So sánh cơ sở dữ liệu quan hệ và cơ sở dữ liệu đồ thị trong quản lý dữ liệu Internet kết nối vạn vật

 thực là 
một thách thức lớn đối với các hệ thống IoT.
3. So sánh cơ sở dữ liệu quan hệ và cơ sở diệu 
đồ thị
Để đánh giá sự khác biệt giữa cơ sở dữ liệu 
quan hệ và cơ sở dữ liệu đồ thị, chúng tôi thực hiện 
việc so sánh trên bốn đặc tính quan trọng bao gồm: 
mô hình dữ liệu, hiệu năng truy vấn, hỗ trợ giao 
dịch, và khả năng mở rộng.
3.1. Mô hình dữ liệu
Cơ sở dữ liệu quan hệ sử dụng cấu trúc cố định 
ISSN 2354-0575
Khoa học & Công nghệ - Số 26/Tháng 6 - 2020 Journal of Science and Technology 87
với các bảng được xác định trước bởi các hàng và 
các cột. Điều này làm cho chúng không phù hợp để 
lưu trữ dữ liệu IoT không có cấu trúc hoặc dữ bán 
cấu trúc. Trong khi đó, cơ sở dữ liệu đồ thị sử dụng 
cấu trúc linh hoạt bằng cách sử dụng cấu trúc đồ thị, 
trong đó, các nút được sử dụng để thể hiện thông 
tin các thực thể và các cạnh thể hiện mối quan hệ 
giữa các thực thể. Nhờ đó, nó dễ dàng mô tả dữ liệu 
không đồng nhất và dữ liệu kết nối dày đặc. Cơ sở 
dữ liệu quan hệ mô tả mối quan hệ giữa các thực 
thể bằng sử dụng các mối quan hệ tiêu chuẩn: một-
một, một-nhiều và nhiều-nhiều. Các bảng liên kết 
với nhau sử dụng các khóa ngoại để đảm bảo tính 
thống nhất của dữ liệu. Điều này gây ra khó khăn 
trong việc lưu trữ và xử lý dữ liệu liên tục thay đổi 
trong môi trường IoT. Với cơ sở dữ liệu đồ thị, việc 
thêm và xóa các thực thể và quan hệ của chúng là 
những thao tác đơn giản.
3.2. Hiệu năng truy vấn
Cơ sở dữ liệu quan hệ sử dụng Ngôn ngữ truy 
vấn có cấu trúc (SQL) để truy cập dữ liệu. Ngôn 
ngữ SQL được định nghĩa rất rõ ràng và sử dụng 
phổ biến trong cả học thuật và các hệ thống trong 
doanh nghiệp. Tuy nhiên, cơ sở dữ liệu quan hệ 
không được thiết kế để xử lý dữ liệu lớn và dữ liệu 
có tính kết nối dày đặc như dữ liệu IoT trong các 
ứng dụng hiện đại. Do đó, hiệu năng truy vấn có thể 
thấp do phải sử dụng nhiều câu truy vấn lồng nhau 
hoặc một số lượng lớn các phép nối từ nhiều bảng. 
Ngược lại, đồ thị cơ sở dữ liệu được xây dựng có 
chủ đích để lưu trữ và xử lý dữ liệu được kết nối 
dày đặc; do đó, nó có thể đạt được hiệu năng cao 
trong việc truy vấn dữ liệu IoT. Điểm chính giúp cơ 
sở dữ liệu đồ thị đạt được hiệu năng cao đó là việc 
áp dụng các kỹ thuật duyệt đồ thị như BFS và DFS. 
Trong khi đó, cơ sở dữ liệu quan hệ sử dụng các kỹ 
thuật kết hợp quét và băm dữ liệu để so sánh dẫn 
đến tốn kém chi phí khi thao tác với các bảng lớn 
hoặc nhiều phép nối. Do đó, hiệu năng truy vấn cơ 
sở dữ liệu quan hệ giảm khi tăng số lượng bản ghi 
trong bảng và số lượng mối quan hệ giữa các bảng, 
trong khi với cơ sở dữ liệu đồ thị, hiệu năng của nó 
chỉ giảm khi tăng số lượng kết nối giữa các thực thể.
3.3. Hỗ trợ giao dịch
Một trong những chức năng quan trọng của cơ 
sở dữ liệu quan hệ khiến chúng là lựa chọn ưu tiên 
trong các doanh nghiệp phần mềm là ứng dụng là 
ACID (Atomicity - nguyên tử, Consistency - nhất 
quán, Isolation - độc lập, Durability - bền vững). 
Các thuộc tính ACID cung cấp một cơ chế để đảm 
bảo dữ liệu của giao dịch không bị hỏng do bất kỳ 
lý do nào (ví dụ: giao dịch chuyển tiền giữa các 
tài khoản trong ngân hàng). Trong khi hầu hết các 
cơ sở dữ liệu NoSQL sử dụng mô hình nhất quán 
BASE (Tính khả dụng cơ bản, trạng thái mềm, tính 
nhất quán cuối cùng) để hỗ trợ các giao dịch trong 
cơ sở dữ liệu, cơ sở dữ liệu đồ thị hiện tại (ví dụ: 
Neo4J, OrientDB) giữ lại các thuộc tính ACID được 
yêu cầu bởi các ứng dụng IoT hiện đại.
3.4. Khả năng mở rộng
Để xử lý dữ liệu lớn, khả năng mở rộng là 
rất quan trọng trong các hệ thống IoT. Cơ sở dữ 
liệu quan hệ sử dụng khả năng mở rộng theo chiều 
dọc, điều đó có nghĩa là việc cải thiện hiệu năng xử 
lý dữ liệu lớn được thực hiện bằng cách nâng cấp 
dung lượng lưu trữ và khả năng tính toán (ví dụ: sử 
dụng ổ SSD, tăng số lõi CPU, v.v.) phần cứng hiện 
có trong hệ thống. Mở rộng theo chiều dọc thường 
tốn kém chi phí và khả năng phục hồi khi có lỗi hệ 
thống không được đảm bảo khi lỗi máy chủ cơ sở 
dữ liệu. Trong khi đó, cơ sở dữ liệu đồ thị sử dụng 
khả năng mở rộng theo chiều ngang, có nghĩa là khi 
lượng dữ liệu IoT tăng nhanh, chúng ta thêm nhiều 
tài nguyên hơn (ví dụ: tăng số lượng máy chủ) vào 
hệ thống để mở rộng lưu trữ và cải thiện hiệu năng 
truy vấn.
4. Kết quả thực nghiệm
Trong phần này, chúng tôi tạo ra các thực 
nghiệm để so sánh cơ sở dữ liệu quan hệ và cơ sở dữ 
liệu đồ thị về hiệu năng truy vấn. Để làm điều này, 
chúng tôi sử dụng hai bộ dữ liệu bao gồm: Sakila 
và Gnutella.
•	Sakila: bộ dữ liệu thực tế của cửa hàng 
cho thuê DVD được cung cấp bởi nhóm phát triển 
MySQL [14]. Bộ dữ liệu này có 16 bảng và 47,271 
bản ghi. Chúng tôi thực hiện chuyển đổi sang nhập 
vào cơ sở dữ liệu đồ thị (Neo4J) với 40,810 nút và 
114,706 cạnh.
•	Gnutella: bộ dữ liệu thực tế của mạng ngang 
hàng Internet [15]. Chúng tôi nhập bộ dữ liệu này 
vào một bảng trong MySQL với 138,142 bản ghi. 
Bộ dữ liệu cũng được nhập vào Neo4J với 60,000 
nút và 138,142 cạnh. 
ISSN 2354-0575
Journal of Science and Technology88 Khoa học & Công nghệ - Số 26/Tháng 6 - 2020
Bảng 1. Hiệu năng truy vấn của SQL trên dữ liệu Sakila
Kiểu truy vấn #Câu truy vấn
Thực thi 
lần 1 (ms)
Thực thi 
lần 2 (ms)
Thực thi 
lần 3 (ms)
Thời gian
trung bình (ms)
Độ lệch chuẩn 
(ms)
Tra cứu
(Look Up)
Q1 15 15 16 15.33 0.58
Q2 16 15 15 15.33 0.58
Q3 16 15 15 15.33 0.58
Phạm vi 
(Range)
Q4 16 16 16 16.00 0.00
Q5 16 16 15 15.67 0.58
Q6 16 15 16 15.67 0.58
Phức tạp 
(Complex) 
Q7 31 31 32 31.33 0.58
Q8 63 62 62 62.33 0.58
Q9 94 93 79 88.67 8.39
Tập hợp 
(Aggregation)
Q10 32 32 31 31.67 0.58
Q11 79 78 78 78.33 0.58
Q12 94 94 93 93.67 0.58
Bảng 2. Hiệu năng truy vấn bằng Cypher trên dữ liệu Sakila
Kiểu truy vấn #Câu truy vấn
Thực thi 
lần 1 (ms)
Thực thi 
lần 2 (ms)
Thực thi 
lần 3 (ms)
Thời gian 
trung bình (ms)
Độ lệch chuẩn 
(ms)
Tra cứu 
(Look Up)
Q1 1 1 1 1.00 0.00
Q2 1 1 1 1.00 0.00
Q3 1 1 1 1.00 0.00
Phạm vi 
(Range)
Q4 1 1 1 1.00 0.00
Q5 1 1 1 1.00 0.00
Q6 1 1 1 1.00 0.00
Phức tạp 
(Complex) 
Q7 3 3 2 2.67 0.58
Q8 21 21 19 20.33 1.15
Q9 10 10 10 10.00 0.00
Tập hợp 
(Aggregation)
Q10 27 23 21 23.67 3.06
Q11 33 31 31 31.67 1.15
Q12 77 77 75 76.33 1.15
Bảng 3. Hiệu năng truy vấn bằng SQL trên dữ liệu Gnutella
Kiểu truy vấn #Câu truy vấn
Thực thi 
lần 1 (ms)
Thực thi 
lần 2 (ms)
Thực thi 
lần 3 (ms)
Thời gian 
trung bình (ms)
Độ lệch chuẩn 
(ms)
Tra cứu 
(Look Up)
Q1 47 47 47 47.00 0.00
Q2 47 46 47 46.67 0.58
Q3 47 47 47 47.00 0.00
Phạm vi 
(Range)
Q4 62 62 62 62.00 0.00
Q5 63 63 62 62.67 0.58
Q6 63 63 63 63.00 0.00
Phức tạp
 (Complex) 
Q7 157 156 156 156.33 0.58
Q8 406 391 390 395.67 8.96
Q9 890 875 875 880.00 8.66
Tập hợp 
(Aggregation)
Q10 109 94 94 99.00 8.66
Q11 141 141 125 135.67 9.24
Q12 125 110 109 114.67 8.96
ISSN 2354-0575
Khoa học & Công nghệ - Số 26/Tháng 6 - 2020 Journal of Science and Technology 89
Bảng 4. Hiệu năng truy vấn bằng Cypher trên dữ liệu Gnutella
Kiểu truy vấn #Câu truy vấn
Thực thi 
lần 1 (ms)
Thực thi 
lần 2 (ms)
Thực thi 
lần 3 (ms)
Thời gian 
trung bình (ms)
Độ lệch 
chuẩn (ms)
Tra cứu 
(Look Up)
Q1 1 1 1 1.00 0.00
Q2 1 1 1 1.00 0.00
Q3 1 1 1 1.00 0.00
Phạm vi 
(Range)
Q4 1 1 1 1.00 0.00
Q5 1 1 1 1.00 0.00
Q6 1 1 1 1.00 0.00
Phức tạp 
(Complex) 
Q7 55 55 49 53.00 3.46
Q8 71 71 71 71.00 0.00
Q9 95 95 94 94.67 0.58
Tập hợp 
(Aggregation)
Q10 350 316 309 325.00 21.93
Q11 385 359 345 363.00 20.30
Q12 264 254 248 255.33 8.08
Chúng tôi đánh giá bốn loại truy vấn phổ biến 
bao gồm Tra cứu (Look up), Phạm vi (Range), Phức 
tạp (JOIN / NESTED), và Tập hợp (Aggregation) 
thường được sử dụng để trích xuất các tri thức từ 
dữ liệu IoT. Đối với mỗi tập dữ liệu, chúng tôi viết 
ra mười hai truy vấn, mỗi loại truy vấn gồm ba câu 
truy vấn. Các truy vấn được viết bằng cả ngôn ngữ 
SQL để chạy trên MySQL và ngôn ngữ Cypher để 
chạy trên Neo4J. Các kết quả thực nghiệm được 
minh họa từ Bảng 1 đến Bảng 4.
Hình 1. So sánh hiệu năng giữa cơ sở dữ liệu quan hệ và cơ sở dữ liệu đồ thị trên bộ dữ liệu Sakila
Hình 2. So sánh hiệu năng giữa cơ sở dữ liệu quan hệ và cơ sở dữ liệu đồ thị trên bộ dữ liệu Gnutella
ISSN 2354-0575
Journal of Science and Technology90 Khoa học & Công nghệ - Số 26/Tháng 6 - 2020
So sánh hiệu năng truy vấn giữa cơ sở dữ liệu 
quan hệ và biểu đồ cơ sở dữ liệu trên tập dữ liệu 
Sakila và Gnutella được mô tả trong Hình 1 và Hình 
2. Từ kết quả, chúng tôi thấy rằng sử dụng truy vấn 
Cypher trên Neo4J có được hiệu năng tốt hơn so với 
việc sử dụng các truy vấn SQL trên MySQL trong 
tất cả các trường hợp nói chung. Cụ thể, các câu 
lệnh tra cứu và truy vấn phạm vi có chi phí thấp 
trên cả cơ sở dữ liệu quan hệ và cơ sở dữ liệu đồ thị. 
Trong trường hợp kiểm tra các truy vấn phức tạp 
tên dữ liệu Sakila hoặc truy vấn lồng nhau trên dữ 
liệu Gnutella, hiệu năng sử dụng truy vấn Cypher 
trên cơ sở dữ liệu đồ thị là nhiều nhanh hơn so với 
sử dụng truy vấn SQL trên cơ sở dữ liệu quan hệ. 
Chúng tôi quan sát thấy truy vấn với Cypher giảm 
thời gian thực hiện trung bình khoảng 12, 3, 9 lần 
so với truy vấn SQL trong trường hợp bộ dữ liệu 
Sakila và giảm 3, 5, và 9 lần với bộ dữ liệu Gnutella 
tương ứng các câu truy vấn #Q7, # Q8, và # Q9. 
Chúng tôi cũng quan sát thấy các truy vấn tập hợp 
trên cơ sở dữ liệu đồ thị thường tốn nhiều thời gian 
thực thi hơn. Thật vậy, hiệu năng của chúng xấp xỉ 
bằng với các truy vấn SQL (#10, #11, #12) trên tập 
dữ liệu Sakila, thậm chí chậm hơn nhiều lần trong 
trường hợp thử nghiệm với bộ dữ liệu Gnutella.
5. Kết luận
 Bài báo này phân tích và so sánh toàn diện giữa 
cơ sở dữ liệu quan hệ và cơ sở dữ liệu đồ thị trong 
việc quản lý dữ liệu Internet kết nối vạn vật. Chúng 
tôi đã so sánh trên các đặc tính quan trọng của các 
cơ sở dữ liệu gồm: mô hình dữ liệu, hiệu năng truy 
vấn, hỗ trợ giao dịch, và khả năng mở rộng. Chúng 
tôi cũng đánh giá và so sánh trên thực nghiệm về 
mặt hiệu năng truy vấn của các cơ sở dữ liệu với 
hai bộ dữ liệu thực tế là Sakila và Gnutella. Thông 
qua việc so sánh trên nhiều đặc tính và kết quả thực 
nghiệm chúng tôi chỉ ra rằng cơ sở dữ liệu đồ thị là 
phù hợp hơn trong việc lưu trữ và phân tích dữ liệu 
kết nối trong môi trường IoT.
Tài liệu tham khảo
[1]. Lee, I. and Lee, K., 2015. The Internet of Things (IoT): Applications, investments, and challenges 
for enterprises. Business Horizons, 58(4), pp.431-440.
[2]. Van-Quyet, Nguyen, et al. “Design of a Platform for Collecting and Analyzing Agricultural Big 
Data.” JDCS vol. 18, no.1, pp. 149-158, 2017.
[3]. A. Mulholland, “Iot: Where do graphs fit with business requirements.” [Online]. 
Available: https://neo4j.com/blog/iot-graphs-business-requirements/ (Accessed June 28, 2020).
[4]. Lin, C.Y., Chu, E., Ku, L.W. and Liu, J., Active disaster response system for a smart building. 
Sensors, 14(9), pp.17451-17470, 2014. .
[5]. Van-Quyet Nguyen, Huu-Duy Nguyen, Giang-Truong Nguyen, Kyungbaek Kim, “A Graph 
Model of Heterogeneous IoT Data Representation: A Case Study from Smart Campus Management”, 
In Proceedings of KISM Fall Conference 2018.
[6]. S. Wu, L. Bao, Z. Zhu, F. Yi, and W. Chen, “Storage and retrieval of massive heterogeneous iot 
data based on hybrid storage,” in 2017 13th International Conference on Natural Computation, Fuzzy 
Systems and Knowledge Discovery (ICNC-FSKD). IEEE, pp. 2982–2987, 2017.
[7]. S. K. Sowe, T. Kimata, M. Dong, and K. Zettsu, “Managing heterogeneous sensor data on a big 
data platform: Iot services for data-intensive science,” in 2014 IEEE 38th International Computer 
Software and Applications Conference Workshops. IEEE, pp. 295–300, 2014.
[8]. F. Ullah, M. A. Habib, M. Farhan, S. Khalid, M. Y. Durrani, and S. Jabbar, “Semantic interoperability 
for big-data in heterogeneous iot infrastructure for healthcare,” Sustainable cities and society, vol. 34, 
pp. 90–96, 2017.
[9]. Arora, Vaibhav, Faisal Nawab, Divyakant Agrawal, and Amr El Abbadi. “Multi-representation 
based data processing architecture for IoT applications.” In Distributed Computing Systems (ICDCS), 
2017 IEEE 37th International Conference on. IEEE, pp. 2234-2239, 2017.
ISSN 2354-0575
Khoa học & Công nghệ - Số 26/Tháng 6 - 2020 Journal of Science and Technology 91
[10]. D. Puschmann, P. Barnaghi, and R. Tafazolli, “Adaptive clustering for dynamic iot data streams,” 
IEEE Internet of Things Journal, vol. 4, no. 1, pp. 64–74, 2017.
[11]. M. Bermudez-Edo, T. Elsaleh, P. Barnaghi, and K. Taylor, “Iot-lite: a lightweight semantic model 
for the internet of things and its use with dynamic semantics,” Personal and Ubiquitous Computing, 
vol. 21, no. 3, pp. 475–487, 2017.
[12]. K. Yasumoto, H. Yamaguchi, and H. Shigeno, “Survey of real-time processing technologies of 
iot data streams,” Journal of Information Processing, vol. 24, no. 2, pp. 195–202, 2016.
[13]. S. Verma, Y. Kawamoto, Z. M. Fadlullah, H. Nishiyama, and N. Kato, “A survey on network 
methodologies for real-time analytics of massive iot data and open research issues,” IEEE 
Communications Surveys & Tutorials, vol. 19, no. 3, pp. 1457–1477, 2017.
[14]. O. Corporation, “Sakila sample database.” [Online]. Available: https://dev.mysql.com/doc/
sakila/ (Accessed June 28, 2020).
[15]. M. Ripeanu and I. Foster and A. Iamnitchi. “Mapping the Gnutella Network: Properties of 
Large-Scale Peer-toPeer Systems and Implications for System Design”. IEEE Internet Computing 
Journal, 2002.
A COMPREHENSIVE COMPARISON OF RELATIONAL DATABASES AND GRAPH 
DATABASES FOR HETEROGENEOUS IOT DATA MANAGEMENT
Abstract:
In an Internet of Thing (IoT) environment, entities with different attributes and capacities are going 
to be collaborated in a highly connected. Specifically, not only the mechanical and electronic devices but 
also other entities such as people, locations and applications are connected to each other. Understanding 
and managing these connections play an important role for businesses, which identify opportunities for 
new IoT services. Traditional approaches for storing and querying IoT data are used of relational database 
management systems (RDMS) such as MySQL or MSSQL. However, using RDMS is not flexible and 
suffcient for handling highly connected heterogeneous IoT data because these data have deeply complex 
relationships which require nested queries and complex joins on multiple tables. Recently, graph databases 
have been recently developed for storing and analyzing highly connected data. This paper presents an 
analysis and a comprehensive comparison of relational databases and graph databases for heterougeneous 
IoT data management. Through the comparison in various aspects and experimental results, we find that 
graph databases are applicable for storing and analyzing the IoT connected data.
Keywords: Graph Database, Graph Queries, Query Performance, Connected Data, IoT Data Management.