Brain💡 핵심 인사이트 ROLAP(Relational OLAP)은 "관계형 데이터베이스에 저장된 정규화된 데이터를 기반으로 SQL 질의를 통해 실시간으로 분석하는" OLAP 방식입니다. MOLAP처럼 사전 계산된 큐브를 생성하지 않으므로, 대용량 데이터도 항상 최신 상태로 분석할 수 있습니다. 그러나 복잡한 다중 조인과 집계 계산이 필요하므로, 응답 속도는 MOLAP보다 느릴 수밖에 없습니다. 그러나 최근 하드웨어 성능 향상과 최적화 기법의 발전으로 그 격차가 줄어드는 추세입니다.
Ⅰ. ROLAP의 작동 원리: SQL을 통한 분석
ROLAP은 다차원 데이터 구조를 생성하지 않고, 기존의 관계형 테이블 구조를 그대로 활용합니다. 분석가는 스타 스키마 또는 스노우플레이크 스키마로 설계된 테이블에 대해 SQL의 GROUP BY, aggregate functions, JOIN 등을 사용하여 분석을 수행합니다.
[ROLAP 분석 예시]
분석 질문: "2024년 1분기 지역별 제품 카테고리별 매출 합계"
SQL 질의 (ROLAP):
SELECT
t.연도,
t.분기,
d.지역,
p.카테고리,
SUM(f.매출액) AS 총매출
FROM
판매_팩트 f
JOIN 시간_차원 t ON f.시간_키 = t.시간_키
JOIN 지점_차원 d ON f.지점_키 = d.지점_키
JOIN 제품_차원 p ON f.제품_키 = p.제품_키
WHERE
t.연도 = 2024
AND t.분기 = '2024Q1'
GROUP BY
t.연도, t.분기, d.지역, p.카테고리
ORDER BY
p.카테고리, d.지역;
ROLAP 엔진의 처리 과정:
1. [파싱] SQL 구문 분석 및 최적화
2. [조인] 팩트-차원 테이블 조인 실행
3. [필터링] WHERE 조건에 맞는 행 선택
4. [집계] GROUP BY 기준 그룹화 및 SUM 계산
5. [정렬] ORDER BY 기준 정렬
6. [결과 반환] 분석 결과Set 클라이언트에 전송
ROLAP의 핵심: 데이터는 관계형 테이블에 원본 그대로 저장됩니다. 분석 시 질의Optimizer가 최적으로 실행 계획을 세우고, 필요할 때마다 실시간으로 계산이 이루어집니다.
Ⅱ. ROLAP의 구조적 특징: 정규화 데이터 모델
ROLAP은 정규화된 테이블 구조를 사용합니다. 이는 스타 스키마 또는 스노우플레이크 스키마 형태를 취합니다.
[ROLAP 환경의 테이블 구조]
┌─────────────────────────────────────────────────────────────────┐
│ ROLAP 테이블 구조 │
├─────────────────────────────────────────────────────────────────┤
│ │
│ ┌────────────┐ ┌────────────┐ ┌────────────┐ │
│ │ 시간_차원 │ │ 제품_차원 │ │ 고객_차원 │ │
│ ├────────────┤ ├────────────┤ ├────────────┤ │
│ │ 시간_키(PK) │ │ 제품_키(PK) │ │ 고객_키(PK) │ │
│ │ 연도 │ │ 제품명 │ │ 고객명 │ │
│ │ 분기 │ │ 카테고리 │ │ 등급 │ │
│ │ 월 │ │ 브랜드 │ │ 지역 │ │
│ │ 일 │ │ 제조사 │ │ ... │ │
│ └────────────┘ └────────────┘ └────────────┘ │
│ │ │ │ │
│ │ │ │ │
│ └──────────────────┼──────────────────┘ │
│ │ │
│ ┌──────┴──────┐ │
│ │ 판매_팩트 │ │
│ ├─────────────┤ │
│ │ 판매_키(PK) │ │
│ │ 시간_키(FK) │ │
│ │ 제품_키(FK) │ │
│ │ 고객_키(FK) │ │
│ │ 매출액 │ │
│ │ 판매수량 │ │
│ └─────────────┘ │
│ │
│ 모든 테이블이 정규화되어 중복 최소화 │
│ 조인을 통해 다차원 분석 수행 │
└─────────────────────────────────────────────────────────────────┘
ROLAP의 저장 공간 효율성: 정규화된 구조 덕분에 데이터 중복이 최소화됩니다. "제조사 주소" 같은 정보가 팩트 테이블에 반복되지 않고, 제조사 테이블에서 한 번만 저장됩니다.
Ⅲ. ROLAP vs MOLAP: 근본적 차이와 Trade-off
[MOLAP vs ROLAP 핵심 비교]
┌─────────────────┬────────────────────────┬────────────────────────┐
│ 항목 │ MOLAP │ ROLAP │
├─────────────────┼────────────────────────┼────────────────────────┤
│ 데이터 저장 형태 │ 사전 계산된 다차원 큐브 │ 정규화된 관계형 테이블 │
├─────────────────┼────────────────────────┼────────────────────────┤
│ 질의 성능 │ 매우 빠름 (사전 계산) │ 상대적으로 느림 (실시간 계산)│
├─────────────────┼────────────────────────┼────────────────────────┤
│ 데이터 갱신 │ 전체/부분 큐브 재처리 필요 │ 실시간/증분 UPDATE 가능 │
├─────────────────┼────────────────────────┼────────────────────────┤
│ 저장 공간 │ 큐브 + 원본 데이터 (较多) │ 원본 데이터만 (较少) │
├─────────────────┼────────────────────────┼────────────────────────┤
│ 데이터 모델 유연성 │ 낮음 (사전 정의된 차원만) │ 높음 (ad-hoc 분석 가능) │
├─────────────────┼────────────────────────┼────────────────────────┤
│ 대용량 데이터 처리 │ 제한적 (큐브 크기 한계) │ 원리적으로 무제한 │
├─────────────────┼────────────────────────┼────────────────────────┤
│ 구현 복잡성 │ 큐브 설계 및 관리 필요 │ 기존 RDBMS 활용 │
├─────────────────┼────────────────────────┼────────────────────────┤
│ 데이터 Freshness │ 배치 갱신 주기에 의존 │ 실시간에 가까움 │
└─────────────────┴────────────────────────┴────────────────────────┘
MOLAP이 뛰어난 경우:
- 분석 질의의 패턴이 예측 가능하고 고정적인 경우
- 응답 시간 요구가 매우 엄격한 경우
- 데이터 규모가 수천만 건 수준인 경우
ROLAP이 뛰어난 경우:
- 데이터 규모가 수억 건 이상으로非常大的 경우
- 분석 패턴이 자주 변경되는 ad-hoc 분석 환경
- 실시간 데이터 분석이 필요한 경우
- 새로운 차원/속성이 자주 추가되는 유연한 환경
Ⅳ. ROLAP 성능 최적화 기법
ROLAP의 느린 질의 성능을 극복하기 위한 Various 최적화 기법들이 존재합니다.
1. 집계 테이블(Aggregate Table) 자주 사용되는 "분기별 매출, 월별 매출, 지역별 매출"을 미리 계산한 테이블을 별도로 유지합니다. 이는 스노우플레이크 스키마의 개념과 유사합니다.
[집계 테이블 예시]
-- 기본 팩트 테이블
SELECT 시간_키, 제품_키, SUM(매출액)
FROM 판매_팩트
GROUP BY 시간_키, 제품_키;
-- 사전 계산된 집계 테이블
CREATE TABLE 월별_매출_집계 AS
SELECT
EXTRACT(YEAR FROM 날짜) AS 연도,
EXTRACT(MONTH FROM 날짜) AS 월,
제품_카테고리,
SUM(매출액) AS 월_총_매출
FROM 원본_판매데이터
GROUP BY 1, 2, 3;
2. 인덱싱 전략
- bitmap 인덱스: 차원 키에 대해 bitmap 인덱스를 생성하면, 다중 조건 필터링이 극도로 빨라집니다.
- 클러스터드 인덱스: 팩트 테이블을 시간 순으로 클러스터링하면, 시간 범위 분석이 빨라집니다.
- 결합 인덱스: 자주 함께 查询되는 차원 키 조합에 대한 인덱스 생성합니다.
3. 물리적 설계
- 파티셔닝: 팩트 테이블을 시간 또는 지역 기준으로 수평 분할합니다.
- 압축: 列単位 압축으로 디스크 I/O를 줄입니다.
- 비정규화: 읽기 전용에 최적화된 비정규화 차원 테이블 유지합니다.
Ⅴ. ROLAP의 실제 적용과 📢 비유
주요 ROLAP 도구:
- Amazon Redshift: 클라우드 기반의 列指向 스토어로 ROLAP에 최적화
- Google BigQuery: 서버리스로 대용량 SQL 분석 제공
- Snowflake: 클라우드 데이터웨어하우스로 ROLAP/HOLAP Hybrid 지원
- Apache Presto/Trino: 분산 SQL 쿼리 엔진으로 다양한 데이터 소스 분석
클라우드 ROLAP의进化: 최근 클라우드 데이터 웨어하우스는 스토리지와 컴퓨팅 분리(Storage-Compute Separation) 아키텍처를 도입하여, ROLAP의 단점이던 성능 문제를 해결하고 있습니다. 무제한 스토리지 + 필요 시 자동 확장되는 컴퓨팅으로, 대용량 데이터의 빠른 분석이 가능해졌습니다.
📢 섹션 요약 비유: ROLAP은 **"그냥_LIBRARY의 即時 조회 시스템에 비유"**할 수 있습니다. 도서관에서 "서울대학교的所有中文图书"를 찾고 싶다면, MOLAP은 이미 해당 결과를 색인표에 나눠서 정리해둔 것과 같습니다. 반면 ROLAP은 해당 분류的全书籍를 실제 찾아보는 것입니다. 시간이 더 걸리지만, 항상 최신 정보를 얻을 수 있고, "中文图书 중 2024년 이후 발행된 것"처럼 조건을 바꿔도 즉시 다시 검색할 수 있습니다. 마치 ROLAP이 Ad-hoc 분석에 유연하게 대응하는 것처럼, 即時 조회는 새로운 查询要求にもその場で対応できます。