Java 시니어 CS 기초 기술면접
새 면접Q. 대규모 트래픽 환경에서 LRU Cache를 구현해야 합니다. HashMap과 LinkedList를 조합한 방식과 LinkedHashMap을 사용하는 방식의 차이점과 멀티스레드 환경에서의 동시성 제어 방안을 설명해주세요.
HashMap과 Doubly LinkedList를 조합하면 O(1) 시간복잡도로 get/put을 구현할 수 있으며, 직접 구현 시 세밀한 제어가 가능합니다. LinkedHashMap은 내부적으로 동일한 구조를 사용하며 accessOrder=true 설정으로 LRU를 간단히 구현할 수 있지만 커스터마이징이 제한적입니다. 멀티스레드 환경에서는 synchronized 블록, ReentrantReadWriteLock, 또는 ConcurrentHashMap과 ConcurrentLinkedQueue 조합으로 동시성을 제어할 수 있습니다. 대규모 트래픽에서는 읽기가 많다면 ReadWriteLock, 쓰기가 많다면 Lock Striping 기법이 효과적입니다.
- • HashMap + Doubly LinkedList로 O(1) 시간복잡도 달성
- • LinkedHashMap의 accessOrder 옵션 활용
- • 멀티스레드 환경에서 ReentrantReadWriteLock 또는 ConcurrentHashMap 사용
- • 대규모 트래픽 시 Lock Striping 기법 적용
실제 프로덕션 환경에서 캐시 만료(TTL) 정책과 메모리 제한을 함께 고려해야 할 때, 어떤 추가 자료구조와 알고리즘을 사용하시겠습니까?
Q. HTTP Keep-Alive와 TCP Keep-Alive의 차이점을 설명하고, 대용량 API 서버에서 Connection Pool을 설계할 때 고려해야 할 타임아웃 설정(Connection Timeout, Read Timeout, Idle Timeout)의 적정값을 어떻게 결정하시겠습니까?
HTTP Keep-Alive는 애플리케이션 레벨에서 TCP 연결을 재사용하여 핸드셰이크 오버헤드를 줄이는 기법이며, TCP Keep-Alive는 전송 계층에서 idle 연결의 유효성을 확인하는 메커니즘입니다. Connection Timeout은 연결 수립 시간으로 보통 3-10초, Read Timeout은 데이터 수신 대기 시간으로 30-60초가 적정합니다. Idle Timeout은 서버 리소스와 클라이언트 요청 패턴을 고려하여 설정하며, 일반적으로 60-300초가 적절합니다. 실제 값은 부하 테스트를 통해 응답시간 분포, 동시 연결 수, 타임아웃 발생률을 모니터링하며 조정해야 합니다.
- • HTTP Keep-Alive는 애플리케이션 레벨 연결 재사용, TCP Keep-Alive는 전송 계층 연결 유효성 검증
- • Connection Timeout 3-10초, Read Timeout 30-60초 권장
- • Idle Timeout은 서버 리소스와 트래픽 패턴에 따라 60-300초
- • 부하 테스트와 모니터링을 통한 최적값 도출 필요
Connection Pool의 최대 크기(Max Pool Size)를 결정할 때, CPU 코어 수, 데이터베이스 연결 제한, 메모리 등의 제약 조건을 어떻게 균형있게 고려하시겠습니까?
Q. Java 애플리케이션에서 발생하는 Context Switching 오버헤드를 줄이기 위한 방법을 설명하고, Thread Pool 크기를 결정할 때 CPU-bound 작업과 IO-bound 작업에 따라 어떻게 다르게 설정해야 하는지 설명해주세요.
Context Switching 오버헤드를 줄이기 위해서는 스레드 수를 적정하게 유지하고, Thread Pool을 활용하여 스레드 생성/소멸 비용을 줄이며, CPU Affinity 설정으로 캐시 효율을 높일 수 있습니다. CPU-bound 작업은 CPU 코어 수 + 1 정도의 스레드가 적절하며, IO-bound 작업은 대기 시간 비율을 고려하여 스레드 수 = CPU 코어 수 × (1 + 대기시간/연산시간) 공식을 활용합니다. 실무에서는 모니터링을 통해 CPU 사용률, 응답시간, 처리량을 측정하며 최적값을 찾아야 합니다.
- • Thread Pool 사용으로 스레드 생성/소멸 비용 절감
- • CPU-bound 작업: CPU 코어 수 + 1
- • IO-bound 작업: CPU 코어 수 × (1 + 대기시간/연산시간)
- • 실제 워크로드 모니터링을 통한 튜닝 필요
Virtual Thread(Project Loom)가 도입되면서 기존 Thread Pool 기반 설계와 비교하여 어떤 시나리오에서 유리하고, 어떤 제약사항이 있는지 설명해주세요.
Q. 대규모 서비스에서 데이터베이스 인덱스 설계 시 B-Tree와 B+Tree의 차이점을 설명하고, Clustered Index와 Non-Clustered Index의 선택 기준을 실제 사례를 들어 설명해주세요. 또한 인덱스가 오히려 성능을 저하시키는 경우는 언제인지 말씀해주세요.
B-Tree는 모든 노드에 데이터를 저장하지만, B+Tree는 리프 노드에만 데이터를 저장하고 리프 노드가 연결되어 범위 검색에 유리합니다. Clustered Index는 물리적 데이터 정렬 순서를 결정하며 테이블당 하나만 존재하고, 범위 검색이 많은 PK나 날짜 컬럼에 적합합니다. Non-Clustered Index는 별도의 인덱스 구조를 가지며 여러 개 생성 가능하고, 특정 컬럼 검색이 빈번한 경우 유용합니다. 인덱스가 성능을 저하시키는 경우는 Write 작업이 많을 때, 카디널리티가 낮을 때, 인덱스 크기가 메모리를 초과할 때, 그리고 테이블 전체 스캔이 더 효율적인 소규모 테이블일 때입니다.
- • B+Tree는 리프 노드 연결로 범위 검색 최적화
- • Clustered Index는 물리적 정렬, 테이블당 1개, 범위 검색에 유리
- • Non-Clustered Index는 별도 구조, 다중 생성 가능, 특정 컬럼 검색에 유리
- • Write 작업 많음, 낮은 카디널리티, 메모리 부족 시 인덱스 성능 저하
복합 인덱스(Composite Index)를 설계할 때 컬럼 순서를 결정하는 원칙과, 인덱스 힌트를 사용해야 하는 상황에 대해 설명해주세요.
Q. 실시간 순위 시스템을 구현해야 합니다. 수백만 사용자의 점수를 관리하고 특정 사용자의 순위를 조회하며 Top 100을 실시간으로 제공해야 할 때, 어떤 자료구조와 알고리즘을 선택하시겠습니까? 각 연산의 시간복잡도와 함께 설명해주세요.
Redis의 Sorted Set(Skip List 기반)을 활용하면 점수 업데이트 O(log N), 순위 조회 O(log N), Top K 조회 O(log N + K)의 효율적인 성능을 얻을 수 있습니다. 대안으로 Heap을 사용하면 Top K는 O(1)이지만 특정 사용자 순위 조회가 O(N)으로 비효율적입니다. 수백만 사용자 규모에서는 Redis Sorted Set을 샤딩하여 분산 처리하고, 캐싱 레이어를 추가하여 읽기 성능을 최적화합니다. 정확한 순위가 필요 없는 경우 HyperLogLog나 Count-Min Sketch 같은 확률적 자료구조로 메모리를 절약할 수 있습니다.
- • Redis Sorted Set(Skip List): 모든 연산 O(log N) 보장
- • 점수 업데이트, 순위 조회, Top K 모두 효율적
- • 샤딩과 캐싱으로 대규모 확장성 확보
- • 근사치 허용 시 HyperLogLog, Count-Min Sketch 활용
실시간 순위 시스템에서 동점자 처리 정책과, 순위 갱신 빈도가 매우 높을 때 Write 부하를 줄이기 위한 배치 처리 전략에 대해 설명해주세요.
아직 댓글이 없습니다. 첫 번째 댓글을 남겨보세요!