[논문 리뷰] Can Artificial Intelligence Transform DevOps?

Mamdouh Alenezi, Mohammad Zarour외 1명|arXiv (Cornell University)|2022. 06. 01.

Big Data and Business Intelligence인용 수 5

한 줄 요약

이 논문은 인공지능(AI)이 자동화, 코드 품질, 보안 및 시스템 모니터링을 향상시켜 DevOps를 어떻게 혁신할 수 있는지 조사한다. AI 및 기계학습(ML)을 DevOps 파이프라인에 통합함으로써 팀은 결함 탐지 속도를 높이고 사고 대응 능력을 향상시키며 자원 활용도를 최적화하여 소프트웨어 배포 속도와 신뢰성을 높일 수 있다.

ABSTRACT

DevOps and Artificial Intelligence (AI) are interconnected with each other. DevOps is a business-driven approach to providing quickly delivered quality software, and AI is the technology that can be used in the system to enhance its functionality. So, DevOps teams can use AI to test, code, release, monitor, and improve the system. Through AI, the automation process delivered by DevOps could be improved efficiently. This study aims to explore how AI can transform DevOps. The research is useful in terms of facilitating software developers and businesses to assess the importance of AI in DevOps. The study has practical implications as it elaborates on how AI transforms DevOps and in what way it can support businesses in their business.

연구 동기 및 목표

• 현대 DevOps 관행에서 AI의 혁신 잠재력을 검토하기 위해.
• 소프트웨어 개발, 테스팅 및 운영 분야에서 AI 기반 향상 사항을 특정적으로 규명하기 위해.
• AI 통합이 DevOps 워크플로우 내 자동화, 보안 및 시스템 신뢰성 향상에 어떻게 기여하는지 평가하기 위해.
• AI를 소프트웨어 배포 파이프라인에 도입하는 DevOps 팀과 기업을 위한 실천 가능한 권고안을 제공하기 위해.
• 엑사바이트 규모의 빅데이터 관리 및 DevOps 내 인간-AI 협업과 같은 과제를 다루기 위해.

제안 방법

• 2차 자료원을 활용한 정성적 문헌 리뷰 수행.
• 다양 산업 분야에서 AI-DevOps 통합에 관한 기존 연구 및 사례 연구 분석.
• 기계학습 모델을 활용해 코드 리뷰, 이질성 탐지 및 보안 테스팅 분야의 AI 응용 분석.
• 페이스북의 AI 기반 버그 예측 및 마이크로소프트의 Code QL 활용과 같은 실제 구현 사례 검토.
• 지속적 통합, 모니터링 및 공급망 관리 분야에서 AI의 역할을 종합적으로 분석.
• AI 강화 DevOps에서 관찰된 패턴과 성능 결과를 바탕으로 권고안 도출.

실험 결과

연구 질문

• RQ1 AI는 DevOps 파이프라인 내 자동화와 효율성을 어떻게 향상시킬 수 있는가?
• RQ2 AI는 소프트웨어 개발에서 코드 품질, 보안 및 결함 탐지에 어떤 방식으로 향상시키는가?
• RQ3 대규모 분산 DevOps 환경에 AI를 통합할 때의 주요 과제는 무엇인가?
• RQ4 AI는 운영 시스템에서 실시간 모니터링, 경고 및 사고 대응을 어떻게 지원하는가?
• RQ5 AI 기술을 도입하는 DevOps 팀을 위한 실질적인 권고안은 무엇인가?

주요 결과

• Code QL 및 페이스북의 AI 기반 버그 예측 시스템과 같은 AI 기반 도구들이 코드 결함 식별 및 수정 권고에 대해 80%의 정확도를 달성했다.
• 기계학습 모델은 코드 리뷰의 수동 작업을 크게 줄였고, 보안 취약점과 코드 결함의 조기 탐지 가능성을 높였다.
• AI 통합은 지능형 경고 필터링과 빠른 사고 완화를 통해 시스템 이질성에 대한 대응 시간을 개선했다.
• AI는 DevOps 라이프사이클 전반에서 다양한 소스에서 수집된 데이터를 집계하고 정리함으로써 데이터 접근성과 추세 분석 능력을 향상시켰다.
• AI 기반 보안 테스팅은 위협의 사전 식별 및 관리를 가능하게 하여 시스템의 내재성과 준수 능력을 강화했다.
• 장점이 있음에도 불구하고, 분산 환경에서 엑사바이트 규모의 데이터를 관리하는 것은 인간 운영자에게 여전히 주요 과제로 남아 있으며, 이는 DevOps 내 AI 기반 데이터 거버넌스의 필요성을 강조한다.