Feat/49/painting-process-data-simulator-service: 전착도장 데이터 전송 시뮬레이터 기능 구현

services/painting-process-data-simulator-service/.env.example

@@ -0,0 +1,43 @@
+# .env.example
+# 이 파일을 .env 로 복사한 후, 로컬 개발 환경에 맞게 값을 수정하여 사용하세요.
+
+#==============================
+# Azure Storage 설정
+#==============================
+
+# Azure Storage 계정의 연결 문자열 (필수)
+AZURE_CONNECTION_STRING=
+
+# 데이터를 읽어올 컨테이너 이름
+AZURE_CONTAINER_NAME=simulator-data
+
+# 컨테이너 내에서 데이터가 저장된 폴더 경로
+PAINTING_DATA_FOLDER=painting-process-equipment
+
+
+#==============================
+# 스케줄러 설정
+#==============================
+
+# 데이터 전송 작업의 실행 주기 (초 단위)
+SCHEDULER_INTERVAL_SECONDS=30
+
+# 한 번에 전송할 데이터의 묶음 크기
+BATCH_SIZE=10
+
+
+#==============================
+# 백엔드 서비스 설정
+#==============================
+
+
+# 도커 사용시 시뮬레이터가 데이터를 전송할 Spring Boot 백엔드 서비스의 전체 URL
+BACKEND_SERVICE_URL=http://localhost:8091/equipment-data
+
+
+#==============================
+# HTTP 클라이언트 설정
+#==============================
+
+# 백엔드 API 호출 시 타임아웃 시간 (초 단위)
+HTTP_TIMEOUT=30

services/painting-process-data-simulator-service/README.md

@@ -1,35 +1,30 @@
-# Painting Process Equipment Simulator Service
+# Painting Process Backend Simulator Service
 
 ## 1. 서비스 소개
-이 서비스는 **Painting Process Equipment Defect Detection Model Service**를 테스트하고 모니터링하기 위한 시뮬레이터입니다.
+이 서비스는 Spring Boot 백엔드 애플리케이션으로 공정 데이터를 전송하는 시뮬레이터입니다.
 
-주기적으로 Azure Blob Storage에 저장된 CSV 데이터를 읽어와 실시간 공정 데이터처럼 모델 서비스의 예측 API를 호출합니다. 그 후, 모델 서비스로부터 받은 결과(정상 또는 이상 감지)를 콘솔과 로그 파일에 기록하여 시스템의 동작을 검증하는 역할을 합니다.
+주기적으로 Azure Blob Storage에 저장된 CSV 데이터를 읽어와, Spring Boot 백엔드의 API를 호출하여 데이터를 전송하는 역할을 합니다.
 
 ## 2. 주요 기능
-- **주기적 데이터 시뮬레이션**: `APScheduler`를 사용하여 설정된 시간 간격마다 자동으로 데이터를 생성하고 예측을 요청합니다.
-- **Azure Blob Storage 연동**: Azure Blob Storage에 저장된 실제 공정 데이터 기반의 CSV 파일을 읽어 시뮬레이션에 사용합니다.
-- **모델 서비스 연동**: `HTTPX` 클라이언트를 사용하여 `painting-process-equipment-defect-detection-model-service`의 API를 비동기적으로 호출합니다.
-- **상태 로깅**: 모델의 예측 결과를 `anomaly_logger`를 통해 이상(anomaly) 또는 정상(normal) 상태로 구분하여 로그를 기록합니다.
-- **Docker 지원**: Dockerfile을 통해 컨테이너 환경에서 쉽게 서비스를 빌드하고 실행할 수 있으며, Docker Compose를 통한 통합 관리에도 용이합니다.
+- **주기적 데이터 전송**: `APScheduler`를 사용하여 설정된 시간 간격마다 Azure의 데이터를 백엔드로 전송합니다.
+- **Azure Blob Storage 연동**: Azure Blob Storage에 저장된 CSV 파일을 읽어 시뮬레이션에 사용합니다.
+- **Spring Boot 백엔드 연동**: `HTTPX` 클라이언트를 사용하여 Spring Boot 백엔드의 API를 비동기적으로 호출합니다.
 
 ## 3. 프로젝트 구조
 
 ```text
-painting-process-equipment-simulator-service/
+painting-process-data-simulator-service/
 ├── app/
 │   ├── main.py                      # FastAPI 애플리케이션의 메인 진입점
 │   ├── config/
-│   │   └── settings.py              # Pydantic-settings를 이용한 환경 변수 및 설정 관리
+│   │   ├── settings.py              # Pydantic-settings를 이용한 환경 변수 및 설정 관리
+│   │   └── logging_config.py        # 서비스 로깅 설정
 │   ├── routers/
-│   │   ├── simulator_router.py      # 시뮬레이터 시작/중지/상태 확인 API
-│   │   └── test_connection_router.py # 외부 서비스(Azure, 모델) 연결 테스트 API
-│   ├── services/
-│   │   ├── scheduler_service.py     # APScheduler를 사용한 핵심 스케줄링 로직
-│   │   ├── model_client.py          # 모델 예측 서비스 API 호출 클라이언트
-│   │   └── azure_storage.py         # Azure Blob Storage 데이터 처리 서비스
-│   └── utils/
-│       └── logger.py                # 이상 및 정상 로그 기록 유틸리티
-├── logs/                            # 시뮬레이션 결과 로그가 저장되는 디렉토리
+│   │   └── simulator_router.py      # 시뮬레이터 시작/중지/상태 확인 API
+│   └── services/
+│       ├── scheduler_service.py     # APScheduler를 사용한 핵심 스케줄링 로직
+│       ├── backend_client.py        # Spring Boot 백엔드 API 호출 클라이언트
+│       └── azure_storage.py         # Azure Blob Storage 데이터 처리 서비스
 ├── .env                             # Azure 연결 문자열 등 민감한 환경 변수 파일
 ├── Dockerfile                       # Docker 이미지 빌드 설정
 ├── requirements.txt                 # Python 라이브러리 의존성 목록
@@ -38,9 +33,7 @@ painting-process-equipment-simulator-service/
 
 ## 4. 설치 및 실행 방법
 
-### 4.1. 로컬 환경에서 실행
-
-**사전 준비:** `painting-process-equipment-defect-detection-model-service`가 로컬 환경(`http://localhost:8001`)에서 먼저 실행 중이어야 합니다.
+### 로컬 환경에서 실행
 
 1.  **Python 가상 환경 설정**:
     ```bash
@@ -57,66 +50,32 @@ painting-process-equipment-simulator-service/
     ```
 
 3.  **.env 파일 설정**:
-    프로젝트 루트에 `.env` 파일을 생성하고, Azure Storage 연결 문자열을 추가합니다.
+    프로젝트 루트에 `.env` 파일을 생성하고, Azure Storage 연결 문자열과 백엔드 서비스 URL을 추가합니다.
     ```env
     AZURE_CONNECTION_STRING="<Your_Azure_Storage_Connection_String>"
+    BACKEND_SERVICE_URL="<Your_Backend_Service_URL>"
     ```
 
 4.  **애플리케이션 실행**:
     ```bash
-    # 포트 8011에서 실행
     uvicorn app.main:app --reload --port 8011 
     ```
-    실행 후 `http://localhost:8011/docs`에서 API 문서를 확인할 수 있습니다.
-
-### 4.2. Docker를 이용한 실행
-
-**사전 준비:** `painting-process-equipment-defect-detection-model-service`가 `model-service`라는 컨테이너 이름으로 동일한 Docker 네트워크(`smart-fast-net`)에서 실행 중이어야 합니다.
-
-1.  **Docker 네트워크 생성** (이미 생성했다면 생략):
-    ```bash
-    docker network create smart-fast-net
-    ```
-
-2.  **모델 서비스 실행** (이미 실행 중이라면 생략):
-    ```bash
-    # 모델 서비스 디렉토리에서 실행
-    docker build -t model-service .
-    docker run --name model-service --network smart-fast-net -p 8001:8001 model-service
-    ```
 
-3.  **시뮬레이터 서비스 Docker 이미지 빌드**:
-    ```bash
-    docker build -t simulator-service .
-    ```
+## 5. API 엔드포인트
 
-4.  **시뮬레이터 서비스 Docker 컨테이너 실행**:
-    `--env-file` 옵션을 사용하여 호스트의 `.env` 파일을 컨테이너의 환경 변수로 안전하게 주입합니다.
-    혹시 Azure storage가 잘 불러와지지 않는다면 -e AZURE_CONNECTION_STRING="Access-Key"를 직접 추가해주세요.
-    ```bash
-    docker run --name simulator-service --network smart-fast-net \
-      -p 8011:8011 \
-      --env-file ./.env \
-      -e PAINTING_SERVICE_URL="http://model-service:8001" \
-      simulator-service
-    ```
+서비스가 시작되면 다음 URL로 API 문서(Swagger UI)에 접근할 수 있습니다: `http://localhost:8011/docs`
 
-5.  **로그 확인**:
-    ```bash
-    # 시뮬레이터 로그 확인
-    docker logs -f simulator-service
-    ```
+| HTTP Method | Endpoint           | Description                  |
+| :---------- | :----------------- | :--------------------------- |
+| `POST`      | `/simulator/start` | 데이터 전송 시뮬레이션을 시작합니다. |
+| `POST`      | `/simulator/stop`  | 실행 중인 시뮬레이션을 중지합니다. |
+| `GET`       | `/simulator/status`| 현재 스케줄러의 상태를 확인합니다. |
 
-## 5. API 엔드포인트
+## 6. 로깅 (Logging)
 
-서비스가 시작되면 `http://localhost:8011/docs` (또는 Docker IP)에서 API 문서를 통해 아래 엔드포인트를 테스트할 수 있습니다.
+이 서비스는 `app/config/logging_config.py` 파일을 통해 중앙에서 로깅 설정을 관리합니다.
 
-| HTTP Method | Endpoint                          | Description                                |
-| :---------- | :-------------------------------- | :----------------------------------------- |
-| `POST`      | `/simulator/start`                | 데이터 시뮬레이션을 시작합니다.            |
-| `POST`      | `/simulator/stop`                 | 실행 중인 시뮬레이션을 중지합니다.         |
-| `GET`       | `/simulator/status`               | 현재 스케줄러의 상태를 확인합니다.         |
-| `POST`      | `/test/azure-storage-connection`  | Azure Blob Storage 연결을 테스트합니다.    |
-| `POST`      | `/test/models-connection`         | 모델 서비스와의 연결을 테스트합니다.       |
-```text
-```
+- **로그 형식**: 모든 로그는 `시간 - 모듈 - 로그 레벨 - 메시지` 형식으로 기록됩니다.
+- **로그 출력**:
+  - **콘솔**: 실시간으로 로그가 콘솔에 출력됩니다.
+  - **파일**: 로그는 `logs/service.log` 파일에도 저장되어, 서비스 실행 이력을 확인할 수 있습니다.

services/painting-process-data-simulator-service/app/config/logging_config.py

@@ -0,0 +1,21 @@
+import os
+import logging
+import sys
+from app.config.settings import settings
+
+def setup_logging():
+    """Sets up centralized logging."""
+    # Ensure log directory exists  
+    os.makedirs(settings.log_directory, exist_ok=True)
+    handlers = [logging.StreamHandler(sys.stdout)]
+    try:
+        handlers.append(logging.FileHandler(f"{settings.log_directory}/service.log"))
+    except OSError as e:
+        # fallback to stdout-only logging if file handler can't be created
+        logging.warning("FileHandler creation failed; using stdout-only logging. (%s)", e)
+
+    logging.basicConfig(
+        level=logging.INFO,
+        format="%(asctime)s - %(name)s - %(levelname)s - %(message)s",
+        handlers=handlers,
+    )

services/painting-process-data-simulator-service/app/config/settings.py

@@ -1,7 +1,5 @@
-import os
-from typing import Dict
 from pydantic_settings import BaseSettings
-
+from pydantic import AnyHttpUrl, field_validator  
 
 class Settings(BaseSettings):
     # Azure Storage 설정
@@ -12,27 +10,32 @@ class Settings(BaseSettings):
     painting_data_folder: str = "painting-process-equipment"
 
     # 스케줄러 설정
-    scheduler_interval_minutes: int = 1
+    scheduler_interval_seconds: int = 30
     batch_size: int = 10
 
-    # Painting Process Equipment 모델 서비스 설정
-    painting_service_url: str = os.getenv("PAINTING_SERVICE_URL", "http://localhost:8001")
-
-    # 로그 설정
-    log_directory: str = "logs"
-    log_filename: str = "painting_issue_logs.json"
-    error_log_filename: str = "painting_errors.json"
+    # Backend 서비스 설정
+    backend_service_url: AnyHttpUrl = "http://localhost:8088/equipment-data" 
 
     # HTTP 클라이언트 설정
     http_timeout: int = 30
-    max_retries: int = 3
-
-    @property
-    def model_services(self) -> Dict[str, str]:
-        """Painting Process Equipment 모델 서비스 URL"""
-        return {
-            "painting-process-equipment": self.painting_service_url
-        }
+
+    # 로그 디렉토리
+    log_directory: str = "logs"
+
+    # Validators  
+    @field_validator("scheduler_interval_seconds")
+    @classmethod
+    def _positive_interval(cls, v: int) -> int:
+        if v <= 0:
+            raise ValueError("scheduler_interval_seconds must be > 0")
+        return v
+
+    @field_validator("batch_size", "http_timeout")
+    @classmethod
+    def _positive_ints(cls, v: int) -> int:
+        if v <= 0:
+            raise ValueError("batch_size and http_timeout must be > 0")
+        return v
 
     model_config = {
         "env_file": ".env",

services/painting-process-data-simulator-service/app/main.py

@@ -1,33 +1,37 @@
+import logging
 from fastapi import FastAPI
 from contextlib import asynccontextmanager
 from app.config.settings import settings
 from app.services.scheduler_service import simulator_scheduler
 from app.routers import simulator_router
-from app.routers import connection_test_router
+from app.config.logging_config import setup_logging
+
 import os
 
+# 로깅 설정
+# Ensure log directory exists before creating FileHandler(s)  
+os.makedirs(settings.log_directory, exist_ok=True)  
+setup_logging()  
+logger = logging.getLogger(__name__)
 
 @asynccontextmanager
 async def lifespan(app: FastAPI):
     """애플리케이션 생명주기 관리"""
     # 시작 시
-    print("🚀 Data Simulator Service 시작 중...")
+    logger.info("🚀 Data Simulator Service 시작 중...")
 
     # 환경 변수 체크
     if not settings.azure_connection_string:
+        logger.error("AZURE_CONNECTION_STRING 환경 변수가 설정되지 않았습니다.")
         raise ValueError("AZURE_CONNECTION_STRING 환경 변수가 설정되지 않았습니다. .env 파일을 생성하거나 환경 변수를 설정해주세요.")
 
-    # 로그 디렉토리 생성
-    os.makedirs(settings.log_directory, exist_ok=True)
-
-    print(f"📁 로그 디렉토리: {settings.log_directory}")
-    print(f"🔧 스케줄러 간격: {settings.scheduler_interval_minutes}분")
-    print(f"🎯 대상 서비스 수: {len(settings.model_services)}")
+    logger.info(f"📁 로그 디렉토리: {settings.log_directory}")
+    logger.info(f"🔧 스케줄러 간격: {settings.scheduler_interval_seconds}초")
 
     yield
 
     # 종료 시
-    print("🛑 Data Simulator Service 종료 중...")
+    logger.info("🛑 Data Simulator Service 종료 중...")
     if simulator_scheduler.is_running:
         await simulator_scheduler.stop()
 
@@ -42,8 +46,6 @@ async def lifespan(app: FastAPI):
 # 라우터 설정
 # 시뮬레이터 활성화/비활성화/상태확인 API 모음
 app.include_router(simulator_router.router, prefix="/simulator")
-# azure storage 연결, model serving 서비스 연결 확인 API 모음
-app.include_router(connection_test_router.router, prefix="/test")
 
 
 # 아래는 서비스 기본 정보 확인과 서비스 헬스 체크 api 정의