Int ern at i onal  Journ al of Ele ctr ic al  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   8 , No .   6 ,  Decem ber   201 8 , p p.   5333 ~ 5341   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v8 i 6 . pp 533 - 5431          5333       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   Perform ance B en chmark ing of  Key - Valu e Store  NoSQL  Databas es       Omor uy i  Ose mw egie, Ke nn edy Ok ok p uj i e, N sik an N kordeh,  Charle s  Nd u jiub a,   Samuel  Joh n,    Uz airue S tanle y   Depa rtment  o f  E le c tri c al a nd  Inf orm at ion  Eng ineeri ng,   Coven ant   Univer sit y ,   Nige ria       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   Sep  6,   2017   Re vised  Ma y  3, 20 18   Accepte d  J un  11, 201 8       Inc rea sing  req u i rement s  for  sca la bil i t y   and  elasti ci t y   of  data  storage   for  web   appl i ca t ions  has   m ade   Not   Stru ct ure d   Quer y   L angua ge   NoS QL  da ta bas es   m ore   inva lua b le  to  web  dev el op ers.   One  of  such   NoS QL  Data ba se  soluti ons   is  Redi s.  A  bud ding  al te rn ative   to  Redi s  dat aba se  is  the   SS D B  dat aba se ,   which  is  al so  a   ke y - v al u e  stor e  but  is  disk - b ase d.   Th e  ai m   of  t his  rese ar ch   work  is  to  b enchm ark   both  da t aba ses  (Red is  a nd  SS DB)  using  the   Y ahoo  Cloud  Serving  Benc hm ark   (YCS B).   YCS B  is  a   pla tform  tha t  h as  bee n  use d   to  compare   and   benc hm ark   sim ilar  NoS QL  dat ab ase   s y st ems .   Both  dat ab ase s  were   giv en  va r ia bl e  workloads   to  id ent if y   th e  throughput  o f  al l   give n   oper ations.  The   result s  obta in ed  show s  tha t  SS D B  give s  a  bet t er   throughput   for  m aj ority   of  o per ations t o   Red is’s pe rform anc e .   Ke yw or d:   NoSQL     Re dis    SSD B  data bas e     Yaho o  Cl ou d Ser ving  Be nch m ark   (YC SB)   Copyright   ©   201 8   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Kenne dy Ok okpuj ie ,    Dep a rtm ent o f El ect rical  an d I nfor m at ion  E nginee rin g,   Cov e na nt Univ ersit y,   KM 10  I dir oko   Roa d,   Ota,  O gun St at e,  Nige r ia .   Em a il : ok okpu j ie ke nn e dy@c ov e na ntunive rrsi ty .ed u.n g       1.   INTROD U CTION   Ther e  is  an  i ncr easi ng   prol iferati on   of   N ot  Stru ct ur e d  Qu e ry  Lan gu a ge  ( N oSQL )   databases .   Am on gs t  their   key  adv a ntag es  is  the  pr om i se  of   faster  a nd  eff ic ie nt  pe rfor m ance  than  the  le gacy  Re la ti on al   Database  Ma na gem ent  Syst e m s  (RDBMS)  [1 ] .  NoSQL   da ta bases  are   al so   ta il or   fitt ed   to  the  fast  gr ow i ng   world  of  cl ou d  com pu ti ng,  al lowing  fo r  m assive  scal in g  “ on  dem and ”  (e la sti ci t y)  an d  s i m plifie d  ap plica ti on   dev el op m ent  [ 2].  H ow e ve r,   t her e  a re  w ords   of   ca ution   t o  the  ba ndwa gon  of  ad opti on   in  big   data  an d  we b  app li cat io n  de velo pm ent   no t ing   t hat  not  a ll   No S QL  dat abases  a re  c re at ed  al ike  where  pe r form ance  is   con ce r ned   [3 ] .  [4 ]   asserts  that   since  N oSQL  so luti ons  are  not  m a ture  an d  are  pro gr e ssin g  at   dif fer e nt  sp eed s,   database  a dm i nistrato rs  hav e   to  ch oose  ca re fu ll y  betwee n  NoSQL   an d  re la ti on al   databa ses  acco rd i ng  to  thei r   sp eci fic  nee ds  in  te rm s   of   co ns ist e ncy,  pe rfor m ances,  sec ur it y,  scal abili ty ,   costs  an d  oth er    non - f un ct io nal  crit eria.    W it h  t he  s ubsta ntial   num ber   of  ope n - s ource   an d  read il y  a va il able  N oSQL   syst e m s,  we b  app li cat io ns   dev el op e r  al so  exp e rience   t he   head ac he  of   sel ect ing   am on gs t  su c h  NoSQL   al te rn at ives.  This  the n  sug ge sts  a   Be nch m ark in g a m on g pee rs  w it h  scenari os   produce d  in  web   app li cat io n  act ivit y used  to de te rm ine the b es t fit   for  va rio us   sce nar i os .  Be nc hm ark in g  in  this  resp ect   re fers  to  a  per f or m ance  eval uatio n  of  N oS Q L  so luti ons   pro po se d  or   i n  us e.  T he  dem a nd   t her e f or e  is  that  sam ple  int eracti on s   m i m i ckin g  sim i la r  be hav i our  or   act ion s   as  case  m ay   be   in  su c h  web  a pp li cat io ns   be   us e d  in  a  pro ba bili sti c  or   det erm inistic  fashi on   to   be nc hma rk   t he  perform ance  of   sel ect ed  N oSQL  data base .  On ly   in  su c h  w ay s  can  it s  sel e ct ion   be  deem e d  reas on a bly  su it abl e   to b e  f ast e r  a nd m or e su it ed  t o a pa rtic ular  set o f user  interac ti on  tha n  a   pee r.   NoSQL  databa ses  can  be  cl a ssed  int o  f our  cat egories  nam el y:   Key - value   stores,   D ocum ent  stores ,   W i de  c olu m n   stores ,  G ra ph   Databases   [ 4 ] ,  [ 5].  A  key - va lue  sto re  ca n  be   viewe d  as  a   colle ct ion   of   r egiste rs,  Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8   :   5333   -   5341   5334   each  ide ntifie d  by  a  key  [6 ] .  A  com m on   us e  case  f or   t hese  syst em s  is  as  a  la ye r  i n  the  data - retr ie val   hierar c hy:  a  c ache  f or  ex pe ns ive - to - obta in   values ,  in de xe d  by  uniq ue  keys  [ 7].  [ 5]  Asser t  t hat  ke y - value  stores  a re  ge ne rall y  go od  s olut ion s  if  these  ha ve   a  sim ple  a pp li cat io n  with   on ly   one  kind   of   ob j ect ,  an d  on ly   need   t o  lo ok  up  ob j ect s  base d  on  on e  at tri bute .  E xam ples  include  Re dis,  Dynam o,   Me m cached ,  V olde r m or t   et c. D oc um ent stor es als o  kn own  as  docum ent - or ie nte d   dat abases sto re  docum ent - or ie nted  data i n  t he  f orm  o f   Bi nar y  Javasc r ipt  Object  N otati on   (BS ON)   [8 ]   or   Ja vasc ript  O bj ect   Nota ti on   (JSON ).  These  syst em s  are   app eal in g  to  Web   2.0  pro gra m m ers   since  these  are  ge ne rall y  su pport ed  by  JSON  as   their  data  m od el   [9 ] .   Un li ke   the  ke y - value  store s,   these  syst em s  ge ner al ly   suppo rt  seco nda ry  ind e xes  a nd  m ulti ple  typ es  of   do c um ents  (ob j ect s)  per   data base  a nd   neste d  doc um ents  or   li sts  [10].  Th ese  are  not  re quire d  to  a dh e r e  to  a  sta nd a rd  sch e m a,  the  flexibil it y  of   JSON  al lows   t he  us er  t o  work  w it h  dat a  without  ha vi ng   t o  de fine  a schem a   upfro nt [8 ] ,  [ 9] . E xam ples o f suc h database i s Mo ngoDB, C ou c hDB et c.   W i de  c olu m n  stores  al s o  ref e rr e d  by  so m e  as  exten sible  re cord  st or es  see m   to  hav e   bee n  m otivate d  by  Goo gle’s  s uccess  with  Bi gTa ble  [10].  A   colum n - store  stores  each  a tt r ibu te   in  a  database  ta ble  sepa ratel y,   su c h  that   su cce ssive  values   of  that  at trib ute  a re  st or e d  c onse cutivel y  [ 11 ] .   I t  can  be   ar gued   that  the   e qu i va le nt   of   relat ion al   da ta bases  f or  Bi g  Data,  retai ni ng   th e  noti on   of   ta bles,  rows  a nd   c olu m ns   [ 5].  W i de  Colu m n  databases  a re  base d  on  a  hybr i d  ap proach   that  reli es  on   r el at ion al   datab ases  declarat iv e  char act erist ic s  an d  var i ou s  k ey - va lue sto res  sc he m a [4 ] . E xam ples o f  these  inc lud es  H Ba se , C assan dr a,  and  A cc um ulo  etc.   Gr a ph  Databas es  are  su it able  to  store  not  on ly   info rm at ion   about  obje ct s  bu t  al so   al l  relat ion s hip s  that   exist   a m on g  them   [4] .  In  this re gard,  G raph d at ab ases  em plo ys  Gr a ph  the or y   c on ce pts  li ke   no des  a nd  e dg e s.  Node s   are  entit ie s  in  the  data  do m ain   re pr ese ntin g  a  tup le   or  r ow   in  a  database ,  or   a n  XM L  el e m ent  and   e dg e s  are   the  relat io ns hi p  betwee n  tw o  entit ie s  li ke  a  foreig n  key/ pr i m ary  key  relat ion s hip  [ 5 ] ,  [ 12] .  E xam ples  inclu de   Neo4J, a nd Orie ntDB.  Ho wever,  t he  f oc us   of this re searc h work i s  on k ey  v al ue  d at a  sto r es.     1.1.   In - Mem ory and O n  Disk Ke y - V alu e  Data st ores   Data  stores  ca n  be  cl assed  as  ei ther  In - Me m or y  or  O n  Dis k  data  stores.  When  in - m e m or y  data  stores  run,   data  is  e nt irel y  loaded   i nto   m e m or y,  s o  al l  it s  operat ion s  a re  run  from   m e m or y  [1 3].  Ty pical ly ,  su c h  syst e m s  m ay   r equ i re  that  data   be  store d  pe rio dical ly   and   asy nchron ously   on   dis k  but  al l  wo r king  da ta   is  retrieve d  from   m e m or y.  [1 0]   Sh ows  that  in - m e m or y  data  can  be  copi ed  to  disk   f or  bac kup  or  syst e m   sh ut dow n.   T he   key  advanta ges  of  in - m e m or y  data  stores  are  lo w  la te ncy  and   im pr ove d  thr ough pu t .  In - m e m or y  key - va lue  stora ge  al so   re qu ire s  low  over head   ne twork  com m un ic at ion   bet we en  cl ie nts  and   serv e rs  [13],  t his  c on tr ibu te s  sig nificantl y  to  it s  high  t hroug hput.   Re dis  a nd  Me m cached  a re  t ypic al   exam ples  of  i n - Mem or y key - va lue D at a  store s [7 ] ,  [ 14] .    Anothe r  Ca te gory  of  key - val ue  data  store s  are  Disk - based  key - val ue  dat a  stores.   Ty pic al ly ,  disk - base d   data  sto r es  can   be   Distr ibu te d  sto ra ge  syst e m s  [1 5],   or  Si ng le   node   pl at fo rm s,  stora ges  t hat  hold   da ta   i n  hard  dis k  with   fr eq ue ntly   ac cessed  data  in   m e m or y,  or   data  stores  that  can  store  data  in  RAM,  bu t  it   al so   per m it s  plu gg i ng   in  a  sto rag e   eng ine  [10].  The  ad va ntage   of   on  dis k  capab il it ie s  includes  re du ci ng   c os t  pe r   byte   of   st or a ge   and   i ncr easi ng   st or a ge  ca pa ci ty .  In dee d,   on   dis k  data  s tores  ca n  ser ve   as  al te rn at iv e  to  in   m e m or y  ty pes  wh e n  e xh a us ti on   of   m e m or y  sp ace  is  antic ipate d  or   e xpec te d  [ 15 ] .  Also ,   these  are  ref e r red   t o  as p e rsiste nt  ke y - value  sto res whic h  incl ude  data sto res  s uc h  as  Ber keley DB, Vol dem or t and Ri ak [1 6] .     1.2.   Redis   Re dis  is  an  ope n  sou rce   (BS D   li censed ) ,  in - m e m or y  data  structu re  sto re,  us e d  as  data ba se,  cache  a nd  m essage b r oke r  [14]. Th e  data  m od el  is k ey - val ue,  alt houg h  m any d iffer e nt k in ds  of d at a ty pes  are su pport ed:  Strin gs ,  List s,  Sets,  Sorte d  S et s,  Hash e s,  H yperL ogLo gs ,  and   Bi tm aps  [ 17 ] .  Re dis  has  bu il t - in  rep li ca ti on ,  it   can  be  re plica te d  us in g  the  m ast er - sla ve  m od el   and   a  m ast er  can  ha ve  m ulti ple  sl aves  [ 14 ] ,  [ 3].   Re dis   pro vid es  acce s s  to  m utable  da ta   structur e s  vi a  a  set   of   com m and s,  wh ic h  are  sent  us i ng  a  serv e r - cl ie nt  m od el  with  TCP  so c ke ts  and   a  si m ple  protoc ol  [17].  Re dis  can  be  us e d  as  a  Least   recently   us ed  (LRU )  cache,  us in g  an  a ppr ox im ate  LRU  al gorith m   to  evict   old   data  as  a   ne w  on e   is  a dd e d  [14].  It  al s o  offers  scri pting  cap abili ty   us in g  L ua,   a  powe rful,  li gh t - wei gh t  scri pti ng   la ngua ge  wr it te n  in  C  a nd   em bedded   in  Re dis  [ 18 ] .   Re dis  su pp or ts  a utom at ic   fail ov er  if  a  m ast er  is  no t  w orkin g  as  exp ect e d  us in g  a  featu re  cal le d  Re dis  Sentin el ,  this   sta rts  a  fail ov e r  process  wh e r e  a  sla ve  is  pr om oted  to  m as te r,   ad diti on al   sla ves  are  a lso   reconfigu red   t o  us e   the  ne w  m ast e r  [ 14] .  S hardin g  is  e xecu te d  via  Re dis  cl us te r  a  platfo rm   wh e re  data  is  autom at ic ally  sh ar de d  acro s s m ulti ple  Redis  nodes  [14 ] .     1.3.   SSD B   SSD B i s a f ast   NoSQL data ba se f or sto rin g  bi g  li st of  b il li ons of elem ents;  it  su pport s d at a stru ct ures   includi ng   Key - Value  pai r,   List ,  Ma p  or   Ha sh   an d  Sorte d  Set  [1 9].  S SDB   is  wr it te n  in  C/ C+ +  with  Goo gle   LevelDB  as  it s  storag e   e ng i ne   [2 0].  Co ncei ved   by  i ts  autho r  as  an  al te r na ti ve  to  Re dis  [19,   20] ,  it   su pport s  Re dis  netw ork   protoc ol  and  op e n - s ource d  Re dis  cl ie nts  [21].  SSD B  oth e r  featu res   include  Re pli cat ion   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Perf orma nce B enchm ar ki ng  of  Key - Val ue Store N oSQL D at abas es  ( O m oruyi  Osemwe gie )   5335   (Mast er - Slave  and  Mast er - Ma ste r  co nf ig urat ion), Tim e to Li ve  key ex pirati on   (can  se r ve  a s a p ersi ste nt c ache  serv ic e )  [ 21]  a nd easy  to  u se   cl ie nt A P Is for  Dev el op m ent a nd D e plo ym ent.       2.   RESEA R CH MET HO D   2. 1.     Benchma rking  To ol   an d System   S pe c ifica tio n   Be nch m ark in g  of  N oSQL  Databases   wit h  a ny  sta ndar d  ben c hm ark   too ls  is  done   us in g  t w o  appr oach es  na m el y:  trace  and   vect or - base d   load  ( databas e  op e rati ons)  gen e rati on  [ 22 ] ,  [ 23 ] .  T race  base d  ben c hm ark   sys tem s  us e  act ua l  app li cat ion  work l oa d  ge ne rated  from   sp eci fic  app li cat io ns   ov e rtim e.  Wh il st  Vecto r  base d  be nch m ark   syst e m s  create s  app li cat ion   be ha viours  us in g  ve ct or s  a nd   a pp l yi ng   the  vect ors  us i ng   known   sta ti sti cal   distrib utio n  m od el s,   m i m ic kin g  act ual  ap plica ti on   re qu e st  an d  res ponse   in   ha r dware  or  virtu al   platf orm .   Be nch m ark   too ls  can  be  c la ssifie d  as  ei ther  in buil t  or   custom .  An   exa m ple   of   the  f orm er  is  red is - be nc hm a rk.  Cu stom   ben chm ark   t oo l s  inclu de  Ya hoo!  Cl oud  S yst e m   Be nchm ark   ( YCSB )   [ 24 ] ,   Bi gBench  [25 ]   and   Gray Sort   [26].  T he  ob j e ct ive  of   t his  be nch m ark in g  process  is  to  c ompa re  t he  pe rform ance   of   Re dis  an d  S SD B  N oSQL  databases  us in g  sing le   no de  instances .  The  resu lt s  w ou l d  validat e  the  cl aim s  of  SSD B ’s  s uitab il ity  as  an  al te r native  to   Re dis   as  the  a uthor s  hav e   sug gested   [19] .  T he  t oo l  of   c hoic e  is  Y CSB ,   YCSB ’s   pl ug i n - base d  a rc hite ct ur e  a nd  ease   of  exte ns ibil it y  us i ng  scri pts  [ 27 ]   m akes  it   a  sp le ndid   ch oic e.   [ 4]  detai ls YCSB’ s u se  in  m easuri ng  t he per for m ance of fo ur  NoSQL  syst em s inclu ding Re dis. [2]  Descr i bes  tw o  YCSB  be nch m ark   ti ers  nam ely:  Perf or m ance  and   Scal in g.   The  f ocu s  f or  this  stud y  is  to  Be nch m ark   SS DB’s   perform ance  in  com par is on   to  Re dis  f or  a   range  of   Wor klo a ds .  These   work l oa ds   im i ta te   a  var ie ty   of   we b  app li cat io n  re quest   beh a viour s li ke heavy  re ad  a nd writ e sc enar i os . T he  workloa ds   c onsi der e d   i nclu des:     Work l oad  A  ( Heavy  U pdati ng )   In this  wor klo a d 50%  of  t he o per at io ns  a re  r eads a nd  50 %   are  wr it es .     Work l oad  B  (Heavy Re ad)   In this  wor klo a d 95%  of  t he o per at io ns  a re  r eads a nd the  r e st 5% a re  wr it e s.    Work l oad  C  (Only Re ad)   Wor klo a d wit h 1 00% r ea d o pe rati on s .    Work l oad D  ( Re ad La te st)   Wor klo a d wit h 9 5% read  Ope rati on s  and  5%  inser t  operati ons. Wo r klo a d  i ns erts  n e w rec ords  a nd the  m os t  recently  inse rted reco rds are  the m os t p opula r.   Work l oad  E   Wor klo a d wit h 9 5%  S hort  ra nges S can  Oper at ion s a nd  5% i ns ert  op e rati on s. Wo r klo a d q uer ie s  short  ra ng e s  of r ec ords, inst ead  of in div id ua l reco rds.    Work l oad  F     Wor klo a d wh e re th e  cli ent w i ll  r ead a  r ec ord , m od ify  it , and  w rite   bac k  the  ch a ng e s.  Ta bl e 1   show s the   detai ls sy stem  co nfi gurati on  a nd spec ific at io n for the  b e nc hm ark in g proce ss.m anu script.         Table  1: D et ai li ng   Syst em  co nf i gurati on a nd Sp eci ficat ion   Proces so r    Intel Pen tiu m  C PU  B9 6 0   Clo ck  Speed   2 .20 GHz   Nu m b e r  o f  Co res    2   Nu m b e r  o f  T h read s   2   Ho st Ins tructio n  Set   6 4  bit   Ho st Op erating  Sys te m   W in d o ws   Ho st Me m o ry    4 0 9 6 MB   Virtual Op e rating  Sy ste m     Cen tOS 6.3   Virtual  Me m o r y   7 5 6 MB   Virtual Ins tructio n   Set   3 2  bit   Kernel   Linu x  2.6 .32 - 2 7 9 .e l6 .i68 6   Jav a   Jav a SE  Ru n ti m e  1.8 .0_ 4 5   YCSB  Ver sio n   0 .1.4   Red is Versio n   3 .2.0   SSDB Ve rsio n   1 .9.3   Virtual  Machin e   Orac le   VirtualB o x       3.   RESU LT S   A ND AN ALYSIS     3.1.   Workl oad  A ( Hea vy Upd at i ng )   The  resu lt s  of  the  Hea vy  Update  ope rati ons  are  s how n  i n  Fig ur es  1,  Fig ur e   2  a nd  Fi gure  3.    In  this   resu lt ,  SS DB  outpe rfor m s  Red is  as  the  nu m ber   of   th read s  increases  a nd   i ts  through pu t  div e rg es  si gn if ic antly   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8   :   5333   -   5341   5336   with  an  i ncr eas e  in  the  num ber   of  threa ds.  T his  sug gests  th at   an  increase  i n  softwa re  th re ads  will   increa se  the  perform ance   of SS DB as s ho wn in t he  Fi gur es 1 - 3         Figure  1.   Com par is on of Re di s and SSDB  w it h  1000  Re cords       Figure  2.   Com par is on of Re di s and SSDB  w it h  5000  Re cords           Figure  3.   Com par is on of Re di s and SSDB  w it h  1000 0  Re c ords  and  1000  O per at io ns       3.2.   Workl oad   B  ( Hea vy R e ad)   The  res ult  of   the  Hea vy  Re ad  w orkloa d  as  sh ow n  in  Fig ure  4,   Fi gure  5  and   Fi gure  6  ha s  si m i la rity  with  the  heav y   update  ope rati on s .  SS DB  ou t perform s  Re dis  for  Hea vy  Re ad  ope rati on s  a s  show n  in  Fig ur e  1,  Figure  2  an d  Figure  3.  H ow ever  this  a dva ntage   of  perf orm ance  seem s  to  be  lo st  as  t he  am ount  of  record s   appr oach es  10,000.  Redis cle a rly  seem s to  reco ve r  a ny lost  gro unds  at t his  le vel.           Figure  4 .   Com par is on of Re di s and SSDB  w it h  1000   Re cords  a nd  1000  O per at io ns       Figure  5 .   Com par is on of Re di s and SSDB  w it h  5000  Re cords  a nd  1000  O per at io ns   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Perf orma nce B enchm ar ki ng  of  Key - Val ue Store N oSQL D at abas es  ( O m oruyi  Osemwe gie )   5337       Figure  6 .   Com par is on of Re di s and  US S DB  with  10000 R e cords  a nd  1000  Operati ons       3.3.   Workl oad  C ( Only Re ad)   The  resu lt   of   the  thr ough pu t   for  S SD B  as   show n  i n  Fig ur es   7,  Fig ure   8  a nd  Fig ur e   9  div e rge s   sign ific a ntly  ag ai ns t t hat of R edis as t he num ber  o f  t hr ea ds de plo ye d  inc r eases .         Figure  7 .   Com par is on of Re di s and SSDB  w it h  1000  Re cords  a nd  1000  O per at io ns     Figure  8 .   com par iso n of Re dis  and SSDB  wit h  5000 Rec ords and 1 000 O pe r at ion s           Figure  9 .   Com par is on of Re di s and SSDB  w it h  1000 0  Re c ords  and  1000  O per at io ns       3.4.   Workl oad  D ( Read La tes t)   The  Fig ure  10,   Figure  11  an d  Figure  12  s hows,   how  the  re su lt   of   S SD B  t hro ughput  sur pa sses  that  of  Re dis.  T his als o  s hows  a sig ni ficant  boos t  of  the th rou ghput  as the  n um ber  o f  thr ea ds i ncrea ses to 8.       Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8   :   5333   -   5341   5338       Figure  10 .   C om par ison   of R edis a nd SSDB  w it h  1000 Rec ords and 1 000 O pe r at ion s     Figure  11 .   C om par ison   of Redis a nd SSDB  w it h  5000 Rec ords and 1 000 O pe r at ion s           Figure  12 .   C om par ison   of Redis a nd USSD B wit h 1 0000  Re cords  a nd  1000  O per at io ns       3.5.   Workl oad E   The  Fig ur e   13,   Fig ur e   14  a nd Figure 15  s ho ws,  ho w  the   R edis  cl early  o ut perform s  SSDB   in  te rm s  of  thr oughput. T hi s ind ic at es t ha t t he  SS DB is  un s uitable   for SC AN ope rati on s .             Figure  13 .   C om par ison   of Redis a nd SSDB  w it h  1000 Rec ords and 1 0 00 Ope r at ion s       Figure  14 .   C om par ison   of Redis a nd SSDB  w it h  5000 Rec ords and 1 000 O pe r at ion s     Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Perf orma nce B enchm ar ki ng  of  Key - Val ue Store N oSQL D at abas es  ( O m oruyi  Osemwe gie )   5339       Figure  15 .   C om par ison   of Redis a nd SSDB  w it h 1 0000 Re cords  a nd  1000  Operati ons       3.6.   Workl oad F   In   the  Re ad - M od i fy - Wr it e  Wo r klo a d  as  sho wn   in  Fig ure  16,  Fig ur e  17  and   Fi gure  18,   there  are   sh a des  of  sim ilarity   to  Work l oad   D  (Rea d  L at est )  see  Figure  10  to  Fig ure   12.  SS DB  pac es  Re dis  for  outp uts   from  1  2 ,  and  4 t hr ea ds   res pec ti vely . H owe ve r  the re is a  d i ve rg e nce  w hen thr ea d  le ng t h  in creases t o 8.         Figure  16 .   C om par ison   of Redis a nd SSDB  w it h  1000 Rec ords and 1 000 O pe r at ion s     Figure  17 .   C om par ison   of Redis a nd SSDB   with  5000 Rec ords  a nd  1000  Op e rati ons           Figure  18 .   C om par ison   of Redis a nd SSDB  w it h 1 0000 Re cords  a nd  1000  Operati ons       F or   t he  series  of   e xperim ents  cond ucted,   on ly   sing le   node   instances  of   both  databases  wer e  us e d.  The  te st  carrie d  out  involve d  al l  six  (6 )  g e ne ric  work l oads   of   YCSB  ( W orkloa d  A  to  Wor k loa d  F) .    SSD B   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8   :   5333   -   5341   5340   perform s  bet te r  tha n  Re dis’s   thr ough pu t   in   hea vy  r ead   operati ons   by  a   sig nificant  m arg i n.   H ow e ve r,   t he   m arg in  in dicat es  a  sign i fican t  reducti on   with  rea d - m od ify   and   w rite   op e r at ion s.  T his  s hows  t hat  de vel op e rs   can  co ns i der   a doptin g  SS DB  for  el ast ic it y  in   app li cat ion   sc enar i os   w he re  updates,  hea vy  read   &  rea d - m od ify   and   wr it e   oper at ion s  are  unde rtake n.   Wh il e ,  SSD B ’s  cl ai m   to  be  a  su it able  al te rn at iv e  to  Re dis  has   been  sh ow n  to  be  va li d  for  F ive  out  of   si x  w ork loads ,  it   is  no t  su it ed  f or   s ho rt  or   sm al l  (< 10,00 0)   range  scan   qu e ries.       4.   CONCL US I O N    In   c oncl us i on,   the  phe no m eno m s  that  has  le d  to   the  i ncr ea sed  visibil it y  of   N oSQL   is  th e  risin g  nee d  for  un st ru ct ur e d  data  an d  do c um ents  in  Mobi le   com pu ti ng   and  S ocial   net work  we bs it es  [28] .    Wh il st  c heap e r   and   faster  m em or y  un it s  are   no t  ru le d  out,   the  gro wing  t rend  of   Bi g  D at a  and   t he  I nt ern et   of  T hings  is  decen t rali zed  database   syst em s  that  i m pr ov e  fau lt   tole ra nce  in   data bas e  syst e m s.  Per form ance  conc ern s   are   no t  only   influ e nced   by  locat ion   al one  b ut  by   data  secur it y  issues  al so .  Se cur it y  con ce r ns  arise  because   of   the   natu re  an d  c ha racteri sti cs  of   Bi g  Data  (the  huge  vo l um e,  velocit y,  va riet y  and   ver aci ty   of   data)  [ 29] .  On e  of   su c h  co ncerns  is  ho w  to  qu e r y  encr ypte d  da ta base  syst e m s   without  degra ding   pe rfor m ance  of  ap plica ti on s  [30,  3 1]. A lt ho ugh  this  st ud y has  not  ad dress ed  su c h  sec ur it y  issues  it   is  ce rtai n  that  this will   featur e  in lots  of  stud ie s  goin g f orward.       ACKN OWLE DGE MENTS   We ac knowle dge the  s upport  of Co ven a nt  U niv e rsity  in  c onduct in g  this   r esearch  and t he  co st  of pu blica ti on .       REFERE NCE S     [1]   C. U.  Kum ara sin ghe,   K . L. D . U. L i y ana g e, W.A. T .   Madushanka   an d  R. A.C . L. Men dis.   (2015 ,   Sept e m ber ).     Perform anc e  Co m par ison o f  No SQ L  Data base s   i n  Ps eudo  Distrib ute d  Mode :  C assandra ,   MongoD B  &  R edi s  [Onlin e] .   Avai lable:  htt ps:// ww w.re se arc hga te.ne t /prof il e/Tirosha n_Ma dushanka /publ i c at ion/ 281629653 _Perform anc e_C om par ison_of _NoS QL_Dat aba ses_in_Ps eudo_Distri bute d_M ode_Ca ss andr a_ MongoD B_Redi s/li nks/55f113ba 08ae de cb68f fd2 9 4. pdf, Access ed: Jul y .   1 ,   2016   [2]     B.   F.  Cooper,   A .   Silbe rst ei n ,   E.  Ta m ,   R.   R amakri shnan,   and   R.   S ea rs,  “ Benc hm ar king  cl oud  serv i ng  s y stems   with  y csb ” .   In  Proceedi ngs  of  th e  1st   ACM  sympos ium  on  Cloud  computi ng   (New  York,  NY ,   US A,  2010),   SoC C  ’10,  ACM ,   pp. 143 - 1 54.   [3]   Y.  Abubaka r ,   T .   S.  Ad e y i,    an d    I.  G.  Aut a,    "P erf orm anc e  Eva lu at ion   of  N oSQ L  S y stems   using  YCS B  in  a   Resourc e  Aus te r e  Envi ronm ent,"   Inte rnational   J ournal  of  Appl i ed  Information  Syste ms ,   vol .   7,   pp.   23 - 27,   Sep .   2014.   [4]   [A.  Ous sous ,   F. Z.   Benjel loun,   A.A.  La h c en,     S .   Bel fki h,   "Com par ison  and  Cla s sific a ti on  of  NoS QL  Data base s  for   Big  Data,"  in   Pr oc.   o f  th e  2015  I nte rnational   Co nfe renc e  on  Bi g  Data,   Cloud  and   Appl i cat ions ,  B DCA   2015,   25 - 2 6  Ma y   2015,   Tetu an,   Morocc o  [O nli ne] .   Availabl e :  Resea r chGa te   ,   htt ps:// ww w. res ea rch g ate. ne t.   [ Acc essed:  24  June  2016] .   [5]   H.  Khaz ae i ,   M.   Fokaef s,  S.   Zare ia n,   N.  B ei gi - M ohamm adi ,   B.   R amprasad,   M.Sh te rn,  P.  Ga ikwa d,   and   M.   Litoiu .   “ How   do  I  choose   the  right  NoS QL  soluti on ? A   c om pre hensive   th eor etical  and  ex per imental  surve y . ”  In :  Subm i tte d   to  Journal   of  Bi g   Data  and  Information  Anal y tic s( BDIA ) (2015). [Online ] . Availabl e:   htt ps:// ww w.re se arc hga te.ne t /prof il e/ H amze h_Kha za e i/ publ ic a ti on/ 282679529_How _Do_I_Choos e _The _Right _N osql_S olut ion_A_Com pre hensive_The ore ti c al _An d_Expe riment al_S urve y / li n ks/5 618781808ae 04 4edba d2437. pdf .   Acc essed:Jun. 2 9,   2016 .   [6]   E.   Anderson,  X .   Li ,   M .   A.  Shah ,   J.  Tucek,   and  J.   J.  W y lie,   “ W hat   consiste n c y   do es  y our  k e y - va lu e  store  ac tu al l y   provide? ”   HotD ep ,   vo l. 10, pp. 1 – 16,   2010 .   [7]   B.   Atikogl u,   Y. X u,   E.   Frac ht en ber g,   S.  Jian g ,   a nd  M.  Pale cz n y .   W orkloa d  ana l y s is of   a  la rge - sc ale  ke y - val u e  stor e.   In  Proceedi ngs  of  th e  SIGMETR ICS’12 ,   June   20 12.   [8]   K.  Ma,   A.  Abra ham,  “ Towa rd  l i ghtwei ght   tra nsp are nt   data  m iddleware   in  suppor t  of  do cument  st ore s”  in   W ICT   2013:  Proc ee din gs of   th e thi rd   W orld Congre ss   on  Information  an d  Comm unic ati o n  Technol og ie s   ( 2013)   [9]   C.   Chasseur,  Y.  Li ,   and  J.   M.  Pa te l .   En abl ing   JS ON   document  stores  in  r el a ti ona l  s y st ems .   In   Pr oce ed ings  of  th e   16th  Int ernati on al  Workshop on   the   W eb  and   Dat abases ( We bDB),   pag es  1 - 6 ,   20 1 3.   [10]     R.   C at t ell,   “ Scalable sql and  nos ql  da ta store s, ”  ACM  SIGMO D  Re cord ,   vol .   39 ,   no.   4 ,   pp .   12 – 27 ,   2010.   [11]     D.J.  Abad i. Col um n  stores  for  w ide   and  sparse   d at a .   In   CIDR,   As il om ar,   CA ,   US A,  2007.   [12]     V.  Kac holi a ,   S.  Pandit ,   S.   Chakr aba rt i,   S.  Suda rshan,   R .   Desa i ,   a nd  H.  Kara m belkar,   "Bid ire c ti on al   exp ansion  fo r   ke y word   sea r ch on gr aph  d ataba s es, " i n   Proc .   of   VLDB  Confe ren ce ,   2005,   pp.   50 5 - 516.   [13]   J.  Han,   E.   Haih ong,   G.  Le ,   and   J.  Du,  " Surve y   on  No SQ L  dat aba se, "  In  Pe rv asive   Computin g  and  Appl ic ations  ( ICPCA ) ,   2011  6th  Int ernati onal   Confe renc e  on ,   Oct.   2011 ,   pp .   3 63 - 366.     [14]   [Online ] . Availab le :   htt p :/ /r edi s.io   Acc essed:   Jul y .   1,   2016 .   [15]   Online ] . Availabl e: htt p :/ /www . id e awu. com/blog/ p ost/c ategor y /ssd b,   Ac ce ss ed:   Jul y .   1 ,   2016   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Perf orma nce B enchm ar ki ng  of  Key - Val ue Store N oSQL D at abas es  ( O m oruyi  Osemwe gie )   5341   [16]     Kata rina   Grolin ger ,   W il son  A.  Higashino,   Abhi na v  Ti wari   and  Miria m   A.  M.  C apr etz,   “ Data   m ana gement  in  cl o ud  envi ronm ent s:  NoS QL  and  N ewSQ L  dat a  st ore s”,   Journal  of  Cloud  Com puti ng:  Advanc es,   S y stems   an d  Applic a ti ons 20 13,   2:22 ;  h tt p:// ww w.j ourna lofc l oudcomputing. c om /c onte nt/2/1/ 22   [17]   [Online ] . Availab le :ht tps:/ /g it hub . com/ant ir ez /r edis   Acc essed:   Jul y.   1 ,   2016 .   [18]     R.   Ier usal ims chy ,   L .   H .   de   Figue ire do,   W .   C el es .   Lua   5 . 1  R efe r en ce   Manu al. Lua . org,   2006 .   [19]     [Online ] . Avai lable: ht tps: // ss db. io  Acc essed:  Jul y .   2 ,   2016 .   [20]   [Online ] . Availab le :https :/ /g it hub . com/ide awu/ss d b  Acc essed:   Jul y.   2 ,   2016 .   [21]   [Online ] . Availab le :http:/ /www . id ea wu.c om /bl og / post/c ategor y /ss db  Acc essed:   Jul y .   2 ,   2016 .   [22]     R.   Sear s,  C.   Van  Inge n ,   and  J .   Gra y ,   “ To  BL OB  or  not  to  B LOB:  La rg e  obj ec t  stor age   in  a   dat ab ase   or   a   fil es y s te m ? , ” ar Xiv  Prepr. c s/07 011 68,   pp .   1 – 11 ,   2007.   [23]   M.  Selt z er,  D.  K rinsk y ,   K.  Sm it h ,   and  X .   Zh ang,   “ The   ca se   for  ap pli c at ion - spe ci fi c  benchm ark ing,”  in  Hot  Topi cs   in  Operating   Sys te ms ,   1999 .   Pro c ee dings o f  th e  S e ve nth   Workshop  on ,   1999 ,   pp .   10 2 – 107.   [24]   B.   Cooper ,   YCS B:  Yahoo!  C lou d  Serving   B enc h m ark .   2017.   [25]   T.   R abl e t   a l.,  “ BigBe nch   Speci f i ca t ion  V0.   1, ”  in   Specifying Big D ata  Be n chmarks ,   Springer ,   201 4,   pp .   164 – 201 .   [26]   “ Sort  Benc hm ar k  Hom e  Page.”  [ Online ] .   Avai la b le :   htt p :/ /sortb en chmark. org./.   [Acc essed:   01 - Jan - 2018] .   [27]   H.  Khaz a ei   et   a l. ,   “ How   do  I  c hoose  the   r ight  nosql  soluti on ?  a  compreh ensi ve  the or etical  a nd  expe rimen ta l   surve y . ”   [28]   S. - H.  Jung,  J. - C .   Kim ,   and   C. - B.   Sim ,   “ Predic ti on   Data  Proce ss ing   Scheme  using  a n  Artificial  Neur al   Ne twork  and   Data   Cl usteri ng   for  Big  Da ta , ”  I nte rnational   Jou rnal   of  E lectric a l  and  Computer  Engi ne ering  ( IJE CE) . ,   vol .   6 ,   n o .   1,   p .   330 ,   2016 .   [29]   S.  A.  Th ane ka r,  K.  Subrahm an yam,  and  A.   B.   Bagwa n,   “ Big  d at a  and  MapR ed uce   cha l le nges ,   opportuni ties  an d  tre nds,”   In te rnat ional   Journal  of   El ectric al  and  Computer  Engi n ee ring  ( IJE CE) . ,   vol.   6,   no.   6 ,   p p.   2911 – 2919,   2016.   [30]   Y.  D.  Jang   and   J.  H.   Kim ,   “ A  compari son  of  the  quer y   e xec ut ion  a lgori t hm s  in  sec ure   dat ab ase   s y s te m , ”   Inte rnational   Jo urnal  of El e ct ri c al  and  Comput er  Engi n ee ring   ( IJE CE) ,   vol .   6 ,   no .   1,   pp.   337 – 343,   2016.   [31]   Chin onso,  Okere ke,   Os emw egi e  Om oruy i ,   Kenne d y   Okokpujie,  a nd  Sam uel   John.   "D eve lopment  of  an  Enc r y pti ng   S y stem  for  an  Im age   Viewe r   base d  on  Hill   Ciphe r  Algorit hm " ,   Cove nant  Journ al  Of  Engi nee ri ng  Technol ogy   1,   no.   2   (2017).     Evaluation Warning : The document was created with Spire.PDF for Python.