Efficient Dictionary Compression for Processing RDF Big Data Using Google BigQuery

Dawelbeit, Omer; McCrindle, Rachel

doi:10.1109/glocom.2016.7841775

Cited by 4 publications

(2 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Among others, they apply existing techniques for compressing string dictionaries, including a compact form of hashing [78,132], Front-Coding [447] (both Plain Front-Coding [78] and Hu-Tucker Front-Coding [272]), and various forms of self-indexing [78,91,179,345]. Moreover, Dawelbeit and McCrindle [137] compress RDF dictionaries that are used in Google BigQuery.…”

Section: Generatingmentioning

confidence: 99%

Survey and Taxonomy of Lossless Graph Compression and Space-Efficient Graph Representations

Besta,

Hoefler

2018

Preprint

View full text Add to dashboard Cite

Various graphs such as web or social networks may contain up to trillions of edges. Compressing such datasets can accelerate graph processing by reducing the amount of I/O accesses and the pressure on the memory subsystem. Yet, selecting a proper compression method is challenging as there exist a plethora of techniques, algorithms, domains, and approaches in compressing graphs. To facilitate this, we present a survey and taxonomy on lossless graph compression that is the first, to the best of our knowledge, to exhaustively analyze this domain. Moreover, our survey does not only categorize existing schemes, but also explains key ideas, discusses formal underpinning in selected works, and describes the space of the existing compression schemes using three dimensions: areas of research (e.g., compressing web graphs), techniques (e.g., gap encoding), and features (e.g., whether or not a given scheme targets dynamic graphs). Our survey can be used as a guide to select the best lossless compression scheme in a given setting.

show abstract

Section: Generatingmentioning

confidence: 99%

Survey and Taxonomy of Lossless Graph Compression and Space-Efficient Graph Representations

Besta,

Hoefler

2018

Preprint

View full text Add to dashboard Cite

show abstract

“…Untuk merespons suatu tuntutan pada cloud berdasarkan big data dan analytical, BigQuery menyediakan kemampuan untuk memproses kueri yang besar dari dataset. Google BigQuery digambarkan seperti menyediakan pengelolaan sepenuhnya, NoOps, dan murah biaya dalam menganalisis [7]. BigQuery dapat melakukan pengelolaan data, seperti membuat atau menghapus tabel berdasarkan skema dengan kode JSON, serta mengimpor data dengan jenis CSV atau JSON.…”

unclassified

Data Benchmark pada Google BigQuery dan Elasticsearch

Putri

Widyawan

Adji

2021

JNTETI

View full text Add to dashboard Cite

Cloud di masa kini tidak hanya berfungsi sebagai media penyimpanan data, tetapi dapat digunakan juga sebagai media untuk mengelola ataupun menganalisis suatu data. Google menawarkan Google BigQuery sebagai platform yang mampu mengelola dan menganalisis data, sedangkan Elasticsearch merupakan mesin pencari dan analisis yang dapat digunakan untuk menganalisis data dengan menggunakan Kibana. Dengan menggunakan dataset berupa cuitan hasil proses crawling melalui http://netlytic.org/ yang mengandung tagar #COVID19 dan #coronavirus, data tersebut dianalisis dan digunakan untuk membandingkan kinerjanya dengan benchmark. Benchmark merupakan proses yang digunakan untuk mengukur dan membandingkan kinerja terhadap sebuah aktivitas, sehingga tercapai tingkat kinerja yang diinginkan. Data benchmark dilakukan pada kedua platfrom untuk menghasilkan atau mengetahui beban kerja dari platfrom. Hasil akhir yang didapatkan menunjukkan bahwa Google BigQuery memiliki hasil yang lebih unggul, baik dari wadah upload untuk dataset yang lebih besar dibandingkan Elasticsearch dan dengan dua model pengujian kueri. Waktu pengelolaan kueri pada Google BigQuery juga lebih singkat dan cepat dibandingkan dengan Elasticsearch. Selain itu, hasil visualisasi dari kedua platform ini memiliki jumlah persentase yang sama.

show abstract