우리가 쓰는 위생용품, 성분부터 안전까지 투명하게
여성 위생용품은 전성분 공개가 의무화되어 있지만, 화학 용어 중심의 표기만으로는 일반 소비자가 성분의 위험도를 판단하기 어렵습니다.
NUDA는 MSDS H-code 기반 성분 위험도 시각화와 AI 개인화 추천을 통해, 사용자가 성분을 비교하고 자신에게 맞는 제품을 찾을 수 있도록 돕는 여성 위생용품 커머스 플랫폼입니다.
| 개인 맞춤 추천 | 성분 위험도 시각화 | AI 리뷰 요약 |
키워드별 선호도를 분석해 AI가 제품을 추천합니다. |
MSDS H-code 기준으로 위험 성분을 등급별로 시각화합니다. |
트렌드·감정·키워드를 AI가 분석해 리뷰 핵심을 요약합니다. |
| 성분 기반 검색 | 상품 성분 상세 조회 | 사용자 마이페이지 |
상품명·브랜드·성분명 통합 검색 및 자동완성을 제공합니다. |
성분별 위험도·설명·주의사항을 상세하게 확인합니다. |
관심 성분·선호 키워드·주문 내역을 통합 관리합니다. |
| 분류 | 기술 |
|---|---|
| 언어 | Java 17 Kotlin |
| 애플리케이션 | Spring Boot 3.2.5 Spring Security Spring Data JPA Spring WebFlux QueryDSL |
| 데이터베이스 | PostgreSQL Flyway |
| 검색 / 캐시 | Elasticsearch Redis Caffeine pgvector |
| 인프라 / 배포 | AWS EC2 AWS RDS AWS S3 AWS CloudFront AWS SSM Parameter Store Docker GitHub Actions Nginx |
| 모니터링 | Prometheus Grafana Alertmanager |
기술 선정 이유
- Java 17와 Kotlin: 비즈니스 로직은 Java, 에러코드 enum·ApiResponse 등 간결한 표현이 필요한 곳만 Kotlin
enum class,data class사용 - Spring WebFlux: ML 서버 HTTP 클라이언트(
WebClient)에만 적용. 추론 대기 시간이 길어 non-blocking이 유리한 영역에만 한정 - pgvector: ML 추천 2-stage 검색의 1단계 ANN(Approximate Nearest Neighbor) 검색에 사용. PostgreSQL 확장으로 별도 벡터 DB 추가 없이 유사도 검색 구현
- Caffeine: 자주 변경되지 않는 공통 데이터(상품, 브랜드, 이미지)에 적용. Redis 없이 순수하게 DB 부하 감소 효과를 측정하기 위해 의도적으로 분리
- AWS SSM Parameter Store: 시크릿을 이미지에 포함하지 않고 EC2 IAM 역할로만 접근. GitHub Actions에 장기 시크릿을 보관하지 않도록 함
nuda-server/
├── src/
│ └── main/
│ ├── java/smu/nuda/
│ │ ├── domain/
│ │ │ ├── auth/ # 로그인, 토큰 발급/재발급, JWT 처리
│ │ │ ├── member/ # 회원 정보, 회원 탈퇴
│ │ │ ├── signupdraft/ # 온보딩 Draft 플로우
│ │ │ ├── product/ # 상품, 카테고리, 관리자 상품 업로드
│ │ │ ├── brand/ # 브랜드
│ │ │ ├── ingredient/ # 성분, 위험도 분류, 관리자 성분 업로드
│ │ │ ├── review/ # 리뷰, 리뷰 분석 연동
│ │ │ ├── keyword/ # 온보딩 설문, 선호 키워드, 추천 입력 데이터
│ │ │ ├── search/ # Elasticsearch 기반 상품 검색 및 동기화
│ │ │ ├── like/ # 상품·브랜드·성분·리뷰 좋아요
│ │ │ ├── cart/ # 장바구니
│ │ │ ├── order/ # 주문, 주문 아이템
│ │ │ ├── payment/ # 결제
│ │ │ ├── file/ # 파일 업로드
│ │ │ ├── log/ # 커머스 이벤트 로그
│ │ │ └── common/ # 공통 엔티티 및 DTO
│ │ ├── global/
│ │ │ ├── batch/ # CSV 배치 처리 공통 지원
│ │ │ ├── cache/ # 캐시 구성 및 공통 캐시 처리
│ │ │ ├── config/ # 전역 설정
│ │ │ ├── error/ # 공통 에러 코드
│ │ │ ├── exception/ # 전역 예외 처리
│ │ │ ├── guard/ # 인증 기반 접근 제어
│ │ │ ├── mail/ # 이메일 발송
│ │ │ ├── ml/ # ML 서버 연동 및 오케스트레이션
│ │ │ ├── response/ # 공통 API 응답 포맷
│ │ │ ├── scheduler/ # 전역 스케줄링 작업
│ │ │ ├── security/ # Spring Security 설정, 필터, 핸들러
│ │ │ ├── swagger/ # Swagger/OpenAPI 설정
│ │ │ └── util/ # 공통 유틸리티
│ │ └── NudaApplication
│ └── resources/
│ ├── application.yml
│ ├── csv/ # 성분, 상품, 리뷰 시드/적재용 CSV 리소스
│ ├── db/migration/ # Flyway 마이그레이션
│ └── elasticsearch/ # 검색 인덱스 설정
├── docker/ # 애플리케이션 실행 관련 Docker 설정
├── monitoring/ # Prometheus, Grafana, Alertmanager 설정
├── nginx/ # Blue-Green 라우팅 및 리버스 프록시 설정
├── scripts/ # 배포, 롤백, 운영 스크립트
└── docs/ # 설계 및 성능 개선 문서
-
회원가입 Draft-Commit 구조 단계별 회원가입 도중 이탈 후 재진입과 단계 수정이 가능해야 했습니다.
SignupDraftAggregate Root 내부에서currentStep과completedSteps를 직접 관리하는 Draft-Commit 구조로 전환해 해결했습니다. -
장바구니 동시성 제어 동시 요청으로 장바구니 수량 변경 충돌이 발생했습니다.
Cart를 Aggregate Root로 보고PESSIMISTIC_WRITE를 적용했으며, 회원가입 시 Cart를 미리 생성해 생성 경쟁까지 제거했습니다.
-
보안 계층 공통 응답 포맷 통일 Spring Security 예외와 도메인 예외의 응답 포맷이 달랐습니다.
AuthenticationEntryPoint와AccessDeniedHandler를 커스텀 구현해 401/403도ApiResponse와 구체적인errorCode로 통일했습니다. -
이벤트 후처리와 ML 추론 실행 풀 분리 HTTP 요청, 이벤트 후처리, ML 추론이 같은 실행 경로를 공유하면 병목이 전파될 수 있었습니다. Tomcat,
eventExecutor,mlExecutor로 실행 풀을 분리해 응답 경로와 무거운 비동기 작업을 격리했습니다. -
Elasticsearch 동기화 실패 격리 서버 기동 시 ES 동기화 실패가 전체 기동 실패로 번질 수 있었습니다.
ApplicationReadyEvent와@Async로 기동과 동기화를 분리하고,@Retry와 fallback으로 일시 장애를 격리했습니다.
- 관리자 CSV 대량 업로드 배치 설계
40,028행 CSV를 단건 저장하던 구조를 배치 처리로 전환했습니다.
CsvRow와 도메인 객체를 분리하고, 참조 데이터 preload와flush/clear를 적용해 207.8s → 5.4s (38.7배)로 단축했습니다.
-
ML 리뷰 분석 API 성능 최적화 리뷰 트렌드·감정 분석·키워드 추출 3개 ML 엔드포인트를 병렬 호출하고 Redis 캐시를 적용했습니다. 실측 평균 응답 시간을 80~90ms → 14.5ms (6배)로 줄였습니다.
-
상품 상세 조회 캐시 전략 상품·브랜드·이미지 같은 공통 데이터와 좋아요 여부 같은 사용자별 데이터를 분리해 캐시했습니다. Caffeine 로컬 캐시를 적용해 50회 반복 기준 552ms → 160ms (3.5배) 단축했습니다.
- AWS EC2 단일 서버
- PostgreSQL, Redis, Elasticsearch
- Nginx, Docker Compose
- Prometheus, Grafana, Alertmanager
app-blue,app-green두 슬롯을 운영하는 Blue-Green 배포 구조- GitHub Actions에서 이미지를 빌드해 GHCR에 Push한 뒤, EC2에서
deploy.sh를 실행 - 신규 슬롯이
readiness를 통과하면 Nginx upstream을 전환하고, 이후 안정성을 확인한 뒤 기존 슬롯을 정리 - Prometheus 기준 5xx 에러율이 10%를 초과하면 자동으로 이전 슬롯으로 롤백
- 운영 시크릿은 AWS SSM Parameter Store에서 런타임에 주입
아래 명령은 모두 EC2 접속(
ssh -i <key.pem> ubuntu@<EC2_HOST>) 후~/nuda-server에서 실행합니다.
# 인프라 컨테이너 기동
docker compose up -d redis elasticsearch
# 모니터링 스택 기동
GRAFANA_PASSWORD=<password> DISCORD_WEBHOOK_URL=<webhook> bash scripts/start-monitoring.sh
# Grafana 대시보드 import
GRAFANA_PASSWORD=<password> bash scripts/grafana-import.sh# Docker 이미지 정보 지정
export IMAGE_NAME=ghcr.io/smwu-nuda/nuda-server IMAGE_TAG=<tag>
# 배포 실행
bash scripts/deploy.sh# 롤백
bash scripts/rollback.sh
# 특정 슬롯으로 수동 전환
bash scripts/switch.sh <blue|green>- Prometheus가 15초 간격으로 blue / green 두 슬롯을 모두 수집
- Alertmanager가 5xx 에러율, p99 지연시간, JVM 힙 사용량, GC 중단 시간을 기준으로 알림 전송
- 배포 후에는 Grafana 대시보드와 알림 상태를 기준으로 안정성을 확인