포스팅에 사용된 그림은 책에서 제공하는 그림들 입니다.
네트워크 시스템에서 트래픽의 처리율을 제어하기 위한 장치다. HTTP를 예로 들면 이 장치는 특정 기간 내에 전송되는 클라이언트의 요청 횟수를 제한한다. HTTP를 예로 들면 이 장치는 특정 기간 내에 전송되는 클라이언트의 요청 횟수를 제한한다. 요청 횟수가 제한 장치에 정의된 임계치를 넘어서면 추가로 도달한 모든 호출은 처리가 중단된다.
API에 처리율 제한 장치를 두면 좋은 점
처리율 제한 장치를 구현할 때
클라이언트 측 제한 장치냐, 서버 측 제한장치 인가?
시스템의 규모는 어느정도인가?
시스템이 분산 환경에서 동작하는가?
처리율 제한 장치에 의해 걸러지면 사용자에게 그 사실을 알려야 하나?
위 내용을 정리하면
복잡하게 설계하지말고, 기본적인 클리아인트-서버 통신 모델을 사용하자.
처리율 제한 장치를 어디에 둘 것인가?
클라이언트 측에 두면 위/변조가 쉽게 가능해 안정적이지 않다.
서버측에 둔다면 위/변조가 쉽지 않아 안정적이다.
위 사진은 서버측에 처리율 제한 장치를 둔 사진이다.
또는, 미들웨어를 만들어 처리할 수 있다.
위 사진이 미들웨어로 처리율 제한을 처리하는 사진이다.
처리율 제한 장치를 어디에 둘 것인지가 중요하다
널리 알려진 인기 처리율 처리 알고리즘에는 이렇게 있다.
토큰 버킷은 지정된 용량을 갖는 컨테이너다. 이 버킷에는 사전 설정된 양의 토큰이 주기적으로 채워진다. 토큰 공급기는 이 버킷에 매초 2개의 토큰을 추가한다. 버킷이 가득 차면 추가로 공급된 토큰은 버려진다(overflow).
아래 사진은 토큰 공급기는 어떻게 동작하며, 처리 제한 로직은 어떻게 작동하는지 보여준다.
이 사진에서 토큰 버킷의 크기는 4이다. 토큰 공급률은 분당 4이다.
이 토큰 버킷 알고리즘은 2개 인자를 받는다.
버킷은 몇 개나 사용해야 하나? 공급 제한 규칙에 따라 달라진다. 다음 사례들을 살펴보자.
장점:
단점:
토큰 버킷 알고리즘과 비슷하지만 요청 처리율이 고정되어 있다는 점이 다르다.
누출 버킷 알고리즘은 보통 FIFO 큐로 구현한다.
누출 버킷 알고리즘은 다음과 같은 두 인자를 사용한다.
장점
단점
고정 윈도 카운터 알고리즘의 동작 방식
아래 사진은 동작 원리의 사진이다. 타임라인의 시간 단위는 1초다. 시스템은 초당 3개까지의 요청만을 허용한다. 매초마다 열리는 윈도에 3개 이상의 요청이 밀려오면 초과분은 아래 사진에 보인 대로 버려진다.
이 알고리즘의 가장 큰 문제는 윈도의 경계 부근에 순간적으로 많은 트래픽이 집중될 경우 윈도에 할당된 양보다 더 많은 요청이 처리될 수 있다는 것이다.
위 사진은 분당 최대 5개의 요청만 허용하는 시스템인데, 2시1분을보면 10개의 요청을 처리했다.
장점
단점
고정 윈도 알고리즘 + 이동 윈도 알고리즘
처리율 제한 알고리즘의 기본 아이디어는 단순하다.
얼마나 많은 요청이 접수되었는지를 추적할 수 있는 카운터를 추적 대상별로 두고 할것인가?
IP 주소별로?
API 엔드포인트나 서비스 단위로?
이 카운터의 값이 어떤 한도를 넘어서면 한도를 넘어 도착한 요청은 거부하는 것이다.
그렇다면 이 카운터는 어디에 보관할 것인가?
데이터베이스는 디스크 접근 때문에 느리니까 사용하면 안될 것이다.
메모리상에서 동작하는 캐시가 바람직한데, 빠른데다 시간에 기반한 만료 정책을 지원하기 때문이다.
Redis는 처리율 제한 장치를 구현할 때 자주 사용됨으로써, INCR, EXPIRE 두 가지 명령어를 지원한다.
동작 원리는 다음과 같다.
위의 개략적 설계를 봐서는 다음과 같은 사항은 알 수가 없다.
3단계에서는 위 질문부터 처리하고, 제한된 요청 처리 전략을 살펴보겠다. 그리고 분산 환경에서의 처리율 제한 기법에 대해서도 살펴보고, 구체적인 설계와 성능 최적화 방안, 모니터링 방안까지 살펴보자.
domain: messaging
descriptors:
- key: message_type
- Value: marketing
rate_limit:
unit: day
requests_per_unit: 5
위는 마케팅 메시지의 최대치를 하루 5개로 재한하는 예
domain: auth
descriptors:
- key: auth_type
- Value: login
rate_limit:
unit: minute
requests_per_unit: 5
위 규칙은 클라이언트가 분당 5회 이상 로그인할 수 없도록 제한하는 예다. 보통 이러한 규칙은 설정 파일 형태로 디스크에 저장된다.
어떤 요청이 한도 제한에 걸리면 API는 HTTP 429(too many requests)를 응답한다. 경우에 따라서는 메시지를 나중에 처리하기 위해 큐에 보관할 수 도 있다.
처리율 제한 장치가 클라이언트에게 보내는 헤더
분산환경에서의 처리율 제한 장치는
와 같은 어려운 문제를 풀어야 한다.
경쟁조건
처리율 제한장치는 대략적으로 이런 방식으로 작동한다
병행성이 심한 환경에서는 아래 그림과 같은 상황이 나온다.
요청 1이 먼저 들어오고 요청 2가 요청1의 동작이 끝나지 않았을때 들어오면, 최종 counter 값은 5가 되어야 하지만, 최종 결과는 counter가 4인걸로 끝난다.
이런 문제를 해결하는데 가장 널리 알려진 방법은 락(lock)이다. 하지만 락은 시스템의 성능을 상당히 떨어뜨리는다는 문제가 있다. 위 설계의 경우 락 대신에 사용할 수 있는 방법이 2가지 정도 있다.
동기화 이슈
수백만 사용자를 지원하려면 한 대의 처리율 제한 장치 서버로는 충분하지 않을 수 있다.
그래서 처리율 제한 장치 서버를 여러 대 두게 되면 동기화가 필요해진다.
아래 사진을 보면 클라이언트1 은 제한장치 1에게 요청을 하고, 클라이언트2는 제한장치2에게 요청을 한다.
웹 계층은 무상태이므로 클라이언트는 오른쪽 그림과 같이 각기 다른 제한 장치로 보내질 수 도 있다.
이상황에서 제한장치가 서로 동기화 하지 않는다면 제한장치1은 클라이언트 2에 대해서는 아무것도 모르므로 처리율 제한을 올바르게 수행할 수 없을 것이다.
이에 대한 해결책으로는 고정 세션을 활용하여 같은 클라이언트로 부터 요청은 항상 같은 제한장치로 보낼 수 있게 하는 것이지만, 이 방법은 추천하지 않는다. 규모면에서 확장 가능하지도 않고 유연하지도 않기 때문이다. 더 나은 해결책은 ‘레디스’와같은 중앙 집중형 데이터 저장소를 쓰는 것이다. 이 접근법에 대한 설계는 아래 그림이다.
여러 데이터센터를 지원하는 문제는 처리율 제한 장치에 대한 매우 중요한 문제라는 것을 상기해야한다.
데이터센터에서 멀리 떨어진 사용자를 지원하려다 보면 지연시간이 증가할 수 밖에 없기 때문이다.
실제 사례로는 클라우드플레어(Cloudflare)라는 회사는 세계 곳곳에 에지 서버(edge server)를 심어 놓고 있고, 사용자의 트래픽을 가장 가까운 에지 서버로 전달하여 지연시간을 줄이고 있다.
이는 6장의 “키-값 저장소 설계”의 “데이터 일관성” 항목에 자세히 나와있다.
처리율 제한 장치가 효과적으로 동작하고 있는지 데이터를 모을 필요가 있고, 확인 해보고자 하는 항목은 다음 두 가지다.
깜짝 세일 같은 이벤트 때문에 트래픽이 급증할 때 처리율 제한 장치가 비효율적으로 동작한다면, 그런 트래픽 패턴을 잘 처리할 수 있도록 알고리즘을 바꾸는 것을 생각해 봐야 하며, 그럴 때는 토큰 버킷이 적합할 것이다.
이번 장에서 다루었던 처리율 제한을 구현하는 여러 알고리즘과, 그 장단점을 살펴보자.
알고리즘 이외에도 해당 알고리즘을 구현하는 아키텍처, 분산환경에서의 처리율 제한 장치, 성능 최적화와 모니터링 등의 주제를 살펴보았다. 여느 시스템 설게 문제와 마찬가지로, 시간이 허락한다면 다음과 같은 부분을 언급하면 도움이 될 것이다.