[정처기 실기] 데이터베이스 입출력 구현

정보처리기사 실기 시험이 얼마 남지 않았다. 발등에 불이 떨어져서 열심히 하긴 해야하는데... 이번주에 너무 공부가 하기 싫을 때, 데이터베이스 부분이 가장 쉬웠기 때문에(나에게) 손이라도 움직이자 싶어 정리해둔 내용이다. 이번에는 꼭 정처기를 딸 수 있기를!!

데이터 저장소

1. 데이터 모델

1. 데이터 모델의 개념
   • 현실 세계의 정보를 인간과 컴퓨터가 이해할 수 있도록 추상화하여 표현한 모델이다.
   • 데이터모젤에 표시해야할 요소에는 논리적 데이터 구조, 연산, 제약 조건이 있다.
     - 구조 Structure
     - 데이터베이스에 논리적으로 표현될 대상으로서의 개체 타입과 개체 타입 간의 관계
     - 데이터 구조 및 정적 성질을 표현하는 요소
     - 연산 Operation
     - 데이터베이스에 저장된 실제 데이터를 처리하는 작업에 대한 명세로서 데이터베이스를 조작하는 요소
     - 릴레이션을 조작하기 위한 관계 연산을 나타냄 SELECT, PROJECT, JOIN, DIVISION
     - 제약조건 Constraint
     - 데이터베이스에 저장될 수 있는 실제 데이터의 논리적인 제약 조건
     - 데이터 무결성 유지를 위한 DB의 보편적 방법
     - 릴레이션의 특정 컬럼에 설정하는 제약을 의미 (개체 무결성, 참조 무결성 등)
2. 데이터 모델 절차
   1. 순서
      요구사항 분석 -> 개념적 데이터 모델 -> 논리적 데이터 모델 -> 물리적 데이터 모델
   2. 요구조건 분석
      • 도출된 요구사항 간 상풍을 해결하고 범위를 파악하여 외부 환경과의 상호 작용 분석을 통해 데이터에 대한 요구 분석
   3. 개념적 설계 (개념적 데이터 모델)
      • 사용자의 요구에 대한 트랜잭션을 모델링하는 단계
      • 개념적 데이터 모델은 현실 세계에 대한 인식을 추상적, 개념적으로 표현하여 개념적 구조를 도출하는 데이터 모델
   4. 논리적 설계 (논리적 데이터 모델)
      • 트랜잭션의 인터페이스를 설계하는 단계
      • DBMS에 맞는 논리적 스키마를 설계하는 단계
      • 논리적 데이터 모델은 업무의 모습을 모델링 표기법으로 형상화여 사람이 이해하기 쉽게 표형한 데이터 모델
   5. 물리적 설계 (물리적 데이터 모델)
      • 물리적 설계는 논리 데이터 모델을 특정 DBMS의 특성 및 성능을 고려하여 물리적은 스키마를 만드는 단계
      • 물리적 데이터 모델은 논리 데이터 모델을 사용하고자 하는 각 DBMS의 특성 및 성능을 고려하여 데이터베이스 저장 구조(물리 데이터 모델)로 변환하는 모델
      • 물리적 설계는 논리 데이터 모델을 특정 DBMS의 특성 및 성능을 고려하여 물리적은 스키마를 만드는 단계
      • 물리적 데이터 모겔은 논리 데이터 모델을 사용하고 하는 각 DBMS의 특성을 고려하여 데이터베이스 저장 구조(물리 데이터 모델)로 변환하는 모델

2. 논리 데이터 모델

1. 논리 데이터 모델링 개념

2. 논리적 데이터 모델링 종류

3. 관계 데이터 모델

4. 개체-관계 (E-R) 모델

5. 정규화
   1) 이상현상 (Anomaly)
   : 데이터의 중복성으로 인해 릴레이션을 조작할 때 발생하는 비합리적 현상이다.
   - 종류
   - 삽입 이상 Insertion Anomaly
   : 릴레이션에 데이터를 삽입할 때 의도와는 상관없이 원하지 않은 값들도 함께 삽입되는 현상. 테이블에 일부 데이터만 삽입하려고 해도, 다른 칼럼에 대한 데이터를 필수적으로 입력해야 할 때 발생
   - 삭제 이상 Deletion Anomaly
   : 릴레이션에서 한 튜플을 삭제할 때 의도와는 상관없는 값들도 함께 삭제되는 연쇄가 일어나는 현상. 한 데이터가 다른 데이터랑 결합되어 있을 경우, 삭제시에 불필요한 데이터 손실이 발생하는 현상.
   - 갱신 이상 Update Anomaly
   : 릴레이션에서 튜플에 있는 속성값을 갱신할 대 일부 튜플의 정보만 갱신되어 정보의 모슨이 생기는 현상. 동일한 데이터가 여러 행에 중복 저장되어 있을 경우, 한 곳에서 데이터를 수정하면 다른 행의 데이터와 불일치가 발생하는 현상.
   2) 함수 종속 Functional Dependency
   - 개념
   함수 종속은 릴레이션에서 속성의 의미와 속성 간 상호 관계로 부터 발생하는 제약조건이다.
   - 결정자 / 종속자
   - X -> Y 관계일 때 X는 결정자, Y는 종속자이다.
   - 종류
   - 부분 함수 종속 Partial Functional Dependency
   : 릴레이션에서 기본키가 복합 키일 경우 기본 키를 구성하는 속성 중 일부에게 종속된 경우
   - 완전 함수 종속 Full Functional Dependency
   : 릴레이션에서 X -> Y 관계가 있을 때, Y는 X의 전체 속성에 대해 종속하고, 부분 집합 속성에 종속하지 않는 경우
   - 이행 함수 종속 Transitive Functional Dependency
   : 릴레이션에서 X -> Y, Y -> Z 종속 관계가 있을 때, X -> Z가 성립되는 경우
   3) 정규화(Normalization)의 개념
   - 데이터베이스 정규화 단계

6. 반 정규화
   1) 반 정규화 De-Nomalization 개념
   - 정규화된 엔터티, 속성, 관계에 대해 성능 향상과 개발 운영의 단순화를 위해 중복 통합, 분리 등을 수행하는 데이터 모델링의 기법이다.
   - 비정규화, 역정규화라고도 불린다.
   2) 반 정규화 특징
   - 장점
   : 반 정규화된 데이터 구조는 성능 향상과 관히의 효율성이 증가.
   - 단점
   : 데이터의 일관성 및 정합성 저하. 유지를 위한 비용이 별도로 발생하여 성능에 나쁜 영향을 미칠 수 있음.
   - 반 정규화를 위해서는 데이터의 일관성과 무결성을 우선으로 할지, 데이터베이스의 성능과 단순화에 우선순위를 둘 것인지를 비교하여 조정하는 과정이 중요하다.
   3) 반 정규화 기법

3. 물리 데이터 모델

1. 데이터베이스 무결성
   1) 데이터베이스 무결성 Database Integrity 개념
   - 데이터 무결성은 데이터베이스에 저장된 데이터 값이 그것과 표현하는 현실 세계의 실제 값이 일치하는 성질이다.
   - 데이터의 무결성을 유지하는 것은 데이터베이스 관리 시스템(DBMS)의 중요한 기능이며, 주로 데이터에 적용되는 연산에 제한을 두어 데이터의 무결성을 유지한다.
   - 무결성은 권한이 있는 사용자로부터 데이터베이스를 보호하는 특징이 있다.
   2) 데이터베이스 무결성 종류
   - 개체 무결성 Entity Integrity
   - 한 엔터티에서 같은 기본키(PK)를 가질 수 없거나, 기본키(PK)의 속성이 NULL을 허용할 수 없는 제약 조건
   - 주요 기법 : 기본키, 유니크 인덱스
   - 참조 무결성 Referential Integrity
   - 외래키가 참조하는 다른 개체의 기본키에 해당하는 값이 기본키 값이나 NULL이어야 하는 제약조건
   - 주요기법 : 외래키 Foreign Key
   - 속성 무결성 Attribute Integrity
   - 속성의 값은 기본값, NULL 여부, 도메인 (데이터 타입, 길이)이 지정된 규칙을 준수해야 하는 제약조건
   - 주요 기법 : 체크 Check, NULL / NOT NULL, 기본값 DEFAULT
   - 사용자 무결성 User-Defined Integrity
   - 사용자의 의미적 요구사항을 준수해야하는 제약조건
   - 주요기법 : 트리거 Trigger, 사용자 정의 데이터 타입 User Defined Data Type
   - 키 무결성 Key Integrity
   - 한 릴레이션에서 같은 키 값을 가진 튜플들을 허용할 수 없는 제약조건
   - 주요기법 : 유니크 Unique
2. 키
   1) 키 Key 개념
   - 키는 데이터베이스에서 조건을 만족하는 튜플을 찾거나 순서대로 정렬할 때 다른 튜플들과 구별할 수 있는 기준이 되는 속성이다.
   2) 키 특성
   - 유일성 Uniqueness
   - 식별자에 의해 엔터티 내에 모든 튜플들을 유일하게 구분하는 특성
   - 최소성 Minimality
   - 최소한의 속성으로 식별자를 구성하는 특성
   3) 키 종류
   - 기본키
   - 테이블의 각 튜플들을 고유하게 식별하는 컬럼
   - 대체키
   - 후보키 중에서 기본키로 선택되지 않은 키
   - 후보키
   - 테이블에서 각 튜플들을 구별하는데 기준이 되는 컬럼
   - 기본키와 대체키를 합친 키
   - 슈퍼키
   - 릴레이션을 구성하는 모든 튜플에 대해 유일성을 만족하지만, 최소성은 만족하지 못하는키
   - 외래키
   - 한 릴레이션의 컬럼이 다른 릴레이션의 기본키로 이용되는 키
   - 테이블 간 참조 데이터 무결성을 위한 제약조건
3. 인덱스
   • 인덱스는 검색 연산의 최적화를 위해 데이터베이스 내 열에 대한 정보를 구성한 데이터 구조이다.
   • 인덱스를 통해 전체 데이터의 검색 없이 필요한 정보에 대해 신속한 조회가 가능하다.
4. 파티셔닝
   1) 파티셔닝 Partitioning 개념
   - 파티셔닝은 테이블 또는 인덱스 데이터를 파티션 Partition 단위로 나누어 저장하는 기법이다.
   2) 파티셔닝 유형
   - 레인지 파티셔닝 Range Partitioning
   - 레인지 파티셔닝은 연속적인 숫자나 날짜를 기준으로 하는 파티셔닝 기법이다.
   - 손쉬운 관리 기법을 제공하여 관리 시간의 단축이 가능하다.
   - 예) 우편번호, 일별, 월별, 분기별 등의 데이터의 적합
   - 테이블에 포함된 컬럼의 "가입월일" 중 월을 기준으로 파티션에 저장
   - 해시 파티셔닝 Hash Partitioning
   - 해시파티셔닝은 파티션 키의 해시 함수 값에 의한 파티셔닝 기법이다.
   - 균등한 데이터 분할이 가능하고 질의 성능이 향상 가능하다.
   - 예) 파티션을 위한 범위가 없는 데이터에 적합
   - 테이블에 포함된 컬럼의 "이름"값을 해시 함수에 넣었을 때 결과값을 기준으로 파티션에 저장
   - 리스트 파티셔닝 List Partitioning
   - 리스트 파티셔닝은 특정 파티션에 저장될 데이터에 대한 명시적 제어가 가능한 파티셔닝 기법이다.
   - 분포도가 비슷하고 데이터가 많은 SQL에서 컬럼의 조건이 많이 들어오는 경우 유용하게 사용할 수 있다.
   - 예) 한국, 일본, 중국 -> 아시아. 노르웨이, 스웨덴, 핀란드 -> 북유럽
   - 테이블에 포함된 컬럼의 "주소" 값 중 도시 이름을 기준으로 파티션에 저장
   - 컴포지트 파티셔닝 Composite Partitioning
   - 컴포지트 파티셔닝은 레인지 파티셔닝, 해시 파티셔닝, 리스트 파티셔닝 중 2개 이상의 파티셔닝을 결합하는 파티셔닝 기법이다.
   - 큰 파티션에 대한 I/O 요청을 여러 파티션으로 분산할 수 있다.
   - 예) 레인지 파티셔닝할 수 있는 컬럼이다, 파티션이 너무 커서 효과적으로 관리할 수 없을 때 유용
   - 테이블에 포함된 컬럼의 "가입월일" 중 월(레인지 파티셔닝)과 테이블에 포함된 컬럼의 "주소" 값 중 도시 이름(리스트 파티셔닝)을 동시에 만족하는 파티션에 저장
   - 라운드 로빈 Round-Robin
   - 라운드 로빈은 라운드 로빈으로 회전하면서 새로운 행을 파치션에 할당하는 기법이다.
   - 파티션에 행의 고른 분포를 원할 때 사용한다.

데이터베이스 기초 활용

1. 데이터 베이스 종류

1. 데이터 베이스
   1. 개념
      • 데이터베이스는 다수의 인원, 시스템 또는 프로그램이 사용할 목적으로 통합하여 관리되는 데이터의 집합이다.
      • 데이터에 관한 효과적인 관리를 위해 자료의 중복성 제거, 무결성 확보, 일관성 유지, 유용성 보장이 중요하다.
      • 데이터 베이스는 통합된 데이터, 저장된 데이터, 운영 데이터, 공용 데이터이다.
      • 통합된 데이터 Integrated Data : 자료의 중복을 배제한 데이터의 모임
      • 저장된 데이터 Stored Data : 저장 매체에 저장된 데이터
      • 운영 데이터 Operational Data : 조직의 업무를 수행하는 데 필요한 데이터
      • 공용 데이터 Shared Data : 여러 애플리케이션, 시스템들이 공동으로 사용하는 데이터
   2. 데이터베이스 특성
      • 실시간 접근성 Real - Time Accessibility : 쿼리에 대하여 실시간 응답이 가능해야 한다는 특성
      • 계속적인 변화 Continuous Evolution : 새로운 데이터의 삽입 Insert, 삭제 Delete, 갱신 Update으로 항상 최신의 데이터를 유지한다는 특성
      • 동시 공용 Concurrent Sharing : 다수의 사용자가 동시에 같은 내용의 데이터를 이용할 수 있어야한다는 특성
      • 내용 참조 Content Reference : 데이터베이스에 있는 데이터를 참조할 때 데이터 레코드의 주소나 위치에 의해서가 아니라, 사용자가 요구하는 데이터 내용으로 데이터를 찾아야 한다는 특성
   3. DBMS Database Management System 개념
      • DBMS는 데이터 관리의 복잡성을 해결하는 동시에 데이터 추가, 변경, 검색, 삭제 및 백업, 복구, 보안 등의 기능을 지원하는 소프트웨어이다.
      • 저장되는 정보는 텍스트, 이미지, 음악파일, 지도 데이터 등 매우 다양하며, SNS의 발달과 빅데이터의 폭넓은 활용으로 인해 데이터의 종류와 양은 급격히 증가하는 중이다.
2. 데이터베이스 저장 기술
   1. 데이터 웨어하우스
      1. 데이터 웨어하우스(DW; Data Warehouse) 개념
         • 데이터 웨어하우스는 사용자의 의사결정에 도움을 주기 위하여, 기간 시스템의 데이터베이스에 축적된 데이터를 공통 형식으로 변환해서 관리하는 데이터베이스이다.
      2. 데이터 웨어하우스 특징
         • 데이터 웨어하우스는 주제 지향적, 통합적, 시계열적, 비휘발적 특징이 있다.
         • 주제 지향적 Subject Oriented : 기능이나 업무가 아닌 주제 중심적으로 구성되는 특징
         • 통합적 Integrated : 데이터의 일관성을 유지하면서 전사적 관점에서 하나로 통합되는 특징
         • 시계열적 Timevariant : 시간에 따른 변경을 항상 반영하고 있다는 특징
         • 비휘발적 Non-Volatile : 적재가 완료되면 읽기 전용 형태의 스냅 샷 형태로 존재한다는 특징
   2. 데이터 마트
      1. 데이터 마트 (DM; Data Mart) 개념
         • 데이터 마트는 전사적으로 구축된 데이터 속의 특정 주제, 부서 중심으로 구축된 소규모 단위 주제의 데이터 웨어하우스이다.
      2. 데이터 마트 특징
         • 데이터 웨어하우스DW 환경에서 정의된 접근 계층으로, 데이터 웨어 하우스에서 데이터를 꺼내 사용자에게 제공하는 역할을 한다.
         • 데이터 웨어하우스의 부분이며, 대개 특정한 조직 혹은 팀에서 사용하는 것을 목젓으로 한다.
      3. 빅데이터 특성
         • 데이터의 양 Volume
           - 페타바이트 수준의 대규모 데이터
           - 빅데이터 분석 규모에 관련된 특성
           - 디지털 정보량이 기하급수적으로 폭증하는 것을 의미
         • 데이터의 다양성 Variety
           - 정형, 비정형, 반정형의 다양한 데이터
           - 빅데이터 자원 유형에 관련된 틀성
           - 로그, 소셜, 위치 등 데이터 유형이 다양해지는 것을 의미
         • 데이터의 속도 Velocity
           - 빠르게 증가하고 수집되며, 처리되는 데이터
           - 빅데이터 수진, 분석, 활용 속도와 관련된 특성
           - 가치 있는 정보 활용을 위해 실시간 분석이 중요해지는 것을 의미
   3. 하둡
      1. 하둡 Hadoop
         • 하둡은 오픈 소스를 시반으로 한 분산 컴퓨팅 플랫폼이다.
         • 일반 PC급 컴퓨터들로 가상화된 대형 스토리지를 형성하고 그 안에 보관된 거대한 데이터 세트를 병렬로 처리할 수 있도록 개발된 자바 소프트웨어 프레임워크이다.
      2. 하둡 주요 기술
         • 데이터 수집
           - ETL (Extract Transform Load)
           데이터 분석을 위한 데이터를 데이터 저장소인 DW(Data Warehouse) 및 DM (Data Mart)으로 이동시키기 위해 다양한 소스 시스템으로부터 필여한 원본 데이터를 추출(Extract)하고 변환(Transform)하여 적재(Load)하는 작업 및 기술
           - 플럼 Flume
           많은 양의 로그 데이터를 효율적으로 수집, 집계, 이동하기 위해 이벤트(Event)와 에이전트(Agent)를 활용하는 기술
           - 스쿱 Sqoop
           커넥터(Connector)를 사용하여 관계형 데이터베이스 시스템(RDBMS)에서 하둡 파일 시스템(HDFS)으로 데이터를 수집하거나, 하둡 파일 시스템에서 관계형 데이터베이스로 데이터를 보내는 기술
           - 스크래파이 Scrapy
           파이썬 언어 기반의 비정형 데이터 수집 기술
         • 분산 데이터 저장
           - HDFS (Hadoop Distributed File System)
           대용향 게이터릐 집합을 처리하는 응용 프로그램에 적합하도록 설계된 하둡 분산 파일 시스템
         • 분산 데이터 처리
           - 맵 리듀스 Map Reduce
           구글에서 대용량 데이터 처리를 분산 병렬 컴퓨팅에서 처리하기 위한 목적으로 제작하여 2004년에 발표한 소프트웨어 프레임워크
      3. NoSQL
         1. NoSQL(Not Only SQL)의 개념
            • NoSQL은 전통적인 RDBMS와 다른 DBMS를 지칭하기 위한 용어로 데이터 저장에 고정된 테이블 스키마가 필요하지 않고 조인(Join) 연산을 사용할 수 없으며, 수평적으로 확장이 가능한 DBMS이다.
         2. NoSQL의 특성(BASE)
            • Basically Available
              - 언제든지 데이터는 접근할 수 있어야 하는 속성
              - 분산 시스템이기 때문에 항상 가용성 중시
            • Soft - State
              - 노드의 상태는 내부에 포함된 정보에 의해 결정되는 것이 아니라 외부에서 전송쇤 정보를 통해 결정되는 속성
              - 특정 시점에서는 데이터의 일관성이 보장되지 않음
            • Eventually Consistency
              - 일정 시간이 지나면 데이터의 일관성이 유지되는 속성
              - 일관성을 중시하고 지향
         3. NoSQL의 유형
            • Key-Value Store
              - Unique한 Key에 하나의 Value를 가지고 있는 형태
              - 키 기반 Get/Put/Delete 제공하는 빅데이터 처리 가능 DB
              - 예) Redis, DynamoDB
            • Column Family Data Store
              - Key 안에 (Column, Value) 조합으로 된 여러 개의 필드를 갖는 DB
              - 테이블 기반, 조인 미지원, 컬럼 기반, 구글의 Bigtable 기반으로 구현
              - 예) Hbase, Cassandra
            • Document Store
              - Value의 데이터 타입이 Document라는 타입을 사용하는 DB
              - Document 타입은 XML, JSON, YAML과 같이 구조환된 데이터 타입으로, 복잡한 계층 구조를 표현할 수 있음
              - 예) MongoDB, Couchbase
            • Graph Store
              - 시멘틱 웹과 올톨로지 분야에서 활용되는 그래프로 데이터를 표현하는 DB
              - 예) Neo4j, AllegroGragh
   4. 데이터 마이닝
      1. 데이터 마이닝 Data Mining 개념
         • 데이터 마이닝은 대규모로 저장된 데이터 안에서 체계적이고 자동적으로 통계적 규칙이나 패턴을 찾아내는 기술이다.
         • 데이처 마이닝은 대규모 데이터에서 의미 있는 패턴을 파악하거나 예측하여 의사결정에 활용하는 기법이다.
         • 데이터 마이닝은 데이터의 숨겨진 정보를 찾아내어 이를 기반으로 서비스와 제품에 도입하는 과정이다.
         • 통계분석은 가설이나 가정에 따른 분석, 검증을 하지만 데이터 마이닝은 수리 알고리즘을 활용하여 대규모 데이터에서 의미 있는 정보를 찾아낸다.
      2. 데이터 마이닝 주요 기법
         • 데이터 마이닝의 주요 기법에는 분류 규칙, 연관 규칙, 연속 규칙, 데이터 군집화가 있다.
         • 주요 기법
           - 분류 규칙 Classification
           - 과거 데이터로부터 특성을 찾아내어 분류모형을 만들어 이를 토대로 새로운 레코드의 결과 값을 예측하는 기법
           - 마케팅, 고객 신용평가 모형에 활용
           - 예) 우수 고객의 분류 모형 구축으로 마케팅 활용
           - 연관 규칙 Association
           - 데이터 안에 존재하는 항목들 간의 종속관계를 찾아내는 기법
           - 제품이나 서비스의 교차판매, 매장 진열, 사기 적발 등 다양한 분야에서 활용
           - 예) 넥타이 구매 고객의 50% 이상이 셔츠를 구매한다는 정보 분석을 통해 매장의 상품 진열
           - 연속 규칙 Sequence
           - 연관 규칙에 시간 관련 정보가 포함된 형태의 기법
           - 개인별 트랜잭션 이력 데이터를 시계열적으로 분석하여 트랜잭션의 향후 발생 가능성 예측
           - 예) A 품목을 구매한 회원이 B 품목을 구매할 확률은 75%
           - 데이터 군집화 Clustering
           - 대상 레코드들을 유사한 특성을 지닌 몇 개의 소그룹으로 분할하는 작업으로 작업의 특성이 분류규칙(Classification)과 유사
           - 정보가 없는 상태에서 데이터를 분류하는 기법
           - 분석대상에 결괏값이 없으며, 판촉 활동이나 이벤트 대상을 선정하는 데 활용
           - 예) 고객의 지역/연령/성별에 따른 차별화 홍보전략
   5. 데이터 관련 용어
      • 텍스트 마이닝 Text Mining
        - 대량의 텍스트 데이터로부터 패턴 또는 관계를 추출하여 의미 있는 정보를 찾아내는 기법
      • 웹 마이닝 Web Mining
        - 웹으로부터 얻어지는 방대한 양의 정보로부터 유용한 정보를 찾아내기 위하여 분석하는 기법
      • 다크 데이터 Dark Data
        - 수집된 후 저장은 되어있지만, 분석에 활용되지는 않는 다량의 데이터
      • 메타 데이터 Meta Data
        - 데이터에 대한 구조적인 데이터로서, 일련의 데이터를 정의하고 설명해 주는 데이터이고, 구축할 정보 자원을 기술하는 데이터
      • 디지털 아카이빙 Digital Archiving
        - 지속적으로 보존할 가치를 지는 디지텅 객체를 장기간 관리하여 이후의 이용을 보장할 수 있도록 변환, 압출 저장하여 DB화하는 작업
      • 마이 데이터 MyData
        - 정보 주체가 기관으로부터 자기 정보를 직접 내려받아 이용하거나 제3자 제공을 허용하는 방식으로 정보 주체 중심의 데이터 활용 체계
        - 개인이 정보 관리의 주체가 되어 능동적으로 본인의 정보를 관리하고, 본인의 의지에 따라 신용 및 자산관리 등에 정보를 활용하는 일련의 과정