가상 면접 사례로 배우는 <대규모 시스템 설계 기초>
1장 사용자 수에 따른 규모 확장성
한 명의 사용자를 지원하는 시스템을 시작으로 몇백만 사용자를 지원하는 시스템까지 설계해보자.
1. 단일 서버
웹 앱, 데이터베이스, 캐시 등 전부 서버 한 대에서 실행
2. 데이터베이스
사용자가 늘면 웹/모바일 트래픽 처리 서버(웹 계층)와 데이터베이스 서버(데이터 계층)를 분리하면 그 각각을 독립적으로 확장해 나갈 수 있다.
대부분 관계형 데이터베이스가 최선이지만, 아래와 같은 경우에는 비-관계형 데이터베이스가 바람직할 수도 있다.
- 아주 낮은 응답 지연시간(latency)이 요구됨
- 다루는 데이터가 비정헝*unstructured)이라 관계형 데이터가 아님
- 데이터(JSON, YAML, XML 등)를 직렬화하거나(serialize) 역직렬화(deserialize) 할 수 있기만 하면 됨
- 아주 많은 양의 데이터를 저장할 필요가 있음
3. 수직적 규모 확장 vs 수평적 규모 확장
스케일 업(scale up)
수직적 규모 확장 프로세스는 서버에 고사양 자원을 추가
스케일 아웃(sclae out)
수평적 규모 확장 프로세스는 더 많은 서버를 추가하여 성능을 개선
트래픽 양이 적을 때는 수직적 확장이 좋지만, 몇가지 단점이 있다.
- 수직적 규모 확장 한계 (CPU나 메모리를 무한대로 증설할 방법이 없다.)
- 서버 장애 발생 시 서비스 중단 (장애에 대한 자동복구(failover) 방안이나 다중화(redundancy) 방안을 제시하지 않는다.)
이런 단점 때문에 대규모 애플리케이션을 지원하는 데는 수평적 규모 확장법이 보다 적절하다.
로드밸런서
부하 분산 집합(load balancing set)에 속한 웹 서버들에게 트래픽 부하를 고르게 분산해주는 역할
두 대의 서버로 트래픽을 감당할 수 없을 때, 로드밸런서가 있으면 우아하게 대처할 수 있다.
웹 서버 계층에 더 많은 서버를 추가하기만 하면, 로드밸런스가 자동적으로 트래픽을 분산하기 시작할 것이다.
데이터베이스 다중화
주(master)-부(slave) 관계를 설정하고 데이터 원본은 주 서버에, 사본은 부 서버에 저장하는 방식
데이터베이스 다중화의 이점
- 더 나은 성능: 변경 연산은 주 데이터베이스, 읽기 연산은 부 데이터베이스 서버로 분산됨. 병렬로 처리될 수 있는 질의(query) 수가 늘어나므로 성능이 좋아진다.
- 안정성(reliability): 데이터베이스 서버 일부가 파괴되어도 다중화 시켜놓았기 때문에 데이터가 보존 됨.
- 가용성(availability): 데이터를 여러 지역에 복제대 둠으로써, 데이터 장애가 발생하더라도 다른 서버에 있는 데이터를 가져와 서비스를 지속할 수 있게 됨.
4. 캐시
캐시
값비싼 연산 결과 또는 자주 참조되는 데이터를 메모리 안에 두고, 뒤이은 요청이 보다 빨리 처리될 수 있도록 하는 저장소
캐시 계층(cache tier)
데이터가 잠시 보관되는 곳으로 데이터베이스보다 훨씬 빠르다
요청을 받은 웹 서버는 캐시에 응답이 저장되어 있는지를 보고, 만일 저장되어 있다면 해당 데이터를 클라이언트에 반환한다.
없는 경우에는 데이터베이스 질의를 통해 데이터를 찾아 캐시에 저장한 뒤 클라이언트에 반환한다.
캐시 사용 시 유의할 점
- 캐시는 어떤 상황에 바람직한가? 데이터 참조가 빈번하게 일어난다면 고려해볼만 하다.
- 어떤 데이터를 캐시에 두어야 하는가? 캐시는 데이터를 휘발성 메모리에 두므로, 영속적으로 보관할 데이터를 캐시에 두는 것은 바람직하지 않다.
- 캐시에 보관된 데이터는 어떻게 만료(expire)되는가? 만료 정책이 없으면 데이터는 캐시에 계속 남게 된다. 만료기간이 너무 짧으면 데이터베이스를 너무 자주 읽게되며, 너무 길면 원본가 차이날 가능성이 높아진다.
- 일관성(consistency)은 어떻게 유지되는가? 저장소의 원본을 갱신하는 연산과 캐시를 갱신하는 연산이 단일 트랜잭션으로 처리되지 않는 경우 일관성이 원본과 캐시의 일관성이 깨질 수 있다.
- 장애에는 어떻게 대처할 것인가? SPOF(Single Point of Failur)를 피하려면 여러 지역에 걸쳐 캐시 서버를 분산시켜야 한다.
- 캐시 메모리는 얼마나 크게 잡을 것인가? 캐시 메모리를 과할당(overprovision)하면 캐시에 보관될 데이터가 갑자기 늘어났을 때 생길 문제도 방지할 수 있게 된다.
- 데이터 방출(eviction) 정책은 무엇인가? 캐시가 꽉 차버리면 기존 캐시 데이터를 내보내야 한다. LRU(Least Recently Used), LFU(Least Frequently Used), FIFO(First In First Out) 등 정책 사용
5. 콘텐츠 전송 네트워크(CDN)
CDN
정적 콘텐츠를 전송하는 데 쓰이는, 지리적으로 분산된 서버의 네트워크이다. 이미지, 비디오, CSS, JavaScript 파일 등을 캐시할 수 있다.
CDN 사용 시 고려해야 할 사항
- 비용: CDN은 보통 제3 사업자(third-party providers)에 의해 운영되며, CDN으로 들어가고 나가는 데이터 전송 양에 따라 요금을 내게 된다. 자주 사용되지 않는 콘텐츠를 캐싱하는 것은 이득이 크지 않으므로, CDN에서 빼는 것을 고려하도록 하자.
- 적절한 만료 시한 설정: 너무 길면 콘텐츠의 신선도는 떨어질 것이고, 너무 짧으면 원본 서버에 빈번히 접속하게 되어서 좋지 안핟.
- CDN 장애에 대한 대처 방안: CDN 자체가 죽었을 경우 웹사이트/애플리케이션이 어떻게 동작해야 하는지 고려해야 한다.
- 콘텐츠 무효화(invalidaiton) 방법: 아직 만료되지 않은 콘텐츠라 하더라도 아래 방법 가운데 하나를 쓰면 CDN에서 제거할 수 있다.
- CDN 서비스 업자가 제공하는 API를 사용
- 콘텐츠의 다른 버전을 서비스하도록 오브젝트 버저닝(ex. image.png?v=2)
6. 무상태(stateless) 웹 계층
무상태 웹 계층
상태 정보(사용자 세션 데이터와 같은)를 관계형 데이터베이스나 NoSQL 같은 지속성 저장소에 보관하고, 필요할 때 가져오도록하는 구성된 웹 계층
이 구조에서 사용자로부터의 HTTP 요청은 어떤 웹 서버로도 전달될 수 있다.
웹 서버는 상태 정보가 필요할 경우 공유 저장소(shared storage)로부터 데이터를 가져온다. 따라서 웹 서버로부터 물리적으로 분리되어 있다. 이런 구조는 단순하고, 안정적이며, 규모 확장이 쉽다.
7. 데이터 센터
두 개의 데이터 센터를 사용할 때, 하나에 심각한 장애가 발생하면 모든 트래픽은 장애가 없는 데이터 센터로 전송된다.
다중 데이터센터 아키텍처를 만들려면 몇 가지 기술적 난제를 해결해야 한다.
- 트래픽 우회: 올바른 데이터 센터로 트래픽을 보내는 효과적인 방법을 찾아야 한다.
- 데이터 동기화(synchronization): 데이터 센터마다 별도의 데이터베이스를 사용하고 있는 상황이라면, 장애가 자동으로 복구되어(failover) 트래픽이 다른 데이터베이스로 우회된다 해도, 해당 데이터센터에는 찾는 데이터가 없을 수도 있다. 이런 상황을 막는 보편적 전략은 데이터를 여러 데이터센터에 걸쳐 다중화하는 것이다.
- 테스트와 배포(deployment): 여러 데이터 센터를 사용하도록 시스템이 구성된 상황이라면 웹 사이트 또는 애플리케이션을 여러 위치에서 테스트해보는 것이 중요하다.
8. 메시지 큐
메시지 큐
메시지의 무손실(durability, 즉 메시지 큐에 일단 보관된 메시지는 소비자가 꺼낼 때까지 안전히 보관된다는 특성)을 보장하는, 비동기 통신(asynchronous communication)을 지원하는 컴포넌트
메시지 큐를 이용하면 서비스 또는 서버 간 결합이 느슨해져서, 규모 확장성이 보장되어야 하는 안정적 애플리케이션을 구성하기 좋다. 생산자는 소비자 프로세스가 다운되어 있어도 메시지를 발행할 수 있고, 소비자는 생산자 서비스가 가용한 상태가 아니어도 메시지를 수신할 수 있다.
9. 로그, 메트릭 그리고 자동화
몇 개 서버에서 실행되는 소규모 웹 사이트를 만들 때는 로그나 메트릭(metric), 자동화(automation) 같은 것은 하면 좋지만 꼭 할 필요는 없다. 하지만 일단 웹 사이트와 함께 사업 규모가 커지고 나면, 그런 도구에 필수적으로 투자해야 한다.
- 로그: 에러 로그를 모니터링 하는 것은 중요하다. 에러 로그를 단일 서비스로 모아주는 도구를 활용하면 더 편리하게 검색하고 조회할 수 있다.
- 메트릭: 메트릭을 잘 수집하면 사업 현황에 관한 유용한 정보를 얻을 수도 있고, 시스템의 현재 상태를 손쉽게 파악할 수도 있다.
- 호스트 단위 메트릭: CPU, 메모리, 디스크 I/O
- 종합(aggregated) 메트릭: 데이터베이스 계층의 성능, 캐시 계층의 성능
- 핵심 비즈니스 메트릭: 일별 능동 사용자(daily active user), 수익(revenue), 재방문(retention)
- 자동화: 시스템이 크고 복잡해지면 생산성을 높이기 위해 자동화 도구를 활용해야 한다. (빌드, 테스트, 배포 등의 절차 자동화)
10. 데이터베이스의 규모 확장
저장할 데이터가 많아지면 데이터베이스에 대한 부하도 증가한다.
데이터베이스의 규모를 확장하는 데는 수직적 확장, 수평적 확장 두 가지가 있다.
수직적 확장
고성능의 자원(CPU, RAM, 디스크 등)을 증설하는 방법이다.
하지만 몇 가지 심각한 약점이 있다.
- 데이터베이스 서버 하드웨어에는 한계가 있으므로 CPU, RAM 등을 무한 증설할 수는 없다.
- SPOF(Single Point of Failure)로 인한 위험성이 크다.
- 비용이 많이 든다.
수평적 확장
데이터베이스의 수평적 확장은 샤등(sharding)이라고도 부르는데, 더 많은 서버를 추가함으로써 성능을 향상시킬 수 있도록 한다.
샤딩은 데이터베이스 규모 확장을 실현하는 훌륭한 기술이지만 완벽하진 안핟. 샤딩을 도입하면 시스템이 복잡해지고 풀어야 할 새로운 문제도 생긴다.
- 데이터의 재 샤딩(resharding): 하나의 샤드로는 더 이상 감당하기 어려울 때. 샤드간 데이터 분포가 균등하지 못해 어떤 샤드의 공간 소모가 빨리 진행될 때에는 샤드 키를 계산하는 함수를 변경하고 데이터를 재배치해야 한다.
- 유명인사(celebrity) 문제: 핫스팟 키(hotspot key) 문제라고도 부르는데, 특정 샤드에 질의가 집중되어 서버에 과부하가 걸리는 문제다. 이 문제를 풀려면 유명인사 각각에 샤드 하나씩을 할당해야할 수도 있고, 심지어는 더 잘게 쪼개야 할 수도 있다.
- 조인과 비정규화(join and de-normalization): 여러 샤드에 걸친 데이터를 조인하기 힘들어진다. 이를 해결하는 한 가지 방법은 데이터베이스를 비정규화하여 하나의 테이블에서 질의가 수행될 수 있도록 하는 것이다.
백만 사용자, 그리고 그 이상
하지만 수백만 사용자 이상을 지원하려면 새로운 전략을 도입해야하고 지속적으로 시스템을 가다듬어야 할 것이다.
이번 장에서 다른 모든 기술은 새롭게 등장하는 도전적 과제를 해결하기 위한 훌륭한 자양분이 되어 줄 것이다.
이번 장에 살펴본 기법들을 정리해보면 다음과 같다.
- 웹 계층은 무상태 계층으로
- 모든 계층에 다중화 도입
- 가능한 한 많은 데이터를 캐시할 것
- 여러 데이터 센터를 지원할 것
- 정적 콘텐츠는 CDN을 통해 서비스할 것
- 데이터 계층은 샤딩을 통해 그 규모를 확자앟ㄹ 것
- 각 계층은 독립적 서비스로 분하랗ㄹ 것
- 시스템을 지속적으로 모니터링하고, 자동화 도구를 활용할 것