[대규모 시스템 설계 기초] 사용자 수에 따른 규모 확장성

 

 

 

사용자 수에 따른 규모 확장성

 

 

단일 서버

서버 하나에서 모든 작업을 처리하는 구조이다.

 

사용자는 도메인 이름을 통해 웹사이트에 접속한다.

DNS에서 도메인 이름에 해당하는 IP 주소를 주고 이 IP 주소로 HTTP 요청을 보내면 서버는 HTML 페이지 또는 JSON 형태의 데이터를 응답으로 반환한다.

 

 

데이터베이스

어떤 데이터베이스를 사용할 것인지를 결정하는 것도 중요하다.

 

일반적으로 관계형 데이터베이스를 사용하지만 특정 상황에서 비관계형 데이터베이스를 고려할 수 있다.

 

ex)

- 아주 낮은 응답 Latency가 요구되는 경우

- 비정형 데이터를 다루는 경우

- 대량의 데이터를 다루는 경우

 

 

수직적 규모 확장 vs 수평적 규모 확장

수직적 규모 확장(Scale up)은 서버를 더 고사양으로 만드는 것이다. 더 좋은 CPU와 더 좋은 RAM 등..

트래픽이 많지 않을 때는 scale up도 좋은 방법이다. Scale up의 가장 큰 장점은 단순하다는 것이다.

 

하지만 Scale up에는 몇 가지 단점이 있다.

 

• 수직적 확장에는 한계가 있다.
  • 하나의 서버에 계속해서 CPU와 메모리를 추가할 수는 없다.
• 장애에 대한 자동복구(failover) 방안이나 다중화 방안을 제시하지 않아 고가용성이 떨어진다.
  • 대형 선풍기 하나가 고장 나면 대안이 없다.
• 부하 분산이 불가능하다.
  • 성능이 좋아져도 결국 서버 하나가 처리한다.

따라서 대규모 애플리케이션에는 수평적 규모 확장(Scale out)이 더 적절한 방법이다.

 

 

로드밸런서

로드밸런서는 웹 서버들에게 트래픽 부하를 고르게 분산하는 역할을 한다.

 

사용자는 로드밸런서의 public IP 주소로 접속한다. 따라서 웹 서버는 사용자의 접속을 직접 처리하지 않는다.

보안을 위해 서버 간 통신에는 private IP 주소를 사용한다. Private IP는 같은 네트워크에 속한 서버 사이의 통신에만 사용되는 IP 주소로, 인터넷을 통해 접속할 수 없다. 로드밸런서는 웹 서버와 private IP 주소로 통신한다.

 

서버 1이 다운되면 서버 2로 트래픽이 유입되어 웹사이트 전체가 다운되는 것을 방지할 수 있다.

또한 트래픽이 증가하면 서버를 추가하기만 하면 트래픽이 자동으로 분산된다.

 

이렇게 로드밸런서를 사용하여 가용성을 향상시킬 수 있다.

 

 

데이터베이스 다중화

데이터베이스 역시 다중화를 통해 가용성 확보와 트래픽 분산을 할 수 있다.

 

Master DB에 원본을 저장하고 Replica DB에 사본을 저장한다. (*참고* Slave라는 표현은 점점 지양하는 것 같다.)

데이터에 변화를 주는 insert, update, delete 등의 연산은 master 데이터베이스에서만 가능하고 replica 데이터베이스에서 read 연산을 수행한다.

 

대부분의 애플리케이션은 쓰기 요청보다 읽기 요청이 더 많으므로 여러 개의 replica 데이터베이스를 구성한다.

 

데이터베이스 다중화를 통해 다음과 같은 효과를 볼 수 있다.

 

• 분산 처리
  • 쓰기와 읽기 요청을 분리해서 처리할 수 있다.
• 안정성
  • 자연재해 등으로 일부 데이터베이스 서버에 문제가 생겨도 데이터가 보존된다.
• 가용성
  • 일부 데이터베이스 서버에 장애가 발생해도 서비스를 유지할 수 있다.

 

지금까지의 내용을 합치면 아래와 같은 구조이다.

 

 

캐시

애플리케이션의 성능은 데이터베이스를 얼마나 자주 호출하느냐에 따라 크게 좌우되는데, 캐시는 이런 문제를 완화시켜 준다.

 

다음은 캐시를 사용하는 방법 중 하나이다.

Read-Through 방식

 

다른 캐시 전략과 spring에서 redis를 사용하는 방법은 처음 만난 Redis - 2에서 참고할 수 있다.

 

캐시를 사용할 때는 아래 사항들을 고려해야 한다.

 

• 캐시는 어떤 상황에서 사용하는 것이 바람직한가?
  • 데이터 갱신은 자주 일어나지 않지만 참조는 빈번한 경우
• 어떤 데이터를 캐시에 저장해야 하는가?
  • 영속적으로 보관하지 않는 데이터
• 캐시에 저장된 데이터의 만료는 어떻게?
  • 만료 기간이 너무 짧으면 DB 접근이 많아지고, 너무 길면 원본 데이터와 차이가 생길 수 있다.
  • 데이터 만료에 대한 정책을 미리 마련하고 사용하는 것이 좋다.
• 캐시와 데이터베이스의 일관성은 어떻게 유지되는가?
  • DB 갱신과 캐시 갱신이 하나의 트랜잭션에서 처리되지 않는 경우 일관성이 깨질 수 있다.
• 장애 대응은 어떻게 할 것인가?
  • 특정 지점에서의 장애가 전체 시스템을 중단시키는 경우, 해당 지점을 단일 장애 지점(SPOF)이라고 한다.
  • SPOF를 피하려면 캐시 서버도 분산시켜야 한다.
• 캐시 메모리의 크기는 어느 정도로 할 것인가?
  • 메모리가 너무 작으면 데이터의 잦은 eviction으로 성능이 떨어진다.
  • 이를 방지하려면 캐시 메모리를 과할당해야 한다.
• 데이터 방출(Eviction) 정책
  • 캐시가 가득 차면 기존 데이터를 삭제해야 한다.
  • 가장 많이 사용되는 방식은 LRU(마지막 사용이 가장 오래된 데이터 삭제)이다.

 

 

CDN

CDN은 정적 콘텐츠를 전송하는 데 쓰이는, 지리적으로 분산된 서버의 네트워크이다.

이미지, 비디오, CSS, JavaScript 파일 등 정적 콘텐츠를 캐시할 수 있다.

사용자가 웹사이트를 방문하면 사용자에게 가장 가까운 CDN 서버가 정적 콘텐츠를 전달한다.

따라서 기존 서버에서 전달하는 것보다 빠르게 로드된다.

 

CDN은 아래 그림처럼 동작한다.

이때 원본 서버는 웹 서버일 수도 있고 AWS S3와 같은 클라우드 저장소일 수도 있다.

 

원본 서버가 CDN 서버에 이미지를 반환할 때(2번 과정) HTTP 헤더에 캐시 되어 있는 시간 TTL(Time To Live) 값이 포함되어 있다. CDN에 캐시된 이미지 파일은 TTL 시간 동안 CDN 서버에 캐시되어 있다가 다른 사용자의 요청에 사용된다.

 

CDN도 사용할 때 고려해야 할 사항들이 있다.

 

• 비용
  • CDN은 보통 제3 사업자에 의해 운영되어, 사용되는 데이터 양에 따라 요금을 내야 한다.
  • 따라서 자주 사용되는 콘텐츠만 캐싱하는 것이 좋다.
• 만료 시간 설정
  • 캐시와 마찬가지로 너무 짧으면 원본 서버의 접근이 많아지고, 너무 길면 콘텐츠의 내용이 다를 수 있다.
• 장애 대응
  • CDN 서버에 장애가 발생했을 경우 애플리케이션이 어떻게 동작해야 하는지 고려해야 한다.
  • 예) CDN에서 일정 시간 응답이 없으면 원본 서버에서 콘텐츠 제공
• 콘텐츠 무효화
  • CDN에서 콘텐츠를 삭제하는 방법을 말한다.
  • CDN 서비스 사업자가 제공하는 API를 통해 제거하는 방법
  • 콘텐츠의 다른 버전을 서비스하도록 오브젝트 버저닝을 이용하는 방법
    • image.png?v=2 와 같이 URL 끝에 버전을 명시하면 된다.

 

캐시와 CDN까지 추가된 설계는 아래와 같다.

달라진 부분은 정적 콘텐츠를 웹 서버가 아닌 CDN을 통해 제공하는 것과 캐시를 통해 DB로의 트래픽을 줄였다는 점이다.

 

 

무상태(Stateless) 웹 계층

웹 계층을 수평적으로 확장하려면 사용자 세션 정보와 같은 상태 정보를 웹 계층에서 제거하고 DB에 저장하는 것이다.

 

만약 각 서버에서 상태 정보를 갖고 있는다면 사용자는 사용자의 정보를 갖고 있는 서버로만 접근해야 한다.

이를 위해 대부분의 로드밸런서가 고정 세션이라는 기능을 제공하는데, 이는 로드밸런서에 부담을 주고 서버를 추가하거나 제거하기 힘들어진다고 한다.

상태 정보를 공유 저장소에 저장함으로써 서버가 사용자의 상태 정보를 보유할 필요가 없다.

따라서 서버는 트래픽에 따라 자동으로 추가되거나 삭제될 수 있는 autoscaling이 가능해진다.

이때 공유 저장소는 redis와 같은 in memory 저장소일 수도 있고, 확장이 용이한 다른 NoSQL일 수도 있다.

 

 

데이터 센터

만약 이제 전 세계를 대상으로 서비스하는 상황이 되었다고 가정하면, 여러 데이터 센터를 운영해야 한다.

위 그림은 서울과 LA에 데이터 센터를 운영하는 구조이다.

지리적 라우팅을 통해 사용자는 더 가까운 데이터 센터를 이용하게 된다.

 

이렇게 여러 데이터 센터를 사용하는 구조를 이용하려면 역시 고려해야 할 사항들이 있다.

 

• 트래픽 우회
  • 올바른 데이터 센터로 트래픽을 보내는 효과적인 방법을 찾아야 한다.
• 데이터 동기화
  • 데이터를 여러 데이터 센터에 걸쳐 다중화해야 한다.
• 테스트
  • 여러 위치에서 애플리케이션을 테스트해야 한다.

 

 

메시지 큐

메시지 큐는 메시지의 무손실을 보장하는 비동기 통신을 지원하는 컴포넌트이다.

무손실을 보장한다는 것은 메시지 큐에 저장된 메시지는 소비자가 꺼내지 전까지 안전하게 보관되는 특성을 말한다.

생산자 또는 발행자라고 불리는 입력 서비스(서버)가 메시지를 만들어 큐에 발행한다.

소비자 또는 구독자라고 불리는 서비스(서버)가 구독을 통해 연결되어 메시지를 받을 수 있다.

 

이러한 구조를 이용하면 서비스(서버) 간 결합이 느슨해져서 규모 확장성이 보장되어야 하는 안정적 애플리케이션을 구성하기 좋다. 즉, 생산자는 소비자에서 장애가 발생해도 메시지를 발행할 수 있고, 소비자는 생산자에서 장애가 발생해도 메시지를 수신할 수 있다. 생산자와 소비자 서비스가 독립적으로 확장할 수 있는 것이다.

 

 

로그, 메트릭 그리고 자동화

서비스의 규모가 커지면 로그, 메트릭, 자동화 등에 투자를 해야 한다.

 

로그

• 서버 단위로 모니터링할 수도 있지만, 로그를 단일 서버로 모아주는 도구를 활용하면 더 편리하게 검색하고 조회할 수 있다.

메트릭

• 메트릭을 잘 수집하면 사업 현환에 유용한 정보를 얻을 수 있고, 시스템의 현재 상태를 쉽게 파악할 수도 있다.
• 유용한 메트릭
  • 호스트 단위 메트릭: CPU, 메모리, 디스크 I/O에 관한 메트릭
  • 종합 메트릭: DB 계층의 성능, 캐시 계층의 성능 등이 해당
  • 핵심 비즈니스 메트릭: 일별 능동 사용자(DAU), 수익, 재방문 등

자동화

• 빌드, 테스트, 배포 등의 절차를 자동화하면 개발 생산성을 크게 향상할 수 있다.

 

지금까지의 내용을 포함한 구조는 아래와 같다.

 

 

데이터베이스의 규모 확장

많은 양의 데이터를 다루기 위해서 데이터베이스도 규모를 확장해야 한다.

서버와 마찬가지로 수평적 확장(Scale out)을 권장한다.

 

데이터베이스의 수평적 확장은 샤딩(Sharding)이라고도 부른다.

대규모 데이터베이스를 샤드라는 작은 단위로 분할하는 기술을 샤딩이라고 한다.

샤딩 전략도 여러 방법이 있지만 해시 함수를 사용하는 방법을 많이 사용한다.

해시 함수의 결과에 해당하는 샤드에 데이터를 저장하는 방식이다.

 

샤딩 전략을 구현할 때 가장 중요한 것을 샤딩 키(sharding key)를 정하는 것이다.

샤딩 키는 데이터가 어떻게 분산될지를 정하는 하나 이상의 칼럼 모임이다.

가령 다음과 같은 상황에서는 user_id에 의해 샤드가 결정되므로 user_id 칼럼이 샤딩 키이다.

데이터를 고르게 분산시킬 수 있는 샤딩 키를 선택해야 한다.

 

샤딩은 데이터베이스를 확장하는 좋은 방법이지만, 해결해야 할 문제점도 있다.

 

• 재샤딩(Resharding)
  • 데이터가 너무 많아서 하나의 샤드로 감당하기 어려울 때 발생
  • 샤드 간 데이터 분포가 고르지 못해 특정 샤드의 공간 소모가 빠를 때 발생
• 유명인사 문제(Hotspot key)
  • 특정 샤드에 질의가 몰리는 경우를 말한다.
  • BTS, 세븐틴, 블랙핑크 등 유명인사가 모두 하나의 샤드에 저장된다면 해당 유명인사에 대한 수많은 read 연산을 샤드 하나가 처리하게 되어 과부하가 생길 수 있다.
• 조인과 비정규화
  • 여러 샤드로 분리하면, 여러 샤드에 걸친 데이터를 조인하는 것이 힘들다.
  • 비정규화가 해결책이 될 수 있다.

샤딩까지 적용한 아키텍처이다.

 

 

정리

• 웹 계층은 무상태 계층으로
• 모든 계층에 다중화 도입
• 가능한 많은 데이터를 캐시할 것
• 여러 데이터 센터를 지원할 것
• 정적 콘텐츠는 CDN을 통해 서비스할 것
• 데이터 계층은 샤딩을 통해 규모를 확장할 것
• 각 계층은 독립적 서비스로 분할할 것
• 지속적으로 모니터링하고 자동화 도구들을 활용할 것

 

 

오타 지적, 잘못된 내용 지적, 추가적인 내용 훈수 환영합니다.