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 연구는 "인자의 변경에 따른 진동을 감소시키기 위해서 초기 클래스 소속 정도를 계산할 패 k 개의 이웃 집합 사이의 관계를 고려하지 않고 시험데이터와 각 클래스 집합의 중심점 사이가 얼마나 밀접한지를 고려한다. 그림 3은 기존 방식에서 변화된 점을 도식화하여 보여주고 있다.
- 본 논문은 복합된 데이터베이스 응용 분야에서 발생되는 워 크로드를 식별하기 위해 TPC-C와 TPC-W 성능 평가의 워크 로드와 두 성능평가의 苣합된 워크로드를 생성하여 워로드 싞별을 수행하였다. 워크로드 식별에 필요한 워크로드 데이터 는 14개의 성능지표를 통해 TPC-C와 TPC-W에서 워크로드를 수집하여 훈련 데이터로 사용하고, 두 성능평가에서 혼합된 워 크로드를 생성하여 시험 데이터로 이용하였다.
제안 방법
- 워크로드 식별에 필요한 워크로드 데이터 는 14개의 성능지표를 통해 TPC-C와 TPC-W에서 워크로드를 수집하여 훈련 데이터로 사용하고, 두 성능평가에서 혼합된 워 크로드를 생성하여 시험 데이터로 이용하였다. TPC-C2I TPC-W의 워크로드 혼합 비율은 20%와80%, 50%와50%, 80%와20%로 구축하였다. 워크로드 식별은 수정된 퍼지 k-NN 알고리즘에 의해 수행된다.
- 퍼지 3-NN 방식은 y1 을 고려할 패 이웃 집합 y1, y2. y3만을 고려하여 분포룔 내거나 가중치를 부여해 초기 소속 정도를 구한다, 제안된 방식은 y1 을 고려할 때 X와 클래스 1의 중심점 및 클래스 2의 중심점이 얼마나 밀접한가를 계산하여 초기 소속 정도冒 구한다. y2와 y3도 동일한 방식으 로 계산된다.
- 본 논문은 복합된 데이터베이스 응용 분야에서 발생되는 워 크로드를 식별하기 위해 TPC-C와 TPC-W 성능 평가의 워크 로드와 두 성능평가의 혼합된 워로드를 생성하여 워로드 식별을 수행하였다. 워크로드 식별에 필요한 훈련 데이터는 성능평가별로 14개의 성능지표(pe「fo「mance indicator)를 통해 수집하였고, 시험 데이터는 TPC-C와 TPC-W 성능평가를 동시 에 수행시켜 소비된 CPU 시간을 기준으로 혼합하여 생성하였 다[1], 워크로드 식별은 워크로드 데이터 속성의 특징을 모두 반영할 수 있는 k-NN(k-nearest neighbor) 알고리즘을 이용하 였다.
- 워크로드 식별에 필요한 훈련 데이터는 성능평가별로 14개의 성능지표(pe「fo「mance indicator)를 통해 수집하였고, 시험 데이터는 TPC-C와 TPC-W 성능평가를 동시 에 수행시켜 소비된 CPU 시간을 기준으로 혼합하여 생성하였 다[1], 워크로드 식별은 워크로드 데이터 속성의 특징을 모두 반영할 수 있는 k-NN(k-nearest neighbor) 알고리즘을 이용하 였다. 본 논문은 분류를 위한 기존 k-NN 알고리즘들이 워크 로드 식별어I 대해 한계점을 보이므로 퍼지 k-NN 알고리즘을 수정하였다. 수정된 퍼지 k-NN 알고리즘은 혼합 비율에 따라 시험 데이터와 훈련 데이터간의 워m로드 식별 시험에 사용되 었고, 기존 k-NN 알고리즘들의 결과와 비교되었다.
- 훈련 데이터는 성능평가별로 수집되었으며, TPC-C 성능 평가에서 수집된 훈련 데이터의 클래스는 TPC-C로 설정되고, TPC-W 성능평가에서 수집된 훈련 데이터의 클래스는 TPC-W 로 설정되었다. 시험 데이터는 TPC-C와 TPC-W를 동시에 수 행시켜 워크로드를 혼합 시켰다. 혼합 데이터는 오라클 9i에서 제공하는 데이터베이스 자원 관리기 (「esou「ce manager) 와 TPC-C°I 웨어하우스와 TPC-W의 EB수를 조절하여 소비된 CPU 人간을 기준으로 혼합하였다.
- 본 논문은 복합된 데이터베이스 응용 분야에서 발생되는 워 크로드를 식별하기 위해 TPC-C와 TPC-W 성능 평가의 워크 로드와 두 성능평가의 혼합된 워로드를 생성하여 워로드 식별을 수행하였다. 워크로드 식별에 필요한 훈련 데이터는 성능평가별로 14개의 성능지표(pe「fo「mance indicator)를 통해 수집하였고, 시험 데이터는 TPC-C와 TPC-W 성능평가를 동시 에 수행시켜 소비된 CPU 시간을 기준으로 혼합하여 생성하였 다[1], 워크로드 식별은 워크로드 데이터 속성의 특징을 모두 반영할 수 있는 k-NN(k-nearest neighbor) 알고리즘을 이용하 였다. 본 논문은 분류를 위한 기존 k-NN 알고리즘들이 워크 로드 식별어I 대해 한계점을 보이므로 퍼지 k-NN 알고리즘을 수정하였다.
- k 개의 이뭇 집합의 결정은 훈련 데이터와 시험 데이터간의 유사도 (similarity)를 이용하였다. 유사도 수식을 이용하기 위해 모든 차원들은 정규화 되고 차원의 합을 차원 개수로 나누었다. 초 기 클래스의 소속 정도는 시험 데이터의 조건적 밀도 (condition히 density)를 반영하여 결정된다.
- [7]은 퍼 지 개념을 적용한 퍼지 k-NN 알고리즘을 제시하였다. 이 알 고리즘믄 시험 데이터의 쿨래스 부여를 위해 해당 클래스의 소 속 정도(class membership grade)를 사용하였다. 클래스 소 속 정도는 초기 클래스 소속 정도와 최종 클래스 소속 정도에 의해 계산된匚卜, 초기 클래스 소속 정도는 k 개의 이웃 집합에 서 클래스 분포와 훈련 데이터의 클래스 정보를 이용하여 결정 된다.
- [5]는 퍼지 k-NN 알고리즘으로서 정확성을 향상시키는 목적 으로 제안되었다. 이 알고리즘은 해당 클래스 소속 정도의 구 동 원리를 변경시킴으로써 정확성 향상을 시도하였다. k 개의 이뭇 집합의 결정은 훈련 데이터와 시험 데이터간의 유사도 (similarity)를 이용하였다.
- 시험 데이터는 TPC-C와 TPC-W를 동시에 수 행시켜 워크로드를 혼합 시켰다. 혼합 데이터는 오라클 9i에서 제공하는 데이터베이스 자원 관리기 (「esou「ce manager) 와 TPC-C°I 웨어하우스와 TPC-W의 EB수를 조절하여 소비된 CPU 人간을 기준으로 혼합하였다. 혼합 비율은 TPC-C와 TPC-W를 80%와 20%(이하 비율 1), 50%와 50%(이하 비율 2), 20%와 80%(이하 비율 3)으로 구성되었고 각 비율별 시험 데이터는 다섯 번 수집되었다.
대상 데이터
- 실험에 필요한 워크로드 데이터는 오라클 9i에서 TPC-C와 TPC-W 성능평가를 수행시켜 14개의 성능지표 값을 수집하였 다. 훈련 데이터는 성능평가별로 수집되었으며, TPC-C 성능 평가에서 수집된 훈련 데이터의 클래스는 TPC-C로 설정되고, TPC-W 성능평가에서 수집된 훈련 데이터의 클래스는 TPC-W 로 설정되었다.
- 실험은 k 인자를 1부터 10까지 변경하고 다섯 개의 시험 데 이터 집합을 이용하여 k-NN, 퍼지 k-NN, 분산 가중치 k-NN, 제안된 k-NN별로 결과를 산출하여 총 600회의 실험이 실시되 었다. 실험의 결과는 k 인자에 따른 변동과 혼합 데이터 비율 과 분류된 비율의 차이인 오차율을 이용하여 네 개의 알고리즘 결과룰 비교하였다.
- 본 논문은 복합된 데이터베이스 응용 분야에서 발생되는 워 크로드를 식별하기 위해 TPC-C와 TPC-W 성능 평가의 워크 로드와 두 성능평가의 苣합된 워크로드를 생성하여 워로드 싞별을 수행하였다. 워크로드 식별에 필요한 워크로드 데이터 는 14개의 성능지표를 통해 TPC-C와 TPC-W에서 워크로드를 수집하여 훈련 데이터로 사용하고, 두 성능평가에서 혼합된 워 크로드를 생성하여 시험 데이터로 이용하였다. TPC-C2I TPC-W의 워크로드 혼합 비율은 20%와80%, 50%와50%, 80%와20%로 구축하였다.
- 혼합 데이터는 오라클 9i에서 제공하는 데이터베이스 자원 관리기 (「esou「ce manager) 와 TPC-C°I 웨어하우스와 TPC-W의 EB수를 조절하여 소비된 CPU 人간을 기준으로 혼합하였다. 혼합 비율은 TPC-C와 TPC-W를 80%와 20%(이하 비율 1), 50%와 50%(이하 비율 2), 20%와 80%(이하 비율 3)으로 구성되었고 각 비율별 시험 데이터는 다섯 번 수집되었다.
데이터처리
- 워크로드 식별은 수정된 퍼지 k-NN 알고리즘에 의해 수행된다. 수정된 퍼지 k-NN 알고리 즘은 혼합 비율에 따라 시험 데이터와 훈련 데이터간의 워크로 드 식별 시험에 사용되었고, 분류를 위한 k-NN, 퍼지 k-NN, 분상 가중犬I k-NN 알고리즘들의 결과와 비교하였다. 워크로 드 식별 결과는 k 인자어 따른 변동과 오차율을 통해 분석되었 으며 제안된 퍼지 k-NN 알고리즘의 방식이 다른 알고리즘보다 변동과 오'차율이 적음을 확인하였다.
- 본 논문은 분류를 위한 기존 k-NN 알고리즘들이 워크 로드 식별어I 대해 한계점을 보이므로 퍼지 k-NN 알고리즘을 수정하였다. 수정된 퍼지 k-NN 알고리즘은 혼합 비율에 따라 시험 데이터와 훈련 데이터간의 워m로드 식별 시험에 사용되 었고, 기존 k-NN 알고리즘들의 결과와 비교되었다. 본 논문 의 결과는 복합적인 데이터베이스 응용분야의 환경에서 워크로 드 식별 정보를 참조하여 융통성 있는 튜닝 방식을 고려하는데 기여한다.
- 실험은 k 인자를 1부터 10까지 변경하고 다섯 개의 시험 데 이터 집합을 이용하여 k-NN, 퍼지 k-NN, 분산 가중치 k-NN, 제안된 k-NN별로 결과를 산출하여 총 600회의 실험이 실시되 었다. 실험의 결과는 k 인자에 따른 변동과 혼합 데이터 비율 과 분류된 비율의 차이인 오차율을 이용하여 네 개의 알고리즘 결과룰 비교하였다.
성능/효과
- 본 연구의 결과는 복합된 데이터베이스 응용 분야의 워크로 드를 단일 응용 분야의 워크로드와 비교한 워크로드 식별 정보 를 제공하여 단일 응용 분야에서 연구되었던 데이터베이스 튜 닝방식에 워크로드 식별 정보를 적용하여 적합한 튜닝 방식믈 고려할 수 있다. 본 연구의 향후 계획은 워크로드 식별 정보 를 이용해 데이터베이스 튜닝에 적용할 수 있는 방법올 연구할 예정이다.
- 수정된 퍼지 k-NN 알고리 즘은 혼합 비율에 따라 시험 데이터와 훈련 데이터간의 워크로 드 식별 시험에 사용되었고, 분류를 위한 k-NN, 퍼지 k-NN, 분상 가중犬I k-NN 알고리즘들의 결과와 비교하였다. 워크로 드 식별 결과는 k 인자어 따른 변동과 오차율을 통해 분석되었 으며 제안된 퍼지 k-NN 알고리즘의 방식이 다른 알고리즘보다 변동과 오'차율이 적음을 확인하였다.
- 알고리즘의 정확성을 알아보기 위한 평균 오차율은 표 2에서 보인다. 제안된 퍼지 k-NNOI 모든 혼합 비율에서 낮은 오차 율을 보였으며, 다른 k-NN 알고리즘에 til해 최소 1배에서 최 대 4.3배까지 오차율이 감소되었다.
- k 인자에 따른 변동은 혼합 비율별 식별 비율에 대한 평균 표준 편차 구하여 분석하였다, 변동은 평균 표준 편차가 낮을 수록 적게 발생된 것이며, 변동의 분석 결과는 표 1에서 보인 다. 제안된 퍼지 k-NN이 모든 비율에서 낮은 표준 편차 값을 보여 변동이 적었으며, 다른 k-NN 알고리즘에 비해 최소 2배 에서 최대 104배까지 평균 표준 편차가 감소되었다.
후속연구
- 수정된 퍼지 k-NN 알고리즘은 혼합 비율에 따라 시험 데이터와 훈련 데이터간의 워m로드 식별 시험에 사용되 었고, 기존 k-NN 알고리즘들의 결과와 비교되었다. 본 논문 의 결과는 복합적인 데이터베이스 응용분야의 환경에서 워크로 드 식별 정보를 참조하여 융통성 있는 튜닝 방식을 고려하는데 기여한다.
- 본 연구의 결과는 복합된 데이터베이스 응용 분야의 워크로 드를 단일 응용 분야의 워크로드와 비교한 워크로드 식별 정보 를 제공하여 단일 응용 분야에서 연구되었던 데이터베이스 튜 닝방식에 워크로드 식별 정보를 적용하여 적합한 튜닝 방식믈 고려할 수 있다. 본 연구의 향후 계획은 워크로드 식별 정보 를 이용해 데이터베이스 튜닝에 적용할 수 있는 방법올 연구할 예정이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.