Выполнение повышения сложности запросов в реляционных (MySQL) и NoSQL (MongoDB и существуют) растущий размер баз данных ISO/EN 13606 стандартизированных EHR
19 марта 2018 г.
Это исследование сравнивает реляционных и нереляционных (NoSQL) стандартизированных систем медицинской информации. Вычислительная сложность время отклика запроса таких систем управления базами данных (СУБД) вычисляется с помощью удвоения размера баз данных. Эти результаты помогут обсуждение целесообразности подхода каждой базы данных проблем и различных сценариев.
Общая цель этого эксперимента — сравнить вычислительную сложность реляционных и нереляционных не только структурированных языков запросов или систем баз данных NoSQL, измеренную их временем отклика на запросы возрастающей сложности. Этот метод может помочь ответить на ключевые вопросы в области систем управления базами данных, например, какие типы запросов более подходят для того или иного типа систем баз данных. Основное преимущество этого метода заключается в том, что он сравнивает время отклика на запросы для двойной базы данных каждого типа, а также вычислительную сложность, которую необходимо вычислить, и поэтому этот метод может дать представление о MySQL, MongoDB и избыточных системах баз данных.
Он также может быть применен к другим реляционным документам и нативным XML-системам, таким как SQL server и base X. Мы впервые услышали об этом методе, когда нам нужно выбрать постоянную систему для системы электронных медицинских карт. Для проектирования и выполнения возрастающих усложнений запросов с неавтоматически построенными индексами в реляционной базе данных MySQL. Подключитесь к серверу MySQL и выберите имя базы данных.
Выберите реляционную таблицу в поле индекса и откройте вкладку структуры. Выберите столбец, в котором будет построен индекс, и нажмите кнопку индексировать. Появится предложение SQL, создающее индекс, за которым последует сообщение об успешном построении предложения.
Чтобы выполнить первый запрос, выберите имя базы данных и откройте вкладку SQL. Введите SQL-код первого запроса и нажмите кнопку «Продолжить». Появится первый экран списка результатов с сообщением о времени выполнения запроса.
Для проектирования и выполнения запросов, увеличивающих сложность и нереляционных, не только или NoSQL Mongo Database запускает графическую пользовательскую интерфазу базы данных Mongo, а сервер Mongo Database 2.6 выполняет программу Mongo из окна системы DOS. Подключите графическое пользовательское взаимодействие базы данных Mongo к локальному хост-серверу через порт 27017 и выберите меню подключения. Введите имя подключения и укажите местоположение локального узла в текстовом поле сервера базы данных, затем нажмите кнопку «Подключить».
Должно появиться дерево с актуальными базами данных. Расширьте базу данных Mongo. Выберите интересующую коллекцию и откройте меню коллекции.
Чтобы выполнить первый запрос к базе данных Mongo, дважды щелкните по конструктору запросов и кнопкам поля запроса. Введите поля запроса к базе данных Mongo в текстовое поле полей панели запросов, а значение запроса — в текстовое поле значений панели запросов. Дважды щелкните по полю проекции построителя запросов и введите первую проекцию в текстовое поле проекции.
Дважды щелкните по полю проекции, чтобы добавить новое текстовое поле проекции, и введите вторую проекцию, затем нажмите кнопку воспроизведения, чтобы выполнить запрос и визуализировать код запроса на вкладке кода запроса. Подробная информация о результате будет доступна для просмотра на вкладке «Объяснение и результаты». Для проектирования и выполнения запросов возрастающей сложности в базе данных NoSQL EXist запустите базу данных EXist и откройте клиент администратора java.
Нажмите, подключитесь к базе данных и выберите базу данных. Нажмите, обратитесь к базе данных по X-пути. Появится диалоговое окно консультации.
Затем выполните первый запрос по X-пути. В этой таблице показаны шесть различных запросов, выполненных на реалистичных стандартизированных электронных выписках из медицинских карт, содержащих информацию о проблемах пациентов, включая их имена, начальные и конечные даты и степень тяжести. Среднее время отклика шести запросов и трех баз данных удвоения размера в каждой системе управления базами данных демонстрирует длинное линейное поведение вычислительной сложности во всех запросах нереляционных баз данных, которое не наблюдается при анализе реляционных объектов реляционных малярных баз данных.
Интерполяция результатов базы данных Mongo с аналогичными запросами и размерами базы данных результатов реляционного отображения архетипов дает одинаковые результаты в обеих системах баз данных для первого запроса, но с более благоприятными результатами, определенными с использованием базы данных Mongo для третьего запроса. В экспериментах с параллелизмом база данных Mongo предпочтительнее базы данных MySQl как по пропускной способности, так и по времени отклика, при этом база данных Mongo ведет себя лучше в условиях параллелизма, чем в изоляции, и является впечатляющей базой данных при параллельном выполнении. Ну, я действительно подумал, что важно помнить о том, чтобы поддерживать все серверы локально на тех же машинах, на которых клиент выполняет запросы.
Следуя этой процедуре, можно использовать другие методы, такие как использование других видов систем баз данных, чтобы ответить на дополнительные вопросы, например, может ли тип базы данных существовать и выигрывать как в одиночных, так и во всех запросах пациентов? После своего развития этот метод проложил путь исследователям в области алгоритмической сложности к изучению сравнительной производительности баз данных в различных типах систем баз данных. После просмотра этого видео у вас должно сложиться хорошее понимание того, как выполнять увеличивающиеся в размерах запросы к базам данных самых разных типов.
Обзор
Это исследование сравнивает вычислительную сложность реляционных и нереляционных (NoSQL) систем управления базами данных, анализируя их время отклика на запросы, увеличивающие сложность. Результаты дают представление о целесообразности различных подходов к базам данных для различных сценариев.
Ключевые компоненты исследования
Область науки
- Системы управления базами данных
- Вычислительная сложность
- Информационные системы
Предыстория
- Исследование сосредоточено на реляционных (SQL) и нереляционных (NoSQL) системах управления базами данных.
- Целью является понять, какие типы запросов лучше всего подходят для каждой системы управления базами данных.
- Реляционные базы данных включают такие системы, как MySQL, в то время как NoSQL базы данных включают MongoDB и EXist.
- Предыдущие исследования подчеркивали важность выбора подходящих систем управления базами данных для электронных медицинских записей.
Цель исследования
- Сравнить время отклика реляционных и нереляционных баз данных.
- Анализировать вычислительную сложность запросов по мере увеличения размера баз данных.
- Предоставить результаты, которые могут помочь в выборе систем управления базами данных для конкретных приложений.
Использованные методы
- Разработка и выполнение запросов, увеличивающих сложность, на реляционных и нереляционных базах данных.
- Использование MySQL для реляционных запросов баз данных и MongoDB для NoSQL запросов.
- Проведение экспериментов по конкурентности для сравнения пропускной способности и времени отклика.
- Анализ среднего времени отклика для различных размеров и типов баз данных.
Основные результаты
- В исследовании было обнаружено линейное поведение вычислительной сложности в нереляционных базах данных.
- MongoDB показал более предпочтительные результаты по сравнению с MySQL в определенных запросах.
- В тестах на конкурентность MongoDB превзошла MySQL как по пропускной способности, так и по времени отклика.
- Результаты исследования указывают на то, что выбор базы данных может значительно влиять на производительность в зависимости от сложности запроса.
Выводы
- Это исследование предоставляет рамки для оценки производительности баз данных на основе сложности запроса.
- Оно подчеркивает преимущества NoSQL баз данных в определенных сценариях.
- В будущей работе можно изучить дополнительные типы баз данных и их характеристики производительности.
Часто задаваемые вопросы
Executive Industry Relevance
This study provides a framework for evaluating database performance based on query complexity, which is critical for biopharma R&D when selecting systems for managing standardized EHR data. Understanding computational complexity helps inform decisions about database suitability for tasks like phenotypic screening data storage, translational biomarker tracking, and preclinical model data integration. The findings support risk-adjusted prioritization of database technologies that ensure reproducibility and scalability across discovery workflows.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables hypothesis testing about data storage efficiency for complex biological datasets.
- Operational Value: Supports selection of database systems that maintain data consistency during iterative target validation experiments.
Screening & Assay Development
- Scientific Value: Provides quantitative benchmarks for query response times under increasing data loads relevant to high-throughput screening outputs.
- Operational Value: Informs assay database design to ensure linear scalability as compound and readout volumes grow.
Translational & Preclinical Research
- Scientific Value: Highlights how database choice impacts the ability to restore EHR data in original form, supporting data integrity in longitudinal studies.
- Operational Value: Guides standardization of data retrieval processes across discovery and preclinical teams using consistent query performance expectations.
Pipeline & Workflow Integration
The method positions database evaluation as a foundational step in discovery biology, enabling reliable data handling from early target identification through lead optimization and preclinical validation.
- Discovery Biology: Supports hypothesis testing regarding data system performance under growing complexity of biological datasets.
- Screening: Describes how response time analysis informs readiness of databases for screening campaign data storage and retrieval.
- Analytics: Highlights average response time measurements as a quantitative output for comparing database systems under standardized query loads.
- Translational Research: Connects database performance to continuity of EHR data use cases, such as edition and visualization, which require consistent retrieval fidelity.
- Enterprise Reuse: frames the protocol as a reusable capability for ongoing assessment of database systems as EHR standards and data volumes evolve.
Operational & Enterprise Impact
- Scientific Value: Predictive confidence in database behavior under increasing data complexity reduces mechanistic ambiguity in data-driven research.
- Operational Value: Standardization of query performance evaluation enables reproducible database selection across projects and sites.
- Strategic Value: Better go/no-go decisions on database adoption reduce late-stage integration risks and capital inefficiency.
- Portfolio Impact: Risk-adjusted prioritization of database technologies aligns with advancement decisions in data-intensive R&D pipelines.
Implementation Considerations
- Requires expertise in database administration and query design across relational and NoSQL platforms.
- Needs instrumentation capable of executing and timing complexity-increasing queries on MySQL, MongoDB, and EXist systems.
- Demands cross-team standardization on query complexity metrics to ensure comparable performance assessments.
- Involves adaptation considerations when applying the protocol to other database systems like SQL Server or base XML platforms.
- Includes practical limitations such as the lack of direct comparison with archetype relational mapping under identical data conditions, relying instead on interpolation for insights.
