مقاله ترجمه شده درباره یک مقایسه تجربی از پایگاه داده های گرافی – سال 2013
مشخصات مقاله:
عنوان فارسی مقاله:
یک مقایسه تجربی از پایگاه داده های گرافی
عنوان انگلیسی مقاله:
An empirical comparison of graph databases
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
مهندسی نرم افزار و رایانش ابری
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1.مقدمه
2. پشته TINKERPOP
3. GDB : معیار پایگاه داده گرافی
A . مقدمه
B . حجم های کاری
C . مرور کلی معماری
4. نتایج
A . آماده سازی عملی
B . حجم کاری بارگذاری
C . حجم های کار پیمایش
D . حجم های کاری فشرده
V . نتیجه گیری
قسمتی از مقاله انگلیسی و ترجمه آن:
I. INTRODUCTION
Big Data has to deal with two key issues: the growing size of the datasets and the increase of data complexity. Alternative database models such as graph databases are more and more used to address this second problem. Indeed, graphs can be used to model many interesting problems. For example, it is quite natural to represent a social network as a graph. With the recent emergence of many competing implementations, there is an increasing need for a comparative study between all these different solutions. Although the technology is relatively young, there have been already some comparison attempts. First, we can cite Angles’s qualitative analysis [2] that compares side-by-side the model and features provided by nine graph databases. Then, papers from Ciglan et al. [8] and Dominguez-Sal et al. [5] evaluate current graph databases from a performance point of view, but unfortunately only consider loading and graph traversal operations. Concerning graph databases benchmarking systems, there exist to our knowledge only two alternatives. First, there is the HPC Scalable Graph Analysis Benchmark1, that evaluates databases using four types of operations (kernels): (1) bulk load of the database; (2) find all the edges that have the largest weight; (3) explore the graph from a couple of source vertices; (4) compute the betweenness centrality.
1. مقدمه
داده های بزرگ به دو موضوع رسیدگی کرده اند : اندازه در حال رشد مجموعه های داده و افزایش پیچیدگی داده . مدل‌های پایگاه داده‌ای جایگزین مانند پایگاه داده های گرافی اغلب برای نشان دادن این مشکل دوم بکار می روند. درواقع، گراف‌ها می توانند برای مدلسازی بسیاری از مشکلات جالب توجه بکار روند . با پیدایش اخیر بسیاری از پیاده سازی های رقابتی، نیاز فزاینده ای به یک مطالعه مقایسه ای بین همه این راه حل های مختلف وجود دارد. اگرچه این تکنولوژی نسبتا جدید است ، پیش از این چند تلاش مقایسه ای وجود داشته است. ابتدا ، می توانیم آنالیز کیفی Angles [2]را ذکر کنیم ، که دو مدل پهلو به پهلو و ویژگی های ارائه شده توسط نه پایگاه داده گرافی را مقایسه می کند . سپس ، مقاله هایی از Ciglan و همکارانش [8] و Dominguez-Sal و همکارانش [5] پایگاه داده های گرافی اخیر را از نقطه نظر کارایی ارزیابی میکنند ، اما متاسفانه تنها عملیات بارگذاری و پیمایش گراف را درنظر می گیرند . درخصوص سیستم های الگوبرداری پایگاه داده های گرافی ، برای اطلاع ما تنها دو جایگزین وجود دارد .. اول ، معیار آنالیز گرافی با مقياس پذيري نامحدود HPC ، که پایگاههای داده را با استفاده از چهار نوع از عملیات ( شالوده ها ) ارزیابی می کند : 1) بارگذاری دسته ای پایگاه های داده ، 2 ) یافتن تمام کناره هایی که بیشترین وزن را دارند ، 3) کشف گراف از مجموعه ای از رئوس منبع 4 ) محاسبه مرکزیت میانوند .
