A middleware for workload-aware manipulation of RDF data stored into NoSQL databases

Abstract

A Web Semântica tem quase 20 anos e muitos avanços foram propostos para atender a essa visão desde o artigo seminal de Berners-Lee et al., publicado em 2001. Entre esses avanços, os padrões propostos pelo W3C, como RDF e SPARQL, alcançaram uma versão madura e atualmente são empregados em muitos projetos acadêmicos e da indústria. Repositórios de grandes grafos RDF, chamados triplestores, são um tópico importante na área de gerenciamento de informações e conhecimento. Os triplestores evoluíram lado a lado com a pesquisa de banco de dados e, desde o advento dos bancos de dados NoSQL, vários triplestores incluem essa família de bancos de dados em suas arquiteturas. Esta tese apresenta um triplestore chamado WA-RDF, proposto como um middleware para manipular dados no formato RDF, mantidos em bancos de dados NoSQL, através de SPARQL. O WA-RDF propõe uma camada de armazenamento poliglota que fornece contribuições principalmente nas áreas de pesquisa de fragmentação de dados, particionamento de dados e mapeamento de RDF para múltiplos bancos de dados NoSQL. Um componente de monitoramento da carga de operações (WAc) é o pilar central do WA-RDF. Ele permite que, de acordo com o formato da consulta da carga de trabalho típica em um grafo RDF, o WA-RDF encontre a melhor estratégia de mapeamento para reduzir o tempo de resposta da consulta. Três rodadas diferentes de avaliações experimentais são descritas na tese. A primeira compara nossa proposta com um banco de dados multimodelo, demonstrando como uma solução de persistência poliglota baseada em um único modelo de acesso pode facilitar o desenvolvimento de aplicações. Em seguida, o middleware é comparado com trabalhos relacionados recentes usando o WatDiv, um benchmark RDF/SPARQL moderno e popular. Por fim, analisa-se a aplicação do WA-RDF no domínio de trajetórias semânticas de objetos em movimento.

Abstract: The Semantic Web has almost 20 years and many advances were proposed in order to meet this vision since the seminal paper of Berners-Lee et al., published in 2001. Among these advances, the standards guided by W3C, like RDF and SPARQL, achieved a mature version and are currently employed in many academic and industry projects. Repositories of large RDF graphs, called triplestores, are an important topic on information and knowledge management area. The triplestores evolved hand-to-hand with the database research, and since the advent of the NoSQL database, several triplestores include this family of databases in their architectures. This thesis presents a triplestore called WA-RDF (Workload-aware RDF), which is proposed as a middleware to manipulate data maintained by NoSQL databases using RDF and SPARQL. WA-RDF proposes a polyglot NoSQL storage layer that provides contributions mainly on data fragmentation, data partitioning and RDF-to-NoSQL mapping research areas. A Workload Awareness component (WAc) is the central pillar of WA-RDF. It allows that, accordingly to the query shape of typical workload over a RDF graph, WA-RDF finds the better mapping strategy in order to reduce the query response time. Three different rounds of experimental evaluations are described in the thesis. The first one compares our proposal to a multimodel database, demonstrating how a polyglot persistence solution based on a single access model can facilitate the development of applications. Then, the middleware is compared to recent baselines by using WatDiv, a modern and popular RDF/SPARQL benchmark. Finally, it is analyzed the application of WA-RDF in the domain of semantic trajectories of moving objects.