Lenguajes y Operaciones para Bases de Datos no Convencionales

Los avances tecnológicos han producido una gran cantidad de información que debe ser almacenada y procesada. Los diferentes tipos y tamaños de datos provenientes de diversas fuentes como revistas, transacciones financieras, fotografı́as, música, etc., han dado lugar al desarrollo de depósitos no estructurados de información, Bases de Datos no Convencionales, en los que se almacenan y consultan nuevos tipos de datos (texto libre, imágenes, audio, vı́deo, etc.). Estos grandes volúmenes de información exigen dispositivos de almacenamiento capaces de mantenerlos y además proveer un acceso eficiente y efectivo a los mismos. Esta nueva realidad requiere un modelo más general tal como las Bases de Datos Métricas, con un nivel de madurez similar al de las bases de datos tradicionales. Por otro lado la necesidad de reducir la brecha entre los tiempos de CPU y los de I/O provocó el desarrollo de memorias más rápidas y de gran capacidad, promoviendo ası́ la aparición de estructuras de datos que tienen en cuenta estas arquitecturas como las estructuras de datos compactas y las estructuras de datos con I/O eficiente. Nuestra investigación pretende contribuir a la madurez de este nuevo modelo de bases de datos. Palabras Claves: bases de datos no convencionales, lenguajes de consulta, ı́ndices, expresividad.

[1]  Gonzalo Navarro,et al.  Dynamic spatial approximation trees , 2001, SCCC 2001. 21st International Conference of the Chilean Computer Science Society.

[2]  Pavel Zezula,et al.  Similarity Join in Metric Spaces , 2003, ECIR.

[3]  Larry J. Stockmeyer,et al.  The Polynomial-Time Hierarchy , 1976, Theor. Comput. Sci..

[4]  Anuj Dawar.  A Restricted Second Order Logic for Finite Structures , 1998, Inf. Comput..

[5]  David Harel,et al.  Computable Queries for Relational Data Bases , 1980, J. Comput. Syst. Sci..

[6]  Nora Reyes,et al.  Enlarging nodes to improve dynamic spatial approximation trees , 2010, SISAP.

[7]  Neil Immerman,et al.  Descriptive and Computational Complexity , 1989, FCT.

[8]  Ronald Fagin.  Generalized first-order spectra, and polynomial. time recognizable sets , 1974 .

[9]  Gonzalo Navarro.  Searching in metric spaces by spatial approximation , 2002, The VLDB Journal.

[10]  Lauri Hella,et al.  Computing queries with higher-order logics , 2006, Theor. Comput. Sci..

[11]  Neil Immerman,et al.  Descriptive Complexity , 1999, Graduate Texts in Computer Science.

[12]  Nora Reyes,et al.  Solving similarity joins and range queries in metric spaces with the list of twin clusters , 2009, J. Discrete Algorithms.

[13]  Gonzalo Navarro,et al.  A compact space decomposition for effective metric indexing , 2005, Pattern Recognit. Lett..

[14]  Gonzalo Navarro,et al.  Dynamic Spatial Approximation Trees for Massive Data , 2009, 2009 Second International Workshop on Similarity Search and Applications.