Scala 미드레벨 시스템 설계 기술면접

GET /api/v1/products/search 엔드포인트를 설계하고, 쿼리 파라미터는 sealed trait로 정의된 SearchFilter를 사용합니다. case class SearchRequest(filters: List[SearchFilter], page: Page, sort: SortOption)로 요청을 모델링하고, SearchFilter는 CategoryFilter, PriceRangeFilter 등의 케이스 클래스로 구현합니다. 응답은 case class SearchResponse[T](items: List[T], pagination: PaginationInfo, facets: Map[String, List[FacetValue]])로 제네릭하게 설계하여 재사용성을 높입니다. Option 타입을 활용해 선택적 필드를 명시적으로 표현하고, Circe나 Play JSON으로 자동 직렬화를 구성합니다. 필터 조합 로직은 Filter 패턴과 함수 합성을 통해 구현하여 새로운 필터 추가 시 확장이 용이하도록 합니다.

각 계좌를 독립적인 AccountActor로 모델링하여 단일 계좌에 대한 동시성을 Actor의 메시지 큐로 자동 처리합니다. 송금은 TransferCoordinator Actor가 Saga 패턴으로 조율하며, 출금 요청 -> 입금 요청 -> 완료 확인의 단계를 거칩니다. 각 단계마다 보상 트랜잭션(롤백 로직)을 정의하고, 실패 시 이미 실행된 작업을 되돌립니다. Actor의 상태는 Akka Persistence로 이벤트 소싱하여 장애 복구 시 상태를 재구성합니다. At-least-once 전달 보장을 위해 메시지에 idempotency key를 포함하고, AccountActor는 중복 처리를 감지합니다. Cluster Sharding으로 계좌를 분산 배치하고, 특정 노드 장애 시 다른 노드에서 Actor를 재시작하여 고가용성을 확보합니다.

로컬 메모리 캐시(Caffeine)와 분산 캐시(Redis)의 2계층 구조로 설계합니다. 정적 데이터(사용자 프로필, 설정)는 Caffeine에 TTL 1시간으로 캐싱하고, 동적 데이터(실시간 통계)는 Redis에 TTL 5분으로 캐싱합니다. 캐시 키는 사용자ID와 데이터 타입을 조합하여 네임스페이스를 구분합니다. 데이터 변경 시 Kafka 이벤트를 발행하고, 각 서비스는 해당 이벤트를 구독하여 관련 캐시를 선제적으로 무효화합니다. Cats Effect의 Memoize를 활용해 동일 요청의 중복 호출을 방지하고, Cache-Aside 패턴으로 캐시 미스 시 원본 데이터를 조회 후 캐싱합니다. 캐시 스탬피드를 방지하기 위해 Semaphore로 동시 로딩을 제어합니다.

하이브리드 Fan-out 전략을 사용합니다. 일반 사용자(팔로워 < 10만)는 Fan-out on write로 게시 시점에 모든 팔로워의 타임라인에 미리 저장하여 읽기 성능을 최적화합니다. 셀럽(팔로워 > 10만)은 Fan-out on read로 읽기 시점에 동적 집계하여 쓰기 부하를 줄입니다. Akka Streams로 Fan-out 작업을 백프레셔 제어하며 비동기 처리하고, Kafka를 통해 게시 이벤트를 분산 처리합니다. 타임라인 데이터는 Cassandra에 사용자ID를 파티션 키로 저장하여 수평 확장하고, 최근 1주일 데이터만 유지합니다. Redis Sorted Set으로 최신 피드를 캐싱하고, GraphQL로 클라이언트가 필요한 필드만 선택적으로 조회하게 하여 네트워크 비용을 줄입니다. Reactive Streams로 무한 스크롤을 구현하여 페이지네이션 부하를 분산합니다.

sealed trait AppError를 정의하고 ValidationError, NotFoundError, ExternalServiceError 등을 케이스 클래스로 구현하여 에러를 도메인 모델링합니다. 비즈니스 로직은 Either[AppError, Result] 타입을 반환하도록 통일하고, for-comprehension으로 에러 전파를 자연스럽게 처리합니다. Controller 레이어에서 implicit class를 사용해 Either를 HTTP 응답으로 변환하는 확장 메서드를 제공합니다. AppError의 각 타입마다 toHttpResponse 메서드를 구현하여 적절한 상태 코드(400, 404, 503 등)와 에러 메시지 구조를 매핑합니다. 외부 API 호출은 Try로 감싸고 recover로 AppError로 변환합니다. Cats의 EitherT를 사용하여 Future와 Either를 합성하고, 비동기 에러 처리 체인을 구성합니다.

각 서비스는 독립적인 Kafka 토픽을 구독하고 이벤트를 발행합니다. 주문 서비스는 OrderCreated 이벤트를 발행하고, 재고 서비스가 이를 구독하여 재고를 확인한 후 InventoryReserved 또는 InventoryInsufficient 이벤트를 발행합니다. 배송 서비스는 InventoryReserved를 구독하여 ShipmentPrepared 이벤트를 발행합니다. 각 서비스는 상태 머신(OrderStatus, InventoryStatus)을 유지하며 이벤트에 따라 상태를 전이합니다. 실패 이벤트(InventoryInsufficient)는 주문 서비스가 구독하여 보상 처리(주문 취소)를 수행합니다. fs2-kafka로 Kafka 스트림을 함수형으로 처리하고, 정확히 한 번(exactly-once) 시맨틱을 위해 트랜잭션 프로듀서를 사용합니다. 이벤트 스키마는 Avro로 정의하고 Schema Registry로 버전 관리하여 호환성을 보장합니다.

Akka Streams로 초기 수집 레이어를 구성하고 백프레셔로 업스트림 속도를 제어합니다. 이벤트를 Kafka에 버퍼링하고, Spark Structured Streaming으로 윈도우 집계를 수행합니다. Tumbling Window와 Sliding Window를 조합하여 1분, 5분, 1시간 윈도우를 동시에 계산하고, Watermark를 설정하여 지연 도착 데이터를 일정 시간까지 허용합니다. 상태는 Spark의 체크포인트로 HDFS나 S3에 주기적으로 저장하여 장애 복구 시 마지막 상태부터 재개합니다. 집계 결과는 Redis에 쓰고 WebSocket으로 대시보드에 푸시합니다. 처리량이 급증할 때는 Kafka 파티션 수와 Spark executor 수를 동적으로 조정하는 오토스케일링을 구성합니다. 메트릭(지연 시간, 처리량)을 Prometheus로 수집하고 Grafana로 모니터링하여 병목 구간을 식별합니다.