시맨틱 웹에서의 질의 평가와 최적화

본 논문은 시맨틱 웹에서 온톨로지 질의를 효율적으로 처리하기 위한 새로운 프레임워크와 최적화 기법을 제안한다. 저자들은 온톨로지를 Deductive Ontology Base(DOB)라는 형태의 deductive database로 모델링한다. DOB는 Extensional Ontology Base(EOB)와 Intensional Ontology Base(IOB)로 구성되며, EOB는 온톨로지의 명시적 사실(클래스 선언, 개체 선언, 속성 관계 등)을, IOB는 온톨로지의 추론 규칙(서브클래스 전파, 임포트 전파, 속성 전파 등)을 Datalog 규칙 형태로 저장한다. 이러한 구조는 기존의 논리 프로그래밍 엔진을 그대로 활용하면서도, 온톨로지 특유의 대규모 추론 결과를 관리할 수 있게 한다. 비용 기반 최적화를 위해 저자들은 하이브리드 비용 모델을 설계한다. EOB에 대한 비용·카디널리티는 전통적인 관계형 데이터베이스의 System R 비용 모델을 차용해, 튜플 수, 인덱스 선택도, 디스크 I/O 등을 고려한다. 반면 IOB는 사전에 존재하지 않는 추론 사실을 다루어야 하므로, Lipton·Naughton이 제안한 적응형 샘플링 기법을 적용한다. 샘플링은 작은 부분 집합에 대해 실제 추론을 수행하고, 그 결과를 통계적으로 확대해 전체 비용과 결과 수를 추정한다. 이 두 추정 방법을 결합함으로써, 기본 사실과 추론 사실 모두에 대한 정확한 비용 예측이 가능해진다. 다음으로, 논문은 질의 평가 전략으로 세 가지 조인 연산을 도입한다. Nested‑Loop, Block‑Nested‑Loop, Hash‑Join 각각에 대해 비용 모델을 적용하고, 조인 순서와 물리적 연산자를 선택한다. 옵티마이저는 동적 프로그래밍 알고리즘을 사용해 모든 서브골드(서브쿼리) 조합을 탐색하고, 중간에 생성되는 추론 사실의 수를 최소화하는 평가 계획을 도출한다. 이는 메모리 사용량을 줄이고, 불필요한 중간 결과를 방지함으로써 전체 실행 시간을 크게 단축한다. 시스템 구현인 DOB‑S는 다음과 같은 구성 요소로 이루어진다. 첫째, OWL Lite 서브셋을 DOB 형태로 변환하는 트랜슬레이터가 있다. 둘째, EOB와 IOB에 대한 통계(카디널리티, nKeys, 샘플링 기반 비용)를 수집하는 Analyzer가 있다. 셋째, 위의 통계를 기반으로 비용을 계산하고 최적의 평가 계획을 생성하는 Optimizer가 있다. 마지막으로, 생성된 계획을 실제로 실행하는 Execution Engine가 있다. 실험은 합성 온톨로지와 실제 OWL Lite 온톨로지(예: 자동차와 딜러 도메인) 두 종류에 대해 수행되었다. 비용 모델의 예측 정확도는 실제 실행 비용과 90 % 이상 일치했으며, 최적화된 질의는 비최적화 질에 비해 평균 3배, 최악의 경우 10배 이상 빠르게 수행되었다. 또한, 중간에 생성되는 추론 사실 수가 크게 감소했음이 확인되었다. 관련 연구와 비교했을 때, 기존의 DL‑RDBMS 결합 시스템은 관계형 DBMS의 비용 모델을 사용하지만, 추론 사실에 대한 비용을 추정하지 못한다. DLP 기반 시스템은 Magic‑Sets와 같은 재작성 기법을 사용하지만 비용 기반 최적화는 부재한다. 본 연구는 이러한 한계를 극복하고, 명시적·암시적 지식 모두에 대해 비용 기반 최적화를 제공한다는 점에서 독창적이다. 결론적으로, DOB와 하이브리드 비용 모델, 동적 프로그래밍 옵티마이저의 조합은 시맨틱 웹 온톨로지 질의의 효율성을 크게 향상시킨다. 향후 연구에서는 OWL Full 지원, 분산 환경에서의 비용 추정, 그리고 동적 데이터 업데이트에 대한 적응형 최적화 등을 탐색할 계획이다.