Earticle

Genomic data plays a transformative role in medicine, biology, and forensic science, offering insights that drive advancements in clinical diagnosis, personalized medicine, and crime scene investigation. Despite its potential, the integration and analysis of diverse genomic datasets remain challenging due to compatibility issues and the specialized nature of existing tools. This paper presents the GenomeSync system, designed to overcome these limitations by utilizing the Hadoop framework for large-scale data handling and integration. GenomeSync enhances data accessibility and analysis through SQL-based search capabilities and machine learning techniques, facilitating the identification of genetic traits and the resolution of forensic cases. By preprocessing DNA profiles from crime scenes, the system calculates similarity scores to identify and aggregate related genomic data, enabling accurate prediction models and personalized treatment recommendations. GenomeSync offers greater flexibility and scalability, supporting complex analytical needs across industries. Its robust cloud-based infrastructure ensures data integrity and high performance, positioning GenomeSync as a crucial tool for reliable, data-driven decision-making in the genomic era.

As the use of open source databases grows, so does need to evaluate, the performance of search queries for these databases. This paper compares the search query performance of SQL-based open source databases with commercial databases through experiments. The targets are MySql, MariaDB, and MS-SQL Server. In this study, the execution time of various types of search queries are measured. Also, search query performance was experimented according to change of index and number of tuples. Experimental results show that SQL-based open source databases have the potential to replace commercial databases when indexes are used and the number of tuples is not very large.

With the ever-increasing complexity and variety of database workload, database application system has been imposed on higher and higher performance requirements. Database system consists of software and hardware. And the factors that affect database performance are uncertain. In order to tackle the issue of database system for SQL server, this paper proposes hierarchical queuing network model for performance prediction, and a model is established for both software resources and hardware resources, the nested resources are linearized by hierarchical calling, thus finding out the main factors for system performance bottleneck, and system performance is adjusted and optimized accordingly. The performance tuning algorithm for SQL server database based on the hierarchical queuing network is presented in detail. And TPC-C benchmark is adopted for simulation. Experimental results show the proposed method achieves 16.8% performance increase on average, and TPS is improved by 40% compared to previous method.

We propose SQLGo, an interactive learning tool designed to help learne.rs intuitively understand the execution flow of SQL queries. SQLGo combines Common Table Expression based visualization techniques with a Large Language Model (LLM)-powered conversational interface to clearly convey intermediate operations and procedural semantics embedded in SQL.Most existing SQL learning tools provide only tabular query results, failing to adequately explain the intermediate states and execution process of a query. As a result, learners often struggle to grasp the actual execution flow underlying SQL’s declarative structure. SQLGo addresses these limitations by offering an interactive environment that supports procedural reasoning and encourages active learner engagement, thereby enabling more effective SQL learning.Through this system, learners are expected to intuitively grasp the execution flow of queries and gain a deeper and more meaningful learning experience compared to conventional tools.

In this research, we propose a hybrid inference architecture for medical diagnosis based on dynamic knowledge map (DKM) and relational database (RDB). Conventional expert systems (ES) and developing tools of ES has some limitations such as, 1) time consumption to extend the knowledge base (KB), 2) difficulty to change the inference path, 3) inflexible use of inference functions and operators. To overcome these Limitations, we use DKM in extracting the complex relationships and causal rules from human expert and other knowledge resources. The DKM also can help the knowledge engineers to change the inference path rapidly and easily. Then, RDB and its management systems help us to transform the relationships from diagram to relational table.

In this research, we propose a mechanism to develop an inference engine and expert systems based on relational database and SQL (structured query language). Generally, former researchers had tried to develop an expert systems based on text-oriented knowledge base and backward/forward (chaining) inference engine. In these researches, however, the speed of inference was remained as a tackling point in the development of agile expert systems. Especially, the forward inference needs more times than backward inference. In addition, the size of knowledge base, complicate knowledge expression method, expansibility of knowledge base, and hierarchies among rules are the critical limitations to develop an expert systems. To overcome the limitations in speed of inference and expansibility of knowledge base, we proposed a relational database-oriented knowledge base and forward inference engine. Therefore, our proposed mechanism could manipulate the huge size of knowledge base efficiently, and inference with the large scaled knowledge base in a short time. To this purpose, we designed and developed an SQL-based forward inference engine using relational database. In the implementation process, we also developed a prototype expert system and presented a real-world validation data set collected from medical diagnosis field.

온톨로지 기반의 애플리케이션에 대한 사용이 증가함에 따라 시맨틱 정보를 효율적으로 저장 및 처리하는 것이 중요하게 다루어지고 있다. 비록 몇몇의 관련된 시스템들이 개발되어왔지만, 이들은 시맨틱 데이타의 크기, 시맨틱 질의 처리의 성능 시맨틱 데이타 유지관리의 관점에서 몇몇 제한을 가지고 있다. 본 논문에서는 온톨로지 관리 시스템을 위한 OWL 인지 관계형 모델을 제안하고 이를 이용하는 SQL 기반의 시맨틱 질의 처리 메커니즘을 제안한다. 또한 질의 처리 성능에 대한 검증을 위해 Sesame와 비교를 통해서 좀 더 효율적임을 보여준다.

According to the widespread use of ontology-based applications, it is critical to efficiently store and process semantic information. Even though several related systems have been developed, they have some limitations in perspectives of the volume of target semantic data, the performance of semantic query processing, and the semantic data maintenance. In this paper we propose the OWL-aware relational model for the ontology management system and SQL-based semantic query processing mechanism. Also, to verify the query processing performance, we show that the proposed query professing mechanism is more efficient than sesame.

최근 대규모 언어모델(LLM)을 기존 데이터베이스 시스템에 통합하려는 연구가 활발히 진행되고 있다. 그러나 LLM은 범용적으로 우수한 성능을 보임에도 불구하고 특정 도메인의 SQL 쿼리 생성에서는 25% 수준의 낮은 정확도를 보인다. 본 연구는 이러한 한계를 극복하기 위해 도메인 전문가가 검증한 템플릿과 벡터 유사도 검색을 결합한 RAG 기반 하이브리드 시스템을 제안한다. 제안 시스템은 질의 전처리, 벡터 기반 템플릿 매칭, 파라미터 바인딩, 폴백 메커니즘의 4단계 파이프라인으로 구성된다. IACS 패널 회의 의제 관리 시스템에 적용한 결과, 템플릿 매칭 성공률은 75%를 기록했으나, 파라미터 바인딩 단계까지 포함한 전체 파이프라인의 성공률은 52.5%로 나타났다. 이는 순수 LLM 접근법 대비 약 2배 향상된 성능이다. 초기 템플릿 구축 비용과 새로운 질의 유형에 대한 제한적 대응이라는 한계에도 불구하고, 본 연구는 도메인 지식과 LLM의 범용성을 효과적으로 결합하는 실용적 방법론을 제시한다.

Recent research has explored the integration of Large Language Models (LLMs) into existing database systems. While LLMs excel in general domains, they achieve only 25% accuracy in SQL query generation for specific domains. This study proposes a hybrid system based on Retrieval-Augmented Generation (RAG), which combines domain expert-verified templates with vector similarity search to address these limitations. The proposed system features a four-stage pipeline: query preprocessing, vector-based template matching, parameter binding, and a fallback mechanism. When implemented in the IACS panel meeting agenda management system, the template matching achieved a 75% success rate; however, the overall end-to-end pipeline success rate, including parameter binding, was 52.5%. This represents approximately a twofold improvement over pure LLM approaches. Despite challenges such as the initial costs of template construction and limitations in handling novel query types, this study offers a practical methodology that effectively integrates domain knowledge with the versatility of LLMs.

기업의 신속한 의사결정 및 전략적 정책 결정을 위해 빅데이터에 대한 고도 분석이 필수적으로 요구됨에 따라 대량의 데이터를 복수의 노드에 분산하여 처리하는 하둡 또는 스파크와 같은 분산 처리 플랫폼이 주목을 받고 있다. 최근 공개된 Spark SQL은 Spark 환경에서 SQL 기반의 분산 처리 기법을 지원하고 있으나, 기계학습이나 그래프 처리와 같은 반복적 처리가 요구되는 고도 분석 분야에서는 효율적 처리가 불가능한 문제가 있다. 따라서 본 논문은 이러한 문제점을 바탕으로 Spark 환경에서 고도 분석 지원을 위한 SQL 기반의 빅데이터 최적처리 엔진설계와 처리 프레임워크를 제안한다. 복수의 조건과 다수의 조인, 집계, 소팅 연산이 필요한 복합 SQL 질의를 분산/병행적으로 처리할 수 있는 최적화 엔진과 관계형 연산을 지원하는 기계학습 최적화하기 위한 프레임워크를 설계한다.

As being the advanced analytics indispensable on big data for agile decision-making and tactical planning in enterprises, distributed processing platforms, such as Hadoop and Spark which distribute and handle the large volume of data on multiple nodes, receive great attention in the field. In Spark platform stack, Spark SQL unveiled recently to make Spark able to support distributed processing framework based on SQL. However, Spark SQL cannot effectively handle advanced analytics that involves machine learning and graph processing in terms of iterative tasks and task allocations. Motivated by these issues, this paper proposes the design of SQL-based big data optimal processing engine and processing framework to support advanced analytics in Spark environments. Big data optimal processing engines copes with complex SQL queries that involves multiple parameters and join, aggregation and sorting operations in distributed/parallel manner and the proposing framework optimizes machine learning process in terms of relational operations.

현재 세계 각국에서 많은 메타데이터 레지스트리들이 구축되어 왔다 그러나 메타데이터 레지스트리가 국제 표준(ISO/IEC 11179)임에도 불구하고 일관성 있는 표준 접근 인터페이스를 제공하지 않음으로써 각각 다른 연산으로 구현되었다. 이는 각각의 메타데이터 레지스트리 구축시 동일한 연산 패턴의 중복된 구현으로 인한 불필요한 비용을 야기한다. 국제 표준인 메타데이터 레지스트리에 대한 접근시 시스템 마다 동일한 연산 패턴을 지니게 된다. 이 논문에서는 이와 같이 메타데이터 레지스트리에서 공통적으로 사용되는 연산 패턴을 분석하고 정의한다. 또한 분석된 연산 패턴을 이용하여 표준 SQL을 확장한 SQL/MDR을 정의하고 설계한다. 설계된 SOL/MDR은 메타데이터 레지스트리 관리 시스템 개발에 표준 접근 방법을 제공한다. 또한 이는 개별적인 개발로 인한 추가적인 노력을 감소시키고 메타데이터 레지스트리에 대한 보다 일관성 있는 접근을 가능하게 한다.

금융기관 및 통신사 등 대량의 데이터를 다루는 회사에서 테스트환경은 구축 비용문제로 인한 스토리지 용량의 한계 및 중요정보 컬럼의 변환 등으로 운영환경과 항상 동일한 것은 아니다. 따라서, 이러한 테스트환경과 운영환경이 동일하지 않아 발생하는 SQL 성능저하는 예상치 못한 거래장애로까지 연결되어 기업의 금전적 손실 및 고객민원, 신뢰도 하락을 발생시키는 중요 원인이 되고 있다. 그동안 SQL과 관련한 성능연구는 DBMS Optimizer와 관련한 튜닝연구 중심으로 이루어져, 이러한 문제에 대해서는 다루어지지 않았다. 따라서, 본 논문에서는 테스트환경과 운영환경의 차이로 발생하는 SQL의 성능저하에 따른 온라인 거래장애 방지를 위해 개선된 SQL 성능 기반의 IT 응용프로그램 변경관리 프로세스를 제시하여 그 효과성을 검증한다.

Test environment on the company that handles a large amount of data such as telecommunications companies and financial institutions, may not always be the same as the production environment, which is caused by conversion of important columns about information and limitation of storage capacity due to the construction cost. Therefore, SQL performance degradation that occurs when the test and production environments are not the same, which is an important cause of connecting to the unexpected failures of online transactions, and it generates financial loss of business, customer complaints, a decrease in reliability. In studies related SQL performance, it has so far been conducted mainly studies of tuning associated with DBMS Optimizer, and it has not been addressed issues of this sector. Therefore, in this paper, I verify the validity about presentation of the advanced SQL Performance-based IT application change management process, in order to prevent failures of the online transactions associated with poor performance of SQL generated by differences in test and production environments.

본 논문에서는 연관 규칙 탐사 시스템을 설계하고 구현하였다. 본 시스템은 관계형 데이터베이스의 표준 질의어를 이용하여 사용자가 제시한 질의 조건을 만족하는 항목집합에 대해 다양한 형태의 연관규칙을 탐사하기 위한 시스템이다. 질의처리 모듈에서는 사용자가 제시한 조건을 만족하는 질의를 동적으로 구성하여, 연관 규칙 탐사를 위해 사용되는 대상 트랜잭션 데이타베이스의 범위를 조절할 수 있다. 연관 규칙을 발견하기 위한 후보 항목집합을 생성하기 위해 연관 규칙 탐사 알고리즘을 사용하였다. 연관 규칙 알고리즘에서는 한 트랜잭션 데이타에 대해 생성될 수 있는 후보 항목집합을 배열을 이용하여 처리하는 효율적인 방법을 제안하였다.

최근 시맨틱 웹에 대한 관심이 증가하면서 W3C표준으로 규정된 시맨틱 웹 온톨로지 언어(RDF, RDFS, OWL 등) 기반의 관련 기술에 대한 연구가 활발히 진행되고 일다. 그 중에서 시맨틱 웹 온톨로지 언어로 기술된 문서의 저장, 관리, 질의처리 기법에 대한 연구가 주목을 받고 있다. 이에 본 논문에서는 온톨로지 데이터에 대한 표준 질의 언어인 RDQL 을 기반으로 RDQL 질의를 효율적으로 처리하는 고성능 RDQL 질의 처리 엔진을 개발한다. 본 논문에서 제안하는 RDQL 질의 처리 엔진은 RDQL 질의를 대응하는 SQL 질의로 변환함으로써 기존의 관계형 데이터베이스 질의 처리 엔진(SQL 질의 처리 엔진)을 그대로 사용할 수 있다. 이 과정에서 메모리 사용량과 데이터베이스 접근을 최소화하는 고성능 RDQL 질의 처리 엔진을 개발한다. 궁극적으로 이러한 RDQL 질의 처리는 실시간 처리가 요구되는 로봇 환경뿐만 아니라 시맨틱 웹 애플리케이션에서 널리 활용될 수 있다.

XML과 데이터베이스를 이용한 웹 애플리케이션의 개발이 증가에 따라, 데이터 관리로 많이 사용되는 Microsoft SQL 2000 서버의 이용 또한 증가하게 되었다. 따라서 본 논문은 데이터베이스의 원활한 관리와 취급을 위해 웹상에서 데이터 베이스를 직접 접근하고 다루는 방법에 대하여 나타내었다. XML을 이용하여 웹 상에서 직접 데이터 베이스에 접근하는 방법은 소개함으로, 데이터베이스를 이용한 전자 상거래 구축은 물론 많은 분야에서 XML과 SQL 서버 2000의 활용하여 전자상거래에 구축에 있어서 많은 도움을 줄 것으로 기대한다.

As Electronic Commerce is expanding its area rapidly and various web applications are developed by using SQL Query Language. This paper described a method of data accessing and transformation via HTTP. Finally we expect that this paper method will useful in constructing EC system using XML and SQL 2000 sever in related fields.