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.
문제 정의
- 본 논문에서는 RDBMS와 NoSQL를 이용한 HL7 FHIR 기반의 의료 데이터에 대해 비교 분석하였다. 데이터베이스는 RDBMS에서 MySQL을, NoSQL에서 사용하였고, 성능 분석은 YCSB라는 벤치마크 툴을 이용하여 진행했다.
- 본 논문에서는 의료 데이터에 대해 의료 기관 별 데이터 표현 방법의 차이를 극복하고 효과적인 의료 데이터 교환 플랫폼을 구축하기 위해 HL7 FHIR의환자 의료 데이터 표준을 이용해 RDBMS와 NoSQL 간의 성능 분석을 진행했다. 성능 비교 분석은 Yahoo의 YCSB(Yahoo Cloud Serving Benchmark)라는 데이터베이스 벤치마크 툴을 사용하였고, 실험의 결과로 MySQL과 MongoDB 간의 성능 차이는 Mongo DB가 MySQL에 비해서 대량의 데이터의 처리에 있어서 더 우수한 성능을 보이는 것을 확인했다.
제안 방법
- 데이터에 대해서 CRUD 중 Read를 비교하기 위해 Read only workload인 workload C를 사용하여 의료 데이터의 수를 500, 1000, 5000, 10000, 100000 개까지 늘리며 실험을 진행하였다. C 타입의 workload는 Read 100%의 연산을 진행하고 그 결과를 Runtime, Through-out, AverageLatency를 기준으로 각각 도식화했다. Runtime은 테스트하는 workload의 실행 시간, Through-out은 초당 명령어 처리 시간(Operation per second), AverageLatency는 평균 지연 시간을 뜻한다.
- HL7 FHIR에는 다양한 의료 데이터에 대한 포맷들이 존재한다. 그 중에서 이번 실험에서는 환자 (Patient) 표준을 참조하여 데이터 구조를 제작했다. RDBMS의 스키마는 Table 1과 같은 형태를 가진다.
- 의료 데이터에 대해 앞에서 언급했듯이 HL7 FHIR의 환자 데이터 표준을 참고하여 데이터를 구성하였고 데이터는 임의의 랜덤 값으로 저장했다. 데이터에 대해서 CRUD 중 Read를 비교하기 위해 Read only workload인 workload C를 사용하여 의료 데이터의 수를 500, 1000, 5000, 10000, 100000 개까지 늘리며 실험을 진행하였다. C 타입의 workload는 Read 100%의 연산을 진행하고 그 결과를 Runtime, Through-out, AverageLatency를 기준으로 각각 도식화했다.
- 전반적인 디스크 I/O 요구 사항과 디스크에서 로드해야 하는 데이터의 양을 획기적으로 줄이기 위해서 데이터베 이스 테이블에서는 열 기반 스토리지가 분석 쿼리 성능에 중요한 요소가 된다. 두 번째로 문서(Document) 데이터베이스는 JSON, XML 형식의 문서와 같은 반정형 데이터를 저장하도록 설계되었다. 기존 관계형 데이터베이스와는 달리, NoSQL 문서에 따라 다른 스키마를 적용할 수 있어서 더 유연하게 데이터를 구성 및 저장하고 선택적 값에 필요한 스토리지를 줄일 수 있다.
- RDBMS의 특징은 SQL(Structured Query Language)이라는 언어를 사용하여 데이터를 다룰 수 있으며, 직관적인 문법을 사용한다. 또한, 데이터를 속성 (Attribute)와 값(Value) 사이에서 관계를 찾아내고 테이블 모양으로 도식화하는 구조화를 한다. RDBMS는 처음 데이터베이스를 만든 후, 관련 프로그램의 변형 없이 새로운 데이터 항목을 데이터베이스에 추가하는 것이 가능하다.
- 또한 스키마가 없는 비정형화된 데이터 모델에 최적화되어있다. 마지막으로 저비용 하드웨어의 분산 클러스터를 사용하여 스케일 아웃 하도록 설계가 되었다.
- 성능 분석 실험을 위해 동일한 환경에서 데이터베이스를 구축하였다. 1대의 Ubuntu 16.
- 의료 데이터에 대해 앞에서 언급했듯이 HL7 FHIR의 환자 데이터 표준을 참고하여 데이터를 구성하였고 데이터는 임의의 랜덤 값으로 저장했다. 데이터에 대해서 CRUD 중 Read를 비교하기 위해 Read only workload인 workload C를 사용하여 의료 데이터의 수를 500, 1000, 5000, 10000, 100000 개까지 늘리며 실험을 진행하였다.
대상 데이터
- 성능 분석 실험을 위해 동일한 환경에서 데이터베이스를 구축하였다. 1대의 Ubuntu 16.04 운영체제의 컴퓨터에서 실험을 진행했으며 실험에 사용한 데이터베이스로는 RDBMS에서 MySQL, NoSQL에서 MongoDB를 사용하였다. 성능 분석은 앞장에서 말한 YCSB 툴을 이용하여 특정 워크로드를 실행하는 방식을 사용하였다.
- 데이터베이스는 RDBMS에서 MySQL을, NoSQL에서 사용하였고, 성능 분석은 YCSB라는 벤치마크 툴을 이용하여 진행했다. 실험에 대한 데이터로 환자 데이터를 RDBMS와 NoSQL의 스키마를 구성하고 랜덤 값으로 10만 개의 데이터를 입력했다. 그리고 Read-only 워크로드를 통해 기본 키 값에 의한 검색 쿼리를 진행 했고, 비교 분석한 결과 10만 개의 데이터를 기준으로 했을 때 실행 시간은 MySQL이 1만개의 데이터부터 급격히 증가하며 MongoDB와 2.
데이터처리
- 본 논문에서는 RDBMS와 NoSQL를 이용한 HL7 FHIR 기반의 의료 데이터에 대해 비교 분석하였다. 데이터베이스는 RDBMS에서 MySQL을, NoSQL에서 사용하였고, 성능 분석은 YCSB라는 벤치마크 툴을 이용하여 진행했다. 실험에 대한 데이터로 환자 데이터를 RDBMS와 NoSQL의 스키마를 구성하고 랜덤 값으로 10만 개의 데이터를 입력했다.
이론/모형
- 성능 분석 방법으로는 YCSB를 사용했다. YCSB는 Yahoo Cloud Serving Benchmark로 클라우드 서비스를 제공하는 데이터베이스의 성능을 평가하기 위한 벤치마크 프레임워크이다.
- 04 운영체제의 컴퓨터에서 실험을 진행했으며 실험에 사용한 데이터베이스로는 RDBMS에서 MySQL, NoSQL에서 MongoDB를 사용하였다. 성능 분석은 앞장에서 말한 YCSB 툴을 이용하여 특정 워크로드를 실행하는 방식을 사용하였다. 실험 환경에 대한 구조는 Table 3과 같다.
성능/효과
- Fig. 5의 (a) Runtime은 수치가 낮을수록 성능이 좋은 것을 나타내는데, 데이터 수가 적을 때는 비슷한 양상을 보이는 반면 데이터의 양이 커질수록 점점 격차가 벌어져 10만 개의 데이터에서 는 약 2.9배의 차이를 보였다. (b) Throughout는 초당 명령어 처리를 나타낸다.
- 5배의 차이를 보인다. 마지막으로 (c) AverageLatency는 평균 지연 시간으로 지연 시간이 낮을수록 성능의 우수함을 나타내는데, 둘 다 비슷한 추세로 감소를 하였지만, MongoDB에서의 평균 지연 시간이 더 짧으며, 10만 개의 데이터 기준 지연 시간은 MySQL과 약 2.9배의 차이를 보인다. Fig.
- 수치가 클수록 성능이 좋다는 것을 보여준다. MongoDB 같은 경우에 10만 개의 데이터에서 실험했을 때의 수치는 약간 감소하였지만, MySQL에 비해 초당 처리량이 크게 증가하였고, 가장 격차가 클 때는 약 4.5배의 차이를 보인다. 마지막으로 (c) AverageLatency는 평균 지연 시간으로 지연 시간이 낮을수록 성능의 우수함을 나타내는데, 둘 다 비슷한 추세로 감소를 하였지만, MongoDB에서의 평균 지연 시간이 더 짧으며, 10만 개의 데이터 기준 지연 시간은 MySQL과 약 2.
- 실험에 대한 데이터로 환자 데이터를 RDBMS와 NoSQL의 스키마를 구성하고 랜덤 값으로 10만 개의 데이터를 입력했다. 그리고 Read-only 워크로드를 통해 기본 키 값에 의한 검색 쿼리를 진행 했고, 비교 분석한 결과 10만 개의 데이터를 기준으로 했을 때 실행 시간은 MySQL이 1만개의 데이터부터 급격히 증가하며 MongoDB와 2.9배의 차이를 보였다. 초당 명령어 처리는 MongoDB 가 5천 개의 데이터부터 급격한 증가를 보이며 1만개의 데이터로 실험을 했을 때는 4.
- HL7에 의한 의료 기관의 변화는 서로 다른 시스템 간의 의료 데이터를 교류할 수 있게 되었으며, 모든 의료 데이터의 전산처리로 의료 데이터 활용성이 높아졌다. 또한 표준화된 의료 코드로 인터페이스 시스템 개발이 용이 해졌으며 체계적인 시스템 구성으로 시스템의 유지 보수가 용이해졌다.
- 5배의 차이를 보이며 명령어 처리의 우수함을 보였으나, 10만 개부터는 약간의 감소를 보이며 명령어 처리 속도가 일정 수준을 넘어가지 않는 것을 보여줬다. 마지막으로 평균 지연 시간은 MongoDB이 더 짧은 지연 시간을 갖고 있지만, 두 데이터베이스 모두 비슷하게 감소하는 추세를 보이며 차이가 크게 벌어지지 않는 것을 보여줬다. 하지만, RDBMS에서는 NoSQL에 비해 보다 복잡한 쿼리를 수행하는 것에 대해 유리하다는 이점이 있다.
- 본 논문에서는 의료 데이터에 대해 의료 기관 별 데이터 표현 방법의 차이를 극복하고 효과적인 의료 데이터 교환 플랫폼을 구축하기 위해 HL7 FHIR의환자 의료 데이터 표준을 이용해 RDBMS와 NoSQL 간의 성능 분석을 진행했다. 성능 비교 분석은 Yahoo의 YCSB(Yahoo Cloud Serving Benchmark)라는 데이터베이스 벤치마크 툴을 사용하였고, 실험의 결과로 MySQL과 MongoDB 간의 성능 차이는 Mongo DB가 MySQL에 비해서 대량의 데이터의 처리에 있어서 더 우수한 성능을 보이는 것을 확인했다.
- 기존 관계형 데이터베이스와는 달리, NoSQL 문서에 따라 다른 스키마를 적용할 수 있어서 더 유연하게 데이터를 구성 및 저장하고 선택적 값에 필요한 스토리지를 줄일 수 있다. 세 번째로 그래프(Graph) 데이터베이스는 간선이라고 부르는 방향 링크와 정점을 저장해서 NoSQL 데이터베이스에 구축된 데이터들과 관련된 속성을 가진다. 마지막으로 인 메모리 키-값 스토어(In-Memory Key-Value Store)는 읽기 중심의 혹은 컴퓨팅 집약적 워크로드에 최적화된 NoSQL 데이 터베이스이다.
- 9배의 차이를 보였다. 초당 명령어 처리는 MongoDB 가 5천 개의 데이터부터 급격한 증가를 보이며 1만개의 데이터로 실험을 했을 때는 4.5배의 차이를 보이며 명령어 처리의 우수함을 보였으나, 10만 개부터는 약간의 감소를 보이며 명령어 처리 속도가 일정 수준을 넘어가지 않는 것을 보여줬다. 마지막으로 평균 지연 시간은 MongoDB이 더 짧은 지연 시간을 갖고 있지만, 두 데이터베이스 모두 비슷하게 감소하는 추세를 보이며 차이가 크게 벌어지지 않는 것을 보여줬다.
후속연구
- 향후 진행할 연구 계획으로는 의료 데이터에 대해 NoSQL과 RDBMS 간의 효율적인 트랜잭션이 가능하게 하고, 효과적인 의료 데이터 리파지토리를 구축하는 연구를 진행할 예정이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.