사용자 수에 따른 규모 확장성

https://www.aladin.co.kr/shop/wproduct.aspx?ItemId=278536695

[전자책] 가상 면접 사례로 배우는 대규모 시스템 설계 기초

 

이번 장에서는 한 명의 사용자를 지원하는 시스템에서 시작하여 최종적으로 수백만 사용자를 지원하는 시스템을 설계한다.

 

단일 서버

모든 컴포넌트가 단 한대의 서버에서 실행되는 간단한 시스템으로 시작한다.

1. 사용자가 도메인(api.mysite.com)을 통해 웹사이트에 접속한다. 이를 위해 도메인 이름을 DNS(Domain Name Service)에 질의하여 IP 주소로 변환하는 과정이 필요하다.
2. DNS 조회 결과로 IP 주소(15.125.23.214)가 반환되고, 이는 웹 서버의 주소이다.
3. 위에서 찾은 IP 주소로 HTPT 요청이 전달된다.
4. 요청을 받은 웹 서버는 데이터베이스와 연동, 처리 후 HTML 페이지나 JSON 형태의 응답을 반환한다.

 

데이터베이스

데이터베이스는 관계형 데이터베이스(RDBMS)와 비-관계형 데이터베이스(NoSQL) 사이에서 고를 수 있다.

아래와 같은 경우 NoSQL이 적합할 수 있다.

• 낮은 응답 지연시간(latency)가 필요한 경우
• 다루는 데이터가 비정형으로 관계형 데이터가 아닌 경우
• 아주 많은 양의 데이터를 저장할 필요가 있는 경우

 

수직적 규모 확장 vs 수평적 규모 확장

수직적 규모 확장 = 스케일 업(scale up) = 고사양 자원

수평적 규모 확장 = 스케일 아웃(scale out) = 더 많은 서버 추가

• 수직적 규모 확장에는 한계(한 대의 서버에 CPU, 메모리 확장 제한)가 있다.
• 수직적 규모 확장법은 단일 장애 지점(SPOF, Single Pain Of Failure)의 문제가 발생할 수 있다.

위키피디아의 단일 장애 지점의 정의:
"어떤 특정 지점에서 장애가 전체 시스템의 동작을 중단시켜버릴 수 있는 경우, 해당 지점을 단일 장애 지점이라고 부른다."

 

 

로드밸런서

로드밸런서는 웹 서버들에게 트래픽 부하를 고르게 분산하는 역할을 한다. 위 그림은 로드밸런서가 어떻게 동작하는지 보여준다.

사용자는 로드밸런서의 공개 IP 주소(public IP)로 접속하고, 서버 간 통신에는 사설 IP 주소(private IP)를 이용한다.

• 서버 1이 다운되면 모든 트래픽은 서버 2로 전송되기에 웹 사이트 전체가 다운되는 일이 방지된다.
• 트래픽이 증가하면 위의 두 대의 서버로 감당하기 힘든 시점이 오는데, 로드밸런서로 인해 웹 서버 계층에 더 많은 서버를 추가하여 우아차게 대처할 수 있다.

 

데이터베이스 또한 다중화를 적용하여 원본은 주(master) 서버에, 사본은 부(slave) 서버에 저장한다.

쓰기 연산은 마스터에서만 지원하고, 부 데이터베이스는 사본을 전달받아 동기화를 하는데, 대부분의 애플리케이션에서 읽기 연산의 비중이 쓰기 연산의 비중보다 훨씬 높기 때문이다.

 

위와 같은 구조로 인해 성능 개선, 안정성(Reliability), 가용성(Availability) 등의 이점이 있다.

 

캐시

캐시는 비용이 비싼 연산 결과 혹은 자주 참조되는 데이터를 메모리 상에 두고, 보다 빠른 요청을 처리하는 저장소다.

별도의 캐시 계층을 통해 성능 개선 뿐만 아니라 데이터베이스의 부하를 줄일 수 있다.

 

Cache - Look Aside

위 그림은 기본적으로 캐시 계층을 구현하는 방법이다.

 

캐시를 사용할 때 고려해야 할 점은 다음과 같다.

• 캐시는 어떤 상황에 적합한가? (갱신은 자주 일어나지 않고, 참조가 빈번하게 발생하는 경우)
• 어떠한 데이터를 캐시에 두어야 하는가?
• 캐시에 보관된 데이터는 어떻게 만료(Expire)가 되어야 하는가?
• 일관성(consistency)은 어떻게 유지되는가?
• 장애에는 어떻게 대처할 것인가?
• 캐시의 메모리는 얼마나 크게 잡을 것인가?
• 데이터 방출(eviction) 정책은 무엇인가? (ex. LRU - 마지막 사용된 시점이 가장 오래된 데이터 내보내기)

(캐시 전략에 대한 비교는 해당 링크에서 확인할 수 있습니다.)

 

콘텐츠 전송 네트워크(CDN)

CDN은 정적 콘텐츠를 전송하는데 사용되는 물리적으로 분산된 서버의 네트워크이다.

이미지, 비디오, CSS, JS 파일 등 정적 콘텐츠에 대해 캐싱처리를 할 수 있다.

 

CDN (Content Delivery Network)

위 이미지는 CDN의 동작 과정을 설명한다.

 

1. 사용자 A가 이미지 URL을 이용해 image.png에 접근하고, 

2. CDN 서버에 이미지가 없는 경우 원본 서버에 요청하여 파일을 가져오고,

3. 원본 서버가 파일을 CDN에 저장하여 캐싱하고,

4. 사용자 A에게 image.png을 반환한다.

5. 다른 사용자 B는 동일한 이미지에 대한 요청을 CDN에 전송하는데,

6. 만료되지 않은 이미지에 대한 요청은 CDN 캐시를 통해 처리한다.

 

무상태(Stateless) 웹 계층

웹 계층을 수평적으로 확장하기 위해 상태 정보(사용자 세션과 같은)를 웹 계층에서 제거(stateless)해야 한다.

상태 정보에 의존적인 계층이라면, 특정 서버에 대한 사용자 요청은 동일한 서버에 전송되어야 한다. 다른 서버에는 해당 사용자에 대한 데이터를 보관하고 있지 않기 때문이다.

 

따라서 무상태 아키텍처에서는 사용자로부터 HTTP 요청은 어떠한 웹 서버로도 전달될 수 있고, 웹 서버에서 상태 정보가 필요할 경우 공유 저장소 등을 활용할 수 있다.

 

만약 서비스가 급속도로 성장하여 가용성을 높이고 전 세계 어디서도 쾌적하게 사용할 수 있도록 하기 위해서 여러 데이터 센터(data center)를 지원해야 한다.

 

데이터 센터

장애가 없는 상황에서 사용자는 가장 가까운 데이터 센터로 안내되는데, 이 절차를 지리적 라우팅(geoDNS-routing)라고 한다.

위 데이터 센터(DC) 중 하나에 장애가 발생하면 트래픽은 다른 데이터 센터로 전송된다.

 

위와 같은 아키텍처를 만들려면 고려해야 할 사항들이 있다.

• 트래픽 우회: 올바른 데이터 센터로 트래픽을 보내는 효과적인 방법을 찾아야 한다. GeoDNS는 사용자가 가장 가까운 데이터센터로 트래픽을 보낼 수 있도록 한다.
• 데이터 동기화(synchronization): 데이터 센터마다 별도의 데이터베이스를 사용한다면, 장애가 복구되어 트래픽이 다른 데이터베이스로 우회된다 해도, 해당 데이터센터에는 데이터가 없을 수 있다. 이런 상황을 막는 보편적인 전략은 데이터를 여러 데이터센터에 걸쳐 다중화하는 것이다.

(넷플릭스가 여러 데이터센터에 걸쳐 데이터를 어떻게 다중화하는지는 해당 링크 통해 확인할 수 있습니다.)

 

메시지 큐

메시지 큐는 메시지의 무손실을 보장하는, 비동기 통신을 지원하는 컴포넌트다.

: durability, 메시지 큐에 일단 보관된 메시지는 소비자가 꺼낼 때까지 안전히 보관된다는 특성

 

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

 

메시지 큐를 이용하면 서비스 혹은 서버 간 결합이 느슨해져서 규모 확장성이 보장되어야 하는 안정적 애플리케이션을 구성하기 좋다.

생산자는 소비자의 상태와 상관없이 메시지를 발행할 수 있고, 소비자또한 생산자와 상관없이 메시지를 수신할 수 있다.

 

로그, 메트릭 그리고 자동화

프로젝트의 규모가 커질수록 위의 도구에 필수적으로 투자해야 한다.

• 로그: 에러 로그를 모니터링하는 것은 굉장히 중요한데, 시스템 오류와 문제들을 보다 쉽게 찾아낼 수 있기 때문이다. 에러 로그는 서버 단위로 모니터링 할 수도 있지만, 로그를 단일 서비스로 모아주는 도구를 활용하면 더 편리하게 활용할 수 있다. (ex. ELK 스택)
• 메트릭: 메트릭을 잘 수집하면 사업 현황에 관한 유용한 정보를 얻을 수도 있고, 시스템의 현재 상태를 손쉽게 파악할 수 있다.
  - 호스틱 단위 메트릭: CPU, 메모리, 디스크 I/O
  - 종합 메트릭: 데이터베이스 계층의 성능, 캐시 계층의 서능
  - 핵심 비즈니스 메트릭: 일별 사용자, 수익, 클릭율, 재방문 등
• 자동화: 시스템이 크고 복잡해질수록 생산성을 높이기 위한 자동화 도구를 활용 (ex. CI/CD)

 

데이터베이스의 규모 확장

저장할 데이터가 많아질수록 데이터베이스에 대한 부하도 증가하는데, 데이터베이스를 증설할 방법을 찾아야 한다.

여기에는 수직적 확장, 수평적 확장의 두 가지 방법이 있다.

 

 

수직적 확장

스케일 업이라고 부르는 수직적 규모의 확장법은 기존 서버에 더 많은/높은 고성능의 자원을 증설하는 방법이다.

스택오버플로(stackoverflow.com)는 2013년 한 해 동안 방문한 천만 명의 사용자 전부를 단 한 대의 마스터 데이터베이스로 처리한 사례도 존재한다. 
https://nickcraver.com/blog/2013/11/22/what-it-takes-to-run-stack-overflow/

 

 하지만 이러한 수직적 접근법에는 몇 가지 문제점이 존재한다.

• 하드웨어의 한계로 인해 CPU, RAM 등을 무한히 증설할 수는 없다.
• SPOF(Single Poinf Of Failure)로 인한 위험성이 크다.
• 비용이 많이 발생할 수 있다.

수평적 확장

스케일 아웃이라고 부르는 수평적 확장은 데이터베이스에서는 샤딩이라고도 부르는데, 더 많은 서버를 추가함으로써 성능을 향상시킬 수 있도록 한다.

샤딩은 대규모 데이터베이스를 샤드(shard)라고 부르는 작은 단위로 분할하는 기술을 의미한다. 사용자 데이터를 어느 샤드에 넣을지 결정하는 것이 샤딩 전략을 구현할 때 가장 중요하게 고려해야 할 점이다.

샤딩 전략으로는 Key Based, Range Based, Look up Table 등 다양한 방식들이 있습니다. 이와 관련해서는 아래 영상에서 꽤나 자세하게 설명하고 있습니다.
https://www.youtube.com/watch?v=704qQs6KoUk

 

샤딩 키를 정할 때는 데이터를 고르게 분할할 수 있도록 하는 게 가장 중요하다. 또한 샤딩을 도입하면 시스템이 복잡해지고 풀어야 할 새로운 문제도 생긴다.

• 데이터의 재 샤딩(resharding): 데이터가 너무 많아져서 하나의 샤드로는 더 이상 감당하기 어려울 때, 샤드 간 데이터 분포가 균등하지 못할때 데이터의 재 샤딩이 필요하다.
• 유명인사(celebrity) 문제: 핫스팟 키 문제라고도 부르는데, 특정 샤드에 질의가 집중되어 서버에 과부하가 걸리는 문제다. 가령 저스틴 비버, 레이디 가가와 같은 유명인사가 전부 같은 샤드에 저장되는 데이터베이스가 있는 경우이다.

Instagram System Design
- https://www.geeksforgeeks.org/design-instagram-a-system-design-interview-question/
- https://dev.to/zeeshanali0704/instagram-system-design-48oj

• 조인과 비정규화: 하나의 데이터베이스를 여러 샤드 서버로 쪼개고 나면, 여러 샤드에 걸친 데이터를 조인하기가 힘들어 진다. 이를 해결하는 한 가지 방법은 데이터베이스를 비정규화하여 하나의 테이블에서 질의가 수행될 수 있도록 해야한다.

 

최종 아키텍처

기술들을 모두 적용한 최종 아키텍처

 

사용자 단말에서는 DNS, CDN 등을 통해 질의&최적화를 하고, 서버의 요청은 로드밸런서를 통해 트래픽을 분산 처리 한다.

서버의 아키텍처에서는 필요할 경우 메시지 큐를 통해 비동기 처리를 수행하고, 데이터베이스 질의가 필요없는 경우 캐시 처리를 통해 빠르게 조회할 수 있도록 한다. 또한 데이터베이스의 부하를 고려하여 샤딩을 적용하였고, 관계형 데이터베이스가 요구되지 않는 기능들은 NoSQL을 사용하여 처리한다.

 

시스템 규모 확장을 위해 살펴본 기법들을 정리해보면 다음과 같다.

• 웹 계층은 무상태(stateless) 계층으로,
• 모든 계층에 다중화 도입
• 가능한 한 많은 데이터를 캐싱 처리
• 여러 데이터 센터를 지원하기
• 정적 콘텐츠는 CDN을 통해 서비스 하기
• 데이터 계층은 샤딩을 통해 규모 확장하기
• 각 계층은 독립 서비스로 분할하기
• 시스템을 지속적으로 모니터링하고, 자동화 도구들을 활용할 것