데이타베이스 관리 시스템에서의 적응형 로크 상승

장지웅; 이영구; 황규영; 양재헌

추천

검색

질문

자료유형: 학술저널

저자정보: 장지웅 이영구 황규영 양재헌

저널정보: Korean Institute of Information Scientists and Engineers 정보과학회논문지 : 데이타베이스 정보과학회논문지 : 데이타베이스 제28권 제4호

발행연도: 2001.12

수록면: 742 - 757 (16page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

데이타베이스 관리 시스템에서 한계 이상의 로크요청이 발생하는 경우에는 트랜잭션이 철회된다. 최악의 경우에는 트랜잭션들이 연속적으로 철회되어 시스템이 정지된 것과 같이 어느 트랜잭션도 완료 하지 못하는 현상이 발생할 수 있다. 이 문제점을 해결하기 위하여 로크상승을 사용하지만 기존의 로크상승 방법들은 문제를 완전히 해결하지는 못한다.
본 논문에서는 이 문제를 해결하기 위하여 적응형 로크상승 기법을 제안한다. 먼저 로크상승에 대한 체계적인 모델과 로크자원의 부족으로인한 트랜잭션 철회의 주 발생 원인인 상승불가능 로크의 개념을 제안한다. 또한 상승불가능 로크의 수를 제어하기 위한 해결책으로 준로크상승, 로크블로킹, 선택적 강제수행의 개념을 제안하고, 이를 적응형 로크상승 기법에 적용한다. 적응형 로크상승 기법은 불필요한 트랜잭션 철회를 감소시키며 과다한 로크요청 상황에서 시스템의 성능을 단계적으로 저하시키면서 시스템이 정지되는 현상이 발생하지 않음을 보장한다.
적응형 로크상승 기법의 성능을 검증하기 위하여 시뮬레이션을 통한 실험을 수행하였다.실험결과 적응형 로크상승 기법은 기존의 로크상승 방법을 사용하는 경우에 비하여 트랜잭션의 철회와 평균 응답시간을 크게 줄이고, 단위시간당 트랜잭션 처리율을 향상시켰다. 특히 동시에 수행할 수 있는 트랜잭션의 수가 16 에서 256배 이상 증가하는 것을 보였다.
본 논문은 모호하게 인식되던 로크자원 관리 측면에서의 로크상승의 역할을 체계적으로 규명하고 상세한 작동원리를 명확히 했다는 점에서 커다란 의의가 있다. 기존의 로크상승 방법들은 과다한 로크요청이 발생할 때의 문제를 사용자 또는 시스템관리자의 책임으로 처리한다. 반면에 적응형 로크상승 기법은 과다한 로크요청이 발생할 때의 문제를 자동적으로 조절하므로 사용자의 부담을 크게 감소시킨다. 따라서 최근에 많은 관심이 모아지고 있는 자체조율(self-tuning)이 가능한 데이타베이스 관리 시스템 개발에 공헌할 것이다.

Since database management systems(DBMSs) have limited lock resources, transactions requesting locks beyond the limit must be aborted. In the worst case, if such transactions are aborted repeatedly, the DBMS can become paralyzed, i.e., transactions execute but cannot commit. Lock escalation is considered a solution to this problem. However, existing lock escalation methods do not provide a complete solution.
In this paper, we propose a new lock escalation method, adaptive lock escalation, that solves most of the problems. First, we propose a general model for lock escalation and present the concept of the unescalatable lock, which is the major cause making the transactions to abort.
Second, we propose the notions of semi lock escalation, lock blocking, and selective relief as the mechanisms to control the number of unescalatable locks. We then propose the adaptive lock escalation method using these notions. Adaptive lock escalation reduces needless aborts and guarantees that the DBMS is not paralyzed under excessive lock requests. It also allows graceful degradation of performance under those circumstances.
Third, through extensive simulation, we show that adaptive lock escalation outperforms existing lock escalation methods. The results show that, compared to the existing methods, adaptive lock escalation reduces the number of aborts and the average response time, and increases the throughput to a great extent. Especially, it is shown that the number of concurrent transactions can be increased more than 16～256 fold.
The contribution of this paper is significant in that it has formally analyzed the role of lock escalation in lock resource management and identified the detailed underlying mechanisms. Existing lock escalation methods rely on users or system administrator to handle the problems of excessive lock requests. In contrast, adaptive lock escalation releases the users of this responsibility by providing graceful degradation and preventing system paralysis through automatic control of unescalatable locks. Thus adaptive lock escalation can contribute to developing self-tuning DBMSs that draw a lot of attention these days.

참고문헌 (0)

참고문헌 신청

참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

장지웅

소속기관 한양대학교

주요연구분야 공학 > 전기전자공학 > 전자공학 공학 > 전기전자공학 > 정보통신공학

논문수 59 이용수 3,259

이영구

소속기관 경희대학교

주요연구분야 공학 > 컴퓨터학 TOP 5% 복합학 > 학제간연구

논문수 229 이용수 17,304

황규영

소속기관 인투와이즈

주요연구분야 공학 > 전기전자공학 > 전자공학 공학 > 컴퓨터학

논문수 169 이용수 6,237

양재헌

소속기관 한국정보과학회

주요연구분야 공학 > 컴퓨터학

논문수 7 이용수 96

최근 본 자료

전체보기

UCI(KEPA) : I410-ECN-0101-2009-569-017815524

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (0)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

최근 본 자료

댓글(0)