Data Parameterization

단순히 동일한 식별자를 반복 호출하는 것이 아니라, 실제 운영 환경의 데이터 분포를 재현하여 성능 결과의 왜곡을 방지해야 한다.

Cardinality and Data Distribution (카디널리티와 데이터 분포)

테스트 데이터의 고유값 개수인 카디널리티는 데이터베이스의 실행 계획과 메모리 효율을 결정짓는 핵심 요소이다.

낮은 카디널리티의 위험성

제한된 수의 데이터만으로 부하를 생성할 경우 실제 운영 환경과 다른 성능 결과가 도출된다.

• 비정상적인 캐시 히트율: 모든 요청 데이터가 버퍼 풀이나 인-메모리 캐시에 상주하게 되어 실제보다 과도하게 빠른 응답 속도 기록
• 인덱스 비효율성: 데이터 분포가 좁을 경우 인덱스 스캔 대신 풀 스캔이 선택되는 등 쿼리 실행 계획의 정합성 훼손
• 데이터베이스 락 경합: 동일한 레코드에 대한 빈번한 수정으로 인해 실제 운영 대비 과도한 락 대기 현상 발생

실제 운영 수준의 데이터 셋 구축 전략

• 데이터 양의 확보: 운영 환경의 테이블 크기를 고려하여 최소 수백만 건 이상의 데이터를 사전에 적재함으로써 인덱스 트라이(Trie) 깊이 재현
• 파레토 법칙(80/20 Rule) 적용: 80%의 요청이 20%의 핫 데이터(Hot Data)에 집중되는 불균형한 유입 패턴을 설계하여 실제 캐시 경합 상황 모사
• 무작위성 확보: 테스트 도구의 파라미터화 기능을 활용하여 매 요청마다 고유한 식별자를 사용하도록 유도

Dynamic Data Lifecycle (동적 데이터 생명주기)

부하 테스트 스크립트에서 정적인 값이 아닌 실시간으로 변하는 데이터를 관리하고 주입하는 기법이다.

graph TD

subgraph Preparation [데이터 준비]
A[데이터 소스 확보: CSV / 전용 DB]
B[부하 툴 로딩: k6 SharedArray 등 메모리 적재]
end

subgraph Execution [실행 및 주입]
C[가상 사용자별 데이터 할당: Unique / Random]
D[API 요청 시 동적 값 매핑]
end

subgraph Post_Processing [사후 처리]
E[응답 값 추출 및 연쇄 주입: Correlation]
F[상태 전이 반영: 예 주문 완료 후 상태 변경]
end

A --> B
B --> C
C --> D
D --> E
E --> F

1. Data Correlation (데이터 상관관계 처리)

이전 요청의 응답 결과를 다음 요청의 입력값으로 사용하는 연쇄 작업이다.

• 세션 유지: 로그인 응답으로 받은 토큰이나 쿠키를 다음 API 헤더에 자동으로 주입
• 비즈니스 흐름 연결: 생성된 주문 ID를 조회하거나 취소하는 시나리오를 통해 실제 데이터의 흐름 재현

2. State Management (데이터 상태 관리)

테스트 데이터가 소모되거나 상태가 변경되는 경우를 고려한 설계이다.

• 일회성 데이터 처리: 쿠폰 코드나 인증 번호와 같이 한 번 사용하면 폐기되는 데이터의 순차적 할당 보장
• 멱등성 데이터 활용: 여러 번 호출해도 상태가 변하지 않는 조회용 데이터 셋을 별도로 분리하여 부하의 안정성 확보

Resource Performance Analysis (데이터 기반 성능 분석)

데이터 설계 방식에 따라 시스템 자원이 소모되는 양상이 다르게 나타난다.

설계 방식	캐시 효율	DB I/O 패턴	현실성 및 신뢰도
단일 ID 반복	100% 히트	메모리 상주 데이터만 접근	매우 낮음
좁은 범위 무작위	높음	버퍼 풀 내 데이터 위주	낮음
운영 수준 분포	실제와 유사	물리적 디스크 I/O 발생	매우 높음

• 디스크 읽기 유도: 캐시 크기를 넘어서는 광범위한 데이터 범위를 설정하여 실제 디스크에서 데이터를 읽어오는 물리적 부하 재현
• 인덱스 탐색 부하: 카디널리티가 높은 데이터를 사용하여 인덱스 페이지 탐색 시 발생하는 CPU 및 메모리 비용 측정

Conclusion - Data as a Performance Driver

데이터는 단순한 입력값이 아니라 성능 테스트의 정밀도를 결정하는 인프라의 일부이다.

• 제약 조건의 사전 검증: 유니크 제약 조건이 있는 필드(이메일 등)에 대해 테스트 전 충분한 가용 데이터 셋 확보 여부 점검
• 데이터 정리 및 복구: 테스트 종료 후 생성된 대규모 쓰레기 데이터를 정리하고 시스템을 초기 상태로 복구하는 자동화 스크립트 구축
• 인덱스 파라미터 최적화: 데이터 분포에 따라 변하는 데이터베이스 통계 정보를 최신으로 유지하여 테스트 결과의 재현성 확보