【论文翻译】gStore: Answering SPARQL Queries via Subgraph Matching

gStore: Answering SPARQL Queries via Subgraph Matching

论文翻译，仅作为个人保存用

ABSTRACT

​ 由于对RDF数据的使用越来越多，对RDF数据集上的SPARQL查询的高效处理已经成为一个重要的问题。然而，现有的解决方案有两个限制：

1)它们不能以可伸缩的方式用通配符回答SPARQL查询；

2)它们不能有效地处理RDF存储库中的频繁更新。

因此，它们中的大多数必须从头开始重新处理数据集。在本文中，我们提出了一种基于图的方法来存储和查询RDF数据。我们不像大多数现有的方法那样将RDF三元组映射到关系数据库中，而是将RDF数据存储为一个大图。然后将一个SPARQL查询转换为一个相应的子图匹配查询。为了加快查询处理速度，我们开发了一种新的索引，以及一些有效的剪枝规则和有效的搜索算法。我们的方法可以用统一的方式回答精确的SPARQL查询和使用通配符的查询。我们还提出了一种有效的维护算法来处理RDF存储库上的在线更新。大量的实验证实了我们的解决方案的效率和有效性。

1. INTRODUCTION

​ 作为开发的一部分，提出了RDF（资源描述框架）数据模型，用于Web对象的建模。它已被用于各种应用程序中。例如，Yago和DBPedia自动从维基百科中提取事实，并以RDF格式存储，以支持维基百科[19,3]上的结构性查询。生物学家还建立了RDF数据集合，如Bio2RDF（bio2rdf.org）和Uniprot RDF（dev.isb-sib.ch/项目/Uniprot-rdf），用于记录实验数据。

​ 一般来说，RDF数据可以表示为SPO（主题、属性、对象）。图1(a).中给出了一个正在运行的示例请注意，一个RDF数据集也可以被建模为一个图（称为RDF图），如图1(b).所示为了查询RDF存储库，W3C提出了SPARQL查询语言[16]。例如，我们可以通过以下SPARQL查询从RDF数据集中检索出生于1809年2月12日并于1865年4月15日死亡的个人的名字：

Q1: Select ?name Where { ?m <hasName> ?name. ?m <BornOn Date >

“1809-02-12”. ?m <DiedOnDate> “1865-04-15”. }

​ 尽管在过去的十年中已经对RDF数据管理进行了研究，但大多数现有的解决方案都不能扩展到大型RDF存储库，也不能有效地回答复杂的查询。最近的研究主要集中在大型RDF存储库（如[2,12,13,25,22]）的可伸缩技术上。尽管这些现有的RDF查询引擎，如RDF-3x [12]、六进制[22]和SPARQL存储[1]，旨在解决SPARQL查询的可伸缩性，但它们有一些共同的限制：

(1)它们不能以可伸缩的方式支持带有通配符的SPARQL；

(2)一些现有系统很难处理RDF存储库中的频繁更新，迫使它们在出现更新时从头重新处理数据集。x-RDF-3x [15]是RDF-3x系统的高级版本，它可以支持更新，但它仍然不支持通配符查询。

1.1带有通配符的SPARQL查询

​ 在实际应用中，拥有对查询对象的全面了解可能不实用；因此，也许不可能指定精确的查询条件。例如，我们可能知道一位重要的政治家出生于2月12日，死于4月15日，但我们不知道他的确切出生和死亡年份。在这种情况下，我们必须使用通配符执行一个查询，如下图所示：

Q2:Select ?name Where { ?m <hasName> ?name. ?m <BornOnDate> ?bd.

?m <DiedOnDate> ?dd. FILTER regex(str(?bd), “02-12”), regex(str(?dd),

“04-15”) }

​ 尽管有一些技术可以支持使用通配符的SPARQL查询和管理大型RDF数据集，但据我们所知，没有任何技术可以支持这两种功能，即，能够以可伸缩的方式使用通配符执行SPARQL查询。现有的RDF存储系统，如Jena [23]、Yars2 [11]和Sesame 2.0 [5]，不能在大型RDF数据集（如Yago数据集）中正常工作。SW-store[1]、RDF-3x [12]、x-RDF-3x [15]和六核[22]是设计用来解决可伸缩性的，但是，它们只能支持精确的SPARQL查询，因为它们使用映射字典用id替换所有文字（在RDF三元组中）。

1.2在RDF存储库上的频繁更新

​ 在某些应用程序中，RDF存储库并不是静态的。例如，Yago和DBpedia的数据集正在不断扩展，以包括从维基百科中新提取的知识。社交网络中的RDF数据，如FOAF项目（foaf-project.org），也经常被更新，以代表个人不断变化的关系。为了支持对这种动态RDF数据集的查询，查询引擎应该能够处理频繁的更新，而不需要花费太多的维护开销。

1.3我们的方法

​ 在这项工作中，我们从图形数据库的角度来处理RDF数据集。一个SPARQL查询被转换为一个大型RDF图上的子图匹配查询。具体来说，我们可以将一个RDF数据集（一个三元组的集合）建模为一个有标记的、有向的多边图（RDF图），其中每个顶点对应于一个主题或一个对象。每个三重边表示从主题到对应对象的有向边。给定一个主题和一个对象，在它们之间可能存在多个属性，即在两个顶点之间可能存在多条边。因此，RDF图是一个多边图。给定一个SPARQL查询，我们也可以用一个查询图q来表示它。因此，一个SPARQL查询可以被转换为RDF图上的一个子图匹配查询。

​ 例如，图1(b)显示了与图1(a).中的RDF三元组对应的RDF图我们在定义2.1中正式定义了一个RDF图。请注意，图1(b)中方框旁边的数字不是顶点标签，而是我们为简化描述而引入的顶点id。一个SPARQL查询也可以被表示为一个有向标记的图Q（在定义2.2中称为查询图）。图2(a)显示了与SPARQL查询Q2对应的查询图。在这种情况下，回答SPARQL查询Q简化为在RDF图G中找到Q的匹配项。

​ 然而，RDF图的特征与现有图数据库文献中所考虑的典型图有三个方面的不同。

​ 首先，RDF图的大小（即顶点和边的数量）比典型图数据库中所考虑的大小要大一个数量级。

​ 其次，RDF图中的顶点和边标签的基数比传统的图数据库中要大得多。例如，在现有的图形数据库工作[17,24]中使用的一个典型数据集（即艾滋病数据集）有10,000个数据图，每个数据图平均有20个顶点和25条边。不同的顶点标签的总数为62个。数据集的总大小约为5M字节。然而，Yago RDF图有大约500M的顶点，总大小约为3.1GB。因此，I/O成本成为RDF查询处理中的一个关键问题。然而，大多数现有的子图查询算法都是基于内存的。

​ 第三，SPARQL查询结合了几个属性，比如同一实体的属性，因此，它们往往包含星星作为子查询[12]。星形查询是指由一个中心顶点及其相邻顶点组成的星形查询图。

​ 考虑到RDF图的三个特性，我们提出了一种新的索引模式来加快查询处理速度。首先，我们将一个RDF图存储为一个基于磁盘的邻接列表表t。然后，对于RDF图中的每个实体或类顶点（定义2.1），根据其相邻的边标签和相邻的顶点标签（定义2.1），我们分配一个位字符串作为其顶点签名。这样，RDF图就被转换为数据签名图G∗（定义4.3）。然后，我们提出了一个新的索引（称为VS∗-tree）。在运行时，我们还将Q的所有顶点编码为顶点签名，然后将Q转换为相应的查询签名图Q∗。找到Q∗对G∗的所有匹配将导致所有候选匹配（表示为CL）没有任何假阴性。注意，我们提出了一个新的滤波规则（定理5.1）来减少寻找CL的搜索空间。最后，根据CL，我们可以通过检查邻接列表表T的一小部分来修复结果。

​ 我们的方法的优点在于： 1)以统一的方式支持精确的SPARQL查询和使用通配符的查询；2)像其他高度平衡树（如B±tree和R-tree）一样，对我们的索引VS∗-tree有轻微的维护开销。

综上所述，在本工作中，我们做出了以下贡献。

1.我们采用图模型作为RDF数据的物理存储方案。具体来说，我们将RDF数据存储在基于磁盘的邻接列表中。

2.我们通过编码每个实体和类顶点，我们将RDF图转换为数据签名图。在此基础上，提出了一种具有光维护开销的数据签名图的新的索引（VS∗-tree）。

3.我们为数据签名图上的子图查询开发了一个过滤规则，它可以无缝地嵌入到我们的查询算法中，以统一的方式回答精确的SPARQL查询和使用通配符的查询。

4.我们通过实验证明，我们的方法在回答精确的SPARQL查询和通配符查询方面优于现有的方法，我们的解决方案很好地支持在线更新。