Brain데이터 딕셔너리 (Data Dictionary)
핵심 인사이트 (3줄 요약)
- 본질: 데이터 딕셔너리 (Data Dictionary)는 데이터베이스의 구조, 제약조건, 사용자,スキema 등 메타데이터를 저장하는 시스템 데이터베이스다.
- 가치: DBMS와 사용자에게 데이터베이스의 모든 요소에 대한 정보를 제공하여, 데이터 관리의 기준점 역할을 한다.
- 융합: 자동화된 메타데이터 관리, 데이터 계보 (Data Lineage), 데이터 품질 관리와 결합하여 데이터 거버넌스의 핵심 인프라로 진화하고 있다.
Ⅰ. 개요 및 필요성 (Context & Necessity)
개념 정의
데이터 딕셔너리 (Data Dictionary)는 데이터베이스 시스템에서 사용되는 모든 데이터에 대한 정보를 保存하는 메타데이터 repository다. 시스템 카탈로그 (System Catalog)라고도 불린다.
데이터 딕셔너리에 저장되는 정보
┌─────────────────────────────────────────────────────────────────────┐
│ 데이터 딕셔너리에 저장되는 주요 정보 │
├─────────────────────────────────────────────────────────────────────┤
│ │
│ [1] 스키마 정보 │
│ ──────────────────────────────────────────────────────────────── │
│ • 테이블/뷰/인덱스 이름과 구조 │
│ • 각 테이블의 열 (컬럼) 이름, 데이터 타입, 크기 │
│ • 기본 키, 외래 키, 고유 키 정의 │
│ • CHECK 제약조건, DEFAULT 값 │
│ │
│ [2] 사용자/보안 정보 │
│ ──────────────────────────────────────────────────────────────── │
│ • 사용자 계정과 비밀번호 (해시화) │
│ • 각 사용자의 объек트 접근 권한 │
│ • 역할 (Role)과 권한 그랜트 정보 │
│ │
│ [3] 스토리지 정보 │
│ ──────────────────────────────────────────────────────────────── │
│ • 테이블이 저장된 테이블스페이스 │
│ • 인덱스 구조와 저장 위치 │
│ • 테이블의 행 수, 익스텐트 크기 │
│ │
│ [4] 통계 정보 │
│ ──────────────────────────────────────────────────────────────── │
│ • 테이블의 행 수, 블록 수 │
│ • 열 값의 분포 (히스토그램) │
│ • 인덱스 사용 빈도, 선택도 │
│ │
│ [5] 무결성 정보 │
│ ──────────────────────────────────────────────────────────────── │
│ • 참조 무결성 (외래 키) 규정 │
│ • 트리거 정의와 활성화 상태 │
│ • 제약조건 검증 규칙 │
│ │
└─────────────────────────────────────────────────────────────────────┘
[다이어그램 해설] 데이터 딕셔너리는 데이터베이스의 "目録" 역할을 한다. 책을 찾을 때 도서관目録을 利用하는 것처럼, DBMS도 어떤 테이블이 있는지, 각 테이블의 구조는怎样的, 누가 접근 권한을 가지고 있는지 등을 데이터 딕셔너리를 참조하여確認한다. 또한 쿼리 옵티마이저가 실행 계획을 세울 때 통계 정보를 利用하여 최적의 경로를 선택한다.
비유
데이터 딕셔너리는 도시의 지적재산등기부와 같다. 토지의 면적, 지목, 소유자, 저당권 설정 등의 정보가 등기부에 기록되어 있는 것처럼, 데이터베이스의 구조와 권한 정보가 데이터 딕셔너리에 기록되어 있다.
- **📢 섹션 요약 비유:**大型마트에서 상품 정보 시스템 (데이터 딕셔너리)을 보면 어떤 상품이 있는지,在哪里, 가격이 얼마인지 알 수 있듯이, 데이터베이스에서도 데이터 딕셔너리를 통해 구조와 정보를 파악할 수 있습니다.
Ⅱ. 아키텍처 및 핵심 원리 (Deep Dive)
데이터 딕셔너리의 구조
데이터 딕셔너리는 테이블처럼 행과 열로 구성되어 있으며, DBMS가 자동 관리한다.
┌─────────────────────────────────────────────────────────────────────┐
│ 데이터 딕셔너리의 주요 테이블 구조 │
├─────────────────────────────────────────────────────────────────────┤
│ │
│ [Oracle의 주요 데이터 딕셔너리 테이블] │
│ │
│ ┌─────────────────────────────────────────────────────────────┐ │
│ │ USER_TABLES: 현재 사용자가 소유한 테이블 정보 │ │
│ │ COLS: 열 이름, 데이터 타입, 길이, NULL 허용 여부 │ │
│ └─────────────────────────────────────────────────────────────┘ │
│ │
│ ┌─────────────────────────────────────────────────────────────┐ │
│ │ USER_CONSTRAINTS: 제약조건 정보 │ │
│ │ • CONSTRAINT_NAME, CONSTRAINT_TYPE (P/C/U/R) │ │
│ │ • TABLE_NAME, SEARCH_CONDITION │ │
│ └─────────────────────────────────────────────────────────────┘ │
│ │
│ ┌─────────────────────────────────────────────────────────────┐ │
│ │ USER_TAB_COLUMNS: 테이블별 열 상세 정보 │ │
│ │ • TABLE_NAME, COLUMN_NAME, DATA_TYPE, DATA_LENGTH │ │
│ │ • NULLABLE, COLUMN_ID, DEFAULT_LENGTH │ │
│ └─────────────────────────────────────────────────────────────┘ │
│ │
│ ┌─────────────────────────────────────────────────────────────┐ │
│ │ USER_INDEXES: 인덱스 정보 │ │
│ │ • INDEX_NAME, TABLE_NAME, INDEX_TYPE, UNIQUENESS │ │
│ └─────────────────────────────────────────────────────────────┘ │
│ │
│ [예시: USER_TABLES에서 테이블 정보 조회] │
│ │
│ SELECT table_name, num_rows, blocks │
│ FROM user_tables │
│ WHERE table_name = 'CUSTOMERS'; │
│ │
└─────────────────────────────────────────────────────────────────────┘
[다이어그램 해설] 데이터 딕셔너리 자체도 테이블로 구성되어 있어, SQL로 조회할 수 있다. Oracle에서 USER_TABLES는 현재 사용자가 소유한 테이블 정보를 담고 있고, USER_TAB_COLUMNS는 각 테이블의 열 상세 정보를 담고 있다. DBA나 개발자는 이러한 딕셔너리 테이블을 조회하여 데이터베이스 구조를 분석할 수 있다. 중요한 점은 일반 사용자는 데이터 딕셔너리를 직접 수정할 수 없으며, DBMS가 DDL 실행 시 자동으로 갱신한다는 것이다.
데이터 딕셔너리의 사용 예시
┌─────────────────────────────────────────────────────────────────────┐
│ 데이터 딕셔너리의 활용 시나리오 │
├─────────────────────────────────────────────────────────────────────┤
│ │
│ [시나리오 1: 옵티마이저의 활용] │
│ │
│ SELECT * FROM customers WHERE city = '서울'; │
│ │
│ 옵티마이저가USER_TAB_COLUMNS의 분포 통계와 │
│ USER_INDEXES의 인덱스 정보를 참조하여: │
│ • city='서울'인 행 비율이 5% 미만 → 인덱스 스캔 선택 │
│ • city='서울'인 행 비율이 30% 이상 → 전체 테이블 스캔 선택 │
│ │
│ [시나리오 2: 접근 권한 확인] │
│ │
│ SELECT * FROM user_tab_privs_made │
│ WHERE table_name = 'EMPLOYEES'; │
│ │
│ → EMPLOYEES 테이블에 대해 어떤 사용자가 │
│ 어떤 권한을 부여받았는지 확인 │
│ │
│ [시나리오 3: 무결성 제약조건 확인] │
│ │
│ SELECT constraint_name, constraint_type, search_condition │
│ FROM user_constraints │
│ WHERE table_name = 'ORDERS'; │
│ │
│ → ORDERS 테이블에 어떤 제약조건 (PK, FK, CHECK)이 │
│ 정의되어 있는지 확인 │
│ │
└─────────────────────────────────────────────────────────────────────┘
[다이어그램 해설] 옵티마이저는 쿼리 실행 전 데이터 딕셔너리의 통계 정보를 참조하여 실행 계획을 세운다. 예를 들어, city='서울'인 행이 전체의 5% 미만이면 인덱스를利用하는 것이 빠르지만, 30% 이상이면 전체 테이블 스캔이 더 빠를 수 있다. 이러한 판단의 기준이 되는 정보가 데이터 딕셔너리에 저장되어 있다. 또한 보안 감사 시 사용자에게 어떤 권한이 부여되어 있는지 확인하거나, 무결성 제약조건을 확인하는 데에도 利用된다.
- 📢 섹션 요약 비유: 항목을Dictionary에서 찾으면 항목의 발음,意味, 用例 등을 알 수 있듯이, 데이터 딕셔너리에서 데이터 구조를 찾으면 이름, 타입, 크기, 권한 등의 정보를 알 수 있습니다.
Ⅲ. 융합 비교 및 다각도 분석
비교: 데이터 딕셔너리 vs 일반 테이블
| 구분 | 데이터 딕셔너리 | 일반 테이블 |
|---|---|---|
| 소유자 | DBMS (시스템) | 사용자 (스키마 오너) |
| 갱신 권한 | DBMS만 자동 갱신 | 사용자가 DML로 수정 |
| 내용 | 메타데이터 | 실제 업무 데이터 |
| 읽기 방법 | SELECT문으로 조회 | SELECT문으로 조회 |
| 용도 | DBMS의 내부 관리 | 응용 程序의 데이터 저장 |
비교: 딕셔너리 뷰 vs 물리적 딕셔너리 테이블
| 구분 | 사용자 뷰 (USER_*) | 물리적 테이블 (SYS.*) |
|---|---|---|
| 접근 대상 | 현재 사용자의 객체만 | 시스템 전체의 객체 |
| 권한 | 일반 사용자도 조회 가능 | DBA만 접근 가능 |
| 관심도 | 자신의 스키마 파악 | 시스템 수준 분석 |
- 📢 섹션 요약 비유: 백화점 안내 데스크 (데이터 딕셔너리)에서 파는 물건 (일반 데이터)은 아니지만, 파는 물건의 위치, 가격, 재고 정보 (메타데이터)를 알려주는 것과 같습니다.
Ⅳ. 실무 적용 및 기술사적 판단
실무 시나리오
-
시나리오 — 새로운 응용 程序 개발: 개발자는 데이터 딕셔너리를 참조하여 기존 테이블 구조, 열 이름, 데이터 타입, 제약조건을 파악하고, 그에 맞는 ORM 모델을 생성하거나 SQL을 작성한다.
-
시나리오 — 데이터 마이그레이션: 데이터베이스 이전 시, USER_TABLES, USER_TAB_COLUMNS, USER_CONSTRAINTS 등을 조회하여 기존 구조를 문서화하고, 새 데이터베이스에서 동일한 구조를CREATE한다.
도입 체크리스트
- 기술적: 통계 정보가 최신 상태로 유지되도록 정기적인 ANALYZE를 수행하고 있는가?
- 운영·보안적: 데이터 딕셔너리에 대한 접근 로그를 감사하고 있는가?
안티패턴
-
통계 정보陈旧: ANALYZE를 수행하지 않으면 옵티마이저가 잘못된 실행 계획을 세워 성능 저하가 발생한다.
-
📢 섹션 요약 비유: 도서관目録이 最新版으로 업데이트되지 않으면,已经被 대출된 책이 "available"으로 표시되어 독자들이 헛걸음하는 것처럼, 통계 정보가陈旧면 옵티마이저가 잘못된 판단을 내릴 수 있습니다.
Ⅴ. 기대효과 및 결론
정량/정성 기대효과
| 구분 | 딕셔너리 미활용 | 딕셔너리 활용 | 개선 효과 |
|---|---|---|---|
| 정량 | 스키마 파악 시간 수일 | 수시간~수일 | 분석 시간 60% 절감 |
| 정성 | 구조 불일치로 인한 버그 | 명확한 구조로 인한少的 버그 | 개발 생산성 향상 |
미래 전망
-
자동 메타데이터 관리: AI가 데이터 사용 패턴을 分析하여 자동으로 메타데이터를生成·更新
-
데이터 계보 (Data Lineage): 데이터 흐름과 변환 이력을 자동으로 추적하여 규정 준수와 품질 관리 향상
-
📢 섹션 요약 비유: 옛날에는 手動으로card目録을 작성했지만, 요즘은 바코드 스캐너로 입출고가 자동記録되어目録이 자동으로 업데이트되는 것처럼, 데이터 딕셔너리도 AI로 자동 관리되는 방향으로 진화하고 있습니다.
📌 관련 개념 맵 (Knowledge Graph)
| 개념 명칭 | 관계 및 시너지 설명 |
|---|---|
| 메타데이터 | 데이터를 설명하는 데이터로, 데이터 딕셔너리의 핵심 내용이다. |
| 카탈로그 | 데이터 딕셔너리와 동일한 개념으로, 일부 DBMS에서 사용되는 용어다. |
| 스키마 | 데이터베이스 구조를 정의하는 청사진으로, 딕셔너리에 저장·관리된다. |
| 옵티마이저 | 쿼리 실행 계획을 세울 때 딕셔너리의 통계 정보를 참조한다. |
| DDL | CREATE, ALTER, DROP 등의 명령으로 스키마를 변경하면 딕셔너리가 자동 갱신된다. |
👶 어린이를 위한 3줄 비유 설명
- 데이터 딕셔너리는 도서관의 컴퓨터 검색 시스템이에요. 어떤 책이 있는지, 어디에 있는지, 누가 빌렸는지를 컴퓨터로 바로 찾을 수 있죠.
- 컴퓨터에 책 정보를 미리 입력해두면, 사서님이 일일이 책장을 뒤지지 않아도 빠르게 찾을 수 있어요.
- 데이터베이스에서도 데이터 딕셔너리가 있으면, 어떤 표 (테이블)가 있는지, 각 표에 무슨 정보가 저장되어 있는지 쉽게 알 수 있어요!