Pular para o conteúdo principal

NoAM - NoSQL Abstract Model @ artigo Data modeling in the NoSQL world

Paolo Atzeni, Francesca Bugiotti, Luca Cabibbo, Riccardo Torlone,

Data modeling in the NoSQL world, Computer Standards & Interfaces, Volume 67, 2020, 103149, ISSN 0920-5489,
https://doi.org/10.1016/j.csi.2016.10.003.

A proposta do artigo é apresentar um modelo de dados abstrato para bancos de dados NoSQL, chamado NoAM (NoSQL Abstract Model) assim como uma metodologia de projeto de banco de dados com atividades iniciais (conceitual e lógica) independentes do modelo de dados NoSQL onde será implementado.

Os autores demostram a metodologia usando um exemplo de aplicação de Jogos Online

O modelo se baseia em agregação de dados no qual cada agregado é um grupo de objetos relacionados, representando uma unidade de acesso e distribuição atômica por parte da aplicação. Em outras palavras, "Unidade de acesso" é definida como um grupo de objetos relacionados para a qual o sistema oferece operações para acessar e manipular um unidade individual de cada vez, de maneira atômica, eficiente e escalável enquanto que "Unidade de distribuição" é definida como unidade totalmente armazenada em um servidor do cluster.

O modelo de dados NoAM é definido pelos autores da seguinte forma:
• Um banco de dados NoAM é um conjunto de coleções. Cada coleção possui um nome distinto.
• Uma coleção é um conjunto de blocos. Cada bloco em uma coleção é identificado por uma chave de bloco, que é única nessa coleção.
• Um bloco é um conjunto de entradas não vazio. Cada entrada é um par 〈ek, ev〉, onde ek é a chave de entrada (única dentro de seu bloco) e ev é seu valor (complexo ou escalar), chamado valor de entrada.

A metodologia NoAM é baseada nas seguintes etapas:
• modelagem conceitual de dados e projeto de agregados, para identificar as várias entidades, atributos e relações necessárias em um aplicativo, e agrupar entidades relacionadas em agregados;
• particionamento do agregado e projeto de banco de dados NoSQL de alto nível, onde os agregados são particionados em elementos de dados menores e depois mapeado para o modelo de dados intermediário NoAM;
• implementação, para mapear a representação intermediária em um NoSQL DataStore específico.

Os autores sugerem que a modelagem conceitual pode usar uma metodologia já conhecida como, por exemplo, o Domain Driven Design (DDD) para gerar um modelo UML de Classes ou Objetos. Esse modelo é usado como entrada para a atividade de identificação de agregados. Cada agregado tem uma entidade como sua raiz e também pode conter muitos objetos. Uma entidade e um grupo de objetos de valor são usados para definir um agregado e esses devem ser projetados como as unidades nas quais a atomicidade deve ser garantida assim como reduzir colisões de atualização simultânea. No NoAM cada classe de agregados é representada por meios de uma coleção distinta, e a coleção recebe o nome da classe, e cada indivíduo agregado é um bloco onde o identificador do agregado é usado como chave de bloco.

Na etapa seguinte, o particionamento do agregado pode ser baseado nas seguintes diretrizes:
• Em caso de agregado pequeno (!!!), ou todos ou a maioria dos dados forem acessados ou modificados juntos, deve ser representado por uma única entrada.
• Um agregado deve ser particionado em várias entradas se seu tamanho é grande (!!!) e existem operações que acessam ou modifique apenas partes específicas do agregado.
• Dois ou mais elementos de dados devem pertencer à mesma entrada se são freqüentemente acessados ou modificados juntos.
• Dois ou mais elementos de dados devem pertencer a entradas distintas se geralmente são acessados ou modificados separadamente.

No artigo os autores apresentam o resultado da terceira etapa da metodologia utilizando 3 NoSQL DataStores com modelos de dados diferentes: Oracle NoSQL, DynamoDB e MongoDB. 

Não foi usado um do tipo Grafo. Talvez pq esses não foram considerados como orientados a agregação de dados pelos autores

Além disso, os autores conduziram um pequeno experimento com 3 tipos de carga de trabalho no Oracle NoSQL comparando duas abordagens de particionamento do agregado. Com esse experimento, concluem que o projeto de banco de dados NoSQL devem ser feitos com cuidado, pois a forma que os agregados são particionados afeta consideravelmente o desempenho e a consistência das operações. Mas a figura 14 mostra uma tendência de equiparação dos tempos de resposta em ambas as abordagens a medida que o volume de dados aumenta (!!!). 
 
Um resumo em formato CANVAS do artigo está disponível aqui.



Comentários

Postar um comentário

Sinta-se a vontade para comentar. Críticas construtivas são sempre bem vindas.

Postagens mais visitadas deste blog

Aula 12: WordNet | Introdução à Linguagem de Programação Python *** com NLTK

 Fonte -> https://youtu.be/0OCq31jQ9E4 A WordNet do Brasil -> http://www.nilc.icmc.usp.br/wordnetbr/ NLTK  synsets = dada uma palavra acha todos os significados, pode informar a língua e a classe gramatical da palavra (substantivo, verbo, advérbio) from nltk.corpus import wordnet as wn wordnet.synset(xxxxxx).definition() = descrição do significado É possível extrair hipernimia, hiponimia, antonimos e os lemas (diferentes palavras/expressões com o mesmo significado) formando uma REDE LEXICAL. Com isso é possível calcular a distância entre 2 synset dentro do grafo.  Veja trecho de código abaixo: texto = 'útil' print('NOUN:', wordnet.synsets(texto, lang='por', pos=wordnet.NOUN)) texto = 'útil' print('ADJ:', wordnet.synsets(texto, lang='por', pos=wordnet.ADJ)) print(wordnet.synset('handy.s.01').definition()) texto = 'computador' for synset in wn.synsets(texto, lang='por', pos=wn.NOUN):     print('DEF:',s

truth makers AND truth bearers - Palestra Giancarlo no SBBD

Dando uma googada https://iep.utm.edu/truth/ There are two commonly accepted constraints on truth and falsehood:     Every proposition is true or false.         [Law of the Excluded Middle.]     No proposition is both true and false.         [Law of Non-contradiction.] What is the difference between a truth-maker and a truth bearer? Truth-bearers are either true or false; truth-makers are not since, not being representations, they cannot be said to be true, nor can they be said to be false . That's a second difference. Truth-bearers are 'bipolar,' either true or false; truth-makers are 'unipolar': all of them obtain. What are considered truth bearers?   A variety of truth bearers are considered – statements, beliefs, claims, assumptions, hypotheses, propositions, sentences, and utterances . When I speak of a fact . . . I mean the kind of thing that makes a proposition true or false. (Russell, 1972, p. 36.) “Truthmaker theories” hold that in order for any truthbe

DGL-KE : Deep Graph Library (DGL)

Fonte: https://towardsdatascience.com/introduction-to-knowledge-graph-embedding-with-dgl-ke-77ace6fb60ef Amazon recently launched DGL-KE, a software package that simplifies this process with simple command-line scripts. With DGL-KE , users can generate embeddings for very large graphs 2–5x faster than competing techniques. DGL-KE provides users the flexibility to select models used to generate embeddings and optimize performance by configuring hardware, data sampling parameters, and the loss function. To use this package effectively, however, it is important to understand how embeddings work and the optimizations available to compute them. This two-part blog series is designed to provide this information and get you ready to start taking advantage of DGL-KE . Finally, another class of graphs that is especially important for knowledge graphs are multigraphs . These are graphs that can have multiple (directed) edges between the same pair of nodes and can also contain loops. The