정의한 저장 모델을 지원하는 저장소를 구현하고 기존 시스템과의 비교 평가를 수행한다. 기존 시스템과의 실질적인 비교 평가를 위해 다양한 크기의 온톨로지 셋을 이용한다. Lehigh 대학에서는 SWAT 프로젝트의 결과로서 개발한 시스템인 DLDB 시스템에 대한 평가를 위해 온톨로지 생성 툴인 UBA(Univ-Bench Artificial Data Generator)# 개발하였고 이를 통해 생성한 온톨로지 셋을 실험에 이용하였다.

이를 위해 기존 저장 모델의 구조적인 문제점 및 OWL 요소와 질의 패턴과의 관계를 분석하였다. 마지막으로, 기존 저장 모델과의 정량적인 평가를 위한 실험 및 평가를 실시하였다. 실험을 위한 평가 항목은 질의 웅답 시간, 정확성 및 완전성이며 이를 통해각 시스템의 성능은 물론 질의 처리 결과에 대한 신뢰성에 대하여 평가하였다.

마지막으로, 기존 저장 모델과의 정량적인 평가를 위한 실험 및 평가를 실시하였다. 실험을 위한 평가 항목은 질의 웅답 시간, 정확성 및 완전성이며 이를 통해각 시스템의 성능은 물론 질의 처리 결과에 대한 신뢰성에 대하여 평가하였다. 실험 결과에서, 이 논문에서 제안한 저장 모델은 Jena 및 Sesame와 비교하여 나은 질의 처리 성능을 보였다.

이 논문에서 제안하는 저장 모델에 OWL 데이타를저장하는 알고리즘은 크게 2 단계로 구성된다. 첫 번째 단계는 OWL 문서에 대한 분류 작업(1~13줄)이며, 두 번째 단계는 분류된 OWL 문서의 클래스와 인스턴스를 변환하여 연구 저장소에 저장하는 단계(14~24줄)이다.

UBA 툴은 DLDB 시스템의 평가를 위해 개발된 온톨로지 생성 툴로서 다양한 크기의 온톨로지 셋올 생성할 수 있다. 이 논문에서는 실험을 위해 LUBM(l, 0), LUBM(2, 0), LUBM(3, 0) 데이타 셋을 이용한다. 각각의 데이타 셋은 15개, 34개, 50개의 OWL 문서 파일로 구성되어 있으며 각 데이타셋에 대한 세부 정보는 표 1과 같다.

Lehigh 대학에서는 SWAT 프로젝트의 결과로서 개발한 시스템인 DLDB 시스템에 대한 평가를 위해 온톨로지 생성 툴인 UBA(Univ-Bench Artificial Data Generator)# 개발하였고 이를 통해 생성한 온톨로지 셋을 실험에 이용하였다. 이 논문에서도 UBA에 의해 생성된 데이타 셋을 이용하여 실험 및 평가를 수행한다.

이 논문에서의 주 평가 항목은 질의 웅답 시간 (Query Response Time)이며 아울러 질의 결과에 대한 정확성(Correctness)과 완전성(Completeness)에 대하여 평가한다.

제안하였다. 이를 위해 기존 저장 모델의 구조적인 문제점 및 OWL 요소와 질의 패턴과의 관계를 분석하였다. 마지막으로, 기존 저장 모델과의 정량적인 평가를 위한 실험 및 평가를 실시하였다.

제안 모델은 적정수준의 정규화 된 구조를 제공함으로써 개선된 질의 처리 성능을 제공할 수 있도록 설계된다. 이를 위해 먼저 기존의 온톨로지 저장 모델에 대하여 분석한다. 기존 저장 모델에 대한 분석 결과와 OWL 요소와 질의 패턴에 대한 관계 분석올 통해 적정 수준의 정규화 구조를 정의한다.

표 2 에서, 첫 번째 질의 타입(C)은 클래스 정보를 검색하는 단순 질의로서 하나의 OWL 요소만을 대상으로 검색한다. 이를 통해 Jena와 같이 모든 정보를 하나의 테이블에 포함하는 구조와 Sesame와 같이 여러 테이블에 분리하여 관리하는 저장소와의 성능을 비교 평가할 수 있다. 나머지 질의 타입은 두 개 이상의 OWL 요소가 관여하는 질의에 대한 처리 성능을 실험하기 위한 것으로, Jena와 Sesame는 물론 제안 저장 모델 또한 조인 연산이 요구된다.

기존 저장 모델에 대한 분석 결과와 OWL 요소와 질의 패턴에 대한 관계 분석올 통해 적정 수준의 정규화 구조를 정의한다. 정의한 저장 모델을 지원하는 저장소를 구현하고 기존 시스템과의 비교 평가를 수행한다. 기존 시스템과의 실질적인 비교 평가를 위해 다양한 크기의 온톨로지 셋을 이용한다.

수 있는 저장 모델을 제안한다. 제안 모델은 적정수준의 정규화 된 구조를 제공함으로써 개선된 질의 처리 성능을 제공할 수 있도록 설계된다. 이를 위해 먼저 기존의 온톨로지 저장 모델에 대하여 분석한다.

J&ia는 하나의 테이블에 모든 인스턴스 정보를 저장하기 때문에 모든 클래스 검색 시 테이블에 저장돤 모든 인스턴스를 검색하게 되며, 불필요한 데이타까지 비교한다. 제안 모델은 하나의 테이블에 모든 클래스 정보를 저장하므로 단일테이블만을 검색한다. 따라서 조인 연산을 요구하는 다른 시스템에 비해 나은 성능을 보인다.

Jena 는 Q2와 같이 자신의 테이블에서 subClassOf 관계를 검색하고 다시 그에 대한 인스턴스를 검색하기 때문에 Q2에서와 같이 데이타 셋이 증가할수록 질의 응답 시간이 증가하게 된다. 제안 시스템은 Q3의 결과와 인스턴스만을 저장하는 테이블과의 조인 연산을 수행함으로써 최종 결과를 반환하며, Sesame나 Jena에 비해 짧은 응답 시간을 요구한다. LUBM(l, 0) 셋에서, Jena는 약 1.

Sesame는 웹 기반의 온톨로지 저장 시스템으로 사용자가 편리하게 온톨로지를 관리할 수 있다는 장점을 지닌다 DLDB는 L난dgh 대학의 SWAT 프로젝트의 일부로 개발된 저장소로서, 메모리 및 영구 저장소(관계형데이타베이스) 기반의 온톨로지 저장 관리 기능을 제공한다. 추가적으로, 개발 시스템 맟 비교 대상 시스템들과의 비교 평가를 위해 UBA 도구를 개발하여 제공하며, 이 도구를 이용하여 사용자는 대용량의 OWL 웹 온톨로지를 생성할 수 있다. OWLJessKB는 자바로 개발된 추론 엔진인 Jess를 기반으로 OWL 웹 온톨로지를 처리할 수 있도록 확장한 저장 시스템이다.

추가적으로, 제안 모델과 기존의 모델과의 질의 결과에 대한 정확성 및 완전성올 평가한다. 표 5는 각 질의별 실제 반환되어야 하는 결과 개수를 보여주며, OWL 파일을 수동으로 분석하여 얻어진 결과이다.

실험을 위한 온톨로지는 Lehigh 대학의 온톨로지 생성 툴인 UBA(University-Bench Artificial Data Generator)를 이용하여 생성한다. UBA 툴은 DLDB 시스템의 평가를 위해 개발된 온톨로지 생성 툴로서 다양한 크기의 온톨로지 셋올 생성할 수 있다.

이 논문에서의 실험 대상 시스템은 Jena와 Sesame이다. 두 시스템 외에도 DLDB[10, ll], OWLJessKB[17] 등과 같은 다양한 관계형 모델 기반 저장 시스템들이 제안되어 있으나 구체적인 저장 모델이나 API 혹은 소스가 공개되지 않아 비교 대상에서 제외한다.

기존 시스템과의 실질적인 비교 평가를 위해 다양한 크기의 온톨로지 셋을 이용한다. Lehigh 대학에서는 SWAT 프로젝트의 결과로서 개발한 시스템인 DLDB 시스템에 대한 평가를 위해 온톨로지 생성 툴인 UBA(Univ-Bench Artificial Data Generator)# 개발하였고 이를 통해 생성한 온톨로지 셋을 실험에 이용하였다. 이 논문에서도 UBA에 의해 생성된 데이타 셋을 이용하여 실험 및 평가를 수행한다.

4.2절의 실험 결과에서 알 수 있지만, 위 데이타셋만으로도 성능의 차이를 명확하게 확인할 수 있다. 추가적인 이유로서 질의 결과를 수동으로 파악할 때 발생할 수 있는 오류를 방지하고 이를 통해 실험 결과의 신뢰성을 제공하기 위함이다.

따라서 조인 연산을 요구하는 다른 시스템에 비해 나은 성능을 보인다. LUBM(1, O) 셋에서 제얀 시스템의 응답 시간(L17ms)을 1로 보았을 때, Jena는 약 20배, Sesame는 약 30배 이상의 웅답시간의 차이를 보이며 데이타 셋의 증가에 따라 응답시간의 차이가 증가하는 것을 알 수 있다. LUBM(3, 0) 셋의 경우, 제안 시스템과 Sesame의 웅답 시간의 차이가 약 100배 이상임을 알 수 있다.

결과적으로, 지금까지 기술한 실험결과를 바탕으로, 제안 저장 모델이 기존 저장 모델에 비해 질의 처리 성능, 정확성 및 완전성이 우수함을 알 수 있다

결론적으로, Jena2는 OWL 요소 관계를 고려하지 않고 모든 데이타를 하나의 테이블에 저장하는 비 정규화된 구조를 지니기 때문에 질의 처리시 관련 없는 정보까지 참조하게 되며 성능을 저하시킨다. Sesame의 경우, OWL 요소 관계를 고려하여 정규화 된 구조를 제공하지만 질의 패턴과의 관계를 고려하지 않음으로써 질의 처리시 많은 조인 연산이 요구되어 성능을 저하시키는 요인으로 작용했음을 알 수 있다.

특히, 질의 응답시간에 대한 성능 평가 결과에서, 기존 시스템들은 중첩된 조인 연산과 단일 테이블에서의 조인 연산으로 인해 제안 저장 모델에 비해 낮은 성능을 보였다. 결론적으로, OWL 요소와 질의 패턴 분석을 통해 적정 수준 정규화 된 제안 모델이 구조적으로 보다 나은 모델임을 알 수 있다.

따라서 온톨로지의 크기가 지나치게 방대할 경우, 수동으로 정확한 결과 셋을 파악함에 있어서 정확성을 보장하기 어렵다. 결론적으로, 이 논문에서는 충분한 성능 차이를 확인할 수 있으면서 정확성과 완전성을 판단할 수 있는 적정 크기의 온톨로지를 이용한다.

관계형데이타베이스 스키마 구조는 이 논문의 가장 핵심적 인부분으로서, 저장 구조에 따라 잘의 처리 성능이 크게 달라진다. 이에 대한 상세한 내용은 다음 절에서 다룬다.

실험 결과에서, 이 논문에서 제안한 저장 모델은 Jena 및 Sesame와 비교하여 나은 질의 처리 성능을 보였다. 또한 정확성과 완전성 측면에서도 신뢰할 수 있는 결과를 보였다. 특히, 질의 응답시간에 대한 성능 평가 결과에서, 기존 시스템들은 중첩된 조인 연산과 단일 테이블에서의 조인 연산으로 인해 제안 저장 모델에 비해 낮은 성능을 보였다.

마지막으로, Original OWL 영역은 입력으로 주어진 OWL 문서 파일의 집합으로서 PDM의 Plain 컴포넌트에 해당한다.

Sesame의 경우, OWL 요소 관계를 고려하여 정규화 된 구조를 제공하지만 질의 패턴과의 관계를 고려하지 않음으로써 질의 처리시 많은 조인 연산이 요구되어 성능을 저하시키는 요인으로 작용했음을 알 수 있다. 반면 제안 모델은 OWL 요소의 관계를 고려하여 구조화 하고 질의 패턴을 고려하여 정규화함으로써 단순 질의는 물론 조인 연산이 요구되는 질의에 대한 처리 측면에서 보다 나은 성능을 보였다.

실험을 위한 평가 항목은 질의 웅답 시간, 정확성 및 완전성이며 이를 통해각 시스템의 성능은 물론 질의 처리 결과에 대한 신뢰성에 대하여 평가하였다. 실험 결과에서, 이 논문에서 제안한 저장 모델은 Jena 및 Sesame와 비교하여 나은 질의 처리 성능을 보였다. 또한 정확성과 완전성 측면에서도 신뢰할 수 있는 결과를 보였다.

또한 정확성과 완전성 측면에서도 신뢰할 수 있는 결과를 보였다. 특히, 질의 응답시간에 대한 성능 평가 결과에서, 기존 시스템들은 중첩된 조인 연산과 단일 테이블에서의 조인 연산으로 인해 제안 저장 모델에 비해 낮은 성능을 보였다. 결론적으로, OWL 요소와 질의 패턴 분석을 통해 적정 수준 정규화 된 제안 모델이 구조적으로 보다 나은 모델임을 알 수 있다.

것이다. 추가적으로, 제안 저장 시스템의 활용성 재고를 위해 다른 저장 모델과의 연계 방법에 대한 연구도 요구된다.

향후 연구 과제로서, 메모리에 저장된 데이타를 영구저장소로 저장하는 최적 시점에 대한 연구가 요구되며 이는 보다 향상된 온톨로지 저장 성능을 제공할 것이다. 추가적으로, 제안 저장 시스템의 활용성 재고를 위해 다른 저장 모델과의 연계 방법에 대한 연구도 요구된다.