[reinvent 2025] 생성형 AI와 AWS DMS를 활용한 데이터베이스 Modernization 전략

들어가며

AWS DMS(Database Migration Service)와 생성형 AI를 활용해 데이터베이스 Modernization을 더욱 빠르고 효율적으로 수행하는 방안이 소개된 세션입니다.

Sybase·SQL Server·Oracle을 PostgreSQL로 전환하는 실제 사례를 기반으로, AI 기반 스키마 변환 기능과 신규 서비스인 AWS Transform의 자동화 기능이 데모 형태로 시연되었습니다.

복잡한 코드 전환 작업을 자동화해 Modernization 프로젝트의 시간과 비용을 줄일 수 있는 실질적인 방법들이 공유되었습니다.

생성형 AI 기반 DMS Schema Conversion

AWS DMS Schema Conversion은 생성형 AI를 활용해 스키마와 코드 객체를 자동 변환하는 구조로 소개되었습니다.

변환 과정은 Data Provider와 Instance Profile을 기반으로 수행되며, 결정론적 규칙으로 해결이 어려운 코드 객체는 Amazon Bedrock 기반 생성형 AI가 보완 변환을 자수행하도록 설계되어 있습니다.

이를 통해 Sybase·SQL Server·Oracle 등 다양한 원본 데이터베이스를 PostgreSQL로 보다 효율적으로 현대화할 수 있는 접근 방식이 제시되었습니다.

Transform을 통한 Full-stack Modernization

AWS Transform을 활용하면 SQL Server 데이터베이스와 그에 연결된 .NET 기반 애플리케이션 코드를 Aurora PostgreSQL 환경으로 전환할 수 있습니다.

분석부터 데이터베이스 변환, 애플리케이션 코드 수정, 검증·배포 단계까지 전체 과정을 자동화하며, 생성형 AI가 복잡한 의존성 분석과 코드 변환 작업을 함께 처리하도록 구성되어 있습니다.

콘솔에서는 하나의 Job 단위로 실행되며, 권한·네트워크 검증부터 리소스 연결과 변환 실행까지 전환에 필요한 모든 단계를 통합된 워크플로우로 관리되는 구조가 시연되었습니다.

생성형 AI를 활용한 코드 보정

스키마 변환 과정에서 자동 변환이 어려운 코드 객체에 대해 생성형 AI를 활용한 보정 기능이 소개되었습니다.

DMS Schema Conversion UI에서는 변환 성공 객체와 추가 검토가 필요한 객체가 구분되며, 특히 동적 SQL처럼 구조가 일정하지 않은 프로시저는 Action Item으로 분류됩니다.

데모에서는 변환 오류가 발생한 프로시저를 생성형 AI 기능으로 보정해 PostgreSQL용 코드로 변환하는 과정을 시연했고, Export된 SQL 파일을 실제 환경에서 적용·검증하는 단계까지 연결해 보여주었습니다.

운영 모범 사례 및 향후 고려사항

AI 기반 자동화 기능을 활용하더라도 모든 코드가 완벽하게 변환되는 것은 아니므로, 변환 결과물에 대한 사전 테스트와 검증 절차가 반드시 필요하다는 점이 강조되었습니다.

또한 GitHub 브랜치를 활용한 코드 이력 관리, IAM 및 Secrets Manager 기반 자격 증명 보호, 네트워크 격리를 통한 안전한 접근 제어 등 운영 측면에서의 모범 사례도 함께 제시되었습니다.

결론

세션을 통해 생성형 AI가 데이터베이스 Modernization을 크게 가속화할 수 있는 실질적인 도구로 자리잡고 있음을 확인할 수 있었습니다.

DMS Schema Conversion과 AWS Transform이 제공하는 자동화된 워크플로우는 기존 대비 훨씬 빠르고 일관된 전환 프로세스를 가능하게 하며, 이는 다양한 레거시 시스템을 PostgreSQL 기반 환경으로 이전하는 가장 유용한 전략 중 하나가 될 것입니다.