선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
가설 설정
- “가격이 5천만원이고, 지하철역까지의 거리가 100m인 집”을 팔고자 한다고 가정하다. 이 집의 판매수익을 보다 많이 남기기 위해 부동산 중개업자는 집을 구하는 고객들 중 이 집에 관심을 가질만한 고객을 선별한다.
제안 방법
- ERSL기법의 성능 평가를 위해 대상객체 수의 변화와 차원의 변화에 따른 실행시간을 측정하는 모의실험을 수행하였다. 실험 결과 대상객 체 수가 증가하고 차원이 높아질수록 ERSL기법은 RSSA기법보다 효율적이다.
- ERSL기법의 성능평가를 위해 대상객체의 모의 데이터를 생성하여 GRSL기법과 RSSA기법을 비교 대상으로 실험하였다. 모든 기법은 동일하게 Intel(R) Pentium(R) 4 CPU 2.
- ERSL기법의 처리과정을 자세히 설명하기 위해 그림 5 에서 생성한 20개의 모의 객체를 대상으로 리버스 스카이라인을 구해보자. 그림 10은 20개의 대상객체를 R*-tree 로 색인하여 구조화한 것이다.
- ERSL기법의 향상된 성능을 증명하기 위하여 대상 객체의 수의 변화와 차원의 변화에 따른 실행시간을 측정하는 모의실험을 수행하였다.
- 고려하는 대상객체의 속성값의 수가 증가(다차원)함에 따른 GRSL, RSSA, ERSL기법의 성능을 평가하기 위해 실행 시간을 측정하였다. 그림 14는 2~5차원 객체에 대한 각 기법의 실행시간을 측정한 결과를 그래프로 표현한 것이다.
- 그러므로 GSL을 구하기 위해 BBS기법을 적용하고, 구해진 GSL 객체 중 리버스 스카이라인을 가려내기위한 새로운 영역을 제안한다.
- 그러나 정보가 질의의 주체가 되는 정보 중심의 서비스를 스카이라인 기법으로 처리하는 것은 불가능하다. 그러므로 리버스 스카이라인(Reverse Skyline) 기법을 제안한다.
- 대상객체는 Uniform분포로 100개에서 1000개까지 100 개단위로 증가시키고, 대상객체의 변화에 따라 100번의 질의를 랜덤하게 생성하여 실행시간을 측정하였다. 또한 정확한 실험값을 위해 100번의 질의를 각각 20번 반복 수행하고, min/max 값을 5개씩 제외한 총 10번의 측정값의 평균을 한회의 질의 수행시간으로 결정하였다.
- 대상객체의 수의 변화에 따른 GRSL, RSSA, ERSL 기법의 성능을 평가하기 위해 표 2와 같이 실행 시간의 증가율을 측정하였다. 표 2를 보면, 모든 차원에서 ERSL 기법이 RSSA기법보다 대상객체의 변화에 따른 증가율이 높은 것을 알 수 있다.
- 또한 정확한 실험값을 위해 100번의 질의를 각각 20번 반복 수행하고, min/max 값을 5개씩 제외한 총 10번의 측정값의 평균을 한회의 질의 수행시간으로 결정하였다. 즉, 하나의 결과는 2000번의 수행 후 1000번의 평균으로 구한 것이다.
- 모든 기법은 동일하게 Intel(R) Pentium(R) 4 CPU 2.4GHz 프로세서와 1GB의 메인 메모리, 80GB 의 하드 디스크를 가진 Windows XP 운영체제의 Deskop PC 환경에서 자바언어(JSDK 1.5)를 이용하여 메모리 기반으로 구현하였다.
- 본 논문에서 제안하는 ERSL(Efficient Reverse Skyline)기법은 RSSA기법의 단점을 최소화한 새로운 기법이다. ERSL기법은 스카이라인을 가장 효율적으로 구하는 BBS (Branch and Bound) 기 법 [2] 을 바탕으로 발전 시킨 방법으로써 다차원 데이터 환경에서의 리버스 스카이라인 질의처리가 가능하다.
- 본 논문에서 제안하는 ERSL기법은 RSSA기법의 문제가 되었던 객체들의 스카이라인 저장 및 윈도우 질의를 적용하지 않는 새로운 방법이다. 그러므로 RSSA기법의 단점인 실행시간과 메모리의 낭비를 절감할 뿐만 아니라, 객체의 추가 삭제로 인한 변화에 추가적인 처리 과정이 필요 없어 방법이 간단하다.
- 성능비교의 기준은 알고리즘 실행시간(Processin壇 time) 으로써 micro second(ms)단위로 측정하였다. 실행 시간이란 객체(정보)를 R*-tree 색인 후 질의가 요청된 후부터 결과가 구해질 때까지의 순수 질의시간을 말한다.
이론/모형
- 사용자가 질의의 주체가 되었던 기존의 서비스는 스카이라인(Skyline) 기법으로 처리하였다. 그러나 정보가 질의의 주체가 되는 정보 중심의 서비스를 스카이라인 기법으로 처리하는 것은 불가능하다.
성능/효과
- DDR/DADR영역을제안하여 질의점의 위치판별 만으로 리버스 스카이라인을 결정할 수 있어 불필요한 윈도우 질의의 횟수를 절감한다. 이를 위해 모든 객체에 대한 다이나믹 스카이라인(Dynamic Skyline : DSL)⑹을 선처리하여 디스크에 유지한다.
- 54% 대상객체의 변화에 민감하다고 판단하기는 모호하다. 그러나 대상객체의 차원이 증가할수록 ERSL기법의 실행시간 증가율은 23.84%로써, 73.8%인 RSSA기법보다 대상객체의 변화에 덜 민감하다는 것을 알 수 있다. 반면에 ERSL기법은 -2.
- 표 2를 보면, 모든 차원에서 ERSL 기법이 RSSA기법보다 대상객체의 변화에 따른 증가율이 높은 것을 알 수 있다. 그러나 이러한 결과는 대상 객체가 100~300개일 때의 증가율로 지배된 결과로써, 처음부터 작은 실행시간(ERSL기법의 2차원의 경우 100 개~200개의 실행시간 변화가 1002ms에서 1809ms) 의변화로 80.54% 대상객체의 변화에 민감하다고 판단하기는 모호하다. 그러나 대상객체의 차원이 증가할수록 ERSL기법의 실행시간 증가율은 23.
- 그래프이다. 그림 15를 보면, 2차원의 경우 ERSL기법이 RSSA기법보다 29.24% 효율적인 반면에 5차원인 경우 81.18%로 효율성이 증가되었다. 뿐만 아니라 차원이 높아질 수록대상 객체 수에 영향을 받지 않는 높은 효율성을 유지한다.
- 05%로써 ERSL기법이 보다 덜 민감하다. 또한 ERSL 기법과 RSSA기법의 효율성을 비교해볼 때 2차원의 경우 29.24%였던 효율성이 4차원의 경우 71.6%, 5차원인 경우 81.18%로 증가하여 다차원일수록 ERSL기법이더 효율적임이 증명되었다.
- GRSL기법은 모든 차원에서 지수함수 그래프를 그리며 실행시간이 급격히 증가한다. 또한 차원이 증가할수록 증가율이 높아져 대상객체가 많은 경우 뿐 아니라 다차원인 경우에서도 비효율적인 방법임을 알 수 있다.
- 그러나 질의 시점에 모든 계산이 실행되므로 캐시메모리의 이용률이 높아 장치에 무리를 줄 수 있다. 보다 확실한 실험 결과는 본 논문에서와 같이 메모리 기반이 아닌, 디스크 기반으로 구현하고 실험하여 증명하는 것이 좋다.
- 실험 결과 대상객 체 수가 증가하고 차원이 높아질수록 ERSL기법은 RSSA기법보다 효율적이다. 즉, 차원이 높아질수록 대상 객체의 변화가 실행 시간에 영향을 줄 확율은 RSSA기법이 64.
- 그림 12와 13에서 RSSA, ERSL기법을 비교해보면, 객체가 증가할수록 실행 시간 측정값의 차이가 조금씩 가까워지는 3차원 결과와 달리, 일정한 차이를 유지하는 5차원 결과를 확인할 수 있다. 이는 ERSL기법이 다른 기법들보다 차원의 증가에 따른 대상객체 수의 변화에 점점 덜 민감해진다는 것을 확인할 수 있다.
- 그러나 4차원에서는 저차원실험 결과와 달리 실행시간이 급격하게 증가하여, 5차원에서는 확연한 증가를 보인다. 즉, RRSA기법은 저차원에서는 성능이 비교적 유지되지만 차원이 증가할수록 비효율적인 방법임을 알 수 있다.
- 실험 결과 대상객 체 수가 증가하고 차원이 높아질수록 ERSL기법은 RSSA기법보다 효율적이다. 즉, 차원이 높아질수록 대상 객체의 변화가 실행 시간에 영향을 줄 확율은 RSSA기법이 64.65%, ERSL기법이 25.05%로써 ERSL기법이 보다 덜 민감하다. 또한 ERSL 기법과 RSSA기법의 효율성을 비교해볼 때 2차원의 경우 29.
- 측정하였다. 표 2를 보면, 모든 차원에서 ERSL 기법이 RSSA기법보다 대상객체의 변화에 따른 증가율이 높은 것을 알 수 있다. 그러나 이러한 결과는 대상 객체가 100~300개일 때의 증가율로 지배된 결과로써, 처음부터 작은 실행시간(ERSL기법의 2차원의 경우 100 개~200개의 실행시간 변화가 1002ms에서 1809ms) 의변화로 80.
후속연구
- 그러나 이는 대상객체의 정적 속성값만을 고려한 질의 방법으로써 응용에 제한이 있다. 그러므로 향후 ERSL기법을 발전 시켜 "나와 가장 가까운 거리에 있는 고객”과 같이 나의 위치(질의점)가 변화함에 따라서 계속적으로 변화하는, 동적 속성을 고려한 리버스 스카이라인 연구도 진행할 예정이다. 또한 대상객체의 분포도에 따라 비슷한 조건을 가지는 객체군을 묶어 (Clustering) 질의를 수행하는 리버스 스카이라인 연구도 진행할 수 있다.
- 또한 대상객체의 분포도에 따라 비슷한 조건을 가지는 객체군을 묶어 (Clustering) 질의를 수행하는 리버스 스카이라인 연구도 진행할 수 있다. 이러한 여러 가지 접근으로 향상된 리버스 스카이라인은 보다 넓은 분야에 적용되어 유용하게 사용될 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.