Pink Spider/정규화(Normalization)와 반정규화(Denormalization) 의 트레이드오프

데이터베이스 설계에서 **정규화(Normalization)**와 **반정규화(Denormalization)**는 데이터의 **무결성(Integrity)**과 성능(Performance) 사이의 균형을 맞추는 핵심적인 개념입니다.

이 둘의 관계는 흔히 **“데이터 정합성 vs. 읽기 성능”**의 트레이드오프(Trade-off)로 요약할 수 있습니다. 각 개념의 특징과 트레이드오프 요소를 상세히 분석해 드리겠습니다.

1. 핵심 트레이드오프 요약

가장 먼저 이해해야 할 큰 그림은 다음과 같습니다.

• 정규화: 데이터를 쪼개서 중복을 제거하고 무결성을 지킵니다. (쓰기 성능 향상, 읽기 시 JOIN 비용 발생)
• 반정규화: 성능을 위해 의도적으로 데이터를 중복시킵니다. (읽기 성능 향상, 쓰기 시 동기화 비용 발생)

2. 정규화 (Normalization)

데이터의 중복을 최소화하고, 이상 현상(Anomaly)을 방지하기 위해 테이블을 분리하는 과정입니다.

• 주요 목표: 데이터 무결성 보장, 저장 공간 효율화.

• 장점:

• 데이터 일관성: 데이터가 한 곳에만 존재하므로, 수정 시 한 군데만 고치면 됩니다.

• 저장 공간 절약: 중복 데이터가 제거되어 디스크 공간을 효율적으로 씁니다.

• 이상 현상 방지: 삽입, 삭제, 갱신 시 발생하는 불일치 문제를 막습니다.

• 단점 (트레이드오프):

• 읽기 성능 저하: 데이터를 조회할 때 여러 테이블을 JOIN해야 하므로 CPU 연산 비용이 증가하고 응답 속도가 느려질 수 있습니다.

💡 핵심: 정규화는 “쓰기(Write/Update)” 작업에 유리하고 데이터 관리를 편하게 해줍니다.

3. 반정규화 (Denormalization)

시스템의 성능 향상(주로 조회 속도)을 위해 정규화된 데이터 모델을 의도적으로 통합하거나 중복 데이터를 허용하는 과정입니다.

• 주요 목표: 읽기 성능(Read Performance) 최적화.

• 장점:

• 빠른 조회 속도: JOIN 연산을 줄이거나 없애서 데이터를 즉시 가져올 수 있습니다.

• 쿼리 단순화: 복잡한 로직 없이 간단한 SELECT 문으로 데이터를 조회할 수 있습니다.

• 단점 (트레이드오프):

• 데이터 무결성 위험: 데이터가 여러 곳에 중복 저장되므로, 한 곳만 수정되고 다른 곳은 수정되지 않는 데이터 불일치가 발생할 수 있습니다.

• 쓰기 성능 저하: 데이터를 생성/수정할 때 중복된 모든 데이터를 동시에 갱신해야 하므로 쓰기 비용이 증가합니다.

• 저장 공간 증가: 중복 데이터만큼 더 많은 디스크 공간이 필요합니다.

💡 핵심: 반정규화는 “읽기(Read)” 작업에 유리하지만, 데이터 관리 난이도를 높입니다.

4. 한눈에 보는 비교 (Table)

5. 언제 무엇을 선택해야 할까? (전략적 접근)

무조건적인 반정규화는 위험합니다. 일반적으로 다음과 같은 순서로 접근하는 것이 정석입니다.

1. 기본은 정규화: 처음 설계 단계에서는 **제3정규형(3NF)**까지 진행하여 데이터의 무결성을 확보합니다.
2. 성능 이슈 발생: 서비스 운영 중 특정 조회 쿼리에서 성능 저하가 발생합니다.
3. 다른 최적화 우선 시도:

• 인덱스(Index) 튜닝
• 쿼리 최적화
• 캐싱(Caching) 서버(Redis 등) 도입

4. 최후의 수단으로 반정규화: 위 방법으로도 해결되지 않을 때, 조회 빈도가 매우 높고 갱신 빈도가 낮은 데이터에 한해 부분적으로 반정규화를 수행합니다.

반정규화가 효과적인 예시:

• 쇼핑몰의 ‘주문 내역’ 테이블에 ‘상품명’이나 ‘상품 가격’을 중복 저장 (상품 정보가 바뀌어도 과거 주문 내역의 가격은 변하면 안 되기 때문 + 조회 속도 향상).
• 게시판의 ‘게시글’ 테이블에 ‘댓글 수(count)’ 컬럼 추가 (매번 count(*)를 수행하는 비용 절감).

데이터 모델링은 정답이 있는 것이 아니라, 비즈니스 요구사항(데이터 정확도가 중요한가, 속도가 중요한가)에 맞춰 최적의 균형점을 찾는 과정입니다.