BIG DATA Class Conservative-Type Clusterix-Like DBMSs

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

The reasonability of developing a conservative type DBMS with episodic data updating is determined by the features of OLAP-technologies. The issues of creating such DBMSs require serious discussion. In this review we systematize the main results of research of the research group of Clusterix KNITU-KAI on conservative DBMSs based on computational clusters. The purpose of the performed researches is actual: development of approaches to synthesize comparatively effective by the criterion “performance/cost” domestic Big Data class DBMSs. The comparison was made with the best foreign open systems. The developed DBMSs are available for use by organizations with limited financial resources. Due attention is paid to the elements of the theory of cluster DBMS of the conservative type. The basic configurations of Clusterix systems, the dynamics of such DBMSs, and the effects of their self-organization are considered. The research is based on the constructive system modeling methodology.

About the authors

Vadim A. Raikhlin

Kazan National Research Technical University named after A. N. Tupolev

Author for correspondence.
Email: varaikhlin@gmail.com

профессор кафедры компьютерных систем, доктор физ.-мат. наук, профессор

Russian Federation, Kazan

Roman K. Klassen

Kazan National Research Technical University named after A. N. Tupolev

Email: klassen.rk@gmail.com

доцент кафедры компьютерных систем, канд. техн. наук

Russian Federation, Kazan

References

  1. Barsegjan A.A., Kuprijanov M.S., Stepanenko V.V., Holod I.I. Data analysis technologies: Data Mining, Visual Mimning, Text Mining. OLAP. SPb. BHV-Peterburg. 2007; 2 ed. In Russ.
  2. Cohen J., Dolan B., Dunlap M., Hellerstein J. M. and Welton C. MAD Skills: New Analysis Practices for Big Data. Proceedings of the VLDB Endowment. 2009; 2 (2): 1481-1492.
  3. Raikhlin, V.A. Simulation of Distributed Database Machines. Programming and Computer Software. 1996; 22 (2): 68-74.
  4. Raikhlin V.A. Constructive modeling of systems. Kazan: Izd-vo «Fən» («Nauka»). 2005; In Russ.
  5. EMC Education Services. Data Science and Big Data Analytics: Discovering, Analyzing, Visualizing and Presenting Data. John Wiley & Sons. 2015;
  6. Xin, Reynold & Rosen, Josh & Zaharia, Matei & J. Franklin, Michael & Shenker, Scott & Stoica, Ion. Spark: SQL and Rich Analytics at Scale. Proceedings of the ACM SIGMOD International Conference on Management of Data. 2012; doi: 10.1145/2463676.2465288.
  7. Russian DBMS industry advances on "elephants". Connect. 2017; 5-6: 34-38. In Russ.
  8. Russian DBMS Postgres Pro. Postgres Professional. 2018; Available from: https://postgrespro.ru/products/postgrespro [Accessed 03.05.2018]. In Russ.
  9. Codd E.F. Providing OLAP to user-analysts an it mandate. Technical Report. 1993.
  10. Ullman, Jeffrey D. Principles of database systems. Galgotia publications. 1983.
  11. Raikhlin V.A., Vershinin I.S., Klassen R.K., Gibadullin R.F., Pystogov S.V. Constructive modeling of synthesis processes. Kazan: Izd-vo «Fən» («Nauka»). 2020; In Russ.
  12. V.V. Voevodin, V.V. Voevodin. Parallel Computing. SPb. BHV-Peterburg. 2004; In Russ.
  13. Abramov E.V. Parallel DBMS Clusterix. Prototype development and its field study. Vestnik KGTU im. A.N. Tupoleva. 2006; 2: 50-55. In Russ.
  14. Raikhlin V.A., Abramov E.V. Database Clusters. Modeling of evolution. Vestnik KGTU im. A.N. Tupoleva. 2006; 3: 22-27. In Russ.
  15. Raikhlin V.A., Abramov E.V., Shageev D.O. Evolutionary modeling of the process of choosing the architecture of database clusters. 8 Mezhdunarodnaia Konferentciia "Vysokoproizvoditelnye parallelnye vychisleniia naklasternykh sistemakh" HPC-2008. Kazan: Izd. KGTU. 2008: 249-256. In Russ.
  16. Raikhlin V.A., Shageev D.O. Information clusters as dissipative systems. Nelineinyi mir. 2009; 7 (5): 323-334. In Russ.
  17. Raikhlin V.A., Minyazev R.S. Multiclustering of distributed DBMS of conservative type. Nelineinyi mir. 2011; 8: 473-481. In Russ.
  18. Raikhlin V.A., Minyazev R.Sh. Analysis of processes in clusters of conservative databases from the position of self-organization. Vestnik KGTU im. A.N. Tupoleva. 2015; 2: 120-126. In Russ.
  19. Nicolis G., Prigogine I. Cognition of the complex. M.: URS. 2003; In Russ.
  20. Minyazev R.Sh., Popov A.V. Temporal dominants of database clusters. Trudy Respublikanskogo nauchnogo seminara AN RT «Metody modelirovaniia». Kazan: Izd-vo «Fən» («Nauka»). 2010; 4: 125-134. In Russ.
  21. Oracle. The MySQL Plugin API. MySQL Documentation. 2018; Available from: https://dev.mysql.com/doc/refman/5.7/en/plugin-api.html [Accessed: 09.04.2018]
  22. Hellerstein J.M., Stonebraker M., Hamilton J. Architecture of a Database System. Foundations and Trends in Databases. 2007; 1 (2): 141-259.
  23. Vadim A. Raikhlin, Roman K. Klassen. Clusterix-Like BigData DBMS. Data Science and Engineering. 2020; 5(1): 80–93. doi: 10.1007/s41019-020-00116-2
  24. Haken, Hermann. Synergetics: Introduction and Advanced Topics. Springer. 2004; doi: 10.1007/978-3-662-10184-1.
  25. Raikhlin V.A., Klassen R.K. Comparatively inexpensive hybrid technologies of conservative DBMS of large volumes. Informatcionnye tekhnologii i vychislitelnye sistemy. 2018; 68(1): 46-59. In Russ.
  26. Klassen R.K. Clusterix-N. 2019; Available from: https://bitbucket.org/rozh/clusterixn/ [Accessed: 09.03.2019]. In Russ.
  27. Klassen R.K. Increasing the efficiency of a parallel DBMS of conservative type on a cluster platform with multicore nodes. Vestnik KGTU im. A.N.Tupoleva. 2015; 1: 112-118. In Russ.
  28. Klassen R.K. Acceleration of hashing operations using graphics accelerators. Vestnik KGTU im. A.N.Tupoleva. 2018; 1: 134-141. In Russ.
  29. Klassen R.K. Features of effective processing of SQL queries to databases of conservative type. Informatcionnye tekhnologii i vychislitelnye sistemy. 2018; 68 (4): 108-118. In Russ.
  30. Klassen R.K. The program for regional load balancing to a conservative type database on the cluster platform «PerformSys». Certificate of state registration of the computer program No. 2017611785 of 09.02.2017. In Russ.
  31. Klassen R.K. PerformSys. 2018; Available from: https://github.com/rozh1/PerformSys/ [Accessed: 09.12.2018]. In Russ.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».