관계형 데이터 모델링 노트 7장

비정규화는 정규화의 연장선에 있는 과정으로써 조회 성능만을 향상시키기 위해 데이터를 중복하거나 그룹핑 하며, 단순히 사용 편이를 위해 사용되어서는 안됨

비정규화라는 용어보다 일반적으로 반정규화, 역정규화 등을 많이 사용되며, 정규화를 역으로 적용하는 것 이상의 의미가 내포됨

중복 데이터는 원천데이터와 정합성을 맞춰야 함

조회 성능은 향상되지만 데이터 정합성 문제, 데이터 품질 문제, 모델의 가독성 문제, 모델의 확장성 문제, DB 공간 문제, 쓰기 성능 문제 등 많은 단점이 존재하므로 비정규형은 매우 신중하게 선택적으로 사용해야 함

정규화를 거꾸로 적용한 역정규화(Reverse-Normalization) 방법

정규형 모델에 중복 속성을 채택하는 방법

최우선적으로 고려할 요소는 데이터 무결성

정규형은 필수며, 성능 문제가 있을 떄만 비정규형을 채택

중복 속성은 가능한 사용하지 않으며, 추출 속성은 일부 사용할 수 있음

하위(자식) 엔터티를 기준으로 역정규화하는 것

상위(부모) 엔터티를 기준으로 역정규화 하는 것

중복 데이터가 발생하지 않는 비정규화 방법

로우 체이닝이나 로우 마이그레이션이 생기지 않는 방향으로 엔터티 설계

엔터티의 속성을 별도의 엔터티로 분해하는 것

일대일(1:1) 관계로 분해하는 이유는 한 블록에 중요한 인스턴스를 많이 저장할 수 있기 떄문

사용빈도

특별한 데이터 타입

널(Null)이 발생할 수 있는 속성

속성의 중요도

업무에서 사용되는 속성별(락(Lock) 발생 최소화)

전체 속성 사이즈가 기본 블록 사이즈를 초과 할 때(로우 체이닝, 로우 마이그레이션 발생 방지)

엔터티의 특정 인스턴스를 별도의 엔터티로 분해 하는것으로 파티셔닝(Partitioning)으로 구현됨

파티셔닝

특정 기준에 따라 엔터티 인스턴스를 분리해서 다른 엔터티로 이동시키는 것

요약 엔터티는 원천 엔터티를 대상으로 합계나 집계 등 미리 계산한 데이터를 저장한 엔터티

미리 계산한 데이터도 데이터를 중복해서 관리하는 방법이어서 데이터 정합성을 주의 해야함

하지만 중복 데이터라고 보기 어려운 요약 엔터티도 있음

실시간으로 요약 엔터티의 데이터를 수정하는 방법

배치로 요약 엔터티의 데이터를 맞추는 방법

추출 속성을 사용하는 목적은 미리 추출(계산)해서 보관한 값을 필요한 시점에 사용하기 위한것으로 추출 속성과 중복 속성은 구별됨

추출 속성은 주로 하위(자식) 에넡티에서 많은 데이터(인스턴스)를 읽어서 연산 한 후 값을 상위(부모) 엔터티의 속성으로 가져다 놓은 속성을 말함

추출 속성은 성능에 많은 영향을 미치므로 채택 여부를 숙고해야함

총 횟수

처음 값

최종 값

더한 값

현재 값

이전 값

다음 값

추출 관계

여부 값

주 식별자 값의 체계와 동일한 의미의 값(체계가 있는 값)

조회 화면이 [1-Row]이냐 [N-Row] 냐에 따라서 정규형 비정규형을 사용

조회 화면이 다양한 형태로 여러 개 존재할 떄는 중요도와 빈도에 따라 전략적으로 선택

화면과 관련된 성능 이슈는 화면 구성이나 조회 방법 등을 바꿀 수 있는지 먼저 검토

반복되는 속성이 한정돼 있을 때 사용할 수 있으며, 여러개의 속성이 묶여서 반복될 경우 정규화를 하는것이 좋음

롤업 역정규화

단순 비정규화