KR102245224B1 - 데이터베이스 시스템 내의 점진적 기능 개발 및 워크로드 캡처 - Google Patents

데이터베이스 시스템 내의 점진적 기능 개발 및 워크로드 캡처 Download PDF

Info

Publication number
KR102245224B1
KR102245224B1 KR1020207020339A KR20207020339A KR102245224B1 KR 102245224 B1 KR102245224 B1 KR 102245224B1 KR 1020207020339 A KR1020207020339 A KR 1020207020339A KR 20207020339 A KR20207020339 A KR 20207020339A KR 102245224 B1 KR102245224 B1 KR 102245224B1
Authority
KR
South Korea
Prior art keywords
query
target operation
client
workload
queries
Prior art date
Application number
KR1020207020339A
Other languages
English (en)
Other versions
KR20200103726A (ko
Inventor
지아퀴 얀
퀴예 진
슈라이닉 자인
스트라티스 비글라스
앨리슨 리
Original Assignee
스노우플레이크 인코포레이티드
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 스노우플레이크 인코포레이티드 filed Critical 스노우플레이크 인코포레이티드
Publication of KR20200103726A publication Critical patent/KR20200103726A/ko
Application granted granted Critical
Publication of KR102245224B1 publication Critical patent/KR102245224B1/ko

Links

Images

Classifications

    • 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
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0712—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in a virtual computing platform, e.g. logically partitioned systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0766—Error or fault reporting or storing
    • G06F11/0772—Means for error signaling, e.g. using interrupts, exception flags, dedicated error registers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/301—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is a virtual computing platform, e.g. logically partitioned systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
    • G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
    • G06F11/3428—Benchmarking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3452—Performance evaluation by statistical analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3664—Environments for testing or debugging software
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3668—Software testing
    • G06F11/3672—Test management
    • G06F11/3688—Test management for test execution, e.g. scheduling of test suites
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3668—Software testing
    • G06F11/3672—Test management
    • G06F11/3692—Test management for test results analysis
    • 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
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/217—Database tuning
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2453—Query optimisation
    • G06F16/24534—Query rewriting; Transformation
    • G06F16/24549—Run-time optimisation
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G06F16/24568—Data stream processing; Continuous queries

Abstract

데이터베이스 시스템에서의 점진적 기능 개발 및 워크로드 캡처를 위한 시스템, 방법 및 디바이스가 개시된다. 방법은 기능을 테스트하기 위해 재운영될 하나 이상의 이력 클라이언트 질의를 포함하는 워크로드를 결정하는 것을 포함하며, 기능은 절차적 로직을 포함한다. 방법은 기능을 구현하지 않는 워크로드의 기준 운영을 실행하는 것 및 기능을 구현하면서 워크로드의 목표 운영을 실행하는 것을 더 포함한다. 방법은 목표 운영에 성능 회귀가 있는지 식별하기 위하여 기준 운영과 목표 운영을 비교하는 것을 더 포함한다. 방법은, 성능 회귀의 식별에 응답하여, 성능 회귀가 여전히 존재하는지 식별하기 위하여 목표 운영을 재운영하는 것을 더 포함한다.

Description

데이터베이스 시스템 내의 점진적 기능 개발 및 워크로드 캡처
연관된 출원에 대한 상호참조
이 출원은 2018년 3월 22일에 출원된 미국 가출원 제62/646,817호, 발명의 명칭 "스노우트레일(SNOWTRAIL): 클라우드 데이터베이스 상의 프로덕션 질의 테스트"의 이익을 주장하며, 그 개시는 본원에서 전체로서 참조로 포함된다.
기술분야
본 개시는 데이터베이스에 관한 것이며, 더 구체적으로는 데이터베이스 시스템 내의 기능 개발 및 워크로드 캡처에 관한 것이다.
이 개시는 일반적으로 데이터베이스 시스템 내의 기능 구현 및 워크로드 캡처를 위한 시스템, 방법 및 디바이스에 관한 것이다. 데이터베이스는 데이터에 쉽게 접근하고 조작하고 업데이트할 수 있는 체계적인 데이터의 모음이다. 데이터베이스는 효율적인 방식으로 정보를 저장, 관리 및 검색하는 방법으로 사용된다. 전통적인 데이터베이스 관리를 위해서는 회사가 데이터 센터에서 데이터베이스를 관리하기 위해 인프라(infrastructure)와 자원을 공급해야 한다. 전통적인 데이터베이스 관리는 비용이 많이 들고 다양한 범위의 전문적 기술 능력을 가진 여러 사람의 감독이 필요하다.
전통적인 관계형 데이터베이스 관리 시스템(RDMS)은 광범위한 컴퓨팅 및 스토리지 자원이 필요하며 제한된 확장성을 갖는다. 많은 양의 데이터가 여러 컴퓨팅 디바이스에 걸쳐 저장될 수 있으며 서버는 온-프레미스(on-premises) 작업을 하는 고객이 접근할 수 있도록 데이터를 관리할 수 있다. 사내 데이터베이스 서버를 보유하려는 기업의 경우, 데이터베이스 인프라를 저장하기 위한 상당한 물리적 공간과 함께 데이터베이스의 하드웨어 및 인프라에 대한 자본 투자에 상당한 자원을 소비해야 한다. 또한, 데이터베이스는 정전 또는 기타 재난 상황에서 데이터 손실에 매우 취약할 수 있다. 이러한 전통적인 데이터베이스 시스템은 클라우드 기반 데이터베이스 시스템에 의해 완화될 수 있는 중대한 단점을 안고 있다.
클라우드 데이터베이스 시스템은 조직과 최종 사용자가 클라우드에서 데이터를 저장, 관리 및 검색할 수 있는 클라우드 플랫폼을 통해 배치(deploy) 및 제공될 수 있다. 일부 클라우드 데이터베이스 시스템은 컴퓨팅 클라우드 위에 데이터베이스 소프트웨어를 설치하여 구현되는 기존 데이터베이스 아키텍처를 포함한다. 데이터베이스는 웹 브라우저 또는 애플리케이션 및 서비스 통합을 위한 애플리케이션 프로그래밍 인터페이스(API)를 통해 접근할 수 있다. 일부 클라우드 데이터베이스 시스템은 클라이언트를 대신하여 데이터베이스 설치, 배치 및 자원 할당 작업의 백엔드 프로세스를 직접 관리하는 공급 업체에 의해 운영된다. 클라이언트에는 웹 브라우저 및/또는 API를 통해 데이터베이스에 접근하는 여러 최종 사용자가 있을 수 있다. 클라우드 데이터베이스는 데이터베이스 데이터가 손실될 위험을 줄이고 다수의 지리적 영역에 걸쳐 다수의 사용자가 데이터에 접근할 수 있도록 함으로써 일부 클라이언트에게 상당한 이점을 제공할 수 있다.
전통적인 데이터베이스 시스템과 클라우드 데이터베이스 시스템을 위한 여러 아키텍처가 있다. 아키텍처의 한 예는 공유 디스크 시스템이다. 공유 디스크 시스템에서, 모든 데이터는 데이터 클러스터의 모든 처리 노드에서 접근할 수 있는 공유 스토리지 디바이스에 저장된다. 이 유형의 시스템에서 모든 데이터 변경 사항은 공유 스토리지 디바이스에 기록되므로 데이터 클러스터의 모든 처리 노드가 일관된 버전의 데이터에 접근할 수 있다. 공유 디스크 시스템에서 처리 노드의 수가 증가함에 따라, 공유 스토리지 디바이스(및 처리 노드와 공유 스토리지 디바이스 사이의 통신 링크)는 데이터 읽기 및 데이터 쓰기 작업을 느리게 하는 병목 현상이 된다. 이 병목 현상은 더 많은 처리 노드가 추가됨에 따라 더욱 악화된다. 따라서, 기존의 공유 디스크 시스템은 이러한 병목 현상 문제로 인해 확장성이 제한된다.
기존의 다른 데이터 저장 및 검색 시스템은 "비공유(shared-nothing) 아키텍처"로 지칭된다. 이 아키텍처에서, 데이터는 여러 처리 노드에 분산되어 각 노드는 전체 데이터베이스에 데이터의 서브세트를 저장한다. 새로운 처리 노드가 추가되거나 제거될 때, 비공유 아키텍처는 여러 처리 노드에 걸쳐 데이터를 재배열하여야 한다. 이러한 데이터 재배열은 시간이 걸리고 데이터 재배열 중에 실행되는 데이터 읽기 및 쓰기 작업에 지장을 줄 수 있다. 그리고, 특정 노드에 대한 데이터의 선호도는 인기 있는 데이터에 대한 데이터 클러스터에 "핫 스팟(hot spot)"을 생성할 수 있다. 또한, 각 처리 노드는 또한 저장 기능을 수행하기 때문에, 이 아키텍처는 데이터를 저장하기 위해 적어도 하나의 처리 노드가 필요하다. 따라서 비공유 아키텍처는 모든 처리 노드가 제거되면 데이터를 저장하지 못한다. 또한, 비공유 아키텍처의 데이터 관리는 많은 상이한 처리 노드에 데이터를 분산하기 때문에 복잡하다.
특히 클라우드 기반 환경에서 데이터베이스 관리가 제공되는 서비스로서의 데이터베이스(DBaaS) 구현에서, 데이터베이스 클라이언트에 새로운 기능이나 프로그램을 지속적으로 출시하는 것이 바람직할 수 있다. 이러한 새로운 프로그램은 데이터베이스의 기능성(functionality)을 개선하고, 데이터베이스 클라이언트에 새로운 기능을 제공하고, 보안을 강화하고, 더 빠른 런타임(runtime) 등을 제공할 수 있다. 그러나 실제 환경에서 엄격하게 테스트되지 않은 새로운 프로그램을 출시할 때에는 항상 위험이 따른다. 데이터베이스 기술의 경우, 실제 데이터베이스 데이터에 대하여 또는 데이터베이스 데이터의 실제 클라이언트 질의와 함께 테스트되지 않은 새 프로그램의 출시와 연관된 내재적 위험이 있다. 프로그램에 데이터베이스 데이터에 손상을 일으키거나, 성능 또는 런타임 문제를 일으키거나, 데이터베이스 시스템의 다른 기능성 전체에서 추가 오류가 지속되거나 등을 할 수 있는 오류 또는 버그가 있을 수 있다.
그러나 빠르게 변화하는 클라우드 데이터베이스 서비스를 테스트하는 것과 관련하여 수많은 과제가 있다. 예를 들어, 대규모 클라우드 기반 데이터베이스 서비스는 하루에 수천만 건의 클라이언트 질의를 운영(run)하며 지속적인 가용성을 보장하기 위해 온라인 업그레이드 프로세스를 가질 수 있다. 기능 또는 프로그램이 지속적으로 출시될 수 있으며, 클라이언트는 새로운 기능성에 대한 빠른 변경을 기대할 수 있다. 이러한 빠른 변경은 출시 전에 기능 또는 프로그램을 테스트하기 위한 시간 윈도우가 짧다는 것을 의미할 수 있다. 본원에서는 데이터베이스 시스템에서 기능 또는 프로그램을 테스트하고 클라이언트 워크로드를 캡처하기 위한 개선된 시스템, 방법 및 디바이스가 개시된다. 본원의 개시는 프로그램 개발 주기의 실질적인 개선을 가능하게 하여, 엄격한 실제 테스트를 거친 후에만 새로운 기능 또는 프로그램이 클라이언트에게 출시될 수 있도록 한다.
본 개시의 비제한적이며 비배타적인 구현이 다음의 도면을 참조하여 설명된다. 본 개시의 이점은 다음의 설명 및 첨부 도면과 관련하여 더 잘 이해될 것이다.
도 1은 본 개시의 교시 및 원리에 따른, 기능을 테스트하는 프로세스 흐름의 개략적인 도면이다.
도 2는 본 개시의 교시 및 원리에 따른, 스트리밍 구현에 의해 기능을 테스트하는 프로세스 흐름의 개략적인 도면이다.
도 3은 본 개시의 교시 및 원리에 따른 검색 및 데이터 스토리지 시스템의 구성요소의 블록도이다.
도 4는 본 개시의 교시 및 원리에 따른 자원 관리자의 일 실시예의 블록도이다.
도 5는 본 개시의 교시 및 원리에 따른 실행 플랫폼의 블록도이다.
도 6은 본 개시의 교시 및 원리에 따른 운영 환경의 개략적인 블록도이다.
도 7은 본 개시의 교시 및 원리에 따른 데이터베이스에서 기능을 테스트하는 방법의 개략적인 흐름도이다.
도 8은 본 개시의 교시 및 원리에 따른 예시적인 컴퓨팅 디바이스이다.
본 개시는 데이터베이스 시스템에서의 점진적 기능 개발 및 워크로드 캡처를 위한 시스템, 방법 및 디바이스로 확장된다. 본 개시의 구현은 클라우드 기반 데이터베이스 설계에서 구현될 수 있으며, 서비스로서의 데이터베이스(DBaaS: database as a service) 아키텍처로 지칭될 수 있다. 클라우드 기반 데이터베이스 시스템의 서비스 지향 아키텍처는 새로운 기능성과 새로운 프로그램을 생성할 수 있는 기회를 제공한다. 경우에 따라, 새로운 기능 및/또는 프로그램을 클라이언트에게 출시하거나 클라이언트의 데이터베이스 데이터에서 운영하기 전에 엄격하게 테스트하는 것이 필수적일 수 있다. 프로그램 테스트는 데이터베이스 데이터를 손상시키거나, 런타임을 늘리거나, 다른 성능 문제를 일으킬 수 있는 오류 또는 버그를 밝혀낼 수 있다. 경우에 따라, 기능 또는 프로그램이 프로덕션 서버에 출시되기 전에 실제 데이터베이스 데이터 또는 실제 데이터베이스 질의로 기능 또는 프로그램을 테스트하는 것이 유리할 수 있다. 클라이언트의 실제 데이터베이스 데이터 및/또는 클라이언트의 실제 데이터베이스 질의로 기능 또는 프로그램을 테스트하기 위하여 데이터베이스 시스템에서 클라이언트 워크로드를 캡처하기 위한 시스템, 방법 및 디바이스가 본원에 개시된다. 이러한 시스템, 방법 및 디바이스는 프로그램이 프로덕션 서버에 출시되기 전에 개발자가 오류나 버그를 수정할 수 있도록 개선된 데이터베이스 기능 또는 프로그램 테스트를 제공한다. 클라이언트 프로덕션 질의를 사용한 테스트는 프로그램이 클라이언트 질의에 미치는 영향에 대한 정확한 지식을 제공할 수 있으므로 프로그램을 클라이언트에게 출시하기 전에 피드백을 수집하고 프로그램을 개선할 수 있다.
일 실시예에서, 데이터베이스에서 기능을 테스트하는 방법이 구현된다. 방법은 기능을 테스트하기 위하여 재운영(rerun)될 하나 이상의 이력 클라이언트 질의를 포함하는 워크로드를 결정하는 것을 포함하고, 기능은 절차적 로직을 포함한다. 방법은 기능을 구현하지 않는 워크로드의 기준 운영(baseline run)을 실행하는 것을 포함한다. 방법은 기능을 구현하면서 워크로드의 목표 운영(target run)을 실행하는 것을 포함한다. 방법은 목표 운영에 성능 회귀가 있는지 식별하기 위하여 기준 운영과 목표 운영을 비교하는 것을 포함한다. 방법은, 성능 회귀를 식별하는 것에 응답하여, 성능 회귀가 여전히 존재하는지 식별하기 위하여 격리된 자원 제약 하에서 목표 운영을 재운영하는 것을 포함한다.
본원에 개시된 바와 같은 개선된 테스트 및 점진적 기능 개발은 데이터 웨어하우스에 저장된 이력 데이터를 수집함으로써 구현될 수 있다. 이력 데이터는 모든 클라이언트 발행 질의의 이력과 해당 질의에 대한 구성 및 관련 통계를 포함할 수 있다. 이력 데이터는 해당 클라이언트 발행 질의를 실행하는 데 사용된 실제 데이터베이스 데이터 및 메타데이터를 더 포함할 수 있다. 본원에 개시된 멀티테넌트 클라우드 기반 데이터베이스 아키텍처는 이력 데이터가 자원 관리자 또는 글로벌 서비스에 의해 안전하게 저장되고 안전하게 접근될 수 있게 한다. 이력 데이터는 워크로드 분석 및 새로운 기능 또는 프로그램의 점진적 개발을 가능하게 하기 위해 활용될 수 있다. 본원에 개시된 시스템, 방법 및 디바이스는 데이터베이스 자체에 의해 제공될 수 있는 기능 또는 프로그램을 테스트하기 위해 실제 이력 클라이언트 질의를 운영하는 고유한 능력을 생성한다.
일 실시예에서, 프로그램 또는 기능의 개발자는 실제 데이터베이스 데이터를 사용하여 실제 시나리오에서 프로그램을 테스트하기 위해 실제 클라이언트 질의를 재운영할 수 있다. 경우에 따라, 실제 클라이언트 질의가 테스트 목적으로 활용되기 때문에, 테스트 프로세스 중에 클라이언트 질의를 난독화하여(obfuscate) 개발자가 읽을 수 없도록 보장하여야 한다. 본원에 개시된 바에 따르면, 클라이언트 질의는 클라이언트의 보안이 유지되도록 별도의 전용 가상 웨어하우스(116)를 사용하여 격리된 클라우드 서비스 상에서 재운영될 수 있다.
일 실시예에서, 기능 또는 다른 절차적 로직을 테스트하기 위한 시스템 및 방법은 클라이언트 작업을 위해 할당된 임의의 처리 또는 실행 자원에 영향을 미치지 않으면서 구현될 수 있다. 일 실시예에서, 멀티테넌트 클라우드 기반 데이터베이스 시스템이 배치된다. 데이터베이스 시스템은 다중 데이터베이스 클라이언트에 대한 데이터베이스 스토리지 및 처리를 서비스할 수 있다. 데이터베이스 클라이언트는 복수의 공유 저장 디바이스에 걸쳐 데이터베이스 데이터를 저장할 수 있고 복수의 실행 노드를 갖는 하나 이상의 실행 플랫폼을 이용할 수 있다. 데이터베이스 시스템은 스토리지 및 컴퓨팅 자원이 효과적으로 무한대로 확장 가능하도록 구성될 수 있다. 데이터베이스 함수를 개선하거나 변경하기 위한 절차적 로직과 같은 기능을 테스트하기 위한 시스템 및 방법은 클라이언트 함수에 영향을 주거나 느리게 하지 않고 배치될 수 있다. 클라이언트 함수는 클라이언트로부터 직접 수신된 질의를 포함할 수 있고 및/또는 테이블 재클러스터링, 구체화된 뷰 생성 또는 업데이트, 메타데이터 업데이트 등과 같은 "내부" 작업을 포함할 수 있다. 일 실시예에서, 기능 테스트 시스템 및 방법은 내부 또는 외부 클라이언트 작업을 실행하기 위해 사용되는 임의의 자원과는 별개의 실행/처리 자원에 배치된다.
빠르게 변화하는 클라우드 데이터베이스 서비스의 프로그램 테스트와 관련하여 수많은 과제가 있다. 예를 들어, 대규모 데이터베이스 제공자는 하루에 수천만 건의 클라이언트 질의를 운영하고 지속적인 가용성을 보장하기 위해 온라인 업그레이드 프로세스를 가질 수 있다. 데이터베이스 제공자는 새로운 기능 또는 프로그램에 대해 연속적인 출시 주기를 채택할 수 있는데, 이는 빠른 기능 제공을 가능하게 하지만 출시 아티팩트(artifact) 테스트에 상대적으로 짧은 시간 윈도우를 초래한다. 예를 들어, 데이터베이스 제공자는 매주 특정 시간에 새로운 기능을 출시할 수 있다. 첫 번째 주에 첫 번째 기능이 출시되면, 두 번째 주에 두 번째 기능이 출시되기 전 일주일 동안만 그 기능을 실제 사용 중에 테스트할 수 있다. 두 번째 기능의 출시는 첫 번째 기능의 중요한 테스트를 방해한다. 따라서 빠른 출시 주기의 경우, 프로그램이 출시되거나 실제 클라이언트 워크로드로 이주되기 전에 실제 클라이언트 질의를 사용하여 프로그램을 테스트하는 것이 바람직하다. 이러한 테스트는 프로그램의 안정성과 성공을 보장한다.
그러나 대규모 데이터베이스 제공자와 관련된 일부 구현에서는, 데이터베이스 제공자에게 제출된 모든 클라이언트 질의를 재운영하는 것이 엄청난 비용을 소모한다. 특히 빠른 출시 주기에서는 새 프로그램이 출시되기 전에 클라이언트 질의를 재운영하는 것에 굉장한 비용이 들 수 있다. 따라서, 본원의 개시의 일 양상은 테스트가 여전히 신뢰할 만한 결과를 제공하면서 합리적인 양의 시간 및 자원을 소비하도록 하는 워크로드 샘플링 및 선택을 포함한다.
점진적 기능 개발 및 워크로드 캡처를 위한 시스템, 방법 및 디바이스는 클라우드 기반 데이터베이스 기술로 구현될 수 있다. 데이터베이스 데이터는 지리적 영역들에 걸쳐 접근될 수 있는 클라우드 기반 스토리지에 저장될 수 있다. 이 클라우드 기반 스토리지는 일부 구현에서 제3자가 유지할 수 있는 오프 사이트(off-site) 스토리지 시스템에 저장된 데이터베이스 데이터를 지칭한다. 예를 들어, 클라이언트는 로컬 컴퓨터 하드 드라이브 또는 클라이언트가 소유한 다른 로컬 스토리지 디바이스에 데이터를 저장하지 않고 클라우드 스토리지 제공자와 데이터를 저장하도록 결정할 수 있다. 클라이언트는 클라이언트의 컴퓨팅 자원과 클라이언트의 데이터를 저장하는 오프 사이트 스토리지 자원 사이의 인터넷 연결을 통해 데이터에 접근할 수 있다.
데이터베이스 데이터의 클라우드 스토리지는 전통적인 현장(on-site) 로컬 스토리지보다 몇 가지 장점을 제공할 수 있다. 데이터베이스 데이터가 클라우드 스토리지에 저장되면, 인터넷에 연결된 임의의 위치에서 정보에 접근할 수 있다. 따라서 데이터베이스 클라이언트는 데이터베이스 정보를 저장, 업데이트 또는 검색하기 위하여 실제 스토리지 디바이스를 이동하거나 동일한 컴퓨터를 사용할 필요가 없다. 또한, 데이터베이스 정보는 다른 지리적 위치에 있는 다수의 사용자에 의해 동시에 접근, 업데이트 및 저장될 수 있다. 클라이언트는 인터넷을 통해 파일 사본을 파일을 기록하는 클라우드 스토리지 제공자와 연관된 데이터 서버로 보낼 수 있다. 클라이언트는 웹 기반 인터페이스 또는 다른 사용자 인터페이스를 통해 클라우드 스토리지 제공자와 연관된 데이터 서버에 접근하여 데이터를 검색할 수 있다. 클라우드 스토리지 제공자와 연관된 데이터 서버는 파일을 클라이언트로 다시 보내거나 클라이언트가 데이터 서버 자체의 파일에 접근하고 조작하도록 허용할 수 있다.
데이터베이스 테이블은 삽입 명령, 삭제 명령, 병합 명령 등과 같은 데이터 조작(DML: data manipulation) 명령문에 응답하여 변경될 수 있다. 이러한 수정은 데이터베이스 테이블에서 일어난 트랜잭션으로 지칭될 수 있다(수정은 본원에서 그 대신 "업데이트"로 지칭될 수도 있음). 일 실시예에서, 각 트랜잭션은 언제 트랜잭션이 수신되었는지 및/또는 언제 트랜잭션이 완전히 실행되었는지 나타내는 타임스탬프를 포함한다. 일 실시예에서, 트랜잭션은 테이블에 대해 이루어진 다수의 변경을 포함하고, 이러한 변경은 테이블의 하나 이상의 마이크로 파티션에 영향을 미칠 수 있다.
일 실시예에서, 테이블의 모든 데이터는 마이크로 파티션으로 지칭되는 불변(immutable) 스토리지 디바이스 내로 자동 분할된다. 마이크로 파티션은 각 마이크로 파티션이 인접한 스토리지 유닛을 갖는 배치(batch) 유닛으로 간주될 수 있다. 예를 들어, 각 마이크로 파티션은 50MB와 500MB 사이의 압축되지 않은 데이터를 포함할 수 있다(데이터가 압축되어 저장될 수 있기 때문에 스토리지의 실제 크기는 더 작아질 수 있음을 유의한다). 테이블의 행 그룹은 열 방식으로 구성된 개별 마이크로 파티션으로 맵핑될 수 있다. 이 크기와 구조는 수백만 또는 수억 개의 마이크로 파티션으로 구성될 수 있는 매우 큰 테이블을 매우 세밀하게 프루닝(pruning)할 수 있게 한다. 메타데이터는 마이크로 파티션에 저장된 모든 행에 대해 자동으로 수집될 수 있으며, 마이크로 파티션의 각 열에 대한 값의 범위; 다른 값의 수(number of distinct values); 및/또는 최적화 및 효율적인 질의 처리에 사용되는 추가 속성을 포함한다. 일 실시예에서, 마이크로 파티셔닝은 모든 테이블에서 자동으로 수행될 수 있다. 예를 들어, 데이터를 삽입/로드할 때 발생하는 배열(ordering)을 사용하여 테이블을 투명하게 분할할 수 있다.
일 실시예에서, 메타데이터는 불변 스토리지의 메타데이터 마이크로 파티션에 저장될 수 있다. 일 실시예에서, 시스템은 데이터베이스 테이블의 모든 수정에 대해 메타데이터 마이크로 파티션을 클라우드 스토리지에 기록할 수 있다. 일 실시예에서, 시스템은 스캔 세트를 계산하기 위해 메타데이터 마이크로 파티션을 다운로드 및 판독할 수 있다. 메타데이터 마이크로 파티션은 스캔 세트 계산을 개선하기 위해 수신될 때 병렬로 다운로드되고 판독될 수 있다. 일 실시예에서, 시스템은 백그라운드에서 메타데이터 마이크로 파티션을 주기적으로 통합할 수 있다. 일 실시예에서, 프리페칭(pre-fetching), 캐싱(caching), 열 레이아웃(columnar layout) 등을 포함하는 성능 개선이 포함될 수 있다. 또한, 열 레이아웃의 메타데이터 파일을 사용하여 암호화 및 무결성 검사를 포함한 보안 개선이 또한 가능하다.
본 개시의 다음의 설명에서, 본 개시의 일부를 형성하고 본 개시가 실시될 수 있는 특정 구현을 예로서 도시하는 첨부 도면을 참조한다. 다른 구현이 이용될 수 있고, 본 개시의 범위를 벗어나지 않고 구조적 변경이 이루어질 수 있음이 이해된다.
본 개시를 기술하고 청구함에 있어서, 다음의 용어는 아래에 제시된 정의에 따라 사용될 것이다.
본 명세서 및 첨부된 청구 범위에 사용되는 바에 따르면, 단수 형태("a", "an" 및 "the")는 문맥상 명백하게 다르게 지시되지 않는 한 복수의 지시 대상을 포함한다는 점을 유의하여야 한다.
본 명세서 전반에 걸쳐 "일 실시예", "실시예", "일 구현", "구현", "일 예시" 또는 "예시"는 실시예, 구현 또는 예시와 관련하여 기재된 특정한 기능, 구조 또는 특성이 본 개시의 적어도 하나의 실시예에 포함되는 것을 의미한다. 따라서, 본 명세서 전체의 다양한 곳에서 상기 식별된 문구의 출현이 반드시 모두 동일한 실시예, 구현 또는 예시를 지칭하는 것은 아니다. 또한, 본원에 제공된 도면은 당업자에게 설명하고자 하는 목적임이 이해되어야 한다.
본원에서 사용되는 바에 따르면, 용어 "포함하는("comprising," "including")", "함유하는("containing")" 및 그와 문법적으로 동등한 것은 추가의 인용되지 않은 요소 또는 방법 단계를 배제하지 않는 포괄적이거나 개방적인 용어이다.
본원에서 사용되는 바에 따르면, "테이블"은 레코드(행)의 모음으로 정의된다. 각 레코드는 테이블 속성(열) 값의 모음을 포함한다. 테이블은 일반적으로 여러 개의 더 작은(가변 크기 또는 고정 크기) 스토리지 유닛, 예를 들어, 파일 또는 블록에 물리적으로 저장된다.
본 개시에 따른 실시예는 장치, 방법 또는 컴퓨터 프로그램 제품으로서 구현될 수 있다. 따라서, 본 개시는 완전히 하드웨어로 구성된 실시예, 완전히 소프트웨어로 구성된 실시예(펌웨어, 상주 소프트웨어, 마이크로 코드 등을 포함) 또는 소프트웨어 및 하드웨어 양상을 결합한 실시예의 형태를 취할 수 있으며, 이들은 모두 일반적으로 본원에서 "회로", "모듈" 또는 "시스템"으로 지칭된다. 또한, 본 개시의 실시예는 매체에 구현된 컴퓨터 사용 가능 프로그램 코드를 갖는 임의의 유형적인 표현 매체에 구현된 컴퓨터 프로그램 제품의 형태를 취할 수 있다.
하나 이상의 컴퓨터 사용 가능 또는 컴퓨터 판독 가능 매체의 임의의 조합이 이용될 수 있다. 예를 들어, 컴퓨터 판독 가능 매체는 휴대용 컴퓨터 디스켓, 하드 디스크, 임의 접근 메모리(RAM) 디바이스, 읽기 전용 메모리(ROM) 디바이스, 소거 가능 프로그램 가능 읽기 전용 메모리(EPROM 또는 플래시 메모리) 디바이스, CDROM(Portable Compact Disc Read-Only Memory), 광학 스토리지 디바이스 및 자기 스토리지 디바이스 중 하나 이상을 포함할 수 있다. 본 개시의 작업을 수행하기 위한 컴퓨터 프로그램 코드는 하나 이상의 프로그래밍 언어의 임의의 조합으로 작성될 수 있다. 이러한 코드는 소스 코드에서 코드가 실행될 디바이스 또는 컴퓨터에 적합한 컴퓨터 판독 가능 어셈블리 언어 또는 기계 코드로 컴파일될 수 있다.
실시예는 또한 클라우드 컴퓨팅 환경에서 구현될 수 있다. 이 설명 및 이하의 청구범위에서, "클라우드 컴퓨팅"은 구성 가능한 컴퓨팅 자원(예를 들어, 네트워크, 서버, 스토리지, 애플리케이션 및 서비스)의 공유 풀로 어디에서나 편리한 온-디맨드 네트워크 접근을 가능하게 하는 모델로 정의될 수 있으며, 가상화를 통해 신속하게 제공되고 최소한의 관리 노력이나 서비스 제공자의 상호작용으로 출시된 다음 그에 따라 확장될 수 있다. 클라우드 모델은 다양한 특성(예를 들어, 온-디맨드 셀프 서비스, 광범위 네트워크 접근, 자원 풀링, 빠른 탄력성 및 측정 가능한 서비스), 서비스 모델(예를 들어, 서비스로서의 소프트웨어(SaaS: Software as a Service), 서비스로서의 플랫폼(PaaS: Platform as a Service), 서비스로서의 인프라(IaaS: Infrastructure as a Service)) 및 배치(deployment) 모델(예를 들어, 사설 클라우드, 커뮤니티 클라우드, 공공 클라우드 및 하이브리드 클라우드)로 구성될 수 있다.
첨부된 도면에서의 흐름도 및 블록도는 본 개시의 다양한 실시예에 따른 시스템, 방법 및 컴퓨터 프로그램 제품의 가능한 구현의 아키텍처, 기능성 및 동작을 도시한다. 이와 관련하여, 흐름도 또는 블록도의 각 블록은 특정 논리 함수(들)을 구현하는 하나 이상의 실행 가능한 명령어를 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또한 블록도 및/또는 흐름도의 각 블록 및 블록도 및/또는 흐름도의 블록의 조합은 특정 함수 또는 동작을 수행하는 특수 목적의 하드웨어 기반 시스템 또는 특수 목적의 하드웨어와 컴퓨터 명령어의 조합에 의해 구현될 수 있다. 이들 컴퓨터 프로그램 명령어는 또한 컴퓨터 또는 다른 프로그램 가능 데이터 처리 장치가 특정 방식으로 작용하여, 컴퓨터 판독 가능 매체에 저장된 명령어가 흐름도 및/또는 블록도 블록 또는 블록들에 지정된 작용/동작을 구현하는 명령어 수단을 포함하는 제조품을 생산하도록 컴퓨터 판독 가능 매체에 저장될 수 있다.
본원에 기재된 시스템 및 방법은 새로운 데이터 처리 플랫폼을 사용하여 유연하고 확장 가능한 데이터 웨어하우스에서 작동할 수 있다. 일부 실시예에서, 설명된 시스템 및 방법은 클라우드 기반 스토리지 자원, 컴퓨팅 자원 등을 지원하는 클라우드 인프라를 활용한다. 예시적인 클라우드 기반 스토리지 자원은 저렴한 비용으로 온-디맨드로 제공되는 상당한 스토리지 용량을 제공한다. 또한, 이러한 클라우드 기반 스토리지 자원은 내결함성과 확장성이 뛰어나며, 이는 사설 데이터 스토리지 시스템에서는 비용이 많이 들 수 있는 것이다. 예시적인 클라우드 기반 컴퓨팅 자원은 온-디맨드로 제공되며 자원의 실제 사용 수준에 기반하여 가격이 책정될 수 있다. 일반적으로 클라우드 인프라는 빠른 방식으로 동적으로 배치, 재구성 및 폐기된다.
기재된 시스템 및 방법에서, 데이터 스토리지 시스템은 SQL(구조화된 질의어) 기반 관계형 데이터베이스를 사용한다. 그러나 이러한 시스템 및 방법은 임의의 유형의 데이터베이스 및 임의의 유형의 데이터 저장 및 검색 플랫폼에 적용할 수 있으며, 임의의 데이터 스토리지 아키텍처를 사용하고 임의의 언어를 사용하여 데이터 저장 및 검색 플랫폼 내에서 데이터를 저장하고 검색할 수 있다. 본원에 기재된 시스템 및 방법은 또한 상이한 고객/클라이언트 사이 및 동일한 고객/클라이언트 내의 상이한 사용자 사이에서 컴퓨팅 자원 및 데이터의 격리를 지원하는 멀티테넌트 시스템을 제공한다.
이제 도면을 참조하면, 도 1은 데이터베이스 시스템 내에서의 기능 테스트를 위한 프로세스 흐름(100)의 개략도이다. 프로세스 흐름(100)은 프로덕션 질의를 운영하고 회귀를 검출하기 위한 도구를 제공한다. 프로세스 흐름(100)은 상이한 설정 하에서 운영될 수 있고 나중에 운영 사이의 차이를 분석하기 위해 비교될 수 있는 워크로드로 질의를 구성할 수 있다. 워크로드는 클라이언트가 요청하고 실제 데이터베이스 데이터에서 클라이언트에 대해 실행된 실제 이력 클라이언트 질의로 구성될 수 있다. 프로세스 흐름(100)은 워크로드 선택, 워크로드 운영 및 결과 분석을 포함한 여러 기능성을 제공한다. 워크로드 선택에는 현재 테스트를 위해 이력 클라이언트 질의 저장소(repository)에서 적절한 워크로드를 샘플링하는 것이 포함된다. 워크로드 운영에는 지정된 설정으로 선택된 워크로드를 운영하는 것이 포함된다. 결과 분석에는 다수의 운영 결과를 사용하는 것이 포함되며 이러한 결과를 비교하여 차이 또는 회귀에 대한 보고서를 생성한다. 프로세스 흐름(100)의 결과로서 결정된 유용한 데이터는 하나 이상의 테이블에 데이터베이스 데이터로서 저장될 수 있다.
도 1에 도시된 프로세스 흐름(100)은 기능 테스트를 위한 프로세스 흐름을 나타낼 수 있다. 프로세스 흐름(100)은 데이터베이스 시스템(102) 상에 구현되도록 의도된 기능 또는 프로그램의 개발자(112)에 의해 구현될 수 있다. 데이터베이스 시스템(102)은 워크로드 저장소(104), 질의 통계(106), 난독화된 결과(108) 및 테스트 운영 메타데이터(110)를 포함한다. 개발자(112)는 132에서 워크로드 선택 구성을 지정하거나 130에서 워크로드를 직접 임포트(import)하여 운영할 질의의 워크로드(118)를 구축할 수 있다. 132의 워크로드 선택 구성은 목표 기능을 테스트하기에 가장 적합한 질의를 선택하기 위한 기준을 포함한다. 그런 다음 개발자(112)에 의해 설정된 주어진 구성에 기반하여 워크로드(118)가 생성된다.
워크로드(118)가 생성된 후에, 128에서 개발자(112)가 운영 설정을 지정한다. 운영 설정은 워크로드(118)를 운영하는 데 사용된다. 일 실시예에서, 적어도 두 세트의 운영 설정이 필요하며 한 세트는 기준 운영(124)이고 한 세트는 목표 운영(126)이다. 기능 테스트를 위하여, 두 설정(즉, 기준 운영(124)과 목표 운영(126))은 기능 플래그를 제외하고는 동일하다. 기능 테스트 운영은 워크로드(118)로부터 분리될 수 있어 워크로드(118)가 상이한 설정으로 임의의 횟수로 운영될 수 있다.
개발자(112)는 자원 분리를 보장하기 위하여 전용 가상 웨어하우스(116) 상에서 기준 운영(124)과 목표 운영(126)을 개시한다. 기준 운영(124) 및/또는 목표 운영(126)이 종료되면, 오탐(false positive)을 제거하기 위하여 120에서 결과 검증이 수행된다. 120에서 검증이 운영되고 보고서(122)가 회귀에 대해 생성된다. 오탐은 성능 비교에서 가장 일반적으로 발생할 수 있으며 클라우드 데이터베이스 환경의 변화에 의해 발생할 수 있다. 운영의 질의 이력, 질의 통계(106), 난독화된 결과(108) 및 메타데이터를 포함하는 모든 관련 데이터가 데이터베이스 시스템(102)에 저장된다. 관련 데이터는 구조화된 질의어(SQL)를 사용하여 질의될 수 있다. 개발자(112)는 보고서(122)로부터 특정 질의를 조사하기 위해 드릴 다운(drill down)하거나 테스트의 목표에 따라 맞춤형 SQL 질의를 사용하여 심층 분석을 수행하도록 선택할 수 있다.
워크로드
워크로드(118)는 워크로드(118) 내의 질의의 수(즉, 샘플 크기)가 주어지면 개발자(112)에 의해 제공된 기준 세트에 기반하여 자동으로 선택될 수 있다. 워크로드(118)를 결정하기 위하여 다양한 선택 기준이 사용될 수 있다. 선택 기준은 이력 질의를 발행한 계정 및 사용자, 이력 질의의 데이터베이스 및 스키마, 이력 질의가 운영된 시간 윈도우, 일치하는 질의 텍스트 조각, 일치하는 실행 구성 등이 포함될 수 있다.
개발자가 제공한 기준을 만족하는 이력 질의를 중복 제거한 후, 검색 공간을 추가로 프루닝하는 휴리스틱 세트가 적용될 수 있다. 시스템에서 이력 질의의 상당 비율이 매우 단순하거나 의미 있는 테스트 값을 나타내지 않을 수 있다. 예를 들어, "select1" 질의는 데이터베이스에 대한 유효한 연결이 있는지 확인하기 위해 일부 도구에서 자주 발행된다. 이러한 이력 질의는 의미 있는 테스트 값을 제공하지 않는다. 또한 테스트를 위해 선택된 이력 질의는 적절한 양의 자원을 사용하도록 최적화될 수 있다. 따라서 테스트를 위해 선택된 이력 질의는 선택된 이력 질의가 가치 있는 정보를 제공하도록 너무 단순하지 않고 너무 비싸지 않도록 최적화되어야 한다. 너무 단순하거나 너무 비싸서 프루닝된 것이 아닌 나머지 이력 질의의 경우, 다양성 측정에 따라 최대 적용 범위를 달성할 수 있는 이력 질의의 서브세트가 선택된다. 많은 프로덕션 스키마가 고정된 사용 패턴을 가질 수 있다. 일부 구현에서, 각 질의 패턴에 대해 적은 수의 대표 질의를 선택하는 것으로 충분할 수 있다.
일 실시예에서, 다양한 워크로드(118)가 Query2Vec 알고리즘을 사용하여 선택된다. Query2Vec 알고리즘은 이력 SQL 질의를 고차원 벡터 공간에 맵핑한다. 따라서, 이력 질의는 벡터들 사이의 코사인 거리가 애플리케이션 특정 기능 벡터에 대한 애플리케이션 특정 거리 함수를 또한 수행하도록 의미를 보존하는 방식으로 고차원 벡터 공간에 삽입될 수 있다. 또한 일 실시예에서, 워크로드(118)를 요약하기 위해, 모든 이력 질의는 Query2Vec 알고리즘을 사용하여 내장된 다음 K-평균을 사용하여 K 질의 클러스터를 찾는다. 각 클러스터에서 중심에 가장 가까운 이력 질의가 요약에서 해당 클러스터의 대표 질의로 선택될 수 있다. 최적 K 값은 중심으로부터의 거리의 제곱의 합의 변화율이 평평한 것을 "팔꿈치처럼 굽힐(elbow)" 때까지 K를 증가시키는 루프에서 K-평균 알고리즘을 실행함으로써 엘보(elbow) 방법을 사용하여 결정될 수 있다. 이 방법은 생성된 서브샘플이 모든 질의 클러스터로부터의 적어도 하나의 질의를 포함하도록 보장할 수 있으며, 여기에서 특정 유형의 클라이언트 질의가 각 질의 클러스터에 표현된다.
선택된 워크로드는 데이터베이스 시스템(102)의 워크로드 저장소(104)에 유지된다. 워크로드 저장소(104)는 컴파일 환경 및 원래 질의의 시작 시간과 같은 일부 연관된 컨텍스트와 함께 과거에 선택된 워크로드를 저장한다. 이러한 연관된 컨텍스트는 질의를 재운영하는 데 유용할 수 있다. 워크로드 저장소(104)는 이전에 선택된 워크로드를 저장할 수 있어 워크로드가 선택 기준을 만족하는 최신 클라이언트 질의 세트를 수집하기 위해 재운영될 수 있다. 선택된 워크로드는 CSV(Comma-Separated Value) 또는 JSON(JavaScript Objection Notation)과 같은 다른 구조 형식 또는 질의 텍스트에서 직접 임포트될 수 있다. 이는 일반적으로 이전에 선택된 워크로드가 고정될 때 사용될 수 있으며, 개발자(112)는 어떤 이력 질의가 운영될 지에 대한 정확한 지식을 갖는다. 선택된 질의는 프로덕션 질의뿐만 아니라 개발자(112)가 프로덕션 환경에서 테스트하고자 하는 임의의 질의를 포함할 수 있다.
이력 질의 운영(Historical Query Runs)
안전하고 신뢰할 수 있으며 구성 가능한 방식으로 클라이언트 질의를 운영할 수 있도록 몇 가지 메커니즘을 채용할 수 있다. 이러한 메커니즘은, 예를 들어, 결과 난독화(result obfuscation), 질의 리다이렉션(query redirection), 구성 가능한 질의 컴파일 환경(configurable query compilation environment) 및 시간 이동(time travel)을 포함한다.
결과 난독화는 데이터 보안이 중요한 경우에 사용될 수 있다. 경우에 따라, 특정 데이터베이스 데이터 또는 데이터베이스 클라이언트의 경우, 데이터베이스 데이터 및 질의 결과의 보안을 유지하는 것이 중요하다. 클라이언트 질의를 재운영하더라도 클라이언트의 데이터가 드러나지 않도록 보장하기 위하여 결과 난독화가 구현될 수 있다. 컴파일 단계 동안, 해시 집계 연산자가 질의 계획의 맨 위에 추가될 수 있다. 이러한 해시 집계 연산자는 난독화된 질의의 결과를 하나의 단일 해시 값으로 줄이고 개발자(112)가 이력 클라이언트 질의의 재운영에 의해 반환된 결과를 볼 수 없도록 보장한다. 해시 함수는 동일한 이력 클라이언트 질의의 상이한 운영에 대해 결과를 비교할 수 있도록 보장하는 안정적인 해시 집계를 계산할 수 있다. 안정적인 해시 집계는 개발자(112)가 재운영 질의 결과가 원래의 질의 결과와 동일한지 여부에 대해서만 가시성을 갖고, 개발자(112)가 질의 결과의 실제 값에 대한 가시성을 갖지 않도록 보장할 수 있다.
질의 리다이렉션은 둘 이상의 버전의 클라우드 서비스와 가상 웨어하우스를 비교할 수 있게 한다. 질의 리다이렉션 메커니즘은 지정된 클라우드 서비스 인스턴스에서 테스트 버전으로 운영되도록 질의를 리다이렉션하도록 구현될 수 있다. 질의 리다이렉션은 실행 플랫폼 세트 및/또는 실행 플랫폼 세트 내의 특정 실행 노드와 같이 질의를 운영할 클라우드 서비스 자원 세트를 지정하는 것을 포함한다. 질의 리다이렉션은 특정 버전의 프로그래밍 논리 또는 코드를 테스트하고 격리를 달성하는 데 사용될 수 있다. 예를 들어, 프로그래밍 로직 테스트를 운영하는 한 가지 방법은 특정 패키지 버전으로 전용 클라우드 인스턴스를 제공하고 제공된 인스턴스에서 운영되도록 테스트 질의를 리다이렉션하는 것이다.
질의 텍스트로서 임포트된 워크로드에 대하여, 워크로드를 성공적으로 운영하도록 구성 가능한 질의 컴파일 환경(예를 들여, 계정, 데이터베이스 및 스키마)을 지정할 수 있다. 기능 플래그와 같은 다른 환경 설정 또한 구성될 수 있다. 기능 플래그는 기능을 제어 및/또는 가능하게 하기 위한 매개변수(즉, 노브(knob))를 포함한다. 구성 질의 컴파일 환경은 데이터베이스 관리자 또는 제공자가 제어하는 내부 계정으로부터 질의를 실행하는 수단을 포함한다. 구성 가능한 질의 컴파일 환경은 멀티테넌트 클라우드 기반 데이터베이스 시스템에서 멀티테넌시 능력을 활용하도록 구현될 수 있다. 구성 가능한 질의 컴파일 환경에서, 컴파일의 이름 조회 단계 동안, 데이터베이스 고객 질의의 "네임스페이스(namespace)"를 수집하고 관련 개체를 조회하는 특별한 역할이 허용될 수 있다.
일 실시예에서, 이력 질의 테스트는 시간 이동 타임스탬프로 운영되도록 구성되어 워크로드 내의 모든 이력 질의가 이력 질의의 원래 운영에 지정된 타임스탬프의 것으로 운영될 것이다. 이력 질의 테스트 운영 중에 데이터베이스 데이터가 DML(Data Manipulation Language) 명령문을 통해 동시에 업데이트될 수 있기 때문에 두 번의 운영에 대한 질의 결과는 시간 이동 버전이 동일할 때에만 비교될 수 있다.
일 실시예에서, 기능 또는 프로그램이 이력 클라이언트 질의에 대해 운영된다. 이력 클라이언트 질의의 운영은 클라이언트의 프로덕션 워크로드에 영향을 주지 않고 클라이언트 질의를 테스트하는 것을 목표로 한다. 따라서, 일 실시예에서, 이력 클라이언트 질의의 운영(즉, 테스트 운영)은 별개의 구성된 클라우드 서비스(114) 및 별개의 전용 가상 웨어하우스(116)에서 수행된다. 구성된 클라우드 서비스(114) 및 전용 가상 웨어하우스(116)는 개발자(112)에 의해 구성될 수 있다. 이용 가능한 자원(예를 들어, 전용 가상 웨어하우스(116)의 크기)에 따라, 개발자(112)는 워크로드(118)를 운영하는 데 사용할 동시성을 지정할 수 있다. 높은 동시성 운영은 또한 전용 가상 웨어하우스(116)에 대한 양호한 스트레스 테스트 메커니즘으로 사용될 수 있다. 본원에 개시된 시스템은 이력 질의가 취소되기 전에 운영 가능한 최대 시간에 제한을 두기 위해 타임아웃 한계를 추가로 구현할 수 있다. 이는 불량 질의가 너무 많은 자원을 차지하는 것을 방지할 수 있다.
일 실시예에서, 본원에 개시된 시스템은 이력 클라이언트 질의의 원래 시작 시간을 유지한다. 일 실시예에서, 시스템은 워크로드(118)를 운영하는 "리플레이(replay)" 모드를 제공한다. 리플레이 모드는 원래 시작 시간과 동일한 시간 간격을 두고 이력 질의를 운영한다. 이는 캡처된 클라이언트 워크로드가 시스템에 미치는 정확한 영향을 시뮬레이션하는 데 유용할 수 있다. 또한, 본원에 개시된 시스템은 계획 변경 및 컴파일 에러를 검출하기 위해 워크로드(118)에서 질의를 컴파일하는 "설명" 모드를 제공할 수 있다.
검증 및 분석
워크로드(118)가 상이한 설정(예를 들어, 기준 운영(124)과 목표 운영(126)) 하에서 다수의 운영을 생성한 후, 기능 테스트 시스템은 120에서 검증을 수행하고 결과에 대한 분석을 수행하여 보고서(122)를 생성할 수 있다. 120에서의 검증 단계는 오탐 비율을 줄이기 위한 성능 비교에 유리할 수 있다. 기준 운영(124)과 목표 운영(126)을 비교할 때, 기능 테스트 시스템은 120에서 목표 운영(126) 설정을 사용하여 기준 운영(124)에서의 동일한 질의보다 느리게 보고된 질의를 여러 번 재운영함으로써 목표 운영(126) 내의 성능 회귀를 검증한다. 이는 클라우드 환경의 변화 또는 가상 웨어하우스의 데이터 또는 클라우드 서비스 계층의 메타데이터에 대한 상이한 캐시 상태로 인한 성능 비교에서의 오탐을 제거(weeding)하는 데 도움이 될 수 있다. 몇 번의 검증 운영 후 질의가 지속적으로 상당한 성능 회귀 비율을 표시한 후에만 기능 테스트 시스템이 기능 또는 프로그램을 실제 성능 문제로 보고한다. 또한 기초 테이블의 데이터 변경은 성능 비교가 클라이언트의 사용 사례와 관련이 없는 것으로 만들 수 있으며, 예를 들어, 데이터를 로드하고 처리한 후 삭제(truncate)한 스테이징(staging) 테이블에 대한 것과 같다.
성능 회귀를 감지하는 것 외에도, 기능 테스트 시스템은 잘못된 결과와 새로운 사용자 오류 또는 내부 오류를 더 감지한다. 기능 테스트 시스템은 자동으로 보고서(122)를 생성한다. 기능 테스트 시스템은 보고서(122)가 비교가 항상 유효하다는 것을 보장한다는 것을 보장한다. 예를 들어, 비결정적 질의는 성능 및 결과 비교에서 제외된다. 운영에 의해 설정된 시간 초과 제한에 도달한 질의는 성능 차이에 대해 비교되지 않는다. 두 운영(즉, 기준 운영(124)과 목표 운영(126))에서 동일한 오류 코드로 실패한 질의는 회귀로 보고되지 않는다.
일 실시예에서, 보고서(122)가 간결하고 개발자(112)가 이해하기 쉽도록 보장하는 것이 유리할 수 있다. 각 질의에 대한 자세한 통계를 포함하여 워크로드 및 운영의 모든 메타데이터가 기능 테스트 시스템에 저장되므로, 고급 사용자는 자체 분석 질의를 쉽게 작성하여 자체 테스트 요구사항에 적합한 더욱 자세한 분석을 수행할 수 있다.
이제 도 2를 참조하면, 기능 테스트 시스템 스트리밍 운영을 위한 프로세스 흐름(200)이 도시되어 있다. 일 실시예에서, 기능 테스트 시스템에 대한 디폴트 모드는 배치 지향적(batch-oriented)으로서, 워크로드(118)가 사전에 선택된 다음 비교를 위해 상이한 설정 하에서 운영된다. 이러한 배치 지향적 모드는 중소 규모의 워크로드(118)에서는 잘 작동할 수 있지만 더 큰 워크로드에서는 잘 작동하지 않을 수 있다. 큰 워크로드에는 몇 가지 문제가 있다. 큰 워크로드로 인해 발생하는 한 가지 문제점은 운영 시간이 오래 걸리고, 시간이 지남에 따라, 테이블 삭제와 같은 스키마 변경으로 인해 많은 원래의 이력 질의가 더 이상 유효하지 않다는 것이다. 또 다른 문제는, 스키마 변경이 없는 경우에도, 클라이언트가 데이터베이스 내로 새로운 데이터를 지속적으로 받아들인다는 것이다. 결과 비교를 가능하게 하기 위해, 기능 테스트 시스템은 일반적으로 운영 시작 시에 설정되는 각 운영에 대해 고정 시간 이동 버전을 사용한다. 부가적인 문제는, 워크로드(118)가 미리 고정되어 있기 때문에, 검색 기준을 만족시키기 위해 최신 질의 세트를 선택할 기회를 놓친다는 것이다.
스트리밍 모드에 대한 프로세스 흐름(200)은 도 1에 도시된 배치 지향적 프로세스 흐름(100)의 전술한 문제를 해결한다. 스트리밍 모드 프로세스 흐름(200)에서, 개발자(212)는 배치 모드에서 제공된 것과 유사한 워크로드 구성 및 운영 설정을 제공한다(100 참조). 그러나, 워크로드에서 모든 질의를 선택하는 대신, 개발자(212)는 이제 각 단위 기간 동안 얼마나 많은 질의를 선택할 것인지를 지정하는 스트리밍 속도를 제어한다.
스트리밍 모드에서, 워크로드는 마이크로 배치(micro-batch)에서 워크로드 선택기(202)에 의해 점진적으로 선택되고, 질의 큐(204)에 추가된 다음 질의를 질의 운영기(206)에 제출한다. 질의 운영기(206)는 각 질의를 취하여 보고서(214)를 생성하도록 확인 및 비교를 수행하기 전에 상이한 설정으로 운영하기 위하여 이를 다중화한다. 질의 운영기(206)는 질의 운영기(206)에 의해 결정되거나 개발자(212)에 의해 입력될 수 있는 상이한 매개변수에 따라 기준 운영(208)과 목표 운영(210)을 운영할 것이다. 스트리밍 운영의 결과는 데이터베이스 시스템 내의 공유 스토리지 디바이스로 주기적으로 내보내져 진행중인 스트리밍 운영의 최신 결과를 사용자가 폴링(polling)할 수 있다.
질의가 질의 운영기(206)에 개별적으로 제출되기 때문에, 질의는 상이한 시간 이동 버전을 사용하여 운영될 수 있다. 스트리밍 모드 프로세스 흐름(200)에서, 각 질의는 그들이 질의 운영기(206)에 제출한 현재 타임스탬프를 시간 이동 버전으로 사용하며, 시간을 거슬러 이동할 필요가 없다. 또한 워크로드가 점증식으로 선택되므로, 워크로드는 매우 최근의 이력 질의만을 포함하도록 보장된다. 이는 도 1에 도시된 배치 지향적 모드와 비교하여 이러한 이력 질의를 운영할 때 데이터 변경 또는 스키마 변경이 더 적음을 의미한다. 이로 인해 유효하지 않은 질의가 줄어든다. 스트리밍 모드 프로세스 흐름(200)으로, 기능 테스트 시스템은 배치 지향적 모드와 비교할 때 더 높은 성공률로 더 긴 운영을 지원할 수 있다.
스트리밍 모드 프로세스 흐름(200)은 최신 클라이언트 질의를 수집하고 이러한 질의의 성공률을 향상시키기 위해 기능 출시 테스트를 위해 사용될 수 있다. 운영은 기능 또는 프로그램이 클라이언트 워크로드로 이주되기 전에 기능 또는 프로그램의 안정성을 보장하는 데 사용될 수 있다.
경우에 따라, 새 출시 아티팩트가 사용 가능한 시간과 새로 출시된 기능 또는 프로그램으로 클라이언트의 이주가 시작되는 시간 사이의 시간 윈도우를 최소화하는 것이 바람직할 수 있다. 이를 달성하기 위해, 출시 운영은 높은 동시성을 사용하고 질의 워크로드를 처리하기 위해 자동으로 확장 및 축소할 수 있는 전용 다중 클러스터 웨어하우스에서 질의를 운영할 수 있다.
워크로드 선택기(202)는 선택된 이력 질의의 샘플이 다양한 사용 사례 세트를 포함하도록 보장한다. Query2Vec 알고리즘은 각 질의 클러스터에서 하나의 질의 샘플을 선택하여 모든 유형의 질의를 커버하도록 보장하므로 Query2Vec을 사용하여 선택한 샘플은 질의 선택이 분산되고 다양해질 수 있게 한다.
기능 테스트
SQL 관련 개선과 같은 새로운 기능이나 프로그램이 데이터베이스 클라이언트에 출시되기 전에, 기능 테스트 시스템을 사용하여 프로덕션 질의에서 새로운 기능이나 프로그램이 테스트된다. 새로운 기능 또는 프로그램은 데이터베이스 클라이언트에 대한 변경(즉, 새로운 기능 또는 프로그램의 구현)의 영향에 대한 통찰력을 얻기 위해 테스트된다. 새로운 기능 및 프로그램을 테스트하기 위해, 개발자는 기능 플래그를 설정하고 도 1 내지 도 2에 설명된 바와 같은 프로세스 흐름(100, 200)을 따를 수 있다.
이제 도 3을 참조하면, 본원에 개시된 방법을 운영하기 위한 컴퓨터 시스템(300)이 도시되어 있다. 컴퓨터 시스템(300)은 실제 데이터베이스 데이터 상에서 그러한 기능 또는 프로그램을 실행함으로써 개발 단계 동안 기능 또는 프로그램을 테스트하도록 구성될 수 있다. 컴퓨터 시스템(300)은 사용자로부터 수신된 실제 클라이언트 질의를 실행하기 위해 및/또는 기능 테스트의 목적을 위해 나중에 이러한 실제 클라이언트 질의를 재운영하기 위해 사용될 수 있다.
도 3에 도시된 바와 같이, 자원 관리자(302)는 다수의 사용자(304, 306 및 308)에 연결될 수 있다. 특정 구현에서, 자원 관리자(302)는 데이터 처리 플랫폼(300)에 대한 접근을 원하는 임의의 수의 사용자를 지원할 수 있다. 사용자(304, 306, 308)는, 예를 들어, 데이터 저장 및 검색 요청을 제공하는 최종 사용자, 본원에 기재된 시스템 및 방법을 관리하는 시스템 관리자, 및 자원 관리자(302)와 상호 작용하는 다른 구성 요소/디바이스를 포함할 수 있다. 사용자(304, 306 및 308)는 본원에서 "클라이언트"로 지칭될 수 있으며, 본원에 개시된 바와 같이 하나 이상의 배치(deployment)에 직접 연결될 수 있다. 사용자(304, 306 및 308) 각각은 1차 배치에 연결될 수 있고 1차 배치에서 2차 배치로의 연결을 전환하는 능력을 가질 수 있다.
자원 관리자(302)는 데이터 처리 플랫폼(300) 내의 모든 시스템 및 구성요소의 동작을 지원하는 다양한 서비스 및 기능을 제공한다. 자원 관리자(302)는 데이터 처리 플랫폼(300) 전체에 저장된 데이터의 전체와 연관된 메타데이터(310)에 연결될 수 있다. 일부 실시예에서, 메타데이터(310)는 원격 데이터 스토리지 시스템에 저장된 데이터의 요약 및 로컬 캐시로부터 이용 가능한 데이터를 포함할 수 있다. 또한, 메타데이터(310)는 원격 데이터 스토리지 시스템 및 로컬 캐시 내에서 데이터가 구성되는 방법에 관한 정보를 포함할 수 있다. 메타데이터(310)는 시스템 및 서비스가 스토리지 디바이스로부터 실제 데이터를 로드하거나 접근하지 않고 데이터가 처리될 필요가 있는지 여부를 결정할 수 있게 한다.
자원 관리자(302)는 실행 플랫폼(312)에 더 연결될 수 있으며, 이는 아래에서 더 상세히 논의되는 바와 같이 다양한 데이터 저장 및 데이터 검색 작업을 실행하는 다수의 컴퓨팅 자원을 제공한다. 일 실시예에서, 데이터베이스 질의 및/또는 메타데이터 업데이트, 테이블 클러스터링, 구체화된 뷰 생성 등과 같은 "내부" 데이터베이스 작업과 같은 클라이언트 작업을 실행하는 데 사용되는 하나 이상의 실행 플랫폼(312)이 존재한다. 이러한 실시예에서, 점진적 기능 개발 및/또는 테스트에 사용되는 하나 이상의 실행 플랫폼(312)이 또한 존재할 수 있으며, 이들 실행 플랫폼(312)은 클라이언트 처리가 기능 개발 작업에 의해 영향을 받지 않도록 클라이언트 실행 플랫폼(312)과 분리되어 있다. 실행 플랫폼(312)은 스토리지 플랫폼(314)의 일부인 다수의 데이터 스토리지 디바이스(316, 318 및 320)에 연결될 수 있다. 3개의 데이터 스토리지 디바이스(316, 318, 320)가 도 3에 도시되어 있지만, 실행 플랫폼(312)은 임의의 수의 데이터 스토리지 디바이스와 통신할 수 있다. 일부 실시예에서, 데이터 스토리지 디바이스(316, 318, 320)는 하나 이상의 지리적 위치에 위치한 클라우드 기반 스토리지 디바이스이다. 예를 들어, 데이터 스토리지 디바이스(316, 318 및 320)는 공공 클라우드 인프라 또는 사설 클라우드 인프라의 일부일 수 있다. 데이터 스토리지 디바이스(316, 318, 320)는 하드 디스크 드라이브(HDD), 솔리드 스테이트 드라이브(SSD), 스토리지 클러스터 또는 다른 데이터 스토리지 기술일 수 있다. 또한, 스토리지 플랫폼(314)은 분산 파일 시스템(예컨대, HDFS(Hadoop Distributed File Systems)), 객체 스토리지 시스템 등을 포함할 수 있다.
특정 실시예에서, 자원 관리자(302)와 사용자(304, 306, 308), 메타데이터(310) 및 실행 플랫폼(312) 사이의 통신 링크는 하나 이상의 데이터 통신 네트워크를 통해 구현된다. 유사하게, 실행 플랫폼(312)과 스토리지 플랫폼(314)의 데이터 스토리지 디바이스(316, 318, 320) 사이의 통신 링크는 하나 이상의 데이터 통신 네트워크를 통해 구현된다. 이들 데이터 통신 네트워크는 임의의 통신 프로토콜 및 임의의 유형의 통신 매체를 이용할 수 있다. 일부 실시예에서, 데이터 통신 네트워크는 서로 연결된 둘 이상의 데이터 통신 네트워크(또는 서브 네트워크)의 조합이다. 다른 실시예에서, 이들 통신 링크는 임의의 유형의 통신 매체 및 임의의 통신 프로토콜을 사용하여 구현된다.
도 3에 도시된 바와 같이, 데이터 스토리지 디바이스(316, 318, 320)는 실행 플랫폼(312)과 연관된 컴퓨팅 자원으로부터 분리된다. 일 실시예에서, 다수의 데이터베이스 배치(deployment) 각각은 다수의 데이터 스토리지 디바이스(316, 318, 320)를 갖는 스토리지 플랫폼(314)을 포함할 수 있다. 다수의 배치에 걸친 각각의 스토리지 플랫폼(314)은 다수의 배치 각각이 데이터베이스 데이터에 대해 업데이트 및 질의가 실행되는 1차 배치로 이용될 수 있도록 데이터베이스 데이터의 복제본을 저장할 수 있다. 이 아키텍처는 데이터 처리 플랫폼(300)에 접근하는 사용자 및 시스템의 변화하는 요구뿐만 아니라 변화하는 데이터 저장/검색 요구에 기초하여 데이터 처리 플랫폼(300)에 대한 동적 변경을 지원한다. 동적 변경의 지원은 데이터 처리 플랫폼(300) 내의 시스템 및 구성요소에 대한 변화 요구에 응답하여 데이터 처리 플랫폼(300)이 빠르게 확장될 수 있게 한다. 데이터 스토리지 디바이스로부터 컴퓨팅 자원의 분리는 대응하는 많은 양의 컴퓨팅 자원을 요구하지 않고 대량의 데이터의 저장을 지원한다. 유사하게, 이러한 자원의 분리는 이용 가능한 데이터 저장 자원의 대응하는 증가를 요구하지 않으면서 특정 시간에 이용되는 컴퓨팅 자원의 상당한 증가를 지원한다.
자원 관리자(302), 메타데이터(310), 실행 플랫폼(312) 및 스토리지 플랫폼(314)이 도 3에서 개별 구성 요소로 도시되어 있다. 그러나, 자원 관리자(302), 메타데이터(310), 실행 플랫폼(312) 및 스토리지 플랫폼(314) 각각은 분산 시스템(예를 들어, 다수의 지리적 위치에서 다수의 시스템/플랫폼에 걸쳐 분산)으로서 구현될 수 있다. 또한, 자원 관리자(302), 메타데이터(310), 실행 플랫폼(312) 및 스토리지 플랫폼(314) 각각은 사용자(304, 306, 308)로부터 수신된 요청의 변경 및 데이터 처리 플랫폼(300)의 변화하는 요구에 따라(서로 독립적으로) 확장 또는 축소될 수 있다. 따라서, 데이터 처리 플랫폼(300)은 동적이며 현재 데이터 처리 요구를 충족시키기 위해 규칙적인 변경을 지원한다.
도 4는 자원 관리자(302)의 실시예를 도시한 블록도이다. 도 3에 도시된 바와 같이, 자원 관리자(302)는 데이터 스토리지 디바이스(406)에 연결된 접근 관리자(402) 및 키 관리자(404)를 포함한다. 접근 관리자(402)는 본원에 기재된 시스템에 대한 인증 및 허가 작업을 처리할 수 있다. 키 관리자(404)는 인증 및 허가 작업 동안 사용되는 키의 저장 및 인증을 관리할 수 있다. 요청 처리 서비스(408)는 수신된 데이터 저장 요청 및 데이터 검색 요청을 관리한다. 관리 콘솔 서비스(410)는 관리자(administrator) 및 다른 시스템 관리자(manager)에 의한 다양한 시스템 및 프로세스에 대한 접근을 지원한다.
자원 관리자(302)는 또한 SQL 컴파일러(412), SQL 최적화기(414) 및 SQL 실행기(210)를 포함할 수 있다. SQL 컴파일러(412)는 SQL 질의를 파싱하고 질의에 대한 실행 코드를 생성한다. SQL 최적화기(414)는 처리될 필요가 있는 데이터에 기반하여 질의를 실행하기 위한 최상의 방법을 결정한다. SQL 실행기(416)는 자원 관리자(302)에 의해 수신된 질의에 대한 질의 코드를 실행한다. 질의 스케줄러 및 코디네이터(418)는 수신된 질의를 컴파일, 최적화 및 실행 플랫폼(312)에 발송(dispatch)하기 위해 적절한 서비스 또는 시스템에 전송할 수 있다. 가상 웨어하우스 관리자(420)는 실행 플랫폼에서 구현된 다수의 가상 웨어하우스의 동작을 관리한다.
또한, 자원 관리자(302)는 원격 데이터 스토리지 디바이스 및 로컬 캐시에 저장된 데이터와 연관된 정보를 관리하는 구성 및 메타데이터 관리자(422)를 포함한다. 모니터 및 워크로드 분석기(424)는 자원 관리자(302)에 의해 수행된 프로세스를 감독하고 실행 플랫폼 내의 가상 웨어하우스 및 실행 노드에 걸친 작업(예를 들어, 워크로드)의 분배를 관리한다. 구성 및 메타데이터 관리자(422) 및 모니터 및 워크로드 분석기(424)는 데이터 스토리지 디바이스(426)에 연결된다.
자원 관리자(302)는 또한 이력 클라이언트 질의에 대한 기능 및/또는 프로그램 테스트를 관리하는 기능 테스트 관리자(428)를 포함한다. 기능 테스트 관리자(428)는 이력 클라이언트 질의의 기준 운영 또는 목표 운영에 대한 워크로드 및/또는 매개변수를 결정하도록 구성될 수 있다. 기능 테스트 관리자(428)는 테스트 데이터의 신뢰성을 보장하기 위해 검증 단계를 수행할 수 있고, 실제 이력 클라이언트 질의로 구현될 때 기능 및/또는 프로그램이 수행되는 방법을 나타내는 보고서를 더 생성할 수 있다.
도 5는 실행 플랫폼(312)의 실시예를 도시한 블록도이다. 기준 운영 및/또는 목표 운영(및 필요에 따라 임의의 다른 추가 운영)의 실행은 실행 플랫폼(312)에서 실행될 수 있다. 일 실시예에서, 기능 테스트 운영은 기능 테스트에만 사용되며 데이터베이스 클라이언트가 발행한 프로덕션 질의에는 사용되지 않는 전용 가상 웨어하우스에서만 독점적으로 운영된다. 기능 테스트에 전용 가상 웨어하우스를 사용하면 기능 개발 프로세스가 클라이언트의 성능 및 런타임에 영향을 미치지 않도록 보장할 수 있다.
도 5에 도시된 바와 같이, 실행 플랫폼(312)은 다수의 가상 웨어하우스(502, 504 및 506)를 포함한다. 각 가상 웨어하우스는 각각 캐시 및 프로세서를 포함하는 다수의 실행 노드를 포함한다. 도 3에 도시된 각 가상 웨어하우스(502, 504 및 506)가 3개의 실행 노드를 포함하지만, 본 개시의 범위를 벗어나지 않고 특정 가상 웨어하우스는 임의의 수의 실행 노드를 포함할 수 있다. 또한 가상 웨어하우스의 실행 노드 수는 동적이어서, 추가 수요가 있을 때 새 실행 노드가 생성되고 더 이상 필요하지 않은 경우 기존 실행 노드가 삭제된다.
각 가상 웨어하우스(502, 504 및 506)는 도 3에 도시된 임의의 데이터 스토리지 디바이스(316, 318, 320)에 접근할 수 있다. 따라서, 가상 웨어하우스(302, 304, 306)는 특정 데이터 스토리지 디바이스(316, 318, 320)에 반드시 할당될 필요는 없으며, 대신 임의의 데이터 스토리지 디바이스(316, 318, 320)로부터 데이터에 접근할 수 있다. 유사하게, 도 5에 도시된 각 실행 노드는 임의의 데이터 스토리지 디바이스(316, 318, 320)로부터 데이터에 접근할 수 있다. 일부 실시예에서, 특정 가상 웨어하우스 또는 특정 실행 노드가 특정 데이터 스토리지 디바이스에 일시적으로 할당될 수 있지만, 나중에 가상 웨어하우스 또는 실행 노드는 임의의 다른 데이터 스토리지 디바이스로부터 데이터에 접근할 수 있다.
도 5의 실시예에서, 가상 웨어하우스(502)는 3개의 실행 노드(508, 510 및 512)를 포함한다. 실행 노드(508)는 캐시(514) 및 프로세서(516)를 포함한다. 실행 노드(510)는 캐시(518) 및 프로세서(520)를 포함한다. 실행 노드(512)는 캐시(522) 및 프로세서(524)를 포함한다. 각 실행 노드(508, 510, 512)는 하나 이상의 데이터 저장 및/또는 데이터 검색 작업의 처리와 연관된다. 예를 들어, 특정 가상 웨어하우스는 특정 사용자 또는 고객과 연관된 데이터 저장 및 데이터 검색 작업을 처리할 수 있다. 다른 구현에서, 특정 가상 웨어하우스는 특정 데이터 스토리지 시스템 또는 특정 카테고리의 데이터와 연관된 데이터 저장 및 데이터 검색 작업을 처리할 수 있다.
위에서 논의된 가상 웨어하우스(502)와 유사하게, 가상 웨어하우스(504)는 3개의 실행 노드(526, 528 및 530)를 포함한다. 실행 노드(526)는 캐시(532) 및 프로세서(534)를 포함한다. 실행 노드(528)는 캐시(536) 및 프로세서(538)를 포함한다. 실행 노드(530)는 캐시(540) 및 프로세서(542)를 포함한다. 또한, 가상 웨어하우스(506)는 3개의 실행 노드(544, 546 및 548)를 포함한다. 실행 노드(544)는 캐시(550) 및 프로세서(552)를 포함한다. 실행 노드(546)는 캐시(554) 및 프로세서(556)를 포함한다. 실행 노드(548)는 캐시(558) 및 프로세서(560)를 포함한다.
도 5에 도시된 실행 노드는 각각 하나의 캐시 및 하나의 프로세서를 포함하지만, 대안적인 실시예는 임의의 수의 프로세서 및 임의의 수의 캐시를 포함하는 실행 노드를 포함할 수 있다. 또한 캐시의 크기는 실행 노드마다 다를 수 있다. 도 5에 도시된 캐시는, 로컬 실행 노드에서, 스토리지 플랫폼(314)(도 3 참조)의 하나 이상의 데이터 스토리지 디바이스로부터 검색된 데이터를 저장한다. 따라서 캐시는 원격 스토리지 시스템에서 지속적으로 데이터를 검색하는 플랫폼에서 발생하는 잠재적 병목 현상 문제를 줄이거나 제거한다. 원격 스토리지 디바이스로부터 데이터에 반복적으로 접근하는 대신에, 본원에 기재된 시스템 및 방법은 실행 노드의 캐시로부터 데이터에 접근하며, 이는 훨씬 더 빠르고 병목 현상 문제를 피한다. 일부 실시예에서, 캐시는 캐시된 데이터에 대한 빠른 접근을 제공하는 고속 메모리 디바이스를 사용하여 구현된다. 각 캐시는 스토리지 플랫폼(314) 내의 임의의 스토리지 디바이스로부터의 데이터를 저장할 수 있다.
또한, 캐시 자원 및 컴퓨팅 자원은 상이한 실행 노드마다 달라질 수 있다. 예를 들어, 하나의 실행 노드에는 상당한 컴퓨팅 자원과 최소한의 캐시 자원이 포함될 수 있으며, 이 실행 노드는 상당한 컴퓨팅 자원이 필요한 작업에 유용하다. 다른 실행 노드에는 상당한 캐시 자원과 최소한의 컴퓨팅 자원이 포함될 수 있으며, 이 실행 노드는 많은 양의 데이터를 캐싱해야 하는 작업에 유용하다. 일부 실시예에서, 특정 실행 노드와 연관된 캐시 자원 및 컴퓨팅 자원은 실행 노드에 의해 수행될 것으로 예상되는 작업에 기반하여, 실행 노드가 생성될 때 결정된다.
또한, 특정 실행 노드와 연관된 캐시 자원 및 컴퓨팅 자원은 실행 노드에 의해 수행되는 작업 변경에 기반하여 시간에 따라 변할 수 있다. 예를 들어, 실행 노드에 의해 수행된 작업이 더 프로세서 집약적이 되면 특정 실행 노드에 더 많은 처리 자원이 할당될 수 있다. 유사하게, 실행 노드에 의해 수행된 태스크가 더 큰 캐시 용량을 필요로 하면 실행 노드에 더 많은 캐시 자원이 할당될 수 있다.
가상 웨어하우스(502, 504, 506)는 도 3의 동일한 실행 플랫폼(312)과 연관되어 있지만, 가상 웨어하우스는 다수의 지리적 위치에서 다수의 컴퓨팅 시스템을 사용하여 구현될 수 있다. 예를 들어, 가상 웨어하우스(502)는 제1 지리적 위치에서 컴퓨팅 시스템에 의해 구현될 수 있는 한편, 가상 웨어하우스(504 및 506)는 제2 지리적 위치에서 다른 컴퓨팅 시스템에 의해 구현된다. 일부 실시예에서, 이들 상이한 컴퓨팅 시스템은 하나 이상의 상이한 엔티티에 의해 유지되는 클라우드 기반 컴퓨팅 시스템이다.
또한, 각 가상 웨어하우스는 도 5에서 여러 실행 노드를 갖는 것으로 도시되어 있다. 각 가상 웨어하우스와 연관된 다수의 실행 노드는 다수의 지리적 위치에서 다수의 컴퓨팅 시스템을 사용하여 구현될 수 있다. 예를 들어, 가상 웨어하우스(502)의 특정 인스턴스는 특정 지리적 위치에서 하나의 컴퓨팅 플랫폼에서 실행 노드(508 및 510)를 구현하고 다른 지리적 위치에서 다른 컴퓨팅 플랫폼에서 실행 노드(512)를 구현한다. 실행 노드를 구현하기 위해 특정 컴퓨팅 시스템을 선택하는 것은 특정 실행 노드에 필요한 자원의 수준(예를 들어, 처리 자원 요건 및 캐시 요건), 특정 컴퓨팅 시스템에서 이용 가능한 자원, 지리적 위치 내에서 또는 지리적 위치 사이에서 네트워크의 통신 능력, 및 어떤 컴퓨팅 시스템이 가상 웨어하우스에서 다른 실행 노드를 이미 구현하고 있는지와 같은 다양한 요소에 의존할 수 있다. 실행 플랫폼(312)은 또한 내결함성을 갖는다. 예를 들어, 하나의 가상 웨어하우스에 장애가 발생하면, 해당 가상 웨어하우스가 상이한 지리적 위치에 있는 상이한 가상 웨어하우스로 신속하게 교체된다.
특정 실행 플랫폼(312)은 임의의 수의 가상 웨어하우스(502, 504, 506)를 포함할 수 있다. 또한, 특정 실행 플랫폼 내의 가상 웨어하우스의 수는 동적이어서, 추가적인 처리 및/또는 캐시 자원이 필요할 때 새로운 가상 웨어하우스가 생성된다. 마찬가지로, 가상 웨어하우스와 연관된 자원이 더 이상 필요하지 않은 경우 기존 가상 웨어하우스가 삭제될 수 있다.
도 6은 가상 웨어하우스 그룹에 포함된 다수의 가상 웨어하우스 및 로드 밸런서(load balancer)를 통해 다수의 사용자가 다수의 데이터베이스에 접근하는 운영 환경(operating environment)(600)의 실시예를 도시한 블록도이다. 운영 환경(600)은 사용자 또는 클라이언트에 의해 실행된 프로덕션 질의에 적용될 수 있고, 사용자(602, 604, 606 참조)가 실제 데이터베이스 데이터를 사용하여 새로운 기능 또는 프로그램을 생성 및 테스트하는 개발자(112)를 지칭할 수 있는 기능 테스트에 더 적용될 수 있다.
환경(600)은 가상 웨어하우스 자원 관리자(608) 및 가상 웨어하우스 그룹(616)에 배열된 다수의 가상 웨어하우스(610, 612 및 614)를 포함한다. 가상 웨어하우스 자원 관리자(608)는 자원 관리자(302)에 포함될 수 있다. 특히, 다수의 사용자(602, 604 및 606)는 가상 웨어하우스 자원 관리자(608) 및 가상 웨어하우스 그룹(616)을 통해 다수의 데이터베이스(618, 620, 622, 624, 626 및 628)에 접근한다. 일부 실시예에서, 사용자(602-606)는 자원 관리자(302)(도 1)를 통해 가상 웨어하우스 자원 관리자(608)에 접근한다. 일부 실시예에서, 가상 웨어하우스 자원 관리자(608)는 자원 관리자(302) 내에 구현된다.
사용자(602-606)는 데이터 검색 및 데이터 저장 요청을 가상 웨어하우스 자원 관리자(608)에 제출할 수 있고, 이 데이터 검색 및 데이터 저장 요청은 가상 웨어하우스 그룹(616)의 적절한 가상 웨어하우스(610-614)로 라우팅된다. 일부 구현에서, 가상 웨어하우스 자원 관리자(608)는 사용자(602-606)를 가상 웨어하우스(610-614)에 동적으로 할당한다. 데이터 검색 또는 데이터 저장 요청을 제출할 때, 사용자(602-606)는 요청을 처리할 특정 가상 웨어하우스(610-614)를 지정하지 않고 요청을 처리하도록 가상 웨어하우스 그룹(616)을 지정할 수 있다. 이 배열은 가상 웨어하우스 자원 관리자(608)가 가상 웨어하우스(610-614) 내에서 효율성, 가용 자원 및 캐시된 데이터의 가용성에 기초하여 가상 웨어하우스(610-614)에 걸쳐 다수의 요청을 분배할 수 있게 한다. 데이터 처리 요청을 라우팅하는 방법을 결정할 때, 가상 웨어하우스 자원 관리자(608)는 가용 자원, 현재 자원 로드, 현재 사용자 수 등을 고려한다.
일부 실시예에서, 내결함성 시스템은 가상 웨어하우스의 고장에 응답하여 새로운 가상 웨어하우스를 생성한다. 새로운 가상 웨어하우스는 동일한 가상 웨어하우스 그룹에 있거나 다른 지리적 위치에 있는 다른 가상 웨어하우스 그룹에 생성될 수 있다.
각 가상 웨어하우스(610-614)는 모든 데이터베이스(618-628)의 서브세트와 통신하도록 구성된다. 예를 들어, 환경(600)에서, 가상 웨어하우스(610)는 데이터베이스(618, 620 및 622)와 통신하도록 구성된다. 유사하게, 가상 웨어하우스(612)는 데이터베이스(620, 624 및 626)와 통신하도록 구성된다. 그리고, 가상 웨어하우스(614)는 데이터베이스(622, 626 및 628)와 통신하도록 구성된다. 다른 실시예에서, 가상 웨어하우스(610-614)는 데이터베이스(618-628) 중 임의의(또는 모두)와 통신할 수 있다.
환경(600)은 하나의 가상 웨어하우스 그룹(616)을 도시하지만, 대안적인 실시예는 각각 임의의 수의 가상 웨어하우스와 연관된 임의의 수의 가상 웨어하우스 그룹을 포함할 수 있다. 예를 들어, 각 고객 또는 사용자 그룹에 대해 상이한 가상 웨어하우스가 생성될 수 있다. 또한 상이한 엔티티 또는 상이한 데이터 세트에 접근하는 임의의 다른 그룹에 대해 상이한 가상 웨어하우스가 생성될 수 있다. 여러 가상 웨어하우스 그룹의 크기와 구성이 다를 수 있다. 특정 환경에서 가상 웨어하우스 그룹의 수는 동적이며 환경에서 사용자 및 기타 시스템의 변화하는 요구에 기반하여 변경될 수 있다.
도 7은 데이터베이스에서 기능을 테스트하는 방법(700)의 개략적인 흐름도이다. 방법(700)은 본원에 기재된 자원 관리자(302) 또는 기능 테스트 관리자(428)와 같은 임의의 적합한 컴퓨팅 자원에 의해 수행될 수 있다.
방법(700)이 시작하고 컴퓨팅 자원은 702에서 기능을 테스트하기 위해 재운영될 하나 이상의 이력 클라이언트 질의를 포함하는 워크로드를 결정하며, 여기에서 기능은 절차적 로직을 포함한다. 컴퓨팅 자원은 704에서 기능을 구현하지 않는 워크로드의 기준 운영을 실행한다. 컴퓨팅 자원은 706에서 기능을 구현하면서 워크로드의 목표 운영을 실행한다. 컴퓨팅 자원은 708에서 기준 운영과 목표 운영을 비교하여 목표 운영에 성능 회귀가 있는지를 식별한다. 컴퓨팅 자원은, 성능 회귀를 식별하는 것에 응답하여, 710에서 목표 운영을 재운영하여 성능 회귀가 여전히 존재하는지 식별한다. 710에서 재운영은 더 고립된 자원으로 운영 및/또는 클라우드 기반 데이터베이스 환경 내에서의 가변성으로부터 보호하기 위해 여러 번 운영 및/또는 더 느린 속도로 운영하는 것을 포함할 수 있다.
방법(700)은 클라우드 기반 데이터베이스 시스템에서 점진적 기능 개발을 구현하기 위해 수행될 수 있다. 점진적 기능 개발은 기능 플래그를 켜거나 끄고 운영한 결과를 비교하는 능력과 결합하여 기능의 사용을 추적하는 능력과 빠른 출시 주기의 조합에 의해 가능할 수 있다. 방법(700)은 클라우드 기반 데이터베이스 시스템에서 새로운 기능을 구현할 때 온라인 업그레이드 프로세스의 일부로서 자동으로 수행될 수 있다. 일 실시예에서, 방법(700)은 프로덕션 워크로드의 사용 추적 방법과 결합될 수 있다. 프로덕션 워크로드의 사용량 추적 방법은 테스트 프레임워크 내에 통합되어 원하는 테스트 워크로드에 기반하여 워크로드 선택이 결정될 수 있다.
일 실시예에서, 점진적 기능 개발 프로세스는 새로운 프로그래밍 로직 또는 기능의 빠른 온라인 업그레이드, 테스트 프레임워크 내에서의 사용 추적 통합, 및 점진적 기능 개발을 가능하게 하기 위하여 주기 내에 결합될 수 있는 성능 검증을 포함하는 클라우드 기반 데이터베이스 시스템에 배치된다.
도 8은 예시적인 컴퓨팅 디바이스(800)를 묘사하는 블록도이다. 일부 실시예에서, 컴퓨팅 디바이스(800)는 본원에서 논의된 하나 이상의 시스템 및 구성요소를 구현하는 데 사용된다. 예를 들어, 컴퓨팅 디바이스(800)는 사용자 또는 관리자가 자원 관리자(802)에 접근하도록 허용할 수 있다. 또한, 컴퓨팅 디바이스(800)는 본원에서 기재된 임의의 시스템 및 구성요소와 상호작용할 수 있다. 따라서, 컴퓨팅 디바이스(800)는 본원에서 논의된 것과 같은 다양한 절차 및 작업을 수행하는 데 사용될 수 있다. 컴퓨팅 디바이스(800)는 서버, 클라이언트 또는 임의의 다른 컴퓨팅 엔티티로 작용할 수 있다. 컴퓨팅 디바이스(800)는 데스크탑 컴퓨터, 노트북 컴퓨터, 서버 컴퓨터, 휴대용 컴퓨터, 태블릿 등과 같은 광범위한 컴퓨팅 디바이스 중 임의의 것일 수 있다.
컴퓨팅 디바이스(800)는 하나 이상의 프로세서(들)(802), 하나 이상의 메모리 디바이스(들)(804), 하나 이상의 인터페이스(들)(806), 하나 이상의 대용량 스토리지 디바이스(들)(808), 및 하나 이상의 입력/출력(I/O) 디바이스(들)(810)을 포함하며, 이들은 모두 버스(812)에 연결된다. 프로세서(들)(802)은 메모리 디바이스(들)(804) 및/또는 대용량 스토리지 디바이스(들)(808)에 저장된 명령어를 실행하는 하나 이상의 프로세서 또는 컨트롤러를 포함한다. 프로세서(들)(802)은 또한 캐시 메모리와 같은 다양한 유형의 컴퓨터 판독 가능 매체를 포함할 수 있다.
메모리 디바이스(들)(804)은 휘발성 메모리(예를 들어, 임의 접근 메모리(RAM)) 및/또는 비휘발성 메모리(예를 들어, 읽기 전용 메모리(ROM))와 같은 다양한 컴퓨터 판독 가능 매체를 포함한다. 메모리 디바이스(들)(804)은 또한 플래시 메모리와 같은 재기록 가능 메모리를 포함할 수 있다.
대용량 스토리지 디바이스(들)(808)는 자기 테이프, 자기 디스크, 광 디스크, 솔리드 스테이트 메모리(예를 들어, 플래시 메모리) 등과 같은 다양한 컴퓨터 판독 가능 매체를 포함한다. 다양한 드라이브가 또한 대용량 스토리지 디바이스(들)(808)에 포함될 수 있어 다양한 컴퓨터 판독 가능 매체로 읽기 및/또는 쓰기가 가능하다. 대용량 스토리지 디바이스(들)(808)은 이동식 매체 및/또는 비이동식 매체를 포함한다.
I/O 디바이스(들)(810)은 데이터 및/또는 다른 정보가 컴퓨팅 디바이스(800)로 입력되거나 이로부터 검색되도록 허용하는 다양한 디바이스를 포함한다. 예시적인 I/O 디바이스(들)(810)은 커서 제어 디바이스, 키보드, 키패드, 마이크로폰, 모니터 또는 다른 디스플레이 디바이스, 스피커, 프린터, 네트워크 인터페이스 카드, 모뎀, 렌즈, CCD 또는 다른 이미지 캡처 디바이스 등을 포함한다.
인터페이스(들)(806)은 컴퓨팅 디바이스(800)가 다른 시스템, 디바이스 또는 컴퓨팅 환경과 상호작용하도록 허용하는 다양한 인터페이스를 포함한다. 예시적인 인터페이스(들)(806)은 LAN(Local Area Network), WAN(Wide Area Network), 무선 네트워크 및 인터넷에 대한 인터페이스와 같은 임의의 수의 상이한 네트워크 인터페이스를 포함한다.
버스(812)는 프로세서(들)(802), 메모리 디바이스(들)(804), 인터페이스(들)(806), 대용량 스토리지 디바이스(들)(808), 및 I/O 디바이스(들)(810)이 서로 통신하고, 버스(812)에 연결된 다른 디바이스 또는 구성요소와 통신하도록 허용한다. 버스(812)는 시스템 버스, PCI 버스, IEEE 1394 버스, USB 버스 등과 같은 여러 유형의 버스 구조 중 하나 이상을 나타낸다.
예시의 목적으로, 프로그램 및 다른 실행 가능한 프로그램 구성요소는 본원에서 개별적인 블록으로 도시되어 있지만, 이러한 프로그램 및 구성요소는 컴퓨팅 디바이스(800)의 상이한 스토리지 구성요소에 다양한 시간에 상주할 수 있고 프로세서(들)(802)에 의해 실행될 수 있다는 것이 이해된다. 대안적으로, 본원에 기재된 시스템 및 절차는 하드웨어, 또는 하드웨어, 소프트웨어 및/또는 펌웨어의 조합으로 구현될 수 있다. 예를 들어, 하나 이상의 주문형 집적 회로(ASIC)가 본원에 기재된 하나 이상의 시스템 및 절차를 수행하도록 프로그래밍될 수 있다. 본원에서 사용되는 바에 따르면, "모듈"이라는 용어는 질의 작업의 전부 또는 일부를 수행할 목적으로 하드웨어, 또는 하드웨어, 소프트웨어 및/또는 펌웨어의 조합에 의한 것과 같이 프로세스를 달성하기 위한 구현 장치를 전달하도록 의도된다.
예시
이하의 예시는 추가의 실시예에 관한 것이다.
예시 1은 데이터베이스에서 기능을 테스트하는 시스템이다. 시스템은 기능을 테스트하기 위해 재운영될 하나 이상의 이력 클라이언트 질의를 포함하는 워크로드를 결정하는 수단을 포함하고, 기능은 절차적 로직을 포함한다. 시스템은 기능을 구현하지 않는 워크로드의 기준 운영을 실행하는 수단을 포함한다. 시스템은 기능을 구현하면서 워크로드의 목표 운영을 실행하는 수단을 포함한다. 시스템은 목표 운영에 성능 회귀가 있는지 식별하기 위하여 기준 운영과 목표 운영을 비교하는 수단을 포함한다. 시스템은, 성능 회귀의 식별에 응답하여, 성능 회귀가 여전히 존재하는지 식별하기 위하여 목표 운영을 재운영하는 수단을 포함한다.
예시 2는 예시 1에서와 같은 시스템으로서, 워크로드를 결정하는 수단은 원하지 않는 이력 클라이언트 질의를 필터링하기 위하여 사용자에 의해 입력된 하나 이상의 매개변수를 포함하는 워크로드 선택 구성에 기반하여 결정하도록 구성되며, 하나 이상의 매개변수는: 질의 샘플 크기; 이력 클라이언트 질의를 요청한 계정 또는 사용자와 같은 질의 개시자; 질의 스키마; 데이터베이스의 테이블 또는 마이크로 파티션; 이력 질의가 요청 및/또는 실행되었던 시간 윈도우; 질의 텍스트 조각; 또는 질의 실행 구성 중 하나 이상을 포함한다.
예시 3은 예시 1 내지 2 중 어느 하나에서와 같은 시스템으로서, 워크로드를 결정하는 수단은: 이력 클라이언트 질의 그룹을 결정하기 위하여 워크로드 선택 구성을 만족하는 이력 클라이언트 질의를 중복 제거하고; 실행을 위해 임계량보다 큰 자원을 소비하는 질의를 제거하기 위하여 이력 클라이언트 질의 그룹을 프루닝하고; 및 다양한 샘플을 결정하기 위하여 프루닝된 이력 클라이언트 질의 그룹의 서브세트를 선택하도록 구성되고, 선택은 프루닝된 이력 클라이언트 질의 그룹을 고차원 벡터 공간에 맵핑하기 위해 Query2Vec 알고리즘을 적용하는 것을 포함한다.
예시 4는 예시 1 내지 3 중 어느 하나에서와 같은 시스템으로서, 기준 운영을 위한 매개변수와 목표 운영을 위한 매개변수는 목표 운영 내의 기능의 존재를 제외하고는 동일하다.
예시 5는 예시 1 내지 4 중 어느 하나에서와 같은 시스템으로서, 오탐을 프루닝하는 기술과 함께 목표 운영이 재운영될 때 성능 회귀가 더 이상 존재하지 않는다는 것을 식별하는 것에 응답하여, 성능 회귀를 오탐으로 플래그하는(flagging) 수단을 더 포함한다.
예시 6은 예시 1 내지 5 중 어느 하나에서와 같은 시스템으로서, 기준 운영과 목표 운영을 비교하는 수단은: 목표 운영 내에서 실행된 하나 이상의 이력 클라이언트 질의에 대한 잘못된 결과; 목표 운영 내의 내부 오류; 또는 목표 운영 내의 사용자 오류를 포함하는 하나 이상의 오류를 식별하도록 더 구성된다. 시스템은 목표 운영을 재운영하는 수단이 하나 이상의 오류 중 임의의 것이 여전히 존재하는지 식별하도록 더 구성된다. 시스템은 성능 회귀를 오탐으로 플래그하는 수단이 목표 운영이 재운영될 때 하나 이상의 오류 중 어느 것도 더 이상 존재하지 않는다고 식별하는 것에 응답하여 하나 이상의 오류 중 임의의 것을 오탐으로 플래그하도록 더 구성된다.
예시 7은 예시 1 내지 6 중 어느 하나에서와 같은 시스템으로서, 목표 운영에 대한 데이터를 포함하는 보고서를 생성하는 수단을 더 포함하며, 보고서는 오탐으로 플래그된 임의의 성능 회귀 또는 오류의 표시를 포함하지 않는다.
예시 8은 예시 1 내지 7 중 어느 하나에서와 같은 시스템으로서, 사용자가 워크로드의 하나 이상의 이력 클라이언트 질의와 연관된 임의의 데이터베이스 데이터를 볼 수 없도록 기준 운영과 목표 운영의 결과를 난독화하는 수단을 더 포함한다.
예시 9는 예시 1 내지 8 중 어느 하나에서와 같은 시스템으로서, 기준 운영을 실행하는 수단과 목표 운영을 실행하는 수단은 기능 테스트 운영 성능을 전담하는 클라우드 데이터베이스 서비스의 전용 가상 웨어하우스 상에서 실행하도록 구성된다.
예시 10은 예시 1 내지 9 중 어느 하나에서와 같은 시스템으로서, 하나 이상의 이력 클라이언트 질의 중 이력 클라이언트 질의가 클라이언트에 의해 운영될 때 존재하였던 클라이언트의 데이터베이스 데이터의 버전을 결정하는 수단을 더 포함하며, 기준 운영을 실행하는 수단과 목표 운영을 실행하는 수단은 하나 이상의 이력 클라이언트 질의 중 이력 클라이언트 질의가 클라이언트에 의해 운영될 때 존재하였던 클라이언트의 데이터베이스 데이터의 버전 상에서 실행하도록 구성된다.
예시 11은 데이터베이스에서 기능을 테스트하는 방법이다. 방법은 기능을 테스트하기 위해 재운영될 하나 이상의 이력 클라이언트 질의를 포함하는 워크로드를 결정하는 것을 포함하며, 기능은 절차적 로직을 포함한다. 방법은 기능을 구현하지 않는 워크로드의 기준 운영을 실행하는 것을 포함한다. 방법은 기능을 구현하면서 워크로드의 목표 운영을 실행하는 것을 포함한다. 방법은 목표 운영에 성능 회귀가 있는지 식별하기 위하여 기준 운영과 목표 운영을 비교하는 것을 포함한다. 방법은, 성능 회귀의 식별에 응답하여, 성능 회귀가 여전히 존재하는지 식별하기 위하여 목표 운영을 재운영하는 것을 포함한다.
예시 12는 예시 11에서와 같은 방법으로서, 워크로드를 결정하는 것은 원하지 않는 이력 클라이언트 질의를 필터링하기 위하여 사용자에 의해 입력된 하나 이상의 매개변수를 포함하는 워크로드 선택 구성에 기반하여 결정하는 것을 포함하며, 하나 이상의 매개변수는: 질의 샘플 크기; 이력 클라이언트 질의를 요청한 계정 또는 사용자와 같은 질의 개시자; 질의 스키마; 데이터베이스의 테이블 또는 마이크로 파티션; 질의가 요청 및/또는 실행되었던 시간 윈도우; 질의 텍스트 조각; 또는 질의 실행 구성 중 하나 이상을 포함한다.
예시 13은 예시 11 내지 12 중 어느 하나에서와 같은 방법으로서, 워크로드를 결정하는 것은: 이력 클라이언트 질의 그룹을 결정하기 위하여 워크로드 선택 구성을 만족하는 이력 클라이언트 질의를 중복 제거하는 것; 실행을 위해 임계량 보다 큰 자원을 소비하는 질의를 제거하기 위하여 이력 클라이언트 질의 그룹을 프루닝하는 것; 및 다양한 샘플을 결정하기 위하여 프루닝된 이력 클라이언트 질의 그룹의 서브세트를 선택하는 것을 포함하며, 선택하는 것은 프루닝된 이력 클라이언트 질의 그룹을 고차원 벡터 공간에 맵핑하기 위해 Query2Vec 알고리즘을 적용하는 것을 포함한다.
예시 14는 예시 11 내지 13 중 어느 하나에서와 같은 방법으로서, 기준 운영을 위한 매개변수와 목표 운영을 위한 매개변수는 목표 운영 내의 기능의 존재를 제외하고는 동일하다.
예시 15는 예시 11 내지 14 중 어느 하나에서와 같은 방법으로서, 오탐을 프루닝하는 기술과 함께 목표 운영이 재운영될 때 성능 회귀가 더 이상 존재하지 않는다는 것을 식별하는 것에 응답하여, 성능 회귀를 오탐으로 플래그하는 것을 더 포함한다.
예시 16은 비일시적 컴퓨터 판독 가능 저장 매체에 저장된 명령어를 실행하도록 프로그램 가능한 프로세서로서, 명령어는: 기능을 테스트하기 위해 재운영될 하나 이상의 이력 클라이언트 질의를 포함하는 워크로드를 결정하는 것-기능은 절차적 로직을 포함함; 기능을 구현하지 않는 워크로드의 기준 운영을 실행하는 것; 기능을 구현하면서 워크로드의 목표 운영을 실행하는 것; 목표 운영에 성능 회귀가 있는지 식별하기 위하여 기준 운영과 목표 운영을 비교하는 것; 및 성능 회귀의 식별에 응답하여, 성능 회귀가 여전히 존재하는지 식별하기 위하여 오탐을 프루닝하는 기술과 함께 목표 운영을 재운영하는 것을 포함한다.
예시 17은 예시 16에서와 같은 프로세서로서, 워크로드를 결정하는 것은 원하지 않는 이력 클라이언트 질의를 필터링하기 위하여 사용자에 의해 입력된 하나 이상의 매개변수를 포함하는 워크로드 선택 구성에 기반하여 결정하는 것을 포함하며, 하나 이상의 매개변수는: 질의 샘플 크기; 이력 클라이언트 질의를 요청한 계정 또는 사용자와 같은 질의 개시자; 질의 스키마; 데이터베이스의 테이블 또는 마이크로 파티션; 이력 질의가 요청 및/또는 실행되었던 시간 윈도우; 질의 텍스트 조각; 또는 질의 실행 구성 중 하나 이상을 포함한다.
예시 18은 예시 16 내지 17 중 어느 하나에서와 같은 프로세서로서, 워크로드를 결정하는 것은: 이력 클라이언트 질의 그룹을 결정하기 위하여 워크로드 선택 구성을 만족하는 이력 클라이언트 질의를 중복 제거하는 것; 실행을 위해 임계량 보다 큰 자원을 소비하는 질의를 제거하기 위하여 이력 클라이언트 질의 그룹을 프루닝하는 것; 및 다양한 샘플을 결정하기 위하여 프루닝된 이력 클라이언트 질의 그룹의 서브세트를 선택하는 것을 포함하며, 선택하는 것은 프루닝된 이력 클라이언트 질의 그룹을 고차원 벡터 공간에 맵핑하기 위해 Query2Vec 알고리즘을 적용하는 것을 포함한다.
예시 19는 예시 16 내지 18 중 어느 하나에서와 같은 프로세서로서, 명령어는, 목표 운영이 재운영될 때 성능 회귀가 더 이상 존재하지 않는다는 것을 식별하는 것에 응답하여, 성능 회귀를 오탐으로 플래그하는 것을 더 포함한다.
예시 20은 예시 16 내지 19 중 어느 하나에서와 같은 프로세서로서, 기준 운영과 목표 운영을 비교하는 것은: 목표 운영 내에서 실행된 하나 이상의 이력 클라이언트 질의에 대한 잘못된 결과; 목표 운영 내의 내부 오류; 또는 목표 운영 내의 사용자 오류를 포함하는 하나 이상의 오류를 식별하는 것을 더 포함한다. 명령어는 명령어가 목표 운영이 재운영될 때 하나 이상의 오류 중 임의의 것이 여전히 존재하는지 식별하는 것을 더 포함하도록 하는 것이다. 명령어는 명령어가 목표 운영이 재운영될 때 하나 이상의 오류 중 어느 것도 더 이상 존재하지 않는다고 식별하는 것에 응답하여 하나 이상의 오류 중 임의의 것을 오탐으로 플래그하는 것을 더 포함하도록 하는 것이다.

Claims (33)

  1. 명령어가 저장된 비일시적 컴퓨터 판독가능 저장 매체로서, 상기 명령어는 프로세서에 의해 실행되었을 때, 상기 프로세서로 하여금:
    기능(feature)을 테스트하기 위해 재운영 될 하나 이상의 이력 클라이언트 질의를 포함하는 워크로드를 결정하고 - 상기 기능은 절차적 로직을 포함함 - ;
    상기 기능을 구현하지 않는 상기 워크로드의 기준 운영을 실행하고;
    상기 기능을 구현하는 동안 상기 워크로드의 목표 운영을 실행하고;
    상기 기준 운영과 상기 목표 운영을 비교하고;
    상기 기준 운영과 상기 목표 운영을 비교하는 것에 응답하여, 하나 이상의 오류를 식별하고;
    상기 하나 이상의 오류를 식별하는 것에 응답하여, 상기 목표 운영에 성능 회귀가 있는지를 식별하고;
    상기 성능 회귀를 식별하는 것에 응답하여, 상기 성능 회귀가 여전히 존재하는지를 식별하기 위해 상기 목표 운영을 재운영하도록 하는,
    컴퓨터 판독가능 저장 매체.
  2. 제1항에 있어서,
    상기 프로세서는, 원치않는 이력 클라이언트 질의를 필터링하기 위해 사용자에 의해 입력된 하나 이상의 매개변수(parameter)를 포함하는 워크로드 선택 구성(configuration)에 기초하여 상기 워크로드를 결정하고, 상기 하나 이상의 매개변수는:
    질의 샘플 크기;
    이력 클라이언트 질의를 요청했던 사용자 또는 계정과 같은 질의 개시자(initiator);
    질의 스키마(schema);
    질의에 의해 접근될 수 있는 데이터베이스의 마이크로파티션 또는 테이블;
    이력 질의가 요청 및/또는 실행되었던 시간 윈도우(time window);
    질의 텍스트 조각(fragment);
    질의 실행 구성; 또는
    질의 실행 시간 중 하나 이상을 포함하는, 컴퓨터 판독가능 저장 매체.
  3. 제2항에 있어서,
    상기 프로세서는 보다 낮은 동시성(concurrency)으로 별개의 분리된 자원을 사용하여 상기 목표 운영을 재운영하고, 그리고 상기 목표 운영이 재운영될 때 상기 성능 회귀가 더 이상 존재하지 않는다고 식별하는 것에 응답하여, 상기 성능 회귀를 오탐(false positive)으로서 플래그하는, 컴퓨터 판독가능 저장 매체.
  4. 제1항에 있어서,
    상기 하나 이상의 오류는:
    상기 목표 운영 내에서 실행된 하나 이상의 이력 클라이언트 질의에 대한 잘못된 결과;
    상기 목표 운영 내의 내부 오류; 또는
    상기 목표 운영 내의 사용자 오류를 포함하고; 그리고
    상기 프로세서는 또한, 상기 목표 운영을 재운영하기 위해, 상기 하나 이상의 오류 중 임의의 것이 여전히 존재하는지 식별하고, 그리고
    상기 프로세서는 또한, 상기 성능 회귀를 오탐으로서 플래그하기 위해, 상기 목표 운영이 재운영될 때 상기 하나 이상의 오류 중 어느 것도 더 이상 존재하지 않는다고 식별하는 것에 응답하여, 상기 하나 이상의 오류 중 임의의 것을 오탐으로서 플래그하는, 컴퓨터 판독가능 저장 매체.
  5. 제4항에 있어서,
    상기 프로세서는 또한, 상기 목표 운영에 관한 데이터를 포함하는 보고서를 생성하고,
    상기 보고서는 오탐으로서 플래그된 임의의 성능 회귀 또는 오류의 표시를 포함하지 않는, 컴퓨터 판독가능 저장 매체.
  6. 제1항에 있어서,
    상기 프로세서는 또한, 사용자가 상기 워크로드의 상기 하나 이상의 이력 클라이언트 질의와 연관된 임의의 데이터베이스 데이터를 볼 수 없도록 상기 기준 운영과 상기 목표 운영의 결과를 난독화하는, 컴퓨터 판독가능 저장 매체.
  7. 제1항에 있어서,
    상기 프로세서는 기능 테스트 운영 성능을 전담하는 클라우드 데이터베이스 서비스의 전용 가상 웨어하우스 상에서 상기 기준 운영 및 상기 목표 운영을 실행하는, 컴퓨터 판독가능 저장 매체.
  8. 제1항에 있어서,
    상기 프로세서는 또한, 상기 클라이언트에 의해 상기 하나 이상의 이력 클라이언트 질의 중의 이력 클라이언트 질의가 운영되었을 때 존재했던 클라이언트의 데이터베이스 데이터의 버전을 결정하고, 상기 기준 운영 및 상기 목표 운영은 상기 클라이언트에 의해 상기 하나 이상의 이력 클라이언트 질의 중의 상기 이력 클라이언트 질의가 운영되었을 때 존재했던 상기 클라이언트의 데이터베이스 데이터의 버전 상에서 실행되는, 컴퓨터 판독가능 저장 매체.
  9. 제2항에 있어서, 상기 워크로드를 결정하기 위해, 상기 프로세서는:
    이력 클라이언트 질의 그룹을 결정하기 위해 상기 워크로드 선택 구성을 만족하는 이력 클라이언트 질의를 중복 제거(deduplicate)하고;
    실행을 위해 임계량보다 큰 자원을 소모하는 질의를 제거하기 위해 상기 이력 클라이언트 질의 그룹을 프루닝(pruning)하는, 컴퓨터 판독가능 저장 매체.
  10. 제1항에 있어서,
    상기 기준 운영을 위한 매개변수와 상기 목표 운영을 위한 매개변수는 상기 목표 운영 내의 상기 기능의 존재를 제외하고는 동일한, 컴퓨터 판독가능 저장 매체.
  11. 제1항에 있어서,
    상기 프로세서는 또한:
    상기 목표 운영이 재운영되었을 때 상기 성능 회귀가 더 이상 존재하지 않는다고 식별하는 것에 응답하여, 상기 성능 회귀를 오탐으로서 플래그하는, 컴퓨터 판독가능 저장 매체.
  12. 시스템으로서,
    메모리; 및
    상기 메모리에 동작가능하게 결합된(coupled) 프로세서를 포함하고, 상기 프로세서는:
    기능(feature)을 테스트하기 위해 재운영 될 하나 이상의 이력 클라이언트 질의를 포함하는 워크로드를 결정하고 - 상기 기능은 절차적 로직을 포함함 - ;
    상기 기능을 구현하지 않는 상기 워크로드의 기준 운영을 실행하고;
    상기 기능을 구현하는 동안 상기 워크로드의 목표 운영을 실행하고;
    상기 기준 운영과 상기 목표 운영을 비교하고;
    상기 기준 운영과 상기 목표 운영을 비교하는 것에 응답하여, 하나 이상의 오류를 식별하고;
    상기 하나 이상의 오류를 식별하는 것에 응답하여, 상기 목표 운영에 성능 회귀가 있는지를 식별하고;
    상기 성능 회귀를 식별하는 것에 응답하여, 상기 성능 회귀가 여전히 존재하는지를 식별하기 위해 상기 목표 운영을 재운영하도록 하는,
    시스템.
  13. 제12항에 있어서,
    상기 프로세서는, 원치않는 이력 클라이언트 질의를 필터링하기 위해 사용자에 의해 입력된 하나 이상의 매개변수를 포함하는 워크로드 선택 구성(configuration)에 기초하여 상기 워크로드를 결정하는, 시스템.
  14. 제13항에 있어서, 상기 하나 이상의 매개변수는:
    질의 샘플 크기;
    이력 클라이언트 질의를 요청했던 사용자 또는 계정과 같은 질의 개시자(initiator);
    질의 스키마(schema);
    데이터베이스의 마이크로파티션 또는 테이블;
    이력 질의가 요청 및/또는 실행되었던 시간 윈도우(time window);
    질의 텍스트 조각(fragment); 또는
    질의 실행 구성 중 하나 이상을 포함하는, 시스템.
  15. 제13항에 있어서,
    상기 워크로드를 결정하기 위해, 상기 프로세서는:
    이력 클라이언트 질의 그룹을 결정하기 위해 상기 워크로드 선택 구성을 만족하는 이력 클라이언트 질의를 중복 제거(deduplicate)하고;
    실행을 위해 임계량보다 큰 자원을 소모하는 질의를 제거하기 위해 상기 이력 클라이언트 질의 그룹을 프루닝(pruning)하는, 시스템.
  16. 제12항에 있어서,
    상기 기준 운영을 위한 매개변수와 상기 목표 운영을 위한 매개변수는 상기 목표 운영 내의 상기 기능의 존재를 제외하고는 동일한, 시스템.
  17. 제12항에 있어서,
    상기 프로세서는 또한, 상기 목표 운영이 재운영되었을 때 상기 성능 회귀가 더 이상 존재하지 않는다고 식별하는 것에 응답하여, 상기 성능 회귀를 오탐으로서 플래그하는, 시스템.
  18. 제17항에 있어서,
    상기 하나 이상의 오류는:
    상기 목표 운영 내에서 실행된 하나 이상의 이력 클라이언트 질의에 대한 잘못된 결과;
    상기 목표 운영 내의 내부 오류; 또는
    상기 목표 운영 내의 사용자 오류를 포함하고; 그리고
    상기 프로세서는,상기 목표 운영을 재운영하기 위해, 상기 하나 이상의 오류 중 임의의 것이 여전히 존재하는지 식별하고, 그리고
    상기 프로세서는, 상기 성능 회귀를 오탐으로서 플래그하기 위해, 상기 목표 운영이 재운영될 때 상기 하나 이상의 오류 중 어느 것도 더 이상 존재하지 않는다고 식별하는 것에 응답하여, 상기 하나 이상의 오류 중 임의의 것을 오탐으로서 플래그하는, 시스템.
  19. 제18항에 있어서,
    상기 프로세서는 또한, 상기 목표 운영에 관한 데이터를 포함하는 보고서를 생성하고,
    상기 보고서는 오탐으로서 플래그된 임의의 성능 회귀 또는 오류의 표시를 포함하지 않는, 시스템.
  20. 제12항에 있어서,
    상기 프로세서는 또한, 사용자가 상기 워크로드의 상기 하나 이상의 이력 클라이언트 질의와 연관된 임의의 데이터베이스 데이터를 볼 수 없도록 상기 기준 운영과 상기 목표 운영의 결과를 난독화하는, 시스템.
  21. 제12항에 있어서,
    상기 프로세서는 기능 테스트 운영 성능을 전담하는 클라우드 데이터베이스 서비스의 전용 가상 웨어하우스 상에서 상기 기준 운영 및 상기 목표 운영을 실행하는, 시스템.
  22. 제12항에 있어서,
    상기 프로세서는 또한, 상기 클라이언트에 의해 상기 하나 이상의 이력 클라이언트 질의 중의 이력 클라이언트 질의가 운영되었을 때 존재했던 클라이언트의 데이터베이스 데이터의 버전을 결정하고, 상기 클라이언트에 의해 상기 하나 이상의 이력 클라이언트 질의 중의 상기 이력 클라이언트 질의가 운영되었을 때 존재했던 상기 클라이언트의 데이터베이스 데이터의 상기 버전 상에서 상기 기준 운영 및 상기 목표 운영을 실행하는, 시스템.
  23. 방법으로서,
    기능(feature)을 테스트하기 위해 재운영 될 하나 이상의 이력 클라이언트 질의를 포함하는 워크로드를 결정하는 단계 - 상기 기능은 절차적 로직을 포함함 - ;
    상기 기능을 구현하지 않는 상기 워크로드의 기준 운영을 실행하는 단계;
    상기 기능을 구현하는 동안 상기 워크로드의 목표 운영을 실행하는 단계;
    프로세서에 의해, 상기 기준 운영과 상기 목표 운영을 비교하는 단계;
    상기 기준 운영과 상기 목표 운영을 비교하는 것에 응답하여, 하나 이상의 오류를 식별하는 단계;
    상기 하나 이상의 오류를 식별하는 것에 응답하여, 상기 목표 운영에 성능 회귀가 있는지를 식별하는 단계; 및
    상기 성능 회귀를 식별하는 것에 응답하여, 상기 성능 회귀가 여전히 존재하는지를 식별하기 위해 상기 목표 운영을 재운영하도록 하는 단계
    를 포함하는, 방법.
  24. 제23항에 있어서,
    상기 워크로드를 결정하는 단계는, 원치않는 이력 클라이언트 질의를 필터링하기 위해 사용자에 의해 입력된 하나 이상의 매개변수를 포함하는 워크로드 선택 구성(configuration)에 기초하여 결정하는 단계를 포함하는, 방법.
  25. 제24항에 있어서, 상기 하나 이상의 매개변수는:
    질의 샘플 크기;
    이력 클라이언트 질의를 요청했던 사용자 또는 계정과 같은 질의 개시자(initiator);
    질의 스키마(schema);
    데이터베이스의 마이크로파티션 또는 테이블;
    이력 질의가 요청 및/또는 실행되었던 시간 윈도우(time window);
    질의 텍스트 조각(fragment); 또는
    질의 실행 구성 중 하나 이상을 포함하는, 방법.
  26. 제24항에 있어서, 상기 워크로드를 결정하는 단계는:
    이력 클라이언트 질의 그룹을 결정하기 위해 상기 워크로드 선택 구성을 만족하는 이력 클라이언트 질의를 중복 제거(deduplicate)하는 단계; 및
    실행을 위해 임계량보다 큰 자원을 소모하는 질의를 제거하기 위해 상기 이력 클라이언트 질의 그룹을 프루닝(pruning)하는 단계를 포함하는, 방법.
  27. 제23항에 있어서,
    상기 기준 운영을 위한 매개변수와 상기 목표 운영을 위한 매개변수는 상기 목표 운영 내의 상기 기능의 존재를 제외하고는 동일한, 방법.
  28. 제23항에 있어서,
    상기 목표 운영이 재운영되었을 때 상기 성능 회귀가 더 이상 존재하지 않는다고 식별하는 것에 응답하여, 상기 성능 회귀를 오탐으로서 플래그하는 단계를 더 포함하는, 방법.
  29. 제28항에 있어서,
    상기 하나 이상의 오류는:
    상기 목표 운영 내에서 실행된 하나 이상의 이력 클라이언트 질의에 대한 잘못된 결과;
    상기 목표 운영 내의 내부 오류; 또는
    상기 목표 운영 내의 사용자 오류를 포함하고; 그리고
    상기 목표 운영을 재운영하는 단계는 상기 하나 이상의 오류 중 임의의 것이 여전히 존재하는지 식별하는 단계를 포함하고, 그리고
    상기 성능 회귀를 오탐으로서 플래그하는 단계는 상기 목표 운영이 재운영될 때 상기 하나 이상의 오류 중 어느 것도 더 이상 존재하지 않는다고 식별하는 것에 응답하여, 상기 하나 이상의 오류 중 임의의 것을 오탐으로서 플래그하는 단계를 포함하는, 방법.
  30. 제29항에 있어서,
    상기 목표 운영에 관한 데이터를 포함하는 보고서를 생성하는 단계를 더 포함하고, 상기 보고서는 오탐으로서 플래그된 임의의 성능 회귀 또는 오류의 표시를 포함하지 않는, 방법.
  31. 제23항에 있어서,
    사용자가 상기 워크로드의 상기 하나 이상의 이력 클라이언트 질의와 연관된 임의의 데이터베이스 데이터를 볼 수 없도록 상기 기준 운영과 상기 목표 운영의 결과를 난독화하는 단계를 더 포함하는, 방법.
  32. 제23항에 있어서,
    상기 기준 운영 및 상기 목표 운영은, 기능 테스트 운영 성능을 전담하는 클라우드 데이터베이스 서비스의 전용 가상 웨어하우스 상에서 실행되는, 방법.
  33. 제23항에 있어서,
    상기 클라이언트에 의해 상기 하나 이상의 이력 클라이언트 질의 중의 이력 클라이언트 질의가 운영되었을 때 존재했던 클라이언트의 데이터베이스 데이터의 버전을 결정하는 단계를 더 포함하고, 상기 기준 운영 및 상기 목표 운영은 상기 클라이언트에 의해 상기 하나 이상의 이력 클라이언트 질의 중의 상기 이력 클라이언트 질의가 운영되었을 때 존재했던 상기 클라이언트의 데이터베이스 데이터의 상기 버전 상에서 실행되는, 방법.
KR1020207020339A 2018-03-22 2019-03-20 데이터베이스 시스템 내의 점진적 기능 개발 및 워크로드 캡처 KR102245224B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862646817P 2018-03-22 2018-03-22
US62/646,817 2018-03-22
PCT/US2019/023162 WO2019183219A1 (en) 2018-03-22 2019-03-20 Incremental feature development and workload capture in database systems

Publications (2)

Publication Number Publication Date
KR20200103726A KR20200103726A (ko) 2020-09-02
KR102245224B1 true KR102245224B1 (ko) 2021-04-28

Family

ID=67985372

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020207020339A KR102245224B1 (ko) 2018-03-22 2019-03-20 데이터베이스 시스템 내의 점진적 기능 개발 및 워크로드 캡처

Country Status (6)

Country Link
US (8) US11321290B2 (ko)
EP (1) EP3714367A4 (ko)
KR (1) KR102245224B1 (ko)
CN (1) CN111630497B (ko)
DE (1) DE202019005484U1 (ko)
WO (1) WO2019183219A1 (ko)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11086840B2 (en) * 2018-12-07 2021-08-10 Snowflake Inc. Transactional streaming of change tracking data
US11614976B2 (en) 2019-04-18 2023-03-28 Oracle International Corporation System and method for determining an amount of virtual machines for use with extract, transform, load (ETL) processes
US11615108B2 (en) * 2019-04-18 2023-03-28 Oracle International Corporation System and method for running warehouse loads for multiple tenants of a data warehouse
US11966870B2 (en) 2019-04-18 2024-04-23 Oracle International Corporation System and method for determination of recommendations and alerts in an analytics environment
US11640406B2 (en) 2019-04-30 2023-05-02 Oracle International Corporation System and method for data analytics with an analytic applications environment
US10824548B1 (en) * 2019-06-28 2020-11-03 Atlassian Pty Ltd. System and method for performance regression detection
US11409626B2 (en) * 2019-08-29 2022-08-09 Snowflake Inc. Decoupling internal and external tasks in a database environment
US11194838B2 (en) * 2019-10-23 2021-12-07 International Business Machines Corporation Generating a data partitioning strategy for secure and efficient query processing
US11341028B2 (en) * 2020-01-02 2022-05-24 International Business Machines Corporation Structured query language runtime access path generation for deep test in a database
US11327969B2 (en) * 2020-07-15 2022-05-10 Oracle International Corporation Term vector modeling of database workloads
US11615095B2 (en) 2020-10-30 2023-03-28 Snowflake Inc. Automatic pruning cutoff in a database system
CN113449037B (zh) * 2021-06-29 2024-04-12 云之富(上海)数据服务有限公司 基于ai的sql引擎调用方法、装置、设备及介质
CN113641572B (zh) * 2021-07-02 2023-06-13 多点生活(成都)科技有限公司 一种基于sql的海量大数据计算开发的调试方法
US11593254B1 (en) 2021-08-05 2023-02-28 International Business Machines Corporation Software patch risk determination
US20230185792A1 (en) * 2021-12-13 2023-06-15 Sap Se Verification of database system using deterministic read workloads
US11907106B2 (en) * 2021-12-23 2024-02-20 Gm Cruise Holdings Llc Code integration with time-variant test failure detection
US11843501B2 (en) * 2022-05-13 2023-12-12 Microsoft Technology Licensing, Llc Parity drift detection in cloud computing systems

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160004621A1 (en) * 2014-07-07 2016-01-07 Oracle International Corporation Proactive impact measurement of database changes on production systems

Family Cites Families (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6356890B1 (en) * 2000-04-20 2002-03-12 Microsoft Corporation Merging materialized view pairs for database workload materialized view selection
US20030093716A1 (en) 2001-11-13 2003-05-15 International Business Machines Corporation Method and apparatus for collecting persistent coverage data across software versions
EP1680741B1 (en) * 2003-11-04 2012-09-05 Kimberly-Clark Worldwide, Inc. Testing tool for complex component based software systems
US7574425B2 (en) * 2004-12-03 2009-08-11 International Business Machines Corporation System and method for query management in a database management system
US7840944B2 (en) * 2005-06-30 2010-11-23 Sap Ag Analytical regression testing on a software build
US7805443B2 (en) * 2006-01-20 2010-09-28 Microsoft Corporation Database configuration analysis
US8793191B2 (en) * 2006-11-01 2014-07-29 Bank Of America Corporation System and method for duplicate detection
US8341178B2 (en) * 2007-09-18 2012-12-25 Oracle International Corporation SQL performance analyzer
US20090171718A1 (en) * 2008-01-02 2009-07-02 Verizon Services Corp. System and method for providing workforce and workload modeling
US8688622B2 (en) * 2008-06-02 2014-04-01 The Boeing Company Methods and systems for loading data into a temporal data warehouse
US9910892B2 (en) * 2008-07-05 2018-03-06 Hewlett Packard Enterprise Development Lp Managing execution of database queries
EP2189925A3 (en) 2008-11-25 2015-10-14 SafeNet, Inc. Database obfuscation system and method
US8464224B2 (en) 2009-06-30 2013-06-11 Sap Ag Integrated performance and load testing tool for application servers
US8145949B2 (en) * 2010-06-16 2012-03-27 Plx Technology, Inc. Automated regression failure management system
US8868749B2 (en) * 2011-01-18 2014-10-21 International Business Machines Corporation Workload placement on an optimal platform in a networked computing environment
US9110496B1 (en) * 2011-06-07 2015-08-18 Interactive TKO, Inc. Dynamic provisioning of a virtual test environment
US9152443B2 (en) 2012-07-13 2015-10-06 Ca, Inc. System and method for automated assignment of virtual machines and physical machines to hosts with right-sizing
US9207969B2 (en) * 2013-01-25 2015-12-08 Microsoft Technology Licensing, Llc Parallel tracing for performance and detail
US9542294B2 (en) * 2013-07-09 2017-01-10 International Business Machines Corporation Method to apply perturbation for resource bottleneck detection and capacity planning
WO2015006137A1 (en) * 2013-07-09 2015-01-15 Oracle International Corporation Cloud services load testing and analysis
US9524299B2 (en) * 2013-08-12 2016-12-20 Ixia Methods, systems, and computer readable media for modeling a workload
US10579599B2 (en) 2013-11-21 2020-03-03 Oracle International Corporation Upgrade of heterogeneous multi-instance database clusters
US9692789B2 (en) * 2013-12-13 2017-06-27 Oracle International Corporation Techniques for cloud security monitoring and threat intelligence
US9842152B2 (en) 2014-02-19 2017-12-12 Snowflake Computing, Inc. Transparent discovery of semi-structured data schema
US9880915B2 (en) * 2014-03-05 2018-01-30 Microsoft Technology Licensing, Llc N-gram analysis of inputs to a software application
US9645916B2 (en) * 2014-05-30 2017-05-09 Apple Inc. Performance testing for blocks of code
CN112651288B (zh) * 2014-06-14 2022-09-20 奇跃公司 用于产生虚拟和增强现实的方法和系统
US10713594B2 (en) * 2015-03-20 2020-07-14 Salesforce.Com, Inc. Systems, methods, and apparatuses for implementing machine learning model training and deployment with a rollback mechanism
US9811444B2 (en) * 2015-08-04 2017-11-07 Salesforce.Com, Inc. Testing software enhancements in database applications
US10114722B2 (en) * 2015-08-24 2018-10-30 International Business Machines Corporation Test of the execution of workloads in a computing system
US10621151B2 (en) * 2015-09-25 2020-04-14 Netapp Inc. Elastic, ephemeral in-line deduplication service
US10380010B2 (en) 2016-06-30 2019-08-13 International Business Machines Corporation Run time and historical workload report scores for customer profiling visualization
US10817540B2 (en) 2016-09-02 2020-10-27 Snowflake Inc. Incremental clustering maintenance of a table
US10592528B2 (en) * 2017-02-27 2020-03-17 Sap Se Workload capture and replay for replicated database systems
US20180322037A1 (en) * 2017-05-04 2018-11-08 Microsoft Technology Licensing, Llc Impersonation in test automation
US10318729B2 (en) * 2017-07-26 2019-06-11 Forcepoint, LLC Privacy protection during insider threat monitoring
US11003641B2 (en) * 2017-09-22 2021-05-11 Microsoft Technology Licensing, Llc Automatic database troubleshooting
US10572801B2 (en) * 2017-11-22 2020-02-25 Clinc, Inc. System and method for implementing an artificially intelligent virtual assistant using machine learning

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160004621A1 (en) * 2014-07-07 2016-01-07 Oracle International Corporation Proactive impact measurement of database changes on production systems

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Thanh H.D. Nguyen 외, ‘Automated Detection of Performance Regressions Using Statistical Process Control Techniques’, 2012.04.*

Also Published As

Publication number Publication date
CN111630497B (zh) 2023-09-05
DE202019005484U1 (de) 2020-11-10
US11416463B1 (en) 2022-08-16
US11386059B2 (en) 2022-07-12
US20210397593A1 (en) 2021-12-23
US11321290B2 (en) 2022-05-03
CN111630497A (zh) 2020-09-04
US20220318215A1 (en) 2022-10-06
WO2019183219A1 (en) 2019-09-26
US20200089665A1 (en) 2020-03-19
US20240012796A1 (en) 2024-01-11
US10762067B2 (en) 2020-09-01
US20200356540A1 (en) 2020-11-12
US11138167B2 (en) 2021-10-05
EP3714367A4 (en) 2021-01-20
KR20200103726A (ko) 2020-09-02
US20220358107A1 (en) 2022-11-10
US11500838B1 (en) 2022-11-15
US20190294596A1 (en) 2019-09-26
EP3714367A1 (en) 2020-09-30
US11782890B2 (en) 2023-10-10
US20220237161A1 (en) 2022-07-28

Similar Documents

Publication Publication Date Title
KR102245224B1 (ko) 데이터베이스 시스템 내의 점진적 기능 개발 및 워크로드 캡처
US11243981B2 (en) Database replication based on data access scores
CN109564564B (zh) 克隆目录对象
KR102419023B1 (ko) 데이터베이스 환경에서 자동화된 질의 재시행
US11640347B2 (en) Automated query retry execution in a database system
US11874824B2 (en) Identifying software regressions based on query retry attempts in a database environment
Fritchey et al. SQL server 2012 query performance tuning
US11971799B2 (en) Automated query retry using a database platform
Martinez Study of resource management for multitenant database systems in cloud computing
Becla et al. Data Management Database Design
Van Aken On Automatic Database Management System Tuning Using Machine Learning
Dasari et al. Performance Evaluation of Structured and Unstructured Data in PIG/HADOOP and MONGO-DB Environments
WO2023097270A1 (en) Detecting idle periods at network endpoints for management actions at processing clusters for managed databases
Kalidindi Monitoring and Analysis of Disk throughput and latency in servers running Cassandra database
Becla et al. Database Architecture

Legal Events

Date Code Title Description
A201 Request for examination
A302 Request for accelerated examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant