$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

데이터베이스에서 유사도 질의 처리 비용 감소 방법
A Method of Reducing the Processing Cost of Similarity Queries in Databases 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.11 no.4, 2022년, pp.157 - 162  

김선경 (메가존클라우드(주) DB Architect) ,  박지수 (전주대학교 컴퓨터공학과) ,  손진곤 (한국방송통신대학교 컴퓨터과학과)

초록
AI-Helper 아이콘AI-Helper

오늘날 대부분의 데이터는 데이터베이스(database: DB)에 저장된다. 이러한 DB 환경에서 사용자는 자신이 원하는 데이터를 찾아줄 것을 DB에게 요청하게 된다. DB 질의 중 유사도 질의는 DB 사용자가 원하는 조건으로 유사도가 포함되어 있는 것을 말한다. 그러나 유사도 질의를 처리하기 위한 과정은 처리 레코드의 범위를 줄일 수 있는 색인을 이용하기 힘들어 테이블의 전체 레코드에 대해서 매번 유사도를 계산하는 비용이 높다. 본 논문은 이러한 문제점을 해결하기 위하여 경량 유사도 함수를 정의한다. 경량 유사도 함수는 유사도 함수에 비해 데이터를 여과하는 정확도는 떨어지지만 비용이 유사도 함수에 비하여 적게 소모되는 특징이 있다. 이러한 경량 유사도 함수의 특징을 이용하여 유사도 질의 처리 비용 감소 방법을 제시한다. 그리고 유클리드 거리 함수에 경량 유사도 함수로 체비쇼프 거리를 제시하고 기존의 유사도 함수를 이용하는 질의와 경량 유사도 함수를 이용하는 질의의 처리 비용을 비교한다. 그리고 실험을 통하여 유클리드 유사도에 대한 경량 유사도 함수로 체비쇼프 거리를 적용하였을 때 유사도 질의 처리 비용이 감소하는 것을 확인한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Today, most data is stored in a database (DB). In the DB environment, the users requests the DB to find the data they wants. Similarity Query has predicate that explained by a similarity. However, in the process of processing the similarity query, it is difficult to use an index that can reduce the ...

주제어

#유사도   #경량 유사도   #유사도 질의   #데이터베이스  

표/그림 (5)

참고문헌 (15)

  1. D. Reinsel, J. Gantz, and J. Rydning, "Data age 2025: The evolution of data to life-critical," International Data Corporation, Retrieved 2, 2017. 

  2. C. Shang and F. You "Data analytics and machine learning for smart process manufacturing: Recent advances and perspectives in the big data era," Engineering, Vol.5, Iss.6, pp.1010-1016, 2019. 

    상세보기 crossref

  3. T. Kim et al., "Similarity query support in big data management systems," Information System, Vol.88, pp.101455, 2020. 

    상세보기 crossref

  4. S. K. Vangipuram and R. Appusamy, "A survey on similarity measures and machine learning algorithms for classification and prediction," International Conference on Data Science, E-learning and Information Systems, pp.198-204, 2021. 

  5. D. Ryu and J. Baik, "A comparative study on similarity measure techniques for cross-project defect prediction," KIPS Transactions on Software and Data Engineering, Vol.7, No.6, pp.205-220, 2017. 

  6. J. Wang, H. T. Shen, J. Song, and J. Ji, "Hashing for similarity search: A survey," arXiv:1408.2927v1 [cs.DS], 2014. 

  7. J. S. Park, "A similarity join algorithm using a median as a filter", KIPS Transactions on Software and Data Engineering, Vol.4, No.2, pp.71-76, 2014. 

    원문보기 상세보기 crossref

  8. M. Chen, S. Mao, and Y. Liu, "Big data: A survey," Mobile Networks and Applications, Vol.19, No.2, pp.171-209, 2014. 

    상세보기 crossref

  9. P. M. B. Vitanyi, "Information distance in multiples," IEEE Transactions on Information Theory, Vol.57, No.4, pp.2451-2456, 2011. 

    상세보기 crossref

  10. S. H. Cha, "Compresive survey on distance/similarity measures between probability density functions," International Journal of Mathematical Models and Methods in Applied Sciences, Vol.1, No.4, pp.300-307, 2007. 

  11. J. A. O'Keefe, "The universal transverse mercator grid and projection," The Professional Geographer, Vol.4, Iss.5, pp.19-24, 1952. 

    상세보기 crossref

  12. elgw, Tests the speed of common mathematical operations [Internet], https://github.com/elgw/math_ops_speed, (down loaded 2021, Oct. 19). 

  13. Ministry of the Interior and Safety, Location Information Summary DB [Internet], https://www.juso.go.kr/addrlink/addressBuildDevNew.do?menugeodata, (downloaded 2021, Nov. 14). 

  14. K. Kawase, "Concise derivation of extensive coordinate conversion formulae in the Gauss-Kruger projection," Bulletin of the Geospatial Information Authority of Japan, Vol.60, pp.1-6, 2013. 

    상세보기

  15. H. K. Sharma, Mr. S.C. Nelson, "Explain plan and SQL trace the two approaches for RDBMS tuning," Database Systems Journal, Vol.8, No.1, pp.31-39, 2017. 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로