초록

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

기존의 CBF 기법은 데이타의 차원이 증가함에 따라 검색 성능이 급격히 저하되는 ‘Dimensional Curse’문제를 해결하기 위해 제안되었다. 그러나, 데이타의 양이 증가하고 차원이 증가할수록 검색 성능이 선형적인 감소를 보인다. 따라서, 본 논문에서는 CBF 기법의 성능 향상을 위해 멀티 디스크 환경을 기반으로 하는 병렬 CBF 기법을 제안한다. 제안하는 병렬 CBF 기법은 멀티 디스크 환경하에서 CBF가 지니는 특성을 이용하여 시그니쳐와 특징 벡터 데이타의 수평 분할 방법을 사용한다. 이를 통해, 제안하는 기법은 디스크 개수에 비례하여 선형적인 검색성능 향상을 가져온다.

기존의 CBF 기법은 데이타의 차원이 증가함에 따라 검색 성능이 급격히 저하되는 ‘Dimensional Curse’문제를 해결하기 위해 제안되었다. 그러나, 데이타의 양이 증가하고 차원이 증가할수록 검색 성능이 선형적인 감소를 보인다. 따라서, 본 논문에서는 CBF 기법의 성능 향상을 위해 멀티 디스크 환경을 기반으로 하는 병렬 CBF 기법을 제안한다. 제안하는 병렬 CBF 기법은 멀티 디스크 환경하에서 CBF가 지니는 특성을 이용하여 시그니쳐와 특징 벡터 데이타의 수평 분할 방법을 사용한다. 이를 통해, 제안하는 기법은 디스크 개수에 비례하여 선형적인 검색성능 향상을 가져온다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 2. 셀-기반 필터링(CBF) 기법

  기존 셀 기반 필터링 기범(CBF)은 고차원 색인 기법들이 차원이 증가함에 따라 성능이 급격히 저하되는 Dimensional Curse 문제를 해결하고자 제안되었다. 셀 기반 필터링 (CBF ■- Cel-Based Filtering) 기법은 객체들의 특징 벡터들에 대한 순차 탐색을 수행하기 전에, 각각의 특징 벡터에 대한 시고니쳐를 탐색하여 필터링 함으로써 탐색 성능을 향상시킨다.

• 따라서, 본 논문에서拦 CBF 기 법의 성 능향상을 위해 밀티 디스크 환경율 기반으로, 더I이타를 각 디스크에 분산시켜 저장 및 검색하는 병렬 CBF 기법을 제안한다. 아울러、시그童」쳐 파일은 전체 탐색되어야 하고, 특징 벡터 파일은 시긔니져 파일의 탐색을 통해 얻어진 후보 특징 벡터만 부是적으로 탐색되어지는 특성올 고려하여 시그니처와 특징 四터 데이다룔 수평 분할 방법을 이용하여 분산시킨다.
• 방법이다. 본 논문에서븐 멀티 디스크 시스템 환경에서 수평 분할 방법을 이용한 병렬CBF 기법을 저】안하고, 이를 통해 검색 성능을 향상시켰다.
• 그러나 데이타의 양이 증가하고, 데이타객체의 차원이 증가할수록 시그니쳐 데이타와 특징 벡터 데이타의 양은 선형적으로 중가하므로 탐색 성능이 선형적으로 감소한다. 이를 위해, 본 논문에서는 기존 CBF기법에 병렬 데이타베이스 개념을 도입하여 멀티 디스크를 사용하는 병렬 CBF 기법을 제안한다.

제안 방법

• 분산, 저장한다. 그리고 데이타를 각 디스크에 분산 시켜 저장할 때 데이다를 디스크수에 따라 모듈러애odelar) 함수를 이용하여 저장한다.따라서, 같은 ID의 시그니쳐와 특징 벡터 데이타는 한 디스크에 함께 저장된다.
• 디스1/0 측정을 위해 랜덤 데이터와, Hadamard 알고리즘[5]을 이용하여 만들어진 Hadamard 리얼 데이타 각각 10, 20, 50, 80 차원의 각 20만건의 데이타로 실험한다. 본 논문에서 제시한 기법올, 이용하여 K-최근접 질의에 대한 성능 평가를 수행한다. 실험에 쓰인 인자(Parameter)는 표 14 같다’
• 본 논문에서 제안한 병렬 CBF기법에 대해 분석적인 성능평가를 수행한다. 디스1/0 측정을 위해 랜덤 데이터와, Hadamard 알고리즘[5]을 이용하여 만들어진 Hadamard 리얼 데이타 각각 10, 20, 50, 80 차원의 각 20만건의 데이타로 실험한다.
• . 아울러 , 각 시 二丄니쳐 정 보와 함께 저장된 거리 정보를 사용함으로써 보다 효율적인 필터링을 수행한다, 이러한 필터링을 통해 선택된 각 후보 시그Z니쳐의 실제 특징 벡터들을 데이타 파일에서 탐색함으로써 최종적으로 주어진 질의를 만족하는 특징 벡터를 검색한다. 시그니쳐와 거리 정보에 의한 필터링 효과가 클수록 검색 성눙은 우수하게 된다.
• 검색하는 병렬 CBF 기법을 제안한다. 아울러、시그童」쳐 파일은 전체 탐색되어야 하고, 특징 벡터 파일은 시긔니져 파일의 탐색을 통해 얻어진 후보 특징 벡터만 부是적으로 탐색되어지는 특성올 고려하여 시그니처와 특징 四터 데이다룔 수평 분할 방법을 이용하여 분산시킨다.
• 위의 두 특성을 통해서, 본 논문에서 제시하는 병렬 CBF 기법은 시고니쳐 파일과 특징 벡터 파일을 모두 수평 분할 방법을 사용해서 분산, 저장한다. 그리고 데이타를 각 디스크에 분산 시켜 저장할 때 데이다를 디스크수에 따라 모듈러애odelar) 함수를 이용하여 저장한다.
• 질의 벡터가 주어지면, 시그I니쳐 생성 알고리즘율 이용하여 질의 시그니쳐로 변환한 후, 이를 이용하여 시고니쳐 파일에 저장된 각각의 시고니쳐들을 순차적으로 탐색하여 查터링을 수행한다 . 아울러 , 각 시 二丄니쳐 정 보와 함께 저장된 거리 정보를 사용함으로써 보다 효율적인 필터링을 수행한다, 이러한 필터링을 통해 선택된 각 후보 시그Z니쳐의 실제 특징 벡터들을 데이타 파일에서 탐색함으로써 최종적으로 주어진 질의를 만족하는 특징 벡터를 검색한다.

대상 데이터

• 수행한다. 디스1/0 측정을 위해 랜덤 데이터와, Hadamard 알고리즘[5]을 이용하여 만들어진 Hadamard 리얼 데이타 각각 10, 20, 50, 80 차원의 각 20만건의 데이타로 실험한다. 본 논문에서 제시한 기법올, 이용하여 K-최근접 질의에 대한 성능 평가를 수행한다.
• 각 15. 20차원별 2。만건의 애니메이선(Animalimi) 데이타를 사용한다. 표 2는 데이타간의 특성 자이에 의해 랜덤 데이타의 편중도가 애니메이션 데이타의 편중도보다 근소한 차이로 우위를 보이지만, 두 종류의 데이타 모두 거의 고르게 분산되어 있음을 보인다、따라서, 个평 분할 방법율 사용하는 것이 타당함을 알 수 있다.

성능/효과

• 데이타가 80차원이고 디스드2 ■个가 1개 일때, 디즈尸丄 I/O는 550번이 발생하고, 8개일때는 278번, 16개 일때는 142번이 발생함을 보인다. 따라서 , 눌리 적 디 스크 수가 증가할수록 시 :T1니쳐 파일과 특징 벡터 파일을 탐색하E 디소?1 I/O 횟수法 선형적으로 감소함을 알 수 있다.
• 20차원별 2。만건의 애니메이선(Animalimi) 데이타를 사용한다. 표 2는 데이타간의 특성 자이에 의해 랜덤 데이타의 편중도가 애니메이션 데이타의 편중도보다 근소한 차이로 우위를 보이지만, 두 종류의 데이타 모두 거의 고르게 분산되어 있음을 보인다、따라서, 个평 분할 방법율 사용하는 것이 타당함을 알 수 있다.

후속연구

• 향후 연구로는 구현을 통한 실험을 수행하논 것이며, 아울러, 제안하는 병렬 CBF 기법이 고차원 색인 구조에 적합함을 보이기 위해 클러스터 시스템에 적용하는 것이다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기