Jellyfin의 영속 경로는 서로를 대체하지 않으며, 식별 정보, 구성, 카탈로그 상태, 생성된 자산, 확장 기능, 운영 기록을 각각 분리합니다.
컨테이너는 몇 초 만에 다시 만들 수 있지만 데이터 볼륨을 보존하지 않으면 사용자, 시청 기록, 라이브러리 정의, 아트워크가 사라집니다. 반면 모든 캐시와 트랜스코딩 세그먼트를 복사하면 백업 공간을 낭비하고 일관되지 않은 런타임 파일이 포함될 수 있습니다. 각 역할을 이해하면 홈 서버 운영자는 빠르게 사용되는 데이터를 로컬에 배치하고, 대체할 수 없는 상태를 보호하며, 복원하는 것보다 다시 생성하는 편이 저렴한 항목을 재생성할 수 있습니다.
구성은 서버의 의도된 동작을 정의합니다
구성에는 네트워킹 전제, 라이브러리 정의, 인코딩 옵션, 기능 설정과 같은 정적 및 관리상 선택 사항이 기록됩니다. 구성은 이 인스턴스가 어떻게 동작해야 하는지를 설명하지만, 현재 환경을 재현하는 데 필요한 모든 카탈로그 관계나 생성된 이미지를 포함하지는 않습니다.
복구 튜토리얼에서는 구성 및 사용자 데이터를 함께 되돌려야 동일한 인스턴스를 복원할 수 있으므로 애플리케이션 데이터 경로를 보존하는 일을 강조합니다. Compose 파일만 복원하면 프로세스는 다시 만들 수 있지만 서비스 상태까지 복원되지는 않습니다.
구성은 자주 변경되지 않지만 복구 가치는 높습니다. 버전이 관리되는 백업에 포함하고, 호환되는 소유권 및 애플리케이션 버전과 함께 복원해야 합니다.
데이터베이스는 식별 정보와 관계를 담습니다
데이터베이스는 미디어 항목, 사용자, 시청 진행 상황, 제공업체 식별자, 경로, 라이브러리 관계를 연결합니다. 이러한 레코드는 파일을 애플리케이션 모델로 변환하며, 일반적으로 미디어 자체보다 정확하게 재구성하기 어렵습니다.
주요 버전 복구 사례에서는 데이터베이스 마이그레이션이 한 방향으로만 진행될 수 있음을 언급하므로 업그레이드 전 데이터 세트가 특히 중요합니다. 호환되는 버전으로 복원할 수 없는 백업은 롤백 계획이 아닙니다.
데이터베이스 스토리지는 짧은 지연 시간과 일관된 스냅샷에 적합해야 합니다. 신뢰할 수 없는 네트워크 공유에 배치하면 일반 쿼리가 애플리케이션 전체의 멈춤으로 이어지거나 내부적으로 일관되지 않은 복사본이 남을 수 있습니다.
메타데이터, 플러그인, 로그, 캐시는 서로 다른 수명을 가집니다
아트워크와 생성된 메타데이터는 탐색 속도를 높이지만 다시 만들 수 있고, 플러그인은 코드와 개인 상태를 추가하며, 로그는 이벤트를 설명하고, 캐시는 저장 공간을 사용해 속도를 높입니다. 수명이 서로 다르므로 하나의 일괄 보존 규칙을 적용하면 보호가 부족하거나 불필요한 항목까지 저장하게 됩니다.
캐시와 메타데이터를 NFS로 이동한 실험은 저장 위치 선택이 용량 이상의 요소에 영향을 준다는 점을 보여줍니다. 자주 읽는 자산이 로컬 스토리지를 벗어나면 지연 시간과 네트워크 가용성이 요청 처리 경로에 포함됩니다.
재현할 수 있다고 해서 비용이 들지 않는 것은 아닙니다. 수천 개의 이미지를 다시 만들려면 몇 시간이 걸리고 제공업체의 대역폭을 소모할 수 있습니다. 복원 우선순위는 자산을 이론적으로 재생성할 수 있는지뿐 아니라 복구 시간 단축 가치에 따라 정해야 합니다.
역할 기반 백업 및 배치 규칙을 사용하세요
운영체제, 패키지, 컨테이너에 따라 디렉터리 이름이 동일하다고 가정하면 이 모델은 제대로 작동하지 않습니다. 바인드 마운트와 환경 설정으로 역할의 위치가 바뀔 수 있으며, 실수로 매핑되지 않은 경로에 중요한 데이터가 남으면 데이터가 임시 컨테이너 레이어 안에 저장될 수 있습니다.
컨테이너 복구 워크플로는 교체 가능한 애플리케이션 이미지와 영속적인 서비스 상태를 분리해야 한다는 점을 다시 강조합니다. 미디어 파일 자체에도 별도의 보호 전략이 필요합니다. 별도의 현장 보고서 역시 눈에 보이는 증상만으로 병목을 판단하지 말고 복원 테스트를 사용해야 한다는 점을 뒷받침합니다.
마운트된 모든 경로를 반드시 복원해야 하는 항목, 재생성 비용이 큰 항목, 진단용 항목, 폐기 가능한 항목으로 분류하세요. Jellyfin을 중지하거나 유휴 상태로 만든 뒤 반드시 복원해야 하는 데이터를 스냅샷하고, 복구 시간을 실질적으로 줄여 주는 경우에만 생성된 자산을 보존하며, 로그는 순환 보존하고, 트랜스코딩 임시 영역은 제외하고, 폐기 가능한 인스턴스에서 복원을 테스트하세요.
기술 및 AI 허브
더 읽어보기

임베딩 드리프트란 무엇이며, 프라이빗 검색 인덱스를 언제 다시 구축해야 할까요?
모델, 전처리, 코퍼스 및 쿼리 드리프트를 해석하고, 모니터링과 비호환성을 구분하며, 프라이빗 인덱스를 언제 재구축해야 하는지 판단하세요.

토크나이저 호환성이란 무엇이며, 모델 전환을 중단시킬 수 있는 이유는 무엇인가요?
로컬 모델 전환을 위한 어휘 식별자, 특수 토큰 의미, 채팅 템플릿, 캐시된 토큰, 어댑터 및 호환성 검사를 해독합니다.

모델 상주성이란 무엇이며, 로컬 AI 서비스는 언제 가중치를 로드된 상태로 유지해야 할까요?
가중치 상주, 캐시 수준, 콜드 스타트, 축출, 멀티플렉싱, 메모리 압박, 그리고 홈 AI 서비스를 웜 상태로 유지해야 하는 시점을 설명합니다.

