예시 시나리오: 이 글은 이런 종류의 프로젝트가 어떻게 진행되는지 보여 주기 위해 쓴 종합 사례입니다. 특정 고객사를 설명하는 글이 아니며, 수치도 예시입니다.
상황
2024년 1월, 저희는 한 지역 유통 그룹과 이야기를 시작했습니다. 이 그룹의 이커머스 플랫폼은 평상시 하루 약 40,000건의 주문을 처리했고, 대형 세일 기간에는 200,000건 이상으로 늘었습니다. 백엔드는 Oracle Database 19c로 운영되었으며, 데이터베이스는 두 곳의 코로케이션 데이터센터에 온프레미스로 설치되어 있었습니다. 주문, 재고, 고객 기록, 풀필먼트 이력, 그리고 컴플라이언스상 보관해야 하는 7년치 감사 로그까지, 트랜잭션 데이터는 약 50TB였습니다.
지금의 구성이 고장 나고 있던 것은 아니었습니다. 문제는 이 구성을 계속 유지하기 어려워지고 있다는 점이었습니다. Oracle 라이선스 비용은 최근 3년간 34% 올랐는데, 일부는 Oracle의 공격적인 라이선스 감사 때문이었고 일부는 데이터 규모가 실제로 커졌기 때문이었습니다. 코로케이션 서버의 하드웨어 교체 시기도 이미 지나 있었습니다. 온프레미스 장비를 교체하는 자본 지출을 감당하면서 제품 개발 로드맵에도 투자하는 것은 현실적으로 불가능했습니다. 클라우드 이전이 올바른 전략적 결정이었습니다.
이 프로젝트를 진짜 어렵게 만든 제약은 따로 있었습니다. 9월부터 1월까지 이어지는 성수기에는 다운타임을 허용할 수 없었습니다. 프로젝트 시작일은 2024년 2월이었고, 그해 9월 전에 운영 환경 컷오버를 끝내야 했습니다. 점검 시간 없이 운영 중인 50TB 데이터베이스를 옮길 수 있는 기간이 약 7개월이었던 셈입니다.
왜 Aurora였는가, 그리고 스키마 문제가 단순하지 않았던 이유
대상 플랫폼은 저희가 참여하기 전에 정해져 있었습니다. 고객사 CTO가 Aurora PostgreSQL, Aurora MySQL, RDS Oracle(Oracle 방언을 그대로 유지할 수 있는 선택지)을 비교한 뒤, 비용, 성능, 장기 유지보수성을 이유로 Aurora PostgreSQL을 택했습니다. 저희도 이 결론에 동의했지만 그 영향은 작지 않았습니다. Oracle에서 PostgreSQL로의 이전은 단순한 리프트 앤 시프트가 아니기 때문입니다. Oracle 전용 문법, 데이터 타입, 그리고 그대로 옮겨지지 않는 프로시저 로직을 하나씩 살펴야 하는 데이터베이스 포팅입니다.
고객사 Oracle 데이터베이스에는 저장 프로시저 847개, 데이터베이스 트리거 130개, 패키지 23개가 있었습니다. 11년간의 개발로 쌓인 상당한 분량의 비즈니스 로직입니다. 프로젝트의 첫 단계는 이 프로시저 계층 전체를 감사하여, 다시 작성해야 하는 Oracle 전용 구문을 찾아내는 일이었습니다. AWS Schema Conversion Tool(SCT) 덕분에 출발은 수월했습니다. 저장 프로시저의 약 60%는 수작업 없이 자동으로 변환되었습니다. 나머지 40%는 사람이 손봐야 했고, 간단한 문법 수정부터 Oracle과 PostgreSQL의 실행 모델이 근본적으로 달라 로직 구조를 통째로 바꿔야 하는 경우까지 정도가 다양했습니다.
가장 자주 부딪힌 변환 문제는 다음과 같습니다. Oracle의 DECODE 함수(CASE 표현식으로 대체), Oracle 시퀀스와 PostgreSQL 시퀀스의 차이(문법은 다르지만 의미는 호환), Oracle의 암묵적 TO_DATE 변환 동작(PostgreSQL은 날짜 형식 문자열에 더 엄격함), 그리고 Oracle의 CONNECT BY 계층 쿼리 구문을 쓰던 몇몇 저장 프로시저(PostgreSQL의 재귀 CTE로 대체)입니다. 다시 작성할 범위를 줄이기 위해 Oracle 호환 함수를 구현한 PostgreSQL 확장 Orafce도 사용했습니다. 작업이 없어지지는 않지만, 흔한 패턴에서는 눈에 띄게 줄여 줍니다.
마이그레이션 전략: 듀얼 라이트와 섀도 리드
점검 시간 없이 50TB 데이터베이스를 옮기려면, 원본 시스템으로 트래픽이 계속 흐르는 동안 일관된 데이터베이스 두 개를 동시에 유지하는 전략이 필요합니다. 저희는 듀얼 라이트 방식에 검증용 섀도 리드를 더했고, 지속적인 복제 계층은 AWS Database Migration Service(DMS)로 구성했습니다.
구조는 다음과 같습니다. DMS를 지속 복제 모드로 설정해 Oracle의 변경 사항을 Aurora PostgreSQL로 거의 실시간으로 복제했습니다. 평상시 부하에서는 지연이 보통 2-5초였고, 트래픽이 몰리는 시간대에는 15-20초까지 늘었습니다. 이전 기간 동안 애플리케이션은 쓰기와 읽기를 모두 Oracle에서만 처리했습니다. 그와 동시에 섀도 서비스가 모든 쓰기 작업의 사본을 받아 Aurora PostgreSQL에 재생했고, 덕분에 두 데이터베이스가 같은 상태로 수렴하는지 검증할 수 있었습니다.
기술적으로 더 흥미로웠던 부분은 섀도 리드였습니다. 저희는 두 데이터베이스에서 주기적으로 레코드를 표본 추출해 필드 단위로 비교하는 검증 서비스를 만들었습니다. 표본은 시간당 50,000건이며, 데이터 전체에 고르게 분포하도록 해시로 선택했습니다. 불일치는 레코드 식별자, 필드명, Oracle 값, Aurora 값, 각 시스템에서 마지막으로 수정된 시각까지 전체 맥락과 함께 기록했습니다. 이를 통해 이전 기간 내내 데이터 무결성을 지속적으로 파악할 수 있었고, 개발 환경에서는 나타나지 않았던 스키마 변환 문제도 잡아낼 수 있었습니다.
섀도 리드 기간에 불일치는 열한 가지 유형이 나왔습니다. 대부분은 사소했습니다. Oracle 기본 숫자 타입과 PostgreSQL의 정밀도 처리가 다른 문제, 타임스탬프의 시간대 처리 차이, 레거시 데이터에서 NULL과 빈 문자열을 다루는 방식의 차이 등입니다. 두 건은 더 중요했습니다. 하나는 서머타임 경계가 걸린 예외적인 경우에 두 시스템에서 다르게 동작한 날짜 연산 저장 프로시저였고, 다른 하나는 중복 키 위반을 처리하는 Oracle 고유의 동작을 PostgreSQL 버전에서 완전히 재현하지 못한 트리거였습니다. 두 건 모두 병행 운영 기간에 발견해 수정했으므로, 운영 환경에서 데이터가 손상될 위험이 생기기 전에 해결했습니다.
단계적 접근: 컷오버까지 4단계
이번 이전을 한 번의 이벤트로 다루지 않고, 단계마다 진행/중단 판단 기준을 정한 네 단계로 나누었습니다.
1단계 – 스키마와 정적 데이터(1-4주차): 데이터베이스 스키마, 참조 데이터 테이블, 활발히 수정되지 않는 과거 아카이브 데이터를 옮깁니다. 이 단계에서 Aurora 환경을 마련했고, 운영에 아무 위험 없이 실제 데이터 규모로 스키마 변환을 검증할 수 있었습니다. 이 단계에는 DMS의 초기 전체 로드를 사용했고, 50TB 데이터셋을 옮기는 데 11일이 걸렸습니다. DMS는 데이터 규모에 문제가 없었지만, IAM 권한과 VPC 라우팅 설정 문제로 디버깅에 약 이틀을 썼습니다. DMS를 써 본 사람이라면 예상할 수 있는 문제이지만, 일정에 미리 반영해 둘 만합니다.
2단계 – 지속 복제와 섀도 검증(5-14주차): DMS 지속 복제와 섀도 리드 검증 서비스를 켭니다. 이 단계는 열 주 동안 이어져 당초 계획보다 길어졌습니다. 불일치 데이터를 바탕으로 스키마 변환을 반복해서 개선했기 때문입니다. 3단계로 넘어가는 진행 기준은 72시간 연속 모니터링 구간에서 불일치 0건이었고, 14주차에 이 기준을 충족했습니다.
3단계 – 애플리케이션 계층 준비(15-22주차): 애플리케이션 연결 계층을 이중 데이터베이스 연결을 지원하도록 바꾸고, 쓰기 트래픽보다 읽기 트래픽을 먼저 Aurora로 돌릴 수 있게 기능 플래그를 구현하며, 시뮬레이션한 피크 트래픽 조건에서 Aurora 환경의 부하 테스트를 마칩니다. 성능 면에서 Aurora는 Oracle을 그대로 대체할 수 있는 제품이 아닙니다. 쿼리 최적화 경로가 다르고, Oracle에서 잘 동작하던 몇몇 쿼리는 Aurora에서 인덱스를 추가하거나 쿼리 구조를 바꿔야 했습니다. 이 작업은 운영 트래픽이 Aurora에 닿기 전인 3단계에서 운영 데이터 복제본으로 부하 테스트를 하며 끝냈습니다.
4단계 – 컷오버(24주차, 한 번의 주말 동안 진행): 실제 컷오버는 단계적으로 진행했습니다. 먼저 쓰기는 계속 Oracle로 보내면서 모든 읽기 트래픽을 Aurora로 돌렸습니다(3단계에서 만든 기능 플래그 사용). 실제 읽기 트래픽에서 4시간 동안 모니터링한 뒤 다음 단계로 넘어갔습니다. 그다음, 주문량이 하루 중 가장 적은 일요일 오전 2시에 애플리케이션을 멈추고, DMS가 마지막 복제 지연을 0까지 비우도록 기다렸습니다. 이어 Aurora를 primary로 승격하고, 애플리케이션 설정을 Aurora에 쓰도록 바꾼 뒤 애플리케이션을 다시 시작했습니다. 총 다운타임은 8분이었습니다. 컷오버 후 14일 동안 Oracle을 롤백 수단으로 남겨 두었고, 이 기간에는 Aurora에서 Oracle로 단방향 복제를 해 최신 상태를 유지했습니다.
Aurora 성능 튜닝
성능에 관한 이야기는 두 장으로 나뉩니다. 컷오버 직후의 첫 장은 우려스러웠습니다. 트래픽이 많은 몇몇 쿼리가 Oracle보다 Aurora에서 40-60% 느리게 실행되었습니다. 두 주간 튜닝한 뒤의 둘째 장은 처음 예상보다 좋았습니다.
가장 느렸던 쿼리는 애플리케이션이 자주 실행하는 주문 검색이었습니다. 여러 필터 조건이 조합되면서 Aurora 쿼리 옵티마이저가 좋지 않은 실행 계획을 세웠습니다. 이 쿼리의 Oracle 실행 계획은 Aurora의 플래너가 선택하지 않은 인덱스 조합을 사용하고 있었습니다. 복합 인덱스를 추가하고 중첩 서브쿼리 대신 CTE를 쓰도록 쿼리를 다시 작성하자, Aurora 실행 시간이 Oracle 기준선보다 12% 짧아졌습니다. 다른 쿼리 8개에서도 비슷한 패턴이 나타났고, 각각 실행 계획 분석, 인덱스 추가 또는 쿼리 재작성, 부하 상태 검증을 거쳐야 했습니다.
Aurora의 커넥션 풀링 동작도 조정이 필요했습니다. Oracle 환경에서는 수명이 매우 긴 커넥션으로 풀링을 사용했습니다. PostgreSQL 기반인 Aurora는 커넥션 수에 더 민감하고, 커넥션 수명이 짧고 풀을 적극적으로 재활용하는 쪽이 유리합니다. RDS Proxy 설정을 조정하고 애플리케이션의 커넥션 풀 설정을 바꾸자 커넥션 관련 성능 문제는 해소되었습니다.
컷오버 60일 뒤에 측정한 최종 성능 지표는 다음과 같습니다. 평균 쿼리 응답 시간은 Oracle 기준선보다 18% 개선되었습니다. p99 쿼리 응답 시간(가장 느린 1%의 쿼리)은 31% 개선되었는데, 주된 이유는 Oracle 환경이 쓰던 스피닝 디스크 스토리지보다 Aurora의 I/O 구조가 편차가 큰 워크로드를 더 일정하게 처리하기 때문입니다. 가용 영역 두 곳에 추가한 읽기 복제본은 Oracle 구성에는 없던 이중화를 더해 주었습니다.
필요하지 않았지만 있어서 다행이었던 롤백 계획
이 정도 규모의 마이그레이션에서 신뢰할 만한 롤백 계획이 없다면 운영 투입 준비가 된 것이 아닙니다. 4단계 컷오버 진행 승인은 롤백 계획을 문서로 남기는 데 그치지 않고 실제로 테스트하는 것을 조건으로 했습니다.
롤백 계획은 세 가지로 구성되었습니다. 첫째, 컷오버 후 14일 동안 Aurora에서 오는 단방향 복제로 Oracle을 최신 상태로 유지했습니다. 롤백이 필요하면 Aurora로 가는 애플리케이션 쓰기를 멈추고, 단방향 복제가 따라잡기를 기다린 다음, 애플리케이션 연결 설정을 Oracle로 되돌리고 재시작하는 절차였습니다. 예상 롤백 시간은 15분에 복제 지연이 해소되는 시간을 더한 정도였습니다. 운영 컷오버 전에 스테이징 환경에서 이 절차를 두 번 테스트했습니다.
둘째, 4단계 컷오버 직전에 찍은 데이터베이스 스냅샷을 보관했습니다. 복제 기반 롤백이 어떤 이유로든 실패할 때를 위한 "최후의 수단"입니다. 스냅샷에서 50TB를 복원하는 데는 훨씬 오래 걸려 4-6시간으로 예상했지만, 선택지는 갖춰 둔 것입니다.
셋째, 3단계에서 만든 애플리케이션 기능 플래그를 컷오버 후에도 그대로 두었습니다. 특정 쿼리 경로에서만 운영 중 문제가 생기면, 전체를 롤백하지 않고 해당 경로의 읽기만 Oracle로 되돌릴 수 있었습니다. 가장 정밀한 선택지로, 컷오버 대부분은 정상인데 한 영역에 시간이 더 필요한 "부분 성공" 상황을 대비해 설계한 것입니다.
롤백 계획은 한 번도 실행되지 않았습니다. 이것은 롤백 계획의 품질에 관한 이야기가 아니라, 14주간의 섀도 검증 기간이 이룬 성과에 관한 이야기입니다. 컷오버 시점에는 데이터 일관성을 계속 측정해 왔으므로 확신이 높았습니다.
결과와 얻은 교훈
컷오버 6개월 후의 수치는 다음과 같습니다. Oracle 라이선스 비용이 없어졌고(연 약 $1.2M), 코로케이션 하드웨어 비용도 없어졌으며(연 약 $380K), 현재 규모에서 Aurora 운영 비용은 연 약 $420K입니다. 순 연간 절감액은 약 $1.16M입니다. 이전 프로젝트 비용(GTEMAS 참여 비용, AWS 마이그레이션 크레딧, 내부 투입 시간 포함)은 약 $680K였고, 투자 회수 기간은 약 7개월입니다.
비용 외에도 인프라 민첩성이 눈에 띄게 좋아졌습니다. 이제 고객사는 하드웨어 조달 기간 없이 트래픽 패턴에 맞춰 Aurora 읽기 용량을 늘리고 줄일 수 있습니다. 2024년 성수기는 Aurora에서 문제없이 치렀고, 거래량이 가장 많은 날 215,000건의 주문을 처리해 새 기록을 세웠습니다. 이때 p99 쿼리 지연 시간은 Oracle 기준선이 평상시에 보여 준 수치보다도 낮았습니다.
이 교훈들은 이런 규모의 이전을 해 본 사람에게는 익숙하겠지만, 프로젝트마다 이 부분에 투자를 아끼기 때문에 다시 짚어 둘 만합니다. 섀도 검증은 없어도 되는 부담이 아니라, 변환 오류가 운영 장애가 되기 전에 찾아내는 장치입니다. Oracle 프로시저 계층은 SCT의 추정보다 훨씬 많은 수작업 재작성이 필요했습니다. 대상 플랫폼의 성능 튜닝에는 개발 환경의 추정치가 아니라 운영 규모의 부하 테스트 데이터가 필요합니다. 그리고 롤백 계획은 문서로 남기는 데서 끝내지 말고 테스트해야 합니다.
조직에서 대규모 데이터베이스 이전, 특히 Oracle에서 PostgreSQL 또는 Aurora로의 이전을 검토하고 있다면, 프로젝트의 성패는 계획, 검증, 튜닝 작업에서 갈립니다. GTEMAS는 처음부터 작업 범위를 현실적으로 산정하는 일을 도울 수 있습니다.
