스트림 처리(stream processing)는 풍부한 지식이 되기 위해 배경 지식(background knowledge)과의 통합을 요구한다. 유망한 접근으로, 스트리밍 데이터와 연결된 오픈 데이터(linked open data)를 결합하는 일이 중요해지고 있다. 그러나 연결 데이터는 동적으로 변화하므로, 분산된 데이터 소스를 완벽하고 매끄럽게 동기화하는 것은 불가능하다. 동기화의 높은 비용을 줄이기 위해 원격 소스의 로컬 복사본을 저장하는 물질화 뷰(materialized views) (또는 views)가 사용되지만, 이는 스트림 처리의 정확도를 저하시킬 수 있다. 응답 시간과 정확도 사이의 균형을 맞추기 위해 최근 연구들은 새로 고침 예산(refresh budget)—즉, 원격 소스에 대한 뷰 업데이트에 할당되는 제한된 비용—을 관리한다. 그러나 이들은 예산을 적절히 할당하지 못하며, 촉박한 마감(deadline)이 주어질 때 낮은 정확도를 산출한다. 이 문제를 해결하기 위해, 우리는 뷰 업데이트에 대한 새로 고침 예산을 효율적으로 할당하는 방법을 제안한다. 제안된 방법은 배경(background)에서와 동시에 요청(on demand) 시에도 뷰를 업데이트한다. 실제 데이터와 합성 데이터 세트를 대상으로 한 실험 결과는, 제안된 방법이 답변의 오래됨(answer staleness), 자원 활용(resource utilization), 그리고 새로 고침 예산 사용(refresh budget usage) 측면에서 우수성을 달성함을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.