[2026-05-11 | D-Log] 고장 나야 출동하던 엔지니어, 어떻게 사고 전에 도착하게 됐을까? : 파넷(Fahnet)의 데이터 기반 네트워크 혁신

인터넷 회선이 새벽에 끊긴다. 가입자 항의 전화가 콜센터로 몰리는 사이 현장 엔지니어는 어디서 고장이 났는지 모른 채 차에 오른다. 장비를 뜯어 보고 나서야 원인을 찾는 일이 반복되면서 유지보수 예산은 매년 불어난다. 응답 시간은 길어지고, 가입자는 다른 회선으로 옮겨 간다. 인터넷 서비스 제공업체에 가동 중단은 매출이 곧장 빠지는 사고다. 장비 한 대가 멈춰도 수천 회선이 영향을 받는다. 현장은 알람이 울린 다음에야 움직이는 사후 대응 체계로 굴러갔다.

파넷 인터넷 서비스(Fahnet Internet Services)가 정확히 그 자리에 서 있었다. 네트워크 관리 시스템은 사후 알람만 띄웠지, 어느 구간에서 장애가 곧 일어날지는 알려 주지 않았다. 엔지니어가 알람을 받고 움직이는 사이 가입자 체감 속도는 이미 떨어졌다. 유지보수 비용은 줄지 않고 응답 시간만 늘었다. 예측 능력이 빠진 운영 체계 아래에서 비용만 불어났다. 장애를 미리 가늠할 수 없으니 자원 배치는 늘 한 발 늦었고, 같은 장비에서 같은 장애가 되풀이됐다.

해결의 출발점은 그동안 쌓아 둔 운영 데이터였다. 장비별 가동 시간, 장애 발생 시점, 트래픽 변동, 자원 사용량 같은 항목이 구조화된 형태로 정리돼 있었다. 분석팀은 운영 활동을 기록한 데이터셋을 그대로 끌어와 작업 환경에 올렸다. 흩어져 있던 로그가 한 테이블로 모이자 장애가 일어나기 직전에 어떤 지표가 흔들렸는지 살펴볼 길이 열렸다. 새 데이터를 모으는 대신, 이미 쌓인 기록을 다시 읽는 데서 첫 단추를 끼운 셈이다.

작업은 파이썬(Python) 분석 환경에서 진행됐다. 먼저 탐색적 데이터 분석(exploratory data analysis, EDA)으로 변수 분포와 결측, 이상치를 훑었다. 이어 회귀 모델링으로 트래픽, 가동 시간, 유지보수 이력 같은 변수가 장애 빈도와 어떻게 맞물리는지 계수로 정리했다. 그 결과를 예측 분석에 넘겨, 어떤 장비가 며칠 안에 문제를 일으킬 확률이 높은지 점수로 매겼다. 점수가 높은 장비부터 부품 교체와 인력 배치를 미리 잡았다. 알람을 기다리지 않고 모델이 가리키는 곳으로 먼저 움직인 것이다.

예측 유지보수가 굴러가려면 조건이 맞아야 한다. 운영 데이터가 같은 양식으로 꾸준히 쌓이고, 비용과 가동 시간 같은 핵심 지표가 먼저 정의돼 있어야 한다. 지표가 모호하면 모델이 무엇을 줄여야 하는지 가늠하지 못한다. 파이썬 같은 분석 도구 환경도 함께 갖춰야 한다. 데이터 품질이 떨어지거나 모델이 실제 현장의 변수를 반영하지 못하면 예측 점수는 빗나간다. 사후 대응을 사전 대응으로 바꾸는 일은 새 알고리즘이 아니라 데이터를 정돈하는 데서 출발한다.

운영 방식이 바뀌자 비용이 먼저 줄었다. 파넷은 운영 비용을 15-25% 절감했다. 네트워크 가동 시간이 늘고, 장애 발생 뒤 응답 시간도 짧아졌다. 가입자가 체감하는 서비스 신뢰성 역시 함께 올랐다. 엔지니어는 알람을 쫓아가는 대신 모델이 매긴 점수가 높은 장비를 먼저 점검하는 일정으로 움직였다. 그 결과 같은 인력으로 더 많은 회선을 안정적으로 유지하는 운영 체계가 자리 잡았다. 사고가 터진 뒤 달려가는 현장이, 사고가 나기 전에 도착하는 현장으로 바뀌었다.

참고 출처

• 참고자료 바로가기

AI-Enabled Business Transformation for Operational Efficiency: A Case Study of Fahnet Internet Services – IJCOPE Journal