GCP 시니어 트러블슈팅 면접

먼저 kubectl describe pod와 kubectl logs를 통해 OOM 발생 시점의 로그와 메트릭을 확인합니다. Cloud Monitoring에서 컨테이너별 메모리 사용 추이를 분석하고, heap dump를 수집하여 메모리 누수 지점을 식별합니다. 애플리케이션 코드에서 메모리 누수(unclosed connections, cache 무제한 증가 등)를 찾아 수정하고, resource requests/limits를 실제 사용량 기반으로 적절히 조정합니다. Vertical Pod Autoscaler를 활용해 자동 리소스 조정을 구성하고, Liveness/Readiness probe를 개선하여 비정상 상태를 조기 감지합니다. 재발 방지를 위해 메모리 사용량 임계치 기반 알림을 설정하고, 정기적인 메모리 프로파일링을 CI/CD 파이프라인에 포함시킵니다.

먼저 Cloud SQL Insights와 Query Insights를 확인하여 느린 쿼리와 대기 이벤트를 식별합니다. pg_stat_activity를 조회해 장기 실행 쿼리나 락 대기 상황을 파악하고, 필요시 블로킹 쿼리를 종료합니다. 디스크 I/O 메트릭을 확인하여 IOPS 제한에 도달했는지 검증하고, 연결 수가 max_connections에 근접했는지 체크합니다. 즉각적 완화를 위해 Read Replica로 읽기 트래픽을 분산하고, 필요시 인스턴스를 더 높은 tier로 임시 스케일업합니다. 근본 원인으로 인덱스 부재, 통계 정보 오래됨, 테이블 bloat 등을 확인하여 VACUUM, ANALYZE, 인덱스 추가 등을 수행합니다. 재발 방지를 위해 슬로우 쿼리 로깅을 활성화하고, 쿼리 성능 임계치 기반 알림을 설정합니다.

먼저 Cloud Logging에서 로드밸런서의 502 에러 로그를 필터링하여 패턴을 분석하고, 특정 백엔드 인스턴스나 리전에서 집중 발생하는지 확인합니다. Health check 설정과 실제 백엔드 응답을 비교하여 health check 실패나 flapping이 있는지 점검합니다. 백엔드 서비스의 타임아웃 설정(backend timeout, request timeout)이 실제 애플리케이션 응답 시간보다 짧지 않은지 검증합니다. Cloud Trace를 활용해 요청의 end-to-end 레이턴시를 추적하고, 백엔드 인스턴스의 리소스 사용률과 네트워크 메트릭을 확인합니다. 연결 드레이닝 설정이 적절한지, 백엔드 인스턴스가 graceful shutdown을 제대로 처리하는지 검증하고, 필요시 keep-alive 설정을 조정합니다. 재발 방지를 위해 502 에러율 기반 알림을 설정하고, 카나리 배포와 점진적 롤아웃 전략을 도입합니다.

먼저 gsutil ls -L 명령어로 문제가 되는 객체의 ACL과 메타데이터를 확인하여 권한 설정을 검증합니다. Cloud Storage의 IAM 정책과 객체별 ACL을 모두 점검하고, 복사된 객체가 원본 프로젝트의 ACL을 그대로 유지하고 있는지 확인합니다. Cloud Logging에서 storage.objects.get 요청의 실패 로그를 분석하여 정확한 거부 이유를 파악합니다. 문제 해결을 위해 gsutil acl set 또는 gsutil iam ch 명령어로 적절한 권한을 부여하거나, 버킷의 uniform bucket-level access를 활성화하여 일관된 권한 관리를 적용합니다. 향후 프로젝트 간 객체 복사 시 -p 옵션을 사용하지 않거나, 복사 후 자동으로 ACL을 재설정하는 스크립트를 파이프라인에 포함시킵니다.

먼저 Cloud Logging과 Cloud Trace를 통해 함수 내부의 병목 지점을 식별하고, 불필요한 처리나 동기 대기를 최적화합니다. 단기적으로는 함수의 메모리와 CPU 할당을 늘려 처리 속도를 향상시키고, 배치 크기를 줄여 개별 함수 실행 시간을 단축합니다. 중기적으로는 대용량 작업을 여러 개의 작은 태스크로 분할하여 Cloud Tasks나 Pub/Sub를 통해 분산 처리하는 구조로 변경합니다. 장기적으로는 장시간 실행 작업을 Cloud Run이나 GKE의 Job으로 마이그레이션하여 실행 시간 제약을 제거하고, Cloud Workflows로 복잡한 처리 파이프라인을 오케스트레이션합니다. 각 이미지 처리 상태를 Firestore에 저장하여 실패 시 재시작 지점부터 재개할 수 있도록 멱등성을 보장합니다.

먼저 VPC Peering 상태를 확인하여 ACTIVE 상태인지, 에러 메시지가 있는지 점검합니다. 양쪽 VPC의 서브넷 CIDR 범위가 중복되거나 새로 추가된 서브넷이 충돌하지 않는지 확인합니다. VPC Flow Logs를 활성화하여 패킷이 어디서 드롭되는지 추적하고, Connectivity Tests를 실행하여 네트워크 경로의 문제 지점을 식별합니다. 방화벽 규칙의 우선순위와 타겟 태그, 서비스 계정 필터가 의도대로 적용되고 있는지 재검증하고, 암묵적 거부 규칙이 활성화되지 않았는지 확인합니다. Cloud Audit Logs를 조회하여 최근 24-48시간 내의 모든 네트워크 관련 변경사항을 추적합니다. 문제 해결 후 VPC Peering의 import/export custom routes 설정을 검토하고, 네트워크 변경 시 자동 테스트를 수행하는 파이프라인을 구축합니다.

먼저 BigQuery의 Query Execution Details에서 각 스테이지별 실행 시간과 슬롯 사용량을 분석하여 병목 구간을 식별합니다. INFORMATION_SCHEMA.JOBS를 조회하여 과거와 현재의 처리된 바이트 수, 슬롯 사용 시간, 캐시 히트율을 비교합니다. 테이블의 파티션 프루닝이 제대로 작동하는지 확인하고, WHERE 절에 파티션 컬럼이 올바르게 사용되고 있는지 검증합니다. 테이블의 스키마 변경이나 클러스터링 컬럼 수정이 있었는지 확인하고, 데이터 스큐나 핫스팟이 발생했는지 분석합니다. 쿼리 플랜에서 불필요한 shuffle이나 broadcast가 발생하는지 점검하고, 필요시 쿼리를 리팩토링하거나 materialized view를 활용합니다. 슬롯 할당량 문제인지 확인하고, reservation을 조정하거나 BI Engine을 활용한 가속화를 고려합니다. 재발 방지를 위해 쿼리 성능 메트릭을 모니터링하고, 데이터 품질과 스키마 변경에 대한 검증 프로세스를 강화합니다.