> ## Documentation Index > Fetch the complete documentation index at: https://docs.sifi.life/llms.txt > Use this file to discover all available pages before exploring further. # 고급 기능 (Scale to Zero, Lakebase, DABs, AppKit) Databricks Apps의 고급 기능과 최신 통합 옵션을 다룹니다: Scale to Zero, Lakebase(PostgreSQL) 연동, Databricks Asset Bundles(DABs) 배포, AppKit 프레임워크. *** ## Scale to Zero — App Spaces (Private Preview) **App Spaces** 는 microVM 기반의 새로운 런타임으로, Scale to Zero를 지원합니다. 약 30분간 트래픽이 없으면 자동으로 중지되고, 새 요청이 들어오면 자동 재시작됩니다. > **주의** > **현재 상태**: App Spaces는 **Private Preview** 입니다. 기존 앱을 App Spaces로 변환할 수 없으며, 새 앱을 생성해야 합니다. GA 전까지는 아래 "현재 비용 절감 방법"을 참고하세요. ### 동작 방식 | 상태 | 조건 | 과금 여부 | 응답 시간 | | ------------------ | -------------------- | ------- | ------------------ | | **Active** | 요청 처리 중 또는 최근 트래픽 있음 | 과금 | 즉시 | | **Idle** | 트래픽 없음 (30분 미만) | 과금 | 즉시 | | **Scaled to Zero** | 30분간 트래픽 없어 자동 중지 | **비과금** | 콜드 스타트 (수 초\~수십 초) | ### App Spaces의 현재 제한사항 | 항목 | 상태 | | ------------------------- | ------------------------------ | | **기존 앱 변환** | 불가 — 새 앱 생성 필요 | | **워크스페이스 Network Policy** | 아직 미적용 (SEG, Private Link 미지원) | | **템플릿 기반 생성** | 미지원 — API로 직접 생성 | ### 현재 비용 절감 방법 (GA 전까지) App Spaces GA 전까지는 다음 방법으로 비용을 관리할 수 있습니다: **1. Databricks Jobs로 자동 시작/중지 스케줄링:** ```python theme={null} # 앱 자동 중지/시작 Job 예시 (Python SDK) from databricks.sdk import WorkspaceClient w = WorkspaceClient() # 퇴근 시 앱 중지 (7PM Job으로 등록) w.apps.stop("my-dashboard-app") # 출근 시 앱 시작 (7AM Job으로 등록) w.apps.start("my-dashboard-app") ``` **2. CLI 기반 스크립트:** ```bash theme={null} # cron 또는 Databricks Job으로 실행 # 퇴근 시 (19:00) databricks apps stop my-dashboard-app # 출근 시 (07:00) databricks apps start my-dashboard-app ``` **3. 사용하지 않는 앱 수동 중지:** ```bash theme={null} # 모든 앱 목록 확인 databricks apps list --output json | jq '.[] | select(.status == "RUNNING") | .name' # 불필요한 앱 중지 databricks apps stop unused-app-1 ``` ### 콜드 스타트 최적화 Scale to Zero에서 앱이 다시 시작될 때 **콜드 스타트** 시간이 발생합니다. 이를 최소화하는 방법: | 최적화 방법 | 효과 | 설명 | | ------------------------ | -------- | --------------------------------------- | | **경량 의존성** | 시작 시간 단축 | `requirements.txt`에서 불필요한 패키지 제거 | | **Lazy Loading** | 초기 로드 단축 | 무거운 라이브러리는 필요할 때 import | | **Serverless Warehouse** | 쿼리 응답 단축 | Classic Warehouse는 콜드 스타트가 길어 추가 지연 발생 | | **캐싱** | 반복 요청 가속 | `st.cache_data`, `st.cache_resource` 활용 | > **참고** > **비용 참고**: 실제 운영 사례에서 Medium 사이즈 앱의 월 비용은 약 **$215** 입니다 (24/7 실행 기준). 업무 시간만 운영(12시간/일, 주 5일)하면 약 **$65/월** 로 절감할 수 있습니다. *** ## Horizontal Scaling (수평 스케일링, Private Preview) 단일 컨테이너의 성능 한계를 넘기 위해 **최대 5개 인스턴스** 로 수평 확장할 수 있습니다. | 항목 | 설명 | | ---------- | ------------------------------------ | | **상태** | Private Preview | | **인스턴스 수** | 1\~5개 (수동 설정) | | **세션 친화성** | Stateful session affinity 지원 (업계 최초) | | **무중단 배포** | Zero-downtime deployments | | **빌드 캐시** | Deployment build caching | ### REST API 설정 ```json theme={null} { "name": "my-scaled-app", "description": "Horizontally scaled app", "compute_size": "MEDIUM", "compute_min_instances": 1, "compute_max_instances": 3 } ``` > **주의** > 기존 앱을 Horizontal Scaling으로 업그레이드할 수 없습니다. 새 앱을 생성해야 합니다. 템플릿 기반 생성도 미지원이며, API를 통해 직접 생성해야 합니다. *** ## Git 기반 배포 (Public Preview) 소스 코드를 수동으로 업로드하는 대신, **Git 레포지토리에서 직접 배포** 할 수 있습니다. ### 주요 기능 | 기능 | 설명 | | ------------ | --------------------------------- | | **Git 레퍼런스** | 브랜치, 태그, 커밋 해시 지정 가능 | | **소스 코드 경로** | 레포 내 특정 디렉토리 지정 가능 | | **강제 적용** | 워크스페이스 관리자가 Git-only 배포를 강제할 수 있음 | ```bash theme={null} # Git 기반 배포 (CLI) databricks apps deploy my-app \ --git-url https://github.com/myorg/myrepo \ --git-ref main \ --source-code-path ./app ``` > **참고** > GitHub Enterprise Managed Users(EMU)의 개인 레포는 OAuth 제한으로 인해 PAT를 대안으로 사용해야 합니다. *** ## 앱 텔레메트리 / 모니터링 (Beta) **OpenTelemetry** 기반으로 앱의 로그, 스팬, 메트릭을 Unity Catalog에 자동 수집할 수 있습니다. ### 설정 방법 `app.yaml`에 텔레메트리 설정을 추가하면 앱 코드 변경 없이 자동으로 계측됩니다: ```yaml theme={null} command: ['streamlit', 'run', 'app.py'] # 텔레메트리 내보내기 설정 (app.yaml 또는 앱 설정 UI에서) ``` > **참고** > 텔레메트리 데이터는 near real-time으로 Unity Catalog 시스템 테이블에 저장됩니다. 앱 성능 모니터링, 오류 추적, 사용 패턴 분석에 활용할 수 있습니다. *** ## uv 의존성 관리 (2026년 3월\~) `requirements.txt` 대신 **uv** 를 사용하여 Python 의존성을 관리할 수 있습니다. ```toml theme={null} # pyproject.toml [project] name = "my-databricks-app" version = "0.1.0" requires-python = ">=3.10" dependencies = [ "streamlit>=1.32.0", "databricks-sdk>=0.20.0", "pandas>=2.2.0", ] ``` ```bash theme={null} # uv.lock 생성 uv lock ``` > **참고** > **uv vs pip**: uv는 pip보다 최대 10-100배 빠른 의존성 해결과 설치를 제공합니다. `pyproject.toml` + `uv.lock`으로 전환하면 배포 시간이 단축됩니다. 기존 `requirements.txt`도 계속 지원됩니다. *** ## Lakebase (PostgreSQL) 연동 **Lakebase** 는 Databricks가 관리하는 PostgreSQL 호환 데이터베이스입니다. Databricks Apps에서 **OLTP(트랜잭션) 워크로드** 를 처리할 때 적합합니다. ### 왜 Lakebase인가? | 비교 항목 | Unity Catalog 테이블 | Lakebase | | --------- | --------------------------- | --------------------- | | **접근 방식** | SQL Warehouse를 통한 분석 쿼리 | 직접 PostgreSQL 연결 | | **지연 시간** | 수백 ms\~수 초 (Warehouse 오버헤드) | 수 ms\~수십 ms | | **용도** | 분석, 대시보드, 배치 처리 | CRUD, 세션 관리, 실시간 데이터 | | **트랜잭션** | 제한적 | 완전한 ACID 트랜잭션 | | **스키마** | Delta Lake (읽기 최적화) | PostgreSQL (쓰기/읽기 균형) | ### Lakebase 리소스 설정 **app.yaml:** ```yaml theme={null} command: ['python', 'app.py'] env: - name: DB_CONNECTION valueFrom: lakebase_db resources: - name: lakebase_db type: postgres ``` ### 필수 패키지 ```text theme={null} # requirements.txt databricks-sdk psycopg2-binary # PostgreSQL 드라이버 ``` ### Python 연결 예시 ```python theme={null} import os import psycopg2 # Lakebase 연결 정보 가져오기 db_connection = os.getenv("DB_CONNECTION") # PostgreSQL 호환 연결 conn = psycopg2.connect(db_connection) # CRUD 작업 with conn.cursor() as cur: # 테이블 생성 cur.execute(""" CREATE TABLE IF NOT EXISTS app_sessions ( id SERIAL PRIMARY KEY, user_id VARCHAR(255), data JSONB, created_at TIMESTAMP DEFAULT NOW() ) """) # 데이터 삽입 cur.execute( "INSERT INTO app_sessions (user_id, data) VALUES (%s, %s)", ("user123", '{"page": "dashboard", "action": "view"}') ) conn.commit() # 데이터 조회 cur.execute("SELECT * FROM app_sessions WHERE user_id = %s", ("user123",)) rows = cur.fetchall() conn.close() ``` ### Streamlit + Lakebase 예시 ```python theme={null} import os import streamlit as st import psycopg2 @st.cache_resource def get_db_connection(): """Lakebase 연결을 캐싱하여 재사용합니다.""" return psycopg2.connect(os.getenv("DB_CONNECTION")) conn = get_db_connection() st.title("피드백 수집 앱") # 피드백 입력 폼 with st.form("feedback_form"): name = st.text_input("이름") feedback = st.text_area("피드백") rating = st.slider("만족도", 1, 5, 3) submitted = st.form_submit_button("제출") if submitted: with conn.cursor() as cur: cur.execute( "INSERT INTO feedback (name, feedback, rating) VALUES (%s, %s, %s)", (name, feedback, rating) ) conn.commit() st.success("피드백이 저장되었습니다!") # 피드백 목록 조회 with conn.cursor() as cur: cur.execute("SELECT name, feedback, rating, created_at FROM feedback ORDER BY created_at DESC LIMIT 20") rows = cur.fetchall() if rows: import pandas as pd df = pd.DataFrame(rows, columns=["이름", "피드백", "만족도", "작성일"]) st.dataframe(df) ``` > **주의** > **OAuth 토큰 로테이션**: Lakebase 연결은 OAuth 역할 인증을 사용하며, 토큰은 **1시간 후 만료** 됩니다. 장기 실행 앱에서는 자동 토큰 갱신을 구현하거나, 연결 풀에서 주기적으로 연결을 재생성해야 합니다. 토큰이 만료되면 연결이 끊어집니다. ### Lakebase 사용 시나리오 | 시나리오 | 왜 Lakebase가 적합한가 | | ------------- | ---------------------- | | **사용자 설정 저장** | 빠른 읽기/쓰기, 세션 간 영속성 | | **피드백/설문 수집** | ACID 트랜잭션으로 데이터 무결성 보장 | | **채팅 이력 저장** | 실시간 쓰기, 사용자별 격리 | | **앱 메타데이터** | 설정, 상태, 캐시 등 앱 내부 데이터 | | **큐/태스크 관리** | 작업 큐, 상태 추적, 워크플로우 | > **참고** > **Lakebase vs UC 테이블 선택 기준**: "앱 내부에서만 사용하는 운영 데이터"는 Lakebase, "분석이나 ML에 활용할 데이터"는 UC 테이블에 저장하세요. 물론 Lakebase의 데이터를 Delta Live Tables(DLT)로 UC 테이블에 동기화하는 것도 가능합니다. *** ## Databricks Asset Bundles (DABs) 배포 **Databricks Asset Bundles (DABs)** 를 사용하면 앱을 Infrastructure as Code로 관리하고, CI/CD 파이프라인과 통합할 수 있습니다. ### DABs 프로젝트 구조 ```bash theme={null} my-app-bundle/ ├── databricks.yml # Bundle 설정 파일 ├── src/ │ ├── app.py # 앱 코드 │ ├── app.yaml # 앱 런타임 설정 │ └── requirements.txt # 의존성 └── resources/ └── my_app.yml # 앱 리소스 정의 ``` ### databricks.yml 예시 ```yaml theme={null} bundle: name: my-dashboard-app workspace: host: https:// targets: dev: mode: development default: true workspace: host: https:// prod: mode: production workspace: host: https:// include: - resources/*.yml ``` ### 앱 리소스 정의 (resources/my\_app.yml) ```yaml theme={null} resources: apps: my_dashboard_app: name: "my-dashboard-app" description: "매출 분석 대시보드" source_code_path: ../src config: command: - streamlit - run - app.py env: - name: DATABRICKS_WAREHOUSE_ID value: ${var.warehouse_id} resources: - name: sql_warehouse sql_warehouse: id: ${var.warehouse_id} permission: CAN_USE permissions: - level: CAN_MANAGE user_name: admin@company.com - level: CAN_USE group_name: data-team ``` ### DABs 배포 명령 ```bash theme={null} # Bundle 유효성 검사 databricks bundle validate -t dev # 개발 환경에 배포 databricks bundle deploy -t dev # 프로덕션 환경에 배포 databricks bundle deploy -t prod # 배포 상태 확인 databricks bundle summary -t dev ``` ### DABs의 장점 | 장점 | 설명 | | ------------ | ---------------------------------------- | | **환경 분리** | `targets`로 dev/staging/prod 환경을 코드로 관리 | | **변수 치환** | `${var.warehouse_id}`로 환경별 설정 자동 적용 | | **CI/CD 통합** | GitHub Actions, Azure DevOps 등과 자연스러운 연동 | | **버전 관리** | Git으로 인프라 설정 포함 전체 이력 관리 | | **권한 관리** | `permissions`로 앱 접근 권한을 코드로 선언 | > **참고** > **DABs vs CLI 직접 배포**: 소규모 프로젝트나 프로토타이핑에서는 `databricks apps deploy` CLI가 더 빠릅니다. 프로덕션 환경이나 여러 환경에 배포하는 경우에는 DABs가 훨씬 효율적입니다. *** **AppKit, Node.js 프레임워크와 참고 자료는 다음 페이지에서 이어집니다.** → [AppKit과 Node.js 앱 프레임워크](/blog/guides/apps/advanced-frameworks)