ioh's Development

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..

처음에 당연하다고 생각했던 것대기열 시스템을 구현하면서, 나는 처음에 "활성 사용자 수를 모니터링하다가 자리가 비면 새 사용자를 넣으면 되지 않나?"라고 생각했다. 은행 번호표처럼. 누군가 창구를 떠나면 다음 사람을 부르는 방식. 직관적이고 자연스럽다.그런데 실제로 이커머스 주문 대기열에 이 방식을 적용하려고 하니, 생각보다 근본적인 문제가 드러났다. 결론부터 말하면: 대기열 활성화 전략은 기술적 우열이 아니라 도메인의 체류 시간 특성이 결정한다.두 가지 전략의 본질대기열에서 대기 중인 사용자를 활성 상태로 전환하는 방식은 크게 두 가지다.Fixed-Rate (고정 속도 방식)매 스케줄러 주기마다 정확히 M명을 활성화한다. 현재 활성 사용자가 몇 명인지는 보지 않는다. 놀이공원 입장 게이트처럼 — 안에 ..

처음에 30이라는 숫자만 있었다대기열 시스템의 Fail-Open 폴백을 설계하면서 Resilience4j의 RateLimiter를 도입했다. Redis가 죽었을 때 DB를 보호하기 위한 마지막 방어선이었고, 설정은 이랬다.RateLimiterConfig.custom() .limitForPeriod(30) // 1초에 30개 .limitRefreshPeriod(Duration.ofSeconds(1)) .timeoutDuration(Duration.ZERO) // 대기 없이 즉시 거부 .build(); 30이라는 숫자는 DB TPS에서 역산한 값이다. HikariCP 풀 10개, 주문 처리 약 200ms, 그래서 초당 처리 가능한 요청이 대략 50개. 여기서 안전 마진을..

이번 주에 새로 배운 것"왜 30인지" 설명할 수 있어야 설계다대기열 시스템을 구현하면서 스케줄러의 배치 크기 M을 정해야 했다. 처음에는 "30이면 적당하지 않을까?"라고 감으로 잡으려 했다. 하지만 왜 30인지, 25가 아니고 50이 아닌 이유를 설명할 수 있어야 비로소 설계라고 부를 수 있다.DB 커넥션 풀(10개)에서 출발해서 커넥션 점유 시간(200ms)으로 이론 TPS(50)를 구하고, 안전 마진 60%를 적용해서 실효 TPS 30을 얻었다. 이 값이 스케줄러 주기 1초와 만나서 M=30이 됐다.숫자에 근거가 생기니까 달라지는 게 있었다. "놀이공원식(Fixed-Rate)이 왜 맞는가"에 대해 M이 TPS 기반이므로 누적 위험이 보수적으로 통제된다고 설명할 수 있었고, Redis 장애 시 Ra..

대기열 스케줄러의 배치 크기를 "감"이 아닌 "방정식"으로 산정하기까지TL;DR대기열 스케줄러가 1초마다 몇 명을 활성화할지를 정하는 건 감이 아니라 역산이다. DB 커넥션 풀에서 출발해서 TPS를 구하고, 안전 마진을 적용하면 "왜 이 값인지"를 설명할 수 있는 숫자가 나온다. 그리고 이 숫자가 방정식에서 나왔다는 사실이, 설계 판단을 설명 가능하게 만드는 핵심 근거가 된다.대기열이 보호하는 것쇼핑몰에서 블랙프라이데이를 한다고 가정해보자. 평소에 초당 100명 정도가 접속하던 사이트에 갑자기 10만 명이 동시에 몰린다. 전원이 "주문하기" 버튼을 누른다.서버가 요청을 받는 것 자체는 가능하다. Tomcat은 수천 개의 동시 연결을 처리할 수 있다. 문제는 주문을 처리하는 과정에서 생긴다. 주문을 처리하..