AWS 시니어 CS 기초 기술면접
새 면접Q. TCP의 혼잡 제어(Congestion Control) 알고리즘인 Slow Start, Congestion Avoidance, Fast Retransmit, Fast Recovery의 동작 원리를 설명하고, AWS ELB와 같은 로드밸런서 환경에서 이러한 메커니즘이 어떻게 영향을 미치는지, 그리고 대규모 트래픽 환경에서 성능 최적화를 위해 고려해야 할 TCP 튜닝 파라미터를 설명해주세요.
Slow Start는 cwnd를 1 MSS부터 시작해 ACK마다 지수적으로 증가시키며, ssthresh에 도달하면 Congestion Avoidance로 전환되어 선형 증가합니다. Fast Retransmit은 3개의 중복 ACK 수신 시 타임아웃 전에 재전송하고, Fast Recovery는 cwnd를 절반으로 줄인 후 선형 증가시킵니다. ELB 환경에서는 클라이언트-ELB, ELB-백엔드 간 각각 독립적인 TCP 연결이 형성되므로 Connection Pooling과 Keep-Alive 설정이 중요하며, net.ipv4.tcp_slow_start_after_idle, tcp_tw_reuse, tcp_max_syn_backlog 등의 커널 파라미터 튜닝과 함께 ELB의 Cross-Zone Load Balancing, Connection Draining 설정을 최적화해야 합니다.
- • Slow Start는 지수 증가, Congestion Avoidance는 선형 증가로 네트워크 혼잡을 회피
- • Fast Retransmit/Recovery는 3 duplicate ACK 시 빠른 재전송과 cwnd 조정으로 성능 개선
- • ELB는 TCP 연결을 종단하므로 양쪽 연결의 독립적인 혼잡 제어가 발생
- • 대규모 환경에서는 tcp_slow_start_after_idle=0, tcp_tw_reuse=1 등 커널 파라미터 튜닝 필수
- • Connection Pooling과 Keep-Alive를 통해 Slow Start 오버헤드 최소화
BBR(Bottleneck Bandwidth and RTT) 혼잡 제어 알고리즘과 기존 Cubic의 차이점은 무엇이며, 클라우드 환경에서 BBR을 적용할 때의 장단점은 무엇인가요?
Q. B-Tree와 B+Tree의 구조적 차이를 설명하고, RDS MySQL의 InnoDB 스토리지 엔진이 B+Tree를 인덱스로 사용하는 이유를 설명해주세요. 또한 Clustered Index와 Secondary Index의 차이점, 그리고 대용량 데이터 환경에서 인덱스 설계 시 고려해야 할 Cardinality, Selectivity, Index Merge 전략에 대해 설명해주세요.
B-Tree는 모든 노드에 데이터를 저장하지만 B+Tree는 리프 노드에만 데이터를 저장하고 리프 노드들이 링크드 리스트로 연결되어 있어 범위 검색에 유리합니다. InnoDB는 B+Tree를 사용하여 순차 스캔 성능을 높이고 페이지 단위 I/O를 최적화합니다. Clustered Index는 Primary Key 순서로 실제 데이터를 물리적으로 정렬하며, Secondary Index는 인덱스 키와 PK를 함께 저장하여 데이터를 참조합니다. Cardinality가 높은 컬럼을 선택하고 Selectivity가 5-10% 이하인 쿼리에 인덱스를 적용하며, 복합 인덱스 설계 시 WHERE, JOIN, ORDER BY 절의 컬럼 순서를 고려하고, Index Merge가 발생하면 복합 인덱스로 통합하는 것이 성능상 유리합니다.
- • B+Tree는 리프 노드만 데이터 저장, 링크드 리스트 구조로 범위 검색 최적화
- • Clustered Index는 PK 기준 물리적 정렬, Secondary Index는 PK 참조 구조
- • Cardinality(고유값 비율)가 높고 Selectivity(선택도)가 낮은 컬럼에 인덱스 효과적
- • 복합 인덱스는 Leftmost Prefix Rule 적용, 등호 조건 우선 배치
- • Index Merge는 오버헤드 발생 가능, 복합 인덱스로 통합 고려
Covering Index의 개념과 실제 프로덕션 환경에서 적용 시 주의사항, 그리고 InnoDB의 Adaptive Hash Index는 어떤 상황에서 성능 향상에 기여하나요?
Q. Linux 커널의 메모리 관리에서 Page Cache, Buffer Cache, Slab Cache의 역할을 설명하고, EC2 인스턴스에서 메모리 부족 상황 발생 시 OOM Killer의 동작 원리와 oom_score 계산 방식을 설명해주세요. 또한 프로덕션 환경에서 메모리 누수를 탐지하고 분석하기 위한 도구와 방법론을 제시해주세요.
Page Cache는 파일 I/O를 캐싱하여 디스크 접근을 최소화하고, Buffer Cache는 블록 디바이스 메타데이터를 캐싱하며, Slab Cache는 커널 객체의 효율적인 할당을 위한 메모리 풀입니다. OOM Killer는 메모리 부족 시 oom_score가 높은 프로세스를 종료하며, oom_score는 프로세스의 메모리 사용량, 실행 시간, nice 값 등을 기반으로 계산됩니다. 메모리 누수 탐지를 위해 valgrind, heaptrack 등의 프로파일링 도구를 사용하고, /proc/meminfo, smem, pmap으로 메모리 사용 패턴을 분석하며, CloudWatch 메트릭으로 장기 트렌드를 모니터링하고, oom_adj 값 조정으로 중요 프로세스를 보호합니다.
- • Page Cache는 파일 I/O, Buffer Cache는 블록 메타데이터, Slab Cache는 커널 객체 캐싱
- • OOM Killer는 oom_score 기반으로 프로세스 종료, 메모리 사용량과 런타임이 주요 요소
- • valgrind, heaptrack으로 메모리 누수 탐지, /proc/meminfo로 실시간 분석
- • CloudWatch 메모리 메트릭과 Custom Metric으로 장기 트렌드 모니터링
- • oom_adj, vm.swappiness, vm.overcommit_memory 등 커널 파라미터 튜닝
Transparent Huge Pages(THP)가 데이터베이스 워크로드에서 성능 저하를 일으킬 수 있는 이유와, 컨테이너 환경에서의 메모리 cgroup 제한 설정 전략은 무엇인가요?
Q. Consistent Hashing의 동작 원리와 Virtual Node(가상 노드) 개념을 설명하고, ElastiCache Redis Cluster 모드에서 데이터 샤딩에 이 기법이 어떻게 활용되는지 설명해주세요. 또한 노드 추가/제거 시 발생하는 데이터 재분배(Rebalancing) 과정과 이를 최소화하기 위한 전략을 제시해주세요.
Consistent Hashing은 해시 링 구조에서 데이터와 노드를 동일한 해시 함수로 매핑하여, 노드 변경 시 전체 데이터가 아닌 인접 노드의 데이터만 재배치하도록 합니다. Virtual Node는 하나의 물리 노드를 여러 개의 가상 노드로 매핑하여 해시 링에 분산 배치함으로써 데이터 분포의 균등성을 높입니다. Redis Cluster는 16384개의 해시 슬롯을 사용하며 CRC16(key) mod 16384로 슬롯을 결정하고, 각 마스터 노드에 슬롯 범위를 할당합니다. 노드 추가 시 CLUSTER SETSLOT 명령으로 슬롯을 점진적으로 마이그레이션하고, Pre-sharding으로 미리 충분한 노드를 구성하거나, Hash Tag를 사용하여 관련 키를 동일 슬롯에 배치하여 재분배 영향을 최소화할 수 있습니다.
- • Consistent Hashing은 해시 링으로 노드 변경 시 K/N만 재배치(K: 키 수, N: 노드 수)
- • Virtual Node로 데이터 분포 불균형 해소, 일반적으로 물리 노드당 100-200개 사용
- • Redis Cluster는 16384 해시 슬롯 기반 샤딩, CRC16 해시 함수 사용
- • MIGRATE 명령으로 슬롯 단위 점진적 마이그레이션, 서비스 중단 최소화
- • Hash Tag({user123}.profile)로 관련 키를 동일 슬롯 배치, Multi-key 연산 지원
Rendezvous Hashing(HRW)과 Consistent Hashing의 차이점은 무엇이며, DynamoDB의 파티션 키 설계에서 Hot Partition을 방지하기 위한 전략은 무엇인가요?
Q. 분산 시스템에서 Rate Limiting을 구현하기 위한 Token Bucket, Leaky Bucket, Fixed Window, Sliding Window Log, Sliding Window Counter 알고리즘의 동작 원리와 각각의 장단점을 설명해주세요. 또한 API Gateway의 Rate Limiting 기능과 Redis를 활용한 분산 Rate Limiter 구현 시 고려해야 할 Race Condition 해결 방안과 성능 최적화 전략을 제시해주세요.
Token Bucket은 일정 속도로 토큰을 채우고 요청 시 소비하여 버스트 트래픽을 허용하며, Leaky Bucket은 고정 속도로 요청을 처리해 평탄화합니다. Fixed Window는 구현이 간단하지만 경계에서 2배 트래픽 발생 가능하고, Sliding Window Log는 정확하지만 메모리 사용량이 크며, Sliding Window Counter는 이전 윈도우와 현재 윈도우를 가중 평균하여 정확도와 효율을 균형있게 제공합니다. API Gateway는 Token Bucket 기반으로 Usage Plan과 API Key로 Rate Limiting을 제공합니다. Redis 구현 시 Lua Script로 INCR과 EXPIRE를 원자적으로 실행하여 Race Condition을 방지하고, Pipeline과 Connection Pool로 성능을 최적화하며, Local Cache와 결합하여 Redis 부하를 줄일 수 있습니다.
- • Token Bucket은 버스트 허용, Leaky Bucket은 평탄화, Sliding Window는 정확도와 효율 균형
- • Fixed Window는 경계 문제(Boundary Issue), Sliding Window Log는 메모리 오버헤드 존재
- • API Gateway는 Token Bucket 기반, Usage Plan으로 Throttle/Quota 설정
- • Redis Lua Script로 INCR/EXPIRE 원자성 보장, Race Condition 방지
- • Local Cache + Redis 2-tier 구조로 성능 최적화, 99% 로컬 처리
분산 환경에서 Global Rate Limiting을 구현할 때 발생하는 Count Synchronization 문제와 Gossip Protocol을 활용한 해결 방안, 그리고 Circuit Breaker 패턴과의 결합 전략은 무엇인가요?
아직 댓글이 없습니다. 첫 번째 댓글을 남겨보세요!