기계 학습 통합을 통한 적응형 및 확장 가능한 데이터베이스 관리: PostgreSQL 사례 연구

현대 데이터베이스 시스템을 관리하는 복잡성이 증가함에 따라 특히 대규모 데이터셋의 쿼리 성능 최적화 측면에서 전통적 방법들이 해결하지 못하는 중요한 도전 과제가 나타나고 있습니다. 본 논문은 PostgreSQL에 중점을 두고 데이터베이스 관리 시스템(DBMS) 아키텍처 내에 고급 기계 학습(ML) 모델을 통합하기 위한 종합적인 프레임워크를 제안합니다. 우리의 접근법은 감독 학습과 비감독 학습 기법을 결합하여 쿼리 실행 시간을 예측하고 성능을 최적화하며 워크로드를 동적으로 관리합니다. 특정 최적화 작업을 개별적으로 처리하는 기존 솔루션과 달리, 본 프레임워크는 실시간 모델 추론과 워크로드 패턴에 기반한 자동 데이터베이스 구성 조정을 지원하는 통합 플랫폼을 제공합니다. 우리의 주요 기여는 ML 기능을 DBMS 엔진에 직접 통합하여 ML 모델과 쿼리 최적화 프로세스 간의 원활한 상호작용을 가능하게 한 점입니다. 이 통합은 모델의 자동 재학습과 동적 워크로드 관리를 가능하게 하여 쿼리 응답 시간과 전체 시스템 처리량 모두에서 상당한 향상을 이룹니다. 100 GB, 1 TB, 10 TB 규모의 Transaction Processing Performance Council Decision Support (TPC-DS) 벤치마크 데이터셋을 이용한 평가 결과, 전통적 접근법 대비 최대 42%의 쿼리 실행 시간 감소와 74%의 처리량 향상을 확인하였습니다. 또한, 조정 권고의 잠재적 충돌과 ML 통합에 따른 성능 오버헤드 같은 도전 과제도 다루며 향후 연구 방향에 대한 통찰을 제공합니다. 이 연구는 대규모 이기종 워크로드를 관리하기 위한 자율적 튜닝 메커니즘 필요성에 의해 동기가 부여되었으며, 다음과 같은 핵심 연구 질문에 답하고자 합니다: (1) 기계 학습 모델을 DBMS에 통합하여 쿼리 최적화와 워크로드 관리를 어떻게 향상시킬 수 있는가? (2) 실시간 워크로드 패턴에 기반한 동적 구성 조정을 통해 어떤 성능 향상이 가능한가? 우리의 결과는 제안된 프레임워크가 수동 데이터베이스 관리 필요성을 크게 줄이고 변화하는 워크로드에 효과적으로 적응하여 현대 대규모 데이터 환경에 견고한 솔루션을 제공함을 시사합니다.