[论文解读] Fast Processing of SPARQL Queries on RDF Quadruples

Vasil Slavov, Anas Katib+3 more|arXiv (Cornell University)|Jun 3, 2015

Semantic Web and Ontologies参考文献 21被引用 4

一句话总结

该论文提出了RIQ，一种针对大规模RDF数据集（含四元组）的新型索引与查询处理方法。通过将语义相似的RDF图进行分组，并利用基于布隆过滤器的过滤索引，RIQ采用减而治之的策略，显著减少了查询处理时间，在包含约14亿个四元组的数据集上，其在复杂SPARQL查询上的表现优于RDF-3X和Jena TDB。

ABSTRACT

In this paper, we propose a new approach for fast processing of SPARQL queries on large RDF datasets containing RDF quadruples (or quads). Our approach called RIQ employs a decrease-and-conquer strategy: Rather than indexing the entire RDF dataset, RIQ identifies groups of similar RDF graphs and indexes each group separately. During query processing, RIQ uses a novel filtering index to first identify candidate groups that may contain matches for the query. On these candidates, it executes optimized queries using a conventional SPARQL processor to produce the final results. Our initial performance evaluation results are promising: Using a synthetic and a real dataset, each containing about 1.4 billion quads, we show that RIQ outperforms RDF-3X and Jena TDB on a variety of SPARQL queries.

研究动机与目标

• 解决在包含数十亿个RDF四元组的大规模RDF数据集上处理复杂SPARQL查询时存在的性能瓶颈。
• 克服现有方法依赖全量数据集索引和昂贵连接操作来处理复杂图模式的局限性。
• 通过识别并聚焦于可能包含匹配结果的候选图组，而非扫描整个数据集，从而减少查询处理时间。
• 设计一种紧凑高效的过滤索引，利用布隆过滤器和计数布隆过滤器，以支持快速的候选图组识别。

提出的方法

• RIQ使用基于向量的相似性模型表示RDF图和SPARQL查询模式，将语义上相似的图分组。
• 利用布隆过滤器和计数布隆过滤器构建过滤索引，以紧凑方式表示图组签名，实现快速候选过滤。
• 在查询处理过程中，RIQ使用过滤索引识别出可能包含查询模式匹配结果的候选图组。
• 随后将最终的查询执行任务委派给传统的SPARQL处理器，该处理器仅处理候选图组，从而减少I/O和计算开销。
• 该方法采用减而治之策略：不处理全部数据，而是将搜索空间缩小至相关图组。
• 过滤索引的误报率为5%，在索引紧凑性与候选选择准确性之间实现平衡。

实验结果

研究问题

• RQ1 基于布隆过滤器的过滤索引是否能有效缩小大规模RDF四元组数据集上SPARQL查询的搜索空间？
• RQ2 将相似RDF图分组并仅处理候选图组，是否能相比全表扫描或基于连接的方法带来显著的性能提升？
• RQ3 在包含大型循环图模式的复杂SPARQL查询上，RIQ与RDF-3X和Jena TDB相比性能如何？
• RQ4 RIQ能否在大查询和小查询上均保持高效，包括包含可选（OPTIONAL）和并集（UNION）模式的查询？
• RQ5 在RIQ的图分组与过滤策略中，索引大小与查询性能之间的权衡关系如何？

主要发现

• 在包含约14亿个四元组的LUBM数据集上，RIQ在冷缓存设置下的几何平均查询处理时间为144.09秒，优于RDF-3X（375.98秒）和Jena TDB（448.65秒）。
• 在BTC 2012数据集上，RIQ的几何平均时间为35.45秒，显著低于RDF-3X（372秒）和Jena TDB（168.22秒），表明其在真实数据上的卓越性能。
• 对于包含大型循环图模式的复杂查询（L1-L3，B1-B2），RIQ远快于RDF-3X和Jena TDB，某些情况下查询速度提升高达77,000倍。
• RIQ的过滤索引在LUBM上仅占8.5 GB，在BTC 2012上为16 GB，而RDF-3X和Jena TDB分别需要77–121 GB和87–110 GB，显示出索引大小的显著减少。
• 对于小规模查询（L4-L12，B3-B7），在冷缓存条件下，RIQ在LUBM的九个查询中有六个、BTC 2012的五个查询中有三个快于基线系统；尽管在部分小查询的热缓存场景下RDF-3X表现更优。
• 对于复杂查询，RIQ最多仅识别出22个候选图组，大幅减少了需完整处理的图数量，证实了其过滤策略的有效性。