샘플링 데이터를 이용한 혼합 밀도 네트워크 모델기반 근사 질의 처리 (Mixture Density Network Model-Based Approximate Query Processing Using Sampling Data)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 정보과학회 컴퓨팅의 실제 논문지 / 28권 / 9호 / 450 ~ 457페이지
· 저자명 : 김성수, 박춘서, 남택용, 이태휘

초록

소셜 네트워크와 사물 인터넷이 활성화 되면서, 대규모 데이터에 대한 탐사적 분석은 빅데이터 분석에서 중요한 프로세스 중 하나로 자리 잡고 있다. 그러나, 데이터 분석가는 초기 빅데이터 분석을 수행하는 데 상당한 처리 시간과 비용을 지불해야 한다. 본 논문에서는 대규모 데이터에 대한 탐사적 분석을 효율적으로 지원하기 위해 시놉시스 기반의 근사 질의 처리 기법과 머신러닝을 이용한 근사 질의 처리 기법을 제안한다. 또한, 제안하는 시놉시스 기반의 기법은 전통적인 통계적 샘플링 기법 뿐만 아니라, 딥러닝 기반 생성 모델을 이용하여 시놉시스 데이터를 구축하는 기법을 제안한다. 특히, DBMS 외부 인터페이스를 통한 질의 처리 방식을 적용함으로써, 다양한 DBMS에 적용 가능하다는 장점을 제공한다. 학습 데이터 구축을 위한 이력 질의 수행에 많은 비용이 소요되는 워크로드기반 근사 질의 처리 모델의 단점을 극복하기 위해, 시놉시스 데이터의 분포를 혼합 밀도 네트워크를 통해 학습하는 ML 기반 근사 질의 처리 모델을 제안한다. 제안 기법은 인스타카트 데이터 셋 실험에서 기존 MySQL 대비 380배, PostgreSQL 대비 58배 빠른 질의 처리 성능을 제공하고, 근사 질의 정확도 측면에서 워크로드 기반 근사 질의 처리 엔진인 ML-AQP보다 정확한 결과를 제공한다.

영어초록

As social networks and the Internet of Things become active, exploratory analysis of large-scale data has been positioned as one of the essential processes in Big Data analytics. However, data analysts should spend significant processing time and cost to perform initial Big Data analytics.
We present a novel synopsis-based approximate query processing method and a machine learning (ML)-based approximate query processing method to support efficient exploratory analysis of large-scale data. In addition, we exploit a synopsis-based approach for constructing synopsis data using a deep learning-based generative model as well as a traditional statistical sampling. In particular, we apply the query processing method through the DBMS external interface to support various DBMSs. We propose an ML-based approximation query processing model that learns the distribution of synopsis data through a mixed density network. This model overcomes the disadvantage of the workload-based approximation query processing model, which requires a lot of costs to perform historical queries for building training data. The proposed method provides query processing performance that is 380 times faster than MySQL and 58 times faster than PostgreSQL in the Instacart data set for our experiments. In addition, it gives more accurate results than ML-AQP, a workload-based approximate query processing engine, in terms of approximate query accuracy.

참고자료

· 없음