Learned Index는 기계 학습을 데이터 인덱스 구조에 적용하여 데이터 분포를 학습하고 탐색 성능을 향상시키는 기법이다. 기존 Learned Index는 데이터 분포 변경 시 모델 재학습이 필요해 실시간 업데이트를 지원하지 못하는 한계가 있어, Updatable Learned Index 연구가 활발히 진행되고 있다. 본 논문은 In-place 방식에 집중하며, 이는 인덱스 생성 시 리프 노드에 여유 공간을 미리 할당하고 삽입 데이터를 이 공간에 기록하는 방식으로 동작한다. 이러한 설계는 삽입 성능을 향상시키지만 인덱스 크기를 증가시키는 요인이 된다. ALEX는 공간 효율성을 중시하여 인덱스 크기를 작게 유지하는 반면, LIPP는 더 많은 공간을 사용하여 삽입 성능을 개선하는 구조를 채택한다. 본 연구는 두 인덱스의 구조적 차이를 분석하고, 동일한 인덱스 크기 조건에서 성능을 비교하여 인덱스 크기와 성능 간의 상충관계를 정량적으로 평가한다.

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