iOS 시니어 성능 최적화 기술면접

먼저 Xcode Instruments의 App Launch 템플릿과 DYLD_PRINT_STATISTICS 환경변수를 활용해 pre-main 시간을 측정하고, MetricKit이나 커스텀 타이머로 post-main 시간을 측정합니다. Pre-main 단계에서는 dynamic library 로딩, Objective-C 런타임 초기화, static initializer 실행이 주요 병목이므로 불필요한 프레임워크 제거, +load 메서드를 +initialize로 변경, static 변수 초기화를 lazy로 전환합니다. Post-main 단계에서는 didFinishLaunching에서의 동기 작업들이 문제가 되므로, 네트워크 요청이나 DB 초기화를 백그라운드 큐로 이동하고, 첫 화면에 필요하지 않은 SDK 초기화는 지연시키며, 스토리보드 대신 코드 기반 UI로 전환해 초기 뷰 로딩을 최적화합니다. 최종적으로 앱 시작 시간을 단계별로 모니터링하는 메트릭 시스템을 구축하여 회귀를 방지합니다.

먼저 MetricKit의 MXMemoryMetric을 통해 프로덕션 환경의 메모리 사용 패턴과 peak memory, suspension memory를 수집합니다. Xcode Organizer의 Memory Reports를 통해 실제 사용자 기기에서의 메모리 회귀를 분석하고, 특정 화면이나 기능에서 메모리 스파이크가 발생하는지 파악합니다. iOS는 clean memory와 dirty memory를 구분하여 관리하므로, 이미지 디코딩, 대용량 데이터 캐싱, 메모리 맵 파일 등이 dirty memory를 증가시키는 주요 원인입니다. 최적화 전략으로는 이미지를 다운샘플링하여 실제 표시 크기에 맞게 로드하고, NSCache의 totalCostLimit을 설정하여 메모리 압박 시 자동 해제되도록 하며, UIViewController의 didReceiveMemoryWarning과 UIApplication의 메모리 경고를 처리하여 불필요한 캐시를 정리합니다. 또한 Instruments의 Allocations와 Leaks 템플릿으로 메모리 누수와 retain cycle을 주기적으로 점검하고, VM Tracker로 메모리 footprint의 상세 분포를 분석합니다.

먼저 Instruments의 Time Profiler와 Core Animation 템플릭을 사용해 메인 스레드 병목과 offscreen rendering을 진단합니다. 주요 최적화 기법으로는 첫째, cellForRowAt에서 무거운 연산을 제거하고 데이터 가공은 미리 백그라운드에서 처리합니다. 둘째, 이미지 디코딩을 백그라운드에서 수행하고 미리 디코딩된 이미지를 캐싱합니다. 셋째, layer.cornerRadius와 masksToBounds 대신 UIBezierPath나 CAShapeLayer를 사용하여 offscreen rendering을 방지하고, layer.shouldRasterize는 정적 콘텐츠에만 제한적으로 사용합니다. 넷째, Auto Layout 제약 조건을 최소화하고 복잡한 레이아웃은 수동 프레임 계산이나 LayoutKit 같은 비동기 레이아웃 라이브러리를 고려합니다. 다섯째, prefetchDataSource를 구현하여 셀이 화면에 나타나기 전에 데이터와 이미지를 미리 로드합니다.

먼저 URLSessionTaskMetrics를 수집하여 DNS lookup, TCP connection, TLS handshake, request/response 시간 등을 세분화하여 측정하고, MetricKit의 MXNetworkTransferMetric으로 프로덕션 환경의 네트워크 성능을 모니터링합니다. 캐싱 전략은 다층으로 구성하여 메모리 캐시(NSCache), 디스크 캐시(URLCache 또는 커스텀), HTTP 캐싱 헤더(Cache-Control, ETag)를 적절히 조합하고, 이미지나 정적 리소스는 CDN을 통해 제공합니다. 네트워크 상태에 따른 적응형 로딩으로는 NWPathMonitor를 사용해 연결 상태를 감지하고, 저속 네트워크에서는 이미지 품질을 낮추거나 섬네일을 먼저 로드하며, waitsForConnectivity를 활성화하여 네트워크 복구 시 자동 재시도합니다. 또한 HTTP/2나 HTTP/3를 지원하여 multiplexing으로 동시 요청을 최적화하고, request batching으로 여러 API 호출을 하나로 통합하며, GraphQL이나 gRPC 같은 효율적인 프로토콜 도입을 고려합니다. 마지막으로 prefetching과 predictive loading으로 사용자가 접근할 가능성이 높은 데이터를 미리 로드합니다.

먼저 Instruments의 Core Data 템플릿이나 Realm의 성능 프로파일링 도구로 느린 쿼리와 fetch 횟수를 분석합니다. 쿼리 최적화로는 자주 검색하는 속성에 인덱스를 추가하고, NSFetchRequest의 fetchBatchSize와 fetchLimit을 설정하여 필요한 만큼만 가져오며, propertiesToFetch로 필요한 속성만 선택하고, relationshipKeyPathsForPrefetching으로 N+1 쿼리 문제를 해결합니다. 백그라운드 처리로는 CoreData의 경우 private background context를 생성하여 무거운 작업을 수행하고 performBackgroundTask를 활용하며, Realm은 백그라운드 스레드에서 별도 인스턴스를 생성하여 사용합니다. 대량 데이터 작업 시에는 NSBatchInsertRequest, NSBatchUpdateRequest, NSBatchDeleteRequest를 사용하여 메모리에 객체를 로드하지 않고 직접 데이터베이스를 수정하고, 트랜잭션을 적절히 묶어 I/O를 최소화합니다. 또한 faulting 메커니즘을 이해하고 불필요한 관계 객체 접근을 피하며, 읽기 전용 작업에는 NSManagedObjectContext의 stalenessInterval을 조정합니다.