[논문]관계형데이터를 이용한 그래프 데이터베이스의 모델별 구조 분석과 쿼리 성능 비교 연구

배석민; 김진형; 유재민; 양성열; 정재진

doi:10.9717/kmms.2019.22.9.1036

Abstract ▼ AI-Helper

Relational databases have a notion of normalization, in which the model for storing data is standardized according to the organization's business processes or data operations. However, the graph database is relatively early in this standardization and has a high degree of freedom in modeling. Theref...

Relational databases have a notion of normalization, in which the model for storing data is standardized according to the organization's business processes or data operations. However, the graph database is relatively early in this standardization and has a high degree of freedom in modeling. Therefore various models can be created with the same data, depending on the database designers. The essences of the graph database are two aspects. First, the graph database allows accessing relationships between the objects semantically. Second, it makes relationships between entities as important as individual data. Thus increasing the degree of freedom in modeling and providing the modeling developers with a more creative system. This paper introduces different graph models with test data. It compares the query performances by the results of response speeds to the query executions per graph model to find out how the efficiency of each model can be maximized.

주제어

표/그림 (9)

그림 Fig. 1. Arango’s performance test. (a) Result chart. (b) Result table.
그림 Fig. 2. Hongchaen Huang’s performance test.
그림 Fig. 3. Neo4j’s graph model (a)Graph database ERD. (b)Graph model.
그림 Fig. 4. AgensGraph’s graph model (a)Graph model. (b)Relationship database ERD.
그림 Fig. 5. Lance Gutteridge’s graph model (a) Real world data. (b) Graph model.
그림 Fig. 6. Northwind data sample.
표 Table 1. Environment configuration
표 Table 2. The queries for the performance test
표 Table 3. Performance test results per graph model

AI 본문요약
AI-Helper

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

문제 정의

그래프 모델링을 처음 접하는 데이터 설계자는 기존 모델링이 다양한 만큼 오히려 어떤 모델을 사용해야 할지 혼돈이 생길 수 있다. 본 논문에서는 다수의 그래프 모델의 쿼리 성능을 비교하고 결과를 제공함으로써 그래프 모델에 따른 쿼리 실행에 대한 응답 속도의 차이를 통해 각 모델의 효율성이 얼마나 극대화 되었는지를 알아보고자 한다.
실험은 정확성을 위하여 모든 쿼리를 20번씩 측정하여 평균값을 산출하였다. 이 연구의 결과는 그래프 모델링 기법에 효율성을 높이고 운영 목적에 적합한 모델링을 선택하는 것에 안내를 마련하고자 한다.

제안 방법

각각의 모델은 northwind 데이터 세트를 해당 모델에 맞게 마이그레이션 하여 테스트를 진행하였다. 실험의 정확성을 위해 모든 쿼리는 20번씩 측정하여 평균값을 산출하였으며, 측정 결과 값은 소숫점 3자리에서 반올림하였다.
2 성능 측정에 사용할 쿼리 Table 2는 본 논문에서 각 모델별 성능을 측정할 쿼리 목록이다. 모델에 따라 정점, 간선, 속성의 구조가 최대한 다른 형태를 띌 수 있는 쿼리를 사용하였다. 단, Query 3은 모델이 바뀌어도 같은 쿼리를 사용할 수 있는데 이는 성능 측정 시 타 쿼리와 결과를 비교하기 위함이다.
[12] 그래프 데이터베이스는 자료구조의 그래프를 이용한 데이터베이스로 객체간의 관계인 고도로 연결된 데이터를 다루는데 가장 적합하다. 본 논문에서는 그래프 데이터 모델의 다양한 구조를 간선에 의미를 부여하여 레이블로 처리하였다. 더 나아가면 간선에 속성을 부여함으로써 객체간의 중요도나 관계 정보 등을 저장할 수 있다.
성능 측정에 쓰인 데이터 세트는 Northwind로 데이터베이스에서 가장 많이 사용되는 샘플 데이터 세트를 각각의 모델에 맞게 마이그레이션 하였다. 실험은 정확성을 위하여 모든 쿼리를 20번씩 측정하여 평균값을 산출하였다. 이 연구의 결과는 그래프 모델링 기법에 효율성을 높이고 운영 목적에 적합한 모델링을 선택하는 것에 안내를 마련하고자 한다.
또한, Neo4j가 독립형 모드보다 임베디드 모드에서 실행될 때 쿼리 성능이 높음을 보여준다. 이 논문 마지막에서는 데이터 크기, 관계의 복잡성 및 쿼리 안정도 등 다양한 쿼리 방법의 성능을 평가하고 분석했다. Fig.

대상 데이터

성능 측정에 쓰인 데이터 세트는 Northwind로 데이터베이스에서 가장 많이 사용되는 샘플 데이터 세트를 각각의 모델에 맞게 마이그레이션 하였다. 실험은 정확성을 위하여 모든 쿼리를 20번씩 측정하여 평균값을 산출하였다.
Northwind는 Microsoft에서 제공하는 샘플 데이터 세트로 가상의 상거래 업체의 비즈니스를 모델링하였다. 세계적으로 특정 물품을 수출입하는 기업을 가상으로 모델링하여 제작되었다. 따라서 제품의 공급자를 통하여 제품을 공급받고 이를 전 세계의 고객들에게서 주문을 받아 판매하는 데이터가 탑재되어 있다.
테스트 데이터베이스는 ArangoDB, MongoDB, Neo4j이며, 테스트 데이터는 슬로바키아의 소셜 네트워크 스냅 샷이며 Stanford University SNAP 컬렉션에서 제공한다. 해당 데이터는 사람들을 묘사하는 1632803개의 정점과 그들의 관계를 묘사하는 30622622개의 간선을 포함한다.
테스트 데이터베이스는 ArangoDB, MongoDB, Neo4j이며, 테스트 데이터는 슬로바키아의 소셜 네트워크 스냅 샷이며 Stanford University SNAP 컬렉션에서 제공한다. 해당 데이터는 사람들을 묘사하는 1632803개의 정점과 그들의 관계를 묘사하는 30622622개의 간선을 포함한다. 테스트를 위해 워크로드를 처음부터 5회 실행하여 결과를 평균화 하였다.

데이터처리

각각의 모델은 northwind 데이터 세트를 해당 모델에 맞게 마이그레이션 하여 테스트를 진행하였다. 실험의 정확성을 위해 모든 쿼리는 20번씩 측정하여 평균값을 산출하였으며, 측정 결과 값은 소숫점 3자리에서 반올림하였다.
해당 데이터는 사람들을 묘사하는 1632803개의 정점과 그들의 관계를 묘사하는 30622622개의 간선을 포함한다. 테스트를 위해 워크로드를 처음부터 5회 실행하여 결과를 평균화 하였다. Fig.

성능/효과

데이터베이스의 용량은 Model A가 가장 적게 사용하였고, 평균 쿼리 처리 성능 또한 Model A가 가장 우수한 것으로 나타났다. 성능만을 고려한다면 그래프 스키마를 최대한 단순화 시킨 Modela A를 선택하는 것이 맞지만, 그래프 모델링 구조상 엣지를 선택하여 다양한 쿼리를 만들어내는 것은 어렵다.
그리고 그래프 모델이 관계형 모델보다 우수함을 보여준다. 또한, Neo4j가 독립형 모드보다 임베디드 모드에서 실행될 때 쿼리 성능이 높음을 보여준다. 이 논문 마지막에서는 데이터 크기, 관계의 복잡성 및 쿼리 안정도 등 다양한 쿼리 방법의 성능을 평가하고 분석했다.
둘째, 그래프 모델링을 단순화 할 경우 평균 쿼리 처리 성능은 빨라지지만 사용 가능한 쿼리의 제한이 생기고 그에 따라 세밀한 분석이 어려워진다. 셋째, 관계형 데이터를 업무적 관점에서 그래프 모델로 재구성할 경우 평균 쿼리 처리 성능도 우수하며, 그래프 모델링에 익숙하지 않은 데이터 설계자도 빠른 학습 곡선으로 쿼리를 이용하는 것이 가능하다. 그래프 모델링은 실제 결과에 필요한 업무를 분석하고 해당 데이터를 그에 맞게 구조화하는 것이 바람직하다.
각 Model의 분석 결과는 그래프 모델링에 익숙하지 않은 데이터 설계자에게 중요한 메시지를 준다. 첫째, 그래프 모델링을 세부화 할 경우 평균 쿼리 처리 성능은 느려지지만 다양한 정점과 간선에 다수의 매개변수로 쿼리가 가능하여 복잡한 연결 관계의 분석이 가능하다. 둘째, 그래프 모델링을 단순화 할 경우 평균 쿼리 처리 성능은 빨라지지만 사용 가능한 쿼리의 제한이 생기고 그에 따라 세밀한 분석이 어려워진다.

후속연구

하지만, 그래프 모델을 가장 적합하게 사용하려면 수직적 깊이가 있는 데이터 모델링이 적합하다. 추후 데이터 확장이 용이하고 다양한 매개변수를 이용하여 쿼리가 가능한 반면, 쿼리 속도와는 교환이 생길 수 밖에 없다. 정점을 정규화하여 분리했을 때 단순히 수직적 깊이만 생기는 것이 아닌 온톨로지적 접근을 통해 추론이 가능하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	그래프 데이터베이스의 구성과 데이터 조직 방식은?	그래프 데이터베이스는 정점과 간선의 집합으로 이루어지며, 경로 탐색 중심으로 데이터를 조직한다. 그래프는 개체를 정점으로 나타내며 이러한 개체들간의 관계를 실제 세계와 직접적으로 관련된 방식으로 나타낸다.
	그래프 모델은 수직적 깊이가 있는 데이터 모델링에 적합하다. 이러한 모델링은 쿼리 속도와는 교환이 생길 수 밖에 없는데, 이러한 성능상의 단점을 넘어서는 장점은?	온톨로지는 다른 데이터베이스에서 묘사할 수 없는 구조이다. 간선 자체에 의미를 부여함으로써 향후에 추론의 방법론을 도입할 수 있다는 것은, 성능상의 단점을 넘어서는 장점을 가져갈 수 있다.
	관계형 데이터베이스의 정규화 목적은?	관계형 데이터베이스의 정규화 목적은 데이터베이스 내에 이상이 있는 관계를 재구성함으로써 데이터가 불일치되는 위험을 최소화하여 바람직한 구조로 만들어 가는데 있다. 제1 정규형에서 제5 정규형을 거치면서 데이터베이스 내의 단일 테이블은 수많은 작은 테이블로 분할되어 어떤 구조로 데이터를 저장하는가에 대한 구조화를 갖춘다.

참고문헌 (12)

I. Robinson, J. Webber, and E. Eifrem, Graph Databases: New Opportunities for Connected Data, O'Reilly Media, Sebastopol, CA, 2015.
Database Normalization Basics Explained, https://support.microsoft.com/ko-kr/help/283878/description-of-the-database-normalizationbasics (accessed August 1, 2019).
M. Buerli, The Current State of Graph Databases, Department of Computer Science Calpoly San Luis Obispo, 2012.
B.S. Min, "Visualization of BlockChain Data Structure based on Graph Database," Proceedings of Symposium of the Korean Institute of communications and Information Sciences, pp. 480-482, 2018.
About Graph Database, https://aws.amazon.com/ko/nosql/graph (accessed August 1, 2019).
Native Multi-model Can Compete with Pure Document and Graph Databases, https://www.arangodb.com/2015/06/multi-modelbenchmark (accessed August 1, 2019).
H. Huang and Z. Dong, Research on Architecture and Query Performance based on Distributed Graph Database Neo4j, IEEE, 10.1109/CECNet.2013.6703387, 2014
Graph Modeling Guidelines, https://neo4j.com/developer/guide-data-modeling (accessed August 1, 2019).
Import, Query, and Modify Graph Data, https://bitnine.net/tutorial/tutorial_kor.html (accessed August 1, 2019).
The Contextual Graph Database of Forms, https://codeburst.io/contextual-database-offorms-3349364b46d5 (accessed August 1, 2019).
Northwind Traders Relational Data Sample, https://powerapps.microsoft.com/ko-kr/blog/northwind-traders-relational-data-sample (accessed August 1, 2019).
M. Lee, H. Yong, and W. Lee, "A Technique of Converting CXQuery to XQuery for XML Databases" Journal of Korea Multimedia Society, Vol. 10, No. 3, pp. 289-302, 2007.

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

관계형데이터를 이용한 그래프 데이터베이스의 모델별 구조 분석과 쿼리 성능 비교 연구
Structural Analysis and Performance Test of Graph Databases using Relational Data 원문보기

Abstract ▼ AI-Helper

주제어

표/그림 (9)

표/그림 (9)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

후속연구

질의응답

참고문헌 (12)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

관계형데이터를 이용한 그래프 데이터베이스의 모델별 구조 분석과 쿼리 성능 비교 연구 Structural Analysis and Performance Test of Graph Databases using Relational Data 원문보기

Abstract ▼ AI-Helper

주제어

표/그림 (9) 모든 표/그림 보기

표/그림 (9) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

후속연구

질의응답

참고문헌 (12)

이 논문을 인용한 문헌

저자의 다른 논문 :

정재진 (18)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

관계형데이터를 이용한 그래프 데이터베이스의 모델별 구조 분석과 쿼리 성능 비교 연구
Structural Analysis and Performance Test of Graph Databases using Relational Data 원문보기

표/그림 (9)

표/그림 (9)

AI 본문요약
AI-Helper