UNIVERSIDAD NACIONAL DEL ALTIPLANO

ESCUELA DE POSTGRADO

PROGRAMA DE MAESTRIA

MAESTRA EN INFORMTICA

TESIS

MTRICAS DE PERFORMANCE EN ADMINISTRACIN DE BASES DE

DATOS DISTRIBUIDAS EN INTERNET

PRESENTADA POR:

WILLY ENRIQUE QUISPE ACCHA

PARA OPTAR EL GRADO ACADMICO DE:

MAGISTER SCIENTIAE EN INFORMTICA

MENCIN EN INGENIERA DE SOFTWARE

PUNO, PERU

2014

2

UNIVERSIDAD NACIONAL DEL ALTIPLANO

ESCUELA DE POSTGRADO

PROGRAMA DE MAESTRIA

MAESTRA EN INFORMTICA

TESIS

MTRICAS DE PERFORMANCE EN ADMINISTRACIN DE BASES DE

DATOS DISTRIBUIDAS EN INTERNET

PRESENTADA POR:

WILLY ENRIQUE QUISPE ACCHA

PARA OPTAR EL GRADO ACADMICO DE:

MAGISTER SCIENTIAE EN INFORMTICA

MENCIN EN INGENIERA DE SOFTWARE

APROBADA POR EL SIGUIENTE JURADO: PRESIDENTE

.

M.Sc. ERNESTO NAYER TUMI FIGUEROA

PRIMER MIEMBRO

.

M.Sc. PEDRO LEONARDO QUISPE TICONA

SEGUNDO MIEMBRO

.

M.Sc. REYNALDO SUCARI LEON

ASESOR DE TESIS

.

M.Sc. PACO WILSON MARCONI QUISPE

Puno, 5 de Febrero de 2014.

i

DEDICATORIA

Dedico este trabajo principalmente a Dios, por haberme dado la vida y permitirme

el haber llegado hasta este momento tan importante de mi formacin profesional.

A mi madre, a pesar de nuestra distancia fsica, siento que ests conmigo siempre

y aunque nos faltaron muchas cosas por vivir juntos. S que este momento

hubiera sido tan especial para ti como lo es para m. A mi padre, por ser el pilar

ms importante y por demostrarme siempre su cario y apoyo incondicional sin

importar nuestras diferencias de opiniones. A mi esposa Lurdes, a quien quiero

como una compaera, por compartir momentos significativos conmigo y por

siempre estar dispuesta a escucharme y ayudarme en cualquier momento y a mis

hijos Max Brandon y Betsy Shamira, porque sin ellos no hubiera logrado esta

meta.

.

ii

AGRADECIMIENTOS

- Agradezco a Dios por protegerme durante todo mi camino y darme fuerzas

para superar obstculos y dificultades a lo largo de mi vida.

- A la Universidad, catedrticos por haberme permitido ascender un grado

ms en mi formacin profesional.

- A mi madre y padre, que con su demostracin de padres ejemplares me

han enseado a no desfallecer ni rendirme ante nada y siempre perseverar

a travs de sus sabios consejos.

- A mi esposa, por acompaarme durante todo este arduo camino y

compartir conmigo alegras y fracasos.

- Gracias a todas las personas que me ayudaron directa e indirectamente en

la realizacin de esta tesis.

iii

INDICE GENERAL

Pg.

DEDICATORIA i

AGRADECIMIENTOS ii

INDICE GENERAL iii

INDICE DE CUADROS vi

INDICE DE FIGURAS vii

RESUMEN viii

ABSTRACT ix

INTRODUCCIN 1

CAPTULO I

PROBLEMTICA DE LA INVESTIGACIN

1.1 DESCRIPCIN DEL PROBLEMA 3

1.1.1 FORMULACIN DEL PROBLEMA 4

1.2 OBJETIVOS DE LA INVESTIGACIN 4

1.2.1 OBJETIVO GENERAL. 4

1.2.2 OBJETIVOS ESPECIFICOS... 4

CAPTULO II

MARCO TERICO

2.1 ANTECEDENTES DE LA INVESTIGACI 5

2.1.1 INVESTIGACIONES DE NIVEL INTERNACIONAL 5

2.1.2 INVESTIGACIONES DE NIVEL NACIONAL. 9

2.2 MARCO REFENCIAL.. 12

2.2.1 SISTEMAS DISTRIBUIDOS.

2.2.2 BASE DE DATOS DISTRIBUIDAS.

2.2.3 BASE DE DATOS CENTRALIZADA

2.2.4 SISTEMAS CENTRALIZADOS Y SISTEMAS

DISTRIBUIDOS.

2.2.5 REDES DE COMPUTADORAS

2.2.6 TECNOLOGA DE LA INFORMACIN

2.2.7 LA NECESIDAD DE DISTRIBUIR DATOS.

12

13

18

16

19

21

23

24

iv

2.2.8 BASE DE DATOS Y DBMS..

2.2.9 PROCESAMIENTO DE CONSULTAS EN BASE DE

DATOS.

2.2.10 SEGURIDAD EN BASE DE DATOS DISTRIBUIDA

2.2.11 TRANSACCIONES DISTRIBUIDAS.

2.2.12 INTEGRIDAD DE DATOS EN ENTORNOS

DISTRIBUIDOS

25

27

28

30

30

2.3 GLOSARIO DE TERMINOS BSICOS 34

CAPTULO III

METODOLOGA

3.1 TIPO Y DISEO DE INVESTIGACIN.. 37

3.1.1 TIPO DE INVESTIGACIN. 37

3.2

3.3

3.1.2 DISEO DE INVESTIGACIN...

MTODO......................................

UNIDAD DE ANLISIS..

37

38

38

CAPTULO IV

RESULTADOS Y DISCUSIN

4.1 ANLISIS DE BASE DE DATOS RELACIONALES. 39

4.1.1 TIPOS DE SISTEMA DE GESTIN DE BASE DE

DATOS.

39

4.1.2 CARACTERSTICAS DE BASE DE DATOS

RELACIONAL.

4.1.3 VENTAJAS Y DESVENTAJAS

4.1.4 DISEO DE LAS BASES DE DATOS

RELACIONALES

40

40

41

4.2 ANLISIS DE BASE DE DATOS NO RELACIONALES..

4.2.1 PORQUE UTILIZAR BASE DE DATOS NoSQL.

42

43

4.3

4.2.2 EJEMPLOS DE BASES DE DATOS NOSQL.

4.2.3 POR QU APARECEN LOS SISTEMAS NOSQL..

PRUEBA DE RENDIMIENTO BASE DE DATOS..

43

44

48

v

4.3.1 DEFINICIN DE AMBIENTE DE PRUEBA..

4.3.2 ANLISIS COMPRATIVO...

4.3.3 EVALUACIN DE RESULTADOS.

48

51

64

CONCLUSICIONES 67

RECOMENDACIONES 69

BIBLIOGRAFA. 70

vi

INDICE DE CUADROS

Pg.

Cuadro 1 Especificaciones tcnicas base de datos Postgre ........... 44

Cuadro 2 Especificaciones tcnicas base de datos Mongo ..... 44

Cuadro 3 Especificaciones tcnicas base de datos MySQL.. .......... 44

Cuadro 4 Especificaciones de escenarios.. ..... 45

Cuadro 5 Estructura de la tabla/coleccin para los escenario ..... 45

Cuadro 6 Variables para evaluacin.. ...... 46

Cuadro 7 Tiempos de insercin escenario N 1. .... 47

Cuadro 8 Tiempos de insercin escenario N 2. .... 47

Cuadro 9 Consumo de recursos escenario N 1. ....... 48

Cuadro 10 Consumo de recursos escenario N 2 .. 51

Cuadro 11 Errores de insercin en escenario N 1......... .. 55

Cuadro 12 Errores de insercin en escenario N 2......... .. 56

Cuadro 13 Error de acceso de BD. En escenario N 1... .. 57

Cuadro 14 Error de acceso de BD. En escenario N 2... .. 58

Cuadro 15 Resumen de pruebas .......... .. 60

vii

INDICE DE FIGURAS

Pg.

Figura 1: Topologas de Redes de Comunicacin ....... 27

Figura 2: Paginacin escenario N 1 ................. 48

Figura 3: Acceso a disco fsico en escenario N 1 ...... 49

Figura 4: Uso de procesador en escenario N 1 .......... 50

Figura 5: Consumo de memoria RAM en escenario N 1 ...... 51

Figura 6: Paginacin en escenario N 2 ........ 52

Figura 7: Acceso a disco fsico en escenario N 2... ...... 52

Figura 8: Uso de procesador en escenario N 2 ....... 53

Figura 9: Consum de memoria RAM en escenario N 2 ...... 54

Figura 10: Porcentaje de errores de insercin en escen. N 1 ..... 55

Figura 11: Porcentaje de errores de insercin en escen. N 2 ..... 56

Figura 12: Porcentaje de errores de acceso a bd. N 1 ........ 58

Figura 13: Porcentaje de errores de acceso a bd. N 2 ........ 59

Figura 14:Porcentaje de xito en implementacin. de solucin ............. 60

viii

RESUMEN

Esta tesis describe el anlisis de mtricas de performance en administracin

de bases de datos distribuidas en Internet, para cumplir con dicho objetivo se

hizo el anlisis de bases de datos relacionales y no relacionales y finalmente

se hizo un anlisis comparativo entre las bases de datos relacionales y no

relacionales. La metodologa empleada para cumplir con los objetivos se

emple el mtodo analtico pues se har un anlisis de las ventajas y

desventajas de Software MongoDB, MySQL y PostgreSQL. Este trabajo

de investigacin pretende proponer una alternativa de base de datos que es

el de tipo de no relacional (NoSQL) frente a las bases de datos de tipo

relacional, de forma que puedan ser competitivas y hagan uso de las

tecnologas emergentes que abordan las necesidades de hoy en da. Las

conclusiones de la investigacin luego de realizado el anlisis de mtricas de

performance en administracin de bases de datos distribuidas en Internet se

concluye que la mejor opcin al momento de implementar una solucin para

el desarrollo datos NoSQL documental, ya que el porcentaje de tener xito

es del 70%, el cual es notablemente superior al caso en el que se

implemente una base de datos relacional.

Palabras clave: anlisis, Base de datos, Internet

ix

ABSTRACT

This thesis describes the analyze of metric of performance in administration of

data base in internet distributions, for carrying out with that objective we did

the analyze of relational and not relational data base and finally we did

comparative analysis between relational and not relational data base. The

methodology used for carying out with the objectives were analitic method it

will be analyze of advantange and disadvantange of Software

"Mongo,DB,MySQL and PostgreeSQL" . This work of research tries to propose

an alternative of data base which is the kind of not relational (NoSQL) beside

the data base of kind relational, it can be competetives and it uses the

emerging tecnhologies to approach the necesities of today's. The conclusions

of the research was realized the analyzes of metric of performance in

administration of data base in internet distributions we conclude that the best

option in the moment of implement a solution for developmenting documental

NoSQL datas, the achivement of percentage is 70%, which is the highest

notably in the case when we implements a relational data base.

Key word: analysis, data base, internet.

.

1

INTRODUCCIN

Actualmente las organizaciones que manejan bases de datos operan con

gran cantidad de datos, esto se debe a la cantidad de usuarios, aplicaciones

y necesidades internas o externas. Tanto es el crecimiento de estas

tecnologas que no es mantenible ni escalable continuar en algunos casos

con los mismos motores de bases de datos ya que dificulta la

administracin y mantenimiento de la informacin.

Hasta ahora se pueden identificar a grandes rasgos dos tecnologas de

gestin para el almacenamiento de datos: Las basadas en SQL y las que

no siguen este estndar, denominadas NoSQL; las primeras son las

mayormente conocidas como MySQL y Oracle de la compaa Oracle,

SQL Server de Microsoft, PostgreSQL de PostgreSQL Global Developer

Group.

Las bases de datos NoSQL surgieron como consecuencia de los

rendimientos de los motores basados en SQL, ya que no cumplan las

expectativas de tiempo de respuesta. Esta siguiente generacin de sistemas

de gestin de bases de datos contiene unas caractersticas particulares, ya

que es no relacional, distribuida, de cdigo abierto y horizontalmente

escalable estas caractersticas se explicarn en detalle ms adelante-,

de esta forma se optimiza el tiempo de consulta sobre las bases de datos y

soportan una mayor cantidad de datos.

La presente tesis se encuentra dividida por cuatro captulos, exponiendo a

continuacin

2

En el CAPITULO I, se identifica el problema y objetivos de estudio por

los cuales se va a desarrollar la investigacin.

En el CAPITULO II, se realiza un anlisis de las base de datos y

sistemas distribuidos

En el CAPITULO III, se describe la metodologa de investigacin

En el CAPITULO IV, se da a conocer el anlisis y resultados de

la investigacin.

Finalmente se adiciona las conclusiones, recomendaciones, bibliografa y

anexos de la investigacin desarrollada

3

CAPITULO I

PROBLEMTICA DE INVESTIGACIN

1.1 DESCRIPCIN DEL PROBLEMA

En la actualidad las bases de datos facilita el almacenamiento de

informacin lo cual se ha vuelto indispensable para cualquier institucin

o empresa que maneja bases de datos que contengan informacin til; el

problema radica en la sobrecarga de base de datos en un solo servidor, ya

que por el crecimiento de cualquier institucin o empresa requiere que sus

servidores estn fsicamente esparcidos en varios sitios de la red.

Cada sitio es un sistema de base de datos en s mismo, con el fin de

que un usuario de cualquier sitio de la red pueda obtener acceso a los datos,

tal como si todos los datos estuvieran almacenados en un solo servidor, es

en realidad una especie de objeto virtual, cuyos datos se almacenan

fsicamente en varias bases de datos reales pero ubicadas en diferentes

sitios.

La disponibilidad de las bases de datos y de las redes de

computadoras ha promovido el desarrollo de un nuevo campo denominado

bases de datos distribuidos. La utilizacin de bases de datos

distribuidos representa una solucin viable para instituciones o empresas

4

que manejen una gran cantidad de informacin y estn esparcidas en varios

servidores o sitios de la red.

1.1.1 FORMULACIN DEL PROBLEMA

Concretando el inters de esta investigacin y de lo

expuesto anteriormente, se plante la siguiente interrogante:

De qu manera se puede realizar el anlisis de mtricas de performance en

la administracin de bases de datos distribuidas en internet?

1.2 OBJETIVOS DE LA INVESTIGACIN

Se plante los siguientes objetivos:

1.2.1 OBJETIVO GENERAL

Realizar un anlisis de mtricas de performance en administracin

de bases de datos distribuidas en Internet.

1.2.2 OBJETIVOS ESPECFICOS Analizar las bases de datos Relacionales

Analizar las bases de datos no Relacionales

Realizar las pruebas de rendimiento de bases de datos no relacional

versus las bases de datos relacionales

5

CAPITULO II

MARCO TERICO

2.1 ANTECEDENTES DE LA INVESTIGACIN

2.1.1 INVESTIGACIONES DE NIVEL INTERNACIONAL

MENNDEZ LEONEL DE CERVANTES, Antonio Francisco

(2009). Planificacin de sistemas distribuidos en tiempo real. Tesis para

optar el grado de Doctor de Ingeniera Computacin. Mxico.

Universidad nacional Autnoma de Mxico.

Dicho trabajo de investigacin estudia el comportamiento de los

sistemas distribuidos en tiempo real y plantea dos contribuciones para

realizar un anlisis ms acucioso de dichos sistemas: en primer lugar se

plantea una mtrica de disponibilidad de nodos que participan en un

sistema distribuido, esta mtrica adems de proponer como evaluar dicha

disponibilidad, permite tambin evaluar el rendimiento del sistema distribuido.

La segunda contribucin del trabajo, plantea la necesidad y la posibilidad de

tener un planificador global para los sistemas distribuidos en tiempo real.

Se presentan dos casos de estudio en los que se pueden apreciar tanto

la viabilidad como las caractersticas de ambas contribuciones; en el primer

6

caso de estudio se implementa la mtrica de disponibilidad del nodo en un

sistema distribuido de alto rendimiento (Cluster), en donde la mtrica

permite obtener un uso equitativo del sistema distribuido al balancear la

carga entre los nodos participantes con lo que se logra un buen rendimiento

del sistema distribuido y un incremento en su desempeo al compararlo con

otras tcnicas de distribucin de cargas. En el segundo caso de estudio se

utiliza el planificador global propuesto para planificar un sistema distribuido

de control en tiempo- real. El uso de este planificador presenta entre otras

ventajas la posibilidad de encontrar las cotas de muestreo del sistema que le

permitan operar dentro de los lmites de desempeo aceptable as como la

velocidad de transmisin que debe tener la red de comunicaciones.

PALENCIA GUTIRREZ, Jos Carlos (1999). Anlisis de

planificabilidad de sistemas distribuidos de tiempo real basados en

prioridades fijas. Tesis para optar el grado de Doctor. Santander.

Universidad de Cantabria.

En la tesis doctoral se estudia el anlisis de sistemas de tiempo real en los

que se debe verificar el cumplimiento de ciertos requerimientos temporales,

principalmente referidos a plazos mximos de ejecucin. Esta verificacin se

realiza mediante el anlisis de planificabilidad basado en el clculo de

tiempos de respuesta de peor. El estudio se centra en los sistemas

multiprocesadores y distribuidos gobernados por eventos y planificados

mediante polticas basadas en asignacin de prioridades fijas. Dentro de

este mbito no se conocen tcnicas exactas de anlisis, de manera que

parte de la investigacin se ha orientado a la bsqueda de tcnicas

7

analticas aproximadas que verifiquen suficientemente el cumplimiento de los

requisitos temporales. El trabajo presentado en esta tesis se dirige

bsicamente a esa bsqueda. Por un lado, se centra en la formalizacin y

optimizacin de las tcnicas de anlisis previamente desarrolladas por otros

autores, mediante modelos que aproximan el comportamiento real de los

sistemas distribuidos de forma que sean analizables, aunque introduciendo

con ello cierto pesimismo, que hace que el anlisis no resulte exacto, pero s

suficiente. Por otro lado, la tesis se centra en la bsqueda de un nuevo

modelo que permita reducir el pesimismo en el anlisis. El modelo que se

propone es el basado en tareas con offsets dinmicos, mediante el que se

consiguen mejoras sustanciales frente a los modelos anteriormente

utilizados. Tambin se optimiza el anlisis al considerar las relaciones de

precedencia en la ejecucin de tareas dentro del sistema distribuido. La

inclusin de estas relaciones de precedencia cuando deducimos las

expresiones analticas que conducen a la obtencin de los tiempos de

respuesta hace que se reduzca fuertemente el pesimismo. Este modelo se

ha encontrado tambin adecuado para el anlisis de tareas que se

suspenden o para el anlisis de tareas con prioridades variantes, dentro de

sistemas multiprocesadores y distribuidos.

CAMPOVERDE BORJA, Henry Daniel (2012). Desarrollo de

aplicaciones web mediante HTML5 y la base de datos NoSQL mongo

DB. Tesis para optar el ttulo de Ingeniero en Sistemas. Ecuador.

Universidad del Azuay.

HTML desde su primera versin descrita tiempos atrs, ha ido evolucionando

8

hasta llegar a su actual versin HTML5. Esta tesis est basado en aquella

nueva versin, desarrollando as una aplicacin web orientada a redes

sociales, con el objetivo de exponer cambios y mejoras que han surgido a la

par con HTML5 y aadiendo una nueva alternativa para el almacenamiento

de datos como lo es MongoDB, una base de datos NoSQL, que

intenta solventar limitaciones del modelo relacional al momento de trabajar

con una cantidad masiva de datos.

RUIZ CARRETE, Jos Guadalupe (2004). Procesamiento de consultas

en bases de datos paralelas. Tesis para optar el grado de

Maestro en Ciencias en la Especialidad de Computacin. Mxico. Centro

de Investigacin y de Estudios Avanzados del IPN.

En aos recientes, se ha producido un incremento continuo en la

cantidad de datos manipulados por los sistemas manejadores de bases de

datos (DBMS). Ms an, ya no resulta extrao para un DBMS manipular

bases de datos con tamaos que van desde los cientos de gigabytes

hasta terabytes. Por otra parte, los sistemas con mltiples procesadores son

cada vez ms accesibles, por lo que es posible aplicar cmputo paralelo para

procesar grandes volmenes de informacin en las bases de datos.

El procesamiento de juntas (joins) en bases de datos, es una operacin

que demanda muchos recursos de cmputo, sobre todo en bases de datos

grandes. Para resolver este problema se hace necesario combinar tcnicas

de bases de datos (especialmente bases de datos distribuidas y

procesamiento paralelo) para reducir los tiempos de respuesta a los usuarios

de una base de datos grande. En este trabajo, se muestran algoritmos para

9

realizar cada una de las etapas involucradas en la implementacin de una

base de datos en paralelo. Los algoritmos son desarrollados en C haciendo

uso de la interfaz de paso de mensajes (MPI)

2.1.2 INVESTIGACIONES DE NIVEL NACIONAL PRO CONCEPCION, Luzmila Elisa (2010). Base de datos

distribuidos usando algoritmos genticos para optimizacin de proceso

transaccin en la Web. Tesis para optar el grado acadmico de

Doctor en Ingeniera. Lima-Per. Universidad Nacional Federico Villareal.

La tesis est orientada al crecimiento y evolucin del servidor web de

una manera econmica y escalable que lleva a un rendimiento ptimo. Por

consiguiente, existe la necesidad de estudiar los procesos de transacciones

del sistema, de tal manera que se aplique otra alternativa como algoritmos

genticos para optimizar el proceso de transaccin en el servidor, a fin de

as mejorar los procesos del servidor web y mejorar la atencin a los

clientes/usuarios.

El objetivo es implementar un simulador de transacciones orientado a la

toma de decisiones del administrador de transacciones con la aplicacin de

algoritmos genticos. Se us los algoritmos genticos para determinar que

transaccin se debe tomar para asignarlo en la cola de procesos.

Las conclusiones de esta tesis son: se ha realizado un anlisis de los

modelos de transacciones que operan actualmente y se ha extrado

tales mecanismos para llevarlo a un proceso de toma de decisiones en

funcin de los algoritmos genticos.

10

Se ha implementado un simulador prototipo para un sistema de aplicacin

con algoritmos genticos, para optimizar el proceso de transaccin, antes de

procesar datos, se evaluaran los procesos de transacciones sobre: tiempo

de simulacin, nmero de transacciones, tiempo de la transaccin, numero

de recursos, longitud de la cola del recurso. Probabilidad de

cruzamiento, probabilidad de mutacin, transacciones en cola, atendidos, en

lectura, en escritura, tiempo consumido, y se consigue los resultados de

procesos ptimos; el tiempo de procesamiento de datos mediante el

simulador es menor que el tiempo de procesamiento de datos que en el

procesador convencional, mejor uso del recurso de la computadora.

OATE LLERENA, Luis Robert (2005). Diseo de bases de

datos distribuida empleando la arquitectura de replicacin Oracle. Tesis

para optar el Ttulo Profesional de Ingeniero de Sistemas. Trujillo- Per.

Universidad Nacional de Trujillo.

La cantidad de innovaciones tecnolgicas que ha habido ha promovido

un cambio en la forma de observar a los sistemas de informacin y, en

general, a las aplicaciones computacionales. Existen avances

tecnolgicos que se realizan continuamente en circuitos, dispositivos

de almacenamiento, programas y metodologas. Sin embargo, los cambios

tecnolgicos van de la mano con la demanda de los usuarios y programas

para la explotacin exhaustiva de tales dispositivos mejorados. Por tanto,

existe un continuo desarrollo de nuevos productos los cuales incorporan

ideas nuevas desarrolladas por compaas e instituciones acadmicas.

11

Un rea en la cual las soluciones estn integrando tecnologa con

nuevas arquitecturas o formas de hacer las cosas es, sin lugar a dudas, el

rea de los sistemas distribuidos de informacin. Ellos se refieren al

manejo de datos almacenados en facilidades de cmputo localizadas en

muchos sitios ligados a travs de una red de comunicaciones. Un caso

especfico de estos sistemas distribuidos es lo que se conoce como bases de

datos distribuidas. Las razones por las que compaas y negocios migran

hacia bases de datos distribuidas incluyen razones organizacionales y

econmicas, para obtener una interconexin confiable y flexible con las

bases de datos existentes, y por un crecimiento futuro. El enfoque distribuido

de las bases de datos se adapta ms naturalmente a la estructura de las

organizaciones. Adems, la necesidad de desarrollar una aplicacin global

(que incluya a toda la organizacin), se resuelve fcilmente con bases de

datos distribuidas. Si una organizacin crece por medio de la creacin de

unidades o departamentos nuevos, entonces, el enfoque de bases de datos

distribuidas permite un crecimiento suave.

12

2.2 MARCO REFERENCIAL

2.2.1 SISTEMAS DISTRIBUIDOS

Un sistema distribuido consiste de una coleccin de computadoras

autnomas, unidas por una red de cmputo y equipadas con software

especfico (Colouris, 2001).

Un sistema distribuido es una coleccin de computadoras

independientes que aparecen ante los usuarios del sistema como una nica

computadora (Tanenbaum, 1996).

El desarrollo de la tecnologa y en particular la de los sistemas

distribuidos de cmputo ha tenido como metas a alcanzar, el tener sistemas

cada vez ms rpidos, eficientes, confiables, precisos y adaptables. Algunos

sistemas buscan brindar mayor calidad de servicio y rapidez al aumentar

el nmero de servidores. En los sistemas de misin crtica, lo que se busca

es la continuidad en la operacin del sistema, donde lo ms importante no es

la rapidez sino su disponibilidad, an a expensas de realizar inversiones

redundantes en tecnologa que slo ser usada en caso de falla. En otro

tipo de sistemas lo que se busca es la precisin o capacidad de cmputo,

pasando a un segundo plano el tiempo que el sistema tarde en entregar los

resultados. Otro tipo de necesidades son aquellas que surgen cuando lo

ms importante es el tiempo de entrega, si el resultado es correcto pero

tardo, se convierte en invlido para todo el sistema, o peor an, ocasiona

que el sistema se colapse; este ltimo tipo de sistema se conocen como

Sistemas de Tiempo - Real (Garcia, 2003).

13

2.2.2 BASE DE DATOS DISTRIBUIDAS

Las BDD aportan las ventajas de la computacin distribuida al dominio de

la gestin de BD. Un sistema de cmputo distribuido consiste en un

conjunto de elementos de procesamiento, no necesariamente homogneos,

que estn interconectados por una red de computadoras, y que cooperan en

la ejecucin de ciertas tareas asignadas. Como objetivo general, los

sistemas de cmputo distribuido dividen un problema grande y, a veces,

inmanejable, en piezas ms pequeas y las resuelven eficientemente de

forma coordinada. La viabilidad econmica de este enfoque proviene de dos

razones:

Se aprovecha ms la potencia de la estacin de trabajo para

resolver tareas complejas.

Cada elemento de procesamiento autnomo se puede gestionar

independientemente y puede desarrollar mejor sus aplicaciones.

Ahora es posible definir a una Base de Datos Distribuida desde

diferentes puntos de vista, se plantean a continuacin algunas

definiciones:

Una Base de Datos Distribuida es una nica base de datos lgica que

est fsicamente separada en varias computadoras que se encuentran

conectadas por una red de comunicaciones. Generalmente, la

administracin de Base de Datos Distribuida se encuentra

centralizada como un recurso corporativo mientras que se provee

flexibilidad y manejo local (Burleson, 1994).

Una Base de Datos Distribuida es una coleccin de mltiples Base

14

de Datos, lgicamente interrelacionadas, diseminadas sobre una red de

computadoras. Un DBMS1 distribuido (DDBMS) es un sistema de

software que permite la administracin de la Base de Datos Distribuida y

hace que esa distribucin permanezca transparente al usuario (Ozsu

& Valduriez,1996).

1 DataBase Management System: es una coleccin de programas que permite a un

usuario crear, manipular y mantener una Base de Datos

15

Una Base de Datos Distribuida no es una coleccin de archivos que

pueden ser almacenados individualmente en cada nodo o estacin de

trabajo de una red. Para formar una Base de Datos Distribuida estos archivos

necesariamente deben estar interrelacionados, permitiendo un acceso va

una interfaz comn.

El objetivo principal para la distribucin de datos es proveer un acceso

sencillo a la informacin por parte de los usuarios de mltiples localidades o

nodos de trabajo de una red de computadoras. Para alcanzar este objetivo,

los sistemas de base de datos distribuidos deben de proveer transparencia

de ubicacin, que significa que el usuario no necesita conocer la localizacin

fsica de cada dato dentro de la red. Idealmente, la informacin en la red

aparece como si fuera parte de una base de datos convencional (no

distribuida) almacenada en un sitio central, hacia donde todos los usuarios

convergen (Bobak, 1993).

2.2.2.1 TIPOS DE BASE DE DATOS DISTRIBUIDAS

El trmino DDBMS puede describir diversos sistemas que presentan

muchas diferencias entre s. El punto principal que todos estos sistemas

tienen en comn es el hecho que los datos y el software estn distribuidos

entre mltiples sitios conectados por alguna especie de red de

comunicaciones. Se discutir a continuacin varios tipos de DDBMS y los

criterios y factores que distinguen a algunos de estos sistemas (Bell &

Grimson, 1992).

El primer factor que se considera es el grado de homogeneidad

del software del DDBMS. Si todas las estaciones de trabajo utilizan software

16

idntico, al igual que todos los usuarios de la Base de Datos Distribuida,

en este caso en ambiente ser homogneo, en caso contrario se dice que el

sistema es heterogneo. Otro factor relacionado con el grado

de homogeneidad es el grado de autonoma local. Si el sitio local no

puede funcionar como un DBMS autnomo, el sistema no tiene autonoma

local. Por otro lado, si se permite a las transacciones locales acceder

directamente al nodo servidor, el sistema tendr cierto grado de autonoma

local.

En un extremo de la gama de autonoma, tenemos un DDBMS que da

al usuario la impresin de ser un DBMS centralizado. Solo hay un esquema

conceptual del modelo de datos y todo acceso al sistema rehace a travs de

un sitio que es parte del DDBMS, de modo que no hay autonoma local. En el

otro extremos se encuentran con un DBMS distribuido denominado

Federativo o Federado (o sistemas con mltiples Base de Datos). En un

sistema as, cada servidor es un DBMS centralizado independiente y

autnomo que tiene sus propios usuarios locales, transacciones locales y

Administrador de Base de Datos (DBA), por tanto posee un alto grado de

autonoma local. El trmino bases de datos federales (BDF) se utiliza cuando

algn esquema de la federacin de Base de Datos es compartido por las

aplicaciones. Por otro lado, un sistema de mltiples Base de Datos no tiene

un esquema global e interactivamente construye uno segn la aplicacin que

lo necesita. Los dos sistemas son hbridos entre sistemas centralizados y

distribuidos, y la distincin que se hace entre ellos no se sigue estrictamente.

Se hace referencia a ambos como DBF en un sentido genrico.

17

2.2.2.2 OBJETIVOS DE UNA BASE DE DATOS DISTRIBUIDA

Existen varias condiciones de negocio que alientan el uso de Base de

Datos Distribuida (Breitbart, Komondoor, Rastogi, Seshadri, &

Silberschatz,1999):

Distribucin y autonoma de unidades de negocio. Las organizaciones se

encuentran esparcidas geogrficamente y cada unidad organizacional

necesita disponer de sus datos en forma local.

Compartir los datos. Las decisiones empresariales se toman en funcin

de las necesidades globales de la empresa.

Costo y disponibilidad en las comunicaciones de datos. El costo de las

comunicaciones es generalmente elevado. Mantener copias locales de

los datos es una forma confiable y econmica para tener un acceso

rpido y econmico a la informacin dentro de la organizacin.

Recuperacin de Base de datos. Replicar la informacin en diferentes

estaciones de trabajo es una estrategia para asegurar que una Base de

Datos daada pueda ser rpidamente recuperada, permitiendo de

esa forma aumentar la disponibilidad de los datos.

Los principales objetivos que se persiguen con Base de Datos

Distribuida consisten en proveer al usuario de un acceso a los datos desde

diferentes ubicaciones. Desde aqu se pueden derivar algunas

consideraciones que deben estar provistas en los sistemas que

soporten distribucin de informacin:

Transparencia de localizacin: el usuario no debe conocer la ubicacin de

los datos para poder acceder a ellos.

18

Autonoma local: cada sitio donde residan datos tiene el control exclusivo

sobre ellos. Esto se logra mediante un DBMS que acta como

administrador local de los datos. Cada sitio, si bien cuenta con autonoma,

coopera con el resto de los sitios, compartiendo la informacin y

controlando el uso correcto de la misma Comparado con las Bases de

Datos centralizadas, una Base de Datos Distribuida presenta ventajas

que se describen a continuacin:

Incrementar la fiabilidad y disponibilidad

Control local de los datos

Crecimiento modular

Menor costo en las comunicaciones

Mejor tiempo de respuesta

2.2.3 BASE DE DATOS CENTRALIZADA

Los sistemas centralizados han sido utilizados durante tres dcadas

(60, 70, 80) como base para la tecnologa de informacin, pero desde

mediados de los 90, algunos nuevos aspectos surgieron para tender hacia la

utilizacin de sistemas distribuidos como soporte para la tecnologa de

informacin (Simon,1996):

Avances en tecnologa de computadoras y de comunicaciones

utilizadas para implementar la infraestructura de tecnologas de

informacin.

Crecimiento en las aplicaciones que llevan a la tecnologa

de informacin hacia niveles operacionales, administrativos y

19

estratgicos de las organizaciones.

Permitir que las estructuras organizacionales se adapten rpidamente

a los cambios en los ambientes de negocios.

Los cambios producidos en la dcada del 90 que motivan

avances tecnolgicos para la IT pueden resumirse en:

Mejora en la infraestructura y diseo de aplicaciones para la tecnologa

de informacin.

Evolucin contina en computadoras personales (estaciones de trabajo)

Posibilidad de interconexin de estaciones de trabajo (redes

de computadoras)

Servicios de informacin de rea global (bsicamente internet)

2.2.4 SISTEMAS CENTRALIZADOS Y SISTEMAS DISTRIBUIDOS

La perspectiva histrica sobre la evolucin de los sistemas distribuidos

revela un nmero de ventajas y desventajas. En general, para el desarrollo

actual y futuro de sistema de informacin tanto las polticas centralizadas

como las distribuidas deberan ser tenidas en cuenta. Un sistema

centralizado puede ser muy til para el usuario final y puede ofrecer

una mejor seguridad, integridad de informacin y funcionalidad (Colouris,

2001).

Los sistemas distribuidos, adems, tiene asociadas diferentes

caractersticas que pueden presentar tanto ventajas como desventajas

operativas. Estos pros y contras deben ser cuidadosamente analizados en

funcin de cada problema particular, para que, de esta forma, la decisin de

utilizacin o no se tome en forma correcta.

20

Se presentan a continuacin ciertos pros y contras de los

sistemas distribuidos. Como aspectos positivos se pueden mencionar:

Mayor flexibilidad: las componentes de un sistema distribuido pueden

ser agregadas, actualizadas, mudadas de sitio o directamente

removidas sin afectarse entre s.

Autonoma local: cada estacin de trabajo (nodo o localidad) tiene

el control absoluto de sus recursos.

Mejoras en la fiabilidad y disponibilidad: los sistemas centralizados

son ms vulnerables a cadas. Si el sitio central deja de operar,

todos los usuarios se ven imposibilitados de trabajar. Los sistemas

distribuidos tienen mltiples componentes del mismo tipo, configurados

independientemente y de manera tal que el sistema es tolerante a

fallos (si una estacin de trabajo no responde otra tomar su lugar y el

cliente, en general, podr satisfacer sus necesidades).

Mejoras en la performance: al separar los servicios del sistema

en mltiples localidades, el usuario podr acceder ms rpidamente a

los recursos. Adems, es posible lograr un mayor nivel de paralelismo

en el acceso a los datos.

Entre las desventajas asociadas a los sistemas distribuidos

pueden mencionarse:

Sistemas ms difciles de controlar debido al nmero creciente

de recursos en el mismo.

Mayor dificultad para brindar seguridad. Los sistemas distribuidos

son ms propensos a ataques, la autonoma local puede hacer

21

que una localidad deje puertas abiertas por donde puedan efectuarse

accesos indebidos. El control sobre la seguridad de los recursos

resulta ms complejo.

Las herramientas de desarrollo de sistemas distribuidos y el personal

que las pueden utilizar son ms escasos. La experiencia en el

desarrollo y utilizacin de herramientas est ms enfocada hacia

sistemas centralizados.

Reducir la fiabilidad y disponibilidad. Claramente se observa que

esta caracterstica est definida previamente como una ventaja. Cmo

debe, entonces, ser interpretada? Los sistemas centralizados pueden

ofrecer control fsico, operacional y condiciones de ambiente con ms

experiencia de desarrollo, esto significa que los sistemas deberan ser

ms fiables y deberan estar disponibles antes en el tiempo. Los

sistemas distribuidos, por el contrario, agregan ms aspectos que los

hacen ms proclives a fallos, ms difciles de probar y que necesitan

ms recursos humanos y de tiempo para su desarrollo.

2.2.5 REDES DE COMPUTADORAS

Se define una red de computadoras como una coleccin de estaciones

de trabajo autnomas que son capaces de intercambiar informacin entre

ellas. Las claves de la definicin son: interconexin y autonoma. El concepto

de autonoma, ya definido previamente, es una necesidad bsica para la

generacin de una Base de Datos Distribuidas (Tanenbaum, 1996).

Existen varios criterios para clasificar redes de computadoras. Un

criterio es la estructura de interconexin, otro es el modo de transmisin, y el

22

tercero lo representa la distribucin geogrfica.

De acuerdo con la estructura de interconexin, denominado topologa,

se pueden clasificar las redes como: Estrella, Anillo, Jerrquica, Anidada, etc.

En trminos de esquemas de comunicacin pueden ser redes punto a punto

o redes multipunto. En las redes punto a punto cada par de nodos se conecta

entre ellos, y no comparten el canal con otros nodos, mientras que una red

multipunto posee un canal comn de comunicaciones, el cual es utilizado por

cada estacin de trabajo de la red. Por ltimo, y de acuerdo a la distribucin

geogrfica, se pueden caracterizar las redes en WAN (Wide Area Network) o

LAN (Local Area Network) (Hallsall, 1992).

Las redes WAN pueden estar constituidas tanto con topologa

multipunto como punto a punto. El medio fundamental de transmisin

para topologa multipunto se denomina broadcast (en lneas generales, se

enva un mensaje al medio, donde todos los nodos escuchan, y solo la

estacin de trabajo destinataria responde al mismo). Las redes WAN con

topologa punto a punto pueden tener diversos tipos de conexiones,

estrella, anillo, etc. como se plante en el prrafo anterior.

Las redes WAN comnmente estn compuestas por equipos

heterogneos que requieren que el medio de transmisin sea capaz de

adaptarse a esta heterogeneidad. Para ello, se dispone de

estandarizaciones que solucionan el problema. La arquitectura de

interconexin de la ISO/OSI para sistemas abiertos (open systems) es una

variante posible.

23

Las redes LAN son redes limitadas geogrficamente. Proveen un

mayor ancho de banda para las comunicaciones. Los medios de

comunicacin son, generalmente, cables (pticos, coaxiles o estructurados)

aunque en algunos casos la comunicacin puede hacerse wireless (sin

cable). Estos medios proveen un mejor ancho de banda para establecer las

comunicaciones y una mejor performance en las transmisiones. En

general, una red LAN provee mejores oportunidades de trabajo, como

distribuir el proceso de control de aplicaciones, servidores de archivos

centralizados, disminuir el costo de almacenamiento secundario, etc.

Las necesidades de mercado actual hacen necesario compartir ambas ideas

de redes. Esto es, una organizacin puede tener, en distintas

ubicaciones, redes LAN; de esta forma, se mejora las prestaciones que

necesitan localmente los usuarios. Adems, cada una de estas redes

son interconectadas para compartir informacin, generando as una red

WAN. En estos casos, el medio ms utilizado para establecer la

comunicacin entre redes LAN ser Internet.

2.2.6 TECNOLOGA DE LA INFORMACIN

Las organizaciones actuales se estn expandiendo ms all de los

lmites geogrficos tradicionales en bsqueda de nuevas oportunidades de

negocios, nuevos clientes, nuevos mercados, tratando de mejorar su

viabilidad financiera y organizacional. Esto deriva en la necesidad de

una Tecnologa de Informacin ms flexible y productiva que soporte el

incremento innovador de los sistemas de informacin. Las organizaciones

estn creando infraestructuras de tecnologas de informacin que

24

soporten el envo de informacin, experiencia y servicios de acuerdo a

la demanda existente en tiempo y forma correcta para estaciones de trabajo

tanto fijas o mviles.

La industria de la tecnologa de informacin evoluciona hacia un cambio

innovador. Las estaciones de trabajo se transforman desde lo que se puede

llamar cmputo intensivo hacia comunicacin intensiva (informacin

intensiva), agregando la utilizacin de datos multimediales. En conclusin,

el objetivo fundamental de diseo de la tecnologa de sistemas

distribuidos apunta a presentar al usuario la ilusin que todos los

recursos se localizan en su estacin de trabajo. Un sistema distribuido en

este contexto es simplemente una coleccin de computadoras autnomas,

conectadas por una red, que permite compartir recursos y la cooperacin

entre aplicaciones, con la finalidad de responder ante una tarea dada (Simon,

1996).

2.2.7 LA NECESIDAD DE DISTRIBUIR DATOS

El objetivo principal para la distribucin de datos es proveer un acceso

sencillo a la informacin por parte de los usuarios de mltiples localidades o

nodos de trabajo de una red de computadoras. Para alcanzar este objetivo,

los sistemas de Base de Datos Distribuidos deben proveer transparencia de

ubicacin, que significa que el usuario no necesita conocer la localizacin

fsica de cada dato dentro de la red. Idealmente, la informacin en la red

aparece como si fuera parte de una Base de Datos convencional (no

distribuida) almacenada en un sitio central, hacia donde todos los usuarios

convergen (Bobak, 1993).

25

2.2.8 BASE DE DATOS Y DBMS

Una Base de Datos es una componente ms de los sistemas de

informacin. Se puede definir una Base de Datos de diversas formas:

Coleccin de datos interrelacionados (Elmasri & Navathe, 2002). Coleccin de archivos diseados para servir a mltiples aplicaciones

(Silberschatz, Korth, & Sudarshan, 1998) Contenedor para relaciones variables, el contenido de una BD dada

en cualquier momento de tiempo es un conjunto de relaciones

variables (Darwen, 1998).

Las definiciones de Base de Datos precedentes son muy generales, por

ejemplo se puede considerar que la coleccin de palabras que conforman

esta pgina de texto estn relacionadas y, por ende, constituyen una

Base de Datos. No obstante, el uso comn de Base de Datos es ms

restrictivo. Una Base de Datos tiene un conjunto de propiedades implcitas:

Representa algn aspecto del mundo real. Los cambios de este

mundo real se reflejan en la Base de Datos.

Es una coleccin lgicamente coherente de datos con algn tipo

de significados inherente. En general, cualquier ordenamiento aleatorio

de datos no representa una Base de Datos, como lo seran las palabras

que conforman esta pgina del texto.

Una Base de Datos es diseada, construida y manipulada con datos

para un propsito especfico, definido en los requerimientos del

problema original y para ser utilizada por un conjunto de usuarios.

26

Entonces una BD tiene alguna fuente desde la cual se derivan los

datos, algn grado de interaccin con eventos del mundo real y una

audiencia que est activamente interesada en el contenido de la misma.

Un DBMS (DataBase Management System) es una coleccin de

programas que permite a un usuario crear, manipular y mantener una Base

de Datos. El DBMS es un software de propsito general que facilita el

proceso de definicin, construccin y manipulacin de Base de Datos para

varias aplicaciones. Cuando se define una Base de Datos se involucra la

especificacin de tipos estructuras y limitaciones de datos, los cuales sern

almacenados en ella. La construccin de una Base de Datos es el proceso

de recolectar los datos sobre algn dispositivo (disco rgido, por

ejemplo) controlado por el DBMS. Por ltimo, manipular una Base de Datos

incluye aquellas funciones de consulta con el fin de obtener ciertos

resultados especficos a partir de los datos almacenados.

Las ventajas que se tienen al utilizar una Base de Datos son (Hoffer &

Prescott, 2002):

Independencia entre datos y programas de aplicacin Redundancia mnima de datos

Mejorar la consistencia de la informacin

Mejorar la productividad del rea de negocios

Mejorar la calidad de datos mejorando su accesibilidad y tiempo

de respuesta

Minimizar el mantenimiento.

27

2.2.9 PROCESAMIENTO DE CONSULTAS EN BASE DE

DATOS DISTRIBUIDA

Una consulta expresada en un lenguaje de alto nivel como SQL,

primero debe pasar por un anlisis lxico, un anlisis sintctico y una

validacin. El analizador lxico identifica los smbolos del lenguaje en el texto

de la consulta, mientras que el analizador sintctico revisa la sintaxis de la

consulta para determinar si est formulada de acuerdo con las reglas

sintcticas del lenguaje de consulta. Adems, la consulta se debe validar,

para lo cual se debe comprobarse que todos los nombres de atributos y de

relaciones sean vlidos y tengan sentido desde el punto de vista semntico

en el esquema de BD que se est utilizando.

Adems, una consulta tiene muchas posibles estrategias de ejecucin,

y el proceso de elegir la ms adecuada para procesar una consulta se

conoce como optimizacin de consulta. El proceso de optimizacin de

consultas consiste en determinar cul es el mejor esquema de resolucin, el

cual debera ser el que mejor respuesta tenga en performance.

En un esquema distribuido existen factores adicionales a los que se

tienen en cuenta para la optimizacin de consultas en un

esquema centralizado. Un factor es el costo de transferir datos por la red, otro

factor es la disponibilidad de la informacin (en que nodos se encuentra el

dato, si los nodos estn momentneamente disponibles, etc.). No es el

objetivo de este trabajo el estudio de procesamiento distribuido de consultas

(Ceri, 1991).

28

2.2.10 SEGURIDAD EN BASE DE DATOS DISTRIBUIDA

Un requerimiento importante de los DBMS, tanto distribuidos como

centralizados, es la habilidad de soportar control sobre los datos. Esto

incluye administracin de vistas, control de la seguridad, control de la

integridad. En otras palabras, estas capacidades deben asegurar que

los usuarios autorizados lleven a cabo las operaciones correctas sobre la

base de datos manteniendo la integridad en la Base de Datos (Fernandez et

al., 1981).

La definicin de las reglas que controlan la manipulacin de los datos

es parte de las tareas de DBA (administrador de la Base de Datos). En

general, las reglas son similares a sistemas centralizados con algunos

agregados. La seguridad de los datos es una funcin importante del DBMS

que protege la informacin contra acceso no autorizado. La seguridad de

datos incluye dos aspectos: proteccin de datos y control de autorizacin.

La proteccin de datos es necesaria para prevenir acceso no

autorizado de usuarios. Esta funcin, tpicamente, es provista por el sistema

de archivos en el contexto de sistemas operativos, tanto, centralizados o

distribuidos. La principal aproximacin para la proteccin de datos es la

encriptacin de los mismos.

El control de autorizacin debe garantizar que slo los usuarios

autorizados lleven a cabo las operaciones que les fueron permitidas sobre la

Base de Datos. Tanto los DBMS centralizados como los distribuidos

son capaces de establecer restricciones de acceso a subconjuntos de la

Base de Datos o de usuarios. De las soluciones para control de

29

autorizacin en sistemas centralizados, se derivan las soluciones para

DBMS distribuidos, con algn grado ms de complejidad.

En lo que respecta al control de autorizacin distribuido, los

problemas son autentificacin de usuarios remota, manipulacin de reglas de

autorizacin distribuidas, manipulacin de grupos de vistas y grupos de

usuario.

La autentificacin remota es necesaria dado que cualquier sitio

del DDBMS puede aceptar programas iniciados y autorizados en otros nodos

de la red. Para prevenir accesos remotos a usuarios no autorizados el

usuario debe ser identificado y autenticado en el nodo accedido. Son

posibles dos soluciones:

La informacin de autenticacin de usuarios es replicada en cada nodo.

Los programas locales, iniciados en cada sitio remoto, deben,

tambin indicar el nombre de usuario y su password.

Todos los sitios del sistema distribuido se identifican y autentican a

s mismo de la misma forma que lo hacen los usuarios. La comunicacin

entre sitios es protegida por el uso de password de sitio. Una vez

inicializado el sitio debe ser autenticado.

Las reglas de autorizacin distribuidas son expresadas de la misma

forma que los sistemas centralizados. Todas las reglas deben estar

disponibles, replicadas, para todos los sitios de la red.

30

2.2.11 TRANSACCIONES DISTRIBUIDAS

El acceso a los datos en los sistemas distribuidos se realiza mediante

transacciones, que deben conservar las propiedades. Hay que tener en

cuenta que en un esquema distribuido existen dos tipos de transacciones

diferentes: transacciones locales y transacciones globales (Gray & Reuter, 1996).

Las transacciones locales son las que tienen acceso y actualizan datos

slo en una Base de Datos local, residente en un nodo o localidad, en

tanto que las transacciones globales tienen acceso y actualizan datos en

varios nodos o localidades de la red. Asegurar las propiedades de las

transacciones locales es similar al proceso realizado en entornos

centralizados.

Sin embargo, en caso de transacciones globales, esta tarea es

mucho ms compleja y requiere un estudio mucho ms detallado

2.2.12 INTEGRIDAD DE DATOS EN ENTORNOS DISTRIBUIDOS

2.2.12.1 FALLOS EN ENTORNOS DISTRIBUIDOS

Los sistemas distribuidos pueden sufrir los mismos tipos de fallos que

los sistemas centralizados (por ejemplo, errores de software, errores de

hardware o fallos graves de disco). Sin embargo, hay otros tipos de fallos

con los que tratar en los entornos distribuidos (Tanenbaum, 1996). Los tipos

principales de fallo, que ahora aparecen, son:

Fallo de una estacin de trabajo o nodo Prdida de mensajes

Fallo en el enlace de comunicaciones Divisin de la red.

31

La prdida o deterioro de los mensajes es una posibilidad que siempre

se encuentra presente en los sistemas distribuidos. Protocolos, como TCP/IP,

surgen para tratar con estos errores y tratar de minimizar su impacto.

En lo que respecta a conceptos como fallo en el enlace

de comunicaciones o divisin de la red hay que analizar, primeramente, la

manera en que pueden interconectarse los sistemas distribuidos. Cada nodo

o estacin de trabajo puede estar conectado de varias formas (algunas de

las conexiones posibles se presentan en la figura 1.

Figura 1 Topologas de Redes de Comunicacin

Fuente: http://wikitel.info/wiki/Redes_de_comunicaciones

32

Cada configuracin presenta ventajas e inconvenientes. Se pueden

comparar segn los criterios siguientes:

Costo de instalacin: el costo de enlazar fsicamente los nodos del

sistema.

Costo de comunicaciones: el costo en tiempo y dinero para enviar

un mensaje desde el nodo A al nodo B.

Disponibilidad: el grado en que se puede tener acceso a los datos a

pesar del fallo de algunos de los enlaces o estaciones de trabajo.

Las diferentes topologas descriptas en la figura 1 representan distintas

formas de conexin (representadas por los arcos) entre estaciones de

trabajo (representadas por los nodos de un grafo). Una red totalmente

conectada, entonces, presenta una conexin fsica punto a punto entre cada

par de nodos de la red. De esta forma se logra tener una red donde el nivel

de disponibilidad es alto, el costo de mandar un mensaje es el mnimo

posible, pero el costo de la instalacin resulta muy elevado. Por otro lado,

una red tipo estrella tendr un costo de instalacin mucho menor, pero todos

los mensajes debern pasar por el nodo central, generando as un punto

nico de fallos que disminuir la disponibilidad y har aumentar el costo de

comunicaciones (Hasse & Henrich,1995).

Si se dispone de una red parcialmente conectada hay enlaces directos

entre algunos nodos. Por tanto, costo de instalacin es menor a una

red totalmente conectada, pero los mensajes entre dos nodos sin conexin

directa deben rutearse a travs de una secuencia de enlaces de

33

comunicaciones, aumentando su costo. Si fallara un enlace de

comunicaciones, habra que volver a rutear los mensajes que se

deberan transmitir por ese enlace. En algunos casos es posible encontrar

otro camino por la red, de manera que los mensajes pueden alcanzar su

destino. En otras situaciones, el fallo puede ocasionar que se produzca una

divisin de la red, cuando no se encuentra un camino alternativo para enviar

el mensaje. La divisin de la red produce situaciones de fallo delicadas que

en algunos casos, como el protocolo de compromiso de tres fases, puede

llevar a inconvenientes para preservar la integridad de la informacin en la

BDD (Skeen, 1991).

Para que un sistema distribuido sea robusto debe detectar los

fallos, volver a configurar el sistema para que el proceso de transacciones

pueda continuar y recuperarse cuando se repare el enlace (nodo) fallado.

Los diferentes tipos de fallo se tratan de manera diferente. La prdida

de mensajes se trata mediante la retransmisin. La retransmisin reiterada

de un mensaje por un enlace, sin que se reciba un acuse de recibo, es

sntoma de fallo del enlace. La red suele intentar encontrar una ruta

alternativa para el mensaje. El fallo en encontrar esta ruta puede ser

sntoma de divisin de la red. No es posible, por lo general, diferenciar entre

fallo de un emplazamiento y divisin de la red. El sistema puede detectar el

fallo pero no identificar su tipo.

Una vez detectada una situacin anmala (fallo) el sistema debe

reconfigurarse para poder continuar de un modo normal su

funcionamiento. Para ello existen una serie de acciones:

34

Si se han guardado datos replicados en el nodo que no responde, hay

que actualizar el diccionario de datos distribuidos para que

cualquier transaccin generada no acceda a dicho nodo para buscar

informacin de esa copia.

Si estaban activas transacciones generadas en esa localidad hay

que abortarlas, para ello existen los protocolos de compromiso que se

describirn en la seccin siguiente.

Si el nodo cado actuara como servidor central de algn tipo de

operacin, se deber seleccionar un nuevo servidor alternativo. Si bien

anteriormente

se discuti que en un entorno distribuido no debe existir sitios centrales,

algunas operaciones temporales requieren de su existencia. Ms

adelante se discutirn estas situaciones y su solucin.

Luego, la recuperacin del nodo y su reingreso al sistema distribuido

tambin requiere una serie de acciones. Estas incluyen actualizar los

diccionarios distribuidos para que el nodo pueda ser nuevamente accedido,

y actualizar la copia de la BD para que reflejen los cambios realizados

mientras estaba sin conexin.

2.3 GLOSARIO DE TRMINOS BSICOS Adaptacin. Habilidad de un sistema para mantener su estructura, proceso

y funciones particulares, cuando se enfrenta a cambios en el medio.

Administracin. Gestin de recursos para un mejor aprovechamiento de

los mismos.

35

Algoritmo. Un procedimiento por pasos, que en un determinado nmero

de ellos produce l ptimo.

Anlisis. Separacin y distincin de las partes de un todo hasta llegar

a conocer sus principios constitutivos.

Bases de datos. Sistema formado por un conjunto de datos almacenados

en memorias de almacenamiento masivo que permiten el acceso directo a

esos datos y un conjunto de programas que manipulan ese conjunto de datos.

Bit. Unidad mnima de transmisin de datos, empleada principalmente

en referencia a mdems o comunicaciones de red.

Byte. Unidad de informacin, compuesta de 8 bits consecutivos. Cada byte

puede representar, por ejemplo, una letra.

Cdigo pseudoaleatorio. Seal con propiedades similares a las del

ruido pseudoaleatorio. Es un patrn complicado pero repetido de unos y

ceros.

Comunicacin. Intercambio de informacin que fluye de forma

multidireccional segn el tamao del grupo. Es la transduccin que existe

entre dos sistemas o un sistema y un subsistema o un sistema concreto y

uno abstracto, o modelo, en un proceso ciberntico.

Consulta. Mtodo para acceder a los datos en las bases de datos.

Datos. Representacin simblica (numrica, alfabtica, algortmica etc.), un

atributo o una caracterstica de una entidad.

Digitalizacin. Convertir una representacin analgica en una

36

representacin digital, directamente manejable por una computadora.

Estructura. Arquitectura estable en las relaciones entre subsistemas y

sistemas.

Protocolo. Proceso de sincronizacin de intercambio de informacin en una

secuencia lgica.

Red. Proceso de comunicacin permanente, abierto y dinmico en paralelo,

en forma de retcula con relaciones redundantes.

Sistema. Es una reunin o conjunto de elementos relacionados con un

objetivo comn. "Es una unin de partes o componentes, conectados en una

forma organizada". "Las partes se afectan por estar en el sistema y se

cambian si lo dejan". "La unin de las partes hace algo". Un sistema puede

existir realmente como un agregado natural de partes componentes

encontradas en la naturaleza.

37

CAPITULO III

METODOLOGA

3.1 TIPO Y DISEO DE INVESTIGACIN

3.1.1 TIPO DE INVESTIGACIN

Para definir los alcances de esta investigacin, es necesario

saber primero que existen diferentes tipos de investigacin, segn

Hernndez, Fernndez & Baptista (2014) enfoca la investigacin hacia 4

tipos que son exploratorios, descriptivos, correlacinales y explicativos.

De acuerdo con las caractersticas, objetivos de la investigacin ser

de tipo explicativo, ya que tenemos que realizar un anlisis comparativo

entre las bases de datos relacionales con bases de datos no relacionales.

3.1.2 DISEO DE INVESTIGACIN

De acuerdo con Hernndez, Fernndez & Baptista (2014), existen dos

tipos de diseos: la investigacin experimental y la investigacin no experimental.

De acuerdo al inters de esta investigacin ser de tipo no

experimental, ya que observamos todo los factores en su ambiente de trabajo

natural, sin afectar ninguna variable.

38

3.2 MTODO

Dentro de las bases de datos relacionales y no relacionales existen dos

grupos los cuales son: las gratuitas y las que necesitan el pago de

licenciamiento para funcionar. Para cumplir con los objetivos de la presente

investigacin se opt por utilizar las bases de datos que son gratuitas de

cdigo no propietario, lo que permite descargarlas y hacer uso de la

funciones sin ningn costo.

Se emplear el mtodo analtico pues se har un anlisis de las

ventajas y desventajas de Software MongoDB, MySQL y PostgreSQL.

Para lograr el objetivo final de este trabajo de investigacin, el cual es

identificar una alternativa viable NoSQL, es necesario un conocimiento

suficiente de informacin tanto de bases de datos de este tipo SQL, as

como los requisitos y sus necesidades

3.3 UNIDAD DE ANLISIS

El estudio y el desarrollo del presente proyecto se realizaron sobre el

producto de Software MongoDB, MySQL y PostgreSQL para cumplir con los

objetivos de la presente investigacin.

39

CAPITULO IV

RESULTADOS Y DISCUSIONES

4.1 ANLISIS DE BASE DE DATOS RELACIONALES

En la actualidad, las bases de datos relacionales se han proyectado a

ser una de las herramientas ms difundidas, las cuales permiten almacenar,

manipular y recuperar informacin de diversos campos.

Las bases de datos relacionales es una base de datos que cumple con

el modelo relacional, el cual es el modelo ms utilizado en la actualidad para

implementar bases de datos ya planificadas. Permiten establecer

interconexiones (relaciones) entre los datos (que estn guardados en tablas),

y a travs de dichas conexiones relacionar los datos de ambas tablas.

4.1.1 TIPOS DE SISTEMA DE GESTIN DE BASE DE DATOS

Existen dos sistemas de gestin de base de datos: sistemas de gestin

propietarios y sistemas de cdigo abierto.

Entre los sistemas de gestin propietarios tenemos:

Oracle

Microsoft SQL Server

DB2, etc.

40

Entre los sistemas de gestin de cdigo abierto tenemos:

MySQL

Postgres

Firebird

SQLite,etc

4.1.2 CARACTERSTICAS DE BASE DE DATOS RELACIONAL

Una Base de Datos se compone de varias tablas o relaciones.

No pueden existir dos tablas con el mismo nombre ni registro.

Cada tabla es a su vez un conjunto de registros (filas y columnas).

La relacin entre una tabla padre y un hijo se lleva a cabo por medio de

las claves primarias y ajenas (o forneas).

Las claves primarias son la clave principal de un registro dentro de

una tabla y stas deben cumplir con la integridad de datos.

Las claves ajenas se colocan en la tabla hija, contienen el mismo valor

que la clave primaria del registro padre; por medio de stas se hacen las

formas relacionales

4.1.3 VENTAJAS Y DESVENTAJAS

4.1.3.1 VENTAJAS

Provee herramientas que garantizan evitar la duplicidad de registros.

Garantiza la integridad referencial, as, al eliminar un registro elimina

todos los registros relacionados dependientes.

Favorece la normalizacin por ser ms comprensible y aplicable.

41

4.1.3.2 DESVENTAJAS

Presentan deficiencias con datos grficos, multimedia, CAD y sistemas

de informacin geogrfica.

No se manipulan de forma manejable los bloques de texto como tipo

de dato.

Las bases de datos orientadas a objetos (BDOO) se propusieron con el

objetivo de satisfacer las necesidades de las aplicaciones anteriores y

as, complementar pero no sustituir a las bases de datos relacionales.

4.1.4 DISEO DE LAS BASES DE DATOS RELACIONALES

El primer paso para crear una base de datos, es planificar el tipo de

informacin que se quiere almacenar en la misma, teniendo en cuenta dos

aspectos: la informacin disponible y la informacin que necesitamos.

La planificacin de la estructura de la base de datos, en particular de

las tablas, es vital para la gestin efectiva de la misma. El diseo de la

estructura de una tabla consiste en una descripcin de cada uno de los

campos que componen el registro y los valores o datos que contendr cada

uno de esos campos.

Los campos son los distintos tipos de datos que componen la tabla, por

ejemplo: nombre, apellido, domicilio. La definicin de un campo requiere: el

nombre del campo, el tipo de campo, el ancho del campo, etc.

Los registros constituyen la informacin que va contenida en los

campos de la tabla, por ejemplo: el nombre del paciente, el apellido del

paciente y la direccin de este. Generalmente los diferentes tipos de campos

42

que se pueden almacenar son los siguientes: Texto (caracteres), Numrico

(nmeros), Fecha / Hora, Lgico (informaciones lgicas si/no, verdadero/falso,

etc.), imgenes.

En resumen, el principal aspecto a tener en cuenta durante el diseo de

una tabla es determinar claramente los campos necesarios, definirlos en

forma adecuada con un nombre especificando su tipo y su longitud.

4.2 ANLISIS DE BASE DE DATOS NO RELACIONALES

Las bases de datos NoSQL son sistemas de almacenamiento de

informacin que no cumplen con el esquema entidad-relacin al que todos

nos acostumbramos desde las primeras bases de datos. Mientras que las

tradicionales bases de datos relacionales basan su funcionamiento en tablas,

joins y transacciones ACID, las bases de datos NoSQL no imponen

una estructura de datos en forma de tablas y relaciones entre ellas (no

imponen un esquema pre-fijado de tablas), en ese sentido son ms flexibles,

ya que suelen permitir almacenar informacin en otros formatos como clave-

valor (similar a tablas Hash), Mapeo de columnas, Documentos o grafos.

Adems de la carencia de un esquema predeterminado, la

principal caracterstica de las bases de datos NoSQL es que estn pensadas

para manipular enormes cantidades de informacin de manera muy rpida.

Para ello suelen almacenar toda la informacin que pueden en memoria

(utilizando el disco como una mera herramienta de persistencia), y estn

preparadas para escalar horizontalmente sin perder rendimiento. Suelen

funcionar bastante bien en hardware de bajo coste (PCs normales y

corrientes), y permiten el escalado horizontal aadiendo nuevas mquinas

43

en caliente (idealmente sin necesidad de reinicio del sistema).

4.2.1 PORQUE UTILIZAR BASE DE DATOS NOSQL

Si se pretende desarrollar una aplicacin que requiera la

lectura/escritura de cantidades enormes de datos y que pueda dar

servicio a millones de usuarios sin perder rendimiento, entonces debemos

plantearnos el uso de una base de datos NoSQL. Las grandes redes

sociales como Facebook y twitter o el propio Google las utilizan como medio

fundamental de almacenamiento de informacin.

Se puede utilizar una base de datos NoSQL para almacenar toda

la informacin de una aplicacin, aunque la mayora de los casos se recurre

a sistemas mixtos que combinan los clsicos sistemas relacionales

(fcilmente manipulables e interrogables con el lenguaje SQL) con soluciones

NoSQL para aquellas funcionalidades que requieren millones de consultas e

tiempo real.

4.2.2 EJEMPLOS DE BASES DE DATOS NOSQL

Cassandra fue desarrollada por Facebook para su sistema de

mensajera, y posteriormente donado a la fundacin Apache (a finales del

2010 Facebook paso a utilizar HBase sobre Hadoop). Otro ejemplo de base

de datos NoSQL de clave-valor que est adquiriendo muy buena fama es

Redis2.

MongoDB es de las ms conocidas bases de datos orientadas a

documentos, y Neo4J las ms popular orientada a grafos.

44

4.2.3 POR QU APARECEN LOS SISTEMAS NOSQL

Primero debemos aclarar que las bases de datos relacionales no tienen

nada de malo, es ms, vale la pena mencionar que con el avance de

la tecnologa patrocinada por las grandes empresas que se dedican a las

bases de datos como Oracle, Microsoft, IBM, Informix, etc. Se han

desarrollado tcnicas para escalar sus productos en funcin a la demanda y

uso al que son sometidas dichas implementaciones. Entre las ms

populares para la web estn MySql, PostgreSQL, Oracle, etc.

2

Redis es un coleccin de datos estructurados

45

Una vez mencionado lo anterior podemos analizar la evolucin que la

web ha sufrido. El factor determinante en la evolucin de la web es el

propsito que se le ha dado a la misma, por ejemplo:

Web 2.03 (Enfocado a lo social). Software como Servicio2 (Relacionado con los servicios en la nube o

cloud computing).

Estos dos trminos son los que definen las aplicaciones web de hoy en

da. Una combinacin de las dos ha dado origen a un nuevo negocio los

startups, su forma de funcionamiento podramos resumirla de la siguiente

manera: los desarrolladores crean ideas que facilitan la vida a los usuarios y

los ofrecen como servicios web muchas veces gratuitos, para luego una vez

que tengan una base de usuarios aceptable implementar un modelo de

negocio basado en la publicidad, etc. Un ejemplo de esto puede ser

Facebook que adems de la publicidad hace tambin negocio con las

aplicaciones, por ejemplo City Ville. Podemos citar tambin a Twitter,

FourSquare como claros ejemplos. Tambin se valen de otros modelos de

negocio como los denominamos servicios web freemium, a los que nos

suscribimos generalmente de forma gratuita y luego tenemos la posibilidad

de contratar adicionales al servicio gratuito por los que si tenemos que pagar,

por ejemplo Dropbox (sistema de almacenamiento online) ofrece su servicio

de almacenamiento gratuito hasta 2GB y si deseamos ms espacio

debemos pagar una cuota anual. De esta manera podemos comprender que

las aplicaciones web se han convertido en un negocio rentable, para el

que necesitamos simplemente buenas ideas.

3 WEB 2.0: es un trmino asociado con aplicaciones web que facilitan el compartir informacin y la colaboracin en la web. Ejemplos los servicios de red social, las wikis, blogs, etc

46

Una vez entendido lo explicado anteriormente es necesario observar la

popularidad que dichos servicios han ido obteniendo, hay algunas ideas que

tienen xito y llegan a tener miles o incluso millones de suscripciones, y

otros que no llegan a un nivel considerable de usuarios. El que nos interesa

estudiar es el primer caso, donde dichos servicios o aplicaciones web

comenzaron a popularizarse y a crecer en nmero de usuarios llegando

hasta millones, las empresas enfrentaron nuevos desafos para mantener la

calidad del servicio. Uno de estos retos es la escalabilidad, si bien los

modelos relacionales se pueden adaptar para hacerlos escalar incluso en los

entornos ms difciles, s que es cierto que, a menudo, se hacen cada vez

menos intuitivos a medida que aumenta la complejidad. Triples y cudruples

JOINs en consultas SQL, a veces poco eficientes, y sistemas de

almacenamiento de resultados en cachs para acelerar la resolucin de

las peticiones y evitar ejecutar cada vez estas pesadas operaciones, son

el pan de cada da en muchos de estos proyectos de software.

Por este motivo principalmente es que las empresas de gran nivel como

Facebook, Google, Amazon han creado proyectos aplicando tecnologas de

base de datos alternativas a las tradicionales relacionales. Han prestado

principal atencin a las bases de datos documentales y clave/valor; y, en

base a estas han creado sus motores de almacenamiento como por ejemplo:

Google cre BigTable, Facebook cre Cassandra, Amazon cre Dynamo,

etc. Luego de desarrollar dichos proyectos la mayor parte de empresas han

liberado el cdigo de sus creaciones como software open Source, el mismo

que ha ido mejorado por comunidades de desarrollo y empresas particulares

que venden soporte y asesoramiento en el desarrollo de aplicaciones que

47

usen dichas bases de datos.

De esta manera los sistemas NoSQL surgen como una nueva

alternativa (basada en tecnologa ya existente: bases de datos

clave/valor y documentales) para solventar estos problemas proponiendo

una estructura de almacenamiento ms verstil, aunque sea a costa de

perder ciertas funcionalidades como las transacciones que engloban

operaciones en ms de una coleccin de datos, o la incapacidad de ejecutar

el producto cartesiano de dos tablas (tambin llamado JOIN) teniendo que

recurrir a la desnormalizacin de datos.

Vale la pena recalcar que las bases de datos NoSQL no buscan

reemplazar a las bases de datos tradicionales; es ms, la mayor parte de

empresas que usan NoSQL han desarrollado aplicaciones hbridas que

usan en conjunto bases de datos tradicionales y NoSQL en un mismo

ecosistema. Es por este motivo que los ingenieros de la herramienta en

estudio MongoDB publicaron lo que han llamado la filosofa de MongoDB

que se expresa en la frase Using the Right Tool for the Right Job, estas

palabras quieren decir: usando la herramienta indicada para el trabajo

indicado. Estas palabras dejan claro que las bases de datos NoSQL no han

surgido como reemplazo a las bases de datos relacionales, sino como una

herramienta ms a considerar cuando desarrollemos un proyecto, es decir

que en ciertos escenarios ser mejor usar una base de datos tradicional, en

otros ser mejor una combinacin de bases de datos NoSQL con bases de

datos tradicionales, y por supuesto habrn casos en los que podamos usar

bases de datos NoSQL solas.

48

4.3 PRUEBA DE RENDIMIENTO BASE DE DATOS NOSQL

DOCUMENTAL VERSUS SQL RELACIONAL

4.3.1 DEFINICIN DE AMBIENTE DE PRUEBA

Todas las pruebas se realizaran bajo las mismas condiciones de

hardware, tiempo, estructuracin bsica y disponibilidad de recursos, esto

con la finalidad de no proporcionar ninguna clase de ventaja o desventaja a

cualquiera de las bases de datos sometidas a la prueba.

La prueba en los distintos escenarios se realizara con las siguientes

especificaciones tcnicas del sistema operativo y software para la

simulacin de las consultas a las bases de datos por parte de los usuarios:

Sistema Windows 7 en la versin Ultimate

Procesador Intel Core i3

Memoria RAM de 1024 MB

Disco duro con capacidad de 30 GB

El software Jakarta-Jmeter utilizado en la versin 2,4 para realizar las

prueba de estrs, para las distintas bases de datos, dicha aplicacin de

software cuenta con la posibilidad de realizar pruebas a cualquier base de datos

que soporte conexiones ODBC.

A continuacin se presenta el cuadro 1 con el resumen de los aspectos y

caractersticas ms importantes de la primera base de datos relacional

sometida a las pruebas de rendimiento.

49

Cuadro 1 Especificaciones tcnicas base de datos PostgreSQL

Caractersticas Soporte

Versin 9,1,4

Tipo Relacional

ACID Si

Tamao mximo de la base de datos Ilimitado

Tamao mximo de la tabla 32 TB

Tamao mximo de campo 1 GB

Cantidad mxima de columnas por tabla 250- 1600 (dependiendo del tipo)

Sistemas operativos Linux y Unix, Mac OS X y Windows 32/64 bit Fuente: PostgreSQL. http://www.postgresql.org.es/sobre_postgresql.

En el cuadro 2 se presenta un resumen de los aspectos y

caractersticas de la primera base de datos NoSQL Sometida a las pruebas de

rendimiento.

Cuadro 2 Especificaciones tcnicas base de datos MongoDB

Caracterstica Soporte

Versin 10gen

Tipo NoSQL documental

ACID No

Tamao mximo de la base de datos Ilimitado

Tamao mximo del nodo 3 TB

Cantidad mxima de nodos Ilimitado

Tamao mximo de documentos por nodo 12 millones

Sistemas operativos Linux y Unix, Mac OS X y Windows 32/64 bit Fuente: PostgreSQL. http://www.10gen.com/use-case/high-volume-data-feeds.

En el cuadro 3 contiene los aspectos tcnicos de la segunda base

de datos relacional sometida a las pruebas de rendimiento.

Cuadro 3 Especificaciones tcnicas base de datos MySQL Caracterstica Soporte

Versin 5,5,24

Tipo Relacional ACID Si

Tamao mximo de la base de datos Ilimitado

Tamao mximo del nodo 2 TB

Cantidad mxima de nodos 1 GB

Tamao mximo de documentos por tabla 1- 15(dependiendo del tipo)

Sistemas operativos Linux y Unix, Mac OS X y Windows 32/64 bit

Fuente: PostgreSQL http://dev.mysql.com/doc/refman/5.0/es/table-size.html.

50

4.3.1.1 DEFINICIN DE ESCENARIOS DE PRUEBA

Las especificaciones de los escenarios de prueba se detallan en el cuadro 4:

Cuadro 4

Especificaciones de escenarios Especificaciones Escenario 1 Escenario 2

Duracin 10 min. 10 min.

Descripcin

Simulacin de 10 000 usuarios realizando 100 inserciones a la base de datos cada 15 seg.

Simulacin de 100 000 usuarios realizando 100 inserciones a la base de datos cada 15 seg.

Polticas de insercin

Consultas a una tabla para las bases de datos relacionales y a una coleccin en el caso de la base de datos NoSQL.

Consultas a una tabla para las bases de datos relacionales y a una coleccin en el caso de la base de datos NoSQL.

Fuente: Elaboracin Propia

La estructura utilizada en todas las bases de datos sometidas a

las pruebas de rendimiento se describe en el cuadro 5:

Cuadro 5 Estructura de la tabla/coleccin para los escenarios

PUBLICACIN

Nombre (char)

Nickname (char)

Texto (text) Fuente: Elaboracin Propia

4.3.1.2 VARIABLES A EVALUAR

En el cuadro 6 se enumeran las variables internas de salida y entrada

de las cuales se tiene control y mediante ellas se realizan los respectivos

anlisis para determinar el rendimiento de las distintas bases de datos

en los escenarios descritos con anterioridad.

51

Cuadro 6 Variables para evaluacin

Tipo de variable Variables

Internas de entrada

Tiempo entre inserciones

Cantidad de inserciones

Tiempo total de inserciones

Internas de salida

Tiempo de respuesta

Consumo de recursos

Porcentaje de fallo

Disponibilidad Fuente: elaboracin propia.

El anlisis de rendimiento se basar nicamente en las variables

internas de salida.

A continuacin se describirn brevemente las variables que

formarn parte del anlisis de rendimiento de las distintas bases de datos.

Tiempo de respuesta: es el tiempo medio que la base de datos tarda en

realizar el total de inserciones solicitadas.

Consumo de recursos: es el porcentaje de uso de CPU, memoria RAM,

uso de procesador y espacio en disco utilizado durante las

inserciones a la base de datos.

Porcentaje de fallo: medicin del porcentaje de inserciones exitosas y de

inserciones fallidas a la base de datos.

Disponibilidad: porcentaje de accesos exitosos y fallidos a la base de

datos.

4.3.2 ANLISIS COMPRATIVO POSTGRESQL, MYSQL Y

MONGODB 10GEN

Las pruebas realizadas a las bases de datos consisten en la insercin

masiva y concurrente de datos durante 10 minutos, a continuacin se

muestran, describen y analizan los resultados obtenidos en los diversos escenarios.

52

4.3.2.1 TIEMPOS DE RESPUESTAS

El tiempo de respuesta hace referencia al lapso de tiempo para realizar la

insercin de un registro dentro de la base de datos. En el cuadro 7 se listan los

resultados de inserciones obtenidos en las tres bases de datos para el escenario 1.

Cuadro 7 Tiempos de insercin escenario N 1

Parmetros PostgreSQL MySQL MongoDB

Total de accesos 501 517 199 959 760 120

Intentos de inserciones cada 15 seg. 100 100 100

Tiempo medio por insercin (ms.) 212 1640 107 Fuente: elaboracin propia.

A continuacin se presenta en el cuadro 8, con los resultados

obtenidos en las pruebas de insercin de las tres bases de datos en

escenario 2.

Cuadro 8 Tiempos de insercin escenario N 2

Parmetros PostgreSQL MySQL MongoDB

Total de accesos 281 132 236 779 895 003

Intentos de inserciones cada 15 seg. 1 000 1 000 1 000

Tiempo medio por insercin (ms.) 6 280 16 460 121 Fuente: elaboracin propia.

De acuerdo a los resultados obtenidos en las pruebas de los dos

escenarios se observa que las bases de datos relacionales insertan menos

datos que la base de datos NoSQL, esto se debe a que el tiempo medio de

insercin por dato es ms elevado en las primeras con respecto a la base de

datos NoSQL documental.

4.3.2.2 CONSUMO DE RECURSOS

Durante el tiempo que se realizaron las pruebas de los distintos

escenarios en todo momento se monitoriz el estado de los recursos

del computador, en el cual se encontraban las bases de datos, a continuacin se

muestran los resultados obtenidos correspondientes al consumo de recursos del

computador por parte de las bases de datos.

53

En el cuadro 9 se presenta un resumen del porcentaje de recursos

consumidos durante el escenario 1 por las bases de datos sometidas a las

pruebas.

Cuadro 9 Consumo de recursos escenario N 1

Recurso PostgreSQL MySQL MongoDB

Archivo de paginacin 22,25% 18,41% 12,21%

Disco fsico 20,50% 55,13% 15,62%

Procesador 69,64% 72,55% 23,79%

Memoria RAM 48,31% 43,39% 20,92% Fuente: elaboracin propia.

Los resultados porcentuales del uso del recurso de paginacin por

cada una de las bases de datos sometidas a las pruebas del escenario 1 se

pueden observar en la figura 2.

Figura 2 Paginacin escenario N 1

Fuente: elaboracin propia.

Como se observa, el uso de paginacin por parte de las bases de datos

relacionales es relativamente bajo, pero a pesar de eso presentan un

consumo mayor con respecto a la base de datos NoSQL documental.

54

Se debe considerar que a mayor porcentaje de consumo de recursos se

incurre en un menor rendimiento del equipo.

En la figura 3 se observan los porcentajes de utilizacin de disco duro o

acceso al mismo, por parte de las bases de datos sometidas a las pruebas

del escenario 1.

Figura 3 Acceso a disco fsico en escenario N 1

Fuente: elaboracin propia.

El mayor porcentaje de acceso a disco fsico lo realiza el DBMS MySQL

con un 55 %, lo cual representa una carga para el sistema y por

consiguiente un bajo rendimiento del equipo.

El porcentaje de uso de procesador que realiz cada una de las bases

de datos durante la realizacin de las pruebas del escenario 1 se

encuentra representada de forma grfica en la figura 4.

55

Figura 4 Uso de procesador en escenario N 1

Fuente: elaboracin propia.

Uno de los recursos ms importantes que afectan el rendimiento

del equipo es el consumo de procesador, por consiguiente una aplicacin

que consume menos recursos de procesamiento es ms favorable que una

que consume la mayor parte del procesador.

El uso de procesador, por parte de PostgreSQL y de

MySQL es notablemente elevado, representando ms del 50 % de la

capacidad de procesamiento, por lo consiguiente reducen en gran manera