키 값 저장소 설계

2022-03-26

키 값 저장소는 키 값 데이터베이스라고도 불리는 비 관계형 데이터베이스이다.

이 저장소에 저장되는 값은 고유 식별자를 키로 가져야 한다.

키와 값 사이의 이런 연결 관계를 “키-값” 쌍이라고 지칭한다.

키 값 쌍에서의 키는 유일해야 하며 해당 키에 매달린 값은 키를 통해서만 접근할 수 있다.

키는 일반 텍스트일 수도 있고 해시 값일 수도 있다.

성능상의 이유로 키는 짧을수록 좋다.

  • 일반 텍스트 키 : “last_logged_in_at”
  • 해시 키 : 253DDEC4

키 값 쌍에서의 값은 문자열일 수도 있고 리스트일 수도 있고 객체일 수도 있다.

키 값 저장소는 보통 값으로 무엇이 오든 상관하지 않는다.

키 값 저장소로 널리 알려진 것으로는 아마존 다이나모, memcached, 레디스 같은 것들이 있다.

다음의 특성을 갖는 키 값 저장소 설계해보기

  • 키-값 쌍의 크기는 10kb 이하이다.
  • 큰 데이터를 저장할 수 있어야 한다.
  • 높은 가용성을 제공해야 한다. 따라서 시스템은 설사 장애가 있더라도 빨리 응답해야 한다.
  • 높은 규모 확장성을 제공해야 한다. 따라서 트래픽 양에 따라 자동적으로 서버 증설/삭제가 이루어져야 한다.
  • 데이터 일관성 수준은 조정이 가능해야 한다.
  • 응답 지연시간이 짧아야 한다.

단일 서버 키-값 저장소

한 대 서버만 사용하는 키-값 저장소를 설계하는 건 쉽다.

가장 직관적인 방법은 키-값 전부를 메모리에 해시 테이블로 저장하는 것이다.

그러나 이 접근법은 빠른 속도를 보장하긴 하지만 모든 데이터를 메모리 안에 두는 것이 불가능할 수도 있다는 약점을 갖고 있다.

이 문제를 해결하기 위한 개선책으로는 다음과 같은 것이 있다.

  • 데이터 압축
  • 자주 쓰이는 데이터만 메모리에 두고 나머지는 디스크에 저장

그러나 이렇게 개선한다고 해도, 한 대 서버로 부족한 때가 곧 찾아온다.

많은 데이터를 저장하려면 분산 키-값 저장소를 만들 필요가 있다.

분산 키 값 저장소

분산 키 값 저장소는 분산 해시 테이블이라고도 불린다.

키 값 쌍을 여러 서버에 분산시키는 탓이다.

분산 시스템 설계할 때는 CAP 이론을 이해하고 있어야 한다.

CAP

C : consistency (일관성)

A : availability (가용성)

P : partition tolerance (파티션 감내)

⭐️ CAP 이론

CAP 이론은 데이터 일관성, 가용성, 파티션 감내 라는 세 가지 요구사항을 동시에 만족하는 분산 시스템을 설계하는 것은 불가능하다는 정리다.

  • 데이터 일관성 : 분산 시스템에 접속하는 모든 클라이언트는 어떤 노드에 접속했느냐에 관계 없이 언제나 같은 데이터를 보게 되어야 한다.
  • 가용성 : 분산 시스템에 접속하는 클라이언트는 일부 노드에 장애가 발생하더라도 항상 응답을 받을 수 있어야 한다.
  • 파티션 감내 : 파티션은 두 노드 사이에 통신 장애가 발생하였음을 의미한다. 파티션 감내는 네트워크에 파티션이 생기더라도 시스템은 계속 동작해야 한다는 것을 뜻한다.

CAP 이론은 아래 그림과 같이 이들 가운데 어떤 두 가지를 충족하려면 나머지 하나는 반드시 희생되어야 한다는 것을 의미한다.

cap

키 값 저장소는 앞서 제시한 세 가지 요구사항 가운데 어느 두 가지를 만족하느냐에 따라 다음과 같이 분류할 수 있다.

  • CP 시스템 : 일관성과 파티션 감내를 지원하는 키 값 저장소. 가용성을 희생 한다.
  • AP 시스템 : 가용성과 파티션 감내를 지원하는 키 값 저장소. 데이터 일관성을 희생한다.
  • CA 시스템 : 일관성과 가용성을 지원하는 키 값 저장소. 파티션 감내는 지원하지 않는다. 그러나 통상 네트워크 장애는 피할 수 없는 일로 여겨지므로, 분산 시스템은 반드시 파티션 문제를 감내할 수 있도록 설계되어야 한다. 그러므로 실세계에 CA 시스템은 존재하지 않는다.

이상적 상태

이상적 환경이라면 네트워크가 파티션되는 상황은 절대로 일어나지 않을 것이다.

n1에 기록된 데이터는 자동적으로 n2와 n3에 복제된다.

데이터 일관성과 가용성도 만족된다.

ideal-state

실세계의 분산 시스템

분산 시스템은 파티션 문제를 피할 수 없다.

그리고 파티션 문제가 발생하면 우리는 일관성과 가용성 사이에서 하나를 선택해야 한다.

다음의 그림은 n3에 장애가 발생하여 n1 및 n2와 통신할 수 없는 상황을 보여주고 있다.

클라이언트가 n1 또는 n2에 기록한 데이터는 n3에 전달되지 않는다.

n3에 기록되었으나 아직 n1 및 n2로 전달되지 않은 데이터가 있다면 n1과 n2는 오래된 사본을 갖고 있을 것이다.

ideal-state

CP 시스템 (일관성,파티션)

가용성 대신 일관성을 선택한다면 세 서버 사이에 생길 수 있는 데이터 불일치 문제를 피하기 위해 n1과 n2에 대해 쓰기 연산을 중단시켜야 하는데, 그렇게 하면 가용성이 깨진다.

은행권 시스템은 보통 데이터 일관성을 양보하지 않는다.

예를 들어, 온라인 뱅킹 시스템이 계좌 최신 정보를 출력할 수 있는 상황이 발생하면 이런 시스템은 상황이 해결될 때까지는 오류를 반환해야 한다.

AP 시스템(가용성,파티션)

하지만 일관성 대신 가용성을 선택한 시스템은 설사 낡은 데이터를 반환할 위험이 있더라도 계속 읽이 연산을 허용해야 한다.

아울러 n1과 n2는 계속 쓰기 연산을 허용할 것이고, 파티션 문제가 해결된 뒤에 새 데이터를 n3에 전송할 것이다.

CA 시스템(일관성, 가용성)

앞서 말했듯이, CA 시스템은 분산 시스템에서 존재하지 않는다

분산 시스템이 아닌 단일 시스템에서는 존재할 수 있다.

데이터 파티션 (P)

대규모 애플리케이션의 경우 전체 데이터를 한 대 서버에 욱여넣는 것은 불가능하다.

가장 단순한 해결책은 데이터를 작은 파티션들로 분할한 다음 여러 대 서버에 저장하는 것이다.

데이터를 파티션 단위로 나눌 때는 다음 두 가지 문제를 중요하게 따져봐야 한다.

  • 데이터를 여러 서버에 고르게 분산할 수 있는가
  • 노드가 추가되거나 삭제될 때 데이터의 이동을 최소화 할 수 있는가

이전 글에서 다룬 안정 해시는 이런 문제를 푸는데 적합한 기술이다.

안정 해시를 사용하여 데이터를 파티션하면 좋은 점은 다음과 같다.

  • 규모 확장 자동화(automatic scaling) : 시스템 부하에 따라 서버가 자동으로 추가되거나 삭제되도록 만들 수 있다.
  • 다양성(heterogeneity) : 각 서버의 용량에 맞게 가상 노드의 수를 조정할 수 있다. 다시 말해, 고성능서버는 더 많은 가상 노드를 갖도록 설정할 수 있다.

데이터 다중화 (A)

높은 가용성과 안정성을 확보하기 위해서는 데이터를 N개 서버에 비동기적으로 다중화(replication)할 필요가 있다.

여기서 N은 튜닝 가능한 값이다.

N개 서버를 선정하는 방법은 이러하다.

어떤 키를 해시 링 위에 배치한 후, 그 지점으로부터 시계 방향으로 링을 순회하면서 만나는 첫 N개 서버에 데이터 사본을 보관하는 것이다.

따라서 N=3으로 설정한 아래 그림에서 key0은 s1,s2,s3에 저장된다

data-replication

그런데 가상 노드를 사용한다면 위와 같이 선택한 N개의 노드가 대응될 실제 물리 서버의 개수가 N보다 작아질 수 있다. 이 문제를 피하려면 노드를 선택할 때 같은 물리 서버를 중복 선택하지 않도록 해야 한다.

같은 데이터 센터에 속한 노드는 정전, 네트워크 이슈, 자연재해 등의 문제를 동시에 겪을 가능성이 있다.

따라서 안정성을 담보하기 위해 데이터의 사본은 다른 센터의 서버에 보관하고, 센터들은 고속 네트워크로 연결한다.

데이터 일관성 (C)

여러 노드에 다중화된 데이터는 적절히 동기화가 되어야 하낟.

정족수 합의(Quorum Consensus) 프로토콜을 사용하면 읽기/쓰기 연산 모두에 일관성을 보장할 수 있다.

우선 관계된 정의부터 몇 가지 살펴보자.

  • N = 사본 개수
  • W = 쓰기 연산에 대한 정족수. 쓰기 연산이 성공한 것으로 간주되려면 적어도 W개의 서버로부터 쓰기 연산이 성공했다는 응답을 받아야 한다.
  • R = 읽기 연산에 대한 정족수. 읽기 연산이 성공한 것으로 간주되려면 적어도 R개의 서버로부터 응답을 받아야 한다.

N = 3인 경우에 대한 그림을 살펴보자.

quorum-consensus

W = 1 일 경우

W = 1은 데이터가 한 대 서버에만 기록된다는 뜻이 아니다.

위의 그림과 같이 데이터가 서버0, 서버1 서버2에 다중화되는 상황을 예를 들어 살펴보자.

W = 1의 의미는, 쓰기 연산이 성공했다고 판단하기 위해 중재자(coordinator)는 최소 한 대 서버로부터 쓰기 성공 응답을 받아야 한다는 뜻이다.

따라서 서버1로부터 성공 응답을 받았다면 서버0, 서버2로부터의 응답을 기다릴 필요가 없다.

중재자는 클라이언트 노드 사이에서 프락시(proxy) 역할을 한다.

W,R,N 값을 정하는 것은 응답 지연과 데이터 일관성 사이의 타협점을 찾는 전형적인 과정이다.

W = 1 또는 R =1 인 경우

W = 1 또는 R = 1인 구성의 경우 중재자는 한 대 서버로부터의 응답만 받으면 되니 응답속도는 빠를 것이다.

W나 R의 값이 1보다 큰 경우에는 시스템이 보여주는 데이터 일관성의 수준은 향상될 테지만 중재자의 응답 속도는 가장 느린 서버로부터의 응답을 기다려야 하므로 느려질 것이다.

W + R > N

W + R > N인 경우에는 강한 일관성이 보장된다.

일관성을 보증할 최신 데이터를 가진 노드가 최소 하나는 겹칠 것 이기 때문이다.

일관성 수준 정하기

  • R = 1, W = N : 빠른 읽기 연산에 최적화된 시스템 (쓰기 응답은 복제본 수 만큼 받기)
  • W = 1, R = N : 빠른 쓰기 연산에 최적화된 시스템 (읽기 응답은 복제본 수 만큼 받기)
  • W + R > N : 강한 일관성이 보장됨(보통 N=3, W=R=2) (읽기 응답과 쓰기 응답은 복제본 수 보다 크도록 설정)
  • W + R <= N : 강한 일관성이 보장되지 않음 (읽기 응답과 쓰기 응답은 복제본 수 보다 작도록 설정)

요구되는 일관성 수준에 따라 W, R, N의 값을 조정하면 된다.

일관성 모델

일관성 모델은 키 값 저장소를 설계할 때 고려해야 할 또 하나의 중요한 요소다.

일관성 모델은 데이터 일관성의 수준을 결정하는데, 종류가 다양하다.

  • 강한 일관성(strong consistency) : 모든 읽기 연산은 가장 최근에 갱신된 결과를 반환한다. 다시 말해서 클라이언트는 절대로 낡은 데이터를 보지 못한다.
  • 약한 일관성(weak consistency) : 읽기 연산은 가장 최근에 갱신된 결과를 반환하지 못할 수 있다.
  • 최종 일관성(eventual consistency) : 약한 일관성의 한 형태로, 갱신 결과가 결국에는 모든 사본에 반영(즉 ,동기화)되는 모델이다.

강한 일관성을 달성하는 일반적인 방법은, 모든 사본에 현재 쓰기 연산의 결과가 반영될 때까지 해당 데이터에 대한 읽기/쓰기를 금지하는 것이다.

이 방법은 고가용성 시스템에는 적합하지 않다. 새로운 요청의 처리가 중단되기 때문이다.

다이나모 또는 카산드라 같은 저장소는 최종 일관성 모델을 택하고 있기 때문에 더 자세히 알아보자.

최종 일관성 모델을 따를 경우 쓰기 연산이 병렬적으로 발생하면 시스템에 저장된 값의 일관성이 깨어질 수 있는데, 이 문제는 클라이언트가 해결해야 한다.

클라이언트 측에서 데이터 버전 정보를 활용해 일관성이 깨진 데이터를 읽지 않도록 하는 기법에 대해서는 아래에서 살펴볼 것이다.

비 일관성 해소 기법 : 데이터 버저닝

데이터를 다중화하면 가용성은 높아지지만 사본 간 일관성이 깨질 가능성은 높아진다.

버저닝(versioning)과 벡터 시계(vector clock)는 그 문제를 해소하기 위해 등장한 기술이다.

버저닝은 데이터를 변경할 때마다 해당 데이터의 새로운 버전을 만드는 것을 의미한다.

따라서 각 버전의 데이터는 변경 불가능하다.

버저닝에 대해 알아보기 전에 우선 데이터 일관성이 어떻게 깨지는지 예제를 통해 알아보자.

아래의 그림과 같이 어떤 데이터의 사본이 노드 n1과 n2에 보관되어 있다고 해보자.

이 데이터를 가져오려는 서버 1과 서버 2는 get(“name”) 연산의 결과로 같은 값을 얻는다.

versioning

이제 아래의 그림과 같이 서버 1은 “name”에 매달린 값을 “johnSanFrancisco”로 바꾸고,

서버2는 “johnNewYork”으로 바꾼다고하자.

그리고 이 두 연산은 동시에 이뤄진다고 하자.

이제 우리는 충돌하는 두 값을 갖게 되었다.

그 각각을 버전 v1, v2라고 하자.

versioning

이 변경이 이루어진 이후에, 원래 값은 무시할 수 있다. 변경이 끝난 옛날 값이기 때문이다.

하지만 마지막 두 버전 v1과 v2 사이의 충돌은 해소하기 어려워 보인다.

이 문제를 푸는데 보편적으로 사용되는 기술이다.

동작 원리를 살펴보자.

벡터 시계(vector clock)

벡터 시계는 [서버, 버전]의 순서쌍을 데이터에 매단 것이다.

어떤 버전이 선행 버전인지, 후행 버전인지, 아니면 다른 버전과 충돌이 있는지 판별하는데 쓰인다.

벡터 시계는 D([S1, v1], [S2, v2], …, [Sn, vn]와 같이 표현한다고 가정하자.

여기서 D는 데이터이고, vi는 버전 카운터, Si는 서버 번호이다.

만일 데이터 D를 서버 Si에 기록하면, 시스템은 아래 작업 가운데 하나를 수행하여야 한다.

  • [Si, vi]가 있으면 vi를 증가시킨다.
  • 그렇지 않으면 새 항목 [Si, 1]를 만든다.

이 추상적 로직이 실제로 어떻게 수행되는지를 아래의 그림으로 살펴보자.

versioning

  1. 클라이언트가 데이터 D1을 시스템에 기록한다. 이 쓰기 연산을 처리한 서버는 Sx이다. 따라서 벡터 시계는 D1([Sx, 1])으로 변한다.
  2. 다른 클라이언트가 데이터 D1을 읽고 D2로 업데이트한 다음 기록한다. D2는 D1에 대한 변경이므로 D1을 덮어 쓴다. 이때 쓰기 연산은 같은 서버 Sx가 처리한다고 가정하자. 벡터 시계는 D2([Sx, 2])로 바뀔 것이다.
  3. 다른 클라이언트가 D2를 읽어 D3로 갱신한 다음 기록한다. 이 쓰기 연산은 Sy가 처리한다고 가정하자. 벡터 시계 상태는 D3([Sx, 2],[Sy 1])로 바뀐다.
  4. 또 다른 클라이언트가 D2를 읽고 D4로 갱신한 다음 기록한다 (3번과 병렬처리) 이 때 쓰기 연산은 서버 Sz가 처리한다고 가정하자. 벡터 시계는 D4([Sx, 2], [Sz, 1])일 것이다.
  5. 어떤 클라이언트가 D3과 D4를 읽으면 데이터 간 충돌이 있다는 것을 알게 된다. D2를 Sy와 Sz가 각기 다른 값으로 바꾸었기 때문이다. 이 충돌은 클라이언트가 해소한 후에 서버에 기록한다. 이 쓰기 연산을 처리한 서버는 Sx였다고 하자. 벡터 시계는 D5([Sx, 3],[Sy, 1],[Sz, 1])로 바뀐다. 충돌이 일어났다는 것을 어떻게 감지하는지는 잠시 후에 더 자세히 살펴볼 것이다.

벡터 시계를 사용하면 어떤 버전 X가 버전 Y의 이전 버전인지(따라서 충돌이 없는지) 쉽게 판단할 수 있다.

버전 Y에 포함된 모든 구성요소의 값이 X에 포함된 모든 구성요소 값보다 같거나 큰지만 보면 된다.

예를 들어 벡터 시계 D([s0, 1], [s1, 1])은 D([s0, 1], [s1, 2])의 이전 버전이다. 따라서 두 데이터 사이에 충돌은 없다.

어떤 버전 X와 Y 사이에 충돌이 있는지 보려면 (다시 말해 그 두 버전이 같은 이전 버전에서 파생된 다른 버전들인지 보려면) Y의 벡터 시계 구성요소 가운데 X의 벡터 시계 동일 서버 구성요소보다 작은 값을 갖는 것이 있는지 보면 된다.

예를 들어, D([s0, 1], [s1, 2])와 D([s0, 2], [s1, 1])는 서로 충돌한다.

그러나 벡터 시계를 사용해 충돌을 감지하고 해소하는 방법에는 두 가지 분명한 단점이 있다.

첫 번째로는 충돌 감지 및 해소 로직이 클라이언트에 들어가야 하므로, 클라이언트 구현이 복잡해진다.

두 번째는 [서버: 버전]의 순서쌍 개수가 굉장히 빨리 늘어난다는 것이다. 이 문제를 해결하려면 그 길이에 어떤 임계치(threshold)를 설정하고, 임계치 이상으로 길이가 길어지면 오래된 순서쌍을 벡터 시계에서 제거하도록 해야 한다.

그러나 이렇게 하면 버전 간 선후 관계가 정확하게 결정될 수 없기 때문에 충돌 해소 과정의 효율성이 낮아지게 된다.

하지만 다이나모 데이터베이스에 관계된 문헌 에 따르면 아마존은 실제 서비스에서 그런 문제가 벌어지는 것을 발견한 적이 없다고 한다.

그러니 대부분의 기업에서 벡터 시계는 적용해도 괜찮은 솔루션일 것이다.

장애 처리

대다수 대규모 시스템에서 장애는 그저 불가피하기만 한 것이 아니라 아주 흔하게 벌어지는 사건이다.

따라서 장애를 어떻게 처리할 것이냐 하는 것은 굉장히 중요한 문제다.

이번에는 우선 장애 감지 기법들을 먼저 살펴보고, 그 다음으로 장애 해소 잔략들을 짚어보자.

장애 감지

분산 시스템에서는 그저 한 대 서버가 “지금 서버 A가 죽었습니다”라고 한다해서 바로 서버 A를 장애처리 하지는 않는다.

보통 두 대 이상의 서버가 똑같이 서버 A의 장애를 보고해야 해당 서버에 실제로 장애가 발생했다고 간주하게 된다.

다음의 그림과 같이 모든 노드 사이에 멀티캐스팅 채널을 구축하는 것이 서버 장애를 감지하는 가장 손쉬운 방법이다.

하지만 이 방법은 서버가 많을 때는 분명 비효율적이다.

multi-casting

가십 프로토콜(gossip protocol)

가십 프로토콜 같은 분산형 장애 감지 솔루션(decentralized failure detection) 솔루션을 채택하는 편이 보다 효율 적이다.

가십 프로토콜의 동작 원리는 다음과 같다.

  • 각 노드는 멤버십 목록을 유지한다. 멤버십 목록은 각 멤버 ID와 그 박동 카운터 쌍의 목록이다.
  • 각 노드는 주기적으로 자신의 박동 카운터를 증가시킨다.
  • 각 노드는 무작위로 선정된 노드들에게 주기적으로 자기 박동 카운터 목록을 보낸다.
  • 박동 카운터 목록을 받은 노드는 멤버십 목록을 최신 값으로 갱신한다.
  • 어떤 멤버의 박동 카운터 값이 지정된 시간 동안 갱신되지 않으면 해당 멤버는 장애 상태인 것으로 간주한다.

membership-list

위의 그림을 보자

  • 노드 서버0은 그림 좌측의 테이블과 같은 멤버십 목록을 가진 상태다.
  • 노드 서버0은 노드 서버2(멤버 ID=2)의 박동 카운터가 오랫동안 증가되지 않았다는 걸 발견한다.
  • 노드 서버0은 노드 서버2를 포함하는 박동 카운터 목록을 무작위로 선택된 다른 노드에게 전달한다.
  • 노드 서버2의 박동 카운터가 오랫동안 증가되지 않았음을 발견한 모든 노드는 해당 노드를 장애 노드로 표시한다.

일시적 장애 처리

가십 프로토콜로 장애를 감지한 시스템은 가용성을 보장하기 위해 필요한 조치를 해야 한다.

엄격한 정족수(strict quorum) 접근법을 쓴다면, 앞서 데이터 일관성에서 설명한 대로, 읽기와 쓰기 연산을 금지해야 할 것이다.

느슨한 정족수(sloppy quorum) 접근법은 이 조건을 완화하여 가용성을 높인다.

정족수 요구사항을 강제하는 대신, 쓰기 연산을 수행할 W개의 건강한 서버와 읽기 연산을 수행할 R개의 건강한 서버를 해시 링에서 고른다. 이때 장애 상태인 서버는 무시한다.

네트워크나 서버 문제로 장애 상태인 서버로 가는 요청은 다른 서버가 잠시 맡아 처리한다.

그동안 발생한 변경사항은 해당 서버가 복구되었을 때 일괄 반영하여 데이터 일관성을 보존한다.

이를 위해 임시로 쓰기 연산을 처리한 서버에는 그에 관한 단서를 남겨둔다.

따라서 이런 장애 처리 방안을 단서 후 임시 위탁(hinted handoff) 기법이라고 부른다.

아래의 그림을 보자.

장애 상태인 노드 서버2에 대한 읽기 및 쓰기 연산은 일시적으로 노드 서버3이 처리한다.

서버2가 복구되면, 서버3은 갱신된 데이터를 서버2로 인계할 것이다.

temporal-disable

영구 장애 처리

단서 후 임시 위탁 기법은 일시적 장애를 처리하기 위한 것이다.

영구적인 노드의 장애 상태는 어떻게 처리해야 할까?

그런 상황을 처리하기 위해 반-엔트로피(anti-entropy) 프로토콜을 구현하여 사본들을 동기화 한다.

반 엔트로피 프로토콜은 사본들을 비교하여 최신 버전으로 갱신하는 과정을 포함한다.

사본 간의 일관성이 망가진 상태를 탐지하고 전송 데이터의 양을 줄이기 위해서는 머클트리를 사용할 것이다.

머클 트리

위키피디아에 따르면 머클 트리의 정의는 이렇다.

해시 트리라고도 불리는 머클 트리는 각 노드에 그 자식 노드들에 보관된 값의 해시(자식 노드가 종단 노드인 경우), 또는 자식 노드들의 레이블로부터 계산된 해시 값을 레이블로 붙여두는 트리다.

해시 트리를 사용하면 대규모 자료 구조의 내용을 효과적이면서도 보안상 안전한 방법으로 검증할 수 있다.

키 공간이 1부터 12까지일 대 머클 트리를 만드는 예제를 한번 살펴보자.

일관성이 망가진 데이터가 위치한 상자는 다른 색으로 표시해두었다.

  1. 키 공간을 다음의 그림과 같이 버킷으로 나눈다. (예제에서는 4개 버킷으로 나눴다.)

    merkle-tree

  2. 버킷에 포함된 각각의 키에 균등 분포 해시(uniform hash) 함수를 적용하여 해시 값을 계산한다.

    merkle-tree

  3. 버킷별로 해시값을 계산한 후, 해당 해시 값을 레이블로 갖는 노드를 만든다.

    merkle-tree

  4. 자식 노드의 레이블로부터 새로운 해시 값을 계산하여, 이진 트리를 상향식으로 구성해 나간다.

    merkle-tree

이 두 머클 트리의 비교는 루트 노드의 해시값을 비교하는 것으로 시작한다.

루트 노드의 해시 값이 일치한다면 두 서버는 같은 데이터를 갖는 것이다.

그 값이 다른 경우에는 왼쪽 자식 노드의 해시 값을 비교하고, 그 다음으로 오른쪽 자식 노드의 해시 값을 비교한다.

이렇게 하면서 아래쪽으로 탐색해 나가다 보면 다른 데이터를 갖는 버킷을 찾을 수 있으므로, 그 버킷들만 동기화하면 된다.

머클 트리를 사용하면 동기화해야 하는 데이터의 양은 실제로 존재하는 차이의 크기에 비례할 뿐, 두 서버에 보관된 데이터의 총량과는 무관해진다.

하지만 실제로 쓰이는 시스템의 경우 버킷 하나의 크기가 꽤 크다는 것을 알아두어야 한다.

가능한 구성 가운데 하나를 예를 들면 10억개의 키를 100만개의 버킷으로 관리하는 것인데, 그 경우 하나의 버킷은 1,000개 키를 관리하게 된다.

데이터 센터 장애 처리

데이터 센터 장애는 정전, 네트워크 장애, 자연재해 등 다양한 이유로 발생할 수 있다.

데이터 센터 장애에 대응할 수 있는 시스템을 만들려면 데이터를 여러 데이터 센터에 다중화하는 것이 중요하다.

한 데이터센터가 완전히 망가져도 사용자는 다른 데이터 센터에 보관된 데이터를 이용할 수 있을 것이다.

카산드라의 쓰기 경로

다음의 그림은 쓰기 요청이 특정 노드에 전달되면 무슨 일이 벌어지는지를 보여준다.

아래 구조는 카산드라의 사례를 참고했다.

cassandra-write

  1. 쓰기 요청이 커밋 로그 파일에 기록된다.

  2. 데이터가 메모리 캐시에 기록된다.

  3. 메모리 캐시가 가득차거나 사전에 정의된 어떤 임계치에 도달하면 데이터는 디스크에 있는 SSTable에 기록된다. SSTable은 Sorted-String Table의 약어로, <키, 값>의 순서쌍으로 정렬된 리스트 형태로 관리하는 테이블이다.

카산드라의 읽기 경로

읽기 요청을 받은 노드는 데이터가 메모리 캐시에 있는지부터 살핀다.

메모리 캐시에 있는 경우에는 아래 그림과 같이 해당 데이터를 클라이언트에게 반환한다.

cassandra-read

데이터가 메모리에 없는 경우에는 디스크에서 가져와야 한다.

어느 SSTable에 찾는 키가 있는지 알아낼 효율적인 방법이 필요할 것이다.

이런 문제는 블룸 필터(Bloom filter)가 흔히 사용 된다.

데이터가 메모리에 없을 때 읽기 연산이 처리되는 경로를 보면 다음과 같다.

cassandra-read

  1. 데이터가 메모리 있는지 검사한다. 없으면 2로 간다.
  2. 데이터가 메모리에 없으므로 블룸 필터를 검사한다.
  3. 블룸 필터를 통해 어떤 SSTable에 키가 보관되어 있는지 알아낸다.
  4. SSTable에서 데이터를 가져온다.
  5. 해당 데이터를 클라이언트에게 반환한다.