HOW IT WORKS / CLOSED LOOP

신호를 행동으로,
행동을 증빙으로.

Orbiton.AI는 IBM 자율컴퓨팅 참조 모델(MAPE-K)을 설계 근거로 삼아, 탐지부터 증빙까지 하나의 상태머신으로 실행합니다. 단계를 건너뛰는 경로는 존재하지 않습니다.

01 / CONTROL LOOP

자율 제어 루프

루프 전체가 감사 로그와 증빙으로 기록되며, 종료 후 재발 방지 권고가 자동 생성됩니다.

  1. 1탐지

    예측·이상 탐지가 위험을 감지하고 Incident를 생성합니다.

  2. 2증거 수집

    이상 구간 전후의 메트릭·로그·트레이스를 자동 스냅샷합니다.

  3. 3원인 · 권고

    근본 원인 분류와 조치 후보를 위험도와 함께 제시합니다.

  4. 4정책 판정

    허용·거부·승인필요와 한도를 정책 엔진이 결정합니다.

  5. 5승인 (HITL)

    승인 대기 큐에서 담당자가 코멘트와 함께 승인합니다.

  6. 6조치 실행

    중복 방지 키를 걸고 실행기 API를 통해 조치합니다.

  7. 7검증 · 원복

    성공 기준 미달 시 즉시 원복하고 에스컬레이션합니다.

무한 루프 방지

동일 사건에 대한 동일 조치의 반복을 시도 예산과 쿨다운으로 차단합니다.

중복 실행 방지

멱등성 키와 전역 중복 제거 저장소로 이중 실행을 원천 차단합니다.

실패 시 원복

검증 기준을 충족하지 못하면 자동 원복 후 담당자에게 에스컬레이션합니다.

02 / FORECAST PIPELINE

적체를 어떻게 사전에 예측하는가

적체는 유입량과 처리량의 차이가 누적된 결과입니다. 단순 임곗값은 이미 늦은 시점에 경보하고, 단일 모델은 패턴이 변하면 정확도를 잃습니다. Orbiton.AI는 다섯 단계를 거쳐 판단합니다.

  1. STAGE 1

    유입·처리량 차이 기반 즉시 예측

    유입률과 처리율의 차이로 임곗값 도달 시점을 즉시 산출합니다. 학습 데이터가 없는 도입 초기에도 첫날부터 동작합니다.

  2. STAGE 2

    시계열 앙상블

    LSTM은 급격한 변화를, Prophet은 주기와 휴일 패턴을, TFT와 N-BEATS는 다변량 장기 추세를 각각 담당합니다.

  3. STAGE 3

    이상 판정

    현재 상태의 비정상 여부를 판정합니다. Isolation Forest가 점 이상을, USAD가 시퀀스 이상을 잡습니다.

  4. STAGE 4

    인과 원인 추론

    동반 변동한 지표와 실제 원인을 구분합니다. DoWhy 4단계 인과 추론으로 처리율 저하·재조정·인프라 악화 중 실제 원인을 특정합니다.

  5. STAGE 5

    조치 정책 선택

    과거 조치의 효과를 학습한 강화학습 정책이 후보를 제시하고, 최종 판단은 OPA 정책과 승인자가 내립니다.

03 / ARCHITECTURE

계층은 분리하고 판단은 연결합니다

수집·추론·정책·실행·증빙을 분리해, 한 영역의 장애가 승인되지 않은 조치로 이어지지 않도록 설계합니다. 각 계층은 표준 인터페이스로만 결합됩니다.

04증빙 계층Evidence
  • 불변 증빙 저장(WORM) · 감사 리포트 자동 생성 · 주·월간 운영 보고서 · ITSM 티켓 첨부
03통제 계층Control
  • 정책 엔진(OPA/Rego) · 워크플로 엔진(SOAR) · 승인·조치·검증·원복 · 중복 실행 방지
02지능 계층Intelligence
  • 예측·이상 탐지 모델 · 근본 원인 분류 · 조치 권고 엔진 · 모델 거버넌스(MRM)
01관측 계층Observability
  • OpenTelemetry 표준 수집 · 메트릭·로그·트레이스 정규화 · Query Adapter · 시스템 드라이버

멀티테넌시(tenant_id / cluster_id)와 데이터 경계는 모든 계층에서 강제되며, 서비스 간 통신은 mTLS로 고정됩니다.

04 / MODEL LIFECYCLE

학습 데이터 없이 시작하고, 성능 저하는 스스로 감지합니다

모든 모델은 학습·추론·재학습 이력이 모델 레지스트리에 버전으로 남고, 승인된 버전만 실제 의사결정에 사용됩니다.

데이터가 없을 때
합성 시나리오 4종으로 1차 학습을 수행하고, 유입·처리량 차이 기반 예측과 규칙 위험 점수로 즉시 운영에 투입합니다.
데이터가 쌓이면
운영 데이터로 주기적으로 재학습하며 Optuna가 하이퍼파라미터를 재탐색합니다. EWC를 적용해 기존 지식을 유지합니다.
모델이 낡으면
PSI·KS·Page-Hinkley가 입력 분포와 성능 변화를 상시 감시하며, 기준선을 이탈하면 재학습 또는 롤백을 트리거합니다.

VALIDATION

인사이트에서 조치까지, 여섯 단계로 검증합니다.