이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
성능 프로파일링에서 주로 사용한 도구는 백엔드 서버 성능 분석에 py-spy와 cProfile입니다. 어느 함수에서 실행 시간이 집중되는지를 플레임 그래프로 시각화해, 최적화가 필요한 지점을 특정했습니다. 측정 없이 최적화를 시작하면 엉뚱한 곳을 건드리게 됩니다. 프론트엔드에서는 Chrome DevTools의 Performance 탭을 사용해 렌더링 블로킹 구간과 긴 태스크를 확인했습니다. 분석 결과로 반복 호출되는 DB 쿼리를 캐싱으로 전환해 응답 시간을 개선한 경험이 있습니다.
부하 테스트는 locust를 활용해 동시 요청 수를 늘려가며 병목이 생기는 지점을 확인했습니다. 성능 개선은 지표로 시작해 지표로 끝나는 작업이라는 것을 반복 경험으로 체득했습니다.
성능 프로파일링에서 가장 효과적이었던 접근은 증상이 아니라 병목 위치를 먼저 좁히는 것이었습니다. 응답이 느리다는 보고가 들어왔을 때, 직관으로 원인을 추측하지 않고 APM 도구로 구간별 응답 시간 분포를 먼저 확인했습니다. P95 응답 시간이 특정 API에 몰려 있었고, 해당 API의 DB 쿼리 플랜을 분석하자 테이블 풀 스캔이 원인임이 드러났습니다. 인덱스를 추가한 후 P95 응답 시간이 800ms에서 120ms로 줄었습니다.
수치 데이터가 범위를 먼저 좁혀준 덕분에 원인 파악부터 개선까지 하루 안에 끝낼 수 있었습니다. 프로파일링은 문제를 찾는 도구가 아니라 찾는 범위를 결정하는 도구라고 생각합니다.
성능 프로파일링에서 가장 아쉬웠던 순간은 문제가 발생했을 때 관측 데이터가 없는 경우였습니다. 이미 지나간 구간의 응답 시간을 소급해서 확인하기 어렵고, 재현도 안 되는 경우 원인 추정에만 시간을 쓰게 됩니다. 이 경험 이후 주요 API 응답 시간, DB 쿼리 실행 시간, 외부 API 의존 시간을 지속적으로 수집하는 계측 구조를 서비스 기획 단계부터 포함시켰습니다. 이 데이터가 있으면 이상 징후를 사전에 포착하거나, 사고 이후 원인을 빠르게 특정할 수 있었습니다.
측정은 문제 해결보다 앞서야 한다는 것이 여러 번의 경험에서 나온 결론입니다. 관측 가능성이 없는 시스템은 장애 대응이 느려집니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 코스맥스 공통직무·미지정 면접관이 던질 가능성이 높은 후속 질문.
이 페이지의 질문·답변·꼬리질문은 유사 직군 채용 시장의 공개된 면접 후기·커뮤니티 게시물을 분석해 구성한 학습 자료입니다. 특정 회사가 실제로 이 질문을 출제했다는 것을 보장하지 않으며, 모든 예시는 우문현답이 직접 작성한 창작물입니다. 해당 회사의 공식 입장과는 무관합니다. 회사 측의 정정 요청이 있을 경우 24시간 이내에 응답·수정합니다.