Node.js 미드레벨 성능 최적화 면접

fs.readFile 대신 fs.createReadStream을 사용하여 파일을 청크 단위로 읽고, csv-parser 같은 스트림 기반 파서와 조합합니다. 데이터베이스 삽입 시 개별 INSERT 대신 배치 삽입(bulk insert)을 사용하되, 메모리 제한을 고려해 적절한 배치 크기(예: 1000건)를 설정합니다. Transform 스트림을 활용해 데이터 변환 로직을 파이프라인에 추가하고, Backpressure를 적절히 처리하여 생산자-소비자 속도 차이를 관리합니다. highWaterMark 옵션을 조정해 내부 버퍼 크기를 최적화하고, pipeline 또는 stream.promises.pipeline을 사용해 에러 처리를 안전하게 구현합니다. 처리 중 메모리 사용량을 모니터링하여 process.memoryUsage()로 힙 사용량을 추적합니다.

사용자별로 순차 실행되는 S3 URL 생성과 권한 체크를 Promise.all을 사용해 병렬로 처리합니다. 100명의 사용자가 있다면 순차 처리 시 200초가 걸리지만 병렬 처리하면 최대 2초로 단축됩니다. S3 presigned URL은 TTL이 있으므로 짧은 시간 동안 Redis에 캐싱하여 동일한 요청에 대한 반복 생성을 방지합니다. 권한 체크 로직도 사용자 역할별로 캐싱 가능하다면 메모리 캐시를 적용합니다. 또한 페이지네이션을 구현하여 한 번에 조회하는 사용자 수를 제한하고, 필요한 필드만 SELECT하여 데이터 전송량을 줄입니다. API 응답을 압축(compression 미들웨어)하여 네트워크 전송 시간도 개선합니다.

먼저 Long-running 쿼리를 식별하여 최적화하고, 트랜잭션 범위를 최소화하여 연결 점유 시간을 줄입니다. API 핸들러에서 데이터베이스 연결을 획득한 후 외부 API 호출이나 파일 처리 같은 I/O 작업을 하면 연결이 불필요하게 점유되므로, 연결이 필요한 구간만 트랜잭션으로 묶습니다. 읽기 전용 쿼리는 Read Replica로 분산하여 Master DB 연결 부담을 줄이고, 자주 조회되는 데이터는 Redis 같은 캐시 레이어를 추가해 데이터베이스 쿼리 자체를 줄입니다. 연결 풀 설정에서 acquireTimeout, idleTimeoutMillis를 적절히 조정하고, 연결 누수를 방지하기 위해 모든 쿼리 후 반드시 연결을 반환하는지 확인합니다. 애플리케이션 인스턴스가 여러 개라면 전체 연결 수가 데이터베이스 max_connections를 초과하지 않도록 계산하여 인스턴스당 풀 크기를 설정합니다.

Cache-Aside 패턴을 기본으로 사용하되, 상품 정보 조회 시 Redis에서 먼저 확인하고 없으면 데이터베이스에서 조회 후 캐싱합니다. TTL은 5~10분 정도로 설정하여 장시간 stale 데이터가 서빙되는 것을 방지합니다. 상품 정보가 업데이트될 때는 해당 상품의 캐시 키를 명시적으로 삭제(Cache Invalidation)하여 다음 조회 시 최신 데이터가 캐싱되도록 합니다. 동시성 문제를 방지하기 위해 캐시 갱신 시 Redis의 SET NX 또는 Redlock 같은 분산 락을 활용합니다. 캐시 키 설계는 product:id:상품ID 형태로 명확하게 하고, 관련된 여러 캐시를 무효화해야 한다면 태그 기반 무효화나 pub/sub을 활용합니다. 캐시 hit rate를 모니터링하여 효과를 측정하고, Thundering Herd 문제를 방지하기 위해 캐시 만료 시간에 랜덤 jitter를 추가합니다.

부하 테스트는 Artillery, k6, Apache JMeter 같은 도구를 사용하며, 점진적으로 부하를 증가시키는 ramp-up 테스트와 지속 부하 테스트를 모두 수행합니다. 측정할 핵심 메트릭은 응답 시간(p50, p95, p99), 처리량(RPS), 에러율, CPU/메모리 사용률입니다. 응답 시간이 급증하는 지점을 찾아 병목을 식별하고, Node.js의 Event Loop Lag을 측정하여 이벤트 루프가 블로킹되는지 확인합니다. 데이터베이스 연결 풀 사용률, 활성 연결 수, 슬로우 쿼리를 모니터링하여 DB 병목을 파악합니다. 프로덕션에서는 APM 도구(New Relic, DataDog, Elastic APM)를 사용해 실시간 메트릭을 수집하고, 알림 임계값을 설정합니다. 특히 메모리 누수 감지를 위해 힙 사용량 추이를 추적하고, 가비지 컬렉션 빈도와 pause time을 모니터링합니다. 로그 집계(ELK Stack)를 통해 에러 패턴을 분석하고, 분산 추적(Distributed Tracing)으로 마이크로서비스 간 지연을 파악합니다.