 4와 최신 CrewAI로 동시에 업그레이드한 실제 사례를 통해 어느 부분이 매끄럽게 교체됐고 어느 부분에 별도 엔지니어링이 필요했는지를 구체적으로 다룬다. 하니스는 코드 고고학(code archaeology) 등 5개 역량으로 구성되며, SDGHub를 메타데이터 생성에, GraphRAG를 구조적 인덱싱에 활용해 마이그레이션 계획과 SBOM, 위험 모듈 목록 등을 산출한다.
💡 네트워크 단절 환경이나 규제 환경에서 AI 에이전트 기반 현대화를 계획하는 팀은 모델·에이전트·도구를 처음부터 교체 가능한 컴포넌트로 설계해두면, 향후 모델 업그레이드나 벤더 전환을 오케스트레이션 재구축 없이 흡수할 수 있다.
New observability features in Red Hat OpenShift 4.22
Red Hat
Red Hat OpenShift 최신 릴리스는 네이티브 모니터링·로깅·트레이싱·대시보딩 기능을 강화해 메트릭·로그·트레이스·네트워크 텔레메트리를 하나의 워크플로로 통합했다고 소개한다. 핵심은 자율 모니터링 스택을 배포·관리하는 '메타 오퍼레이터' Cluster Observability Operator(COO) 1.5로, 이번 릴리스에서 인시던트 탐지와 Korrel8r 기반 신호 상관관계 분석 같은 고급 분석 도구, 관측성 UI 플러그인이 정식(GA) 제공된다. 특히 Red Hat build of Perses 대시보딩 도구가 COO 1.5의 핵심 구성요소로 정식 지원되며, Red Hat Advanced Cluster Management와 통합해 멀티클러스터 대시보드 가시성을 제공하고, OpenShift와 정렬된 역할 기반 접근 제어(RBAC), GitOps 친화적 대시보드 정의 워크플로, 기존 Prometheus·Thanos 데이터소스와의 호환성을 지원한다. Perses는 쿠버네티스 네이티브 선언적 구성, 대규모 환경을 위한 고성능 렌더링, 커스텀 패널·데이터소스를 위한 플러그인 모델을 갖춰 기존 대시보딩 도구의 한계를 보완하는 것을 목표로 한다. 이를 통해 여러 클러스터에 걸쳐 재사용 가능한 대시보드를 만들고 환경 간 관측 뷰를 표준화하며 설정 중복을 줄일 수 있다고 설명한다.
💡 여러 클러스터를 운영하는 플랫폼 팀은 COO 1.5와 Perses의 GA 전환을 계기로, 클러스터별로 흩어진 자체 대시보드 스택을 GitOps 친화적인 중앙 집중형 구성으로 통합할 여지가 있는지 검토해볼 만하다.
Friday Five — July 10, 2026
Red Hat
Red Hat이 매주 금요일 발행하는 'Friday Five' 큐레이션 코너로, 이번 주에는 다섯 개가 아닌 세 개의 주요 소식을 다룬다. 먼저 IBM과 Red Hat이 주요 글로벌 금융기관들과 함께 개발한 Lightwell 신규 제품군을 확대해 AI 시대 오픈소스를 위한 '신뢰 인프라'를 구축한다고 발표했으며, 이는 1999년 IBM의 리눅스 10억 달러 투자 이후 오픈소스 보안 분야에 대한 단일 최대 투자 규모라고 밝혔다. Silicon Angle 보도에 따르면 IBM은 Deloitte와 협력해 오픈소스 취약점 문제 해결을 지원하며, Deloitte가 기업들이 사용하는 오픈소스 컴포넌트를 매핑하고 소프트웨어 변경에 따라 이 인벤토리를 지속적으로 업데이트해, 기업이 자사 애플리케이션에 취약한 오픈소스 모듈이 포함된 사실을 모르는 상황을 방지하는 것이 목표다. Techzine EU 보도에서는 Red Hat OpenShift가 VM·컨테이너·AI 워크로드 관리에 따른 가상화 관련 어려움을 해결하는 데 큰 진전을 이뤘다고 전한다. Lightwell 관련 뉴스레터 구독 안내도 함께 포함돼 있다.
💡 오픈소스 공급망 보안에 관심 있는 조직은 Lightwell/Deloitte 협력이 제공하는 지속적 컴포넌트 인벤토리·취약점 매핑 접근 방식을 자사 SBOM 관리 프로세스와 비교해볼 가치가 있다.
DevOps & 인프라
Why retrieval quality is becoming the defining challenge in AI agent architecture
The New Stack
The New Stack이 정리한 이 글은 에이전트 시스템의 실패 대부분이 실제로는 LLM 자체가 아니라 '컨텍스트 구축' 단계, 즉 검색(retrieval)에서 비롯된다고 지적한다. Specstory 사례에서는 팀이 과거 대화 이력에서 특정 기술 결정을 조회하려 할 때, 검색이 실제 논의 대신 구현 코드 스니펫을 상위로 올리면 에이전트가 그럴듯하지만 부정확한 답을 내놓는다는 문제를 소개한다. AnkiHub 사례에서는 강의 슬라이드 기반 학습 지원 시 관련 카드가 수백 개에 달할 때 랭킹이 핵심 카드를 컨텍스트에 포함시키는지 여부가 결과 품질을 좌우한다고 설명한다. 저자는 할루시네이션, 컨텍스트 로트(불필요한 정보로 컨텍스트가 오염되는 현상), 지연 시간 증가라는 세 가지 증상이 실제로는 모두 검색 실패에서 비롯된다는 표를 제시한다. Mixedbread의 OfficeQA-Pro 벤치마크(8만 9천 페이지 규모의 금융 문서·표·스캔 PDF 기반)에서도 Codex에 더 나은 검색 도구를 붙였을 때 툴 호출 수가 줄고 답변 품질이 개선된 사례를 근거로 든다. 결론적으로 더 나은 생성 모델만으로는 부족하며, PDF·표·채팅 이력·권한이 있는 데이터처럼 grep/rg가 통하지 않는 환경에서는 별도의 검색 인프라 투자가 필요하다고 강조한다.
💡 에이전트 품질 저하를 모델 교체로만 해결하려 하기 전에, 할루시네이션·지연·컨텍스트 오염 증상이 실은 검색/랭킹 단계의 문제일 수 있음을 먼저 점검하고 리트리벌 파이프라인에 투자하는 것이 더 효과적일 수 있다.
Better tools made Copilot code review worse. Here’s how we actually improved it.
GitHub
GitHub 엔지니어링 팀은 Copilot 코드 리뷰가 사용하던 자체 코드 탐색 도구(list_dir, search_file/dir, read_code)를 Copilot CLI 하니스가 쓰는 공유 Unix 스타일 도구(glob, grep, view)로 교체하는 인프라 통합 작업을 진행했다. 도구 자체는 더 잘 관리되고 있었지만, 막상 오프라인 벤치마크에서는 리뷰 비용이 오히려 늘고 발견하는 유효 이슈 수는 줄어드는 역효과가 나타났다. 원인을 추적한 결과 문제는 도구가 아니라 '지침(instructions)'이었다: 기존 도구들은 매칭된 줄 주변 컨텍스트를 자동으로 함께 반환해 과거 모델이 적은 툴 호출로도 충분한 정보를 얻을 수 있었지만, 새 공유 도구는 정확히 요청한 범위만 반환해 에이전트가 탐색을 반복하는 '브라우징 루프'에 빠졌다. 팀은 실제 리뷰어가 PR을 읽는 방식에 맞춰 도구 사용 지침을 다시 작성했고, 그 결과 리뷰 품질을 유지하면서도 평균 리뷰 비용을 약 20% 낮추는 데 성공했다. 이 하니스는 GitHub Copilot 클라우드 에이전트 등 다른 Copilot 제품과도 공유되므로, 이번 개선은 여러 제품에 걸쳐 이득을 준다.
💡 에이전트 도구를 더 성능 좋은 공유 인프라로 교체할 때는 도구 자체뿐 아니라 모델이 그 도구를 어떻게 쓰도록 지시받는지(프롬프트/워크플로 설계)까지 함께 재설계해야 회귀를 방지할 수 있다.
What running Kubernetes across millions of clusters taught AWS about zonal failures
The New Stack
AWS 엔지니어링 팀이 수년간 수백만 개의 EKS 클러스터를 운영하며 얻은 가용 영역(AZ) 장애 대응 노하우를 정리한 글이다. 핵심 문제는 완전히 죽은 서버가 아니라 '느리지만 헬스체크는 통과하는' 어중간한 상태의 AZ이며, 이런 상황에서 자동화 시스템의 기본 반응인 '비정상으로 판단하고 교체'하는 로직이 오히려 단일 AZ 장애를 리전 전체 장애로 확산시킨다는 점이다. 초기에는 API 서버가 네트워크 장애로 헬스체크를 실패하면 Auto Scaling 그룹이 이를 교체하려 하고, 같은 장애 AZ에서 재프로비저닝을 시도하다 실패해 최대 30분간 백오프에 들어가는 연쇄 실패 패턴이 반복됐다. 이를 해결하기 위해 팀이 채택한 핵심 원칙은 '정적 안정성(static stability)'으로, 부분 장애 시 시스템이 반응을 멈추고 기존 용량을 보존하며 문제 AZ를 우회해 대기하는 것이 최선이라는 사고방식이다. 이 글은 EKS 컨트롤 플레인(API 서버, etcd)에 적용한 조치와 사용자 워크로드가 실행되는 데이터 플레인에 노출한 기능들을 함께 다루며, 이 원칙이 모든 EKS 클러스터를 오늘도 보호하고 있다고 설명한다.
💡 자동 복구/오토스케일링 로직을 설계할 때 '헬스체크 실패 = 즉시 교체' 같은 단순 반응형 정책은 부분 장애(gray failure) 상황에서 오히려 장애를 증폭시킬 수 있으므로, 정적 안정성 원칙에 따라 일정 조건에서는 반응을 멈추고 관찰하는 로직을 설계에 포함해야 한다.
초당 100만 건, LINE 앱에 Apache Kafka 종단 간 암호화 적용기
LINE
LY Corporation(LINE)이 메신저의 민감 데이터를 보호하기 위해 Kafka 클라이언트 간 종단 간 암호화(E2EE)를 설계·구현해 최대 초당 100만 건이 오가는 대규모 토픽에 무중단으로 적용한 사례를 소개한다. 기존 Kafka는 전송 구간 암호화(TLS), 인증(SASL), 인가(ACL)를 제공하지만 브로커에 저장된 데이터 자체는 평문이라는 한계가 있어, 프로듀서부터 컨슈머까지 페이로드를 암호화 상태로 유지하는 것이 목표였다. 암호화 단위는 배치가 아닌 '레코드' 단위를 택해 Kafka의 표준 인터셉터·시리얼라이저 확장 포인트만으로 구현이 가능하게 했고, 실제 데이터는 속도가 빠른 대칭키(DEK, AES-GCM)로 암호화하고 그 DEK 자체는 KMS에 등록된 비대칭키(KEK, ECC secp521r1 기반 ECIES)로 암호화하는 DEK-KEK 이중 키 구조를 채택했다. 컨슈머 수가 늘어도 메시지 크기가 커지지 않도록 여러 컨슈머가 하나의 KEK를 공유하는 '공유 KEK' 방식을 도입하고, 이로 인한 보안 리스크는 KMS 인가 절차와 주기적 키 교체로 보완했다. 실제 서비스 적용 시에는 암호화 메시지와 평문 메시지가 공존하는 과도기를 지원하기 위해 컨슈머 디시리얼라이저가 헤더 메타데이터 유무로 암·복호화 여부를 자동 판단하는 평문 폴백 구조를 구현해 무중단 마이그레이션을 달성했다.
💡 대규모 트래픽 환경에서 메시지 단위 암호화를 도입할 때는 DEK-KEK 이중 키 구조와 컨슈머 간 KEK 공유로 헤더 오버헤드를 낮추고, 평문/암호문 공존을 허용하는 폴백 설계로 무중단 마이그레이션을 확보하는 접근이 실무적으로 참고할 만하다.
이 다이제스트는 RSS 피드에서 수집한 뒤 AI(Claude)가 요약·정리했습니다. 자세한 내용은 원문 링크를 확인하세요.