Н.С. Мишин1
1 МГТУ им. Н.Э. Баумана (Москва, Россия)
1 stancuem@yandex.ru

Постановка проблемы. Современные мультимодельные базы данных позволяют работать с разнородными данными, используя различные модели данных (реляционную, графовую, многомерную). Однако выбор оптимальной модели для хранения конкретных типов данных остаётся задачей, напрямую влияющей на производительность системы.

Цель. Разработать способ определения оптимальной модели данных для каждой группы запросов, основываясь на времени выполнения.

Результаты. Путём экспериментального анализа производительности реляционных, графовых и многомерных моделей создана возможность для выбора оптимальной модели, минимизирующей время выполнения запросов и затраты на поддержку. На основе проведенного анализа показано, что разные модели данных обеспечивают различную производительность для каждой группы запросов. Предложены полиномиальные модели и кластеризация времён выполнения, позволяющие выделить модель, оптимальную для каждой группы данных, минимизируя время отклика системы.

Практическая значимость. Предложенная методология выбора моделей данных в мультимодельной базе повышает производительность системы, снижая суммарное время выполнения запросов и затраты на поддержание и синхронизацию нескольких моделей.

Мишин Н.С. Оптимизация моделей данных, используемых в мультимодельной базе данных для разных инфологических сущностей // Нейрокомпьютеры: разработка, применение. 2026. Т. 28. № 3. С. 5–9. DOI: https://doi.org/10.18127/j19998554-202603-01

1. Li G., Feng J., Ooi B.C., Wang J., Zhou L. n effective 3-in-1 keyword search method over heterogeneous data source // Information Systems. 2021. V. 36. № 2. P. 248–266. DOI 10.1016/j.is.2008.08.001.
2. Lu J., Holubova I. Multi-model Databases: A New Journey to Handle the Variety of Data // ACM Computing Surveys (CSUR). 2019. V. 52. № 3. P. 1–38. DOI 10.1145/3323214.
3. Zhang C., Lu J., Xu P., Chen Y. Unibench: A benchmark for multi-model database management systems // Performance Evaluation and Benchmarking for the Era of Artificial Intelligence: 10th TPC Technology Conference. TPCTC 2018. P. 7–23. Lecture Notes in Computer Science. V. 11135. Springer International Publishing. 2019. DOI 10.1007/978-3-030-11404-6_2.
4. Yuan G. How the quantum-inspired framework supports keyword searches on multi-model Database // Proceedings of the 29th ACM International Conference on Information & Knowledge Management. ACM, 2020. P. 3257–3260. DOI 10.1145/3340531.3418508.
5. Holubova I., Vavrek M., Scherzinger S. Evolution management in multi-model databases // Data & Knowledge Engineering. 2021. V. 136. Article 101932. DOI 10.1016/j.datak.2021.101932.
6. Liu Z.H., Lu J., Gawlick D., Helskyaho H., Pogossiants G., Wu Z. Multi-model Database Management Systems – A Look Forward // Heterogeneous Data Management, Polystores, and Analytics for Healthcare. DMAH Poly 2018. Lecture Notes in Computer
   Science. V. 11470. P. 16–29. Springer, Cham, 2019. DOI 10.1007/978-3-030-14177-6_2.
7. Zhang C., Lu J. Holistic evaluation in multi-model databases benchmarking // Distributed and Parallel Databases. 2021. V. 39. P. 1–33. DOI 10.1007/s10619-019-07279-6.