Top 22 인덱스 테이블 21856 Votes This Answer

You are looking for information, articles, knowledge about the topic nail salons open on sunday near me 인덱스 테이블 on Google, you do not find the information you need! Here are the best content compiled and compiled by the https://toplist.maxfit.vn team, along with other related topics such as: 인덱스 테이블 로터리 인덱스 테이블, 인덱스 테이블 구조, 오라클 인덱스 테이블, 로터리테이블, Index의, 데이터베이스 인덱스 예제, 인덱스 특징, 인덱스 구성

(주)대동인덱스_CF4 Table type Index Drvie

인덱스테이블 | MISUMI한국미스미

Article author: kr.misumi-ec.com
Reviews from users: 18882 Ratings
Top rated: 4.5
Lowest rated: 1
Summary of article content: Articles about 인덱스테이블 | MISUMI한국미스미 인덱스테이블, 액츄에이터, 직동 부품, FA용 메카니컬 표준부품, FA, 금형, 배선, 공구, 소모성 MRO자재, 4천개 브랜드 취급, CAD 데이터 및 설계 사례 제공, … …
Most searched keywords: Whether you are looking for 인덱스테이블 | MISUMI한국미스미 인덱스테이블, 액츄에이터, 직동 부품, FA용 메카니컬 표준부품, FA, 금형, 배선, 공구, 소모성 MRO자재, 4천개 브랜드 취급, CAD 데이터 및 설계 사례 제공, … 인덱스테이블, 액츄에이터, 직동 부품, FA용 메카니컬 표준부품, FA, 금형, 배선, 공구, 소모성 MRO자재, 4천개 브랜드 취급, CAD 데이터 및 설계 사례 제공, 도면 특주 제작 서비스, 무료배송인덱스테이블, 액츄에이터, 직동 부품, FA용 메카니컬 표준부품, smc, 오토닉스, 마이크로미터, 베어링, 경첩, 바퀴, 서보모터, 모터, 기어, spg, 캐스터, 힌지, 커넥터, 체인, 컨베이어 벨트, 오링, 플랜지, 노브, 가스켓, 롤러, 전자석, 풀리, 감속기, 레일, 손잡이, 근접센서, 유니락, 유압실린더, 웜기어, 타이밍벨트, 커플러, 베벨기어, 압력계, 리미트 스위치, 스페이서, 볼스크류, 유니버셜 조인트, 포토센서, 볼베어링, 온도조절기, lm가이드, 방진패드, 로크너트, 스마토, 스러스트 베어링, 널링, 방진고무, 오일씰, o-ring, 매미고리, 접시머리볼트, 원터치 피팅, 스프링핀, 고무발, 슬라이드 레일, DU BUSH, O링, 가스스프링, 알루미늄 프레임, 조절좌, 랙기어, 인장스프링, 진공패드, 아이들러, 압축스프링, 스프링, 프로파일, 클램프, 샤프트, 핀, 커플링, 핸들, 우레탄, 피팅, 한국미스미, 미스미, MISUMI
Table of Contents:

카테고리 브랜드

옵션검색

브랜드

[데이터베이스] 인덱스(INDEX)

안녕하세요.

오늘은 데이터베이스 인덱스 개념에 대해 설명합니다.

인덱스란

인덱스(INDEX) 는 DBMS의 검색 속도를 높이기 위한 기술 입니다.

DBMS는 데이터를 순차적으로 쌓으므로, 특정 데이터를 찾기 위해서는 데이터의 FULL-SCAN인 순차 탐색(O(N))이 필요합니다.

DBMS는 특정 데이터를 특별한 자료 구조로 쌓아 탐색 속도를 개선할 수 있는 기능을 제공합니다. 해당 기능을 인덱스 라 부르고 쌓은 데이터들을 인덱스 테이블 이라 부릅니다.

인덱스는 책의 목차와 비유할 수 있습니다. 우리가 책의 목차를 참고하여 필요한 내용으로 곧 바로 넘어가드시, DBMS도 인덱스 테이블 에서 특정 인덱스 를 찾아 필요한 행 데이터를 바로 가져옵니다.

인덱스 테이블

인덱스 테이블 은 데이터를 조회할 때 사용되는 특정 컬럼의 데이터로 구성됩니다.

인덱스 테이블 에 포함된 데이터를 WHERE 문으로 조회를 하면 인덱스 테이블 을 통해 ROW-ID를 빠르게 구한 뒤 단번에 행 데이터를 조회 할 수 있습니다.

인덱스 테이블 탐색

인덱스 테이블 의 핵심은 빠른 조회 성능입니다. 이를 위해 인덱스 테이블 은 탐색 트리 자료구조 중 하나인 B+트리 자료구조로 데이터를 저장합니다. 탐색 트리는 O( l o g 2 N log_2N log2N) 성능의 빠른 조회를 할 수 있는 특징이 있습니다.

그렇기에, 데이터 FULL-SCAN[O(N)]성능에 비해, 압도적인 빠른 조회를 할 수 있는 장점 이 있습니다.

인덱스 테이블 생성

TABLE을 생성 할 때, PRIMARY_KEY를 지정한 컬럼은 자동적으로 PRIMARY_KEY를 기준으로 인덱스 테이블 이 생성됩니다.

만약 다른 컬럼을 인덱스 테이블 을 생성하고 싶다면, 직접 생성해야 합니다.

인덱스 장점

인덱스 의 장점은 곧 B+트리 자료구조의 장점과 일맥상통 합니다.

빠른 조회

인덱스 테이블 은 메모리에 저장되어 있는 B+트리 자료구조 입니다.

메모리는 한정적인 자원이기 때문에 DBMS는 인덱스 로 지정한 컬럼 데이터와 ROW-ID로 구성된 최소한의 노드로 B+트리를 구성합니다.

ROW-ID는 파일에 저장되어 있는 행 데이터를 가져올 수 있는 정보입니다.

여기에서 알 수 있는 재미있는 특징이 하나 있습니다. 데이터 FULL-SCAN이 느린이유는 순차탐색인 이유도 있지만, 빈번한 파일IO도 많은 영향을 미칩니다.

반면에 빠른 메모리 조회로 행 아이디를 찾는 인덱스 방식은 최소한의 파일IO를 사용합니다. 최소한의 파일IO는 더욱 빠른 탐색 속도를 가능하게 합니다.

데이터 정렬

만약 인덱스 된 컬럼으로 정렬 명령을 내린다면 정렬 비용을 아낄 수 있습니다.

B+트리 구조상 조회된 데이터를 가져오기만 해도 정렬된 데이터를 획득할 수 있기 때문입니다.

인덱스 단점

지금까지의 설명만 보자면 인덱스 기능은 매우 훌륭한 기능 같습니다만, 그에 못지 않은 단점도 존재합니다. 대표적으로 아래와 같은 단점이 존재합니다.

인덱스 테이블 유지 비용 (B+트리 유지비용)

인덱스 테이블 추가 공간 비용

인덱스 테이블 유지 비용

B+트리의 중요한 특징 중 하나는 균형 이진 트리를 구성한다는 점 입니다. 노드의 삭제, 삽입시 트리 균형을 위해 트리 구조를 재구성 하는 비용이 발생합니다. 더군다나 탐색 이진 트리의 업데이트는 삭제 + 삽입 과정이 발생하므로 2배의 비용이 발생하게 됩니다.

위에서 살펴본 B+트리의 특징이 인덱스 테이블에도 똑같이 적용됩니다.

즉, O( l o g 2 N log_2N log2N)으로 빠르게 조회가 가능하지만 삽입, 삭제, 업데이트 작업은 노드의 위치 탐색 비용 + 트리 재구성 비용 이 발생하게 됩니다.

DBMS는 트리 재구성 비용이라도 아끼기 위해 노드 삭제를 진행하지 않습니다. 대신 해당 노드에 사용하지 않는다는 마킹만 진행합니다. 그로인해 DBMS의 삭제, 업데이트 명령은 노드의 위치 탐색 비용만 발생하게 됩니다.

인덱스 테이블 추가 공간 비용

인덱스 테이블 의 노드 삭제를 하지 않음으로써, 트리 재구성 비용을 아낀 전략은 유효해 보입니다. 하지만 이 역시도 다른 문제가 존재합니다.

그 문제는 바로, 인덱스 테이블 이 거대해짐에 따라, 트리의 높이가 깊어지는 문제 입니다.

이는 테이블의 행 개수 보다 많은 개수의 저장공간을 필요로 합니다.

하지만 더욱 결정적인 문제는 트리 높이에 따른 성능으로 인해 인덱스 테이블 의 깊은 높이는 DBMS 성능을 점진적으로 내린다는 점 입니다.

결론적으로, 미 사용 노드를 트리에서 제거함으로써 높이 최적화가 필요함 을 알 수 있습니다. DBMS는 트리 높이 최적화를 수행하는 명령을 제공합니다. 해당 명령을 주기적으로 수행함으로써 전체적인 DBMS 성능을 높일 수 있습니다.

인덱스 생성 전략

위에서 살펴본 인덱스 의 단점을 통해, 다음과 같은 결론을 도출 할 수 있습니다.

조회보다 삽입, 삭제, 업데이트가 더 많이 발생하는 테이블은 인덱스 기능이 오히려 단점이 될 수 있습니다.

또한 인덱스 를 설정할 때는 유의할점이 몇개 존재합니다.

Cardinality 체크

인덱스 를 구성할 땐, 컬럼의 Cardinality 를 고려하여 생성해야 합니다.

Cardinality 란 값의 분산도를 의미합니다. 다르게 표현하자면 값이 형태가 얼마나 다양하게 나올 수 있느냐의 척도입니다. 만약 (Y, N) 2가지 값으로만 구성된 컬럼을 인덱스 로 설정하는 것은, 1700 페이지로 구성된 책에 목차가 2개만 존재하는것과 마찬가지 효과 입니다.

그렇기에 행 데이터가 최대한 많이 분류될 수 있는 컬럼으로 인덱스 를 생성해야 효과적입니다.

조회 조건 빈번도 체크

당연한 얘기일 수 있겠지만, 조회 조건으로 자주 사용되는 컬럼일수록 인덱스 조건에 부합합니다.

아래의 항목은 간단한게 체크해볼 수 있는 리스트 입니다.

조건절에 자주 등장하는 컬럼

LIKE 검색보다는 = 으로 검색하는 컬럼

ORDER BY 절에서 자주 사용되는 컬럼

JOIN으로 자주 사용되는 컬럼

지금까지 살펴본 내용을 요약하자면 다음과 같습니다.

인덱스 는 B+트리 구조를 통해 조회 성능을 올리는 기능입니다.

데이터 FULL-SCAN은 빈번한 파일IO 작업을 통한 순차탐색으로 매우 느린 반면에 인덱스 는 메모리에 저장된 트리 탐색을 통해 파일의 위치를 획득하여 파일IO 작업을 최소화 합니다.

인덱스 는 조회 성능을 높이고 삽입, 삭제, 업데이트 성능을 낮추는 트레이드 오프 기능 이므로 조회가 주된 목적인 테이블일 수록 유리합니다.

인덱스 는 조회가 주된 목적인 테이블일 수록 유리합니다.

인덱스 테이블 의 높이는 점점 깊어지므로, 주기적인 정리가 필요합니다.

인덱스 를 생성할 때는 Cardinality와 조회 조건 빈번도 체크가 필요합니다.

오늘 포스팅은 여기까지 입니다.

읽어주셔서 감사합니다.

인덱스 테이블 패턴 – Azure Architecture Center

인덱스 테이블 패턴

쿼리에서 자주 참조하는 데이터 저장소의 필드에 대한 인덱스를 만듭니다. 이 패턴은 애플리케이션이 데이터 저장소에서 검색할 데이터를 더 신속하게 찾을 수 있어 쿼리 성능을 향상시킬 수 있습니다.

컨텍스트 및 문제점

많은 데이터 저장소는 기본 키를 사용해 엔터티 모음에 대한 데이터를 구성합니다. 애플리케이션은 이 기본 키를 사용해 데이터를 찾고 검색할 수 있습니다. 다음 그림은 고객 정보를 보관하는 데이터 저장소의 예를 보여 줍니다. 기본 키는 Customer ID입니다. 다음 그림은 기본 키(Customer ID)를 사용해 구성한 고객 정보를 보여 줍니다.

기본 키가 해당 키 값을 기준으로 데이터를 가져오는 쿼리에 중요한 수단이지만, 애플리케이션에서 일부 다른 필드를 기준으로 데이터를 검색해야 하면 기본 키를 사용하지 않을 수 있습니다. Customers 테이블의 예에서 고객의 위치(Town)와 같은 일부 다른 특성의 값을 참조하는 것만으로 데이터를 쿼리하면 애플리케이션은 Customer ID 기본 키를 사용해 고객을 검색할 수 없습니다. 이런 쿼리를 수행하려면 애플리케이션은 모든 고객 레코드를 가져와 조사해야 할 수 있으며, 이로 인해 프로세스가 느려질 수 있습니다.

많은 관계형 데이터베이스 관리 시스템은 보조 인덱스를 지원합니다. 보조 인덱스는 하나 이상의 기본이 아닌(보조) 키 필드로 구성되는 별도의 데이터 구조이며, 각 인덱스 값의 데이터가 어디에 저장되어 있는지를 나타냅니다. 보조 인덱스의 항목은 대개 데이터를 빠르게 조회할 수 있도록 보조 키의 값으로 정렬됩니다. 보통 보조 인덱스는 데이터베이스 관리 시스템을 통해 자동으로 유지됩니다.

애플리케이션이 수행하는 다양한 쿼리를 지원하는 데 필요한 개수만큼 보조 인덱스를 생성할 수 있습니다. 예를 들면 Customer ID가 기본 키인 관계형 데이터베이스의 Customers 테이블에서 애플리케이션이 고객의 거주 위치(Town)를 기준으로 고객을 자주 조회하는 경우 Town 필드에 보조 인덱스를 추가하는 것이 유용합니다.

그러나 관계형 시스템에서 보조 인덱스를 일반적으로 사용하더라도 클라우드 애플리케이션이 사용하는 대부분의 NoSQL 데이터 저장소는 동등한 기능을 제공하지 않습니다.

해결 방법

데이터 저장소가 보조 인덱스를 지원하지 않는 경우, 보조 인덱스는 인덱스 테이블을 생성해 수동으로 에뮬레이트할 수 있습니다. 인덱스 테이블은 지정된 키를 통해 데이터를 구성합니다. 인덱스 테이블을 구성하는 경우, 필요한 보조 인덱스의 개수와 애플리케이션에서 수행하는 쿼리의 특성에 따라 일반적으로 세 가지 전략이 사용됩니다.

첫 번째 전략은 데이터를 각각의 인덱스 테이블에 복제하고 다른 키로 구성하는 것입니다(완전 역정규화). 다음 그림은 동일한 고객 정보를 Town과 LastName을 기준으로 구성한 인덱스 테이블을 보여 줍니다.

이 전략은 각 키를 사용해 데이터를 쿼리하는 횟수에 비해 데이터가 비교적 정적인 경우에 적절합니다. 데이터가 너무 동적이면 각 인덱스 테이블을 유지하는 처리 오버헤드가 너무 커서 이런 접근 방식이 유용하지 않게 됩니다. 또한 데이터 볼륨이 너무 크면 복제 데이터를 저장하는 데 필요한 공간이 커집니다.

두 번째 전략은 다음 그림에서처럼 다른 키로 구성되는 정규화된 인덱스 테이블을 생성하고 데이터를 복제하기보다 기본 키를 사용해 원본 데이터를 참조하는 것입니다. 원본 데이터를 팩트 테이블이라고 부릅니다.

이 기법은 공간을 절약하고 복제 데이터를 유지하는 오버헤드를 줄인다는 장점이 있습니다. 단점은 애플리케이션이 보조 키를 사용해 두 번의 조회 작업을 수행해야만 데이터를 찾을 수 있다는 것입니다. 그리고 인덱스 테이블에서 데이터의 기본 키를 찾은 다음, 기본 키를 사용해 팩트 테이블의 데이터를 조회해야 합니다.

세 번째 전략은 다른 키로 구성되고 자주 검색된 필드를 복제하는 부분적으로 정규화된 인덱스 테이블을 생성하는 것입니다. 비교적 적게 액세스된 필드에 대한 액세스는 팩트 테이블을 참조합니다. 다음 그림은 자주 액세스되는 데이터가 각 인덱스 테이블에 복제되는 방법을 보여 줍니다.

이 전략을 사용하면 첫 번째 접근 방식과 두 번째 접근 방식 사이에 균형을 유지할 수 있습니다. 단일 조회를 사용해 자주 쿼리되는 데이터를 빠르게 검색할 수 있으면서도, 공간과 유지 관리 오버헤드는 전체 데이터 집합을 복제하는 것만큼 크지 않아도 됩니다.

애플리케이션에서 값의 조합을 지정하여 데이터를 자주 쿼리하는 경우(예: “Redmond에 살고 있고 성이 Smith인 모든 고객 찾기”) 인덱스 테이블의 항목에 대한 키를 Town 특성 및 LastName 특성의 연결로 구현할 수 있습니다. 다음 그림은 복합 키를 기준으로 하는 인덱스 테이블을 보여 줍니다. 키는 먼저 Town을 기준으로 정렬된 다음, Town의 값이 동일한 레코드에 대해 LastName을 기준으로 정렬됩니다.

인덱스 테이블은 분할 데이터를 대상으로 하는 쿼리 작업의 속도를 높일 수 있는데, 분할 키가 해시된 경우 특히 유용합니다. 다음 그림은 분할 키가 Customer ID의 해시인 예를 보여 줍니다. 인덱스 테이블은 데이터를 해시되지 않은 값(Town과 LastName)으로 구성하고 해시된 분할 키를 조회 데이터로 제공할 수 있습니다. 이렇게 하면 범위 내에 있는 데이터를 검색해야 하거나 해시되지 않은 키의 순서로 데이터를 검색해야 하는 경우 애플리케이션이 해시 키를 반복적으로 계산(비용이 드는 작업)할 필요가 없습니다. 예를 들어 “Redmond에 거주하는 모든 고객 찾기”와 같은 쿼리는 모두 연속 블록에 저장된 인덱스 테이블에서 일치하는 항목을 찾아 신속하게 확인할 수 있습니다. 그런 다음, 인덱스 테이블에 저장된 분할 키를 사용해 고객 데이터에 대한 참조를 따릅니다.

문제 및 고려 사항

이 패턴을 구현할 방법을 결정할 때 다음 사항을 고려하세요.

보조 인덱스를 유지하는 오버헤드가 클 수 있습니다. 애플리케이션이 실제 사용하는 쿼리를 분석하고 이해해야 합니다. 인덱스 테이블은 정기적으로 사용할 가능성이 있는 경우에만 생성합니다. 애플리케이션이 수행하지 않거나 가끔씩만 수행하는 쿼리를 지원하기 위한 인덱스 테이블은 굳이 생성할 필요가 없습니다.

인덱스 테이블에 데이터를 복제하는 것은 데이터의 다중 사본을 유지하는 데 필요한 스토리지 비용과 노력에 상당한 오버헤드를 추가할 수 있습니다.

인덱스 테이블을 원본 데이터를 참조하는 정규화된 구조로 구현하려면 애플리케이션이 데이터를 찾기 위해 두 번의 조회 작업을 수행해야 합니다. 첫 번째 작업은 인덱스 테이블을 검색해 기본 키를 검색하고, 두 번째 작업은 기본 키를 사용해 데이터를 가져옵니다.

시스템이 대량의 데이터 집합에 대한 많은 인덱스 테이블을 통합하는 경우, 인덱스 테이블과 원본 데이터 사이에 일관성을 유지하는 것이 어려울 수 있습니다. 이 경우 애플리케이션은 최종 일관성 모델로 디자인할 수 있습니다. 예를 들어 데이터를 삽입, 업데이트 또는 삭제하기 위해 애플리케이션은 메시지를 큐에 게시하고 별도의 작업을 사용해 동작을 수행하며 이런 데이터를 비동기적으로 참조하는 인덱스 테이블을 유지할 수 있습니다. 최종 일관성을 구현하는 방법에 대한 자세한 내용은 Data Consistency Primer(데이터 일관성 입문서)를 참조하세요. Microsoft Azure Storage 테이블은 동일한 파티션에 보관되는 데이터에 수행된 변경 사항에 대한 트랜잭션 업데이트(엔터티 그룹 트랜잭션)를 지원합니다. 동일한 파티션에 있는 하나의 팩트 테이블과 하나 이상의 인덱스 테이블에 데이터를 저장할 수 있는 경우, 이 기능을 사용하면 일관성을 보장하는 데 도움을 줄 수 있습니다.

인덱스 테이블 자체는 나누거나 분할될 수 있습니다.

이 패턴을 사용해야 하는 경우

이 패턴은 애플리케이션이 기본(또는 분할) 키가 아닌 다른 키를 사용해 데이터를 자주 검색해야 할 때 쿼리 성능을 높이기 위해 사용합니다.

다음의 경우에는 이 패턴이 유용하지 않습니다.

데이터가 휘발성인 경우. 인덱스 테이블은 매우 빠르게 구식이 되어 비효과적이 되거나 인덱스 테이블을 유지하는 오버헤드가 인덱스 테이블의 사용을 통해 절감한 비용보다 커질 수 있습니다.

인덱스 테이블의 보조 키로 선택한 필드가 구분할 수 없고 작은 값의 집합(예: 성별)만 포함할 수 있는 경우

인덱스 테이블의 보조 키로 선택한 필드에서 데이터 값의 균형이 매우 비대칭인 경우. 예를 들어 레코드의 90%가 하나의 필드에서 동일한 값을 포함하면 이 필드를 기준으로 데이터를 조회하기 위해 인덱스 테이블을 생성하고 유지하는 것이 데이터 전체를 순차적으로 스캔하는 것보다 많은 오버헤드를 초래할 수 있습니다. 그러나 나머지 10%에 있는 대상 값을 굉장히 자주 쿼리하는 경우에는 이 인덱스가 유용할 수 있습니다. 사용자는 애플리케이션이 수행하고 있는 쿼리뿐 아니라 쿼리를 얼마나 자주 수행하는지를 이해해야 합니다.

예제

Azure Storage 테이블은 클라우드에서 실행 중인 애플리케이션에 대한 확장성이 뛰어난 키/값 데이터 스토리지를 제공합니다. 애플리케이션은 키를 지정해 데이터 값을 저장하고 검색합니다. 데이터 값은 여러 필드를 포함할 수 있지만, 데이터 항목의 구조는 단순히 데이터 항목을 바이트의 배열로 처리하는 테이블 스토리지가 이해하기 힘듭니다.

Azure Storage 테이블은 분할도 지원합니다. 분할 키는 두 요소인 파티션 키와 행 키를 포함합니다. 파티션 키가 동일한 항목은 동일한 파티션(분할된 데이터베이스)에 저장되고, 항목은 분할된 데이터베이스 내에 행 키 순서로 저장됩니다. 테이블 스토리지는 파티션 내에서 행 키 값의 연속 범위 내에 속한 데이터를 가져오는 쿼리를 수행할 수 있도록 최적화됩니다. Azure 테이블에 정보를 저장하는 클라우드 애플리케이션을 작성하는 경우에는 이런 기능을 염두에 두고 데이터를 구조화해야 합니다.

예를 들면 영화에 대한 정보를 저장하는 애플리케이션을 생각해볼 수 있습니다. 애플리케이션은 장르(액션, 다큐멘터리, 역사, 코메디, 드라마 등)를 기준으로 영화를 자주 쿼리합니다. 사용자는 다음 그림에서처럼 장르를 파티션 키로 사용하고 영화 이름을 행 키로 지정해 장르별로 분할된 Azure 테이블을 생성할 수 있습니다.

이런 접근 방식은 애플리케이션이 주연 배우로도 영화를 쿼리해야 하는 경우 효과가 떨어집니다. 이 경우 인덱스 테이블 역할을 하는 별도의 Azure 테이블을 생성할 수 있습니다. 파티션 키는 배우이고 행 키는 영화 이름입니다. 각 배우의 데이터는 별도의 파티션에 저장됩니다. 영화에 주연 배우가 한 명 이상이면 동일한 영화가 여러 파티션에 발생하게 됩니다.

영화 데이터는 위의 해결 방법 섹션에서 설명한 첫 번째 접근 방식을 채택해 각 파티션에 보관되는 값에 복제할 수 있습니다. 그러나 각 영화는 여러 번 중복될 수 있으므로(배우당 한 번) 가장 빈도 높은 쿼리(예: 다른 배우의 이름)를 지원하고 애플리케이션이 장르 파티션에서 완전한 정보를 찾는 데 필요한 파티션 키를 삽입해 나머지 세부 정보를 검색할 수 있도록 데이터를 부분적으로 역정규화하는 것이 더 효율적일 수 있습니다. 이런 접근 방식은 해결 방법 섹션의 세 번째 옵션에 설명되어 있습니다. 다음 그림은 이런 접근 방식을 보여 줍니다.

관련 지침

이 패턴을 구현할 때 다음 패턴 및 지침도 관련이 있을 수 있습니다.

[DB] 데이터베이스(DB) 인덱스(Index) 란 무엇인가?

반응형

들어가면서..

DB를 사용하면서 데이터의 양(row)에 따라 실행 결과의 속도가 차이가 나는 것을 알고 있었다. 특히 데이터의 양이 증가할수록 실행 속도는 느려지고, JOIN이나 서브 쿼리 사용 시 곱 연산이 일어나 데이터 양이 증가하기 때문에 WHERE 조건에서 필요한 데이터만 추출 후 사용하는 것이 좋다고 알고 있었는데, 보다 쿼리의 성능을 높이는 데 중요한 것은 인덱스를 적재적소로 활용하는 것이었다. 그렇다면 인덱스의 개념과 구조, 그리고 왜 사용하는지?, 사용했을 때 장점과 단점들에 대해 공부해보도록 하자.

인덱스(Index)란?

인덱스는 데이터베이스 테이블에 대한 검색 성능의 속도를 높여주는 자료 구조라고 한다. 특정 컬럼에 인덱스를 생성하면, 해당 컬럼의 데이터들을 정렬하여 별도의 메모리 공간에 데이터의 물리적 주소와 함께 저장된다. 이렇게 인덱스가 생성하였다면 앞으로 쿼리문에 “인덱스 생성 컬럼을 WHERE 조건으로 거는 등”의 작업을 하면 *옵티마이저에서 판단하여 생성된 인덱스를 탈 수가 있다. 만약 인덱스를 타게 되면 아래의 그림과 같이 인덱스를 타게 되고 먼저 인덱스에 저장되어 있는 데이터의 물리적 주소로 가서 데이터를 가져오는 식으로 동작을 하여 검색 속도의 향상을 가져올 수 있다.

또한 인덱스 생성 시 데이터를 오름차순으로 정렬하기 때문에 정렬된 주소체계라고 표현할 수 있다. (아래 그림을 보면 특정 컬럼에 인덱스가 생성됐을 때 컬럼의 데이터들을 오름차순으로 정렬한 모습을 볼 수 있다.)

*옵티마이저 : 옵티마이저는 가장 효율적인 방법으로 SQL을 수행할 최적의 처리 경로를 생성해주는 DBMS의 핵심 엔진이다. 컴퓨터의 두뇌가 CPU인 것처럼 DBMS의 두뇌는 옵티마이저라고 할 수 있다.

인덱스를 사용하는 이유 (장점)

인덱스의 가장 큰 특징은 데이터들이 정렬이 되어있다는 점이다. 이 특징으로 인해 조건 검색이라는 영역에서 굉장한 장점이 된다. 아래 세 가지 이유 모두 데이터들이 정렬되었다는 장점을 관통하는 내용들이다.

① 조건 검색 WHERE 절의 효율성

테이블을 만들고 안에 데이터가 쌓이게 되면 테이블의 레코드(row : 행)는 내부적으로 순서가 없이 뒤죽박죽으로 저장이 된다. 이렇게 되면 WHERE절에 특정 조건에 맞는 데이터들을 찾아낼 때도 레코드의 처음부터 끝까지 다 읽어서 검색 조건과 맞는지 비교해야 한다. 이것을 풀 테이블 스캔 (Full Table Scan), 줄여서 풀 스캔(Full Scan)이라고 한다. 하지만 인덱스 테이블 스캔(Index Table Scan) 시 인덱스 테이블은 데이터들이 정렬되어 저장되어 있기 때문에 해당 조건(WHERE)에 맞는 데이터들을 빠르게 찾아낼 수 있는 것이다. 이것이 인덱스를 사용하는 가장 큰 이유이다.

② 정렬 ORDER BY 절의 효율성

인덱스를 사용하면 ORDER BY에 의한 정렬(Sort) 과정을 피할 수가 있다. ORDER BY는 굉장히 부하가 많이 걸리는 작업이다. 정렬과 동시에 1차적으로 메모리에서 정렬이 이루어지고 메모리보다 큰 작업이 필요하다면 *디스크 I/O도 추가적으로 발생되기 때문이다. 하지만 인덱스를 사용하면 이러한 전반적인 자원의 소모를 하지 않아도 된다. 왜? 이미 정렬이 되어 있기 때문에 가져오기만 하면 되기 때문이다.

*디스크 I/O : 간단하게 말해 우리가 데이터를 작성하고 변경할 적에 디스크 즉 HDD에 저장되는 것을 말한다. (디스크 I/O에 대해서는 나중에 다시 공부해볼 필요가 있을 것 같다.)

③ MIN, MAX의 효율적인 처리가 가능하다

이것 또한 데이터가 정렬되어 있기에 얻을 수 있는 장점이다. MIN값과 MAX값을 레코드의 시작 값과 끝 값 한 건씩만 가져오면 되기 때문에 Full Table Scan으로 테이블을 모두 뒤져서 작업하는 것보다 훨씬 효율적으로 찾을 수 있다.

인덱스를 사용하면 무조건 효율이 좋을까? (단점)

인덱스가 주는 혜택이 있으면 그에 따른 부작용도 있다. 인덱스의 가장 큰 문제점은 정렬된 상태를 계속 유지시켜줘야 한다는 점이다. 그렇기에 레코드 내에 데이터 값이 바뀌는 부분이라면 악영향을 미칩니다.

① 인덱스는 DML에 취약

INSERT, UPDATE, DELETE를 통해 데이터가 추가되거나 값이 바뀐다면 인덱스 테이블 내에 있는 값들을 다시 정렬을 해야 한다. 그리고 위에 사진처럼 인덱스 테이블, 원본 테이블 이렇게 두 군데의 데이터 수정 작업을 해줘야 한다는 단점도 발생한다. 그렇기 때문에 DML이 빈번한 테이블보다 검색을 위주로 하는 테이블에 인덱스를 생성하는 것이 좋다.

② 무조건 인덱스 스캔이 좋은 것은 아니다

검색을 위주로 하는 테이블에 인덱스를 생성하는 것이 좋지만 무조건 검색 시에도 인덱스가 좋은 것은 아니다. 인덱스는 테이블의 전체 데이터 중에서 10~15% 이하의 데이터를 처리하는 경우에만 효율적이고 그 이상의 데이터를 처리할 땐 인덱스를 사용하지 않는 것이 더 낫다. 직관적인 예시를 들자면 1개의 데이터가 있는 테이블과 100만 개의 데이터가 들어 있는 테이블이 있다고 하자. 100만 개의 데이터가 들어있는 테이블이라면 풀 스캔보다는 인덱스 스캔이 유리하겠지만, 1개의 데이터가 들어있는 테이블은 굳이 인덱스 스캔 없이 풀 스캔이 빠를 것이다.

③ 속도 향상을 위해 인덱스를 많이 만드는 것은 좋지 않다.

인덱스를 관리하기 위해서는 데이터베이스의 약 10%에 해당하는 저장공간이 추가로 필요하다. 무턱대고 인덱스를 만들어서는 결코 안 된다는 것이다. 즉, 속도 향상에 비해 단점들의 COST를 비교해서 인덱스를 만들지 말지를 정해야 한다.

💡 여기서 잠 깐! Index를 남발하지 말아야 하는 이유

데이터베이스 서버에 성능 문제가 발생하면 가장 빨리 생각하는 해결책이 인덱스 추가 생성이다.

문제가 발생할 때마다 인덱스를 생성하면서 인덱스가 쌓여가는 것은 하나의 쿼리문을 빠르게는 만들 수 있지만,

전체적인 데이터베이스의 성능 부하를 초래한다. 조회 성능을 극대화하려 만든 객체인데 많은 인덱스가 쌓여서 INSERT, UPDATE, DELETE 시에

부하가 발생해 전체적인 데이터베이스 성능을 저하한다. 그렇기에 인덱스를 생성하는 것보다는 SQL문을 좀 더 효율적으로 짜는 방향으로 나가야 한다.

인덱스 생성은 마지막 수단으로 강구해야 할 문제이다.

인덱스의 관리

앞서 설명했듯이 인덱스는 항상 최신의 데이터를 정렬된 상태로 유지해야 원하는 값을 빠르게 탐색할 수 있다. 그렇기 때문에 인덱스가 적용된 컬럼에 INSERT, UPDATE, DELETE가 수행된다면 계속 정렬을 해주어야 하고 그에 따른 부하가 발생한다. 이런 부하를 최소화하기 위해 인덱스는 ‘데이터 삭제’라는 개념에서 ‘인덱스를 사용하지 않는다’라는 작업으로 이를 대신한다.

INSERT : 새로운 데이터에 대한 인덱스를 추가한다.

DELETE : 삭제하는 데이터의 인덱스를 사용하지 않는다는 작업을 진행한다.

UPDATE : 기존의 인덱스를 사용하지 않음 처리하고, 갱신된 데이터에 대해 인덱스를 추가한다.

인덱스 생성 전략

생성된 인덱스를 가장 효율적으로 사용하려면 데이터의 분포도는 최대한으로 그리고 조건절에 호출 빈도는 자주 사용되는 컬럼을 인덱스로 생성하는 것이 좋다. 인덱스는 특정 컬럼을 기준으로 생성하고 기준이 된 컬럼으로 정렬된 인덱스 테이블이 생성된다. 이 기준 컬럼은 최대한 중복이 되지 않는 값이 좋다. 가장 최선은 PK로 인덱스를 거는 것이라고 할 수 있다. 중복된 값이 없는 인덱스 테이블이 최적의 효율을 발생시키겠고, 반대로 모든 값이 같은 컬럼의 인덱스 컬럼이 된다면 인덱스로써의 가치가 없다고 봐야 할 것이다.

조건절에 자주 등장하는 컬럼 항상 = 으로 비교되는 컬럼 중복되는 데이터가 최소한인 컬럼 (분포도가 좋은 컬럼) ORDER BY 절에서 자주 사용되는 컬럼 JOIN 조건으로 자주 사용되는 컬럼

인덱스 구조

인덱스에는 여러 가지 유형이 있지만 그중에서도 가장 많이 사용하는 인덱스의 구조는 밸런스드 트리 인덱스 구조다. 그리고 B TREE 인덱스 중에서도 가장 많이 사용하는 것은 B * TREE와 B + TREE 구조가 가장 많이 사용되는 인덱스의 구조다.

B * Tree 인덱스 구조

B * Tree 인덱스는 대부분의 DBMS 그리고 오라클에서 특히 중점적으로 사용하고 있는 가장 보편적인 인덱스이다. 구조는 위와 같이 Root(기준) / Branch(중간) / Leaf(말단) Node로 구성되며 계층적 구조를 갖고 있다. 특정 컬럼에 인덱스를 생성하는 순간 컬럼의 값들을 정렬하는데, 오라클 서버에서 풀 스캔보다 인덱스 스캔이 유리하다고 판단되었을 때 생성된 인덱스의 정렬한 순서가 중간쯤 되는 데이터를 뿌리에 해당하는 ROOT 블록으로 지정하고 ROOT 블록을 기준으로 가지가 되는 BRANCH블록을 정의하며 마지막으로 잎에 해당하는 LEAF 블록에 인덱스의 키가 되는 데이터와 데이터의 물리적 주소 정보인 ROWID를 저장합니다.

* 참고) ROOT에는 BRANCH 블럭의 시작점에 대한 정보를 갖고 있어 찾고자 하는 데이터의 위치가 어느 BRANCH에 위치하는지 알 수 있다. BRANCH 블럭에서도 마찬가지로 LEAF 블럭에 대한 시작점 정보를 갖고 있어 어느 LEAF에 포함되어 있는지 알 수 있다.

마무리..

인덱스의 대해 공부해보았다. 인덱스를 활용하면 쿼리의 성능(효율)을 높일 수 있을 것이란 것은 알았는데, 이것을 어떻게 활용하는 것일까? 인덱스의 활용방법과 인덱스를 결합해서도 사용한다는데 어떻게 활용하는지 하나하나 알아가 보자.
[ Reference ]
https://coding-factory.tistory.com/746

https://myjamong.tistory.com/184

반응형

So you have finished reading the 인덱스 테이블 topic article, if you find this article useful, please share it. Thank you very much. See more: 로터리 인덱스 테이블, 인덱스 테이블 구조, 오라클 인덱스 테이블, 로터리테이블, Index의, 데이터베이스 인덱스 예제, 인덱스 특징, 인덱스 구성

Top 22 인덱스 테이블 21856 Votes This Answer

인덱스테이블 | MISUMI한국미스미

[sql] 인덱스(indexes) 테이블이란? 간단하게 설정하는 방법

인덱스테이블 – 검색결과 | 쇼핑하우

[데이터베이스] 인덱스(INDEX) :: 개발자로 홀로 서기

인덱스 테이블 | (주)덕보테크

ì¸ë±ì¤ íì´ë¸ í¨í´ – Azure Architecture Center | Microsoft Docs

[DB] 데이터베이스(DB) 인덱스(Index) 란 무엇인가?

[DB] 데이터베이스 인덱스(Index) 란 무엇인가?

[데이터베이스] 인덱스(INDEX)

인덱스 테이블 패턴 – Azure Architecture Center

[DB] 데이터베이스(DB) 인덱스(Index) 란 무엇인가?

Leave a Comment Cancel reply

인덱스테이블 | MISUMI한국미스미

[sql] 인덱스(indexes) 테이블이란? 간단하게 설정하는 방법

인덱스테이블 – 검색결과 | 쇼핑하우

[데이터베이스] 인덱스(INDEX) :: 개발자로 홀로 서기

인덱스 테이블 | (주)덕보테크

ì¸ë±ì¤ í ì´ë¸ í¨í´ – Azure Architecture Center | Microsoft Docs

[DB] 데이터베이스(DB) 인덱스(Index) 란 무엇인가?

[DB] 데이터베이스 인덱스(Index) 란 무엇인가?

[데이터베이스] 인덱스(INDEX)

인덱스 테이블 패턴 – Azure Architecture Center

[DB] 데이터베이스(DB) 인덱스(Index) 란 무엇인가?

Leave a Comment Cancel reply

ì¸ë±ì¤ íì´ë¸ í¨í´ – Azure Architecture Center | Microsoft Docs