🎫 선착순 쿠폰 발급 시스템

이 프로젝트는 이벤트 기간 동안 조건을 충족한 사용자에게 선착순으로 쿠폰을 발급하는 기능을 중심으로 설계되었습니다.
동시성 제어와 대규모 요청 처리를 기반으로 높은 처리량을 안정적으로 관리하여 빠르고 정확한 쿠폰 발급을 보장하며,
대규모 트래픽 상황에서도 서비스 품질과 사용자 경험을 극대화했습니다.

📝 프로젝트 개요

• 기간: 2024.10.16 ~
• 인원: 1인
• 주요 목표:
  • 높은 트래픽 상황에서도 안정적인 쿠폰 발급 시스템 제공
  • 비즈니스 로직을 명확히 분리하여 확장 가능하고 유연한 구조 설계
• API 명세서, 데이터베이스 설계 및 유저플로우

⚙️ 기술 스택

• 기본적으로 Springboot 3.3 과 Java 17 그리고 MySQL 8.2를 기준으로 프로젝트를 구성.
• Spring Cloud: MSA 환경에서 서비스 디스커버리, 로드밸런싱 등을 지원하여 서비스 간 통신 및 관리를 효율적으로 수행하기 위해 선택.
• Redis: 대규모 트래픽에서 조회 성능을 극대화하기 위한 캐싱을 활용하고, 원자적 명령어를 통해 동시성 제어와 데이터 일관성을 보장하기 위해 선택.
• Kafka: 메시지 저장 및 복제로 데이터 손실을 방지하고, 비동기 메시징으로 결합도를 낮추고 트랜잭션 분리로 확장성과 안정성 강화하기 위해 선택.
• Docker & Docker Compose: 컨테이너화를 통해 독립적인 환경에서 서비스를 실행하고, 여러 컨테이너를 손쉽게 관리하고 배포하기 위해 선택.

🚀 Spring Cloud 기반의 MSA 구성도

주요 구성 요소

• Spring Cloud Gateway: 특정 요청에 대해 JWT의 유효성을 검증해 인증된 사용자만 마이크로서비스에 접근할 수 있도록 보안 레이어를 구축.
• Eureka Server: 오토 스케일링된 인스턴스의 IP를 게이트웨이가 자동으로 인식해 동적 라우팅과 로드밸런싱을 지원하도록 등록 관리 시스템을 구축.
• Spring Cloud Config Server: 중앙 집중식 설정 관리 서버를 구축해 모든 마이크로서비스의 설정을 Git 저장소의 구성 파일로 관리.
• Redis: 쿠폰 정보를 캐싱해 빠른 응답을 제공하고 원자적 연산으로 재고 관리의 동시성 제어와 데이터 일관성을 보장.
• Kafka: 쿠폰 지급을 비동기 이벤트 기반으로 처리해 대규모 트래픽 상황에서 데이터베이스 부하를 경감하고 요청 손실을 방지해 안정성 보장.
• Docker & Docker Compose: 모든 서비스를 컨테이너화해 독립적으로 실행 가능하도록 만들었으며 서비스 간의 연결 및 관리를 용이하게 구현.

각 서비스의 주요 역할

• 회원 서비스 (User Service):

  • 회원 가입 및 로그인 등 사용자 관리 기능 담당.

• 쿠폰 서비스 (Coupon Service)

  • 쿠폰 등록 및 정보 관리와 관련된 핵심 기능 담당.
  • Write-Around 패턴을 사용해 쿠폰 등록 시 데이터베이스에만 저장하고 캐시는 갱신하지 않음.
  • Cache Miss 시 데이터베이스의 쿠폰 테이블을 조회해 쿠폰 정보를 반환.
  • Write-Back 패턴으로 캐시에 저장된 발행된 쿠폰 수량을 정기적으로 데이터베이스와 동기화.

• 쿠폰 발급 서비스 (Issue Coupon Service)

  • 사용자 요청에 따라 쿠폰 검증 및 발급을 처리하는 핵심 기능 담당.
  • Look-Aside 패턴으로 Cache Miss 시 API 요청으로 쿠폰 정보를 가져온 뒤 비즈니스 로직을 처리.
  • Redis의 Set 자료형을 사용해 쿠폰 재고와 중복 여부를 검증.
  • 검증에 성공하면 Kafka를 통해 쿠폰 발급 이벤트를 다른 서비스로 전달.

💡 메인 기능

쿠폰 발행 Flow

주요 로직

1. 쿠폰 정보 조회

• Look-Aside + Write Around 패턴을 사용하여 처음 조회 시 DB에서 쿠폰 정보를 가져와 Redis에 캐싱하고 이후에는 Redis에서 빠르게 조회.

2. 쿠폰 발급 검증

• Redis의 SCARD로 현재 발급된 쿠폰 수를 확인하고, SISMEMBER로 사용자가 이미 발급받았는지 확인한 뒤, SADD로 사용자 정보를 추가.
• Lua 스크립트를 활용해 모든 작업을 하나의 원자적 명령으로 처리하며 Redis의 단일 스레드 환경을 이용해 작업 간 충돌과 동시성 문제를 방지.

3. 쿠폰 발급

• 쿠폰 발급 요청 시 쿠폰 발급 수량 및 중복 발급 여부를 검증하여 검증 통과 시 사용자에게 즉시 결과를 반환.
• 검증된 요청은 Kafka로 전송되며, Consumer가 병렬로 처리해 DB에 비동기적으로 저장.

📈 성능 개선 및 부하 테스트 결과

테스트 목표

• 대규모 트래픽 상황에서의 성능 확인
  • 선착순 이벤트에서 짧은 시간 내 다수 사용자의 쿠폰 지급 요청을 처리할 수 있는 최대 트래픽 용량 확인
  • 초당 요청 처리량과 시스템 처리 한계를 측정하여 병목 구간을 파악
• 데이터베이스 부하 최소화
  • 쿠폰 지급 시 발생하는 데이터베이스 쓰기 작업 집중 문제를 완화하기 위해 부하 분산 능력을 평가
  • 캐싱 및 비동기 처리 등 최적화 기법 적용 전후의 데이터베이스 부하 변화를 분석
• 평균 응답 시간 단축
  • 쿠폰 지급 API의 평균 응답 시간을 측정하고, 이를 단축하기 위한 최적화 방안의 효과 검증
  • 최대 트래픽 상황에서도 사용자 경험을 개선하기 위한 응답 시간 분포 분석
• 시스템 안정성 강화
  • 극단적인 트래픽 환경에서도 장애, 데이터 유실, 중복 지급과 같은 오류 없이 안정적으로 작동 여부 확인

테스트 환경 및 설정

• 테스트 도구: Apache JMeter
• 테스트 구성
  • Number of Threads (Users): 15,000
  • Ramp-up Period (Seconds): 20
  • Loop Count: 1
• JWT 관련 사전 설정
  • 동일 사용자의 중복 요청을 차단하기 위해 JWT를 사전에 생성
  • 생성된 JWT 토큰을 CSV 파일로 저장하여 Apache JMeter의 CSV Data Set Config를 통해 로드
  • 이러한 방식으로 요청 검증 로직을 포함한 실사용 환경과 동일한 조건에서 테스트를 수행하며, 시스템의 부하를 보다 정확하게 측정

문제 상황

• 선착순 이벤트에서 짧은 시간 내 다수의 사용자가 쿠폰 지급 요청 전송
• 검증 수행 후, 실제 쿠폰을 지급하기 위해 데이터를 데이터베이스에 저장하는 작업을 수행
• 해당 작업은 쿠폰 지급 API 비즈니스 로직 내에서 데이터베이스에 쓰기 작업이 집중되면서 부하가 발생

성능 개선을 위한 구조 설계

성능 비교 결과

구분	평균 응답 시간 (ms)	최대 응답 시간 (ms)	표준 편차 (ms)	처리량 (req/sec)
개선 전	98	1708	202.03	940.44
개선 후	26	1090	28.01	944.41

• 응답 속도 단축: 평균 응답 시간 98ms → 26ms, 최대 응답 시간 1708ms → 1090ms로 단축.
• 처리량 증가: 초당 처리량 940 req/sec → 944 req/sec로 증가, 대량 트래픽 안정적 처리.
• 일관성 있는 처리: 처리 시간 변동 폭 감소(표준 편차 202ms → 28ms)로 안정성 향상.

🎯 캐싱 전략

• 쿠폰 정보에 대한 동기화 전략: Look-Aside + Wirte-Around 패턴
• 쿠폰 재고에 대한 동기화 전략: Wirte-Back 패턴

🚨 장애 복구 시스템 구축

• Redis Sentinel로 고가용성 및 페일오버 구축(1) - 기술적 의사결정
• Redis Sentinel로 고가용성 및 페일오버 구축(2) - 기능 구현

🔒 동시성 테스트

• 쿠폰 재고에 대한 동시성 처리 (1): INCR 커맨드
• 쿠폰 재고에 대한 동시성 처리 (2): SET 자료형
• 쿠폰 재고에 대한 동시성 처리 (3): SET 자료형 + Redis Transaction
• 쿠폰 재고에 대한 동시성 처리 (4): SET 자료형 + Redis Lua Script

🛠️ 분산 아키텍처

• Kafka를 활용해 검증 서비스와 발행 서비스 분리
• [Kafka] Producer Configurations(1) ‐ Compression & Batch
• [Kafka] Producer Configurations(2) ‐ Acks & Minimum In‐Sync Replicas
• [Kafka] Producer Configurations(3) - Idempotence
• [Kafka] Consumer Configurations(1) - Offset Commit Strategy
• [Kafka] Consumer Configurations(2) - Retry & DLT

🔍 로그 중심 분산 추적 시스템 구축

• 분산 추적 기반의 로그 흐름 수집 및 분석 체계 도입을 통한 관찰 가능성(Observability) 수준 향상