[빅데이터분석기사 필기] Ⅰ.빅데이터 분석 기획 - 03. 데이터 수집 및 저장 계획(1)

키워드🔑
빅데이터 처리, 데이터 수집, ETL, FTP, Sqoop, Crawling, RSS, Scrpy, Apache Kafka, Flume, Scribe, Chukwa

03. 데이터 수집 및 저장 계획

1. 데이터 수집 및 전환

< 데이터 처리 기술 >

• 필터링: 목적에 맞지 않는 정보를 필터링 하여 분석시간 및 저장공간을 효율적으로 사용
  • 정형 데이터: 오류발견, 보정, 삭제, 중복성 검사 등
  • 비정형 데이터: 자연어 처리, 기계학습과 같은 추가 기술 적용 → 오류 및 중복과 같은 저품질 데이터 필터링
• 변환: 분석하기 쉽도록 일관성 있는 형식으로 변환
  • 평활화, 집계, 일반화, 정규화, 속성 생성 기술을 사용
• 정제: 데이터의 불일치성을 교정하기 위함
  • 결측값 처리, 잡음(Noise) 처리 기술을 활용
• 통합: 출저는 다르지만 상호연관성이 있는 데이터들 → 하나로 결합
  • 연관 관계 분석 등을 통해 중복 데이터 검출 필요
• 축소: 분석에 불필요한 데이터 축소
  • 데이터의 고유한 특성은 손상되지 않도록 → 분석 효율성 ↑

1) 데이터 수집

(1) 데이터 수집 프로세스
📌 수집 데이터 도출 → 목록 작성 → 데이터 소유기관 파악 및 협의 → 데이터 유형 분류 및 확인(포맷 등) → 수집 기술 선정(포맷에 맞게) → 수집 계획서 작성 → 수집 주기 결정 → 데이터 수집 실행

• 수집 데이터 도출: 빅데이터 서비스 제공 시 서비스의 품질을 결정하는 중요한 핵심 업무
• 목록 작성: 수집 가능성, 보안, 정확성, 수집 비용 등을 검토
• 수집 기술 선정: 다양한 유형의 데이터 수집을 위해 확장성, 안정성, 실시간성, 유연성 확보 필요
• 수집 주기 결정: 데이터 유형에 따라 배치 or 실시간 방식을 적용

(2) 수집 데이터의 대상
📌 데이터 위치에 따라 외부 or 내부

• 내부 데이터: 조직(인프라 내부), 주로 수집하기 쉬운 정형 데이터, 서비스 수명 주기 관리 용이
  • 서비스: SCM, ERP, CRM, 포털, 인증 시스템, 거래 시스템 등
  • 네트워크: 백본, 방화벽, 스위치, IPS 등
  • 마케팅: VOC 접수, 고객 포털 시스템 등

💡
SCM(Supply Chain Management, 공급사슬관리) 이란,
부품 제공업자로부터 생산자, 배포자, 고객에 이르는 물류 흐름을 하나의 가치사슬 관점에서 파악하고,
필요한 정보가 원활히 흐르도록 지원하는 시스템을 말한다.
기업이 외부 공급업체 또는 제휴업체와 통합된 정보시스템으로 연계하여
시간과 비용을 최적화시키기 위한 것으로, 자재구매, 생산/재고, 유통/판매, 고객데이터로 구성된다.

💡
ERP(Enterprise Resource Planning, 전사적 자원 관리) 란,
회사의 모든 정보, 공급사슬관리, 고객 주문정보까지 포함하여 통합적으로 관리하는 시스템을 말한다.

💡
CRM(Customer Relationship Management, 고객 관계관리) 이란,
소비자들을 자신의 고객으로 만들고 장기간 유지하고자 하는 경영방식이며,
고객에 대한 정보를 분석/저장하는 데에 사용하는 넓은 분야를 아우른다.

• 외부 데이터: 주직(인프라) 외부, 주로 수집하기 어려운 비정형 데이터
  • 소셜: SNS, 커뮤니티, 게시판
  • 네트워크: 센서 데이터, 장비 간 발생로그(M2M; Machine 2 Machine)
  • 공공: 정부에서 공개한 공공 데이터(LOD; Linkded Open Data)

---

(3) 데이터 수집 방식 및 기술
📌 정형, 비정형, 반정형 → 데이터 유형에 따라 적합한 방식이 다르다

정형 데이터 수집	비정형 데이터 수집	반정형 데이터 수집
-ETL: 추출, 변환, 적재 -FTP: 파일 송수신 프로토콜 -API: 실시간 데이터 수신 인터페이스 -DBToDB: 데이터베이스간 동기화 -Rsync: 일대일 동기화 -Sqoop: RDBMS와 하둡간 데이터 전송	-크롤링: 웹사이트에서 데이터수집 RSS: XML기반 프로토콜 활용 -Open API: 실시간 데이터 수신 -스크래파이: 파이썬 기반 크롤링 -아파치 카프카: 데용량 실시간 로그 처리	-센싱: 센서 데이터 -스트리밍: 미디어 실시간 수집 -플럼: 분산형 대량 로그 수집 기술 -스크라이브: 대량 실시간 로그 수집 기술 -척와: 대규모 분산 시스템 모니터링

• 정형 데이터 수집 방식 및 기술: ETL, FTP, API, DBToDB, Rsync, Sqoop
  • ETL: 추출(Extract), 변환(Transform), 적재(Load)
    • 데이터를 추출, 변환하여 데이터 웨어하우스 DW() 및 데이터 마트(DM)에 저장하는 기술
    • 데이터 조회 or 분석을 목적으로 적절한 포맷 or 구조로 데이터를 변환한다

    💡
    데이터 웨어하우스(Data Warehouse)란,
    DB 축적된 데이터를 공통 형식으로 변환해서 관리하는 저장소
    여기서 관리하는 데이터들은 시간의 흐름에 따라 변화하는 값을 유지한다
    

    💡
    데이터 마트(Data Mart)란, DW에서 데이터를 꺼내 사용자에게 제공하는 역할이며,
    특정 사용자가 관심을 가지고 있는 데이터를 담은 비교적 작은 규모의 DW이다
    따라서, 재무/ 생산/ 운영 등과 같이 특정 조직의 특정 업무 분야에 초점을 맞추어 구축된다
    

  • FTP: File Transfer Protocol, 파일 송수신 응용계층 통신 프로토콜
    • 원격지 시스템 간 파일 공유를 위한 서버-클라이언트 모델
    • TCP/IP 프로토콜을 기반으로 서버, 클라이언트 사이에서 파일 송수신
    • Active FTP: 클라이언트가 포트를 알려주면 데이터 전송해주는 방식
    • Passive FTP: 서버가 포트를 알려주면 데이터 가져가는 방식
  • API: Application Programming Interface, 실시간 데이터 수신 기능을 제공하는 인터페이스 기술
    • 솔루션 제조사 및 3rd party 소프트웨어로 제공되는 도구
  • DBToDB: 데이터베이스 시스템 간 데이터 동기화 및 전송 기능
  • Rsync: Remote Sync, 서버-클라이언트 방식, 수집 대상 시스템과 일대일로 파일 및 디렉터리를 동기화
  • 스쿱(Sqoop): 커넥터를 사용하여 RDBMS와 하둡 간 데이터 전송
    • 전송, 수집 등 모든 적재 과정이 자동화, 병렬 처리 방식
    • 스쿱 특징: 벌크 임포트 지원(한번에 전송), 데이터 전송 병렬화, 직접입력 제공, 프로그래밍 방식의 데이터 인터렉션
    • 툴: Import(가져오기), Export(내보내기), Job(생성 및 실행) Metastore, Merge(데이터셋 병합)

---

• 비정형 데이터 수집 방식 및 기술: 크롤링, RSS, Open API, 스크래파이, 아파치 카프카
  • 크롤링(Crawling): 웹 사이트로부터 컨텐츠를 수집
  • RSS(Rich Site Summary): XML 기반으로 정보를 배포하는 프로토콜을 활용한 데이터 수집 기술
  • Open API: 응용 프로그램을 통해 실시간 데이터 수신
  • 스크래파이(Scrapy): Python 기반 비정형 데이터 수집 기술
    • 웹 사이트를 크롤링하여 구조화된 데이터 수집
    • 주요기능: Spider, Selector, Items, Pipelines, Settings
  • 아파치 카프카(Apache Kafka): 대용량 실시간 로그 처리를 위한 분산 스트리밍 플랫폼
    • 레코드 스트림을 발행, 구독하는 방식(기존 메시징 시스템과 유사)
    • 특징: 신뢰성, 확장성 제공(수평 확장 및 분산 처리 가능)
    • 주요 기능: 소스(수집영역), 채널(소스와 싱크간 버퍼구간), 싱크(전달 및 저장), 인터프리터(가공)

---

• 반정형 데이터 수집 방식 및 기술: 센싱, 스트리밍, 플럼, 스크라이브, 척와
  • 센싱(Sensing): 센서 데이터 → 네트워크로 수집 및 활용
  • 스트리밍(Streaming): 네트워크로 미디어 데이터를 실시간 수집(센서, 오디오, 비디오 등)
  • 플럼/스크라이브/척와의 활용은 점차 증가하는중
  • 플럼(Flume): 분산형 대용량 로그 수집 기술, 이벤트, 에이전트 활용
    • 발행/구독 모델: 풀(Pull) 방식으로 부하 감소, 고성능 기능 제공
    • 고가용성(High Availiability) 제공: 클러스터 구성, 분산 처리를 통해 고가용성 서비스 제공 가능
    • 파일 기반 저장방식: 데이터를 디스크에 순차 저장
    • 주요 기능: 소스(이벤트를 전달하는 컨테이너), 채널(이벤트 전달 통로), 싱크(이벤트 저장 및 전달)

    💡
    풀 방식이란, 사용자가 자신이 원하는 정보를 요청할 때, 서버에서 정보를 전송하는 기법을 말한다
    푸시 방식은 반대로, 사용자가 요청하지 않아도 자동으로 원하는 정보를 제공하는 기법이다
    

    • 스크라이브(Scribe): 대용량 실시간 로그 수집 기술
      • 다수의 서버로부터 실시간 스트리밍 로그 데이터를 수집하여 분산 시스템에 저장한다
      • 데이터 수집 다양성: 클라이언트 서버 타입에 상관없이 로그 수집 가능
      • 고가용성: 단일 중앙 서버 장애 → 다중 로컬 서버에서 저장
    • 척와(Chukwa): 대규모 분산 시스템 모니터링을 위한 에이전트-컬렉터 구성의 데이터 수집 기술
      • 분산된 서버에서 에이전트 실행 → 컬렉터가 데이터 수집 → HDFS에 저장 및 실시간 분석 기능 제공
      • 특징: HDFS 연동, 실시간 분석, 청크 단위 처리
      • 구성: 에이전트(데이터 수집), 컬렉터(데이터를 주기적으로 HDFS에 저장)
      • 데이터 처리: 아카이빙(Archiving, 시간 순서로 그룹핑), 디먹스(Demux, 키-값 쌍으로 척와레코드 생성 및 저장)
      • 척와는 비정형, 반정형 데이터 수집 둘 다 사용된다고 한다

---