Optimisation basée sur les graphes pour une évaluation efficace et scalable des requêtes

Graph-Based Optimization for Efficient and Scalable Query Evaluation

• Auteur / Autrice : Ishaq Zouaghi
• Direction : Ladjel Bellatreche, Taoufik Aguili, Amin Mesmoudi
• Type : Thèse de doctorat
• Discipline(s) : Informatique et applications
• Date : Soutenance le 08/11/2022
• Etablissement(s) : Chasseneuil-du-Poitou, Ecole nationale supérieure de mécanique et d'aérotechnique
• Ecole(s) doctorale(s) : École doctorale Sciences et Ingénierie des Systèmes, Mathématiques, Informatique (Limoges ; 2018-2022)
• Jury : Président / Présidente : Azza Ouled Zaid
• Jury : Examinateurs / Examinatrices : Daniela Grigori
• Jury : Rapporteurs / Rapporteuses : Sofian Maabout, Asma Ben Letaifa

Mots clés

Mots clés contrôlés

Web sémantique

SPARQL (langage de programmation)

Scalabilité (informatique)

Ressource Description Framework (informatique)

Multiplicité (mathématiques)

Hypergraphes

Coût

Bases de données -- Interrogation

Bases de données -- Gestion

Bases de données -- Conception

Mots clés libres

Optimisation RDF SPARQL

Estimation de la cardinalité

RDF SPARQL optimization

Cardinality estimation

Résumé

Nous assistons depuis plusieurs années à une évolution dans les pratiques liées à la création et l’exploitation des bases de connaissances. Cette évolution a été engendrée, dans un premier temps, par la transformation du Web classique "dit de documents" en Web de données. Dans cette optique, l’interconnexion massive des données, des informations et des connaissances a permis de créer ce qu’on appelle aujourd'hui les graphes de connaissances. Rapidement, ce concept a été étendu à d’autres domaines (e.g., média, industrie automobile et pharmaceutique, biologie). Les graphes de connaissances permettent aujourd'hui d’apporter une certaine sémantique pour donner un contexte et des relations aux données, tout en fournissant un cadre standard pour l'intégration, l'unification, l'analyse et le partage des données. Dans ce contexte, le Resource Description Framework (RDF) et SPARQL se sont distingués respectivement pour représenter les données et les interroger. La nécessité de gérer et interroger efficacement les données RDF a conduit au développement de nouveaux systèmes, appelés "Triplestores", qui sont conçus spécialement pour traiter ce format de données. Malgré le nombre important de Triplestores proposés dans la littérature, il est difficile de trouver une solution qui offre des temps de réponse acceptables pour des requêtes SPARQL lorsqu’il s’agit de gérer plusieurs milliards de triplets RDF. En effet, ces systèmes s’appuient sur des techniques de stockage, d’évaluation et d’optimisation de requêtes qui ne sont pas en adéquation avec la nature des données RDF à cause de l’absence d’un schéma explicite de données. Récemment, certains systèmes, tels que RDF\_QDAG, ont montré qu'en combinant l'exploration de graphes et le regroupement structurel (clustering) de données en fragments, on peut atteindre un bon compromis entre performances et passage à l’échelle à condition choisir les techniques d’évaluation et d’optimisation adéquates. Dans cette thèse, nous avons étudié dans un premier temps les mécanismes d’évaluation offerts par ce type de système, ce qui nous a permis d’identifier les différentes possibilités d’optimisations. Nous nous sommes intéressés à deux problèmes : 1) le choix du plan d’exécution qui reflète l’ordre d’exploration du graphe RDF et 2) L’élagage des fragments impertinents pour un plan d’exécution. Concernant le premier problème, nous avons proposé quatre stratégies permettant de trouver le meilleur plan d'exécution possible. Trois de nos stratégies s'appuie sur des statistiques collectées à partir des données tandis que la quatrième s'appuie sur une heuristique qui utilise la structure de la requête pour générer le plan d'exécution. Concernant le deuxième problème, nous avons proposé une nouvelle approche à base d’hypergraphes permettant de raffiner un plan d’exécution en élaguant les fragments qui ne contribuent pas à la construction des résultats finaux. Enfin, nous fournissons une validation expérimentale de toutes nos propositions en utilisant des bancs d’essai RDF bien connus.

For several years, we have been witnessing an evolution in the practices related to the creation and exploitation of knowledge bases. This evolution was generated, initially, by the transformation of the traditional Web "known as of documents" into Web of data. From this point of view, the massive interconnection of data, information and knowledge has made it possible to create what are now called knowledge graphs. This concept was quickly extended to other domains (e.g., media, automotive and pharmaceutical industries, biology). Today, knowledge graphs provide semantics to contextualize and relate the data, while offering a standard framework for data integration, unification, analysis and sharing. In this context, the Resource Description Framework (RDF) and SPARQL have become prominent for representing and querying data respectively. The need to efficiently manage and query RDF data has led to the development of new systems, called "Triplestores", which are designed specifically to handle this data format. Despite the large number of Triplestores proposed in the literature, it is difficult to find a solution that offers acceptable response times for SPARQL queries when managing several billion RDF triples. Indeed, these systems rely on storage, evaluation and query optimization techniques that are not adequate to the nature of RDF data due to the absence of an explicit data schema. Recently, some systems, such as RDF\_QDAG, have shown that combining graph exploration and structural clustering of data into fragments can achieve a good trade-off between performance and scaling, provided that the right evaluation and optimization techniques are chosen. In this thesis, we first studied the evaluation mechanisms offered by this type of system, which allowed us to identify the different optimization possibilities. We are interested in two problems: 1) the choice of the execution plan which reflects the exploration order of the RDF graph and 2) the pruning of irrelevant fragments for an execution plan. For the first problem, we proposed four strategies to find the best possible execution plan. Three of our strategies are based on statistics collected from the data while the fourth one is based on a heuristic that uses the structure of the query to generate the execution plan.For the second problem, we proposed a new hypergraph-based approach to refine an execution plan by pruning the fragments that do not contribute to the construction of the final results. Finally, we provide an experimental validation of all our proposals using well-known RDF benchmarks.