[论文解读] Querying over Federated SPARQL Endpoints - A State of the Art Survey

Nur Aini Rakhmawati, Jürgen Umbrich+3 more|arXiv (Cornell University)|Jan 1, 2013

Semantic Web and Ontologies参考文献 51被引用 32

一句话总结

本文全面综述了用于查询分布式链接数据源的SPARQL联邦框架，分析了其架构、功能和局限性。基于SPARQL 1.0和1.1支持、数据源选择、查询优化和联邦技术，评估了现有系统，识别出关键挑战，如模式异质性、数据溯源和性能瓶颈，并提出了可扩展且稳健的联邦查询处理的未来研究方向。

ABSTRACT

The increasing amount of Linked Data and its inherent distributed nature have attracted significant attention throughout the research community and amongst practitioners to search data, in the past years. Inspired by research results from traditional distributed databases, different approaches for managing federation over SPARQL Endpoints have been introduced. SPARQL is the standardised query language for RDF, the default data model used in Linked Data deployments and SPARQL Endpoints are a popular access mechanism provided by many Linked Open Data (LOD) repositories. In this paper, we initially give an overview of the federation framework infrastructure and then proceed with a comparison of existing SPARQL federation frameworks. Finally, we highlight shortcomings in existing frameworks, which we hope helps spawning new research directions

研究动机与目标

• 提供用于查询分布式链接数据存储库的SPARQL联邦框架的最新技术综述。
• 基于对SPARQL 1.0和1.1的支持、架构和查询处理技术，分析并比较现有框架。
• 识别当前框架中的关键缺陷，尤其关注模式异质性、数据溯源和性能方面的问题。
• 突出开放挑战，并提出改进联邦SPARQL查询处理的未来研究方向。

提出的方法

• 将现有的SPARQL联邦框架分类为三类：原生SPARQL 1.1框架、基于SPARQL 1.0并集成联邦逻辑的框架，以及SPARQL 1.0到1.1的转换器。
• 分析联邦框架的核心组件：查询解析器、数据源选择、查询规划和执行引擎。
• 使用查询吞吐量、中间结果大小、请求数量和数据传输量等指标评估框架性能。
• 评估全局模式目录和映射规则在解决数据集间语义异质性方面的作用。
• 研究溯源支持机制，包括纳米出版物和引用追踪，以解决数据来源和冗余问题。
• 审查FedBench和SPLODGE等基准测试工具，用于评估联邦性能和查询集生成。

实验结果

研究问题

• RQ1 现有SPARQL联邦框架在架构和设计原则方面有何差异？
• RQ2 当前框架如何处理联邦SPARQL查询中的数据源选择和连接优化？
• RQ3 现有框架在可扩展性、性能和数据质量方面的主要局限性是什么？
• RQ4 框架如何应对由于链接数据源之间词汇和数据模型差异导致的语义异质性？
• RQ5 存在哪些机制用于追踪数据溯源并确保联邦查询结果的数据质量？

主要发现

• 68.14%的RDF存储库配备了SPARQL端点，表明SPARQL作为链接数据查询接口已得到广泛采用。
• 现有框架主要关注数据源选择和连接优化，对高级功能（如溯源追踪和数据质量评估）的支持有限。
• 模式异质性仍是主要挑战，多个本体（如kegg:Compound、chebi:Compound、biopax:SmallMolecule）在不同数据集中描述相同概念。
• 由于数据冗余，溯源在联邦查询中至关重要——例如，DBpedia数据可通过DBpedia和Sindice端点获取——因此需要纳米出版物等机制实现可追溯性。
• FedBench和SPLODGE等基准测试工具用于评估性能，但其静态特性限制了在新数据集和查询模式下的泛化能力。
• 缺乏全局模式以及术语重叠的存在，要求建立全局模式目录和自动化映射规则，以提升联邦互操作性。