Go 시니어 개발자 기술면접
새 면접Q. Go의 goroutine 스케줄러인 GMP 모델의 동작 원리를 설명하고, work stealing 알고리즘이 어떻게 성능 최적화에 기여하는지 설명해주세요. 또한 GOMAXPROCS 설정이 시스템 성능에 미치는 영향을 실무 경험을 바탕으로 말씀해주세요.
GMP 모델은 G(goroutine), M(OS thread), P(processor)로 구성되며, P는 로컬 큐를 가지고 goroutine을 관리합니다. Work stealing은 유휴 P가 다른 P의 로컬 큐에서 goroutine을 가져와 실행하여 부하 분산을 달성합니다. GOMAXPROCS는 동시에 실행 가능한 P의 개수를 제한하며, CPU 코어 수에 맞게 설정하는 것이 일반적이지만 I/O 바운드 작업이 많은 경우 더 높게 설정할 수 있습니다. 컨텍스트 스위칭 비용과 CPU 활용도 사이의 트레이드오프를 고려해야 합니다.
- • GMP 모델의 각 컴포넌트 역할과 로컬 큐 구조 이해
- • Work stealing을 통한 동적 부하 분산 메커니즘
- • GOMAXPROCS와 워크로드 특성에 따른 최적화 전략
실제 프로덕션 환경에서 goroutine leak을 디버깅했던 경험이 있나요? 어떤 도구와 방법을 사용했는지 설명해주세요.
Q. 마이크로서비스 아키텍처에서 서비스 간 통신을 위해 gRPC와 REST API 중 선택해야 한다면 어떤 기준으로 판단하시겠습니까? 각각의 장단점과 함께 실제 대규모 트래픽 환경에서의 성능 차이, 운영 복잡도를 고려한 의사결정 프로세스를 설명해주세요.
gRPC는 HTTP/2 기반으로 바이너리 직렬화(Protocol Buffers)를 사용해 성능이 우수하고 양방향 스트리밍을 지원하지만, 디버깅이 어렵고 브라우저 지원이 제한적입니다. REST는 텍스트 기반으로 디버깅이 쉽고 범용성이 높지만 오버헤드가 크고 스키마 관리가 약합니다. 내부 서비스 간 통신에는 gRPC를 사용하고, 외부 API나 레거시 시스템 연동에는 REST를 선택하는 하이브리드 접근이 효과적입니다. 팀의 기술 역량, 모니터링 인프라, 에코시스템 성숙도도 중요한 고려사항입니다.
- • 성능, 타입 안정성, 스트리밍 지원 측면에서 gRPC의 우위
- • 디버깅 편의성, 범용성, 생태계 측면에서 REST의 장점
- • 내부/외부 통신 구분과 하이브리드 전략의 실용성
gRPC의 로드밸런싱 문제를 해결하기 위해 어떤 방식을 사용하셨나요? client-side 로드밸런싱과 proxy 기반 접근의 차이를 설명해주세요.
Q. Go의 가비지 컬렉터(GC)가 애플리케이션 성능에 미치는 영향을 최소화하기 위한 전략을 설명해주세요. 특히 대용량 메모리를 다루는 서비스에서 GC pause time을 줄이기 위해 적용할 수 있는 코드 레벨과 시스템 레벨의 최적화 방법을 구체적으로 말씀해주세요.
Go는 concurrent mark-and-sweep GC를 사용하며, 객체 할당을 줄이는 것이 핵심입니다. sync.Pool을 활용한 객체 재사용, 슬라이스 미리 할당(make with capacity), 포인터 사용 최소화로 힙 할당을 줄일 수 있습니다. GOGC 환경변수로 GC 빈도를 조정하고, runtime.SetGCPercent로 동적 제어가 가능합니다. 대용량 데이터는 off-heap 메모리나 메모리 맵 파일을 고려하고, pprof를 통한 메모리 프로파일링으로 병목 지점을 식별해야 합니다. 실시간성이 중요한 경우 ballast 패턴으로 GC 주기를 안정화할 수 있습니다.
- • 객체 할당 최소화와 sync.Pool 활용
- • GOGC 튜닝과 메모리 프로파일링 기반 최적화
- • ballast 패턴과 off-heap 메모리 전략
escape analysis가 무엇이고, 스택 할당과 힙 할당을 결정하는 기준은 무엇인가요? 이를 확인하는 방법도 설명해주세요.
Q. 월 10억 건 이상의 이벤트 로그를 저장하고 실시간으로 집계 쿼리를 제공해야 하는 시스템을 설계한다면, 데이터베이스 선택부터 파티셔닝 전략, 인덱싱, 데이터 보관 정책까지 전체 아키텍처를 어떻게 설계하시겠습니까? Go 애플리케이션 레벨에서의 최적화 방안도 함께 설명해주세요.
시계열 데이터 특성상 ClickHouse나 TimescaleDB 같은 컬럼형 데이터베이스가 적합합니다. 시간 기반 파티셔닝(일/월 단위)과 머티리얼라이즈드 뷰를 통한 사전 집계로 쿼리 성능을 확보합니다. Hot-Warm-Cold 아키텍처로 최근 데이터는 SSD, 오래된 데이터는 S3로 이동하는 계층화 전략을 적용합니다. Go 레벨에서는 배치 인서트(bulk insert), 커넥션 풀 최적화, 비동기 쓰기를 위한 버퍼링 채널 활용이 중요합니다. Kafka 같은 메시지 큐로 쓰기 부하를 분산하고, 읽기는 Redis 캐시로 최적화합니다.
- • 컬럼형 DB와 시계열 최적화 데이터베이스 선택
- • 시간 기반 파티셔닝과 머티리얼라이즈드 뷰 활용
- • 배치 처리, 비동기 쓰기, 계층화된 스토리지 전략
데이터 정합성과 성능 사이의 트레이드오프를 어떻게 관리하시겠습니까? eventual consistency를 허용할 수 있는 범위는 어떻게 결정하나요?
Q. Go 1.13 이후 도입된 error wrapping과 errors.Is, errors.As의 활용 방법을 설명하고, 대규모 마이크로서비스 환경에서 효과적인 에러 처리 및 추적 전략을 제시해주세요. 특히 분산 추적과 연계한 에러 컨텍스트 전파 방법도 포함해서 설명해주세요.
fmt.Errorf의 %w 동사로 에러를 감싸면 원본 에러를 보존하면서 컨텍스트를 추가할 수 있고, errors.Is로 특정 에러 타입 확인, errors.As로 에러 타입 변환이 가능합니다. 마이크로서비스에서는 각 레이어에서 적절한 컨텍스트를 추가하되 과도한 wrapping은 피해야 합니다. OpenTelemetry나 Jaeger를 활용해 trace ID를 context.Context에 담아 전파하고, 에러 발생 시 trace ID와 함께 로깅해 분산 환경에서 추적 가능하게 합니다. 커스텀 에러 타입에 메타데이터(user ID, request ID 등)를 포함해 디버깅을 용이하게 합니다.
- • error wrapping과 errors.Is/As를 통한 타입 안전한 에러 처리
- • 적절한 레벨의 에러 컨텍스트 추가와 과도한 wrapping 방지
- • 분산 추적 시스템과 context.Context를 통한 에러 추적
panic과 recover를 실무에서 사용하는 것에 대해 어떻게 생각하시나요? 사용이 정당화되는 경우가 있다면 언제인가요?
아직 댓글이 없습니다. 첫 번째 댓글을 남겨보세요!