피드로 돌아가기
Junkyard Computing: The Engineering Case for Building Server Clusters from Dead Smartphones
Dev.toDev.to
Infrastructure

폐스마트폰 클러스터로 AWS 비용 1/40 절감 및 탄소 효율 18.9배 향상

Junkyard Computing: The Engineering Case for Building Server Clusters from Dead Smartphones

Vaibhav Kumar Kandhway2026년 6월 21일8advanced

Context

전통적인 Cloud Server 인스턴스는 하드웨어 제조 과정의 Embodied Carbon 비중이 높아 운영 효율(PUE) 개선만으로는 탄소 발자국 감축에 한계 존재. 특히 소규모 Microservices나 Dev Environment와 같은 Bursty한 워크로드에서 과도한 비용 및 자원 낭비가 발생하는 구조적 문제 확인.

Technical Solution

  • 제조 단계의 탄소 비용이 이미 지불된 폐스마트폰을 Compute Node로 재활용하여 Marginal Embodied Carbon을 0으로 설정한 설계
  • AWS T4g 인스턴스 수준의 Multi-core Throughput과 Memory Capacity를 확보한 스마트폰 기반 Cloudlet 아키텍처 구축
  • Computational Carbon Intensity(CCI) 지표를 도입하여 제조 및 운영 탄소를 통합 관리하는 새로운 성능 측정 프레임워크 적용
  • Thermal Throttling 및 Network Hop으로 인한 Tail Latency를 제어하는 Cluster-scale 엔지니어링 최적화 수행
  • Kubernetes Scheduling Layer를 통한 컨테이너 기반 Microservices의 수평적 확장 및 부하 분산 구현

Impact

  • 비용 효율: 10대의 Pixel 3A 클러스터 운영비($1,028)가 동일 성능의 EC2 인스턴스($40,404) 대비 약 1/40 수준으로 감소
  • 처리 성능: DeathStarBench 기준 최대 4,000 QPS 처리 및 Median Latency 50ms 수준의 성능 달성
  • 탄소 효율: 워크로드 믹스에 따라 요청당 탄소 배출량을 9.8배에서 18.9배까지 개선
  • 확장 규모: 2,000대의 스마트폰으로 기존 서버 50대 수준의 Compute Capacity를 대체하는 프로덕션 규모 검증

Key Takeaway

컴퓨팅 파워의 병목은 칩셋 성능이 아닌 Thermal 및 Network 관리 능력에 있으며, 특정 워크로드(Latency-tolerant, Bursty)에서는 하드웨어의 절대 성능보다 자원 획득 비용과 생애주기 탄소 비용을 최적화하는 것이 시스템 설계의 핵심임.


- 워크로드 특성이 GPU-bound 또는 Memory-bound(12GB 초과)인지 확인하여 하드웨어 재활용 가능 여부 판단 - 단순 PUE 지표 외에 제조 단계의 탄소 배출을 포함한 CCI 관점의 인프라 비용 분석 검토 - Latency SLA가 유연한 CI/CD 환경이나 교육용 플랫폼의 경우, 저사양 노드의 수평적 확장(Horizontal Scaling) 전략 고려

원문 읽기