Étude de l’efficacité énergétique des triple stores

Abstract

As the influence of knowledge graphs (KGs) continues to rise in handling and using larger datasets, triple stores have quickly become a preferred pattern for storing, querying, and managing structured information in the form of RDF triples. However, with the environmental and energy-related challenges we face rising, the energy efficiency of systems that use such data has emerged as a more pressing consideration. Regarding this subject, a lot of literature has been published on relational database management systems, but there has been much less cited literature on non-relational systems in this aspect. The purpose of this thesis is to create a comprehensive literature review about the energy efficiency of triple stores. Initially, we will define key aspects like knowledge graphs, RDF, SPARQL, and different machine learning and deep learning methods. Then we will carry out a comparative analysis of the results we obtained from the various proposed approaches.****

L’augmentation de l’utilisation des graphes de connaissances (KGs) et du web sémantique pour gérer et exploiter d’importants volumes de données a propulsé les triple stores en tant qu’option privilégiée pour le stockage, l’interrogation et la gestion d’informations structurées sous forme de triplets RDF. Cependant, compte tenu de l’augmentation des défis environnementaux et énergétiques, l’efficacité énergétique des systèmes utilisant ces sortes de données s’impose comme une préoccupation grandissante. Par conséquent, l’examen de leur performance énergétique est désormais une question cruciale. En ce qui concerne cette question, une abondante littérature a été produite sur les systèmes de gestion de bases de données relationnelles, en revanche, les systèmes non relationnels ont suscité beaucoup moins d’attention sous cet aspect. L’objectif de ce mémoire est d’élaborer une revue complète de la littérature concernant l’efficacité énergétique des triple stores. Dans un premier temps, nous allons définir des notions essentielles comme les graphes de connaissances, le RDF, SPARQL, ainsi que diverses méthodes d’apprentissage automatique et profond. Par la suite, une analyse comparative des résultats issus des diverses méthodes suggérées sera réalisée.