The Journal of the Korea Contents Association (한국콘텐츠학회논문지)

The Korea Contents Association (한국콘텐츠학회)
권호 표지
DOI QR코드

DOI QR Code

Efficient k-Nearest Neighbor Query Processing Method for a Large Location Data

대용량 위치 데이터에서 효율적인 k-최근접 질의 처리 기법

  • 최도진 (충북대학교 정보통신공학과) ;
  • 임종태 (충북대학교 정보통신공학과) ;
  • 유승훈 (충북대학교 정보통신공학과) ;
  • 복경수 (충북대학교 정보통신공학과) ;
  • 유재수 (충북대학교 정보통신공학과)
  • Received : 2017.07.18
  • Accepted : 2017.08.04
  • Published : 2017.08.28
Download PDF
⟨ Previous Next ⟩

Abstract

With the growing popularity of smart devices, various location based services have been providing to users. Recently, some location based social applications that combine social services and location based services have been emerged. The demands of a k-nearest neighbors(k-NN) query which finds k closest locations from a user location are increased in the location based social network services. In this paper, we propose an approximate k-NN query processing method for fast response time in a large number of users environments. The proposed method performs efficient stream processing using big data distributed processing technologies. In this paper, we also propose a modified grid index method for indexing a large amount of location data. The proposed query processing method first retrieves the related cells by considering a user movement. By doing so, it can make an approximate k results set. In order to show the superiority of the proposed method, we conduct various performance evaluations with the existing method.

스마트 기기의 대중화로 다양한 위치 기반 서비스가 제공되고 있다. 최근에는 소셜 서비스와 결합한 위치 기반 소셜 서비스들이 생겨나고 있다. 이러한 위치 기반 소셜 네트워크 서비스에서는 사용자 중심의 가장 가까운 위치를 검색하는 k-최근접 질의 처리의 요구가 증가된다. 본 논문에서는 대규모 사용자 환경에서 질의를 효율적으로 처리하기 위한 근사 k-최근접 질의 처리 기법을 제안한다. 제안하는 기법은 빅데이터 분산 처리기술을 활용하여 효율적인 스트림 처리를 수행한다. 본 논문에서는 대량의 위치 데이터에 대한 색인을 위해 전통적인 그리드 색인 기법을 변형한 색인 기법을 제안한다. 제안하는 질의 처리기법은 사용자의 진행방향을 고려하여 해당 셀을 우선적으로 탐색한다. 이를 통해 k개의 근사 결과 집합을 생성할 수 있다. 제안하는 기법의 우수성을 입증하기 위해 기존 기법과 다양한 성능 평가를 수행한다.

Keywords

References

  1. https://facebook.com/
  2. https://ko.foursquare.com/
  3. https://www.tripadvisor.com/
  4. https://www.wechat.com/ko/
  5. http://www.kakao.com/talk
  6. C. Li, Y. Gu, J. Qi, G. Yu, R. Zhang, and W. Yi, "Processing Moving kNN Queries Using Influential Neighbor Sets," Proceedings of the VLDB Endowment, Vol.8, No.2, pp.113-124, 2014. https://doi.org/10.14778/2735471.2735473
  7. X. Yi, R. Paulet, E. Bertino, and V. Varadharajan, "Practical k Nearest Neighbor Queries with Location Privacy," Proc. International Conference on Data Engineering, pp.640-651, 2014.
  8. C. Ji, B. Wang, S. Tao, J. Wu, Z. Wang, L. Tang, T. Zu, and G. Zhao, "Inverted Voronoi-Based kNN Query Processing with MapReduce," Proc. International Conference on Trust, Security, and Privacy in Computing and Communications, pp.2263-2268, 2016.
  9. W. Kim, Y. Kim, and L. Shim, "Parallel Computation of k-Nearest Neighbor Joins Using MapReduce," Proc. International Conference on Big Data, pp.696-705, 2016.
  10. J. Maillo, S. Ramirez, I. Triguero, and F. Herrera, "kNN-IS: An Iterative Spark-based Design of The k-Nearest Neighbors Classifier for Big Data," Knowledge Based Systems, Vol.117, pp.3-15, 2017. https://doi.org/10.1016/j.knosys.2016.06.012
  11. Z. Yu, Y. Liu, X. Yu, and K. Q. Pu, "Scalable Distributed Processing of K Nearest Neighbor Queries over Moving Objects," IEEE Transactions on Knowledge and Data Engineering, Vol.27, No.5, pp.1383-1396, 2016. https://doi.org/10.1109/TKDE.2014.2364046
  12. A. K. Haidar, D. Taniar, and M. Safar, "Approximate Algorithms for Static and Continuous Range Queries in Mobile Navigation," Computing, Vol.95, No.10-11, pp.949-976, 2013. https://doi.org/10.1007/s00607-012-0219-7
  13. C. Fu and D. Cai, "Efanna: An Extremely Fast Approximate Nearest Neighbor Search Algorithm Based on kNN Graph," arXiv preprint arXiv:1609.07228, 2016.
  14. L. Ai, J. Yu, Z. Wu, Y. He, and T. Guan, "Optimized Residual Vector Quantization for Efficient Approximate Nearest Neighbor Search," Multimedia Systems, Vol.23, No.2, pp.169-181, 2017. https://doi.org/10.1007/s00530-015-0470-9
  15. L. Verdoliva, D. Cozzolino, and G. Poggi, "A Reliable Order-Statistics-Based Approximate Nearest Neighbor Search Algorithm," IEEE Transactions on Image Processing, Vol.26, No.1, pp.237-250, 2017. https://doi.org/10.1109/TIP.2016.2624141
  16. W. Xue, X. Y. Hong, N. Zhao, R. L. Yang, and L. Zhang, "Predicting Protein Subcellular Localization by Approximate Nearest Neighbor Searching," Proc, Chinese Control And Decision Conference, pp.2842-2846, 2017.
  17. M. Zaharia, T. Das, H. Li, S. Shenker, and I. Stoica, "Discretized Streams: An Efficient and Fault-Tolerant Model for Stream Processing on Large Clusters," Proc. USENIX Workshop on Hot Topics in Cloud Computing, 2012.
  18. M. Zaharia, M. Chowdhury, M. J. Franklin, S. Shenker, and I. Stoica, "Spark: Cluster Computing with Working Sets," Proc. USENIX Workshop on Hot Topics in Cloud Computing, 2010.
  19. L. Neumeyer, B. Robbins, A. Nair, and A. Kesari, "S4: Distributed stream computing platform," Proc. International Conference Data Mining Workshops, pp.170-177, 2010.
  20. 복경수, 육미선, 노연우, 한지은, 김연우, 임종태, 유재수, "빅데이터 환경에서 스트림 질의 처리를 위한 인메모리 기반 점진적 처리 기법," 한국콘텐츠학회논문지, 제16권, 제2호, pp.163-173, 2016. https://doi.org/10.5392/JKCA.2016.16.02.163
  21. http://data.go.kr/
  22. X. Xiong, M. F. Mokbel, and W. G. Aref, "Sea-cnn: Scalable Processing of Continuous k-Nearest Neighbor Queries in Spatio-Temporal Databases," Proc. International Conference on In Data Engineering, pp.643-654, 2005.
  23. 신동희, 김용문, "국내 재난관리 분야의 빅 데이터 활용 정책방안," 한국콘텐츠학회논문지, 제15권, 제2호, pp.377-392, 2015. https://doi.org/10.5392/JKCA.2015.15.02.377
  24. 김연우, 김병훈, 고건식, 최민웅, 송희섭, 김기훈, 유승훈, 임종태, 복경수, 유재수, "실시간 기상 빅데이터를 활용한 홍수 재난안전 시스템 설계 및 구현," 한국콘텐츠학회논문지, 제17권, 제1호, pp.351-362, 2017. https://doi.org/10.5392/JKCA.2017.17.01.351