DaemonSet은 Kubernetes에서 클러스터의 모든 노드에 하나의 파드를 배포하는 컨트롤러로, 주로 모니터링, 로그 수집, 네트워크 플러그인 및 스토리지 데몬으로 사용됩니다. Node Exporter DaemonSet을 배포하여 시스템 메트릭을 수집하고, Prometheus와 Grafana를 통해 모니터링 환경을 구축하는 방법을 설명합니다. 주요 구성 요소로는 네임스페이스, 서비스 어카운트, RBAC 설정, Node Exporter 배포 및 서비스 생성이 포함됩니다. Prometheus는 메트릭을 수집하고 저장하며, Grafana는 이를 시각화하는 대시보드 도구입니다.

k8s daemonset

Kubernetes의 Secret은 비밀번호와 API 키와 같은 민감한 정보를 안전하게 저장하는 객체로, ConfigMap과는 달리 Base64로 인코딩되어 저장되며 보안성이 높습니다. Secret 생성 방법에는 명령어, YAML 파일, Base64 인코딩 등이 있으며, MySQL과 함께 사용하여 환경 변수를 통해 안전하게 비밀번호를 주입할 수 있습니다. 보안을 강화하기 위해 Secret을 불변으로 설정하고, RBAC을 통해 접근을 제어하며, 파일로 마운트하여 사용하는 방법이 권장됩니다. Git에 Secret 파일을 커밋하지 않도록 주의해야 합니다.

k8s secrets

ConfigMap은 애플리케이션 설정을 코드와 분리하여 관리하는 Kubernetes 객체로, 설정 변경 시 이미지를 재빌드할 필요가 없습니다. ConfigMap을 생성하는 방법에는 명령어와 YAML 파일을 사용하는 두 가지가 있으며, Deployment에서 ConfigMap을 활용하여 환경 변수를 주입할 수 있습니다. 여러 환경(개발, 스테이징, 프로덕션)에 따라 다른 ConfigMap을 사용할 수 있으며, ConfigMap의 확인 및 디버깅 방법도 설명되어 있습니다.

k8s configmap

Kubernetes Ingress를 사용하여 클러스터 내부 서비스를 외부에 노출하는 방법을 설명합니다. Ingress는 HTTP(S) 라우팅 규칙으로 외부 접근을 제어하며, Namespace, ConfigMap, Deployment, Service, Ingress 리소스를 포함합니다. 기본 Traefik 또는 NGINX Ingress Controller를 사용하여 도메인 라우팅을 설정하고, 여러 서비스를 단일 엔드포인트로 노출할 수 있습니다. 로컬 테스트를 위해 /etc/hosts 파일을 수정하고 curl 또는 브라우저로 접근을 확인할 수 있습니다.

k8s ingress

Helm은 쿠버네티스 애플리케이션을 위한 패키지 매니저로, 재사용성과 버전 관리, 값 기반 설정을 통해 매니페스트 파일 관리의 효율성을 높인다. 이 포스트에서는 

k8s helm

OpenStack 환경에서 Neutron 에이전트가 주기적으로 다운되는 문제를 해결하기 위해 Kolla Ansible을 활용한 자동 재시작 스크립트를 작성했습니다. 이 스크립트는 5분마다 에이전트 상태를 체크하고, Alive가 False인 에이전트를 SSH로 재시작합니다. 주요 기능으로는 CSV 파싱, Docker 컨테이너 이름 변환, 안정적인 SSH 연결, 정상 종료 처리 등이 있습니다. 스크립트 실행 시 SSH 키 설정과 sudo 권한이 필요하며, 근본적인 문제 해결도 중요합니다.

kolla ansible neutron restart

이 논문은 만화 영상으로부터 시각-언어 개념을 점진적으로 학습하는 심층 개념 계층(DCH) 모델과 그래프 몬테카를로 알고리즘을 제안하며, 개념 변화 처리 및 맥락 기반 변환 작업에서의 유효성을 보여줍니다. 실험 결과, FGMC가 높은 성능을 보였고, 개념 진화 분석을 통해 모델의 효과성을 입증하였습니다. 그러나 단일 도메인 데이터 사용과 평가 지표 부족 등의 한계가 있으며, 대규모 데이터셋에서의 확장성 검증이 필요합니다.

[논문 AI 리뷰] Automated Construction of Visual‑Linguistic Knowledge via Concept Learning from Cartoon Videos

MoE 기반 하이브리드 Mamba-Transformer 아키텍처를 통해 3.2B 활성 파라미터로 31.6B 모델 성능을 달성하고, 25조 토큰으로 사전학습하여 다양한 환경에서 안정적인 학습을 보장하는 RLVR 프레임워크를 제안한다. 이 모델은 3.3배 높은 추론 처리량과 1M 토큰 컨텍스트 지원을 제공하며, 완전한 오픈소스 공개로 연구자와 실무자에게 접근성을 높인다. 추가 연구로는 MoE 라우팅 최적화와 긴 컨텍스트 성능 회복이 필요하다.

[논문 AI 리뷰] Nemotron 3 Nano: Open, Efficient Mixture-of-Experts Hybrid Mamba-Transformer Model for Agentic Reasoning

NVIDIA Nemotron 3은 LatentMoE 아키텍처와 NVFP4 훈련을 통해 효율성과 정확성을 동시에 개선하며, 1M 토큰 맥락에서 Qwen3 대비 3.3배 높은 처리량을 달성합니다. 오픈소스로 전체 스택을 공개하고, 다환경 강화학습을 통해 안정적인 성능 향상을 이루며, 연구자와 실무자 모두에게 유용한 모델입니다. 그러나 Super 및 Ultra 모델의 세부 사항이 미공개이며, 안전성 및 편향성 평가가 부족한 점은 한계로 지적됩니다.

[논문 AI 리뷰] NVIDIA Nemotron 3: Efficient and Open Intelligence

Muon 최적화 알고리즘은 대규모 LLM 학습에서 AdamW 대비 약 2배의 계산 효율성을 달성하며, 메모리 최적화된 분산 구현체와 함께 5.7T 토큰 학습한 'Moonlight' 모델을 통해 우수한 성능을 입증했습니다. 주요 기술로는 weight decay 추가와 행렬 형태에 따른 업데이트 스케일 조정이 있으며, 메모리 절감 및 통신 효율성을 개선했습니다. 비행렬 파라미터 처리와 사전학습-미세조정 불일치 문제는 해결되지 않았고, 추가 연구가 필요합니다.

[논문 AI 리뷰] MUON IS SCALABLE FOR LLM TRAINING TECHNICAL REPORT

DevStack은 OpenStack 개발 환경을 신속하게 구축할 수 있도록 돕는 스크립트 모음으로, 단일 머신에 복잡한 OpenStack 환경을 쉽게 배포할 수 있습니다. 주요 특징으로는 빠른 설치, 자동화된 구성, 유연한 커스터마이징이 있으며, 핵심 서비스로는 Keystone, Nova, Glance, Neutron, Cinder, Horizon이 포함됩니다. DevStack은 개발 및 테스트 목적으로만 사용해야 하며, 프로덕션 환경에는 적합하지 않습니다. 설치는 간단하며, 다양한 활용 사례가 있습니다.

devstack

프롬프트 기반 인터랙션을 지원하는 새로운 파라메트릭 표현과 대규모 데이터 엔진을 결합하여 단일 이미지에서 전신 메쉬를 복원하는 성능을 향상시킨 연구로, 3DPW 및 EMDB 벤치마크에서 기존 방법을 초월하며, 7,800명 참여의 사용자 선호도 조사에서 높은 승리율을 기록했다. 그러나 실시간 애플리케이션에 부적합한 계산 비용과 데이터 라이선스 문제 등 한계가 존재한다. 추가 연구로는 경량화 및 불확실성 양자화가 필요하다.

[논문 AI 리뷰] SAM 3D Body: Robust Full-Body Human Mesh Recovery

개념 기반 프롬프트로 이미지와 비디오에서 모든 객체 인스턴스를 검출·분할·추적하는 새로운 작업인 Promptable Concept Segmentation을 정의하고, 4M 개념과 52M 마스크로 구성된 SA-Co 데이터셋과 혁신적인 SAM 3 모델 아키텍처를 제안하여 성능을 2배 이상 향상시켰다. 이 연구는 멀티모달 AI 및 컴퓨터 비전 분야에서 중요한 기여를 하며, 향후 연구 필요성과 함께 비디오 처리의 효율성 문제와 복잡한 언어 표현 처리 한계를 지적한다.

[논문 AI 리뷰] SAM 3: SEGMENT ANYTHING WITH CONCEPTS

HRM은 인간 뇌의 계층적 처리를 모방한 새로운 재귀 아키텍처로, 고수준 계획 모듈과 저수준 실행 모듈의 시간척 분리를 통해 조기 수렴을 방지하고 유효 계산 깊이를 극대화한다. 27M 파라미터와 1000개 샘플로 ARC-AGI(40.3%), Sudoku(74.5%), Maze(74.5%)에서 SOTA 모델을 초과하는 성능을 보이며, BPTT 없이 1단계 기울기 근사와 ACT를 통해 훈련 안정성과 효율성을 동시에 달성한다. 그러나 자연어 작업에서의 성능과 내부 메커니즘에 대한 검증은 미비하다.

[논문 AI 리뷰] Hierarchical Reasoning Model

Decorrelated Backpropagation(DBP) 알고리즘은 레이어별 입력 비상관화를 통해 대규모 CNN 훈련의 wall-clock time을 최대 50% 단축하고 정확도를 향상시켰다. 패치별 비상관화, 샘플링, 행렬 사전 곱셈 등의 최적화로 실용성을 확보했으며, ImageNet 기준으로 탄소 배출량도 감소시켰다. 그러나 메모리 오버헤드와 하이퍼파라미터 민감성 등의 한계가 있으며, 추가 연구가 필요하다.

[논문 AI 리뷰] Efficient Deep Learning with Decorrelated Backpropagation

SCONE이라는 새로운 임베딩 기법을 제안하여, 훈련 시 별도의 트랜스포머로 n-gram 임베딩을 학습하고 추론 시 이를 오프-액셀러레이터 메모리에 캐싱하여 GPU/TPU 사용량을 고정하면서도 모델 성능을 확장할 수 있는 방법을 제시한다. 1B 파라미터 모델이 1.9B 베이스라인을 초과하며, FLOPS와 GPU 메모리를 약 48% 절감할 수 있음을 보여준다. 그러나 대규모 모델 검증 부족과 훈련 복잡도가 한계로 지적된다.

[논문 AI 리뷰] Scaling Embedding Layers in Language Models

mmHSense는 제스처 인식, 자세 추정, 위치 파악, 사용자 식별을 위한 6개의 멀티모달 mmWave ISAC 데이터셋을 제안하며, COTS 기기와 SDR을 활용한 분산 측정 구조를 포함한다. ResNet18은 5G 제스처 인식에서 97.75%의 정확도를 달성하고, LoRA 기반 미세 조정으로 파라미터를 640배 감소시키며 재난적 망각 문제를 해결했다. 그러나 데이터셋의 사용자 수가 제한적이며 도메인 적응 문제와 실시간 처리 성능 평가가 부족하다. 추가 연구가 필요하며, mmWave ISAC 및 6G 통신 연구자들에게 유용한 자원으로 추천된다.

[논문 AI 리뷰] mmHSense: Multi-Modal and Distributed mmWave ISAC Datasets for Human Sensing

엣지-클라우드 환경에서 딥러닝 추론 배치를 지연, 비용, 프라이버시의 다목적 최적화 문제로 재정의하며, 상호작용 인식 최적화 프레임워크를 제시한다. 모델 분해와 리소스 오케스트레이션을 통합하고, LLM 시대의 새로운 위협과 기회를 식별했으나, 대규모 실증 검증과 실용적 프라이버시 보호 기법 개발이 필요하다.

[논문 AI 리뷰] RETHINKING INFERENCE PLACEMENT FOR DEEP LEARNING ACROSS EDGE AND CLOUD PLATFORMS: A MULTI-OBJECTIVE OPTIMIZATION PERSPECTIVE AND FUTURE DIRECTIONS

확산 기반 언어 모델 Mercury는 기존 자기회귀 모델보다 최대 10배 빠른 속도로 코딩 작업에서 동등한 품질을 달성함을 입증했다. Mercury Coder Mini와 Small은 각각 1109 tokens/sec 및 737 tokens/sec의 처리량을 기록하며, 다양한 벤치마크에서 GPT-4o Mini와 유사한 성능을 보였다. 그러나 모델 규모와 훈련 비용에 대한 정보가 부족하며, 일반 자연어 처리에 대한 검증이 필요하다. 이 연구는 생성 AI의 효율성 문제에 대한 실용적인 해결책을 제시하며, 특히 코딩 보조 도구 개발자에게 높은 가치를 제공한다.

[논문 AI 리뷰] Mercury: Ultra-Fast Language Models Based on Diffusion

1조 파라미터 MoE 구조에 MuonClip 옵티마이저를 결합하여 에이전트 작업에서 오픈소스 SOTA를 달성한 연구로, MuonClip은 손실 스파이크를 제거하고 대규모 에이전트 데이터 합성을 통해 다양한 작업을 자동 생성한다. SWE-bench, ACEBench 등에서 높은 성능을 기록했으나, 복잡한 추론 시 과도한 토큰 생성과 비효율적인 도구 사용 등의 한계가 있다. 향후 QK-Clip의 이론적 근거와 메타 에이전트 메커니즘 연구가 필요하다.

[논문 AI 리뷰] KIMI K2: OPEN AGENTIC INTELLIGENCE

Mem0는 LLM의 고정 컨텍스트 한계를 극복하는 장기 기억 아키텍처로, LOCOMO 벤치마크에서 26% 정확도 향상과 91% 지연시간 감소를 달성하였다. 증분식 기억 추출 및 작업 분류 파이프라인을 통해 효율성을 입증하며, 그래프 기반 관계 모델링을 통해 시간적 추론을 지원한다. 그러나 그래프 버전의 비효율성과 평가 범위의 제한이 있으며, 추가 연구가 필요하다. 이 연구는 프로덕션 AI 에이전트 개발자에게 강력히 권장된다.

[논문 AI 리뷰] Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory

Kubernetes에서 Volume은 컨테이너의 데이터를 유지하는 저장소로, 다양한 타입(예: emptyDir, hostPath, PVC)을 지원한다. PersistentVolume과 PersistentVolumeClaim을 생성하여 데이터를 관리하고, Deployment에서 Volume을 사용하여 로그와 업로드 데이터를 처리할 수 있다. 로그 관리 및 데이터 영속성 테스트 방법도 설명되며, 각 Volume 타입의 용도에 대한 가이드가 제공된다.

k8s volume

디플로이먼트는 레플리카셋을 관리하는 상위 개념으로, 롤링 업데이트, 롤백, 배포 제어, 고급 배포 전략(블루-그린 및 카나리 배포), 자동 스케일링 등의 기능을 제공하여 안전하고 효율적인 애플리케이션 배포를 지원합니다. 프로덕션 환경에서는 디플로이먼트를 사용하는 것이 권장됩니다.

k8s deployment

k3s의 서비스는 포드 집합에 대한 단일 접점을 제공하고, IP 주소 변경에도 안정적인 네트워크 엔드포인트를 유지하며, 로드 밸런싱과 서비스 디스커버리 기능을 수행합니다. 서비스 유형으로는 ClusterIP, NodePort, LoadBalancer, ExternalName이 있으며, DNS 기반 자동 탐색과 환경 변수를 통한 서비스 디스커버리를 지원합니다. 모범 사례로는 명확한 레이블링 전략, 적절한 서비스 타입 선택, 헬스 체크 구현이 강조됩니다.

k8s service

k3s를 HAProxy와 Keepalived를 사용하여 고가용성 클러스터로 구성하는 방법을 설명합니다. 최소 3대의 k3s 서버 노드와 가상 IP를 설정하고, Keepalived와 HAProxy를 설치하여 로드밸런싱 및 자동 페일오버를 구현합니다. 클러스터 설치 후 kubeconfig 파일을 수정하여 원격 접근을 가능하게 하며, 보안 및 성능 최적화에 대한 권장 사항도 포함되어 있습니다.

k3s ha 구성

레플리카셋은 Kubernetes에서 지정된 수의 파드 복제본을 항상 실행하도록 보장하는 리소스입니다. 주요 기능으로는 파드 복제본 관리, 자동 복구, 스케일링, 선언적 관리가 있으며, YAML 파일을 통해 정의하고 생성할 수 있습니다. 레플리카셋은 서비스 중단 위험을 줄이고, 자동 복구를 통해 안정성을 향상시키며, 유연한 리소스 관리가 가능합니다. 핵심 명령어로는 kubectl apply, kubectl get rs, kubectl scale, kubectl delete가 있습니다.

k8s replicaset

역전파의 한계와 Forward-Forward 알고리즘을 통해 레이어별로 독립적으로 학습하는 방법을 제안한다. 각 레이어는 긍정 및 부정 샘플을 사용하여 국소적인 목표인 goodness를 최적화하며, 이를 통해 다양한 특징을 학습할 수 있다. 실험 결과, FF 알고리즘은 기존의 역전파 방법과 유사한 성능을 보이지만, 더 빠른 수렴 속도를 나타낸다. 또한, 긍정과 부정 데이터를 분리하여 학습하는 방법에 대한 추가 연구가 필요하다고 언급된다.

The Forward-Forward Algorithm 정리

k3s 설치를 위해 모든 노드의 hosts 파일을 수정하여 마스터 노드와 통신 가능하도록 설정하고, 마스터 노드와 워커 노드를 설치하는 방법을 설명합니다. 설치 후 클러스터 상태를 확인하고, 필요 시 자동 또는 수동으로 k3s를 제거하는 방법도 안내합니다. 핵심적으로, 사전 설정, 설치 명령어, 네트워크 구성 및 제거 방법을 포함하여 k3s의 효율적인 사용을 강조합니다.

k3s install

쿠버네티스는 컨테이너화된 애플리케이션의 자동화된 배포, 확장 및 관리를 위한 오픈소스 플랫폼이며, K3s는 경량화된 배포판으로 Edge와 IoT 환경에 적합하다. 주요 기능으로는 자동화된 배포, 수평적 확장, 서비스 검색 및 로드 밸런싱, 자동 복구, 구성 관리가 있으며, 설치를 위한 최소 요구사항은 512MB RAM과 Linux OS이다.

Kubernetes (k3s)

OpenStack 클라우드 이미지의 기본 관리자 계정 정보는 배포판별로 다르며, SSH 접속 시 올바른 사용자명을 사용하는 것이 중요하다. 주요 배포판은 Ubuntu(ubuntu), CentOS(ec2-user), Fedora(fedora), Fedora CoreOS(core) 등이며, 추가로 Debian(debian), openSUSE(opensuse), Rocky Linux(rocky 또는 cloud-user), AlmaLinux(almalinux 또는 cloud-user)도 있다. 모든 기본 사용자는 sudo 권한을 가지고 있어 root 권한을 얻을 수 있다.

Cloud 이미지 초기 User

OpenStack을 수동으로 설치하는 번거로움을 해결하기 위해 Kolla Ansible을 활용한 자동화 배포를 계획하고 있으며, 초기 설치와 설정 과정, 필수 패키지 설치, 구성 파일 설정 방법을 상세히 설명하고 있습니다. 배포 후 발생할 수 있는 문제와 해결 방법도 다루고 있으며, 다음 포스트에서는 클러스터의 백업 및 이전 방법을 소개할 예정입니다.

openstack 마이그레이션 대꼴박 도전기 -1

컨테이너화 기술인 Docker는 Linux 컨테이너를 생성하고 사용할 수 있게 하며, 가상화와 비교해 리소스 사용이 효율적이고 빠른 배포가 가능하다. GPU 가상화는 NVIDIA GRID vGPU 패키지를 통해 관리되며, NVIDIA Container Toolkit을 사용하여 GPU 자원에 접근할 수 있다. Docker에서 리소스를 제한하기 위한 다양한 옵션이 있으며, CPU, 메모리, GPU, 디스크 등의 설정 방법이 설명되어 있다.

nvidia container toolkit used

Docker를 사용하여 Portainer CE를 설치하는 방법을 설명하며, 컨테이너의 데이터 관리를 위해 볼륨을 생성하고, 포트 포워딩을 설정하는 방법을 안내한다. 초기 접속 시 관리자 계정을 생성해야 하며, GPU 할당 정보를 확인하기 위한 NVIDIA 런타임 연결 추가도 포함된다. 최신 버전으로 업데이트하는 절차도 설명되어 있다.

portainer install

우분투 22.04에서 LLVM 16을 설치하기 위해서는 기본 저장소에 추가로 원격 저장소를 등록해야 합니다. 저장소를 등록한 후 패키지 목록을 업데이트하고 LLVM 16 및 Clang 16을 설치하면 됩니다. 설치가 완료되면 TensorFlow 설치를 계속 진행할 수 있습니다.

llvm install

TensorFlow 2.12 설치를 위해 Miniconda를 설치하고 conda 환경을 만들며, 필요시 GPU 설정을 포함하여 TensorFlow를 설치하는 방법을 설명합니다. 설치 후 CPU와 GPU 설정 확인을 통해 성공 여부를 검증할 수 있으며, Ubuntu 22.04에서 발생할 수 있는 오류와 그 해결 방법도 안내합니다.

tensorflow 2.12 install

OpenVPN 설치 가이드는 Ubuntu 22.04 LTS 서버를 기준으로 하며, Easy-RSA와 OpenVPN을 동일한 서버에서 작동하도록 설정하는 방법을 설명합니다. VPN을 사용하여 외부에서 안전하게 접속할 수 있도록 패킷을 암호화하고, 필요한 패키지를 설치한 후 기본 설정을 진행합니다. 서버와 클라이언트의 인증서 및 키를 생성하고, 방화벽 규칙을 설정하여 VPN 트래픽을 허용합니다. 또한 클라이언트 계정을 추가하고 제거하는 방법, 그리고 문제 해결 방법도 포함되어 있습니다.

openvpn install

VSCode를 이용해 원격으로 코드를 개발하는 방법을 설명하며, SSH 접속 설정, SSH 키 생성, Remote-SSH 확장 설치 및 설정 과정을 안내합니다. 보안을 위해 패스워드 대신 공개 키를 사용하며, 선택적으로 패스워드 접속을 거부하는 방법도 포함되어 있습니다.

vscode ssh tunnel 구성

alphafold 설치 중 발생한 docker 이미지의 의존성 문제를 해결하기 위한 여러 방법을 설명한다. jax 라이브러리의 cuda 인식 문제, nvidia-modprobe 패키지 설치, 시스템 재설치, CUDA 버전 변경, jax 설치 방법 재확인 등 다양한 트러블슈팅 과정을 통해 최종적으로 성공적인 dockerfile을 완성하였다.

alphafold2 docker 트러블슈팅

HAProxy를 설치하고 설정하는 방법을 설명하며, 

haproxy 구성

ceph 클러스터를 안전하게 종료하고 재부팅하는 방법에 대해 설명한다. cephfs와 osd를 종료한 후, 모든 ceph 데몬을 안전하게 중지하고 전원을 끈다. 재부팅 후 서비스 상태를 확인하고 osd 플래그를 비활성화하며, cephfs 시스템을 다시 가동한다. 문제가 발생할 경우 osd 서비스를 재시작하여 해결할 수 있다.

ceph 클러스터 전원 끄기 및 재부팅

OpenStack에서 Horizon에 SSL을 적용하기 위해 Certbot을 사용하여 SSL 인증서를 자동으로 발급받고 갱신하는 방법을 설명한다. Wildcard와 Standard SSL 인증 유형을 비교하고, Cloudflare를 통해 DNS 인증을 설정한 후 Certbot 명령어로 SSL 인증서를 발급받는 과정을 다룬다. 또한, 인증서 갱신을 자동화하기 위한 Python 스크립트와 crontab 설정 방법도 포함되어 있다.

certbot 자동화

Ceph는 클라우드 플랫폼에 스토리지를 제공하는 시스템으로, 설치 방법과 활용 방안에 중점을 두고 설명한다. 초기 환경 구성, Docker 및 Python 설치, 시간 동기화를 위한 chrony 설정, cephadm을 통한 클러스터 부트스트랩 방법, 노드 추가 및 OSD 설정 과정이 포함되어 있다. 클러스터 네트워크와 퍼블릭 네트워크의 중요성도 강조되며, 성능 향상을 위해 적절한 설정이 필요하다.

ceph install

리눅스 브릿지를 사용하여 OpenStack 네트워크 설정을 최적화하는 방법을 설명합니다. NIC 설치 제약으로 인해 하나의 NIC를 분할하여 관리 IP와 private provider IP를 동일한 대역으로 구성합니다. OVS를 통해 NIC를 관리하며, 브릿지를 생성하고 IP를 설정하여 외부와의 통신을 가능하게 합니다. 최종적으로, 서버 재시작 시 설정이 유지되도록 rc 기능을 활용하는 방법을 다룰 예정입니다.

openstack NIC 설정

OpenStack에서 GPU를 사용자에게 제공하기 위한 방법으로 GPU passthrough와 VGPU가 있으며, GPU passthrough는 PCI-E 라인을 직접 연결하는 방식이다. 설정 과정에서는 하드웨어 상태 확인, iommu 설정, nova-api 및 nova-scheduler 설정, flavor 변경, 그리고 컴퓨트 노드에서 PCI 패스스루 허용 장치 정보를 화이트 리스트로 지정해야 한다. 트러블 슈팅 과정에서는 NVIDIA GPU의 오디오 장치도 함께 제공해야 하며, 설치된 GPU를 모두 활용할 수 없는 경우에는 추가적인 화면 출력용 GPU를 사용하는 방법이 필요하다.

openstack pci passthrough

OpenStack의 기본 데이터베이스로 MySQL Galera Cluster를 설정하는 방법을 설명합니다. 고가용성을 위해 최소 3개 이상의 노드가 필요하며, 모든 노드가 Master 역할을 수행합니다. 클러스터의 상태 확인 및 모니터링 방법, 문제 발생 시 복구 방법, HAProxy와 Keepalived를 통한 고가용성 구성도 다룹니다. Galera Cluster는 데이터 일관성을 유지하면서 모든 노드에서 읽기와 쓰기가 가능하다는 장점이 있습니다.

mysql galera cluster 설정

OpenStack 시스템을 위한 안전한 VPN 구축을 위해 pfSense 방화벽을 설치하는 과정과 설정 방법을 설명합니다. pfSense는 오픈소스 방화벽으로, 복잡한 네트워크 장비 없이도 강력한 기능을 제공합니다. 설치 과정에서는 WAN과 LAN 설정, NAT 및 포트 포워딩, DHCP 서버 활성화 등을 포함하여, 연구실 네트워크의 안정성과 보안을 강화하는 데 기여합니다.