KR101656725B1 - 데이터베이스 성능 저하 분석 방법 및 장치 - Google Patents

데이터베이스 성능 저하 분석 방법 및 장치 Download PDF

Info

Publication number
KR101656725B1
KR101656725B1 KR1020150030214A KR20150030214A KR101656725B1 KR 101656725 B1 KR101656725 B1 KR 101656725B1 KR 1020150030214 A KR1020150030214 A KR 1020150030214A KR 20150030214 A KR20150030214 A KR 20150030214A KR 101656725 B1 KR101656725 B1 KR 101656725B1
Authority
KR
South Korea
Prior art keywords
performance
period
target object
analyzing
reference value
Prior art date
Application number
KR1020150030214A
Other languages
English (en)
Inventor
박상훈
김진욱
이범석
Original Assignee
삼성에스디에스 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성에스디에스 주식회사 filed Critical 삼성에스디에스 주식회사
Priority to KR1020150030214A priority Critical patent/KR101656725B1/ko
Application granted granted Critical
Publication of KR101656725B1 publication Critical patent/KR101656725B1/ko

Links

Images

Classifications

    • G06F17/30289—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F17/30557—

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Debugging And Monitoring (AREA)

Abstract

본 발명의 일 실시예에 따른 데이터베이스 성능 저하 분석 방법은, 소정의 기간 이상 동안의 데이터베이스의 성능 관련 정보를 이용하여 성능 저하를 예측하기 위한 대상 객체를 선정하는 단계; 상기 데이터베이스의 성능 관련 정보를 이용하여 상기 선정된 대상 객체의 시간 별 성능 저하 시점을 주기 별로 분석하기 위한 패턴 분석 모델을 생성하는 단계; 상기 패턴 분석 모델을 이용하여 상기 대상 객체의 성능을 주기 별로 분석하는 단계; 상기 주기 별로 분석된 대상 객체의 성능을 이용하여 일정 수준 이하로 성능 저하가 발생한 구간을 분석하는 단계를 포함할 수 있다.

Description

데이터베이스 성능 저하 분석 방법 및 장치{Method and Apparatus for Analyzing Database Performance Degradation}
본 발명은 데이터베이스 성능 저하 분석 방법 및 장치에 관한 것이다. 보다 자세하게는, 데이터베이스의 성능이 저하되는 시점을 분석할 수 있는 데이터베이스 성능 저하 분석 방법 및 장치에 관한 것이다.
저장 및 처리하는 데이터의 양이 방대해짐에 따라서 데이터베이스를 이용하는 기업이나 사용자가 증가하고 있다.
이러한 데이터베이스의 성능을 관리하는 기존 기술로는 데이터베이스에 장애가 발생한 경우 빠르게 대응할 수 있는 기능을 지원하거나 단순히 데이터베이스의 성능 상태를 실시간 모니터링 하는 것에 불과하였다.
본 발명이 해결하고자 하는 기술적 과제는 성능 저하 시점 및 패턴을 분석하기 위한 데이터베이스 성능 저하 분석 방법 및 장치를 제공하는 것을 목적으로 한다.
또한, 본 발명이 해결하고자 하는 다른 기술적 과제는 미래 시점에서 데이터베이스의 성능이 저하되는 시점을 예측할 수 있는 데이터베이스 성능 저하 분석 방법 및 장치를 제공하는 것을 목적으로 한다.
또한, 본 발명이 해결하고자 하는 다른 기술적 과제는 데이터베이스의 성능이 저하되는 구간을 파악하고 성능 저하의 원인을 분석할 수 있는 데이터베이스 성능 저하 분석 방법 및 장치를 제공하는 것을 목적으로 한다.
또한, 본 발명이 해결하고자 하는 다른 기술적 과제는 데이터베이스의 성능이 저하되는 시점에 관한 정보, 데이터베이스의 성능이 저하되는 구간에 관한 정보, 데이터베이스 성능 저하의 원인 및/또는 데이터베이스 성능 저하를 해결하기 위한 방안에 관한 정보를 사용자에게 제공할 수 있는 데이터베이스 성능 저하 분석 방법 및 장치를 제공하는 것을 목적으로 한다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해 될 수 있을 것이다.
상기 기술적 과제를 달성하기 위한 본 발명의 제1 태양(Aspect)에 따른 데이터베이스 성능 저하 분석 방법은, 소정의 기간 이상 동안의 데이터베이스의 성능 관련 정보를 이용하여 성능 저하를 예측하기 위한 대상 객체를 선정하는 단계; 상기 데이터베이스의 성능 관련 정보를 이용하여 상기 선정된 대상 객체의 시간 별 성능 저하 시점을 주기 별로 분석하기 위한 패턴 분석 모델을 생성하는 단계; 상기 패턴 분석 모델을 이용하여 상기 대상 객체의 성능을 주기 별로 분석하는 단계; 상기 주기 별로 분석된 대상 객체의 성능을 이용하여 일정 수준 이하로 성능 저하가 발생한 구간을 분석하는 단계를 포함할 수 있다.
일 실시예에 따르면, 상기 성능 저하 분석 방법은, 상기 대상 객체의 주기 별 성능에 관한 정보 및 기 설정된 참조값 산출 방식을 이용하여 참조값을 산출하는 단계; 및 상기 산출된 참조값 중 기 설정된 기준값 이상인 값을 가지는 주기를 주도적인(Dominant) 주기로 선정하는 단계를 더 포함하며, 상기 성능 저하가 발생한 구간을 분석하는 단계는, 상기 주도적인 주기를 이용하여 시간 영역에서 상기 대상 객체의 성능 저하가 발생한 구간을 분석하는 단계를 포함할 수 있다.
일 실시예에 따르면, 상기 성능 저하 분석 방법은, 상기 성능 저하 구간에 관한 분석 정보를 이용하여 미래 시점에서 상기 대상 객체의 성능 저하로 상기 일정 수준 이상으로 성능 저하가 발생하는 구간을 예측하는 단계를 더 포함할 수 있다.
일 실시예에 따르면, 상기 데이터베이스 성능 저하 분석 방법은, 상기 성능 저하 구간에 관한 분석 정보 및 상기 예측한 구간에 관한 정보 중 적어도 어느 하나의 정보를 사용자에게 제공하는 단계를 더 포함할 수 있다.
일 실시예에 따르면, 상기 대상 객체를 선정하는 단계는, 상기 성능 관련 정보를 이용하여 기 설정된 복수 개의 점검 항목에 부합하는지 여부를 분석하는 단계; 및 상기 기 설정된 복수 개의 점검 항목 중 기 설정된 횟수 이상 미흡한 점검 항목에 해당하는 객체를 상기 대상 객체로 선정하는 단계를 포함할 수 있다.
일 실시예에 따르면, 상기 성능 저하가 발생한 구간을 분석하는 단계는, 상기 주도적인 주기를 이산 퓨리에 변환 및 고속 퓨리에 변환을 이용하여 시간 도메인으로 역산하여 상기 성능 저하 구간을 산출하는 단계; 및 상기 산출된 성능 저하 구간의 패턴을 분석하는 단계를 포함할 수 있다.
일 실시예에 따르면, 상기 주도적인 주기가 복수 개인 경우, 상기 성능 저하가 발생한 구간을 분석하는 단계는, 복수 개의 성능 저하 구간을 분석하는 단계; 및 상기 복수 개의 성능 저하 구간의 패턴 정보를 분석하는 단계를 포함하되, 상기 데이터베이스 성능 저하 분석 방법은, 상기 복수 개의 성능 저하 구간의 패턴 정보를 이용하여 미래 시점에서 상기 대상 객체의 성능 저하로 상기 기 설정된 기준값 이상인 값을 가지는 참조값이 발생될 시점을 예측하는 단계를 더 포함할 수 있다.
일 실시예에 따르면, 상기 패턴 분석 모델을 생성하는 방법은, 상기 이산 퓨리에 변환 및 고속 퓨리에 변환 식을 이용하여 상기 패턴 분석 모델을 생성하는 단계를 포함할 수 있다.
일 실시예에 따르면, 상기 데이터베이스 성능 저하 분석 방법은, 상기 성능 저하가 발생한 구간에 관한 분석 정보를 사용자에게 제공하는 단계를 더 포함할 수 있다.
일 실시예에 따르면, 상기 데이터베이스 성능 저하 분석 방법은, 상기 성능 저하가 발생한 구간에 대하여 상기 대상 객체 별로 설정된 상세 분석 항목에 따라서 상기 성능 저하의 원인을 분석하는 단계를 더 포함할 수 있다.
일 실시예에 따르면, 상기 대상 객체의 성능을 주기 별로 분석하는 단계는, 상기 대상 객체의 성능 정보를 이용하여 주기 별로 진폭 크기를 산출하는 단계를 포함하고, 상기 참조값을 산출하는 단계는, 전체 진폭의 크기에서 각 주기에 해당하는 진폭 크기의 비율을 상기 참조값으로 산출하는 단계를 포함할 수 있다.
일 실시예에 따르면, 상기 주도적인 주기로 선정하는 단계는, 상기 진폭 크기의 비율이 기 설정된 참조값 이상인 진폭의 크기에 해당하는 주기를 상기 주도적인 주기로 선정하는 단계를 포함할 수 있다.
상기 기술적 과제를 달성하기 위한 본 발명의 제2 태양(Aspect)에 따른 데이터베이스 성능 저하 분석 방법은, 소정의 기간 이상 동안의 데이터베이스의 성능 관련 정보를 이용하여 성능 저하를 예측하기 위한 대상 객체를 선정하는 단계; 상기 데이터베이스의 성능 관련 정보를 이용하여 상기 선정된 대상 객체의 시간 별 성능 저하 시점을 주기 별로 분석하기 위한 패턴 분석 모델을 생성하는 단계; 상기 패턴 분석 모델을 이용하여 상기 대상 객체의 성능을 주기 별로 분석하는 단계; 상기 대상 객체의 주기 별 성능에 관한 정보 및 기 설정된 참조값 산출 방식을 이용하여 참조값을 산출하는 단계; 상기 산출된 참조값 중 기 설정된 기준값 이상인 값을 가지는 주기를 주도적인(Dominant) 주기로 선정하는 단계; 및 상기 주도적인 주기의 패턴에 관한 정보를 이용하여 미래 시점에서 상기 대상 객체의 주기 별 성능에 대한 참조값이 상기 기 설정된 기준값 이상인 주기를 예측하는 단계를 포함할 수 있다.
일 실시예에 따르면, 상기 데이터베이스 성능 저하 분석 방법은, 시간 영역에서 상기 예측된 주기에 해당하는 구간에 관한 정보를 획득하는 단계를 더 포함할 수 있다.
상기 기술적 과제를 달성하기 위한 본 발명의 제3 태양(Aspect)에 따른 데이터베이스 성능 저하 분석 방법은, 소정의 기간 이상 동안의 데이터베이스 성능 관련 정보를 이용하여 성능 저하를 예측하기 위한 대상 객체를 선정하는 단계; 기 설정된 패턴 분석 모델을 이용하여 상기 대상 객체의 시간 영역에서의 성능을 주기 별로 분석하는 단계; 상기 대상 객체의 주기 별로 분석한 정보 및 기 설정된 참조값 산출 방식을 이용하여 참조값을 산출하는 단계; 상기 산출된 참조값 중 기 설정된 기준값 이상인 값을 가지는 주기를 주도적인(Dominant) 주기로 선정하는 단계; 및 상기 주도적인 주기를 이용하여 시간 영역에서 상기 대상 객체의 성능 저하가 발생한 구간을 분석하는 단계를 포함할 수 있다.
상기 기술적 과제를 달성하기 위한 본 발명의 제4 태양(Aspect)에 따른 컴퓨터프로그램은, 하드웨어와 결합되어, 데이터베이스 성능 저하 분석 방법을 수행하기 위하여 매체에 저장될 수 있다.
상기 기술적 과제를 달성하기 위한 본 발명의 제5 태양(Aspect)에 따른 데이터베이스 성능 저하 분석 장치는, 소정의 기간 이상 동안의 데이터베이스의 성능 관련 정보를 이용하여 성능 저하를 예측하기 위한 대상 객체를 선정하는 대상 객체 선정부; 상기 데이터베이스의 성능 관련 정보를 이용하여 상기 선정된 대상 객체의 시간 별 성능 저하 시점을 주기 별로 분석하기 위한 패턴 분석 모델을 생성하는 패턴 분석 모델 생성부; 상기 패턴 분석 모델을 이용하여 상기 대상 객체의 성능을 주기 별로 분석하는 성능 분석부; 상기 주기 별로 분석된 대상 객체의 성능을 이용하여 일정 수준 이하로 성능 저하가 발생한 구간을 분석하는 성능 저하 구간 분석부를 포함하는, 데이터베이스 성능 저하 분석 장치.
상기 기술적 과제를 달성하기 위한 본 발명의 제6 태양(Aspect)에 따른 데이터베이스 성능 저하 분석 장치는, 소정의 기간 이상 동안의 데이터베이스의 성능 관련 정보를 이용하여 성능 저하를 예측하기 위한 대상 객체를 선정하는 대상 객체 선정부; 상기 데이터베이스의 성능 관련 정보를 이용하여 상기 선정된 대상 객체의 시간 별 성능 저하 시점을 주기 별로 분석하기 위한 패턴 분석 모델을 생성하는 패턴 분석 모델 생성부; 상기 패턴 분석 모델을 이용하여 상기 대상 객체의 성능을 주기 별로 분석하는 성능 분석부; 상기 대상 객체의 주기 별 성능에 관한 정보 및 기 설정된 참조값 산출 방식을 이용하여 참조값을 산출하는 참조값 산출부; 상기 산출된 참조값 중 기 설정된 기준값 이상인 값을 가지는 주기를 주도적인(Dominant) 주기로 선정하는 주도적 주기 선정부; 및 상기 주도적인 주기의 패턴에 관한 정보를 이용하여 미래 시점에서 상기 대상 객체의 주기 별 성능에 대한 참조값이 상기 기 설정된 기준값 이상인 주기를 예측하는 시점 예측부를 포함할 수 있다.
상기와 같은 본 발명에 따르면, 성능 저하 시점 및 패턴을 분석할 수 있다.
또한, 상기와 같은 본 발명에 따르면, 미래 시점에서 데이터베이스의 성능이 저하되는 시점을 예측할 수 있다.
또한, 상기와 같은 본 발명에 따르면, 데이터베이스의 성능이 저하되는 구간을 파악하고 성능 저하의 원인을 분석할 수 있다.
또한, 상기와 같은 본 발명에 따르면, 데이터베이스의 성능이 저하되는 시점에 관한 정보, 데이터베이스의 성능이 저하되는 구간에 관한 정보, 데이터베이스 성능 저하의 원인 및/또는 데이터베이스 성능 저하를 해결하기 위한 방안에 관한 정보를 사용자에게 제공하여 데이터베이스 성능을 관리할 수 있다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해 될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 데이터베이스 성능 저하 분석 장치가 적용되는 전체 시스템의 개략도이다.
도 2는 본 발명의 일 실시예에 따른 데이터베이스 성능 저하 분석 장치가 적용되는 전체 시스템의 다른 개략도이다.
도 3은 본 발명의 일 실시예에 따른 데이터베이스 성능 저하 분석 장치에 관한 블록도이다.
도 4는 본 발명의 일 실시예에 따른 데이터베이스 성능 저하 예측 장치의 하드웨어 구성의 일 예를 나타내는 도면이다.
도 5는 본 발명의 다른 실시예에 따른 데이터베이스 성능 저하 분석 방법에 관한 흐름도이다.
도 6은 대상 객체를 선정하는 방법의 일 예를 나타내는 순서도이다.
도 7 내지 도 9는 대상 객체가 대기 이벤트인 경우 성능 분석 및 주도적인 주기를 선정하는 예를 설명하기 위한 도면이다.
도 10 내지 도 12는 대상 객체가 메모리인 경우 성능 분석 및 주도적인 주기를 선정하는 예를 설명하기 위한 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.
본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함될 수 있다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
도 1은 본 발명의 일 실시예에 따른 데이터베이스 성능 저하 분석 장치가 적용되는 전체 시스템의 개략도이다.
도 1을 참조하면, 데이터베이스 성능 저하 분석 장치(1000)는 데이터베이스(2000)로부터 성능 관련 정보를 수신한다.
데이터베이스 성능 저하 분석 장치(1000)는 수신한 데이터베이스(2000) 성능 관련 정보를 이용하여 성능 저하를 분석하고 예측할 대상으로 대상 객체를 선정할 수 있다.
데이터베이스 성능 저하 분석 장치(1000)는 데이터베이스(2000) 성능 관련 정보 중 대상 객체의 성능 관련 정보를 이용하여 대상 객체의 성능 저하가 발생한 시점에 관한 패턴을 분석할 수 있다.
데이터베이스 성능 저하 분석 장치(1000)는 대상 객체의 성능 저하가 발생한 시점을 산출하는 과정에서 패턴 분석 모델을 이용할 수 있다.
또한, 데이터베이스 성능 저하 분석 장치(1000)는 대상 객체의 성능이 저하되는 시점에 관한 정보를 이용하여 대상 객체의 성능이 저하되는 구간을 파악할 수 있다.
또한, 데이터베이스 성능 저하 분석 장치(1000)는 대상 객체의 성능이 저하되는 구간의 발생 원인에 대하여 상세 분석을 수행할 수 있다.
데이터베이스 성능 저하 분석 장치(1000)는 분석한 패턴, 대상 객체의 성능이 저하되는 구간의 패턴을 이용하여 미래 시점에서 대상 객체의 성능이 저하될 것으로 예측되는 시점을 산출할 수 있다.
데이터베이스 성능 저하 분석 장치(1000)는 유선 통신 또는 무선 통신을 통하여 사용자의 단말로 예측되는 시점, 대상 객체의 성능이 저하되는 구간 및/또는 발생 원인에 대한 분석 정보를 제공함으로써 사용자에게 정보를 제공할 수 있다.
데이터베이스 성능 저하 분석 장치(1000)는 대상 객체의 성능이 저하될 것으로 예측되는 시점, 대상 객체의 성능이 저하되는 구간 및/또는 발생 원인에 대한 분석 정보를 사용자에게 제공할 수 있다.
발생 원인에 대한 분석 정보는 성능 저하가 발생되는 원인 및/또는 성능 저하를 해소하기 위한 해결 방법에 관한 정보를 포함할 수 있다.
데이터베이스 성능 저하 분석 장치(1000)에 의하여 사용자에게 제공되는 정보는 사용자 단말(3000)을 통하여 시각적 또는 청각적인 형태로 나타날 수 있다.
도 2는 본 발명의 일 실시예에 따른 데이터베이스 성능 저하 분석 장치가 적용되는 전체 시스템의 다른 개략도이다.
도 2를 참조하면, 데이터에이스 성능 저하 분석 장치(1000)는 데이터베이스(2000)의 성능 관련 정보를 AWR(Automatic Workload Repository)과 같은 데이터베이스(2000)의 성능 정보 수집 장치로부터 획득할 수 있다.
데이터베이스(2000)의 성능과 관련된 다양한 데이터를 스냅샷의 형태로 AWR에 저장될 수 있다.
데이터베이스 성능 정보 수집 장치(4000)는 데이터베이스(2000)로부터 데이터베이스(2000)의 성능 관련 정보를 분, 시간 등의 단위로 수집하거나 일자 별 단위로 수집할 수도 있다.
데이터베이스 성능 저하 분석 장치(1000)는 데이터베이스(2000)로부터 성능 관련 정보를 직접 수신할 수도 있으며, AWR와 같은 데이터베이스 성능 정보 수집 장치(4000)에 저장된 정보를 획득할 수도 있다.
데이터베이스 성능 저하 분석 장치(1000)가 수신하는 데이터베이스(2000)의 성능 관련 정보에는 대기 이벤트와 관련된 정보 및 메모리 적중률과 관련된 정보가 포함될 수 있다.
데이터베이스 성능 저하 분석 장치(1000)가 수신하는 데이터베이스(2000)의 성능 관련 정보는 구체적으로 표 1에서 제시된 정보를 포함할 수 있다.
데이터베이스 성능 관련 정보 명칭 의미
buffer busy waits 프로세스가 메모리에서 특정 데이터 블록(테이블 또는 인덱스)를 사용하고 있을 때 다른 프로세스가 동일 데이터 블록을 엑세스 하고자 한다면 대기를 해야 하며, buffer busy waits는 이러한 대기 이벤트를 의미한다.
enq: TM - contention 1) 사용자가 특정 데이터(테이블의 row)를 수정/삭제하고 있을 때 해당 테이블에 대해 TX type의 락을 배타적 모드로 소유한다. 이때 다른 사용자가 해당 테이블에 대해 TX type의 락을 공유모드 또는 배타적 모드로 소유하려고 한다면 대기해야 한다.
2) 인덱스를 재구성하고 있을 때 해당 테이블에 대해 TX type의 락을 공유모드로 소유한다. 이때 다른 사용자가 해당 테이블에 대해 TX type의 락을 배타적 모드로 소유하려고 한다면 대기해야 한다.
상기 1) 및 2)의 경우 발생하는 대기 이벤트를 enq: TM - contention라 한다.
enq: TX - row lock contention 사용자가 특정 데이터(테이블의 row)를 수정/삭제하고 아직 트랜잭션을 종료(commit 또는 rollback)하지 않고 있을 때 다른 사용자가 동일 데이터를 수정/삭제 하고자 한다면 대기해야 한다. 이때 발생하는 대기 이벤트를 enq: TX - row lock contention라 한다.
enq: TX - allocate ITL Entry 사용자가 특정 데이터(테이블의 row)를 수정/삭제할 때 해당 데이터가 속한 블럭(예를 들면, 8k크기)의 헤드에 ITL(해당 블록안의 어떤 row를 누가 변경하고 있다는 정보)을 먼저 등록해야 한다. ITL을 블록헤드에 등록하지 못하면 대기해야 한다. 이때 발생하는 대기 이벤트를 enq: TX - allocate ITL Entry라 한다.
enq: TX - Index contention 인덱스는 키값 순으로 정렬되어 블록 단위로 저장된다. 입력/수정된 인덱스가 FULL인 블록에 저장되어야 한다면 새로운 인덱스 블록이 추가되고 기존 풀(FULL)인 인덱스 블록의 데이터를 서로 나누어 가지는 작업(split)이 진행된다. 나누어 가지는 작업이 진행 중 기존 full인 인덱스 블록에 데이터를 입력/수정하는 작업을 하는 사용자는 스플릿(split)이 끝날 때 까지 대기해야 한다.이때 발생하는 대기 이벤트를 enq: TX - Index contention라 한다.
enq: TX - contention 정의되지 않는 다른 형태의 TX contention이 끝날 때 까지 대기할 경우 발생하는 대기 이벤트를 enq: TX - contention이라 한다.
enq: SQ - contention 시컨스(순번)를 사용할 때 사용할 시컨스가 메모리에 준비되어 있지 않으면 사용할 시컨스가 준비(메모리로 적재)되기까지 대기해야 한다. 이때 발생하는 대기 이벤트를 enq: SQ - contention라 한다.
enq: TT - contention 테이블을 새로 생성하거나, 구조를 변경하거나, 테이블을 삭제할 때(DDL) 해당 테이블에 데이터를 입력/수정/삭제하는 작업은 대기해야 한다. 이때 발생하는 대기 이벤트를 enq: TT - contention라 한다.
log buffer space 프로세스가 자신의 작업내역을 메모리에 기록하는 영역을 의미한다.
latch: redo allocation 프로세스가 자신의 작업내역을 메모리에 기록하기 위해 메모리 공간을 할당(allocating) 받아야 한다. 여러 프로세스가 동시에 동일한 메모리 공간을 할당 받지 않도록 특정 래치(latch)를 획득한 프로세스에게만 메모리 공간에 할당한다. 이때 획득하는 래치를 latch: redo allocation라 한다.
latch: redo copy 프로세스가 자신의 작업내역을 할당 받은 메모리 공간에 기록(writing)하기 위해서는 먼저 특정 래치(latch)를 획득해야 한다. 이때 획득하는 래치를 latch: redo copy라 한다.
log file sync 프로세스들의 작업내역이 기록된 메모리공간은 한정적이고 재사용될 수 있다. 따라서 메모리공간에 기록된 작업내역을 주기적으로 로그 파일(Log File)이 디스크에 기록하여 동기화 하는 작업을 수행할 수 있다.
log file switch completion 메모리에 기록된 작업내역을 로그 파일과 같이 디스크로 기록하는 과정에서 현재 기록하는 로그 파일이 풀(full)이 되면 다른 로그 파일에 기록해야 하는데 가용한 다른 로그 파일log file이 없으면 대기해야 한다. 이때 발생하는 대기 이벤트를 log file switch completion라 한다.
log file switch
checkpoint incomplete		 메모리에 기록된 작업내역을 로그 파일과 같이 디스크로 기록하는 과정에서 현재 기록하는 로그 파일이 풀(full)이 되면 다른 로그 파일에 기록한다. 그리고 풀이된 로그 파일에 기록된 작업내역을 디스크에 반영할 때 log file switch checkpoint incomplete라는 대기가 발생한다.
log file switch
private strand flush incomplete		 성능 향상을 위해 프라이빗 리두 스트랜(private redo strand) 기능 등을 사용하여 데이터 변경 사항들을 기록하게 되는데 이 영역에 대한 플러쉬(flush) 작업이 아직 끝나지 않아 기다리게 되는 상황은 log file switch private strand flush incomplete라 한다.
참고적으로 프라이빗 리두 스트랜 기능을 설명하면, 서버 프로세스는 change vector를 redo log buffer에 복사하기 위해 적절한 래치(latch)(를 획득해야 하는데, 래취 경합을 줄이기 위하여 도입된 기능을 의미한다. 예를 들면, 공유 풀 에 자신만의 private redo strand 공간을 만들어서 그곳에서 change vector를 생성 후 필요할 경우 LGWR(Log Writer)가 redo log file에 바로 기록할 수 있도록 한 기능이다. Change vector는 변경된 데이터를 나중에 복구를 할 목적으로 redo log에 기록할 변경된 데이터에 대한 모든 정보의 세트를 의미한다.
표 1에서 제시된 데이터베이스(2000) 관련 정보의 명칭은 제조사, 사양 등에 따라서 변경될 수 있다.
도 3은 본 발명의 일 실시예에 따른 데이터베이스 성능 저하 분석 장치에 관한 블록도이다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 데이터베이스 성능 저하 분석 장치(1000)는 성능 정보 수신부(1150), 대상 객체 선정부(1200), 패턴 분석 모델 생성부(1250), 성능 분석부(1300), 참조값 산출부(1350), 주도적 주기 선정부(1400), 시점 예측부(1550), 정보 제공부(1500), 성능 저하 구간 분석부(1450) 및 원인 분석부(1600)를 포함할 수 있다.
성능 정보 수신부(1150)는 데이터베이스(2000)부 및/또는 데이터베이스 성능 정보 수집 장치(4000)로부터 데이터베이스(2000) 성능 관련 정보를 수신할 수 있다.
대상 객체 선정부(1200)는 성능 저하 패턴을 분석하고 성능 저하를 예측하기 위한 대상 객체를 선정할 수 있다.
대상 객체 선정부(1200)가 선정하는 대상 객체는 대기(Wait) 시간에 관한 성능 저하 패턴을 분석하고 예측하기 위한 대상인 대기 이벤트, 메모리 적중률에 관한 성능 저하 패턴을 분석하고 예측하기 위한 대상인 메모리 등이 될 수 있다.
패턴 분석 모델 생성부(1250)는 성능 관련 정보 중에서 대상 객체와 관련된 성능 관련 정보를 이용하여 대상 객체의 성능 저하 패턴을 분석하기 위한 패턴 분석 모델을 생성할 수 있다.
예를 들어, 패턴 분석 모델 생성부(1250)는 대상 객체와 관련된 성능 관련 정보의 패턴을 분석할 수 있는 패턴 분석 모델을 생성한다.
패턴 분석 모델은 대상 객체의 시간 별 성능 정보를 주기 별 성능 정보로 변경하는데 이용될 수 있다.
구체적으로 예를 들면, 패턴 분석 모델 생성부(1250)는 이산 퓨리에 변환 및 고속 퓨리에 변환을 이용하여 수학식 1과 같은 패턴 분석 모델을 생성할 수 있다.
[수학식 1]
Figure 112015021300242-pat00001
상기 수학식 1에서 WN는 e- j2 π/N이고, k는 0,1,….,N-1인 정수를 의미할 수 있다.
즉, X[k]는 주파수 영역에서의 값을 의미하고 x[n]은 시간 영역에서의 값을 의미한다. k에 주도적인(Dominant) 주기에 해당하는 주파수 를 대입하여 결과값을 도출할 수 있다. x[n]이 도출된 결과값과 동일하게 되는 n이 대상 객체에 대하여 성능 저하가 발생된 시점에 해당한다. n은 도 7 내지 12를 참조하면 Snap ID값이 될 수 있다. Snap ID는 데이터베이스(2000) 성능 관련 정보가 발생한 일자 또는 스냅샷을 찍은 일자와 관련될 수 있다. 도 7내지 12에서 Snap ID의 1부터 N은 시간 순서를 의미하며 몇 시간 단위일 수 있으며 몇 일 단위일 수도 있다.
주도적인 주기는 주도적 주기 선정부(1400)에 의하여 선정될 수 있다 성능 예측부, 참조값 산출부(1350) 및 주도적 주기 선정부(1400)에 관한 설명을 참조하여 보다 자세하게 이해할 수 있다.
패턴 분석 모델 생성부(1250)는 이미 패턴 분석 모델이 생성되어 있거나 설정되어 있는 경우에는 별도의 패턴 분석 모델을 생성하지 않고 이미 생성되었거나 설정된 패턴 분석 모델을 이용할 수 있다.
성능 분석부(1300)는 패턴 분석 모델을 이용하여 대상 객체의 성능을 주기 별로 분석할 수 있다.
즉, 성능 분석부(1300)는 패턴 분석 모델을 이용하여 시간 영역에서의 대상 객체의 성능 정보를 주파수(주기) 영역에서의 대상 객체의 성능 정보로 변환하여 분석할 수 있다.
구체적으로, 성능 분석부(1300)는 패턴 분석 모델을 이용하여 대상 객체의 시간 별 성능 정보를 주기 별 정보로 변경한다. 성능 분석부(1300)는 대상 객체의 성능 정보를 주기 별로 위상(Phase) 및/또는 진폭 크기를 산출할 수 있다.
참조값 산출부(1350)는 성능 분석부(1300)에 의하여 분석된 대상 객체의 주기 별 성능에 관한 정보 및 기 설정된 참조값 산출 방식을 이용하여 참조값을 산출할 수 있다.
예를 들어 기 설정된 참조값 산출 방식에 의하여 산출되는 참조값이 전체 진폭의 크기에서 각 주기에 해당하는 진폭 크기의 비율일 수 있다.
이러한 경우, 참조값 산출부(1350)는 주기 별 진폭 크기에 관한 정보 등을 이용하여 각 주기 별로 진폭 크기의 비율을 산출할 수 있다.
주도적 주기 선정부(1400)는 참조값 산출부(1350)에 의하여 산출된 주기 별 진폭 크기의 비율이 기 설정된 비율 이상인 진폭의 크기에 해당하는 주기를 주도적인 주기로 선정할 수 있다.
예를 들면, 대상 객체가 대기 이벤트인 경우, 기 설정된 비율은 30%정도 일수 있다. 다른 예를 들면 대상 객체가 메모리인 경우, 기 설정된 비율은 10%정도 일 수 있다. 기 설정된 비율은 대상 객체의 종류에 따라서 상이하게 설정될 수 있으며 데이터베이스의 성능, 사용자의 요구 성능 등에 따라서 변경될 수 있다.
성능 저하 구간 분석부(1450)는 성능 저하가 발생하는 구간을 판단할 수 있다.
성능 저하 구간 분석부(1450)는 시간 영역에서 성능 저하가 발생하는 구간을 판단할 수 있다.
성능 저하 구간 분석부(1450)는 주도적인 주기로 선정된 주기에 해당하는 시간에 관한 정보를 패턴 분석 모델을 이용하여 획득할 수 있다.
예를 들어, 패턴 분석 모델이 이산 퓨리에 변환 및 고속 퓨리에 변환을 이용하여 생성된 경우, 성능 저하 구간 분석부(1450)는 주도적인 주기를 이산 퓨리에 변환 및 고속 퓨리에 변환을 이용하여 시간 영역으로 역산하여 성능 저하 구간을 시간 영역에서 판단할 수 있다.
하나의 대상 객체에서 소정의 기간 동안의 성능 정보를 이용하여 분석한 결과 복수 개의 주도적인 주기가 선정된 경우, 성능 저하 구간 분석부(1450)는 시간 영역에서 대상 객체의 성능 저하 구간이 복수 개 존재함을 판단할 수 있다.
복수 개의 성능 저하 구간이 존재하는 경우, 성능 저하 구간 분석부(1450)는 성능 저하 구간의 패턴을 분석할 수 있다.
시점 예측부(1550)는 성능 저하 구간에 관한 정보를 이용하여 미래 시점에서 성능 저하가 발생할 시점을 예측할 수 있다. 여기서 시점은 반드시 어느 한 지점을 의미할 수도 있으나 시간 범위인 구간을 의미할 수도 있다. 즉, 시점 예측부(1550)는 미래 시점에서 성능 저하가 발생할 시점 또는 구간을 예측할 수 있다.
구체적으로, 시점 예측부(1550)는 성능 저하 구간의 패턴에 관한 정보를 이용하여 미래 시점에서 대상 객체의 성능 저하로 기 설정된 기준값 이상인 값을 가지는 참조값이 발생될 시점을 예측할 수 있다.
또는, 시점 예측부(1550)는 주도적인 주기에 관한 정보를 이용하여 미래 시점에서 대상 객체의 성능 저하로 기 설정된 기준값 이상인 값을 가지는 참조값이 발생될 시점을 예측할 수도 있다.
예를 들면, 성능 저하 구간 분석부(1450)에 의한 분석 결과 시간 영역에서 매일 14시와 18시마다 성능 저하가 발생되는 경우 시점 예측부(1550)는 미래 시점에서도 14시와 18시에 성능 저하가 발생할 것을 예측할 수 있다.
또는, 주도적인 주기가 8주기 마다 발생하는 경우, 시점 예측부(1550)는 가장 최근에 성능 저하가 발생한 주기로부터 8주기 이후에 해당하는 시점에서 성능 저하가 발생할 것을 예측할 수 있다.
시점 예측부(1550)는 가장 최근에 성능 저하가 발생한 주기로부터 8주기 이후에 해당하는 시점을 이산 퓨리에 변환 및 고속 퓨리에 변환을 이용하여 시간 영역에서의 시점 정보를 획득할 수도 있다.
원인 분석부(1600)는 성능 저하 구간이 발생한 원인에 관하여 분석할 수 있다.
원인 분석부(1600)는 대상 객체 별로 기 설정된 원인 분석 방식에 기초하여 원인을 분석할 수 있다.
기 설정된 원인 분석 방식에 관한 구체적인 내용은 도 7 내지 12를 참조하여 설명한다.
정보 제공부(1500)는 성능 저하 구간 분석부(1450)에서 판단 및 분석된 정보, 시점 예측부(1550)에 의하여 예측된 정보. 원인 분석부(1600)에 의하여 분석된 원인에 관한 정보 및/또는 성능 저하 해결 방안에 관한 정보를 사용자에게 제공할 수 있다.
도 4는 본 발명의 일 실시예에 따른 데이터베이스(2000) 성능 저하 예측 장치의 하드웨어 구성의 일 예를 나타내는 도면이다.
본 실시예에 따른 데이터베이스(2000) 성능 저하 예측 장치는 도 4의 구성을 가질 수 있다.
도 4에 도시된 바와 같이, 데이터베이스(2000) 성능 저하 예측 장치는 데이터베이스(2000) 성능 저하 예측 프로세서(10), 스토리지(20), 메모리(30) 및 네트워크 인터페이스(40)를 포함할 수 있다.
또한, 데이터베이스(2000) 성능 저하 예측 장치(100)는 데이터베이스(2000) 성능 저하 예측 프로세서(10) 및 메모리(30)와 연결되어 데이터 이동 통로가 되는 시스템 버스(50)를 포함할 수 있다.
네트워크 인터페이스(40)에는 다른 컴퓨팅 장치가 연결 될 수 있다. 예를 들면, 네트워크 인터페이스(40)에 연결되는 다른 컴퓨팅 장치는 디스플레이 장치, 사용자 단말(3000) 등이 될 수 있다.
네트워크 인터페이스(40)는 이더넷, FireWire, USB 등이 될 수 있다.
스토리지(20)는 플래쉬 메모리(Flash memory)와 같은 비휘발성 메모리 소자, 하드 디스크 등으로 구현될 수 있으나 이에 한정되지는 않는다.
스토리지(20)는 데이터베이스(2000) 성능 저하 예측용 컴퓨터 프로그램(21)의 데이터를 저장한다. 데이터베이스(2000) 성능 저하 예측용 컴퓨터 프로그램(21)의 데이터는 바이너리 실행 파일 및 기타 리소스 파일을 포함할 수 있다.
또한, 스토리지(20)는 데이터베이스(2000) 또는 데이터베이스 성능 정보 수집 장치(4000)로부터 수신한 데이터베이스(2000) 성능 관련 정보(22)를 저장할 수 있다.
메모리(30)는 데이터베이스(2000) 성능 저하 예측용 컴퓨터 프로그램(21)를 로딩한다. 데이터베이스(2000) 성능 저하 예측용 컴퓨터 프로그램(21)은 데이터베이스(2000) 성능 저하 예측 프로세서(10)에 제공 되고, 데이터베이스(2000) 성능 저하 예측 프로세서(10)에 의하여 실행 된다.
데이터베이스(2000) 성능 저하 예측 프로세서(10)는 데이터베이스(2000) 성능 저하 예측용 컴퓨터 프로그램(21)을 실행할 수 있는 프로세서이다. 다만, 데이터베이스(2000) 성능 저하 예측 프로세서(10)는 데이터베이스(2000) 성능 저하 예측용 컴퓨터 프로그램(21)만을 실행할 수 있는 프로세서는 아닐 수 있다. 예를 들면, 데이터베이스(2000) 성능 저하 예측 프로세서(10)는 데이터베이스(2000) 성능 저하 예측용 컴퓨터 프로그램(21) 외에 다른 프로그램을 실행할 수도 있다.
데이터베이스(2000) 성능 저하 예측용 컴퓨터 프로그램(21)은, 소정의 기간 이상 동안의 데이터베이스(2000)의 성능 관련 정보를 이용하여 성능 저하를 예측하기 위한 대상 객체를 선정하는 과정. 상기 데이터베이스(2000)의 성능 관련 정보를 이용하여 상기 선정된 대상 객체의 시간 별 성능 저하 시점을 주기 별로 분석하기 위한 패턴 분석 모델을 생성하는 과정, 상기 패턴 분석 모델을 이용하여 상기 대상 객체의 성능을 주기 별로 분석하는 과정, 상기 대상 객체의 주기 별 성능에 관한 정보 및 기 설정된 참조값 산출 방식을 이용하여 참조값을 산출하는 과정, 상기 산출된 참조값 중 기 설정된 기준값 이상인 값을 가지는 주기를 주도적인(Dominant) 주기로 선정하는 과정 및 상기 주도적인 주를 이용하여 상기 대상 객체의 성능 저하 구간을 시간 영역에서 판단하는 과정을 수행하는 일련의 오퍼레이션을 포함할 수 있다.
또한, 데이터베이스(2000) 성능 저하 예측용 컴퓨터 프로그램(21)은, 상기 판단된 성능 저하 구간에 관한 정보 및/또는 주도적인 주기에 관한 정보를 이용하여 미래 시점에서 상기 대상 객체의 성능 저하로 상기 기 설정된 기준값 이상인 값을 가지는 참조값이 발생될 시점을 예측하는 과정을 더 수행하는 오퍼레이션을 더 포함할 수 있다.
또한, 데이터베이스(2000) 성능 저하 예측용 컴퓨터 프로그램은(21)은, 소정의 기간 이상 동안의 데이터베이스(2000)의 성능 관련 정보를 이용하여 성능 저하를 예측하기 위한 대상 객체를 선정하는 과정, 기 설정된 패턴 분석 모델을 이용하여 상기 대상 객체의 성능을 주기 별로 분석하는 과정, 상기 대상 객체의 주기 별 성능에 관한 정보 및 기 설정된 참조값 산출 방식을 이용하여 참조값을 산출하는 과정, 상기 산출된 참조값 중 기 설정된 기준값 이상인 값을 가지는 주기를 주도적인(Dominant) 주기로 선정하는 과정 및 상기 주도적인 주를 이용하여 상기 대상 객체의 성능 저하 구간을 시간 영역에서 판단하는 과정을 수행하는 일련의 오퍼레이션을 포함할 수 있다.
이하, 도 5을 참조하여 본 발명의 다른 실시예에 따른 데이터베이스 성능 저하 분석 방법을 설명한다. 본 실시예는 연산 수단을 구비한 컴퓨팅 장치에 의하여 수행 될 수 있다. 상기 컴퓨팅 장치는, 예를 들어 본 발명의 일 실시예에 따른 데이터베이스 성능 저하 분석 장치(1000)일 수 있다. 상기 데이터베이스 성능 저하 분석 장치(1000)의 구성 및 동작에 대하여는 도 1 및 도 4를 참조하여 설명한 내용을 통해 이해할 수 있다.
또한, 본 발명의 다른 실시예에 따른 데이터베이스 성능 저하 분석 방법에 관한 설명도 본 발명의 일 실시예에 따른 데이터베이스 성능 저하 분석 장치(1000)에 적용될 수 있다.
도 5는 본 발명의 다른 실시예에 따른 데이터베이스 성능 저하 분석 방법에 관한 흐름도이다.
도 5를 참조하면, 컴퓨팅 장치가 데이터베이스(2000) 성능 관련 정보를 수신한다(S100).
컴퓨팅 장치가 성능 저하를 분석하고자 하는 대상 객체를 선정한다(S200).
구체적으로 컴퓨팅 장치가 대상 객체를 선정하는 예를 도 6을 참조하여 설명한다.
도 6은 대상 객체를 선정하는 방법의 일 예를 나타내는 순서도이다.
도 6을 참조하면, 컴퓨팅 장치는 성능 관련 정보를 이용하여 대상 객체가 될 수 있는 객체들마다 기 설정된 복수 개의 점검 항목에 부합하는지 여부를 분석한다(S210).
컴퓨팅 장치는 기 설정된 복수 개의 점검 항목 중 기 설정된 횟수 이상 미흡한 점검 항목을 대상 객체로 선정할 수 있다(S220).
기 설정된 횟수 이상은 대상 객체의 종류나 유형에 따라서 상이하게 설정될 수 있다. 예를 들어 기 설정된 복수 개의 점검 개수는 모두 46개이며 그 중 6개 항목은 메모리 적중률과 관련된 점검 항목일 수 있다. 컴퓨팅 장치는 메모리마다 상기 6개의 항목에 부합하는지 여부를 분석할 수 있다. 대상 객체의 종류가 메모리인 경우 기 설정된 횟수가 1회로 설정되었다고 가정할 때, 컴퓨팅 장치는 6개의 항목 중 적어도 하나의 항목이 미흡한 메모리를 성능 저하를 분석하기 위한 대상 객체로 선정할 수 있다.
다시 도 5를 참조하면, 대상 객체의 성능 저하를 분석하기 위한 패턴 분석 모델이 존재하지 않는 경우, 컴퓨팅 장치는 패턴 분석 모델을 생성할 수 있다(S300, S400).
컴퓨팅 장치는 생성한 패턴 분석 모델을 이용하여 대상 객체의 성능을 주기 별로 분석할 수 있다(S500). 즉, 컴퓨팅 자치는 생성한 패턴 분석 모델 및 시간 영역에서의 데이터베이스(2000) 성능 관련 정보를 이용하여 데이터베이스(2000)의 성능을 주파수 영역에서 주기 별로 분석할 수 있다(S500).
컴퓨팅 장치는 패턴 분석 모델이 이미 생성되어 있거나 기 설정된 패턴 분석 모델이 존재하는 경우에는 패턴 분석 모델을 이용하여 대상 객체의 성능을 주기 별로 분석할 수 있다(S300, S500).
컴퓨팅 장치가 주기 별로 분석된 대상 객체의 성능 정보를 이용하여 기 설정된 참조값 산출 방식을 이용하여 참조값을 산출한다(S600).
컴퓨팅 장치가 참조값 중 기 설정된 기준값 이상인 값을 가지는 주기를 주도적인 주기로 선정한다(S700).
컴퓨팅 장치는 주도적인 주기를 이용하여 대상 객체의 성능 저하가 발생하는 시점을 시간 영역에서 산출한다(S800). 예를 들면, 컴퓨팅 장치는 이산 퓨리에 변환 및 고속 퓨리에 변환의 역산을 이용하여 주도적인 주기에 해당하는 시점을 시간 영역에서 산출할 수 있다.
컴퓨팅 장치는 주도적인 주기에 해당하는 시점에 관한 정보를 분석한다(S900). 주도적인 주기에 해당하는 곳은 대상 객체의 성능 저하가 일정 수준 이상으로 발생한 곳에 해당한다. 따라서, 주도적인 주기에 해당하는 시간 영역에서의 산출된 시점은 성능 저하가 일정 수준 이상으로 발생한 시점이다. 컴퓨팅 장치는 이러한 성능 저하가 일정 수준 이상으로 발생한 시점 또는 구간의 패턴을 분석할 수 있다.
컴퓨팅 장치는 성능 저하가 일정 수준 이상으로 발생한 시점 또는 구간의 패턴 정보를 이용하여 향후 성능 저하가 예측되는 시점 또는 구간을 예측할 수 있다(S1200).
또한, 컴퓨팅 장치는 성능 저하가 일정 수준 이상으로 발생한 시점 또는 구간의 패턴 정보를 이용하여 성능 저하의 원인을 분석할 수도 있다(S1000)
컴퓨팅 장치는 성능 저하와 관련된 정보를 사용자에게 제공할 수 있다(S1100). 성능 저하와 관련된 정보는 성능 저하가 발생한 구간에 관한 정보, 성능 저하의 원인, 성능 저하의 해소 방안 및/또는 성능 저하가 예측되는 시점에 관한 정보를 포함할 수 있다.
도 7 내지 도 9는 대상 객체가 대기 이벤트인 경우 성능 분석 및 주도적인 주기를 선정하는 예를 설명하기 위한 도면이다.
도 10 내지 도 12는 대상 객체가 메모리인 경우 성능 분석 및 주도적인 주기를 선정하는 예를 설명하기 위한 도면이다.
도 7은 대상 객체가 대기 이벤트인 경우 중에서 평균 Buffer Busy Wait(%)의 성능 저하를 분석하고 주도적인 주기를 선정하는 일 예를 나타내는 도면이다.
도 7에서 Snap ID(Xi)(71)에서 1부터 N까지는 시간 순서를 나타낸다. 시간 단위는 설정에 따를 수 있다. 예를 들어 시간 단위는 한 시간 단위일 수도 있으며 1일 단위일 수도 있다.
시간 영역에서 시간 순서별(Snap ID 별)(71) 평균 Buffer Busy Wait(%)(72)는 수신한 데이터베이스(2000) 성능 관련 정보에 포함될 수도 있으며, 수신한 데이터베이스(2000) 성능 관련 정보를 이용하여 산출된 대기 이벤트의 성능 정보일 수도 있다.
평균 Buffer Busy Wait(%)는 Non-Idle 대기(Wait)의 전체 대기 시간 중에서 메모리에서 필요한 데이터 블록을 읽는 동안 경합이 발생하여 대기한 시간의 평균 비율을 의미할 수 있다.
상기 시간 영역에서의 정보를 패턴 분석 모델을 이용하여 주기 별로 변환하여 분석할 수 있다.
분석된 정보의 예를 살펴보면 1부터 N까지 주기(wi)(73) 별로 진폭 크기(74), 진폭 비율(75) 및 위상(Phase)(76)을 산출된 것을 볼 수 있다.
도 7에서 진폭 비율(75)이 참조값으로 설정될 수 있다. 진폭 비율은 전제 진폭 크기에서 해당 주기의 진폭 크기가 차지하는 비율을 의미한다.
대기 이벤트의 경우 기 설정된 참조값이 30%라고 가정하면, 도 7에서 주도적인 주기는 주기 2(77)가 선정될 수 있다.
컴퓨팅 장치는 주도적인 주기 2에 해당하는 시점을 시간 영역으로 변환하여 일정 수준 이상으로 성능 저하가 일어나는 시점(또는 구간)을 파악할 수 있다.
대기 이벤트에 해당하는 성능은 평균 Buffer Busy Wait(%)뿐만 아니라 평균 ENQ Wait(%), 최대 Redo Log File Wait(%) 등이 존재할 수 있다.
평균 ENQ Wait(%)는 Non-Idle 대기의 전체 대기 시간 중에서 데이터 입력/수정/삭제 및 시컨스 사용시 필요한 락(Lock)을 획득하는데 대기 시간을 많이 유발하는 요소들의 평균 대기 시간을 의미할 수 있다.
예를 들면, 평균 ENQ Wait(%)에는 enq: TM - contention, enq: TX - row lock contention, enq: TX - allocate ITL Entry, enq: TX - Index contention, enq: TX - contention, enq: SQ - contention 및/또는 enq: TT - contention 등의 대기 시간의 평균을 의미할 수 있다.
최대 Redo Log File Wait(%)는 Non-Idle 대기의 대기 시간 중에서 Redo Log File을 사용하기 위해 걸리 대기 시간의 평균 비율(예를 들면, Snapshot 단위로 측정하며 그 중 최대값을 의미할 수 있음)을 의미할 수 있다.
도 7 내지 도 9에서 72, 82 및/또는 92에 해당하는 정보는 수신된 데이터베이스(2000) 성능 관련 정보에 포함되어 있을 수 있다. 또는, 수신된 데이터베이스(2000) 성능 관련 정보를 이용하여 산출된 정보일 수 있다.
도 8을 참조하면, 평균 ENQ Wait(%) 성능 분석도 도 7을 참조하여 설명한 바와 같이 수행될 수 있다.
즉, 컴퓨팅 장치가 평균 ENQ Wait(%)의 시간 별 성능 정보(82)를 패턴 분석 모델을 이용하여 주기 별(83) 정보(84, 86)로 변경한다.
컴퓨팅 장치가 주기 별(83)로 변경된 정보(84, 86)를 이용하여 진폭비율(85)을 참조값으로 산출한다. 기 설정된 참조값이 30%라고 하면, 컴퓨팅 장치는 도 8에서 주기 1(87)이 주도적인 주기로 선정할 수 있다.
도 9를 참조하면, 최대 Redo Log File Wait(%) 성능 분석도 도 7 및 8을 참조하여 설명한 바와 같이 수행될 수 있다.
참조값은 진폭 비율(95)로 설정하고, 기 설정된 참조값이 30%라고 가정하였을 때, 30%를 초과하는 진폭 비율을 가지는 주기가 존재하지 않으므로 주도적인 주기는 없다.
이러한 경우, 컴퓨팅 장치는 최대 Redo Log File Wait(%) 성능은 일정 수준 이하로 성능 저하가 발생한 경우가 없는 것으로 분석할 수 있다.
도 10은 대상 객체가 메모리인 경우 중에서 평균 Buffer Cache Hit(%)의 성능 저하를 분석하고 주도적인 주기를 선정하는 일 예를 나타내는 도면이다.
데이터베이스(2000)의 메모리 적중률에 대한 성능을 분석하기 위한 지표로 평균 Buffer Cache Hit(%)가 이용될 수 있다. 평균 Buffer Cache Hit(%)는 필요한 데이터 블록을 디스크에서 읽지 않고 버퍼 캐시 영역에서 획득한 비율을 의미할 수 있다.
도 10에서 Snap ID(Xi)(101)에서 1부터 N까지는 시간 순서를 나타낸다. 시간 단위는 설정에 따를 수 있다. 예를 들어 시간 단위는 한 시간 단위일 수도 있으며 1일 단위일 수도 있다.
시간 영역에서 시간 순서별(Snap ID 별)(101) 평균 Buffer Cache Hit(%)값은 도 10에서 102를 통해 알 수 있다.
시간 영역에서의 평균 Buffer Cache Hit(%)값 정보를 패턴 분석 모델을 이용하여 주기 별로 변환하여 분석할 수 있다.
분석된 정보의 예를 살펴보면 1부터 N까지 주기(wi)(103) 별로 진폭 크기(104), 진폭 비율(105) 및 위상(Phase)(106)을 산출된 것을 볼 수 있다.
도 10에서 진폭 비율(105)이 참조값으로 설정될 수 있다. 진폭 비율은 전제 진폭 크기에서 해당 주기의 진폭 크기가 차지하는 비율을 의미한다.
대상 객체가 메모리인 경우 기 설정된 참조값이 10%라고 가정하면, 도 10에서 주도적인 주기는 주기 1(107)이 선정될 수 있다.
컴퓨팅 장치는 주도적인 주기 1에 해당하는 시점을 시간 영역으로 변환하여 일정 수준 이상으로 성능 저하가 일어나는 시점(또는 구간)을 파악할 수 있다.
메모리 적중률 성능 저하를 분석하기 위한 대상 객체로 메모리에 해당하는 성능은 평균 Buffer Cache Hit(%)뿐만 아니라 평균 Library Cache Hit(%), 평균 Row Cache Hit(%) 등을 포함할 수 있다.
평균 Library Cache Hit(%)는 SQL 수행에 필요한 파싱 정보를 고유 풀에서 찾은 평균 비율을 의미한다.
평균 Row Cache Hit(%)는 SQL Hard 파싱시 객체에 대한 정보를 데이터 딕셔너리(Dictionary)에서 찾은 평균 비율을 의미한다.
도 11을 참조하면, 메모리가 대상 객체인 경우 평균 Library Cache Hit(%)의 성능 분석도 도 10을 참조하여 설명한 바와 같이 수행될 수 있다.
즉, 컴퓨팅 장치가 평균 Library Cache Hit(%)의 시간 별 성능 정보(1102)를 패턴 분석 모델을 이용하여 주기 별(1103) 정보(1104, 1106)로 변경한다.
컴퓨팅 장치가 주기 별(1103)로 변경된 정보(1104, 1106)를 이용하여 진폭비율(1105)을 참조값으로 산출한다. 기 설정된 참조값이 10%라고 하면, 컴퓨팅 장치는 도 11에서 주기 2(1107)를 주도적인 주기로 선정할 수 있다.
컴퓨팅 장치는 주기 2에 해당하는 구간을 시간 영역에서 파악할 수 있다.
도 12를 참조하면, 평균 Row Cache Hit(%) 성능 분석도 도 10 및 11을 참조하여 설명한 바와 같이 수행될 수 있다.
참조값은 진폭 비율(1205)로 설정하고, 기 설정된 참조값이 10%라고 가정하였을 때, 주도적인 주기는 1, N가 선정될 수 있다.
컴퓨팅 장치는 주기 1과 N에 해당하는 각각의 구간을 시간 영역에서 파악할 수 있다.
도 10 내지 도 12에서 102, 1102 및/또는 1202에 해당하는 정보는 수신된 데이터베이스(2000) 성능 관련 정보에 포함되어 있을 수 있다. 또는, 수신된 데이터베이스(2000) 성능 관련 정보를 이용하여 산출된 정보일 수 있다.
또한, 컴퓨팅 장치는 주도적인 주기에 해당하는 시간 영역에서의 시점(또는 구간)의 패턴 정보를 이용하여 향후 성능 저하가 발생할 시점(또는 구간)을 예측할 수 있다.
또한, 컴퓨팅 장치는 대상 객체에서 성능 저하가 발생하는 구간이 존재하는 경우, 해당 성능 저하가 발생하는 원인을 기 설정된 원인 분석 방식에 따라서 상세 분석할 수 있다. 기 설정된 원인 분석 방식은 대상 객체, 평가하고자 하는 성능의 종류 등에 따라서 상이하게 설정될 수 있으며 변경될 수 있다.
예를 들면, 평균 Buffer Busy Wait(%) 분석 결과 성능 저하 구간이 존재하는 경우 평균 Buffer Busy Wait(%)의 요소를 분석하여 문제를 유발하는 SQL을 추출하여 성능 저하의 원인을 분석할 수 있다.
또한, 평균 ENQ Wait(%) 분석 결과 성능 저하 구간이 존재하는 경우, 평균 ENQ Wait(%)의 요소를 분석하여 문제를 유발하는 SQL을 추출하고, 관련 파라미터 항목을 점검하여 성능 저하의 원인을 분석할 수 있다.
또한, 최대 Redo Log File Wait(%) 분석 결과 성능 저하 구간이 존재하는 경우, Redo Log File의 사이즈 증가 여부 점검, Redo Log Group 추가 여부 점검, Redo Log File 및 Redo Log Group 현황 점검을 통하여 성능 저하의 원인을 분석할 수 있다.
또한, 평균 Buffer Cache Hit(%) 성능 분석 결과 성능 저하 구간이 존재하는 경우, 물리적 리드(Physical Read)가 과도하게 발생하는지 점검, 물리적 리드(Physical Reads)를 많이 유발하는 SQL의 점검, 메모리 성능과 관련된 파라미터 항목을 점검하여 성능 저하의 원인을 분석할 수 있다.
또한, 평균 Library Cache Hit(%) 성능 분석 결과 성능 저하 구간이 존재하는 경우, SQL 실행시 Hard 파싱이 발생하는지 점검, Literal SQL 점검, 메모리 성능과 관련된 파라미터 항목을 점검하여 성능 저하의 원인을 분석할 수 있다.
또한, 평균 Row Cache Hit(%) 성능 분석 결과 성능 저하 구간이 존재하는 경우, 오브젝트에 대한 DDL 발생 점검, 시퀀스의 캐시 사이즈 확인, 메모리 성능과 관련된 파라미터 항목을 점검하여 성능 저하의 원인을 분석할 수 있다.
앞서 도 5에서 동작들이 특정한 순서로 도시되어 있지만, 원하는 결과를 얻기 위해서 그러한 동작들이 도시된 특정한 순서로 또는 순차적 순서로 실행되어야만 하거나 또는 모든 도시된 동작들이 실행되어야만 하는 것으로 이해되어서는 안된다. 특정 상황에서는, 멀티태스킹 및 병렬 처리가 유리할 수도 있다. 더욱이, 위에 설명한 실시예들에서 다양한 구성들의 분리는 그러한 분리가 반드시 필요한 것으로 이해되어서는 안되고, 설명된 프로그램 컴포넌트들 및 시스템들은 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키지될 수 있음을 이해하여야 한다.
지금까지 도 3의 각 구성요소는 소프트웨어(software) 또는, FPGA(field-programmable gate array)나 ASIC(application-specific integrated circuit)과 같은 하드웨어(hardware)를 의미할 수 있다. 그렇지만 상기 구성요소들은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, 어드레싱(addressing)할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 실행시키도록 구성될 수도 있다. 상기 구성요소들 안에서 제공되는 기능은 더 세분화된 구성요소에 의하여 구현될 수 있으며, 복수의 구성요소들을 합하여 특정한 기능을 수행하는 하나의 구성요소로 구현할 수도 있다.
이상 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.

Claims (22)

  1. 소정의 기간 이상 동안의 데이터베이스의 성능 관련 정보를 이용하여 성능 저하를 예측하기 위한 대상 객체를 선정하는 단계;
    상기 데이터베이스의 성능 관련 정보를 이용하여 상기 선정된 대상 객체의 시간 별 성능 저하 시점을 주기 별로 분석하기 위한 패턴 분석 모델을 생성하는 단계;
    상기 패턴 분석 모델을 이용하여 상기 대상 객체의 성능을 주기 별로 분석하는 단계;
    상기 대상 객체의 주기 별 성능에 관한 정보 및 기 설정된 참조값 산출 방식을 이용하여 참조값을 산출하는 단계;
    상기 산출된 참조값 중 기 설정된 기준값 이상인 값을 가지는 주기를 주도적인(Dominant) 주기로 선정하는 단계; 및
    상기 주기 별로 분석된 대상 객체의 성능을 이용하여 일정 수준 이하로 성능 저하가 발생한 구간을 분석하는 단계를 포함하는, 데이터베이스 성능 저하 분석 방법.
  2. 제1 항에 있어서,
    상기 성능 저하가 발생한 구간을 분석하는 단계는,
    상기 주도적인 주기를 이용하여 시간 영역에서 상기 대상 객체의 성능 저하가 발생한 구간을 분석하는 단계를 포함하는, 데이터베이스 성능 저하 분석 방법.
  3. 제1 항에 있어서,
    상기 성능 저하 분석 방법은,
    상기 성능 저하 구간에 관한 분석 정보를 이용하여 미래 시점에서 상기 대상 객체의 성능 저하로 상기 일정 수준 이상으로 성능 저하가 발생하는 구간을 예측하는 단계를 더 포함하는, 데이터베이스 성능 저하 분석 방법.
  4. 제3 항에 있어서,
    상기 데이터베이스 성능 저하 분석 방법은,
    상기 성능 저하 구간에 관한 분석 정보 및 상기 예측한 구간에 관한 정보 중 적어도 어느 하나의 정보를 사용자에게 제공하는 단계를 더 포함하는, 데이터베이스 성능 저하 분석 방법.
  5. 제1 항에 있어서,
    상기 대상 객체를 선정하는 단계는,
    상기 성능 관련 정보를 이용하여 기 설정된 복수 개의 점검 항목에 부합하는지 여부를 분석하는 단계; 및
    상기 기 설정된 복수 개의 점검 항목 중 기 설정된 횟수 이상 미흡한 점검 항목에 해당하는 객체를 상기 대상 객체로 선정하는 단계를 포함하는, 데이터베이스 성능 저하 분석 방법.
  6. 제2 항에 있어서,
    상기 성능 저하가 발생한 구간을 분석하는 단계는,
    상기 주도적인 주기를 이산 퓨리에 변환 및 고속 퓨리에 변환을 이용하여 시간 도메인으로 역산하여 상기 성능 저하 구간을 산출하는 단계; 및
    상기 산출된 성능 저하 구간의 패턴을 분석하는 단계를 포함하는, 데이터베이스 성능 저하 분석 방법.
  7. 제2 항에 있어서,
    상기 주도적인 주기가 복수 개인 경우,
    상기 성능 저하가 발생한 구간을 분석하는 단계는,
    복수 개의 성능 저하 구간을 분석하는 단계; 및
    상기 복수 개의 성능 저하 구간의 패턴 정보를 분석하는 단계를 포함하되,
    상기 데이터베이스 성능 저하 분석 방법은,
    상기 복수 개의 성능 저하 구간의 패턴 정보를 이용하여 미래 시점에서 상기 대상 객체의 성능 저하로 상기 기 설정된 기준값 이상인 값을 가지는 참조값이 발생될 시점을 예측하는 단계를 더 포함하는, 데이터베이스 성능 저하 분석 방법.
  8. 제1 항에 있어서,
    상기 패턴 분석 모델을 생성하는 방법은,
    이산 퓨리에 변환 및 고속 퓨리에 변환 식을 이용하여 상기 패턴 분석 모델을 생성하는 단계를 포함하는, 데이터베이스 성능 저하 분석 방법.
  9. 제1 항에 있어서,
    상기 데이터베이스 성능 저하 분석 방법은,
    상기 성능 저하가 발생한 구간에 관한 분석 정보를 사용자에게 제공하는 단계를 더 포함하는, 데이터베이스 성능 저하 분석 방법.
  10. 제1 항에 있어서,
    상기 데이터베이스 성능 저하 분석 방법은,
    상기 성능 저하가 발생한 구간에 대하여 상기 대상 객체 별로 설정된 상세 분석 항목에 따라서 상기 성능 저하의 원인을 분석하는 단계를 더 포함하는, 데이터베이스 성능 저하 분석 방법
  11. 제2 항에 있어서,
    상기 대상 객체의 성능을 주기 별로 분석하는 단계는,
    상기 대상 객체의 성능 정보를 이용하여 주기 별로 진폭 크기를 산출하는 단계를 포함하고,
    상기 참조값을 산출하는 단계는,
    전체 진폭의 크기에서 각 주기에 해당하는 진폭 크기의 비율을 상기 참조값으로 산출하는 단계를 포함하는, 데이터베이스 성능 저하 분석 방법.
  12. 제11 항에 있어서,
    상기 주도적인 주기로 선정하는 단계는,
    상기 진폭 크기의 비율이 기 설정된 참조값 이상인 진폭의 크기에 해당하는 주기를 상기 주도적인 주기로 선정하는 단계를 포함하는, 데이터베이스 성능 저하 분석 방법.
  13. 소정의 기간 이상 동안의 데이터베이스의 성능 관련 정보를 이용하여 성능 저하를 예측하기 위한 대상 객체를 선정하는 단계;
    상기 데이터베이스의 성능 관련 정보를 이용하여 상기 선정된 대상 객체의 시간 별 성능 저하 시점을 주기 별로 분석하기 위한 패턴 분석 모델을 생성하는 단계;
    상기 패턴 분석 모델을 이용하여 상기 대상 객체의 성능을 주기 별로 분석하는 단계;
    상기 대상 객체의 주기 별 성능에 관한 정보 및 기 설정된 참조값 산출 방식을 이용하여 참조값을 산출하는 단계;
    상기 산출된 참조값 중 기 설정된 기준값 이상인 값을 가지는 주기를 주도적인(Dominant) 주기로 선정하는 단계; 및
    상기 주도적인 주기의 패턴에 관한 정보를 이용하여 미래 시점에서 상기 대상 객체의 주기 별 성능에 대한 참조값이 상기 기 설정된 기준값 이상인 주기를 예측하는 단계를 포함하는, 데이터베이스 성능 저하 분석 방법.
  14. 제13 항에 있어서,
    상기 데이터베이스 성능 저하 분석 방법은,
    시간 영역에서 상기 예측된 주기에 해당하는 구간에 관한 정보를 획득하는 단계를 더 포함하는, 데이터베이스 성능 저하 분석 방법.
  15. 소정의 기간 이상 동안의 데이터베이스 성능 관련 정보를 이용하여 성능 저하를 예측하기 위한 대상 객체를 선정하는 단계;
    기 설정된 패턴 분석 모델을 이용하여 상기 대상 객체의 시간 영역에서의 성능을 주기 별로 분석하는 단계;
    상기 대상 객체의 주기 별로 분석한 정보 및 기 설정된 참조값 산출 방식을 이용하여 참조값을 산출하는 단계;
    상기 산출된 참조값 중 기 설정된 기준값 이상인 값을 가지는 주기를 주도적인(Dominant) 주기로 선정하는 단계; 및
    상기 주도적인 주기를 이용하여 시간 영역에서 상기 대상 객체의 성능 저하가 발생한 구간을 분석하는 단계를 포함하는, 데이터베이스 성능 저하 분석 방법.
  16. 하드웨어와 결합되어,
    제1 항 내지 15항 중 어느 하나의 방법을 수행하기 위하여 매체에 저장된 컴퓨터프로그램.
  17. 소정의 기간 이상 동안의 데이터베이스의 성능 관련 정보를 이용하여 성능 저하를 예측하기 위한 대상 객체를 선정하는 대상 객체 선정부;
    상기 데이터베이스의 성능 관련 정보를 이용하여 상기 선정된 대상 객체의 시간 별 성능 저하 시점을 주기 별로 분석하기 위한 패턴 분석 모델을 생성하는 패턴 분석 모델 생성부;
    상기 패턴 분석 모델을 이용하여 상기 대상 객체의 성능을 주기 별로 분석하는 성능 분석부;
    상기 대상 객체의 주기 별 성능에 관한 정보 및 기 설정된 참조값 산출 방식을 이용하여 참조값을 산출하는 참조값 산출부;
    상기 산출된 참조값 중 기 설정된 기준값 이상인 값을 가지는 주기를 주도적인(Dominant) 주기로 선정하는 주도적 주기 선정부; 및
    상기 주기 별로 분석된 대상 객체의 성능을 이용하여 일정 수준 이하로 성능 저하가 발생한 구간을 분석하는 성능 저하 구간 분석부를 포함하는, 데이터베이스 성능 저하 분석 장치.
  18. 제17 항에 있어서,
    상기 성능 저하 구간 분석부는,
    상기 주도적인 주기를 이용하여 시간 영역에서 상기 대상 객체의 성능 저하 구간을 분석하는, 데이터베이스 성능 저하 분석 장치.
  19. 제18 항에 있어서,
    상기 주도적인 주기가 복수 개인 경우,
    상기 성능 저하 구간 분석부는,
    복수 개의 성능 저하 구간을 분석하고 상기 복수 개의 성능 저하 구간의 패턴 정보를 분석하며,
    상기 데이터베이스 성능 저하 분석 장치는,
    상기 복수 개의 성능 저하 구간의 패턴 정보를 이용하여 미래 시점에서 상기 대상 객체의 성능 저하로 상기 기 설정된 기준값 이상인 값을 가지는 참조값이 발생될 시점을 예측하는 시점 예측부를 더 포함하는, 데이터베이스 성능 저하 분석 장치.
  20. 제18 항에 있어서,
    상기 성능 분석부는,
    상기 대상 객체의 성능 정보를 이용하여 주기 별로 진폭 크기를 산출하고,
    상기 참조값 산출부는,
    전체 진폭의 크기에서 각 주기에 해당하는 진폭 크기의 비율을 상기 참조값으로 산출하는, 데이터베이스 성능 저하 분석 장치.
  21. 제20 항에 있어서,
    상기 주도적 주기 선정부는,
    상기 진폭 크기의 비율이 기 설정된 참조값 이상인 진폭의 크기에 해당하는 주기를 상기 주도적인 주기로 선정하는, 데이터베이스 성능 저하 분석 장치.
  22. 소정의 기간 이상 동안의 데이터베이스의 성능 관련 정보를 이용하여 성능 저하를 예측하기 위한 대상 객체를 선정하는 대상 객체 선정부;
    상기 데이터베이스의 성능 관련 정보를 이용하여 상기 선정된 대상 객체의 시간 별 성능 저하 시점을 주기 별로 분석하기 위한 패턴 분석 모델을 생성하는 패턴 분석 모델 생성부;
    상기 패턴 분석 모델을 이용하여 상기 대상 객체의 성능을 주기 별로 분석하는 성능 분석부;
    상기 대상 객체의 주기 별 성능에 관한 정보 및 기 설정된 참조값 산출 방식을 이용하여 참조값을 산출하는 참조값 산출부;
    상기 산출된 참조값 중 기 설정된 기준값 이상인 값을 가지는 주기를 주도적인(Dominant) 주기로 선정하는 주도적 주기 선정부; 및
    상기 주도적인 주기의 패턴에 관한 정보를 이용하여 미래 시점에서 상기 대상 객체의 주기 별 성능에 대한 참조값이 상기 기 설정된 기준값 이상인 주기를 예측하는 시점 예측부를 포함하는, 데이터베이스 성능 저하 분석 장치.
KR1020150030214A 2015-03-04 2015-03-04 데이터베이스 성능 저하 분석 방법 및 장치 KR101656725B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150030214A KR101656725B1 (ko) 2015-03-04 2015-03-04 데이터베이스 성능 저하 분석 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150030214A KR101656725B1 (ko) 2015-03-04 2015-03-04 데이터베이스 성능 저하 분석 방법 및 장치

Publications (1)

Publication Number Publication Date
KR101656725B1 true KR101656725B1 (ko) 2016-09-13

Family

ID=56946646

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150030214A KR101656725B1 (ko) 2015-03-04 2015-03-04 데이터베이스 성능 저하 분석 방법 및 장치

Country Status (1)

Country Link
KR (1) KR101656725B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100982034B1 (ko) * 2010-05-11 2010-09-13 주식회사 이피아이솔루션즈 데이터베이스 성능 모니터링 방법 및 시스템
KR20140016696A (ko) * 2012-07-31 2014-02-10 삼성전자주식회사 시스템 성능 평가장치 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100982034B1 (ko) * 2010-05-11 2010-09-13 주식회사 이피아이솔루션즈 데이터베이스 성능 모니터링 방법 및 시스템
KR20140016696A (ko) * 2012-07-31 2014-02-10 삼성전자주식회사 시스템 성능 평가장치 및 방법

Similar Documents

Publication Publication Date Title
Wang et al. Performance prediction for apache spark platform
KR101600129B1 (ko) 애플리케이션 효율 엔진
US20190222658A1 (en) Parallelized replay of captured database workload
US8719271B2 (en) Accelerating data profiling process
US8626765B2 (en) Processing database operation requests
US20140215471A1 (en) Creating a model relating to execution of a job on platforms
US20130145350A1 (en) Efficient, large scale trace storage system
Popescu et al. Same queries, different data: Can we predict runtime performance?
US11163735B2 (en) Database capacity estimation for database sizing
US9715409B2 (en) Job delay detection method and information processing apparatus
EP2700008A1 (en) Scheduling map and reduce tasks of jobs for execution according to performance goals
US8966087B2 (en) Load characteristic estimation system, load characteristic estimation method, and program
US8935207B2 (en) Inspecting replicated data
US20150254106A1 (en) Non-transitory computer-readable recording medium recording processing program, processing apparatus, and processing method
CN110377519B (zh) 大数据系统的性能容量测试方法、装置、设备及存储介质
Rosas et al. Improving performance on data-intensive applications using a load balancing methodology based on divisible load theory
KR101830936B1 (ko) 데이터베이스와 애플리케이션을 위한 웹기반 성능개선 시스템
KR101599718B1 (ko) 데이터베이스 성능 관리 방법 및 장치
KR101656725B1 (ko) 데이터베이스 성능 저하 분석 방법 및 장치
CN110909023B (zh) 一种查询计划的获取方法、数据查询方法及装置
JP5974856B2 (ja) サンプリングプログラム、サンプリング方法及び情報処理装置
US11960939B2 (en) Management computer, management system, and recording medium
US11734279B2 (en) Event sequences search
CN112685334A (zh) 一种分块缓存数据的方法、装置及存储介质
CN113553320B (zh) 数据质量监控方法及装置

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20190701

Year of fee payment: 4