[논문]클라우드 컴퓨팅 기반 공간분석의 연산 효율성 분석

최창락; 김예린; 홍성연

doi:10.11108/kagis.2018.21.4.119

클라우드 컴퓨팅 기반 공간분석의 연산 효율성 분석
Evaluating Computational Efficiency of Spatial Analysis in Cloud Computing Platforms 원문보기

한국지리정보학회지 = Journal of the Korean Association of Geographic Information Studies, v.21 no.4, 2018년, pp.119 - 131

최창락 (경희대학교 이과대학 지리학과) , 김예린 (경희대학교 이과대학 지리학과) , 홍성연 (경희대학교 이과대학 지리학과)

초록
AI-Helper

휴대용 기기와 다양한 위치 기반 서비스의 확산으로 공간데이터의 양적 팽창이 가속화됨에 따라 대용량의 공간데이터를 효율적으로 다룰 수 있는 기술의 중요성이 점차 커지고 있다. 클라우드 컴퓨팅은 인터넷을 통해 스토리지, 메모리, 애플리케이션 등 다양한 전산 자원을 공유할 수 있는 서비스 환경으로, 최근 이를 활용해 대용량의 공간데이터를 처리, 분석하는 방법과 그 필요성에 관한 연구가 활발히 수행되어 왔다. 그러나 아직까지 대용량 공간데이터의 분석에 클라우드 컴퓨팅 플랫폼을 활용했을 때 어느 정도의 성능 향상을 기대할 수 있는지에 대한 실증적 연구는 비교적 많이 이루어지지 않았으며, 본 연구의 목표는 이러한 논의의 공백을 채우는 것이다. 이를 위해 연구에서는 클라우드 컴퓨팅 플랫폼에서 병렬 연산을 사용했을 때 모란지수와 지리가중회귀분석의 연산 속도가 어느 정도 향상되는지 살펴보았으며, 그 결과를 통해 클라우드 컴퓨팅을 활용한 공간분석의 효율성을 평가하였다. 실험 결과, 중앙처리장치의 클록 수가 더 높은 로컬 컴퓨터에 비해 병렬 연산에 적합한 환경을 갖춘 공용 클라우드 컴퓨팅 플랫폼에서 좀 더 효율적인 연산이 가능했으며, 데이터의 규모가 클수록 격차가 더욱 크게 나타났다.

Abstract ▼ AI-Helper

The increase of high-resolution spatial data and methodological developments in recent years has enabled a detailed analysis of individual experiences in space and over time. However, despite the increasing availability of data and technological advances, such individual-level analysis is not always possible in practice because of its computing requirements. To overcome this limitation, there has been a considerable amount of research on the use of high-performance, public cloud computing platforms for spatial analysis and simulation. The purpose of this paper is to empirically evaluate the efficiency and effectiveness of spatial analysis in cloud computing platforms. We compare the computing speed for calculating the measure of spatial autocorrelation and performing geographically weighted regression analysis between a local machine and spot instances on clouds. The results indicate that there could be significant improvements in terms of computing time when the analysis is performed parallel on clouds.

주제어

표/그림 (7)

표 TABLE 1. Comparisons of cloud computing platforms
표 TABLE 2. Computing environment for experiments
그림 FIGURE 1. An illustration of a parallel computing algorithm implemented in the experiments
표 TABLE 3. Time spent (in seconds) for completing analysis on different computing platforms
표 TABLE 4. Ordinary least squares (OLS) regression results
그림 FIGURE 2. Linear relationships between the number of points and the computing time
표 TABLE 5. Estimated costs for purchasing computing components equivalent to cloud instances (Unit: Korean Won)

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

다음으로는 실험 결과를 통해 클라우드 컴퓨팅 플랫폼에서 공간데이터 분석의 효율성을 확인하고, 경제성과 안정성 측면에서 클라우드 컴퓨팅이 갖는 장점에 대해 논할 것이다. 결론에서는 실험을 통해 도출된 결과를 다시 정리하고, 본 연구의 한계점과 향후 연구 방향에 대해 논의한다.
병렬 처리를 통한 연산 속도의 향상은 공간분석 과정을 정량적으로 가속할 뿐만 아니라, 분석을 통해 해결할 수 있는 문제의 범위를 확대한다는 점에서 의미가 있다(Turton and Openshaw, 1998). 그러나 아직까지 대용량 공간데이터의 분석에 클라우드 컴퓨팅 플랫폼을 활용했을 때 어느 정도의 성능 향상을 기대할 수 있는지에 대한 실증적 연구는 활발히 이루어지지 않고 있으며, 따라서 본 논문에서는 이를 중점적으로다룸으로써 논의의 공백을 채우고자 한다. 본연구에서는 클라우드 컴퓨팅 플랫폼에서 병렬연산을 적용했을 때 대표적인 공간분석 기법인 모란지수와 지리가중회귀분석의 연산 속도가 어느 정도 향상되는지 살펴보고 그 결과를 바탕으로 클라우드 컴퓨팅을 활용한 공간분석의 효율성을 평가하고자 한다.
본 연구는 공용 클라우드 서비스 중 가장 사용자 수가 많은 AWS의 아마존 일래스틱 컴퓨트 클라우드(Amazon Elastic Compute Cloud; Amazon EC2)를 기반으로 분석을 수행한다. EC2는 AWS의 핵심적인 요소로, 물리적인 전산 자원을 인스턴스라 불리는 여러 대의 가상서버로 나누어 제공한다.
본 연구에서는 최근 빅데이터 분석을 위한 합리적인 대안으로 활발하게 논의되어 온 클라우드 컴퓨팅 플랫폼에서 실제 공간분석을 수행할 때 기대할 수 있는 효율성과 효과성을 실험을 통해 확인하고자 한다. 클라우드 컴퓨팅이란 사용자가 필요로 하는 소프트웨어와 스토리지, 메모리 등의 전산 자원을 필요한 만큼 사용하고, 이에 따라 비용을 지급하는 서비스 모델을 의미한다(Kim et al.
본 연구의 가장 큰 의의는 실험을 통해 클라우드 컴퓨팅 플랫폼에서의 공간분석이 갖는 효율성과 효과성을 실증적으로 밝혔다는 점일 것이다. 그러나 본 연구에서는 무작위로 분포된 임의의 포인트 데이터를 활용하여 분석을 수행했으며, 몬테카를로 시뮬레이션의 원활한 실행을 위해 데이터의 규모 또한 일정 정도로 제한할 수밖에 없었다.
그러나 아직까지 대용량 공간데이터의 분석에 클라우드 컴퓨팅 플랫폼을 활용했을 때 어느 정도의 성능 향상을 기대할 수 있는지에 대한 실증적 연구는 활발히 이루어지지 않고 있으며, 따라서 본 논문에서는 이를 중점적으로다룸으로써 논의의 공백을 채우고자 한다. 본연구에서는 클라우드 컴퓨팅 플랫폼에서 병렬연산을 적용했을 때 대표적인 공간분석 기법인 모란지수와 지리가중회귀분석의 연산 속도가 어느 정도 향상되는지 살펴보고 그 결과를 바탕으로 클라우드 컴퓨팅을 활용한 공간분석의 효율성을 평가하고자 한다. 병렬 연산은 통계 프로그램 R에 parallel, foreach와 같은 추가 패키지를 설치하여 수행하며, 계산 과정에서 프로세서 간 상호작용 및 영향이 없는 간단한 형태의 처치 곤란 병렬(embarrassingly parallel) 알고리즘이 사용될 것이다.
로컬 컴퓨터는 일반적인 연구 환경을 대표하기 위해 가격 대비효율이 높은 것으로 알려진 대중적인 부품들로 구성하였으며, 가상 서버 인스턴스도 개인이 충분히 감당 가능한 중저가의 서비스를 선택해 비교 분석을 수행하였다. 이를 통해 클라우드 컴퓨팅 환경에서 공간분석을 수행할 때 체감할 수 있는 현실적인 성능 향상 효과를 파악하는 것이 본 연구의 일차적인 목표가 된다.
또한, 전산 자원의 유지와 보수, 관리를 서비스 제공자에게 맡기고, 사용자는 안정된 환경에서 분석에만 집중할 수 있다는 장점이 있다(Choi and Noh, 2011). 이에 따라 본 연구에서는 클라우드 컴퓨팅 플랫폼에서 크기가 다른 여러 개의 공간데이터를 분석하고, 그 결과를 바탕으로 공간데이터의 크기에 따라 클라우드 컴퓨팅의 효율성이 어떻게 변화하는지 살펴볼 것이다.

제안 방법

표 2는 실험에 사용된 인스턴스와 로컬 컴퓨터의 기본적인 전산 자원을 나타내고 있다. 로컬 컴퓨터는 일반적인 연구 환경을 대표하기 위해 가격 대비효율이 높은 것으로 알려진 대중적인 부품들로 구성하였으며, 가상 서버 인스턴스도 개인이 충분히 감당 가능한 중저가의 서비스를 선택해 비교 분석을 수행하였다. 이를 통해 클라우드 컴퓨팅 환경에서 공간분석을 수행할 때 체감할 수 있는 현실적인 성능 향상 효과를 파악하는 것이 본 연구의 일차적인 목표가 된다.
따라서 수행하고자 하는 작업이 멀티 코어 환경에 적합하지 않거나 소프트웨어가 이를 지원하지 못한다면, 코어 수가 많은 상위 유형의 인스턴스를 사용한다 해도 성능 차이를 체감할 수 없을 것이다. 본 연구에서 사용하는 통계 프로그램 R 또한 단일 코어 연산에 최적화된 소프트웨어이기 때문에, 실험에 앞서 우선 멀티 코어를 활용한 병렬 연산이 가능하도록 함수를 일부 수정하는 과정을 거쳤다.
서론에서 언급한 바와 같이 본 연구에서는 대표적인 공간통계 기법인 모란지수와 지리가중회귀분석의 몬테카를로 시뮬레이션 시행을 통해 공용 클라우드 컴퓨팅 플랫폼과 로컬 컴퓨터 간의 연산 속도를 비교할 것이다.
논문의 구성은 다음과 같다. 우선 다음 장에서는 클라우드 컴퓨팅의 기본적인 개념과 클라우드 컴퓨팅 환경에서의 공간분석 사례를 정리하고, 관련된 선행연구를 살펴볼 것이다. 이어서 본 연구의 실험 방법과 연산 속도의 비교 분석에 사용된 공간통계 기법에 관해 설명한다.
그러나 데이터 규모나 분석의 종류에 따라 클라우드 컴퓨팅 플랫폼에서의 공간분석이 갖는 효율성과 효과성은 다를 수 있음에도 불구하고 이에 관한 체계적인 연구는 아직까지 활발히 이루어지지 않고 있다. 이에 따라 본 연구에서는 일반적으로 많이 사용되는 공간통계 기법인 모란지수와 지리가중회귀분석을 대표적인 공용 클라우드 컴퓨팅 플랫폼인 아마존 웹 서비스의 가상 서버와 로컬 컴퓨터에서 각각 수행한 후 데이터 크기에 따른 연산 속도 증가량과 분석에 소요되는 비용을 비교하였다.
클라우드 컴퓨팅 플랫폼과 로컬 컴퓨터에서의 분석 성능을 비교하기 위해 본 연구에서는 두 개의 EC2 인스턴스를 활용하였다. 표 2는 실험에 사용된 인스턴스와 로컬 컴퓨터의 기본적인 전산 자원을 나타내고 있다.

대상 데이터

이를 위해 아마존 웹 서비스(Amazon Web Services; AWS)에서 제공하는 가상 서버에 통계 프로그램 R을 설치하여 대표적인 공간통계 기법인 모란지수와 지리가중회귀분석을 수행하고, 연산에 걸린 시간을 일반적인 로컬 컴퓨터에서의 결과와 비교할 것이다. 분석에 사용한데이터는 n개의 점으로 구성된 가상의 포인트 데이터이며, 점의 수를 단계적으로 증가시켜 데이터 크기와 연산 속도 간의 관계를 알아본다. 분석에는 CPU의 코어 수와 메모리 용량이 다르게 구성된 두 개의 가상 서버(인스턴스 유형)를 활용하며, 각 서버에서 도출된 연산 결과를 비교함으로써 공간분석에 상대적으로 영향을 크게 미치는 전산 자원을 추가적으로 확인할 수 있을 것이다.
비교 분석에 사용된 데이터는 300개에서 600개의 점으로 구성된 포인트 데이터이다. 점의 위치와 속성값은 모두 0에서 10,000 사이의 값을 갖는 균일 난수로 설정하였으며, 이렇게 생성된 가상의 데이터에 모란지수와 지리가중회귀분석을 각각 30번씩 수행하여 평균 소요시간을 산출하였다.

데이터처리

이를 위해 아마존 웹 서비스(Amazon Web Services; AWS)에서 제공하는 가상 서버에 통계 프로그램 R을 설치하여 대표적인 공간통계 기법인 모란지수와 지리가중회귀분석을 수행하고, 연산에 걸린 시간을 일반적인 로컬 컴퓨터에서의 결과와 비교할 것이다. 분석에 사용한데이터는 n개의 점으로 구성된 가상의 포인트 데이터이며, 점의 수를 단계적으로 증가시켜 데이터 크기와 연산 속도 간의 관계를 알아본다.
비교 분석에 사용된 데이터는 300개에서 600개의 점으로 구성된 포인트 데이터이다. 점의 위치와 속성값은 모두 0에서 10,000 사이의 값을 갖는 균일 난수로 설정하였으며, 이렇게 생성된 가상의 데이터에 모란지수와 지리가중회귀분석을 각각 30번씩 수행하여 평균 소요시간을 산출하였다. 모란지수와 각 회귀계수의 통계적 유의성 검증을 위한 몬테카를로 시뮬레이션은 로컬 컴퓨터와 가상 서버 인스턴스 모두 동일하게 999번 시행하였다.

성능/효과

모란지수와 지리가중회귀분석의 연산 속도에 관한 실험 결과는 다음의 표 3과 같다. 300개의 점으로 구성된 공간데이터의 경우, 단일 코어만을 활용했을 때에는 중앙처리장치의 클록수가 높은 로컬 컴퓨터에서 가장 소요시간이 짧았으나 병렬 연산이 가능하도록 함수를 수정한 이후에는 코어 수에 비례해 연산 속도가 증가함을 알 수 있었다. 모란지수의 경우 코어가 세 개인 로컬 컴퓨터에서는 약 0.
표에서 (A)는 해당 성능의 로컬컴퓨터를 구축하였을 때의 비용이며 (B)는 동일한 성능의 인스턴스를 한 시간 동안 사용하는 비용에 해당한다. 가용 시간은 클라우드 인스턴스와 같은 성능의 로컬 컴퓨터를 구축하는 비용으로 해당 인스턴스를 사용할 수 있는 시간을 의미하는데, 인스턴스의 성능이 높을수록 클라우드 컴퓨팅 플랫폼의 경제적 효용성이 더 높음을 확인할 수 있다.
표3을 통해 알 수 있듯, 병렬 연산을 수행했을 때 코어 수가 미치는 영향은 클록 성능으로 인한 차이보다 크게 나타났고 코어가 증가함에 따라 분석에 걸리는 시간은 감소하였다. 그러나 모란 지수와 비교했을 때 인스턴스 유형 간 기울기차이는 상대적으로 적은 반면(표 4), 로컬 컴퓨터와 클라우드 컴퓨팅 플랫폼에서의 연산 소요 시간은 크게 차이가 났는데, 이것은 지리가중회귀분석을 수행하기 위해 사용한 함수가 클록 성능보다 코어 수에 더 크게 영향을 받고 있음을 시사한다.
데이터 수집 기술의 발달과 대용량의 공간데이터 처리, 가공 기술의 발전은 공간분석에 사용할 수 있는 데이터의 양적 증가를 이끌었다. 클라우드 컴퓨팅 플랫폼에서는 데이터 크기나 연산의 복잡도에 따라 전산 자원을 탄력적으로 재구성할 수 있기 때문에, 병렬 연산을 통해 대용량의 공간데이터도 효과적인 처리가 가능하다(Yang et al.
5118초밖에 소요되지 않았다. 로컬 컴퓨터와 유형 I 인스턴스는 클록 수가 다르기 때문에 직접적인 비교가 어렵지만, 클록 수가 같은 유형 I 인스턴스와 유형 II 인스턴스를 비교하면 코어의 수가 4배 증가함에 따라 연산 소요시간이 3분의 2 정도로 감소하는 것을 확인할 수 있다.
분석 결과를 종합했을 때, 모란지수와 지리가중회귀분석 같은 공간통계 기법은 병렬 연산을 사용해 효율적인 수행이 가능하며 클록 자체의 성능보다 코어의 수가 연산 속도에 크게 영향을 미침을 알 수 있다. 코어 수에 따른 연산 소요 시간의 차이가 데이터 크기와 비례하는 추세를 보였기 때문에(그림 2), 코어의 수가 많은 고사양의 전산 자원에 기반한 병렬 연산은 최근 급증하는 대용량의 공간데이터를 분석하는데 특히 효과적일 수 있을 것이다.
점의 개수가 400개일 때는 유형 II 인스턴스에서의 모란지수 연산 시간이 유형 I 인스턴스 대비 약 59% 정도이나, 점의 개수가 500개, 600개로 증가함에 따라 연산 소요시간은 각각 52%, 49%로 감소했다. 실제 데이터 크기와 연산 소요시간 간의 관계를 선형회귀분석을 통해 살펴보면, 유형 II 인스턴스의 회귀계수는 0.0017로 유형 I 인스턴스의 3분의 1 정도에 불과하며(표 4), 그림2를 통해서도 유형 II 인스턴스에서 데이터 크기에 따른 연산 소요시간의 증가 추세가 훨씬 완만함을 알 수 있다.
그러나 본 연구에서는 무작위로 분포된 임의의 포인트 데이터를 활용하여 분석을 수행했으며, 몬테카를로 시뮬레이션의 원활한 실행을 위해 데이터의 규모 또한 일정 정도로 제한할 수밖에 없었다. 실험에 사용된 데이터 규모 내에서는 데이터의 크기와 연산 속도 간 뚜렷한 선형 관계가 나타났고, 이를 토대로 대용량 공간데이터의 가공과 분석에 클라우드 컴퓨팅 플랫폼이 효율적이라는 결론을 도출하였으나 데이터의 크기가 실험 범위 이상으로 커질 경우 이와 같은 관계가 유효하지 않을 수도 있다. 또한, 로컬 컴퓨터와 클라우드가 장치의 성능이라는 관점에서 정확히 동일한 조건에서 이루어지지는 않았기 때문에, 환경 특성에 따른 성능 차이를 보여주지 못하였다는 한계를 갖는다.
특히 데이터 크기에 따른 연산 시간의 증가 정도를 살펴보았을 때, 데이터의 규모가 클수록 클라우드 컴퓨팅 플랫폼이 로컬 컴퓨터와 비교하여 상대적으로 높은 효율성을 보여주었다. 실험에 사용된 데이터는 실제 대규모 데이터라고 할 수는 없지만, 연산 시간에 대한 회귀분석을 통해 공간데이터의 크기가 클수록 클라우드 기반의 분석이 효과적일 수 있음을 확인했다.
앞서 살펴본 바와 같이 시뮬레이션을 통해 생성된 가상의 데이터를 사용해 실험한 결과, 중앙처리장치의 클록 수가 높은 로컬 컴퓨터와 비교하여 병렬 연산에 적합한 환경을 갖춘 공용클라우드 컴퓨팅 플랫폼에서 보다 효율적인 연산이 가능함을 알 수 있었다. 특히 데이터 크기에 따른 연산 시간의 증가 정도를 살펴보았을 때, 데이터의 규모가 클수록 클라우드 컴퓨팅 플랫폼이 로컬 컴퓨터와 비교하여 상대적으로 높은 효율성을 보여주었다.
앞서 실험에서는 로컬 컴퓨터와 클라우드 컴퓨팅 플랫폼에서의 연산 시간을 비교하고, 그 결과를 바탕으로 데이터 크기가 클수록 코어의 수가 많은 가상 서버 인스턴스에서 분석을 수행하는 것이 효율적임을 밝혔다. 물론 로컬 컴퓨터도 실험에서의 유형 II 인스턴스와 동일한 하드웨어로 구성한다면, 연산 소요시간 역시 동일하게, 혹은 그 이상으로, 단축될 수 있을 것이다.
코어 수에 따른 연산 소요시간의 감소 효과는 데이터의 크기에 비례해 증가했다. 점의 개수가 400개일 때는 유형 II 인스턴스에서의 모란지수 연산 시간이 유형 I 인스턴스 대비 약 59% 정도이나, 점의 개수가 500개, 600개로 증가함에 따라 연산 소요시간은 각각 52%, 49%로 감소했다. 실제 데이터 크기와 연산 소요시간 간의 관계를 선형회귀분석을 통해 살펴보면, 유형 II 인스턴스의 회귀계수는 0.
앞서 살펴본 바와 같이 시뮬레이션을 통해 생성된 가상의 데이터를 사용해 실험한 결과, 중앙처리장치의 클록 수가 높은 로컬 컴퓨터와 비교하여 병렬 연산에 적합한 환경을 갖춘 공용클라우드 컴퓨팅 플랫폼에서 보다 효율적인 연산이 가능함을 알 수 있었다. 특히 데이터 크기에 따른 연산 시간의 증가 정도를 살펴보았을 때, 데이터의 규모가 클수록 클라우드 컴퓨팅 플랫폼이 로컬 컴퓨터와 비교하여 상대적으로 높은 효율성을 보여주었다. 실험에 사용된 데이터는 실제 대규모 데이터라고 할 수는 없지만, 연산 시간에 대한 회귀분석을 통해 공간데이터의 크기가 클수록 클라우드 기반의 분석이 효과적일 수 있음을 확인했다.
이와 같은 패턴은 지리가중회귀분석의 수행 결과에서도 전반적으로 유사하게 나타났다. 표3을 통해 알 수 있듯, 병렬 연산을 수행했을 때 코어 수가 미치는 영향은 클록 성능으로 인한 차이보다 크게 나타났고 코어가 증가함에 따라 분석에 걸리는 시간은 감소하였다. 그러나 모란 지수와 비교했을 때 인스턴스 유형 간 기울기차이는 상대적으로 적은 반면(표 4), 로컬 컴퓨터와 클라우드 컴퓨팅 플랫폼에서의 연산 소요 시간은 크게 차이가 났는데, 이것은 지리가중회귀분석을 수행하기 위해 사용한 함수가 클록 성능보다 코어 수에 더 크게 영향을 받고 있음을 시사한다.

후속연구

본 연구의 가장 큰 의의는 실험을 통해 클라우드 컴퓨팅 플랫폼에서의 공간분석이 갖는 효율성과 효과성을 실증적으로 밝혔다는 점일 것이다. 그러나 본 연구에서는 무작위로 분포된 임의의 포인트 데이터를 활용하여 분석을 수행했으며, 몬테카를로 시뮬레이션의 원활한 실행을 위해 데이터의 규모 또한 일정 정도로 제한할 수밖에 없었다. 실험에 사용된 데이터 규모 내에서는 데이터의 크기와 연산 속도 간 뚜렷한 선형 관계가 나타났고, 이를 토대로 대용량 공간데이터의 가공과 분석에 클라우드 컴퓨팅 플랫폼이 효율적이라는 결론을 도출하였으나 데이터의 크기가 실험 범위 이상으로 커질 경우 이와 같은 관계가 유효하지 않을 수도 있다.
그러나 매우 높은 성능의 전산 자원을 필요로 하는 대규모 분석이 상시로 이루어지는 것이 아니라면 공용 클라우드 컴퓨팅 서비스의 활용은 경제적인 측면에서도 유리하다. 높은 성능의 전산 자원을 직접 구축하는 데에는 상당한 비용이 소요되나, 실제 이를 모두 필요로 하는 분석은 일시적인 경우가 많고, 향후 더 높은 성능을 요구하는 분석이 발생한다면 이는 추가적인 지출로 이어지게 된다. 반면 일반적으로 클라우드 컴퓨팅 플랫폼에서는 하드웨어의 성능과 각 구성 요소의 사용 여부를 탄력적으로 조정할 수 있기 때문에, 대규모의 분석이 지속적으로 이루어지는 경우를 제외하면 상대적으로 비용을 절감할 수 있다.
이어서 본 연구의 실험 방법과 연산 속도의 비교 분석에 사용된 공간통계 기법에 관해 설명한다. 다음으로는 실험 결과를 통해 클라우드 컴퓨팅 플랫폼에서 공간데이터 분석의 효율성을 확인하고, 경제성과 안정성 측면에서 클라우드 컴퓨팅이 갖는 장점에 대해 논할 것이다. 결론에서는 실험을 통해 도출된 결과를 다시 정리하고, 본 연구의 한계점과 향후 연구 방향에 대해 논의한다.
이와 같은 연구의 한계를 보완하기 위해서는 가상의 포인트 데이터에 국한되지 않은, 다양한 공간 빅데이터를 사용한 후속 연구가 필요하며, 동일한성능을 가진 장치 간의 연산 속도 차이를 비교하는 후속 연구 역시 필요하다. 덧붙여 본 연구에서는 비교적 단순한 형태의 병렬 연산인 처치 곤란 병렬 방식 연산을 사용하였는데, 공간데이터의 분석에 있어서 연산량을 기하급수적으로 증가시키는 공간 연산 특성에 대하여 거리 가중치 및 데이터 행렬 관계에 새로운 방식의 병렬연산을 접목했을 때 나타날 수 있는 효율성 향상 효과에 관해서도 추후 연구를 통해 검증해야 할 것이다.
분석에 사용한데이터는 n개의 점으로 구성된 가상의 포인트 데이터이며, 점의 수를 단계적으로 증가시켜 데이터 크기와 연산 속도 간의 관계를 알아본다. 분석에는 CPU의 코어 수와 메모리 용량이 다르게 구성된 두 개의 가상 서버(인스턴스 유형)를 활용하며, 각 서버에서 도출된 연산 결과를 비교함으로써 공간분석에 상대적으로 영향을 크게 미치는 전산 자원을 추가적으로 확인할 수 있을 것이다.
또한, 로컬 컴퓨터와 클라우드가 장치의 성능이라는 관점에서 정확히 동일한 조건에서 이루어지지는 않았기 때문에, 환경 특성에 따른 성능 차이를 보여주지 못하였다는 한계를 갖는다. 이와 같은 연구의 한계를 보완하기 위해서는 가상의 포인트 데이터에 국한되지 않은, 다양한 공간 빅데이터를 사용한 후속 연구가 필요하며, 동일한성능을 가진 장치 간의 연산 속도 차이를 비교하는 후속 연구 역시 필요하다. 덧붙여 본 연구에서는 비교적 단순한 형태의 병렬 연산인 처치 곤란 병렬 방식 연산을 사용하였는데, 공간데이터의 분석에 있어서 연산량을 기하급수적으로 증가시키는 공간 연산 특성에 대하여 거리 가중치 및 데이터 행렬 관계에 새로운 방식의 병렬연산을 접목했을 때 나타날 수 있는 효율성 향상 효과에 관해서도 추후 연구를 통해 검증해야 할 것이다.
물론 로컬 컴퓨터도 실험에서의 유형 II 인스턴스와 동일한 하드웨어로 구성한다면, 연산 소요시간 역시 동일하게, 혹은 그 이상으로, 단축될 수 있을 것이다. 하지만 높은 성능의 전산 환경을 별도로 구축하는 데에는 상당한 경제적 비용이 소요되며, 향후 더 높은 성능을 필요로 하는 분석이 발생한다면 이는 추가적인 지출로 이어지게 된다. 반면 일반적으로 클라우드 컴퓨팅 플랫폼에서는 작업 규모에 따라 하드웨어의 성능과 각 구성요소의 사용 여부 등을 탄력적으로 조정할 수 있고, 인스턴스를 사용한 시간에 대해서만 과금되기 때문에 많은 경우에는 비용을 낮출 수 있다(Garfinkel, 2007).

질의응답

핵심어	질문	논문에서 추출한 답변
	국지적 통계기법에는 어떤 것들이 있는가?	공간분석에 사용되는 데이터 규모에 비례한 연산량의 증가는 컴퓨팅 측면에서 여러 가지 어려움을 수반하게 된다. 특히 국지적 모란지수(Local Moran’s I)나 지리가중회귀분석(Geographically Weighted Regression; GWR)과 같은 국지적 통계기법은 각 공간 단위에서 반복적으로 연산을 수행해야 하므로 높은 수준의 알고리즘 최적화와 많은 전산 자원을 필요로 한다. 그러나 일반적으로 사용되는 많은 GIS 프로그램에서는 한 번에 처리 가능한 데이터의 규모가 일정 이하로 제한되는 경우가 많고(Zhang, 2016), 따라서 대용량 공간데이터의 효율적인 분석과 활용을 위해서는 새로운 접근법을 모색하는 것이 필요하다(Kitchin, 2013).
	병렬연산이란 무엇인가?	(2011)는 특히 대규모의 병렬 연산(parallel computing)이 필요할 때 클라우드컴퓨팅의 작업 환경이 유용하다고 밝혔다. 병렬연산은 데이터 또는 연산과정에서 반복적으로 계산이 필요한 부분을 분리하고 이를 여러 개의 전산 자원이 동시에 나누어 수행하는 기술을 말하는데(Quinn, 1987), 독립적인 연산이 가능한 자원이 많을수록 효율이 높아진다. 일반적으로 공용 클라우드 컴퓨팅 플랫폼에서는 매우 많은 수의 가상 서버를 동시에 운용할 수 있으므로 대용량 데이터를 분산시켜 병렬로 연산하는 것이 상대적으로 수월하며, 따라서 최근의 많은 연구에서는 클라우드 컴퓨팅과 병렬 연산을 접목하여 대용량 공간데이터 분석 과정에서 발생하는 특정한 문제점을 해결하고자 시도하였다(Healey et al.
	클라우드 컴퓨팅은 어떤 방식으로 관련 비용을 절감할 수 있는가?	클라우드 컴퓨팅을 활용한다면 기존의 슈퍼컴퓨터 기반 분석의 단점으로 꼽히는 막대한 시설 구축 비용과 유휴 자원에 의한 낭비를 최소화할 수 있다. 즉, 빅데이터 분석에 요구되는 방대한 연산을 위해 고성능의 하드웨어를 직접 구축하지 않고 필요할 때에만 자원을 임대해서 사용함으로써 관련 비용을 절감할 수 있는 것이다. 또한, 전산 자원의 유지와 보수, 관리를 서비스 제공자에게 맡기고, 사용자는 안정된 환경에서 분석에만 집중할 수 있다는 장점이 있다(Choi and Noh, 2011).

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증