왜 지금 Arm인가, 그리고 왜 BMW 사례를 봐야 하는가
솔직히 말해서 "Arm으로 옮기면 비용 절감된다"는 얘기는 이제 새롭지 않죠. 문제는 어떻게 안전하게, 서비스 중단 없이, 팀별 속도에 맞춰 옮기느냐입니다. BMW 커넥티드 컴퍼니(산하 2,450만 대 커넥티드카 서비스 운영)가 2024년부터 진행한 마이그레이션은 바로 그 "어떻게"에 대한 답을 줍니다.
이 글의 핵심은 세 가지예요.
- Karpenter 기반 동적 노드 프로비저닝으로 아키텍처 전환의 발판을 먼저 만든다
- 듀얼 빌드 파이프라인(x86 + Arm 동시 빌드)으로 팀이 각자 타이밍에 옮길 수 있게 한다
- taint/toleration 기반 옵트인 스케줄링으로 사고를 원천 차단한다
일일 13만 건 이상의 빌드/배포가 돌아가는 플랫폼에서 이걸 해냈다는 점이 실무적으로 가장 참고할 만한 부분입니다.

핵심 메커니즘: 듀얼 아키텍처 이미지와 옵트인 스케줄링
1) 멀티아키 이미지: 태그 하나로 amd64/arm64 모두 커버
가장 먼저 부딪히는 벽은 "이미지가 두 아키텍처를 모두 지원해야 한다"는 점이에요. BMW 팀은 두 가지 빌드 방식을 병행했습니다.
- 에뮬레이션 빌드: Docker Buildx + QEMU로 단일 러너에서 모든 아키텍처 빌드
- 네이티브 빌드: Graviton 러너에서 arm64를 직접 빌드
두 방식 모두 **manifest list(OCI image index)**를 퍼블리시하면, 컨테이너 런타임이 노드 아키텍처에 맞는 variant를 자동 선택합니다. 즉 태그 하나로 끝.
# GitHub Actions 워크플로 예시 (주석: 아키텍처별 네이티브 빌드 + 인덱스 생성)
jobs:
build-amd64:
runs-on: ubuntu-latest
steps:
- uses: actions/checkout@v4
- name: Build & push amd64
run: |
docker buildx build \
--platform linux/amd64 \
-t ${{ env.REGISTRY }}/app:${{ github.sha }}-amd64 \
--push .
build-arm64:
runs-on: [self-hosted, graviton, arm64] # Graviton 러너 라벨
steps:
- uses: actions/checkout@v4
- name: Build & push arm64
run: |
docker buildx build \
--platform linux/arm64 \
-t ${{ env.REGISTRY }}/app:${{ github.sha }}-arm64 \
--push .
create-manifest:
needs: [build-amd64, build-arm64]
runs-on: ubuntu-latest
steps:
- name: Create & push multi-arch manifest
run: |
docker manifest create ${{ env.REGISTRY }}/app:${{ github.sha }} \
--amend ${{ env.REGISTRY }}/app:${{ github.sha }}-amd64 \
--amend ${{ env.REGISTRY }}/app:${{ github.sha }}-arm64
docker manifest push ${{ env.REGISTRY }}/app:${{ github.sha }}
실무 팁: 의존성 다운로드가 많거나 빌드 시간이 긴 프로젝트는 QEMU 에뮬레이션 오버헤드가 치명적입니다. 이 경우 반드시 네이티브 빌드 경로를 쓰세요. 반대로 단순한 Dockerfile은 에뮬레이션 경로로 러너 비용을 아끼는 게 낫습니다.
2) 프라이빗 레지스트리 미러링: Crane으로 아키텍처 필터링
퍼블릭 이미지를 Amazon ECR로 미러링할 때, Google Crane을 쓰면 필요한 플랫폼만 필터링해서 전송합니다. 불필요한 아키텍처 이미지가 스토리지를 낭비하는 걸 막아주죠.
# Crane으로 arm64/amd64만 필터링해 미러링
crane copy \
--platform linux/amd64,linux/arm64 \
public.ecr.aws/nginx/nginx:1.27 \
$ECR_REPO/nginx:1.27
3) taint 기반 옵트인 스케줄링
가장 중요한 안전장치입니다. Graviton 노드풀에 taint를 걸어두고, 준비된 워크로드만 toleration + nodeSelector로 명시적으로 진입하게 합니다.
# Graviton NodePool (Karpenter)
apiVersion: karpenter.sh/v1
kind: NodePool
metadata:
name: graviton-pool
spec:
template:
spec:
requirements:
- key: kubernetes.io/arch
operator: In
values: ["arm64"]
- key: karpenter.k8s.aws/instance-family
operator: In
values: ["m7g", "c7g", "r7g"]
taints:
- key: arch
value: graviton
effect: NoSchedule # 준비 안 된 워크로드 차단
---
# 워크로드 측: 명시적 옵트인
apiVersion: apps/v1
kind: Deployment
metadata:
name: my-app
spec:
template:
spec:
nodeSelector:
kubernetes.io/arch: arm64
tolerations:
- key: arch
value: graviton
effect: NoSchedule
여기에 node affinity로 Arm을 "선호"하게 걸어두면, 문제 발생 시 x86으로 자연스럽게 폴백됩니다. ArgoCD 기반 GitOps라서 롤백은 Git revert 한 번이면 끝나고요.

결과와 주의사항: 숫자로 보는 현실
성과 요약
| 항목 | Before (x86) | After (Graviton) | 개선폭 |
|---|---|---|---|
| NGINX 인그레스 CPU 사용량 | 기준 | 약 57% 감소 | ↓ 57% |
| 가격 대비 성능 (price-performance) | 기준 | 약 40% 향상 | ↑ 40% |
| 연간 인프라 비용 | 기준 | 약 $600,000 절감 | ↓ $600K |
| Graviton 적용 비율 (프로덕션) | 0% | 65%+ | — |
주의할 점 (여기서 삽질 많이 합니다)
- 에뮬레이션 빌드의 함정: QEMU는 만능이 아닙니다. 컴파일이 많은 워크로드(예: Go 바이너리, 네이티브 모듈 포함 Node)는 네이티브 빌드 대비 3~5배 느려질 수 있어요. CI 비용이 오히려 늘어날 수 있습니다.
- CVE/불변성 관리: 퍼블릭 이미지 미러링 시 manifest 필터링을 안 하면 스토리지 비용이 조용히 늘어납니다. Crane 같은 도구로 플랫폼 지정은 필수.
- 롤백 리스크: 듀얼 아키 이미지 + 듀얼 노드풀이 없으면 롤백 시 이미지 재빌드가 필요합니다. 이건 마이그레이션 초기에 반드시 세팅해두세요.
- 국내 SI/엔터프라이즈 환경 맥락: 폐쇄망 환경에서는 Graviton 러너를 self-hosted로 직접 운영해야 하고, 사내 프록시/미러 레지스트리 정책과 Crane 필터링이 충돌할 수 있습니다. 또 레거시 네이티브 바이너리(특히 오래된 C 확장)가 arm64 빌드를 지원하지 않는 경우가 많아, 사전에 의존성 매트릭스를 뽑아두는 걸 권합니다.
다음 단계 학습 방향
- Karpenter 심화: NodePool/EC2NodeClass 설계, consolidation 정책으로 비용 최적화
- 크로스 컴파일: QEMU 대신 Go/Rust의 크로스 컴파일 또는
docker buildx의--platform최적화 - 관측성: Arm 노드에서의 성능 프로파일링(특히 JIT 기반 런타임) 차이 확인
- GitOps 롤백 자동화: ArgoCD Rollouts로 카나리 배포 + 자동 롤백 패턴 익히기

정리: "한 번에 다 옮기지 마라"가 핵심
BMW 사례에서 배울 점은 기술 자체보다 전환 전략입니다.
- 플랫폼 먼저: Karpenter, Prometheus 같은 코어 서비스로 먼저 검증하고 레퍼런스 모델을 만든다
- 옵트인: taint/toleration으로 팀이 자기 타이밍에 옮기게 한다 (강제 마이그레이션은 사고를 부릅니다)
- 듀얼 트랙: 이미지도, 노드풀도, 파이프라인도 두 아키텍처를 동시에 유지해 롤백 비용을 0에 가깝게
결과적으로 연 60만 달러 절감과 40% 가격 대비 성능 향상을 서비스 중단 없이 달성했습니다. 2,450만 대 커넥티드카를 굴리는 플랫폼에서요.
이 글의 원문은 AWS Architecture Blog의 근거자료에서 확인할 수 있습니다.