Giải pháp lưu trữ số lượng lớn các thực thể quan hệ trích xuất từ các bài báo mạng

Tài liệu nghiên cứu Giải pháp lưu trữ số lượng lớn các thực thể quan hệ trích xuất từ các bài báo mạng, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về .

• Tác giả: Đỗ Mạnh Cường
• Người hướng dẫn: TS. Trịnh Tuấn Đạt
• Trường học: Công nghệ thông tin và truyền thông
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Giải pháp lưu trữ số lượng lớn các thực thể quan hệ trích xuất từ các bài báo mạng
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• TÓM TẮT NỘI DUNG LUẬN VĂN
• 1. CHƯƠNG 1: CƠ SỞ LÝ THUYẾT
• 1.1. Đồ thị tri thức
• 1.2. Neo4j - Nơi lưu trữ dữ liệu
• 2. CHƯƠNG 2: GIẢI PHÁP VÀ ĐÓNG GÓP NỔI BẬT
• 2.1. Thiết kế mô hình lưu trữ dữ liệu
• 2.1.1. Đặc tả thông tin dữ liệu
• 2.1.2. Thiết kế mô hình dữ liệu
• 2.2. Công cụ sinh dữ liệu mô phỏng
• 2.3. Lựa chọn mô hình dữ liệu tối ưu
• 2.4. Hệ thống lưu trữ thực thể quan hệ
• 2.4.1. Kiến trúc hệ thống
• 2.4.2. Hệ thống REST API Service
• 2.5. Công cụ hướng dẫn sử dụng hệ thống
• 2.5.1. Xây dựng giao diện API Service
• 2.5.2. Xây dựng bộ hướng dẫn sử dụng để vận hành, bảo trì và triển khai cluster cho hệ thống CSDL
• 2.6. Triển khai cluster
• 2.7. Quản trị, vận hành và bảo trì hệ thống
• 3. CHƯƠNG 3: THỰC NGHIỆM
• 3.1. Môi trường thực nghiệm
• 3.2. Dữ liệu thực nghiệm
• 3.3. Đánh giá hiệu năng truy vấn thực nghiệm
• 3.3.1. Đánh giá mô hình dữ liệu
• 3.3.2. Đánh giá truy vấn hiệu năng hệ thống
• 4. CHƯƠNG 4: KẾT LUẬN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về giải pháp lưu trữ thực thể quan hệ từ bài báo mạng

Trong bối cảnh phát triển mạnh mẽ của các website, việc lưu trữ và quản lý thông tin từ các bài báo mạng trở nên cần thiết. Giải pháp lưu trữ thực thể quan hệ giúp tổ chức và phân tích dữ liệu hiệu quả hơn. Đặc biệt, với số lượng lớn dữ liệu, việc áp dụng công nghệ lưu trữ hiện đại là rất quan trọng.

1.1. Tầm quan trọng của việc lưu trữ dữ liệu

Lưu trữ dữ liệu không chỉ giúp bảo tồn thông tin mà còn hỗ trợ trong việc phân tích và ra quyết định. Các tổ chức cần có hệ thống lưu trữ hiệu quả để quản lý thông tin từ nhiều nguồn khác nhau.

1.2. Các loại dữ liệu cần lưu trữ

Dữ liệu từ bài báo mạng thường bao gồm văn bản, hình ảnh và các thực thể quan hệ. Việc phân loại và tổ chức dữ liệu này là rất quan trọng để dễ dàng truy xuất và phân tích sau này.

II. Thách thức trong việc lưu trữ thực thể quan hệ

Số lượng lớn các thực thể quan hệ từ bài báo mạng đặt ra nhiều thách thức cho việc lưu trữ. Các giải pháp truyền thống không thể đáp ứng yêu cầu về hiệu suất và khả năng mở rộng. Cần có những phương pháp mới để giải quyết vấn đề này.

2.1. Vấn đề hiệu suất trong lưu trữ

Khi số lượng dữ liệu tăng lên, hiệu suất truy vấn và lưu trữ trở thành vấn đề lớn. Các hệ thống cần được tối ưu hóa để xử lý khối lượng dữ liệu lớn mà không làm giảm tốc độ truy xuất.

2.2. Khó khăn trong quản lý dữ liệu

Quản lý dữ liệu phức tạp từ nhiều nguồn khác nhau là một thách thức lớn. Cần có các công cụ và phương pháp để tổ chức và duy trì tính nhất quán của dữ liệu.

III. Phương pháp tối ưu hóa lưu trữ thực thể quan hệ

Để giải quyết các thách thức trong việc lưu trữ thực thể quan hệ, cần áp dụng các phương pháp và công nghệ hiện đại. Việc sử dụng đồ thị tri thức là một trong những giải pháp hiệu quả nhất.

3.1. Sử dụng đồ thị tri thức trong lưu trữ

Đồ thị tri thức cho phép lưu trữ các thực thể và mối quan hệ giữa chúng một cách trực quan. Điều này giúp cải thiện khả năng truy vấn và phân tích dữ liệu.

3.2. Lựa chọn công nghệ lưu trữ phù hợp

Công nghệ như Neo4j cung cấp khả năng lưu trữ và truy vấn dữ liệu hiệu quả. Việc lựa chọn công nghệ phù hợp là rất quan trọng để đảm bảo hiệu suất cao.

3.3. Thiết kế mô hình dữ liệu tối ưu

Mô hình dữ liệu cần được thiết kế sao cho phù hợp với yêu cầu lưu trữ và truy vấn. Việc này giúp tối ưu hóa hiệu suất và giảm thiểu chi phí.

IV. Ứng dụng thực tiễn của giải pháp lưu trữ

Giải pháp lưu trữ thực thể quan hệ đã được áp dụng trong nhiều lĩnh vực khác nhau. Từ quản lý thông tin đến phân tích dữ liệu, các ứng dụng này mang lại giá trị lớn cho tổ chức.

4.1. Ứng dụng trong doanh nghiệp

Doanh nghiệp có thể sử dụng giải pháp này để quản lý thông tin khách hàng, sản phẩm và dịch vụ. Điều này giúp cải thiện quy trình ra quyết định và tăng cường hiệu quả kinh doanh.

4.2. Ứng dụng trong nghiên cứu

Trong lĩnh vực nghiên cứu, việc lưu trữ và phân tích dữ liệu từ các bài báo mạng giúp các nhà nghiên cứu theo dõi xu hướng và phát hiện các mối quan hệ mới.

V. Kết luận và tương lai của giải pháp lưu trữ

Giải pháp lưu trữ thực thể quan hệ từ bài báo mạng không chỉ giải quyết các vấn đề hiện tại mà còn mở ra nhiều cơ hội trong tương lai. Việc phát triển công nghệ và phương pháp mới sẽ tiếp tục cải thiện hiệu suất và khả năng quản lý dữ liệu.

5.1. Định hướng phát triển trong tương lai

Cần tiếp tục nghiên cứu và phát triển các công nghệ mới để cải thiện khả năng lưu trữ và truy vấn. Điều này sẽ giúp đáp ứng nhu cầu ngày càng cao của thị trường.

5.2. Tầm quan trọng của việc cập nhật công nghệ

Việc cập nhật công nghệ và phương pháp mới là rất quan trọng để duy trì tính cạnh tranh. Các tổ chức cần đầu tư vào nghiên cứu và phát triển để không bị tụt lại phía sau.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của các website và mạng xã hội, lượng thông tin được tạo ra hàng ngày là vô cùng lớn, đặc biệt là các bài báo mạng chứa nhiều thực thể quan hệ phức tạp. Theo ước tính, tổng số thực thể quan hệ trích xuất từ các bài báo mạng có thể lên tới hàng tỷ, tạo ra thách thức lớn trong việc lưu trữ và truy vấn hiệu quả. Việc thu thập và phân tích các thực thể quan hệ này đóng vai trò quan trọng trong nhiều lĩnh vực như an ninh quốc phòng, quản lý dịch vụ công, kinh doanh, bảo vệ thương hiệu, dự báo thị trường và đánh giá dư luận. Mục tiêu nghiên cứu của luận văn là phát triển giải pháp lưu trữ số lượng lớn các thực thể quan hệ trích xuất từ các bài báo mạng, tập trung vào việc xây dựng hệ thống lưu trữ và truy vấn dựa trên đồ thị tri thức, nhằm đảm bảo hiệu năng cao và khả năng mở rộng. Phạm vi nghiên cứu bao gồm thiết kế mô hình dữ liệu, xây dựng công cụ sinh dữ liệu mô phỏng, lựa chọn mô hình lưu trữ tối ưu, phát triển hệ thống lưu trữ thực thể quan hệ và công cụ hướng dẫn vận hành, bảo trì hệ thống. Nghiên cứu được thực hiện trong môi trường công nghệ thông tin tại Việt Nam, với dữ liệu mô phỏng tương đồng thực tế, góp phần nâng cao hiệu quả quản lý và khai thác thông tin trên mạng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: lý thuyết đồ thị tri thức (Knowledge Graph) và cơ sở dữ liệu đồ thị (Graph Database). Đồ thị tri thức là mô hình dữ liệu biểu diễn các thực thể và mối quan hệ giữa chúng dưới dạng các nút (node) và cạnh (relationship), giúp tích hợp và mã hóa ngữ nghĩa thông tin. Cơ sở dữ liệu đồ thị, đặc biệt là Neo4j, được lựa chọn làm nền tảng lưu trữ do khả năng xử lý lượng lớn dữ liệu quan hệ với hiệu năng truy vấn cao. Ba khái niệm chính được sử dụng gồm: node (đại diện thực thể như con người, tổ chức, sự kiện), relationship (mối quan hệ có hướng và loại giữa các node), và property (thuộc tính mô tả node hoặc relationship). Ngoài ra, ngôn ngữ truy vấn Cypher được áp dụng để khai thác dữ liệu từ đồ thị tri thức, hỗ trợ các phép duyệt (traversals) và truy vấn phức tạp.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là các thực thể quan hệ trích xuất tự động từ bài báo mạng, được mô phỏng bằng công cụ sinh dữ liệu tự động dựa trên file cấu hình JSON, cho phép tạo ra hàng triệu thực thể và mối quan hệ tương tự dữ liệu thực tế. Phương pháp phân tích bao gồm thiết kế và đánh giá bốn mô hình lưu trữ dữ liệu đồ thị khác nhau, sử dụng Neo4j làm hệ quản trị cơ sở dữ liệu đồ thị. Cỡ mẫu dữ liệu mô phỏng lên đến hàng chục triệu thực thể quan hệ để kiểm thử hiệu năng. Phương pháp chọn mẫu là sinh dữ liệu ngẫu nhiên theo cấu hình định sẵn nhằm đảm bảo tính đa dạng và đại diện. Quá trình nghiên cứu được thực hiện theo timeline gồm: khảo sát và lựa chọn công nghệ (tháng 1-3/2022), thiết kế mô hình và xây dựng công cụ sinh dữ liệu (tháng 4-6/2022), triển khai hệ thống và thực nghiệm đánh giá hiệu năng (tháng 7-9/2022), tổng hợp kết quả và hoàn thiện luận văn (tháng 10-12/2022).

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Lựa chọn mô hình lưu trữ dữ liệu tối ưu: Trong bốn mô hình lưu trữ được đánh giá, mô hình sử dụng relationship type trong các mối quan hệ giữa node Fact và các thực thể (mô hình thứ tư) cho hiệu năng truy vấn tốt nhất với thời gian truy vấn giảm 30% so với mô hình thứ nhất và số lượng dbhits giảm khoảng 25%, giúp tiết kiệm tài nguyên hệ thống.

2. Hiệu năng truy vấn trên Neo4j: Thực nghiệm với dữ liệu mô phỏng 10 triệu thực thể quan hệ cho thấy thời gian truy vấn trung bình cho các câu lệnh Cypher phổ biến là dưới 2 giây, đáp ứng yêu cầu truy vấn thời gian thực. Số lượng dbhits trung bình cho mỗi truy vấn là khoảng 5000, thể hiện khả năng tối ưu truy cập dữ liệu.

3. Khả năng mở rộng và phân tán: Hệ thống được triển khai trên kiến trúc cluster Causal Clustering của Neo4j với 3 node core và 3 node read replica, đảm bảo tính sẵn sàng cao và khả năng mở rộng linh hoạt. Thời gian backup và restore dữ liệu trên cluster với dung lượng 50GB lần lượt là 15 phút và 20 phút, phù hợp với yêu cầu vận hành thực tế.

4. Công cụ sinh dữ liệu mô phỏng: Công cụ sinh dữ liệu tự động cho phép tạo ra dữ liệu với cấu trúc và phân bố tương đồng dữ liệu thực tế, hỗ trợ kiểm thử và đánh giá mô hình lưu trữ. Công cụ này có thể sinh 10 triệu thực thể trong vòng 3 giờ trên máy chủ cấu hình trung bình, đảm bảo tính khả thi cho các nghiên cứu tiếp theo.

Thảo luận kết quả

Nguyên nhân chính giúp mô hình thứ tư đạt hiệu năng cao là do việc biểu diễn relationship type trực tiếp trong các mối quan hệ giữa node Fact và thực thể giúp giảm số lượng bước truy vấn và tối ưu hóa kế hoạch thực thi (execution plan). So sánh với các nghiên cứu trước đây sử dụng cơ sở dữ liệu quan hệ truyền thống, giải pháp đồ thị tri thức trên Neo4j cho thấy ưu thế vượt trội về tốc độ truy vấn và khả năng mở rộng. Kết quả này phù hợp với báo cáo của ngành về xu hướng ứng dụng Graph Database trong xử lý dữ liệu lớn và phức tạp. Việc triển khai cluster giúp đảm bảo tính ổn định và khả năng phục hồi dữ liệu, rất cần thiết trong môi trường sản xuất. Các biểu đồ thể hiện thời gian truy vấn và số lượng dbhits theo từng mô hình sẽ minh họa rõ ràng sự khác biệt về hiệu năng, đồng thời bảng so sánh chi tiết các tham số vận hành cluster cung cấp cái nhìn tổng quan về khả năng mở rộng của hệ thống.

Đề xuất và khuyến nghị

1. Triển khai mô hình lưu trữ tối ưu: Áp dụng mô hình lưu trữ sử dụng relationship type trong hệ thống lưu trữ thực thể quan hệ để đảm bảo hiệu năng truy vấn và tiết kiệm tài nguyên. Thời gian thực hiện dự kiến 3-6 tháng, do bộ phận phát triển hệ thống CNTT chịu trách nhiệm.

2. Xây dựng và duy trì cluster Neo4j: Thiết lập kiến trúc cluster Causal Clustering với tối thiểu 3 node core và 3 node read replica để đảm bảo tính sẵn sàng và khả năng mở rộng. Thời gian triển khai 2 tháng, do đội ngũ quản trị hệ thống thực hiện.

3. Phát triển công cụ sinh dữ liệu mô phỏng: Cải tiến công cụ sinh dữ liệu tự động để hỗ trợ các kịch bản dữ liệu đa dạng, phục vụ kiểm thử và nghiên cứu mở rộng. Thời gian phát triển 4 tháng, do nhóm nghiên cứu và phát triển phần mềm đảm nhiệm.

4. Đào tạo và hướng dẫn sử dụng: Tổ chức các khóa đào tạo cho nhân viên kỹ thuật và người dùng cuối về cách vận hành, bảo trì và khai thác hệ thống lưu trữ thực thể quan hệ. Thời gian đào tạo định kỳ hàng quý, do phòng đào tạo và phát triển nguồn nhân lực thực hiện.

5. Theo dõi và đánh giá hiệu năng định kỳ: Thiết lập quy trình giám sát hiệu năng hệ thống, đánh giá định kỳ để kịp thời điều chỉnh cấu hình và mở rộng tài nguyên khi cần thiết. Thời gian thực hiện liên tục, do bộ phận vận hành hệ thống đảm nhận.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành Công nghệ Thông tin: Luận văn cung cấp kiến thức chuyên sâu về đồ thị tri thức, cơ sở dữ liệu đồ thị và ứng dụng thực tiễn trong lưu trữ dữ liệu lớn, hỗ trợ phát triển các đề tài nghiên cứu liên quan.

2. Chuyên gia phát triển hệ thống dữ liệu lớn: Các kỹ sư và kiến trúc sư hệ thống có thể áp dụng giải pháp lưu trữ và truy vấn hiệu quả cho các dự án xử lý dữ liệu phi cấu trúc và quan hệ phức tạp.

3. Doanh nghiệp và tổ chức quản lý thông tin: Các đơn vị cần xây dựng hệ thống giám sát, phân tích dữ liệu mạng xã hội, báo chí, hoặc dữ liệu thị trường có thể tận dụng mô hình và công cụ được đề xuất để nâng cao hiệu quả quản lý.

4. Nhà quản lý và hoạch định chính sách: Cung cấp cơ sở dữ liệu và công cụ phân tích hỗ trợ ra quyết định dựa trên dữ liệu lớn, đặc biệt trong các lĩnh vực an ninh, y tế, truyền thông và kinh tế.

Câu hỏi thường gặp

1. Tại sao chọn Neo4j làm nền tảng lưu trữ?
   Neo4j là cơ sở dữ liệu đồ thị có hiệu năng cao, hỗ trợ giao dịch ACID, khả năng mở rộng và truy vấn linh hoạt bằng ngôn ngữ Cypher. Thực nghiệm cho thấy Neo4j xử lý hiệu quả hàng triệu thực thể quan hệ với thời gian truy vấn nhanh, phù hợp với bài toán lưu trữ dữ liệu lớn từ bài báo mạng.

2. Công cụ sinh dữ liệu mô phỏng hoạt động như thế nào?
   Công cụ sử dụng file cấu hình JSON để xác định số lượng và loại thực thể, sau đó sinh dữ liệu ngẫu nhiên tương tự cấu trúc thực tế. Dữ liệu được xuất ra file CSV và script import tự động vào Neo4j, giúp kiểm thử và đánh giá hiệu năng hệ thống một cách thực tế.

3. Mô hình lưu trữ nào được đánh giá là tối ưu nhất?
   Mô hình sử dụng relationship type trong các mối quan hệ giữa node Fact và thực thể (mô hình thứ tư) được đánh giá tối ưu nhất nhờ giảm thiểu số bước truy vấn và dbhits, từ đó tăng tốc độ truy vấn và giảm tải hệ thống.

4. Hệ thống có khả năng mở rộng như thế nào?
   Hệ thống được triển khai trên kiến trúc cluster Causal Clustering của Neo4j, cho phép mở rộng theo chiều ngang bằng cách thêm node core hoặc read replica, đảm bảo tính sẵn sàng cao và khả năng xử lý dữ liệu lớn liên tục.

5. Làm thế nào để bảo trì và vận hành hệ thống hiệu quả?
   Luận văn đề xuất xây dựng công cụ hướng dẫn sử dụng chi tiết, bao gồm quy trình vận hành, bảo trì, sao lưu và phục hồi dữ liệu. Đồng thời, tổ chức đào tạo định kỳ và giám sát hiệu năng liên tục để đảm bảo hệ thống hoạt động ổn định và hiệu quả.

Kết luận

• Đã xây dựng và đánh giá thành công giải pháp lưu trữ số lượng lớn thực thể quan hệ trích xuất từ bài báo mạng dựa trên đồ thị tri thức Neo4j.
• Mô hình lưu trữ sử dụng relationship type giữa node Fact và thực thể được chứng minh là tối ưu về hiệu năng truy vấn và tài nguyên.
• Công cụ sinh dữ liệu mô phỏng tự động hỗ trợ tạo dữ liệu lớn, phục vụ kiểm thử và nghiên cứu mở rộng.
• Hệ thống được triển khai trên kiến trúc cluster đảm bảo khả năng mở rộng, tính sẵn sàng và phục hồi dữ liệu hiệu quả.
• Đề xuất các giải pháp triển khai, vận hành và đào tạo nhằm ứng dụng thực tiễn trong các tổ chức, doanh nghiệp và nghiên cứu tiếp theo.

Next steps: Triển khai thực tế giải pháp tại các đơn vị quản lý dữ liệu lớn, mở rộng nghiên cứu về tối ưu hóa truy vấn và tích hợp trí tuệ nhân tạo trong phân tích dữ liệu.

Các nhà nghiên cứu và doanh nghiệp quan tâm có thể áp dụng mô hình và công cụ trong luận văn để nâng cao hiệu quả quản lý và khai thác dữ liệu mạng, đồng thời hợp tác phát triển các giải pháp công nghệ mới.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: CƠ SỞ LÝ THUYẾT: Chương này trình bày cơ sở lý thuyết đồ thị tri thức và các công nghệ cần có để sử dụng triển khai hệ thống cho yêu cầu ở trên. Công nghệ được sử dụng cho hệ thống: neo4j – một nền tảng công nghệ cho phép lưu trữ 2 dữ liệu dưới dạng đồ thị tri thức, dữ liệu lưu trữ được không giới hạn mà chỉ phụ thuộc vào phần cứng; NodeJs-Express và ReactJs – môi trường phát triển ứng dụng, cung cấp thư viện hỗ trợ xây dựng nhanh API service, chạy ứng dụng trên nền web. CHƯƠNG 2: GIẢI PHÁP VÀ ĐÓNG GÓP NỔI BẬT: Chương này trình bày về nội dung giải pháp và đóng góp nổi bật bao gồm: thiết kế mô hình dữ liệu; xây dựng công cụ sinh dữ liệu mô phỏng tự động cho CSDL; lựa chọn mô hình dữ liệu tối ưu; xây dựng hệ thống lưu trữ thực thể quan hệ theo mô hình đã chọn; xây dựng công cụ hướng dẫn sử dụng để vận hành, bảo trì và triển khai cluster hệ thống. CHƯƠNG 3: THỰC NGHIỆM: Chương này trình bày cách thức thực nghiệm, đánh giá bốn mô hình và đánh giá truy vấn hiệu năng của hệ thống.

CHƯƠNG 4: KẾT LUẬN: Chương này đưa ra những kết luận của quá trình nghiên cứu cũng như đánh giá kết quả đạt được và định hướng nghiên cứu tiếp theo. TÀI LIỆU THAM KHẢO: Liệt kê các tài liệu mà luận văn tham khảo trên các nguồn khác nhau. CƠ SỞ LÝ THUYẾT Trước vấn đề đặt ra cần lưu trữ số lượng lớn các quan hệ thực thể được trích xuất từ các bài báo mạng và được xử lý từ dạng dữ liệu chưa có cấu trúc sang dạng dữ liệu có cấu trúc, lúc này yêu cầu lựa chọn cơ sở dữ liệu lưu trữ phù hợp. Tôi đã tìm hiểu, khảo sát, đánh giá các loại cơ sở dữ liệu đang được sử dụng phổ biến hiện nay và quyết định sử dụng đồ thị tri thức và loại cơ sở dữ liệu là DBMS Graph để giải quyết vấn đề lưu trữ dữ liệu.1 Đồ thị tri thức Sau khi trích xuất dữ liệu từ các bài báo mạng và được xử lý từ dạng dữ liệu chưa có cấu trúc sang dạng dữ liệu có cấu trúc.

Lúc này cần lựa chọn cơ sở dữ liệu lưu trữ phù hợp để khai thác nguồn dữ liệu này. Hiện nay có rất loại cơ sở dữ liệu như: (1) cơ sở dữ liệu quan hệ - RDBMS gồm: Oracle, MySQL, SQL Server, PostgreSQL,…; (2) cơ sở dữ liệu Key-value Store gồm: Redis, Amazon DynamoDB, Microsoft Azure Cosmos DB,…; (3) cơ sở dữ liệu Document Store gồm: MongoDB, Amazon DynamoDB, Databricks,…; (4) cơ sở dữ liệu đồ thị - DBMS Graph gồm: GraphDB, OrientDB, Cayley, MarkLogic, Titan, Oracle, Neo4J,… trong số chúng loại CSDL quan hệ được sử dụng rộng rãi và phổ biến nhất. Bởi vì đây là loại CSDL có lịch sử ra đời khá sớm bắt đầu từ những năm 60 của thế kỷ trước cho tới nay và vẫn đang tiếp tục; được nhiều tập đoàn công ty lớn cùng phát triển và sử dụng như: IBM, Microsoft, Oracle, SyBase,… và có cộng đồng sử dụng rộng lớn. Cơ sở dữ liệu quan hệ không chỉ có độ bao phủ khổng lồ mà hầu hết các bài toán lưu trữ đều thực hiện được; nhưng không phải lúc nào cũng tốt nhất.

So sách các loại cơ sở dữ liệu ở Bảng 1 bên dưới. Bảng so sánh giữa các loại cơ sở dữ liệu Loại cơ sở dữ liệu Quan hệ Key-Value Store Document Store Đồ thị (RDBMS) (DBMS Graph) DBMS đại Oracle, MySQL, SQL Server, Redis, Amazon DynamoDB, MongoDB, Amazon GraphDB, OrientDB, Cayley, diện PostgreSQL, … Microsoft Azure Cosmos DynamoDB, Databricks,… MarkLogic, Titan, Oracle, DB,… Neo4J,… Đặc điểm Lưu trữ dữ liệu dưới dạng - Key-value là kiểu lưu trữ - Document store được gọi là - Mô hình được thiết kế cho bảng quan hệ và được quản lý đơn giản nhất trong các loại các cơ sở dữ liệu hướng tài dữ liệu có quan hệ được biểu thông qua giao thức SQL – CSDL đồng thời cũng là kiểu liệu, một thiết kế riêng biệt diễn tốt dưới dạng biểu đồ và ngôn ngữ truy vấn cấu trúc lưu trữ cho toàn bộ các hệ cho việc lưu trữ tài liệu dạng có các yếu tố được liên kết với NoSQL. Quá trình thực hiện văn kiện JSON, BSON hoặc nhau, với số lượng quan hệ tìm kiếm dữ liệu đều thực hiện XML. không xác định giữa chúng.

thông qua key nên dẫn đến - CSDL dạng này có các cặp - Graph Store lưu trữ mối hạn chế về độ chính xác. khoá – giá trị nhưng cũng có quan hệ trên từng record riêng - Sử dụng cho dữ liệu được đính kèm các trị số siêu dữ biệt. truy xuất thường xuyên nhưng liệu (*metadata) giúp việc - Tương đối giống với không thường xuyên được cập truy vấn (*query) dễ dàng RDBMS ở điểm dữ liệu có nhật. cấu trúc nhưng giữa các bản 5 - Memcached chỉ được sử ghi của DBMS Graph không dụng cho bộ nhớ đệm, trong cố định và tên cột có thể biến khi Redis làm được nhiều điều động.

Memcached chỉ hỗ trợ strings, integers trong cấu trúc lưu trữ data, trong khi Redis hỗ trợ nhiều loại dữ liệu phức tạp như strings, hashes, lists, sets, sorted sets …. Ngoài ra, Redis có thể lưu dữ liệu vào đĩa để đảm bảo độ bền, còn Memcached thì không. Điểm Có kiến trúc dữ liệu chặt chẽ - Linh hoạt, xử lý nhiều loại - Xử lý tốt dữ liệu semi- - Mô hình Graph Store vừa mạnh và đảm bảo tính nhất quán cao dữ liệu một cách nhanh constricted hoặc mang đặc điểm của NoSQL - Tính nguyên tố (Atomicity): chóng. unconstristed, người dùng với đặc tính đơn giản, flexible Đảm bảo một giao dịch có - Các chìa khóa được dùng để không cần quan tâm đến của nó, kèm theo high nhiều thao tác thì hoặc là toàn truy xuất thẳng tới các giá trị dạng dữ liệu khi lưu trữ.

performance và highly scale- bộ thao tác được thực hiện tìm kiếm mà không cần thông - Người dùng có thể thiết kế out và vừa mang đặc điểm của hoặc là không thao tác nào qua quá trình index giúp quá cấu trúc cho một dữ liệu mà cơ sở dữ liệu có cấu trúc như được hoàn thành. trình tìm kiếm nhanh chóng. không ảnh hưởng đến loại dữ RDBMS. 6 - Tính nhất quán - Hỗ trợ chuyển từ hệ thống Thời gian ghi dữ liệu cũng rất - Không phụ thuộc vào tổng (Consistency): Một giao dịch này sang hệ thống khác mà nhanh.

kích thước của tập dữ liệu. hoặc là có trạng thái mới hoặc không cần code lại. - Mở rộng linh hoạt theo - Trong khi các cơ sở dữ liệu nếu có lỗi sẽ chuyển toàn bộ - Mở rộng theo chiều ngang chiều ngang. Quá trình khác tính toán các mối quan trạng thái về trước đó.

dễ dàng và chi phí vận hành sharding cũng dễ hiểu và dễ hệ tại thời điểm truy vấn - Tính độc lập (Isolation): Một thấp. thao tác hơn hệ CSDL quan thông qua các hoạt động JOIN giao dịch đang thực thi và hệ. tốn kém, thì cơ sở dữ liệu đồ chưa được xác nhận phải đảm thị lưu trữ các kết nối cùng báo tách biệt khỏi các giao với dữ liệu trong mô hình. - Biểu diễn quan hệ giữa các - Tính bền vững (Durability): node trực quan.

Dữ liệu sẽ được hệ thống lưu - Truy vấn thời gian thực lại ngay cả trong trường hợp nhanh chóng. hỏng hóc hoặc có lỗi hệ thống, đảm bảo dữ liệu vẫn trong trạng thái chuẩn xác. Điểm yếu - Điểm yếu lớn nhất của - Tính linh hoạt của CSDL CSDL dạng lưu trữ tài liệu hy - Thiếu tính đồng thời hiệu RDBMS là không xử lý được dạng key – value bị đánh đổi sinh các yếu tố ACID để đổi suất cao (high performance tốt các dữ liệu phi cấu trúc. bởi tính chính xác.

Hầu như lấy sự linh hoạt. Ngoài ra, concurrency): Trong nhiều - Tốc độ truy vấn chậm do hỗ rất khó để truy xuất giá trị việc truy vấn chỉ có thể được trường hợp, graph database trợ các đặc điểm ACID. chính xác từ CSDL dạng này thực hiện trong từng tài liệu, cung cấp các kiểu đọc và kiểu vì dữ liệu được lưu trữ theo ghi đơn, điều này cản trở sự 7 - Việc thay đổi cơ sở dữ liệu blob, nên kết quả trả về hầu không thể truy vấn dữ liệu đồng thời và hiệu suất, do đó khá khó do tính chặt chẽ của như đều theo blob. trên nhiều tài liệu khác nhau.

phần nào hạn chế tính song nó. - Khó khăn khi báo cáo số liệu song phân luồng (threaded parallelism). - Cấu trúc RDBMS làm phức hoặc cần chỉnh sửa một phần tạp hóa việc nâng cao mở rộng của các giá trị. - Thiếu ngôn ngữ chuẩn: Việc máy chủ theo chiều ngang thiếu sự thiết lập và một ngôn hoặc chiều dọc.

ngữ khai báo chuẩn là một vấn của NoSQL graph database. - Thiếu tính song song (parallelism): việc phân vùng một biểu đồ là một vấn đề. Hầu hết các graph database không cung cấp các truy vấn song song trên các biểu đồ lớn. Ứng dụng Các ứng dụng web với lượng - Caching - Dữ liệu phi cấu trúc hoặc - Các hệ thống yêu cầu dữ liệu giao dịch lớn và truy vấn phức - Quản lý HTTP session không có cấu trúc (video, với số lượng lớn các mối quan tạp.

media, photo, document…) hệ linh hoạt, yêu cầu cấu trúc - Dữ liệu phi cấu trúc như Dữ liệu tài chính, thông tin review sản phẩm, bình luận - Quản lý danh mục sản phẩm có thể mở rộng để thêm dữ người dùng, thông tin nhân của blog liệu mới, yêu cầu truy vấn các - Phân tích dữ liệu hành vi khẩu … mối quan hệ in real-time. khách hàng 8 - Khuyến nghị các sản phẩm / - Các hệ thống liên quan đến thông tin tương tự trao đổi dữ liệu cần sự linh - Thông tin và thiết lập người hoạt về truy xuất dữ liệu. dùng - Ứng dụng vào công cụ gợi ý, - Bộ đếm số lượt truy cập phát hiện gian lận, phân tích trang và duyệt các mối quan hệ giữa các dữ liệu được kết nối. - Kiểu lưu trữ hàng đợi cần hiệu suất cao - Cơ sở dữ liệu đồ thị chủ yếu được sử dụng cho mạng xã - Biên soạn số liệu thống kê hội, hậu cần, dữ liệu không gian Độ phổ Dẫn đầu với những cơ sở dữ Xếp thứ 3 Xếp thứ 2 Xếp thứ 6 biến 1 liệu như Oracle (1262 điểm), MySQL (1202 điểm), SQL Server (941 điểm), Postgre SQL (615 điểm),… 1 https://db-engines.com/en/ranking; https://db-engines.com/en/ranking_definition: sắp xếp theo tiêu chi: số lượng đề cập đến, mức độ quan tâm của cộng đồng phát triển, tần suất thảo luận về kỹ thuật, số lượng về lời mời việc làm, số lượng cấu hình trong các mạng chuyên nghiệp,.