Bases de datos NoSQL

INTRODUCCIN
En la actualidad existe una gran polmica alrededor del tema relacionado con la gestin de la informacin digital que se necesita almacenar para su posterior recuperacin y anlisis por parte de los diseadores, arquitectos y desarrolladores de aplicaciones informticas de cualquier tipo. Por un lado estn los tradicionales sistemas de gestin de bases de datos relacionales (RDBMS, por sus siglas en ingls) y por otro los prometedores sistemas de bases de datos no relacionales y distribuidos conocidos como NoSQL (Not only SQL). Los primeros, dueos de la mayor parte del mercado del almacenamiento de datos, con una robustez innegable y aos de explotacin en mltiples entornos de gestin de informacin. Los segundos, emergentes y novedosos, ofrecen sin embargo una nueva forma de pensar en el desarrollo de aplicaciones web orientadas y centradas en el usuario [1]. Se hace necesario entonces hacer un anlisis consciente de ambas variantes por parte de los especialistas en la gestin de la informacin encargados de la seleccin de uno u otro, con el objetivo de escoger la solucin ptima al problema presentado. A esta idea en particular se pretende tributar con el anlisis que se presenta en este artculo, realizando un estudio cronolgico sobre el surgimiento y evolucin hasta la actualidad de los sistemas de gestin de bases de datos para finalmente llegar a conclusiones al respecto. Con la intencin de organizar el anlisis y ganar en claridad sobre el objetivo principal del artculo se expondrn las causas que originaron el surgimiento de los RDBMS y los problemas que resolvieron en sus inicios. Luego se mostrarn los problemas presentados con la variante anterior y la necesidad del surgimiento de nuevas alternativas al mismo. Finalmente se introducen los aspectos relacionados con el nacimiento y evolucin de los sistemas de bases de datos NoSQL. Al final el escenario quedar listo para que las personas involucradas en el proceso de seleccin del gestor de bases de datos a utilizar puedan juzgar en su justa medida las conclusiones a las que se arriban.

1. 1.1.

Bases de datos relacionales Causas de su origen

La aparicin del modelo relacional para las bases de datos estuvo precedida por la existencia de las variantes jerrquicas y de red, las cuales permitan almacenar estructuras de datos tales como listas y rboles. En el caso de la primera variante se trata de un sistema de gestin de bases de datos que almacena la informacin en una estructura jerrquica que enlaza los registros en forma de estructura de rbol, donde un nodo padre de informacin puede tener varios nodos hijo. Esta relacin jerrquica no es estrictamente obligatoria, de manera que pueden establecerse relaciones entre nodos hermanos. En este caso especfico la estructura en forma de rbol se convierte en una estructura en forma de grafo dirigido, convirtindose entonces en un sistema del tipo de red antes mencionado. [2] Una estructura de base de datos

de red, en resumen, abarca ms que la estructura de rbol debido a que un nodo hijo en la estructura puede tener ms de un nodo padre. [3] Ver en la fgura 1 y 2.

Figura 1. Representacin de una base de datos jerrquica jerrquica

Figura 2. Representacin de una base de datos

Los problemas tpicos de las bases de datos jerrquicas, y en menor medida de red, derivan del hecho de que los sistemas gestores de ambas no implementan ningn control sobre los datos, sino que queda en manos de las aplicaciones que garantizan que se cumplan las condiciones invariantes que se requieran para su buen funcionamiento. En resumen estas implementaciones delegaban en los desarrolladores de aplicaciones la responsabilidad de definir el mecanismo de salva y recuperacin de la informacin contenida en los orgenes. En la prctica todas las aplicaciones estn sujetas a errores y fallos por lo que es prcticamente imposible que no se produzcan inconsistencias a la hora de almacenar los datos en la base de datos. Por otra parte, dichas condiciones suelen romperse ex profeso por motivos operativos (generalmente ajustes debidos a cambios en la lgica del negocio que se est modelando) o en busca de optimizar la rapidez en el acceso sin evaluar de manera consciente sus consecuencias. Los problemas comunes que se producen en estas variantes de bases de datos, producto de lo anteriormente expuesto son: Duplicidad de registros: no se garantiza la inexistencia de registros duplicados. Esto tambin es cierto para los campos "clave". Es decir, no se garantiza que dos registros cualesquiera tengan diferentes valores en un subconjunto concreto de campos. Integridad referencial: no existe garanta de que un registro hijo est relacionado con un registro padre vlido. Esto significa que es posible borrar un nodo padre sin eliminar antes los nodos hijos que tiene asociados, de manera que stos ltimos quedan relacionados con un registro invlido o inexistente. Desnormalizacin: este no es tanto un problema del modelo jerrquico como del uso que se hace de l. Sin embargo, a diferencia del modelo relacional, las bases de datos jerrquicas no tienen controles que impidan la desnormalizacin de una base de datos. No existe el concepto de campos clave o campos nicos.

En este contexto se inserta la propuesta de modelo relacional, como respuesta a estos inconvenientes.

1.1.

Definicin

Una base de datos relacional es una base de datos en donde todos los datos visibles al usuario estn organizados estrictamente como tablas de valores, y en donde todas las operaciones de la base de datos operan sobre estas tablas. Estas bases de datos son presentadas a los usuarios como una coleccin de relaciones normalizadas de diversos grados que varan con el tiempo. El modelo relacional representa un sistema de bases de datos en un nivel de abstraccin un tanto alejado de los detalles de la mquina subyacente. El modelo relacional puede considerarse como un lenguaje de programacin ms bien abstracto, orientado de manera especfica hacia las aplicaciones de bases de datos. En trminos tradicionales una relacin se asemeja a un archivo, una tupla a un registro, y un atributo a un campo. Los sistemas de bases de datos relacionales pueden presentar un inconveniente asociado al proceso de normalizacin que los caracteriza. Este se evidencia en el siguiente ejemplo relacionado con una empresa comercializadora: supongamos que se cuenta con una tabla de codificadores Producto, una tabla Clientes y una tabla Factura. La primera tabla contiene los productos que oferta la empresa, la segunda los datos relacionados con los clientes de la misma y la ltima muestra los detalles de las facturas realizadas donde se registra de manera obligatoria el identificador del cliente que efectu la compra y el identificador del producto que adquiri, adems de otros datos asociados a la transaccin que no son requeridos en todo momento. El problema de este diseo normalizado se presenta en el momento de actualizar el nombre de un producto presente en mltiples facturas anteriores, a partir de ese momento el producto con el nombre anterior desaparece de todas las facturas y no podr ser recuperado con su nombre inicial. Esta situacin llevada a otra escala afecta a los diseadores de bases de datos, que se ven obligados a denormalizar los esquemas o buscar variantes de otro tipo para sortear esta limitacin. Por otra parte est el conocido problema del ObjectRelational Impedance Mismatch, el cual se produce por una incompatibilidad entre el paradigma orientado a objetos y el relacional. El primero est basado en principios de la ingeniera de software y el segundo en principios matemticos (debido a la existencia del lgebra relacional). Por la diferencia entre las dos tecnologas estn son incapaces de alcanzar un acople perfecto. Este problema obliga a los desarrolladores a buscar soluciones alternativas, afectando as la capa de acceso a datos definida en el sistema. Producto de lo anterior y desde hace unos aos ya, los especialistas en gestin de informacin digital se dieron a la tarea de buscar soluciones particulares al almacenamiento de los datos en sus aplicaciones, donde no estuvieran atados al controvertido modelo relacional. Surgen entonces las variantes no relacionales que no implementan el lenguaje de consultas SQL.

2.

Bases de datos NoSQL

La respuesta a la necesidad de gestionar volmenes masivos de informacin surge de la base de datos NoSQL, trmino acuado a finales de los 90 y que engloba todas las tecnologas de almacenamiento estructurado que no cumplen el esquema relacional.

La cantidad de informacin manejada por comunidades, redes sociales, buscadores, y muchos otros proyectos en el mbito de la Web 2.0 es abrumadora, lo que ha hecho que surjan nuevas arquitecturas de almacenamiento de informacin, que deben ser de alto rendimiento, escalables y distribuidas. Aunque esta tecnologa surgi de unas necesidades muy concretas, su difusin y algunos proyectos para encapsular sus funcionalidades y hacerlas ms amigables a desarrolladores acostumbrados a SQL est provocando que tambin se usen en proyectos de pequeo tamao, con lo que todo indica que a medio plazo convivirn con las bases de datos tradicionales independientemente del volumen de datos a gestionar.

Dentro de las plataformas NoSQL encontramos varios grupos: Basadas en clave/valor. Se almacenan valores asociados a una clave. Son sencillas y las de mayor rendimiento. Basadas en documento. Son una particularizacin de las clave/valor, en las que el valor puede ser un documento. Permiten consultas complejas. Basadas en columna. Los valores se almacenan en columnas en lugar de filas. Son tiles cuando se gestionan datos agregados. Basadas en grafo. Las relaciones se tratan como un dato ms.

Basadas en objetos. Los datos son objetos y las relaciones punteros entre ellos. Permiten operaciones muy complejas pero suelen tener bajo rendimiento. Otras. Cubren necesidades muy especficas y tienen escasa implantacin: basadas en tupla, multivaluadas, jerrquicas, etc. [10]

NoSQL (Not Only SQL) realmente es una categora muy amplia para un grupo de soluciones de persistencia que no siguen el modelo de datos relacional, y que no utilizan SQL como lenguaje de consulta; pero en resumen, las bases de datos NoSQL pueden clasificarse en funcin de su modelo de datos en las siguientes cuatro categoras: Orientadas a clave-valor (Key-Value stores) Orientadas a columnas (Wide Column stores) Orientadas a documentos (Document stores) Orientadas a grafos (Graph databases)

Para los sistemas de clave-valor la unidad ms pequea de modelado es el par clave-valor; mientras que en los sistemas de columnas anchas las tuplas tienen un nmero variable de

atributos. Los sistemas documentales poseen como unidad bsica de almacenamiento la definicin abstracta de un documento y los sistemas orientados a grafos modelan el conjunto de datos como una gran y densa estructura de nodos en una red. [1] A continuacin se mencionan los diferentes tipos de gestores de datos NoSQL ms conocidos y se detallan brevemente los cuatro primeros de estos tipos con algunos elementos de inters. [2] 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. Key Value / Tuple Store Wide Column Store / Column Families Document Store Graph Databases Multimodel Databases Object Databases Grid & Cloud Database Solutions XML Databases Multidimensional Databases Multivalue Database

2.1.

Key Value / Tuple Store

Los sistemas de clave-valor prometen un rendimiento excelente para volmenes de datos muy grandes, a cambio de ser muy simples y renunciar a funcionalidades que tenemos en otros sistemas como la verificacin intrnseca de la integridad de datos, llaves extranjeras y disparadores. Las validaciones de los datos se delegan completamente en la aplicacin cliente, siendo la base de datos, simplemente el lugar donde se guardan los datos. No se verifican integridades, no se comprueban referencias cruzadas, todo esto se ha de implementar a nivel de aplicacin, en el cdigo del cliente. En un sistema relacional existen bases de datos y dentro de cada base de datos tenemos tablas formadas por filas y columnas. En un sistema clave-valor existen contenedores, tambin se les llama cabinets, en cada contenedor podemos tener tantas parejas de clave-valor como queramos. Hay sistemas que permiten tener claves duplicadas y hay otros que no, o que se puede indicar que no queremos que se dupliquen. En cada contenedor es posible tener datos de la misma naturaleza (por ejemplo productos, pedidos, clientes, etc.) o totalmente diferentes (puede haber un contenedor por cliente), todo depende de los desarrolladores de la aplicacin.[3]

En la figura 3 se ilustra la forma de almacenamientos de estos sistemas. A cada clave se le asocia un valor (clave=valor).

Figura 3. Ejemplo donde se utiliza un contenedor para los usuarios y otro para sus datos.

Esta es una versin simplificada, hay bases de datos clave-valor ms sofisticadas, llamadas orientadas a documentos, como MongoDB y CouchDB. Otras tienen estructuras ms complejas que permiten almacenar arreglos asociados a una clave; incluso hasta simular tablas con sus columnas. El almacenamiento de clave-valor proporciona el modelo de datos ms sencillo posible. Sin embargo, esto tiene un costo, las consultas de rango no son directas (a menos que el gestor de datos proporcione apoyo explcito), y de modo general resultan muy complejas de ejecutar. [4] Recientemente las bases de datos orientadas a clave/valor han aumentado en popularidad, en parte gracias a los sistemas basados en la implementacin del paradigma Cloud Computing como Amazon SimpleDB o Google BigTable, que proveen a los programadores sistemas de almacenamiento sencillos. Entre las ms utilizadas se encuentran las siguientes: DynaboDB, Azure Table Storage, Couchbase Server, Riak y Redis.

2.2.

Wide Column Store / Column Families

Las bases de datos orientadas a columnas son probablemente ms conocidas por la aplicacin BigTable de Google o por la implementacin Cassandra de Apache. A primera vista son muy similares a las bases de datos relacionales, pero en realidad son muy diferentes. Una de las principales diferencias radica en el almacenamiento de datos por filas (sistema relacional) versus el almacenamiento de datos por columnas (sistema orientado a columnas) y otra la optimizacin de consultas para mejorar los tiempos de respuesta en comparacin con los sistemas relacionales. Las bases de datos orientadas a columnas son en realidad lo que se podra suponer, tablas de datos donde las columnas de valores de datos representan el almacenamiento estructural. Los datos son almacenados como secciones de las columnas de datos en lugar de filas de datos, como en la mayora de los gestores relacionales. Esto tiene ventajas para los almacenes de datos, sistemas de gestin de relaciones con clientes, catlogos de bibliotecas de tarjetas y otros sistemas ad-hoc de consulta donde los agregados se calculan a travs de un gran nmero de elementos de datos similares.(Fgura 4).

Figura 4. Ilustracin de las dos variantes de almacenamiento del tipo de base de datos Wide Column Store.

Los siguientes conceptos son fundamentales para entender cmo funcionan las bases de datos orientadas a columna: Familia de Columnas: Las familias de columnas puede contener sper columnas o columnas. Sper Columna: Una sper columna es un diccionario, se trata de una columna que contiene otras columnas pero no otras sper columnas. Columna: Una columna es una tupla de nombre y el valor.

Las columnas y las sper columnas no son imprescindibles, lo que significa que ocupan exactamente 0 bytes si no tienen un valor almacenado en ellas. Las familias columnas son muy parecidas a una tabla de datos de un sistema relacional, pero a diferencia de esta, solamente es necesario definir el nombre y la forma de ordenamiento de la llave pues no existe un esquema. [5] Algunos de los beneficios que ofrecen las bases de datos orientadas a columnas son: Alto rendimiento en las consultas de agregacin (como COUNT, SUM, AVG, MIN, MAX) Alta eficiencia en la compresin y distribucin de los datos. Verdadera escalabilidad y carga rpida de datos para grandes volmenes de datos. Gran accesibilidad por muchas herramientas analticas de BI de terceros.

Debido a sus capacidades de agregacin que calculan un gran nmero de elementos de datos similares, las bases de datos orientadas a columnas ofrecen ventajas clave para ciertos tipos de sistemas:[6] Almacenes de datos e inteligencia de negocios. Sistemas de gestin de relaciones de clientes. Catlogos de bibliotecas de tarjetas. Sistemas de consulta ad-hoc.

Entre los sistemas orientados a columnas ms utilizados se encuentran: Hadoop / HBase Cassandra Hypertable Accumulo Amazon SimpleDB

2.3.

Document Store

Una base de datos orientada a documentos est diseada para gestionar informacin orientada a documentos o datos semi-estructurados. Este tipo de bases de datos constituye una de las principales categoras de las llamadas bases de datos NoSQL. La popularidad del trmino "base de datos orientada a documentos" o "almacn de documentos" ha crecido a la par con el uso del trmino NoSQL en s. A diferencia de las conocidas bases de datos relacionales con su definicin de tabla, los sistemas documentales estn diseados entorno a la definicin abstracta de un "documento". Las bases de datos de documentales son consideradas por muchos como un escaln superior ante los simples gestores de llave-valor, puesto que permiten encapsular pares de llave-valor en estructuras ms complejas denominadas documentos. Por otra parte no existe un esquema estricto a seguir para definir estos documentos, lo cual simplifica sustancialmente su uso.[7] Almacenar y recuperar todos los datos relacionados como una sola unidad puede entregar ventajas enormes en el rendimiento y la escalabilidad. De este modo, los gestores de datos no tienen que hacer operaciones complejas como las uniones para encontrar los datos que normalmente estn relacionados, ya que todo se encuentra en un mismo lugar. Ver ejemplo en la fgura 5.

Figura 5. Ejemplo de una definicin de un documento que pretende almacenar algunos datos de una persona.

A excepcin de algunas, estas bases de datos generalmente proporcionan sus datos a travs de HTTP, almacenan los datos como documentos con la notacin de objetos de JavaScript (JSON) y ofrecen diferentes API para varios lenguajes. Los intereses generales son la sencillez, velocidad y escalabilidad. Entre las ms utilizadas se encuentran: [8] MongoDB (mongodb.org) CouchDB (couchdb.apache.org) RavenDB (ravendb.net)

2.4.

Graph Databases

Las bases de datos orientadas a grafos representan la informacin como nodos de un grafo y sus relaciones con las aristas del mismo, de manera que se pueda usar teora de grafos para recorrer la base de datos ya que esta puede describir atributos de los nodos (entidades) y las aristas (relaciones). Una base de datos orientada a grafos debe estar absolutamente normalizada, esto quiere decir que cada tabla tendra una sola columna y cada relacin tan solo dos, con esto se consigue que cualquier cambio en la estructura de la informacin tenga un efecto tan solo local. Hay ocasiones en que se requiere almacenar no solamente datos "sueltos" sino que una parte importante de dichos datos son las relaciones entre ellos como se aprecia en la figura 6:

Figura 6. Representacin del modo de operacin de una base de datos de grafo.

Este tipo de base de datos est diseada para los datos cuyas relaciones son bien representadas en forma de grafo, o sea, los datos son elementos interconectados con un nmero no determinado de relaciones entre ellos. La informacin a gestionar por este tipo de almacenamiento pudiera ser las relaciones sociales, el transporte pblico, mapas de carreteras o topologas de red, entre otros ejemplos. Por definicin, una base de datos orientada a grafos es cualquier sistema de almacenamiento que permite la adyacencia libre de ndice. Esto quiere decir que cada elemento contiene un puntero directo a sus elementos adyacentes por lo cual no es necesario realizar consultas por ndices. A pesar que las estructuras de datos en forma de grafos son normalizables en teora, incluso en sistemas relacionales, esto tendra serias implicaciones en el rendimiento de las consultas debido a las caractersticas de implementacin de bases de datos relacionales. En un sistema relacional cada operacin sobre una relacin resultara en una operacin de unin para el gestor de datos, lo cual es un proceso lento y no escalable ante un creciente nmero de tupas en estas tablas. No existe un consenso general sobre la terminologa existente en el rea de grafos pues hay muchos tipos diferentes de modelos de grafos. Sin embargo, se estn realizando algunos esfuerzos para crear el Modelo de Grafo de Propiedad, que unifica la mayora de las diferentes implementaciones de grafos. De acuerdo con este Modelo, la informacin en un grafo de propiedad se modela utilizando tres elementos bsicos: El nodo (vrtice) La relacin (arista) con direccin y tipo (etiquetado y dirigido) La propiedad (atributo) en los nodos y en las relaciones

Ms especficamente, el modelo propone un multi-grafo etiquetado, dirigido y atribuido. Un grafo etiquetado tiene una etiqueta para cada nodo, que se utiliza para identificar el tipo de ese nodo. Un grafo dirigido permite nodos con una navegacin determinada, cada relacin define la direccin y el sentido de navegacin entre dos nodos. Un grafo atribuido permite una lista variable de atributos para cada nodo y para cada relacin, donde un atributo es un valor asociado a un nombre, simplificndose as la estructura del grafo. Un multi-grafo permite mltiples aristas entre dos vrtices. Esto significa que dos nodos se pueden conectar varias veces por diferentes aristas, incluso si dos aristas tienen la misma cola, cabeza, y etiqueta. La teora de grafos ha sido testigo de una gran utilidad y pertinencia de muchos problemas en disimiles dominios. Los algoritmos de grafos ms tericos aplicados, incluyen varios tipos de clculos como el camino ms corto, rutas geodsicas, medidas de centralidad como PageRank, centralidad del vector propio, cercana, intermediacin, HITS, y muchos otros ms. Sin embargo, la aplicacin de estos algoritmos, en muchos casos se ha limitado a la investigacin, ya que en la prctica no ha habido ningn producto listo para escenarios de alto rendimiento en cuanto a implementaciones de bases de datos orientadas a grafos. Afortunadamente, en los ltimos aos, esto ha cambiado. Hay varios proyectos que se han desarrollado teniendo en cuenta los grandes escenarios de produccin como: [1] Neo4j Infinite Graph InfoGrid HyperGraphDB DEX GraphBase Trinity

CONCLUSIONES

Las bases de datos relacionales estn ampliamente extendidas y cuentan con potentes herramientas que facilitan la interaccin con las mismas. Existe adems, una documentacin en lnea y una gran comunidad de usuarios entorno a ellas. Numerosas aplicaciones de disimiles propsitos salen al mercado preparadas para integrarse fcilmente con este tipo de bases de datos, como CMS, ITS, entre otras. A diferencia, las bases de datos NoSQL son relativamente incipientes y disponen de pocas herramientas de gestin que no ofrecen muchas de las prestaciones que son encontradas en las herramientas para la gestin de las bases de datos relacionales. El trabajo con bases de datos de NoSQL requiere, en la mayora de los casos, conocer bien el negocio que se desea modelar para definir adecuadamente la estructura en la que se van a almacenar los datos. No obstante, este aspecto marca la diferencia en el rendimiento de las consultas, a favor de las NoSQL en comparacin con las relacionales. Un esquema de datos bien ajustado a un negocio muy especfico permite optimizar los resultados de las consultas desde la etapa de diseo. Las bases de datos NoSQL ofrecen una alternativa para las bases de datos relacionales, no un reemplazo. Cada una tiene su lugar, y simplemente entregan ms alternativas de las cuales podemos elegir una. Pero cmo elegir? Un indicador importante es el teorema de Brewer (o CAP) sobre la coherencia (Consistency), disponibilidad (Availability) y tolerancia a la particin (Partition Tolerance). Plantea que en los sistemas distribuidos solo podemos tener dos de las tres garantas (la C, la A o la P), y por lo tanto es preciso elegir la ms importante. Es preciso tener en cuenta que si lo que ms importa es la coherencia, entonces se debe optar por una base de datos relacional. El siguiente esquema explica grficamente el teorema de Brewer:

Referencias

1. SNCHEZ PREZ, CARLOS: Bases de Datos: RDBMS vs No-SQL, una R-Evolucin, disponible en http://carlossanchezperez.wordpress.com/2011/02/14/bases-de-datos-rdbms-vs-no-sqluna-r-evolucion/. 2. ANNIMO: Base de datos jerrquica, http://es.wikipedia.org/wiki/Base_de_datos_jer%C3%A1rquica. 3. ANNIMO: Base de datos http://es.wikipedia.org/wiki/Base_de_datos_de_red. de red, disponible en:

disponible

en:

4. NEUBAUER, P: Graph Databases, NOSQL http://www.infoq.com/articles/graph-nosql-neo4j.

and

Neo4j,

disponible

en

5. ANNIMO: NoSQL Archive, disponible en http://nosql -database.org/. 6. TALENS, JAH: Bases de datos clave -valor, http://softinspain.com/desarrollo/bases-de-datos-clave-valor/. disponible en

7. ANNIMO: NoSql Databases Landscape, disponible http://www.vineetgupta.com/2010/01/nosql-databases-part-1-landscape/.

en

8. RAHIEN, A: That No SQL Thing: Column (Family) Databases, disponible en http://ayende.com/blog/4500/that-no-sql-thing-column-family-databases. 9. ANDERSON, D: Column Oriented Database Technologies, http://dbbest.com/blog/column-oriented-database-technologies/. 10. STRAUCH, C: NoSQL strauch.de/nosqldbs.pdf. Databases, disponible en disponible en

http://www.christof-

11. LERMAN, J: Qu son las bases de datos documentales?, disponible http://msdn.microsoft.com/es-es/magazine/hh547103.aspx. 12. ZAMUDIO, E: Neo4J: Base de datos orientada a grafos, di sponible http://www.javamexico.org/blogs/ezamudio/neo4j_base_de_datos_orientada_grafos.

en

en

13. GARCA, JC: Bases de datos NoSQL y escalabilidad horizontal, disponible en http://blog.eltallerdigital.com/2011/03/bases-de-datos-nosql-y-escalabilidad-horizontal/.