1장 사용자 수에 따른 규모 확장성

서론

나는 언젠가 소프트웨어 시스템의 아키텍처를 설계하고 구현해야 한다. 디자인 패턴처럼 시스템 아키텍처 또한 여러 문제가 있었고 문제를 해결하며 발전되었고 발전되고 있다고 생각한다. 해당 책은 여러 문제와 해결 방법을 단계적으로 정리해놓았다고 생각했다. 책을 읽으며 발전하길 바란다. 

 

수백만 사용자를 지원하는 시스템을 설계하는 것은 도전적인 과제이며, 지속적인 계량과 끝없는 개선이 요구되는 여정이다. 1장은 한 명의 사용자를 지원하는 시스템에서 시작하여, 최종적으로 몇백만 사용자를 지원하는 시스템을 설계한다.

 

단일 서버

모든 컴포넌트(웹 앱, 데이터베이스, 캐시 등)가 단 한 대의 서버에서 실행되는 간단한 시스템

 

그림 1-1

위 그림 처럼 단일 서버와 통신하기 위해서는 1~4 단계의 작업을 거친다. 클라이언트와 서버가 통신하며 HTML 문서를 받기도 하지만 JSON과 같은 형식의 text를 받기도 한다. JSON을 사용하는 이유는 간결함 덕분이다. 아래는 JSON의 예시이다.

요청

응답

링크를 통해 확인할 수 있다. JSON과 같은 구조화된 데이터 표현은 Go의 구조체, Java의 클래스와 비슷한 형식이라고 볼 수 있다. 그렇기때문에 json을 받아와 Go의 구조체 혹은 Java의 클래스에 매핑하는 방식을 많이 사용한다.

 

데이터베이스

체계적으로 조직된 데이터의 집합으로 DBMS(데이터의 집합을 저장하고 관리하는 시스템)에 의해 관리된다. 데이터베이스의 종류로는 관계형 데이터베이스인 RDB, 비-관계형 데이터베이스인 NoSQL 2가지가 있다. 

 

사용자가 늘면 서버 하나로는 부족하기 때문에 서버를 여러 대 두기도 한다. 

그림 1-2

위는 웹/모바일 트래픽을 처리하는 용도의 서버와 데이터베이스용 서버 2대를 사용하는 모습이다. 

Why?
해당 부분을 읽으며, 웹 서버와 데이터베이스를 각각 다른 서버에 두는 것에 대해 궁금증을 가졌다.

1. 웹 서버, 데이터베이스를 같이 2 대 사용
2. 웹 서버 1대, 데이터베이스 서버 1대 사용

Question : 어떤 차이점이 있을까?
Answer : 
1. 성능 및 확장성 : 데이터베이스 서버는 데이터의 읽기, 쓰기 작업을 처리하는 데 중점이 되어있기 때문에 고성능의 디스크 및 메모리를 필요로 한다. 웹/앱 서버는 요청에 대한 동적 콘텐츠를 생성하는 데 중점을 두며 CPU 및 네트워크 리소스를 필요로 한다. 같은 서버에서 사용 한다면 두 가지의 조건에 맞는 서버를 사용해야 하지만, 각각의 서버에서 사용한다면 필요로 하는 부분만 특화시켜서 사용할 수 있다.

2. 분리된 보안 및 안정성 : 데이터베이스는 주로 민감한 데이터를 저장한다. 그렇기때문에 클라이언트에서 직접적인 접근을 한다면 보안상 취약할 확률이 더 높아진다. 웹/앱 서버를 통해 데이터베이스 서버에 접근함으로써 보안이 강화된다.

3. 유지보수 및 관리의 편의성 : 1번에서 각각 필요로 하는 자원이 다르다고 했다. 각 서버를 분리함으로써 독립적으로 수평확장 및 수직확장을 할 수 있게된다. 이는 시스템의 복잡성을 줄이고 유지보수 작업을 단순화할 수 있다.

 

어떤 데이터베이스를 사용할 것인가?

데이터베이스의 종류에는 관계형 데이터베이스, 비관계형 데이터베이스가 있다고 했다. 그렇다면 어떤 차이점이 있을까?

 

RDB

• 자료를 테이블과 열, 칼럼으로 표현하다.
• SQL을 사용하여 여러 테이블의 데이터를 조작한다.
• 관계에 따라 테이블을 join하여 합칠 수 있다.
• 많이 사용하는 RDB로는 MySQL, 오라클 DB, PostgreSQL등이 있다.

NoSQL

• 키-값 저장소, 그래프 저장소, 칼럼 저장소, 문서 저장소로 4분류의 NoSQL이 있다.
• join 연산을 지원하지 않는다.
• 수평확장 가능
• 많이 사용하는 NoSQL로는 AWS DynamoDB, Cassandra, HBase, CouchDB, Neo4j 등이 있다.

RDB를 많이 사용하지만 아래 상황의 경우 NoSQL이 더 바람직한 선택일 수 있다.

• 아주 낮은 응답 지연시간이 요구 됨
  • NoSQL은 수평 확장이 용이하다. 요청이 많은 경우 병렬적으로 요청을 처리할 수 있기때문에 MySQL에 비해 빠른 응답이 가능
  • Redis, MongoDB 같은 인메모리 NoSQL 데이터베이스가 매우 빠른 응답 가능
• 다루는 데이터가 비정형이라 관계형 데이터가 아님
  • NoSQL의 경우 스키마가 없거나 유연한 스키마를 가질 수 있기때문에 비정형 데이터에 적합하다.
• 데이터를 직렬화하거나 역직렬화 할 수 있기만 하면 됨
  • NoSQL은 대부분 JSON과 같은 유연한 데이터 형식을 사용하기 때문에 데이터를 직렬화하거나 역직렬화 하는데 용이
• 아주 많은 양의 데이터를 저장할 필요가 있음
  • NoSQL은 수평 확장이 용이하다고 했다. 수직확장은 한계가 존재하지만, 수평확장의 경우 한계가 없다. 

 

수직적 규모 확장 vs 수평적 규모 확장

수직 확장 : 흔히 Scale up 이라고도 한다. 이전 사양보다 CPU, RAM 등 더 높은 사양으로 바꾸는 행위로 1대의 서버만 사용
수평 확장 : 흔히 Scale out 이라고도 한다. 같은 사양의 서버를 추가 개설하며 로드밸런서를 통해 트래픽을 적절히 분산

 

수직 확장은 트래픽 양이 적을 때 좋은 선택이다. 한 대로 관리하기 때문에 단순하기 때문이다. 하지만, 성능에는 한계가 있기때문에 트래픽 양이 많은 때는 좋은 선택이 되지 못한다. 또한, 서버가 장애나면 웹사이트/앱 서비스가 중단된다는 치명적인 단점이 있다.

수평 확장은 트래픽 양이 많은 때 좋은 선택이다. 무한 확장이 가능하기 때문이다. 하지만, 수직 확장에 비해 복잡하다. 데이터 일관성, 분산 트랜잭션 관리, 네트워크 통신 및 로드 밸런싱 등의 문제를 다루어야 한다.

 

로드밸런서

부하 분산 집합에 속한 웹 서버들에게 트래픽 부하를 고르게 분산하는 역할

 

그림 1-3

위 그럼처럼 Client는 로드밸런서의 공개 IP 주소로 접속한다. 따라서 웹 서버는 클라이언트의 접속을 직접 처리하지 않는다. 더 나은 보안을 위해, 서버 간 통신에는 사설 IP 주소가 이용된다. 참고로 사설 IP 주소는 같은 네트워크에 속한 서버 사이의 통신에만 쓰일 수 있는 IP 주소이다. 

 

이렇게 부하 분산 집합에 또 하나의 웹 서버를 추가하고 나면 failover(자동복구 하지 못하는 문제)가 해소되며 가용성이 향상된다.

 

데이터베이스 다중화

가용성과 신뢰성을 향상시키기 위함으로 여러 대의 서버나 저장장치에 데이터베이스를 복제하는 것을 의미한다. 서버 사이에 주(master)-부(slave) 관계를 설정하고 데이터 원본은 주 서버에, 사본은 부 서버에 저장하는 방식이다.

 

쓰기 연산(insert, update, delete)은 마스터에서만 지원한다. 부 데이터베이스는 주 데이터베이스로부터 사본을 전달받으며, 읽기 연산(get)만을 지원한다. 대부분의 애플리케이션은 읽기 연산의 비중이 훨씬 높기때문에 부 데이터베이스의 수가 주 데이터베이스보다 많다.

 

데이터베이스를 다중화하면 아래와 같은 장점이 있다.

• 성능
  • 읽기 연산과 쓰기 연산 때 사용하는 DB가 다르고, 비교적 많이 사용 읽기 연산에 사용되는 DB가 많기 때문에 병렬적으로 빠르게 응답이 가능하다.
• 안전성
  • 데이터베이스 서버 가운데 일부가 파괴되어도 데이터를 지역적으로 떨어진 여러 장소에 다중화시켜 놓을 수 있기때문에 데이터가 보존된다.
• 가용성
  • 안정성에서 적은 이유와 비슷한 이유로 하나의 DB가 파괴되어도 다른 서버에 있는 DB를 가져와 서비스할 수 있다.

만약, DB 서버 중 하나가 장애가 난다면 어떻게 될까?

• 부 서버가 1대인데 장애가 난 경우
  • 읽기 연산은 한시적으로 모두 주 데이터베이스로 전달되며, 새로운 부 데이터베이스 서버가 장애 서버를 대체할 것이다. 
• 주 데이터베이스가 장애가 난 경우
  • 한 대의 부 데이터베이스가 있는 경우 해당 부 데이터비스가 새로운 주 서버가 될 것이고, 모든 데이터베이스 연산은 일시적으로 새로운 주 데이터베이스가 수행할 것이다. 그리고 새로운 부 데이터베이스가 추가될 것이다. 

그림 1-4

데이터베이스의 다중화까지 합치면 위와같이 동작할 것이다. 

 

캐시

참조 지역성의 원리를 이용하여 자주 참조되는 데이터를 메모리 안에 두고, 뒤이은 요청보다 빨리 처리될 수 있도록하는 저장소

그림 1-4처럼 웹 페이지를 새로고침 할 때마다 표시할 데이터를 가져오기 위해 1번 이상 데이터베이스 호출이 발생한다. 애플리케이션의 성능은 데이터베이스를 얼마나 자주 호출하느냐에 크게 좌우되는데, 캐시는 이러한 문제를 완화시킬 수 있다.

 

캐시 계층

별도의 캐시 계층을 두면 성능이 개선될 뿐 아니라 데이터베이스의 부하를 줄일 수 있고, 캐시 계층의 규모를 독립적으로 확장시키는 것도 가능해진다. 

1. 요청을 받은 웹 서버는 캐시에 응답이 저장되어 있는지를 본다.
   1. 저장되어 있다면, 해당 데이터를 클라이언트에 반환한다.
   2. 저장되어 있지 않다면, 데이터베이스 질의를 통해 데이터를 찾아 캐시에 저장한 뒤 클라이언트에 반환한다.

위는 읽기 주도형 캐시 전략 이라고 한다. 다양한 캐시 전략이 있는데 캐시할 데이터 종류, 크기, 액세스 패턴에 맞는 캐시 전략을 선택하면 된다.

 

캐시 서버를 이용하는 방법은 간단한데 대부분의 캐시 서버들이 일반적으로 널리 쓰이는 프로그래밍 언어로 API를 제공하기 때문이다. 아래는 memcached API의 사용 예이다.

SECONDS = 1
cache.set('myKey', 'hi there', 3600 * SECONDS)
cache.get('myKey')

 

캐시 사용 시 유의할 점

그렇다면 캐시에 대해 질문을 던지며 답을 알아보자.

• 어떠한 상황에서 캐시를 사용하면 좋을까?
  • 데이터 갱신은 자주 일어나지 않지만 참조는 빈번하게 일어난다면 고려해볼만 하다. (당연)
• 어떤 데이터를 캐시에 두어야 할까?
  • 캐시 데이터는 휘발성 메모리에 둔다. 그렇기때문에 영속적으로 보관할 데이터를 캐시에 두는 것은 바람직하지 않다. 
• 캐시에 보관된 데이터는 어떻게 만료되는가?
  • 이에 대한 정책을 마련해 두는 것은 좋은 습관이다. 만료 정책이 없으면 데이터는 캐시에 계속 남게 된다.
  • 캐시 메모리는 크지 않기 때문에, 적절한 기간을 설정해 두는 것이 좋다. (상황에 따라서 다른 듯하다.)
• 일관성은 어떻게 유지하는가?
  • 저장소의 원본과 캐시를 갱신하는 연산이 한 트랜잭션에서 이루어지지 않는다면 일관성은 깨질 수 있다. (당연)
  • 여러 지역에 걸쳐 시스템을 확장해 나가는 경우 캐시와 저장소 사이의 일관성을 유지하는 것은 어려운 문제가 된다.
  • 이에 관해 페이스북에서 내놓은 논문 <Scaling Memcache at Facebook>을 참고하면 좋을 것 같다.
• 장애는 어떻게 대처할 것인가?
  • 캐시 서버를 한 대만 두는 경우 SPOF가 되어버릴 가능성이 있다. 이를 해결하기 위해서는 여러 지역에 걸쳐 캐시 서버를 분산시키면 된다.
• 캐시 메모리는 얼마나 크게 잡을 것인가?
  • 만료 방법과 비슷하다고 생각한다. 상황에 따라 캐시히트를 높이는 적절한 메모리를 찾아야 한다.
• 데이터 방출 정책은 무엇인가?
  • 캐시가 꽉 차버리면 추가 데이터를 캐시에 넣기위해 기존 데이터를 방출해야 한다. 이것은 데이터 방출 정책이라고 한다. LRU, LFU, FIFO 등 여러 정책이 있고 경우에 맞게 적용하자.

 

콘텐츠 전송 네트워크(CDN)

정적 콘텐츠를 전송하는 데 쓰이는 지리적으로 분산된 서버의 네트워크이다. 이미지, 비디오, CSS, JavaScript 파일 등을 캐시한다.

어떤 사용자가 웹 사이트를 방문하면, 사용자에게 가장 가까운 CDN 서버가 정적 콘텐츠를 전달하게 된다. 캐시 서버와 비슷한 느낌으로 사용자에게 빠른 응답을 주기위한 방법이라는 공통점이 있지만, 주요 목적과 범위에서 차이가 있다. 캐시의 경우 특정 네트워크나 조직 내에서 사용하며 내부 사용자들에게 빠른 응답을 위해 사용한다. CDN은 전 세계적으로 분산되어 지리적으로 떨어진 사용자에게도 빠른 응답을 위해 사용한다. 

 

CDN 사용 시 고려해야 할 사항

• 비용
  • CDN은 제 3 사업자에 의해 운영되며, 데이터 전송 양에 따라 요금이 부과된다. 자주 사용되지 않는 콘텐츠를 캐싱하는 것은 이득이 크지 않으므로, CDN에서 사용하지 않도록 하자.
• 적절한 만료 시한 설정
  • 시의성이 중요한 콘텐츠의 경우 만료 시점을 잘 정해야 한다. 캐시와 비슷하다. 모든 적절하게 사용하는 것이 중요하다.
• CDN 장애에 대한 대처 방안
  • 일시적으로 CDN이 동작하지 않는다면, 원본 서버로부터 직접 콘텐츠를 가져오도록 구성해야 한다.

아래 그림 1-5는 CDN과 캐시가 추가된 설계다.

그림 1-5

 

 

무상태(stateless) 웹 계층

웹 계층을 수평적으로 확장하기 위해서는 상태 정보를 웹 계층에서 제거해야 한다. 바람직한 선택은 상태 정보를 RDB나 NoSQL같은 저장소에 보관하는 방법이다. 

 

상태 정보 의존적인 아키텍쳐

당연하게도 상태 정보를 보관하는 서버는 상태를 유지하여 요청들 사이에 공유되도록 한다. 만약, 상태 정보를 보관한 서버가 아닌 다른 서버로 요청하는 경우 원활한 통신이 되지 않을 수 있다. 이를 위해 로드밸런서가 고정 세션이라는 기능을 제공하고 있는데, 이는 로드밸런서에 부담을 준다.

 

무상태 아키텍쳐

상태없이 HTTP 요청이 어떤 웹 서버로 전달되도 같은 응답을 하는 아키텍쳐이다. 웹 서버는 상태 정보가 필요한 경우 공유 저장소로부터 데이터를 가져온다. 따라서 상태 정보는 웹 서버로부터 물리적으로 분리되어 있다.

 

그림 1-6

그림 1-6은 세션 데이터를 웹 계층에서 분리하고 지속성 데이터 보관소에 저장하도록 만들었다. 공유 저장소는 RDB, 캐시시스템, NoSQL 모든 저장소가 가능하다. 1-6에서는 NoSQL을 선택했는데 규모확장이 편리해서 지정했다. 

 

데이터 센터 

여러 개의 데이터 센터를 이용한다면 장애가 없는 상황에서 사용자는 가장 가까운 데이터 센터로 안내되는데, 이를 지리적 라우팅이라고 부른다.

그림 1-7

지리적 라우팅에서의 geoDNS는 사용자의 위치에 따라 도메인 이름을 어떤 IP 주소로 변환할지 결정할 수 있도록 도와주는 DNS 서비스이다. 만약 DC2 US-East가 심각한 장애가 발생한다면, 모든 요청은 DC1 US-East로 갈 것이다. 이러한 사례를 대처하는 다중 데이터센터 아키텍처를 만들려면 몇 가지 기술적 난제를 해결해야 한다.

 

1. 트래픽 우회
   • 올바른 데이터 센터로 트래픽을 보내는 효과적인 방법을 찾아야 한다. 
2. 데이터 동기화
   • 데이터 센터마다 별도의 데이터베이스를 사용하고 있는 상황이라면, 장애가 날 경우 다른 서버에 요청한다면 정상적으로 응답을 보내주기 힘든 상황이 발생할 수 있다. 이러한 상황을 막기위해 데이터를 여러 데이터 센터에 걸쳐 다중화하는 방법이 있다.

시스템을 더 큰 규모로 확장하기 위해서는 시스템의 컴포넌트를 분리하여, 각기 독립적으로 확장될 수 있도록 해야한다. 메시지 큐는 많은 실제 분산 시스템이 이 문제를 풀기 위해 사용하고 있는 핵심 전략 중 하나이다.

 

메시지 큐

메시지의 무손실(durability, 메시지 큐에 일단 보관된 메시지는 소비자가 꺼낼 때까지 안전히 보관된다는 특성)을 보장하는, 비동기 통신을 지원하는 컴포넌트 

메시지 큐의 기본 아키텍처는 간단하다. 생산자 또는 발행자(producer/publisher)라고 불리는 입력 서비스가 메시지를 만들어 메시지 큐에 발행(publish)한다. 큐에는 보통 소비자 혹은 구독자(consumer/subscriber)라 불리는 서비스 혹은 서버가 연결되어 있는데, 메시지를 받아 그에 맞는 동작을 수행하는 역할을 한다.

그림 1-8

메시지 큐를 이용하면 서비스 또는 서버 간 결합이 느슨해져 규모 확장성이 보장되어야 하는 안정적인 애플리케이션을 구성하기 좋다. 여기서 느슨해지는 이유는 간접 통신, 비동기 통신, 유연한 인터페이스 등을 들 수 있다. 사용 예로는 사진 보정 애플리케이션을 들 수 있다. 보정은 시간이 오래 걸릴 수 있는 프로세스이므로 비동기적으로 처리하면 사용자 경험을 증가시킬 수 있다. 

 

로그, 메트릭 그리고 자동화

몇 개의 서버에서 실행되는 소규모 웹 사이트를 만들 때는 로그, 메트릭, 자동화 같은 것은 하면 좋지만 꼭 할 필요는 없었다. 하지만, 규모가 커지고 나면, 이러한 도구에 필수적으로 투자해야 한다.

• 로그
  • 시스템의 오류, 문제를 보다 쉽게 찾아낼 수 있도록 하는 기능이다. 에러 로그는 서버 단위로 모니터링 할 수도 있지만, 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 메트릭 : 데이터베이스 계층의 성능, 캐시 계층의 성능
    • 핵심 비즈니스 메트릭 : 일별 능동 사용자, 수익, 재방문
• 자동화
  • 시스템이 크고 복잡해지면 생산성을 높이기 위해 자동화 도구를 활용해야 한다. 지속적 통합을 도와주는 도구, 빌드, 테스트, 배포 등의 절차를 자동화하면 개발 생산성을 크게 향상시킬 수 있다.

 

메시지 큐, 로그, 메트릭, 자동화 등을 반영하여 수정한 설계안

그림 1-9

 

데이터베이스의 규모 확장

저장할 데이터가 많아지면 데이터베이스에 대한 부하도 증가한다. 이때, 데이터베이스를 증설할 방법을 찾아야 한다. 데이터베이스의 규모를 확장하는 데는 수직 확장, 수평 확장 2가지가 있다. 

 

수직적 확장

위에 적었 듯 수직적 확장은 서버를 보다 고성능의 자원으로 교체하는 것이다. 가령 AWS의 RDS는 24TB RAM을 갖춘 서버도 상품으로 제공하고 있다. 많이 사용했던 스택오버플로(stackoberflow.com)는 2013년 한 해 동안 방문한 천만 명의 사용자 전부를 단 한 대의 마스터 데이터 베이스로 처리했다. 하지만, 이러한 수직적 접근법에는 몇 가지의 심각한 단점이 있다.

1. 무한하지 않은 CPU, RAM의 자원. 사용자가 지속적으로 늘어나면 한 대의 서버로는 결국 감당하기 어려울 것이다.
2. SPOF로 인해 서비스가 중단될 가능성이 있다.
3. 비용. 고성능 서버로 갈수록 가격이 크게 올라간다.

이러한 단점들로 인해 대규모 시스템을 설계하는 기업들에서는 수평적 확장을 사용하는 듯하다.

 

수평적 확장

데이터베이스의 수평적 확장은 샤딩(sharding)이라고도 부른다. 데이터베이스 수평적 확장은 더 많은 서버를 추가함으로써 성능을 향상시킬 수 있도록한다. 샤딩은 대규모 데이터베이스를 샤드(shard)라고 부르는 데 이를 작은 단위로 분할하는 기술을 일컫는다. 모든 샤드는 같은 스키마를 쓰지만 샤드에 보관되는 데이터 사이에는 중복이 없다.

그림 1-10

위는 샤딩의 사례 중 하나이다. user_id % 4를 해시 함수로 사용하여 데이터가 보관되는 샤드를 정하는 것이다. 

 

샤딩 전략을 구현할 때 고려해야할 가장 중요한 것은 샤딩 키를 어떻게 정할지이다. 샤딩 키는 파티션 키라고도 부르는데, 데이터가 어떻게 분산될지 정하는 하나 이상의 칼럼으로 구성된다. 위의 경우 샤딩 키는 user_id이다. 샤딩 키를 정할 때는 데이터를 고르게 분할 할 수 있도록 하는 것이 가장 중요하다. 

 

샤딩은 데이터베이스 규모 확장을 실현하는 훌륭한 기술이지만 완벽하지 않다. 샤딩을 도입하면 시스템이 복잡해지고 풀어야할 새로운 문제가 생긴다.

• 데이터 재 샤딩
  • 재 샤딩은 아래와 같은 경우에 필요하다.
    1. 데이터가 많아져 하나의 샤드로는 감당하기 어려울 때
    2. 샤드 간 데이터 분포가 균등하지 못해 샤드 소진(shard exhaustion)이라고도 부르는 현상이 나타날 때 -> 안정 해시 기법으로 해결할 수 있다. (안정 해시 기법은 이후 5장에서 설명한다고 한다.)
• 유명인사 문제
  • 특정 샤드에 질의가 집중되어 서버에 과부하가 걸리는 문제
  • 가령 저스틴 비버, 레이디 가가 같은 유명인사가 전부 같은 샤드에 저장되는 데이터베이스가 있다고 가정하자. 이때, read 연산이 하나의 샤드에만 집중되어 과부하가 될 수 있다.
• 조인과 비정규화
  • 하나의 데이터 베이스를 여러 샤드 서버로 쪼개고 나면, 여러 샤드에 걸친 데이터를 조인하기가 힘들어진다. 이를 해결하는 한 가지 방법은 데이터베이스를 비정규화하여 하나의 테이블에서 질의가 수행될 수 있도록 하는 것이다. 

그림 1-11

그림 1-11은 샤딩까지 적용한 아키텍처이다.

 

백만 사용자, 그리고 그 이상

시스템의 규모를 확장하는 것은 지속적이고 반복적(iterative)인 과정이다. 해당 글의 내용을 반복하다 보면 원하는 규모의 시스템을 달성할 수 있게 된다. 그러나, 수백만 사용자 이상을 지원하려면 새로운 전략을 도입해야 하고 지속적으로 시스템을 가다듬어야 할 것이다. 예를들어, 시스템을 최적화하고 더 작은 단위의 서비스로 분할해야 할 수도 있다.

 

위의 내용들을 다시 한 번 정리해보면 아래와 같다.

1. 웹 계층은 무상태 계층
2. 모든 계층에 다중화 도입
3. 가능한 한 많은 데이터를 캐시할 것
4. 여러 데이터 센터를 지원할 것
5. 정적 콘텐츠는 CDN을 통해 서비스 할 것
6. 데이터 계층은 샤딩을 통해 그 규모를 확장할 것
7. 각 계층은 독립적 서비스로 분할할 것
8. 시스템을 지속적으로 모니터링하고, 자동화 도구를 사용할 것

 

 

 

Reference

• 가상 면접 사례로 배우는 대규모 시스템 설계 기초
• https://jsonapi.org/examples/
• https://www.usenix.org/system/files/conference/nsdi13/nsdi13-final170_update.pdf