MySQL 시니어 코딩 면접

N+1 문제는 기본적으로 JOIN을 사용해 단일 쿼리로 통합하여 해결합니다. 1:N 관계에서 집계가 필요한 경우 서브쿼리나 CTE(Common Table Expression)를 활용하거나, 메인 쿼리와 집계 쿼리를 분리한 후 애플리케이션에서 조합하는 방식을 사용합니다. GROUP_CONCAT이나 JSON_ARRAYAGG 같은 집계 함수로 관련 데이터를 단일 행으로 압축할 수도 있습니다. ORM 환경에서는 Eager Loading(즉시 로딩) 설정, Batch Fetching, DataLoader 패턴 등을 활용하여 예방합니다. 쿼리 로그 모니터링과 APM 도구를 통해 N+1 패턴을 조기에 감지하는 것도 중요합니다.

스토어드 프로시저는 네트워크 왕복을 줄이고 DB 내에서 데이터 처리가 가능하여 성능상 유리할 수 있지만, 버전 관리가 어렵고 테스트와 디버깅이 복잡하며 애플리케이션과 DB 간 결합도가 높아집니다. 마이크로서비스 환경에서는 서비스 간 독립성과 배포 유연성을 해치므로 권장되지 않습니다. 그러나 대량 데이터 배치 처리, 복잡한 집계 연산, 레거시 시스템 통합, 또는 DB 트리거와 연계된 작업에서는 여전히 유용합니다. 현대적 접근은 비즈니스 로직은 애플리케이션에, 데이터 중심 처리는 프로시저에 배치하는 하이브리드 방식입니다.

비관적 락(SELECT FOR UPDATE)은 트랜잭션 시작 시 행을 잠그므로 충돌을 확실히 방지하지만 락 대기로 인한 성능 저하가 있습니다. 낙관적 락(UPDATE SET stock = stock - 1 WHERE id = ? AND stock >= 1)은 버전 컬럼이나 조건절로 변경 시점에 검증하며, 충돌이 적은 환경에서 성능이 우수하지만 재시도 로직이 필요합니다. 분산 락(Redis, Zookeeper)은 여러 DB 인스턴스나 마이크로서비스 환경에서 필요하며, 락 타임아웃과 장애 처리가 복잡합니다. 일반적으로 재고 차감은 낙관적 락으로 시작하고, 충돌률이 높으면 비관적 락으로 전환하며, 분산 환경에서는 분산 락을 추가합니다.

대량 업데이트는 작은 청크(보통 1000~10000건)로 분할하여 처리하며, 각 청크를 별도 트랜잭션으로 커밋하여 롤백 세그먼트 증가를 방지합니다. WHERE 조건에 LIMIT과 PRIMARY KEY 범위를 사용해 청크를 나누고, 처리된 마지막 ID를 기록하여 실패 시 재시작 지점을 보장합니다. 청크 크기는 트랜잭션 로그 크기, 락 대기 시간, 복제 지연을 모니터링하며 동적으로 조정합니다. 각 청크 사이에 짧은 sleep을 두어 복제 서버가 따라잡을 시간을 줍니다. 진행 상황은 별도 테이블에 기록하고, Prometheus나 Grafana로 시각화하며, 실패 시 재시도 로직과 알림을 구현합니다.

무중단 마이그레이션은 이중 쓰기(dual write) 전략을 사용합니다. 먼저 신규 스키마에 데이터를 복사하되 INSERT ... SELECT는 초기 벌크 로드에만 사용하고, 이후 변경분은 CDC(Change Data Capture)나 트리거로 실시간 동기화합니다. 애플리케이션 레벨 처리는 복잡한 변환 로직에 유리하고 트랜잭션 제어가 용이하지만, INSERT ... SELECT는 대량 데이터에 빠르고 네트워크 오버헤드가 없습니다. 데이터 검증은 체크섬, 행 개수 비교, 샘플링 쿼리로 수행하며, 불일치 발견 시 재동기화합니다. 롤백을 위해 구 스키마를 일정 기간 유지하고, 애플리케이션에서 feature flag로 스키마 전환을 제어합니다.