대규모 시스템 데이터베이스 아키텍처 면접

user_id 기반 샤딩을 primary로 선택하여 사용자 주문 조회를 최적화합니다. 판매자 조회를 위해 seller_id 기반으로 샤딩된 별도의 읽기 전용 복제본을 CDC(Change Data Capture)로 동기화하거나, 이벤트 소싱을 통해 판매자 뷰를 구성합니다. 통계 조회는 실시간성이 낮으므로 데이터 웨어하우스(BigQuery, Redshift 등)로 배치 ETL하여 처리합니다. 크로스 샤드 조회가 필요한 경우 Vitess 같은 미들웨어나 애플리케이션 레벨 scatter-gather 패턴을 구현하되, 성능 저하를 고려해 캐싱과 페이지네이션을 필수로 적용합니다. 샤드 리밸런싱과 핫스팟 방지를 위해 consistent hashing과 가상 샤드 개념을 도입합니다.

외부 PG API 호출을 트랜잭션에서 분리하여 2PC 대신 Saga 패턴을 적용합니다. 잔액 차감과 거래 내역 기록만 ACID 트랜잭션으로 처리하고, 상태를 PENDING으로 기록합니다. PG 호출은 비동기로 처리하고 성공 시 상태를 COMPLETED로 변경, 실패 시 보상 트랜잭션으로 잔액을 복구합니다. 포인트 적립은 이벤트 기반으로 분리하여 eventual consistency를 허용합니다. 잔액 업데이트 시 SELECT FOR UPDATE 대신 optimistic locking(version 컬럼)을 사용하거나, Redis를 이용한 분산 락으로 데이터베이스 락 경합을 줄입니다. 멱등성 키를 도입하여 재시도 시 중복 처리를 방지하고, outbox 패턴으로 이벤트 발행의 원자성을 보장합니다.

Elasticsearch나 OpenSearch 같은 검색 엔진을 도입하여 복잡한 필터링과 전문 검색을 처리합니다. RDBMS는 트랜잭션 데이터의 source of truth로 유지하고, CDC(Debezium 등)를 통해 검색 엔진과 준실시간 동기화합니다. 자주 사용되는 필터 조합(작성일 + 카테고리 등)에만 선택적으로 복합 인덱스를 생성하고, covering index로 디스크 I/O를 줄입니다. 인기도 같은 자주 변경되는 컬럼은 별도 테이블로 분리하여 인덱스 재구성 비용을 최소화합니다. 쿼리 패턴 분석을 위해 slow query log와 APM을 모니터링하고, 실제 사용 빈도 기반으로 인덱스를 주기적으로 재평가합니다. 파티셔닝(작성일 기준)을 적용하여 오래된 데이터 스캔을 줄이고, 필요시 materialized view나 summary table로 집계 쿼리를 최적화합니다.