이 문서에서는 서드 파티 및 Google Cloud를 비롯하여 온프레미스 또는 모든 제공업체에서 호스팅되는 여러 AI 모델의 통합 프런트엔드를 만드는 참조 아키텍처를 제공합니다. 모든 추론 서버가 Google Kubernetes Engine (GKE)에서 호스팅되는 경우 GKE에서 AI 추론 모델 서빙을 위한 네트워킹을 참고하세요.
이 아키텍처는 개발자가 각 모델의 개별 IP 주소를 지정하지 않고도 모델을 선택할 수 있도록 설계되었습니다. 대신 개발자는 모델 이름을 포함하는 OpenAI API 요청을 프런트엔드 엔드포인트로 전송합니다. 아키텍처의 시스템은 지정된 모델을 호스팅하는 백엔드로 요청을 라우팅합니다. 아키텍처의 프런트엔드 부하 분산기는 다음과 같은 중앙 집중식 관리 기능을 제공합니다.
- 모델 호스팅 방식과 관계없이 모든 모델 호출을 위한 단일 프런트엔드 엔드포인트
- API 관리 기능
- AI 가드레일 검문소
- 향후 확장성을 위한 Service Extensions 삽입 지점
이 문서는 새 생성형 AI 모델 또는 기존 생성형 AI 모델을 단일 추론 엔드포인트 뒤에 배치하려는 네트워크 관리자 및 생성형 AI 애플리케이션 관리자를 대상으로 합니다. 이 문서에서는 애플리케이션을 설계하거나 개별 생성형 AI 모델을 배포하는 방법에 대한 안내를 제공하지 않습니다. 모델 배포 방법에 관한 안내는 기업에서 생성형 AI 및 머신러닝 모델 빌드 및 배포를 참고하세요. 이 아키텍처는 분산 애플리케이션을 위한 크로스 클라우드 네트워크와 같은 애플리케이션 네트워킹 아키텍처 및 기타 설계와 함께 작동합니다.
아키텍처
다음 다이어그램은 소비자 네트워크의 엔드포인트가 리전 내부 애플리케이션 부하 분산기 프런트엔드를 가리키는 아키텍처를 보여줍니다. 이 부하 분산기는 지정된 모델의 이름을 사용하여 온프레미스 또는 제공업체에서 호스팅하는 모델 복제본 세트로 요청을 라우팅합니다. 프런트엔드 부하 분산기는 호스팅된 모든 모델에 통합 서비스를 제공합니다.
다이어그램에 표시된 아키텍처에는 다음 구성요소가 포함됩니다.
- Private Service Connect 추론 엔드포인트: 호스팅된 모든 모델의 통합 엔드포인트입니다. 최종 사용자가 엔드포인트 IP 주소로 추론 요청을 전송합니다. 다이어그램은 단일 소비자 가상 프라이빗 클라우드 (VPC) 네트워크의 Private Service Connect 엔드포인트를 보여줍니다. 여러 VPC 네트워크 또는 공유 서비스 VPC 네트워크에서 엔드포인트를 호스팅할 수 있습니다.
- 리전 내부 애플리케이션 부하 분산기: 이 아키텍처에서 프런트엔드 부하 분산기는 리전 내부 애플리케이션 부하 분산기입니다. 프런트엔드 부하 분산기는 요청에 지정된 모델 이름을 기반으로 트래픽을 복제본 풀로 라우팅합니다. 이 아키텍처에서 고객 애플리케이션은 부하 분산기에 OpenAI API 호출을 실행합니다. 백엔드 추론 서버가 OpenAI API와 호환되면 모든 것이 투명하게 작동합니다. 추론 서버가 OpenAI API와 호환되지 않는 경우 Service Extensions을 사용하여 API 변환기를 구현해야 합니다. 이 참조 아키텍처에는 API 트랜슬레이터 구현이 포함되지 않습니다.
- Service Extensions 콜아웃: 콜아웃을 사용하여 애플리케이션 부하 분산기에 추가 처리를 추가할 수 있습니다. 이 설계의 아키텍처에서는 다음 콜아웃을 사용합니다.
- 본문 기반 라우터: 본문 기반 라우터는 Cloud Run에 배포됩니다. OpenAI API 요청의 본문에서 모델 이름을 읽고 헤더의
X-Gateway-Model-Name필드에 씁니다. 부하 분산기 URL 맵은 이 필드를 사용하여 요청을 적절한 백엔드 서비스로 전달합니다. 이 참조 아키텍처와 함께 제공되는 Terraform 배포에는 본문 기반 라우터 구성이 포함되어 있습니다. - Apigee: API 인증, 보안, 비율 제한, 할당량 추적 및 기타 API 관리 서비스를 제공하는 API 관리자입니다. 이 아키텍처에서는 Apigee를 사용하지만 다른 옵션도 지원합니다. 부하 분산기에서 Apigee를 호출하기 위해 아키텍처와 Terraform 배포는 Service Extensions 트래픽 확장 프로그램을 사용하여 Apigee 확장 프로그램 프로세서를 호출합니다.
- Model Armor: 추론 서버에 도달하기 전에 추론 프롬프트에 대한 안전 검사를 실행하는 AI 가드레일 시스템입니다. 그런 다음 전송되는 대답에 대한 안전 검사를 실행합니다. 이 아키텍처는 AI 가드레일에 Model Armor를 사용하지만 NVIDIA NeMo Guardrails와 같은 다른 옵션도 지원합니다. 이 참조 아키텍처와 함께 제공되는 Terraform 배포에는 기본 Model Armor 구성이 포함되어 있습니다.
- 본문 기반 라우터: 본문 기반 라우터는 Cloud Run에 배포됩니다. OpenAI API 요청의 본문에서 모델 이름을 읽고 헤더의
- 백엔드 서비스: 부하 분산기는 요청의 모델 이름을 기반으로 백엔드 서비스로 요청을 라우팅합니다. 백엔드 서비스에 네트워크 엔드포인트 그룹 (NEG)이 포함되어 있습니다.
- 모델 복제본 세트: 모델 복제본은 하나 이상의 GPU 또는 TPU에 배포된 추론 서버의 사본입니다. 모델 복제본은 단일 노드 또는 멀티 노드일 수 있습니다. 복제본 세트는 부하 분산기가 앞에 있는 균일한 모델 복제본 그룹입니다. 아키텍처에서 모델 복제본은 Vertex AI, Cloud Run, 온프레미스 또는 기타 클라우드 데이터 센터의 GKE 추론 게이트웨이 뒤에 있는 Google Kubernetes Engine (GKE) 클러스터와 인터넷의 엔드포인트 뒤에 포함됩니다.
모델 복제본 세트 구성
이 아키텍처에서 프런트엔드 부하 분산기는 모델 이름을 기반으로 특정 백엔드 서비스로 트래픽을 전달합니다. 지정된 모델의 추론 서버는 다음 표에 설명된 구성 중 하나에서 호스팅할 수 있습니다.
| 복제본 세트 유형 | 설명 | 복제본 부하 분산 |
|---|---|---|
| Vertex AI | 모델 복제본은 Vertex AI에서 실행됩니다. Vertex AI 엔드포인트를 Private Service Connect 네트워크 엔드포인트 그룹 (NEG)으로 게시합니다. 프런트엔드 부하 분산기는 각 모델에 대해 Private Service Connect NEG를 백엔드로 사용하며 각 모델은 백엔드 서비스로 구성됩니다. | Vertex AI는 내부적으로 확장 및 부하 분산을 실행합니다. Vertex AI는 측정항목 기반 가중 부하 분산과 접두사 캐시 기반 라우팅을 실행하여 리소스 사용률을 최적화하고 추론을 가속화합니다. 자세한 내용은 엔드포인트에 모델 배포를 참조하세요. |
| GKE | 추론 서버는 GKE 복제본 세트 VPC 네트워크의 GKE 클러스터에서 포드로 실행됩니다. GKE 내의 여러 모델 복제본이 Inference Gateway 뒤에 있는 단일 백엔드를 집합적으로 형성합니다. 추론 게이트웨이는 프런트엔드 부하 분산기가 Private Service Connect NEG를 사용하여 액세스하는 Private Service Connect 엔드포인트를 게시합니다. | Inference Gateway는 GKE 클러스터의 추론 백엔드에 모델 인식 부하 분산을 제공합니다. 추론 게이트웨이는 해당하는 경우 접두사 일치를 사용합니다. 접두사 일치가 없으면 추론 게이트웨이는 GPU 또는 TPU 측정항목을 기반으로 요청을 분산합니다. 이 구성은 수평형 포드 자동 확장 처리를 지원합니다. |
| Cloud Run | 추론 서버는 Cloud Run에서 실행됩니다. Cloud Run은 프런트엔드 부하 분산기가 서버리스 NEG를 사용하여 액세스하는 엔드포인트를 게시합니다. | Cloud Run은 트래픽에 따라 복제본 수를 자동으로 확장합니다. 단일 노드 복제본으로만 제한됩니다. |
| 하이브리드 | 추론 서버는 온프레미스 또는 다른 클라우드에서 실행됩니다. 라우팅 VPC 네트워크에서 리전 내부 프록시 네트워크 부하 분산기를 구성합니다. 이 부하 분산기는 프런트엔드 부하 분산기가 Private Service Connect NEG를 사용하여 액세스하는 Private Service Connect 엔드포인트를 게시합니다. 라우팅 VPC 네트워크의 내부 부하 분산기에는 온프레미스 추론 서버 앞에 있는 온프레미스 또는 기타 클라우드 부하 분산기의 IP 주소를 가리키는 하이브리드 NEG 백엔드가 있습니다. | 외부 부하 분산기의 부하 분산 메커니즘은 외부 시설의 관리자가 구성합니다. |
| 인터넷 | 공개 인터넷 IP 주소에서 액세스할 수 있는 추론 서버 프런트엔드 부하 분산기에는 인터넷에 호스팅된 모델의 IP 주소를 가리키는 인터넷 NEG 백엔드가 있습니다. | 관리형 서비스 제공업체에서 확장 처리를 담당합니다. |
요청 흐름
시스템은 추론 요청을 다음과 같이 라우팅합니다.
- 최종 사용자가 Private Service Connect 엔드포인트에 OpenAI API 요청을 전송합니다. 이 요청에는 다음이 포함됩니다.
- 프롬프트입니다.
- 모델 이름입니다. 호스팅된 추론 서버 중 하나의 모델 이름과 일치해야 합니다.
- Private Service Connect 엔드포인트는 요청을 프런트엔드 내부 애플리케이션 부하 분산기로 전달합니다.
- 부하 분산기는 요청을 Service Extensions로 전달합니다.
- Service Extensions 본문 기반 라우팅 코드는 요청 본문에서 모델 이름을 읽어
X-Gateway-Model-Name헤더에 씁니다. - 부하 분산기는 Service Extensions 트래픽 확장 프로그램 콜아웃을 사용하여 필요한 API 관리 서비스에 대한 요청을 API 관리 시스템으로 전송합니다.
- 부하 분산기는 Service Extensions 트래픽 확장 프로그램 콜아웃을 사용하여 검토를 위해 프롬프트를 Model Armor로 전송합니다.
- 프롬프트에 수정할 수 없는 민감한 정보가 포함되어 있으면 프롬프트가 차단되고 Model Armor는 정책 위반이 발견되었음을 나타내는 응답을 반환합니다.
- 프롬프트에 수정할 수 있는 민감한 정보가 포함되어 있거나 프롬프트에 문제가 전혀 없는 경우 Model Armor는 민감한 정보를 수정하고 프롬프트를 전달합니다.
- Model Armor에서 요청을 허용하면 부하 분산기가 URL 맵을 참조하고 모델 이름 맞춤 헤더를 기반으로 요청을 백엔드 서비스로 전달합니다. 필요한 경우 URL 맵은 백엔드에 필요한 항목과 일치하도록 요청의 URL과 경로를 다시 작성합니다.
- 백엔드 서비스는 요청을 연결된 복제본 세트 부하 분산기로 전달합니다.
- 특정 추론 서비스의 부하 분산기는 요청을 복제본 중 하나에 할당합니다.
- 복제본은 요청을 처리하고 응답을 다시 보냅니다.
- 프런트엔드 리전 내부 애플리케이션 부하 분산기가 검사를 위해 Model Armor에 응답을 전송합니다.
- 애플리케이션 부하 분산기는 응답을 Private Service Connect 엔드포인트로 다시 보내고 최종 사용자에게 전달합니다.
다음 다이어그램은 샘플 배포의 라우팅 뷰를 보여줍니다.
이 예시에서는 사용자가 선택한 모델에 따라 프롬프트가 처리됩니다.
- Gemma: 모든 프롬프트는 Gemma 모델을 호스팅하는 복제본 세트로 라우팅됩니다.
- Llama: 시스템은 Llama 모델을 모두 호스팅하는 두 복제본 세트 간에 이러한 프롬프트를 동일하게 부하 분산합니다. 이 두 복제본 세트는 동일한 방식으로 호스팅되지 않아도 됩니다. 예를 들어 한 복제본 세트는 Vertex AI에서 호스팅되고 다른 복제본 세트는 GKE에서 호스팅될 수 있습니다.
- LoRA-1-gemma 또는 LoRA-2-gemma: 시스템은 두 모델을 모두 처리할 수 있는 동일한 복제본 세트에 모든 프롬프트를 전송합니다.
사용 제품
이 문서의 참조 아키텍처에는 다음과 같은 Google Cloud 제품이 사용됩니다.
- Cloud Load Balancing: 확장 가능한 고성능 전역 및 리전 부하 분산기 포트폴리오입니다.
- 가상 프라이빗 클라우드(VPC): Google Cloud 워크로드에 확장 가능한 전역 네트워킹 기능을 제공하는 가상 시스템입니다. VPC에는 VPC 네트워크 피어링, Private Service Connect, 비공개 서비스 액세스, 공유 VPC가 포함됩니다.
- Private Service Connect: 소비자가 VPC 네트워크 내부에서 비공개로 관리형 서비스에 액세스할 수 있도록 허용하는 기능입니다.
- Cloud Run: Google의 확장 가능한 인프라에서 직접 컨테이너를 실행할 수 있게 해주는 서버리스 컴퓨팅 플랫폼입니다.
- Apigee: API 액세스 및 사용 방식을 세부적으로 제어할 수 있는 API 관리 도구입니다. 보안, 비율 제한, 할당량 적용, 분석을 제공합니다.
- Model Armor: 프롬프트 인젝션, 민감한 정보 유출, 유해한 콘텐츠로부터 생성형 AI 및 에이전트 AI 리소스를 보호하는 서비스입니다.
설계 대안
이 섹션에서는 이 아키텍처의 기본 가정의 대안을 설명합니다.
AI 가드레일
AI 가이드라인에는 Model Armor를 사용하는 것이 좋습니다. 관리를 중앙 집중화하려면 이 아키텍처와 같이 로드 밸런서에서 직접 호출하는 것이 좋습니다. 다음과 같은 방법으로 Model Armor를 구현할 수도 있습니다.
- API 관리 정책을 사용하여 Model Armor를 호출합니다.
- 복제본에만 Model Armor를 배포합니다.
모델 엔드포인트가 아닌 다른 곳에 AI 가드레일을 구현하는 경우 Model Armor가 필요하지 않다면 프런트엔드 부하 분산기에서 Model Armor를 사용 중지할 수 있습니다. Model Armor를 사용하지 않으려면 트래픽 확장 프로그램을 사용하여 NVIDIA NeMo Guardrails와 같은 다른 가드레일 제품을 배포할 수 있습니다.
API 관리
이 문서의 아키텍처는 API 관리에 Apigee를 사용하며, 이는 부하 분산기 서비스 확장 프로그램을 사용하여 배포됩니다. Apigee가 요구사항을 충족하지 않는 경우 Service Extensions를 사용하여 다른 API 관리 서비스를 배포할 수 있습니다.
Service Extensions를 사용하여 API 관리를 배포하는 것이 요구사항을 충족하지 않는 경우 클라이언트 연결 네트워크와 API 연결 네트워크를 배포해야 할 수 있습니다. 이 시나리오에서는 API 관리 서비스가 두 네트워크 간의 브리지 역할을 합니다. Apigee에 배포하는 방법에 대한 자세한 내용은 Apigee 네트워킹 옵션을 참고하세요.
다른 네트워크에 연결
이 문서의 아키텍처는 단일 소비자 VPC 네트워크를 사용합니다. 하지만 크로스 클라우드 네트워크 배포에서 서비스 액세스 VPC 네트워크를 사용하여 Private Service Connect 엔드포인트를 다른 여러 네트워크와 공유할 수 있습니다.
설계 고려사항
워크로드의 아키텍처를 빌드할 때는 Google Cloud Well-Architected Framework에서 제공하는 권장사항과 추천을 고려하세요.
보안, 개인 정보 보호, 규정 준수
- 배포에 분산 서비스 거부 공격 (DDoS) 보호, 웹 애플리케이션 방화벽 (WAF) 기능, IP 주소 검사를 추가하려면 프런트엔드 리전 내부 애플리케이션 부하 분산기에 Cloud Armor를 추가하세요.
- 모든 백엔드에 공통 인증 레이어를 추가하려면 Identity-Aware Proxy (IAP)를 구현하여 ID를 확인하고 승인 정책을 적용하세요.
- 웹 애플리케이션에서 Vertex AI 모델로 트래픽을 라우팅할 때는 인증을 위한 ID 모델을 선택해야 합니다.
- 서비스 계정 ID (일반 웹 앱에 권장): 애플리케이션이 IAP를 통해 최종 사용자를 인증하지만 서비스 워크로드 아이덴티티 (예: Cloud Run, GKE 또는 서드 파티 ID 사용)를 사용하여 Vertex AI를 호출합니다. 이 구현은 최종 사용자로부터 Identity and Access Management (IAM)를 추상화하지만, 어떤 사용자가 어떤 프롬프트를 생성했는지 추적하려면 애플리케이션 수준 로깅이 필요합니다.
- 최종 사용자 ID 전달 (엄격한 감사 가능성을 위해 권장됨): 애플리케이션이 최종 사용자의 Google OAuth 액세스 토큰을 캡처하여
Authorization: Bearer헤더에서 Vertex AI로 직접 전달합니다. 이 구현은 사용자 작업의 기본 제공 Cloud 감사 로그 로깅을 제공하지만 모든 최종 사용자에게 Google CloudIAM 권한 (예:roles/aiplatform.user)이 프로비저닝되어야 합니다.
안정성
리전 장애를 방지하려면 Google Cloud 멀티 리전 배포 원형을 사용하여 배포를 두 번째 리전에 복제하세요.
운영 효율성
- 문제를 신속하게 식별하고 해결할 수 있도록 트래픽 흐름을 모니터링하려면 리전 내부 애플리케이션 부하 분산기에 Cloud Logging 로그를 사용하세요.
- 조직에서 지원하는 모델을 쉽게 찾을 수 있도록 사용 가능한 모델을 반환하는 쿼리 가능한 목록을 구현하세요. 예를 들어 모델 목록 API 호출에 응답하는 서버에서 목록을 만들 수 있습니다.
성능 최적화
- Cloud Run: 더 빠른 인스턴스 시작을 지원하려면 컨테이너 이미지에 모델 가중치를 저장하세요.
- GKE: GKE의 추론 권장사항 개요의 권장사항을 따르세요.
배포
이 아키텍처의 샘플 구현을 배포하려면 GitHub에서 제공되는 AI 추론 모델 제공을 위한 네트워킹 코드 샘플을 사용하세요.
AI 모델을 배포하는 방법에 대한 자세한 내용은 다음 리소스를 참고하세요.
다음 단계
- 배포에 검색 증강 생성을 추가하는 방법은 RAG 지원 생성형 AI 애플리케이션의 비공개 연결을 참고하세요.
- 그 밖의 참조 아키텍처, 다이어그램, 튜토리얼, 권장사항을 알아보려면 클라우드 아키텍처 센터를 확인하세요.
참여자
작성자: 빅터 모레노 | 제품 관리자, Cloud Networking
기타 참여자: