속성 그래프 오류 복구 PG제약 기반 자동화와 효율적 알고리즘

초록

본 논문은 PG‑Constraints 중 부정 제약과 재귀를 포함하는 정규 그래프 패턴(RGPC) 부분집합을 정의하고, 이를 이용해 속성 그래프의 위반을 자동으로 탐지·수정하는 파이프라인을 제시한다. 삭제 기반 복구 모델을 채택하고, ILP, 단순 탐욕, LP‑가이드 탐욕의 세 가지 알고리즘을 비교·평가한다. 실험 결과 라벨 삭제를 허용하면 전체 삭제 건수가 최대 59 % 감소하고, LP‑가이드 탐욕이 ILP 대비 최대 97 % 빠른 실행 시간을 보이며 동일한 복구 품질을 유지한다.

상세 분석

이 연구는 최근 표준화된 그래프 데이터베이스 언어(GQL, SQL/PGQ)와 제약 언어(PG‑Constraints)를 실제 데이터 정제에 적용하는 최초 시도라 할 수 있다. 저자들은 PG‑Constraints 전체가 복잡하고 비결정적인 반면, 부정 제약(denial constraint) 형태와 재귀 경로 탐색을 지원하는 정규 그래프 패턴(RGPC)을 추출한다. RGPC는 노드·엣지 라벨에 대한 논리식(∧, ∨, ¬)과 Kleene‑star, plus 연산을 허용해 무한 길이 경로를 표현할 수 있다. 이를 자동화된 오토마톤 모델에 매핑함으로써 위반 패턴을 효율적으로 탐지하고, 위반 인스턴스가 차지하는 객체 집합을 최소화하는 복구 문제를 정형화한다.

복구 모델은 ‘삭제’에만 국한한다. 노드·엣지·라벨 삭제를 허용함으로써, 예를 들어 보안 레벨이 맞지 않는 경우 라벨을 제거하거나 관계를 차단하는 등 최소 침해 원칙을 적용한다. 삭제는 연쇄 효과를 갖는데, 노드 삭제 시 해당 노드와 연결된 모든 엣지가 자동으로 사라진다. 이러한 종속성을 고려해 전체 삭제 비용을 최소화하는 최적화 문제를 정의한다.

세 가지 알고리즘 설계는 문제의 복합성에 따라 트레이드오프를 제공한다. 첫 번째는 ‘naïve greedy’로, 위반을 순차적으로 처리하며 이미 해결된 위반을 재검사하지 않는다. 이는 구현이 간단하지만, 전역 최적성을 보장하지 못한다. 두 번째는 정수선형계획법(ILP) 기반 방법으로, 각 객체(노드, 엣지, 라벨)를 0‑1 변수로 두고, 위반을 모두 커버하도록 제약식을 만든다. 목표 함수는 삭제된 객체 수 최소화이며, 상용 ILP 솔버를 이용해 전역 최적 해를 얻는다. 다만 규모가 커질수록 계산 비용이 급증한다. 세 번째는 LP‑relaxation 결과를 활용한 ‘LP‑guided greedy’이다. ILP를 실수형으로 풀어 얻은 변수값을 우선순위(삭제 가능성)로 사용해 탐욕적으로 선택한다. 이 방식은 ILP와 동일한 목표 함수를 근사하면서도 연산량을 크게 줄인다.

실험에서는 여러 실제 데이터셋(소셜 네트워크, 공급망, 문서 관리 등)을 사용해 라벨 삭제 허용 여부, 위반 패턴 복잡도, 그래프 크기 등에 따른 성능을 측정했다. 라벨 삭제를 허용하면 전체 삭제 건수가 평균 59 % 감소했으며, 특히 라벨이 다중인 경우 효과가 크게 나타났다. LP‑guided greedy는 ILP 대비 최대 97 % 빠른 실행 시간을 보였지만, 삭제 건수는 1‑2 % 정도 차이로 거의 동일했다. 반면 naïve greedy는 가장 빠르지만, 경우에 따라 삭제 건수가 10‑15 % 정도 더 많이 발생했다. 또한, 근사 버전(제한된 탐색 깊이, 샘플링)도 89 % 이상의 속도 향상을 보이며, 품질 저하가 미미했다.

이 논문은 PG‑Constraints의 실용적 서브셋을 정의하고, 자동화된 오류 탐지·복구 파이프라인을 구현함으로써 그래프 데이터베이스 관리에 새로운 방법론을 제시한다. 특히 재귀 경로와 라벨 논리식을 동시에 다룰 수 있는 RGPC와, 라벨 삭제를 포함한 복구 모델은 기존 관계형 데이터베이스 복구 연구와 차별화된다. 향후 연구에서는 삽입·수정 기반 복구, 제약 충돌 해결, 그리고 분산 그래프 환경에서의 확장성을 탐색할 여지가 있다.