LyndHub
Jadwal Sholat

Memuat jadwal sholat…

← Semua jurnalIndeks pencarian

Editorial Ilmu Komputer & AI

Open AccessOA2026

Integrasi Data Lintas Model Berpusat Graf dan Analitik dalam Basis Data Multi-model Terpadu

GredoDB: Basis data multi-model terpadu untuk integrasi dan analitik lintas model berpusat graf yang efisien
Zepeng Liu; Sheng Wang; Shixun Huang; Hailang Qiu; Yuwei Peng; Jiale Feng; Shunan Liao; Yushuai Ji; Zhiyong Peng· 2026· DOI 10.48550/arXiv.2603.01598

Masalah inti

Aplikasi modern menghasilkan data yang semakin beragam, bergerak melampaui pengambilan sederhana menuju tujuan analitik lanjutan seperti prediksi dan rekomendasi. Integrasi data lintas model berpusat graf dan analitik (GCDIA) memanfaatkan model graf sebagai paradigma sentral untuk mengintegrasikan model data heterogen (misalnya, relasional dan dokumen) dan melakukan analitik kompleks seperti regresi dan komputasi kemiripan. Basis data multi-model (MMDB) yang ada kesulitan mendukung integrasi (GCDI) dan analitik (GCDA) secara efisien dalam GCDIA. Mereka biasanya memisahkan pemrosesan graf dari model lain tanpa optimasi global untuk GCDI, dan mengandalkan eksekusi tuple-at-a-time untuk GCDA, sehingga kinerja dan skalabilitas terbatas. Untuk mengatasi keterbatasan ini, penulis mengusulkan GredoDB, sebuah MMDB terpadu yang secara native mendukung penyimpanan model graf, relasional, dan dokumen sekaligus memproses GCDIA secara efisien.

Inovasi

Eksperimen pada tolok ukur multi-model yang banyak diadopsi, M2Bench, menunjukkan peningkatan kinerja yang signifikan. Dalam hal waktu respons, GredoDB mencapai percepatan hingga **107,89 kali** dan rata-rata **10,89 kali** pada tugas GCDI, serta hingga **356,72 kali** dan rata-rata **37,79 kali** pada tugas GCDA, dibandingkan MMDB mutakhir (SOTA). Hasil ini menunjukkan bahwa GredoDB secara substansial mengungguli solusi yang ada, terutama untuk beban kerja analitik yang kompleks. Percepatan tersebut konsisten di berbagai jenis kueri dan skala data, menunjukkan efektivitas strategi optimasi terpadu dan eksekusi paralel.
Aplikasi modern menghasilkan data yang semakin beragam, bergerak melampaui pengambilan sederhana menuju tujuan analitik lanjutan seperti prediksi dan rekomendasi. Integrasi data lintas model berpusat graf dan analitik (GCDIA) memanfaatkan model graf sebagai paradigma sentral untuk mengintegrasikan model data heterogen (misalnya, relasional dan dokumen) dan melakukan analitik kompleks seperti regresi dan komputasi kemiripan. Basis data multi-model (MMDB) yang ada kesulitan mendukung integrasi (GCDI) dan analitik (GCDA) secara efisien dalam GCDIA. Mereka biasanya memisahkan pemrosesan graf dari model lain tanpa optimasi global untuk GCDI, dan mengandalkan eksekusi tuple-at-a-time untuk GCDA, sehingga kinerja dan skalabilitas terbatas. Untuk mengatasi keterbatasan ini, penulis mengusulkan GredoDB, sebuah MMDB terpadu yang secara native mendukung penyimpanan model graf, relasional, dan dokumen sekaligus memproses GCDIA secara efisien.
GredoDB memperkenalkan tiga desain teknis utama:

Mengapa penting

Hasil ini menyoroti pentingnya dukungan multi-model native dan optimasi global untuk GCDIA. Dengan mengintegrasikan model graf, relasional, dan dokumen dalam satu mesin, GredoDB menghindari overhead perpindahan dan transformasi data antar sistem terpisah. Operator sadar topologi dan atribut memungkinkan traversal sadar predikat yang efisien, yang krusial untuk integrasi berpusat graf. Kerangka optimasi terpadu memanfaatkan korelasi lintas model, menghasilkan rencana eksekusi yang lebih baik daripada optimasi terpisah. Arsitektur GCDA paralel dengan materialisasi memungkinkan analitik yang skalabel, mengatasi keterbatasan eksekusi tuple-at-a-time. Percepatan signifikan pada M2Bench menunjukkan bahwa GredoDB cocok untuk aplikasi modern yang membutuhkan analitik lanjutan pada data heterogen. Pekerjaan selanjutnya dapat memperluas pendekatan ini ke model data lain (misalnya, key-value, time-series) dan mengeksplorasi teknik optimasi adaptif. Arsitektur GredoDB dapat divisualisasikan sebagai berikut:

Diagram ini menunjukkan alur dari model data ke penyimpanan terpadu, lalu melalui optimasi dan eksekusi hingga keluaran analitik.

Siapa yang sebaiknya membaca

Praktisi dan peneliti ilmu komputer

Membuka konten member…