Отправить статью по E-mail Выбор эффективных моделей данных инфологических сущностей в мультимодельных базах данных
- Авторы: Мишин Н.С.1, Афанасьев Г.И.1, Хайруллин Р.З.1,2
-
Учреждения:
- Московский государственный технический университет имени Н.Э. Баумана
- Московский государственный строительный университет (национальный исследовательский университет)
- Выпуск: Том 12, № 2 (2025)
- Страницы: 58-67
- Раздел: МАТЕМАТИЧЕСКОЕ И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ВЫЧИСЛИТЕЛЬНЫХ СИСТЕМ, КОМПЛЕКСОВ И КОМПЬЮТЕРНЫХ СЕТЕЙ
- URL: https://journal-vniispk.ru/2313-223X/article/view/309718
- DOI: https://doi.org/10.33693/2313-223X-2025-12-2-58-67
- EDN: https://elibrary.ru/QIICSF
- ID: 309718
Цитировать
Открытый доступ
Доступ предоставлен
Только для подписчиков
Аннотация
В статье рассматривается проблема выбора эффективных моделей данных для инфологических сущностей в условиях проектирования мультимодельных баз данных. Акцент сделан на необходимость системного подхода при моделировании разнородных сущностей, структура и поведение которых требуют различной формы представления. Исследуются особенности трех наиболее распространенных моделей – реляционной, графовой и многомерной, – с точки зрения их применимости к различным типам инфологических сущностей. Описаны ключевые критерии, влияющие на выбор модели данных: структура и связность сущностей, характер запросов, изменчивость данных, требования к масштабируемости и целостности. Представлен алгоритм принятия проектного решения на основе анализа характеристик сущности и нефункциональных требований системы. Особое внимание уделено возможностям и ограничениям мультимодельных решений, а также принципам координации разных моделей в едином архитектурном пространстве. Работа направлена на формирование методологической базы, обеспечивающей обоснованный выбор моделей данных и повышение устойчивости информационных систем к изменениям.
Полный текст
Открыть статью на сайте журналаОб авторах
Никита Сергеевич Мишин
Московский государственный технический университет имени Н.Э. Баумана
Автор, ответственный за переписку.
Email: stancuem@yandex.ru
ORCID iD: 0009-0008-3076-8076
SPIN-код: 2572-3667
аспирант, кафедра систем обработки информации и управления
Россия, г. МоскваГеннадий Иванович Афанасьев
Московский государственный технический университет имени Н.Э. Баумана
Email: gaipcs@bmstu.ru
кандидат технических наук, доцент; доцент
Россия, г. МоскваРустам Зиннатуллович Хайруллин
Московский государственный технический университет имени Н.Э. Баумана; Московский государственный строительный университет (национальный исследовательский университет)
Email: zrkzrk@list.ru
ORCID iD: 0000-0002-0596-4955
SPIN-код: 6631-0932
доктор физико-математических наук, старший научный сотрудник; профессор
Россия, г. Москва; г. МоскваСписок литературы
- Aguilar Vera R. et al. NoSQL database modeling and management: A systematic literature review. Revista Facultad de Ingeniería. 2023. Vol. 32. No. 65 (32). Art. e16519. doi: 10.19053/01211129.v32.n65.2023.16519.
- Daniel G. et al. NeoEMF: A multi-database model persistence framework for very large models. Science of Computer Programming. 2017. No. 149. Pp. 9–14. doi: 10.1016/j.scico.2017.08.002.
- Gabrielsen R.H., Olesen O. The Concept of lineaments in geological structural analysis; Principles and methods: A review based on examples from Norway. Geomatics. 2024. No. 2 (4). Pp. 189–212. doi: 10.3390/geomatics4020011.
- Gerasimov V.R., Dusheba V.V. Analysis of optimizing database performance methods // Èlektronnoe modelirovanie. 2024. No. 6 (46). Pp. 43–54. doi: 10.15407/emodel.46.06.043.
- Gupta S., Pal S., Chakraborty M. A Study on various database models: Relational, graph, and hybrid databases. Singapore: Springer, 2019. Pp. 141–149. doi: 10.1007/978-981-15-0361-0_11.
- Jiri H. et al. Multidimensional database for crime prevention. IEEE, 2016. Pp. 242–247. doi: 10.1109/carpathiancc.2016.7501102.
- Labiadh M. et al. A microservice-based framework for exploring data selection in cross-building knowledge transfer. Service Oriented Computing and Applications. 2020. No. 2 (15). Pp. 97–107. doi: 10.1007/s11761-020-00306-w.
- Larson D., Chang V. A review and future direction of agile, business intelligence, analytics and data science. International Journal of Information Management. 2016. No. 5 (36). Pp. 700–710. doi: 10.1016/j.ijinfomgt.2016.04.013.
- Lebedev I.I., Ogorodnikov S.S. Storage and analysis of remote sensing data // Russian Engineering Research. 2024. No. 4 (44). Pp. 597–599. doi: 10.3103/s1068798x24700485.
- Lou J. et al. Willingness to pay for well-being housing attributes driven by design layout: Evidence from Hong Kong. Building and Environment. 2024. No. 251. Art. 111227. doi: 10.1016/j.buildenv.2024.111227.
- Margara A. et al. A model and survey of distributed data-intensive systems. ACM Computing Surveys. 2023. No. 1 (56). Pp. 1–69. doi: 10.1145/3604801.
- Molka-Danielsen J., Engelseth P., Wang H. Large scale integration of wireless sensor network technologies for air quality monitoring at a logistics shipping base. Journal of Industrial Information Integration. 2018. No. 10. Pp. 20–28. doi: 10.1016/j.jii.2018.02.001.
- Murri S. Optimising data modeling approaches for scalable data warehousing systems. International Journal of Scientific Research in Science, Engineering and Technology. 2023. Pp. 369–382. doi: 10.32628/ijsrset2358716.
- Pekaric I. et al. A systematic review on security and safety of self-adaptive systems. Journal of Systems and Software. 2023. No. 203. Art. 111716. doi: 10.1016/j.jss.2023.111716.
- Petkov Y.I., Chikalanov A.I. Innovative proposals for database storage and management. Mathematics and Informatics. 2022. No. 1 (LXV). Pp. 45–52. doi: 10.53656/math2022-1-6-inn.
- Sarawagi S. Models and indices for integrating unstructured data with a relational database. Berlin; Heidelberg: Springer, 2005. Pp. 1–10. doi: 10.1007/978-3-540-31841-5_1.
- Shah K., Patel K.S. A Survey on relational database based multi relational classification algorithms. International Journal of Scientific Research in Computer Science, Engineering and Information Technology. 2024. No. 2 (10). Pp. 140–147. doi: 10.32628/cseit2390656.
- Shahidinejad J., Kalantari M., Rajabifard A. 3D cadastral database systems – a systematic literature review. ISPRS International Journal of Geo-Information. 2024. No. 1 (13). P. 30. doi: 10.3390/ijgi13010030.
- Tan Z., Yue P., Gong J. An array database approach for earth observation data management and processing. ISPRS International Journal of Geo-Information. 2017. No. 7 (6). P. 220. doi: 10.3390/ijgi6070220.
- Zhang J. et al. Public cloud networks oriented deep neural networks for effective intrusion detection in online music education. Computers and Electrical Engineering. 2024. No. 115. Art. 109095. doi: 10.1016/j.compeleceng.2024.109095.
Дополнительные файлы
