[가상 면접 사례로 배우는 대규모 시스템 설계 기초] 13. 검색어 자동완성 시스템

1. 개요

• 13장에서는 검색어 자동완성 시스템 설계 문제를 다룬다.

2. 문제 이해 및 설계 범위 확정

2.1. 요구사항

• 빠른 응답 속도: 100ms 이내에 응답해야 한다.

• 연관성: 자동완성되어 출력되는 검색어는 사용자가 입력한 단어와 연관된 것이어야 한다.

• 정렬: 시스템의 계산 결과는 인기도(popularity) 등의 순위 모델(ranking model)에 의해 정렬되어 있어야 한다.

• 규모 확장성: 시스템은 많은 트래픽을 감당할 수 있도록 확장 가능해야 한다.

• 고가용성: 시스템의 일부에 장애가 발생하거나, 느려지거나, 예상치 못한 네트워크 문제가 생겨도 시스템은 계속 사용 가능해야 한다.

2.2. 개략적 규모 추정

• 일간 능동 사용자(DAU)는 천만 명으로 가정한다.

• 평균적으로 한 사용자는 매일 10건의 검색을 수행한다고 가정한다.

• 질의할 때마다 평균적으로 20바이트의 데이터를 입력한다고 가정한다.
• 문자 인코딩 방법으로는 ASCII를 사용한다고 가정할 것이므로, 1문자 = 1바이트이다.
• 질의문은 평균적으로 4개 단어로 이루어진다고 가정할 것이며, 각 단어는 평균적으로 다섯 글자로 구성된다고 가정할 것이다.
• 따라서 질의당 평균 4 * 5 = 20 바이트이다.

• 검색창에 글자를 입력할 때마다 클라이언트는 검색어 자동완성 백엔드에 요청을 보낸다.
• 평균적으로 1회 검색당 20건의 요청이 백엔드로 전달된다.
• 예를 들어 우리가 검색창에 boost라고 입력하면 다음의 5개 요청이 순차적으로 백엔드에 전송된다.

search?q=b
search?q=bo
search?q=boo
search?q=boos
search?q=boost

• 대략 초당 24,000건의 질의(QPS)가 발생할 것이다.
• (=10,000,000 사용자 * 10질의 / 일 * 20자 / 24시간 / 3600초)

• 최대 QPS = QPS * 2 = 대략 48,000

• 질의 가운데 20% 정도는 신규 검색어라고 가정할 것이다.
• 따라서 대략 0.4GB 정도다. (=10,000,000사용자 * 10질의 / 일 * 20자 * 20%)
• 매일 0.4GB의 신규 데이터가 시스템에 추가된다는 뜻이다.

3. 개략적 설계안 제시 및 동의 구하기

• 개략적으로 보면 시스템은 두 부분으로 나뉜다.
1. 데이터 수집 서비스: 사용자가 입력한 질의를 실시간으로 수집하는 시스템이다.
2. 질의 서비스: 주어진 질의에 다섯 개의 인기 검색어를 정렬해 내놓는 서비스이다.

3.1. 데이터 수집 서비스

• 질의문과 사용빈도를 저장하는 빈도 테이블(frequency table)이 있다고 가정해보자.

• 처음 테이블은 비어 있는데 사용자가 검색을 하면 다음과 같이 바뀌어 나가게 된다.

3.2. 질의 서비스

• 다음과 같은 빈도 테이블이 있는 상태라고 하자. 두 개의 필드가 있음을 볼 수 있을 것이다.
• query: 질의문을 저장하는 필드다.
• frequency: 질의문이 사용된 빈도를 저장하는 필드다.

• 이 상태에서 사용자가 “tw”를 검색창에 입력하면 아래의 “top 5” 자동완성 검색어가 표시되어야 한다.

twitter
twitch
twilight
twin peak
twitch prime

• 가장 많이 사용된 5개 검색어는 아래의 SQL 질의문을 사용해 계산할 수 있다.

SELECT * FROM frequency_table
WHERE query LIKE 'prefix%'
ORDER BY frequency DESC
LIMIT 5

• 이 방법은 데이터의 양이 적을 때는 나쁘지 않은 설계안이다.

• 하지만 데이터가 아주 많아지면 데이터베이스가 병목이 될 수 있다.

4. 상세 설계

• 이번 절에서는 컴포넌트를 몇 개 골라 보다 상세히 설계하고 다음 순서로 최적화 방안을 논의할 것이다.
• 트라이(trie) 자료구조
• 데이터 수집 서비스
• 질의 서비스
• 규모 확장이 가능한 저장소
• 트라이 연산

4.1. 트라이 자료구조

• 개략적 설계안에서는 관계형 데이터베이스를 저장소로 사용했었다.

• 하지만 관계형 테이터베이스를 이용해 가장 인기 있었던 다섯 개 질의문을 골라내는 방안은 효율적이지 않다.

• 이 문제는 트라이(trie, 접두어 트리)를 사용해 해결할 수 있다.

• 트라이 자료구조의 핵심은 다음과 같다.
• 트라이는 트리 형태의 자료구조다.
• 이 트리의 루트 노트는 빈 문자열을 나타낸다.
• 각 노드는 글자(character) 하나를 저장하며, 26개(해당 글자 다음에 등장할 수 있는 모든 글자의 개수)의 자식 노드를 가질 수 있다.
• 각 트리 노드는 하나의 단어, 또는 접두어 문자열(prefix string)을 나타낸다.

• 이용 빈도에 따라 정렬된 결과를 내놓기 위해서는 노드에 빈도 정보까지 저장할 필요가 있다.

• 그렇다면 이 트라이로 검색어 자동완성은 어떻게 구현할 수 있을까?

• 알고리즘을 살펴보기 전에, 우선 용어만 몇 가지 정의하고 넘어가자.
• : 접두어(prefix)의 길이
• : 트라이 안에 있는 노드 개수
• : 주어진 노드의 자식 노드 개수

• 가장 많이 사용된 질의어 개는 다음과 같이 찾을 수 있다.
• 해당 접두어를 표현하는 노드를 찾는다. 시간 복잡도는 이다.
• 해당 노드부터 시작하는 하위 트리를 탐색하여 모든 유효 노드를 찾는다.
• 유효한 검색 문자열을 구성하는 노드가 유효 노드다. 시간 복잡도는 이다.
• 유효 노드들을 정렬하여 가장 인기 있는 검색어 개를 찾는다. 시간 복잡도는 이다.

• 예제를 살펴보자. 이고 사용자가 검색창에 ‘be’을 입력했다고 하자.

• 위의 알고리즘은 다음과 같이 동작할 것이다.
1. 접두어 노드 ‘be’을 찾는다.
2. 해당 노드부터 시작하는 하위 트리를 탐색하여 모든 유효 노드를 찾는다. 위 예제의 경우 [beer: 10], [best: 35], [bet: 29]가 유효 노드다.
3. 유효 노드를 정렬하여 2개만 골라낸다. [best: 35]와 [best: 29]가 접두어 “tr”에 대해 검색된 2개의 인기 검색어다.

• 이 알고리즘의 시간 복잡도는 이다.

• 이 알고리즘은 직관적이지만 최악의 경우에는 k개 결과를 얻으려고 전체 트라이를 다 검색해야 하는 일이 생길 수 있다.

• 이 문제를 해결할 방법으로는 다음의 두 가지가 있다.
1. 접두어의 최대 길이를 제한
2. 각 노드에 인기 검색어를 캐시

1. 접두어의 최대 길이를 제한
• 사용자가 검색창에 긴 검색어를 입력하는 일은 거의 없다.
• 따라서 값의 범위를 작게 둬도 된다. (예: )
• 이렇게 검색어의 최대 길이를 제한할 수 있다면 “접두어 노드를 찾는” 단계의 시간 복잡도는 에서 로 바뀔 것이다.

2. 노드에 인기 검색어 캐시
• 각 노드에 개의 인기 검색어를 저장해 두면 전체 트라이를 검색하는 일을 방지할 수 있다.
• 5~10개 정도의 자동완성 제안을 표시하면 충분하므로, 는 작은 값이다.
• 하지만 각 노드에 질의어를 저장할 공간이 많이 필요하게 된다는 단점도 있다.
• 그러나 빠른 응답속도가 아주 중요할 때는 이 정도 저장공간을 희생할 만한 가치는 있다.

• 앞의 두 가지 최적화 기법을 적용하면 시간 복잡도는 다음과 같이 변한다.
1. 접두어 노드를 찾는 시간 복잡도는 로 바뀐다.
2. 최고 인기 검색어 5개를 찾는 질의의 시간 복잡도도 로 바뀐다. (검색 결과가 이미 캐시됨)

4.2. 데이터 수집 서비스

• 검색창에 타이핑을 할 때마다 실시간으로 데이터를 수집하는 방법은 효율적이지 않다.
1. 매일 수천만 건의 질의가 입력될텐데 그때마다 트라이를 갱신하면 질의 서비스는 심각하게 느려질 것이다.
2. 일단 트라이가 만들어지고 나면 인기 검색어는 그다지 자주 바뀌지 않을 것이다.

• 아래는 데이터 분석 서비스의 수정된 설계안이다. 각 컴포넌트가 어떤 역할을 하는지 차례로 살펴보자.

1. 데이터 분석 서비스 로그
• 데이터 분석 서비스 로그에는 검색창에 입력된 질의에 관한 원본 데이터가 보관된다.
• 새로운 데이터가 추가될 뿐 수정은 이루어지지 않으며 로그 데이터에는 인덱스를 걸지 않는다.

2. 로그 취합 서버
• 데이터 분석 서비스로부터 나오는 로그는 보통 그 양이 엄청나고 데이터 형식도 제각각인 경우가 많다.
• 로그 취합 서버는 이 데이터를 잘 취합하여 우리 시스템이 쉽게 소비할 수 있도록 한다.
• 취합 주기는 서비스의 성격에 맞게 설정한다. (본 책에서는 일주일 주기로 취합한다고 가정)

3. 취합된 데이터
• 다음 표는 매주 취합된 데이터의 예시이다.
• time 필드는 해당 주가 시작한 날짜를 나타내고, frequency 필드는 해당 질의가 해당 주에 사용된 횟수의 합이다.

4. 작업 서버
• 작업 서버(worker)는 주기적으로 비동기적 작업(job)을 실행하는 서버 집합이다.
• 트라이 자료구조를 만들고 트라이 데이터베이스에 저장하는 역할을 담당한다.

5. 트라이 캐시
• 트라이 캐시는 분산 캐시 시스템으로 트라이 데이터를 메모리에 유지하여 읽기 연산 성능을 높인다.
• 매주 트라이 데이터베이스의 스냅샷을 떠서 갱신한다.

6. 트라이 데이터베이스
• 트라이 데이터베이스는 지속성 저장소다.
• 트라이 데이터베이스로 사용할 수 있는 선택지로는 크게 두 가지가 있다.
1. 문서 저장소(document store): 새 트라이를 매주 만들 것이므로, 주기적으로 트라이를 직렬화하여 데이터베이스에 저장할 수 있다. 이때 몽고디비 같은 문서 저장소를 활용하면 이런 데이터를 편리하게 저장할 수 있다.
2. 키-값 저장소: 트라이는 아래 로직을 적용하면 해시 테이블 형태로 변환 가능하다.
• 트라이에 보관된 모든 접두어를 해시 테이블 키로 변환
• 각 트라이 노드에 보관된 모든 데이터를 해시 테이블 값으로 변환

4.3. 질의 서비스

• 아래는 데이터베이스를 활용한 질의 서비스에서 설계의 비효율성을 개선한 새 설계안이다.

1. 검색 질의가 로드밸런서로 전송된다.

2. 로드밸런서는 해당 질의를 API 서버로 보낸다.

3. API 서버는 트라이 캐시에서 데이터를 가져와 해당 요청에 대한 자동완성 검색어 제안 응답을 구성한다.

4. 데이터가 트라이 캐시에 없는 경우에는 데이터를 데이터베이스에서 가져와 캐시에 채운다.

• 최적화 방안
• AJAX 요청: 요청을 보내고 받기 위해 페이지를 새로고침 할 필요가 없다.
• 브라우저 캐싱: 대부분의 경우 자동완성 검색어 제안 결과는 짧은 시간 안에 자주 바뀌지 않는다.
• 데이터 샘플링: 모든 질의 결과를 로깅하는 대신 N개 요청 가운데 1개만 로깅하도록 한다.

4.4. 트라이 연산

• 트라이는 검색어 자동완성 시스템의 핵심 컴포넌트다.

1. 트라이 생성
• 트라이 생성은 작업 서버가 담당하며, 데이터 분석 서비스의 로그나 데이터베이스로부터 취합된 데이터를 이용한다.

2. 트라이 갱신
• 트라이를 갱신하는 데는 두 가지 방법이 있다.
1. 매주 한 번 갱신하는 방법: 새로운 트라이를 만든 다음에 기존 트라이를 대체한다. (추천)
2. 트라이의 각 노드를 개별적으로 갱신하는 방법: 노드를 갱신할 때 모든 상위 노드도 갱신해야 하는데, 노드에 캐시도 보관되기 때문에 성능이 좋지 않다. (비추천)

3. 검색어 삭제
• 서비스 정책을 위반하는 질의어는 자동완성 결과에서 제거해야 한다.
• 트라이 캐시 앞에 필터 계층을 둑 부적절한 질의어가 반환되지 않도록 한다.
• 데이터베이스에서 해당 검색어를 물리적으로 삭제하는 것은 다음번 업데이트 사이클에 비동기적으로 진행하면 된다.

4. 저장소 규모 확장
• 트라이의 크기가 한 서버에 넣기엔 너무 큰 경우에는 어떻게 대응할까?
• 영어만 지원하면 되기 때문에, 간단하게는 첫 글자를 기준으로 샤딩(sharding)을 고려해볼 수 있다.
• 검색어를 보관하기 위해 두 대 서버가 필요하다면 ‘a’부터 ‘m’까지 글자로 시작하는 검색어는 첫 번째 서버에 저장하고, 나머지는 두 번째 서버에 저장한다.
• 세 대 서버가 필요하다면 위와 같이 적절히 삼등분해서 세 개의 서버에 저장한다.
• 이 방법을 쓰는 경우 사용 가능한 서버는 최대 26대로 제한된다. 영어 알파벳에는 26자 밖에 없기 때문이다.
• 이 이상으로 서버 대수를 늘리려면 샤딩을 계층적으로 해야 한다.
• 가령 검색어의 첫 번째 글자는 첫 번째 레벨의 샤딩에 쓰고, 두 번째 글자는 두 번째 레벨의 샤딩에 쓰는 것이다.
• 예를 들어, ‘a’로 시작하는 검색어를 네 대 서버에 나눠 보관하고 싶다고 해보자. 그러면 ‘aa’부터 ‘ag’까지는 첫 번째 서버에, ‘ah’부터 ‘an’까지는 두 번째 서버에, ‘ao’부터 ‘au’까지는 세 번째 서버에, 나머지는 네 번째 서버에 보관하면 될 것이다.
• 다만, ‘c’로 시작하는 단어가 ‘x’로 시작하는 단어보다 많다는 것을 감안하면 좋은 방법은 아니다.
• 그래서 과거 질의 데이터의 패턴을 분석하여 샤딩하는 방법을 추천한다.
• 예를 들어, ‘s’로 시작하는 검색어의 양이 ‘u’ ~ ‘z’로 시작한느 검색어를 전부 합친 것과 비슷하다면, ‘s’에 대한 샤드 하나와 ‘u’부터 ‘z’까지의 검색어를 위한 샤드 하나를 두어도 충분할 것이다.

5. 마무리

• 만약 다국어 지원이 가능하도록 시스템을 확장해야 한다면 어떻게 해야 할까?
• 비영어권 국가에서 사용하는 언어를 지원하려면 트라이에 유니코드(unicode) 데이터를 저장해야 한다.

• 국가별로 인기 검색어 순위가 다르다면 어떻게 해야 할까?
• 국가별로 다른 트라이를 사용한다.
• 트라이를 CDN에 저장하여 응답속도를 높이는 방법도 고민해볼 수 있다.

• 실시간으로 변하는 검색어의 추이를 반영하려면 어떻게 해야 할까?
• 실시간 검색어 자동완성 시스템을 구축하는 것은 복잡한 문제로 이 책에서 다룰 수 있는 범위를 넘어선다.