[논문 리뷰] In-Memory Object Graph Stores

Renzo Angles, János Benjamin Antal외 3명|arXiv (Cornell University)|2020. 01. 07.

Peer-to-Peer Network Technologies인용 수 14

한 줄 요약

LDBC Social Network Benchmark (v2.2.4)는 두 가지 워크로드를 통해 그래프 데이터베이스 시스템을 평가하기 위한 표준화된 프레임워크를 정의한다: 인터랙티브(트랜잭션 쿼리) 및 비즈니스 인텔리전스(분석 쿼리). 현실적인 소셜 네트워크 데이터 모델, 쿼리 워크로드, 데이터 생성 절차, 실행 규칙을 규정하여 다양한 그래프 기술 간 공정하고 재현 가능하며 산업적으로 유의미한 성능 비교를 가능하게 한다.

ABSTRACT

The Linked Data Benchmark Council's Social Network Benchmark (LDBC SNB) is an effort intended to test various functionalities of systems used for graph-like data management. For this, LDBC SNB uses the recognizable scenario of operating a social network, characterized by its graph-shaped data. LDBC SNB consists of two workloads that focus on different functionalities: the Interactive workload (interactive transactional queries) and the Business Intelligence workload (analytical queries). This document contains the definition of both workloads. This includes a detailed explanation of the data used in the LDBC SNB, a detailed description for all queries, and instructions on how to generate the data and run the benchmark with the provided software.

연구 동기 및 목표

• 소셜 네트워크 애플리케이션에서 사용되는 그래프 데이터베이스 시스템을 공정하고 현실적이며 확장 가능한 방식으로 평가하기 위한 표준화된 벤치마크를 수립하기 위해.
• 단일 벤치마크 프레임워크 내에서 트랜잭션(인터랙티브) 및 분석(비즈니스 인텔리전스) 워크로드를 모두 지원하기 위해.
• 네이티브 그래프 데이터베이스, RDF 스토어, 관계형 시스템을 포함한 다양한 그래프 기술 간 재현 가능한 성능 평가를 가능하게 하기 위해.
• 산업계 및 학계에서 쉽게 도입할 수 있도록 데이터 스키마, 쿼리 정의, 데이터 생성 도구 및 실행 규칙을 포함한 완전한 스택을 제공하기 위해.
• 시스템의 성능 저하 요인을 파악하고 확장성 있고 효율적인 그래프 데이터 관리 기술에 대한 연구를 이끌기 위해 혁신을 주도하기 위해.

제안 방법

• 엔티티(예: Person, Forum, Message)와 관계(예: knows, created, repliedTo)를 포함한 그래프 기반의 소셜 네트워크 데이터 모델을 정의한다.
• 두 가지 별개의 워크로드를 규정한다: OLTP 스타일의 트랜잭션 쿼리용 인터랙티브(버전 1 및 2) 및 복잡한 패턴 매칭 쿼리용 비즈니스 인텔리전스.
• 스케일 팩터를 설정 가능하게 하고 현실적인 분포(예: 선호적 연결, 힘의 법칙)를 사용하여 확장 가능한 데이터 생성 절차를 도입하여 실제 소셜 네트워크를 시뮬레이션한다.
• 업데이트 스트림을 통한 동적 데이터 운영(삽입 및 삭제 포함)을 지원하며, 실세계 데이터의 쇠퇴를 모델링하기 위해 엔티티의 수명 주기 관리를 제공한다.
• 치환 매개변수, 반환 값 명세, 실행 규칙을 포함한 공식적인 쿼리 기술 형식을 제공하여 일관된 벤치마크 실행을 보장한다.
• 결과의 투명성과 재현 가능성을 확보하기 위해 감사 및 공개 규칙을 포함한다.

실험 결과

연구 질문

• RQ1 다양한 사용 패턴을 고려할 때, 다양한 그래프 데이터베이스 시스템을 공정하게 평가할 수 있는 표준화된 벤치마크를 어떻게 설계할 수 있는가?
• RQ2 스케일 가능하고 설정 가능한 동시에 실제 소셜 네트워크의 구조적 및 시간적 현실성을 가장 잘 반영하는 데이터 생성 전략은 무엇인가?
• RQ3 한 개의 벤치마크 프레임워크 내에서 인터랙티브 트랜잭션 워크로드와 분석 워크로드 패턴을 어떻게 일관되게 통합할 수 있는가?
• RQ4 다양한 시스템 및 배포 환경 간 일관성 있고 재현 가능하며 감사 가능한 벤치마크 실행을 보장하기 위한 메커니즘은 무엇인가?
• RQ5 그래프 데이터베이스의 실세계 데이터 동적 특성을 반영하기 위해 수명 주기 관리 및 삭제 작업을 어떻게 모델링할 수 있는가?

주요 결과

• LDBC SNB v2.2.4는 산업계와 학계에서 그래프 데이터베이스 시스템 평가를 위해 널리 채택된 포괄적이고 개방적이며 확장 가능한 벤치마크 프레임워크를 제공한다.
• 스케일 팩터를 1GB에서 100TB까지 설정 가능하게 하여 다양한 시스템 용량에서의 평가를 가능하게 하는 현실적인 데이터 생성을 지원한다.
• 인터랙티브 및 분석 워크로드를 모두 포함함으로써 OLTP 및 OLAP 워크로드 전반에 걸친 종합적인 시스템 평가를 가능하게 한다.
• 치환 매개변수와 공식적인 쿼리 정의를 사용함으로써 다양한 시스템 간 일관되고 재현 가능한 쿼리 실행을 보장한다.
• 수명 주기 및 삭제 모델링을 통해 데이터 진화, 특히 소셜 네트워크에서의 연쇄적 삭제를 현실적으로 시뮬레이션할 수 있다.
• 새로운 워크로드, 예를 들어 깊은 삭제 작업을 포함한 인터랙티브 v2 워크로드 및 경로 탐색 쿼리의 매개변수 정제 기능을 지원하도록 벤치마크가 확장되었다.