Аналіз методів оптимізації роботи баз даних

В.Р. Герасимов, аспірант, В.В. Душеба, канд. техн. наук
Інститут проблем моделювання в енергетиці ім. Г.Є. Пухова НАН України
Україна, 03164, Київ, вул. Генерала Наумова, 15
e-mail: Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.; Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.

Èlektron. model. 2024, 46(6):43-54

https://doi.org/10.15407/emodel.46.06.043

АНОТАЦІЯ

Проведено глибокий аналіз сучасних методів оптимізації баз даних (БД) для підвищення їхньої продуктивності, надійності та масштабованості. Основну увагу приділено реля­ційним (Oracle, MySQL, PostgreSQL) та NoSQL базам (MongoDB, Redis, Cassandra), які широко використовуються для управління даними. Розглянуто ключові підходи до опти­мізації, включаючи проектування ефективних схем БД, нормалізацію та денормалізацію, використання індексів, кешування, шардінгу та реплікації. Окрема увага приділена важ­ливості вибору правильної системи управління БД відповідно до типу інформації та спе­цифіки запитів, що значно впливає на продуктивність. Проаналізовано методи опти­мі­зації SQL-запитів та клієнтських додатків для зменшення навантаження на сервер. Зроб­лено аналіз балансу між цілісністю даних і швидкістю доступу до них, що є кри­тичним для сучасних систем управління БД.

КЛЮЧОВІ СЛОВА:

оптимізація баз даних, нормалізація, денормалізація, шардінг, реплікація.

СПИСОК ЛІТЕРАТУРИ

1. DB-Engines Ranking. URL: https://db-engines.com/en/ranking (дата звернення: 09.2024)
2. Alotaibi O., Pardede E. Transformation of Schema from Relational Database (RDB) to NoSQL Databases // Data. 2019. Vol. 4, no. 4.
3. Dash D., Polyzotis N., Ailamaki A. CoPhy: A Scalable, Portable, and Interactive Index Advisor for Large Workloads // Proc. VLDB Endow. 2011. Vol. 4, no. 6. P. 362—372.
4. Kaizen: A Semi-Automatic IndexAdvisor / I. Jimenez, H. Sanchez, Q.T. Tran, N. Polyzotis // Proceedings of the 2012 ACM SIGMOD International Conference on Management of Data. SIGMOD ʼ12. 2012. P. 685—688.
5. Ankur S., Felix M. S., Jens D. The Case for Automatic Database Administration using Deep Reinforcement Learning. URL: https://www.researchgate.net/publication/322568144_ The_Case_for_Automatic_Database_Administration_using_Deep_Reinforcement_Learning (дата звернення 18.11.2024).
6. Chopade R., Pachghare V. MongoDB Indexing for Performance Improvement // ICT Systems and Sustainability. Advances in Intelligent Systems and Computing / Ed. by M. Tuba, S. Akashe, A. Joshi. Singapore: Springer, 2020. Vol. 1077. P. 338—347.
7. URL: https://github.com/Huawei-Hadoop/hindex. (дата звернення: 05.09.2024).
8. Aldibaja I., Suleiman A. Improving GDFS Web Cache Algorithm Using Semantic Similarity Measures // International Journal of Computer Science Trends and Technology. 2017. Vol. 5. 6—11.
9. Visual Evaluation of SQL Plan Cache Algorithms / J. Kossmann, M. Dreseler, T. Gasdaetal. // Databases Theory and Applications / Ed. by J. Wang, G. Cong, J. Chen, J. Qi. Berkeley, CA.: Springer, Cham, 2018. P. 350—353.
10. Michiardi P., Carra D., Migliorini S. Cache-Based Multi-Query Optimization for Data-Intensive Scalable Computing Frameworks // Information Systems Frontiers. 2021. Vol. 23. P. 35—51.

Повний текст: PDF