← 블로그 홈

AWS SAA 실전 가이드 - 모니터링, 로깅, 옵저버빌리티 완벽 마스터

7분 읽기
aws-saa
AWS SAA 실전 가이드 - 모니터링, 로깅, 옵저버빌리티 완벽 마스터

AWS SAA 실전 가이드 - 모니터링, 로깅, 옵저버빌리티 완벽 마스터

AWS Solutions Architect Associate(SAA) 시험에서 반드시 알아야 할 모니터링과 로깅 시스템을 완벽하게 마스터해보겠습니다. 실제 프로덕션 환경에서 사용되는 최적화된 옵저버빌리티 전략을 학습합니다.

🎯 목차

  1. AWS CloudWatch 핵심 개념
  2. AWS CloudTrail 보안 감사
  3. AWS X-Ray 분산 추적
  4. VPC Flow Logs 네트워크 분석
  5. 실전 문제 해결

📊 CloudWatch 핵심 개념

1. 메트릭과 네임스페이스

기본 메트릭 vs 커스텀 메트릭

# AWS SDK를 통한 커스텀 메트릭 전송
import boto3
from datetime import datetime

cloudwatch = boto3.client('cloudwatch')

# 비즈니스 메트릭 전송
cloudwatch.put_metric_data(
    Namespace='MyApp/Business',
    MetricData=[
        {
            'MetricName': 'OrdersProcessed',
            'Value': 150,
            'Unit': 'Count',
            'Timestamp': datetime.utcnow(),
            'Dimensions': [
                {
                    'Name': 'Environment',
                    'Value': 'Production'
                }
            ]
        }
    ]
)

2. 알람 설정 전략

스마트 알람 구성

# CloudFormation 템플릿
Resources:
  HighCPUAlarm:
    Type: AWS::CloudWatch::Alarm
    Properties:
      AlarmName: EC2-High-CPU
      AlarmDescription: EC2 인스턴스 CPU 사용률 80% 초과
      MetricName: CPUUtilization
      Namespace: AWS/EC2
      Statistic: Average
      Period: 300
      EvaluationPeriods: 2
      Threshold: 80
      ComparisonOperator: GreaterThanThreshold
      AlarmActions:
        - !Ref SNSTopic
      Dimensions:
        - Name: InstanceId
          Value: !Ref EC2Instance

🔍 CloudTrail 보안 감사

1. 이벤트 로깅 전략

관리 이벤트 vs 데이터 이벤트

{
  "eventTime": "2025-07-15T09:30:00Z",
  "eventName": "PutObject",
  "eventSource": "s3.amazonaws.com",
  "userIdentity": {
    "type": "AssumedRole",
    "principalId": "AIDACKCEVSQ6C2EXAMPLE",
    "arn": "arn:aws:sts::123456789012:assumed-role/S3-Role/user"
  },
  "requestParameters": {
    "bucketName": "my-secure-bucket",
    "key": "sensitive-data.txt"
  },
  "responseElements": {
    "ETag": "\"d41d8cd98f00b204e9800998ecf8427e\""
  }
}

2. 실시간 보안 모니터링

CloudWatch Events + Lambda 통합

import json
import boto3

def lambda_handler(event, context):
    # CloudTrail 이벤트 파싱
    detail = event['detail']
    
    # 위험한 API 호출 감지
    dangerous_apis = [
        'DeleteBucket',
        'PutBucketPolicy',
        'CreateUser',
        'AttachUserPolicy'
    ]
    
    if detail['eventName'] in dangerous_apis:
        # Slack 알림 전송
        send_security_alert(detail)
    
    return {
        'statusCode': 200,
        'body': json.dumps('Event processed')
    }

def send_security_alert(event_detail):
    # SNS를 통한 보안 팀 알림
    sns = boto3.client('sns')
    message = f"🚨 Security Alert: {event_detail['eventName']} by {event_detail['userIdentity']['arn']}"
    
    sns.publish(
        TopicArn='arn:aws:sns:us-east-1:123456789012:security-alerts',
        Message=message,
        Subject='AWS Security Alert'
    )

🔬 X-Ray 분산 추적

1. 마이크로서비스 추적

Lambda 함수 X-Ray 설정

from aws_xray_sdk.core import xray_recorder
from aws_xray_sdk.core import patch_all

# AWS SDK 자동 계측
patch_all()

@xray_recorder.capture('order_processing')
def process_order(order_data):
    # 세그먼트 메타데이터 추가
    xray_recorder.current_segment().put_metadata('order_id', order_data['id'])
    
    # 서브세그먼트 생성
    with xray_recorder.in_subsegment('validate_order'):
        validate_order(order_data)
    
    with xray_recorder.in_subsegment('save_to_database'):
        save_order(order_data)
    
    return {'status': 'success'}

def validate_order(order_data):
    # 주문 유효성 검사 로직
    xray_recorder.current_subsegment().put_annotation('validation_result', 'passed')

2. 성능 병목 분석

X-Ray 서비스 맵 해석

{
  "service": "order-api",
  "trace_id": "1-5e1b4151-2c4c8c4b6d7e8f9g0h1i2j3k",
  "segments": [
    {
      "name": "order-processing",
      "start_time": 1578675542.123,
      "end_time": 1578675542.456,
      "duration": 0.333,
      "subsegments": [
        {
          "name": "DynamoDB",
          "start_time": 1578675542.200,
          "end_time": 1578675542.350,
          "duration": 0.150
        }
      ]
    }
  ]
}

🌐 VPC Flow Logs 네트워크 분석

1. 네트워크 트래픽 모니터링

Flow Logs 파싱 및 분석

import pandas as pd
import boto3

def analyze_flow_logs():
    # S3에서 Flow Logs 읽기
    s3 = boto3.client('s3')
    
    # Flow Logs 형식: version account-id interface-id srcaddr dstaddr srcport dstport protocol packets bytes windowstart windowend action flowlogstatus
    
    flow_data = """
    2 123456789012 eni-0123456789abcdef0 192.168.1.10 54.239.28.85 443 22 6 20 4000 1578675542 1578675572 ACCEPT OK
    2 123456789012 eni-0123456789abcdef0 192.168.1.10 203.0.113.12 80 3389 6 10 2000 1578675542 1578675572 REJECT OK
    """
    
    # 의심스러운 트래픽 패턴 감지
    suspicious_patterns = {
        'port_scanning': detect_port_scanning(flow_data),
        'ddos_attack': detect_ddos_patterns(flow_data),
        'data_exfiltration': detect_data_exfiltration(flow_data)
    }
    
    return suspicious_patterns

def detect_port_scanning(flow_data):
    # 포트 스캔 패턴 감지 로직
    pass

def detect_ddos_patterns(flow_data):
    # DDoS 공격 패턴 감지 로직
    pass

2. 자동화된 보안 대응

CloudWatch Insights 쿼리

-- 가장 많은 트래픽을 생성하는 소스 IP 분석
fields @timestamp, srcaddr, dstaddr, srcport, dstport, protocol, bytes
| filter action = "ACCEPT"
| stats sum(bytes) as total_bytes by srcaddr
| sort total_bytes desc
| limit 10

-- 차단된 트래픽 분석
fields @timestamp, srcaddr, dstaddr, srcport, dstport, protocol
| filter action = "REJECT"
| stats count() as blocked_attempts by srcaddr, dstport
| sort blocked_attempts desc
| limit 20

🚀 실전 문제 해결

문제 1: 성능 모니터링 최적화

문제 상황: 3-tier 웹 애플리케이션에서 응답 시간이 급격히 증가하고 있습니다. 다음 중 가장 효과적인 모니터링 전략은?

A) CloudWatch 기본 메트릭만 사용 B) X-Ray + CloudWatch Insights + RDS Performance Insights C) CloudTrail + VPC Flow Logs만 사용 D) Lambda 함수로 직접 모니터링 구현

정답: B

해설:

  • X-Ray: 애플리케이션 레벨 분산 추적
  • CloudWatch Insights: 로그 데이터 분석
  • RDS Performance Insights: 데이터베이스 성능 상세 분석

문제 2: 보안 감사 설정

문제 상황: 금융 서비스에서 모든 API 호출을 추적하고 실시간 알림이 필요합니다. 최적의 구성은?

A) CloudTrail + CloudWatch Events + Lambda + SNS B) VPC Flow Logs + S3 + Athena C) X-Ray + CloudWatch Alarms D) AWS Config + CloudFormation

정답: A

해설: 실시간 보안 이벤트 감지와 알림을 위해서는 CloudTrail의 이벤트를 CloudWatch Events로 실시간 처리하고, Lambda로 분석 후 SNS를 통해 알림을 보내는 것이 가장 효과적입니다.

📈 고급 모니터링 패턴

1. 복합 메트릭 생성

수학적 표현식을 사용한 SLI 계산

# SLI (Service Level Indicator) 계산
def calculate_sli_metrics():
    cloudwatch = boto3.client('cloudwatch')
    
    # 가용성 = (총 요청 - 에러) / 총 요청 * 100
    availability_expression = "(m1 - m2) / m1 * 100"
    
    # 지연 시간 P99 계산
    latency_p99 = cloudwatch.get_metric_statistics(
        Namespace='AWS/ApplicationELB',
        MetricName='TargetResponseTime',
        Dimensions=[
            {
                'Name': 'LoadBalancer',
                'Value': 'app/my-load-balancer/50dc6c495c0c9188'
            }
        ],
        StartTime=datetime.utcnow() - timedelta(hours=1),
        EndTime=datetime.utcnow(),
        Period=300,
        Statistics=['Average'],
        Unit='Seconds'
    )
    
    return {
        'availability': availability_expression,
        'latency_p99': latency_p99
    }

2. 멀티 계정 모니터링

Cross-Account 모니터링 설정

# CloudFormation - 중앙 모니터링 계정
Resources:
  CrossAccountRole:
    Type: AWS::IAM::Role
    Properties:
      AssumeRolePolicyDocument:
        Version: '2012-10-17'
        Statement:
          - Effect: Allow
            Principal:
              AWS: !Sub 'arn:aws:iam::${MonitoringAccount}:root'
            Action: 'sts:AssumeRole'
      Policies:
        - PolicyName: CloudWatchReadOnlyAccess
          PolicyDocument:
            Version: '2012-10-17'
            Statement:
              - Effect: Allow
                Action:
                  - 'cloudwatch:GetMetricStatistics'
                  - 'cloudwatch:ListMetrics'
                  - 'logs:DescribeLogGroups'
                  - 'logs:DescribeLogStreams'
                Resource: '*'

🔧 모니터링 자동화

1. Infrastructure as Code

Terraform을 이용한 모니터링 스택 구성

# main.tf
resource "aws_cloudwatch_dashboard" "main" {
  dashboard_name = "ApplicationMonitoring"

  dashboard_body = jsonencode({
    widgets = [
      {
        type   = "metric"
        x      = 0
        y      = 0
        width  = 12
        height = 6

        properties = {
          metrics = [
            ["AWS/ApplicationELB", "TargetResponseTime", "LoadBalancer", var.load_balancer_name],
            ["AWS/ApplicationELB", "HTTPCode_Target_2XX_Count", "LoadBalancer", var.load_balancer_name],
            ["AWS/ApplicationELB", "HTTPCode_Target_5XX_Count", "LoadBalancer", var.load_balancer_name]
          ]
          period = 300
          stat   = "Average"
          region = var.aws_region
          title  = "Application Performance"
        }
      }
    ]
  })
}

resource "aws_cloudwatch_metric_alarm" "high_response_time" {
  alarm_name          = "high-response-time"
  comparison_operator = "GreaterThanThreshold"
  evaluation_periods  = "2"
  metric_name         = "TargetResponseTime"
  namespace           = "AWS/ApplicationELB"
  period              = "300"
  statistic           = "Average"
  threshold           = "1"
  alarm_description   = "This metric monitors application response time"
  alarm_actions       = [aws_sns_topic.alerts.arn]

  dimensions = {
    LoadBalancer = var.load_balancer_name
  }
}

2. 자동 해결 시스템

AWS Systems Manager를 이용한 자동 복구

import boto3
import json

def auto_remediation_handler(event, context):
    # CloudWatch 알람에서 트리거된 자동 복구
    alarm_name = event['AlarmName']
    
    remediation_actions = {
        'high-cpu-alarm': restart_instance,
        'high-memory-alarm': scale_out,
        'database-connection-alarm': restart_rds
    }
    
    if alarm_name in remediation_actions:
        remediation_actions[alarm_name](event)
    
    return {
        'statusCode': 200,
        'body': json.dumps('Remediation completed')
    }

def restart_instance(event):
    ec2 = boto3.client('ec2')
    instance_id = extract_instance_id(event)
    
    ec2.reboot_instances(InstanceIds=[instance_id])
    
    # 알림 발송
    send_notification(f"Instance {instance_id} has been restarted")

def scale_out(event):
    autoscaling = boto3.client('autoscaling')
    
    autoscaling.set_desired_capacity(
        AutoScalingGroupName='my-asg',
        DesiredCapacity=5,
        HonorCooldown=True
    )

💡 베스트 프랙티스

1. 효율적인 로그 관리

로그 라이프사이클 관리

  • CloudWatch Logs: 30일 보관
  • S3 Standard: 90일 보관
  • S3 IA: 1년 보관
  • S3 Glacier: 7년 보관

2. 비용 최적화

모니터링 비용 절감 전략

  • 불필요한 메트릭 제거
  • 로그 필터링 활용
  • 커스텀 메트릭 최적화
  • 대시보드 공유 및 재사용

3. 알람 피로도 방지

스마트 알람 설정

  • 중요도별 알람 분류
  • 에스컬레이션 정책 구현
  • 알람 억제 규칙 설정

🎯 시험 출제 포인트

핵심 암기 사항

  1. CloudWatch 메트릭 보관 기간: 15개월
  2. CloudTrail 기본 보관 기간: 90일
  3. X-Ray 추적 데이터 보관: 30일
  4. VPC Flow Logs 대상: VPC, 서브넷, ENI
  5. CloudWatch Logs 실시간 처리: Kinesis Data Streams

자주 출제되는 시나리오

  1. 성능 모니터링: X-Ray + CloudWatch
  2. 보안 감사: CloudTrail + CloudWatch Events
  3. 네트워크 분석: VPC Flow Logs + CloudWatch Insights
  4. 비용 모니터링: AWS Cost Explorer + CloudWatch
  5. 멀티 리전 모니터링: CloudWatch Cross-Region

🚀 실습 과제

과제 1: 3-tier 애플리케이션 모니터링 구축

  • CloudWatch 대시보드 생성
  • X-Ray 분산 추적 설정
  • 알람 및 자동 복구 구현

과제 2: 보안 모니터링 시스템 구축

  • CloudTrail 설정
  • 실시간 보안 이벤트 감지
  • 자동 알림 시스템 구현

과제 3: 성능 최적화 모니터링

  • 커스텀 메트릭 생성
  • 성능 벤치마크 설정
  • 자동 스케일링 연동

📚 참고 자료

모니터링과 옵저버빌리티는 AWS 아키텍처의 핵심 요소입니다. 이 가이드를 통해 실제 프로덕션 환경에서 사용할 수 있는 강력한 모니터링 시스템을 구축하는 방법을 학습하셨기를 바랍니다. 다음 포스트에서는 AWS 보안 심화 주제를 다뤄보겠습니다.

다음 포스트 예고: AWS SAA 보안 심화 - IAM 고급 정책 설계와 제로 트러스트 아키텍처 🔐

이 글을 공유해보세요!