super.SHY();

[TIL] Day 107 — 모의면접 (3/20)

this.Serena — Mon, 8 Jun 2026 22:01:48 +0900

[TIL] Day 107 — 모의면접 피드백 정리 (3/20)

날짜: 2026-03-20
분류: 면접 커리어 취업전략

면접관이 중시하는 6대 핵심 역량

#	역량	설명
1	문제 해결 능력	프로젝트에서 겪은 문제를 어떤 과정으로 해결했는지
2	협업 / 커뮤니케이션	비개발자(고객사, 영업, 기획)와의 소통 능력
3	적응력 및 학습 능력	도메인(업무) 지식을 얼마나 빨리 흡수할 수 있는지
4	기술 전문성	기술 질문에 대한 정확한 답변 능력
5	AI 역량	AI 도구 활용 및 AI 모델 연동 경험
6	AI 협업 관점의 기술력	코드 어시스턴트 활용 시 본인의 독립적 역량 증명

질문 유형별 답변 전략

"어려운 문제를 해결한 경험" — 문제 해결력 평가

STAR 기법 변형 서사 구조 를 반드시 따를 것

① 문제 제기 (두괄식)  →  "프로젝트에서 OO 문제에 직면했습니다"
② 원인 분석           →  문제의 근본 원인이 무엇이었는지
③ 해결 과정           →  구체적으로 어떤 방법/기술을 적용했는지
④ 결과                →  정량적 성과 (예: 처리 속도 40% 향상, 불필요 데이터 0건)
⑤ 배운 점 (Best)      →  이 경험에서 무엇을 배웠는지 ← 여기까지 가면 최고

"어떤 파트를 맡았는지" — 역할 확인

이 질문은 문제 해결을 묻는 것이 아님
"나는 OO 파트를 맡았습니다"만 간결하게 답변
맡은 역할 이상으로 문제·해결까지 늘어놓으면 초점이 흐려짐

"기억에 남는 기능" — 기술 심화 평가

면접관이 파고드는 순서:

"어떤 파트 맡았어요?"
→ "그 파트에 이런 기능이 있을 텐데, 어떻게 개발했어요?"
→ 기능 개발 과정 → 사용한 기술 상세 질문

답변 시 유의사항

가장 고난이도이고 공을 들인 기능을 선택
페이징, 유효성 체크, 주소 API 같은 기본 기능은 언급하지 말 것
오픈 API 연동 · AI 기능 접목 · 대량 데이터 처리 관련 기능이 좋음
AI가 생성한 코드라도 로직을 완전히 파악하고 있어야 함

"생성형 AI 대비 본인의 강점" — AI 시대 차별화

구분	내용
답변 방향	AI는 질문에 대해서만 분석하지만, 나는 다양한 업무 경험을 바탕으로 도메인 관점에서 설명 가능
핵심 보완	반드시 구체적 프로젝트 사례로 뒷받침해야 함
어필 포인트	사전 기획 연구, 벤치마킹 경험, 업무 프로세스 이해도를 사례로 제시

커뮤니케이션 관련 핵심 피드백

비개발자와의 소통 역량

기술 용어를 상대방 눈높이에 맞춰 설명하는 능력이 필요

❌ 나쁜 예	✅ 좋은 예
"DB 쿼리문을 수정하고 DB 튜닝을 해서 속도를 40% 올렸습니다"	전문 용어를 최소화하고 비유·은유를 활용하여 비개발자가 이해할 수 있도록 설명

두괄식 답변

모든 답변의 첫 문장에 핵심 메시지 배치
AI 협업 역량 질문 예시: "코드 어시스턴트와 어떻게 협업했는지"를 한 문장으로 먼저 제시 → 상세 설명

수료 후 준비 액션 리스트

#	액션 항목	상세
1	핵심 기능 정리	고난이도 기능의 개발 과정을 단계별로 문서화
2	오픈 API 연동 경험 정리	API 문서 분석 → DB 설계 → 데이터 적재 → 스케줄러 활용 등 전 과정 설명 준비
3	AI 연동 경험 확보	LangChain, LangGraph, YOLO 등 AI 모델·오픈소스를 프로젝트에 연동하는 경험 만들기
4	서사 구조 연습	문제 → 원인 → 해결 과정 → 결과 → 배운 점 흐름으로 모든 경험 재구성
5	생성형 AI 활용 답변 다듬기	정리한 답변을 AI에게 "개발자답게, 전문 용어를 적절히 섞어 재작성해 달라"고 요청하여 표현 고급화
6	답변 길이 조절 연습	질문 의도를 파악하여 묻는 범위 안에서만 간결하게 답변하는 연습

더 알아볼 것

STAR 기법으로 내 프로젝트 경험 3개 이상 재구성
고난이도 기능 1개 선정 후 개발 과정 단계별 문서화
LangChain / LangGraph 프로젝트 연동 실습
비개발자 대상 기술 설명 연습 (비유·은유 활용)
AI 생성 코드 검수 → 로직 완전 이해 후 사용하는 습관 정착

이 글은 현직자 강연 청취 및 모의면접 참관을 바탕으로 개인적으로 정리한 내용입니다.
특정 발언의 정확한 인용이 아닌, 인상 깊었던 개념을 재구성한 것임을 밝힙니다.

[TIL] Day 99 — LangChain RAG + OpenAI API 활용 (3/13)

this.Serena — Mon, 8 Jun 2026 22:00:03 +0900

[TIL] Day 99 — LangChain RAG + OpenAI API 활용 (3/13)

날짜: 2026-03-13
기술 스택: Python LangChain LangGraph RAG FAISS OpenAI API Pandas

한 줄 요약: OpenAI API로 챗봇 개발 + LangChain 기반 RAG 구현(FAISS/PDF) + 프롬프트 엔지니어링 기법 실습

OpenAI API 주요 LLM 모델 비교

플랫폼	특징	비용
OpenAI (GPT-4o 등)	고성능, 범용	유료 (API Key 필요)
Groq	초고속 추론, LLaMA 기반	무료 티어 있음
Ollama	로컬 실행, 완전 오프라인	무료
HuggingFace	오픈소스 모델 다양	무료 (일부 유료)

RAG (Retrieval-Augmented Generation) 구현

LLM이 답변 전 외부 지식베이스에서 관련 정보를 검색해 정확성을 높이는 패턴

FAISS를 활용한 기본 RAG

from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings
from langchain.text_splitter import RecursiveCharacterTextSplitter

# 1. 문서 로드 & 청크 분할
splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
docs = splitter.split_documents(documents)

# 2. 임베딩 → 벡터 DB 저장
vectorstore = FAISS.from_documents(docs, OpenAIEmbeddings())

# 3. 유사도 검색
retriever = vectorstore.as_retriever()
results = retriever.invoke("호텔 체크인 시간은?")

PDF 파일 기반 RAG

from langchain_community.document_loaders import PyPDFLoader

loader = PyPDFLoader("document.pdf")
pages = loader.load_and_split()

Pandas 핵심 문법

import pandas as pd

df = pd.read_csv("sample.csv")    # CSV 파일을 DataFrame으로 로드
df.columns.tolist()               # 열 이름 리스트 반환
df.head(5)                        # 상위 5행 미리보기 (기본값)

더 알아볼 것

FAISS vs ChromaDB — 벡터 DB 선택 기준 (속도 vs 영속성)
chunk_size / chunk_overlap 파라미터가 검색 품질에 미치는 영향
LangGraph로 다단계 RAG 에이전트 구현 방법
프롬프트 엔지니어링 기법 — Few-shot, Chain-of-Thought, ReAct
OpenAI API temperature, max_tokens 파라미터 튜닝

[TIL] Day 98 — 머신러닝 핵심 개념 + 데이터 흐름 정리 (3/12)

this.Serena — Mon, 8 Jun 2026 21:59:06 +0900

[TIL] Day 98 — 머신러닝 핵심 개념 + 데이터 흐름 정리 (3/12)

날짜: 2026-03-12
기술 스택: Python Machine Learning scikit-learn NumPy

한 줄 요약: 머신러닝 3대 학습 방식(지도/비지도/강화) + 데이터 흐름(Train→Val→Test) + 대표 알고리즘 비교 정리

머신러닝 3가지 학습 방식

학습 방식	특징	대표 태스크
지도 학습	Label 있는 데이터로 학습	분류, 회귀
비지도 학습	정답 없는 데이터에서 패턴 발견	군집화, 차원 축소
강화 학습	환경과 상호작용하며 보상 최대화	게임 AI, 로봇

데이터 흐름

원시 데이터 수집 → 전처리 → 특성 공학
↓
데이터 분할: Train / Validation / Test
↓
모델 학습 → 평가 → (미충족 시 재학습)
↓
성능 충족 시 최종 모델 배포

대표 알고리즘

알고리즘	유형	주요 용도
선형 회귀	회귀	연속값 예측
로지스틱 회귀	분류	확률 기반 이진 분류
결정 트리	분류/회귀	규칙 기반 분기 구조
랜덤 포레스트	분류/회귀	다수 트리 앙상블(Ensemble) → 안정성 향상
K-Means	군집화	데이터를 K개 군집으로 분류

평가 지표

분류: Accuracy / Precision / Recall / F1-Score
회귀: MSE(평균제곱오차) / MAE(평균절댓값오차)

더 알아볼 것

Overfitting vs Underfitting — 원인과 해결 방법
scikit-learn train_test_split + Cross Validation 실습
라벨 인코딩 — LabelEncoder vs OneHotEncoder
NumPy 배열 shape 해석 — 1D/2D/3D 차원 구조 이해

[TIL] Day 97 — Python 가상환경(venv) + LangChain 개발 환경 세팅 + 호텔 챗봇 실행 (3/11)

this.Serena — Mon, 8 Jun 2026 21:58:16 +0900

[TIL] Day 97 — Python 가상환경(venv) + LangChain 개발 환경 세팅 + 호텔 챗봇 실행 (3/11)

날짜: 2026-03-11
기술 스택: Python uv LangChain FastAPI venv VS Code

한 줄 요약: AI Data 과정 첫날 — Python 패키지 관리 핵심 개념(pip/import/venv) 정리 + uv로 빠르게 LangChain 환경 세팅 후 호텔 안내 챗봇 실행

pip install vs import — 헷갈리는 두 개념 완벽 정리

구분	`py -m pip install`	`import`
목적	패키지 다운로드 및 로컬 설치	설치된 패키지를 현재 코드에서 로드
입력 위치	터미널 (CMD, PowerShell)	파이썬 코드 내부 최상단
실행 주기	환경 당 최초 1회	스크립트 실행 시 매번

# 터미널에서 설치 (1회)
py -m pip install numpy pandas matplotlib seaborn

# 코드 파일에서 호출 (매번)
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

Python 가상환경 (venv) — 프로젝트별 환경 분리

왜 필요한가? 프로젝트 A는 pandas 1.0, 프로젝트 B는 pandas 2.0이 필요할 때
글로벌 환경에 하나만 설치하면 버전 충돌 → 가상환경으로 프로젝트별 독립 관리

핵심 워크플로우

# 1. 생성 (프로젝트 시작 시 1회)
py -m venv venv

# 2. 활성화 (작업할 때마다)
venv\Scripts\activate
# → 터미널 앞에 (venv) 표시 확인

# 3. 패키지 설치 (반드시 활성화 상태에서!)
py -m pip install 라이브러리명

# 4. 종료
deactivate

⚠️ 주의: (venv) 표시 없이 pip install 하면 글로벌 환경에 설치됨

uv — pip보다 10~100배 빠른 패키지 관리 도구

Rust로 작성된 고성능 Python 패키지 관리자. pip, pip-tools, pyenv, poetry를 하나로 통합

# Windows 설치
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

# 프로젝트 세팅
uv venv .venv --python 3.13        # 가상환경 생성
.venv\Scripts\activate             # 활성화
uv pip install -r requirements.txt # 일괄 설치

LangChain 개발 환경 구성 — requirements.txt 핵심 패키지

langchain                # LangChain 메인
langchain-core           # 코어 기능
langchain-community      # 커뮤니티 확장
langgraph                # 상태 기반 워크플로우
langchain-openai         # OpenAI 모델 연동
chromadb                 # 벡터 DB
fastapi==0.115.0         # API 서버
uvicorn[standard]==0.30.6 # ASGI 서버

버전은 실습 환경 기준으로 고정. uv pip install -r requirements.txt 로 일괄 설치

호텔 안내 챗봇 실행

hotel_answer.txt 파일을 참조해 질문에 답변하는 간단한 RAG 챗봇

# FastAPI 서버 실행
uvicorn main:app --reload
# → http://127.0.0.1:8000 에서 챗봇 확인

더 알아볼 것

uv vs pip — 대규모 프로젝트에서 속도 차이 벤치마크
requirements.txt vs pyproject.toml — 현대적인 Python 프로젝트 구성
LangChain LCEL(LangChain Expression Language) 기본 문법
FastAPI @app.post 라우터와 Pydantic 모델 연동
ChromaDB에 문서를 임베딩하고 검색하는 RAG 기본 흐름

[TIL] Day 80 — 특강: AI 시대 개발자 취업 전략 (2/10)

this.Serena — Mon, 8 Jun 2026 21:56:21 +0900

[TIL] Day 80 — 특강: AI 시대 개발자 취업 전략 (2/10)

날짜: 2026-02-10
분류: 특강 취업전략 커리어

한 줄 요약: IT 채용 기준 변화 + AI 시대 신입 개발자 생존 전략 + 포트폴리오·면접 대비 핵심 정리

IT 업계의 변화

현재 시장이 요구하는 개발자상:

풀스택, AI 활용, 클라우드 이해와 경험을 갖춘 도메인 해결사
단순 코드 작성자가 아닌 아키텍처 설계 역량 보유자
평가 지표 변화: 코딩 테스트(알고리즘) → 시스템 설계 · 코드 리뷰 · AI 협업 능력

AI 시대 개발자의 당면 과제

직면한 문제

AI로 산출 능력은 향상됐지만, 유지보수·버그 대응 능력은 저하
신규 개발자의 실질 역량 저하 심화

대비 방안

현장 업무 프로세스 파악
분석 · 기획 · 설계 경험 축적
개발 트렌드 신속 파악

AI 활용 원칙

AI에 의존이 아닌 AI 활용
2~3일 내 과제 완성 필수
AI를 도구 삼아 고객 니즈 파악 및 문제 해결

채용 기준의 변화

항목	기존	현재
개발 역량 비중	~60%	20~30%
코드 작성	직접 작성 능력 중심	코드 검수·리뷰 능력 중심
평가 항목	코딩 테스트, 알고리즘	시스템 설계, 코드 리뷰, AI 협업 능력

신입에게 필요한 역량 4대 축

1. AI-Native 개발 역량 (AI 리터러시)

코드 작성 → 코드 검수·리뷰 능력으로 전환
프롬프트 역량 자체는 줄어들 것. 단, 관련 로직·UI 지식 + 도메인 정보를 적용한 지시 능력 필수

2. 도메인 지식

개발하는 분야의 업무 프로세스 지식
얼마나 빠르게 흡수하느냐가 핵심

3. 비즈니스 문제 해결력

고객·고객사와의 소통 능력
학원 프로젝트에서 고객사·수행사·기획사 역할 동시 수행 경험
- 고객사: 요구사항 도출
- 수행사: 현실 가능성 검토 및 구현
- 기획사: 비즈니스 로직 설계
팀원 의견 충돌 해결 과정도 협업 능력 증명 기회

4. 협업 능력

AI와의 협업
동료 개발자와의 협업
상급자와의 협업

현장에서 원하는 개발자

인성 = 업무 역량 (협업)

잘 듣고 · 잘 이해하고 · 잘 말하면 됨
업무 역량 향상 방법: 경청 + 기록 → 기록한 것을 보고 질문
상대가 모호하게 말해도 정확히 이해하고, 본인은 팩트 위주로 명확하게 전달
겸손: '내가 하는 게 제일 좋다'는 오만함 제거. 나를 낮추는 게 아니라 감추는 것

개발 실력

납기일 내 산출 원칙, 프로젝트 기간 엄수
성실 · 책임감 → 근태

역량 증명 방법

AI 협업 도구 활용 능력

AI Pair Programming: ChatGPT, Claude 등 다양한 LLM 서비스 적극 활용
프롬프트 엔지니어링 기록: 언제, 어떤 페이지 개발 시, 어떤 도구에 어떤 프롬프트를 사용했는지 히스토리 관리
하나의 웹 페이지 개발 시 사용한 프롬프트 통합 정리 및 지속 정제

포트폴리오 구조 (10장 기준)

구성	내용
1~2페이지	프로젝트 압축 요약 (개요, 내가 맡은 파트, 기술 스택)
8~9페이지	담당 내용 상세 기록 (설계 근거 + 문제 해결 과정)

포장 스킬: 사실을 있는 그대로 쓰되, 단어와 표현을 다듬어 임팩트 있게 표현
서비스 기능 개발 시 반드시 포함:
- 어떤 오픈소스를 활용했는가
- 왜 그 기술을 선택했는가
- 어떤 이슈가 있었고 어떻게 해결했는가
프로젝트 진행 시 관련 업체 사전 조사·연구 내용 포함

필수 기술 스택

기술	우선순위	이유
RAG 기반 LLM	⭐ 최우선	기업 AI 도입 핵심 패턴
LangChain / LangGraph	필수	기업 요구 기술
Docker / Kubernetes	필수	데이터 파이프라인 구축 역량 증명
Java + Python	필수	엔터프라이즈 + AI 백엔드 양쪽 대응

협업 · 코드 리뷰 역량

AI가 생성한 소스를 직접 검수할 수 있어야 함
개발 과정 오류를 직접 수정하는 경험 필수
팀원과 코드 리뷰 진행
오픈소스 직접 활용 경험
문서화 능력 (화면 정의서, 기능 명세서, 업무 기획서 학습)

협업 관련 면접 답변 전략

협업 질문에는 협업 툴을 활용한 구체적 사례로 답변

Git 충돌 해결 예시

기존: 충돌 시 만나서 직접 해결
개선: 머지 권한을 1명에게만 부여, 또는 다수 검수 후 머지 규정 수립

소통 부족 개선 예시

문제: 의사소통 부족
해결: Slack 도입 → 매일 이슈 공유 → 과정을 Notion에 기록

면접 예상 질문 대비

AI / 클라우드

AI·클라우드 활용 경험 및 기술
서비스에 AI를 어떻게 적용했는가

JavaScript / React

var, let, const 차이
Hook이란 무엇인가
상태 관리는 어떻게 했는가
filter, map 함수 활용 방식
Promise 객체란 무엇인가

Java

객체지향 언어에서 객체란 무엇인가

데이터 중심 질문 (서비스 기반)

그 서비스에 어떤 데이터가 필요한가
데이터 타입은 무엇이고 왜 선택했는가
개발 중 어떤 이슈가 있었고 어떻게 해결했는가

이슈가 없었더라도 "내가 아는 지식으로 해결 방법을 제시" 하는 방식으로 답변 준비

핵심 체크리스트

AI Pair Programming 다양한 도구 경험 (ChatGPT, Claude 등)
프롬프트 히스토리 기록 (기능별 사용 프롬프트 정리)
RAG 기반 LLM 프로젝트 1개 이상
Docker 경험 + 클라우드 기본 개념
Git 협업 프로세스 구축 경험 (브랜치 전략, 머지 규정)
Slack / Notion 협업 툴 활용 사례 기록
오류 해결 경험 또는 해결 방법 제시 준비
담당 도메인 사전 조사·학습 기록
화면 정의서, 기능 명세서 작성 경험
오픈소스 직접 활용 및 코드 리뷰 경험

[TIL] Day 71 — Spring Boot 핵심 개념 복습 (1/28)

this.Serena — Mon, 8 Jun 2026 21:49:15 +0900

[TIL] Day 71 — Spring Boot 핵심 개념 복습 (1/28)

날짜: 2026-01-28
기술 스택: Spring Boot JPA Spring MVC

한 줄 요약: 지금까지 배운 Spring Boot 전반 내용 복습 — IoC/DI, MVC 흐름, JPA 영속성 컨텍스트 재정리

Spring Boot 핵심 개념 복습 체크리스트

IoC / DI (제어의 역전 / 의존성 주입)

// 나쁜 예 — 강한 결합
public class OrderService {
    private MemberRepository memberRepository = new MemberRepository(); // 직접 생성
}

// 좋은 예 — DI (Spring이 주입)
@Service
@RequiredArgsConstructor
public class OrderService {
    private final MemberRepository memberRepository; // Spring이 알아서 주입
}

Spring MVC 요청 처리 흐름

HTTP 요청
↓
DispatcherServlet (프론트 컨트롤러)
↓
HandlerMapping → 어떤 Controller?
↓
Controller → 비즈니스 로직 위임
↓
Service → Repository
↓
Model + ViewName 반환
↓
ViewResolver → Thymeleaf 템플릿
↓
HTTP 응답

JPA + Spring Data JPA 핵심 복습

// Repository 인터페이스만 선언하면 구현체 자동 생성
public interface MemberRepository extends JpaRepository<Member, Long> {
    Optional<Member> findByEmail(String email); // 메서드 이름으로 쿼리 자동 생성
}

메서드	설명
`save()`	INSERT or UPDATE (ID가 null이면 INSERT, 기존 엔티티면 MERGE)
`findById()`	PK로 단건 조회, `Optional` 반환
`findAll()`	전체 조회
`delete()`	삭제

더 알아볼 것

@SpringBootApplication이 포함하는 3가지 어노테이션 역할
@Controller vs @RestController 차이
Spring Boot Auto Configuration 동작 원리
JpaRepository vs CrudRepository vs PagingAndSortingRepository

[TIL] Day 69 — Querydsl 동적 쿼리 + 쇼핑몰 상품 관리 (1/26)

this.Serena — Mon, 8 Jun 2026 21:48:18 +0900

[TIL] Day 69 — Querydsl 동적 쿼리 + 쇼핑몰 상품 관리 (1/26)

날짜: 2026-01-26
기술 스택: Spring Boot JPA Querydsl Thymeleaf

한 줄 요약: 오전 팀프로젝트 1차 발표(UseCase/ERD), 오후 Querydsl로 타입 세이프한 동적 쿼리 작성 + 쇼핑몰 상품 관리 기능 구현

팀프로젝트 1차 발표

UseCase 다이어그램 + ERD 포함하여 발표
다음 발표 때는 DB 클래스 다이어그램 추가 예정
이후 일정: 2월 생성형 AI 진도 → 3월 9일 2차 발표 → 3월 16일~ 3차 프로젝트

Querydsl — 타입 세이프 동적 쿼리

JPQL을 문자열이 아닌 Java 코드로 작성 → 컴파일 타임에 오류 감지 가능

의존성 추가 (Gradle)

implementation 'com.querydsl:querydsl-jpa:5.0.0:jakarta'
annotationProcessor 'com.querydsl:querydsl-apt:5.0.0:jakarta'
annotationProcessor 'jakarta.annotation:jakarta.annotation-api'
annotationProcessor 'jakarta.persistence:jakarta.persistence-api'

빌드 시 Q클래스 자동 생성 (e.g., QItem, QMember)

ItemRepositoryCustom + 동적 쿼리

@Repository
public class ItemRepositoryCustomImpl implements ItemRepositoryCustom {

    private final JPAQueryFactory queryFactory;

    public ItemRepositoryCustomImpl(EntityManager em) {
        this.queryFactory = new JPAQueryFactory(em);
    }

    @Override
    public List<Item> getAdminItemPage(ItemSearchDto dto, Pageable pageable) {
        QItem item = QItem.item;
        return queryFactory
            .selectFrom(item)
            .where(
                itemSellStatusEq(dto.getItemSellStatus()), // null이면 조건 무시
                searchByLike(dto.getSearchBy(), dto.getSearchQuery())
            )
            .orderBy(item.id.desc())
            .offset(pageable.getOffset())
            .limit(pageable.getPageSize())
            .fetch();
    }

    // null 반환 시 where 절에서 자동 제외
    private BooleanExpression itemSellStatusEq(ItemSellStatus status) {
        return status == null ? null : QItem.item.itemSellStatus.eq(status);
    }
}

Querydsl 핵심 장점

조건절 null 반환 시 자동으로 해당 조건 제외 → 깔끔한 동적 쿼리
IDE 자동완성 + 컴파일 오류 감지로 JPQL 오타 방지

더 알아볼 것

BooleanBuilder vs BooleanExpression — 복잡한 조건 조합 시 차이
Querydsl fetchResults()가 deprecated된 이유와 대안
UseCase 다이어그램 vs 시퀀스 다이어그램 — 언제 어떤 걸 써야 하는가
ERD에서 식별 관계 vs 비식별 관계 설계 기준
Spring Data JPA Specification vs Querydsl 비교

[TIL] Day 67 — JPA 영속성 컨텍스트 심화 (1/22)

this.Serena — Mon, 8 Jun 2026 21:32:20 +0900

[TIL] Day 67 — JPA 영속성 컨텍스트 심화 (1/22)

날짜: 2026-01-22
기술 스택: Spring Boot JPA Hibernate 영속성 컨텍스트

한 줄 요약: JPA 영속성 컨텍스트의 핵심 개념 — 1차 캐시, 변경 감지(Dirty Checking), 지연 로딩 동작 원리 정리

JPA 영속성 컨텍스트 (Persistence Context)

엔티티를 저장하는 논리적 공간. EntityManager가 관리하는 1차 캐시 역할

엔티티 생명주기

비영속 (new)
↓ em.persist()
영속 (managed)    ← 1차 캐시에 저장, 변경 감지 대상
↓ em.detach() / em.clear() / em.close()
준영속 (detached) ← 컨텍스트에서 분리, 변경 감지 안 됨

영속 (managed)
↓ em.remove()
삭제 (removed)    ← DB 삭제 예약

1차 캐시 — 같은 트랜잭션 내 DB 조회 최소화

// 첫 번째 find() → DB 쿼리 발생
Member member1 = em.find(Member.class, 1L);

// 두 번째 find() → 1차 캐시에서 반환, DB 쿼리 없음
Member member2 = em.find(Member.class, 1L);

System.out.println(member1 == member2); // true (동일 인스턴스)

변경 감지 (Dirty Checking)

em.update() 같은 메서드 없이 필드만 바꿔도 트랜잭션 커밋 시 자동으로 UPDATE 쿼리 발생

@Transactional
public void changePrice(Long itemId, int newPrice) {
    Item item = itemRepository.findById(itemId).orElseThrow();
    item.setPrice(newPrice); // 별도 save() 호출 없이 자동 반영
}

원리: 영속성 컨텍스트는 엔티티를 처음 조회할 때 스냅샷을 저장
→ 커밋 시점에 현재 상태와 스냅샷 비교 → 다르면 UPDATE 쿼리 생성

지연 로딩 (Lazy Loading) 주의사항

@OneToMany(mappedBy = "order", fetch = FetchType.LAZY)
private List<OrderItem> orderItems; // 실제 접근 시 쿼리 발생

트랜잭션 밖에서 지연 로딩된 컬렉션에 접근하면 LazyInitializationException 발생
→ 해결책: @Transactional 범위 안에서 처리하거나 fetch join 사용

더 알아볼 것

@Transactional(readOnly = true) — 읽기 전용 트랜잭션에서 Dirty Checking 비활성화 효과
OSIV (Open Session In View) 패턴과 그 문제점
N+1 문제 해결 — fetch join vs @EntityGraph
em.flush()와 em.clear()를 명시적으로 사용하는 케이스

[TIL] Day 66 — JPA 엔티티 연관관계 매핑 + Dockerfile 커스텀 이미지 빌드 (1/21)

this.Serena — Mon, 8 Jun 2026 21:30:21 +0900

[TIL] Day 66 — JPA 엔티티 연관관계 매핑 + Dockerfile 커스텀 이미지 빌드 (1/21)

날짜: 2026-01-21
기술 스택: Spring Boot JPA Hibernate Docker Dockerfile

한 줄 요약: JPA 양방향 연관관계 매핑과 영속성 전이 설계 원칙 + Dockerfile로 nginx/MySQL 커스텀 이미지 직접 빌드

JPA 엔티티 연관관계 매핑

양방향 관계 설계 패턴

// Order.java
@Entity
@ToString(exclude = {"member", "orderItems"}) // 순환 참조 방지
public class Order {

    @ManyToOne
    @JoinColumn(name = "member_id")
    private Member member;

    @OneToMany(mappedBy = "order",
        cascade = CascadeType.ALL,   // 부모 저장 시 자식도 함께
        orphanRemoval = true)        // 부모에서 제거 시 자식 DB 삭제
    @Builder.Default
    private List<OrderItem> orderItems = new ArrayList<>();
}

@ToString(exclude) — StackOverflowError 방지

양방향 관계에서 toString() 호출 시 서로를 무한 참조해 스택 오버플로우 발생
→ 연관 엔티티 필드를 exclude에 명시해 단순 값 필드만 출력

@ToString(exclude = "orders")             // Member
@ToString(exclude = {"member", "orderItems"}) // Order
@ToString(exclude = "order")              // OrderItem

cascade + orphanRemoval 조합

설정	효과
`CascadeType.ALL`	부모 저장/삭제 시 자식도 동일 작업 수행
`orphanRemoval = true`	부모 컬렉션에서 제거된 자식을 DB에서도 삭제

두 설정을 함께 쓰면 부모 엔티티 하나로 자식 생명주기를 완전히 제어 가능

JPQL DISTINCT + ORDER BY

@Query("SELECT DISTINCT o FROM Order o " +
       "WHERE o.member = :member " +
       "ORDER BY o.orderDate DESC")
List<Order> findByMember(@Param("member") Member member);

DISTINCT — 조인으로 인한 중복 제거 / DESC — 최신 주문 먼저

Dockerfile로 커스텀 이미지 빌드

nginx Dockerfile 예시

FROM nginx
COPY ./html /usr/share/nginx/html

docker build -t buildnginx .              # 현재 디렉터리 Dockerfile로 빌드
docker run --name mynginx -d -p 5555:80 buildnginx

MySQL Dockerfile (별도 파일 지정)

파일명: MySQLDockerfile

FROM mysql
ENV MYSQL_ROOT_PASSWORD=1234
ENV MYSQL_DATABASE=mydb

docker build -f MySQLDockerfile -t buildmysql .   # -f 로 파일명 지정
docker run -d --name mysql-container -p 3306:3306 buildmysql

docker build 핵심 옵션

옵션	의미
`-t 이름:태그`	빌드할 이미지 이름/태그 지정
`-f 파일명`	기본 `Dockerfile` 대신 다른 파일 사용
`.`	빌드 컨텍스트 (현재 디렉터리)

더 알아볼 것

@ManyToMany를 지양하고 중간 엔티티로 풀어야 하는 이유
FetchType.LAZY vs EAGER — N+1 문제 발생 시나리오
Dockerfile COPY vs ADD 차이
.dockerignore 파일로 빌드 컨텍스트 최적화
docker inspect 이미지명으로 레이어 구조 확인

[TIL] Day 65 — Spring Boot Validation + Docker 이미지 커밋/푸시 (1/20)

this.Serena — Mon, 8 Jun 2026 21:27:22 +0900

[TIL] Day 65 — Spring Boot Validation + Docker 이미지 커밋/푸시 (1/20)

날짜: 2026-01-20
기술 스택: Spring Boot Bean Validation Thymeleaf Docker Hub

한 줄 요약: Bean Validation 어노테이션으로 입력값 검증 로직 구현 + Docker 이미지를 직접 만들어 Docker Hub에 배포하는 흐름 실습

Spring Boot Validation — 입력값 검증

의존성 추가

implementation 'org.springframework.boot:spring-boot-starter-validation'

Bean Validation 주요 어노테이션

어노테이션	설명	적용 대상
`@NotNull`	null 불허 (빈 문자열 허용)	모든 타입
`@NotEmpty`	null + 빈 문자열 불허	String, Collection
`@NotBlank`	null + 빈 문자열 + 공백만 있는 문자열 불허	String
`@Email`	이메일 형식 검증	String
`@Size(min=, max=)`	문자열 길이 범위 제한	String, Collection
`@Min` / `@Max`	숫자 범위 검증	숫자 타입
`@Null`	null만 허용	모든 타입

선택 기준: 문자열은 @NotBlank 우선 → @NotEmpty → @NotNull 순으로 엄격함

DTO에 검증 어노테이션 적용

// MemberFormDto.java
public class MemberFormDto {

    @NotBlank(message = "이름은 필수입니다")
    private String name;

    @Email(message = "이메일 형식이 올바르지 않습니다")
    @NotBlank(message = "이메일은 필수입니다")
    private String email;

    @Size(min = 8, max = 20, message = "비밀번호는 8~20자입니다")
    private String password;
}

Controller에서 @Valid 사용

// MemberController.java
@PostMapping("/new")
public String createMember(@Valid MemberFormDto dto,
                           BindingResult bindingResult) {
    if (bindingResult.hasErrors()) {
        return "member/memberForm"; // 에러 시 폼으로 돌아가기
    }
    memberService.saveMember(dto);
    return "redirect:/";
}

포인트: @Valid + BindingResult는 항상 붙어서 선언. BindingResult가 없으면 검증 실패 시 예외 발생

Docker 이미지 직접 만들어서 Hub에 올리기

커스텀 이미지 생성 플로우

# 1. httpd 컨테이너 실행 (베이스)
docker run --name myhttpd -d -p 8888:80 httpd

# 2. 내 파일을 컨테이너 안에 복사
docker cp unico.html myhttpd:/usr/local/apache2/htdocs
docker cp doolys.jpg myhttpd:/usr/local/apache2/htdocs

# 3. 현재 컨테이너 상태를 이미지로 커밋
docker commit myhttpd 본인id/myhttpd:1.0

# 4. Docker Hub에 푸시
docker push 본인id/myhttpd:1.0

# 5. 다른 사람의 이미지를 바로 실행 (없으면 자동 pull)
docker run --name my -d -p 7777:80 qones/myhttpd:1.0

docker commit vs Dockerfile

commit → 빠르고 간단, 재현성 낮음
Dockerfile → 단계별 명시적 선언, 재현성 높음 (실무 권장)

더 알아볼 것

Thymeleaf에서 th:errors로 검증 에러 메시지 표시
@Validated vs @Valid 차이 (그룹 검증)
docker commit 후 이미지 레이어 구조 확인 (docker history)
Docker Hub 대신 AWS ECR에 이미지 저장하는 방법
BindingResult 에러 필드별 접근 (getFieldError())

[TIL] Day 64 — Spring Boot 4.x 쇼핑몰 프로젝트 시작 + Docker Redmine 구성 (1/19)

this.Serena — Mon, 8 Jun 2026 21:24:03 +0900

[TIL] Day 64 — Spring Boot 4.x 쇼핑몰 프로젝트 시작 + Docker Redmine 구성 (1/19)

날짜: 2026-01-19
기술 스택: Spring Boot Java 21 Gradle MariaDB H2 Docker

한 줄 요약: Spring Boot 4.0.1 + Gradle 기반 쇼핑몰 프로젝트 환경 세팅 + Docker로 Redmine-MySQL 프로젝트 관리 툴 구성

Spring Boot 쇼핑몰 프로젝트 환경

실습 환경 구성 (책과 다른 최신 버전 사용)

항목	설정값	비고
Spring Boot	4.0.1 (2026-01-19 기준)	책은 구버전
Java	21 (LTS)
빌드 도구	Gradle	책은 Maven
DB (운영)	MariaDB
DB (테스트)	H2	인메모리
Lombok	✅ 활성화

부트캠프 DB 로드맵

단계	DB	기술 스택
1차 팀프로젝트	Oracle	JSP
강의	MySQL	Spring Framework
2차 프로젝트	MariaDB	(메인)
3차 프로젝트	MongoDB

IntelliJ 프로젝트 의존성 설정

Spring Initializr 기준 추가 의존성:

Lombok, Thymeleaf, Spring Boot DevTools
Spring Web, Spring Data JPA
MariaDB Driver, H2 Database
Spring Security (보안 처리)

Docker 네트워크 — Redmine + MySQL 구성

Redmine은 오픈소스 프로젝트 관리 도구. Docker로 로컬에 빠르게 띄울 수 있음

1. 네트워크 생성

docker network create redmine000net2
docker network ls    # 생성 확인

2. MySQL 컨테이너 실행

docker run --name mysql000ex13 -dit \
  --net redmine000net2 \
  -e MYSQL_ROOT_PASSWORD=1234 \
  -e MYSQL_DATABASE=redmine000db \
  -e MYSQL_USER=kun \
  -e MYSQL_PASSWORD=1234 \
  mysql:5.7

3. Redmine 컨테이너 실행

docker run -dit --name redmine000ex14 \
  --network redmine000net2 \
  -p 8086:3000 \
  -e REDMINE_DB_MYSQL=mysql000ex13 \
  -e REDMINE_DB_DATABASE=redmine000db \
  -e REDMINE_DB_USERNAME=kun \
  -e REDMINE_DB_PASSWORD=1234 \
  redmine:latest

4. 동작 확인

docker ps                          # 컨테이너 실행 확인
docker logs redmine000ex14         # 초기화 로그 확인

브라우저에서 http://localhost:8086 접속

docker run 옵션 정리

옵션	의미
`-d`	Detached — 백그라운드 실행
`-i`	Interactive — 입력 유지
`-t`	TTY — 터미널 환경
`-p 8086:3000`	호스트:8086 → 컨테이너:3000

더 알아볼 것

Spring Boot 4.x vs 3.x 주요 변경사항
Gradle vs Maven — 멀티 모듈 프로젝트에서의 차이
MariaDB vs MySQL — 실무에서 선택 기준
docker logs -f로 실시간 로그 스트리밍
Redmine을 팀 프로젝트 이슈 트래킹에 활용하는 방법

[TIL] Day 63 — Java Stream/Lambda + Docker WordPress 환경 구성 (1/16)

this.Serena — Mon, 8 Jun 2026 21:19:33 +0900

[TIL] Day 63 — Java Stream/Lambda + Docker WordPress 환경 구성 (1/16)

날짜: 2026-01-16
기술 스택: Java Lambda Stream IOStream Docker

한 줄 요약: Java Lambda/Stream/I/O Stream 오전 실습 + Docker 네트워크로 MySQL-WordPress 연동 환경 구성

Java Lambda / Stream / I/O Stream

Stream API 핵심 패턴

List<String> names = List.of("Alice", "Bob", "Charlie");

// filter → map → collect
List<String> result = names.stream()
    .filter(n -> n.length() > 3)        // 3자 초과만
    .map(String::toUpperCase)           // 대문자 변환
    .collect(Collectors.toList());      // 리스트로 수집

I/O Stream 기본 구조

// 파일 쓰기
try (FileWriter fw = new FileWriter("output.txt", StandardCharsets.UTF_8)) {
    fw.write("Hello, File!");
}

// 파일 읽기
try (BufferedReader br = new BufferedReader(new FileReader("output.txt"))) {
    String line;
    while ((line = br.readLine()) != null) {
        System.out.println(line);
    }
}

Docker 네트워크로 WordPress + MySQL 구성

컨테이너 간 통신을 위해 Docker 가상 네트워크 생성 후 같은 네트워크에 올리면 컨테이너 이름으로 서로 통신 가능

1. 네트워크 생성

docker network create wordpress000net1

2. MySQL 컨테이너 실행

docker run --name mysql000ex11 -dit \
  --net=wordpress000net1 \
  -e MYSQL_ROOT_PASSWORD=1234 \
  -e MYSQL_DATABASE=wordpress000db \
  -e MYSQL_USER=kun \
  -e MYSQL_PASSWORD=1234 \
  mysql:5.7

3. WordPress 컨테이너 실행

docker run --name wordpress000ex12 -dit \
  --net=wordpress000net1 \
  -p 8085:80 \
  -e WORDPRESS_DB_HOST=mysql000ex11 \
  -e WORDPRESS_DB_NAME=wordpress000db \
  -e WORDPRESS_DB_USER=kun \
  -e WORDPRESS_DB_PASSWORD=1234 \
  wordpress:latest

브라우저에서 localhost:8085 접속으로 WordPress 설치 화면 확인

핵심 포인트

--net 옵션으로 같은 가상 네트워크에 참여하면 컨테이너 이름(mysql000ex11)으로 DB 호스트 지정 가능
포트 매핑 -p 호스트:컨테이너 — 호스트 8085 → 컨테이너 80

더 알아볼 것

Stream reduce(), flatMap(), distinct() 활용 예시
Docker bridge 네트워크 vs host 네트워크 차이
docker network inspect로 네트워크 상태 확인
WordPress MySQL 버전 호환성 이슈 (mysql:5.7 vs 최신)
I/O Stream vs NIO (java.nio.file.Files) 성능 비교

[TIL] Day 62 — Eclipse에서 Lambda 함수 실습 (1/15)

this.Serena — Mon, 8 Jun 2026 21:15:38 +0900

[TIL] Day 62 — Eclipse에서 Lambda 함수 실습 (1/15)

날짜: 2026-01-15
기술 스택: Java Lambda Eclipse

한 줄 요약: Eclipse 환경에서 Java Lambda 표현식 실습 진행

Lambda 표현식 (람다식) 기본 개념

Java 8부터 도입된 함수형 프로그래밍 스타일. 익명 함수를 간결하게 표현하는 방법

// 기존 익명 클래스 방식
Runnable r1 = new Runnable() {
    @Override
    public void run() {
        System.out.println("Hello");
    }
};

// Lambda 표현식
Runnable r2 = () -> System.out.println("Hello");

Lambda 기본 문법

// 매개변수 없음
() -> System.out.println("Hello")

// 매개변수 1개
x -> x * x

// 매개변수 2개
(x, y) -> x + y

// 블록 형태
(x, y) -> {
    int result = x + y;
    return result;
}

함수형 인터페이스 (Functional Interface)

Lambda를 사용하려면 단 하나의 추상 메서드만 가진 인터페이스가 필요

인터페이스	매개변수	반환값	설명
`Runnable`	없음	void	실행만
`Supplier<T>`	없음	T	공급자
`Consumer<T>`	T	void	소비자
`Function<T,R>`	T	R	변환
`BiFunction<T,U,R>`	T, U	R	두 인수 변환
`Predicate<T>`	T	boolean	판단

더 알아볼 것

@FunctionalInterface 어노테이션 역할
Stream API와 Lambda 연계 — filter(), map(), collect()
Method Reference (::) 문법
Lambda에서 외부 변수 참조 시 effectively final 조건

[TIL] Day 58 — AWS Elastic Beanstalk + Docker nginx + DB 리턴 타입 설계 (1/9)

this.Serena — Mon, 8 Jun 2026 19:41:49 +0900

[TIL] Day 58 — AWS Elastic Beanstalk + Docker nginx + DB 리턴 타입 설계 (1/9)

날짜: 2026-01-09
기술 스택: AWS Elastic Beanstalk Docker Spring Boot Thymeleaf

한 줄 요약: Docker를 활용한 AWS 완전 관리형 서비스 배포 테스트 + DB 작업 시 int vs void 리턴 타입 설계 기준

AWS Elastic Beanstalk 개요

Elastic Beanstalk EC2, 로드 밸런서, 오토 스케일링 등 인프라 프로비저닝을 자동화하는
AWS의 완전 관리형 애플리케이션 배포 서비스
→ 인프라 직접 관리 없이 코드만 올리면 되는 PaaS 구조

Docker Nginx 기본 실행

docker run -d -p 80:80 nginx

옵션	의미
`-d`	Detached mode — 백그라운드에서 컨테이너 실행
`-p 80:80`	호스트:80 → 컨테이너:80 포트 포워딩
`nginx`	실행할 Docker 이미지명

브라우저에서 localhost:80 접속으로 nginx 동작 확인

DB 작업 리턴 타입 설계 기준 — int vs void

int 타입 — 성공/실패 검증이 중요한 경우

// DB에서 영향받은 row 수를 반환 (0이면 없는 데이터)
int result = memberRepository.deleteMember(memberId);
if (result == 0) {
    throw new MemberNotFoundException("존재하지 않는 회원입니다");
}

적용 시점: 삭제, 수정 등 작업 성공 여부를 반드시 추적해야 하는 로직

void 타입 — 단순 실행이 목적인 경우

// 반환값 체크 없이 실행만 시도
public void deleteAccessLog(long logId) {
    accessLogRepository.delete(logId);
}

적용 시점: 실패해도 메인 비즈니스 로직에 큰 영향이 없는 부가 작업 (로그 삭제 등)

설계 진단 체크포인트

"이 작업이 실패하면 사용자에게 알림이 가야 하는가?"
→ YES → int / NO → void

더 알아볼 것

Elastic Beanstalk vs EC2 직접 배포 비교 — 언제 어떤 방식을 선택해야 하는가
Docker 이미지 생명주기 (pull, run, stop, rm, images)
docker run -p 포트 포워딩 원리 이해
Spring MyBatis에서 int 리턴값을 활용한 예외 실제 코드 작성 연습
Thymeleaf 에러 페이지 구성 방법

AI INSIGHT DAY 강연 후기 — AI 시대에 회사가 원하는 개발자

this.Serena — Sun, 10 May 2026 19:29:51 +0900

AI 시대, 회사가 진짜 원하는 개발자는 따로 있다

K-DT AI INSIGHT DAY 현직자 강연 후기 — 코드 실력보다 중요한 것들

고용노동부와 메인비즈협회가 주최한 K-디지털트레이닝(벤처유형) 지원행사 'AI INSIGHT DAY' 에 참석했다.

일시: 2026년 5월 6일(수) 10:30 ~ 13:00
장소: 디캠프 선릉
프로그램: 현직자 AI 관련 직무 토크 & Q&A → 이후 2026 국제인공지능대전 전시 관람

스타트업부터 대기업, VC까지 다양한 현장을 경험한 현직 CTO의 강연으로, 실무에서 AI를 어떻게 다루는지, 회사가 어떤 개발자를 원하는지에 대한 솔직한 이야기를 들을 수 있었다.

현업 개발의 3가지 축

현업 IT를 이해하려면 세 가지 축으로 바라봐야 한다고 했다.

첫째, 운영체제(OS) 우리가 만드는 모든 소프트웨어는 결국 어떤 운영체제 위에서 돌아가는 응용 프로그램이다. 무엇을 만드느냐보다 어떤 환경 위에서 만드느냐가 먼저다.

둘째, 웹 vs 앱 현업의 60~70%는 웹 또는 앱 개발이다. 둘의 구분은 단순하다. 설치가 없으면 웹, 카메라·위치·자이로센서 등 디바이스 퍼미션이 필요하면 앱이다. 방향을 잡기 전에 이 구분부터 명확히 해야 한다.

셋째, 협업 태도 비즈니스를 이해하고 공감하는 능력, 문서화 습관, Git 활용, 코드 리뷰 문화. 이것이 개발 실력만큼이나 현업에서 중요하게 평가받는다.

기업 규모에 따라 AI 활용 방식이 다르다

같은 AI 툴을 쓰더라도 회사 규모에 따라 목적과 방식이 완전히 달라진다.

구분	스타트업 / 소규모	중견 / 대기업
목적	생산성 극대화	보안 및 규정 준수
핵심 가치	장기 지속 가능성, 확장성	신속 대응, 안정성

대기업이 AI에 신중한 이유는 분명하다. B2B 규모의 납품 계약에서 AI 생성 코드의 오류 하나가 엄청난 손실로 이어질 수 있기 때문이다. 반면 스타트업은 빠른 프로토타이핑과 생산성이 생존과 직결되므로 훨씬 적극적이다.

신약 개발사나 보안 솔루션 업체처럼 코드 자체가 자산인 회사들은 외부 AI에 내부 로직을 노출시키지 않기 위해 자체 내부 모델을 파인튜닝해서 사용하는 사례도 늘고 있다고 한다.

회사가 원하는 개발자 — AI 시대 5가지 핵심 역량

① Code Explanation — 코드를 읽고, 설명할 수 있는 능력

코드를 잘 짜는 것과 코드를 잘 설명하는 것은 다르다. 현업에서 진짜 필요한 건 후자다.

왜 이 방식을 선택했는지 의사결정 근거를 말할 수 있어야 한다
팀원에게 지식을 공유할 수 있어야 한다
내가 만든 코드가 나중에도 유지보수되도록 작성해야 한다

AI가 만들어준 코드도 예외가 아니다. "왜 이렇게 짰어?"라고 AI에게 반문하고, 내 언어로 설명할 수 없으면 그 코드는 내 코드가 아니다.

② System Design / Architecture / OS 이해

시스템 디자인, 운영체제 기초, 인프라 지식. 개발만 하다 보면 놓치기 쉬운 영역인데, 현업에서는 이 배경이 있는 사람과 없는 사람의 차이가 크게 난다.

③ 좋은 라이브러리와 SDK를 찾고, 제대로 쓰는 능력

다른 사람이 잘 만들어놓은 오픈소스 라이브러리와 SDK를 활용하는 게 소프트웨어 발전의 핵심이다. 무작정 가져다 쓰는 게 아니라, 사용자 수·업데이트 빈도·라이선스·안정성을 따져 선택하는 능력이 중요하다.

④ 트러블슈팅 경험

Root Cause를 찾아내는 통찰력
체계적인 디버깅 프로세스
재발 방지를 위한 코드 개선 경험

프로젝트를 설명할 때 "이런 기능을 만들었어요"로 끝내지 말고, "이런 문제가 있었고, 이렇게 해결했습니다"까지 가야 한다.

⑤ 프롬프트 엔지니어링 능력

AI를 쓰는 방식 자체도 역량이 됐다.

좋은 프롬프트 구조: 상황 설명 + 역할 지정 + "너라면 어떻게 할 것인가" 형태

AI가 내놓은 결과를 그대로 쓰지 않는다. 뼈대로만 쓰고, 비즈니스 로직의 특이사항과 엣지 케이스를 직접 반영해 후처리하는 과정이 필수다.

SW 개발은 조별과제다 — AI 시대의 협업 원칙

강연에서 가장 인상 깊었던 한 마디다.

"AI 툴에만 의존하는 코드는 협업을 망친다. AI 툴을 사용하지 않는 개발자는 생산성을 망친다."

이 두 문장 사이 어딘가에 정답이 있다.

AI가 만들어낸 코드는 팀의 코딩 컨벤션을 모른다. 프로젝트의 아키텍처 결정 배경도 모른다. 팀 프로젝트를 하면서 실제로 겪었던 부분이기도 하다. 컨벤션을 문서화하고 룰을 걸어놔도, AI는 프로젝트가 길어질수록 그 규칙을 벗어난 코드를 낸다. 결국 그걸 잡아내는 사람이고, 판단 기준 또한 사람의 머릿속에 있다. AI를 잘 쓰는 것과 AI가 낸 결과를 검증하는 것은 다른 역량이다.

AI는 도구다. 뼈대를 잡는 데는 유용하지만, 비즈니스 로직과 팀 규약에 맞게 다듬는 건 사람의 몫이다.

2026 국제인공지능대전 전시 관람

강연이 끝난 후 코엑스 A홀에서 열린 제9회 국제인공지능대전(AI EXPO KOREA 2026) 전시를 관람했다. 5월 6일부터 8일까지 3일간 진행된 이 행사는 18개국 330개 기업·기관이 562개 부스를 운영하는 아시아 최대 규모의 단일 AI 전시회다. 한국인공지능협회, 서울메쎄, 인공지능신문이 공동 주최하며 2018년 첫 회 이후 올해로 9회째를 맞았다.

현장을 돌아다니며 든 생각들

AI에 관심 갖는 회사의 스펙트럼 지나다니면서 사람들의 명찰이 눈에 들어왔다. 이름만 들으면 알 만한 대기업부터 중소기업까지, 정말 다양한 규모와 업종의 사람들이 시간을 내 전시장을 찾아왔다. AI가 더 이상 IT 업계만의 관심사가 아니라는 걸 명찰들이 말해주고 있었다.

이미 시작한 학생들 전시를 둘러보다 SW마이스터고관도 둘러보았다. 고등학교 때부터 체계적으로 공부하고, 마음 맞는 친구들과 팀을 꾸려 직접 부스까지 운영하는 모습이 인상적이었다. 멋있으면서도 부러웠다.

협업툴에 AI를 얹은 서비스들 메신저와 프로젝트 관리 기능을 결합한 협업툴에 AI를 통합한 서비스들이 꽤 많이 보였다. 이전 직장에서 Flow를 실제로 써봤던 경험이 있어서 그런지 이 카테고리 부스들에 자연스럽게 시선이 갔다. AI 발전 이후 이런 기능을 가진 서비스들이 이렇게 많이 생겨났구나 싶었다. 몇 년 사이의 변화가 느껴지는 순간이었다.

Taiwan Pavilion 한켠에는 TAITRA(대만대외무역발전협회) 주관의 Taiwan Pavilion이 넓은 구역을 차지하고 있었다. "From Chip to Application"을 테마로 16개 기업이 참가해 칩셋부터 엣지 AI 서버·클라우드·네트워크 어플라이언스까지 전시했다. AI 하드웨어 인프라 면에서 타이완은 이미 글로벌 최상위권이라는데 직접 보니 그 산업 기반의 두께가 느껴지는 것 같았다.

피지컬 AI — 신기함과 궁금함 사이 로봇 시연 구역은 발길이 가장 많이 몰리는 곳이었다. 직접 움직이는 걸 보니 신기하긴 했는데, 동시에 이게 실제 일상이나 업무 현장에서 어떻게 쓰일지가 궁금해졌다.

산업 현장과 AI — 인명 안전을 위한 기술 산업 현장 관련 부스들도 생각보다 많았다. 정부 기관도 전시에 직접 참여할 만큼 이 분야에 관심이 크다는 걸 느꼈고, AI가 산업 현장의 인명 재해를 예방하는 데 실질적으로 활용되고 있다는 걸 알게 됐다. 기술이 거창한 미래보다 지금 당장의 안전을 위해 쓰이고 있다는 사실이 인상적이었다.

PLAUD의 굿즈 — 뜻밖의 마케팅 인사이트 AI 기술과는 별개로, 전시장을 돌다 보니 유독 눈에 띄는 게 있었다. 크고 심플한 검정색 타포린백을 들고 다니는 사람들이 곳곳에 보였는데, 알고 보니 PLAUD라는 기업 부스에서 나눠주는 이벤트 굿즈였다. "우리도 저기 찾아가보자" 하고 부스를 방문했더니, 그 가방 때문에 찾아온 사람이 많다고 했다. 작은 아이템 하나가 사람을 부스로 이끈다. 전시 행사에서 굿즈 하나도 마케팅이 된다는 걸 직접 목격한 순간이었다.

마치며

하루 동안 강연과 전시를 연달아 경험하고 나니, 머릿속으로만 그리던 AI 생태계의 실제 온도를 몸으로 느낄 수 있었다.

강연에서 들은 이야기들을 전시장에서 눈으로 볼 수 있었고, 또 전시장에서 본 것들로 강연 내용을 다시 한번 확인할 수 있는 시간이었다. AI는 이미 특정 업계나 직군만의 이야기가 아니다. 대기업도, 중소기업도, 고등학생도, 타이완 기업도 모두 같은 자리에 있었다. 기술이 빠르게 변화하는 시대일수록, 살아남는 건 도구를 잘 다루는 사람이 아니라 도구를 이해하고 설명할 수 있는 사람인 것 같다.

이 글은 현직자 강연 청취 및 전시 관람을 바탕으로 개인적으로 정리한 내용입니다. 특정 발언의 정확한 인용이 아닌, 인상 깊었던 개념을 재구성한 것임을 밝힙니다.

[Windows] 우클릭 YYYY-MM-DD.txt 자동 생성 레지스트리

this.Serena — Fri, 24 Apr 2026 15:22:25 +0900

우클릭 한 번으로 YYYY-MM-DD.txt 파일을 해당 경로에 생성하고 즉시 여는 설정
사용 목적에 따라 '폴더 빈 공간'과 '폴더 아이콘' 두 가지 타겟에 모두 설정해 두면 편리

1. 폴더 빈 공간 & 바탕화면 타겟

폴더 내부의 빈 공간이나 바탕화면을 우클릭했을 때 작동하는 설정

레지스트리 경로: HKEY_CLASSES_ROOT\Directory\Background\shell

키 및 값 세팅

위 경로에 NewText 키 생성
- (기본값) : New Text (메뉴에 표시될 이름)
- 문자열 값 생성 (이름: Icon / 데이터: %SystemRoot%\System32\SHELL32.dll,-156)
NewText 하위에 command 키 생성
- (기본값) : cmd /c cd %V & echo %%date%% >%%date%%.txt & start %%date%%.txt

HKEY_CLASSES_ROOT\Directory\Background\shell

%SystemRoot%\System32\SHELL32.dll,-156

cmd /c cd %V & echo %%date%% >%%date%%.txt & start %%date%%.txt

우클릭 시 New Text 표시

2. 폴더 아이콘 타겟

특정 폴더 아이콘 자체를 우클릭했을 때, 해당 폴더 내부에 파일을 생성하는 설정

레지스트리 경로: HKEY_CLASSES_ROOT\Directory\shell

키 및 값 세팅

위 경로에 NewText 키 생성
- (기본값) : New Text
- 문자열 값 생성 (이름: Icon / 데이터: %SystemRoot%\System32\SHELL32.dll,-156)
NewText 하위에 command 키 생성
- (기본값) : cmd /c cd %V & echo %%date%% >%%date%%.txt & start %%date%%.txt

3. 실행 명령어 요약

cmd /c cd %V & echo %%date%% >%%date%%.txt & start %%date%%.txt

cmd /c : 백그라운드 명령 프롬프트 실행 후 작업 완료 시 창 닫기
cd %V : 레지스트리에서 전달받은 현재 타겟 경로(%V)로 이동
& : 앞 명령어 완료 후 다음 명령어 실행 (순차 체이닝)
echo %%date%% : 오늘 날짜 출력 (레지스트리 변수 충돌을 막기 위해 %를 두 번 써서 이스케이프)
>%%date%%.txt : 출력된 날짜를 텍스트 파일명과 내부 텍스트로 저장
start %%date%%.txt : 만들어진 파일을 메모장(기본 편집기)으로 즉시 열기

4. 롤백 (삭제)

설정을 제거하고 싶을 때는 생성했던 NewText 키 폴더를 삭제

...\Directory\Background\shell\NewText 삭제
...\Directory\shell\NewText 삭제

옵티마이저(Optimizer)

this.Serena — Thu, 16 Apr 2026 16:21:32 +0900

SQL공부를 해보려고 이것저것 찾아보던 중에, SQL을 제대로 이해하려면 옵티마이저가 어떻게 동작하는지 먼저 알아두는 것이 좋다는 영상을 보았다. 옵티마이저는 SQL을 데이터가 어떻게 처리할 지 결정해주는 역할을 한다고 한다. 뭔지 잘 모르겠지만, 일단 정리.

1. 개요

옵티마이저(Optimizer)란 주어진 목적 함수(Objective Function)를 최소화하거나 최대화하기 위해 변수(파라미터)를 체계적으로 조정하는 알고리즘 또는 시스템을 말합니다. 이 개념은 데이터베이스, 머신러닝, 컴파일러, 수학적 최적화, 운영 연구(Operations Research) 등 거의 모든 컴퓨터 과학 및 공학 분야에서 핵심적인 역할을 합니다.

2. 데이터베이스 옵티마이저 (Query Optimizer)

2.1. 정의와 역할

데이터베이스 옵티마이저는 사용자가 작성한 SQL 쿼리를 분석하여 가장 효율적인 실행 계획(Execution Plan)을 생성하는 DBMS의 핵심 구성 요소입니다. 동일한 결과를 반환하는 쿼리라도 내부 실행 방식에 따라 성능 차이가 수십, 수백 배에 달할 수 있기 때문에 옵티마이저의 역할은 매우 중요합니다.

2.2. SQL 처리 과정에서의 위치

SQL 입력 → 파서(Parser) → 옵티마이저(Optimizer) → 실행 엔진(Execution Engine) → 결과 반환

단계	설명
파싱(Parsing)	SQL 문법 검증, 구문 트리(Parse Tree) 생성
변환(Transformation)	쿼리를 논리적으로 동등한 더 효율적인 형태로 변환
최적화(Optimization)	여러 실행 계획 후보를 생성하고 비용을 추정하여 최적 계획 선택
실행(Execution)	선택된 실행 계획에 따라 데이터 접근 및 결과 반환

2.3. 옵티마이저의 유형

2.3.1. 규칙 기반 옵티마이저 (RBO, Rule-Based Optimizer)

미리 정해진 우선순위 규칙에 따라 실행 계획을 결정합니다.

우선순위	접근 방식
1 (최고)	ROWID에 의한 단일 행 접근
2	유니크 인덱스를 통한 단일 행 접근
3	클러스터 조인
4	해시 클러스터 키에 의한 단일 행
5	인덱스 클러스터 키에 의한 단일 행
...	...
N (최저)	풀 테이블 스캔 (Full Table Scan)

장점: 예측 가능하고 일관된 실행 계획
단점: 데이터의 실제 분포나 양을 고려하지 않아 비효율적인 계획 수립 가능

2.3.2. 비용 기반 옵티마이저 (CBO, Cost-Based Optimizer)

테이블 및 인덱스의 통계 정보를 기반으로 각 실행 계획의 비용(Cost)을 추정하고, 가장 낮은 비용의 계획을 선택합니다.

비용 추정에 사용되는 주요 통계 정보:

통계 항목	설명
카디널리티(Cardinality)	테이블의 총 행(Row) 수
선택도(Selectivity)	조건에 의해 선택되는 행의 비율 (0~1)
밀도(Density)	특정 컬럼 값의 분포 밀도
히스토그램(Histogram)	컬럼 값의 분포를 구간별로 저장
클러스터링 팩터	인덱스 순서와 테이블 데이터의 물리적 정렬 일치도
평균 행 길이	테이블 행의 평균 바이트 크기

비용 계산 공식 (단순화):

총 비용 = (I/O 비용) + (CPU 비용) + (네트워크 비용)
       = (단일 블록 읽기 횟수 × 단일 블록 읽기 비용)
       + (다중 블록 읽기 횟수 × 다중 블록 읽기 비용)
       + (CPU 연산 비용)

2.4. 주요 최적화 기법

2.4.1. 접근 경로 최적화 (Access Path Optimization)

접근 방식	적합한 경우	비용
풀 테이블 스캔	대량 데이터 조회, 선택도가 낮은 경우	테이블 전체 블록 수에 비례
인덱스 범위 스캔	선택도가 높은 조건 (소량 데이터)	인덱스 깊이 + 리프 블록 + 테이블 블록
인덱스 유니크 스캔	유니크 키로 단일 행 접근	인덱스 깊이 + 1
인덱스 풀 스캔	인덱스만으로 결과 반환 가능 (커버링 인덱스)	인덱스 전체 리프 블록 수
인덱스 스킵 스캔	복합 인덱스의 선두 컬럼 조건이 없는 경우	선두 컬럼의 고유 값 수에 따라 변동

2.4.2. 조인 최적화

조인 방법:

조인 방법	원리	적합한 경우
Nested Loop Join	외부 테이블의 각 행에 대해 내부 테이블을 반복 탐색	소량 데이터, 내부 테이블에 인덱스 존재
Sort Merge Join	양쪽 테이블을 정렬 후 병합	대량 데이터, 동등 조인, 이미 정렬된 데이터
Hash Join	작은 테이블로 해시 테이블 생성 후 큰 테이블 탐색	대량 데이터의 동등 조인, 인덱스 없는 경우

조인 순서 최적화:

N개의 테이블을 조인할 때 가능한 조인 순서는 N!(팩토리얼)가지입니다. 테이블 수가 많아지면 모든 경우를 탐색하는 것이 불가능하므로, 옵티마이저는 다음과 같은 전략을 사용합니다:

동적 프로그래밍(Dynamic Programming): 소규모 테이블 집합에 대해 최적 해를 점진적으로 구축
탐욕 알고리즘(Greedy Algorithm): 각 단계에서 가장 비용이 낮은 조인을 선택
유전 알고리즘: PostgreSQL에서 테이블 수가 12개 이상일 때 사용 (GEQO)

2.4.3. 쿼리 변환 (Query Transformation)

변환 기법	설명	예시
서브쿼리 Unnesting	상관 서브쿼리를 조인으로 변환	`WHERE id IN (SELECT ...)` → `JOIN`
뷰 병합(View Merging)	뷰의 쿼리를 외부 쿼리와 통합	뷰 내부의 조건을 외부로 푸시
조건 푸시다운(Predicate Pushdown)	필터 조건을 가능한 한 하위 단계로 이동	조인 전에 필터링하여 데이터 양 감소
공통 부분식 제거	중복 계산을 제거하여 효율화	동일 서브쿼리의 결과 재사용
OR Expansion	OR 조건을 UNION ALL로 변환	각 조건에 대해 별도의 인덱스 활용 가능

2.5. 실행 계획 분석

실행 계획을 확인하는 방법:

-- Oracle
EXPLAIN PLAN FOR SELECT * FROM employees WHERE dept_id = 10;
SELECT * FROM TABLE(DBMS_XPLAN.DISPLAY);

-- PostgreSQL
EXPLAIN ANALYZE SELECT * FROM employees WHERE dept_id = 10;

-- MySQL
EXPLAIN SELECT * FROM employees WHERE dept_id = 10;

실행 계획에서 확인해야 할 핵심 항목:

항목	의미
Operation	수행되는 작업 (TABLE ACCESS, INDEX SCAN, HASH JOIN 등)
Rows	예상 반환 행 수
Cost	추정 비용 (상대적 수치)
Bytes	예상 데이터 크기
Time	예상 실행 시간
Actual Rows	실제 반환 행 수 (ANALYZE 옵션 사용 시)

2.6. 옵티마이저 힌트

옵티마이저의 판단을 개발자가 직접 제어할 수 있는 방법입니다:

-- Oracle 힌트 예시
SELECT /*+ INDEX(e idx_dept_id) */ *
FROM employees e
WHERE dept_id = 10;

SELECT /*+ FULL(e) */ *
FROM employees e
WHERE dept_id = 10;

SELECT /*+ USE_HASH(e d) */ *
FROM employees e, departments d
WHERE e.dept_id = d.dept_id;

-- MySQL 힌트 예시
SELECT /*+ NO_INDEX(e idx_dept_id) */ *
FROM employees e
WHERE dept_id = 10;

주요 힌트 종류:

힌트	설명
`FULL(table)`	풀 테이블 스캔 강제
`INDEX(table index)`	특정 인덱스 사용 강제
`USE_NL(table)`	Nested Loop 조인 강제
`USE_HASH(table)`	Hash 조인 강제
`USE_MERGE(table)`	Sort Merge 조인 강제
`LEADING(table ...)`	조인 순서 지정
`PARALLEL(table, degree)`	병렬 처리 수준 지정

3. 머신러닝/딥러닝 옵티마이저

3.1. 기본 원리

머신러닝 옵티마이저의 목표는 손실 함수 L(θ)를 최소화하는 파라미터 θ를 찾는 것입니다.

θ(t+1) = θ(t) - η · ∇L(θ(t))

여기서 η는 학습률(Learning Rate), ∇L은 손실 함수의 그래디언트입니다.

3.2. 주요 옵티마이저 상세 설명

3.2.1. SGD (Stochastic Gradient Descent)

θ(t+1) = θ(t) - η · g(t)

g(t)는 미니배치에서 계산된 그래디언트
장점: 구현이 간단하고, 일반화(Generalization) 성능이 우수한 경우가 많음
단점: 수렴 속도가 느리고, 학습률 설정에 민감하며, 안장점(Saddle Point)에서 정체될 수 있음

3.2.2. SGD with Momentum

v(t) = β · v(t-1) + g(t)
θ(t+1) = θ(t) - η · v(t)

β는 모멘텀 계수 (일반적으로 0.9)
과거 그래디언트의 지수 이동 평균을 누적하여 일관된 방향으로의 업데이트를 가속화
장점: 진동 감소, 수렴 속도 향상, 지역 최소값(Local Minimum) 탈출 가능성 증가
단점: 추가 하이퍼파라미터(β) 필요

3.2.3. Nesterov Accelerated Gradient (NAG)

θ_lookahead = θ(t) - β · v(t-1)
v(t) = β · v(t-1) + η · ∇L(θ_lookahead)
θ(t+1) = θ(t) - v(t)

Momentum의 개선 버전으로, 미래 위치를 예측하여 그래디언트를 계산
오버슈팅(Overshooting)을 줄이고 더 정확한 수렴 가능

3.2.4. AdaGrad (Adaptive Gradient)

G(t) = G(t-1) + g(t)²
θ(t+1) = θ(t) - η / √(G(t) + ε) · g(t)

각 파라미터별로 누적된 그래디언트 제곱합에 반비례하여 학습률을 조정
장점: 희소(Sparse) 데이터에 효과적, 자주 업데이트되는 파라미터는 학습률 감소
단점: 학습이 진행될수록 학습률이 지속적으로 감소하여 학습이 조기 중단될 수 있음

3.2.5. RMSProp (Root Mean Square Propagation)

E[g²](t) = γ · E[g²](t-1) + (1-γ) · g(t)²
θ(t+1) = θ(t) - η / √(E[g²](t) + ε) · g(t)

γ는 감쇠율(Decay Rate, 일반적으로 0.9)
AdaGrad의 학습률 감소 문제를 해결하기 위해 지수 이동 평균 사용
Geoffrey Hinton이 제안

3.2.6. Adam (Adaptive Moment Estimation)

m(t) = β1 · m(t-1) + (1-β1) · g(t)          # 1차 모멘트 (평균)
v(t) = β2 · v(t-1) + (1-β2) · g(t)²          # 2차 모멘트 (분산)
m̂(t) = m(t) / (1 - β1^t)                     # 편향 보정
v̂(t) = v(t) / (1 - β2^t)                     # 편향 보정
θ(t+1) = θ(t) - η · m̂(t) / (√v̂(t) + ε)

기본 하이퍼파라미터: β1=0.9, β2=0.999, ε=1e-8, η=0.001
장점: 대부분의 문제에서 좋은 성능, 하이퍼파라미터 튜닝에 덜 민감
단점: 일부 경우 SGD+Momentum 대비 일반화 성능이 떨어질 수 있음

3.2.7. AdamW (Adam with Decoupled Weight Decay)

θ(t+1) = θ(t) - η · (m̂(t) / (√v̂(t) + ε) + λ · θ(t))

Adam에서 L2 정규화와 가중치 감쇠가 혼동되는 문제를 해결
가중치 감쇠를 그래디언트 업데이트와 분리(Decouple)하여 적용
현재 Transformer 기반 모델(BERT, GPT 등)의 사실상 표준 옵티마이저

3.2.8. 기타 최신 옵티마이저

옵티마이저	특징
LAMB	대규모 배치 학습(Large Batch Training)에 최적화, 레이어별 적응적 학습률
LARS	LAMB과 유사, SGD 기반의 레이어별 적응적 학습률
RAdam	Adam의 초기 학습 불안정성을 개선, 워밍업 불필요
Lookahead	기존 옵티마이저를 래핑하여 탐색과 활용의 균형을 개선
AdaFactor	메모리 효율적인 Adam 변형, 대형 모델에 적합
Lion	Google에서 발견한 진화 기반 옵티마이저, Adam보다 메모리 효율적
Sophia	2차 미분 정보를 활용하는 경량 옵티마이저, LLM 학습에 효과적

3.3. 학습률 스케줄링 (Learning Rate Scheduling)

옵티마이저와 함께 사용되는 학습률 조정 전략:

스케줄러	설명
Step Decay	일정 에폭마다 학습률을 고정 비율로 감소
Exponential Decay	매 에폭/스텝마다 지수적으로 감소
Cosine Annealing	코사인 함수를 따라 학습률을 주기적으로 변화
Warmup + Decay	초기에 학습률을 점진적으로 증가 후 감소 (Transformer에서 널리 사용)
Cyclic LR	학습률을 주기적으로 증감하여 지역 최소값 탈출
One Cycle Policy	단일 주기로 학습률을 증가 후 감소
ReduceLROnPlateau	검증 손실이 개선되지 않을 때 학습률 감소

3.4. 옵티마이저 선택 가이드

                    시작
                     │
            ┌────────┴────────┐
            │ 문제 유형은?      │
            └────────┬────────┘
         ┌───────────┼───────────┐
         ▼           ▼           ▼
    컴퓨터 비전    NLP/LLM    일반/추천 시스템
         │           │           │
    SGD+Momentum  AdamW       Adam
    + Cosine LR   + Warmup    + ReduceLR
         │           │
    일반화 성능    빠른 수렴
    우수          + 안정적

4. 컴파일러 옵티마이저

4.1. 최적화 수준

대부분의 컴파일러(GCC, Clang 등)는 최적화 수준을 플래그로 지정할 수 있습니다:

플래그	설명
`-O0`	최적화 없음 (디버깅용)
`-O1`	기본 최적화 (컴파일 시간과 성능의 균형)
`-O2`	중간 수준 최적화 (대부분의 프로덕션 코드)
`-O3`	공격적 최적화 (루프 벡터화, 인라이닝 확대)
`-Os`	코드 크기 최적화 (임베디드 시스템)
`-Ofast`	표준 준수를 희생한 최대 성능 최적화

4.2. 주요 최적화 기법 상세

4.2.1. 기계 독립적 최적화 (중간 코드 수준)

기법	설명	예시
상수 폴딩	컴파일 시점에 상수 연산 사전 계산	`x = 3 * 4` → `x = 12`
상수 전파	알려진 상수 값을 사용처에 대입	`a=5; b=a+1` → `b=6`
데드 코드 제거	실행되지 않거나 결과가 사용되지 않는 코드 제거	도달 불가 분기 제거
공통 부분식 제거(CSE)	동일 연산의 중복 계산 방지	`ab+cd` 에서 `a*b` 재사용
루프 불변 코드 이동	루프 내 불변 연산을 루프 밖으로 이동	루프 내 상수 계산 외부 이동
강도 감소	비용 높은 연산을 저비용 연산으로 대체	곱셈 → 비트 시프트
꼬리 호출 최적화	꼬리 재귀를 반복문으로 변환	스택 오버플로 방지

4.2.2. 루프 최적화

기법	설명
루프 언롤링	반복문 본체를 여러 번 복제하여 분기 오버헤드 감소
루프 퓨전	동일 범위의 인접 루프를 하나로 병합
루프 피싱	하나의 루프를 여러 루프로 분할하여 캐시 활용 개선
루프 타일링	루프를 블록 단위로 분할하여 캐시 지역성 향상
루프 벡터화	SIMD 명령어를 활용한 병렬 연산

4.2.3. 기계 종속적 최적화 (코드 생성 수준)

기법	설명
레지스터 할당	변수를 CPU 레지스터에 효율적으로 매핑 (그래프 컬러링 알고리즘)
명령어 선택	타겟 아키텍처에 최적인 명령어 선택
명령어 스케줄링	파이프라인 스톨을 최소화하도록 명령어 순서 재배치
피홀 최적화	짧은 명령어 시퀀스를 더 효율적인 시퀀스로 대체

5. 수학적 최적화 (Mathematical Optimization)

5.1. 분류 체계

최적화 문제
├── 연속 최적화 (Continuous Optimization)
│   ├── 제약 없는 최적화 (Unconstrained)
│   │   ├── 1차 방법: 경사 하강법, 켤레 경사법
│   │   └── 2차 방법: 뉴턴법, 준뉴턴법(BFGS, L-BFGS)
│   ├── 제약 있는 최적화 (Constrained)
│   │   ├── 선형 계획법 (LP): 심플렉스법, 내부점법
│   │   ├── 이차 계획법 (QP)
│   │   └── 비선형 계획법 (NLP): SQP, 내부점법, 페널티법
│   └── 볼록 최적화 (Convex Optimization)
│       └── 전역 최적해 보장
│
├── 이산 최적화 (Discrete / Combinatorial)
│   ├── 정수 계획법 (IP): 분지 한정법
│   ├── 혼합 정수 계획법 (MIP)
│   └── NP-Hard 문제: TSP, 배낭 문제 등
│
└── 메타휴리스틱 (Metaheuristics)
    ├── 유전 알고리즘 (GA)
    ├── 시뮬레이티드 어닐링 (SA)
    ├── 입자 군집 최적화 (PSO)
    └── 개미 군집 최적화 (ACO)

5.2. 주요 알고리즘 비교

알고리즘	수렴 속도	메모리	적용 범위
경사 하강법	선형	낮음	대규모 문제
뉴턴법	이차	높음 (Hessian 저장)	소규모 문제
L-BFGS	초선형	중간	중대규모 문제
심플렉스법	다항 시간 (실제)	중간	선형 계획
내부점법	다항 시간	높음	대규모 LP/QP

6. 분야 간 공통 개념

6.1. 탐색(Exploration) vs 활용(Exploitation)

모든 옵티마이저는 다음 두 가지 사이의 균형을 고려합니다:

탐색(Exploration): 넓은 범위의 해 공간을 탐색하여 전역 최적해를 찾으려는 시도
활용(Exploitation): 현재까지 발견된 좋은 해 근처를 집중적으로 탐색

6.2. 수렴성(Convergence)

전역 수렴(Global Convergence): 임의의 초기점에서 시작해도 최적해에 도달
지역 수렴(Local Convergence): 최적해 근처에서 시작했을 때의 수렴 속도
수렴 속도: 선형(Linear) < 초선형(Superlinear) < 이차(Quadratic)

6.3. 하이퍼파라미터 최적화

옵티마이저 자체의 설정값을 최적화하는 메타 최적화:

방법	설명
그리드 서치	모든 조합을 체계적으로 시도
랜덤 서치	무작위 조합 시도 (그리드 서치보다 효율적인 경우 많음)
베이지안 최적화	이전 결과를 바탕으로 다음 시도점을 지능적으로 선택
Hyperband	조기 종료(Early Stopping)를 활용한 효율적 탐색
Population-Based Training	여러 설정을 동시에 학습하며 진화적으로 최적화

7. 요약 및 결론

분야	최적화 대상	핵심 옵티마이저	핵심 고려 사항
데이터베이스	쿼리 실행 계획	CBO (비용 기반)	통계 정보의 정확성, 힌트 활용
딥러닝	모델 파라미터	Adam, AdamW, SGD	학습률, 수렴 속도, 일반화 성능
컴파일러	코드 실행 효율	다단계 최적화 패스	최적화 수준, 타겟 아키텍처
수학적 최적화	목적 함수	문제 특성에 따라 선택	볼록성, 제약 조건, 문제 크기

옵티마이저는 분야에 관계없이 "제한된 자원(시간, 메모리, 계산량) 내에서 최선의 결과를 도출"한다는 공통 목표를 공유합니다. 각 분야의 특성에 맞는 옵티마이저를 이해하고 적절히 선택하는 것이 시스템 성능 향상의 핵심입니다.

[Shortcut] 이클립스(Eclipse)

this.Serena — Mon, 13 Apr 2026 14:11:13 +0900

1. 코드 편집 단축키

단축키	기능
`Ctrl + D`	한 줄 삭제
`Ctrl + Alt + ↑(↓)`	한 줄(블럭) 복사
`Alt + ↑(↓)`	현재 줄을 위(아래) 줄과 바꾸기
`Ctrl + Shift + X`	대문자로 변환
`Ctrl + Shift + Y`	소문자로 변환
`Alt + Shift + R`	같은 변수명 전체 일괄 변경 (Rename)
`Ctrl + I`	들여쓰기 자동 수정
`Ctrl + Shift + F`	코드 포맷팅 (문법 템플릿에 맞게 정렬)

2. 주석 처리 단축키

단축키	기능
`Ctrl + /` 또는 `Ctrl + 7`	한 줄 주석 처리/해제 (`//`)
`Ctrl + Shift + /`	블록 주석 처리 (`/* */`)
`Ctrl + Shift + \`	블록 주석 해제

3. 블록 선택 단축키

단축키	기능
`Shift + End`	현재 커서부터 줄 끝까지 블록 선택
`Shift + Home`	현재 커서부터 줄 처음까지 블록 선택
`Alt + Shift + 방향키(←↑→↓)`	이미 선택된 블록을 방향키로 확장

4. 코드 자동 생성 및 Import

단축키	기능
`Ctrl + N → Ctrl + V`	`public static void main(String[] args)` 삽입
`Ctrl + Shift + O`	자동 import + 사용하지 않는 import 삭제
`Ctrl + Shift + M`	해당 객체에 커서를 놓고 누르면 Import 구문 자동 생성
`Alt + Shift + S → V`	Override 메소드 생성
`Alt + Shift + S`	소스 메뉴 출력 (Import, Comment, Generator 등)
`Alt + Shift + Z`	구문 블록을 감싸는 메뉴 제공 (try-catch 등)

5. 코드 탐색 및 검색

단축키	기능
`Ctrl + 클릭` 또는 `F3`	해당 클래스/메소드로 이동 (상세 검색)
`Ctrl + O`	현재 소스의 메소드 리스트 확인
`Ctrl + L`	지정한 줄 번호로 이동
`Ctrl + H`	프로젝트 전체 검색
`Ctrl + Alt + H`	특정 클래스의 호출 위치 찾기
`Ctrl + Shift + G`	해당 메서드/필드가 쓰이는 곳 표시
`F4`	클래스의 상속 계층(Hierarchy) 확인
`Ctrl + Shift + Space`	메소드 파라미터 힌트 보기

6. 실행 및 디버깅

단축키	기능
`Ctrl + F11`	소스 실행 (디버깅 없이)
`F11`	소스 실행 (디버깅 모드)
`F8`	디버깅 계속 (다음 중단점까지)
`F6`	한 줄씩 디버깅 (Step Over)
`F5`	함수 내부까지 한 줄씩 디버깅 (Step Into)
`Ctrl + Shift + B`	커서 줄에 중단점(Breakpoint) 설정/해제
`F2`	컴파일 에러 줄에서 에러 힌트 제공
`Ctrl + 1`	빠른 교정 (Quick Fix), 구문에 맞게 소스 교정 지원

7. 창 관리 및 이동

단축키	기능
`Ctrl + W`	현재 파일 닫기
`Ctrl + Shift + F4`	열린 파일 모두 닫기
`Ctrl + M`	전체 화면 전환 (토글)
`Ctrl + PageUp / PageDown`	편집 창(탭) 간 이동
`Ctrl + F6`	열린 창 전환
`F12`	Editor 창으로 이동
`Alt + 방향키(←→)`	이전/다음 작업 위치로 이동
`Ctrl + _ 또는 {`	레이아웃 조정

8. 코드 템플릿 자동완성

Ctrl + Space + 키워드 = 자동완성

입력 + `Ctrl + Space`	자동완성 결과
`sysout`	`System.out.println();`
`try`	try-catch 문
`for`	for 문
`switch`	switch 문

Window > Preferences > Java > Editor > Templates에서 사용자 정의 템플릿 추가

9. 환경 설정

모든 단축키 확인

Ctrl + Shift + L: 이클립스 전체 단축키 목록 확인

폰트 크기 변경

Window > Preferences > General > Appearance > Colors and Fonts

줄 간격 조정

Window > Preferences > General > Editors > Text Editors > Line spacing (20 이상 권장)

자동 생성 주석 제거 (TODO 주석)

Window > Preferences > Java > Code Style > Code Templates
Code 탭에서 New method 템플릿의 // TODO Auto-generated method stub 제거

코드 줄 길이(Line Width) 조절

Window > Preferences > Java > Code Style > Formatter
새 프로파일 생성(Edit) → Line Wrapping → Maximum line width 조절

웹 프로젝트 서버 설정

서버 설정: Preferences > Web Services > Server and Runtime > Tomcat v9.0
Context root 변경: Project Properties > Web Project Settings > Context root

MySQL 명령어

this.Serena — Mon, 13 Apr 2026 14:06:40 +0900

1. 데이터베이스 관리
2. 테이블 관리
3. 데이터 삽입 (INSERT)
4. 데이터 조회 (SELECT)
5. 조인 (JOIN)
6. 데이터 수정 (UPDATE)
7. 데이터 삭제 (DELETE)
8. 인덱스 (INDEX)
9. 그룹화 & 집계
10. 뷰 (VIEW)
11. 저장 프로시저 (Stored Procedure)
12. 트랜잭션 (Transaction)
13. 백업 & 복원
14. 사용자 관리 & 권한
15. 상태 확인 & 시스템

1. 데이터베이스 관리

-- 현재 서버에 존재하는 모든 데이터베이스 목록 조회
SHOW DATABASES;

-- 새 데이터베이스 생성
CREATE DATABASE mydb;

-- 사용할 데이터베이스 선택 (이후 쿼리는 해당 DB에서 실행됨)
USE mydb;

-- 데이터베이스 삭제 (IF EXISTS: 존재하지 않아도 에러 발생하지 않음)
DROP DATABASE IF EXISTS mydb;

Tip: CREATE DATABASE 시 문자셋 명시 : 한글 등 다국어 데이터 안전하게 저장 가능

CREATE DATABASE mydb DEFAULT CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;

⬆ 목차로 돌아가기

2. 테이블 관리

DDL(Data Definition Language) : 테이블 생성, 구조 확인, 수정, 삭제

CREATE : 테이블 생성
DESC (DESCRIBE) : 테이블 구조 확인
ALTER : 테이블 구조 수정
DROP : 테이블 삭제

2-1. 테이블 생성 및 조회

-- 현재 데이터베이스의 모든 테이블 목록 조회
SHOW TABLES;

-- 테이블 생성
CREATE TABLE users (
    id         INT AUTO_INCREMENT PRIMARY KEY,        -- 자동 증가 기본키
    name       VARCHAR(50) NOT NULL,                  -- 이름 (필수)
    email      VARCHAR(100) UNIQUE NOT NULL,           -- 이메일 (유니크 + 필수)
    age        INT DEFAULT 0,                          -- 나이 (기본값 0)
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,    -- 생성 시각 (자동 기록)
    updated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP 
               ON UPDATE CURRENT_TIMESTAMP             -- 수정 시각 (자동 갱신)
);

2-2. 테이블 구조 확인

-- 테이블의 컬럼 정보(타입, NULL 여부, 키 등) 간단히 조회
DESCRIBE users;

-- 테이블 생성 쿼리 전체를 확인 (엔진, 문자셋 등 포함)
SHOW CREATE TABLE users;

2-3. 테이블 구조 변경 (ALTER TABLE)

-- 컬럼 추가
ALTER TABLE users ADD COLUMN phone VARCHAR(20);

-- 컬럼 삭제
ALTER TABLE users DROP COLUMN phone;

-- 컬럼 타입 변경 (이름은 유지)
ALTER TABLE users MODIFY age SMALLINT;

-- 컬럼 이름 + 타입 동시 변경
ALTER TABLE users CHANGE name full_name VARCHAR(100);

-- 테이블 이름 변경
ALTER TABLE users RENAME TO members;

2-4. 테이블 삭제

-- 테이블 삭제 (IF EXISTS: 존재하지 않아도 에러 없음)
DROP TABLE IF EXISTS members;

⚠️ DROP TABLE : 테이블 구조와 데이터 모두 삭제

⬆ 목차로 돌아가기

3. 데이터 삽입 (INSERT)

DML(Data Manipulation Language) : 데이터 삽입, 조회, 수정, 삭제

INSERT : 데이터 삽입
SELECT : 데이터 조회
UPDATE : 데이터 수정
DELETE : 데이터 삭제

-- 여러 행 한 번에 삽입 (권장: 단건 INSERT보다 성능이 좋음)
INSERT INTO users (name, email, age) VALUES 
('홍길동', 'hong@example.com', 30),
('김철수', 'kim@example.com', 25),
('이영희', 'lee@example.com', 28);

-- SET 구문을 사용한 단건 삽입 (컬럼=값 형태로 직관적)
INSERT INTO users SET name='박민수', email='park@example.com', age=35;

대량 데이터 삽입 시 LOAD DATA INFILE이나 INSERT INTO ... SELECT 구문 활용 (빠름)

⬆ 목차로 돌아가기

4. 데이터 조회 (SELECT)

-- 전체 데이터 조회
SELEC * ROM users;

-- 특정 컬럼만 조회 + 조건(WHERE) + 정렬(ORDER BY)
-- age가 25 이상인 사용자를 나이 내림차순으로 조회
SELECT name, email, age 
FROM users 
WHERE age >= 25 
ORDER BY age DESC;

-- 패턴 검색 (LIKE) + 다중 조건 (OR)
-- 이름에 '길'이 포함되거나 이메일에 'example'이 포함된 사용자
SELEC * ROM users 
WHERE name LIKE '%길%' OR email LIKE '%example%';

-- 집계 함수: 전체 행 수
SELECT COUNT(*) AS total FROM users;

-- 집계 함수: 평균 나이
SELECT AVG(age) AS avg_age FROM users;

-- 페이지네이션: 1페이지 (0번째부터 10개)
SELEC * ROM users LIMIT 10 OFFSET 0;

-- 중복 제거: 고유한 나이 값만 조회
SELECT DISTINCT age FROM users;

OFFSET : 0부터 시작, N페이지 조회 시 OFFSET = (N - 1 * IMIT 으로 계산

⬆ 목차로 돌아가기

5. 조인 (JOIN)

JOIN (데이터 결합) : 다수 테이블 연결 및 조회

5-1. 조인용 테이블 생성

CREATE TABLE orders (
    order_id   INT AUTO_INCREMENT PRIMARY KEY,
    user_id    INT,                              -- users 테이블의 id를 참조
    amount     DECIMAL(10,2),                    -- 주문 금액
    order_date DATE,                             -- 주문 일자
    FOREIGN KEY (user_id) REFERENCES users(id)   -- 외래키 설정
);

-- 주문 데이터 삽입
INSERT INTO orders (user_id, amount, order_date) 
VALUES (1, 100000, '2025-12-01');

5-2. INNER JOIN 실행

-- users와 orders를 user_id로 연결하여 조회
SELECT u.name, o.amount, o.order_date 
FROM users u 
JOIN orders o ON u.id = o.user_id;

JOIN 종류 한눈에 보기

종류	설명
INNER JOIN	양쪽 테이블에 모두 일치하는 데이터만 반환
LEFT JOIN	왼쪽 테이블 전체 + 오른쪽 일치 데이터 (없으면 NULL)
RIGHT JOIN	오른쪽 테이블 전체 + 왼쪽 일치 데이터 (없으면 NULL)
CROSS JOIN	양쪽 테이블의 모든 조합 (카테시안 곱)

⬆ 목차로 돌아가기

6. 데이터 수정 (UPDATE)

-- 모든 사용자의 나이를 1 증가 (WHERE 조건 필수, 안전 모드 우회를 위해 id > 0 사용)
UPDATE users SET age = age + 1 WHERE id > 0;

-- 이메일이 NULL인 사용자에게 이름 기반 이메일 자동 설정
UPDATE users SET email = CONCAT(name, '@example.com') WHERE email IS NULL;

⚠️ MySQL Safe Updates 모드 (sql_safe_updates) 주의
- 해당 모드 활성화 시, WHERE 절에 키(Key) 컬럼이 없는 UPDATE 및 DELETE 명령어 실행 불가
- 의도적으로 전체 데이터를 수정하거나 삭제해야 할 경우 WHERE id > 0 등의 우회 조건 추가 필요

⬆ 목차로 돌아가기

7. 데이터 삭제 (DELETE)

-- 특정 행 삭제
DELETE FROM users WHERE id = 1;

-- 조건에 맞는 행 삭제
DELETE FROM users WHERE age < 20;

-- 테이블의 모든 데이터 초기화 (구조는 유지, AUTO_INCREMENT도 초기화)
TRUNCATE TABLE users;

DELETE vs TRUNCATE 차이점

구분	DELETE	TRUNCATE
롤백 가능 여부	✅ 가능 (트랜잭션 내)	❌ 불가능
WHERE 조건	✅ 사용 가능	❌ 사용 불가
속도	상대적으로 느림	매우 빠름
AUTO_INCREMENT	유지됨	초기화됨

⬆ 목차로 돌아가기

8. 인덱스 (INDEX)

INDEX : 조회 성능 향상을 위한 데이터 색인 생성, 수정, 삭제

CREATE INDEX : 인덱스 생성
SHOW INDEX : 테이블의 인덱스 정보 확인
ALTER INDEX : 인덱스 이름 변경 및 구조 수정
DROP INDEX : 인덱스 삭제

-- 일반 인덱스 생성 (중복 허용)
CREATE INDEX idx_email ON users(email);

-- 유니크 인덱스 생성 (중복 불허)
CREATE UNIQUE INDEX idx_name ON users(name);

-- 테이블에 설정된 인덱스 목록 조회
SHOW INDEX FROM users;

-- 인덱스 삭제
DROP INDEX idx_email ON users;

인덱스 (Index)
- SELECT 조회 성능 향상, 단 DML(INSERT/UPDATE/DELETE) 실행 시 갱신 비용 발생
- 자주 조회하는 컬럼에 한해 선별적 적용

⬆ 목차로 돌아가기

9. 그룹화 & 집계

GROUP BY / HAVING : 데이터 그룹화 및 조건 필터링

GROUP BY : 특정 컬럼을 기준으로 데이터 그룹화 (주로 COUNT, SUM, AVG 등 집계 함수와 함께 사용)
HAVING : 그룹화된 데이터 결과에 대한 조건 필터링 (WHERE은 데이터 그룹화 전, HAVING은 그룹화 후 적용)

-- 나이별 그룹화 후, 인원이 2명 이상인 그룹만 조회
SELECT age, 
       COUNT(*) AS count, 
       AVG(age) AS avg 
FROM users 
GROUP BY age 
HAVING count > 1;

WHERE vs HAVING
WHERE: 그룹화 이전에 개별 행을 필터링
HAVING: 그룹화 이후에 그룹 결과를 필터링

⬆ 목차로 돌아가기

10. 뷰 (VIEW)

VIEW : 자주 사용하는 쿼리를 가상 테이블로 저장 및 재사용

CREATE VIEW : 뷰 생성
DROP VIEW : 뷰 삭제

-- 25세 이상 사용자만 보여주는 뷰 생성
CREATE VIEW user_summary AS 
SELECT name, age FROM users WHERE age >= 25;

-- 뷰 조회 (일반 테이블처럼 사용)
SELEC * ROM user_summary;

-- 뷰 삭제
DROP VIEW IF EXISTS user_summary;

뷰 (View)
- 실제 데이터 저장 없이 쿼리 결과만 보여주는 가상 테이블
- 원본 테이블 데이터 변경 시 뷰 결과 자동 반영

⬆ 목차로 돌아가기

11. 저장 프로시저 (Stored Procedure)

STORED PROCEDURE : 자주 사용하는 SQL 로직 서버 저장 및 호출

CREATE PROCEDURE : 프로시저 생성
CALL : 프로시저 호출 및 실행
DROP PROCEDURE : 프로시저 삭제

-- 프로시저 생성: 입력받은 나이 이상의 사용자 조회
DELIMITER //
CREATE PROCEDURE GetUsersByAge(IN min_age INT)
BEGIN
    SELEC * ROM users WHERE age >= min_age;
END //
DELIMITER ;

-- 프로시저 호출
CALL GetUsersByAge(25);

-- 프로시저 삭제
DROP PROCEDURE IF EXISTS GetUsersByAge;

DELIMITER // : 프로시저 본문 내 세미콜론(;) 오인식 방지용 구분자 임시 변경
- DELIMITER ; : 프로시저 정의 완료 후 기본 구분자 복원

⬆ 목차로 돌아가기

12. 트랜잭션 (Transaction)

TRANSACTION : 다수 SQL 문 단일 작업 단위 결합 및 무결성 보장

START TRANSACTION : 트랜잭션 시작
COMMIT : 작업 결과 영구 반영
ROLLBACK : 작업 취소 및 이전 상태 복구

-- 트랜잭션 시작
START TRANSACTION;

-- 작업 1: 데이터 삽입
INSERT INTO users (name, email, age) VALUES ('테스트', 'test@example.com', 20);

-- 작업 2: 데이터 수정
UPDATE users SET age = 21 WHERE name = '테스트';

-- 모든 작업이 정상이면 확정
COMMIT;

-- 문제가 발생했다면 모든 작업을 되돌림
-- ROLLBACK;

ACID 원칙 : 트랜잭션 정합성 보장 필수 속성

원자성(Atomicity) : 작업 단위 전체 성공 또는 전체 실패 처리
일관성(Consistency) : 트랜잭션 전후 데이터 규칙 및 상태 유지
격리성(Isolation) : 트랜잭션 상호 간 간섭 및 영향 배제
지속성(Durability) : 성공한 결과의 영구적 저장 및 보존
활용 : 금융 거래, 재고 처리 등 데이터 무결성 중요 작업

⬆ 목차로 돌아가기

13. 백업 & 복원

BACKUP & RESTORE : 데이터 유실 대비 터미널(CLI) 기반 백업 및 복원

# 데이터베이스 백업 (SQL 파일로 내보내기)
mysqldump -u root -p mydb > backup.sql

# 데이터베이스 복원 (SQL 파일 가져오기)
mysql -u root -p mydb < backup.sql

백업 실행 : mysqldump -u root -p [DB명] > [파일명].sql
복원 실행 : mysql -u root -p [DB명] < [파일명].sql
전체 DB 백업 : mysqldump -u root -p --all-databases > all_backup.sql
특정 테이블 백업 : mysqldump -u root -p mydb users > users_backup.sql
자동화 : 운영 환경 내 crontab 활용 백업 스케줄링 적용 권장

⬆ 목차로 돌아가기

14. 사용자 관리 & 권한

-- 사용자 생성
CREATE USER 'dev'@'localhost' IDENTIFIED BY 'password123';

-- 특정 권한만 부여 (SELECT, INSERT, UPDATE)
GRANT SELECT, INSERT, UPDATE ON mydb.* TO 'dev'@'localhost';

-- 모든 권한 부여
GRANT ALL PRIVILEGES ON mydb.* TO 'dev'@'localhost';

-- 권한 변경 사항을 즉시 반영
FLUSH PRIVILEGES;

-- 사용자에게 부여된 권한 확인
SHOW GRANTS FOR 'dev'@'localhost';

-- 모든 권한 회수
REVOKE ALL PRIVILEGES ON mydb.* FROM 'dev'@'localhost';

-- 사용자 삭제
DROP USER 'dev'@'localhost';

⚠️ DCL(Data Control Language) : 사용자 생성 및 권한 관리

CREATE USER : 사용자 생성
GRANT : 권한 부여
REVOKE : 권한 회수
DROP USER : 사용자 삭제
보안 팁 : 최소 권한 원칙(Principle of Least Privilege) 준수 및 운영 환경 내 ALL PRIVILEGES 남용 금지

⬆ 목차로 돌아가기

15. 상태 확인 & 시스템

SERVER MONITORING : 서버 상태 및 시스템 정보 확인

top / htop : 실시간 CPU 및 메모리 점유율 모니터링
df -h : 디스크 여유 공간 및 사용 현황 확인
du -sh : 디렉토리별 디스크 사용량 합계 조회
free -m : 물리 메모리 및 스왑 메모리 상태 확인
uptime : 시스템 가동 시간 및 평균 부하 확인
ps aux : 전체 프로세스 실행 현황 및 자원 점유 조회
netstat -ntlp / ss -ntlp : 네트워크 포트 활성화 및 연결 상태 확인
lscpu : CPU 아키텍처 및 상세 정보 조회
uname -a : 운영체제 버전 및 커널 정보 확인

-- 현재까지의 연결 수 등 상태 변수 조회
SHOW STATUS LIKE 'Connections%';

-- MySQL 버전 관련 시스템 변수 조회
SHOW VARIABLES LIKE 'version%';

-- MySQL 버전 확인
SELECT VERSION();

-- 현재 사용 중인 데이터베이스 확인
SELECT DATABASE();

-- 서버 상태 요약 정보 (연결 정보, 버전, 스레드 등)
STATUS;

-- MySQL 종료
EXIT;

⬆ 목차로 돌아가기

주요 카테고리별 요약

카테고리	핵심 키워드
데이터베이스/테이블 관리	CREATE, ALTER, DROP, SHOW
데이터 조작 (CRUD)	INSERT, SELECT, UPDATE, DELETE
조회 심화	JOIN, GROUP BY, HAVING, LIKE, LIMIT
성능 & 재사용	INDEX, VIEW, Stored Procedure
안정성 & 보안	TRANSACTION, GRANT, REVOKE, mysqldump

⬆ 목차로 돌아가기

Git 명령어

this.Serena — Mon, 13 Apr 2026 14:06:28 +0900

1. 기본 명령어

기본 업로드 흐름

git add .
git commit -m "커밋 메시지"
git push origin main

상태 확인 및 파일 생성

명령어	설명
`git status`	현재 작업 디렉토리 상태 확인
`touch README.md`	빈 README.md 파일 생성

add 취소

git reset              # 전체 add 취소
git reset 파일명        # 특정 파일만 add 취소

파일 단일 업로드

git add src/App.java
git commit -m "Update App.java"
git push origin main

2. 커밋 관리

명령어	설명
`git commit --amend -m "수정 메시지"`	가장 최근 커밋 메시지 수정
`git log --oneline`	최근 커밋 목록을 한 줄씩 간결하게 확인
`git rebase -i HEAD~2`	마지막 2개 커밋 합치기 (squash)

커밋한 파일 제거

대용량 파일이나 민감 정보가 포함된 파일을 커밋 이력에서 완전히 제거시 사용

git filter-branch: Git 내장 명령어 (느리지만 별도 설치 불필요)
BFG Repo-Cleaner: 외부 도구 (빠르고 간편)

3. 브랜치 관리

브랜치 확인

명령어	설명
`git branch`	로컬 브랜치 목록 확인
`git branch -r`	원격 브랜치 목록 확인
`git branch -a`	전체(로컬 + 원격) 브랜치 목록 확인

브랜치 이동 및 생성

git checkout feature-shy    # 해당 브랜치로 이동 (없으면 생성)

4. 동기화 및 충돌 해결

원격 저장소 강제 동기화

로컬 변경사항을 버리고 원격 저장소 상태로 완전히 맞출 때 사용

git fetch origin              # 원격의 최신 변경사항을 가져옴 (병합 없이 포인터만 업데이트)
git reset --hard origin/main  # 로컬을 원격 main 상태로 강제 이동 (로컬 변경사항 영구 삭제)

강제 Push

git push -f origin main

⚠️ GIT FORCE PUSH 주의 : 팀원 작업 덮어쓰기 방지용 사전 공유 필수

병합 충돌 해결

git stash          # 현재 변경사항을 임시 저장
git pull           # 원격 변경사항 가져오기
git stash pop      # 임시 저장한 변경사항 다시 적용

기존 변경사항 완벽 제거

GIT CLEAN & RESET : 원격 저장소와 동일 상태 동기화 및 미추적 파일 제거

git fetch origin
git reset --hard origin/main
git clean -fd                # -f(강제), -d(디렉토리 포함) 미추적 파일 및 폴더 삭제

강제 Pull (가장 확실한 동기화)

git fetch --all
git reset --hard origin/main
git pull origin main

5. 캐시 및 성능 관리

Git 캐시 클리어

.gitignore 무시 규칙 재적용을 위한 인덱스 초기화

git rm -r --cached . : 전체 캐시 삭제 및 파일 추적 중단
git add . : 변경된 무시 규칙 반영 및 등록
git commit -m "fix gitignore" : 캐시 초기화 내역 반영 완료

git rm -r --cached .
git add .
git commit -m "cache cleared"

Git 저장소 느려질 때

git gc --aggressive    # 저장소 최적화 (가비지 컬렉션)
git prune              # 불필요한 객체 제거

6. 빌드 및 배포 (GitHub Pages)

npm install -D gh-pages        # gh-pages 패키지 설치
npm run build                  # 프로젝트 빌드
npx gh-pages -d dist -b gh-pages   # dist 폴더를 gh-pages 브랜치로 배포

7. 초기 설정 가이드

프로젝트 초기화 및 원격 저장소 연동

git init : 로컬 저장소 생성 및 초기화
git add . : 전체 파일 스테이징 영역 추가
git commit -m "message" : 작업 내역 기록 및 커밋 생성
git branch -M main : 기본 브랜치명을 main으로 변경
git remote add origin [URL] : GitHub 원격 저장소 주소 등록
git push -u origin main : 원격 저장소 데이터 업로드 및 스트림 설정

echo "프로젝트 설명" >> README.md           # README 파일 생성
git init                                    # 현재 폴더를 Git 저장소로 초기화
git branch -M main                          # 기본 브랜치 이름을 main으로 변경
git remote add origin [레포URL]              # 원격 저장소 연결
git pull origin main --allow-unrelated-histories  # 원격 초기 파일 병합 (README 있으면 필수)
git status
git add .
git commit -m "Initial commit"
git push -u origin main                     # 첫 푸시 및 업스트림 설정 (브랜치 추적)

8. 협업 가이드

작업 및 Push 흐름

git add .
git commit -m "커밋 메시지 작성"
git push origin feature-shy

Pull Request

작업 내역 병합 요청

GitHub 웹 저장소 접속
Compare & pull request 버튼 클릭
변경 내역 확인 및 메시지 작성
Create pull request 선택을 통한 최종 요청 생성

팀 커뮤니케이션 예시

공용 파일 수정 시 충돌 방지를 위한 팀 사전 공지 필수

[공지] ActionFactory 수정할게요. 5분간 Pull 금지
[완료] ActionFactory 수정 끝! Pull 받으세요~