네트워크 시스템에서 처리율 제한 장치(rate limiter)는 클라이언트 또는 서비스가 보내는 트래픽의 처리율(rate)을 제어하기 위한 장치입니다.
HTTP를 예로 들면 이 장치는 특정 기간 내에 전송되는 클라이언트의 요청 횟수를 제한합니다. API 요청 횟수가 제한 장치에 정의된 임계치를 넘어서면 추가로 도달한 모든 호출은 처리가 중단(block)됩니다. 몇 가지 사례는 아래와 같습니다.
이번 장에서는 바로 이 처리율 제한 장치를 설계하는 방식에 대해 알아봅니다. 설계에 앞서, API에 처리율 제한 장치를 두면 좋은 점은 살펴볼까요 ?
처리율 제한 장치를 구현하는데는 여러 가지 알고리즘을 사용할 수 있습니다. 하지만 그 각각은 고유의 장단점을 가지고 있기 때문에, 면접관과 소통해서 여러 조건들을 확인하고 그에 맞게 어떤 제한 장치를 구현해 할지 결정해야 합니다.
다음과 같은 요구사항이 주어졌다고 가정해봅시다.
일단 일을 복잡하게 만들기 보다는 기본적인 클라이언트-서버 통신 모델을 사용해봅시다.
직관적으로 보자면 이 장치는 당연히 클라이언트 측에 둘 수도 있고, 서버 측에 둘 수도 있습니다.
폭넓게 채택된 기술인 클라우드 마이크로 서비스의 경우, 처리율 제한 장치는 보통 API 게이트웨이라 불리는 컴포넌트에 구현됩니다.
API 게이트웨이는 처리율 제한, SSL 종단, 사용자 인증, IP 허용 목록 관리 등을 지원하는 완전 위탁관리형 서비스, 즉 클라우드 업체가 유지 보수를 담당하는 서비스입니다. 하지만 일단은 API 게이트웨이가 처리율 제한을 지원하는 미들웨어라는 점만 기억하면 됩니다.
처리율 제한 기능을 설계할 때 중요하게 따져야하는 또 하나가 바로 어디에 둘 것인지 입니다. 서버에 둬야 하는지, 게이트웨이에 두어야하는지.. 정답은 당연히 없습니다. 현재 기술 스택이나 엔지니어링의 인력, 우선순위, 목표에 따라 달라지는데 다만 일반적으로 적용될 수 있는 몇 가지 지침은 있습니다 !
처리율 제한을 실현하는 알고리즘은 여러 가지인데, 다 다른 장단점을 가지고 있기 때문에 적절히 잘 선택해야합니다.
다만 여기서는 알고리즘에 초점을 맞추지는 않고 각각의 특성을 이해하는 한편 용례에 맞는 알고리즘 조합을 찾는데 도움이 되도록 개략적으로 설명하고 있습니다.
토큰 버킷 알고리즘은 처리율 제한에 폭넓게 이용되고 있습니다. 간단하고, 알고리즘에 대한 세간의 이해도도 높은 편이며 인터넷 기업들이 보편적으로 사용하고 있습니다. 아마존과 스트라이프가 API 요청을 통제(trorie)하기 위해 이 알고리즘을 사용합니다.
토큰 버킷 알고리즘의 동작 원리는 다음과 같습니다.
• 토큰 버킷은 지정된 용량을 갖는 컨테이너입니다. 이 버킷에는 사전 설정된 양의 토큰이 주기적으로 채워집니다. 토큰이 꽉 찬 버킷에는 더 이상의 토큰은 추가되지 않습니다.
위의 그림은 예제는 용량이 4인 버킷입니다. 토큰 공급기(refiller)는 이 버킷에 매초 2개의 토큰을 추가합니다. 버킷이 가득 차면 추가 로 공급된 토큰은 버려집니다(overflow).
• 각 요청은 처리될 때마다 하나의 토큰을 사용합니다. 요청이 도착하면 토큰이 있는지 검사하고 토큰이 있으면 버킷에서 토큰 하나를 꺼내, 요청을 처리하고 토큰이 없는 경우 해당 요청은 버려집니다. 아래 사진은 그 과정을 보여줍니다.
아래 그림은 토큰을 어떻게 버킷에서 꺼내고, 토큰 공급기는 어떻게 동작하며, 처리 제한 로직은 어떻게 작동하는지를 보여줍니다. 이 예시에서 토큰 버킷의 크기는 4이고, 토큰 공급률은 분당 4입니다.
토큰 버킷은 2개의 인자를 받습니다.
버킷을 몇 개나 사용해야하는지는 공급 제한 규칙에 따라 달라집니다.
장점
단점
참고 !!! 스프링 부트에서도 이 알고리즘을 사용해서 처리율 제한이 가능합니다 !
[Spring Boot] Bucket4j를 이용해 서버 측 처리율 제한 장치 구축하기
토큰 버킷 알고리즘과 비슷하지만 요청 처리율이 고정되어 있다는것이 다릅니다. 그리고 누출 버킷 알고리즘은 보통 FIFO 큐로 구현됩니다. 동작 원리는 다음과 같습니다.
누출 버킷 알고리즘은 두 개의 인자를 갖습니다.
장점
단점
위의 예제를 해석하자면 타임라인은 1초이고, 시스템은 초당 3개까지의 요청을 허용합니다. 만약 3개 이상의 요청이 밀려오면 초과분은 버려집니다.
이 알고리즘은 문제는 경계 부근에 순간적으로 많은 트래픽이 집중된 경우 할당된 양보다 더 많은 요청이 처리될 수 있다는 것입니다.
위 예제는 분당 최대 5개의 요청을 허용하는 시스템입니다.
매분마다 카운터가 초기화 되는데, 이 예제를 보면 2:00:00와 2:01:00 사이에 5개의 요청이 들어왔고, 2:01:00과 2:02:00 사이에 또 5개의 요청이 들어왔습니다. 윈도 위치를 옮겨서 보면 2:00:30초부터 2:01:30초까지 10개의 요청이 몰려 처리해버리게 됩니다. 이는 2:01:00초에 카운터가 초기화되서 이런 현상이 벌어진 것이고, 분당 최대 5개 처리하는 허용 한도의 2배를 처리해버리게 되는 것입니다.
장점
단점
앞서 살펴본대로 고정 윈도 카운터 알고리즘에는 중대한 문제가 있었습니다. 윈도 경계 부근에 트래픽이 집중되는 경우 시스템에 설정된 한도보다 많은 요청을 처리하게 된다는 것입니다. 이동 윈도 로깅 알고리즘은 이 문제를 해결합니다.
위의 그림 예제를 좀 더 자세히 설명하면 아래와 같습니다. 위의 예제는 분당 최대 2회의 요청만을 처리하도록 설정되었습니다.
장점
단점
고정 윈도 카운터 알고리즘과 이동 윈도 로깅 알고리즘을 결합한 것입니다. 이 알고리즘은 두 가지 접근법이 있지만 여기서는 하나만 다루었습니다.
처리율 한도가 분당 5개인데, 이전 1분에서 5개 현재 1분동안 3개의 요청이 왔습니다. 현재 1분의 30%시점(1분 18초정도?)에 요청이 도착한 경우 현재 윈도에 몇 개의 요청이 온 것으로 보고 처리해야 할까요?
⇒ 이 공식에 따라 현재 윈도에 들어 있는 요청은 3+5 * 70% = 6.5개입니다. 올림하거나 내림할 수 있는데 예제에서는 내림해서 6개로 계산하였습니다.
처리율 한도가 분당 7개라하면 현재 1분의 30%시점에 도착한 신규 요청은 시스템으로 전달되지만 처리율 한도가 분당 5개라면 요청을 받을 수 없을 것입니다.
장점
단점
처리율 제한 알고리즘의 기본적인 아이디어는 단순합니다. 얼마나 많은 요청이 접수되었는지를 추적할 수 있는 카운터를 추적 대상별로 두고 (사용자별로 추적할 것인가? 아니면 IP 주소별로? 아니면 API 엔드포인트나 서비스 단위로?), 이 카운터의 값이 어떤 한도를 넘어서면 한도를 넘어 도착한 요청은 거부하는 것입니다.
그럼 이 카운터는 어디에 보관할까요? 데이터베이스는 디스크접근을 해야하므로 느려서 안됩니다.
따라서 빠른데다가 시간 만료 정책을 지원하는 캐시가 적절합니다. 레디스(Redis)는 처리율 제한 장치를 구현할 때 자주 사용되는 메모리 기반 저장 장치로서, 카운터에 관한 명령어도 지원합니다.(INCR, EXPIRE)
동작 원리를 정리해보면 아래와 같습니다.
지금까지는 처리율 제한 규칙이 어디에 저장되고 어떻게 처리되는지를 봤습니다. 하지만 이는 아래 두 가지 사항을 알 수 없죠.
이번 절에서는 우선 처리율 제한 규칙에 관한 질문부터 답한 후에 처리가 제한된 요청의 처리 전략을 살펴봅니다. 마지막으로는 분산 환경에서의 처리율 제한 기법에 대해서도 살펴보고, 구체적인 설계와 성능 최적화 방안, 모니터링 방안까지 살펴봅니다.
리프트라는 회사는 처리율 제한에 오픈소스를 사용하고 있습니다. 이 컴포넌트를 들여다보고, 어떤 처리율 제한 규칙이 사용되고 있는지 살펴봅시다.
domain: messaging
descriptiors:
- key: message_type
Value: marketing
rate_limit:
unit: day
requests_per_unit: 5
위의 예제는 시스템이 처리할 수 있는 마케팅 메세지의 최대치를 하루 5개로 제한하고 있습니다. 이런 규칙들은 보통 설정 파일 형태로 디스크에 저장됩니다.(환경 변수를 설정하는 .env
이나 application.yml
파일처럼)
어떤 요청이 한도 제한에 걸리면 API는 HTTP 429 응답코드를 클라이언트에게 보냅니다.
경우에 따라서는 한도 제한에 걸린 메세지를 나중에 처리하기 위해 큐에 보관할 수도 있습니다. 예를 들어 어떤 주문이 시스템 과부하 때문에 한도 제한에 걸렸다면, 해당 주문들을 보관했다가 나중에 처리할 수도 있습니다.
✏️ 처리율 제한 장치가 사용하는 HTTP 헤더
클라이언트에게 자신이 보낸 요청이 처리율 제한에 걸리고 있는지, 처리율 제한에 걸리기까지 얼마나 많은 요청을 보낼 수 있는지 알려주기 위해 HTTP 응답 헤더에 정보를 담아 내려줍니다.
즉, 사용자가 너무 많은 요청을 보내면 429 too many requests 오류를 X-Ratelimit-Retry-After 헤더와 함께 반환하도록 합니다.
단일 서버를 지원하는 처리율 제한 장치가 아니라, 여러 대의 서버와 병렬 스레드를 지원하도록 시스템을 확장하는 것은 또 다른 문제입니다. 다음 두 가지 어려운 문제를 풀어야 합니다.
✏️ 경쟁 조건
처리율 제한 장치는 앞서 계속 설명했듯이 대략 다음과 같이 동작합니다.
여기서 문제는 counter+1에 있는데 병행성이 심한 환경에서는 아래와 같은 경쟁 조건 이슈가 발생할 수 있습니다.
레디스에 저장된 변수 counter 값이 3이라고 해봅시다. 그리고 두 개 요청을 처리하는 스레드가 각각 병렬로 counter 값을 읽었으며 그 둘 가운데 어느 쪽도 아직 변경된 값을 저장하지는 않은 상태입니다.
둘 다 다른 요청의 처리 상태는 상관하지 않고 counter에 1을 더한 값을 레디스에 기록 할 것입니다. 그리고 counter의 값은 올바르게 변경되었다고 믿을 것이지만, 사실 counter의 값은 5가 되어야 하는 것이지요.
이를 해결하기 위해서 락(lock)을 걸 수도 있지만 성능이 떨어진다는 문제가 있습니다. 위 설계의 경우에는 락 대신 쓸 수 있는 해결책이 두 가지 있는데, 루아 스크립트(Lua script)나 정렬 집합(sorted set)이라 불리는 레디스 자료구조를 사용하여 해결할 수 있다.
✏️ 동기화 이슈
수백만의 사용자를 지원하려면 하나의 처리율 제한 서버로는 부족할 것.니입다.래그서처리처율 제한 장치 서버를 여러 대 두게 되는데, 이 경우 동기화가 필요해집니다.
이에 대한 한 가지 해결책은 고정 세션을 통해서 같은 클라이언트로부터의 요청은 항상 같은 처리율 제한 장치로 보내는 것입니다. 하지만 이 방법은 규모면에서 확장 가능하지도 않고 유연하지도 않습니다.
더 나은 해결책은 레디스와 같이 중앙 집중형 데이터 저장소를 사용하는 것입니다.
✏️ 성능 최적화
성능 최적화는 시스템 설계 면접의 단골 주제입니다. 지금까지 살펴본 설계는 두 가지 지점에서 개선이 가능합니다.
우선, 여러 데이터센터를 지원하는 문제는 처리율 제한 장치에 매우 중요한 문제라는 것을 상기해야합니다. 데이터센터에서 멀리 떨어진 사용자를 지원하려다보면 지연시간(latency)이 증가할 수 밖에 없기 때문이죠. 이는 에지 서버를 사용해야 합니다.
현재 클라우드플레어는 지역적으로 분산된 194곳의 위치에 에지 서버를 설치해두고 있습니다.
두번째로 고려해야할 것은, 제한 장치 간에 데이터를 동기화 할 때 최종 일관성 모델을 사용하는 것입니다. 이 일관성 모델에 대해서는 추후 6장에 자세히 설명됩니다.
강한 일관성 : 모든 읽기 연산은 가장 최근에 갱신된 결과를 반환
약한 일관성 : 읽기 연산은 가장 최근에 갱신된 결과를 반환하지 못할 수 있음.
결과적 일관성 : 약한 일관성의 한 형태로, 갱신 결과가 결국에는 모든 사본에 반영(즉, 동기화) 되는 모델
AWS S3 데이터 일관성 모델의 특징을 보면
"Amazon S3은 모든 리전의 S3 버킷에 있는 새 객체의 PUT에 대해 한 가지 주의 사항을 제시함으로써 읽기 후 쓰기 일관성을 제공합니다. 주의할 점은 객체를 만들기 전에 (객체가 있는지 찾기 위해) 키 이름에 HEAD 또는 GET 요청을 하는 경우 Amazon S3가 읽기 후 쓰기에 대한 최종 일관성을 제공하는 것입니다. Amazon S3은 모든 리전의 덮어쓰기 PUT 및 DELETE에 대한 최종 일관성을 제공합니다."
데이터 변경이 발생했을 때, 시간이 지남에 따라 여러 노드에 전파되면서 당장은 아니지만 최종적으로 일관성이 유지되는 것을 최종 일관성(Eventual Consistency)이라고 한다.
결국은 동시성을 제공하지 않고 결과적으로 일관성을 갖는 다는 의미이다.
그러므로 UPDATE 및 DELETE에 대한 최종 일관성을 가지는 S3는 객체를 처음 생성 후 가져올 시에는 일관성 있는 데이터를 제공하나, 삭제 후 가져올 시에는 일관성 없는 결과를 리턴할 수 있다는 특징을 가지게 되는 것입니다.
✏️ 모니터링
처리율 제한 장치를 설치한 이후에는 효과적으로 동작하고 있는지 보기 위해 데이터를 모을 필요가 있습니다. 기본적으로 모니터링을 통해 확인하려는 것은 다음 두 가지 입니다.
예를 들어 처리율 제한 규칙이 너무 빡빡하게 설정되어 있다면 많은 유효 요청이 처리되지 못하고 버려질 것이다. 그럼 규칙을 다소 완화할 필요가 있다.
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 한다. 이런 상황이라면 토큰 버킷이 적합할 것이다.
위에서 설명한 부분들 말고도 다음과 같은 부분을 언급해보면 도움이 될 것입니다.
클라이언트 측 캐시를 사용하여 API 호출 횟수 줄이기
처리율 제한의 임계치를 이해하고, 짧은 시간 동안 너무 많은 메세지를 보내지 않도록 한다.
예외나 에러를 처리하는 코드를 도입하여 클라이언트가 예외적 상황으로부터 우아하게 복구될 수 있도록 한다.
재시도 로직을 구현할 때는 충분한 백오프 시간을 둔다.