샤딩 패턴(Sharding Pattern) 완벽 정리

"사용자가 1억 명이 넘었습니다. DB 서버 한 대로는 용량도 부족하고, 쓰기 트래픽을 감당할 수 없습니다."

이때 해결책은 데이터를 여러 DB(Shard)에 나누어 담는 것입니다. 이를 **수평 분할(Horizontal Partitioning)**이라고 합니다. 핵심은 **"어떤 규칙으로 데이터를 나눌 것인가(Sharding Key)"**입니다. 이 규칙을 잘못 정하면 샤딩을 안 하느니만 못한 결과가 나옵니다.

---

1. 방식 1: 레인지 샤딩 (Range Sharding) - "순서대로 차곡차곡"

데이터를 특정 범위(Range)를 기준으로 나누는 방식입니다. 예를 들어 날짜별로 나누거나, ID(Primary Key) 순서대로 나눕니다.

특징

• 규칙: if (id < 100만) DB_1 else if (id < 200만) DB_2
• 확장성: 데이터가 늘어나면 그냥 새로운 DB(DB_3)를 추가하고 200만 < id < 300만 규칙만 추가하면 됩니다.

구조 예시

• Shard A: 사용자 ID 1 ~ 1,000,000
• Shard B: 사용자 ID 1,000,001 ~ 2,000,000

장단점

• 장점:
  • 구현이 쉽고 관리가 편합니다.
  • 범위 조회(Range Query)가 가능합니다. "최근 1주일 가입자"를 찾을 때 특정 샤드만 뒤지면 됩니다.
• 단점:
  • 데이터 쏠림(Hotspot): 만약 "최근 가입한 사용자"만 활동이 활발하다면? Shard B는 터져나가는데 Shard A는 텅텅 비는 불균형이 발생합니다. (트래픽 분산 실패)

---

2. 방식 2: 해시 샤딩 (Hash / Modular Sharding) - "골고루 섞기"

데이터의 키(Key)를 해시 함수에 넣고, 그 결과를 샤드 개수(N)로 나눈 나머지(%)를 기준으로 저장할 곳을 정합니다.

특징

• 규칙: shard_index = hash(user_id) % node_count
• 균등 분포: 데이터가 순서와 상관없이 모든 샤드에 골고루 퍼집니다.

구조 예시 (노드가 2개일 때)

• User ID 1: 1 % 2 = 1 -> Shard B
• User ID 2: 2 % 2 = 0 -> Shard A
• User ID 3: 3 % 2 = 1 -> Shard B

장단점

• 장점:
  • 데이터 균등 분산: 특정 샤드에 트래픽이 몰리는 핫스팟 현상을 막을 수 있습니다. 쓰기 성능 확장에 최적입니다.
• 단점:
  • 재샤딩(Resharding)의 지옥: 서버를 2대에서 3대로 늘리면? 나누는 수(N)가 바뀌므로(% 2 -> % 3) 기존 데이터의 위치가 전부 엉망이 됩니다. 데이터를 전부 꺼내서 다시 계산하고 이동시켜야 하는 대공사가 필요합니다.
  • (참고: 이를 해결하기 위해 '일관성 해싱(Consistent Hashing)' 알고리즘을 사용합니다.)

---

3. 실무 비교: 언제 무엇을 쓰는가?

구분	Range Sharding (범위 기반)	Hash Sharding (해시 기반)
분할 기준	PK 범위, 날짜, 지역 등 순차적 기준	hash(key) % N (무작위성)
데이터 분포	불균형 가능성 높음 (최신 데이터 쏠림)	균등함 (트래픽 분산 우수)
쿼리 효율	범위 검색(BETWEEN) 유리	단건 조회(=) 유리, 범위 검색 불리
확장성	쉬움 (새 범위용 서버만 추가)	어려움 (전체 데이터 재배치 필요)
추천 상황	로그 데이터, 날짜별 히스토리, 지역별 서비스	SNS 피드, 대규모 사용자 세션, 글로벌 서비스

결론

"최근 일주일 데이터만 주로 조회한다"거나 "지역별로 데이터가 명확히 나뉜다"면 **레인지 샤딩(Range)**이 관리하기 편합니다.

하지만 "모든 사용자가 언제 접속할지 모르고, 트래픽을 아주 공평하게 분산해야 한다"면 **해시 샤딩(Hash)**을 써야 합니다. 단, 해시 샤딩을 쓸 때는 서버 증설 시의 데이터 마이그레이션 비용을 미리 계산해둬야 합니다.

(현대적인 NoSQL DB인 MongoDB나 Cassandra는 내부적으로 이 두 가지 전략 중 하나를 선택하거나 혼합해서 자동으로 관리해 줍니다.)