일반적인 MongoDB 데이터 모델링 패턴은 무엇인가요?

Question

Accepted Answer

기본 embed-vs-reference 결정을 넘어, MongoDB에는 확립된 **데이터 모델링 패턴**이 있습니다 — 큰 배열, 다형성 데이터, 관계 같은 흔한 시나리오를 위한 검증된 해법입니다. 이를 알면 실제 상황에 효과적인 schema를 설계하는 데 도움이 됩니다.

## Bucket 패턴 — 시계열/연관 데이터 그룹화

```js
// 측정값당 하나의 document(수백만 개의 작은 doc) 대신, BUCKET으로 묶음:
{
  sensorId: "s1",
  date: ISODate("2024-01-15"),
  readings: [                            // 하루치 측정값을 하나의 document에
    { time: "10:00", value: 23 },
    { time: "10:01", value: 24 }
  ]
}
// → 더 적은 document, 시계열/IoT 데이터에 효율적
```

## Subset 패턴 — 자주 쓰는 부분만 embed

```js
// 가장 많이 쓰는 부분을 embed, 나머지는 reference (큰 연관 데이터용)
{
  _id: ObjectId("..."),
  title: "Product",
  recentReviews: [ /* 최근 5개 — 빠른 표시를 위해 embed */ ],
  // 전체 review는 별도 collection에 존재 (reference)
}
// → 모든 연관 데이터를 로드하지 않고 빠른 일반 읽기
```

## Computed 패턴 — 미리 계산하여 저장

```js
// 미리 계산된 값 저장 (매 읽기마다 재계산 회피)
{ productId: "p1", totalReviews: 1500, avgRating: 4.5 }
// → review가 바뀔 때 이 값들을 갱신; 읽기는 빠름 (aggregation 불필요)
```

## Extended Reference 패턴 — 핵심 참조 field를 embed

```js
// 참조된 document의 자주 필요한 field를 embed (일반 읽기에서 조인 회피)
{ orderId: "o1", customer: { _id: "u1", name: "Ann", city: "NY" } }  // 표시에 충분
// → 전체 데이터는 reference(customer._id); 일반 읽기를 위해 name/city를 embed
```

## 기타 패턴

```text
Polymorphic    → 하나의 collection에 서로 다른 document 형태 ("type" field와 함께)
Schema Versioning → 하나의 collection에서 변화하는 schema를 처리하는 version field
Outlier        → 일반 패턴에 맞지 않는 드문 document를 특별히 처리
Approximation  → 근사 값 저장 (예: 조회수)으로 쓰기 부하 감소
Tree/Hierarchy → 계층 데이터를 위한 패턴 (부모 참조, 조상 배열 등)
```

## 왜 중요한가

일반적인 MongoDB 데이터 모델링 패턴을 이해하는 것은 **실제 시나리오에 효과적인 schema를 설계**하는 데 가치가 있으므로, 기본 embed-vs-reference 결정 위에 쌓이는 유용한 지식입니다.

embedding vs referencing이 핵심 선택이지만, 실제 애플리케이션은 이 검증된 패턴들이 다루는 반복적인 모델링 과제에 직면합니다: **Bucket 패턴**(시계열/IoT 측정값을 더 적은 document로 그룹화 — 흔한 시계열 사용 사례에 중요하며 수백만 개의 작은 document를 피함), **Subset 패턴**(자주 쓰는 부분을 embed하면서 전체 데이터는 reference — 큰 연관 데이터에 대해 읽기 성능과 document 크기 균형), **Computed 패턴**(합계/평균 같은 값을 미리 계산하여 저장하여 읽기 시 비싼 재계산 회피), **Extended Reference 패턴**(참조된 document의 자주 필요한 field를 embed하여 일반 읽기의 조인 회피 — 실용적인 하이브리드), 그 외(다양한 형태를 위한 polymorphic, 진화를 위한 schema versioning, 계층을 위한 tree 패턴).

이 패턴들을 알면 설계를 재발명하는 대신 흔한 시나리오에 대한 **검증된 해법**을 제공하여 시계열 데이터, 큰 연관 collection, 비싼 계산, 계층 데이터 같은 상황에 건전한 모델링 결정을 내리는 데 도움이 됩니다.

실제 MongoDB 애플리케이션이 이러한 반복적인 설계 과제에 직면하고, 확립된 패턴이 검증되고 효과적인 해법을 제공하므로(성능과 유지보수성 개선), 일반적인 MongoDB 데이터 모델링 패턴 — bucket, subset, computed, extended reference 및 기타 패턴 — 을 이해하는 것은 schema 설계를 기본 embed/reference 선택에서 실제 시나리오에 대한 검증된 해법 적용으로 끌어올리는 가치 있고 실질적으로 관련된 지식이며, 성숙한 MongoDB 설계 기술을 반영하고 애플리케이션의 특정 접근 패턴과 데이터 특성에 잘 작동하는 schema를 구축하는 데 도움이 됩니다.