PharmNote
영업담당자·본사·매입처가 약국 재고·주문·수금·정산을 함께 관리하는 웹·모바일 플랫폼을 개발했습니다. 종이 장부와 메신저에 흩어진 업무를 하나의 시스템으로 옮기고 백엔드·웹 프론트엔드·모바일 앱·AWS 인프라를 모두 직접 설계·구현했습니다.
김태오백엔드 및 클라우드 시스템 엔지니어
백엔드·클라우드 엔지니어 김태오입니다. 시스템이 커지며 초기 설계를 넘어설 때 생기는 문제와, 그 진화를 어떻게 도울지에 관심이 있습니다.
10개 진료 제품과 1,000개 이상 병원별 DB를 연동하는 백엔드와 클라우드를 개발했습니다. 예약·진료 규칙부터 서비스 분리 및 배포까지 다뤘습니다.
성능, 안정성, 인프라를 다루며 풀었던 문제들입니다. 각 사례를 열면 판단 과정과 결과를 볼 수 있습니다.
C# EMR과 DB를 함께 실행하는 저사양 병원 PC에서 예약판이 느리다는 불만이 들어왔고 사용자는 수동으로 새로고침하고 있었습니다. 예약 조회 흐름 전반에 걸쳐 약 50개 테이블을 반복 조회해 CPU·메모리 부하가 컸으며 API 지연은 DB query와 데이터 조회에 집중됐습니다.
기존 병원 프로그램도 DB를 수정하므로 API의 쓰기 경로에서만 cache를 무효화하면 변경을 놓칠 수 있었습니다. CDC를 시도했지만 1,000개 DB 호스트의 connector를 관리하기 어려웠고 Kafka/Debezium 연결도 불안정했습니다.
처방 저장이 성공해도 본인부담금·절삭·과세·야간 및 휴일 가산을 처리하는 방식이 달라지면 수납 금액이 달라질 수 있었습니다. C#에서 Kotlin으로 옮길 때 기능 구현과 함께 기존 계산·처리 동작의 일치도 입증해야 했습니다.
계산 규칙이 C# 분기와 SQL에 흩어져 있어 API 응답 비교만으로는 차이를 찾기 어려웠습니다. 앞선 쓰기 결과를 뒤의 query가 참조하는 실행 순서와 이미 수납한 처방의 변경까지 확인해야 했습니다.
병원 PC와 DB가 꺼진 뒤에도 온라인 예약은 계속 들어왔습니다. 예약을 받는 시점과 병원 DB에 반영하는 시점이 달라 같은 요청 안에서 두 작업을 끝낼 수 없었습니다.
요청이 끝나거나 DB 저장 후 외부 전송에 실패해도 병원에 보낼 작업이 남아야 했습니다. DB가 꺼진 경우와 다른 처리 오류의 재시도 정책도 구분해야 했습니다. CDC 대상은 1,000개 병원 DB가 아니라 중앙 예약 플랫폼의 outbox였습니다.
Kotlin·Spring Boot 전환 중 SQL Server 조회가 느려 query plan을 비교했습니다. 문자열 파라미터가 Unicode로 전달되면서 VARCHAR 컬럼의 조회용 index를 사용하지 못하고 있었습니다.
기존 프로그램이 사용하는 병원별 스키마를 일괄 변경할 수 없었습니다. 파라미터 바인딩을 조정해도 Hibernate의 getNString 조회와 JDBC의 getter 변환 규칙은 별도로 다뤄야 했습니다.
ECS에서 EKS로 옮긴 뒤에도 병원마다 생성되는 Hikari connection pool 때문에 한 pod에 DB 관련 thread 약 900개가 쌓였습니다. 1 GB heap은 GC 후에도 약 900 MB를 사용했습니다.
pod마다 여러 병원의 pool을 계속 보유하는 구조부터 바꿔야 했습니다. 병원별 사용량도 달라 그룹을 고정하면 일부 pod에 부하가 몰릴 수 있었습니다.
문제의 원인이 EKS 자원 상태인지 DB query인지 애플리케이션 실행인지 좁히려면 Prometheus·Grafana·OpenTelemetry·Jaeger에 나뉜 정보를 함께 따라가야 했습니다. 인프라 이상 징후부터 실제 코드 실행까지 연결해 조사할 수 있는 구성이 필요했습니다.
APM·DBM·로그와 Java profile로 진단 범위를 넓히면서도 모니터링 총비용은 늘리지 않아야 했습니다. 새로 발생할 비용과 기존 구성에서 줄일 비용을 직접 산정해 도입 여부와 이전 계획을 판단해야 했습니다.
cluster는 m6i.xlarge 7대로 운영되고 있었습니다. 비용을 줄이려면 서비스 배치와 instance 구성을 함께 바꿔야 했지만, Kafka connector의 ARM 이전에 실패해 모든 workload를 한 번에 옮길 수 없었습니다.
애플리케이션과 Kafka의 실행 조건이 달랐고 비용 절감 과정에서도 동작하는 connector 환경을 유지해야 했습니다. instance type 변경에 따른 중단 시간도 이전 범위를 결정할 때 고려해야 했습니다.
성과 수치는 당시 운영 경험을 바탕으로 합니다. 연결된 글에서 구현 과정을 설명하며, 로컬 실험과 비용 추정은 각각의 범위를 구분했습니다.
저사양 병원 PC의 반복 조회 부하, API 밖에서 바뀌는 데이터, PC 종료로 접근할 수 없는 DB를 함께 다뤘습니다. 예약판에는 DB 변경을 감지하는 cache를 적용해 응답을 2초에서 0.2초로 줄였습니다. 변경된 필드만 조회해 해당 API의 클라이언트 데이터 전달량과 Spring Boot 메모리 사용량을 각각 90% 줄였고, 예약 전달은 병원 운영 시간과 분리했습니다. 처방 이관에서는 API 응답에 드러나지 않는 금액·처리 차이를 대조하는 도구를 만들었습니다.
Redis Streams를 시도한 뒤 병원별 Pub/Sub를 다시 설계했습니다. GraphQL/WebSocket 구독과 연결 정리를 함께 관리하도록 구성했습니다.
보험·과세·비과세 금액, 기존 납부액, 할인 순서와 병원별 절삭 규칙을 반영해 승인·환불 이력을 처리했습니다.
기기 설정을 병원 접수 로직에 반영하고 명시적으로 선택한 예약에 쓰기 lock을 적용해 기존 대기 상태와 진료 연결 여부를 확인했습니다.
차트 점유를 확인하고 처방 정보를 일괄 조회해 보완했습니다. 조건별 약제 규칙과 UTF-8 문자 경계에 맞춘 기기 식별자 처리를 구현했습니다.
권한 확인, 변경 필드별 예약 수정, 시술 배정과 외부 예약 플랫폼 갱신을 하나의 업무 흐름으로 연결했습니다.
결제 대기와 완료를 나누고 시술 시간으로 예약 종료 시각을 계산했습니다. 예약 구간별 정원 집계와 외부 플랫폼 동기화도 함께 처리했습니다.
중복된 조회 행에서 질문·선택지·분기 구조를 복원하고 다국어 문구·이미지를 일괄 조회해 이전 응답과 연결했습니다.
시술·이용권 식별자를 검증하고 진료 배정과 대기 상태를 연결한 뒤 당일 배정 cache를 무효화했습니다.
병원별 DB 갱신을 큐에 저장하고 접속 상태를 확인했으며 적용 버전을 기록한 뒤 완료 항목을 제거했습니다.
병원별 배정과 직원 역할을 검증하고 transaction 안에서 진료실 간 직원을 이동시키며 배정 이벤트를 기록했습니다.
병원별 Hikari pool이 늘어나 한 pod에 DB 관련 thread 약 900개가 쌓였습니다. 병원 그룹을 직접 설계해 DB 연결·라우팅·배포를 나누고 자원 지표와 운영 담당자의 판단을 바탕으로 주로 수동으로 그룹을 조정했습니다. pod당 Hikari connection pool 수를 평균 2,000개에서 400개로 줄였습니다. 모니터링은 Datadog으로 통합하고 도입·절감 비용을 산정해 비용을 기존의 80%로 낮췄습니다.
대화 이력은 보존해야 하지만 입력 중 상태는 일시적이고 읽음 여부는 사용자별로 관리해야 했습니다. 이 차이를 기준으로 메시지 저장·이벤트 처리와 실시간 전송을 분리하고 여러 서버에 연결된 사용자를 병원·대화 단위로 연결하도록 설계했습니다.
앱·웹 이용 추세와 사용자 행동을 주기적으로 확인할 수 있도록 BigQuery와 Prefect로 KPI 집계 pipeline을 만들었습니다. DAU·MAU, 체류 시간, 페이지별 이용 패턴을 대시보드에 연결하고 활용 효과를 확인한 뒤 전 계열사에 직접 구축했습니다.
제품 개발과 클라우드 연구
영업담당자·본사·매입처가 약국 재고·주문·수금·정산을 함께 관리하는 웹·모바일 플랫폼을 개발했습니다. 종이 장부와 메신저에 흩어진 업무를 하나의 시스템으로 옮기고 백엔드·웹 프론트엔드·모바일 앱·AWS 인프라를 모두 직접 설계·구현했습니다.
서비스 품질과 공급자 자원 효율을 함께 검증할 수 있는 Kubernetes 운영 자동화 시스템을 개발했습니다. 복구·확장·배치 정책이 같은 자원을 서로 다르게 변경할 수 있어 8개 역할의 제안을 중앙에서 검증하고 한 번에 하나씩 실행하도록 설계했습니다. 실행 기록을 영속화해 결과가 불확실한 작업의 재실행을 막고 정책 판단과 성과 측정을 분리했습니다. 두 로컬 cluster에서 baseline과 controller를 비교하는 환경을 구성하고 서비스 확장·워크플로 실행을 검증했습니다.
최근 글
How coding agents move developer leverage from typing code to defining systems, constraints, review, and responsibility.
Why I replaced CDC across 1,000 hospital hosts with database-versioned caching, alongside projected reads that reduced reservation responses from 2 seconds to 0.2 seconds.
Backend / The Backend Work Between the Endpoints: Images, Worker Context and Live ConnectionsSmartDoctor decisions behind selective BLOB loading, async request context, and a Streams trial followed by hospital-level Pub/Sub with coordinated subscription cleanup.
Kubernetes / The False Sense of Safety Around PriorityClass and PodDisruptionBudgetAn operational explanation of why PodDisruptionBudget is not an absolute guarantee during PriorityClass preemption or drain behavior.
문제의 원인을 끝까지 파고들고, 안정적이고 효율적인 서비스를 만드는 백엔드 개발자입니다.
백엔드, 플랫폼, 인프라 엔지니어링 기회에 열려 있습니다.
DIRECT MESSAGE
역할, 프로젝트, 기술적인 문제를 간단히 남겨주시면 입력하신 이메일로 답장드리겠습니다.