개념 이해 on Advanced Beginner

핵심 구성요소

d8lzz1gpw@mozmail.com (kimbenji) — Thu, 15 Jan 2026 00:00:00 +0000

TL;DR

Cluster: 여러 노드를 묶어 고가용성과 분산 처리를 제공하는 서버 그룹

Node: 클러스터를 구성하는 단일 Elasticsearch 서버 (Master, Data, Coordinating 역할)

Index: 문서들의 논리적 모음 (RDB의 테이블과 유사)

Document: JSON 형태의 데이터 단위 (RDB의 Row와 유사)

Shard: 인덱스를 수평 분할한 조각 (Primary/Replica로 구성)

대상 독자: Elasticsearch를 처음 접하는 개발자 선수 지식: JSON 기본 문법, REST API 개념

소요 시간: 약 25-30분

Elasticsearch의 핵심 구성요소인 Cluster, Node, Index, Document, Shard의 역할과 관계를 이해합니다.

데이터 모델링

d8lzz1gpw@mozmail.com (kimbenji) — Thu, 15 Jan 2026 00:00:00 +0000

TL;DR

Mapping: 문서 구조를 정의하는 스키마 (RDB의 테이블 정의와 유사)

text: 풀텍스트 검색용, Analyzer로 토큰화됨

keyword: 정확한 값 매칭, 정렬/집계용

Analyzer: 텍스트를 검색 가능한 토큰으로 변환 (한글은 Nori 사용)

비정규화: JOIN 없으므로 관련 데이터를 한 문서에 포함

대상 독자: Elasticsearch 검색 기능을 사용하려는 개발자 선수 지식: 핵심 구성요소, JSON 기본 문법

소요 시간: 약 25-30분

전체 비유: 도서관의 도서 분류 시스템#

데이터 모델링을 도서관의 도서 분류 체계에 비유하면 이해하기 쉽습니다:

도서관 비유	Elasticsearch	역할
도서 분류 규칙 (DDC, KDC)	Mapping	책을 어떻게 분류하고 정리할지 정의
책 내용으로 검색	text 타입	“인공지능"을 검색하면 관련 내용 포함 도서 반환
청구기호로 정확히 찾기	keyword 타입	“005.133-P99” 정확히 일치하는 책 찾기
색인 담당 사서	Analyzer	책 내용을 읽고 핵심 키워드 추출하여 색인 카드 작성
한 책에 관련 정보 모두 기록	비정규화	저자, 출판사, 분류 정보를 한 카드에 기재
Object (저자 정보)	단순 중첩	저자명, 생년 등 관련 정보 묶음
Nested (시리즈 정보)	관계 유지	1권-2024년, 2권-2025년 각각 독립적 관계 유지

이처럼 Mapping은 도서관에서 “어떤 기준으로 책을 분류하고 색인할 것인가"를 정하는 것과 같습니다.

Query DSL

d8lzz1gpw@mozmail.com (kimbenji) — Thu, 15 Jan 2026 00:00:00 +0000

TL;DR

Query Context: 관련성 점수(score)를 계산하는 풀텍스트 검색

Filter Context: 점수 없이 조건만 확인, 캐싱되어 빠름

match/match_phrase: 풀텍스트 검색에 사용 (text 필드)

term/terms/range: 정확한 값 검색에 사용 (keyword 필드)

bool: must/should/must_not/filter로 쿼리 조합

대상 독자: Elasticsearch 기본 개념을 이해한 개발자 선수 지식: 핵심 구성요소, JSON 기본 문법

소요 시간: 약 25-30분

전체 비유: 도서관에서 책 찾기#

Query DSL을 도서관에서 책을 찾는 방법에 비유하면 이해하기 쉽습니다:

도서관 비유	Query DSL	역할
“인공지능 관련 책 찾아주세요”	Query Context (match)	내용 관련성으로 추천, 관련도 순 정렬
“005.133 분류 책만 보여주세요”	Filter Context (term)	조건 일치 여부만 확인, 빠름
“머신러닝 입문” 내용 검색	match	단어 포함 여부로 검색 (순서 무관)
“머신러닝 입문” 정확히	match_phrase	정확한 문구 순서로 검색
청구기호 “005.133” 정확히	term	값이 정확히 일치하는 것만
2020~2024년 출판 도서	range	범위 내 값 검색
컴퓨터 분야 AND 2024년 출판	bool (must)	모든 조건 만족
프로그래밍 OR 데이터분석	bool (should)	하나 이상 만족
번역서 제외	bool (must_not)	해당 조건 제외

이처럼 Query DSL은 도서관 사서에게 “어떤 조건으로 책을 찾아달라"고 요청하는 것과 같습니다.

검색 관련성

d8lzz1gpw@mozmail.com (kimbenji) — Thu, 15 Jan 2026 00:00:00 +0000

선수 개념
이 문서를 읽기 전에 다음 개념을 먼저 이해하세요:

Query DSL - match, bool 쿼리 기본

데이터 모델링 - Analyzer 동작 원리

소요 시간: 약 25-30분

전체 비유: 도서관 사서의 책 추천#

검색 관련성을 도서관 사서가 책을 추천하는 방식에 비유하면 이해하기 쉽습니다:

도서관 비유	Elasticsearch	역할
추천 우선순위 점수	Score	얼마나 관련 있는지 수치화
“이 책에서 해당 주제를 많이 다뤄요”	TF (Term Frequency)	검색어가 문서에 많이 등장할수록 점수 상승
“이 주제를 다루는 책이 드물어요”	IDF (Inverse Doc Frequency)	희귀한 단어일수록 점수 상승
“제목에서 바로 찾았어요”	Field Length	짧은 필드에서 일치하면 점수 상승
“제목 일치는 가산점”	필드 부스팅	중요 필드에 가중치 부여 (name^3)
“신간이라 추천해요”	Decay Function	시간/거리에 따라 점수 조정
“베스트셀러는 우선 추천”	Function Score	인기도, 평점 등 비즈니스 로직 반영
“절판 도서는 후순위”	Negative Boosting	특정 조건의 점수 감소

이처럼 Score는 사서가 “이 책이 당신 질문에 가장 적합합니다"라고 판단하는 기준과 같습니다.

집계

d8lzz1gpw@mozmail.com (kimbenji) — Thu, 15 Jan 2026 00:00:00 +0000

선수 개념
이 문서를 읽기 전에 다음 개념을 먼저 이해하세요:

Query DSL - 기본 쿼리 구조

데이터 모델링 - keyword vs text 타입

소요 시간: 약 25-30분

전체 비유: 도서관 통계 분석#

Aggregation을 도서관의 장서 통계 분석에 비유하면 이해하기 쉽습니다:

도서관 비유	Elasticsearch	역할
“분야별로 몇 권씩 있나요?”	Bucket (terms)	값별로 그룹화
“가격대별 도서 수는?”	Bucket (range)	범위별로 그룹화
“월별 대출 추이는?”	Bucket (date_histogram)	시간별로 그룹화
“평균 도서 가격은?”	Metric (avg)	숫자 통계 계산
“분야별 평균 가격은?”	중첩 집계	그룹 내 통계
“월별 대출 증감률은?”	Pipeline	집계 결과 재가공
“전체 장서 대비 검색 결과 비율?”	Global	필터 무시한 전체 통계

이처럼 Aggregation은 사서에게 “장서 현황 보고서를 만들어 주세요"라고 요청하는 것과 같습니다.

인덱싱 전략

d8lzz1gpw@mozmail.com (kimbenji) — Thu, 15 Jan 2026 00:00:00 +0000

선수 개념
이 문서를 읽기 전에 다음 개념을 먼저 이해하세요:

핵심 구성요소 - Shard, Segment 개념

데이터 모델링 - Mapping, Analyzer 기본

소요 시간: 약 25-30분

전체 비유: 도서관의 신간 입고 프로세스#

인덱싱 전략을 도서관의 신간 입고 프로세스에 비유하면 이해하기 쉽습니다:

도서관 비유	Elasticsearch	역할
한 권씩 등록	단건 인덱싱	느리지만 즉시 확인 가능
박스 단위 대량 입고	Bulk 인덱싱	훨씬 빠름 (10배 이상)
입고 후 서가 배치	Refresh	검색 가능하게 만듦 (기본 1초)
영구 장서 등록	Flush	디스크에 영구 저장
입고 일지	Translog	장애 시 복구용 기록
신간 분류 규칙 템플릿	Index Template	새 인덱스 자동 설정
오래된 책 → 창고 → 폐기	ILM (Index Lifecycle)	Hot → Warm → Cold → Delete
구판 → 신판 교체	Reindex	데이터 마이그레이션
도서 별칭 (시리즈명)	Alias	인덱스 별명으로 무중단 교체

이처럼 인덱싱 전략은 “도서관에 새 책을 효율적으로 입고하고 관리"하는 프로세스와 같습니다.

클러스터 관리

d8lzz1gpw@mozmail.com (kimbenji) — Thu, 15 Jan 2026 00:00:00 +0000

전체 비유: 도서관 체인 본사 운영#

클러스터 관리를 도서관 체인의 본사 운영에 비유하면 이해하기 쉽습니다:

도서관 비유	Elasticsearch	역할
체인 본사 (정책 결정)	Master Node	클러스터 상태 관리, 인덱스 생성/삭제 결정
각 지점 창고	Data Node	실제 도서(데이터) 저장 및 대출(검색) 처리
안내 데스크	Coordinating Node	고객 요청을 적절한 지점으로 라우팅
본사 회의 정족수 (3인)	Master 선출	과반수로 의사 결정 (3대 권장)
Green 상태	모든 지점 정상	모든 도서 대출 가능
Yellow 상태	복본 부족	대출은 가능, 일부 백업 없음
Red 상태	일부 도서 접근 불가	즉시 복구 필요
지점 폐점 절차	노드 제거	도서를 다른 지점으로 이관 후 폐점

이처럼 클러스터 관리는 “전국 도서관 체인의 본사에서 모든 지점을 관리"하는 것과 같습니다.

성능 튜닝

d8lzz1gpw@mozmail.com (kimbenji) — Thu, 15 Jan 2026 00:00:00 +0000

전체 비유: 도서관 운영 효율화#

성능 튜닝을 도서관 운영 효율화에 비유하면 이해하기 쉽습니다:

도서관 비유	Elasticsearch	역할
적정 서가 수 결정	샤드 수 설계	너무 많으면 관리 오버헤드 증가
불필요한 색인 카드 제거	불필요한 필드 제외	저장/검색 비용 절감
인기 도서 앞자리 배치	Filter 캐시	자주 조회되는 조건 캐싱
통계 보고서 캐싱	Request 캐시	집계 결과 재사용
“소설, 컴퓨터"만 반환	_source 필터링	필요한 필드만 반환
끝없는 목록 대신 “다음 페이지”	search_after	깊은 페이지네이션 최적화
“*가 들어간 책” 요청 회피	Wildcard 쿼리 피하기	전체 스캔 방지
느린 대출 요청 분석	Slow Log	병목 쿼리 식별

이처럼 성능 튜닝은 “도서관 운영을 최적화하여 대출 대기 시간을 줄이는 것"과 같습니다.

고가용성

d8lzz1gpw@mozmail.com (kimbenji) — Thu, 15 Jan 2026 00:00:00 +0000

전체 비유: 도서관의 재난 대비 시스템#

고가용성을 도서관 체인의 재난 대비 시스템에 비유하면 이해하기 쉽습니다:

도서관 비유	Elasticsearch	역할
인기 도서 복본 비치	Replica Shard	데이터 복제로 장애 대비 + 대출 분산
장서 목록 사진 백업	Snapshot	특정 시점 데이터 백업
백업 사진 정기 촬영	SLM (Snapshot Lifecycle)	자동 백업 정책
타 지역 도서관에 복본 보관	CCR (Cross-Cluster Replication)	원격 클러스터로 실시간 복제
화재 시 백업 지점 운영	Active-Passive DR	장애 시 대체 클러스터 활성화
지점 폐쇄 → 타 지점 자동 대출	자동 Failover	노드 장애 시 Replica 승격
서울/부산 양방향 운영	Active-Active	각 리전에서 독립 운영

이처럼 고가용성은 “지진이나 화재에도 도서관 서비스를 중단 없이 제공"하는 재난 대비 시스템과 같습니다.

Vector Search (kNN)

d8lzz1gpw@mozmail.com (kimbenji) — Thu, 15 Jan 2026 00:00:00 +0000

TL;DR

Vector Search: 의미(Semantic) 기반 검색으로 키워드가 달라도 유사한 내용 검색 가능

dense_vector: 벡터를 저장하는 필드 타입, similarity로 유사도 계산 방식 지정

kNN 쿼리: k개의 가장 가까운 이웃 문서를 찾는 검색 방식

하이브리드 검색: kNN + 키워드 검색을 결합하여 최상의 결과 제공

임베딩 모델: 텍스트/이미지를 벡터로 변환 (한글은 다국어 모델 권장)

대상 독자: 시맨틱 검색이나 추천 시스템을 구현하려는 개발자 선수 지식: 핵심 구성요소, Query DSL, 기본적인 ML 개념

소요 시간: 약 25-30분

한글 검색 최적화

d8lzz1gpw@mozmail.com (kimbenji) — Thu, 15 Jan 2026 00:00:00 +0000

선수 개념
이 문서를 읽기 전에 다음 개념을 먼저 이해하세요:

데이터 모델링 - Analyzer, text vs keyword 타입

Query DSL - match, multi_match 쿼리

소요 시간: 약 25-30분

전체 비유: 외국인을 위한 한글 도서 검색#

한글 검색 최적화를 외국인 사서가 한글 도서를 색인하는 상황에 비유하면 이해하기 쉽습니다:

한글 검색 비유	Elasticsearch	역할
영어 사서: “삼성전자가"를 통째로 기록	Standard Analyzer	조사 분리 못함
한국어 사서: “삼성전자+가"로 분리	Nori Analyzer	형태소 분석으로 조사 분리
“삼성전자” → “삼성 + 전자”	decompound_mode: mixed	복합명사 분해
신조어/브랜드명 등록	사용자 사전	특수 단어 인식
“갤럭” 입력 시 “갤럭시” 추천	자동완성 (Edge N-gram)	접두어 매칭
“ㄱㄹㅅ"로 “갤럭시” 찾기	초성 검색	자음 추출 후 매칭
“노트북 = 랩탑” 등록	동의어 처리	유사어 확장 검색

이처럼 한글 검색은 “한글의 특성을 이해하는 전문 사서를 배치"하는 것과 같습니다.