[論文レビュー] An Experimental Investigation of XML Compression Tools

Sherif Sakr|ArXiv.org|May 31, 2008

Algorithms and Data Compression参考文献 18被引用数 7

ひとこと要約

本論文は、57種類の多様なXMLドキュメントを対象に、9種類の最先端のXML圧縮ツールについて、圧縮比、速度、実用性の観点から包括的な実験的評価を実施している。研究では、一般向け圧縮ツール（gzip や XMLGzip）が、専用のXMLに特化したツールよりも実世界でのパフォーマンスが優れていることが判明した。XMLに配慮した技術による圧縮比の向上は限定的であり、安定的でオープンソースのクエリ可能な圧縮ツールおよび再現可能なベンチマーク手法の必要性が浮き彫りになった。

ABSTRACT

This paper presents an extensive experimental study of the state-of-the-art of XML compression tools. The study reports the behavior of nine XML compressors using a large corpus of XML documents which covers the different natures and scales of XML documents. In addition to assessing and comparing the performance characteristics of the evaluated XML compression tools, the study tries to assess the effectiveness and practicality of using these tools in the real world. Finally, we provide some guidelines and recommen- dations which are useful for helping developers and users for making an effective decision for selecting the most suitable XML compression tool for their needs.

研究の動機と目的

• 実世界のシナリオにおける最先端のXML圧縮ツールの性能を評価・比較すること。
• 圧縮比、速度、リソース使用量の観点から、XMLに配慮した圧縮ツールと一般向けテキスト圧縮ツールの実用性と有効性を評価すること。
• 現在の実装におけるギャップ、特にソースコードの入手可能性とクエリ可能な圧縮のサポートに関する課題を特定すること。
• 特定の要件（速度、圧縮比、クエリサポートなど）に応じて、開発者やユーザーが最適なXML圧縮ツールを選択するための実用的ガイドラインを提供すること。

提案手法

• 57種類の多様なXMLドキュメント（さまざまなデータタイプとスケールを反映）を含むコーパスを用いて、9種類の公開済みXML圧縮ツールを評価した。
• 2つのテスト環境（異なるシステムリソースを備える）で、圧縮および解凍時間、圧縮比、リソース使用量を測定した。
• 公平な比較と最適なパフォーマンス設定を確保するため、各ツールに対してチューニング済みのパラメータを適用した。
• 圧縮比、処理時間、統合指標に基づく重み付けを施した複数のランク付け関数を用いて、ツール全体の有効性を評価した。
• 構造認識の有無（XML無視型 vs. XML認識型）、クエリサポートの有無（クエリ可能型 vs. 非クエリ可能型）、圧縮モード（オンライン型 vs. オフライン型）の観点からツールを分類した。
• 再現可能性と結果の透明性を確保するため、公開済みのWebページから結果を収集・分析した。

実験結果

リサーチクエスチョン

• RQ1 XMLに配慮した圧縮ツールは、一般向けテキスト圧縮ツールと比較して、圧縮比とパフォーマンスの面でどの程度異なるか？
• RQ2 システムリソース（例：RAM）の違いが、PPM や XWRT のようなメモリ集約型圧縮ツールのパフォーマンスに与える影響は何か？
• RQ3 どの圧縮ツールが、圧縮比、速度、および圧縮済みデータの直接クエリ可能機能の間で最も良いトレードオフを実現しているか？
• RQ4 XMLに配慮した圧縮技術は、一般向け圧縮ツールが達成する水準を上回る圧縮効果を、どの程度顕著に向上させられるか？
• RQ5 クエリ可能なおよびスキーマに依存するXML圧縮ツールの採用を妨げる実用的障壁は何か。それらはどのように克服できるか？

主な発見

• gzip と XMLGzip は、すべてのランク付け関数において一貫して上位にランク付けされ、圧縮比と速度のバランスが最良であった。
• XMLに配慮した圧縮ツールの多くは、その基盤となる一般向け圧縮ツール（例：gzip、bzip2、PPM）と比較して、圧縮比に顕著な向上を示さなかった。圧縮比の向上は5％を下回るケースがほとんどであった。
• 圧縮および解処理時間は、ツールのランク付けにおいて極めて重要な要因であり、圧縮比のわずかな向上を上回る影響を持っていた。
• スキーマ依存型およびクエリ可能なXML圧縮ツールは依然として未発達であり、特に文法ベースのアプローチでは、安定的で公開済みの実装が極めて少ない。
• 多くのツール、特にクエリ可能なタイプでは、公開済みのソースコードが存在せず、研究間での再現性や公平な比較が損なわれている。
• 本研究は、XMillのコアなイノベーション（構造的部分とデータ部分を分離して的確に圧縮）が依然として基盤的役割を果たしていることを確認したが、その後のツールはこのモデルを著しく超えて進化していない。