In this paper we present a new family of Intensional RDBs (IRDBs) which extends the traditional RDBs with the Big Data and flexible and 'Open schema' features, able to preserve the user-defined relational database schemas and all preexisting user's applications containing the SQL statements for a deployment of such a relational data. The standard RDB data is parsed into an internal vector key/value relation, so that we obtain a column representation of data used in Big Data applications, covering the key/value and column-based Big Data applications as well, into a unifying RDB framework. We define a query rewriting algorithm, based on the GAV Data Integration methods, so that each user-defined SQL query is rewritten into a SQL query over this vector relation, and hence the user-defined standard RDB schema is maintained as an empty global schema for the RDB schema modeling of data and as the SQL interface to stored vector relation. Such an IRDB architecture is adequate for the massive migrations from the existing slow RDBMSs into this new family of fast IRDBMSs by offering a Big Data and new flexible schema features as well.


翻译:在本文中,我们展示了一个新的强化 RDB (IRDBs) 组合,它将传统的 RDB 与大数据、灵活和“开放方程” 功能相扩展,将传统的 RDB 与大数据、灵活和“开放方程” 功能相扩展,能够保存用户定义的关系数据库系统图案以及包含SQL 报表的先前所有用户应用程序,用于部署这种关系数据的 SQL 。标准 RDB 数据被分割成一个内部矢量键/价值关系,以便我们获得大数据应用程序中所使用的数据的一列表示,涵盖关键/价值和基于列的大数据应用程序,并形成一个统一的 RDB 框架。我们根据GAV 数据整合方法定义了查询重写算法,这样,每个用户定义的 SQL 查询将重新写成关于此矢量数据的 SQL 查询,因此,用户定义的标准 RDB Schema 被维持为用于 RDB 数据模型建模的空全球系统图案和存储矢量关系S 的 SQL 接口。这种IRDBBB 结构足以用于从现有的慢点RDBMS 和新家庭功能提供快速数据的软化数据。

0
下载
关闭预览

相关内容

NewSQL是一种新型的关系型数据库。在为OLTP提供像NoSQL那样的伸缩性的同时,提供传统数据库那样的事务ACID保证。
商业数据分析,39页ppt
专知会员服务
160+阅读 · 2020年6月2日
因果图,Causal Graphs,52页ppt
专知会员服务
247+阅读 · 2020年4月19日
【大规模数据系统,552页ppt】Large-scale Data Systems
专知会员服务
60+阅读 · 2019年12月21日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
内涵网络嵌入:Content-rich Network Embedding
我爱读PAMI
4+阅读 · 2019年11月5日
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
Cayley图数据库的可视化(Visualize)
Python开发者
5+阅读 · 2019年9月9日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
【推荐】Kaggle机器学习数据集推荐
机器学习研究会
8+阅读 · 2017年11月19日
【学习】(Python)SVM数据分类
机器学习研究会
6+阅读 · 2017年10月15日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
【论文】图上的表示学习综述
机器学习研究会
14+阅读 · 2017年9月24日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
Arxiv
102+阅读 · 2020年3月4日
Arxiv
7+阅读 · 2018年3月21日
VIP会员
相关资讯
内涵网络嵌入:Content-rich Network Embedding
我爱读PAMI
4+阅读 · 2019年11月5日
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
Cayley图数据库的可视化(Visualize)
Python开发者
5+阅读 · 2019年9月9日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
【推荐】Kaggle机器学习数据集推荐
机器学习研究会
8+阅读 · 2017年11月19日
【学习】(Python)SVM数据分类
机器学习研究会
6+阅读 · 2017年10月15日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
【论文】图上的表示学习综述
机器学习研究会
14+阅读 · 2017年9月24日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
Top
微信扫码咨询专知VIP会员