IOPS

IOPS를 측정하기 위해 다양한 벤치마크 도구가 사용된다. 이러한 도구들은 특정 작업 부하를 생성하여 저장 장치가 초당 처리할 수 있는 입출력 연산 수를 정량적으로 평가한다. 대표적인 도구로는 fio(Flexible I/O Tester), Iometer, 그리고 CrystalDiskMark 등이 있다. 각 도구는 서로 다른 테스트 프로파일, 큐 깊이 설정, 데이터 블록 크기 조정 기능을 제공하여 다양한 시나리오에서의 성능을 측정할 수 있게 한다.

주요 벤치마크 도구의 특징은 다음과 같다.

측정 시에는 도구의 설정이 결과에 큰 영향을 미친다. 테스트할 데이터 블록 크기(예: 4KB, 8KB, 128KB), 읽기/쓰기 비율(예: 100% 읽기, 70% 읽기/30% 쓰기), 랜덤 액세스와 순차 액세스의 비율, 그리고 큐 깊이를 신중하게 선택해야 한다. 이러한 매개변수는 실제 애플리케이션의 동작을 모방하도록 설정되는 것이 일반적이다. 예를 들어, 온라인 트랜잭션 처리 데이터베이스는 작은 블록 크기의 랜덤 읽기/쓰기 작업이 많으므로 4KB 또는 8KB 블록으로 테스트한다.

IOPS 측정은 단순히 높은 수치를 기록하는 것이 목적이 아니라, 실제 작업 부하를 얼마나 잘 반영하는지가 중요하다. 따라서 측정 시에는 여러 가지 요소를 신중히 고려해야 한다.

가장 먼저 고려해야 할 점은 측정에 사용되는 작업 부하의 특성이다. 임의 읽기와 순차 쓰기는 성능 특성이 완전히 다르다. 대부분의 벤치마크 도구는 블록 크기, 읽기/쓰기 비율, 큐 깊이 등을 사용자가 정의할 수 있도록 한다. 예를 들어, 온라인 트랜잭션 처리 환경은 작은 블록 크기와 높은 비율의 임의 읽기 작업이 특징인 반면, 비디오 스트리밍 서버는 큰 블록 크기의 순차 읽기 작업이 주를 이룬다. 측정하고자 하는 실제 환경의 작업 부하 패턴을 정확히 모방하지 않으면, 측정된 IOPS 수치는 현실과 동떨어진 의미 없는 숫자에 불과할 수 있다.

또한, 측정 환경과 조건을 통제하는 것이 필수적이다. 측정은 대상 저장 장치가 안정된 상태에 도달한 후 진행해야 한다. 많은 SSD는 초기에는 높은 성능을 보이다가 쓰기 캐시가 가득 차거나 쓰기 증폭 등의 영향으로 성능이 저하되는 경우가 있다. 측정 시간도 충분히 길어야 일시적인 버스트 성능이 아닌 지속적인 성능을 평가할 수 있다. 백그라운드에서 실행 중인 다른 응용 프로그램이나 시스템 프로세스는 측정 결과에 간섭을 일으킬 수 있으므로, 가능한 한 깨끗한 상태에서 측정을 수행해야 한다.

마지막으로, IOPS는 단일 지표로 저장 시스템의 성능을 완전히 평가할 수 없다는 점을 인지해야 한다. 높은 IOPS 수치가 반드시 좋은 사용자 경험을 보장하지는 않는다. 예를 들어, IOPS는 높지만 지연 시간이 매우 불안정하거나 긴 경우, 실제 응용 프로그램의 반응 속도는 느려질 수 있다. 따라서 IOPS 측정은 항상 처리량과 지연 시간, 특히 꼬리 지연 시간과 같은 다른 핵심 지표와 함께 종합적으로 분석되어야 한다.

IOPS 성능은 사용되는 저장 매체의 물리적 및 기술적 특성에 가장 큰 영향을 받는다. 전통적인 HDD는 회전하는 자기 디스크와 이동식 헤드를 사용하기 때문에, 랜덤 액세스 시 헤드의 이동 시간과 디스크의 회전 대기 시간이 발생하여 IOPS가 제한된다. 일반적인 엔터프라이즈 HDD의 랜덤 IOPS는 수백 회를 넘기 어렵다. 반면, 플래시 메모리 기반의 SSD는 전자적 방식으로 데이터에 접근하므로 기계적 지연이 없어 훨씬 높은 IOPS를 제공한다. SATA 인터페이스의 SSD는 수만 IOPS, NVMe 프로토콜과 PCIe 버스를 사용하는 SSD는 수십만에서 수백만 IOPS에 달하는 성능을 보인다.

저장 매체의 계층 구조와 기술 발전도 IOPS에 영향을 미친다. SLC, MLC, TLC, QLC와 같은 NAND 플래시의 셀 타입은 내구성과 비용, 그리고 성능에 차이를 만든다. 일반적으로 셀당 비트 수가 적은 SLC가 가장 높은 성능과 내구성을 보이지만, 가격이 비싸다. 최근에는 3D NAND 기술을 통해 셀을 수직으로 적층하여 밀도와 성능을 동시에 향상시키고 있다. NVMe는 AHCI 프로토콜을 대체하여 명령 대기열 깊이와 효율성을 극적으로 개선했으며, PCIe 4.0, 5.0과 같은 고대역폭 버스와 결합되어 저장 매체의 IOPS 잠재력을 최대한 끌어올린다.

다양한 저장 매체의 예상 랜덤 읽기 IOPS 성능 범위는 다음과 같이 비교할 수 있다.

이 외에도, DRAM 기반의 휘발성 메모리 저장 장치나 스토리지 클래스 메모리와 같은 새로운 기술은 램디스크나 캐시 계층으로 사용되어 마이크로초 단위의 지연 시간과 수백만 IOPS를 실현하기도 한다.

작업 부하 특성은 IOPS 성능에 직접적이고 큰 영향을 미치는 핵심 요소 중 하나이다. 저장 장치에 요청되는 입출력 작업의 패턴과 특성에 따라 실제 측정되는 IOPS 값은 크게 달라진다.

주요 작업 부하 특성은 크게 읽기/쓰기 비율, 임의 접근/순차 접근 비율, 입출력 요청 크기로 구분된다. 읽기 작업은 일반적으로 쓰기 작업보다 높은 IOPS를 보인다. 특히 플래시 메모리 기반 SSD의 경우 쓰기 작업은 쓰기 증폭이나 가비지 컬렉션 등의 오버헤드로 인해 성능이 저하될 수 있다. 임의 접근 작업은 저장 매체의 물리적 헤드 이동이나 셀 간 접근 지연이 발생하여 순차 접근 작업에 비해 IOPS가 낮아지는 경향이 있다. 또한 입출력 요청의 블록 크기가 작을수록(예: 4KB) 초당 처리할 수 있는 작업 수(IOPS)는 증가하지만, 데이터 전송률(처리량)은 감소한다.

이러한 특성들은 실제 애플리케이션 환경에 따라 복합적으로 작용한다. 예를 들어, OLTP 데이터베이스는 대부분 작은 크기의 임의 접근 읽기/쓰기 작업을 생성하는 반면, 데이터 웨어하우스나 비디오 스트리밍 서버는 대용량의 순차 접근 작업이 주를 이룬다. 따라서 특정 저장 장치의 성능을 평가할 때는 대상 응용 분야의 대표적인 작업 부하를 모방한 벤치마크를 수행하는 것이 필수적이다.

시스템의 물리적 구성은 IOPS 성능에 직접적인 영향을 미친다. RAID 레벨 선택은 대표적인 요소로, RAID 0은 스트라이핑을 통해 높은 IOPS를 제공하지만 내결함성이 없으며, RAID 1이나 RAID 10은 미러링으로 인해 쓰기 IOPS가 감소하는 대신 안정성을 확보한다. RAID 5나 RAID 6은 패리티 계산으로 인한 쓰기 성능 저하가 발생한다. 또한, HBA나 RAID 컨트롤러의 성능과 캐시 메모리 크기, 그리고 SSD의 경우 NVMe와 SATA 또는 SAS 같은 인터페이스 종류도 처리 가능한 IOPS의 상한을 결정한다.

운영체제 및 파일 시스템의 설정 또한 중요하다. 파일 시스템의 블록 크기(Block Size)는 I/O 작업의 효율성을 좌우한다. 큰 블록 크기는 대용량 순차 읽기/쓰기에 유리하지만, 작은 파일이 많은 환경에서는 저장 공간이 낭비되고 IOPS 성능이 떨어질 수 있다. 운영체제의 I/O 스케줄러 알고리즘은 I/O 요청을 재정렬하고 병합하는 방식을 관리하여 지연 시간과 처리 효율에 영향을 준다. 또한, 애플리케이션 수준에서의 I/O 접근 패턴(예: 동기식 vs 비동기식)과 메모리 캐싱 정책도 실제 측정되는 IOPS 값을 변화시킨다.

네트워크 구성은 스토리지가 네트워크에 연결된 경우 핵심 변수로 작용한다. SAN 환경에서 파이버 채널의 대역폭과 HBA 포트 수, 또는 iSCSI를 사용할 경우 네트워크 스위치의 성능과 TCP/IP 오프로드 엔진의 유무는 IOPS 전달의 병목 지점이 될 수 있다. 충분하지 않은 대역폭이나 높은 네트워크 지연은 디스크 자체의 성능이 아무리 높아도 전체 시스템 IOPS를 제한한다.

IOPS는 초당 입출력 연산 횟수를 의미하는 반면, 처리량(Throughput)은 일반적으로 초당 전송되는 데이터의 총량을 나타내며, 주로 MB/s나 GB/s와 같은 단위로 측정된다. 두 지표는 저장 시스템의 성능을 평가하는 핵심 척도이지만, 서로 다른 측면을 강조한다. IOPS는 저장 장치가 초당 얼마나 많은 개별 입출력 요청을 처리할 수 있는지를 보여주는 반면, 처리량은 데이터 전송의 총 대역폭에 초점을 맞춘다.

처리량은 입출력 요청의 평균 크기와 IOPS 값에 의해 결정된다. 일반적으로 다음과 같은 관계가 성립한다: 처리량(MB/s) ≈ IOPS × 평균 입출력 크기(KB) / 1024. 따라서 큰 블록 크기로 순차적 읽기/쓰기를 수행하는 작업은 높은 처리량을 기록하는 경향이 있다. 반면, 작은 블록 크기의 무작위 입출력 작업은 IOPS는 낮을 수 있지만, 처리량 역시 제한될 수 있다.

응용 분야에 따라 IOPS와 처리량 중 어느 지표가 더 중요한지는 달라진다. 온라인 트랜잭션 처리 시스템은 낮은 지연 시간과 높은 IOPS가 필수적이며, 처리량은 상대적으로 덜 중요할 수 있다. 반면, 미디어 편집, 데이터 백업, 고성능 컴퓨팅과 같은 대용량 데이터 처리 작업은 높은 처리량이 성능의 핵심 요소가 된다. 따라서 성능 최적화 시 목표 작업 부하의 특성을 분석하여 적절한 지표에 집중하는 것이 중요하다.

지연 시간(Latency)은 저장 장치가 하나의 입출력 요청을 받아서 처리 완료까지 걸리는 시간을 의미한다. 단위는 일반적으로 밀리초(ms)를 사용한다. 이는 IOPS와 함께 저장 시스템의 성능을 평가하는 핵심 지표 중 하나이다. 높은 IOPS 수치가 반드시 낮은 지연 시간을 보장하지는 않으며, 두 지표는 서로 다른 성능 특성을 나타낸다.

지연 시간은 일반적으로 다음과 같은 여러 단계로 구성된다.

응용 프로그램의 사용자 경험에 직접적인 영향을 미치는 것은 평균 지연 시간보다는 99번째 백분위수(P99)와 같은 높은 백분위수의 지연 시간이다. 예를 들어, 데이터베이스에서 한 번의 높은 지연 시간을 가진 쿼리가 전체 시스템의 처리량을 급격히 저하시킬 수 있다[3].

IOPS와 지연 시간은 일반적으로 트레이드오프 관계에 있다. 시스템에 부하가 증가하면 초기에는 IOPS가 증가하면서도 지연 시간은 완만하게 상승한다. 그러나 특정 임계점을 넘어서면 대기열 길이가 급격히 늘어나면서 지연 시간이 기하급수적으로 증가하고, IOPS는 포화 상태에 이르게 된다. 따라서 성능 튜닝의 목표는 목표 IOPS를 달성하면서도 허용 가능한 지연 시간 범위 내에서 시스템을 운영하는 것이다.

하드웨어 수준의 IOPS 최적화는 주로 저장 매체의 성능 한계를 극복하고 병목 현상을 해결하는 데 초점을 맞춘다. 가장 근본적인 방법은 HDD 대신 SSD나 NVMe 기반의 저장 장치를 채택하는 것이다. 특히 NVMe는 SATA나 SAS 인터페이스보다 훨씬 높은 대역폭과 낮은 지연 시간을 제공하여 IOPS를 획기적으로 향상시킨다. 대규모 환경에서는 여러 개의 SSD를 RAID 어레이로 구성하여 병렬 I/O 처리 능력을 높이는 전략이 일반적이다. RAID 0 스트라이핑은 데이터를 여러 드라이브에 분산시켜 읽기/쓰기 성능을 극대화하지만, 내결함성을 제공하지 않는 단점이 있다.

저장 장치 외에도 시스템의 다른 구성 요소가 IOPS에 영향을 미친다. 충분한 양의 RAM은 운영 체제와 애플리케이션이 자주 액세스하는 데이터를 캐시할 수 있게 하여 실제 디스크 I/O 횟수를 줄인다. CPU의 성능과 코어 수 또한 I/O 요청을 처리하는 속도에 직결된다. 고속의 PCI Express 버스는 NVMe SSD가 본래의 성능을 발휘할 수 있는 통로 역할을 한다. 네트워크 기반 저장소를 사용하는 경우, 네트워크 인터페이스 컨트롤러의 속도(예: 10GbE, 25GbE)와 스위치의 성능이 전체 IOPS를 결정하는 핵심 요소가 된다.

RAID 구성은 IOPS 성능에 직접적인 영향을 미친다. RAID 0은 스트라이핑을 통해 여러 디스크에 데이터를 분산시켜 읽기 및 쓰기 성능을 향상시키지만, 내결함성을 제공하지 않는다. RAID 1이나 RAID 10은 미러링을 통해 쓰기 성능에는 일부 제약이 있을 수 있으나, 읽기 성능과 안정성을 높인다. RAID 5나 RAID 6은 패리티 계산으로 인한 쓰기 병목 현상이 발생할 수 있어, 쓰기 집약적인 작업 부하에서는 IOPS가 저하될 수 있다. 작업 부하의 특성(읽기/쓰기 비율, 임의/순차 접근 패턴)에 맞는 RAID 레벨을 선택하는 것이 중요하다.

파일 시스템의 선택과 설정도 중요한 요소이다. 저널링 파일 시스템은 데이터 무결성을 보장하지만, 저널에 대한 추가 쓰기 작업으로 인해 순수 IOPS 성능에는 미세한 오버헤드가 발생할 수 있다. 파일 시스템의 블록 크기를 애플리케이션의 일반적인 I/O 요청 크기에 맞게 조정하면, 불필요한 읽기/쓰기 작업을 줄여 효율성을 높일 수 있다. 또한, 운영체제의 I/O 스케줄러를 변경하거나, 애플리케이션 수준에서 비동기 I/O 또는 다중 스레드를 활용하여 I/O 요청을 병렬화하면 지연 시간을 줄이고 전체 IOPS 처리 능력을 향상시킬 수 있다.

데이터 배치와 캐싱 전략은 소프트웨어적 최적화의 핵심이다. 핫스팟이 될 수 있는 자주 접근하는 데이터를 고성능 저장 장치(SSD 또는 NVMe)에 배치하는 계층화 저장소 전략을 적용할 수 있다. 애플리케이션 또는 데이터베이스 수준에서 효과적인 캐싱 메커니즘을 구현하면, 물리적 저장 장치에 대한 I/O 요청 수를 크게 줄여 IOPS 부하를 완화하고 전반적인 응답 속도를 개선한다. 데이터베이스의 경우, 쿼리 최적화, 적절한 인덱싱, 그리고 로그 파일과 데이터 파일을 다른 물리적 드라이브에 분리하는 것만으로도 상당한 성능 향상을 기대할 수 있다.

데이터베이스 시스템은 IOPS에 매우 민감한 대표적인 응용 분야이다. 데이터베이스의 핵심 작업인 트랜잭션 처리, 쿼리 실행, 인덱스 스캔, 로그 파일 기록 등은 대부분 작은 크기의 임의 접근 읽기 및 쓰기 작업으로 구성된다. 특히 OLTP 시스템에서는 초당 수천에서 수만 건의 짧은 트랜잭션을 처리해야 하므로, 높은 IOPS 성능은 전체 시스템의 처리량과 응답 시간을 결정하는 핵심 요소이다. 낮은 IOPS는 데드락이나 타임아웃 발생 빈도를 높여 시스템 안정성을 해칠 수 있다.

데이터베이스의 다양한 구성 요소는 서로 다른 IOPS 특성을 보인다. 데이터 파일에 대한 접근 패턴은 주로 임의 접근이지만, 트랜잭션 로그나 리두 로그 기록은 순차 쓰기 작업에 가깝다. 데이터 웨어하우스나 OLAP 시스템의 경우, 대용량 데이터를 스캔하는 순차 읽기 작업이 많아 처리량이 더 중요한 지표가 될 수 있다. 그러나 인덱스를 통한 조회나 집계 연산 중 발생하는 임의 접근 역시 성능에 영향을 미친다.

일반적인 데이터베이스 시스템의 IOPS 요구사항은 워크로드의 규모와 복잡도에 따라 크게 달라진다. 중소규모 웹 애플리케이션의 백엔드 데이터베이스는 수백에서 수천 IOPS를 요구할 수 있는 반면, 대규모 금융 거래 시스템이나 전자상거래 플랫폼의 핵심 데이터베이스는 수만에서 수십만 IOPS를 필요로 한다. 이러한 높은 요구사항을 충족시키기 위해 SSD나 NVMe 기반의 고성능 스토리지를 사용하거나, 메모리 내 데이터베이스 기술을 도입하는 것이 일반적이다.

데이터베이스 성능을 위한 IOPS 최적화는 스토리지 선택뿐만 아니라 시스템 설계와도 깊이 연관된다. 적절한 인덱싱 전략은 불필요한 디스크 I/O를 줄여 IOPS 부하를 경감시킨다. 쿼리 최적화를 통해 비효율적인 풀 테이블 스캔을 방지할 수 있다. 또한, 데이터베이스의 로그 버퍼나 캐시 크기를 조정하여 물리적 I/O 빈도를 줄이는 소프트웨어적 튜닝도 중요하다.

가상화 환경은 물리적 서버 하나에서 여러 개의 가상 머신이 동시에 실행되는 구조이기 때문에, 저장 장치에 대한 입출력 요청이 집중되고 복잡해지는 특징이 있습니다. 하이퍼바이저는 모든 가상 머신의 I/O 요청을 중재하고 물리적 저장 장치로 전달하는 역할을 수행하므로, 이 과정에서 추가적인 오버헤드가 발생할 수 있습니다. 따라서 가상화 환경에서는 높은 IOPS 성능이 필수적이며, 이를 통해 각 가상 머신의 응답성과 전체 시스템의 안정성을 보장합니다.

가상화 환경의 IOPS 요구사항은 워크로드의 종류에 따라 크게 달라집니다. 일반적인 VDI 환경에서는 다수의 사용자가 동시에 부팅하거나 응용 프로그램을 실행할 때 많은 양의 작은 임의 읽기 작업이 발생하므로 높은 임의 읽기 IOPS가 중요합니다. 반면, 서버 가상화 환경에서 데이터베이스를 구동하는 가상 머신은 쓰기 작업의 비중이 높고, I/O 패턴이 예측하기 어려울 수 있어 균형 잡힌 읽기/쓰기 성능과 낮은 지연 시간이 요구됩니다.

가상화 환경의 IOPS 성능을 확보하기 위한 일반적인 접근법은 다음과 같습니다.

이러한 기법들을 통해, 제한된 물리적 자원 위에서 다수의 가상 머신이 요구하는 예측 가능하고 안정적인 IOPS 성능을 제공할 수 있습니다. 특히, 올플래시 스토리지의 보급은 가상화 환경의 IOPS 병목 현상을 해소하는 데 크게 기여했습니다.

고성능 컴퓨팅은 슈퍼컴퓨터나 컴퓨터 클러스터를 활용하여 방대한 양의 데이터를 처리하거나 복잡한 과학적, 공학적 계산을 수행하는 분야이다. 이러한 환경에서는 병렬 처리를 통해 수천, 수만 개의 프로세서 코어가 동시에 작업을 실행하며, 이 과정에서 스토리지 시스템에 대한 집중적이고 예측 가능한 입출력 요청이 발생한다. 따라서 IOPS는 전체 시스템 성능과 작업 완료 시간을 결정하는 핵심 요소 중 하나이다.

고성능 컴퓨팅의 전형적인 작업 부하인 체크포인팅은 IOPS에 매우 높은 요구를 부과한다. 체크포인팅은 장시간 실행되는 시뮬레이션 작업의 중간 상태를 주기적으로 저장 장치에 기록하는 과정으로, 수천 개의 컴퓨팅 노드가 거의 동시에 대용량의 데이터를 저장 시스템에 쓰기 작업을 수행한다. 이는 극도로 높은 수준의 순차 쓰기 및 랜덤 쓰기 IOPS를 필요로 하며, 지연 시간이 길거나 처리량이 부족할 경우 전체 계산 작업이 멈추는 병목 현상이 발생할 수 있다.

다양한 고성능 컴퓨팅 응용 분야별로 IOPS 요구 수준은 상이하다. 대규모 과학적 시뮬레이션이나 기상 예측은 앞서 언급한 체크포인팅으로 인해 쓰기 중심의 높은 IOPS가 필요하다. 반면, 유전체 분석이나 데이터 마이닝과 같은 데이터 집약적 작업은 분석을 위해 대용량 데이터 세트를 스토리지에서 읽어야 하므로, 높은 읽기 IOPS와 처리량이 동시에 요구된다. 이러한 요구사항을 충족시키기 위해 고성능 컴퓨팅 스토리지는 종종 고속 네트워크로 연결된 병렬 파일 시스템을 구축한다.

따라서 고성능 컴퓨팅 환경을 설계할 때는 목표 워크로드의 입출력 패턴을 정확히 분석하고, 이에 맞는 충분한 IOPS 성능을 제공할 수 있는 스토리지 아키텍처를 선택하는 것이 필수적이다.