개요

개인 소유 하드웨어(MacBook 2대)와 VMware 가상머신 3대를 결합해 구축한 실제 분산 컴퓨팅 환경. 클라우드가 아닌 온프레미스 인프라 위에서 경량 쿠버네티스(K3s) 클러스터를 직접 구성하고, 그 위에 실시간 표적 추적 및 AI 기반 위협 분석 파이프라인을 운용했습니다.

표적·위협 패턴·요격 자산 등 국방 도메인 데이터는 전부 시뮬레이션입니다. 이 프로젝트의 목적은 실전 배치가 아니라, 그 시나리오를 통해 온프레미스 분산 인프라와 AI 파이프라인을 실제로 설계·운영하면서 부딪힌 제약(하드웨어·비용)과 그에 대한 판단 과정, 실제로 발견·수정한 프로덕션 이슈를 보여주는 데 있습니다 (자세한 포지셔닝 근거는 AX-Portfolio-Positioning-Strategy.md).

인프라 구성

애플리케이션 스택

• Spring Boot 마이크로서비스 — 표적 추적 도메인 로직, REST/이벤트 기반 서비스 분리
• Kafka — 실시간 표적 위치/상태 이벤트 스트리밍 파이프라인
• PostgreSQL + pgvector — 임베딩 기반 유사도 검색을 활용한 AI 위협 분석 데이터 저장
• K3s — 리소스가 제한된 VM 환경에 최적화된 경량 오케스트레이션

AI 마이크로서비스 확장 — threat-intel-ai-service

기존 target-tracking-service(Java/Spring AI)는 실시간 단일 표적을 고정된 10개 위협 패턴 지식베이스와 비교하는 RAG만 지원했다. 비정형 위협 인텔 문서 검색과 실제 탐지 이력 기반 분석이라는 두 가지 빈틈을 메우기 위해, 별도 저장소로 Python AI 전용 마이크로서비스를 폴리글랏 구조로 추가했다 (threat-intel-ai-service).

아키텍처

• FastAPI + LangGraph — 질문을 doc_rag(문서 검색) / pattern_search(이력 검색) 두 갈래로 자동 분류 후 라우팅, SSE로 실시간 스트리밍 응답
• Qdrant — 문서 청크·임베딩 저장(threat_documents), Kafka로 유입되는 실제 탐지 이력 임베딩 저장(target_history) — 독립된 두 벡터 컬렉션
• Kafka — 기존 target-tracking 토픽을 별도 consumer group으로 구독, Java 서비스와 오프셋 독립적으로 이력 자동 색인
• Gemini API — 임베딩·생성 모두 API 기반, 로컬 GPU/모델 리소스 불필요

CI/CD & 배포

• GitHub Actions(arm64 네이티브 빌드) → Docker Hub → ArgoCD Image Updater로 이미지 digest 변경을 자동 감지 → GitOps 리포에 write-back 커밋 → 클러스터 자동 반영까지 사람 개입 없이 동작하는 걸 실측 검증 (docs/Threat-Intel-AI-Service-K3s-Deployment.md)
• 클러스터 노드별 실측 리소스(kubectl top)를 근거로 배치 노드를 설계, podAntiAffinity로 기존 워크로드와 분리 스케줄링 (docs/Threat-Intel-AI-Service-Cost-and-Resource-Verification.md)