가상 면접 사례로 배우는 대규모 시스템 설계 기초 1 ‐ 처리율 제한 장치의 설계 - thought-corner/backend-roadmap GitHub Wiki
처리율 제한 장치의 설계
네트워크 시스템에서 처리율 제한 장치(Rate Limiter)는 클라이언트 또는 서비스가 보내는 트래픽의 처리율(rate)을 제어하기 위한 장치다.
HTTP를 예로 들면 이 장치는 특정 기간 내에 전송되는 클라이언트의 요청 횟수를 제한한다.
API 요청 횟수가 제한 장치에 정의된 임계치(threshold)를 넘어서면 추가로 도달한 모든 호출은 처리가 중단된다.
사용자는 초당 2회 이상 새 글을 올릴 수 없다.
같은 IP 주소로는 하루에 10개 이상의 계정을 생성할 수 없다.
같은 디바이스로는 주당 5회 이상 리워드를 요청할 수 없다.
API에 처리율 제한 장치를 두면 좋은 이유
DoS(Denial of Service) 공격에 의한 자원 고갈을 방지할 수 있다. 처리율 제한 장치는 추가 요청에 대해서는 처리를 중단함으로써 DoS 공격을 방지한다.
비용을 절감할 수 있다. 추가 요청에 대한 처리를 제한하면 서버를 많이 두지 않아도 되고, 우선순위가 높은 API에 대해 더 많은 자원을 할당할 수 있다.
서버 과부하를 막는다. 봇(bot)에서 오는 트래픽이나 사용자의 잘못된 이용 패턴으로 유발되는 트래픽을 걸러내는데 처리율 제한 장치를 활용할 수 있다.
예제 : 처리율 제한 장치 시스템 요구사항
설정된 처리율을 초과하는 요청은 정확하게 제한한다.
낮은 응답 시간 : 이 처리율 제한 장치는 HTTP 응답시간에 나쁜 영향을 주어서는 곤란하다.
가능한 한 적은 메모리를 써야 한다.
분산형 처리율 제한(distributed rate limiting) : 하나의 처리율 제한 장치를 여러 서버나 프로세스에서 공유할 수 있어야 한다.
예외 처리 : 요청이 제한되었을 때는 그 사실을 사용자에게 분명하게 보여주어야 한다.
높은 결함 감내성(fault tolerance) : 제한 장치에 장애가 생기더라도 전체 시스템에 영향을 주어선 안 된다.
처리율 제한 장치를 어디에 둘 것인지? - 서버 vs 클라이언트
서버 측에 처리율 제한 장치는 두는 경우
처리율 제한 장치를 API 서버에 두는 대신, 처리율 제한 미들웨어를 만들어 해당 미들웨어로 하여금 API 서버로 가는 요청을 통제하도록 하는 것이다.
앞선 두 요청은 API 서버로 전송된 것이다. 하지만 세 번째 요청은 처리율 제한 미들웨어에 의해 가로막히고 클라이언트로는 HTTP 상태 코드 429가 반환된다. HTTP 상태 코드 429는 사용자가 너무 많은 요청을 보내려고 했음(Too Many Requests)을 알린다.
처리율 제한 장치는 보통 API 게이트웨이라 불리는 컴포넌트에 구현된다. API 게이트웨이는 처리율 제한, SSL 종단, 사용자 인증, IP 허용 목록 관리 등을 지원하는 완전 위탁관리형 서비스이다.
처리율 제한 장치 기능을 설계할 때 중요하게 봐야 하는 부분은 어디에 두어야 하냐는 것이다. 서버에 두어야 하나 아니면 게이트웨이에 두어야 하나인데 정답은 없다. 다음과 같은 몇 가지 사항을 고려하면 좋다.
프로그래밍 언어, 캐시 서비스 등 현재 사용하고 있는 기술 스택을 점검하라. 현재 사용하는 프로그래밍 언어가 서버 측 구현을 지원하기 충분할 정도로 효율이 높은지 확인한다.
사업 필요에 맞는 처리율 제한 알고리즘을 찾아라. 서버 측에서 모든 것을 구현하기로 했다면 알고리즘은 자유롭게 선택 가능하나 제3사업자가 제공하는 게이트웨이를 사용하기로 했다면 선택지가 제한될 수 있다.
여러분의 설계가 마이크로서비스에 기반하고 있고, 사용자 인증이나 IP 허용관리 목록 등을 처리하기 위해 API 게이트웨이를 이미 설계에 포함시켰다면 처리율 제한 기능 또는 게이트웨이에 포함시켜야 할 수도 있다.
처리율 제한 서비스를 직접 만드는 데에는 시간이 든다. 처리율 제한 장치를 구현하기에 충분한 인력이 없다면 상용 API 게이트웨이를 쓰는 것도 바람직한 방법이다.
클라이언트 측에 처리율 제한 장치를 두는 경우
일반적으로 클라이언트는 처리율 제한을 안정적으로 걸 수 있는 장소가 못 된다. 클라이언트 요청은 쉽게 위변조가 가능해서다. 모든 클라이언트의 구현을 통제하는 것이 어려울 수 있다.
누출 버킷(leaky bucket) 알고리즘은 토큰 버킷 알고리즘과 비슷하지만 요청 처리율이 고정되어 있다는 점이 다르다.
누출 버킷 알고리즘은 보통 FIFO 큐로 구현한다.
요청이 도착하면 큐가 가득 차 있는지 본다. 빈자리가 있는 경우에는 큐에 요청을 추가한다.
큐가 가득 차 있는 경우에는 새 요청은 버린다.
지정된 시간마다 큐에서 요청을 꺼내어 처리한다.
누출 버킷 알고리즘은 2개의 인자를 받는다.
버킷 크기 : 큐 사이즈와 같은 값이다. 큐에는 처리될 항목들이 보관된다.
처리율(outflow rate) : 지정된 시간당 몇 개의 항목을 처리할지 지정하는 값으로 보통 초 단위로 표현한다.
장점
큐의 크기가 제한되어 있어 메모리 사용량 측면에서 효율적이다.
고정된 처리율을 갖기 때문에 안정적 출력(stable outflow rate)이 필요한 경우에 적합하다.
단점
단시간에 많은 트래픽이 몰리는 경우에는 큐에는 요청들이 쌓이게 되고 그 요청들을 제때 처리 안하면 최신 요청들은 버려지게 된다.
2개 인자를 가지고 있는데 이들을 올바르게 튜닝하기가 상당히 까다로울 수 있다.
처리율 제한 알고리즘 - 고정 윈도 카운터 알고리즘
고정 윈도 카운터 알고리즘은 다음과 같이 동작한다.
타임라인(timeline)을 고정된 간격의 윈도우(window)로 나누고, 각 윈도마다 카운터(counter)를 붙인다.
요청이 접수될 때마다 이 카운터의 값은 1씩 증가한다.
이 카운터의 값이 사전에 설정된 임계치(threshold)에 도달하면 새로운 요청은 새 윈도가 열릴 때까지 버려진다.
이 알고리즘의 가장 큰 문제는 윈도우의 경계 부근에 순간적으로 많은 트래픽이 집중될 경우 윈도우에 할당된 양보다 더 많은 요청이 처리될 수 있다는 점이다.
장점
메모리 효율이 좋다.
이해하기 쉽다.
윈도우가 닫히는 시점에 카운터를 초기화하는 방식은 특정한 트래픽 패턴을 처리하기에 적합하다.
단점
윈도우 경계 부근에서 일시적으로 많은 트래픽이 몰리는 경우 기대했던 시스템 처리 한도보다 많은 양의 요청을 처리하게 된다.
처리율 제한 알고리즘 - 이동 윈도우 로깅 알고리즘
고정 윈도우 카운터 알고리즘이 경우 윈도우 경계 부근에 트래픽이 집중되는 경우 시스템에 설정된 한도보다 많은 요청을 처리하게 된다.
이 알고리즘은 요청의 타임스탬프(timestamp)를 추적한다. 타임스탬프 데이터는 보통 레디스의 정렬 집합과 같은 캐시에 보관한다.
새 요청이 오면 만료된 타임 스탬프는 제거한다. 만료된 타임스탬프는 그 값이 현재 윈도우의 시작 시점보다 오래된 타임스탬프를 말한다.
새로운 요청의 타임스탬프를 로그에 추가한다.
로그의 크기가 허용치보다 같거나 작으면 요청을 시스템에 전달한다. 그렇지 않은 경우에는 처리를 거부한다.
장점
이 알고리즘이 구현하는 처리율 제한 메커니즘은 아주 정교하다. 어느 순간의 윈도우를 보더라도 허용되는 요청의 개수는 시스템의 처리율 한도를 넘기지 않는다.
단점
이 알고리즘은 다량의 메모리를 사용하는데 거부된 요청의 타임스탬프도 보관하기 때문이다.
처리율 제한 알고리즘 - 이동 윈도우 카운터 알고리즘
이동 윈도우 카운터 알고리즘은 고정 윈도우 카운터 알고리즘과 이동 윈도우 로깅 알고리즘을 결합한 것이다.
장점
이전 시간대의 평균 처리율에 따라 현재 윈도우의 상태를 계산하므로 짧은 시간에 몰리는 트래픽에도 잘 대응한다.
메모리 효율이 좋다.
단점
직전 시간대에 도착한 요청이 균등하게 분포되어 있다고 가정한 상태에서 추정치를 계산하기 때문에 다소 느슨하다.
하지만 이 문제는 생각만큼 심각한 것은 아닌데, 클라우드플레어가 실시했던 실험에 따르면 40억 개의 요청 가운데 시스템의 실제 상태와 맞지 않게 허용되거나 버려진 요청은 0.003%에 불과하였다.
처리율 한도 초과 트래픽 처리
어떤 요청이 한도 제한에 걸리면 API는 HTTP 429 응답(Too Many Requests)을 클라이언트에게 보낸다.
경우에 따라서는 한도 제한에 걸린 메시지를 나중에 처리하기 위해 큐에 보관할 수 있다. 예를 들어 어떤 주문이 시스템 과부하 때문에 한도 제한에 걸렸다고 가정할 때, 해당 주문들은 보관했다가 나중에 처리할 수도 있다.
처리율 제한 장치가 사용하는 HTTP 헤더
X-Ratelimit-Remaining : 윈도우 내에 남은 처리 가능 요청의 수
X-Ratelimit-Limit : 매 윈도우마다 클라이언트가 전송할 수 있는 요청의 수
X-Ratelimit-Retry-After : 한도 제한에 걸리지 않으려면 몇 초 뒤에 요청을 다시 보내야 하는지 알림
단일 서버보다 분산 서버에서는 2가지 조건을 고려해야 한다. 바로 경쟁 조건(race condition)과 동기화(synchronization)다.
경쟁 조건(Race Condition)
레디스에서 카운터의 값을 읽는다.(counter)
counter + 1의 값이 임계치를 넘는지 본다.
넘지 않는다면 레디스에 보관된 카운터의 값을 1만큼 증가시킨다.
이런 경쟁 조건 문제를 해결하는 가장 널리 알려진 해결책은 락(Lock)이 있다.
하지만 락은 시스템의 성능을 상당히 떨어뜨린다는 문제가 있다. 락 대신 쓸 수 있는 해결책이 두 가지가 있는데, 하나는 Lua Script이고 다른 하나를 정렬 집합(Sorted Set)이라 불리는 Redis 자료구조를 쓰는 것이다.
동기화 이슈
동기화는 분산 환경에서 고려해야 할 또 다른 중요한 요소이다.
수백만 사용자를 지원하려면 한 대의 처리율 제한 장치 서버만으로는 충분하지 않을 수 있다.
그래서 처리율 제한 장치 서버를 여러 대 두게 되면 반드시 동기화가 필요해진다.
이에 대한 한 가지 해결책은 고정 세션(Sticky Session)을 활용하여 같은 클라이언트로부터의 요청은 항상 같은 처리율 제한 장치로 보낼 수 있도록 하는 것이다.
그러나 이 방법은 권장하지 않는데 규모면에서 확장 가능하지도 않고 유연하지도 않기 때문이다.
더 나은 해결책은 레디스와 같은 중앙 집중형 데이터 저장소를 사용하는 것이다.
성능 최적화
여러 데이터센터를 지원하는 문제는 처리율 제한 장치에 매우 중요한 문제라는 것을 상기해야한다. 데이터센터에서 멀리 떨어진 사용처를 지원하려다보면 지연시간(latency)이 증가할 수밖에 없기 때문이다. 대부분의 클라우드 서비스 사업자는 세계 곳곳에 엣지 서버를 심어놓고 있다. 예를 들어, 2020년 5월 20일 클라우드플레어는 지역적으로 분산된 194곳의 위치에 엣지 서버를 두고 있다. 사용자의 트래픽을 가장 가까운 엣지 서버로 전달해 지연 시간을 줄인다.
두 번째로 고려해야 할 것은 제한 장치 간에 데이터를 동기화할 대 최종 일관성 모델(eventual consistency model)을 사용하는 것이다.
모니터링
처리율 제한 장치를 설치한 이후에는 효과적으로 동작하고 있는지 보기 위해 데이터를 모을 필요가 있다.
깜짝 세일같은 이벤트 때문에 트래픽이 급증할 때 처리율 제한 장치가 비효율적으로 동작한다면 그런 트래픽 패턴을 잘 처리할 수 있도록 알고리즘을 바꾸는 것을 생각해 봐야 한다.