diff --git a/.run/n+1liner/final/document.md b/.run/n+1liner/final/document.md
index 4a17a86..2fad312 100755
--- a/.run/n+1liner/final/document.md
+++ b/.run/n+1liner/final/document.md
@@ -1,28 +1,39 @@
# 하이라이트 피드 조회 성능 — N+1 진단과 조회 전략의 진화
-높은 트래픽에서 페이지에 하이라이트가 아무리 많아도 조회량이 폭증하지 않는 하이라이트 피드 API를 만든다. 가장 단순한 구현에서 출발해 실제 SQL과 실행계획을 측정하며 조회 전략을 단계적으로 발전시킨 기록이다.
+제가 만들려던 것은 페이지에 하이라이트가 아무리 많아도 조회량이 폭증하지 않는 피드 API였습니다.
+처음에는 엔티티를 조회한 뒤 DTO로 바꾸는 구현으로도 충분해 보였습니다. 그런데 데이터를 늘려 보니
+화면에 필요한 행보다 훨씬 많은 엔티티와 쿼리가 생겼습니다. 그래서 실제 PostgreSQL에서 SQL과
+실행계획을 측정하고, 한 전략이 남긴 문제를 다음 전략으로 풀어 갔습니다. 이 문서는 그 과정과
+마지막에 남은 비용을 함께 기록한 글입니다.
-> **측정의 범위와 한계** — 아래 수치는 **단일 스레드 퍼시스턴스 통합 테스트**(`@DataJpaTest` + 실제 PostgreSQL)에서 SQL shape와 데이터 규모에 따른 **조회 횟수의 증가 형태**를 잰 것이다. 지연(latency) 값은 이미 열린 테스트 트랜잭션 안에서 어댑터 호출만 잰 **단일 스레드·warm-cache 로컬 비교값**이라 HTTP 종단 지연도 운영 p99도 아니다. 고트래픽 처리량·connection pool 안정성·동시성은 이 측정의 범위 밖이며, 별도 부하 테스트로 확인해야 한다.
+> **측정의 범위와 한계** — 아래 수치는 **단일 스레드 퍼시스턴스 통합 테스트**(`@DataJpaTest` + 실제 PostgreSQL)에서 SQL shape와 데이터 규모에 따른 **조회 횟수의 증가 형태**를 측정했습니다. 지연(latency) 값은 이미 열린 테스트 트랜잭션 안에서 어댑터 호출만 잰 **단일 스레드·warm-cache 로컬 비교값**이라 HTTP 종단 지연도 운영 p99도 아닙니다. 고트래픽 처리량·connection pool 안정성·동시성은 이 측정의 범위 밖이며, 별도 부하 테스트로 확인해야 합니다.
---
## 1. 해결할 문제
-하이라이트 피드 API는 다음을 만족해야 한다.
+제가 만든 하이라이트 피드 API에는 다음 요구사항이 있었습니다.
-- **공개 범위**(public / mentioned / private)를 사용자별로 정확히 적용한다.
-- **최초 하이라이트 시각**으로 정렬한다.
-- 피드 아이템별 **최신 하이라이트 최대 3개**를 포함한다.
-- **페이징**한다.
-- 페이지에 하이라이트가 아무리 많고 피드가 아무리 커도 **조회량이 비례해 폭증하지 않는다**(고트래픽).
+- **공개 범위**(public / mentioned / private)를 사용자별로 정확히 적용합니다.
+- **최초 하이라이트 시각**으로 정렬합니다.
+- 피드 아이템별 **최신 하이라이트 최대 3개**를 포함합니다.
+- **페이징**합니다.
+- 페이지에 하이라이트가 아무리 많고 피드가 아무리 커도 **조회량이 비례해 폭증하지 않습니다**(고트래픽).
-기능 요구사항(FR)은 개념적으로는 평범한 조회이고, 진짜 난이도는 비기능 요구사항(NFR)에 있다. 고트래픽에서 조회량이 데이터 규모에 비례해 늘지 않게 하는 일이다. 다만 이 문서의 최초 구현은 FR 전체의 완료본이 아니라 **조회 문제를 드러내기 위한 기능적 기준선**이다(공개 범위 판정·최신 3개 제한·mentioned 관계·커서 페이징은 아직 반영하지 않았다 — §5.3).
+기능 요구사항(FR)만 보면 평범한 조회입니다. 제가 해결해야 했던 부분은 고트래픽에서도 조회량이
+데이터 규모에 비례해 늘지 않게 만드는 비기능 요구사항(NFR)이었습니다. 다만 최초 구현에는 FR 전체를
+한꺼번에 넣지 않았습니다. 공개 범위 판정·최신 3개 제한·mentioned 관계·커서 페이징을 제외하고,
+**조회 문제를 드러내기 위한 기능적 기준선**부터 만들었습니다(§5.3).
---
## 2. 조회 전략의 전체 여정
-최종 조회 구조는 처음부터 정해 둔 답이 아니라, 한 해법이 낳은 문제를 다음 해법이 푸는 연쇄의 결과다. 특히 **컬렉션 N+1(N1)과 User·Page 연관의 숨은 쿼리(N2)는 순차 문제가 아니라 같은 기준선에서 동시에 나타난 형제 문제**다. 전체 여정은 과제 요구사항 → 도메인·데이터 모델 → 최초 피드 조회(기준선)로 시작하고, 기준선에서 N1·N2가 갈라진 뒤 Fetch Join 시도로 합류한다. 이어 다중 컬렉션·페이징 실패 → Batch Fetch → DTO Projection → 아이템별 Top-3 → Keyset Pagination → 가시성 조건 인덱싱 → 최종 피드 조회 구조 순으로 발전한다.
+최종 조회 구조를 먼저 정하고 구현하지는 않았습니다. 기준선을 측정하자 컬렉션 N+1(N1)과 User·Page
+연관의 숨은 쿼리(N2)가 동시에 드러났습니다. 둘은 순서대로 생긴 문제가 아니라 같은 구현에서 갈라진
+문제였습니다. 저는 두 문제를 Fetch Join으로 한꺼번에 풀어 보려 했고, 그 시도가 다중 컬렉션과
+페이징 문제를 다시 만들었습니다. 이후 Batch Fetch → DTO Projection → 아이템별 Top-3 → Keyset
+Pagination → 가시성 조건 인덱싱 순으로 전략을 바꿨습니다.
@@ -31,7 +42,7 @@
Diagram description
-왼쪽에서 과제 요구사항, 도메인·데이터 모델, 최초 피드 조회 기준선 순으로 시작한다. 기준선에서 컬렉션 N+1(N1)과 User·Page 연관의 숨은 쿼리(N2)가 서로 앞뒤가 아닌 형제 문제로 동시에 갈라지고, 두 경로는 Fetch Join 시도에서 합류한다. 이 시도는 다중 컬렉션·페이징 실패로 이어진다. 마지막 노드는 Batch Fetch, DTO Projection, 아이템별 Top-3, Keyset Pagination, 가시성 조건 인덱싱을 거쳐 최종 피드 조회 구조에 도달하는 순서를 담는다.
+왼쪽에서 과제 요구사항, 도메인·데이터 모델, 최초 피드 조회 기준선 순으로 시작합니다. 기준선에서 컬렉션 N+1(N1)과 User·Page 연관의 숨은 쿼리(N2)가 서로 앞뒤가 아닌 형제 문제로 동시에 갈라지고, 두 경로는 Fetch Join 시도에서 합류합니다. 이 시도는 다중 컬렉션·페이징 실패로 이어집니다. 마지막 노드는 Batch Fetch, DTO Projection, 아이템별 Top-3, Keyset Pagination, 가시성 조건 인덱싱을 거쳐 최종 피드 조회 구조에 도달하는 순서를 담습니다.
@@ -44,9 +55,9 @@
### 3.1 관계와 스키마
-- 한 **user**는 여러 **feed_item**을 가진다.
-- 한 **page**에는 여러 **feed_item**이 딸린다.
-- 한 **feed_item**에는 **highlights**가 여럿이다.
+- 한 **user**는 여러 **feed_item**을 가집니다.
+- 한 **page**에는 여러 **feed_item**이 딸립니다.
+- 한 **feed_item**에는 **highlights**가 여럿입니다.
@@ -55,16 +66,22 @@
Diagram description
-왼쪽의 users와 pages가 각각 중앙의 feed_items에 연결된다. feed_items는 오른쪽의 highlights로 이어진다. 간선은 user와 page 각각에 여러 feed_item이 연결되고, 한 feed_item에 여러 highlight가 연결되는 관계를 나타낸다.
+왼쪽의 users와 pages가 각각 중앙의 feed_items에 연결됩니다. feed_items는 오른쪽의 highlights로 이어집니다. 간선은 user와 page 각각에 여러 feed_item이 연결되고, 한 feed_item에 여러 highlight가 연결되는 관계를 나타냅니다.
[Editable source](assets/diagrams/baseline-schema/baseline-schema.drawio) · [Grounded VizSpec](.techviz/baseline-schema/spec.json)
-위 ERD는 현재 기준선(L1) 스키마다. `FeedItem`은 `(user, page)` 조합당 하나다. 같은 사용자가 같은 페이지에 하이라이트를 여러 개 만들어도 피드 아이템은 하나이며, 이 정의가 `UNIQUE(user_id, page_id)` 제약의 근거다.
+위 ERD는 제가 처음 만든 기준선(L1) 스키마입니다. `FeedItem`은 `(user, page)` 조합당 하나입니다.
+같은 사용자가 같은 페이지에 하이라이트를 여러 개 만들어도 피드 아이템은 하나이며, 이 정의를
+`UNIQUE(user_id, page_id)` 제약으로 옮겼습니다.
-과제 완료 목표 모델은 여기에 `feed_item_mentions`(피드 아이템 ↔ mentioned 사용자) 관계가 더해진다. 공개 범위가 핵심 요구사항이므로 최종 스키마에는 반드시 들어간다. 다만 이 관계의 **퍼시스턴스 계층(테이블·엔티티·시더)만은** 공개 범위 단계보다 앞서 §9에서 추가된다 — `MultipleBagFetchException`이 컬렉션 둘을 요구하기 때문에 fetch join 실패를 재현할 **두 번째 bag**으로 미리 필요해서다(도메인·응답 매핑·공개 범위 판정은 여전히 뒤 단계). 지금 기준선 그림을 최종 스키마로 읽지 않도록 둘을 구분한다.
+과제 완료 목표 모델에는 `feed_item_mentions`(피드 아이템 ↔ mentioned 사용자) 관계도 필요했습니다.
+공개 범위가 핵심 요구사항이므로 최종 스키마에는 반드시 들어갑니다. 다만 퍼시스턴스 계층의
+테이블·엔티티·시더는 공개 범위 단계보다 앞선 §9에서 추가했습니다. `MultipleBagFetchException`을
+재현하려면 fetch join할 두 번째 bag이 필요했기 때문입니다. 도메인·응답 매핑·공개 범위 판정은 뒤
+단계에 남겨 두었습니다. 따라서 현재 기준선 그림과 최종 스키마는 구분해서 읽어야 합니다.
@@ -73,7 +90,7 @@
Diagram description
-왼쪽의 users와 pages가 중앙의 feed_items에 연결된다. 오른쪽에는 highlights와 feed_item_mentions가 놓인다. feed_items는 두 엔티티에 각각 연결되고, 기존 users도 mentioned 사용자 역할로 feed_item_mentions에 연결된다.
+왼쪽의 users와 pages가 중앙의 feed_items에 연결됩니다. 오른쪽에는 highlights와 feed_item_mentions가 놓입니다. feed_items는 두 엔티티에 각각 연결되고, 기존 users도 mentioned 사용자 역할로 feed_item_mentions에 연결됩니다.
@@ -82,15 +99,16 @@
> **Open Decision OD-01 — 하이라이트 없는 FeedItem 허용 여부**
> - **질문:** 하이라이트 없는 FeedItem이 존재할 수 있는가?
-> - **현재 상태:** 미결정 · 현재 스키마: `first_highlighted_at timestamptz`(nullable, NOT NULL 아님). 시더는 하이라이트가 만든 FeedItem이므로 항상 값을 채운다.
+> - **현재 상태:** 미결정 · 현재 스키마: `first_highlighted_at timestamptz`(nullable, NOT NULL 아님). 시더는 하이라이트가 만든 FeedItem이므로 항상 값을 채웁니다.
> - **영향:** 정렬 / keyset cursor의 null 처리(`NULLS LAST`·커서 위치) / 부분 인덱스 predicate / FeedItem 생성 lifecycle.
-> - **결정 시점:** keyset 페이징 단계(L15) 이전. NOT NULL로 좁힐지, null 정렬 위치를 정의할지를 그때 결론 낸다.
+> - **결정 시점:** keyset 페이징 단계(L15) 이전. NOT NULL로 좁힐지, null 정렬 위치를 정의할지를 그때 결론 냅니다.
### 3.2 식별자는 `ResourceId` 값 객체로 생성한다
-ID를 `String`/`UUID` 원시 타입이 아니라 값 객체(`FeedItemId implements ResourceId`)로 만든다. 이유는 네 가지다.
+ID는 `String`이나 `UUID` 원시 타입으로 두지 않고 값 객체
+(`FeedItemId implements ResourceId`)로 만들었습니다. 이렇게 정한 이유는 네 가지입니다.
-**① 타입 안정성.** 인자 뒤바뀜을 컴파일 시점에 잡는다.
+**① 타입 안정성.** 인자 뒤바뀜을 컴파일 시점에 잡습니다.
```java
// 원시 타입: 컴파일 통과, 런타임에 조용히 오작동
@@ -102,7 +120,7 @@ void registerFeedLike(UserId userId, FeedItemId feedItemId) { ... }
registerFeedLike(feedItemId, userId); // 컴파일 실패 (타입 불일치)
```
-**② 도메인 제약의 자가 검증.** 생성 경로가 곧 신뢰 경계다. `FeedItemId`가 존재한다는 것 자체가 "유효한 형식"을 보장한다. 다만 이 정규식이 보장하는 것은 **8-4-4-4-12 hex의 UUID 문자열 형태**뿐이다. UUID version이 7인지, variant가 RFC 규격인지까지는 검사하지 않는다("신규 ID가 UUIDv7 정책을 따른다"는 값 객체가 아니라 `IdFactory`가 보장한다. version까지 강제하려면 `UUID.fromString(value).version() == 7`을 값 객체에서 검사해야 한다).
+**② 도메인 제약의 자가 검증.** 생성 경로가 곧 신뢰 경계입니다. `FeedItemId`가 존재한다는 것 자체가 "유효한 형식"을 보장합니다. 다만 이 정규식이 보장하는 것은 **8-4-4-4-12 hex의 UUID 문자열 형태**뿐입니다. UUID version이 7인지, variant가 RFC 규격인지는 검사하지 않습니다. "신규 ID가 UUIDv7 정책을 따른다"는 조건은 값 객체가 아니라 `IdFactory`가 보장합니다. version까지 강제하려면 값 객체에서 `UUID.fromString(value).version() == 7`을 검사해야 합니다.
```java
@ValueObject
@@ -118,19 +136,19 @@ public record FeedItemId(String value) implements ResourceId {
}
```
-**③ 식별자 규격의 캡슐화.** ID 정책이 ULID → UUIDv7로 바뀌어도 비즈니스 로직은 타입만 보므로 **도메인 호출부의 변경을 줄인다**. 단, 값 객체 하나만 고치면 끝나는 건 아니다 — ID 생성 `IdFactory`, DB 컬럼 타입, 변환 매퍼, 커서 인코딩, 인덱스 크기·정렬 특성, 마이그레이션도 함께 영향받는다. 값 객체가 줄여 주는 건 그 변경이 도메인 로직 전반으로 번지지 않게 하는 것이다.
+**③ 식별자 규격의 캡슐화.** ID 정책이 ULID → UUIDv7로 바뀌어도 비즈니스 로직은 타입만 보므로 **도메인 호출부의 변경을 줄입니다**. 그렇다고 값 객체 하나만 고치면 끝나는 것은 아닙니다. ID 생성 `IdFactory`, DB 컬럼 타입, 변환 매퍼, 커서 인코딩, 인덱스 크기·정렬 특성, 마이그레이션도 함께 영향을 받습니다. 값 객체는 이런 변경이 도메인 로직 전반으로 번지는 일을 줄여 줍니다.
-**④ 생성 정책 교체.** `IdFactory` 구현만 갈아끼우면 다른 ID 정책으로 유연하게 바뀐다.
+**④ 생성 정책 교체.** `IdFactory` 구현을 교체하면 다른 ID 정책으로 바꿀 수 있습니다.
-> **흔한 오해**: "`@ValueObject`가 모든 필드 final + setter 금지를 강제한다."
-> **실제**: 불변성은 `record`의 언어 특성이다. `@ValueObject`에 걸리는 규칙은 **무인자 생성자 금지**(불변식을 우회하는 빈 생성자 뒷문 차단)이고 setter 금지는 애그리거트 루트(`@AggregateRoot`)의 별도 규칙이다.
+> **흔한 오해**: "`@ValueObject`가 모든 필드 final + setter 금지를 강제합니다."
+> **실제**: 불변성은 `record`의 언어 특성입니다. `@ValueObject`에 걸리는 규칙은 **무인자 생성자 금지**(불변식을 우회하는 빈 생성자 뒷문 차단)이고 setter 금지는 애그리거트 루트(`@AggregateRoot`)의 별도 규칙입니다.
-> **흔한 오해**: "값 객체는 엔티티·서비스 필드로 못 쓴다."
-> **실제**: 강제되는 규칙이 아니라 관례다. 퍼시스턴스 엔티티는 값 객체가 아니라 원시 `UUID`를 저장한다(매퍼 경계에서 변환). 규칙으로 강제되는 것은 "도메인이 프레임워크에 의존하지 않는다"는 순수성이다.
+> **흔한 오해**: "값 객체는 엔티티·서비스 필드로 못 씁니다."
+> **실제**: 강제되는 규칙이 아니라 관례입니다. 퍼시스턴스 엔티티는 값 객체가 아니라 원시 `UUID`를 저장하고 매퍼 경계에서 변환합니다. 규칙으로 강제되는 것은 "도메인이 프레임워크에 의존하지 않는다"는 순수성입니다.
### 3.3 퍼시스턴스 엔티티는 연관 게터를 좁게 연다
-`FeedItemJpaEntity`의 연관 게터는 `public`이 아니라 package-private다.
+`FeedItemJpaEntity`의 연관 게터는 `public`으로 열지 않고 package-private로 좁혔습니다.
```java
public class FeedItemJpaEntity extends AuditableEntity { // 클래스는 public
@@ -141,19 +159,20 @@ public class FeedItemJpaEntity extends AuditableEntity { // 클래스는 publi
}
```
-연관 게터가 열려 있으면 상위 계층이 엔티티 객체 그래프를 타고 다니며 지연 로딩을 아무 데서나 촉발하거나 영속성 컨텍스트·DB 스펙에 의존하게 된다. package-private로 좁히면 같은 패키지의 어댑터·매퍼만 그래프를 순회할 수 있다.
+연관 게터가 열려 있으면 상위 계층이 엔티티 객체 그래프를 타고 다니며 지연 로딩을 아무 데서나 촉발하거나 영속성 컨텍스트·DB 스펙에 의존하게 됩니다. package-private로 좁히면 같은 패키지의 어댑터·매퍼만 그래프를 순회할 수 있습니다.
-> **흔한 오해 ①**: "엔티티 클래스를 package-private로 강제한다."
-> **실제**: package-private인 것은 클래스가 아니라 연관 게터이며, 이는 규칙이 아니라 방어적 캡슐화 관례다. 엔티티가 계층 밖으로 새는 것은 "컨트롤러가 엔티티를 의존/반환하지 않는다", "쿼리 포트가 엔티티 타입을 노출하지 않는다"는 경계 규칙이 막는다.
+> **흔한 오해 ①**: "엔티티 클래스를 package-private로 강제합니다."
+> **실제**: package-private인 것은 클래스가 아니라 연관 게터이며, 이는 규칙이 아니라 방어적 캡슐화 관례입니다. 엔티티가 계층 밖으로 새는 것은 "컨트롤러가 엔티티를 의존/반환하지 않는다", "쿼리 포트가 엔티티 타입을 노출하지 않는다"는 경계 규칙이 막습니다.
-> **흔한 오해 ②**: "JPA 엔티티 클래스는 반드시 public이어야 한다."
-> **실제**: Jakarta Persistence 규격은 엔티티에 top-level(또는 static inner)·non-final·무인자 생성자 등을 요구하지만, 클래스 자체가 public이길 요구하지는 않는다. 이 프로젝트가 엔티티 클래스를 public으로 둔 것은 도구 호환성을 단순화한 **선택**이다. 그리고 연관 게터를 package-private로 좁혀도 매핑이 동작하는 건 이 엔티티가 **field access**(`@Id`가 필드에 붙음)를 쓰기 때문이다 — property access였다면 영속 속성 게터는 public/protected여야 한다.
+> **흔한 오해 ②**: "JPA 엔티티 클래스는 반드시 public이어야 합니다."
+> **실제**: Jakarta Persistence 규격은 엔티티에 top-level(또는 static inner)·non-final·무인자 생성자 등을 요구하지만, 클래스 자체가 public이길 요구하지는 않습니다. 이 프로젝트에서는 도구 호환성을 단순하게 유지하려고 엔티티 클래스를 public으로 두었습니다. 연관 게터를 package-private로 좁혀도 매핑되는 이유는 이 엔티티가 **field access**(`@Id`가 필드에 붙음)를 사용하기 때문입니다. property access였다면 영속 속성 게터는 public/protected여야 합니다.
---
## 4. 측정 환경과 데이터셋
-측정이 신뢰를 얻으려면 어디서·무엇으로·어떤 데이터로 쟀는지가 결과만큼 중요하다.
+조회 전략을 비교하기 전에 측정 환경부터 고정했습니다. 어디서·무엇으로·어떤 데이터를 측정했는지
+남기지 않으면 숫자가 달라졌을 때 코드 때문인지 환경 때문인지 구분할 수 없기 때문입니다.
### 4.1 측정 환경 — 실제 PostgreSQL을 퍼시스턴스 계층에서 직접 측정
@@ -173,17 +192,17 @@ class FeedPersistenceIT {
}
```
-- **실제 PostgreSQL 16**(Testcontainers). 컨테이너 필드가 `static`이므로 테스트 메서드마다 새로 뜨지 않고 **`FeedPersistenceIT` 실행 동안 하나를 공유**한다(첫 테스트 전 1회 기동, 마지막 테스트 후 종료). 각 테스트의 데이터 격리는 `@DataJpaTest` 트랜잭션 롤백과 명시적 `em.clear()`가 맡는다. H2 같은 인메모리 DB를 쓰지 않는 이유는, N+1의 쿼리 수는 물론 EXPLAIN 실행계획(Index/Seq Scan)·인덱스 동작이 DB 엔진마다 다르기 때문이다. 인메모리로 재면 운영(PostgreSQL)과 다른 계획이 나와 잘못된 결론에 이른다(왜 엔진마다 실행계획·인덱스가 갈리는지의 메커니즘은 §4.6에서 짚는다). (재현성을 높이려면 `postgres:16-alpine` 태그 대신 patch 버전 또는 digest 고정(`@sha256:...`)이 낫다. 같은 태그가 시점에 따라 다른 patch를 가리킬 수 있다.)
-- 스키마는 운영 마이그레이션과 동일하다. Flyway `V6__feed.sql`을 그대로 적용하고 `ddl-auto=validate`로 엔티티가 기대하는 테이블·컬럼·타입의 기본 불일치를 조기에 잡는다. 다만 `validate`가 모든 드리프트를 막지는 않는다 — 인덱스 구성, 부분 인덱스 predicate, check 제약, FK 삭제 정책, 컬럼 순서 등은 검증 범위 밖이라 마이그레이션 검증·catalog 조회로 별도 확인한다.
-- 퍼시스턴스 어댑터(`FeedQueryAdapter`)를 JPA 슬라이스에서 직접 호출한다. HTTP를 거치지 않는다. 이유는 둘이다. 하나, N+1은 조회 계층의 현상이므로 웹·보안·직렬화 노이즈를 배제하고 순수한 쿼리 행동만 관찰한다. 둘, 슬라이스 트랜잭션이 열려 있어 지연 로딩이 결정적으로 재현된다.
-- **측정 도구**는 추가 라이브러리 없이 셋을 쓴다(왜 전용 도구 대신 이 내장 셋을 골랐는지는 §4.7에서 정당화한다).
- - Hibernate `Statistics` — **획득한 PreparedStatement 수**(`getPrepareStatementCount`), **초기화된 컬렉션 수**(`getCollectionFetchCount`), 엔티티 로드 수를 준다. 이는 SQL **shape별 정확한 실행 횟수**가 아니다. shape별 실행 횟수를 원문 SQL 수준에서 확정하려면 SQL 로그·`StatementInspector`·datasource-proxy·p6spy·PostgreSQL statement logging 중 하나로 **별도로 수집**해야 한다(§6.1에서 이 구분을 다시 짚는다).
+- **실제 PostgreSQL 16**(Testcontainers)을 사용했습니다. 컨테이너 필드가 `static`이므로 테스트 메서드마다 새로 띄우지 않고 **`FeedPersistenceIT` 실행 동안 하나를 공유**합니다. 첫 테스트 전에 한 번 기동하고 마지막 테스트가 끝나면 종료합니다. 각 테스트의 데이터는 `@DataJpaTest` 트랜잭션 롤백과 명시적인 `em.clear()`로 격리했습니다. H2 같은 인메모리 DB를 쓰지 않은 이유는 N+1의 쿼리 수뿐 아니라 EXPLAIN 실행계획(Index/Seq Scan)과 인덱스 동작도 DB 엔진마다 다르기 때문입니다. 인메모리 DB에서 재면 운영 환경인 PostgreSQL과 다른 계획이 나와 잘못된 결론에 이를 수 있습니다. 엔진마다 계획이 달라지는 이유는 §4.6에서 다시 설명합니다. 재현성을 더 높이려면 `postgres:16-alpine` 태그보다 patch 버전이나 digest(`@sha256:...`)를 고정하는 편이 낫습니다. 같은 태그가 시점에 따라 다른 patch를 가리킬 수 있기 때문입니다.
+- 스키마는 운영 마이그레이션과 같게 맞췄습니다. Flyway `V6__feed.sql`을 그대로 적용하고 `ddl-auto=validate`로 엔티티가 기대하는 테이블·컬럼·타입의 기본 불일치를 조기에 잡았습니다. 다만 `validate`만으로 모든 드리프트를 막을 수는 없습니다. 인덱스 구성, 부분 인덱스 predicate, check 제약, FK 삭제 정책, 컬럼 순서 등은 검증 범위 밖이므로 마이그레이션 검증과 catalog 조회로 따로 확인합니다.
+- 퍼시스턴스 어댑터(`FeedQueryAdapter`)를 JPA 슬라이스에서 직접 호출합니다. HTTP를 거치지 않습니다. 이유는 둘입니다. 하나, N+1은 조회 계층의 현상이므로 웹·보안·직렬화 노이즈를 배제하고 순수한 쿼리 행동만 관찰합니다. 둘, 슬라이스 트랜잭션이 열려 있어 지연 로딩이 결정적으로 재현됩니다.
+- **측정 도구**는 추가 라이브러리 없이 세 가지를 사용했습니다. 전용 도구 대신 이 조합을 고른 이유는 §4.7에서 설명합니다.
+ - Hibernate `Statistics` — **획득한 PreparedStatement 수**(`getPrepareStatementCount`), **초기화된 컬렉션 수**(`getCollectionFetchCount`), 엔티티 로드 수를 줍니다. 이는 SQL **shape별 정확한 실행 횟수**가 아닙니다. shape별 실행 횟수를 원문 SQL 수준에서 확정하려면 SQL 로그·`StatementInspector`·datasource-proxy·p6spy·PostgreSQL statement logging 중 하나로 **별도로 수집**해야 합니다(§6.1).
- `System.nanoTime` — 지연.
- `EXPLAIN (ANALYZE, BUFFERS)` — 실행계획.
### 4.2 데이터셋을 어떻게 만드는가 — 4종의 개수가 다른 이유
-`FeedSeedFixture.seed(N)`은 피드 아이템 N개를 만들면서 각 엔티티를 서로 다른 규칙으로 생성한다. 그래서 feed_item·user·page·highlight의 총 개수가 전부 달라진다.
+`FeedSeedFixture.seed(N)`은 피드 아이템 N개를 만들면서 각 엔티티를 서로 다른 규칙으로 생성합니다. 그래서 feed_item·user·page·highlight의 총 개수가 전부 달라집니다.
```text
seed(N):
@@ -203,21 +222,21 @@ seed(N):
|---|---|---|
| **feed_item** | **N** | 루프를 N번 돈다 (`N ∈ {10, 100, 1000}`) |
| **page** | **N** | `pages[i]` — 아이템마다 전용 페이지(1:1) |
-| **user** | **max(3, min(20, N/5+1))** | 소수만 만들고 `users[i % size]`로 **돌려 쓴다**. N=10→3명, N=100·1000→20명 |
+| **user** | **max(3, min(20, N/5+1))** | 소수만 만들고 `users[i % size]`로 **돌려 씁니다**. N=10→3명, N=100·1000→20명 |
| **highlight** | **Σ Zipf-like** | 아이템마다 순위 기반으로 개수가 다름(§4.3). N=10→**1,285** · N=100→**1,961** · N=1,000→**2,917** |
-핵심은 user와 page가 같은 `@ManyToOne`인데 개수가 정반대라는 데 있다. user는 소수를 공유하고(라운드로빈) page는 아이템마다 전용이다(1:1). 이 비대칭이 뒤에서 "같은 즉시 로딩인데 조회 수가 갈리는" 현상을 만든다(§6.3).
+핵심은 user와 page가 같은 `@ManyToOne`인데 개수가 정반대라는 데 있습니다. user는 소수를 공유하고 page는 아이템마다 하나씩 만들었습니다. 이 비대칭 덕분에 뒤에서 같은 즉시 로딩인데도 조회 수가 달라지는 현상을 확인할 수 있습니다(§6.3).
### 4.3 하이라이트 개수는 왜 Zipf 형태의 편중 분포로 만드나
-하이라이트 개수는 균일(모두 3개)도, 정규분포(평균 근처에 몰림)도 아니다. 소수의 인기 아이템이 압도적으로 많고 나머지는 긴 꼬리로 급격히 적어진다. 이 편중을 Zipf의 순위-빈도 형태에서 차용한 합성(synthetic) 분포로 재현한다.
+하이라이트 개수는 균일(모두 3개)도, 정규분포(평균 근처에 몰림)도 아닙니다. 소수의 인기 아이템이 압도적으로 많고 나머지는 긴 꼬리로 급격히 적어집니다. 이 편중을 Zipf의 순위-빈도 형태에서 차용한 합성(synthetic) 분포로 재현합니다.
```java
// FeedSeedFixture.skewedHighlightCount(i)
highlightCount(i) = max(1, round(500 / (i+1)^1.15)) // 상한 500, 하한 1
```
-Zipf의 법칙은 "순위 `r`인 항목의 빈도 ∝ `1/r^s`"이고, 고전적 지프는 지수 `s=1`(1위가 2위의 2배)이다. 여기서는 `s=1.15`다(지프보다 조금 더 가파른 순위 감쇠라 1위가 2위의 `2^1.15≈2.2`배). 단어 빈도·도시 인구·웹페이지 조회 수 같은 heavy-tailed 편중이 이 계열이다. 다만 이 분포가 실제 라이너 데이터와 같다고 주장하는 것은 아니다. 과제가 요구한 "일부 페이지에 하이라이트가 매우 많을 수 있음"을 통제된 방식으로 재현하려는 스트레스 분포다. `max(1, …)`로 바닥값을 두므로 전 구간 순수 멱법칙이 아니라 floor가 적용된 truncated Zipf-like 분포에 가깝다.
+Zipf의 법칙은 "순위 `r`인 항목의 빈도 ∝ `1/r^s`"이고, 고전적 지프는 지수 `s=1`이라 1위가 2위의 두 배입니다. 저는 조금 더 가파르게 줄어들도록 `s=1.15`를 사용했습니다. 이때 1위는 2위의 `2^1.15≈2.2`배가 됩니다. 단어 빈도·도시 인구·웹페이지 조회 수 같은 heavy-tailed 편중이 이 계열입니다. 다만 이 분포가 실제 라이너 데이터와 같다고 주장하는 것은 아닙니다. "일부 페이지에 하이라이트가 매우 많을 수 있음"을 통제된 방식으로 재현하려고 만든 스트레스 분포입니다. `max(1, …)`로 바닥값을 두었으므로 전 구간이 순수한 멱법칙을 따르지는 않고, floor를 적용한 truncated Zipf-like 분포에 가깝습니다.
공식을 대입한 순위별 실제 생성 개수(원본: [`evidence/metrics/l1-skew-distribution.csv`](./evidence/metrics/l1-skew-distribution.csv)):
@@ -232,7 +251,7 @@ Zipf의 법칙은 "순위 `r`인 항목의 빈도 ∝ `1/r^s`"이고, 고전적
Diagram description
-왼쪽부터 균일분포, 정규분포, Zipf-like 합성 분포를 같은 네 기준으로 비교한다. 균일분포는 모든 아이템이 3개이고, 정규분포는 평균 근처에 몰려 둘 다 극단적으로 많은 소수를 만들지 못하므로 제외된다. Zipf-like 분포는 소수의 인기 아이템이 압도적인 무거운 머리와 나머지의 긴 꼬리를 만들며, 지수 s=1.15와 상한 500·하한 1을 사용해 매우 많은 하이라이트 조건과 Top-N 필요성을 재현하는 합성 스트레스 분포로 선택된다.
+왼쪽부터 균일분포, 정규분포, Zipf-like 합성 분포를 같은 네 기준으로 비교합니다. 균일분포는 모든 아이템이 3개이고, 정규분포는 평균 근처에 몰려 둘 다 극단적으로 많은 소수를 만들지 못하므로 제외됩니다. Zipf-like 분포는 소수의 인기 아이템이 압도적인 무거운 머리와 나머지의 긴 꼬리를 만들며, 지수 s=1.15와 상한 500·하한 1을 사용해 매우 많은 하이라이트 조건과 Top-N 필요성을 재현하는 합성 스트레스 분포로 선택됩니다.
@@ -240,26 +259,26 @@ Zipf의 법칙은 "순위 `r`인 항목의 빈도 ∝ `1/r^s`"이고, 고전적
왜 균일·정규분포가 아니라 편중 분포인가:
-- 균일(모두 3개)이면 과제의 "페이지에 하이라이트가 아무리 많아도"라는 조건을 재현하지 못한다. 머리(수백 개)가 만드는 전송량·메모리 압박도, 아이템별 최신 3개(Top-N)를 뽑아야 하는 필요성도 사라진다.
-- 정규분포는 평균 근처로 몰려 "극단적으로 많은 소수"가 없다. 역시 머리가 안 생긴다.
-- "무거운 머리 + 긴 꼬리"를 재현하는 방법은 여럿이다(log-normal, negative binomial, Pareto, 경험적 히스토그램 등). 그중 순위 기반으로 파라미터 하나(`s`)로 편중 강도를 조절하기 쉬운 Zipf-like 형태를 골랐을 뿐이다.
+- 균일(모두 3개)이면 과제의 "페이지에 하이라이트가 아무리 많아도"라는 조건을 재현하지 못합니다. 머리(수백 개)가 만드는 전송량·메모리 압박도, 아이템별 최신 3개(Top-N)를 뽑아야 하는 필요성도 사라집니다.
+- 정규분포는 평균 근처로 몰려 "극단적으로 많은 소수"가 없습니다. 역시 머리가 안 생깁니다.
+- "무거운 머리 + 긴 꼬리"를 재현하는 방법은 여러 가지입니다(log-normal, negative binomial, Pareto, 경험적 히스토그램 등). 그중 순위 기반으로 파라미터 하나(`s`)만 바꾸면 편중 강도를 조절할 수 있는 Zipf-like 형태를 골랐습니다.
-이 분포 때문에 하이라이트 총량은 N에 정비례하지 않는다. N=10에서 이미 1,285개인데(0번 아이템 혼자 500개), N을 100배(1,000)로 키워도 2,917개에 그친다. 꼬리 아이템은 1개씩만 더할 뿐 머리가 총량을 지배하기 때문이다. 반면 조회 수(`collectionFetches`)는 하이라이트 총량이 아니라 아이템 수 N에 정비례한다. 이 대비가 §6의 핵심이다.
+이 분포 때문에 하이라이트 총량은 N에 정비례하지 않습니다. N=10에서 이미 1,285개인데(0번 아이템 혼자 500개), N을 100배(1,000)로 키워도 2,917개에 그칩니다. 꼬리 아이템은 1개씩만 더할 뿐 머리가 총량을 지배하기 때문입니다. 반면 조회 수(`collectionFetches`)는 하이라이트 총량이 아니라 아이템 수 N에 정비례합니다. 이 대비가 §6의 핵심입니다.
### 4.4 왜 이렇게 구성했는가 (설계 의도)
- **하이라이트 Zipf-like 편중** → "매우 많은 하이라이트" 조건 + Top-N 필요성 재현(§4.3).
-- **User 공유 vs Page 전용** → 같은 즉시 로딩인데 조회 수가 갈리는 것을 데이터로 보인다. User는 1차 캐시가 재조회를 걸러 distinct 유저 수(≤20)로 억제되고 Page는 아이템마다 달라 그대로 N번. 모두 유니크 유저였다면 이 대비가 사라진다. "EAGER secondary SELECT 반복 횟수는 **fetch 방식 × distinct 연관 대상 수의 결합**으로 달라진다"는 핵심을 못 보인다.
-- **공개 범위 6:2:2** → 세 분기(public / mentioned / private)를 모두 충분히 포함하도록 설정한 **합성 비율**로, 이후 공개 범위 필터링·인덱싱 실험의 기반을 미리 심는다.
-- **시간 분산** → `first_highlighted_at` 정렬키를 만들어 시간순 페이징(keyset)·정렬 인덱스 실험 기반을 마련한다.
+- **User 공유 vs Page 전용** → 같은 즉시 로딩인데 조회 수가 갈리는 것을 데이터로 보입니다. User는 1차 캐시가 재조회를 걸러 distinct 유저 수(≤20)로 억제되고 Page는 아이템마다 달라 그대로 N번. 모두 유니크 유저였다면 이 대비가 사라집니다. "EAGER secondary SELECT 반복 횟수는 **fetch 방식 × distinct 연관 대상 수의 결합**으로 달라진다"는 핵심을 못 보입니다.
+- **공개 범위 6:2:2** → 세 분기(public / mentioned / private)를 모두 충분히 포함하도록 설정한 **합성 비율**로, 이후 공개 범위 필터링·인덱싱 실험의 기반을 미리 심습니다.
+- **시간 분산** → `first_highlighted_at` 정렬키를 만들어 시간순 페이징(keyset)·정렬 인덱스 실험 기반을 마련합니다.
### 4.5 측정 규율 — 캐시와 통계가 결과를 왜곡하지 않게
-- 같은 트랜잭션에서 조회를 반복하면 1차 캐시가 쿼리를 먹는다. 그래서 지연 반복 루프는 **매 반복마다** 타이머를 켜기 전에 `em.clear()`를 호출한다. 덕분에 (a) 매 호출이 실제로 DB를 때리고, (b) `clear()` 자체 비용은 측정 구간 밖에 놓인다. 두 번째 반복부터 캐시가 조회량을 갉아먹어 값이 섞이는 오염이 없다.
-- 쿼리 수는 `stats.clear()` 직후 딱 1회 실행분으로만 읽어 "회당 정확값"을 얻는다.
-- 지연은 쿼리 수 측정과 분리한 별도 반복에서 측정하고, 앞 몇 회(JIT·커넥션 워밍업)는 버린다. **단, 이 값은 여전히 warm DB 캐시·동일 JVM·단일 스레드에서 잰 근사다.** GC·JIT 영향이 남아 있어 절대값이 아니라 N에 따른 증가 방향만 신뢰한다(§6.2의 표본 수·표기는 그래서 "median/max of 5"로 정직하게 적는다).
+- 같은 트랜잭션에서 조회를 반복하면 1차 캐시가 쿼리를 먹습니다. 그래서 지연 반복 루프는 **매 반복마다** 타이머를 켜기 전에 `em.clear()`를 호출합니다. 덕분에 (a) 매 호출이 실제로 DB를 때리고, (b) `clear()` 자체 비용은 측정 구간 밖에 놓입니다. 두 번째 반복부터 캐시가 조회량을 갉아먹어 값이 섞이는 오염이 없습니다.
+- 쿼리 수는 `stats.clear()` 직후 딱 1회 실행분으로만 읽어 "회당 정확값"을 얻습니다.
+- 지연은 쿼리 수와 분리해 별도로 반복 측정하고, 앞의 몇 회는 JIT·커넥션 워밍업 구간으로 보고 버렸습니다. **그래도 이 값은 warm DB 캐시·동일 JVM·단일 스레드에서 잰 근삿값입니다.** GC·JIT 영향이 남아 있으므로 절대값보다 N에 따른 증가 방향만 확인했습니다. 그래서 §6.2에도 `p50`·`p99`가 아니라 "median/max of 5"로 적었습니다.
-**한 데이터셋에 여러 변수가 섞여 있다는 한계.** 현재 데이터셋은 N을 키우면 반환 FeedItem 수·Highlight 총 행수·엔티티/DTO 생성량·DB 왕복이 **동시에** 늘어난다. 그래서 지연의 원인을 어느 하나로 단독 귀속할 수 없다(자세한 지연 귀속 논의는 §6.2). 이후 랩에서 변수를 하나씩 격리한 데이터셋으로 재검증할 계획이다 — 아래 A/B/C는 **아직 미실행이며, 실행 전에는 어떤 수치도 채우지 않는다**(데이터 날조 금지).
+**한 데이터셋에 여러 변수가 섞여 있다는 한계.** 현재 데이터셋은 N을 키우면 반환 FeedItem 수·Highlight 총 행수·엔티티/DTO 생성량·DB 왕복이 **동시에** 늘어납니다. 따라서 지연의 원인을 어느 하나에만 돌릴 수 없습니다(§6.2). 이후에는 변수를 하나씩 격리한 데이터셋으로 다시 검증할 계획입니다. 아래 A/B/C는 **아직 실행하지 않았으며, 실행하기 전에는 수치를 채우지 않습니다**.
| 격리 데이터셋 | 구성 | 격리하는 변수 | 상태 |
|---|---|---|---|
@@ -269,7 +288,7 @@ Zipf의 법칙은 "순위 `r`인 항목의 빈도 ∝ `1/r^s`"이고, 고전적
### 4.6 왜 DB 엔진마다 실행계획·인덱스가 다른가
-§4.1에서 "인메모리 H2를 쓰지 않는다"의 근거로 "실행계획·인덱스 동작이 엔진마다 다르다"를 들었다. 왜 다른지를 짚는다. 비용 기반 옵티마이저는 가능한 여러 계획의 **비용을 추정해 가장 싼 것을 고른다.** 그런데 그 추정값도, 애초에 고를 수 있는 선택지도 엔진마다 다르다. 네 축이 갈린다.
+§4.1에서 "인메모리 H2를 쓰지 않는다"의 근거로 "실행계획·인덱스 동작이 엔진마다 다르다"를 들었습니다. 왜 다른지를 짚습니다. 비용 기반 옵티마이저는 가능한 여러 계획의 **비용을 추정해 가장 싼 것을 고릅니다.** 그런데 그 추정값도, 애초에 고를 수 있는 선택지도 엔진마다 다릅니다. 네 축이 갈립니다.
| 계획을 가르는 축 | PostgreSQL 16 (운영) | H2 (인메모리) | MySQL / InnoDB (대조) |
|---|---|---|---|
@@ -278,33 +297,33 @@ Zipf의 법칙은 "순위 `r`인 항목의 빈도 ∝ `1/r^s`"이고, 고전적
| **저장·가시성** | heap + MVCC. 인덱스 스캔도 **가시성 맵**을 봐야 하고, 그래서 커버링 인덱스라도 벌크 로드 직후엔 index-only scan이 heap을 재방문한다 | 인메모리 구조라 PostgreSQL식 가시성 맵·heap 재방문 비용 구조가 없다 | 클러스터드 인덱스(PK 자체가 데이터) + undo. 2차 인덱스는 PK 재조회 |
| **인덱스 종류·기능** | B-tree/Hash/GiST/GIN/BRIN/SP-GiST, **부분 인덱스**·표현식 인덱스·`DESC`/`NULLS FIRST\|LAST` 정렬 인덱스 | 주로 B-tree/hash, 부분 인덱스 미지원 | B-tree 중심, 부분 인덱스 미지원·함수 인덱스 8.0+ |
-계획은 이 네 축의 함수다. 그래서 **같은 쿼리·같은 데이터라도** 엔진이 바뀌면 (a) Seq Scan ↔ Index Scan 선택이 뒤집히고, (b) 부분·표현식·정렬 인덱스처럼 한쪽에만 있는 접근 경로가 통째로 사라지며, (c) PostgreSQL 특유의 가시성 맵·index-only scan 미묘함이 재현되지 않는다. 인메모리로 재서 나온 계획을 운영 PostgreSQL 계획으로 읽으면 이 세 지점에서 **체계적으로 틀린 결론**에 이른다.
+계획은 이 네 축의 함수입니다. 그래서 **같은 쿼리·같은 데이터라도** 엔진이 바뀌면 (a) Seq Scan ↔ Index Scan 선택이 뒤집히고, (b) 부분·표현식·정렬 인덱스처럼 한쪽에만 있는 접근 경로가 통째로 사라지며, (c) PostgreSQL 특유의 가시성 맵·index-only scan 미묘함이 재현되지 않습니다. 인메모리로 재서 나온 계획을 운영 PostgreSQL 계획으로 읽으면 이 세 지점에서 **체계적으로 틀린 결론**에 이릅니다.
-이건 추상적 우려가 아니라 이 문서 안에서 이미 두 번 부딪히는 축이다.
+이건 추상적 우려가 아니라 이 문서 안에서 이미 두 번 부딪히는 축입니다.
-- **통계 의존** — §6.4의 Plan A는 추정 `rows=1` vs 실제 `rows=500`(500배 오추정)이다. 대량 시드 직후 `ANALYZE`를 안 돌려 통계가 `feed_item_id`별 편중을 못 담은 탓이라는 가설이다(→ Plan B로 검증). 통계를 어떻게 수집·사용하는지가 엔진마다 다르므로, 이 현상은 **실제 엔진에서만** 정직하게 관찰된다.
-- **선택도 의존** — §8은 "테이블이 작거나 조회 비율이 높으면 PostgreSQL이 Seq Scan을 고르는 게 더 빠를 수 있다"고 유보한다. Seq↔Index 판정 자체가 비용 모델·선택도 추정의 산물이라, 다른 엔진이면 다른 임계에서 갈린다.
-- **인덱스 기능 의존** — 이후 랩의 공개 범위 인덱싱·keyset 정렬(§8, OD-01의 `NULLS LAST` 처리)은 부분 인덱스·정렬 인덱스 기능에 기댄다. 이 기능이 없는 엔진에서 실험하면 접근 경로 자체가 달라 결과가 무의미하다.
+- **통계 의존** — §6.4의 Plan A는 추정 `rows=1`과 실제 `rows=500`이 500배 차이 납니다. 대량 시드 직후 `ANALYZE`를 실행하지 않아 통계가 `feed_item_id`별 편중을 담지 못했다는 가설을 세웠고, Plan B에서 검증합니다. 통계를 수집하고 사용하는 방식이 엔진마다 다르므로 이 현상은 **실제 엔진에서만** 정확하게 관찰할 수 있습니다.
+- **선택도 의존** — §8은 "테이블이 작거나 조회 비율이 높으면 PostgreSQL이 Seq Scan을 고르는 게 더 빠를 수 있다"고 유보합니다. Seq↔Index 판정 자체가 비용 모델·선택도 추정의 산물이라, 다른 엔진이면 다른 임계에서 갈립니다.
+- **인덱스 기능 의존** — 이후 랩의 공개 범위 인덱싱·keyset 정렬(§8, OD-01의 `NULLS LAST` 처리)은 부분 인덱스·정렬 인덱스 기능에 기댑니다. 이 기능이 없는 엔진에서 실험하면 접근 경로 자체가 달라 결과가 무의미합니다.
-정리하면, 측정 대상이 **계획·인덱스 동작**인 이상 DB는 대체재가 아니라 측정 대상의 일부다. 그래서 운영과 같은 PostgreSQL을 쓴다(§4.1).
+정리하면 측정 대상이 **계획·인덱스 동작**인 이상 DB는 대체재가 아니라 측정 대상의 일부입니다. 그래서 운영과 같은 PostgreSQL을 사용했습니다(§4.1).
### 4.7 왜 전용 측정 도구 대신 내장 3종인가
-§4.1이 쓴 세 도구 — Hibernate `Statistics`·`System.nanoTime`·`EXPLAIN` — 는 모두 **이미 스택에 있는 것**이라 의존성을 하나도 더하지 않는다. p6spy·datasource-proxy(정확한 SQL별 실행 수), JMH(엄밀한 지연 벤치), APM·프로파일러(종단 지연·플레임그래프) 같은 전용 도구를 안 쓴 건 몰라서가 아니라, **도구의 정밀도를 주장의 강도에 맞췄기** 때문이다. L1이 답하는 질문은 "쿼리 발생량이 N에 비례해 늘어나는 **형태**인가"(방향성)이지 정밀 지연도 운영 처리량도 아니다(문서 최상단 "측정의 범위와 한계"와 같은 선).
+§4.1에서 사용한 Hibernate `Statistics`·`System.nanoTime`·`EXPLAIN`은 모두 **이미 스택에 있는 도구**라 의존성을 더하지 않습니다. p6spy·datasource-proxy(정확한 SQL별 실행 수), JMH(엄밀한 지연 벤치), APM·프로파일러(종단 지연·플레임그래프) 같은 전용 도구도 후보였습니다. 다만 L1에서 확인하려던 것은 정밀한 지연이나 운영 처리량이 아니라 "쿼리 발생량이 N에 비례해 늘어나는가"라는 방향성이었습니다. 그래서 주장의 범위에 맞춰 내장 도구를 선택했습니다.
| 측정 대상 | 쓴 도구 (내장·무의존) | 주는 것 / 한계 | 전용 대안 | 왜 지금 이걸로 충분한가 |
|---|---|---|---|---|
| **쿼리 발생 형태(N+1)** | Hibernate `Statistics` | 초기화 컬렉션 수·PreparedStatement 수. shape별 정확 SQL 수는 아님(§6.1) | p6spy · datasource-proxy · QuickPerf `@ExpectSelect` | 필요한 건 성장 **형태**(≈`N`)뿐 → 무의존 카운터로 충분. 정확한 per-shape SQL이 필요해지는 단계(Batch Fetch로 "컬렉션 수 = SQL 수" 등식이 깨지는 L5)에서 도입한다고 §6.1에 이미 예고 |
-| **지연** | `System.nanoTime` | 단일 스레드·warm 근사(방향성만) | JMH | L1은 절대값·p99를 주장하지 않는다. 게다가 지연 로딩을 재현하려면 **테스트 트랜잭션을 연 채 퍼시스턴스 슬라이스 안에서** 재야 하는데, 이는 격리 JVM·steady-state를 전제하는 JMH와 안 맞는다. 도구 정밀도가 주장 강도를 넘으면 "이게 운영 수치"라는 오해를 부른다 |
-| **실행계획** | `EXPLAIN (ANALYZE, BUFFERS)` | 운영 엔진이 실제로 고른 plan·buffers의 **원천** | APM · JFR · async-profiler | 필요한 건 '계획' 그 자체 → 엔진 native EXPLAIN이 ground truth다. APM은 운영 관측용이지 로컬 단일 스레드 계획 분석용이 아니다 |
+| **지연** | `System.nanoTime` | 단일 스레드·warm 근사(방향성만) | JMH | L1은 절대값·p99를 주장하지 않습니다. 게다가 지연 로딩을 재현하려면 **테스트 트랜잭션을 연 채 퍼시스턴스 슬라이스 안에서** 재야 하는데, 이는 격리 JVM·steady-state를 전제하는 JMH와 안 맞습니다. 도구 정밀도가 주장 강도를 넘으면 "이게 운영 수치"라는 오해를 부른다 |
+| **실행계획** | `EXPLAIN (ANALYZE, BUFFERS)` | 운영 엔진이 실제로 고른 plan·buffers의 **원천** | APM · JFR · async-profiler | 엔진이 선택한 계획 자체가 필요하므로 native EXPLAIN을 사용했습니다. APM은 운영 관측에 더 적합합니다 |
-세 선택을 관통하는 원리는 셋이다.
+세 선택을 관통하는 원리는 셋입니다.
-1. **의존성 무추가** — 이 측정은 스켈레톤 모듈의 슬라이스 테스트 안에서 돈다. 클래스패스에 이미 있는 것만으로 재현되면 "이 도구 깔고 이 설정 맞춰야 재현됨" 같은 장벽이 없다.
-2. **정밀도 = 주장 강도.** 방향성만 주장하는 값에 JMH·APM의 엄밀도를 붙인다고 근거가 강해지지 않는다 — 오히려 데이터가 감당 못 할 정밀도를 가장해 독자를 오도한다. 지연을 `p50`·`p99`가 아니라 "중앙값/최댓값(5회)"로 정직하게 적는 규율과 같은 선이다(§6.2).
-3. **측정 지점의 제약이 도구를 고른다.** N+1은 열린 트랜잭션·지연 로딩에서만 결정적으로 재현되므로(§4.1) 측정은 그 지점 안에 있어야 한다. HTTP 종단·격리 JVM을 전제하는 도구는 이 지점을 못 잡는다.
+1. **의존성 무추가** — 이 측정은 스켈레톤 모듈의 슬라이스 테스트 안에서 돕니다. 클래스패스에 이미 있는 것만으로 재현되면 "이 도구 깔고 이 설정 맞춰야 재현됨" 같은 장벽이 없습니다.
+2. **정밀도 = 주장 강도.** 방향성만 확인하는 값에 JMH·APM의 엄밀도를 붙인다고 근거가 더 강해지지는 않습니다. 오히려 측정 데이터보다 정밀한 결론처럼 보일 수 있습니다. 같은 이유로 지연을 `p50`·`p99`가 아니라 "중앙값/최댓값(5회)"로 적었습니다(§6.2).
+3. **측정 지점의 제약이 도구를 고릅니다.** N+1은 열린 트랜잭션·지연 로딩에서만 결정적으로 재현되므로(§4.1) 측정은 그 지점 안에 있어야 합니다. HTTP 종단·격리 JVM을 전제하는 도구는 이 지점을 못 잡습니다.
-전용 도구를 **거부**하는 게 아니라 **질문에 맞춰 승급**한다. 질문이 바뀌는 지점마다 갈아탈 도구는 이미 정해져 있다.
+측정 질문이 바뀌면 도구도 그에 맞게 바꿉니다. 다음 단계에 필요한 도구는 아래처럼 정리했습니다.
| 질문이 이렇게 바뀌면 | 승급할 도구 |
|---|---|
@@ -312,7 +331,7 @@ Zipf의 법칙은 "순위 `r`인 항목의 빈도 ∝ `1/r^s`"이고, 고전적
| 안정적 꼬리 지연(p99)이 필요 | warm-up 후 100회+ 반복·독립 세트, 또는 JMH |
| 운영 종단 지연·처리량·connection pool이 필요 | 부하 테스트 + APM |
-이 표의 아래 두 행은 문서 최상단 한계 선언이 "이 측정의 범위 밖"이라 못 박은 바로 그 항목들이다. 즉 도구를 덜 쓴 게 아니라, 각 질문에 맞는 도구를 그 질문을 다루는 랩에서 쓴다.
+이 표의 아래 두 행은 문서 첫머리에서 "이 측정의 범위 밖"이라고 밝힌 항목입니다. 질문이 그 범위까지 넓어지면 그때 맞는 도구로 바꿉니다.
---
@@ -320,7 +339,8 @@ Zipf의 법칙은 "순위 `r`인 항목의 빈도 ∝ `1/r^s`"이고, 고전적
### 5.1 전략 — 엔티티 그래프를 로드하고 메모리에서 DTO로 매핑
-가장 먼저 떠오르고 가장 흔한 구현이다. 피드 아이템 엔티티를 조회한 뒤 Java Stream으로 순회하며 응답 DTO(`FeedSummary`)로 필드를 복사한다.
+처음에는 피드 아이템 엔티티를 조회한 뒤 Java Stream으로 순회하며 응답 DTO(`FeedSummary`)로
+필드를 옮겼습니다. 구현하기 쉽고 결과도 바로 확인할 수 있어서 기능적 기준선으로 삼았습니다.
```java
@Override
@@ -340,7 +360,11 @@ public List loadFeed(int page, int size) {
### 5.2 조회 전략은 포트 뒤 어댑터의 책임
-이 구현이 낳는 문제도, 앞으로의 모든 해법도 퍼시스턴스 어댑터 안에서 일어난다. 웹·애플리케이션 계층은 조회 사용자·페이지 크기·반환할 `FeedSummary`만 안다. 구체적인 조회 경로는 `GET /feed` → `FeedController` → `GetFeedUseCase` → `FeedQueryPort`이며, `FeedQueryAdapter`가 이 포트를 구현해 PostgreSQL을 조회한다.
+조회 전략을 바꾸더라도 웹·애플리케이션 계층까지 함께 바꾸고 싶지는 않았습니다. 그래서 상위
+계층에는 조회 사용자·페이지 크기·반환할 `FeedSummary`만 드러내고, 구체적인 조회 방식은
+퍼시스턴스 어댑터에 두었습니다. 조회 경로는 `GET /feed` → `FeedController` →
+`GetFeedUseCase` → `FeedQueryPort`이며, `FeedQueryAdapter`가 이 포트를 구현해 PostgreSQL을
+조회합니다.
@@ -349,37 +373,41 @@ public List loadFeed(int page, int size) {
Diagram description
-왼쪽의 FeedController가 GET /feed 요청을 받아 중앙의 GetFeedUseCase에 조회를 위임한다. 유스케이스는 오른쪽의 FeedQueryPort에 조회를 의존한다. FeedQueryAdapter는 FeedQueryPort를 구현하는 아웃바운드 어댑터이며 PostgreSQL 조회를 수행한다. Fetch Join, Batch Fetch, DTO Projection, 윈도우 함수 같은 구체 전략은 이 어댑터의 책임이므로 상위 계층은 전략 교체의 영향을 받지 않는다.
+왼쪽의 FeedController가 GET /feed 요청을 받아 중앙의 GetFeedUseCase에 조회를 위임합니다. 유스케이스는 오른쪽의 FeedQueryPort에 조회를 의존합니다. FeedQueryAdapter는 FeedQueryPort를 구현하는 아웃바운드 어댑터이며 PostgreSQL 조회를 수행합니다. Fetch Join, Batch Fetch, DTO Projection, 윈도우 함수 같은 구체 전략은 이 어댑터의 책임이므로 상위 계층은 전략 교체의 영향을 받지 않습니다.
[Editable source](assets/diagrams/query-port-boundary/query-port-boundary.drawio) · [Grounded VizSpec](.techviz/query-port-boundary/spec.json)
-Fetch Join, Batch Fetch, DTO Projection, 윈도우 함수 중 무엇을 쓰는지는 `FeedQueryPort` 구현의 책임이다. 그래서 조회 전략을 갈아끼워도 상위 계층은 바뀌지 않는다.
+Fetch Join, Batch Fetch, DTO Projection, 윈도우 함수 중 무엇을 쓰는지는 `FeedQueryPort`
+구현의 책임입니다. 그래서 조회 전략을 교체해도 상위 계층은 바뀌지 않습니다.
### 5.3 기준선이 의도한 범위에서는 정상이다
-이 최초 구현은 FeedItem과 User·Page·Highlight를 응답 형태로 조립하는 **기본 조회 경로**만 검증한다. 그 범위에서는 올바르다 — 요청한 크기만큼 피드 아이템이 조회되고 각 아이템에 User·Page 정보와 Highlight 목록이 정확히 담긴다(라운드트립 테스트로 확인).
+최초 구현에서는 FeedItem과 User·Page·Highlight를 응답 형태로 조립하는 **기본 조회 경로**만
+검증했습니다. 요청한 크기만큼 피드 아이템이 조회되고 각 아이템에 User·Page 정보와 Highlight
+목록이 정확히 담기는지는 라운드트립 테스트로 확인했습니다. 이 범위에서는 의도한 대로 동작했습니다.
-하지만 이 단계는 아직 다음을 반영하지 않는다.
+하지만 이 단계는 아직 다음을 반영하지 않습니다.
- 조회 사용자에 따른 공개 범위(public / mentioned / private) 판정
- 피드 아이템별 최신 하이라이트 **최대 3개** 제한
- mentioned 사용자 관계
- 최종 커서(keyset) 페이징
-따라서 이 단계는 전체 기능 요구사항의 완료본이 아니라, **조회 문제를 발견하기 위한 기능적 기준선**이다. "정상"은 이 기준선이 의도한 범위에 한정된 말이고, 다음 관심사는 NFR이다.
+따라서 이 단계는 전체 기능 요구사항의 완료본이 아니라, **조회 문제를 발견하기 위한 기능적 기준선**입니다. "정상"은 이 기준선이 의도한 범위에 한정된 말이고, 다음 관심사는 NFR입니다.
### 5.4 왜 추가 쿼리가 나가나 — EAGER는 "로딩 시점" 계약이지 JOIN 보장이 아니다
-엔티티에 fetch를 명시하지 않았으므로 JPA 기본값 그대로다: `@ManyToOne`은 즉시 로딩(EAGER), `@OneToMany`는 지연 로딩(LAZY).
+엔티티에는 fetch를 따로 명시하지 않았습니다. 따라서 `@ManyToOne`은 즉시 로딩(EAGER),
+`@OneToMany`는 지연 로딩(LAZY)이라는 JPA 기본값을 사용합니다.
-여기서 중요한 지점이 있다. `FetchType.EAGER`는 연관이 **반환 시점까지 로딩돼 있어야 한다**는 계약이지, 반드시 루트 SQL의 JOIN으로 가져오라는 의미가 아니다.
+여기서 중요한 지점이 있습니다. `FetchType.EAGER`는 연관이 **반환 시점까지 로딩돼 있어야 한다**는 계약이지, 반드시 루트 SQL의 JOIN으로 가져오라는 의미가 아닙니다.
-- `findAllBy(...)`는 파생 쿼리다. **현재 Hibernate 기준선에서는** 루트(feed_items)를 먼저 조회한 뒤, 쿼리에서 fetch join하지 않은 EAGER ToOne 연관을 JOIN이 아니라 별도의 2차 SELECT로 채웠다. 루트를 가져온 다음에 user·page를 행마다 조회한다.
-- 단건 조회(`entityManager.find(id)`)에서는 Hibernate가 JOIN으로 가져오는 경우가 있지만, 그건 provider·매핑·fetch profile에 달린 동작이지 일반적인 JPA 보장이 아니다. 리스트 파생 쿼리인 여기서는 2차 SELECT로 나갔다. "즉시 로딩이면 한 번에 가져오겠지"라는 착각이 깨지는 대목이다.
-- `highlights`는 지연 로딩이라 루트 조회 시엔 나가지 않다가 매핑 루프에서 `getHighlights()`에 접근하는 순간 그 아이템의 컬렉션을 1쿼리로 가져온다. 아이템마다 한 번씩이다.
+- `findAllBy(...)`는 파생 쿼리입니다. **현재 Hibernate 기준선에서는** 루트(feed_items)를 먼저 조회한 뒤, 쿼리에서 fetch join하지 않은 EAGER ToOne 연관을 JOIN이 아니라 별도의 2차 SELECT로 채웠습니다. 루트를 가져온 다음에 user·page를 행마다 조회합니다.
+- 단건 조회(`entityManager.find(id)`)에서는 Hibernate가 JOIN으로 가져오는 경우가 있지만, 그건 provider·매핑·fetch profile에 달린 동작이지 일반적인 JPA 보장이 아닙니다. 리스트 파생 쿼리인 여기서는 2차 SELECT로 나갔습니다. "즉시 로딩이면 한 번에 가져오겠지"라는 착각이 깨지는 대목입니다.
+- `highlights`는 지연 로딩이라 루트 조회 시엔 나가지 않다가 매핑 루프에서 `getHighlights()`에 접근하는 순간 그 아이템의 컬렉션을 1쿼리로 가져옵니다. 아이템마다 한 번씩입니다.
@@ -388,7 +416,7 @@ Fetch Join, Batch Fetch, DTO Projection, 윈도우 함수 중 무엇을 쓰는
Diagram description
-세 참가자를 왼쪽부터 loadFeed DTO 매핑, Hibernate, PostgreSQL 순으로 읽는다. loadFeed가 findAllBy 파생 쿼리를 호출하면 Hibernate가 PostgreSQL에서 feed_items를 먼저 조회한다. 이어 fetch join되지 않은 EAGER user와 page를 별도의 2차 SELECT로 채우고, 반환 시점까지 로딩된 FeedItem을 loadFeed에 돌려준다. 이후 DTO 매핑이 getHighlights()에 접근하면 Hibernate가 해당 아이템의 highlights 컬렉션 SELECT를 실행한다.
+세 참가자를 왼쪽부터 loadFeed DTO 매핑, Hibernate, PostgreSQL 순으로 읽습니다. loadFeed가 findAllBy 파생 쿼리를 호출하면 Hibernate가 PostgreSQL에서 feed_items를 먼저 조회합니다. 이어 fetch join되지 않은 EAGER user와 page를 별도의 2차 SELECT로 채우고, 반환 시점까지 로딩된 FeedItem을 loadFeed에 돌려줍니다. 이후 DTO 매핑이 getHighlights()에 접근하면 Hibernate가 해당 아이템의 highlights 컬렉션 SELECT를 실행합니다.
@@ -399,20 +427,30 @@ Fetch Join, Batch Fetch, DTO Projection, 윈도우 함수 중 무엇을 쓰는
## 6. 컬렉션 N+1 정량화
-### 6.1 하이라이트 조립 몫만 떼어내기 — 지표의 정확한 의미
+### 6.1 하이라이트 조회 수만 분리해 측정하기
-순진한 조회는 여러 종류의 추가 쿼리(count·User·Page·Highlight)가 섞여 나가므로 총 쿼리 수만 보면 원인이 흐려진다. 하이라이트 조립의 몫만 격리하는 지표가 Hibernate의 `getCollectionFetchCount()`인데, 이름을 정확히 새겨야 한다.
+기준선을 측정하자 count·User·Page·Highlight 쿼리가 한꺼번에 나왔습니다. 총계만으로는 어느
+연관이 문제인지 알기 어려웠습니다. 그래서 먼저 Hibernate의 `getCollectionFetchCount()`로
+하이라이트 조립 과정에서 발생한 조회 수를 분리했습니다. 다만 이 지표를 SQL 실행 횟수로 읽으면
+안 됩니다.
-- `getCollectionFetchCount()` = **초기화된 컬렉션 수**. "실행된 SELECT SQL 수"가 아니다.
-- `getPrepareStatementCount()` = **획득한 PreparedStatement 수**. 역시 SQL 실행 수와 항상 같지는 않다(§4.1에서 이 도구의 의미 범위를 짚었다).
+- `getCollectionFetchCount()` = **초기화된 컬렉션 수**. "실행된 SELECT SQL 수"가 아닙니다.
+- `getPrepareStatementCount()` = **획득한 PreparedStatement 수**. 이 값도 SQL 실행 수와 항상 같지는 않습니다(§4.1).
-현재 기준선에서는 batch/subselect가 없어 컬렉션 하나를 초기화할 때 SQL 하나가 나가므로 **우연히** "초기화된 컬렉션 수 N = highlights 자식 SELECT 수 N"이 성립한다. L5에서 Batch Fetch를 켜면 초기화된 컬렉션은 N개여도 실제 SQL은 `ceil(N/batchSize)`개라 이 등식이 깨진다. 그래서 지금부터 두 이름을 분리해 쓴다. ToOne(User·Page) 연관 몫을 격리하려면 총 PreparedStatement에서 content 1건, **페이지 count 1건**(§6.2), highlights 컬렉션 N건을 빼야 한다.
+현재 기준선에는 batch/subselect가 없어 컬렉션 하나를 초기화할 때 SQL 하나가 나갑니다. 이
+조건에서만 "초기화된 컬렉션 수 N = highlights 자식 SELECT 수 N"이 성립합니다. L5에서
+Batch Fetch를 적용하면 여러 컬렉션을 한 SQL로 채우므로 이 등식이 깨집니다. 그래서 두 지표의
+이름을 구분했습니다. ToOne(User·Page) 조회 수는 총 PreparedStatement에서 content 1건,
+페이지 count 1건, highlights 컬렉션 N건을 빼서 계산했습니다.
### 6.2 실측 — 조회량이 N에 정확히 비례한다
-먼저 N의 의미를 못박는다. **N은 전체 테이블 크기가 아니라 한 요청에서 반환한 FeedItem 수**다. 이 랩에서는 데이터셋 크기와 page size를 모두 N으로 설정했다(`seed(N)` 후 `loadFeed(0, N)` → 데이터셋 크기 = page size = 반환 수 = N). 그래서 아래 표의 N은 "한 페이지 요청이 조립하는 부모 엔티티 수"로 읽어야 한다.
+먼저 N이 무엇을 뜻하는지 정리했습니다. **N은 전체 테이블 크기가 아니라 한 요청에서 반환한
+FeedItem 수**입니다. 이 랩에서는 `seed(N)` 뒤에 `loadFeed(0, N)`을 호출해 데이터셋 크기와
+page size를 모두 N으로 맞췄습니다. 따라서 아래 표의 N은 "한 페이지 요청이 조립하는 부모 엔티티
+수"를 뜻합니다.
-**측정값(직접 측정).** 초기화 컬렉션 수·총 PreparedStatement는 Hibernate `Statistics`, 지연은 `System.nanoTime`, 시드 하이라이트는 시더 콘솔에서 그대로 읽은 값이다.
+**측정값(직접 측정).** 초기화 컬렉션 수·총 PreparedStatement는 Hibernate `Statistics`, 지연은 `System.nanoTime`, 시드 하이라이트는 시더 콘솔에서 그대로 읽은 값입니다.
| N | 초기화 Highlight 컬렉션 | 총 PreparedStatement | 지연 중앙값(5회) | 지연 최댓값(5회) | 시드 하이라이트 |
|---:|---:|---:|---:|---:|---:|
@@ -420,7 +458,7 @@ Fetch Join, Batch Fetch, DTO Projection, 윈도우 함수 중 무엇을 쓰는
| 100 | **100** | 222 | 85.9 ms | 108.3 ms | 1,961 |
| 1,000 | **1,000** | 2,022 | 193.7 ms | 238.4 ms | 2,917 |
-**파생값(분해).** 총 PreparedStatement를 SQL shape별로 가른 값이다. 직접 측정이 아니라 **시더 카디널리티 + 총계 + Spring Data count 생략 규칙**으로 역산했다. 측정값과 섞어 읽지 않도록 성격과 증거를 함께 표기한다.
+**파생값(분해).** 총 PreparedStatement를 SQL shape별로 가른 값입니다. 직접 측정이 아니라 **시더 카디널리티 + 총계 + Spring Data count 생략 규칙**으로 역산했습니다. 측정값과 섞어 읽지 않도록 성격과 증거를 함께 표기합니다.
| 지표 | N=10 | N=100 | N=1,000 | 성격 | 증거 |
|---|---:|---:|---:|---|---|
@@ -428,7 +466,7 @@ Fetch Join, Batch Fetch, DTO Projection, 윈도우 함수 중 무엇을 쓰는
| count | 1 | 1 | 1 | 파생 | `Page` 반환 → Spring Data count 규칙(아래) |
| distinct User SELECT | 3 | 20 | 20 | 파생 | 시더 `users=max(3,min(20,N/5+1))` + 1차 캐시 중복 제거 |
| Page SELECT | 10 | 100 | 1,000 | 파생 | 시더 `pages=N`(1:1), 아이템마다 달라 N번 |
-| **ToOne(User+Page) 몫** | **13** | **120** | **1,020** | 파생 | 총계 − content − count − 컬렉션 N |
+| **ToOne(User+Page) 조회 수** | **13** | **120** | **1,020** | 파생 | 총계 − content − count − 컬렉션 N |
```text
총 PreparedStatement
@@ -441,13 +479,22 @@ Fetch Join, Batch Fetch, DTO Projection, 윈도우 함수 중 무엇을 쓰는
검산: `1 + 1 + 3 + 10 + 10 = 25` · `1 + 1 + 20 + 100 + 100 = 222` · `1 + 1 + 20 + 1000 + 1000 = 2022` ✓
-**count 쿼리는 왜 나오나.** `findAllBy(Pageable)`가 `Page`을 반환하기 때문이다. Spring Data는 전체 페이지 수를 알려주려고 `select count(...)`를 한 번 더 실행한다. 단, `offset==0`이고 `pageSize > 반환 건수`이면 count를 건너뛰는 최적화가 있다 — 라운드트립 스모크(1건을 pageSize 10으로 조회)는 이 조건에 걸려 count가 생략돼 총 4건이 나온다. 반면 위 측정은 `pageSize == 반환 건수(N)`라 최적화가 무력화되어 count가 실제로 실행된다. 그래서 25 / 222 / 2,022 각각에 count 1건이 포함돼 있다.
+**count 쿼리는 왜 나올까요?** `findAllBy(Pageable)`가 `Page`을 반환하기 때문입니다.
+Spring Data는 전체 페이지 수를 알려주려고 `select count(...)`를 한 번 더 실행합니다. 다만
+`offset==0`이고 `pageSize > 반환 건수`이면 count를 건너뜁니다. 라운드트립 스모크는 1건을
+pageSize 10으로 조회해 이 조건에 들어갔고, count가 생략되어 총 4건이 나왔습니다. 반면 위
+측정은 `pageSize == 반환 건수(N)`라 count가 실제로 실행됩니다. 그래서 25 / 222 / 2,022에
+각각 count 1건이 포함되어 있습니다.
-> 이 count는 이후 페이징 전략의 결정 포인트이기도 하다. 최종 피드가 전체 페이지 수를 요구하지 않는다면 `Page` 대신 `Slice`나 커서 결과로 바꿔 count 쿼리를 없앨 수 있다.
+> 이 count는 이후 페이징 전략의 결정 포인트이기도 합니다. 최종 피드가 전체 페이지 수를 요구하지 않는다면 `Page` 대신 `Slice`나 커서 결과로 바꿔 count 쿼리를 없앨 수 있습니다.
-지연은 `latencyMicros(n, 7, 2)`가 낸 값이다 — 7회 반복 중 앞 2회(워밍업)를 버린 **5개 표본의 중앙값과 최댓값**이다. 표본이 5개뿐이라 `p50`·`p99`로 부르지 않고 "중앙값/최댓값(5회)"로 표기한다(실제 코드의 p99 인덱스도 5개 중 최댓값을 가리킨다). 안정적 꼬리 지연을 주장하려면 warm-up 후 100회 이상·독립 세트 여러 개가 필요하지만, L1의 관심사는 꼬리 지연이 아니라 N에 따른 왕복 증가이므로 여기서는 이 정도로 둔다.
+지연은 `latencyMicros(n, 7, 2)`로 7회 반복하고 앞의 2회를 워밍업으로 버린 뒤, 남은 **5개
+표본의 중앙값과 최댓값**을 기록했습니다. 표본이 5개뿐이어서 `p50`·`p99`라고 부르지 않았습니다.
+실제 코드의 p99 인덱스도 5개 중 최댓값을 가리킵니다. 안정적인 꼬리 지연을 말하려면 warm-up 후
+100회 이상 측정한 독립 세트가 여러 개 필요합니다. 여기서는 꼬리 지연이 아니라 N에 따른 왕복
+증가를 확인하려는 목적에 맞춰 측정 범위를 제한했습니다.
-세 조회 지표 모두 N을 따라 직선으로 증가한다. 특히 하이라이트 컬렉션 초기화는 기울기 1의 직선(`= N`)이라 "조회량이 N에 정비례"함이 한눈에 드러난다.
+세 조회 지표 모두 N을 따라 직선으로 증가합니다. 특히 하이라이트 컬렉션 초기화는 기울기 1의 직선(`= N`)이라 "조회량이 N에 정비례"함이 한눈에 드러납니다.
@@ -456,34 +503,44 @@ Fetch Join, Batch Fetch, DTO Projection, 윈도우 함수 중 무엇을 쓰는
Diagram description
-왼쪽의 loadFeed 요청은 한 페이지에서 N개의 FeedItem을 반환한다. 매핑이 각 부모의 Highlight 컬렉션에 접근하면 컬렉션 초기화가 부모마다 한 번씩 일어나 총 N회가 된다. 현재 기준선에서는 배치나 서브셀렉트가 없어 초기화 한 번마다 Highlight SELECT도 한 번 실행되므로 추가 조회가 N회 발생한다. 각 SELECT는 해당 부모의 Highlight 자식 행을 전부 읽는다.
+왼쪽의 loadFeed 요청은 한 페이지에서 N개의 FeedItem을 반환합니다. 매핑이 각 부모의 Highlight 컬렉션에 접근하면 컬렉션 초기화가 부모마다 한 번씩 일어나 총 N회가 됩니다. 현재 기준선에서는 배치나 서브셀렉트가 없어 초기화 한 번마다 Highlight SELECT도 한 번 실행되므로 추가 조회가 N회 발생합니다. 각 SELECT는 해당 부모의 Highlight 자식 행을 전부 읽습니다.
[Editable source](assets/diagrams/nplus1-query-fanout/nplus1-query-fanout.drawio) · [Grounded VizSpec](.techviz/nplus1-query-fanout/spec.json)
-**이 관찰은 서로 다른 두 위반을 동시에 드러낸다.** "하이라이트 수와 무관한 조회량"이라는 요구가 깨지는데, 깨지는 방식이 하나가 아니다.
+**이 관찰은 서로 다른 두 위반을 동시에 드러냅니다.** "하이라이트 수와 무관한 조회량"이라는 요구가 깨지는데, 깨지는 방식이 하나가 아닙니다.
-- **N+1(왕복).** `collectionFetches = N`은 한 요청에서 반환하는 **FeedItem(부모) 수**에 비례해 DB 왕복이 는다. Highlight 수에 비례하는 게 아니다 — 아이템마다 컬렉션 초기화 1회씩이라 부모 수만큼 왕복한다.
-- **과조회(행수).** 그 한 번의 왕복이 해당 FeedItem의 Highlight를 **전부**(머리는 최대 500행) 읽어 온다. 반환 행수·전송량·엔티티 생성이 **자식 수**에 비례해 는다(SQL shape로 §6.4에서 확인).
+- **N+1(왕복).** `collectionFetches = N`은 한 요청에서 반환하는 **FeedItem(부모) 수**에 비례해
+ 늘었습니다. Highlight 수가 아니라 아이템마다 컬렉션을 한 번씩 초기화하기 때문에 부모 수만큼
+ DB를 왕복합니다.
+- **과조회(행수).** 한 번의 왕복에서는 해당 FeedItem의 Highlight를 **전부** 읽어 옵니다. 가장
+ 많은 아이템은 최대 500행입니다. 따라서 반환 행수·전송량·엔티티 생성은 **자식 수**에 비례해
+ 늘어납니다(§6.4).
-부모 수에 따른 왕복 증가와 자식 수에 따른 과조회가 **같은 기준선에 동시에** 존재한다.
+부모 수에 따른 왕복 증가와 자식 수에 따른 과조회가 **같은 기준선에 동시에** 존재합니다.
-**"page size를 20으로 고정하면 N+1도 20으로 고정 아닌가?"** 맞다. 한 요청의 왕복 수는 page size에 묶인다. 그러나 그 요청당 20회 왕복이 트래픽에 곱해진다.
+**"page size를 20으로 고정하면 N+1도 20으로 고정 아닌가?"** 맞습니다. 한 요청의 왕복 수는 page size에 묶입니다. 그러나 그 요청당 20회 왕복이 트래픽에 곱해집니다.
```text
추가 Highlight SELECT/초 ≈ page size × RPS
예) page size 20 × 1,000 RPS ≈ 초당 20,000 자식 SELECT
```
-그래서 N+1의 비용은 "한 요청 안에서 얼마나 크냐"가 아니라 "요청마다 반복되는 왕복이 처리량에 곱해질 때" 드러난다.
+그래서 N+1의 비용은 "한 요청 안에서 얼마나 크냐"가 아니라 "요청마다 반복되는 왕복이 처리량에 곱해질 때" 드러납니다.
-정리하면 이 측정이 보인 것은 정확히 "**N+1 증가 계수 = 전체 테이블 크기가 아니라 한 요청에서 조립하는 부모 엔티티 수**"다. 피드 테이블이 100만 행이어도 이 왕복 수 자체는 늘지 않는다 — 대신 전체 테이블 크기는 OFFSET·정렬·가시성 필터 비용에 영향을 주며, 그건 별도 축이라 L15/L16에서 측정한다(§8).
+이 측정으로 확인한 N+1의 증가 기준은 전체 테이블 크기가 아니라 **한 요청에서 조립하는 부모
+엔티티 수**였습니다. 피드 테이블이 100만 행이어도 이 왕복 수 자체는 늘지 않습니다. 대신 전체
+테이블 크기는 OFFSET·정렬·가시성 필터 비용에 영향을 줍니다. 이 비용은 별도 축으로 분리해
+L15/L16에서 측정했습니다(§8).
-### 6.3 폭발 계수는 fetch 방식과 distinct 연관 수의 결합으로 정해진다
+### 6.3 조회 증가 폭은 fetch 방식과 연관 데이터 수가 함께 결정한다
-총 PreparedStatement(25 / 222 / 2,022)에서 content 1건·count 1건·highlights 컬렉션 N건을 빼면 순수 ToOne(User+Page) 몫이 남는다: **13 / 120 / 1,020**. (이전에 "연관 몫 14 / 121 / 1,021"로 적었던 값에는 페이지 count 1건이 섞여 있었다.) 이걸 User와 Page로 다시 가르면 둘이 정반대로 늘어난다.
+총 PreparedStatement(25 / 222 / 2,022)에서 content 1건·count 1건·highlights 컬렉션 N건을
+빼자 ToOne(User+Page) 조회 수 **13 / 120 / 1,020**이 남았습니다. 이전에 적었던 14 / 121 /
+1,021에는 페이지 count 1건이 섞여 있었습니다. 이 값을 User와 Page로 다시 나누자 두 연관이
+정반대로 늘어났습니다.
| 연관 | 데이터 분포 | 1차 캐시로 걸러지나 | N=10 / 100 / 1,000 조회 수 |
|---|---|---|---|
@@ -491,11 +548,12 @@ Fetch Join, Batch Fetch, DTO Projection, 윈도우 함수 중 무엇을 쓰는
| **Page** (EAGER ToOne) | 아이템당 1개(전부 다름) | 아니다 | 10 / 100 / 1,000 |
| **highlights** (지연 로딩 컬렉션) | 아이템당 컬렉션 | — (아이템마다 1회) | 10 / 100 / 1,000 |
-EAGER의 secondary SELECT **구조**가 추가 조회의 가능성을 만들고, 실제로 몇 번 실행되는지는 Persistence Context 안에서 **서로 다른 연관 대상(distinct target)이 몇 개인지**가 정한다. 그래서 같은 `@ManyToOne(EAGER)`라도 User는 distinct 대상 ≤20개 → 약 20회, Page는 distinct 대상 N개 → N회로 갈린다. "즉시 로딩 하나 붙였을 뿐인데 왜 어떤 건 터지고 어떤 건 안 터지나"의 답은 애너테이션 하나가 아니라 fetch 방식 × distinct 카디널리티의 곱에 있다.
+EAGER의 secondary SELECT **구조**가 추가 조회의 가능성을 만들고, 실제로 몇 번 실행되는지는 Persistence Context 안에서 **서로 다른 연관 대상(distinct target)이 몇 개인지**가 정합니다. 그래서 같은 `@ManyToOne(EAGER)`라도 User는 distinct 대상 ≤20개 → 약 20회, Page는 distinct 대상 N개 → N회로 갈립니다. "즉시 로딩 하나 붙였을 뿐인데 왜 어떤 건 터지고 어떤 건 안 터지나"의 답은 애너테이션 하나가 아니라 fetch 방식 × distinct 카디널리티의 곱에 있습니다.
### 6.4 각 조회는 "빠르다" — 그런데도 느리다
-반복되는 하이라이트 조회 하나를 실행계획으로 뜯어본다. 아래는 **Plan A — 대량 시드 직후, `ANALYZE` 실행 전**의 계획이다(원문: [`evidence/explain/highlights-child-plan-A.txt`](./evidence/explain/highlights-child-plan-A.txt)).
+반복되는 하이라이트 조회 하나를 실행계획으로 확인했습니다. 아래는 **Plan A — 대량 시드 직후,
+`ANALYZE` 실행 전**의 계획입니다(원문: [`evidence/explain/highlights-child-plan-A.txt`](./evidence/explain/highlights-child-plan-A.txt)).
```text
Index Scan using ix_highlights_feed_items_created on highlights
@@ -506,16 +564,20 @@ Planning Time: 0.086 ms
Execution Time: 0.173 ms
```
-개별 하이라이트 조회는 `feed_item_id` 탐색을 인덱스로 처리하고(Index Scan) 0.173 ms로 빠르다. 그런데 이 빠른 쿼리가 N번 반복된다. N=1,000이면 피드 한 번 로딩이 194 ms로 커진다. 즉 이 문제는 "쿼리가 느려서"가 아니라 "빠른 쿼리를 N번 왕복해서" 생긴다.
+개별 하이라이트 조회는 `feed_item_id` 탐색을 인덱스로 처리하고(Index Scan) 0.173 ms로 빠릅니다. 그런데 이 빠른 쿼리가 N번 반복됩니다. N=1,000이면 피드 한 번 로딩이 194 ms로 커집니다. 즉 이 문제는 "쿼리가 느려서"가 아니라 "빠른 쿼리를 N번 왕복해서" 생깁니다.
-다만 이 실행계획을 "이미 최적"이라고 결론지으면 안 된다. 최종 요구사항 관점에서 두 문제가 함께 있다(§6.2의 두 위반과 같은 짝이다).
+다만 이 실행계획을 "이미 최적"이라고 결론지으면 안 됩니다. 최종 요구사항 관점에서 두 문제가 함께 있다(§6.2의 두 위반과 같은 짝입니다).
-- **반복 왕복**: 같은 자식 쿼리가 FeedItem마다 반복된다 — 이건 현재 ORM fetch plan의 문제라 인덱스로 안 풀리고 왕복 횟수 자체를 줄여야 한다.
-- **컬렉션 과조회**: 이 쿼리는 `SELECT * FROM highlights WHERE feed_item_id = ?`라 한 번에 최대 500행을 읽어 온다. 응답에 필요한 건 최신 3개뿐인데 `ORDER BY created_at DESC LIMIT 3`가 없어 결과량을 제한하지 못한다. 이건 SQL shape와 인덱스 설계까지 함께 풀어야 한다.
+- **반복 왕복**: 같은 자식 쿼리가 FeedItem마다 반복됩니다. 현재 ORM fetch plan의 문제이므로
+ 인덱스로는 풀 수 없고 왕복 횟수 자체를 줄여야 합니다.
+- **컬렉션 과조회**: 이 쿼리는 `SELECT * FROM highlights WHERE feed_item_id = ?`라 한 번에 최대 500행을 읽어 옵니다. 응답에 필요한 건 최신 3개뿐인데 `ORDER BY created_at DESC LIMIT 3`가 없어 결과량을 제한하지 못합니다. 이건 SQL shape와 인덱스 설계까지 함께 풀어야 합니다.
-따라서 정확히는 "**N회 반복의 원인은 fetch plan에 있지만, 최종 Top-3 조회 비용은 SQL shape·인덱스까지 함께 해결해야 한다**"가 맞다.
+따라서 정확히는 "**N회 반복의 원인은 fetch plan에 있지만, 최종 Top-3 조회 비용은 SQL shape·인덱스까지 함께 해결해야 한다**"가 맞습니다.
-**Plan A를 최종 판정으로 읽지 않는다 — Plan B는 예정이다.** Plan A의 `rows=1` vs 실제 `rows=500`(500배 오추정)은 대량 시드 직후 `ANALYZE`를 돌리지 않아 통계가 `feed_item_id`별 편중을 반영하지 못한 탓이라는 **가설**이다. 이 가설은 `ANALYZE highlights` 후 재측정(Plan B)으로 검증한다. 아직 미실행이므로 Plan B 열은 비워 둔다(값 날조 금지).
+**Plan A만으로 결론을 내리지는 않았습니다.** Plan A에서 추정한 `rows=1`과 실제 `rows=500`은
+500배 차이가 납니다. 대량 시드 직후 `ANALYZE`를 실행하지 않아 통계가 `feed_item_id`별 편중을
+반영하지 못했다는 가설을 세웠습니다. 이 가설은 `ANALYZE highlights` 뒤에 Plan B를 다시 측정해
+검증할 예정입니다. 아직 실행하지 않았으므로 Plan B 열은 비워 두었습니다.
| 항목 | Plan A (현재, `ANALYZE` 전) | Plan B (`ANALYZE highlights` 후) |
|---|---|---|
@@ -525,35 +587,46 @@ Execution Time: 0.173 ms
| Buffers | `shared hit=14, read=0` (warm) | 예정 |
| Execution Time | 0.173 ms | 예정 |
-EXPLAIN 수치를 읽을 때 주의할 두 가지가 더 있다.
+EXPLAIN 수치를 읽을 때 주의할 두 가지가 더 있습니다.
-- **warm cache**: `Buffers: shared hit=14, read=0`은 **warm buffer cache** 결과라 디스크 I/O가 낀 cold 실행시간으로 읽으면 안 된다.
-- **0.173 ms를 194 ms와 합산·비교 금지**: `Execution Time`은 PostgreSQL executor 내부 시간에 가깝고 ORM 엔티티 생성·JDBC 결과 전달·DTO 매핑·직렬화·HTTP를 포함하지 않는다. 애플리케이션 지연(§6.2)과 같은 지표가 아니다.
+- **warm cache**: `Buffers: shared hit=14, read=0`은 **warm buffer cache** 결과라 디스크 I/O가 낀 cold 실행시간으로 읽으면 안 됩니다.
+- **0.173 ms를 194 ms와 합산·비교 금지**: `Execution Time`은 PostgreSQL executor 내부 시간에 가깝고 ORM 엔티티 생성·JDBC 결과 전달·DTO 매핑·직렬화·HTTP를 포함하지 않습니다. 애플리케이션 지연(§6.2)과 같은 지표가 아닙니다.
### 6.5 코드에 루프가 없는데 왜 N+1인가
-`loadFeed`에는 하이라이트를 위한 명시적 `for`가 없다. `getHighlights().stream()`이 전부다. 그런데도 조회가 N번 나가는 이유는 지연 로딩 컬렉션에 접근하는 순간 조회가 일어나기 때문이다. 아이템이 N개면 접근이 N번, 조회도 N번. 지연 로딩이 스트림 뒤에 반복을 감췄다. 편의를 주는 대신 조회 시점을 코드에서 감추는 새는 추상화다.
+`loadFeed`에는 하이라이트를 위한 명시적인 `for`가 없고 `getHighlights().stream()`만 있습니다.
+처음에는 이 코드만 보고 조회가 N번 나간다고 알아차리기 어려웠습니다. 하지만 지연 로딩 컬렉션은
+접근하는 순간 조회하므로 아이템이 N개면 접근과 조회도 N번 발생합니다. 반복문이 없어진 것이 아니라
+스트림 뒤에 숨은 셈입니다.
---
## 7. User·Page 연관 숨은 추가 쿼리 정량화
-§6은 자식 컬렉션(highlights) 조립 몫을 격리했다. 그런데 총 PreparedStatement에서 그 몫을 빼도 User·Page 연관 몫이 남는다 — §6.3에서 시더 카디널리티로 역산해 **파생값**(13 / 120 / 1,020)으로 미리 갈라 둔 그 값이다. 이 절은 같은 분해를 **엔티티별 fetch 통계로 직접 측정**해 파생 예측을 확정하고, 컬렉션 N+1(N1)과 다른 N2만의 성격 — **같은 즉시 로딩인데 정반대 곡선** — 을 드러낸다. N2는 새로 짓는 코드가 없다. 같은 순진 조회(`loadFeed`)를 재는 지표만 바꾼다.
+§6에서 highlights 조립에 해당하는 조회 수를 분리했지만, 총 PreparedStatement에는 여전히 User·Page
+연관 조회가 남았습니다. §6.3에서는 시더 카디널리티로 13 / 120 / 1,020이라는 값을 역산했습니다.
+이번에는 같은 `loadFeed`를 두고 엔티티별 fetch 통계를 직접 읽어 이 예측을 확인했습니다. 코드를
+새로 만든 것은 아니며 측정 지표만 바꿨습니다.
-### 7.1 ToOne 몫만 직접 격리한다 — 총계 역산이 아니라 엔티티 fetch 통계로
+### 7.1 ToOne 조회 수를 엔티티 fetch 통계로 확인한다
-§6.1이 컬렉션 몫을 `getCollectionFetchCount()`로 격리했듯, ToOne 몫은 Hibernate가 직접 세는 두 지표로 격리한다.
+컬렉션 조회는 `getCollectionFetchCount()`로 분리했습니다. ToOne 조회는 Hibernate가 제공하는
+다음 두 지표로 나누었습니다.
- `getEntityFetchCount()` = **2차 SELECT로 로드된 엔티티 인스턴스 수**(User + Page 합).
- `getEntityStatistics(PageJpaEntity.class.getName()).getFetchCount()` / `…UserJpaEntity…` = **엔티티별** fetch 수.
-§6.3의 User/Page 분해는 "총계 − content − count − 컬렉션 N"으로 역산한 **파생값**이었다. 여기서는 그 몫을 Hibernate 통계에서 **직접** 읽는다. 두 경로가 같은 값을 가리키면 파생 예측이 검증된 것이다.
+§6.3의 User/Page 값은 "총계 − content − count − 컬렉션 N"으로 역산한 **파생값**이었습니다.
+이번에는 Hibernate 통계에서 직접 읽은 값과 같은지 확인했습니다.
-> 지표 이름을 정확히: `getEntityFetchCount()`는 "실행된 SELECT SQL 수"가 아니라 **2차 fetch로 초기화된 엔티티 수**다(§6.1의 컬렉션 지표와 같은 성격). Hibernate 버전에 따라 이 합계의 집계 범위가 달라질 여지가 있어, 회귀가드는 세더 카디널리티와 무관하게 항상 성립하는 **`pageFetch == N`(엔티티별)** 로 못 박고, 합계는 회계 항등식으로 교차검증만 한다.
+> 지표 이름을 정확히 읽어야 합니다. `getEntityFetchCount()`는 "실행된 SELECT SQL 수"가 아니라
+> **2차 fetch로 초기화된 엔티티 수**입니다. Hibernate 버전에 따라 합계의 집계 범위가 달라질 수
+> 있어 회귀 가드는 시더 카디널리티와 무관하게 성립하는 **`pageFetch == N`(엔티티별)** 으로
+> 고정하고, 합계는 회계 항등식으로 교차 검증했습니다.
### 7.2 실측 — 같은 `@ManyToOne(EAGER)`가 정반대 곡선을 그린다
-**측정값(직접 측정).** 아래는 `getEntityStatistics(...).getFetchCount()`와 `getEntityFetchCount()`가 낸 값이다. §6.3에서 역산한 파생값과 **정확히 일치**한다.
+**측정값(직접 측정).** 아래는 `getEntityStatistics(...).getFetchCount()`와 `getEntityFetchCount()`가 낸 값입니다. §6.3에서 역산한 파생값과 **정확히 일치**합니다.
| N | Page fetch(★선형) | User fetch(평탄) | ToOne 합(`entityFetch`) | 초기화 컬렉션 | 총 PreparedStatement |
|---:|---:|---:|---:|---:|---:|
@@ -563,15 +636,21 @@ EXPLAIN 수치를 읽을 때 주의할 두 가지가 더 있다.
성격: 측정값(직접) — 출처 `FeedPersistenceIT.l2ToOneEagerHiddenNPlusOneCurve`(콘솔 `>>> LAB L2 [eager toOne curve …]`, 리포트 `app-bootstrap/build/lab-results/feed-nplus1.md`). 원본: [`evidence/metrics/l2-toone-split.csv`](./evidence/metrics/l2-toone-split.csv).
-검산(§6.3 파생과 일치): `entityFetch = pageFetch + userFetch` → `10+3=13` · `100+20=120` · `1000+20=1020` ✓. 회계 항등식으로도 `총 PreparedStatement − 컬렉션 N − content(1) − count(1) = entityFetch` → `25−10−2=13` · `222−100−2=120` · `2022−1000−2=1020` ✓. **§6.3에서 역산했던 13 / 120 / 1,020을 직접 측정이 그대로 재현했다** — 파생 예측이 실측으로 확정됐다.
+검산(§6.3 파생과 일치): `entityFetch = pageFetch + userFetch` → `10+3=13` · `100+20=120` · `1000+20=1020` ✓. 회계 항등식으로도 `총 PreparedStatement − 컬렉션 N − content(1) − count(1) = entityFetch` → `25−10−2=13` · `222−100−2=120` · `2022−1000−2=1020` ✓. **§6.3에서 역산했던 13 / 120 / 1,020을 직접 측정이 그대로 재현했다** — 파생 예측이 실측으로 확정됐습니다.
-같은 `@ManyToOne(EAGER)`인데 Page fetch는 N을 따라 선형(10 → 100 → 1,000)으로 서고 User fetch는 20에서 평탄해진다. 이유는 §6.3에서 이미 갈랐다 — Page는 아이템당 고유(dedup 없음)라 정확히 N번, User는 소수 풀(시더 `users=max(3,min(20,N/5+1))`)을 재사용하고 한 번 로드된 대상이 1차 캐시에 남아 distinct 수만큼만 나간다. **N+1의 유무는 코드(EAGER)가 정하고, 곡선의 기울기는 데이터(카디널리티)가 정한다.**
+같은 `@ManyToOne(EAGER)`인데도 Page fetch는 N을 따라 10 → 100 → 1,000으로 늘고 User
+fetch는 20에서 멈췄습니다. Page는 아이템마다 달라 정확히 N번 조회되지만, User는 소수 풀을
+재사용하고 한 번 로드한 대상이 1차 캐시에 남기 때문입니다. 즉 N+1이 생길 가능성은 EAGER라는
+코드에서 나오지만, 실제 증가 폭은 연관 데이터의 카디널리티에 따라 달라집니다.
-> 지연은 §6.2와 **같은 `loadFeed` 호출**을 잰 것이므로 별도 지연 축이 아니다. N2는 그 한 번의 조회가 만드는 왕복을 fetch 종류별로 분해했을 뿐, 새로운 지연을 만들지 않는다.
+> 지연은 §6.2와 **같은 `loadFeed` 호출**을 잰 것이므로 별도 지연 축이 아닙니다. N2는 그 한 번의 조회가 만드는 왕복을 fetch 종류별로 분해했을 뿐, 새로운 지연을 만들지 않습니다.
-### 7.3 접근하지 않아도 나간다 — "안 짠 N+1"의 스모킹건
+### 7.3 필드에 접근하지 않아도 ToOne 쿼리가 발생한다
-§6.5는 "코드에 루프가 없는데 N+1"을 컬렉션 관점에서 봤다(지연 로딩이 `stream()` 뒤에 반복을 감췄다). ToOne은 한 발 더 나간다 — **필드에 접근조차 하지 않아도** 나간다. 이를 못 박으려고 `loadFeed`가 아니라 아무것도 매핑하지 않는 순수 JPQL로 `feed_items`만 뽑고 `getUser()`·`getPage()`·`getHighlights()`를 **한 번도 호출하지 않는다**.
+§6.5에서는 지연 로딩이 `stream()` 뒤에 반복을 감춘 모습을 확인했습니다. ToOne은 필드에 접근하지
+않아도 조회된다는 점이 달랐습니다. 이를 확인하려고 `loadFeed` 대신 아무것도 매핑하지 않는 순수
+JPQL로 `feed_items`만 조회하고, `getUser()`·`getPage()`·`getHighlights()`는 **한 번도
+호출하지 않았습니다**.
**측정값(직접 측정).** 출처 `FeedPersistenceIT.l2EagerToOneFiresEvenWithZeroFieldAccess`(seed 100, 접근 0회).
@@ -581,11 +660,16 @@ EXPLAIN 수치를 읽을 때 주의할 두 가지가 더 있다.
| 0회 | User | `@ManyToOne` (EAGER) | 20 (풀 dedup) |
| 0회 | highlights | `@OneToMany` (LAZY) | **0** |
-아무 필드도 만지지 않았는데 Page 2차 SELECT가 여전히 N번 나갔다 = **내가 안 짠 N+1**. 같은 조건에서 지연 로딩 컬렉션은 접근이 없으니 0이다. 이 한 테스트가 **EAGER와 LAZY의 결정적 차이**를 보여준다 — EAGER는 안 써도 로딩하고, LAZY는 접근할 때만 로딩한다. §5.4에서 명제로 둔 "`EAGER`는 로딩 시점 계약"의 실측 증명이다: EAGER의 죄는 "필요와 무관하게 미리 로딩한다"는 것이다.
+아무 필드도 읽지 않았는데 Page 2차 SELECT가 N번 나왔습니다. 제가 조회 코드를 작성하지 않았는데도
+EAGER 기본값 때문에 생긴 N+1이었습니다. 같은 조건에서 LAZY 컬렉션은 접근하지 않았으므로 0이
+나왔습니다. 이 테스트로 EAGER는 사용 여부와 관계없이 미리 로딩하고, LAZY는 접근할 때 로딩한다는
+차이를 확인했습니다.
### 7.4 같은 실행계획, 정반대 비용 — 반복되는 ToOne 부모 쿼리
-§6.4가 반복되는 자식 컬렉션 쿼리를 실행계획으로 뜯었듯, 여기서는 N2를 만드는 **반복되는 ToOne 부모 쿼리**(`SELECT * FROM pages WHERE id = ?`, `… FROM users WHERE id = ?`)를 본다. 아래는 seed(100) 직후의 계획이다(원문: [`evidence/explain/toone-pages-plan.txt`](./evidence/explain/toone-pages-plan.txt) · [`toone-users-plan.txt`](./evidence/explain/toone-users-plan.txt)).
+§6.4에서 자식 컬렉션 쿼리를 확인한 것처럼, 이번에는 N2를 만드는 **반복되는 ToOne 부모 쿼리**
+(`SELECT * FROM pages WHERE id = ?`, `… FROM users WHERE id = ?`)를 실행계획으로
+확인했습니다. 아래는 seed(100) 직후의 계획입니다(원문: [`evidence/explain/toone-pages-plan.txt`](./evidence/explain/toone-pages-plan.txt) · [`toone-users-plan.txt`](./evidence/explain/toone-users-plan.txt)).
```text
-- pages
@@ -598,28 +682,41 @@ Index Scan using pk_users on users
Buffers: shared hit=2 Execution Time: 0.022 ms
```
-`WHERE id = ?`는 PK 조회라 두 쿼리 모두 pk Index Scan으로 1건을 0.02 ms에 가져온다. §6.4의 자식 쿼리와 같은 반전이다 — 개별 쿼리는 빠른데 그게 **Page는 N번 반복**된다.
+`WHERE id = ?`는 PK 조회라 두 쿼리 모두 pk Index Scan으로 1건을 약 0.02 ms에 가져옵니다.
+개별 쿼리는 빨랐지만 Page 쿼리는 이 빠른 실행계획을 **N번 반복**했습니다.
-여기서 N2만의 요점이 드러난다. **pages와 users의 실행계획은 사실상 동일**하다(둘 다 pk Index Scan, ~0.02 ms). 그런데 §7.2에서 곡선은 정반대였다. 즉 **비용을 가르는 것은 실행계획이 아니라 그 계획이 몇 번 반복되는지**다 — Page는 N번, User는 distinct ≤20번. EXPLAIN만 보면 둘이 똑같아 보이는 것이 바로 '숨은' N+1의 얼굴이다. **단건 계획이 이미 최적(Index Scan)이라 인덱스로는 안 풀리고, 왕복 횟수 자체를 줄이는 fetch 전략으로만 풀린다**(§9). warm cache·executor 시간 caveat는 §6.4와 같다.
+**pages와 users의 실행계획은 둘 다 pk Index Scan이고 실행시간도 약 0.02 ms로 거의 같습니다.**
+그런데 §7.2의 증가 곡선은 정반대였습니다. 비용을 가른 것은 실행계획이 아니라 반복 횟수였습니다.
+Page는 N번, User는 서로 다른 대상 수인 최대 20번 반복됩니다. 단건 계획은 이미 Index Scan이므로
+인덱스를 더하는 것으로는 해결되지 않습니다. §9부터 왕복 횟수를 줄이는 fetch 전략을 시도합니다.
+warm cache와 executor 시간에 관한 한계는 §6.4와 같습니다.
-### 7.5 왜 루프도 접근도 없는데 N+1인가 — 기전
+### 7.5 루프와 필드 접근 없이 N+1이 생기는 이유
-`@ManyToOne`은 fetch를 명시하지 않으면 기본 EAGER다(§5.4). 그리고 파생 쿼리(`findAllBy`)는 EAGER 연관을 루트 SQL의 JOIN으로 자동 병합하지 않고 **행마다 2차 SELECT**로 채운다. 그래서 `getUser()`·`getPage()`를 **읽기도 전에** 이미 나가 있다 — 코드엔 루프도 접근도 없는데 N+1이다. '숨은' 이유는 둘이다: (1) 애너테이션 **기본값**이라 코드 표면에 안 보이고, (2) 심각도는 **카디널리티**가 정한다(Page 고유 → N, User 풀 → 평탄). 같은 EAGER, 정반대 곡선.
+`@ManyToOne`은 fetch를 명시하지 않으면 EAGER가 기본값입니다(§5.4). 파생 쿼리인
+`findAllBy`는 EAGER 연관을 루트 SQL의 JOIN으로 자동 병합하지 않고 **행마다 2차 SELECT**로
+채웠습니다. 그래서 `getUser()`·`getPage()`를 읽기 전부터 조회가 나갔습니다. 코드에 루프나
+접근이 없어서 표면에 보이지 않았고, Page와 User의 카디널리티가 달라 증가 폭도 다르게 나타났습니다.
-fetch 계약(EAGER/LAZY)과 실제 사용(접근/미접근)을 교차하면 EAGER의 죄가 정확히 어디인지 드러난다.
+fetch 계약(EAGER/LAZY)과 실제 사용(접근/미접근)을 교차하면 EAGER의 죄가 정확히 어디인지 드러납니다.
| | 접근 안 함 | 접근함(`loadFeed`) |
|---|---|---|
| **EAGER**(현재 User·Page) | 나간다 — **낭비**(안 짠 N+1) | 나간다 (즉시 로딩 N+1) |
| **LAZY**(가정) | 안 나간다 | 나간다 (지연 로딩 N+1) — timing만 다름 |
-`loadFeed`는 매핑에서 user·page를 실제로 쓰므로, 즉시 로딩을 지연 로딩으로 바꿔도 이 조회에선 N+1이 (타이밍만 바뀐 채) 그대로 재현된다. 그래서 진짜 해법은 fetch **타입** 토글이 아니라 fetch **전략**이다 — 한 번에 끌어오거나(Fetch Join), 배치로 묶거나(Batch Fetch), 필요한 컬럼만 뽑는(DTO Projection) 것. 그 시도가 낳는 문제 연쇄가 §9다.
+`loadFeed`는 매핑 과정에서 user·page를 실제로 사용합니다. 따라서 EAGER를 LAZY로 바꿔도 조회
+시점만 달라질 뿐 N+1은 다시 생깁니다. 이 문제를 fetch **타입** 변경만으로 풀 수 없다고 판단했고,
+Fetch Join, Batch Fetch, DTO Projection처럼 왕복과 적재 방식을 바꾸는 fetch **전략**을
+차례로 시도했습니다.
---
## 8. 확인된 문제와 이후 검증할 가설
-지금까지 드러난 것은 서로 다른 두 축이고, 이후 진단에서 둘을 섞으면 안 된다. 한쪽은 이미 정량화한 문제이고, 다른 한쪽은 아직 병목인지 확정하지 못한 가설이다.
+여기까지 측정하고 나니 문제를 두 축으로 나눌 필요가 있었습니다. 연관 조회 폭증은 수치로 확인했지만,
+기준 쿼리의 Seq Scan + Sort는 아직 병목이라고 단정할 수 없었습니다. 그래서 확인된 문제와
+검증할 가설을 다음처럼 분리했습니다.
| | 축 A — **연관 조회 폭증(N+1)** · 확인됨 | 축 B — **기준 쿼리 Seq Scan + Sort** · 가설 |
|---|---|---|
@@ -627,31 +724,54 @@ fetch 계약(EAGER/LAZY)과 실제 사용(접근/미접근)을 교차하면 EAGE
| 원인 | **fetch 전략** (EAGER 2차 SELECT / 지연 컬렉션) | 정렬 인덱스가 이 쿼리에 안 걸림(아래) |
| 해법 축 | fetch join / batch / DTO 프로젝션 | 정렬에 맞는 인덱스 / keyset |
-피드는 시간순 정렬이 필요하므로 목록 쿼리에 `ORDER BY first_highlighted_at DESC, id`가 붙는다. 스키마에 `ix_feed_items_visibility_sort (visibility, first_highlighted_at DESC, id)`가 있긴 하지만, 이 기준 쿼리에는 `visibility =` 필터가 없어 인덱스의 **선두 컬럼(visibility)이 맞물리지 않아** 정렬에 쓰이지 못한다. 그래서 "인덱스 부재"가 아니라 "이 filterless 쿼리에 맞는 정렬 인덱스가 없음"이 정확한 진단이다.
+피드는 시간순 정렬이 필요하므로 목록 쿼리에 `ORDER BY first_highlighted_at DESC, id`가 붙습니다. 스키마에 `ix_feed_items_visibility_sort (visibility, first_highlighted_at DESC, id)`가 있긴 하지만, 이 기준 쿼리에는 `visibility =` 필터가 없어 인덱스의 **선두 컬럼(visibility)이 맞물리지 않아** 정렬에 쓰이지 못합니다. 그래서 "인덱스 부재"가 아니라 "이 filterless 쿼리에 맞는 정렬 인덱스가 없음"이 정확한 진단입니다.
-다만 **Seq Scan 자체를 곧바로 문제로 판정하지는 않는다.** 테이블이 작거나 조회 비율이 높으면 PostgreSQL이 Seq Scan을 고르는 게 더 빠를 수 있고, N=1,000은 인덱스 효과를 판단하기엔 작다. 이 계획이 실제 병목인지는 피드 규모(N=1k~1M)와 페이지 깊이(OFFSET)를 키우며 정렬 인덱스 유무에 따른 `rows`·`buffers`·sort spill·execution time을 대조해 이후 랩(L15)에서 검증한다.
+다만 **Seq Scan 자체를 곧바로 문제로 판정하지는 않습니다.** 테이블이 작거나 조회 비율이 높으면 PostgreSQL이 Seq Scan을 고르는 게 더 빠를 수 있고, N=1,000은 인덱스 효과를 판단하기엔 작습니다. 이 계획이 실제 병목인지는 피드 규모(N=1k~1M)와 페이지 깊이(OFFSET)를 키우며 정렬 인덱스 유무에 따른 `rows`·`buffers`·sort spill·execution time을 대조해 이후 랩(L15)에서 검증합니다.
-두 축의 성격은 다르다 — 축 A(N+1)는 fetch 전략 문제라 인덱스로 안 풀리고, 축 B(정렬)는 인덱스·쿼리 문제라 fetch join으로 안 풀린다. 그래서 분리해 각각 잡는다.
+두 축은 해결 방법도 다릅니다. 축 A(N+1)는 fetch 전략 문제라 인덱스로 풀리지 않고, 축 B(정렬)는
+인덱스·쿼리 문제라 fetch join으로 풀리지 않습니다. 이후 단계에서는 두 축을 분리해 검증했습니다.
---
-## 9. Fetch Join 시도 — 두 컬렉션을 한 번에 끌어오려다 두 번 터진다
+## 9. Fetch Join을 적용하며 확인한 두 가지 문제
-컬렉션 N+1(N1, §6)과 User·Page 연관의 숨은 쿼리(N2, §7)를 둘 다 정량화했다 — 같은 순진 조회가 낳은 형제 문제다. 자연스러운 첫 해법 착상은 "N번 나눠 갈 걸 한 번에 가져오자" — 연관(user·page·highlights·mentions)을 전부 `join fetch`로 루트 SQL에 병합하는 것이다. 그런데 이 착상은 **컬렉션에서 두 번 터진다**: ① 컬렉션을 **둘** 동시에 fetch join하면 곱집합이라 Hibernate가 아예 거부하고(`MultipleBagFetchException`), ② **하나만** fetch join해도 부모⋈자식이 카테시안 곱으로 전송 행을 부풀린다. N1/N2가 "쿼리 수가 N에 비례해 는다"였다면, 여기서는 정반대로 **쿼리 수는 오히려 줄어드는데(1+N→1) 전송 행수가 곱으로 폭발**한다 — 지표를 쿼리 수에서 전송 행수로 갈아 끼워야 보이는 함정이다.
+컬렉션 N+1과 User·Page의 숨은 쿼리를 확인한 뒤에는 "나누어 가져오지 말고 한 번에 가져오면
+되지 않을까"라고 생각했습니다. 그래서 user·page·highlights·mentions를 모두 `join fetch`로
+루트 SQL에 합쳐 보았습니다. 결과는 두 가지 실패였습니다. 컬렉션 두 개를 동시에 fetch join하자
+`MultipleBagFetchException`이 발생했고, 하나만 합치자 부모와 자식의 곱만큼 전송 행이
+늘었습니다. 쿼리 수는 줄었지만 전송량이 커졌으므로 이 단계부터는 쿼리 수뿐 아니라 전송 행수도
+함께 측정했습니다.
-> **이 절은 "재현·측정"이 아니라 "시도 → 실패"다.** §6·§7이 순진 조회를 그대로 두고 잰 것과 달리, 여기서는 fetch join을 직접 써서 터뜨린다. `.distinct()`·`List→Set`·`@BatchSize`로 "고치는" 것은 이 실패가 낳는 다음 문제(페이징 무력화 → Batch Fetch)로 이어지는 사슬을 지우므로, 이 절에서는 실패를 **격리해 남기기만** 한다(해법은 §11 이후).
+> **이 절에는 제가 fetch join을 직접 적용했다가 실패한 과정이 담겨 있습니다.** `.distinct()`·
+> `List→Set`·`@BatchSize`로 바로 우회하지 않고 실패를 별도 테스트에 남겼습니다. 그래야
+> fetch join이 만든 페이징 문제와 그다음 Batch Fetch 선택까지 이어서 확인할 수 있기 때문입니다.
### 9.1 두 번째 컬렉션(mentions)을 퍼시스턴스에만 최소로 붙인다
-`MultipleBagFetchException`은 컬렉션이 **둘 이상**이어야 재현된다. 기준선 스키마(§3.1)에는 `highlights` 하나뿐이라, §3.1의 목표 스키마에 있던 `feed_item_mentions`를 **여기서 앞당겨** 붙인다. 단, 이 랩이 필요로 하는 것은 "fetch join할 두 번째 컬렉션(bag)"뿐이므로 **퍼시스턴스 계층까지만** 추가한다 — 마이그레이션(`V7__feed_mentions.sql`) + 자식 엔티티(`FeedItemMentionJpaEntity`, `HighlightJpaEntity`와 같은 경량 자식·감사 컬럼 없음) + 부모의 `@OneToMany List<…> mentions` 한 줄 + 시더. 도메인 애그리거트·응답 매핑·공개 범위 판정은 이 랩 밖이다(그건 §3.1이 말한 "공개 범위 단계").
+`MultipleBagFetchException`을 재현하려면 컬렉션이 **둘 이상** 필요했습니다. 기준선 스키마에는
+`highlights`만 있었으므로 목표 스키마의 `feed_item_mentions`를 이 단계에서 먼저 추가했습니다.
+다만 지금 필요한 것은 fetch join할 두 번째 bag뿐이어서 범위를 **퍼시스턴스 계층까지**로
+제한했습니다. 추가한 코드는 마이그레이션(`V7__feed_mentions.sql`), 경량 자식 엔티티
+`FeedItemMentionJpaEntity`, 부모의 `@OneToMany List<…> mentions`, 시더입니다.
+도메인 애그리거트·응답 매핑·공개 범위 판정은 공개 범위 단계까지 미뤘습니다.
-> **핵심 — N1/N2 측정 불변**: `mentions`는 `@OneToMany` 기본 **LAZY**이고 `loadFeed`도 §7.3의 "접근 0" 테스트도 `getMentions()`를 부르지 않는다. 그래서 §6·§7의 단언(`collectionFetches == N`, 접근 0에서 `== 0`, `pageFetch == N`)은 그대로 GREEN이다 — 재실행으로 확인했다. 이 컬렉션은 오직 아래 fetch join 착상이 끌어올 두 번째 bag으로만 존재한다.
+> **기존 측정은 바뀌지 않았습니다.** `mentions`는 `@OneToMany` 기본 **LAZY**이고 `loadFeed`와
+> §7.3의 접근 0 테스트도 `getMentions()`를 호출하지 않습니다. §6·§7의 테스트를 다시 실행해
+> `collectionFetches == N`, 접근 0에서 `== 0`, `pageFetch == N`이 그대로 유지되는지 확인했습니다.
-한 가지 구현 정직성: 목표 스키마(§3.1)의 `feed_item_mentions`는 복합 PK `(feed_item_id, mentioned_user_id)`지만, 이 랩의 엔티티는 `highlights`와 같은 **대리키(id) + `UNIQUE(feed_item_id, mentioned_user_id)`** 스타일로 붙였다(`@OneToMany List` bag 매핑이 복합키보다 단순하고, 유일성은 UNIQUE로 동일하게 보장). 시더는 `MENTIONED` 아이템에만 유저 풀 크기 안에서 몇 명씩 심는다(풀보다 많이 심으면 UNIQUE 위반이라 `min(2+i%4, poolSize)`로 상한).
+목표 스키마의 `feed_item_mentions`는 복합 PK `(feed_item_id, mentioned_user_id)`지만, 이
+랩에서는 `@OneToMany List` bag 매핑을 단순하게 만들려고 **대리키(id) +
+`UNIQUE(feed_item_id, mentioned_user_id)`**로 구현했습니다. 유일성은 그대로 보장됩니다.
+시더는 `MENTIONED` 아이템에만 사용자를 연결하고, 사용자 풀보다 많이 넣어 UNIQUE 제약을
+어기지 않도록 `min(2+i%4, poolSize)`로 상한을 두었습니다.
### 9.2 실패 ① 두 컬렉션 동시 fetch join → `MultipleBagFetchException`
-**bag = 순서 컬럼(`@OrderColumn`)이 없는 `List`.** `highlights`도 `mentions`도 bag이다. 둘을 동시에 fetch join하면 feed_item 한 행이 (highlights h개) × (mentions m개) = **h×m 행**으로 부푼다. Hibernate는 이 곱집합을 안전히 중복 제거로 되돌릴 수 없다고 판단해 **쿼리 생성(createQuery) 시점에** 예외를 던진다 — 데이터가 0건이어도 던지는 **매핑 레벨 거부**다.
+**bag은 순서 컬럼(`@OrderColumn`)이 없는 `List`입니다.** `highlights`와 `mentions`가 모두
+bag인 상태에서 두 컬렉션을 fetch join하면 feed_item 한 행이 highlights h개 × mentions m개,
+즉 **h×m 행**으로 늘어납니다. Hibernate는 이 곱집합을 안전하게 원래 컬렉션으로 되돌릴 수 없다고
+판단해 **쿼리 생성(createQuery) 시점에** 예외를 던집니다. 데이터가 0건이어도 발생하는 매핑
+단계의 거부입니다.
```java
// 착상: "연관 전부 fetch join" — 컬렉션 둘을 동시에
@@ -666,13 +786,24 @@ select distinct f from FeedItemJpaEntity f
java.lang.IllegalArgumentException <- org.hibernate.loader.MultipleBagFetchException
```
-여기서 실측이 알려준 실무 포인트 하나: `MultipleBagFetchException`은 **`IllegalArgumentException`으로 래핑**돼 나온다(FQN도 `org.hibernate.loader.MultipleBagFetchException`). 그래서 테스트를 `hasCauseInstanceOf(MultipleBagFetchException.class)`로 잡으면 래핑 계층·버전 차이에 취약하다 — 원인 체인을 클래스명 문자열로 펼쳐(`causeChain`) `contains("MultipleBagFetchException")`로 확인하는 편이 견고하다. (Hibernate ORM 7.1.8 기준.)
+실제로 실행해 보니 `MultipleBagFetchException`은 **`IllegalArgumentException`으로 감싸져**
+나왔습니다(FQN은 `org.hibernate.loader.MultipleBagFetchException`). 따라서 테스트를
+`hasCauseInstanceOf(MultipleBagFetchException.class)`에만 맞추면 래핑 계층이나 버전 차이에
+취약합니다. 이 테스트에서는 원인 체인을 클래스명 문자열로 펼친 뒤 `contains("MultipleBagFetchException")`
+으로 확인했습니다(Hibernate ORM 7.1.8 기준).
-### 9.3 실패 ② 컬렉션 하나만 fetch join → 카테시안 (전송 행수 폭발)
+### 9.3 실패 ② 컬렉션 하나만 fetch join → 카테시안으로 전송 행수 증가
-컬렉션을 **하나만**(`highlights`) fetch join하면 예외는 안 나지만, `feed_items ⋈ highlights`가 **부모를 자식 수만큼 곱한** 행을 만든다. L3의 스타 지표는 그래서 쿼리 수가 아니라 **전송 행수** — DB가 실제로 만들어 앱으로 실어 나른 조인 행수다.
+컬렉션을 **하나만**(`highlights`) fetch join하면 예외는 나지 않지만,
+`feed_items ⋈ highlights`가 부모를 자식 수만큼 반복한 행을 만듭니다. 그래서 쿼리 수가
+아니라 DB가 애플리케이션에 전달한 **조인 행수**를 측정했습니다.
-> **⚠ 측정 정정(Hibernate 6+/7)** — 낡은(H5) 멘탈모델은 "`distinct` 없는 결과 리스트 크기 = Σ highlights(전송 행수)"였다. **실측은 이를 반증한다.** `select f from FeedItemJpaEntity f join fetch f.highlights`의 결과 리스트 크기는 **N**(10/100/1000)으로 나온다 — Hibernate 6+가 fetch join의 **루트 엔티티를 자동 dedup**하기 때문이다. 카테시안은 SQL/전송 레벨에 그대로 있으므로, 전송 행수는 리스트 크기가 아니라 **실제 조인 카디널리티**로 잰다: `SELECT count(*) FROM feed_items fi JOIN highlights h ON h.feed_item_id = fi.id`. 이게 더 정직한 L3다 — "쿼리 수도 줄고(§9.4) 리스트 크기마저 N으로 dedup되어 **카테시안이 이중으로 숨는다.** EXPLAIN actual rows(§9.5)나 조인 count로만 드러난다."
+> **⚠ 측정 정정(Hibernate 6+/7)** — 처음에는 "`distinct` 없는 결과 리스트 크기 = Σ
+> highlights(전송 행수)"라고 예상했습니다. 하지만 결과 리스트 크기는 **N**(10/100/1000)이었습니다.
+> Hibernate 6+가 fetch join의 **루트 엔티티를 자동으로 중복 제거**하기 때문입니다. 카테시안은
+> SQL과 전송 단계에 그대로 남아 있으므로 리스트 크기 대신 실제 조인 카디널리티
+> `SELECT count(*) FROM feed_items fi JOIN highlights h ON h.feed_item_id = fi.id`를
+> 측정했습니다. 이 문제는 EXPLAIN actual rows(§9.5)나 조인 count로 확인해야 합니다.
**측정값(직접 측정).** 출처 `FeedPersistenceIT.l3SingleCollectionFetchJoinExplodesTransferredRows`(N=10/100/1000). 원본: [`evidence/metrics/l3-cartesian.csv`](./evidence/metrics/l3-cartesian.csv).
@@ -682,13 +813,19 @@ java.lang.IllegalArgumentException <- org.hibernate.loader.MultipleBagFetchExcep
| 100 | **1,961** | 100 | 100 | 1,961 | 19.6× | 121 |
| 1,000 | **2,917** | 1,000 | 1,000 | 2,917 | 2.9× | 1,021 |
-전송 행수는 언제나 아이템 수(=N)를 크게 웃돈다 — 이게 카테시안이다. 그 값이 §4.3의 시드 하이라이트 총량(Σ)과 정확히 일치하는 것에 주목한다: 조인이 `highlights` 테이블의 모든 자식 행을 부모에 곱해 실어 나른 것이다. **폭발 배수(128.5× → 19.6× → 2.9×)는 N이 커질수록 줄지만**(§4.3의 Zipf 편중 때문 — 꼬리 아이템은 highlight 1개라 곱이 작다), **절대 전송 행수는 언제나 Σ highlights ≫ N**이다. "원한 건 N개 아이템인데 나른 건 Σ highlights 행"이 한 줄로 드러난다.
+전송 행수는 항상 아이템 수 N보다 많았고, §4.3의 시드 하이라이트 총량과 정확히 일치했습니다.
+조인이 모든 자식 행을 부모에 붙여 전송했기 때문입니다. Zipf 분포에서 뒤쪽 아이템은 highlight가
+한 개뿐이라 폭발 배수는 128.5× → 19.6× → 2.9×로 줄었지만, 절대 전송 행수는 계속
+Σ highlights였습니다. 제가 원한 것은 N개 아이템이었지만 DB가 전달한 것은 모든 highlight
+행이었습니다.
-### 9.4 쿼리 수는 오히려 줄어든다 — L3의 함정
+### 9.4 쿼리 수만 보면 개선처럼 보인다
-같은 데이터에서 순진 `loadFeed`(§6.2)는 총 222 PreparedStatement였는데(N=100), highlights를 fetch join한 이 쿼리는 **121**로 **줄어든다.** 분해하면 함정의 정체가 보인다.
+같은 N=100 데이터에서 기준선 `loadFeed`는 PreparedStatement가 222개였고, highlights를
+fetch join한 쿼리는 **121개**였습니다. 쿼리 수만 보면 개선처럼 보였기 때문에 항목별로
+다시 나눠 보았습니다.
-| 몫 | 순진 loadFeed(§6.2) | highlights fetch join(§9.3) | 무슨 일이 났나 |
+| 구분 | 기준선 loadFeed(§6.2) | highlights fetch join(§9.3) | 결과 |
|---|---:|---:|---|
| 목록 루트 | 1 (content) | 1 (join) | 루트가 조인 한 방으로 바뀜 |
| Page count | 1 | 0 | 이 랩은 `Pageable`이 아닌 원시 JPQL이라 Spring Data count 없음 |
@@ -696,11 +833,16 @@ java.lang.IllegalArgumentException <- org.hibernate.loader.MultipleBagFetchExcep
| ToOne(User+Page) | 120 | **120** | ★ 그대로 — highlights만 fetch join했으니 N2는 안 풀림 |
| **합** | **222** | **121** | |
-두 가지가 정직하게 드러난다. 첫째, 쿼리 수가 222→121로 준 주된 원인은 **highlights 컬렉션 N개가 base 조인으로 접힌 것**(N1이 사라짐)이다(나머지 1건 차이는 원시 JPQL이라 count가 없는 측정 차이). "N+1 없앴다"고 쿼리 수만 보면 개선처럼 보인다. 둘째, 그런데 121 중 **120은 여전히 ToOne 2차 SELECT(N2)** 다 — highlights **하나만** fetch join했으니 User·Page의 숨은 N+1은 그대로다. 그리고 그 접힌 조인 한 방이 §9.3에서 본 대로 **1,961행**을 실어 나른다. **비용은 사라진 게 아니라 쿼리 수에서 전송 행수·메모리로 옮겨갔을 뿐**이고, 애초에 두 컬렉션을 합치려던 원래 착상은 §9.2에서 아예 거부당했다.
+222개가 121개로 줄어든 주된 이유는 highlights 컬렉션 N개가 루트 조인 하나로 합쳐졌기
+때문입니다. 나머지 1개 차이는 원시 JPQL에는 Spring Data count가 없어서 생겼습니다. 하지만
+121개 중 **120개는 여전히 ToOne 2차 SELECT**였고, 조인 하나는 **1,961행**을 전달했습니다.
+비용이 사라진 것이 아니라 쿼리 수에서 전송 행수와 메모리로 옮겨 갔습니다.
### 9.5 조인이 행을 곱하는 것을 실행계획에서
-§6.4는 반복되는 **자식 단건** 쿼리를, §7.4는 반복되는 **부모 단건** 쿼리를 봤다. 여기서는 **조인 한 방**을 본다. 아래는 seed(100) 직후, fetch join이 발행하는 조인과 같은 shape를 EXPLAIN한 것이다(원문: [`evidence/explain/l3-cartesian-join-plan.txt`](./evidence/explain/l3-cartesian-join-plan.txt)).
+§6.4에서는 반복되는 자식 단건 쿼리를, §7.4에서는 부모 단건 쿼리를 확인했습니다. 이번에는
+fetch join이 만든 조인 하나를 확인했습니다. 아래는 seed(100) 직후 같은 형태의 쿼리를
+EXPLAIN한 결과입니다(원문: [`evidence/explain/l3-cartesian-join-plan.txt`](./evidence/explain/l3-cartesian-join-plan.txt)).
```text
Hash Join (cost=77.18..512.34 rows=4202 width=32) (actual time=0.589..0.894 rows=1961 loops=1)
@@ -711,25 +853,38 @@ Hash Join (cost=77.18..512.34 rows=4202 width=32) (actual time=0.589..0.894 row
Execution Time: 0.959 ms
```
-부모 `feed_items`는 100행(Hash 노드)인데, **Hash Join 노드의 actual rows는 1,961**(= Σ highlights)로 부푼다. 쿼리는 하나인데 그 하나가 실어 나르는 행이 곱이라는 것 — 리스트 크기(100, §9.3의 Hib6 dedup)로는 안 보이는 실체를 플랜이 드러낸다. `rows=4202`(추정) vs `rows=1961`(실제)의 오차는 §6.4 Plan A와 같은 통계 이슈(대량 시드 직후 `ANALYZE` 미실행)이고, warm cache·executor 시간 caveat도 §6.4와 같다.
+부모 `feed_items`는 100행(Hash 노드)인데, **Hash Join 노드의 actual rows는 1,961**(= Σ highlights)로 부풉니다. 쿼리는 하나인데 그 하나가 실어 나르는 행이 곱이라는 것 — 리스트 크기(100, §9.3의 Hib6 dedup)로는 안 보이는 실체를 플랜이 드러냅니다. `rows=4202`(추정) vs `rows=1961`(실제)의 오차는 §6.4 Plan A와 같은 통계 이슈(대량 시드 직후 `ANALYZE` 미실행)이고, warm cache·executor 시간 caveat도 §6.4와 같습니다.
-### 9.6 왜 두 bag은 금지고 한 bag은 곱인가 — 기전
+### 9.6 두 bag이 거부되고 한 bag은 행이 늘어나는 이유
-bag(순서 없는 `List`) 둘을 동시에 `join fetch`하면 feed_item 한 행이 highlights h개 × mentions m개로 곱해진다. Hibernate는 이 곱집합을 안전히 원래 컬렉션들로 되돌릴 수 없어 **쿼리 생성 시점에 `MultipleBagFetchException`을 던진다**(§9.2). 하나만 join해도 부모⋈자식이 **자식 수만큼 행을 곱한다**(카테시안, §9.3). 쿼리 수는 1+N→1로 줄지만(§9.4의 함정) 전송 행수·메모리가 그만큼 늘고, Hibernate 6+의 루트 dedup이 리스트 크기마저 N으로 만들어 그 폭발을 숨긴다. **fetch join은 ToOne엔 이상적이고(단건 조인으로 N2를 접을 수 있다) 컬렉션엔 함정**이라는 게 이 절의 결론이다 — 그리고 이 결론이 다음 문제(하나만 fetch join하되 페이징을 걸면?)로 이어진다(§10).
+bag 두 개를 동시에 `join fetch`하면 Hibernate가 곱집합을 원래 컬렉션으로 되돌릴 수 없어
+`MultipleBagFetchException`을 던집니다. 하나만 join하면 예외는 없지만 부모 행이 자식 수만큼
+늘어납니다. 쿼리 수는 1+N에서 1로 줄어도 전송 행수와 메모리는 커졌고, Hibernate 6+의 루트
+중복 제거 때문에 결과 리스트만 보면 이 증가가 보이지 않았습니다. 이 결과를 보고 fetch join은
+ToOne에는 적합하지만 컬렉션에는 주의가 필요하다고 판단했습니다. 다음에는 컬렉션 하나만 fetch
+join한 상태에서 페이징을 적용해 보았습니다.
---
## 10. 컬렉션 fetch join + 페이징 — 페이지를 원했는데 데이터셋 전체를 올린다
-§9.6의 결론은 "fetch join은 컬렉션엔 함정"이었다. 그래도 남는 미련은 "그럼 컬렉션은 **하나만**(highlights) fetch join하되, 응답은 어차피 한 페이지니 **페이징**을 걸면 되지 않나"다 — §9.3에서 카테시안이 무서웠던 이유가 "전부 실어 나른다"였으니, `setMaxResults(20)`로 앞부분만 받으면 해결처럼 보인다. 그런데 이 후퇴는 **세 번째로 터진다**: 컬렉션 fetch join에 페이징을 걸면 Hibernate가 `HHH000104` 경고를 찍고 **DB `LIMIT` 없이 결과셋 전체를 메모리로 올려** 부모 기준으로 잘라낸다(인메모리 페이징).
+컬렉션 하나만 fetch join하고 `setMaxResults(20)`을 적용하면 전송량도 한 페이지로 줄어들 것이라고
+생각했습니다. 하지만 Hibernate는 컬렉션 fetch join에 페이징을 걸자 DB `LIMIT`을 사용하지
+않았습니다. 결과셋 전체를 메모리에 올린 뒤 부모 기준으로 잘라 냈고, 경고도 함께 남겼습니다.
-여기서 지표가 또 갈아 끼워진다. §6·§7은 **쿼리 수**, §9는 **전송 행수**였다. §10의 함정은 그 다음 층 — **`returned`(반환한 페이지 크기)만 보면 "페이징 정상"으로 착각한다.** 실제로 하이드레이트한 부모는 데이터셋 전체이므로, 스타 지표는 `returned`가 아니라 **`feedItemLoaded`(실제로 메모리에 올린 부모 엔티티 수)**다.
+반환된 목록 크기는 20이라 겉으로는 페이징이 정상처럼 보였습니다. 그래서 이번에는
+`returned`뿐 아니라 **`feedItemLoaded`**, 즉 실제로 메모리에 올린 부모 엔티티 수를
+측정했습니다.
-> **이 절도 "시도 → 실패"다.** §9와 마찬가지로 fetch join을 직접 써서 터뜨린다. 여기서 `@BatchSize`·엔티티만 페이징·DTO Projection·`fail_on_pagination_over_collection_fetch=true`로 "고치는" 것은 이 실패가 낳는 다음 고리(Batch Fetch, §11)를 지우므로, 이 절에서는 실패를 **격리해 남기기만** 한다.
+> 이 실패도 프로덕션 코드에 섞지 않고 통합 테스트에 격리했습니다. 다음 단계에서
+> `@BatchSize`·엔티티 페이징·DTO Projection을 적용했을 때 전후 차이를 같은 기준으로 비교하기
+> 위해서입니다.
### 10.1 무대 — 새 프로덕션 코드 0 (§9 무대 + 페이징 한 줄)
-§9가 두 번째 컬렉션(mentions)을 퍼시스턴스에 붙였다면, §10은 그 무대를 **그대로** 두고 `highlights` 하나짜리 fetch join에 페이징 한 줄만 더한다 — **새 엔티티·마이그레이션·시더·프로덕션 코드가 전혀 없다.** 그 fetch join은 프로덕션(`FeedQueryAdapter`)에 없고, §7.3의 "접근 0" 테스트나 §9의 fetch join 테스트처럼 IT 안에서 원시 JPQL로 세운다.
+§10에서는 §9의 데이터와 매핑을 그대로 두고 `highlights` fetch join에 페이징 한 줄만
+추가했습니다. 새 엔티티·마이그레이션·시더·프로덕션 코드는 만들지 않았습니다. 이 쿼리는
+`FeedQueryAdapter`가 아니라 통합 테스트 안의 원시 JPQL로만 실행했습니다.
```java
// IT 안에서 세우는 §10 무대 (프로덕션 아님):
@@ -738,15 +893,20 @@ bag(순서 없는 `List`) 둘을 동시에 `join fetch`하면 feed_item 한 행
// + .setFirstResult(0).setMaxResults(20) // ← §10의 방아쇠: 페이징
```
-기본 설정(`hibernate.query.fail_on_pagination_over_collection_fetch=false`)에서는 이 쿼리가 예외가 아니라 **경고 + 인메모리 페이징**으로 진행된다. 만약 이 플래그를 `true`로 켜면 같은 쿼리가 예외로 즉시 실패하는데, 그건 "조용한 함정"을 "시끄러운 실패"로 바꿀 뿐 근본 해결(§11 Batch Fetch)은 아니다 — 다만 운영에선 안전밸브로 켜 둘 값어치가 있다.
+기본 설정(`hibernate.query.fail_on_pagination_over_collection_fetch=false`)에서는 이 쿼리가
+예외 없이 **경고 + 인메모리 페이징**으로 진행됩니다. 플래그를 `true`로 바꾸면 같은 쿼리를 즉시
+실패시킬 수 있습니다. 근본 해결은 아니지만 운영에서 실수를 조기에 발견하는 안전장치로는 사용할
+수 있습니다.
-> **N1/N2/§9 회귀 없음**: §10은 프로덕션 코드를 안 건드리므로 §6·§7·§9의 단언(`collectionFetches == N`, `pageFetch == N`, `MultipleBagFetchException`, 조인 카디널리티 = Σ highlights)은 그대로 GREEN이다. §10의 추가분은 IT 측정 메서드뿐이다.
+> **N1/N2/§9 회귀 없음**: §10은 프로덕션 코드를 안 건드리므로 §6·§7·§9의 단언(`collectionFetches == N`, `pageFetch == N`, `MultipleBagFetchException`, 조인 카디널리티 = Σ highlights)은 그대로 GREEN입니다. §10의 추가분은 IT 측정 메서드뿐입니다.
-### 10.2 실측 — 응답은 한 페이지인데 부모는 전부 로드한다 (스타)
+### 10.2 실측 — 응답은 한 페이지인데 부모는 전부 로드한다
-컬렉션 하나만 fetch join + 페이징하면 `returned`는 페이지 크기로 정상처럼 보이지만, 하이드레이트한 부모는 **N개 전부**다. 이 전체 로드를 `EntityStatistics.getLoadCount()`(FeedItem)로 정확히 격리한다 — 응답 크기(`resultList.size()`)가 아니라 "메모리에 올린 부모 수"가 스타다.
+컬렉션 하나를 fetch join한 뒤 페이징하자 `returned`는 페이지 크기였지만, 부모 엔티티는
+**N개 전부** 로드되었습니다. `EntityStatistics.getLoadCount()`로 FeedItem 로드 수를 따로
+읽어 응답 크기와 실제 적재량을 비교했습니다.
-**측정값(직접 측정·파생).** `returned`·`feedItemLoaded`는 결정적(리스트 크기·Hibernate 통계로 확정), over-fetch 배수는 `feedItemLoaded / returned`로 파생한다. 출처 `FeedPersistenceIT.l4CollectionFetchJoinPagingLoadsWholeDatasetInMemory`. 원본: [`evidence/metrics/l4-inmemory-paging.csv`](./evidence/metrics/l4-inmemory-paging.csv).
+**측정값(직접 측정·파생).** `returned`·`feedItemLoaded`는 결정적(리스트 크기·Hibernate 통계로 확정), over-fetch 배수는 `feedItemLoaded / returned`로 파생합니다. 출처 `FeedPersistenceIT.l4CollectionFetchJoinPagingLoadsWholeDatasetInMemory`. 원본: [`evidence/metrics/l4-inmemory-paging.csv`](./evidence/metrics/l4-inmemory-paging.csv).
| N | returned(페이지) | feedItemLoaded(★ = N) | over-fetch 배수 | 시드 하이라이트 |
|---:|---:|---:|---:|---:|
@@ -754,23 +914,35 @@ bag(순서 없는 `List`) 둘을 동시에 `join fetch`하면 feed_item 한 행
| 100 | 20 | **100** | 5.0× | 1,961 |
| 1,000 | 20 | **1,000** | 50.0× | 2,917 |
-세 가지가 드러난다. 첫째, **`returned`는 평탄**(페이지 크기에 고정)한데 **`feedItemLoaded`는 N을 그대로 따라 오른다** — 응답 크기와 실제 로드가 분리됐다. 이게 인메모리 페이징의 정체다. 둘째, **over-fetch 배수 = N / 페이지 크기**로 선형 증가(1.0× → 5.0× → 50.0×)한다. 셋째, **N=10에선 배수가 1.0×라 함정이 안 보인다** — 데이터셋이 페이지보다 작으면(N ≤ 페이지) `feedItemLoaded == returned`라 정상처럼 통과하고, **운영 데이터(큰 N)에서만** 힙·지연이 터진다. "개발/테스트 시드를 통과하고 운영에서만 폭발한다"의 수치적 정체다.
+`returned`는 페이지 크기에 고정되었지만 `feedItemLoaded`는 N을 따라 늘었습니다. over-fetch
+배수도 1.0× → 5.0× → 50.0×로 증가했습니다. N=10에서는 데이터셋이 한 페이지보다 작아
+두 값이 같았고 문제가 보이지 않았습니다. 데이터가 커진 뒤에야 반환 크기와 실제 로드 수의 차이가
+나타났습니다.
-> **왜 `getLoadCount()`인가 (지표 이름 정확히)**: fetch join 쿼리는 부모(FeedItem)를 루트로 하이드레이트하므로 로드된 부모 수가 `EntityStatistics.getLoadCount()`에 잡힌다. 인메모리 페이징은 **전체를 하이드레이트한 뒤** 부모 리스트에서 first/max를 자르므로, `returned`가 페이지 크기여도 `getLoadCount() == N`이다 — "페이지를 원했는데 전체를 로드"의 정확한 통계 증거다. (`getCollectionFetchCount()`는 join으로 로드된 컬렉션엔 안 잡힐 수 있어 §10 신호가 아니다. §6.1의 컬렉션 지표, §7.1의 엔티티 지표와 같은 성격의 이름 구분이다.)
+> **왜 `getLoadCount()`를 사용했을까요?** fetch join 쿼리는 FeedItem을 루트로 하이드레이트하므로
+> 로드된 부모 수가 `EntityStatistics.getLoadCount()`에 잡힙니다. 인메모리 페이징은 전체를
+> 하이드레이트한 뒤 부모 목록을 자르므로 `returned`가 20이어도 `getLoadCount() == N`입니다.
+> 반면 `getCollectionFetchCount()`에는 join으로 로드된 컬렉션이 잡히지 않을 수 있어 이 단계의
+> 지표로 사용하지 않았습니다.
-그리고 이 쿼리가 던지는 경고 자체가 §10의 얼굴이다.
+그리고 이 쿼리가 던지는 경고 자체가 §10의 얼굴입니다.
-> **⚠ 측정 정정(Hibernate 7) — 경고 코드는 `HHH000104`가 아니라 `HHH90003004`다.** 널리 알려진 코드는 `HHH000104`지만, **이 랩의 Hibernate ORM 7.1.8이 실제로 찍은** WARN(Logback `ListAppender`로 캡처)은 코드 번호만 재부여됐다:
+> **⚠ 측정 정정(Hibernate 7)** — 널리 알려진 경고 코드는 `HHH000104`지만, 이 랩에서 사용한
+> Hibernate ORM 7.1.8은 `HHH90003004`를 기록했습니다.
>
> ```text
> HHH90003004: firstResult/maxResults specified with collection fetch; applying in memory
> ```
>
-> **메시지 본문은 그대로**다(`firstResult/maxResults specified with collection fetch; applying in memory`) — Hibernate 6→7에서 메시지 코드가 재번호됐을 뿐이다(§9.3의 "Hibernate 6+ 루트 dedup" 정정과 같은 결의 버전 드리프트). 그래서 회귀가드는 코드 번호에 매달리지 말고 `contains("HHH000104") || contains("collection fetch")`처럼 **문구로도 매칭**해 버전 차이에 견고하게 둔다.
+> 메시지 본문은 `firstResult/maxResults specified with collection fetch; applying in memory`로
+> 같았습니다. 그래서 회귀 가드는 코드 번호만 비교하지 않고 `contains("HHH000104") ||
+> contains("collection fetch")`처럼 문구도 함께 확인하도록 만들었습니다.
### 10.3 비용은 페이지가 아니라 데이터셋에 비례한다
-응답은 한 페이지인데 **비용은 N에 비례**함을 잰다. 다만 여기서 정직해야 한다 — 이 값들은 문서 최상단 한계 선언대로 **단일 스레드·warm-cache 상대값**이라 절대값이 아니라 N에 따른 방향으로만 읽는다(그래서 hash-anchor하지 않고 whitelist로 둔다; 원본: [`evidence/metrics/l4-cost-curve.csv`](./evidence/metrics/l4-cost-curve.csv)).
+응답은 한 페이지인데 비용은 N에 비례하는지 측정했습니다. 아래 값은 문서 첫머리에서 밝힌 대로
+**단일 스레드·warm-cache 상대값**입니다. 절대값이 아니라 N에 따른 변화 방향만 비교했습니다
+(원본: [`evidence/metrics/l4-cost-curve.csv`](./evidence/metrics/l4-cost-curve.csv)).
| N | 지연 중앙값(5회) | 지연 최댓값(5회) | 스레드 누적 할당 |
|---:|---:|---:|---:|
@@ -778,15 +950,22 @@ bag(순서 없는 `List`) 둘을 동시에 `join fetch`하면 feed_item 한 행
| 100 | 13.890 ms | 16.062 ms | ≈3.0 MB |
| 1,000 | 79.452 ms | 83.526 ms | ≈10.0 MB |
-`returned`가 페이지 크기로 고정인데도 지연·할당이 N을 따라 오른다 = "페이징이 데이터를 안 줄였다"의 시간·메모리 증거다.
+`returned`가 페이지 크기로 고정인데도 지연·할당이 N을 따라 오른다 = "페이징이 데이터를 안 줄였다"의 시간·메모리 증거입니다.
-여기서 §10만의 정직한 반전이 하나 있다. **이 fetch join 지연은 순진 조회(§6.2)보다 오히려 낮다** — N=1,000에서 순진 조회 최댓값 238.4 ms vs 이 fetch join 83.526 ms. 컬렉션 N개 왕복이 조인 한 방으로 접혔으니 지연만 보면 "빨라졌다"고 착각한다. **그래서 더 위험하다.** §10의 진짜 비용은 벽시계 지연이 아니라 **메모리 과적재**다 — 페이지엔 몇 건만 필요한데 N개 부모(그리고 그들에 매달린 Σ highlights 행)를 전부 하이드레이트하느라 할당이 데이터셋을 따라 오른다(≈1.5 → ≈10.0 MB). 지연으로는 안 보이고 힙 압박·GC로 드러나는 함정이다.
+예상과 달리 이 fetch join의 지연은 기준선보다 낮았습니다. N=1,000에서 기준선 최댓값은
+238.4 ms였고 fetch join은 83.526 ms였습니다. 컬렉션 N번 왕복이 조인 하나로 줄었기
+때문입니다. 하지만 메모리 할당은 약 1.5 MB에서 10.0 MB로 늘었습니다. 지연만 보면 개선처럼
+보이지만, 페이지에 필요하지 않은 N개 부모와 모든 highlights를 하이드레이트하고 있었습니다.
-> **왜 "힙 델타"가 아니라 스레드 누적 할당인가**: 반환 직후 인메모리 페이징이 버린 부모(N − 페이지 크기 개)는 곧 GC돼 `used heap` before/after 델타를 0에 가깝게 만든다 — §10의 위험을 오히려 숨긴다. `getThreadAllocatedBytes`(HotSpot)는 GC와 무관하게 이 호출이 만든 할당 전량을 누적하므로 버려지는 과적재까지 잡는다.
+> **왜 "힙 델타"가 아니라 스레드 누적 할당을 썼을까요?** 인메모리 페이징이 버린 부모는 곧
+> GC 대상이 되어 `used heap`의 전후 차이에 잘 나타나지 않습니다. `getThreadAllocatedBytes`
+> (HotSpot)는 GC와 관계없이 호출이 만든 전체 할당량을 누적하므로 버려지는 엔티티까지 측정할 수
+> 있습니다.
### 10.4 발행 SQL엔 LIMIT이 없다 — 인메모리 페이징의 스모킹건
-§9.5가 조인 한 방이 행을 곱하는 것을 봤다면, §10은 그 조인에 페이징을 걸어도 **SQL엔 `LIMIT`이 안 붙는다**를 본다. fetch join이 발행하는 조인 SQL(a)과, 엔티티만 페이징한 SQL(b)을 대조 EXPLAIN한다(seed(100), 원문: [`evidence/explain/l4-collection-join-no-limit.txt`](./evidence/explain/l4-collection-join-no-limit.txt) · [`l4-entity-paging-limit.txt`](./evidence/explain/l4-entity-paging-limit.txt)).
+인메모리 페이징을 실행계획에서도 확인했습니다. fetch join이 발행한 SQL(a)과 엔티티만 페이징한
+SQL(b)을 seed(100)에서 EXPLAIN으로 비교했습니다(원문: [`evidence/explain/l4-collection-join-no-limit.txt`](./evidence/explain/l4-collection-join-no-limit.txt) · [`l4-entity-paging-limit.txt`](./evidence/explain/l4-entity-paging-limit.txt)).
```text
-- (a) 컬렉션 fetch join의 조인 — Limit 노드 없음
@@ -804,36 +983,52 @@ Limit (... rows=20 ...) (actual ... rows=20 loops=1)
-> Seq Scan on feed_items fi (actual ... rows=100 loops=1)
```
-(a)엔 `Limit` 노드가 없다 = **DB가 페이징을 안 했다.** 조인 결과 전체(actual rows = Σ highlights)를 `quicksort`로 정렬한 뒤 그대로 반환하고, 페이지로 자르는 일은 Hibernate가 메모리에서 한다. (b)엔 `Limit` 노드가 정렬 위에 얹혀 `top-N heapsort`로 상위 몇 행만 취한다. **quicksort(전체 정렬) vs top-N heapsort(상위 몇 행)** — "인메모리 페이징 vs DB 페이징"의 비용 차이가 계획 레벨로 드러난다. (a)에 `Limit`이 없다는 것 자체가 "DB가 페이징을 안 했으니 누군가 메모리에서 했다"의 증거다. (컬럼명·리터럴 하드코딩이라 인젝션 무관. warm cache·executor 시간 caveat는 §6.4와 같다.)
+(a)엔 `Limit` 노드가 없다 = **DB가 페이징을 안 했습니다.** 조인 결과 전체(actual rows = Σ highlights)를 `quicksort`로 정렬한 뒤 그대로 반환하고, 페이지로 자르는 일은 Hibernate가 메모리에서 합니다. (b)엔 `Limit` 노드가 정렬 위에 얹혀 `top-N heapsort`로 상위 몇 행만 취합니다. **quicksort(전체 정렬) vs top-N heapsort(상위 몇 행)** — "인메모리 페이징 vs DB 페이징"의 비용 차이가 계획 레벨로 드러납니다. (a)에 `Limit`이 없다는 것 자체가 "DB가 페이징을 안 했으니 누군가 메모리에서 했다"의 증거입니다. (컬럼명·리터럴 하드코딩이라 인젝션 무관. warm cache·executor 시간 caveat는 §6.4와 같습니다.)
-### 10.5 왜 컬렉션 fetch join은 페이징과 공존 못 하나 — 기전
+### 10.5 컬렉션 fetch join과 페이징을 함께 쓰기 어려운 이유
-컬렉션 fetch join은 부모⋈자식이라 부모 한 행이 자식 수만큼 곱해진 행으로 나온다(§9.3의 카테시안). 여기에 DB `LIMIT`을 걸면 "20개 부모"가 아니라 "20개 조인 행"을 자르게 되어, 어떤 부모는 하이라이트가 잘린 **반쪽(손상)**으로 로드된다. Hibernate는 이 손상을 피하려고 `LIMIT`을 SQL에서 빼고 조인 결과 **전체를 읽어 메모리에서 부모 기준으로 first/max를 적용**한다(`HHH90003004`, §10.2). 그래서 응답은 페이지 크기처럼 보여도 실제론 N개 부모 전부를 하이드레이트한다 — (a)에 `Limit` 노드가 없고 전체 행을 정렬하는 §10.4가 그 계획 레벨 증거다. **컬렉션 fetch join은 페이징과 공존 불가**이고, 이게 fetch join이 ToOne엔 이상적이지만(단건 조인으로 N2를 접는다) 컬렉션엔 (§9의 카테시안 + §10의 페이징 불가) **이중 함정**인 이유다.
+컬렉션 fetch join에서는 부모 한 행이 자식 수만큼 늘어납니다. 여기에 DB `LIMIT`을 걸면 부모
+20개가 아니라 조인 행 20개에서 잘리므로 일부 부모의 하이라이트가 누락될 수 있습니다. Hibernate는
+이 손상을 피하려고 SQL에서 `LIMIT`을 빼고 전체 조인 결과를 읽은 뒤 메모리에서 부모 기준으로
+페이지를 자릅니다. §10.4에서 SQL(a)에 `Limit` 노드가 없었던 이유입니다. 이 동작 때문에
+컬렉션 fetch join과 페이징을 함께 사용하지 않기로 했습니다.
-그리고 이 결론이 다음 수를 정한다. **fetch join을 버리고** 엔티티만 페이징하면 §10.4의 (b)처럼 `LIMIT`이 정상 발행된다. 다만 그러면 highlights가 다시 LAZY라 §6의 컬렉션 N+1이 페이지 크기만큼 돌아온다 — 그 나머지 절반(부모 키를 모아 `IN`으로 접기)이 §11의 Batch Fetch다.
+다음 단계에서는 **fetch join을 버리고 엔티티만 페이징**했습니다. 그러면 §10.4의 SQL(b)처럼
+`LIMIT`이 정상적으로 발행됩니다. 다만 highlights가 다시 LAZY가 되어 컬렉션 N+1이 돌아옵니다.
+그래서 페이지 부모 키를 모아 `IN`으로 조회하는 Batch Fetch를 함께 적용했습니다.
---
-## 11. 배치 페치 — 엔티티 페이징 + IN 배치로 처음 제대로 푼다 (착상 → 해결)
+## 11. 배치 페치 — 엔티티 페이징과 IN 배치 적용
-§6~§10은 전부 "문제"였다 — 컬렉션 N+1(§6), ToOne 숨은 N+1(§7), fetch join 카테시안(§9), fetch join 페이징 불가(§10). §10의 마지막 착상은 "fetch join을 버리고 엔티티만 페이징 + 연관은 `IN` 배치"였다. **§11은 그 착상을 실행해 처음으로 제대로 푸는 절이다.** 세션 설정 한 줄(`hibernate.default_batch_fetch_size=100`)이면 순진 `loadFeed` 코드를 **한 글자도 안 고치고** N+1이 배치로 접히고, fetch join이 없으니 페이징이 DB `LIMIT`으로 정상 발행된다. 지표가 이 문서에서 처음으로 **before → after**를 가진다.
+Fetch Join을 빼고 엔티티만 페이징하니 DB `LIMIT`은 다시 동작했지만, LAZY 연관의 N+1이
+돌아왔습니다. 그래서 `hibernate.default_batch_fetch_size=100`을 적용해 부모 키를 `IN`으로
+묶었습니다. `loadFeed` 코드는 바꾸지 않았고, 세션 설정만 달리한 뒤 §6의 기준선과 같은 지표로
+전후를 비교했습니다.
-> **이 절은 "재현·측정"도 "시도→실패"도 아니다 — "착상 → 해결"이다.** §6~§10과 달리 fix가 있다. 그리고 그 fix는 **격리해서** 측정한다: `default_batch_fetch_size`는 세션 전역이라 §6~§10을 재는 어댑터 테스트에 넣으면 그 단언들이 깨진다. 그래서 **새 IT 클래스(`FeedBatchFetchIT`)에 이 설정만 얹어** 잰다 — §6~§10 측정은 byte 단위로 그대로 GREEN(회귀 0, 실측 확인).
+> `default_batch_fetch_size`는 세션 전체에 영향을 줍니다. 기존 테스트에 바로 적용하면 §6~§10의
+> 기준선도 함께 바뀌므로, 새 IT 클래스인 `FeedBatchFetchIT`에만 설정했습니다. 기존 테스트를
+> 다시 실행해 기준선이 그대로 유지되는지도 확인했습니다.
### 11.1 fix는 세션 설정 한 줄 — 순진 loadFeed 코드는 그대로
-배치 페치는 두 부분이다. **(A)** 페이징을 fetch join이 아니라 **엔티티만**에 건다(→ DB `LIMIT` 정상, 카테시안 없음). **(B)** LAZY 연관은 부모 키를 모아 **`IN` 배치**로 채운다(→ N+1이 `ceil(N/batch)`로 접힘).
+배치 페치는 두 단계로 동작합니다. 먼저 fetch join 없이 **엔티티만** 페이징해 DB `LIMIT`이
+정상적으로 적용되게 합니다. 그다음 LAZY 연관은 부모 키를 모아 **`IN` 배치**로 채웁니다.
+이렇게 하면 N+1이 `ceil(N/batch)`번으로 줄어듭니다.
```yaml
# application.yml (프로덕션) 또는 테스트 @TestPropertySource — 애플리케이션 코드 변경 0:
spring.jpa.properties.hibernate.default_batch_fetch_size: 100
```
-`loadFeed`(§5.1)는 그대로다 — `findAllBy(Pageable)`(엔티티 페이징 → `LIMIT`) + map에서 LAZY 연관 접근. **§6에서 N+1이던 바로 그 코드가, 이 설정 한 줄로 배치가 된다.** (프로덕션 권장 = 전역 안전 기본값 이 한 줄, 또는 특정 컬렉션만 `@BatchSize(size=100)`. 후자는 정적이라 순진 조회까지 바꿔 §6 측정을 깨므로 랩은 세션 property로 격리한다.)
+`loadFeed`(§5.1)는 그대로 두었습니다. `findAllBy(Pageable)`로 엔티티를 페이징하고, 매핑할 때
+LAZY 연관에 접근합니다. §6에서 N+1을 만들었던 코드가 이 설정 아래에서는 배치로 동작합니다.
+특정 컬렉션에만 `@BatchSize(size=100)`를 붙일 수도 있지만, 그러면 기준선 매핑 자체가 바뀝니다.
+비교를 위해 이 랩에서는 세션 property로 격리했습니다.
-### 11.2 실측 — 쿼리 수가 접힌다 (before/after 스타)
+### 11.2 실측 — 배치 적용 전후의 쿼리 수
-`loadFeed(0, n)`(§6.2와 정확히 같은 호출)을 배치 세션에서 재면 SQL 총량이 순진의 `1+N`에서 급감한다. before = §6.2, after = `FeedBatchFetchIT.l5BatchFetchCollapsesQueryCount`. 원본: [`evidence/metrics/l5-batch-resolution.csv`](./evidence/metrics/l5-batch-resolution.csv).
+`loadFeed(0, n)`(§6.2와 정확히 같은 호출)을 배치 세션에서 재면 SQL 총량이 순진의 `1+N`에서 급감합니다. before = §6.2, after = `FeedBatchFetchIT.l5BatchFetchCollapsesQueryCount`. 원본: [`evidence/metrics/l5-batch-resolution.csv`](./evidence/metrics/l5-batch-resolution.csv).
| N | before: 순진 총 PreparedStatement(§6.2) | after: 배치 총 PreparedStatement | 붕괴 | before: 컬렉션 fetch(§6.2) | after: 컬렉션 fetch |
|---:|---:|---:|---:|---:|---:|
@@ -841,13 +1036,20 @@ spring.jpa.properties.hibernate.default_batch_fetch_size: 100
| 100 | 222 | **5** | — | 100 | **1** |
| 1,000 | 2,022 | **23** | **87.9×** | 1,000 | **10** |
-세 가지가 드러난다. 첫째, 총 PreparedStatement가 순진의 선형(`1+N`: 25 / 222 / 2,022)에서 **준평탄**(`1+ceil(N/batch)·연관`: 5 / 5 / 23)으로 접힌다 — N=1,000에서 **87.9×** 붕괴. 둘째, ToOne(user/page EAGER)도 같은 배치에 걸려 §7의 page 선형 N+1이 함께 사라진다(after 23 = 1 루트 + 1 count + 10 highlights 배치 + 10 page 배치 + 1 user 배치). 셋째, **§6.1이 예고한 "컬렉션 수 = SQL 수" 등식 깨짐이 실측된다** — 단, 방향이 예상과 달랐다(아래 정정).
+총 PreparedStatement는 25 / 222 / 2,022에서 5 / 5 / 23으로 줄었습니다. N=1,000에서는
+87.9배 차이였습니다. highlights뿐 아니라 user·page EAGER 연관도 같은 배치에 묶였습니다.
+23개는 루트 1개, count 1개, highlights 배치 10개, page 배치 10개, user 배치 1개로
+나뉩니다. 다만 컬렉션 fetch 지표는 제가 예상한 방식과 달라 아래처럼 설명을 정정했습니다.
-> **★ 실측 정정 — `getCollectionFetchCount()`는 배치에서 N이 아니라 `ceil(N/batch)`로 떨어진다**: §6.1은 "`getCollectionFetchCount()` = **초기화된 컬렉션 수**라 배치를 켜도 그대로 N, 변하는 건 SQL 수(prepared)뿐"이라 적었다. **실측(batch=100)은 이를 반증한다** — 컬렉션 fetch가 §6의 N(10 / 100 / 1,000)에서 배치의 **1 / 1 / 10 = `ceil(N/batch)`**로 떨어진다. 즉 이 지표는 "초기화 수"가 아니라 **컬렉션을 채운 fetch SELECT 연산 수**다 — 배치가 여러 컬렉션을 한 SELECT로 채우면 그만큼 준다. 그래서 배치 해결의 증인은 `prepared`(SQL 총량)와 `collectionFetch`(컬렉션 fetch 연산 수) **둘 다**다. (§9.3의 "Hibernate 6+ 루트 dedup", §10의 "`HHH000104`→`HHH90003004`"와 같은 결의 지표 정정 — ORM 지표 이름을 실측으로 재확인.)
+> **★ 실측 정정** — 처음에는 `getCollectionFetchCount()`를 초기화된 컬렉션 수라고만 보고,
+> 배치를 적용해도 N으로 유지될 것이라고 예상했습니다. 실제로는 10 / 100 / 1,000에서
+> **1 / 1 / 10 = `ceil(N/batch)`**으로 줄었습니다. 이 결과에 맞춰 지표를 여러 컬렉션을
+> 채운 **fetch SELECT 연산 수**로 다시 해석했습니다. 배치 적용 여부는 `prepared`와
+> `collectionFetch`를 함께 보고 판단했습니다.
-### 11.3 페이징이 DB로 내려간다 — over-fetch 소멸 (§10 정면 대조)
+### 11.3 DB 페이징으로 over-fetch가 사라진다
-§10은 fetch join 인메모리 페이징이라 응답이 한 페이지인데 부모 N개를 하이드레이트했다(`feedItemLoaded`=N). 배치는 **엔티티만 페이징**이라 DB `LIMIT`이 정상 작동해 페이지 크기만 로드한다. `loadFeed(0, 20)`, `FeedBatchFetchIT.l5EntityPagingLoadsOnlyThePageNotWholeDataset`:
+§10은 fetch join 인메모리 페이징이라 응답이 한 페이지인데 부모 N개를 하이드레이트했다(`feedItemLoaded`=N). 배치는 **엔티티만 페이징**이라 DB `LIMIT`이 정상 작동해 페이지 크기만 로드합니다. `loadFeed(0, 20)`, `FeedBatchFetchIT.l5EntityPagingLoadsOnlyThePageNotWholeDataset`:
| N | returned | feedItemLoaded (§11 배치) | feedItemLoaded (§10 fetch join, 대조) |
|---:|---:|---:|---:|
@@ -855,11 +1057,12 @@ spring.jpa.properties.hibernate.default_batch_fetch_size: 100
| 100 | 20 | **20** | 100 |
| 1,000 | 20 | **20** | 1,000 |
-§10의 over-fetch(`feedItemLoaded`=N)가 **소멸**한다 — 인메모리 페이징이 아니라 DB `LIMIT`이라 정확히 페이지 크기만 자른다. §10 표(N을 따라 오르는 곡선)와 이 표(페이지 크기에 평탄한 곡선)를 겹치면 그 간격이 배치+엔티티페이징의 이득이다.
+§10에서는 `feedItemLoaded`가 N까지 늘었지만, 배치 적용 뒤에는 페이지 크기인 20에서
+멈췄습니다. 인메모리가 아니라 DB에서 `LIMIT`으로 부모를 먼저 자른 결과입니다.
### 11.4 EXPLAIN — 페이징엔 Limit 노드, 배치 IN엔 곱셈 없음 (§9·§10 둘 다 해소)
-§10의 스모킹건은 "(a) fetch join 조인 SQL엔 Limit 노드가 없다"였다. §11은 정반대 — 엔티티만 페이징하니 Limit 노드가 붙고, 자식은 `IN` 배치라 행을 안 곱한다(seed(100), 원문: [`evidence/explain/l5-entity-paging-limit.txt`](./evidence/explain/l5-entity-paging-limit.txt) · [`l5-batch-in-semijoin.txt`](./evidence/explain/l5-batch-in-semijoin.txt)).
+§10의 스모킹건은 "(a) fetch join 조인 SQL엔 Limit 노드가 없다"였습니다. §11은 정반대 — 엔티티만 페이징하니 Limit 노드가 붙고, 자식은 `IN` 배치라 행을 안 곱한다(seed(100), 원문: [`evidence/explain/l5-entity-paging-limit.txt`](./evidence/explain/l5-entity-paging-limit.txt) · [`l5-batch-in-semijoin.txt`](./evidence/explain/l5-batch-in-semijoin.txt)).
```text
-- (a) 엔티티만 페이징 — Limit 노드 존재 (§10 (a) fetch join 조인엔 없었다)
@@ -873,27 +1076,44 @@ Hash Semi Join (... actual ... rows=1509 loops=1) ← 페이지 부모 20개
-> Hash (actual ... rows=20 loops=1) ← 페이지 20개 부모 id
```
-**(a)에 `Limit` 노드 존재 = §10의 인메모리 페이징 해소**(DB가 페이징을 한다). **(b) semi-join이 자식 행만 반환(부모 M + 자식 K, M×K 아님) = §9의 카테시안 소멸**. 한 계획 대조가 §9·§10 두 실패를 동시에 해소했음을 계획 레벨로 보인다. (컬럼명·리터럴 하드코딩이라 인젝션 무관. warm cache·executor 시간 caveat는 §6.4와 같다.)
+SQL(a)에는 `Limit` 노드가 있어 DB가 페이지 크기만큼 부모를 골랐습니다. SQL(b)의 semi-join은
+부모와 자식을 곱하지 않고 자식 행만 반환했습니다. 실행계획에서도 §9의 카테시안과 §10의
+인메모리 페이징이 모두 사라졌음을 확인했습니다. warm cache·executor 시간에 관한 한계는
+§6.4와 같습니다.
-### 11.5 왜 배치는 N+1과 페이징을 동시에 푸나 — 기전
+### 11.5 배치가 N+1과 페이징을 함께 해결하는 이유
-fetch join(§9·§10)은 부모⋈자식 **조인**이라 행을 곱했다 — 그래서 카테시안(전송 폭발, §9)이고, DB `LIMIT`은 "N개 부모"가 아니라 "N개 조인 행"을 잘라 페이징이 무너졌다(§10). 배치는 두 부분으로 **정반대**를 한다. **(A)** 페이징을 **엔티티만**에 건다 — 루트 쿼리에 컬렉션 조인이 없으니 행이 안 곱해지고 DB `LIMIT`이 정확히 페이지 부모를 자른다(§11.4 (a)에 `Limit` 노드). **(B)** 자식은 부모 키를 모아 `WHERE fk IN (?,…)` **한 방**으로 채운다 — `default_batch_fetch_size=B`가 미초기화 프록시를 최대 B개씩 모아 `ceil(N/B)` 번에 로드한다. 조인이 아니라 별도 `IN`이라 부모 M행 + 자식 K행 = M+K(합)이지 M×K(곱)가 아니다(§11.4 (b) semi-join). 그래서 **§6(컬렉션 N+1)·§7(ToOne N+1)·§9(카테시안)·§10(페이징 불가)를 한 착상으로 동시에 푼다** — PreparedStatement `1+N → 1+ceil(N/batch)·연관`(2,022→23), 페이징 정상, over-fetch 소멸(`feedItemLoaded` N→페이지 크기). **컬렉션엔 fetch join이 아니라 배치**가 답이다.
+fetch join은 부모와 자식을 한 결과에 합쳐 행을 곱했고, 이 때문에 DB가 부모 기준 `LIMIT`을
+적용할 수 없었습니다. 배치에서는 부모만 먼저 페이징하고, 자식은 `WHERE fk IN (?,…)`으로 따로
+가져옵니다. `default_batch_fetch_size=B`는 초기화되지 않은 프록시를 최대 B개씩 모아
+`ceil(N/B)`번에 로드합니다. 결과적으로 PreparedStatement는 2,022개에서 23개로 줄었고,
+부모 로드 수도 N이 아니라 페이지 크기에 머물렀습니다. 이 결과를 바탕으로 컬렉션 조회에는 fetch
+join 대신 배치를 사용하기로 했습니다.
### 11.6 배치가 못 푸는 것 — 엔티티 과적재 (→ §12/L6)
-배치는 쿼리·페이징을 풀었지만 **엔티티를 통째로 하이드레이트**한다. `FeedBatchFetchIT.l5ProbeBatchStillHydratesFullEntities`(원본: [`evidence/metrics/l5-hydration-probe.csv`](./evidence/metrics/l5-hydration-probe.csv)): 페이지 20건 조회(seed 1,000)에도 **1,569 엔티티**(FeedItem+User+Page+Highlight)를 영속 객체로 올린다 — 전 컬럼 SELECT·영속성 컨텍스트 적재·더티체킹 후보. (페이지 20건인데 1,569인 이유: 정렬키 상 상위 아이템이 §4.3 편중 시드의 highlight-heavy 머리라 Σhighlights가 크다.) 화면(`FeedSummary`)엔 몇 컬럼만 필요하므로, 이 과적재가 DTO 프로젝션(§12)의 동기다.
+배치로 쿼리 수와 페이징 문제는 풀었지만 엔티티는 여전히 통째로 하이드레이트했습니다.
+`FeedBatchFetchIT.l5ProbeBatchStillHydratesFullEntities`에서 seed 1,000의 첫 페이지 20건을
+조회하자 FeedItem·User·Page·Highlight를 합해 **1,569개 엔티티**가 영속 객체로 올라왔습니다
+(원본: [`evidence/metrics/l5-hydration-probe.csv`](./evidence/metrics/l5-hydration-probe.csv)).
+화면에는 일부 컬럼만 필요했으므로 다음에는 DTO 프로젝션으로 적재 대상을 줄였습니다.
---
-## 12. DTO 프로젝션 — 엔티티를 안 만들어 과적재를 없앤다 (착상 → 해결)
+## 12. DTO 프로젝션 — 필요한 값만 조회하기
-§11(배치)은 "몇 번의 SQL로 가져오나"(왕복 축)를 풀었지만, 화면 조회가 **엔티티를 통째로** 하이드레이트하는 잔여 비용을 남겼다(§11.6의 1,569 엔티티). §12는 그 다음 고리 — **필요한 컬럼만 프로젝션**하면 엔티티가 아예 안 만들어진다. `SELECT new (...)`는 스칼라 값만 뽑으므로 Hibernate가 영속 엔티티를 인스턴스화하지 않는다 → `getEntityLoadCount()`가 **1,569에서 0으로**, 영속성 컨텍스트 미적재, 더티체킹 0. 이 문서의 **두 번째 before/after**이자, §11(왕복 축)과 **직교하는 "적재 형태 축"**의 해법이다.
+배치를 적용한 뒤에도 화면에 필요하지 않은 엔티티가 1,569개나 만들어졌습니다. 그래서
+`SELECT new (...)`로 필요한 스칼라 값만 조회하는 `loadFeedProjection`을
+추가했습니다. 같은 화면 결과를 만들면서 `getEntityLoadCount()`가 1,569에서 0으로
+줄어드는지 확인했습니다.
-> **이 절도 "착상 → 해결"이다.** §11처럼 fix가 있다. 다만 §11의 fix는 설정 한 줄이었고 §12의 fix는 **실제 쿼리**다. 그래서 순진 `loadFeed`(§6~§11이 재는 대상)를 고치면 그 랩들이 깨진다 — §11이 sibling *IT 클래스*로 격리했듯, §12는 순진 `loadFeed`를 그대로 두고 어댑터에 **sibling 메서드 `loadFeedProjection`**를 더해 격리한다. §6~§11 측정은 byte 단위 그대로 GREEN(회귀 0, 실측 확인).
+> 기존 `loadFeed`를 바로 교체하면 앞 절의 기준선을 다시 측정할 수 없습니다. 그래서
+> `loadFeedProjection`을 별도 메서드로 추가하고 같은 데이터로 비교했습니다. §6~§11의 테스트도
+> 다시 실행해 기존 결과가 유지되는지 확인했습니다.
### 12.1 fix는 두 개의 스칼라 프로젝션 — 엔티티 대신 필요 컬럼만
-프로젝션은 두 부분이다. **(A)** 부모의 필요 스칼라 컬럼만 페이징으로 프로젝션(컬렉션 조인 없음 → `LIMIT` 정상, 카테시안 없음). **(B)** 그 페이지 부모들의 자식을 필요 스칼라 컬럼만 `IN`으로 프로젝션 → 메모리 그룹핑.
+프로젝션은 두 부분입니다. **(A)** 부모의 필요 스칼라 컬럼만 페이징으로 프로젝션(컬렉션 조인 없음 → `LIMIT` 정상, 카테시안 없음). **(B)** 그 페이지 부모들의 자식을 필요 스칼라 컬럼만 `IN`으로 프로젝션 → 메모리 그룹핑.
```java
// FeedQueryAdapter.loadFeedProjection — loadFeed(순진, §6~§11)는 무변경.
@@ -906,11 +1126,16 @@ select new HighlightProjectionRow(h.feedItem.id, h.color, h.text, h.createdAt)
from HighlightJpaEntity h where h.feedItem.id in (:pageIds)
```
-`FeedSummary`의 마지막 인자가 `List`라 `SELECT new FeedSummary(...)` 한 방으론 못 만든다(생성자 표현식은 컬렉션을 못 채운다) — 그래서 부모/자식 스칼라 캐리어 둘로 나눠 프로젝션한 뒤 메모리에서 조립한다. (프로덕션-정직한 진화는 이 메서드를 `FeedQueryPort`의 CQRS-lite 프로젝션 계약으로 노출하고 `loadFeed`를 대체하는 것 — 랩은 회귀 격리를 위해 sibling 메서드로 둔다.)
+`FeedSummary`의 마지막 인자는 `List`라 생성자 표현식 한 번으로 만들 수
+없었습니다. 부모와 자식을 각각 스칼라 캐리어로 조회한 뒤 메모리에서 조립했습니다. 이 랩에서는
+회귀 비교를 위해 sibling 메서드로 두었고, 프로덕션 경로에서는 이 프로젝션을 `FeedQueryPort`의
+CQRS-lite 계약으로 노출합니다.
-### 12.2 실측 — 엔티티가 0으로 (before/after 스타)
+### 12.2 실측 — 엔티티 로드가 0으로 줄어든다
-`loadFeedProjection(0, 20)`(페이지 20, seed 1,000)을 §11 배치와 대조하면 하이드레이트한 엔티티가 소멸한다. before = §11(`FeedBatchFetchIT`), after = `FeedProjectionIT.l6ProjectionHydratesZeroEntities`. 원본: [`evidence/metrics/l6-projection-resolution.csv`](./evidence/metrics/l6-projection-resolution.csv).
+seed 1,000에서 `loadFeedProjection(0, 20)`을 실행하고 §11의 배치 조회와 비교했습니다.
+프로젝션은 하이드레이트한 엔티티가 0개였습니다. 원본:
+[`evidence/metrics/l6-projection-resolution.csv`](./evidence/metrics/l6-projection-resolution.csv).
| 지표 | before: §11 배치 | after: §12 프로젝션 |
|---|---:|---:|
@@ -918,11 +1143,15 @@ select new HighlightProjectionRow(h.feedItem.id, h.color, h.text, h.createdAt)
| prepared (N=1,000) | 23 | **2** |
| collectionFetch (N=1,000) | 10 | **0** |
-세 가지가 드러난다. 첫째, **하이드레이트한 엔티티가 1,569에서 0**으로 떨어진다 — `SELECT new (...)`는 스칼라 컬럼만 뽑아 캐리어 record를 만들 뿐 `FeedItemJpaEntity`/`UserJpaEntity`/`PageJpaEntity`/`HighlightJpaEntity` 영속 엔티티를 인스턴스화하지 않는다. 조인(`join f.user u`)은 `u.name` 컬럼에 닿기 위한 것이지 User를 하이드레이트하는 게 아니다. 그래서 영속성 컨텍스트에 아무것도 안 붙고 더티체킹 후보 0. 둘째, **prepared가 상수 2**(부모 스칼라 + 자식 IN)로 N과 완전 무관해진다(아래 §12.3). 셋째, **collectionFetch가 0** — 엔티티 컬렉션을 초기화하지 않는다(자식은 별도 스칼라 프로젝션이라 §11의 컬렉션 fetch 연산조차 없다).
+하이드레이트한 엔티티는 1,569개에서 0개로 줄었습니다. `SELECT new (...)`는 영속
+엔티티 대신 스칼라 값으로 record를 만듭니다. `join f.user u`도 `u.name` 컬럼을 읽기 위한
+경로일 뿐 User 엔티티를 만들지는 않습니다. 부모 스칼라 쿼리와 자식 IN 쿼리만 남아 prepared는
+2개로 고정되었고, 엔티티 컬렉션을 초기화하지 않아 collectionFetch도 0이었습니다.
-### 12.3 쿼리가 N에 평탄해진다 — 상수 2 (§6·§11 삼중 대조)
+### 12.3 N이 늘어도 쿼리는 2개로 유지된다
-prepared를 N∈{10, 100, 1000}에서 재면 **상수 2**다. §6 순진(`1+N` 선형)·§11 배치(`1+ceil(N/batch)` 준평탄)와 겹치면 세 곡선의 성격이 드러난다.
+N을 10, 100, 1,000으로 바꿔 다시 측정해도 prepared는 **항상 2개**였습니다. 기준선과
+배치 결과를 같은 표에 놓고 증가 형태를 비교했습니다.
| N | §6 순진(1+N) | §11 배치(1+ceil(N/batch)·연관) | §12 프로젝션(상수) |
|---:|---:|---:|---:|
@@ -930,11 +1159,13 @@ prepared를 N∈{10, 100, 1000}에서 재면 **상수 2**다. §6 순진(`1+N`
| 100 | 222 | 5 | **2** |
| 1,000 | 2,022 | 23 | **2** |
-§6은 **선형**(N을 따라 오른다), §11은 **준평탄**(배치 크기로 접힌다), §12는 **평탄**(부모 스칼라 1 + 자식 IN 1 = 2, N 무관 — 페이지 부모가 ≤20이라 자식 IN은 항상 한 방). 엔티티 로드도 §11 `≈Σ(page)`(seed1000=1,569) vs §12 **0**으로 평탄해진다. "무엇을 적재하나" 축의 절감이다.
+기준선의 쿼리 수는 N을 따라 늘었고, 배치는 배치 크기 단위로 늘었습니다. 프로젝션은 부모 스칼라
+쿼리 1개와 자식 IN 쿼리 1개로 유지되었습니다. 페이지 부모가 최대 20개라 자식 IN 쿼리도 한 번만
+실행되었습니다. 엔티티 로드 수도 §11의 1,569개에서 §12의 0개로 줄었습니다.
### 12.4 EXPLAIN — Limit·semi-join은 있으나 width는 좁아지지 않는다 (★ 실측 정정)
-§11의 D2는 "엔티티 페이징엔 Limit 노드"였다. 프로젝션도 (a) 부모 페이징에 `Limit`이 있고 (b) 자식 IN은 semi-join이라 행을 안 곱한다(원문: [`evidence/explain/l6-parent-projection.txt`](./evidence/explain/l6-parent-projection.txt) · [`l6-child-projection.txt`](./evidence/explain/l6-child-projection.txt)).
+§11의 D2는 "엔티티 페이징엔 Limit 노드"였습니다. 프로젝션도 (a) 부모 페이징에 `Limit`이 있고 (b) 자식 IN은 semi-join이라 행을 안 곱한다(원문: [`evidence/explain/l6-parent-projection.txt`](./evidence/explain/l6-parent-projection.txt) · [`l6-child-projection.txt`](./evidence/explain/l6-child-projection.txt)).
```text
-- (a) 부모 스칼라 프로젝션 — Limit 존재하나 width=2088 (users·pages 조인이 행폭에 흘러든다)
@@ -947,25 +1178,43 @@ Limit (... rows=20 width=2088) (actual ... rows=20 loops=1)
Hash Semi Join (... rows=1509 loops=1) ← 페이지 20 부모의 하이라이트 합(§11 배치와 동일)
```
-> **★ 실측 정정 — 프로젝션의 EXPLAIN `width`는 좁아지지 않는다(오히려 넓다)**: 초안 착상은 *"프로젝션은 필요 6컬럼만 읽어 width가 엔티티 `SELECT fi.*`(§11 (a) width 1194)보다 좁다"* 였다. **실측은 정반대다** — 부모 프로젝션 width = **2088 > 1194**(원본: [`evidence/metrics/l6-explain-width.csv`](./evidence/metrics/l6-explain-width.csv)). 이유: (1) 프로젝션이 `users`·`pages`를 **조인**해 그 행폭이 흘러들고(Hash Join 2개), (2) PG의 `width`는 실제 바이트가 아니라 **컬럼 타입 평균폭 추정치**(unbounded `varchar`는 크게 잡힘)라 "선택한 컬럼 수"가 아니라 "조인된 행폭"을 반영한다. **결론: 프로젝션의 이득은 SQL 플랜에 안 보인다** — 플랜은 배치와 비슷하거나 더 복잡하고 width는 오히려 넓다. **진짜 이득은 ORM/JVM 층**(엔티티 0·영속성 컨텍스트 미적재·더티체킹 0·힙 할당 급감)이라 `Statistics.getEntityLoadCount()`로만 보인다. (§9.3 "Hibernate 6+ 루트 dedup", §10 "`HHH000104`→`HHH90003004`", §11.2 "collectionFetch=ceil(N/batch)"에 이은 **네 번째 실측 정정** — 직관 지표를 실측으로 재확인.)
+> **★ 실측 정정** — 필요한 컬럼만 선택하면 EXPLAIN의 `width`도 줄어들 것으로 예상했지만,
+> 부모 프로젝션의 width는 **2088**로 엔티티 조회의 1194보다 컸습니다(원본:
+> [`evidence/metrics/l6-explain-width.csv`](./evidence/metrics/l6-explain-width.csv)).
+> `users`와 `pages` 조인의 행폭이 반영되고, PostgreSQL의 `width`가 실제 전송 바이트가 아니라
+> 컬럼 타입의 평균폭 추정치이기 때문입니다. 프로젝션의 효과는 SQL 플랜의 width가 아니라
+> `Statistics.getEntityLoadCount()`에서 확인했습니다.
-### 12.5 왜 프로젝션은 엔티티를 0으로 만드나 — 기전 (배치와 직교)
+### 12.5 프로젝션이 엔티티를 만들지 않는 이유
-배치(§11)와 프로젝션(§12)은 **서로 다른 축**의 해법이다. 배치는 "**몇 번의 SQL**로 가져오나"(왕복 축)를 풀고, 프로젝션은 "**무엇을** 가져오나"(적재 형태 축)를 푼다. `SELECT new Carrier(f.id, u.name, …)`는 스칼라 컬럼만 선택해 캐리어 record를 만든다 — Hibernate는 영속 엔티티를 인스턴스화하지 않으므로 영속성 컨텍스트에 아무것도 안 붙고(1차 캐시 미적재), 더티체킹 대상도 0, lazy 프록시도 0이다. 조인은 컬럼에 닿기 위한 경로일 뿐 하이드레이션이 아니다. 그래서 배치를 켜든 안 켜든 무관하다(프로젝션은 프록시/컬렉션 자체를 안 만든다 — §12는 배치 설정 없이 성립). 배치를 켜도 엔티티는 통째로 올라오고(§11 잔여), 프로젝션은 엔티티를 아예 안 만든다. **화면 조회엔 엔티티가 아니라 프로젝션**이라는 결론이 여기서 실측된다(query-bypass CQRS-lite). 흥미롭게도 이 이득은 EXPLAIN엔 안 보인다(§12.4) — 이득이 DB가 아니라 애플리케이션(ORM/JVM) 층에 있기 때문이다.
+배치는 SQL 왕복 횟수를 줄이고, 프로젝션은 적재할 대상을 줄입니다. `SELECT new
+Carrier(f.id, u.name, …)`는 영속 엔티티를 만들지 않으므로 1차 캐시·더티체킹·lazy 프록시도
+생기지 않습니다. 배치 설정 여부와 관계없이 성립하는 동작입니다. 이 결과를 보고 화면 조회에는
+엔티티보다 프로젝션이 맞다고 판단했습니다. 이 효과는 DB 실행계획보다 ORM/JVM 층의 엔티티 로드
+수에서 확인할 수 있었습니다.
### 12.6 프로젝션이 못 푸는 것 — 페이지당 전량 (→ §13/L14)
-프로젝션은 엔티티 과적재를 없앴지만, 자식 IN 프로젝션 (B)는 페이지 부모들의 **하이라이트 전량**을 가져온다. `FeedProjectionIT.l6ProbeProjectionStillFetchesAllHighlightsNotTopN`(원본: [`evidence/metrics/l6-projection-resolution.csv`](./evidence/metrics/l6-projection-resolution.csv)): 페이지 20건(seed 1,000)의 자식 행이 **1,509**다 — 화면엔 부모당 최신 3개(≤60)면 충분한데도. 그룹(부모)당 `LIMIT`은 단순 `IN` 프로젝션으로 못 건다(그룹이 아닌 행에 LIMIT). 이 잔여가 **Top-N-per-group(L14)**의 동기다.
+프로젝션은 엔티티 과적재를 없앴지만 자식 IN 쿼리는 페이지 부모의 하이라이트를 **전부**
+가져왔습니다. seed 1,000의 첫 페이지 20건에서 자식 행은 1,509개였습니다(원본:
+[`evidence/metrics/l6-projection-resolution.csv`](./evidence/metrics/l6-projection-resolution.csv)).
+화면에는 부모당 최신 3개, 최대 60개만 필요했습니다. 단순한 `IN` 쿼리의 `LIMIT`은 부모별로
+적용되지 않으므로 다음 단계에서 Top-N-per-group을 SQL로 구현했습니다.
---
-## 13. Top-N-per-group — 그룹당 최신 3개를 SQL로 (세 해법 대결)
+## 13. Top-N-per-group — 부모마다 최신 3개를 가져오는 세 가지 방법
-§12(프로젝션)는 엔티티 과적재를 없앴지만, 자식 `IN` 프로젝션이 페이지 부모들의 **하이라이트 전량**(§12.6의 1,509)을 가져오는 잔여를 남겼다. 화면엔 부모당 최신 3개(≤60)면 충분한데도. 이 절(L14)은 그 "페이지당 3"을 SQL로 푼다 — 그런데 §6~§12와 **성격이 다르다**. 앞의 랩들은 JPA 설정·매핑(fetch/batch/`SELECT new`)으로 풀렸지만, 여기선 **표준 JPQL로 표현조차 안 되는**(윈도우 함수·LATERAL) SQL·인덱스 문제이고, 해법이 **하나가 아니라 셋**이다. 그래서 이 절의 주인공은 "before/after 숫자 하나"가 아니라 **세 해법의 쿼리플랜을 나란히 놓은 대조표**다 — 셋 다 같은 top-3을 내지만, DB가 만드는 방식(스캔·조인·버퍼)이 다르기 때문이다.
+프로젝션으로 엔티티는 만들지 않게 되었지만, 부모 20개의 하이라이트 1,509행을 모두 가져오는
+문제는 남았습니다. 화면에는 부모마다 최신 3개만 필요했습니다. 표준 JPQL만으로는 윈도우 함수와
+LATERAL을 표현할 수 없어서 native SQL로 내려갔고, 윈도우 함수·LATERAL·2단계 배치 세 방식을
+같은 데이터로 비교했습니다. 세 방식이 같은 top-3을 만드는지 먼저 확인한 뒤 실행계획과 buffers를
+비교했습니다.
-### 13.1 왜 순진 `LIMIT`은 그룹에 안 걸리나 — 세 해법의 shape
+### 13.1 단순한 `LIMIT`이 부모별로 적용되지 않는 이유
-문제의 뿌리는 `LIMIT`이 **최종 결과 집합**에 걸린다는 것이다 — "그룹당"이라는 개념이 없다. 그래서 순진한 시도는 실패한다.
+처음에는 자식 쿼리 끝에 `LIMIT 3`을 붙였습니다. 하지만 `LIMIT`은 부모별 그룹이 아니라
+**최종 결과 집합 전체**에 적용되어 부모 하나의 하이라이트 3개만 남았습니다.
```sql
-- ❌ 전체 결과에 LIMIT 3 → 페이지 20개 부모인데 3행만 (가장 최신 하이라이트 부모 1개만 채워짐)
@@ -973,7 +1222,7 @@ SELECT h.feed_item_id, h.color, h.text, h.created_at FROM highlights h
WHERE h.feed_item_id IN () ORDER BY h.created_at DESC LIMIT 3;
```
-"그룹당 top-N"은 세 가지로 표현할 수 있다. 셋 다 같은 페이지-20 부모 서브쿼리(`… ORDER BY first_highlighted_at DESC, id ASC LIMIT 20`)를 입력으로 받는다.
+"그룹당 top-N"은 세 가지로 표현할 수 있습니다. 셋 다 같은 페이지-20 부모 서브쿼리(`… ORDER BY first_highlighted_at DESC, id ASC LIMIT 20`)를 입력으로 받습니다.
```sql
-- ⓐ 윈도우 함수: 부모별 순번 → rn<=3 컷 (컷은 DB, 전송은 60행으로 접힘)
@@ -989,9 +1238,9 @@ SELECT h.feed_item_id, h.color, h.text, h.created_at FROM highlights h
WHERE h.feed_item_id IN () ORDER BY h.feed_item_id, h.created_at DESC; -- 앱컷
```
-`PARTITION BY`(윈도우)·부모별 상관 서브쿼리(LATERAL)·앱 그룹핑(2단계)이 각각 `LIMIT`이 못 하는 "그룹당"을 만든다. 무대는 `FeedTopNIT`(신규 IT, native SQL을 `JdbcTemplate`으로) — L14는 `loadFeed`/`loadFeedProjection`을 건드리지 않는 **프로덕션 코드 0**(§10처럼 IT-only). 표준 JPQL엔 윈도우도 LATERAL도 없어(§13.6) native로 내려간다.
+`PARTITION BY`(윈도우)·부모별 상관 서브쿼리(LATERAL)·앱 그룹핑(2단계)이 각각 `LIMIT`이 못 하는 "그룹당"을 만듭니다. 무대는 `FeedTopNIT`(신규 IT, native SQL을 `JdbcTemplate`으로) — L14는 `loadFeed`/`loadFeedProjection`을 건드리지 않는 **프로덕션 코드 0**(§10처럼 IT-only). 표준 JPQL엔 윈도우도 LATERAL도 없어(§13.6) native로 내려갑니다.
-### 13.2 실측 — 세 해법은 같은 top-3, 순진 LIMIT은 오작동
+### 13.2 실측 — 세 방법의 결과와 단순 LIMIT의 오작동
`FeedTopNIT.l14ThreeStrategiesReturnTopThreePerParentAndNaiveLimitIsWrong`·`l14TransferAcrossStrategies`(seed 1,000, page 20). 원본: [`evidence/metrics/l14-topn-resolution.csv`](./evidence/metrics/l14-topn-resolution.csv).
@@ -1002,11 +1251,17 @@ SELECT h.feed_item_id, h.color, h.text, h.created_at FROM highlights h
| ⓒ 2단계(앱컷 전 전량) | **1,509** | 20 | 전량 |
| ❌ 순진 `LIMIT 3` | 3 | **1** | — |
-윈도우·LATERAL은 부모당 정확히 3개(20개 부모 × 3 = 60행)를 낸다. 2단계는 앱컷 전 페이지 부모들의 하이라이트 **전량 1,509행**을 전송한다 — 이게 바로 §12.6이 남긴 잔여의 정체이고, top-3(60)로 접으면 전송이 25분의 1로 준다. 순진 `LIMIT 3`은 전체 결과에서 3행만 남겨 **가장 최신 하이라이트를 가진 부모 하나만 채우고 나머지는 0**이 되는 오작동을 낸다(`LIMIT`엔 "그룹당"이 없다).
+윈도우와 LATERAL은 부모 20개에서 각각 3개씩, 모두 60행을 반환했습니다. 2단계 방식은
+애플리케이션에서 자르기 전에 1,509행을 모두 전송했습니다. 순진한 `LIMIT 3`은 전체 결과에서
+3행만 남겨 부모 하나만 채우고 나머지 부모에는 하이라이트를 넣지 못했습니다.
-### 13.3 세 해법의 쿼리플랜 대조 — 같은 답, 다른 I/O (★ 스타)
+### 13.3 결과는 같지만 I/O는 달랐다
-이 절의 핵심. `FeedTopNIT.l14ExplainThreeWayPlanCompareIsTheCrownJewel`이 세 SQL을 같은 실행에서 `EXPLAIN (ANALYZE, BUFFERS)`로 잰다(같은 캐시 상태 = apples-to-apples). 원문: [`l14-window-plan.txt`](./evidence/explain/l14-window-plan.txt) · [`l14-lateral-plan.txt`](./evidence/explain/l14-lateral-plan.txt) · [`l14-twostep-plan.txt`](./evidence/explain/l14-twostep-plan.txt). 요약: [`evidence/metrics/l14-plan-compare.csv`](./evidence/metrics/l14-plan-compare.csv).
+세 SQL은 캐시 상태를 맞추기 위해 같은 테스트 실행에서 `EXPLAIN (ANALYZE, BUFFERS)`로
+측정했습니다. 원문: [`l14-window-plan.txt`](./evidence/explain/l14-window-plan.txt) ·
+[`l14-lateral-plan.txt`](./evidence/explain/l14-lateral-plan.txt) ·
+[`l14-twostep-plan.txt`](./evidence/explain/l14-twostep-plan.txt). 요약:
+[`evidence/metrics/l14-plan-compare.csv`](./evidence/metrics/l14-plan-compare.csv).
| 전략 | 최상위 노드 (스캔·조인) | 반환 행 | buffers shared hit | exec |
|---|---|---:|---:|---:|
@@ -1026,22 +1281,34 @@ WindowAgg Run Condition: (row_number() OVER (?) <= 3) Buffers: shared hit=43
-> Sort (... rows=1509) -> Hash Semi Join (... rows=1509) ← two-step 과 같은 스캔
```
-세 해법 모두 결과는 같다(top-3, 60행). 다른 건 **어떻게 만드나**다. **ⓑ LATERAL**은 부모 행마다 `ix_highlights_feed_items_created`를 인덱스로 seek해 상위 3개만 읽고 멈춘다 — top 부모(하이라이트 500장)여도 3개만 읽어 buffers가 204로 최소, 셋 중 유일하게 인덱스 스캔이다. **ⓐ 윈도우**와 **ⓒ 2단계**는 buffers가 430으로 **똑같다** — 둘 다 같은 `Hash Semi Join`으로 페이지 부모들의 하이라이트 전량(1,509)을 읽기 때문이다. 차이는 그 위다: 윈도우는 `WindowAgg`로 DB에서 60으로 컷(PG 15+는 `rn<=3`을 `Run Condition`으로 밀어넣어 조기 종료)하고, 2단계는 컷이 없어 1,509행을 그대로 앱에 넘긴다. 즉 **윈도우 = 2단계 + DB측 컷**이고, LATERAL만 구조적으로 다른(인덱스 seek) 해법이다. "쿼리 개수"로는 셋을 구분할 수 없다 — 플랜 shape과 buffers로만 갈린다.
+세 방식은 모두 같은 top-3 60행을 만들었지만 읽는 방식은 달랐습니다. LATERAL은 부모마다
+`ix_highlights_feed_items_created`를 seek해 3개에서 멈췄고 buffers는 204였습니다. 윈도우와
+2단계 방식은 같은 `Hash Semi Join`으로 1,509행을 모두 읽어 buffers가 430이었습니다. 윈도우는
+그 위에서 `WindowAgg`로 60행을 남겼고, 2단계는 1,509행을 애플리케이션에 전달했습니다.
+쿼리 개수만으로는 이 차이를 볼 수 없었고 실행계획과 buffers를 함께 봐야 했습니다.
### 13.4 인덱스 유무 토글 — LATERAL의 빠름은 LATERAL이 아니라 인덱스 seek 덕
-LATERAL이 buffers 최소인 이유를 인과로 못 박는다. `FeedTopNIT.l14LateralDependsOnCompositeIndex`가 **같은 LATERAL 쿼리**를 인덱스를 뺐다(`DROP INDEX`) 다시 만들며(`finally` 복구) 잰다. 원본: [`l14-lateral-no-index.txt`](./evidence/explain/l14-lateral-no-index.txt) · [`evidence/metrics/l14-index-toggle.csv`](./evidence/metrics/l14-index-toggle.csv).
+LATERAL의 buffers가 작은 이유가 복합 인덱스인지 확인했습니다. 같은 쿼리를 두고 인덱스를
+제거한 뒤 다시 만들면서 측정했습니다. 원본:
+[`l14-lateral-no-index.txt`](./evidence/explain/l14-lateral-no-index.txt) ·
+[`evidence/metrics/l14-index-toggle.csv`](./evidence/metrics/l14-index-toggle.csv).
| variant | 자식 접근 | buffers shared hit | exec |
|---|---|---:|---:|
| 인덱스 있음 | `Index Scan … (Limit 3)` | 168 | 0.336 ms |
| 인덱스 없음 | `Seq Scan`(Rows Removed by Filter 2842/loop) | **4446** | **5.472 ms** |
-인덱스를 빼면 LATERAL은 부모마다 highlights를 **전량 Seq Scan**하고 필터로 버린 뒤(`Rows Removed by Filter: 2842`) top-N 정렬로 3개를 고른다 — buffers가 168에서 **4446으로**(약 26배), 실행 시간이 0.336에서 **5.472 ms로**(약 16배) 폭증한다. **인덱스가 없으면 LATERAL도 무너진다.** 대부분의 글은 "LATERAL 쓰면 빠르다"에서 멈추지만, 빠름의 정체는 LATERAL 문법이 아니라 `(feed_item_id, created_at DESC)` 복합 인덱스를 seek할 수 있다는 데 있다. 그리고 이 인덱스는 새로 만든 게 아니다 — 스키마 최초의 `V6__feed.sql`이 이미 깔아 둔 것(윈도우는 파티션 전량을 읽어 이 토글에 덜 민감하다). L14의 이득은 "인덱스를 신설해서"가 아니라 "이미 있는 인덱스를 타게 SQL을 쓰느냐"에서 갈린다.
+복합 인덱스를 제거하자 LATERAL은 부모마다 highlights를 Seq Scan하고 대부분을 필터로 버렸습니다.
+buffers는 168에서 4,446으로 약 26배, 실행시간은 0.336 ms에서 5.472 ms로 약 16배
+늘었습니다. LATERAL 문법 자체가 빠른 것이 아니라 `(feed_item_id, created_at DESC)` 인덱스로
+부모별 상위 3개를 바로 찾을 수 있어서 빨랐습니다. 이 인덱스는 새로 추가한 것이 아니라
+`V6__feed.sql`부터 있었습니다.
### 13.5 그룹 크기가 승자를 가른다 — K 곡선
-세 해법의 우열은 **그룹 크기**에 달렸다. `FeedTopNIT.l14GroupSizeCurveWindowVsLateral`이 top-K를 3/50/500으로 바꾸며 잰다(seed 1,000). 원본: [`evidence/metrics/l14-group-size.csv`](./evidence/metrics/l14-group-size.csv).
+세 방식의 차이가 그룹 크기에 따라 달라지는지도 확인했습니다. seed 1,000에서 top-K를
+3·50·500으로 바꿔 측정했습니다(원본: [`evidence/metrics/l14-group-size.csv`](./evidence/metrics/l14-group-size.csv)).
| K | 윈도우 반환 | 윈도우 buffers | LATERAL 반환 | LATERAL buffers |
|---:|---:|---:|---:|---:|
@@ -1049,25 +1316,41 @@ LATERAL이 buffers 최소인 이유를 인과로 못 박는다. `FeedTopNIT.l14L
| 50 | 695 | 216 | 695 | 155 |
| 500 | 1,509 | 269 | 1,509 | 171 |
-반환 행수는 K 컷에 따라 결정적으로 60 → 695 → 1,509로 오른다(K가 그룹 크기에 이르면 전량). LATERAL buffers가 **모든 K에서 윈도우보다 작지만**(114<162, 155<216, 171<269), 격차는 **K가 작을수록 크다** — top 부모의 하이라이트 500장 중 K만 인덱스로 읽기 때문이다. K가 그룹 크기(500)에 근접하면 LATERAL도 사실상 전량을 읽어 윈도우로 수렴한다. **의사결정**: 그룹이 크고 top-K가 작으면(피드의 top-3이 정확히 이 경우) **LATERAL**, top-K가 그룹 크기에 근접하면 **윈도우**가 더 단순하다.
+반환 행수는 K에 따라 60 → 695 → 1,509로 늘었습니다. LATERAL의 buffers는 모든 K에서
+윈도우보다 작았지만, 차이는 K가 작을수록 컸습니다. 부모의 하이라이트 500개 중 K개만 인덱스로
+읽기 때문입니다. K가 그룹 크기인 500에 가까워지면 LATERAL도 대부분을 읽습니다. 현재 피드는
+그룹이 크고 K가 3으로 작아서 LATERAL을 선택했고, K가 그룹 크기에 가까운 조회라면 더 단순한
+윈도우 함수를 선택할 수 있습니다.
-### 13.6 왜 세 해법이 각각 top-3을 만드나 — 기전 (그리고 왜 native인가)
+### 13.6 세 방법이 부모별 top-3을 만드는 방식
-`LIMIT`은 최종 결과 집합에 걸려 "그룹당"을 모른다. 세 해법은 각각 다른 자리에서 컷을 만든다. **윈도우**는 `PARTITION BY feed_item_id`로 파티션(그룹)마다 순번을 매겨 `rn<=3`으로 자른다 — 컷은 DB에서 일어나지만 순번을 매기려면 파티션 전체를 읽어야 해 스캔은 전량이다. **LATERAL**은 부모 행마다 상관 서브쿼리(`WHERE h.feed_item_id = p.id`)를 돌리고 그 안에 `ORDER BY created_at DESC LIMIT 3`이 있어, 복합 인덱스가 있으면 부모별로 상위 3개만 읽고 멈춘다(그래서 큰 그룹에서 압도적). **2단계**는 자식을 한 방 `IN`으로 가져와 애플리케이션 메모리에서 그룹핑·컷한다(결과는 맞지만 전량 전송). 왜 native로 내려가야 하나 — 표준 JPQL(Jakarta Persistence)에는 윈도우 함수도 LATERAL도 없다. Hibernate 6+ HQL은 윈도우 함수를 확장으로 지원하지만 LATERAL은 없다. 2단계만이 표준 JPQL(`IN`)+앱컷으로 표현되는 유일한 안이다. 앞 절들(§6~§12)이 ORM 설정 계층에서 풀렸다면, 이 절은 그 아래 **SQL·인덱스 계층**으로 내려가야 풀린다는 것 자체가 왕관 문제의 성격이다.
+윈도우 함수는 `PARTITION BY feed_item_id`로 부모마다 순번을 매기고 `rn<=3`을 남깁니다.
+DB에서 자르지만 순번을 만들기 위해 파티션 전체를 읽습니다. LATERAL은 부모마다 상관 서브쿼리를
+실행하고 복합 인덱스에서 3개를 읽으면 멈춥니다. 2단계 방식은 `IN`으로 자식을 모두 가져온 뒤
+애플리케이션에서 그룹핑합니다. 표준 JPQL에는 윈도우 함수와 LATERAL이 없고, Hibernate 6+ HQL도
+LATERAL은 지원하지 않습니다. 그래서 작은 K와 큰 그룹이라는 현재 조건에는 native LATERAL을
+선택했습니다.
-### 13.7 이 해법이 남기는 것 — 부모 피드 페이징 (→ L15)
+### 13.7 다음에 해결할 문제 — 부모 피드 페이징
-아이템별 top-3은 풀렸다(60행). 그러나 페이지-20 부모 서브쿼리가 보여주듯 **부모 피드 자체를 페이징**해야 하고, 그 페이징이 아직 `OFFSET` 기반이다. `FeedTopNIT.l14ProbeParentPagingStillUsesOffsetNotKeyset`: `OFFSET 900 LIMIT 20`은 `Limit` 노드 아래 `Seq Scan feed_items`(rows=1000)를 두어 **앞 900행을 읽어 버린다**(scan-then-discard) — 깊은 페이지일수록 선형으로 악화한다. 다음 고리는 **keyset(seek) 페이징**(`WHERE (first_highlighted_at, id) < (:lastTs, :lastId)`)이다(L15). 그리고 keyset이 인덱스를 타려면 공개 범위 술어까지 같은 쿼리에 들어와야 하는데, 그것이 `OR`+`EXISTS`라 인덱스를 못 타는 다음 문제(가시성 술어 인덱싱, L16)로 이어진다. 각 해법이 다음 문제를 낳는다는 것이 이 여정의 성격이다(§2).
+아이템별 top-3은 60행으로 줄였지만 부모 피드 페이징은 여전히 `OFFSET`이었습니다.
+`OFFSET 900 LIMIT 20`을 측정하자 앞의 900행도 읽은 뒤 버렸습니다. 페이지가 깊어질수록
+비용이 늘어나는 문제를 해결하기 위해 다음 단계에서는 `(first_highlighted_at, id)` 커서를
+사용하는 keyset 페이징으로 바꿨습니다.
---
-## 14. keyset vs OFFSET — 깊은 페이지에서 무너지지 않는 페이징 (착상 → 해결)
+## 14. keyset vs OFFSET — 깊은 페이지의 조회량 비교
-§13(Top-N-per-group)은 아이템별 top-3을 풀었지만, 그 페이지-20 부모 서브쿼리는 사실 **부모 피드 페이징**이고 아직 `ORDER BY first_highlighted_at DESC, id DESC OFFSET :n LIMIT 20`이다(§13.7). page 1은 빠르지만, 무한 스크롤로 깊은 페이지에 가면 `OFFSET`은 앞 n행을 **읽어서 버린다**(scan-then-discard) — 비용이 페이지 깊이에 비례해 붕괴한다. §14는 그 다음 고리 — **keyset(seek) 페이징**이다. 커서 `(first_highlighted_at, id)`로 정렬키 인덱스에서 그 지점 이후만 seek하면 페이지 깊이와 무관하게 ~20행만 읽는다. 이 문서의 **세 번째 before/after**이고, "부모를 어떻게 넘기나"(페이지 깊이) 축의 해법이다.
+아이템별 top-3을 해결한 뒤 부모 피드의 페이징을 확인했습니다. 이 쿼리는 여전히
+`OFFSET :n LIMIT 20`을 사용하고 있어 페이지가 깊어질수록 앞의 행을 읽고 버렸습니다. 무한
+스크롤에서는 이 비용이 계속 늘어납니다. 그래서 이전 페이지의 마지막
+`(first_highlighted_at, id)`를 커서로 넘기는 keyset 페이징으로 바꾸고, 페이지 깊이에 따른
+스캔 행수를 비교했습니다.
### 14.1 왜 OFFSET은 깊은 페이지에서 죽나 — keyset의 shape
-`OFFSET`은 정렬 순서에서 앞 `offset`행을 **생성한 뒤 버린다**. 정렬키 인덱스가 있어도 그 튜플들을 훑어야 하고, 깊으면 아예 `Seq Scan`+`Sort`로 전량을 훑는다. keyset은 이전 페이지의 마지막 행을 커서로 삼아 **그 지점 이후만** 읽는다.
+`OFFSET`은 정렬 순서에서 앞 `offset`행을 **생성한 뒤 버립니다**. 정렬키 인덱스가 있어도 그 튜플들을 훑어야 하고, 깊으면 아예 `Seq Scan`+`Sort`로 전량을 훑습니다. keyset은 이전 페이지의 마지막 행을 커서로 삼아 **그 지점 이후만** 읽습니다.
```sql
-- ❌ 순진 OFFSET: 깊은 페이지에서 앞 n행을 읽어 버린다 (over-scan = offset+20)
@@ -1080,11 +1363,15 @@ SELECT fi.id, fi.first_highlighted_at FROM feed_items fi
-- 전제 인덱스: feed_items (first_highlighted_at DESC, id DESC) ← 정렬키 전용
```
-측정 무대는 `FeedKeysetIT`(신규 IT, native SQL을 `JdbcTemplate`으로) — IT-only(프로덕션 코드 0). 정렬키 인덱스는 IT 안에서 CREATE/DROP 토글한다. 왜 새 인덱스인가: V6의 `ix_feed_items_visibility_sort`는 **선두 컬럼이 `visibility`**라(§3.1), 가시성 필터 없는 피드 keyset은 못 받친다. 그래서 `(first_highlighted_at DESC, id DESC)` 전용 인덱스가 필요하다(프로덕션 진화는 마이그레이션 V8).
+측정은 `FeedKeysetIT`의 native SQL로 격리했고 정렬키 인덱스는 테스트 안에서 CREATE/DROP
+했습니다. V6의 `ix_feed_items_visibility_sort`는 선두 컬럼이 `visibility`라 가시성 필터가
+없는 keyset 쿼리에는 맞지 않았습니다. 따라서 `(first_highlighted_at DESC, id DESC)` 전용
+인덱스를 사용했습니다. 프로덕션에 반영할 때는 V8 마이그레이션으로 추가할 수 있습니다.
-### 14.2 실측 — OFFSET은 깊이에 비례, keyset은 평탄 (before/after 스타)
+### 14.2 실측 — OFFSET은 깊이에 비례하고 keyset은 일정하다
-`FeedKeysetIT.l15DeepPageOffsetOverScansButKeysetStaysFlat`(seed 2,000, 같은 정렬키 인덱스). "훑은 행"은 `Limit` 하위의 실제 actual rows다. 원본: [`evidence/metrics/l15-depth-curve.csv`](./evidence/metrics/l15-depth-curve.csv).
+seed 2,000에서 두 방식에 같은 정렬키 인덱스를 사용했습니다. "훑은 행"은 `Limit` 하위의
+actual rows로 계산했습니다(원본: [`evidence/metrics/l15-depth-curve.csv`](./evidence/metrics/l15-depth-curve.csv)).
| 페이지 (offset) | OFFSET 훑은 행 | keyset 훑은 행 |
|---:|---:|---:|
@@ -1092,7 +1379,9 @@ SELECT fi.id, fi.first_highlighted_at FROM feed_items fi
| 50 (980) | 1,000 | 20 |
| 100 (1980) | **2,000** | **20** |
-**OFFSET이 훑는 행 = offset+20**(20 → 1,000 → 2,000, 페이지 깊이에 정확히 비례)이고 **keyset은 20으로 평탄**하다. page 100에서 OFFSET은 결과 20행을 위해 **2,000행을 훑는다(100× over-scan)** — keyset은 여전히 20행이다. 두 곡선은 page 1에서 같이 출발해(둘 다 20) 깊이에 따라 교차 없이 발산한다. 이것이 "무한 스크롤이 뒤로 갈수록 느려지는" 현상의 정체이자, keyset이 그것을 없애는 이유다.
+OFFSET이 훑은 행은 offset+20으로 20 → 1,000 → 2,000까지 늘었고, keyset은 계속
+20행이었습니다. 100번째 페이지에서 OFFSET은 결과 20행을 만들기 위해 2,000행을 읽었지만
+keyset은 20행만 읽었습니다. 무한 스크롤의 뒤쪽 페이지가 느려지는 이유를 이 차이로 확인했습니다.
### 14.3 EXPLAIN — scan-then-discard vs index seek, 그리고 정렬키 인덱스가 전제
@@ -1114,15 +1403,24 @@ Limit (rows=20) Buffers: shared hit=1 read=2
-> Seq Scan on feed_items fi Rows Removed by Filter: 1980 Buffers: shared hit=141
```
-세 가지가 드러난다. 첫째, **OFFSET**은 정렬키 인덱스가 있어도 깊은 페이지에선 `Seq Scan`+`Sort`로 2,000행을 훑고 20만 남긴다(buffers 141). 둘째, **keyset + 인덱스**는 `Index Only Scan`(커버링)으로 커서 이후 20행만 seek하고 순서가 인덱스로 보장돼 `Sort` 노드조차 없다(buffers 1). 셋째, **keyset − 인덱스**는 결과 행(20)은 필터로 같지만 정렬키 인덱스가 없어 `Seq Scan`으로 전량을 훑는다(`Rows Removed by Filter: 1980`, buffers 141) — OFFSET과 같은 buffers다. 즉 **keyset이 평탄한 것은 keyset 문법이 아니라 정렬키 인덱스 덕**이다(§13.4의 LATERAL 교훈과 같은 결). 인덱스가 없으면 keyset도 무너진다.
+깊은 페이지에서 OFFSET은 `Seq Scan`+`Sort`로 2,000행을 훑고 20행만 남겼습니다
+(buffers 141). keyset은 정렬키 인덱스가 있을 때 `Index Only Scan`으로 커서 이후 20행만
+읽었고 buffers는 1이었습니다. 인덱스를 제거하자 keyset도 `Seq Scan`으로 2,000행을
+확인했습니다. keyset 문법만으로 비용이 줄어든 것이 아니라 커서와 같은 순서의 정렬키 인덱스가
+있어야 했습니다.
-### 14.4 왜 keyset은 상수인가 — 기전 (커서 = 정렬키 전체)
+### 14.4 keyset의 조회량이 일정한 이유
-OFFSET의 비용은 "건너뛴 행도 읽는다"에서 온다. keyset은 커서 `(first_highlighted_at, id)`가 정렬 순서의 한 점을 가리키고, row-value 비교 `(a,b) < (:ts,:id)`가 그 점 이후를 인덱스에서 range scan하므로 앞부분을 훑지 않는다. 커서가 **정렬키 전체(tie-break `id` 포함)**여야 하는 이유는 같은 `first_highlighted_at`을 가진 행들에서 경계가 유일해지기 때문이다 — `first_highlighted_at`만으로 커서를 잡으면 같은 시각 경계에서 행을 빠뜨리거나 중복한다(`FeedKeysetIT.l15KeysetWalkMatchesOffsetPages`는 keyset로 넘긴 페이지가 OFFSET 같은 페이지와 동일한 20행·동일 순서임을 확인한다). 그래서 정렬키·커서·인덱스가 셋 다 `(first_highlighted_at, id)`로 일치해야 하고, 정렬 방향(DESC)과 row-value 방향, 인덱스 방향이 어긋나면 인덱스를 못 탄다. 이것이 keyset을 상수로 만드는 기전이다.
+OFFSET은 건너뛸 행까지 읽지만, keyset은 커서 `(first_highlighted_at, id)` 이후를 인덱스에서
+range scan합니다. 같은 `first_highlighted_at`을 가진 행도 안정적으로 넘기려면 tie-break인
+`id`까지 커서에 포함해야 합니다. 시각만 커서로 쓰면 경계에서 행이 빠지거나 중복될 수 있습니다.
+`FeedKeysetIT.l15KeysetWalkMatchesOffsetPages`로 keyset의 두 번째 페이지가 OFFSET의 두 번째
+페이지와 같은 20행, 같은 순서인지 확인했습니다. 정렬키·커서·인덱스의 컬럼과 방향이 모두
+일치해야 합니다.
### 14.5 keyset이 못 푸는 것 — 가시성 OR (→ §15/L16)
-keyset은 페이지 깊이를 풀었지만, 실서비스 피드는 **가시성**으로 필터해야 한다(`public` + 내가 멘션된 것 + 내 비공개). 그 필터를 keyset과 같은 쿼리에 얹으면(`FeedKeysetIT.l15ProbeVisibilityOrBreaksKeysetIndex`), 플래너는 정렬키 인덱스 `ix_feed_items_keyset`를 **더 이상 쓰지 못하고** 가시성 3분기를 각각 인덱스로 스캔한 `BitmapOr`로 떨어진다. 원문: [`l15-visibility-or-probe.txt`](./evidence/explain/l15-visibility-or-probe.txt).
+keyset은 페이지 깊이를 풀었지만, 실서비스 피드는 **가시성**으로 필터해야 한다(`public` + 내가 멘션된 것 + 내 비공개). 그 필터를 keyset과 같은 쿼리에 얹으면(`FeedKeysetIT.l15ProbeVisibilityOrBreaksKeysetIndex`), 플래너는 정렬키 인덱스 `ix_feed_items_keyset`를 **더 이상 쓰지 못하고** 가시성 3분기를 각각 인덱스로 스캔한 `BitmapOr`로 떨어집니다. 원문: [`l15-visibility-or-probe.txt`](./evidence/explain/l15-visibility-or-probe.txt).
```text
-- 가시성 OR 을 얹으면: 정렬키 Index Only Scan 이 사라지고 BitmapOr + 별도 Sort 로
@@ -1135,17 +1433,21 @@ Limit -> Sort (Sort Key: first_highlighted_at DESC, id DESC) ← Sort 재등
SubPlan 1 -> Index Only Scan on uq_feed_item_mentions (EXISTS)
```
-핵심은 `Sort` 노드의 재등장이다 — keyset의 "순서가 인덱스로 보장돼 Sort가 없다"는 이점이 `OR`+`EXISTS` 때문에 **소멸**한다(bitmap은 순서를 안 준다). 즉 가시성 OR은 keyset을 다시 "훑고 정렬"로 되돌린다. 이 잔여가 **가시성 술어 인덱싱(L16)**의 동기다 — 각 가시성 분기를 정렬 보장 인덱스 스캔으로 만들어 `UNION ALL`로 병합하거나, 부분·복합 인덱스, 극단적으로는 사전계산(비정규화)으로.
+가시성 조건을 추가하자 사라졌던 `Sort` 노드가 다시 나타났습니다. `OR`+`EXISTS`는 각 분기를
+bitmap으로 합치면서 인덱스의 정렬 순서를 잃었습니다. 그래서 다음 단계에서는 가시성 분기를
+`UNION ALL`로 나누는 방식과 뷰어별 결과를 미리 계산하는 방식을 비교했습니다.
---
-## 15. 가시성 술어 인덱싱 — OR/EXISTS를 인덱스로, 그리고 모델로 (세 해법 대결, 왕관 닫힘)
+## 15. 가시성 조건 — 단일 OR, UNION, 사전계산 비교
-§14(keyset)는 페이지 깊이를 풀었지만, 실서비스 피드는 **가시성**으로 필터해야 한다(§14.5) — `public` + 내가 멘션된 것 + 내 비공개. 그 필터를 keyset과 같은 쿼리에 얹으면 `OR`+`EXISTS`가 정렬키 인덱스를 못 타고 `BitmapOr`+`Sort`로 무너졌다. §15는 그 가시성 술어를 인덱스로 다시 태운다 — §13(Top-N)처럼 해법이 셋(단일 OR / UNION 분해 / 사전계산)이고, 스타는 세 플랜의 대조다. 그리고 그 대조의 결론이 **왕관을 닫고 아키텍처(CQRS)로 넘어가는 다리**가 된다.
+keyset으로 페이지 깊이 문제를 풀었지만, `public + 내가 멘션된 것 + 내 비공개`라는 가시성
+조건을 합치자 `BitmapOr`+`Sort`가 다시 나타났습니다. 단일 OR을 그대로 쓰는 방식, 세 분기를
+UNION으로 나누는 방식, 뷰어별 가시성을 미리 계산하는 방식을 같은 결과 집합으로 비교했습니다.
-### 15.1 왜 단일 OR은 순서 인덱스를 못 타나 — 세 해법의 shape
+### 15.1 단일 OR이 정렬 순서를 유지하지 못하는 이유
-하나의 인덱스는 하나의 선두 컬럼 순서만 준다. 가시성 3분기는 각각 다른 조건(visibility 값·user_id·mentions 조인)이라, 하나의 쿼리로 묶으면 플래너는 각 분기를 따로 스캔한 뒤 합쳐서 다시 정렬해야 한다.
+하나의 인덱스는 하나의 선두 컬럼 순서만 줍니다. 가시성 3분기는 각각 다른 조건(visibility 값·user_id·mentions 조인)이라, 하나의 쿼리로 묶으면 플래너는 각 분기를 따로 스캔한 뒤 합쳐서 다시 정렬해야 합니다.
```sql
-- ❌ 단일 OR: 3분기를 하나로 → BitmapOr + 전체 top-N Sort + 멘션 SubPlan (순서 인덱스 못 탐)
@@ -1159,11 +1461,17 @@ SELECT fi.id, fi.first_highlighted_at FROM feed_items fi
-- ✅ 사전계산: 가시성을 뷰어별 feed_visible 로 미리 펼쳐 → 단일 index range scan (= CQRS 읽기 모델)
```
-무대는 `FeedVisibilityIT`(신규 IT, IT-only). 신규 인덱스(`ix_mentions_user`, private partial)와 `feed_visible` 테이블은 IT 안에서 토글한다. `feed_item_mentions`의 V7 인덱스는 `(feed_item_id, …)`라 "나를 멘션한 아이템" 조회를 못 타므로 `(mentioned_user_id, feed_item_id)` 신규 인덱스가 필요하다(부분·복합 인덱스 세트의 일부).
+측정은 `FeedVisibilityIT`에 격리했습니다. 신규 인덱스(`ix_mentions_user`, private partial)와
+`feed_visible` 테이블도 테스트 안에서 생성하고 제거했습니다. V7의 `feed_item_mentions`
+인덱스는 `(feed_item_id, …)` 순서라 "나를 멘션한 아이템"을 찾는 쿼리에 맞지 않았습니다.
+따라서 `(mentioned_user_id, feed_item_id)` 인덱스를 추가해 비교했습니다.
-### 15.2 실측 — 셋 다 같은 피드, 세 개의 다른 플랜 (스타)
+### 15.2 실측 — 결과는 같고 실행계획은 다르다
-`FeedVisibilityIT.l16ExplainThreeWayPlanCompare`(seed 2,000, 뷰어 user008). 세 해법 모두 같은 20 feed_item을 낸다(`l16ThreeApproachesReturnSameVisibleSet`로 확인) — 다른 건 DB가 3분기 가시성을 **어떻게 소화하나**다. 원본: [`evidence/metrics/l16-plan-compare.csv`](./evidence/metrics/l16-plan-compare.csv).
+seed 2,000에서 user008이 볼 수 있는 피드를 조회했습니다. 세 방식이 같은 20개 feed_item을
+반환하는지는 `l16ThreeApproachesReturnSameVisibleSet`으로 먼저 확인했습니다. 그다음
+가시성 조건을 처리하는 실행계획을 비교했습니다(원본:
+[`evidence/metrics/l16-plan-compare.csv`](./evidence/metrics/l16-plan-compare.csv)).
| 안 | 최상위/스캔 | Sort | 멘션 | 훑는 후보 | buffers |
|---|---|---|---|---:|---:|
@@ -1191,25 +1499,38 @@ Limit -> Index Only Scan using ix_feed_visible (Index Cond: viewer_id=:me) Heap
원문: [`l16-single-or-plan.txt`](./evidence/explain/l16-single-or-plan.txt) · [`l16-union-decompose-plan.txt`](./evidence/explain/l16-union-decompose-plan.txt) · [`l16-precompute-plan.txt`](./evidence/explain/l16-precompute-plan.txt) · [`l16-union-branches.txt`](./evidence/explain/l16-union-branches.txt).
-### 15.4 UNION은 구조를 고치고, 사전계산은 자릿수를 바꾼다 — 기전 (★ 실측 정정)
+### 15.4 UNION과 사전계산의 차이
-> **★ 실측 정정**: 초안 예측은 "단일 OR = seq scan / 인덱스 미사용", "UNION이 buffers를 줄인다"였다. **실측은 둘 다 정정한다.** (1) 단일 OR은 seq scan이 아니라 `BitmapOr`+top-N `Sort`+hashed SubPlan이다(V6·partial 인덱스가 있어 bitmap을 탄다). (2) UNION 분해는 buffers를 **줄이지 않는다** — 오히려 200(> 단일 OR 122)이다. 각 분기가 자기 스캔을 하기 때문이다. **진짜 order-of-magnitude 이득은 UNION이 아니라 사전계산(buffers 1)**이다.
+> **★ 실측 정정** — 처음에는 단일 OR이 Seq Scan을 하고, UNION이 buffers를 줄일 것으로
+> 예상했습니다. 실제 단일 OR은 `BitmapOr`+top-N `Sort`+hashed SubPlan을 사용했고, UNION의
+> buffers는 200으로 단일 OR의 122보다 컸습니다. 각 분기가 따로 스캔하기 때문입니다. buffers가
+> 1까지 줄어든 방식은 UNION이 아니라 사전계산이었습니다.
-정리하면 세 해법은 서로 다른 층을 고친다. **단일 OR**은 3분기를 하나의 bitmap으로 묶어 순서를 잃고(재정렬) 분기별 최적화를 못 한다. **UNION 분해**는 각 분기를 독립 쿼리로 만들어 **구조를 고친다** — 상관 술어가 `Hash Join`으로, 전체 정렬이 `Merge Append`로, 각 분기가 자기 인덱스로. 그러나 여전히 요청 시점에 3분기를 스캔·병합하므로 비용의 자릿수는 그대로다. **사전계산**은 가시성 판정을 뷰어별 `feed_visible`로 미리 펼쳐 조회를 단일 `Index Only Scan`으로 바꾼다 — **모델을 바꿔 자릿수를 바꾼다**(buffers 1). 그 대가는 쓰기 시 갱신(피드·멘션·가시성 변경 시 재계산)과 뷰어 수만큼의 저장 팽창이다. "쿼리를 다시 쓰면 구조가 좋아지고, 모델을 바꾸면 규모가 달라진다"가 이 절의 결론이다.
+단일 OR은 세 분기를 bitmap으로 합치면서 정렬 순서를 잃습니다. UNION은 분기를 독립시켜 상관
+술어를 `Hash Join`으로, 전체 병합을 `Merge Append`로 바꿨지만 요청할 때마다 세 분기를
+스캔했습니다. 사전계산은 뷰어별 `feed_visible`을 미리 만들어 조회를 단일 `Index Only Scan`으로
+바꿨습니다. 대신 피드·멘션·가시성이 바뀔 때 읽기 모델을 갱신해야 하고, 뷰어 수만큼 저장 공간도
+늘어납니다.
-### 15.5 왕관 닫힘 — 사전계산 = CQRS 읽기 모델 (→ §16 통합, §17/L12)
+### 15.5 사전계산을 프로덕션에 적용할 때 필요한 것
-`feed_visible`은 실험용 테이블이지만 그 프로덕션 형태는 **CQRS 읽기 모델**이다 — 쓰기 모델(FeedItem 애그리거트·도메인 이벤트)이 읽기 모델(뷰어별 투영)을 갱신하고, 조회는 그 투영을 단순히 읽는다. 여기서 왕관이 닫힌다: Top-N(§13) + keyset(§14) + 가시성(§15)을 한 피드 조회로 만족시키는 최종 형태가, 결국 "N+1을 SQL로 푸는" 문제에서 "**읽기 모델을 어떻게 설계하는가**"의 문제로 넘어간다. N+1은 애초에 쓰기 모델로 읽기를 하려 해서 생긴 신호였고, 그 신호가 우리를 통합(§16)과 CQRS(§17, 주제 2 아키텍처)로 데려간다.
+`feed_visible`은 실험용 테이블이지만 프로덕션에서 상시 유지하려면 CQRS 읽기 모델이 됩니다.
+쓰기 모델의 변경을 뷰어별 투영에 반영하고, 조회는 그 투영만 읽습니다. 여기까지 진행하면서 문제의
+범위가 N+1을 줄이는 SQL에서 화면에 맞는 읽기 모델을 설계하는 일로 넓어졌습니다.
---
-## 16. 왕관 통합 — 세 기법을 한 쿼리로, 그리고 의사결정 매트릭스 (왕관 완결)
+## 16. Top-N·keyset·가시성을 한 쿼리로 통합하기
-§13(Top-N)·§14(keyset)·§15(가시성)은 피드 조회의 세 축을 따로 풀었다. 실서비스 피드 화면은 셋을 동시에 요구한다 — 나에게 보이는 것만(가시성), 깊은 페이지도 안 무너지게(keyset), 아이템당 최신 top-3(Top-N). §16은 셋을 한 개의 피드 조회로 합류시키고, 세 기법이 서로 간섭하는지를 실측한다. 무대는 `FeedCrownIT`(신규 IT, IT-only).
+Top-N·keyset·가시성을 각각 검증한 뒤 세 조건을 한 쿼리에 합쳤습니다. 실제 화면에서는 보이는
+아이템만 골라 깊은 페이지를 넘기면서 각 아이템의 최신 하이라이트 3개를 함께 반환해야 합니다.
+`FeedCrownIT`에서 세 기법이 서로의 인덱스 사용을 방해하지 않는지 확인했습니다.
### 16.1 통합 쿼리의 shape — 부모선택 × LATERAL
-통합 쿼리는 (가시성 필터 + keyset 로 고른 부모) 를 LATERAL top-3 으로 감싼다. LATERAL 은 §13의 Top-N 승자(작은 K), keyset·가시성은 부모선택 안에서 합쳐진다.
+통합 쿼리는 가시성 필터와 keyset으로 부모 20개를 고른 뒤, 각 부모에 LATERAL top-3을
+적용합니다. 작은 K에서 유리했던 LATERAL을 자식 조회에 사용하고 keyset·가시성은 부모 선택
+안에서 처리했습니다.
```sql
SELECT p.pid, top3.color, top3.text, top3.created_at
@@ -1219,11 +1540,13 @@ SELECT p.pid, top3.color, top3.text, top3.created_at
WHERE h.feed_item_id = p.pid ORDER BY h.created_at DESC LIMIT 3 ) top3;
```
-부모선택 `<...>`이 왕관 의사결정 매트릭스가 사는 자리다 — 단일 OR / UNION 분해 / 사전계산(feed_visible) 세 방식으로 만들 수 있고, 셋 다 같은 20 부모를 낸다(`crownUnifiedReturnsSameShapeAcrossParentPaths`: unionEq·precomputeEq 참). 답은 같고 플랜만 다르다.
+부모 선택 부분은 단일 OR, UNION 분해, 사전계산(`feed_visible`) 세 방식으로 만들었습니다.
+`crownUnifiedReturnsSameShapeAcrossParentPaths`에서 세 방식이 같은 부모 20개를 반환하는지
+확인한 뒤 실행계획만 비교했습니다.
-### 16.2 실측 — 한 플랜에 세 기법 (스타)
+### 16.2 실측 — 세 기법을 합친 실행계획
-`FeedCrownIT.crownUnifiedPlanStacksVisibilityKeysetAndTopN`(seed 2,000, 뷰어 user008, page 1). 사전계산 부모선택 위의 통합 쿼리는 세 기법을 재정렬 없이 한 플랜에 겹친다. 원본: [`crown-unified-precompute-plan.txt`](./evidence/explain/crown-unified-precompute-plan.txt).
+`FeedCrownIT.crownUnifiedPlanStacksVisibilityKeysetAndTopN`(seed 2,000, 뷰어 user008, page 1). 사전계산 부모선택 위의 통합 쿼리는 세 기법을 재정렬 없이 한 플랜에 겹칩니다. 원본: [`crown-unified-precompute-plan.txt`](./evidence/explain/crown-unified-precompute-plan.txt).
```text
Nested Loop (rows=60) ← LATERAL (상관 조인)
@@ -1235,22 +1558,26 @@ Nested Loop (rows=60) ← LATERAL
- **가시성+keyset** = `feed_visible` 커버링 인덱스의 단일 `Index Only Scan`(가시성은 사전 반영, keyset 은 인덱스 순서 상위 20).
- **Top-N** = 부모 20 마다 `ix_highlights_feed_items_created` 로 top-3 index seek(`Nested Loop` = LATERAL).
-- **Sort 노드 없음** — 두 순서(부모 keyset·자식 created_at)가 모두 인덱스에서 나온다. 세 기법이 깨끗하게 합쳐진다.
+- **Sort 노드 없음** — 두 순서(부모 keyset·자식 created_at)가 모두 인덱스에서 나옵니다. 세 기법이 깨끗하게 합쳐집니다.
### 16.3 간섭 시험 — 사전계산 위에선 겹치고, 단일 OR 위에선 매 페이지 재해소
-`crownDeepPageKeysetSeeksFewerRowsWithPrecomputeThanSingleOr`(가장 깊은 페이지, 커서 = visible−20). user008에게 보이는 `1,500` 중 마지막 페이지에서, 부모선택을 사전계산으로 두느냐 단일 OR로 두느냐가 갈린다. 원본: [`crown-deep-keyset-precompute.txt`](./evidence/explain/crown-deep-keyset-precompute.txt) · [`crown-deep-keyset-single-or.txt`](./evidence/explain/crown-deep-keyset-single-or.txt).
+`crownDeepPageKeysetSeeksFewerRowsWithPrecomputeThanSingleOr`(가장 깊은 페이지, 커서 = visible−20). user008에게 보이는 `1,500` 중 마지막 페이지에서, 부모선택을 사전계산으로 두느냐 단일 OR로 두느냐가 갈립니다. 원본: [`crown-deep-keyset-precompute.txt`](./evidence/explain/crown-deep-keyset-precompute.txt) · [`crown-deep-keyset-single-or.txt`](./evidence/explain/crown-deep-keyset-single-or.txt).
| 부모선택 | 최상위 | 훑는 행 | feed_visible | 부모 buffers |
|---|---|---:|---|---:|
| 사전계산 | `Nested Loop` | **19** | ✅ | 3 |
| 단일 OR | `Nested Loop` | **200** | ❌(구조적) | 31 |
-> **★ 실측 정정**: 초안은 "사전계산 위 keyset 은 Sort 없이 seek, 단일 OR 은 Sort 로 깨진다"였다. 실측은 정정한다 — 가장 깊은 커서에선 둘 다 작은 `Sort`(남은 19 행 quicksort)가 붙는다(Bitmap 스캔은 정렬 출력을 안 한다). 차이는 "Sort 유무"가 아니라 "페이지에 닿는 비용"이다: 사전계산은 `ix_feed_visible` 인덱스 range 로 19 행만 훑지만, 단일 OR 은 사전계산 읽기 모델을 못 써(구조적) 매 페이지 가시성 3분기를 `BitmapOr` 로 다시 풀고 멘션 EXISTS 를 hashed SubPlan 으로 200 행 materialize 한다. page 1 에선 사전계산이 순수 `Index Only Scan`(Sort 전무)이고, 깊어질수록 단일 OR 의 "매 페이지 전체 재해소" 비용이 벌어진다.
+> **★ 실측 정정** — 처음에는 사전계산 keyset에는 Sort가 없고 단일 OR에만 Sort가 생길
+> 것으로 예상했습니다. 가장 깊은 커서에서는 두 방식 모두 남은 19행을 작은 quicksort로
+> 정렬했습니다. 차이는 Sort 유무가 아니라 페이지에 도달하기까지 읽은 행수였습니다. 사전계산은
+> `ix_feed_visible`의 range에서 19행만 읽었고, 단일 OR은 가시성 세 분기와 멘션 조건을 다시
+> 계산하며 200행을 materialize했습니다.
-### 16.4 왕관 의사결정 매트릭스
+### 16.4 조회 조건별 선택 기준
-세 기법을 한 쿼리에 얹을 때 "어느 축에 무엇을 쓰나"의 결론:
+세 기법을 한 쿼리에 적용한 결과를 다음처럼 정리했습니다.
| 축 | 문제 | 해법 | 언제 | 근거 |
|---|---|---|---|---|
@@ -1259,17 +1586,25 @@ Nested Loop (rows=60) ← LATERAL
| 가시성 | 3분기 술어 | **UNION 분해** / **사전계산**(=CQRS) | 보통 UNION, 고트래픽 읽기 극단이면 사전계산 | §15 |
| 통합 | 셋을 한 쿼리로 | 부모선택(가시성+keyset) × LATERAL(Top-N) | 부모선택 사전계산/UNION 이면 매 페이지 재해소 없음 | §16 |
-핵심은 **부모선택**이다. 사전계산(또는 UNION 분해)으로 두면 keyset·Top-N 이 깨끗이 얹히지만, 순진한 단일 OR 로 두면 §15의 발견이 통합 쿼리에서 재현된다 — 매 페이지 가시성을 다시 푼다.
+통합 쿼리에서 차이를 만든 부분은 부모 선택이었습니다. 사전계산이나 UNION 분해를 사용하면
+keyset과 Top-N을 그대로 합칠 수 있지만, 단일 OR은 페이지를 넘길 때마다 가시성 조건을 다시
+계산했습니다.
-### 16.5 왕관 완결 — 사전계산 = CQRS 읽기 모델 (→ §17/L12)
+### 16.5 사전계산과 CQRS 읽기 모델의 경계
-세 기법을 재정렬 없이 겹치는 유일한 부모선택은 사전계산(`feed_visible`)이다. 그 프로덕션 형태가 **CQRS 읽기 모델** — 쓰기 모델(FeedItem 애그리거트·도메인 이벤트)이 뷰어별 투영을 갱신하고, 조회는 그 투영을 keyset+LATERAL 로 읽는다. 여기서 왕관이 완결된다: Top-N + keyset + 가시성을 한 피드 조회로 만족시키는 최종 형태가 곧 읽기 모델 설계 문제이고, 그게 §17(CQRS-lite 읽기 모델)이 실현하며 거기서 주제 2(아키텍처)로 넘어간다.
+세 조건을 가장 단순한 실행계획으로 합친 부모 선택은 사전계산(`feed_visible`)이었습니다. 하지만
+이를 상시 유지하려면 쓰기 모델의 변경을 뷰어별 투영에 동기화해야 합니다. 현재 범위에서 이 비용을
+바로 받아들일지는 별도 판단이 필요했습니다.
---
## 17. CQRS-lite 읽기 모델 — 프로덕션 읽기 경로로 (주제 2 브릿지)
-§16은 세 기법을 재정렬 없이 겹치는 유일한 부모선택이 사전계산(`feed_visible`)임을 보였다. 그런데 `feed_visible`을 **상시 유지되는 별도 저장소**로 두는 것은 곧 **풀 CQRS**(쓰기 모델이 도메인 이벤트로 읽기 저장소를 갱신)다. 참조 구현(ca-tmpl)의 application-core 계약은 그 **"별도 물리 읽기 저장소를 갖는 풀 CQRS"를 "범위 밖 — 에스컬레이션 전용"**으로 못박아 뒀다(주제 2에서 계약을 의도적으로 개정한 뒤에야 연다). 그래서 프로덕션 읽기 경로는 계약이 지원하는 **CQRS-lite**로 구현했다.
+사전계산(`feed_visible`)의 실행계획이 가장 단순했지만, 이를 상시 유지되는 별도 저장소로 만들면
+쓰기 모델의 이벤트로 읽기 저장소를 갱신하는 풀 CQRS가 필요합니다. 제가 정한 application-core
+계약에서는 별도 물리 읽기 저장소를 에스컬레이션 대상으로 남겨 두었습니다. 이번 범위에서는 그
+계약을 유지하고, 같은 저장소 위에 읽기 전용 포트·DTO·쿼리를 분리하는 **CQRS-lite**를
+구현했습니다.
### 17.1 CQRS-lite vs 풀 CQRS — 모델이냐, 저장소냐
@@ -1280,31 +1615,45 @@ Nested Loop (rows=60) ← LATERAL
| 동기화 | 없음(요청 시 읽기최적 쿼리) | 쓰기→읽기(도메인 이벤트/아웃박스) |
| 계약 | **지원**(query-bypass Projection) | **에스컬레이션 전용** |
-핵심은 N+1을 "SQL로 푸느냐"에서 "**읽기 모델을 어떻게 설계하느냐**"로 넘어가는 것이다. lite는 쓰기 애그리거트(`FeedItem`)와 분리된 읽기 경로를 같은 저장소 위에 세우고, full은 저장소까지 분리해 동기화 비용을 진다.
+핵심은 N+1을 "SQL로 푸느냐"에서 "**읽기 모델을 어떻게 설계하느냐**"로 넘어가는 것입니다. lite는 쓰기 애그리거트(`FeedItem`)와 분리된 읽기 경로를 같은 저장소 위에 세우고, full은 저장소까지 분리해 동기화 비용을 집니다.
### 17.2 무엇을 만들었나 + 실측
-`FeedReadModelQueryPort`(프로젝션 DTO만 반환) → `GetFeedReadModelUseCase`(`QueryUseCase`, `tx.inRead`) → `FeedReadModelQueryAdapter`. 읽기 쿼리는 **§12(프로젝션, 엔티티 0) + §13(window top-3)**을 합쳐, naive `loadFeed`를 건드리지 않고 **화면 shape 그대로** 반환한다:
+읽기 경로는 `FeedReadModelQueryPort` → `GetFeedReadModelUseCase` → `FeedReadModelQueryAdapter`
+순서로 만들었습니다. 쿼리는 §12의 프로젝션과 §13의 window top-3을 합쳐 기존 `loadFeed`를
+건드리지 않고 화면에 필요한 형태를 바로 반환합니다.
- 부모 페이지: JPQL `SELECT new`(엔티티 하이드레이션 0).
- 자식 top-3: 네이티브 `row_number() OVER (PARTITION BY feed_item_id ORDER BY created_at DESC) <= 3`.
-`FeedReadModelUseCaseIT`(seed N∈{10, 100}) 실측: 엔티티 로드 **0** · 발행 쿼리 **상수 2**(N 무관) · `topHighlights` 부모당 top-3(§12의 잔여 `1,509` → ≤60 해소). 아키텍처 게이트(ArchUnit `query_ports_do_not_leak…`·의존 방향·`./gradlew check`) 전부 GREEN. (측정 판단: window 쿼리를 `JdbcTemplate`이 아니라 Hibernate `Session`으로 발행해 `Statistics`가 실제 발행 쿼리를 관측하게 했다 — 아니면 "상수 2"가 공허하게 참이 된다.)
+`FeedReadModelUseCaseIT`에서 N=10과 100을 측정한 결과 엔티티 로드는 **0**, 발행 쿼리는
+N과 관계없이 **2개**, `topHighlights`는 부모당 최대 3개였습니다. 아키텍처 게이트인 ArchUnit
+`query_ports_do_not_leak…`, 의존 방향 검사, `./gradlew check`도 통과했습니다. window 쿼리는
+Hibernate `Statistics`가 실제 발행 횟수를 셀 수 있도록 `JdbcTemplate` 대신 Hibernate
+`Session`으로 실행했습니다.
### 17.3 주제 2로
-여기서 N+1 주제가 아키텍처 주제로 넘어간다. lite가 읽기 모델을 **모델 수준**으로 분리했다면, 고트래픽 읽기·가시성 사전계산(§16의 `feed_visible`)이 실제로 필요해지는 순간 그것을 **저장소 수준**으로 올리는 게 풀 CQRS이고, 그때 계약·가드레일을 의도적으로 개정한다. "N+1은 쓰기 모델로 읽기를 하려는 신호"라는 일반화가 여기서 헥사고날·CQRS 설계로 완결된다.
+여기서 N+1 주제가 아키텍처 주제로 넘어갑니다. lite가 읽기 모델을 **모델 수준**으로 분리했다면, 고트래픽 읽기·가시성 사전계산(§16의 `feed_visible`)이 실제로 필요해지는 순간 그것을 **저장소 수준**으로 올리는 게 풀 CQRS이고, 그때 계약·가드레일을 의도적으로 개정합니다. "N+1은 쓰기 모델로 읽기를 하려는 신호"라는 일반화가 여기서 헥사고날·CQRS 설계로 완결됩니다.
---
## 18. 다음 단계
-§6~§17은 하이라이트 피드 조회 하나를 놓고 N+1을 진단(§6~§10)하고, 배치(§11)·프로젝션(§12)·Top-N(§13)·keyset(§14)·가시성(§15)으로 차례로 푼 뒤 셋을 한 쿼리로 통합(§16)하고, 그 읽기를 CQRS-lite 프로덕션 경로(§17)로 승격했다. 각 해법이 다음 문제(또는 잔여 비용)를 낳는 연쇄였고 — 배치는 왕복 수(`1+N → 상수 2`), 프로젝션은 적재 형태(엔티티 `1,569 → 0`), Top-N은 그룹당 전량(`1,509 → 60`), keyset은 페이지 깊이(OFFSET `2,000` → keyset 20), 가시성은 술어 인덱싱(단일 OR `1,500` 후보 → 사전계산 20) — 그 마지막이 읽기 모델(§17)에 닿았다.
+처음 만든 엔티티 조회에서 N+1을 확인한 뒤, 배치·프로젝션·Top-N·keyset·가시성 순서로
+조회 구조를 바꿨습니다. 왕복 수는 2,022개에서 23개로, 엔티티 로드는 1,569개에서 0개로,
+하이라이트 전송은 1,509행에서 최대 60행으로 줄었습니다. 깊은 페이지는 2,000행 대신 20행을
+읽었고, 사전계산한 가시성 조회는 후보 1,500개 대신 20개에 접근했습니다. 이 결과를 같은 저장소
+위 CQRS-lite 읽기 경로에 반영했습니다.
-- **풀 CQRS(주제 2, 에스컬레이션)**: §17의 lite는 같은 저장소 위 읽기 모델이었다. 고트래픽 읽기·가시성 사전계산(§16 `feed_visible`)이 실제로 필요해지면 그것을 별도 물리 읽기 저장소로 올리고 쓰기→읽기 동기화(도메인 이벤트/아웃박스)를 배선하는 게 풀 CQRS다 — 참조 구현 계약이 "에스컬레이션 전용"으로 둔 지점이라, 계약·가드레일을 의도적으로 개정한 뒤 주제 2(헥사고날·CQRS)에서 연다.
-- **운영·크로스패러다임(나머지 축)**: OSIV·커넥션풀·Little's Law, 쓰기 N+1, 리액티브, 자작 탐지기, NoSQL 임베드 등은 N+1을 다른 축으로 넓히는 upside다(핵심 문제 해결엔 필수 아님).
+- **풀 CQRS(주제 2, 에스컬레이션)**: 고트래픽 읽기에서 `feed_visible` 사전계산이 실제로
+ 필요해지면 별도 물리 읽기 저장소와 쓰기→읽기 동기화(도메인 이벤트/아웃박스)를 추가합니다.
+ 이 변경은 현재 계약의 범위를 넘으므로 계약과 가드레일을 함께 개정해야 합니다.
+- **운영·다른 패러다임**: OSIV·커넥션 풀·Little's Law, 쓰기 N+1, 리액티브, 탐지기,
+ NoSQL 임베드는 이번 조회 문제를 해결한 뒤 별도 주제로 검증할 수 있습니다.
-결국 이 문제는 N+1 하나를 없애는 문제가 아니라 화면에 필요한 읽기 모델을 어떤 SQL·인덱스·모델로 만들 것인가의 문제다(§2).
+작업을 마치고 보니 처음의 문제는 N+1 하나를 없애는 데서 끝나지 않았습니다. 화면에 필요한
+읽기 모델을 어떤 SQL·인덱스·모델로 만들 것인지까지 정해야 했습니다.
---
@@ -1335,24 +1684,24 @@ cd src
- EXPLAIN·width 정정(§12): `l6ExplainProjectionHasLimitAndSemiJoinNotNarrowerWidth`, (a) 부모 프로젝션 Limit 노드 존재하나 width 안 좁아짐(2088 > 엔티티 1194) / (b) 자식 IN semi-join(행 안 곱함). 프로젝션 이득은 EXPLAIN 아니라 ORM 층(→ [`evidence/explain/l6-parent-projection.txt`](./evidence/explain/l6-parent-projection.txt) · [`l6-child-projection.txt`](./evidence/explain/l6-child-projection.txt) · [`evidence/metrics/l6-explain-width.csv`](./evidence/metrics/l6-explain-width.csv)).
- 잔여 비용(§12): `l6ProbeProjectionStillFetchesAllHighlightsNotTopN`, 페이지 20건인데 자식 행 `1,509`(부모당 전량, top-3 아님 → L14)(→ [`evidence/metrics/l6-projection-resolution.csv`](./evidence/metrics/l6-projection-resolution.csv)).
- 정확성·전송(§13): **별도 클래스 `FeedTopNIT`**(IT-only, native SQL) `l14ThreeStrategiesReturnTopThreePerParentAndNaiveLimitIsWrong`·`l14TransferAcrossStrategies`, 윈도우·LATERAL은 부모당 3개(반환 60·부모 20), 2단계는 앱컷 전 전량 `1,509`, 순진 `LIMIT 3`은 전체 3행(부모 1개만 = 오작동) 확인(→ [`evidence/metrics/l14-topn-resolution.csv`](./evidence/metrics/l14-topn-resolution.csv)).
-- 플랜 대조(§13, 스타): `l14ExplainThreeWayPlanCompareIsTheCrownJewel`, 세 해법 `EXPLAIN (ANALYZE, BUFFERS)` — LATERAL은 `Index Scan`(buffers 204)·윈도우/2단계는 같은 `Hash Semi Join`(buffers 430, 전량 1,509) 확인(→ [`l14-lateral-plan.txt`](./evidence/explain/l14-lateral-plan.txt) · [`l14-window-plan.txt`](./evidence/explain/l14-window-plan.txt) · [`l14-twostep-plan.txt`](./evidence/explain/l14-twostep-plan.txt) · [`evidence/metrics/l14-plan-compare.csv`](./evidence/metrics/l14-plan-compare.csv)).
+- 플랜 대조(§13): `l14ExplainThreeWayPlanCompareIsTheCrownJewel`, 세 방법 `EXPLAIN (ANALYZE, BUFFERS)` — LATERAL은 `Index Scan`(buffers 204)·윈도우/2단계는 같은 `Hash Semi Join`(buffers 430, 전량 1,509) 확인(→ [`l14-lateral-plan.txt`](./evidence/explain/l14-lateral-plan.txt) · [`l14-window-plan.txt`](./evidence/explain/l14-window-plan.txt) · [`l14-twostep-plan.txt`](./evidence/explain/l14-twostep-plan.txt) · [`evidence/metrics/l14-plan-compare.csv`](./evidence/metrics/l14-plan-compare.csv)).
- 인덱스 토글(§13): `l14LateralDependsOnCompositeIndex`, 같은 LATERAL을 `ix_highlights_feed_items_created` DROP 후 측정→`finally` 복구 — 인덱스 없으면 `Seq Scan`(Rows Removed by Filter 2842/loop)으로 buffers 168→4446(약 26배) 확인(→ [`l14-lateral-no-index.txt`](./evidence/explain/l14-lateral-no-index.txt) · [`evidence/metrics/l14-index-toggle.csv`](./evidence/metrics/l14-index-toggle.csv)).
- 그룹 크기 곡선(§13): `l14GroupSizeCurveWindowVsLateral`(K=3/50/500), 반환 60/695/1,509이고 LATERAL buffers가 모든 K에서 윈도우보다 작음(작은 K일수록 격차↑) 확인(→ [`evidence/metrics/l14-group-size.csv`](./evidence/metrics/l14-group-size.csv)).
- 잔여 비용(§13): `l14ProbeParentPagingStillUsesOffsetNotKeyset`, 부모 페이징이 아직 `OFFSET 900`이라 앞 900행 scan-then-discard(→ L15 keyset).
-- 깊이 곡선(§14, 스타): **별도 클래스 `FeedKeysetIT`**(IT-only, native SQL) `l15DeepPageOffsetOverScansButKeysetStaysFlat`(offset 0/980/1980), OFFSET 훑은 행 = offset+20(20/`1,000`/`2,000`)인데 keyset은 20으로 평탄(page 100에서 100× over-scan) 확인(→ [`evidence/metrics/l15-depth-curve.csv`](./evidence/metrics/l15-depth-curve.csv)).
+- 깊이 곡선(§14): **별도 클래스 `FeedKeysetIT`**(IT-only, native SQL) `l15DeepPageOffsetOverScansButKeysetStaysFlat`(offset 0/980/1980), OFFSET 훑은 행 = offset+20(20/`1,000`/`2,000`)인데 keyset은 20으로 일정함(page 100에서 100× over-scan) 확인(→ [`evidence/metrics/l15-depth-curve.csv`](./evidence/metrics/l15-depth-curve.csv)).
- EXPLAIN·인덱스 유무(§14): `l15ExplainOffsetScansThenDiscardsKeysetSeeksAndNeedsIndex`, OFFSET `Seq Scan`+`Sort`(2,000, buffers 141) vs keyset `Index Only Scan`(20, buffers 1); 인덱스 없으면 keyset도 `Seq Scan`(buffers 141) 확인(→ [`l15-offset-deep-page.txt`](./evidence/explain/l15-offset-deep-page.txt) · [`l15-keyset-index-seek.txt`](./evidence/explain/l15-keyset-index-seek.txt) · [`l15-keyset-no-index.txt`](./evidence/explain/l15-keyset-no-index.txt) · [`evidence/metrics/l15-deep-page-compare.csv`](./evidence/metrics/l15-deep-page-compare.csv)).
- 정확성(§14): `l15KeysetWalkMatchesOffsetPages`, keyset 커서로 넘긴 page 2 == OFFSET page 2(같은 20 id·같은 순서).
- 가시성 probe(§14 → L16): `l15ProbeVisibilityOrBreaksKeysetIndex`, keyset에 가시성 `OR`+`EXISTS`를 얹으면 정렬키 인덱스 미사용·`BitmapOr`+`Sort` 재등장(순서 seek 이점 소멸) 확인(→ [`l15-visibility-or-probe.txt`](./evidence/explain/l15-visibility-or-probe.txt)).
- 정확성(§15): **별도 클래스 `FeedVisibilityIT`**(IT-only, native SQL·신규 인덱스/feed_visible 토글) `l16ThreeApproachesReturnSameVisibleSet`, 단일 OR == UNION 분해 == 사전계산이 같은 20 feed_item(답 동일, 플랜만 다름) 확인(→ [`evidence/metrics/l16-plan-compare.csv`](./evidence/metrics/l16-plan-compare.csv)).
-- 3안 플랜 대조(§15, 스타): `l16ExplainThreeWayPlanCompare`, 단일 OR(`BitmapOr`+top-N `Sort`+hashed SubPlan, 후보 `1,500`, buffers 122) vs UNION(`Merge Append`+`Hash Join`, buffers 200) vs 사전계산(`Index Only Scan` on feed_visible, Sort 없음, buffers 1) 확인(→ [`l16-single-or-plan.txt`](./evidence/explain/l16-single-or-plan.txt) · [`l16-union-decompose-plan.txt`](./evidence/explain/l16-union-decompose-plan.txt) · [`l16-precompute-plan.txt`](./evidence/explain/l16-precompute-plan.txt)).
+- 3안 플랜 대조(§15): `l16ExplainThreeWayPlanCompare`, 단일 OR(`BitmapOr`+top-N `Sort`+hashed SubPlan, 후보 `1,500`, buffers 122) vs UNION(`Merge Append`+`Hash Join`, buffers 200) vs 사전계산(`Index Only Scan` on feed_visible, Sort 없음, buffers 1) 확인(→ [`l16-single-or-plan.txt`](./evidence/explain/l16-single-or-plan.txt) · [`l16-union-decompose-plan.txt`](./evidence/explain/l16-union-decompose-plan.txt) · [`l16-precompute-plan.txt`](./evidence/explain/l16-precompute-plan.txt)).
- 분기별 인덱스(§15): `l16LowSelectivityBranchesRideTheirIndex`, mentioned 분기=`ix_mentions_user` 조인·private 분기=`ix_feed_items_private` partial의 `Index Only Scan` 확인(→ [`l16-union-branches.txt`](./evidence/explain/l16-union-branches.txt)).
- 사전계산=CQRS(§15 → L12): `l16PrecomputeIsSingleIndexScanNoOrNoSort`, `feed_visible` 단일 `Index Only Scan`·Sort 없음·buffers 1 확인(→ [`l16-precompute-plan.txt`](./evidence/explain/l16-precompute-plan.txt)).
- 통합 정확성·shape(§16): **별도 클래스 `FeedCrownIT`**(IT-only, native SQL·신규 인덱스/feed_visible 토글) `crownUnifiedReturnsSameShapeAcrossParentPaths`, 세 부모선택(단일 OR/UNION 분해/사전계산)이 같은 20 부모(unionEq·precomputeEq 참)·통합 결과 부모 20·총 60행·부모당 top-3 확인(→ [`evidence/metrics/crown-unified-plan.csv`](./evidence/metrics/crown-unified-plan.csv)).
-- 한 플랜 세 기법(§16, 스타): `crownUnifiedPlanStacksVisibilityKeysetAndTopN`, 사전계산 부모선택 통합 쿼리가 `Index Only Scan`(ix_feed_visible) + `Nested Loop` LATERAL `Index Scan`(ix_highlights_feed_items_created)로 세 기법을 재정렬(Sort) 없이 한 플랜에 겹침 확인(→ [`crown-unified-precompute-plan.txt`](./evidence/explain/crown-unified-precompute-plan.txt)).
+- 한 플랜 세 기법(§16): `crownUnifiedPlanStacksVisibilityKeysetAndTopN`, 사전계산 부모선택 통합 쿼리가 `Index Only Scan`(ix_feed_visible) + `Nested Loop` LATERAL `Index Scan`(ix_highlights_feed_items_created)로 세 기법을 재정렬(Sort) 없이 한 플랜에 겹침 확인(→ [`crown-unified-precompute-plan.txt`](./evidence/explain/crown-unified-precompute-plan.txt)).
- 간섭 시험(§16): `crownDeepPageKeysetSeeksFewerRowsWithPrecomputeThanSingleOr`, 가장 깊은 페이지(보이는 `1,500` 중 마지막)에서 사전계산 부모선택은 `ix_feed_visible` 인덱스 range 로 19 행만, 단일 OR 부모선택은 feed_visible 미사용·`BitmapOr`+멘션 hashed SubPlan 으로 200 행 훑음(★ 실측정정: 깊은 커서에선 둘 다 남은 19 행 작은 Sort) 확인(→ [`crown-deep-keyset-precompute.txt`](./evidence/explain/crown-deep-keyset-precompute.txt) · [`crown-deep-keyset-single-or.txt`](./evidence/explain/crown-deep-keyset-single-or.txt)).
- CQRS-lite 읽기 모델(§17): **프로덕션 경로**(시리즈 첫 프로덕션 코드, IT-only 아님) `GetFeedReadModelUseCase` → `FeedReadModelQueryPort` → `FeedReadModelQueryAdapter`(신규). `FeedReadModelUseCaseIT`(seed N∈{10, 100})가 유스케이스 경로에서 엔티티 로드 0·발행 쿼리 상수 2(N 무관)·부모당 top-3(§12 프로젝션 + §13 window 결합, §12 잔여 `1,509` → ≤60 해소) 반환 확인. ArchUnit `query_ports_do_not_leak…`·의존 방향·`./gradlew check` GREEN.
-> 개별 테스트만 돌릴 때는 Gradle 와일드카드가 `*`임에 주의(`...`은 매칭 0). 예) `--tests '*FeedPersistenceIT.l2*'`. 초록불을 다시 돌리려면 `--rerun-tasks`(안 그러면 UP-TO-DATE로 건너뜀). 콘솔 측정 라인(`>>> LAB …`)은 `build/lab-results/feed-nplus1.md`에도 표로 적재된다.
+> 개별 테스트만 돌릴 때는 Gradle 와일드카드가 `*`임에 주의(`...`은 매칭 0). 예) `--tests '*FeedPersistenceIT.l2*'`. 초록불을 다시 돌리려면 `--rerun-tasks`(안 그러면 UP-TO-DATE로 건너뜀). 콘솔 측정 라인(`>>> LAB …`)은 `build/lab-results/feed-nplus1.md`에도 표로 적재됩니다.
원시 데이터 자산:
@@ -1370,7 +1719,7 @@ cd src
- [`evidence/metrics/l5-hydration-probe.csv`](./evidence/metrics/l5-hydration-probe.csv) — 페이지 20건 조회의 엔티티 하이드레이트 총수(§11 잔여 과적재 → L6).
- [`evidence/explain/l5-entity-paging-limit.txt`](./evidence/explain/l5-entity-paging-limit.txt) · [`evidence/explain/l5-batch-in-semijoin.txt`](./evidence/explain/l5-batch-in-semijoin.txt) — §11 (a) 엔티티 페이징(Limit 노드 존재) / (b) 배치 IN(semi-join, 곱셈 없음) EXPLAIN 원문.
- [`evidence/metrics/l6-projection-resolution.csv`](./evidence/metrics/l6-projection-resolution.csv) — before(§11 배치)/after(§12 프로젝션) 엔티티 로드·PreparedStatement·컬렉션 fetch·자식 행수(§12 프로젝션 해결, 결정적·hash-anchor).
-- [`evidence/metrics/l6-explain-width.csv`](./evidence/metrics/l6-explain-width.csv) — 부모 프로젝션 width vs 엔티티 페이징 width(§12.4 실측 정정: 프로젝션이 오히려 넓다).
+- [`evidence/metrics/l6-explain-width.csv`](./evidence/metrics/l6-explain-width.csv) — 부모 프로젝션 width vs 엔티티 페이징 width(§12.4 실측 정정: 프로젝션이 오히려 넓습니다).
- [`evidence/explain/l6-parent-projection.txt`](./evidence/explain/l6-parent-projection.txt) · [`evidence/explain/l6-child-projection.txt`](./evidence/explain/l6-child-projection.txt) — §12 (a) 부모 스칼라 프로젝션(Limit 존재, width 2088) / (b) 자식 스칼라 IN(semi-join, 행 안 곱함) EXPLAIN 원문.
- [`evidence/metrics/l14-topn-resolution.csv`](./evidence/metrics/l14-topn-resolution.csv) — 전략별(윈도우/LATERAL/2단계/순진) 반환 행·커버 부모·부모당 최대(§13 정확성·전송, 결정적·hash-anchor).
- [`evidence/metrics/l14-plan-compare.csv`](./evidence/metrics/l14-plan-compare.csv) — 3안 최상위 노드·반환 행·buffers(shared hit)·exec(§13 플랜 대조). buffers·exec는 워밍 캐시 상대값이라 anchor가 아니라 whitelist(같은 실행 내 상대 대조로만).
@@ -1391,12 +1740,12 @@ cd src
### B. 측정 환경·출처(provenance)
-§6.2·§7 표의 수치는 아래 조건에서 나온 값이다. 다른 환경에서는 지연 절대값·쿼리 플랜이 달라질 수 있으므로 절대값이 아니라 N에 따른 증가 형태로 읽는다.
+§6.2·§7 표의 수치는 아래 조건에서 나온 값입니다. 다른 환경에서는 지연 절대값·쿼리 플랜이 달라질 수 있으므로 절대값이 아니라 N에 따른 증가 형태로 읽습니다.
| 항목 | 값 |
|---|---|
| 수치 출처 | N1: `FeedPersistenceIT.l1CollectionNPlusOneGrowsLinearlyWithN` 콘솔(`=== L1 N=… ===`) · N2: `l2ToOneEagerHiddenNPlusOneCurve`·`l2EagerToOneFiresEvenWithZeroFieldAccess`·`l2ExplainRepeatedPageToOneQuery` 콘솔(`>>> LAB L2 …`) · §9(Fetch Join): `l3TwoBagFetchJoinThrowsMultipleBagFetchException`·`l3SingleCollectionFetchJoinExplodesTransferredRows`·`l3ExplainCollectionJoinRowMultiplication` 콘솔(`>>> LAB OBSERVE L3 …`) · §10(인메모리 페이징): `l4CollectionFetchJoinPagingLoadsWholeDatasetInMemory`·`l4EmitsHhh000104InMemoryPagingWarning`·`l4ExplainCollectionJoinHasNoLimitButEntityPagingDoes` 콘솔(`>>> LAB OBSERVE L4 …`) · §11(배치 해결): **별도 클래스 `FeedBatchFetchIT`**(`default_batch_fetch_size=100` 격리)의 `l5BatchFetchCollapsesQueryCount`·`l5EntityPagingLoadsOnlyThePageNotWholeDataset`·`l5ExplainEntityPagingHasLimitAndBatchInHasNoRowMultiplication`·`l5ProbeBatchStillHydratesFullEntities` 콘솔(`>>> LAB OBSERVE L5 …`) · §12(프로젝션 해결): **별도 클래스 `FeedProjectionIT`**(배치 설정 없음, sibling 메서드 `loadFeedProjection`)의 `l6ProjectionHydratesZeroEntities`·`l6ProjectionReturnsSameShapeAsNaiveLoadFeed`·`l6ExplainProjectionHasLimitAndSemiJoinNotNarrowerWidth`·`l6ProbeProjectionStillFetchesAllHighlightsNotTopN` 콘솔(`>>> LAB OBSERVE L6 …`) · §13(Top-N-per-group): **별도 클래스 `FeedTopNIT`**(IT-only, native SQL을 `JdbcTemplate`으로)의 `l14ThreeStrategiesReturnTopThreePerParentAndNaiveLimitIsWrong`·`l14ExplainThreeWayPlanCompareIsTheCrownJewel`·`l14TransferAcrossStrategies`·`l14GroupSizeCurveWindowVsLateral`·`l14LateralDependsOnCompositeIndex`·`l14ProbeParentPagingStillUsesOffsetNotKeyset` 콘솔(`>>> LAB OBSERVE L14 …`) · §14(keyset vs OFFSET): **별도 클래스 `FeedKeysetIT`**(IT-only, native SQL·정렬키 인덱스 CREATE/DROP 토글)의 `l15DeepPageOffsetOverScansButKeysetStaysFlat`·`l15ExplainOffsetScansThenDiscardsKeysetSeeksAndNeedsIndex`·`l15KeysetWalkMatchesOffsetPages`·`l15ProbeVisibilityOrBreaksKeysetIndex` 콘솔(`>>> LAB OBSERVE L15 …`) · §15(가시성 술어 인덱싱): **별도 클래스 `FeedVisibilityIT`**(IT-only, native SQL·신규 인덱스/feed_visible 토글)의 `l16ThreeApproachesReturnSameVisibleSet`·`l16ExplainThreeWayPlanCompare`·`l16LowSelectivityBranchesRideTheirIndex`·`l16PrecomputeIsSingleIndexScanNoOrNoSort` 콘솔(`>>> LAB OBSERVE L16 …`) · §16(통합/Task 4): **별도 클래스 `FeedCrownIT`**(IT-only, native SQL·신규 인덱스/feed_visible 토글)의 `crownUnifiedReturnsSameShapeAcrossParentPaths`·`crownUnifiedPlanStacksVisibilityKeysetAndTopN`·`crownDeepPageKeysetSeeksFewerRowsWithPrecomputeThanSingleOr`·`crownDecisionMatrixClaimsHoldInOneQuery` 콘솔(`>>> LAB OBSERVE crown …`) 및 리포트 `build/lab-results/feed-nplus1.md`·`feed-nplus1-l5.md`·`feed-nplus1-l6.md`·`feed-nplus1-l14.md`·`feed-nplus1-l15.md`·`feed-nplus1-l16.md`·`feed-nplus1-crown.md` |
-| §9 측정 방식 주의 | 순진 조회(N1/N2)는 `loadFeed`(Spring Data `Pageable`)이지만, §9의 fetch join은 **원시 JPQL**(`Pageable` 없음)이라 count 쿼리가 없다. 전송 행수는 `resultList.size()`가 아니라 조인 count(`SELECT count(*) FROM feed_items JOIN highlights …`)로 측정한다 — Hibernate 6+ 루트 dedup 때문(§9.3). |
+| §9 측정 방식 주의 | 순진 조회(N1/N2)는 `loadFeed`(Spring Data `Pageable`)이지만, §9의 fetch join은 **원시 JPQL**(`Pageable` 없음)이라 count 쿼리가 없습니다. 전송 행수는 `resultList.size()`가 아니라 조인 count(`SELECT count(*) FROM feed_items JOIN highlights …`)로 측정한다 — Hibernate 6+ 루트 dedup 때문(§9.3). |
| 런타임 | Java 21 · Spring Boot 4.0.0 · Hibernate ORM 7.1.8.Final |
| DB | PostgreSQL `postgres:16-alpine`(Testcontainers, 클래스당 1개 공유) |
| 지연 표본 | 반복 7회 중 워밍업 2회 제외한 5회의 중앙값/최댓값 |
@@ -1405,12 +1754,12 @@ cd src
| 소스 모듈 | 어댑터 `adapter/outbound/persistence-jpa`, 테스트 `app-bootstrap` |
| 원문 로그 | `app-bootstrap/build/test-results/test/TEST-*FeedPersistenceIT*.xml`의 system-out |
-재현성을 더 높이려면 Docker 이미지를 digest로 고정하고(`postgres:16-alpine@sha256:…`), 측정 시작 시 `select version()`·`show server_version_num`·`show random_page_cost`·`show work_mem`를 함께 기록한다(쿼리 플랜은 버전·planner setting에 좌우된다).
+재현성을 더 높이려면 Docker 이미지를 digest로 고정하고(`postgres:16-alpine@sha256:…`), 측정 시작 시 `select version()`·`show server_version_num`·`show random_page_cost`·`show work_mem`를 함께 기록한다(쿼리 플랜은 버전·planner setting에 좌우됩니다).
### C. 함정(테스트 설정)
-`@DataJpaTest`는 테스트 클래스 패키지에서 위로 올라가며 `@SpringBootConfiguration`을 찾는다. 측정 테스트가 부트 앱(`CaSkeletonApplication`)의 조상 패키지가 아니라 형제 패키지에 있으면 "Unable to find a @SpringBootConfiguration"으로 실패한다. `@ContextConfiguration(classes = CaSkeletonApplication.class)`로 설정 클래스를 명시하면 해결된다.
+`@DataJpaTest`는 테스트 클래스 패키지에서 위로 올라가며 `@SpringBootConfiguration`을 찾습니다. 측정 테스트가 부트 앱(`CaSkeletonApplication`)의 조상 패키지가 아니라 형제 패키지에 있으면 "Unable to find a @SpringBootConfiguration"으로 실패합니다. `@ContextConfiguration(classes = CaSkeletonApplication.class)`로 설정 클래스를 명시하면 해결됩니다.
### D. 슬라이드용 캡처
-발표 슬라이드에서 화면 캡처로 보여줄 스크린샷은 [`assets/`](./assets/README.md)에 둔다(콘솔·SQL 로그·EXPLAIN 캡처). `assets/`은 슬라이드 캡처, `evidence/`는 원시 데이터·그림으로 역할을 구분한다.
+발표 슬라이드에서 화면 캡처로 보여줄 스크린샷은 [`assets/`](./assets/README.md)에 둔다(콘솔·SQL 로그·EXPLAIN 캡처). `assets/`은 슬라이드 캡처, `evidence/`는 원시 데이터·그림으로 역할을 구분합니다.