ioh's Development

알림 시스템의 어려움은 처리량이 아니라 경계다결제 서비스의 알림 시스템을 설계했다. 이 글은 대규모 시스템 설계 기초 10장 알림 시스템 설계를 읽고, 책이 한 문장으로 넘긴 "알림이 사라지면 안 된다"는 요구를 판정 가능한 형태로 만들어 본 기록이다.제목의 경계는 서비스 경계가 아니라 보장 경계다. 어디까지를 코드로 보장하고 어디부터는 다른 설계로 대신할지를 확인하는걸 말한다. 처리량이 문제가 아니라는 뜻은 아니다. 처리량을 해결하고 나서도 보장 문제는 그대로 남는다는 뜻이다.1. 아무것도 고장나지 않았는데 62분이 걸린다책의 개략 구조는 채널별로 큐를 하나씩 두고, 먼저 들어온 것이 먼저 나간다. 그러면 마케팅 캠페인과 결제 승인 알림이 같은 푸시 큐에 들어간다.이 글에 나오는 숫자는 모두 아래 가정..

웹 크롤러 설계: 예의를 지킬 대상이 무엇인지부터 정하지 않았다웹 크롤러의 기본 알고리즘은 세 줄로 끝난다. 시드 URL을 목록에 넣고, 하나씩 꺼내 다운로드하고, 거기서 뽑은 링크를 다시 목록에 넣는다. 그런데 여기에 "한 사이트에는 1초에 한 번만 요청한다"는 규칙 하나를 얹는 순간 결정이 여럿 갈린다. 목록을 어디에 둘지, 누가 그 URL을 꺼낼 권한을 갖는지, 무엇을 "한 사이트"로 셀지가 전부 그 한 줄에 묶여 있기 때문이다. 이 글은 대규모 시스템 설계 스터디에서 웹 크롤러를 다룬 기록이고, 그중 예의를 지킬 대상을 무엇으로 셀 것인가라는 질문에 무게를 둔다. 먼저 용어를 하나 고정한다. 이 글에서 예의 정책은 "동일한 요청 간격 키에 대해 직전 요청이 완료된 뒤 1초를 띄운다"로 정의한다. ..

한빛미디어 서평단 활동을 위해서 책을 협찬 받아 작성된 서평입니다.도서명: 『컨텍스트 엔지니어링으로 완성하는 AI 에이전트』저자: 박경민출판사: 한빛미디어도서 정보: 『컨텍스트 엔지니어링으로 완성하는 AI 에이전트』 한빛미디어 도서 페이지 비결정적인 Coding Agent를 통제하는 방법Context, Evidence, Evaluation, Permission으로 설계한 AI Harness『컨텍스트 엔지니어링으로 완성하는 AI 에이전트』를 읽고들어가며: 코드 한 줄이 아니라 판단의 시작점이 틀렸다AI에게 코드 작성을 맡기다 보면 두 종류의 실패를 만난다.하나는 눈에 잘 띈다. 컴파일이 안 되거나, 존재하지 않는 메서드를 호출하거나, 테스트가 빨간불이 된다. 이런 실패는 시스템이 알려주기 때문에 곧바로 ..

URL 단축기 설계: 모든 결정을 고가용성으로 뭉뚱그리지 않기tinyurl 같은 URL 단축기는 겉보기에 단순하다. 긴 URL을 짧게 바꾸고, 짧은 URL을 누르면 원래로 보낸다. 그런데 설계에 들어가면 결정이 여럿 갈리고, 처음에는 그 결정을 전부 "고가용성 때문"으로 뭉뚱그리기 쉽다. 이 글은 대규모 시스템 설계 스터디에서 URL 단축기를 다룬 기록이고, 각 결정이 실제로는 어느 요구사항이나 추정치에서 나왔는지를 분리하는 데 중점을 두고 설계를 진행했습니다. 책의 해당 챕터는 요구사항과 추정에서 출발해 단축키 생성 방법을 비교하고, base-62 변환으로 상세 설계를 만든 뒤 리디렉션과 캐시로 마무리한다. 스터디에서는 개념 정리에 더해 각 결정의 동인을 분해하고, 7장 유일 ID 생성기(여러 서버가 ..

한빛미디어 서평단 활동을 위해서 책을 협찬 받아 작성된 서평입니다.AI가 글을 다 써주는 시대에도 개발자에게 글쓰기 능력이 필요할까?『AI도 모르는 글쓰기』를 읽고도서명: 『AI도 모르는 글쓰기』저자: 정나래출판사: 한빛미디어도서 정보: 『AI도 모르는 글쓰기』 한빛미디어 도서 페이지AI에게 업무 메일이나 공지문을 작성해 달라고 요청하면 몇 초 만에 그럴듯한 글이 나온다. 기술 블로그의 목차를 정리하거나 문장을 다듬는 일도 이전보다 훨씬 쉬워졌다.그렇다면 AI가 글을 대신 써주는 시대에도 글쓰기 능력이 필요할까?『AI도 모르는 글쓰기』는 AI 시대에 글쓰기의 필요성이 사라진 것이 아니라, 사람에게 요구되는 역할이 달라졌다고 설명한다. AI가 초안을 만드는 속도는 빨라졌지만, 무엇을 전달할지 결정하고 결..

분산 유일 ID 생성기 설계: auto_increment가 분산에서 깨지는 지점부터단일 DB의 auto_increment는 한 노드 안에서 유일성과 증가 순서를 공짜로 준다. 그런데 이 전제가 분산에서 깨진다. 이 글은 대규모 시스템 설계 스터디에서 분산 유일 ID 생성기를 다룬 기록이다. 책의 해당 챕터는 단일 DB의 한계에서 출발해 네 가지 후보를 비교하고, 트위터 스노플레이크의 64비트 절 분할을 상세히 본 뒤, 시계 역행이나 worker ID 배정 같은 실무 함정까지 다룬다. 스터디에서는 개념 정리에 더해 각 후보가 어느 요구사항에서 걸리는지를 발표로 검증하고, 백엔드 개발자 관점에서 이 ID가 DB 인덱스·이벤트 설계·배포 환경과 맞물리는 지점까지 파고들었다. 이 글은 그 전개와 토론, 딥다이브..

Anthropic Messages API와 Claude Code를 기준으로 승인 게이트, 컨텍스트 비용, 프롬프트 캐시의 실제 구현을 살펴본다 개관에서는 하네스를 다섯 층으로 나눠 진단 프레임을 잡았다. 층이 있다는 사실과, 그 층이 HTTP 요청 하나하나로 실제로 어떻게 구현되는지는 다른 이야기다. 이 글은 후자다. 승인 게이트가 실행 경로의 어느 지점에 물리적으로 존재하는지, 컨텍스트 비용이 왜 제곱으로 붙는지, 캐시가 어떻게 조용히 깨지는지를 본다.먼저 범위를 못 박아 둔다. 이 글은 Anthropic Messages API와 Claude Code를 기준으로 썼다. 메시지 역할, 종료 사유(stop_reason), 캐시 무효화 조건, 권한과 훅 필드는 그 구현에 해당한다. 다른 벤더에도 비슷한 통제..

모델을 더 똑똑하게 만드는 대신, 모델이 틀릴 수 있는 표면을 구조로 좁힌다프롬프트를 고치던 습관을 버린 지점AI가 원하는 결과를 안 내놓을 때 나는 오래 프롬프트를 고쳤다. 지시를 더 명확히 쓰고, 예시를 붙이고, 하지 말라는 문장을 추가했다. 실무 세션을 몇 번 돌리고 나서 실패 로그를 다시 봤더니 원인이 프롬프트에 있던 경우가 생각보다 적었다.없는 컬럼을 참조한 건 지시가 부족해서가 아니라, 그 스키마가 애초에 컨텍스트에 없었기 때문이다.같은 실수를 세 번 반복한 건 모델이 멍청해서가 아니라, 실패 내용이 다음 시도의 입력에 안 들어갔기 때문이다.위험한 작업이 확인 없이 실행된 건 모델이 규칙을 어겨서가 아니라, 실행 통로가 그냥 열려 있었기 때문이다.셋 다 문장을 고쳐서 해결되는 문제가 아니다. ..

할루시네이션을 어떻게 시스템으로 막는가발생 자체를 없애는 것이 아니라, 불확실한 출력을 사용자에게 전달하기 전에 걸러낸다프롬프트 한 줄로는 안 된다는 걸 먼저 인정한다LLM에 "거짓말하지 마, 모르면 모른다고 해"를 붙여봤다. 그래도 지어냈다. 나는 이걸 프롬프트를 더 정교하게 쓰면 풀리는 문제로 오래 봤는데, 방향이 틀렸다. 프롬프트는 모델의 출력 경향에 영향을 줄 수 있지만, 사실성을 보장하는 장치는 아니다.그래서 질문을 바꿨다. 할루시네이션을 "모델을 더 똑똑하게 만들어 없앨 문제"로 볼 것인가, "생성물은 원래 틀릴 수 있다를 전제로 시스템이 걸러낼 문제"로 볼 것인가. 나는 후자로 정리했다. 모델 성능이 개선되면 오류 빈도가 낮아질 수 있지만, 생성 결과를 항상 사실로 보장하기는 어렵다. 그렇다..

RAG 파이프라인, 검색을 코드로 짜면서 배운 것RAG를 "LLM에 문서 검색을 붙이는 것" 정도로만 알고 있었다. 막상 파이프라인을 코드로 짜 보니, 정작 어려운 건 LLM이 아니라 검색이었다. 색인부터 평가까지 각 단계에서 무엇을 결정해야 하는지 정리한다.RAG를 다시 정의하기: 무엇을 아는가 vs 어떻게 말하는가처음엔 파인튜닝과 RAG를 같은 서랍에 넣고 있었다. 둘 다 "모델에 지식을 넣는 법"이라고 생각했다. 코드를 짜면서 경계가 분명해졌다.파인튜닝은 모델 가중치를 바꾼다. RAG는 가중치를 그대로 두고, 답을 생성하기 전에 외부 저장소에서 관련 문서를 찾아 프롬프트에 끼워 넣는다. 이번 프로젝트 목적을 기준으로 단순화하면, 최신 근거를 제공하는 문제는 RAG에, 반복되는 응답 방식과 형식을 학..

분산 유일 ID 생성기 설계: auto_increment가 분산에서 깨지는 지점부터단일 DB의 auto_increment는 한 노드 안에서 유일성과 증가 순서를 공짜로 준다. 그런데 이 전제가 분산에서 깨진다. 이 글은 대규모 시스템 설계 스터디에서 분산 유일 ID 생성기를 다룬 기록이다.책의 해당 챕터는 단일 DB의 한계에서 출발해 네 가지 후보를 비교하고, 트위터 스노플레이크의 64비트 절 분할을 상세히 본 뒤, 시계 역행이나 worker ID 배정 같은 실무 함정까지 다룬다. 스터디에서는 개념 정리에 더해 각 후보가 어느 요구사항에서 걸리는지를 발표로 검증하고, 백엔드 개발자 관점에서 이 ID가 DB 인덱스·이벤트 설계·배포 환경과 맞물리는 지점까지 파고들었다. 이 글은 그 전개와 토론, 딥다이브를..

안정 해시 설계: 서버가 늘어도 데이터를 옮기지 않는 법여러 서버에 데이터를 나눌 때 가장 단순한 방법은 hash(key) % 서버_수다. 그런데 이 방식은 서버를 한 대만 늘려도 거의 모든 데이터를 재배치한다. 안정 해시(consistent hashing)는 이 재배치 폭발을 막는 기법이다. 이 글은 대규모 시스템 설계 스터디에서 안정 해시를 다룬 기록이다.책의 해당 챕터는 일반 해시의 재배치 문제에서 출발해 해시 링, 가상 노드, 복제, 핫스팟까지 쌓아 올린다. 스터디에서는 개념을 정리하는 데서 멈추지 않고, 각 단계에서 "이게 무엇을 강제하는가"를 따지고 발표 자리에서 서로의 이해를 반론으로 검증했다. 이 글은 그 개념 전개와 토론을 함께 담는다. 핵심 흐름 한 줄 지도일반 해시 재배치 문제 → 해..

처리율 제한 장치 설계: 요구사항 네 개가 모든 결정을 강제한다처리율 제한 장치(rate limiter)는 클라이언트나 서비스가 보내는 트래픽의 양을 제어하는 장치다. 정해둔 임계치를 넘는 요청은 막고 HTTP 429를 돌려준다. 이 글은 대규모 시스템 설계 스터디에서 이 rate limiter를 설계한 기록이다.책의 해당 챕터는 배치 위치, 알고리즘 다섯 종, 저장소, 규칙 설정, 장애 대응까지 다룬다. 스터디에서는 그 내용을 읽기 전에 먼저 요구사항만으로 골격을 잡고(1차), 그다음 책 학습과 심화 분석으로 빈칸을 채웠다(2차). 이 글은 그 before/after와, 발표 자리에서 오간 반론을 함께 담는다. 한 가지 관점을 미리 못박아 둔다. 이 설계를 가른 것은 기능 요구사항이 아니라 비기능 요구..

키-값 저장소 설계: 단일 서버에서 대규모까지키-값 저장소는 key로 value를 넣고 빼는 것만 하는 데이터베이스다. Redis, Amazon DynamoDB, Cassandra가 여기 속한다. 이 글은 대규모 시스템 설계 스터디에서 이 키-값 저장소를 설계한 기록이다. 책의 해당 챕터는 단일 서버 저장소에서 출발해 파티셔닝, 복제, 정족수, 장애 처리까지 분산 저장소의 핵심 개념을 쌓아 올린다. 스터디에서는 그 개념을 읽고 정리하는 데서 멈추지 않고, 직접 설계를 그린 뒤 매주 서로의 설계를 놓고 토론하며 다듬었다. 개념을 손으로 설계해보고 다른 개발자의 반론에 답하는 과정에서 이해가 붙었다.1주차에 순수 안정 해시로 초안을 잡았고, 대규모 트래픽이라는 전제를 숫자로 못박자 그 초안이 흔들리는 걸 확..

1. AI는 개발자를 대체하기보다 개발자의 역량을 증폭한다AI가 개발 과정에 본격적으로 들어오면서 코드 작성에 필요한 비용은 빠르게 낮아지고 있다. 일부 구현 작업에서는 과거 며칠이 필요했던 결과물을 몇 시간 안에 초안 형태로 만들 수 있고, 반복 작업이나 문서 작성, 코드 분석과 테스트 코드 생성도 상당 부분 AI의 도움을 받을 수 있게 되었다.그러나 코드를 빠르게 만드는 것과 좋은 제품을 만드는 것은 같은 문제가 아니다.무엇을 만들어야 하는지 발견하고, 해결할 문제를 구체화하고, 여러 대안 가운데 적절한 구조를 선택하고, 결과물이 실제 요구사항을 충족하는지 판단하는 과정은 여전히 사람의 역할이다.AI는 구현 속도를 높여주지만, 만들어야 할 방향까지 자동으로 결정해주지는 않는다. 오히려 구현 비용이 낮..

혹시 이런 상황, 생각해본 적 있으신가요?이커머스에서 결제를 처리한다고 해보자. 요구사항은 한 줄이다."결제가 완료되면 PG에 거래 확정 API를 호출하고, 주문 상태를 PAID로 업데이트해줘"코드로 옮기면 보통 이렇게 시작한다.@Transactionalpublic void completePayment(Long orderId) { Order order = orderRepository.findById(orderId).orElseThrow(); pgClient.confirm(order.getPgKey()); // 외부 HTTP 호출 order.markPaid(); // DB 상태 변경}이 코드를 본 동료가 묻는다."동시성 문제가 있을 것 같은데, 비관..

이번 주에 새로 배운 것개념을 제대로 이해하면, 아키텍처가 보이기 시작한다이번 주에 가장 크게 느낀 건 "개념을 정확히 아는 것이 아키텍처 역량과 연결된다"는 거였다. 예전엔 아키텍처를 잘 짜는 사람은 뭔가 감이 좋은 사람이라고 막연히 생각했다. 그런데 10주를 돌아보니 그게 아니었다. 개념 하나를 깊이 이해하면 그 개념이 설계 선택의 근거가 되고, 근거가 쌓이면 아키텍처가 자연스럽게 나온다.복합 인덱스의 B+Tree 리프 노드 정렬 방식을 이해하니까 "카디널리티가 먼저가 아니라 등호 조건이 먼저"라는 실제 규칙이 보였고, 트랜잭션이 ThreadLocal에 바인딩된다는 걸 직접 코드로 부딪혀보니까 비동기 콜백에서 왜 @Transactional이 안 먹히는지가 설명이 됐다. 원리를 안 채로 설계를 하는 것..

TL;DR한 번에 집계해서 교체해야 하는 작업에 청크 기반 처리를 선택하면서, 프레임워크의 장점은 살리지 못하고 복잡성만 늘어났다. 그 과정에서 도구의 형식보다 문제의 본질에 맞는 선택이 더 중요하다는 것을 배웠다.이번 글에서 다루는 문제이커머스 서비스에서 “이번 주 인기 상품 TOP 100”을 만들어야 했다.사용자가 상품을 조회하거나, 좋아요를 누르거나, 주문할 때마다 이벤트가 쌓인다. 이 이벤트를 주 단위로 모아 상품별 점수를 계산하고, 점수가 높은 순서대로 상위 100개 상품을 저장하면 된다.이미 데이터베이스에는 ranking_event 테이블이 있었다.이 테이블에는 “어떤 상품에 어떤 행동이 언제 발생했는지”라는 원본 이벤트 데이터가 저장돼 있었다. 이 데이터를 다시 읽어서 원하는 방식으로 점수를..

기술을 쓰는 개발자에서, 선택의 이유를 설명하는 개발자로루프팩 3기를 마치며서론. 나는 왜 다시 배우기로 했을까돌아보면 저는 늘 기술 가까이에 있었습니다.백엔드 개발자로서 기능을 만들고, 운영 이슈를 해결하고, 장애를 마주하고, 다시 구조를 손보는 일을 반복해 왔습니다. 실무 안에서 많은 것을 배웠고, 그만큼 익숙해진 기술도 많았습니다. 그런데 어느 순간부터 아주 선명하게 느껴지는 한계가 있었습니다. “써본 적은 있는데, 정말 설명할 수 있는가?”이직을 준비하면서 그 질문이 더 크게 다가왔습니다.왜 이 구조를 선택했는지, 왜 이 트랜잭션 경계가 필요한지, 어떤 기준으로 동기와 비동기를 나눴는지. 막상 이런 질문 앞에 서면, 구현 경험은 분명 있는데 그것을 설계 의도와 판단 근거의 언어로 풀어내는 일은 아..

Spring Batch 실전에서 만난 3가지 함정한 줄 요약:Spring Batch로 주간 랭킹 집계를 만들고, 테스트 4개를 짰고, 전부 통과했다. 그런데 실제로 돌리면 결과 테이블이 매번 비어있었다. 원인을 추적하니, 테스트 자체가 3개의 치명적 결함을 구조적으로 숨기고 있었다. 이 글은 그 3가지 함정을 발견하고 수정한 기록이다.배경: 뭘 만들었나이커머스 서비스에서 "이번 주 인기 상품 TOP 100" 같은 랭킹을 보여주려면, 사용자의 행동(상품 조회, 좋아요, 주문)을 모아서 점수를 매기고, 높은 순서대로 정렬해야 한다.기존에는 실시간 일간 랭킹이 있었다. 사용자가 상품을 조회하면 Kafka(메시지 큐)를 통해 이벤트가 전달되고, Consumer(이벤트 수신기)가 이를 받아 Redis라는 인메모리..

이번 주에 새로 배운 것"best-effort니까 괜찮다"는 설계가 아니다Kafka Consumer에서 DB에 메트릭을 적재하는 기존 파이프라인에 Redis ZSET 랭킹 점수를 추가해야 했다. try-catch로 감싸면 Redis가 죽어도 DB 트랜잭션은 안 깨진다. "best-effort니까 이 정도면 충분하지 않을까?"이 판단이 틀렸다. 같은 best-effort인데 ZINCRBY를 TX 안에 넣느냐, TX 커밋 후에 넣느냐에 따라 결함의 방향이 달랐다.TX 안에서 ZINCRBY → TX COMMIT 실패 시 → Redis에는 반영됨, DB에는 안 됨 → 재처리 시 → double increment (over-count)TX 커밋 후 ZINCRBY → COMMIT 성공 ..

best-effort니까 괜찮지 않나? Kafka 랭킹 파이프라인에 afterCommit 대신 배치 구조를 선택한 이유TL;DR:MySQL과 Redis에 동시에 쓰는 dual-write 문제에서, 이 랭킹 시나리오에서는 "가짜 인기를 만드는 것"보다 "인기를 살짝 놓치는 것"이 낫다고 판단해 at-most-once를 선택했다. afterCommit 패턴을 검토했지만 배치 최적화를 막는 구조적 한계를 발견하고, Consumer를 분리해 배치 수집 + Pipeline flush 구조를 설계했다. 정합성 모델은 유지하면서 Redis 네트워크 왕복을 건별 호출에서 배치 2회로 줄인 과정.시작: 기존 파이프라인에 ZINCRBY 적용이전에 Kafka 기반 이벤트 파이프라인을 구축해둔 상태였다. 상품 조회·좋아요·주..

TL;DR: 랭킹 ZSET의 키 하나가 "무엇을 측정하는가"를 결정한다. 누적 키는 롱테일을 만들고, 일간 키는 콜드 스타트를 만든다. 키를 자르는 순간 정보가 손실되고, 그 손실을 carry-over와 fallback으로 메운다. 키 설계는 네이밍이 아니라 데이터 모델링이다.랭킹 키 하나의 무게이커머스 인기 상품 랭킹을 만들면서 가장 먼저 마주친 질문은 이거였다.ranking:{productId} → score 이 ZSET의 키 이름을 어떻게 지을 것인가.처음에는 네이밍 문제라고 생각했다. ranking:all이든 ranking:daily든, 어차피 ZINCRBY로 점수를 올리는 건 같으니까. 키 이름은 규칙만 맞추면 되는 거 아닌가?이 생각이 틀렸다. 키 이름이 결정하는 건 "어디에 저장하는가"가 아..

@Transactional(readOnly = true)를 습관적으로 붙이면 안전한 줄 알았다. 그런데 인증 메서드 안에 BCrypt가 있으면, DB가 아무 일도 안 하는 150ms 동안 커넥션을 잡고 놓아주지 않는다. 커넥션 40개짜리 풀에서 동시 30명이 인증하면, 다른 API는 커넥션을 기다리다 죽는다. 어노테이션 한 줄 지우는 것이 성능 최적화의 전부였다.발견: "readOnly면 가볍다"는 착각이커머스 프로젝트에서 인증 메서드를 작성하면서, 읽기 전용 메서드에는 습관적으로 @Transactional(readOnly = true)를 붙였다. 읽기 전용이면 flush도 안 하고, 스냅샷도 안 만들고, 최적화만 해주는 거라고 알고 있었으니까.그런데 부하 테스트 시나리오를 설계하면서 커넥션 풀 사용률을..

처음에는 Polling이 싫었다법률 번역 플랫폼을 만들 때의 일이다. 법률 문서를 업로드하면 AI가 문단별로 번역하는 시스템이었다. 원래 구조는 단순했다. 클라이언트가 5초마다 번역 상태를 폴링하고, 서버는 DB에서 현재 진행률을 읽어서 응답한다.// 원래 구조: 5초 폴링@GetMapping("/translation/{taskId}/status")public TranslationStatus getStatus(@PathVariable String taskId) { return translationRepository.findStatus(taskId);} 문제가 세 가지 있었다.첫째, 5초 간격이 너무 느렸다. 번역이 문단 단위로 진행되는데, 문단 하나가 1~2초면 끝난다. 그런데 폴링이 5초라 진행률..

플래그 하나가 사용자의 대기 순서를 바꾼다대기열 진입 API를 처음 구현했을 때, 나는 별 생각 없이 ZADD를 썼다. Redis Sorted Set에 사용자 ID를 멤버로, 현재 타임스탬프를 스코어로 넣는 단순한 구조였다.redisTemplate.opsForZSet().add("queue:waiting", userId, System.currentTimeMillis()); 동작은 했다. 대기열에 들어가고, 스코어(타임스탬프) 기준으로 정렬되고, ZPOPMIN으로 먼저 들어온 사용자부터 빠지는 구조가 완성됐다.그런데 테스트 중에 이상한 일이 발생했다. 대기열 순번이 50번이던 사용자가 브라우저를 새로고침한 뒤 150번으로 밀려나 있었다. "분명 50번이었는데" 하는 사용자의 당혹감은 서비스 신뢰도를 순간적..

TTL 180초의 딜레마대기열을 통과한 사용자에게 토큰을 발급할 때, TTL을 몇 초로 설정할지가 생각보다 어려운 문제였다.처음에는 단순하게 180초(3분)로 잡았다. "결제까지 3분이면 되지 않나?" 그런데 실제 이커머스 사용자의 행동 패턴을 떠올려보니, 이게 단순하지 않았다.TTL = 60초? → 쿠폰을 고르다가 90초째에 토큰이 만료. 처음부터 다시 대기열.TTL = 300초? → 결제를 포기하고 탭을 닫은 사용자가 5분 동안 자리를 차지.TTL = 180초? → 둘 다 완벽히 해결하지 못하는 절충안. 핵심 테제: 단일 TTL은 "활발한 사용자"와 "이탈한 사용자"를 구분할 수 없다. 이 두 가지를 동시에 다루려면 TTL을 계층화해야 한다.이커머스 사용자 행동 스펙트럼토큰 TTL을 설계하려면, 먼..

10,000명이 1초마다 물어본다대기열을 구현하고 나서, 처음 마주한 질문은 "사용자가 자기 순번을 어떻게 알지?"였다. 가장 직관적인 답은 폴링이다. 클라이언트가 주기적으로 서버에 "내 순번 몇 번이야?"를 묻는 것.문제는 숫자에 있다.10,000명 대기 중 x 1초마다 요청 = 10,000 QPSRedis가 처리 못 하는 수준은 아니지만, 99%는 낭비다.9,500번째 사용자가 매초 순번을 확인해봐야 "9,498번째요"가 "9,497번째요"로 바뀌는 것뿐이다. 솔직히 처음에는 "Redis가 초당 10만 연산 처리하니까 10,000 QPS쯤이야"라고 생각했다. 그런데 이건 Redis만의 문제가 아니다. 10,000 QPS면 Spring 서버도 초당 10,000건의 HTTP 요청을 받아야 하고, Hika..

테스트에서 사라진 30명동시성 테스트를 돌리고 있었다. 100명이 대기열에 등록하고, 전원이 활성화된 뒤 주문하는 시나리오였다. 그런데 결과가 계속 70명만 성공했다.100 - 70 = 30. 배치 사이즈가 30이었다.처음에는 동시성 문제를 의심했다. 락 충돌인가? 커넥션 풀 부족인가? 한참을 뒤지다가 원인을 찾았다. @SpringBootTest가 @Scheduled 빈을 자동으로 시작하고, 테스트 실행 중에 스케줄러가 대기열에서 30명을 꺼내가고 있었다. 테스트가 100명을 등록하고 읽으려는 사이에 스케줄러가 30명을 소비해버린 것이다.이건 로컬에서의 문제였지만, 프로덕션에서는 더 심각한 버전이 존재한다. 서버가 3대면 스케줄러도 3개다.@Scheduled의 본질: JVM 로컬 타이머@Scheduled..

Redis가 죽는 순간을 상상해본 적 있는가대기열 시스템을 만들고 나서, 나는 한 가지 질문에 부딪혔다. "Redis가 죽으면 어떻게 하지?"이커머스 대기열의 모든 흐름이 Redis를 경유한다. 대기열 등록은 Sorted Set에 ZADD, 활성화는 ZPOPMIN, 토큰 검증은 GET. Redis가 응답하지 않으면 아무도 주문할 수 없다.처음에 나는 당연히 "Redis가 죽으면 주문을 막아야지"라고 생각했다. 무결성이 깨질 수 있으니까. 그런데 이 "당연한" 선택이 비즈니스 관점에서 정말 당연한지 곰곰이 따져보니, 그렇지 않았다.결론부터 말하면: 이커머스에서는 Fail-Open을 선택했고, RateLimiter의 허용 수치를 배치 사이즈 M=30과 동일하게 설정한 것이 설계의 핵심이다.Fail-Close..